Approximation de certaines lois usuelles

1. Comportement asymptotique de la loi binomiale

1.1. Tendance vers la loi de Poisson

Conditions d’utilisation Approximation de B(n,p) par P(λ)

X ~ B(n, p) B(n, p) ~ P(  np)
n  ; p  0; np   (constant)

Pratiquement, on utilise cette approximation pour

n  30; p  0. 1; np  15

Exemple. X ~ B(n=75 ; p=0.08)

*) Valeur exacte de la probabilité P[X=3]

4 0.08 4 (0.92) 71  0.13367
P[X  4]  C75
*) Valeur approchée de P[X=4]
Loi approximative : X ~ P(λ=np=6)
e6 64
P[X  4]   0.13385
4!

Comparaison des lois de probabilités B(75 ;0.8) et P(6)

x x 0.8 x (0.2) 75  x
P[X  x]  C75 e 6 6 x
P[X  x] 
x!
0 0.00192 0.00247
1 0.01254 0.01487
2 0.04036 0.04461
3 0.08540 0.08923
4 0.13367 0.13385
5 0.16505 0.16062
6 0.16744 0.16062
7 0.14352 0.13767
8 0.10608 0.10325
9 0.06867 0.06883
10 0.03941 0.04130

17
1.2. Tendance vers la loi normale

Conditions d’utilisation Approximation de B(n,p) par N(μ,σ)

X ~ B(n, p) B(n, p) ~ N(  np,  2  npq)
n   (n  30)
np  5 et n(1 - p)  5

Exemple. X ~ B(n=180 ; p=1/6)

*) Valeur exacte de la probabilité P[X≤20]

20 x
P[X  20]   C180 (1/ 6) x (5 / 6)180  x
x 0
 0.0244
*) Valeur approchée de P[X≤20]
Loi approximative : X ~ N(μ=np=30,σ2=np(1-p)=25 )
X  np 20  30
P[X  20 ]  P[  ]
np(1 - p) 5
 P[Z  -2]  (-2)  0.0227

*) Valeur approchée de P[X≤20] en utilisant une correction par continuité

P[X  20]  P[X  20.5]  P[Z  -1.9]  0.0287

2. Comportement asymptotique de la loi de Poisson

Conditions d’utilisation Approximation de P(λ) par N(μ,σ)

X ~ P(  )
P( ) ~ N(   ,  2   )
   (  15)

Exemple. X ~ P(λ=50)

*) Valeur exacte de la probabilité P[X=40]

e 50 50 40
P[X  40 ]   0.0215
40!
*) Valeur approchée de P[X=40] en utilisant une correction par continuité
X ~ N(μ=50,σ2=50 )
P[X  40]  P39.5  X  40.5
 39.5  50 40.5  50 
 P Z  
 5 2 5 2 
 (-1.3435)  (-1.4849)
P[X  40]  0.0207

18
Exercice d’application

Une société de location de voitures a trouvé par calcul que la probabilité qu’une de ses

voitures louées ait un accident dans une journée est égale à 0.004 (la probabilité qu’une voiture
louée ait plus d’un accident par jour est nulle). Les accidents sont supposés indépendants les uns
des autres. Chaque jour, n voitures de la société sont en circulation.

1. Soit Xi la variable aléatoire qui prend la valeur 1 si la i-ème voiture subit un accident dans une
journée et elle prend la valeur 0 sinon. Quelle est la loi de probabilité de la variable Xi .En déduire son
espérance et sa variance.

2. Soit Y la variable aléatoire représentant le nombre de voitures en location de la société ayant

un accident dans une journée.

a) Nous supposons dans cette question que n=1000. Déterminer la loi exacte de Y. Utiliser une loi
approximative de la variable Y pour calculer la probabilité qu’il y ait au moins un accident dans une
journée.
b) Maintenant nous supposons que n=10000. Donner une valeur approchée de la probabilité qu’il y ait
au moins un accident dans une journée.

19
 Convergences

1. Convergence en probabilités

1.1. Définition.

( X n ) nN est une suite de variables aléatoires définies sur un même espace probabilisé (S,F,P)
et X une variable aléatoire définie sur (S,F,P). On dit que X n converge en probabilités vers X et on
P   0, limP[ X n  X   ]  0
écrit ( X n  X ) si nous avons :
n

1.2. Loi faible des grands nombres.

Si ( X n ) nN est une suite de variables aléatoires indépendantes de même loi telles que E(Xn)=μ
P X  ...X n
et V(Xn)=σ2 alors X n   où, X n  1
n

1
Exemple. ( X n ) nN * est une suite de variables aléatoires indépendantes de loi binomiale B(n, ).
4
Xn 1
Utiliser l’inégalité de Tchebychev pour prouver que converge en probabilité vers .
n 4
2. Convergence en loi

2.1. Définition.

( X n ) nN est une suite de variables aléatoires (de fonction de répartition Fn ) définies sur un

même espace probabilisé (S,F,P) et X une variable aléatoire (de fonction de répartition F) définie sur
L lim Fn ( x)  F ( x)
(S,F,P). On dit que X n converge en loi vers X et on écrit : X n  X si pout toute
n 
valeur réelle x où F est continue
2.2. Théorème central limite.

Si ( X n ) nN est une suite de variables aléatoires indépendantes de même loi telles que :
n ( X n  ) L
E(Xn)=μ et V(Xn)=σ2 alors  N (0,1)


Exemple. ( X n ) nN * est une suite de variables aléatoires indépendantes de loi exponentielle de

1 64
paramètre ½. Utiliser une loi approximative pour la variable X   X i pour calculer la probabilité
64 i 1

PX  2.49.

20