Th´ eor` emes limites
Cours de math´ ematiques de BCPST Deuxi` eme ann´ ee
1 Loi faible des grands nombres 2
2 Quelques convergences en loi 4
2.1 Hyperg´eom´etrique par Binomiale . . . 4 2.2 Binomiale par Poisson . . . 8
3 Th´eor`eme central limite et cons´equences 11
3.1 Th´eor`eme central limite (Premi`ere forme) . . . 11 3.2 Binomiale par Normale . . . 13 3.3 Poisson par Normale . . . 16
4 R´ecapitulatif 16
5 Exercices du td 18
1 Loi faible des grands nombres
Soientm etσ deux r´eels. Soientn variables al´eatoires ind´ependantesX1,· · ·, Xnadmet- tant toute la mˆeme esp´erancem et la mˆeme variance σ2. Posons :
Xn = X1+· · ·+Xn
n .
Xn admet une variance et on a : E Xn
=m et V Xn
= σ2 n . Proposition 1
+ Mise en garde :
On utilise les notations de la pr´ec´edente proposition. Ne pas oublier l’hypoth`ese d’ind´ependance dans la proposition pr´ec´edente. Cela ne changerait pas E Xn
. En revanche, V Xn
ne serait plus forc´ement σ2
n .
* Remarque :
On utilise les notations de la pr´ec´edente proposition.
1. Dans la proposition pr´ec´edente, il faut noter que les variables intervenant peuvent ˆetre des variables `a densit´e ou bien des variables discr`etes.
2. D’apr`es cette proposition pr´ec´edente, si σ est non nul la variable al´eatoire suivante : Xn−m
√σ n est la variable al´eatoire centr´ee r´eduite associ´ee `a Xn.
3. En statistique inf´erentielle, X sera une variable observ´ee ayant une esp´erance m et une va- riance σ2. (Xi)i∈J1,nK constituera un ´echantillon de X. La proposition pr´ec´edente dit simple- ment que Xn, la ni`eme moyenne empirique, est un estimateur non-biais´e de m, cela signifie que son esp´erance vaut m. La question qui se pose est la proximit´e des valeurs de Xn avec m. On voudrait savoir `a partir de quelle taille d’´echantillon on peut esp´erer une bonne approximation de m en disant que m vaut la valeur que l’on a ´evalu´ee pour Xn `a partir de donn´ees exp´erimentales. La loi faible des grands nombres, cons´equence de l’in´egalit´e de Bienaym´e-Tchebychev, va nous apporter une premi`ere r´eponse.
Loi faible des grands nombres
Soient m et σ deux r´eels. Soit (Xn)n∈N? une suite de variables al´eatoires mutuellement ind´ependantes admettant toute la mˆeme esp´erancem et la mˆeme variance σ2. Pour tout entier strictement positif n, on pose :
Xn = X1+· · ·+Xn
n .
Pour tout r´eel ε strictement positif, on a :
n→+∞lim P
Xn−m > ε
= 0.
Th´eor`eme 2
* Remarque :
On utilise les notations du pr´ec´edent th´eor`eme.
1. Dans ce th´eor`eme, on pourrait enlever l’hypoth`ese d’existence de la variance mais cela serait beaucoup plus difficile `a d´emontrer. Avec l’hypoth`ese d’existence de la variance et le fait que ce soit la mˆeme variance, on peut se contenter d’une ind´ependance deux-`a-deux.
2. Le r´esultat que l’on obtient (les limites donn´ees dans le th´eor`eme) porte un nom, on dit que Xn
n∈N? converge en probabilit´e vers la loi certaine m. Ce vocabulaire (convergence en probabilit´e) n’est pas au programme.
3. On verra l’utilit´e de ce th´eor`eme en statistique inf´erentielle. En fonction de la pr´ecision sou- hait´ee, le ”ε” du pr´ec´edent th´eor`eme, il faudra choisir une taille d’´echantillon suffisamment importante pour que Xn donne une id´ee fiable de m.
4. On note que, dans ce th´eor`eme, les (Xn)n∈N? n’ont pas forc´ement mˆeme loi.
5. On parle de loi faible des grands nombres car il y a une loi forte. Elle n’est pas au programme.
Elle dit que, si m est un r´eel et (Xn)n∈N? est une suite de variables al´eatoires ind´ependantes et identiquement distribu´ees (qui se note en abr´eg´e i.i.d), autrement dit une suite de variables al´eatoires ind´ependantes et ayant mˆeme loi, admettant toute la mˆeme esp´erance m alors X1+· · ·+Xn
n
n∈N?
converge presque sˆurement vers la loi certaine m, cela signifie que, pour tout r´eel ε strictement positif, on a :
P
n→+∞lim
X1+· · ·+Xn n
=m
= 1.
Cela justifie qu’on obtient, en simulant un certain nombre de fois une variable al´eatoire, une estimation de son esp´erance. Cela justifie ´egalement que l’on peut approximer la probabilit´e d’un ´ev´enementA par sa fr´equence si l’on r´ep`ete assez de fois une exp´erience.
6. Soit (Xn)n∈N? une suite de variables al´eatoires `a densit´e ind´ependantes et identiquement dis- tribu´ees dont une densit´e est la fonction f suivante :
Pour tout entier naturel non nul n, X1+· · ·+Xn
n est une variable `a densit´e dont une densit´e estf, elle ne d´epend donc pas de n et ne s’approche pas en particulier de la loi d’une variable al´eatoire constante comme le voudrait la loi faible des grands nombres. Ceci n’est pas une contradiction car....
2 Quelques convergences en loi
2.1 Hyperg´ eom´ etrique par Binomiale
Soient n un entier naturel non nul et p un ´el´ement de ]0,1[. Soit (XNi)i∈N une suite de variables al´eatoires telle que les trois conditions suivantes soient v´erifi´ees :
1. Pour tout entier naturel i,Ni×pest un entier naturel
2. Pour tout entier naturel i, XNi suit une loi hyperg´eom´etrique de param`etres (Ni, n, p)
3. lim
i→+∞(Ni) existe et vaut +∞.
Soit Y une variable al´eatoire suivant une loi binomiale de param`etres n etp. Pour tout k de J0, nK, on a :
i→+∞lim (P (XNi =k)) =P(Y =k)
= n
k
pk(1−p)n−k. Proposition 3
* Remarque :
On utilise les notations de la pr´ec´edente proposition.
1. Le r´esultat obtenu signifie que (XNi)i∈
N converge en loi vers Y, ce vocabulaire n’est pas au programme.
2. En r´ealit´e, on a lim
i→+∞(P (XNi =x)) =P(Y =x) pour tout r´eel x. Lorsquexn’appartient pas
`
a J0, nK, cela donne lim
i→+∞(P (XNi =x)) = 0 et, lorsque x appartient `a J0, nK, la proposition pr´ec´edente r´epond `a la question.
3. Dans la pratique, on dira que si X suit une loi hyperg´eom´etrique de param`etres (N, n, p) et si N > 10n alors on peut ”approcher” la loi de X par la loi binomiale de param`etres n et p. Si on utilise une urne et qu’on effectue un nombre de tirage n´egligeable devant le nombre d’´el´ement dans l’urne au d´ebut alors, faire un tirage avec ou sans remise ne change pas grand chose. On ´ecrit alors que : pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
P (a 6X 6b)≈P(a6Y 6b) avec Y qui suit une loi binomiale de param`etres n et p.
4. On comprend tr`es bien ce ph´enom`ene quand on observe des histogrammes.
On propose le programme suivant :
6 Un peu de python:
Listing 1 – comparaisonhyperbino.py def h y p e r g e o ( N , n , p):
s=0 a=p*N b=(1 -p)*N
for k in r a n g e(n):
u=np.r a n d o m.r a n d() p=f l o a t(a/N)
N+= -1
if(u<=p) : a+= -1 s+=1 e l s e:
b+= -1 r e t u r n s
def b i n o(n, p):
s=0
for k in r a n g e(n):
u=np.r a n d o m.r a n d() if(u<=p) :
s+=1 r e t u r n s
def Loi(N , n , p):
a=[ h y p e r g e o ( N , n , p ) for i in r a n g e( 1 0 0 0 ) ] b=[ b i n o(n , p ) for i in r a n g e( 1 0 0 0 ) ]
P r o b a s = [a.c o u n t(k) / 1 0 0 0 for k in r a n g e(max(a))]
v a l e u r s C o r = [val - 0.2 for val in r a n g e(max(a))]
plt.bar(v a l e u r s C o r, Probas, w i d t h = e p a i s s e u r, c o l o r=’ y ’, a l p h a= 0 . 6 ) P r o b a s = [b.c o u n t(k) / 1 0 0 0 for k in r a n g e(n+ 1 ) ]
plt.bar(r a n g e(n+1) , Probas, w i d t h = e p a i s s e u r, a l p h a= 0 . 2 ) Voici des cas favorables :
0 2 4 6 8 k
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35
P(X=k)
Approximation hypergéométrique (100,8, 0.4) par binomiale (8, 0.4)
H B
0 2 4 6 8
k 0.00
0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40
P(X=k)
Approximation hypergéométrique (100,8, 0.7) par binomiale (8, 0.7)
H B
Voici des cas non favorables :
0 2 4 6 8
k 0.0
0.1 0.2 0.3 0.4
P(X=k)
Approximation hypergéométrique (25,8, 0.7) par binomiale (8, 0.7)
H B
0 2 4 6 8
k 0.00
0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40
P(X=k)
Approximation hypergéométrique (25,8, 0.4) par binomiale (8, 0.4)
H B
2.2 Binomiale par Poisson
Soitλun r´eel strictement positif. Soit (Xn)n>0 une suite de variables al´eatoires telle que, pour tout entier naturel n, Xn suit une loi binomiale de param`etre n et λ
n. Soit Y une variable al´eatoire suivant une loi de Poisson de param`etre λ. Pour tout entier naturelk, on a :
n→+∞lim (P(Xn =k)) =P(Y =k)
= exp (−λ)× λk k!. Proposition 4
* Remarque :
On utilise les notations de la pr´ec´edente proposition.
1. Le r´esultat obtenu signifie que (Xn)n∈N converge en loi vers Y, ce vocabulaire n’est pas au programme.
2. En r´ealit´e, on a lim
n→+∞(P (Xn =x)) = P(Y = x) pour tout r´eel x. Lorsque x n’est pas un entier naturel, cela donne lim
n→+∞(P (Xn =x)) = 0 et, lorsque xappartient `aN, la proposition pr´ec´edente r´epond `a la question.
3. De nouveau, on comprend tr`es bien ce ph´enom`ene en observant des histogrammes.
On propose le programme suivant : 6 Un peu de python:
Listing 2 – comparaisonpoissonbino.py def p o i s s(l):
F=0 i=0
u=np.r a n d o m.r a n d() S=np.exp( -l)
w h i l e F<u:
i+=1 F+=S
S*=f l o a t(l)/i r e t u r n i-1
def Loi(n, p):
a=[ b i n o(n,p) for i in r a n g e( 1 0 0 0 ) ]
P r o b a s = [a.c o u n t(k) / 1 0 0 0 for k in r a n g e(n+ 1 ) ]
plt.bar(r a n g e(n+1) , Probas, w i d t h = 0.6 , a l p h a= 0 . 2 ) b=[ p o i s s(n*p) for i in r a n g e( 1 0 0 0 ) ]
P r o b a s = [b.c o u n t(k) / 1 0 0 0 for k in r a n g e(max(b))]
v a l e u r s C o r = [val - 0.3 for val in r a n g e(max(b))]
plt.bar(v a l e u r s C o r, Probas, w i d t h = e p a i s s e u r, c o l o r=’ y ’, a l p h a= 0 . 6 )
Voici des cas favorables :
0 5 10 15 20
k 0.00
0.05 0.10 0.15 0.20 0.25
P(X=k)
Approximation Binomiale ( 50 , 0.1) par Poisson( 50x0.1)
B P
0 5 10 15
k 0.00
0.05 0.10 0.15 0.20 0.25 0.30
P(X=k)
Approximation Binomiale ( 40 , 0.08) par Poisson( 40x0.08)
B P
Voici des cas non favorables :
0 5 10 15 20
k 0.00
0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40
P(X=k)
Approximation Binomiale ( 10 , 0.8) par Poisson( 10x0.8)
B P
0 20 40 60 80
k 0.00
0.05 0.10 0.15 0.20
P(X=k)
Approximation Binomiale ( 100 , 0.8) par Poisson( 100x0.8)
B P
4. On utilise souvent la proposition pr´ec´edente en disant que si X suit une loi binomiale de param`etres n et p avec n > 30, p 6 0,1 et np 610 alors on peut approcher la loi de X par une variable al´eatoire suivant la loi de Poisson de param`etre n×p. On ´ecrit alors que : pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
P (a 6X 6b)≈P(a6Y 6b)
avec Y qui suit une loi de Poisson de param`etre n×p. C’est d’ailleurs une fa¸con classique pour simuler une variable al´eatoire suivant une loi de Poisson :
def p o i s s o n(mu):
s=0
n= 1 0 0 # Il f a u t j u s t e le p r e n d r e g r a n d p=mu/n
for k in r a n g e(n):
u=np.r a n d o m.r a n d() if(u<=p) :
s+=1
r e t u r n s # D ’ a p r `e s ce c h a p i t r e , c e l a s i m u l e b i e n une loi de P o i s s o n
3 Th´ eor` eme central limite et cons´ equences
3.1 Th´ eor` eme central limite (Premi` ere forme)
Soient m un r´eel et σ un r´eel strictement positif. Soit (Xn)n∈N? une suite de variables al´eatoires de mˆeme loi, mutuellement ind´ependante admettant une moyenne m et un ´ecart-type σ. Pour tout entier strictement positif n, on pose :
Mn=
(X1+· · ·+Xn)
n −m
√σ n
.
1. Si la loi des (Xn)n∈N? est une loi normale alors, pour tout entier naturel non nul n, Mn suit une loi normale, centr´ee et r´eduite. Sa loi ne d´epend pas de n.
2. Dans le cas g´en´eral, pour tout entier naturel non nuln,Mn est une variable centr´ee et r´eduite.
En g´en´eral, calculer sa loi est impossible. Cependant, le th´eor`eme central limite va nous donner quelques informations.
Th´eor`eme central limite (Premi`ere forme)
Soient m un r´eel et σ un r´eel strictement positif. Soit (Xn)n∈N? une suite de variables al´eatoires de mˆeme loi, mutuellement ind´ependante admettant une moyenne m et un
´ecart-typeσ. Pour tout entier strictement positif n, on pose :
Mn=
(X1+· · ·+Xn)
n −m
√σ n
.
Pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
n−→+∞lim (P(a6Mn 6b)) =P (a6N 6b) Th´eor`eme 5
* Remarque :
On utilise les notations du pr´ec´edent th´eor`eme.
1. (Mn)n∈
N? converge donc en loi vers une variable al´eatoire suivant la loi normale centr´ee r´eduite.
De nouveau, ce vocabulaire est hors-programme.
2. Ce th´eor`eme porte aussi le nom de ”Th´eor`eme de la limite centr´ee”.
3. On voit intervenir dans ce th´eor`eme la variable : (X1+· · ·+Xn)
n −m
√σ n
dont on avait dit que c’´etait la variable al´eatoire centr´ee r´eduite associ´ee `a (X1+· · ·+Xn)
n .
4. On se rend compte que le th´eor`eme central limite ´enonce un r´esultat remarquable (conver- gence en loi) avec des hypoth`eses extrˆemement r´eduites (une suite de variables al´eatoires ind´ependantes de mˆeme loi admettant une variance non nulle).
5. C’est une des raisons pour lesquelles, dans de nombreux mod`eles en physique, chimie, biologie, finance..., on consid`ere que les variables suivent des lois normales car elles sont sommes de nombreux petits ph´enom`enes ind´ependants.
6. On utilise les notations du pr´ec´edent th´eor`eme. Dans la pratique, d`es quen>30, on consid`ere que, pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
P (a6Mn6b)≈P(a6N 6b) avec N une variable al´eatoire suivant une loi normale centr´ee r´eduite.
7. Comme (Mn)n∈
N? converge en loi vers une variable al´eatoire suivant la loi normale centr´ee r´eduite, on en d´eduit que, si n est un entier sup´erieur `a 30, on peut approcher la loi de
X1+· · ·+Xn
n par celle d’une variable al´eatoire suivant la loi normale de param`etres m et σ2
n . On en d´eduit aussi que, si n est un entier sup´erieur `a 30, on peut approcher la loi de X1 +· · ·+Xn par celle d’une variable al´eatoire suivant la loi normale de param`etres mn et σ2n.
6 Un peu de python:
Listing 3 – tcl.py def e x p o(mu):
r e t u r n( -np.log(1 -np.r a n d o m.r a n d( ) ) /mu)
def S(n, mu):
s=0
for i in r a n g e(n):
s+=e x p o(mu)
r e t u r n(((s/n) -(1/mu))*np.s q r t(n)*mu)
def c o m p t e u r(n, mu, a, b):
c=0
for i in r a n g e( 5 0 0 0 ) : s=S(n, mu)
if a<s<b: c+=1 r e t u r n(c/ 5 0 0 0 )
def tcl(n, mu, a, b):
r e t u r n (c o m p t e u r(n, mu, a, b) -sst.n o r m.cdf(b)+sst.n o r m.cdf(a))
En utilisant ce programme, on a obtenu : In [ 1 4 ] : tcl(5 ,2 , -1 ,1)
Out[ 1 4 ] : 0 . 0 1 1 7 1 0 5 0 7 8 6 2 9 1 4 1 6 6
In [ 1 5 ] : tcl(500 ,2 , -1 ,1)
Out[ 1 5 ] : 0 . 0 0 2 1 1 0 5 0 7 8 6 2 9 1 4 1 1 2 7 - Exercice 1 :
Chaque ann´ee, l’incroyable Monsieur Bacquelin effectue 2 fois par jour, 5 jours par semaine et pendant 36 semaines, un trajet en v´elo dont la dur´ee est une variable al´eatoire suivant suit une loi d’esp´erance 12 minutes et d’´ecart-type 2 minutes.
1. Donner une valeur approch´ee de la probabilit´e que l’incroyable Monsieur Bacquelin passe au moins 72 h sur son v´elo au cours de l’ann´ee.
2. Que devient cette probabilit´e si l’´ecart-type est de 4 minutes (resp. 6 minutes) ?
3.2 Binomiale par Normale
Th´eor`eme de De Moivre-Laplace
Soient p un ´el´ement de ]0,1[ et (Xn)n∈N une suite de variables al´eatoires telle que, pour tout entier naturel n, Xn suit une loi binomiale de param`etres n et p. Pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
n−→+∞lim P a6 Xn−np pnp(1−p) 6b
!!
=P (a6N 6b) avecN une variable al´eatoire suivant une loi normale centr´ee r´eduite.
Th´eor`eme 6
* Remarque :
On utilise les notations du pr´ec´edent th´eor`eme.
2. Dans la pratique, d`es que n>30, on consid`ere que, pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
P a6 Xn−np pnp(1−p) 6b
!
≈P (a6N 6b) avec N une variable al´eatoire suivant une loi normale centr´ee r´eduite.
3. Par un changement de variable, on obtient que, pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
P (a6Xn6b)≈P (a6N 6b)
avec N une variable al´eatoire suivant une loi normale de param`etre (np, np(1− p)). On consid`ere que cela est vrai dans la pratique quand n>30, np>15 et np(1−p)>5.
4. Si X suit une loi binomiale de param`etres n et p avec n > 30, np > 15 et np(1−p) > 5 alors on peut approcher la loi de X par la loi normale de param`etres np et np(1−p). On va donc utiliser la table de la loi normale centr´ee r´eduite pour approcher P(X ∈ I) pour tout intervalle I de r´eels. On constate cependant que si a et b sont deux entiers avec a 6 b, on approxime de la mˆeme fa¸con P(X ∈ [a, b]) et P(X ∈[a−0,2, b+ 0,3]) (par exemple). Pour
´
equilibrer l’erreur obtenue, on d´ecide de faire cette premi`ere approximation : P(X ∈[a, b])≈P(X ∈[a−0,5, b+ 0,5])
puis d’utiliser le th´eor`eme de De Moivre-Laplace pour approcher P(X ∈ [a−0,5, b+ 0,5]).
Pour obtenir une estimation de P(X =x) avec xun r´eel, on ne peut dire queP(X =x) vaut environ P(Y = x) avec Y suivant une loi normale de param`etres np et np(1−p) (car cela donnerait 0) mais on va affirmer que :
P(X =x)≈P(X ∈[x−0,5, x+ 0,5])
puis utiliser le th´eor`eme de De Moivre-Laplace pour approcher P(X ∈ [x−0,5, x+ 0,5]).
Dans ces deux cas, on parle de correction de continuit´e.
5. De nouveau, on comprend tr`es bien ce ph´enom`ene en observant des histogrammes. Cette fois- ci, on va le visualiser sur les fonctions de r´epartitions et on va augmenter le ”n” au fur et `a mesure. On utilise ce programme :
i m p o r t n u m p y as np
i m p o r t m a t p l o t l i b.p y p l o t as plt i m p o r t m a t h as ma
def b i n o(n, p):
s=0
for k in r a n g e(n):
u=np.r a n d o m.r a n d() if(u<=p) :
s+=1 r e t u r n s
def S i m u l(n, p, m):
r e t u r n [ (b i n o(n,p) -n*p)/(ma.s q r t(n*p*(1 -p))) for i in r a n g e(m)]
def P r o b a(li,k):
m = 0
for x in li: if x <=k:
m+=1
r e t u r n(m/len(li))
def R ´e p a r t i t i o n(n, p, m= 1 0 0 0 ) : a=S i m u l(n, p, m)
a.s o r t()
b=[ P r o b a(a,k) for k in a] plt.s t e p(a,b)
plt.t i t l e(" F o n c t i o n de r ´e p a r t i t i o n a v e c n = "+ str( n)) plt.s h o w()
On a obtenu (en prenant 0.25 pour pet 1000 pour m) :
3.3 Poisson par Normale
Soient λ un r´eel strictement positif et (Xn)n∈N une suite de variables al´eatoires ind´ependantes telle que, pour tout entier naturel n, Xn suit une loi de Poisson de pa- ram`etre nλ. Pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
n−→+∞lim
P
a6 Xn−nλ
√nλ 6b
=P (a 6N 6b) avecN une variable al´eatoire suivant une loi normale centr´ee r´eduite.
Proposition 7
* Remarque :
On utilise les notations de la pr´ec´edente proposition.
1. De nouveau, il s’agit d’une convergence en loi.
2. Dans la pratique, d`es que n>30, on consid`ere que, pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
P
a6 Xn−nλ
√nλ 6b
≈P (a 6N 6b) avec N une variable al´eatoire suivant une loi normale centr´ee r´eduite.
3. Par un changement de variable, on obtient que, pour tout (a, b) dans (R∪ { −∞,+∞ })2 tels que a < b, on a :
P (a6Xn6b)≈P (a6N 6b)
avecZ qui suit une loi de Poisson de param`etre λetN qui suit une loi normale de param`etre (λ, λ). On consid`ere que cela est vrai dans la pratique quand λ>10.
4. On pourrait observer de nouveau ce ph´enom`ene en modifiant un peu le programme que l’on a fait pour illustrer le th´eor`eme de De Moivre-Laplace, la conclusion serait la mˆeme.
5. Comme pour les lois binomiales approch´ees par les lois normales, on approche ici une variable discr`ete par une variable `a densit´e. On va proc´eder de nouveau `a une correction de continuit´e pour avoir de meilleurs approximations.
4 R´ ecapitulatif
On r´esume dans ce tableau les approximations classiques ainsi que les conditions usuellement retenues pour avoir le droit de les utiliser :
Loi Loi approchante Condition classique
H(N, n, p) B(n, p) N >10n
B(n, p) P(np) n >30, p60,1 et np 610
B(n, p) N(np, np(1−p)) n>30, np>15 et np(1−p)>5
P(λ) N(λ, λ) λ>10
* Remarque :
On note que les lois de ce tableau ont syst´ematiquement mˆeme esp´erance que les lois les approchant.
Cela permet de retrouver assez facilement les param`etres des lois approchantes.
-) Exercice 3 :
A l’institut d’Alzon, 2200 ´el`eves d´ejeunent `a la cantine. Celle-ci propose syst´ematiquement en plat principal du gardiano et de la broufade. On s’attend `a ce que chaque ´el`eve choisisse du gardiano avec probabilit´e de 2
3. Combien faut-il pr´evoir de gardiano et de broufade de fa¸con `a ce que la probabilit´e que mˆemes les derniers aient le choix soit sup´erieure `a 0,99 ? On pourra se servir d’approximation ainsi que d’un ordinateur afin d’obtenir des r´esultats explicites.
5 Exercices du td
Exercices ` a chercher
. Exercice 1 :
Un ´etudiant fait en moyenne une faute d’orthographe tous les 500 mots.
1. Donner une estimation de la probabilit´e qu’il ne fasse pas plus de 5 fautes dans un devoir contenant 200 mots.
2. Donner une estimation de la probabilit´e qu’il ne fasse pas plus de 5 fautes dans un devoir contenant 2000 mots.
. Exercice 2 :
1200 ´el`eves d´ejeunent `a la cantine du lyc´ee, qui propose fromage ou dessert. On s’attend `a ce que chaque ´el`eve choisisse le dessert avec probabilit´e 0; 75. Combien faut-il pr´evoir de fromages et de desserts de fa¸con `a ce qu’il y ait 95% de chances que mˆemes les derniers aient le choix ?
Exercices ` a faire pendant la classe
- Exercice 3 :
On reproduit une exp´erience de probabilit´e de succ`es pavec pun ´el´ement de ]0,1[. Pour tout entier naturel non nul n, on note Sn le nombre d’´echecs avant le ni`eme succ`es et Xn la quantit´e Sn−Sn−1
(en convenant que S0 est 0).
1. Reconnaˆıtre la loi de Xn, donner son esp´erance et sa variance.
2. En d´eduire l’esp´erance et la variance deSn.
3. Montrer, pour tout entier naturel k et pour tout entier naturel non nul n, on a : P(Sn =k) =
n+k−1 k
pn(1−p)k. 4. Montrer que :
n→+∞lim
n(1−p) p
X
k=0
n+k−1 k
pn(1−p)k
= 1 2.
- Exercice 4 :
Soit (Xi)i∈N∗ une suite de variables al´eatoires ind´ependantes de lois uniformes sur [0; 1]. Soit Nn une variable al´eatoire de loi binomiale B(n, p) et ind´ependante des (Xi)i∈N∗. Soit Tn = n min
16i6Nn
(Xi) et X ,→ E(p). On note Fn la fonction de r´epartition de Tn et F la fonction de r´epartition deX.
1. Calculer Fn(x) pour tout x∈R. 2. Montrer que, pour tout x∈R, lim
n→+∞(Fn(x)) =F(x).
3. En d´eduire que, pour tout (a, b)∈R2, lim
n→+∞(P(a < Tn6b)) =P(a < X 6b).
Exercices bonus
M Exercice 5 :
1. Combien de fois doit-on lancer une pi`ece ´equilibr´ee pour que la fr´equence d’apparition de face soit ´egale `a 1
2 `a plus ou moins 0,01 pr`es avec un risque d’erreur inf´erieur `a 5% ?
2. Une montre se d´er`egle d’au plus 30 secondes par jour (en avance ou en retard). Quelle est la probabilit´e que l’erreur commise au bout d’une ann´ee soit inf´erieure `a un quart d’heure ? _) Exercice 6 :
Sur une autoroute la proportion de camions par rapport `a l’ensemble des v´ehicules est de 0,07.
1. Soit X le nombre de camions parmi 100 v´ehicules choisis au hasard. Calculer P(X >5).
2. SoitY le nombre de camions parmi 1000 v´ehicules choisis au hasard. CalculerP(656Y 675).
3. On choisit n v´ehicules au hasard. Pour quelle valeur de n peut-on affirmer que la proportion de camions parmi ces n v´ehicules est comprise entre 0,06 et 0,08 avec un risque d’erreur inf´erieur ou ´egal `a 0,05 ?