CONVERGENCES ET APPROXIMATIONS
Table des matières
1 Convergence en probabilité 2
1.1 Inégalité de Markov. . . 2
1.2 Inégalité de Bienaymé-Tchebychev . . . 2
1.3 Convergence en probabilité . . . 2
1.4 Loi faible des grands nombres . . . 2
1.5 Composition par une fonction continue. . . 2
2 Convergence en loi 2 2.1 Définition . . . 2
2.2 Cas particuliers . . . 3
2.3 Lien entre les deux notions de convergence . . . 3
2.4 Convergence de loi binomiale vers la loi de Poisson . . . 3
2.5 Théorème de Slutsky. . . 3
2.6 Composition par une fonction continue. . . 3
2.7 Théorème limite central. . . 4
2.8 Approximations déduites du théorème de la limite centrée . . . 4
2.8.1 Approximation deB(n,p)parN(np,npq) . . . 4
2.8.2 Approximation deP(β)parN(β,β) . . . 4
2.8.3 Simulation deN(0, 1) . . . 5
1 Convergence en probabilité
1.1 Inégalité de Markov.
Théorème
SiX est une variable aléatoire positive admettant une espérance, alors pour tout réelastrictement positif : P([X ¾a])¶
E(X) a . En appliquant cette inégalité àY=|X|r,r∈N∗, on obtient : Corollaire
SiXest une variable aléatoire admettant un moment d’ordrer(r∈N∗), alors pour tout réelastrictement positif : P([|X|¾a]) =P([|X|r¾ar])¶
E(|X|r) ar .
1.2 Inégalité de Bienaymé-Tchebychev
Théorème
SiX est une variable aléatoire admettant un moment d’ordre 2, alors :
∀" >0, P([|X−E(X)|¾"])¶ V(X)
"2 .
1.3 Convergence en probabilité
Définition
La suite(Xn)n∈N∗ converge en probabilité versX si :
∀" >0, lim
n→+∞P([|Xn−X|¾"]) =0.
NotationXn−P→X.
RemarqueOn peut remplacer l’inégalité large par une inégalité stricte. Ainsi a suite(Xn)n∈N∗converge en pro- babilité versX si :
∀" >0, lim
n→+∞P([|Xn−X|> "]) =0.
1.4 Loi faible des grands nombres
Théorème
Soit(Xn)n∈N∗une suite de variables aléatoires indépendantes ayant même espérancemet même variance et soitXn= X1+. . .+Xn
n . Alors :
∀" >0, lim
n→+∞P([|Xn−m|¾"]) =0.
C’est-à-dire la suite(Xn)n¾1converge en probabilité versm(variable aléatoire certaine égale àm).
1.5 Composition par une fonction continue.
Théorème SiXn−→P X et si f est une fonction continue surRà valeurs réelles, alors f(Xn)−→P f(X).
2 Convergence en loi
2.1 Définition
La suite(Xn)n∈N∗ converge en loi versX si et seulement si en tout point de continuitéxdeFX :
n→+∞lim FX
n(x) =FX(x).
NotationXn−L→X Remarque
Dans le cas oùX est une variable aléatoire réelle à densité, on a :Xn−−−→n→+∞L X si et seulement si :
∀x∈R, lim
n→+∞FX
n(x) =FX(x)
2.2 Cas particuliers
Propriété
Soit(Xn)n∈Nune suite de variables aléatoires réelles définies sur le même espace probabilisé.
Xn−−−→n→+∞L c∈Rsignifie que
P(Xn¶t)n−→→+∞
0 si t<c 1 si t>c
Théorème : Caractérisation de la convergence en loi dans un cas particulier
On suppose que les variables aléatoiresXnsont à valeurs dansZet qu’il en est de même de la variable aléatoireX. Alors :
Xn−−−→L
n→+∞ X ⇐⇒ ∀k∈Z, lim
n→+∞P Xn=k
=P(X=k)
2.3 Lien entre les deux notions de convergence
Théorème
SiXn−−−→n→+∞P X alorsXn−−−→n→+∞L X. La réciproque est fausse.
Contre-exemple
SoitX ,→ N(0, 1). On en déduit que−X ,→ N(0, 1)( distribution symétrique).
On considère la suite(Xn)n∈Nde variables aléatoires réelles définies par :∀n∈N, Xn=−X. On a :Xn−−−→n→+∞L X
Par contre, la suite(Xn)n∈Nne converge pas en probabilité versX. En effet, si on considèreε >0 on a : P |Xn−X|¾"
=P(|2X|¾") =P(|X|¾"/2) =constante non nulle ne tendant pas vers 0 lorsquen→+∞.
2.4 Convergence de loi binomiale vers la loi de Poisson
Théorème
Soitλ >0. Pour tout entier natureln> λ, on considère une variable aléatoireXnsuivant la loiB
n,λ n
. SoitX une variable aléatoire suivant la loiP(λ). Alors :
Xn−−−→n→+∞L X
2.5 Théorème de Slutsky.
Théorème
Si (Xn)n∈N∗ converge en loi vers X et si (Yn)n∈N∗ converge en probabilité vers une constante c, alors (Xn+Yn)n∈N∗converge en loi versX+cet(XnYn)n∈N∗converge en loi verscX.
Remarque
Si(Xn)n∈N∗converge en loi versX et si la suite réelle(cn)n∈N∗converge vers le réelc, alors(cnXn)n∈N∗converge en loi verscX.
2.6 Composition par une fonction continue.
Théorème
Si (Xn)n∈N∗ converge en loi vers X et si f est une fonction continue sur R à valeurs réelles, alors (f(Xn))n∈N∗converge en loi versf(X).
2.7 Théorème limite central.
Théorème
Si(Xn)n∈N∗est une suite de variables aléatoires indépendantes et de même loi, admettant une espérance met une varianceσ2 non nulle, si on note : Xn=X1+. . .+Xn
n , alors la suite de variables aléatoires centrées réduitesX∗n=p
n
Xn−m σ
converge en loi vers une variable aléatoire suivant la loi normale centrée réduite.
D’où, on a pour tout(a,b)tel que−∞¶a¶b¶+∞:
n→+∞lim P([a¶X∗n¶b]) = Z b
a
p1 2πexp
−t2 2
dt.
RemarqueOn garde les notations du théorème précédent. On pose∀n∈N∗,Sn=X1+· · ·+Xn. AlorsE(Sn) =nm,V(Sn) =nσ2,σ(Sn) =p
nσet par suiteSn∗=Sn−mn pnσ =
Sn n −m
σ
pn=X∗n.
2.8 Approximations déduites du théorème de la limite centrée
Méthode générale
Soit(Xn)n¾1une suite de variables aléatoires mutuellement indépendantes suivant toutes une même loi dont on ne connaît que l’espéranceµet la varianceσ26=0.
SoitSn=X1+· · ·+Xnpour toutn¾1. SoitNn,→ N(nµ,nσ2). Alors, pour tout intervalleI deRet tout entiern« assez grand », on a :
P Sn∈I
≈P Nn∈I
2.8.1 Approximation deB(n,p)parN(np,npq)
Soit(Xn)n¾1une suite de variables aléatoires mutuellement indépendantes suivant toutes la loiB(p). On poseq=1−p.
SoitSn=X1+· · ·+Xnpour toutn¾1.Sn,→ B(n,p).E(Sn) =npetV(Sn) =npq.
Pourngrand (np¾10 etn(1−p)¾10),Snsuit approximativement la loiN(np,npq). Méthode pratique
SoitX ,→ B(n,p). On suppose quenest grand (np¾10 etn(1−p)¾10). Soit Z,→ N(np,npq). Z∗= Z−nppnpq ,→ N(0, 1). On noteΦla fonction de répartition deZ∗.
Pour tout(a,b)∈R2vérifianta<b, on a : P(a¶X¶b)≈P(a¶Z¶b) =P
a−np pnpq ¶
Z−np pnpq ¶
b−np pnpq
= Φ
b−np pnpq
−Φ
a−np pnpq
.
2.8.2 Approximation deP(β)parN(β,β)
Soit(Xn)n¾1une suite de variables aléatoires mutuellement indépendantes suivant toutes la loiP(λ) (λ >0). SoitSn=X1+· · ·+Xnpour toutn¾1.Sn,→ P(nλ).E(Sn) =nλetV(Sn) =nλ.
Pourngrand,Snsuit approximativement la loiN(nλ,nλ).
Lorsqueβest grand(β¾10), on peut approcher la loiP(β)parN(β,β). Méthode pratique
SoitX ,→ P(β). On suppose que(β¾10). SoitZ,→ N(β,β). Z∗= Zp−β
β ,→ N(0, 1). On noteΦla fonction de répartition deZ∗. Pour tout(a,b)∈R2vérifianta<b, on a :
P(a¶X¶b)≈P(a¶Z¶b) =P
a−β
pβ ¶ Z−β
pβ ¶ b−β
pβ
= Φ
b−β
pβ
−Φ
a−β
pβ
.
2.8.3 Simulation deN(0, 1)
Soit(Xi)i¾1une suite de variables aléatoires mutuellement indépendantes suivant toutes la loiU[0, 1]). SoitSn=X1+· · ·+Xnpour toutn¾1.
E(Sn) =2netV(Sn) = 12n. Pourngrand Sn−n/2
pn/12
suit approximativement la loiN(0, 1). On prendn=12. AinsiS12−6 suit approximativement la loiN(0, 1).