1
Chapitre IX : CONVERGENCES ET APPROXIMATIONS I – Inégalité de Markov – Inégalité de Bienaymé-Tchebychev
Théorème 1 : Inégalité de Markov
Si est une variable aléatoire (discrète ou à densité) positive admettant une espérance, alors on a :
∀ > 0, ( ≥ ) ≤() Théorème 2 : Inégalité de Bienaymé-Tchebychev
Si est une variable aléatoire (discrète ou à densité) admettant un moment d’ordre 2, alors on a :
∀ > 0, (| − ()| ≥ ) ≤ ()
Remarque 1 : L’inégalité de Bienaymé-Tchebychev s’obtient en appliquant l’inégalité de Markov à la variable aléatoire − () et en remplaçant par .
En effet, la variable aléatoire − ()est positive et admet pour espérance − () = () par définition.
II – Loi faible des grands nombres Théorème 3 : Loi faible des grands nombres
Soit ()∈ℕ∗ une suite de variables aléatoires réelles définies sur le même espace probabilisé, indépendantes, admettant chacune une espérance et une variance .
Si lon pose = 1
& ' (
()*
, alors on a ∶ ∀ > 0, lim→01(2− 2 ≥ ) = 0
Remarque 2 :
• La loi faible des grands nombres est une conséquence directe de l’inégalité de Bienaymé- Tchebychev : on l’applique à la variable aléatoire admettant pour variance
= 1
&' (()
()*
= 1
&× & =
& .
On obtient ainsi : ∀ > 0, 0 ≤ (2− 2 ≥ ) ≤
&
Le résultat s’obtient par le théorème d’encadrement de limites (théorème des gendarmes).
• Ce théorème signifie, en quelque sorte, que la suite converge presque sûrement vers . Exemple 1 : Soit 9 un événement d’un espace probabilisé (Ω, ;, ). On considère une suite d’épreuves indépendantes. Pour & ∈ ℕ∗, on note la variable de Bernoulli qui vaut 1 lorsque 9 est réalisé lors de la &ème épreuve ; elle est de paramètre < = (9).
Alors > = ' (
()*
représente le nombre de réalisations de lévénement 9 lors des & premières
épreuves et = 1
& ' (
()*
=>
& , la fréquence de réalisation de lévénement 9.
Cette fréquence a pour limite = < = (9) : la loi faible des grands nombres s’accorde avec l’intuition qui voit la probabilité d’un événement comme une fréquence.
2 III – Convergence en loi
1) Définitions Définition 1 :
Soit ()∈ℕ une suite de variables aléatoires réelles définies sur (Ω, ;, ). Pour tout entier naturel &, on note GHI la fonction de répartition de .
Soit une variable aléatoire définie également sur (Ω, ;, ) de fonction de répartition GH. On dit que la suite ()∈ℕ converge en loi vers si, en tout réel J où GH est continue, on a :
→01lim GHI(J) = GH(J) On note : → ℒ
Exemple 2 : Pour tout & ∈ ℕ∗, suit la loi uniforme sur l’intervalle L−*;*N. Sa fonction de répartition est définie par :
∀J ∈ ℝ, GHI(J) =
PQ QQ R QQ
QS 0 si J < −1
&
J − −1&
1& −−1
&
= &
2 J +1
2 si J ∈ W−1
& ;1
&X
1 si J >1
&
Y
Si J est un réel strictement négatif, alors pour & assez grand, J < −* et donc GHI(J) = 0 On en déduit que lim→01GHI(J) = 0.
De même, si J est un réel strictement positif, alors pour & assez grand, J >* et donc GHI(J) = 1 On en déduit que lim→01GHI(J) = 1.
On en déduit que la suite ()∈ℕ∗ converge en loi vers la variable aléatoire certaine égale à 0.
En effet, la fonction de répartition de la variable aléatoire certaine égale à 0 est définie par GH(J) = 0 si J < 0 et GH(J) = 1 si J > 0. Elle présente une discontinuité en 0, donc le calcul de la limite de GHI(J) pour J = 0 n’est pas nécessaire d’après la définition 1.
Théorème 4 : Caractérisation des variables aléatoires à valeurs entières
Soit ()∈ℕ une suite de variables aléatoires réelles discrètes et une variable aléatoire réelle discrète telles que, pour tout entier &, (Ω) ⊂ ℤ et (Ω) ⊂ ℤ.
Dans ces conditions, la suite ()∈ℕ converge en loi vers si, et seulement si :
∀\ ∈ ℤ, lim→01( = \) = ( = \)
Théorème 5 : Approximation d’une loi binomiale par une loi de Poisson Soit ] un réel strictement positif.
Si ()∈ℕ∗ est une suite de variables aléatoires définies sur le même espace probabilisé (Ω, ;, )et telles que, pour tout entier naturel & non nul et supérieur à ], suit la loi binomiale ℬ _&;`a, alors la suite ()∈ℕ∗ converge en loi vers une variable aléatoire suivant la loi de Poisson de paramètre ].
3
Remarque 3 : suit la loi binomiale ℬ _&;`a se traduit par : pour tout entier naturel \ ∈ b0; &c, ( = \) = _&\ad]
&e
(d1 −]
&e
f( =](
\! × &!
&((& − \)! h(f() ijd*f`e
=](
\! ×&(& − 1) … (& − \ + 1)
&( h(f() ijd*f`e
Au voisinage de + ∞, &(& − 1) … (& − \ + 1) ~ &( donc &(& − 1) … (& − \ + 1)
&( ~ 1 De plus ln d1 −]
&e ~ −]
& car −]
& → 0 et donc (& − \) ln d1 −]
&e ~ −](& − \)
& ~ − ] Ainsi : lim→01](
\! ×&(& − 1) … (& − \ + 1)
&( h(f()ijd*f`e =](
\! hf`
On a bien : lim→01 ( = \) = ( = \)où suit la loi de Poisson de paramètre ].
Remarque 4 :
• Dans une urne contenant des boules jaunes ou bleues, la proportion de boules jaunes étant <, on tire & boules au hasard avec remise. Si < est proche de 0 et & assez grand, la variable
aléatoire égale au nombre de boules jaunes tirées suivra approximativement une loi de Poisson de paramètre &<. On dit que la loi de Poisson est la loi des « événements rares ».
• En pratique, dès que r ≥ st et u ≤ t, v, on considère qu’on peut approcher la loi binomiale de paramètres & et < par la loi de Poisson de paramètre ] = &<. On rajoute également la
contrainte ru ≤ vw car les tables usuelles de lecture de la loi de Poisson ne dépassent pas la valeur ] = 15.
• Cette approximation permet de remplacer une loi dépendant de deux réels & et < par une loi ne dépendant que d’un réel ].
Exemple 3 : Soit une variable binomiale de paramètres 100 et 0,05.
On cherche à calculer ( = 2). Calcul exact :
( = 2) = _1002 a (0,05)(0,95)z{ = 4 950 × 0,0025 × 0,98z{ ≈ 0,0812 Calcul approché :
& = 100 ≥ 30, < = 0,05 ≤ 0,1 et &< = 5 ≤ 15 : nous sommes dans les conditions d’approximation de la loi binomiale par la loi de Poisson. On approche la loi ℬ(100; 0,05) par la loi (] = 5).
( = 2) ≈ hf5
2! ≈ 0,0843 2) Théorème limite central Théorème 6 : Théorème limite central
Soit ()∈ℕ∗ une suite de variables aléatoires réelles définies sur le même espace probabilisé indépendantes et de même loi, admettant chacune une espérance et une variance . Si lon pose = 1
& ' (
()*
et ∗ =−
= √& −
la variable centrée réduite associée à , alors la suite des variables aléatoires _∗a converge en loi vers une variable aléatoire de loi normale centrée réduite.
4 Remarque 5 :
• Dans les conditions de ce théorème, on a donc pour tout (, ) tel que −∞ ≤ ≤ ≤ +∞,
→01lim ( ≤ ∗ ≤ ) = 1
√2hf
• Ce théorème est remarquable : avec peu d’hypothèses, on obtient un résultat très fort. Il met en
évidence le rôle central joué par la loi de Laplace-Gauss en probabilités et en statistiques.
3) Approximations
Théorème 7 : Approximation de la loi binomiale par la loi normale Soit & un entier naturel non nul et < ∈ 0; 1. On note = 1 − <.
On approche la loi ℬ(&; <) par la loi (&<, &<) dès que & ≥ 30 et < très proche de 0,5 ce qui se traduit en général par &< ≥ 5 et & ≥ 5.
Exemple 4 :
Soit une variable binomiale de paramètres 900 et 0,5.
On cherche à calculer (420 ≤ ≤ 480).
Le calcul avec les formules exactes nécessiterait l’utilisation d’un logiciel et donnerait de toute façon un résultat approché.
& = 900 ≥ 30, &< = & = 450 ≥ 5 ∶ nous sommes dans les conditions d’approximation de la loi binomiale par la loi normale. On approche la loi ℬ(900; 0,5) par la loi (450; 225 = 15).
La variable = − 450
15 suit approximativement la loi normale centrée réduite.
(420 ≤ ≤ 480) = (−2 ≤ ≤ 2) ≈ 2(2) − 1 ≈ 2 × 0,9772 − 1 ≈ 0,9544
Théorème 8 : Approximation de la loi de Poisson par la loi normale Soit ] un réel strictement positif.
On approche la loi (]) par la loi (], ]) dès que ] ≥ 15. Exemple 5 :
Soit une variable de Poisson de paramètre 16.
On cherche à calculer ( ≤ 21).
] = 16 ≥ 15 ∶ nous sommes dans les conditions d’approximation de la loi de Poisson par la loi normale. On approche la loi (16) par la loi (16; 16 = 4).
La variable = − 16
4 suit approximativement la loi normale centrée réduite.
( ≤ 21) = ( ≤ 1,25) ≈ (1,25) ≈ 0,8943.