Chapitre 3: Approximations des lois et

Convergences stochastiques

Abdellah Zaaloul
F.S.J.E.S Ait Meloul ,
Année universitaire 2019-2020.

Module:Echantillonnage et Estimation
Approximations des lois
1. Approximation d’une loi hypergéométrique par une la loi
binomiale
2. Approximation de la loi binomiale par la loi de Poisson
3. Approximation de la loi binomiale par la loi normale
4. Approximation de la loi de Poisson par la normale

Convergences stochastiques
1. Convergences en Probabilité
2. Convergences en loi
3. Convergences en moyenne d’ordre k
4. Convergences presque sure
5. Loi faible des grandes nombres
6. Théorème de la limite centrale
Approximation d’une loi hypergéométrique par une la loi
binomiale:

La variable aléatoire X suit la loi hypergéométrique H(N; n; p). On

suppose que l’effectif N de la population devient très grand par
rapport à la taille n de l’échantillon prélevé.On cherche, dans ces
conditions, la limite de l’expression:
x C n−x
CNp N−Np
P(X = x) =
CNn

Après avoir développé les différents termes et utilisé la condition n

petit devant N, on obtient comme limite :
Si N → ∞, alors H(N, n, p) → B(n, p)
=⇒ P(X = x) = Cnx p x (1 − p)n−x En pratique, cette approximation
est vraie dès que : Nn < 0, 1
Approximation d’une loi hypergéométrique par une la loi
binomiale:

Exemple:
Dans une population de 1 000 hommes adultes, 50 ont un poids
supérieur à 120 kg. On considère un échantillon de taille 100 et soit
X la variable aléatoire « nombre d’individus ayant un poids
supérieur à 120 kg » dans cet échantillon.
-La loi suivie par cette variable est la loi hypergéométrique de
paramètres:
50
N = 1000, n=100 et p = 1000 = 0, 05:

K C 100−k
C50 950
P(X = k) = 100
; 0 ≤ k ≤ 50
C1000

E(X ) = 5 et V (X ) = 4, 25
Approximation d’une loi hypergéométrique par une la loi
binomiale:

Exemple suit:
- La taille de l’échantillon (100) est égale à 1 000/10. On peut
donc utiliser l’approximation par la loi binomiale de paramètres :
n = 100 et p = 0,05:
k
P(X = k) = C100 (0, 05)k (0, 95)100−k ; 0 ≤ k ≤ 100

E(X ) = 5 et V (X ) = 4, 25
Approximations de la loi binomiale:

Il existe deux approximations possibles de la loi binomiale:

1. Approximation par la loi de Poisson
2. Approximation par la loi normale
Approximation de la loi binomiale par la loi de Poisson

Si les conditions suivantes pour n et p sont realisees:

I n est grand (n ≥ 50)
I p est voisin de 0 (p < 0, 1)
C’est-à-dire dans le cas de la realisation d’evenements rares, la loi
binomiale B(n,p) peut-etre approximee par une loi de Poisson P(λ):

λk
P(X = k) = Cnk p k (1 − p)n−k ≈ e −λ
k!
dont le paramètre λ est défini par: λ = np.
Approximation de la loi binomiale par la loi de Poisson

Exemple:
La probabilité pour qu’une machine produise une pièce défectueuse
est égale à 0,01. La machine a produit 300 pièces.
Donner la probabilité de reconnaître 2 pièces défectueuses dans
cette production.

I Soit X « le nombre de pièces défectueuses parmi les 300 pièces

».
I On peut dire que X suit une B(300; 0,01).
Approximation de la loi binomiale par la loi de Poisson

I La probabilité recherchée est égale à:

2
P(X = 2) = C300 (0, 01)2 (0, 99)298 = 0, 2244

I Puisque la probabilité p est inférieure à 0,1 et n > 50,

on peut approcher la loi binomiale B(300; 0,01) par une loi de
Poisson de paramètre λ = np = 300.0, 01 = 3
et écrire X ∼ P(3) et poser finalement:

e −3 .32 0, 0489.9
P(X = 2) = = = 0, 2241
2! 2!
I Cet exemple a été donné pour permettre uniquement la
comparaison. Mais, il ne montre pas la nécessité d’un recours
aux approximations.
Approximation de la loi binomiale par la loi de Poisson

I Supposons maintenant que nous cherchons la probabilité

d’avoir 10 pièces défectueuses parmi les 300 pièces.
I Le résultat exact serait de calculer
10
P(X = 10) = C300 (0, 01)10 (0, 99)290

qui est difficile à calculer.

I Nous sommes amenés dans ce cas à rapprocher ce résultat du
résultat donné par une loi de Poisson de paramètre 3 et de
calculer:
e −3 .310
P(X = 10) = = 0, 0008
10!
Approximation de la loi binomiale par la loi normale:

Si les conditions suivantes pour n et p sont réalisées:

I n est grand (≥ 20)
I p et q ne sont pas trop petites (pratiquement npq ≥ 3)
La loi binômiale B(n,p) peut être approximée par une loi normale
√
N(µ = np, σ = npq)

1 1 k−np 2
{− 1 ( √ ) }
P(X = k) = Cnk p k q n−k ≈ √ . √ .e 2 npq
2π npq

I La quantité t = k−np
√
npq suit une loi normale centrée réduite.
Approximation de la loi binomiale par la loi normale:
Exemple:
I Étudions la probabilité d’obtenir 5 fois pile en 20 parties de
pile ou face:
- Par la loi binomiale
- Par son approximation par la loi normale.

I La probabilité d’obtenir 5 piles en 20 coups est:

5 ( 1 )5 ( 1 )15
P(X = 5) = C20 2 2

20! 1 1
= 5!.15! . 25 . 215

= 15504 × 0, 03125 × 0, 0000305 = 0, 0148.

P(X = 5) ≈ 1, 48%
Approximation de la loi binomiale par la loi normale:

Cette loi binomiale est approximée par la loi normale:

5−(20. 21)
{− 21 ( √ )2 }
1 1
P(X = 5) = √12π . q 1 1 1 .e 20. 2 . 2

20. 2 . 2

−5 2
{− 12 ( √ ) }
P(X = 5) = √1 . √1 .e 5
2π 5

1
= √ 1 .e {− 2 .5}
10π

= √ 1 .e −2.5 = 0, 1784 × 0, 0820 = 0, 0148.

10π

P(X = 5) = 1, 46%
On voit sur cet exemple, que pour n=20, l’approximation est très
bonne.
Approximation de la loi de Poisson par la loi normale:

Soit une v.a. qui suit une loi de Poisson de parametre λ.

Si λ ≥ 15, alors cette√loi de Poisson P(λ) peut etre approximee par
une loi normale N(λ, λ)
Alors, la variable T = X√−λλ
suit une normale centree, reduite
N(0, 1).
Approximation de la loi de Poisson par la loi normale:

Exemple:
Une usine fabrique 400 lampes electriques a l’heure. On admet que
le nombre X de lampes défectueuses produites en une heure suit
une loi de Poisson de paramètre λ.
1. On suppose que λ = 15. Calculer P(X > 15).
2. Calculer cette meme probabilité par son approximation par la
loi normale.
Approximation de la loi de Poisson par la loi normale:

1. X suit une loi de Poisson de parametre λ.

−λ k
Donc: P(X = k) = e k!λ
e −15 (15)k
λ = 15 ⇒ P(X = k) = k!
P400 e −15 (15)k
P(X > k) = k=16 k!

= 1 − P(0 ≤ X ≤ 15)
P15 e −15 (15)k
=1− k=0 k! .
La table de la loi de Poisson non donne :
15
X e −15 (15)k
' 0, 568
k!
k=0

D’ou P(X > k) ' 0, 432

Approximation de la loi de Poisson par la loi normale:

2.

P(X > 15) = 1 − P(X ≤ 15)

= 1 − P( X√−15
15
≤ 15−15
√
15
).

X → P(15) alors on peut l’approximer par une loi

Car , comme : √
normale N(15, 15). Donc:

P(X > 15) = 1 − P(T ≤ 0) = 1 − Φ(0) = 1 − F (0)

ou Φ est la fonction de repartition une loi normale centree reduite.

D’apres la table de la loi normale centree reduite, on Φ(0) = 0, 5.
D’ou, P(X > 15) = 1 − 0, 5 = 0, 5
Convergences stochastiques:

1. Convergences en Probabilité
2. Convergences en loi
3. Convergences en moyenne d’ordre k
4. Convergences presque sure
5. Loi faible des grandes nombres
6. Théorème de la limite centrale
Convergence en probabilité:

On dit qu’une suite de variables aléatoires (Xn )n converge en

probabilité vers une variable aléatoire X si:

∀ε > 0, lim P(|Xn − X | < ε) = 1

n→+∞

On écrit alors:
Xn −→p X
Convergence en loi:

I On dit qu’une suite de variables aléatoires (Xn )n de fonctions

de répartition Fn converge en loi vers une variable aléatoire X
de fonction répartition F si la suite (Fn )n converge vers la
fonction F en tout point x.
I Ou encore : limn→+∞ Fn (x) = F (x) en tout point x ∈ R, sauf
aux points de discontinuités de F.
I On ecrit alors :
Xn −→L X
Et on parle aussi de convergence faible.
Convergence en moyenne d’ordre k:

I On dit qu’une suite de variables aléatoires (Xn )n converge en

moyenne d’ordre k une variable aléatoire X si:

lim E(|Xn − X |k ) = 0
n→+∞

I Si k=2, on dit (convergence en moyenne quadratique) .

Convergence presque sure:

On dit qu’une suite de variables aleatoires (Xn )n converge presque

surement une variable aleatoire X si:

P( lim (Xn − X ) = 0) = 1
n→+∞

On ecrit alors:
Xn −→p.s X
Loi faible des grands nombres:

Théorème 1:
Soit une suite de n expériences de Bernoulli et soit X la variable
aléatoire égale au nombre de succès au cours de ces n expériences.
Alors,
X
∀ε > 0, lim P(| − p| < ε) = 1
n→+∞ n
où p est la probabilité de succès.
Loi faible des grands nombres:

Démonstration du théorème 1:
On sait que X → B(n, p) Donc :

E(X ) = np et Var (X ) = np(1 − p)

X
Soit la variable f = n On a:

p(1 − p)
E(f ) = p et V (f ) =
n
En utilisant l’inégalité de Bienaymé-Tchebychev, on a:

p(1 − p)
P(|f − p| ≥ ε) ≤
nε2
Loi faible des grands nombres:

Démonstration du théorème 1 (suite):

La quantité p(1 − p) est maximale en p = 1/2 et elle est égale à
1/4 ; donc
1
P(|f − p| ≥ ε) ≤
4nε2
ou
1
P(|f − p| < ε) ≥ 1 −
4nε2
Par conséquent:
P(|f − p| < ε) −→n→∞ 1
Loi faible des grands nombres:

Théorème 2:
Soit une suite de X1 , X2 , ..., Xn , .. de variables aleatoires
independantes suivant la meme loi avec :

E (Xi ) = µ et Var (Xi ) = σ 2 , (i = 1, 2, .....)

Alors,

Sn
∀ε > 0, lim P(| − µ| < ε) = 1
n→+∞ n
ou Sn = X1 + X2 + .... + Xn
Théorème de la limite centrale:

Soit une suite de X1 , X2 , ...., Xn , de variables aleatoires

independantes suivant la meme loi avec :

E (Xi ) = µ et Var (Xi ) = σ 2 , (i = 1, 2, .....)

Alors:
lorsque n → +∞, Sσn −nµ
√ , ou Sn = X1 + X2 + .... + Xn tend vers la
n
loi normale N(0, 1), c’est-a-dire:

Sn − nµ
lim ( √ ≤ x) = Φ(x)
n→∞ σ n

ou Φ est la fonction de repartition de N(0, 1).

Théorème de la limite centrale:

Exemple:
I On jette 15 fois une pièce de monnaie.
Trouver la probabilité d’obtenir un nombre de faces compris
entre 6 et 11.
I En notant par X la v.a. égale au nombre de faces obtenu au
cours des 15 jets, l’utilisation de la loi binomiale donne:

11
k 1 k 1 15−k
X
P(6 ≤ X ≤ 11) = C15 ( ) ( ) = 0, 8315 ' O, 83
2 2
k=6
Théorème de la limite centrale:

Exemple:
I On peut resoudre ce probleme en utilisant une approximation
de la loi binomiale par une loi normale.
I On sait que la loi binomiale est discrete alors que la loi
normale est continue ! Donc, si on suppose que la variable est
continue, il faut tenir compte du fait que (X = 3) devient
(2, 5 ≤ X < 3, 5) et, par suite, dans ce probleme, on doit
chercher P(5, 5 ≤ X < 11, 5).
I La v.a. X suit une loi binomiale; elle peut donc etre consideree
comme la somme de n = 15 v.a. suivant toutes une loi de
Bernoulli de meme parametre p. On a donc:
Théorème de la limite centrale:
Exemple:
X = X1 + X2 + .... + X15 , et en posant X = S15 , avec:

11 √
r
1 √ p √
nµ = np = 15. = 7, 5 et σ n = p(1 − p) n = 15 = 1, 94
2 22
(car E(Xi ) = p et V (Xi ) = p(1 − p)) , on obtient:

Sn −7,5
P(5, 5 ≤ X < 11, 5) = P( 5,5−7,5
1,94 ≤ 1,94 < 11,5−7,5
1,94 )

= Φ(2, 06) − Φ(−1, 03)

= Φ(2, 06) + Φ(1, 03) − 1

= 0, 9803 + 0, 8485 − 1 = 0, 8288 ' 0, 83.

Théorème de la limite centrale: Cas particuliers

a) Si X → B(n, p), alors:

X − np L
√ −−−−→ Z ou Z → N(0, 1)
npq n→+∞
b) Si X → P(λ), alors:

X −λ L
√ −−−−→ Z ou Z → N(0, 1)
λ n→+∞
Théorème de la limite centrale: Cas particuliers

Démonstrations:
I Le premier résultat (a) s’appelle ( théorème de De
Moivre-Laplace ).
I La preuve de (a) et de (b) résulte du théorème de la limite
centrale et de la propriété d’additivité des lois binomiale et de
Poisson (une somme des lois binomiales est une binomiale et,
de même, la somme des lois de Poisson est une loi de Poisson
dont les paramètres sont les sommes des paramètres des lois
que l’on somme).