Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2 Introduction aux Probabilités - Université Rennes 2
132 Chapitre 3. Variables aléatoires à densité −4 −3 −2 −1 1 2 3 0.40 68% 95% 99,7% Figure 3.8 – Concentration autour de la moyenne d’une loi N(0,1). notant Sn = X1 +···+Xn leurs sommes partielles, on a la convergence en loi suivante : Sn −nE[X1] n Var(X1) L −−−−→ n→+∞ N(0,1), c’est-à-dire que pour tout intervalle (a,b) deÊ, on a : È a ≤ Sn −nE[X1] ≤ b −−−−→ n Var(X1) n→+∞ b a 1 √ 2π e −x2 2 dx. Autrement dit, la somme d’un grand nombre de variables aléatoires i.i.d. se comporte comme une loi normale. Dit grossièrement et quitte à choquer les puristes, on peut considérer que si n est “assez grand”, Sn suit quasiment une loi normale de moyenne nE[X1] et d’écart-type n Var(X1) : Sn ≈ N(nE[X1],n Var(X1)). Universalité. L’aspect remarquable de ce résultat tient bien sûr au fait que la loi commune des Xn peut être n’importe quoi! Celle-ci peut aussi bien être discrète qu’absolument continue, mixte ou singulière. La seule chose requise est l’existence de la variance. Avec la Loi des Grands Nombres, ce résultat peut être considéré comme le plus important en probabilités et statistiques. Exemple. Revenons à l’exercice 2.21. Rappel des épisodes précédents : après 3600 jets d’un dé équilibré, la question était d’évaluer la probabilité p que le nombre S de 1 apparus soit compris entre 480 et 720. L’expression exacte était donnée par la somme de termes binomiaux et une minoration avait été fournie par l’inégalité de Tchebychev : p ≥ 0,965. Or nous sommes dans le cadre typique d’application du théorème central limite, avec n = 3600 et les Xi ayant pour loi commune la distribution de Bernoulli B(1/6). Ainsi : Sn −nE[X1] S −600 = √ ≈ N(0,1). n Var(X1) 500 Arnaud Guyader - Rennes 2 Probabilités 4
3.5. Exercices 133 Et on cherche : −120 S −600 p =È(480 < S < 720) =È √ < √ < 500 500 120 √ 500 = 2Φ(5.36)−1, ce qui donne p ≈ 1−8.10 −8 . Le calcul sur machine de la probabilité p via son expression exacte donne en fait : 719 È(480 < S < 720) = = n) = n=481È(S 719 n=481 3600 n n 3600−n 1 5 ≈ 1−11.10 6 6 −8 . Ceci montre que l’approximation gaussienne donnée par le théorème central limite est excellente. La minoration par l’inégalité de Tchebychev était par contre très pessimiste : il n’y a concrètement à peu près aucune chance que le nombre de 1 ne soit pas compris entre 480 et 720. Remarque. Nous avons ainsi obtenu une approximation de la loi binomiale B(n,p) par une loi normale N(np,np(1−p)) lorsque n est grand. Celle-ci ne fonctionne cependant que si p n’est pas trop petit, plus précisément il ne faut pas que p soit de l’ordre de 1/n. Dans cette situation, comme expliqué en Section 2.5.5, c’est l’approximation par une loi de Poisson P(np) qui est pertinente (cf. exercice 3.26). 3.5 Exercices Exercice 3.1 (Espérance et variance d’une loi uniforme) Soit X une variable aléatoire qui suit une loi uniforme sur le segment [0,1]. 1. Calculer sa moyenne E[X] et sa variance Var(X). 2. De façon générale, calculer E[Xn ], moment d’ordre n de X. 3. Soit a et b deux réels tels que ∈Ê a < b. Comment définiriez-vous la densité d’une variable aléatoire X uniforme sur le segment [a,b]? Donner alors E[X] et Var(X). Exercice 3.2 (Loi de Cauchy) On dit que X suit une loi de Cauchy de paramètre 1 si X admet pour densité f avec : ∀x f(x) = c 1+x 2. 1. Déterminer c pour que f soit bien une densité. 2. Calculer et représenter la fonction de répartition F de X. 3. Montrer que X n’a pas d’espérance. 4. Soit Y une variable aléatoire uniforme sur −π π 2 , 2 . Déterminer la loi de X = tanY (on pourra passer par sa fonction de répartition). Exercice 3.3 (Densités parabolique et circulaire) Soit X une variable aléatoire de densité f(x) = c(1−x 2 ) {−1
- Page 86 and 87: 82 Chapitre 2. Variables aléatoire
- Page 88 and 89: 84 Chapitre 2. Variables aléatoire
- Page 90 and 91: 86 Chapitre 2. Variables aléatoire
- Page 92 and 93: 88 Chapitre 2. Variables aléatoire
- Page 94 and 95: 90 Chapitre 2. Variables aléatoire
- Page 96 and 97: 92 Chapitre 2. Variables aléatoire
- Page 98 and 99: 94 Chapitre 2. Variables aléatoire
- Page 100 and 101: 96 Chapitre 2. Variables aléatoire
- Page 102 and 103: 98 Chapitre 2. Variables aléatoire
- Page 104 and 105: 100 Chapitre 2. Variables aléatoir
- Page 106 and 107: 102 Chapitre 2. Variables aléatoir
- Page 108 and 109: 104 Chapitre 2. Variables aléatoir
- Page 110 and 111: 106 Chapitre 2. Variables aléatoir
- Page 112 and 113: 108 Chapitre 2. Variables aléatoir
- Page 114 and 115: 110 Chapitre 2. Variables aléatoir
- Page 116 and 117: 112 Chapitre 2. Variables aléatoir
- Page 118 and 119: 114 Chapitre 2. Variables aléatoir
- Page 120 and 121: 116 Chapitre 3. Variables aléatoir
- Page 122 and 123: 118 Chapitre 3. Variables aléatoir
- Page 124 and 125: 120 Chapitre 3. Variables aléatoir
- Page 126 and 127: 122 Chapitre 3. Variables aléatoir
- Page 128 and 129: 124 Chapitre 3. Variables aléatoir
- Page 130 and 131: 126 Chapitre 3. Variables aléatoir
- Page 132 and 133: 128 Chapitre 3. Variables aléatoir
- Page 134 and 135: 130 Chapitre 3. Variables aléatoir
- Page 138 and 139: 134 Chapitre 3. Variables aléatoir
- Page 140 and 141: 136 Chapitre 3. Variables aléatoir
- Page 142 and 143: 138 Chapitre 3. Variables aléatoir
- Page 144 and 145: 140 Chapitre 3. Variables aléatoir
- Page 146 and 147: 142 Chapitre 3. Variables aléatoir
- Page 148 and 149: 144 Chapitre 3. Variables aléatoir
- Page 150 and 151: ∈Ê 146 Chapitre 3. Variables al
- Page 152 and 153: 148 Chapitre 3. Variables aléatoir
- Page 154 and 155: 150 Chapitre 3. Variables aléatoir
- Page 156 and 157: 152 Chapitre 3. Variables aléatoir
- Page 158 and 159: 154 Chapitre 3. Variables aléatoir
- Page 160 and 161: 156 Chapitre 3. Variables aléatoir
- Page 162 and 163: 158 Chapitre 3. Variables aléatoir
- Page 164 and 165: 160 Chapitre 3. Variables aléatoir
- Page 166 and 167: 162 Chapitre 3. Variables aléatoir
- Page 168 and 169: 164 Chapitre 3. Variables aléatoir
- Page 170 and 171: 166 Chapitre 3. Variables aléatoir
- Page 172 and 173: 168 Chapitre 3. Variables aléatoir
- Page 174 and 175: 170 Chapitre 3. Variables aléatoir
- Page 176 and 177: 172 Chapitre 3. Variables aléatoir
- Page 178 and 179: 174 Chapitre 3. Variables aléatoir
- Page 181 and 182: Annexe A Annexes A.1 Annales Univer
- Page 183 and 184: A.1. Annales 179 Université de Ren
- Page 185 and 186: A.1. Annales 181 Université de Ren
132 Chapitre 3. Variables aléatoires à densité<br />
−4 −3 −2 −1<br />
1 2 3<br />
0.40<br />
68%<br />
95%<br />
99,7%<br />
Figure 3.8 – Concentration autour de la moyenne d’une loi N(0,1).<br />
notant Sn = X1 +···+Xn leurs sommes partielles, on a la convergence en loi suivante :<br />
Sn −nE[X1]<br />
n Var(X1)<br />
L<br />
−−−−→<br />
n→+∞ N(0,1),<br />
c’est-à-dire que pour tout intervalle (a,b) deÊ, on a :<br />
È<br />
a ≤ Sn<br />
<br />
−nE[X1]<br />
≤ b −−−−→<br />
n Var(X1) n→+∞<br />
b<br />
a<br />
1<br />
√ 2π e −x2<br />
2 dx.<br />
Autrement dit, la somme d’un grand nombre de variables aléatoires i.i.d. se comporte comme une<br />
loi normale. Dit grossièrement et quitte à choquer les puristes, on peut considérer que si n est “assez<br />
grand”, Sn suit quasiment une loi normale de moyenne nE[X1] et d’écart-type n Var(X1) :<br />
Sn ≈ N(nE[X1],n Var(X1)).<br />
Universalité. L’aspect remarquable de ce résultat tient bien sûr au fait que la loi commune des<br />
Xn peut être n’importe quoi! Celle-ci peut aussi bien être discrète qu’absolument continue, mixte<br />
ou singulière. La seule chose requise est l’existence de la variance. Avec la Loi des Grands Nombres,<br />
ce résultat peut être considéré comme le plus important en probabilités et statistiques.<br />
Exemple. Revenons à l’exercice 2.21. Rappel des épisodes précédents : après 3600 jets d’un dé<br />
équilibré, la question était d’évaluer la probabilité p que le nombre S de 1 apparus soit compris<br />
entre 480 et 720. L’expression exacte était donnée par la somme de termes binomi<strong>aux</strong> et une<br />
minoration avait été fournie par l’inégalité de Tchebychev : p ≥ 0,965. Or nous sommes dans le<br />
cadre typique d’application du théorème central limite, avec n = 3600 et les Xi ayant pour loi<br />
commune la distribution de Bernoulli B(1/6). Ainsi :<br />
Sn −nE[X1] S −600<br />
= √ ≈ N(0,1).<br />
n Var(X1) 500<br />
Arnaud Guyader - <strong>Rennes</strong> 2 <strong>Probabilités</strong><br />
4