Dans tout ce chapitre, on considère un espace probabilisé (Ω,A,P) sur lequel toutes les variables aléatoires sont supposées définies.
Pour toute variable aléatoire X, on convient de noter FX sa fonction de répartition.
Inégalités de concentration
Inégalité de Markov
Si X est une variable aléatoire positive admettant une espérance, alors : ∀λ∈R∗+, P(X⩾λ)⩽E(X)λ
Inégalité de Bienaymé-Tchebychev
Si X est une variable aléatoire admettant un moment d’ordre 2, alors : ∀ε∈R∗+, P(|X−E(X)|⩾ε)⩽V(X)ε2
Loi faible des grands nombres, convergence en loi
Loi faible des grands nombres
Si (Xn)n∈N∗ est une suite de variables aléatoires deux à deux indépendantes, admettant une même espérance m et une même variance σ2, alors : ∀ε∈R∗+, P(|1nn∑k=1Xk–m|⩾ε)=0
Convergence en loi : définition et propriétés
Définition
Le cas général
On dit qu’une suite de variables aléatoires (Xn)n∈N∗ converge en loi vers la variable aléatoire X si, en notant C(FX) l’ensemble des points en lesquels FX est continue : ∀x∈C(FX), limn→+∞FXn(x)=FX(x) Dans ce cas, on note : XnL⟶X.
Le cas des variables aléatoires entières
Soit (Xn)n∈N∗ une suite de variables aléatoires à valeurs dans N et X une variable aléatoire prenant ses valeurs dans N. On a alors : XnL⟶X⟺∀k∈N, limn→+∞P(Xn=k)=P(X=k)
Théorème limite central
Soit (Xn)n∈N∗ une suite de variables aléatoires mutuellement indépendantes, de même loi, admettant une espérance m et une variance σ2 non nulle. On note : ∀n∈N∗, ¯Xn=1nn∑k=1Xk et ¯X∗n=√n(¯Xn−mσ)
Alors la suite (¯X∗n)n∈N∗ converge en loi vers une variable aléatoire suivant la loi normale centrée réduite.
En particulier, on a donc, pour tout couple (a,b) d’éléments de ¯R tel que a⩽b : limn→+∞P(a⩽¯X∗n⩽b)=∫ba1√2πexp(−t22)dt
Approximations de lois
Approximations de la loi binomiale
Approximation de la loi binomiale par la loi de Poisson
- Soit (pn)n∈N∗ une suite d’éléments de ]0,1[ et λ un réel strictement positif tels que : limn→+∞npn=λ Soit (Xn)n∈N∗ une suite de variables aléatoires telle que, pour tout n∈N∗, Xn suit la loi binomiale B(n,pn).
La suite (Xn)n∈N∗ converge en loi vers une variable aléatoire X suivant la loi de Poisson P(λ).
- Ce théorème donne la possibilité d’approcher la loi binomiale B(n,p) par la loi de Poisson P(np lorsque n est “grand” et p “petit”. Dans la pratique, il est d’usage de remplacer la loi binomiale B(n,p) par la loi de Poisson P(np) dès que n est supérieur ou égal à 30,p inférieur ou égal à 110 et np inférieur à 15.
Approximation de la loi binomiale par la loi normale
- Soit p un réel appartenant à ]0,1[ et (Xn)n∈N∗ une suite de variables aléatoires tels que, pour tout n∈N∗ , Xn suit la loi binomiale B(n,p). On note : ∀n∈N∗, ¯Xn=1nXn et ¯X∗n=√n(¯Xn−p√p(1−p)) Alors la suite (¯X∗n)n∈N∗ converge en loi vers une variable aléatoire suivant la loi normale centrée réduite.
- Ce théorème donne la possibilité d’approcher la loi binomiale B(n,p) par la loi normale N(np,np(1−p)) lorsque n est “grand” et p “pas trop éloigné” de 12. Dans la pratique, il est d’usage de remplacer la loi binomiale B(n,p) par la loi normale N(np,np(1−p)) dès que n est supérieur ou égal à 30,np et np(1−p) supérieurs ou égaux à 5.
Approximation de la loi de Poisson
- Soit λ un réel strictement positif et (Xn)n∈N∗ une suite de variables aléatoires tels que, pour tout n∈N∗, Xn suit la loi de Poisson P(nλ). On note : ∀n∈N∗, ¯Xn=1nn∑k=1Xk et ¯X∗n=√n(¯Xn−λ√λ) Alors la suite (¯X∗n)n∈N∗ converge en loi vers une variable aléatoire suivant la loi normale centrée réduite.
- Ce théorème donne la possibilité d’approcher la loi de Poisson P(λ) par la loi normale N(λ,λ) lorsque λ est “grand”. Dans la pratique, il est d’usage de remplacer la loi de Poisson P(λ) par la loi normale N(λ,λ) dès que λ est supérieur ou égal à 10.