RÈGLEMENT (UE) 2017/ 745 DU PARLEMENT EUROPÉEN ET DU
5 mai 2017 présent article ainsi que l'adresse à laquelle cette personne peut être jointe afin de pouvoir établir son emplacement. Les.
Bibliothèque CNDJ
Solution : LA COUR CONFIRME LE JUGEMENT ATTAQUE. AFFAIRE. Mlle D M «Père inconnu» à porter sur l'acte de naissance – (NON) – Reformation du jugement sur.
Untitled
Demande d'immatriculation adressée par le MCU MIE
Introduction aux probabilités et à la statistique Jean Bérard
Par exemple un magazine adresse à ses lecteurs un questionnaire
Fiche de lecture Kressmann Taylor Inconnu à cette adresse
La mention « Inconnu à cette adresse » apparaît à la fin de la nouvelle elle concerne Martin. La vengeance de Max a réussi : Martin a été exclu du système qu'
*ATTESTATION de TÉMOIN *WITNESS ATTESTATION
*Adresse pour le retour des résultats Baby RhIg / Bébé Ig Anti-D (Éligibilité de la mère)Plasma ... DM-3472 (Rev 2016-03-07) CUSM Repro MUHC. Page 1 / 2 ...
DOCUMENT METHODOLOGIQUE
DM/2D/IDO/002 CERTEX : Certificat à l'exportation délivré par la DGCCRF pour des produits ... l'adresse électronique renseignée contient un lien de.
Untitled
Il s'adresse ici à Gilbert Cousin humaniste et écrivain néo-latin. Il apprend à cet inconnu que c'est Damippe2 qui a fait brûler la plus belle.
RÈGLEMENT (UE) 2017/ 746 DU PARLEMENT EUROPÉEN ET DU
5 mai 2017 adresse une copie de cette demande à l'autorité responsable des organismes ... Lorsqu'un risque précédemment inconnu est mis en évidence ou ...
Cours de Statistiques inférentielles
connues d'une population à partir d'un échantillon issu de cette d'une population de distribution normale d'écart-type inconnu cet ... L0(M)dM = ?.
[PDF] Inconnu à cette adresse - Numilog
Inconnu à cette adresse Traduit de l'anglais (américain) par Michèle Lévy-Bram et postfacé par Whit Burnett Éditions Autrement Littératures
[PDF] fr3pdf - Collège Simone Veil Pontoise
L'étude de la littérature est construite dans une perspective de cycle sur les thèmes Le voyage et l'aventure : pourquoi aller vers l'inconnu ?
[PDF] fr6pdf - Collège Simone Veil Pontoise
Ce cheval est décidément ou plutôt a été dans sa jeunesse bouton d'or reprit l'inconnu sans paraître remarquer l'exaspération de d'Artagnan
[PDF] Annales Corrigées de lAnnée 2002-2003
La connaissance de ce théorème n'est pas utile à la solution de cet exercice 9 Page 11 Sujet du D M no 3 I F P 2002–2003
[PDF] livre-algorithmespdf - Exo7 - Cours de mathématiques
Ce recueil regroupe différents chapitres sur les mathématiques en lien avec l'informatique Dans cette partie on vérifie d'abord que €ython fonctionne
[PDF] MATHÉMATIQUES AU CYCLE 4 - Maths ac-creteil
Cet exerciseur propose de nombreux exercices et animations interactives Les questions sont corrigées automatiquement au fur et à mesure de la progression du
[PDF] RÈGLEMENT (UE) 2017/ 745 DU PARLEMENT EUROPÉEN ET DU
5 mai 2017 · présent article ainsi que l'adresse à laquelle cette personne peut être jointe afin de pouvoir établir son emplacement Les
Société DM à 91421 MONTGERON - SIREN 429993975
Activité principale du siège social (NAF/APE) Travaux de peinture et vitrerie ; Adresse postale Comment modifier une adresse ? 7 RUE GUSTAVE EIFFEL 91230
Société DM CLEAN SERVICES à 42259 SAINT-MARTIN-LA-PLAINE
16 jan 2023 · Siège social de DM CLEAN SERVICES ; Adresse Comment modifier une adresse ? 28 B RTE DE LA PLAINE 42800 SAINT-MARTIN-LA-PLAINE ? voir sur la
Pourquoi le titre inconnu à cette adresse ?
La dernière lettre de Max adressée à sa sœur lui est retournée avec la mention inconnu à cette adresse, ce qui signifie qu'elle a sans doute disparu.Qui est griselle dans le livre Inconnu à cette adresse ?
Griselle est la sœur de Max, elle a eu une aventure avec Martin. Elle en est restée amoureuse. Elle est juive et artiste, ce qui fait d'elle une ennemie du système nazi.Comment se termine inconnue à cette adresse ?
La nouvelle se termine par cette chute qui signifie que Max parvient à ses fins en faisant arrêter Martin. Il obtient ainsi vengeance de la mort de Griselle. Ainsi se termine le résumé de la nouvelle “Inconnu à cette adresse” sous la forme d'un échange épistolaire.- Par ce biais, le spectacle souligne bien que le thème majeur d'Inconnu à cette adresse est la MONTÉE de l'idéologie d'extrême-droite. Il devient alors une sorte de mise en garde.
Licence 2-S4 SI-MASS
Année 2018Cours de Statistiques inférentiellesPierre DUSART
2Chapitre1Lois statistiques
1.1 Introduction
Nous allons voir que si une variable aléatoire suit une certaine loi, alors ses réalisations (sous forme
d"échantillons) sont encadrées avec des probabilités de réalisation. Par exemple, lorsque l"on a une énorme
urne avec une proportionpde boules blanches alors le nombre de boules blanches tirées sur un échan-
tillon de taillenest parfaitement défini. En pratique, la fréquence observée varie autour depavec des
probabilités fortes autour depet plus faibles lorsqu"on s"éloigne dep.Nous allons chercher à faire l"inverse : l"inférence statistique consiste à induire les caractéristiques in-
connues d"une population à partir d"un échantillon issu de cette population. Les caractéristiques de
l"échantillon, une fois connues, reflètent avec une certaine marge d"erreur possible celles de la population.
1.1.1 Fonction de répartition
La densité de probabilitép(x)ou la fonction de répartitionF(x)définissent la loi de probabilité d"une
variable aléatoire continueX. Elles donnent lieu aux représentations graphiques suivantes :Figure1.1 - fonction répartition
La fonction de distribution cumuléeF(x)exprime la probabilité queXn"excède pas la valeurx:F(x) =P(Xx):
De même, la probabilité que X soit entreaetb(b > a) vautP(a < X < b) =F(b)F(a):
4CHAPITRE 1. LOIS STATISTIQUES1.1.2 Grandeurs observées sur les échantillons
L"espéranceE(X)d"une variable aléatoire discrèteXest donnée par la formuleE(X) =X
ix iP(xi): L"espérance est également appelée moyenne et notée dans ce casX. Sa variance2Xest l"espérance des carrés des écarts avec la moyenne :2X=E[(XX)2] =X
i(xiX)2P(xi) =X ix2iP(xi)2X:
Son écart-typeXest la racine positive de la variance.1.2 Lois usuelles
1.2.1 Loi normale ou loi de Gauss
Une variable aléatoire réelleXsuit une loi normale (ou loi gaussienne, loi de Laplace-Gauss) d"espérance
et d"écart type(nombre strictement positif, car il s"agit de la racine carrée de la variance2) si cette
variable aléatoire réelleXadmet pour densité de probabilité la fonctionp(x)définie, pour tout nombre
réelx, par : p(x) =1 p2e12 (x )2: Une telle variable aléatoire est alors dite variable gaussienne.Une loi normale sera notée de la manière suivanteN(;)car elle dépend de deux paramètres(la
moyenne) et(l"écart-type). Ainsi si une variable aléatoireXsuitN(;)alorsE(X) =etV(X) =2:
Lorsque la moyennevaut 0, et l"écart-type vaut 1, la loi sera notéeN(0;1)et sera appelée loi normale
standard. Sa fonction caractéristique vautet2=2. Seule la loiN(0;1)est tabulée car les autres lois (c"est-
à-dire avec d"autres paramètres) se déduise de celle-ci à l"aide du théorème suivant : SiYsuitN(;)
alorsZ=Y suitN(0;1). On notela fonction de répartition de la loi normale centrée réduite : (x) =P(Z < x) avecZune variable aléatoire suivantN(0;1).Propriétés et Exemples :(x) = 1(x),
(0) = 0:5;(1:645)0:95;(1:960)0:9750Pourjxj<2, une approximation depeut être utilisée; il s"agit de son développement de Taylor à
l"ordre 5 au voisinage de 0 : (x)0:5 +1p2 xx36 +x540Inversement, à partir d"une probabilité, on peut chercher la borne pour laquelle cette probabilité est
effective. Cours Proba-Stat / Pierre DUSART5Notation : on noteraz=2le nombre pour lequelP(Z > z=2) ==2
lorsque la variable aléatoire suit la loi normale standard.risque0:010:020:050:10valeur critiquez=22:582:331:961:645coefficient de sécuritéc99%98%95%90%
A l"aide des propriétés de la loi normale standard, on remarque que le nombrez=2vérifie également
P(Z < z=2) =
P(Z P(z=2< Z < z=2) =
P(jZj> z=2) =
La somme de deux variables gaussiennes indépendantes est elle-même une variable gaussienne (stabilité) :
SoientXetYdeux variables aléatoires indépendantes suivant respectivement les loisN(1;1)et N(2;2). Alors, la variable aléatoireX+Ysuit la loi normaleN(1+2;p 21+22).
1.2.2 Loi du2(khi-deux)
Définition 1SoitZ1;Z2;:::;Zune suite de variables aléatoires indépendantes de même loiN(0;1).
Alors la variable aléatoireP
i=1Z2isuit une loi appeléeloi du Khi-deuxàdegrés de liberté, notée 2(). Proposition 1.2.11. Sa fonction caractéristique est(12it)=2. 2. La densité de la loi du2()est
f (x) = 12 =2(=2)x=21ex=2pourx >0 0sinon.
oùest la fonction Gamma d"Euler définie par(r) =R1 0xr1exdx.
3. L"espérance de la loi du2()est égale au nombrede degrés de liberté et sa variance est2.
4. La somme de deux variables aléatoires indépendantes suivant respectivement2(1)et2(2)suit
aussi une loi du2avec1+2degrés de liberté. PreuveCalculons la fonction caractéristique deZ2lorsqueZsuitN(0;1). '(t) =E(eitZ2) =Z 1 1 eitz21p2ez2=2dz 1p2Z 1 1 e12 (12it)z2dz 1p2Z 1 1e 12 u2(12it)1=2dten posantu= (12it)1=2z '(t) = (12it)1=2 Maintenant pour la somme devariablesZ2iindépendantes, on a '(t) = (12it)=2: 6CHAPITRE 1. LOIS STATISTIQUESMontrons maintenant que la fonction de densité est correcte. Pour cela, calculons la fonction caractéris-
tique à partir de la densité : '(t) =E(eitx) =Z +1 0 eitx12 =2(=2)x=21ex=2dx 12 =2(=2)Z +1 0 x(1=2it)xdx 12 =2(=2)1(1=2it)(1=2it)=21Z +1 0 u=21euduen posantu= (1=2it)x 12 =2(=2)1(1=2it)=2Z +1 0 u=21eudu |{z} =(=2) '(t) =1(12it)=2 Calculons maintenant l"espérance et la variance. Selon la définition de la loi du2, chaque variable
Z isuit la loi normale centrée réduite. AinsiE(Z2i) =V ar(Zi) = 1etE(P i=1Z2i) =. De même, V(Zir) =E(Z4i)(E(Z2i))2=41:On sait que pour une loi normale centrée réduite4= 3donc V ar(Z2i) = 2etV ar(P
i=1Z2i) = 2: La dernière proposition est évidente de par la définition de la loi du2. Fonction inverse: on peut trouver une tabulation de la fonction réciproque de la fonction de répartition
de cette loi dans une table (en annexe) ou sur un logiciel tableur : 7!2;(FonctionKHIDEUX.inverse(;));
c"est-à-dire la valeur de2;telle queP(2()> 2;) =. Exemple : Pour= 0:990et= 5,2= 0:554 =20:99;5.Figure1.2 - fonction2inverse 1.2.3 Loi de Student
Définition 2SoientZetQdeux variables aléatoires indépendantes telles queZsuitN(0;1)etQsuit 2(). Alors la variable aléatoire
T=ZpQ=
suit une loi appeléeloi de Studentàdegrés de liberté, notéeSt(). Cours Proba-Stat / Pierre DUSART7Proposition 1.2.21. La densité de la loi de la loi de Student àdegrés de liberté est
f(x) =1p +12 )(=2)1(1 +x2=)+12 2. L"espérance n"est pas définie pour= 1et vaut 0 si2. Sa variance n"existe pas pour2et
vaut=(2)pour3. 3. La loi de Student converge en loi vers la loi normale centrée réduite.
Remarque : pour= 1, la loi de Student s"appelle loi de Cauchy, ou loi de Lorentz. 1.2.4 Loi de Fisher-Snedecor
Définition 3SoientQ1etQ2deux variables aléatoires indépendantes telles queQ1suit2(1)etQ2 suit2(2)alors la variable aléatoire F=Q1=1Q
2=2 suit une loi de Fisher-Snedecor à(1;2)degrés de liberté, notéeF(1;2). Proposition 1.2.3La densité de la loiF(1;2)est
f(x) =(1+22 )(1=2)(2=2) 1 2 1=2x1=21(1 +
1 2x) 1+22 six >0 (0sinon): Son espérance n"existe que si23et vaut2
22. Sa variance n"existe que si25et vaut22
2(1+22)
1(22)2(24).
Proposition 1.2.41. SiFsuit une loi de FisherF(1;2)alors1F suit une loi de FisherF(2;1). 2. SiTsuit une loi de Student àdegrés de liberté alorsT2suit une loi de FisherF(1;).
1.2.5 Fonctions inverses et TableurLoiNotationVariableFct RépartitionV. critiqueFonction inverse
GaussN(0;1)Zloi.normale.standard(z)z
loi.normale.standard.inverse(1)Khi-Deux 2()K 2khideux(k;;1)
;1;2inverse.Loi.f(;1;2)) 8CHAPITRE 1. LOIS STATISTIQUES
Chapitre2Convergences
2.1 Convergence en probabilité
2.1.1 Inégalités utiles
Inégalité de Markov simplifiée
SoitYune v.a.r.,gune fonction croissante et positive ou nulle sur l"ensemble des réels, vérifiantg(a)>0,
alors 8a >0;P(Ya)E(g(Y))g(a):
Preuve
E(g(Y)) =Z
g(y)f(y)dy=Z Y Yag(y)f(y)dy
Z P(z=2< Z < z=2) =
P(jZj> z=2) =
La somme de deux variables gaussiennes indépendantes est elle-même une variable gaussienne (stabilité) :
SoientXetYdeux variables aléatoires indépendantes suivant respectivement les loisN(1;1)et N(2;2). Alors, la variable aléatoireX+Ysuit la loi normaleN(1+2;p21+22).
1.2.2 Loi du2(khi-deux)
Définition 1SoitZ1;Z2;:::;Zune suite de variables aléatoires indépendantes de même loiN(0;1).
Alors la variable aléatoireP
i=1Z2isuit une loi appeléeloi du Khi-deuxàdegrés de liberté, notée 2(). Proposition 1.2.11. Sa fonction caractéristique est(12it)=2.2. La densité de la loi du2()est
f (x) = 12 =2(=2)x=21ex=2pourx >00sinon.
oùest la fonction Gamma d"Euler définie par(r) =R10xr1exdx.
3. L"espérance de la loi du2()est égale au nombrede degrés de liberté et sa variance est2.
4. La somme de deux variables aléatoires indépendantes suivant respectivement2(1)et2(2)suit
aussi une loi du2avec1+2degrés de liberté. PreuveCalculons la fonction caractéristique deZ2lorsqueZsuitN(0;1). '(t) =E(eitZ2) =Z 1 1 eitz21p2ez2=2dz 1p2Z 1 1 e12 (12it)z2dz 1p2Z 1 1e 12 u2(12it)1=2dten posantu= (12it)1=2z '(t) = (12it)1=2 Maintenant pour la somme devariablesZ2iindépendantes, on a '(t) = (12it)=2:6CHAPITRE 1. LOIS STATISTIQUESMontrons maintenant que la fonction de densité est correcte. Pour cela, calculons la fonction caractéris-
tique à partir de la densité : '(t) =E(eitx) =Z +1 0 eitx12 =2(=2)x=21ex=2dx 12 =2(=2)Z +1 0 x(1=2it)xdx 12 =2(=2)1(1=2it)(1=2it)=21Z +1 0 u=21euduen posantu= (1=2it)x 12 =2(=2)1(1=2it)=2Z +1 0 u=21eudu |{z} =(=2) '(t) =1(12it)=2Calculons maintenant l"espérance et la variance. Selon la définition de la loi du2, chaque variable
Z isuit la loi normale centrée réduite. AinsiE(Z2i) =V ar(Zi) = 1etE(P i=1Z2i) =. De même, V(Zir) =E(Z4i)(E(Z2i))2=41:On sait que pour une loi normale centrée réduite4= 3doncV ar(Z2i) = 2etV ar(P
i=1Z2i) = 2: La dernière proposition est évidente de par la définition de la loi du2.Fonction inverse: on peut trouver une tabulation de la fonction réciproque de la fonction de répartition
de cette loi dans une table (en annexe) ou sur un logiciel tableur :7!2;(FonctionKHIDEUX.inverse(;));
c"est-à-dire la valeur de2;telle queP(2()> 2;) =. Exemple : Pour= 0:990et= 5,2= 0:554 =20:99;5.Figure1.2 - fonction2inverse1.2.3 Loi de Student
Définition 2SoientZetQdeux variables aléatoires indépendantes telles queZsuitN(0;1)etQsuit2(). Alors la variable aléatoire
T=ZpQ=
suit une loi appeléeloi de Studentàdegrés de liberté, notéeSt().Cours Proba-Stat / Pierre DUSART7Proposition 1.2.21. La densité de la loi de la loi de Student àdegrés de liberté est
f(x) =1p +12 )(=2)1(1 +x2=)+122. L"espérance n"est pas définie pour= 1et vaut 0 si2. Sa variance n"existe pas pour2et
vaut=(2)pour3.3. La loi de Student converge en loi vers la loi normale centrée réduite.
Remarque : pour= 1, la loi de Student s"appelle loi de Cauchy, ou loi de Lorentz.1.2.4 Loi de Fisher-Snedecor
Définition 3SoientQ1etQ2deux variables aléatoires indépendantes telles queQ1suit2(1)etQ2 suit2(2)alors la variable aléatoireF=Q1=1Q
2=2 suit une loi de Fisher-Snedecor à(1;2)degrés de liberté, notéeF(1;2).Proposition 1.2.3La densité de la loiF(1;2)est
f(x) =(1+22 )(1=2)(2=2) 1 21=2x1=21(1 +
1 2x) 1+22 six >0 (0sinon):Son espérance n"existe que si23et vaut2
22. Sa variance n"existe que si25et vaut22
2(1+22)
1(22)2(24).
Proposition 1.2.41. SiFsuit une loi de FisherF(1;2)alors1F suit une loi de FisherF(2;1).2. SiTsuit une loi de Student àdegrés de liberté alorsT2suit une loi de FisherF(1;).
1.2.5 Fonctions inverses et TableurLoiNotationVariableFct RépartitionV. critiqueFonction inverse
GaussN(0;1)Zloi.normale.standard(z)z
loi.normale.standard.inverse(1)Khi-Deux 2()K2khideux(k;;1)
;1;2inverse.Loi.f(;1;2))8CHAPITRE 1. LOIS STATISTIQUES
Chapitre2Convergences
2.1 Convergence en probabilité
2.1.1 Inégalités utiles
Inégalité de Markov simplifiée
SoitYune v.a.r.,gune fonction croissante et positive ou nulle sur l"ensemble des réels, vérifiantg(a)>0,
alors8a >0;P(Ya)E(g(Y))g(a):
Preuve
E(g(Y)) =Z
g(y)f(y)dy=Z Y Yag(y)f(y)dyYag(y)f(y)dycargest positive ou nulle
g(a)ZYaf(y)dycargest croissante
=g(a)P(Ya)AinsiE(g(Y))g(a)P(Ya).
Rappel : Inégalité de Bienaymé-Chebyshev
SoitXune variable aléatoire admettant une espéranceE(X)et de variance finie2(l"hypothèse de variance finie garantit l"existence de l"espérance).L"inégalité de Bienaymé-Chebychev s"énonce de la façon suivante : pour tout réel"strictement positif,
P(jXE(X)j ")2"
2: PreuveVoir Cours S3 ou prendreY=jXE(X)j,a="etg(t) =t2dans l"inégalité de Markov.10CHAPITRE 2. CONVERGENCES2.1.2 Convergence en probabilité
Définition 4 (Convergence en probabilité)On considère une suite(Xn)d"une v.a. définie sur
Xune autre v.a. définie sur
On dit que la suite(Xn)converge en probabilité vers une constante réelle`si8" >0;limn!1P(jXn`j> ") = 0:
On dit que la suite(Xn)converge en probabilité versXsi8" >0;limn!1P(jXnXj> ") = 0:
Exemple de la loi binomiale :On réalisenexpériences indépendantes et on suppose que lors dechacune de ces expériences, la probabilité d"un événement appelé "succès" estp. SoitSnle nombre de
succès obtenus lors de cesnexpériences. La variance aléatoireSn, somme denvariables de Bernoulli
indépendantes, de même paramètrep, suit une loi binomiale :Sn,! B(n;p). On s"intéresse alors à la variable aléatoire Snn , proportion de succès surnexpériences, a donc pour espéranceE(Snn ) =pet pour varianceV(Snn ) =1n2V(Sn) =p(1p)n
. Commep(1p)atteint son maximumlorsquep= 1=2, on a ainsip(1p)1=4. En appliquant l"inégalité de Bienaymé-Chebyshev, il vient
P(jSn=npj ")p(1p)n"
214n"2:
Ainsi pour tout" >0, il existe >0(plus précisément >14n"2) tel queP(jSn=npj ")< ou encorelimn!1P(jSn=npj ") = 0. La variable aléatoireSnn converge en probabilité versp.Théorème 2.1.1Soit(Xn)une suite de variables aléatoires sur le même espace probabilisé(
;P)ad- mettant des espérances et des variances vérifiant lim n!1E(Xn) =`etlimn!1V(Xn) = 0; alors les(Xn)convergent en probabilité vers`. PreuveSoit" >0. PosonsE(Xn) =`+unaveclimun= 0. Alors il existeN2Ntel que : nN) junj< "=2 et donc à partir du rangN, jXnE(Xn)j< "=2) jXn`j< ";(2.1) carjXn`j=jXnE(Xn) +E(Xn)`j jXnE(Xn)j+jE(Xn)`j. L"implication (2.1) peut être encore écrite sous la forme jXn`j ") jXnE(Xn)j "=2: Par conséquent, en utilisant l"inégalité de Bienaymé-Chebyshev,P(jXn`j ")P(jXnE(Xn)j "=2)V(Xn)("=2)2;
qui tend vers 0 quandntend vers l"infini. Conséquence : Pour que(Xn)converge en probabilité versX, il suffit queE(XnX)!0etV(XnX)!0lorsquen! 1(la démonstration passe par l"inégalité de Bienaymé-Chebychev).
Cours Proba-Stat / Pierre DUSART112.1.3 Convergence en moyenne quadratique Définition 5Une suite de v.a.r.(Xn)n2Nconverge en moyenne quadratique vers une v.a.r.Xsi lim n!1E((XnX)2) = 0:Propriétés :
1. La convergence en moyenne quadratique entraîne la convergence en probabilité.
2. Pour les(Xn)sont des variables aléatoires d"espérance et de variance finies, siE(Xn)!et
V ar(Xn)!0alorsXnconverge en moyenne quadratique vers. Preuve1. On applique l"inégalité de Markov avecY=jXnXj,a="2etg(t) =t2. Il suffit ensuite de remarquer queP(jXnXj2> "2) =P(jXnXj> ")et utiliser l"hypothèse que limE((XnX)2) = 0.2.limE((Xn)2) = limE(X2n)2E(X) +2= limE(X2n)E(Xn)2= limV(Xn) = 0:
2.1.4 Loi faible des grands nombres
Théorème 2.1.2Soit(Xn)une suite de variables aléatoires indépendantes sur le même espace probabi-
lisé( ;P)ayant une même espérance mathématique`et des variances vérifiantlimn!11n 2Pn i=12i= 0:On poseSn=X1++XnalorsSnn
converge en probabilité vers`.Si on considère une suite de variables aléatoires(Xn)indépendantes définies sur un même espace probabi-
lisé, ayant même espérance et même variance finie notées respectivementE(X)etV(X). La loi faible des
grands nombres stipule que, pour tout réel"strictement positif, la probabilité que la moyenne empirique
S nn s"éloigne de l"espérance d"au moins", tend vers 0 quandntend vers l"infini. La moyenneSnn converge en probabilité vers l"espérance communeE(X).PreuveOn aE(Sn=n) =`etlimV(Sn=n) = lim1n
2P2i= 0par hypothèse. Ainsi par le théorème
2.1.1,Sn=nconverge en probabilité vers`.
2.2 Convergence en loi
Définition 6Soient(Xn)etXdes variables aléatoires sur un même espace probabilisé( ;P), de fonc- tions de répartition respectivesFnetF; on dit que les(Xn)convergent versXen loi (et on noteXnL!X) si en tout pointxoùFest continue, lesFn(x)convergent versF(x).Propriétés : (admises)
1. La convergence en probabilité entraîne la convergence en loi.(XnP!X))(XnL!X)
2. Si les(Xn)etXsont des variables aléatoires discrètes, alorsXnconverge en loi versXsi et
seulement si8x2R;limn!1P(Xn=x) =P(X=x):
PreuveIl s"agit de montrer que si(Xn)nconverge en probabilité versX, la suite(FXn)nconverge vers FX(respectivement préalablement notéesFnetF). On utilise le lemme suivant : soientA,Bdes variables
aléatoires réelles,cun réel et" >0. Alors on a l"inégalitéP(Ac)B(c+") +P(jABj> ");
12CHAPITRE 2. CONVERGENCEScar
P(AC) =P(Ac\Bc+") +P(Ac\B > c+")
=P(AcjBc+")P(Bc+") +P(Ac\B" > c)P(Bc+") +P(AB >")carP(j)1
P(Bc+") +P(jABj> ")
carP(jABj> ") =P(AB > ") +P(AB <")P(AB <") De ce lemme, il vient respectivement pour(A=Xn; c=x; B=X)puis(A=X; c=x"; B=Xn)P(Xnx)P(Xx+") +P(jXnXj> ")(2.2)
P(Xnx)P(Xx") +P(jXnXj> ")(2.3)
Passons à la démontration proprement dite. Soitxun point oùFest continue. Soit >0. Par continuité
deFXenx, il existe" >0tel quejFX(x+")FX(x)j< =2etjFX(x")FX(x)j< =2. Pour cet", de part la convergence de(Xn)nversX, il existen0tel que, pour toutnn0,P(jXnXj> ")< =2:
Ainsi par(2:2),
FXn(x)FX(x)FX(x+") +P(jXnXj> ")FX(x)
FX(x+")FX(x) +P(jXnXj> ")< =2 +=2 =
et par(2:3), FXn(x)FX(x)FX(x")FX(x)P(jXnXj> ")
=2=2 =Donc8 >0;9n0tel que8nn0;jFXn(x)FX(x)j< .
Proposition 2.2.1 (Convergence de la loi hypergéométrique vers la loi binomiale)Soit(XN)une suite de variables aléatoires sur un même espace probabilisé, de loi hypergéométrique :XN,!
H(N;n;p)oùnetpsont supposés constants. Alors(XN)convergent en loi, quandNtend vers l"in- fini, versXde loi binomialeB(n;p)(mêmes valeurs de paramètres).PreuveLa probabilité ponctuelle deXNest
P(XN=k) =CkNpCnk
NqC nN:LorsqueNtend vers l"infini avecnconstant,
C nN=N(N1)(Nn+ 1)n!=Nn(11N )(1n1N )1n!Nnn! car(1mN )1lorsqueNtend vers l"infini. De même, lorsqueNtend vers l"infini avecpetkfixes, alors C kNp(Np)kk!etCnkN(1p)(N(1p))nk(nk)!:
Finalement,
P(XN=k)pk(1p)nkn!k!(nk)!=Cknpk(1p)nk;
ce qui correspond à la probabilité ponctuelle d"une variable aléatoire qui suit la loi binomialeB(n;p).
Cours Proba-Stat / Pierre DUSART13C"est pour cela que lorsque la population (de tailleN) est très grande, on peut assimiler la loi d"une
variable aléatoire comptant le nombre de réussite sur un tirage sans remise (loi hypergéométrique) à une
loi binomiale (tirage avec remise). Proposition 2.2.2 (Convergence de la loi binomiale vers une loi de Poisson)Soit(Xn)unesuite de variables aléatoires binomiales sur un même espace probabilisé : pour toutn,XnsuitB(n;pn).
On suppose quelimn!+1pn= 0etlimn!+1npn=. Alors(Xn)convergent en loi, quandntend vers l"infini, vers une loi de Poisson de paramètre.PreuvePourkfixé,
P(Xn=k) =n(n1)(nk+ 1)k!pkn(1pn)nk
(npn)kk!(1pn)n(11n )(1k1n )(1pn)k On cherche la limite de(1pn)n= exp(nln(1pn)) = exp(nln(1npn=n)). Commelimn!+1npn=, on posenpn=+"naveclimn!+1"n= 0et ainsiln(1npn=n)1=ndonclimn!+1(1pn)n=e.Commekest fixé,limn!+1(11n
)(1k1n )(1pn)k= 1 Ainsi lim n!+1P(Xn=k) =ekk!;ce qui correspond à la probabilité ponctuelle d"une variable aléatoire qui suit une loi de PoissonP(). Il
s"agit donc d"une convergence en loi en appliquant le point 2 des propriétés. Corollaire 2.2.3 (Application pratique)On peut remplacerB(n;p)parP()avec=nppourn très grand (n >50) etptrès petit (p <0;1).2.3 Convergence des fonctions caractéristiques
2.3.1 Continuité
Théorème 2.3.1 (théorème de continuité de Levy)Soit(Xn)une suite de variables aléatoires de
fonctions caractéristiques'XnetXune variable aléatoire de fonction caractéristique'X, toutes sur un
même espace probabilisé. Si les(Xn)convergent en loi versXalors la suite de fonctions('Xn)converge
uniformément vers'Xsur tout intervalle[a;a].Inversement si les('Xn)convergent vers une fonction'dont la partie réelle est continue en 0, alors'
est la fonction caractéristique d"une variable aléatoireXvers laquelle lesXnconvergent en loi.On peut le résumer ainsi :
f8t2R;'Xn(t)!'X(t)g , fXnL!Xg2.3.2 Théorème central limite
Corollaire 2.3.2 (Théorème central limite)Soit une suite(Xn)de variables aléatoires définies sur
le même espace de probabilité, suivant la même loiDet dont l"espéranceet l"écart-typecommunes
existent et soient finis (6= 0). On suppose que les(Xn)sont indépendantes. Considérons la somme
S n=X1++Xn. Alors l"espérance deSnestnet son écart-type vautpnetSnn pn converge en loi vers une variable aléatoire normale centrée réduite.14CHAPITRE 2. CONVERGENCESPreuvePosonsYi=Xi
pn . AlorsYi(t) ='Xi
pn (t) ='Xi(t pnPourtfixé, lorsquentend vers l"infini,t
pn est infiniment petit. Ecrivons le développement limité, auquotesdbs_dbs45.pdfusesText_45[PDF] inconnu a cette adresse histoire des arts 3eme
[PDF] inconnu ? cette adresse analyse de l'oeuvre
[PDF] inconnu ? cette adresse wikipedia
[PDF] jean giono un roi sans divertissement résumé
[PDF] un roi sans divertissement commentaire
[PDF] plan terminal 2f
[PDF] aeroport charles de gaulle terminal 2 depart
[PDF] cdg2
[PDF] plan roissypole
[PDF] adp terminal 1
[PDF] plan analytique définition
[PDF] plan thématique définition
[PDF] exemple d un plan thématique
[PDF] plan chronologique definition