PB10 TLC

Soit (Ω, A, P ) un espace probabilisé.

Soit (X ) une suite de variables aléatoires dénies sur cet espace.
n n∈N

Soit X une variable aléatoire sur cet espace

On note F et F les fonctions de répartition
Xn X

1 Convergence en loi
Dénition 1. On dit que (X ) converge en loi vers X lorsque :
n

Pour tout réel x où F est continue :

X

lim FXn (x) = FX (x)

n→+∞

On note :
L
Xn −
→X

Exemple 1.
 X ↬ G( n1 ) et Y = Xn
n n
n

Montrer que la suite (Y ) converge en loi vers Y ↬ E(1)

n

 X ↬ P( n1 )
n

Montrer que la suite (X ) converge en loi vers la variable certaine 0

n

Proposition 1. Si pour tout n > λ, Xn ↬ B(n,

λ
n
), alors :
L
Xn −
→ X avec X ↬ P(λ)

Proposition 2. Si X n
L
−
→X et si f est une fonction continue sur R, alors :
L
f (Xn ) −
→ f (X)

2 Théorème Limite Central

Théorème 3. Si lesXvariables X sont indépendantes et de même loi d'espérance m et de variance σ ,
n
2

Si on note X la variable aléatoire centrée réduite associée à X , alors :

n
1 √ X −m ∗ n
n = X et X = ni n n
n i=1
σ

L
Xn ∗ −
→ X avec X↬N (0, 1)

En particulier pour −∞ ≤ a ≤ b ≤ +∞ :
Z b  2
1 t
lim P a ≤ X n ∗ ≤ b =
 

√ exp − dt
n→+∞ a 2π 2

Exemple 2. On suppose les X indépendantes, de même espérance m et de de même varaince σ

n
2

On pose S = X . Montrer que lim P (S ≤ E(S )) = 21

X n

n i n n
n→+∞
i=1

1
PB10 TLC 2
Proposition 4.
 Approximation d'une loi binomiale par une normale :
Soit X ↬ B(n, p) (on a alors : m = E[X] = np et σ = V [X] = np(1 − p)) 2

sous certaines conditions, on peut approcher la loi de B(n, p) par une loi N (np, np(1 − p))
 Approximation d'une loi de Poisson par une normale :
Soit X ↬ P(λ),(on a alors : m = E[X] = λ et σ = V [X] = λ) 2

sous certaines conditions, on peut approcher la loi de P(λ) par une loi N (λ, λ)
3 Intervalle de conance
Soit (U ) et (V ) deux suites d'estimateurs ponctuels d'un paramètre θ
n n

On suppose que U ≤ V p.s. n n

Dénition 2. On dit que [U , V ] est un intervalle de conance de θ au niveau de conance 1 − α (α ∈ [0, 1])
n n

lorsque :
P (Un ≤ θ ≤ Vn ) ≥ 1 − α

Exemple 3. Soit X ↬ B(p) avec p ∈]0, 1[

Soit (X , . . . , X ) un échantillon de la loi de X
1 n

On note X = n1 X X
n
n i

Soit α ∈]0, 1] i=1

1. Calculer l'espérance et la variance de X n

2. Montrer que " p p #!

p(1 − p p(1 − p
P p ∈ Xn − √ , Xn + √ ≥1−α
nα nα
3. Majorer p(1 − p) pour 0 < p < 1 et en déduire un intervalle de conance de p au niveau de conance 1 − α
Dénition 3. On dit que [U , V ] est un intervalle de conance asymptotique de θ au niveau de conance
n n

1 − α (α ∈ [0, 1]) lorsque :

lim P (Un ≤ θ ≤ Vn ) ≥ 1 − α
n→+∞

Exemple 4. Reprendre l'exemple précédent et déterminer un intervalle de conance asymptotique de p à la

conance 1 − α
Rappel sur les estimateurs ponctuels
Données :
 X une var de loi dépendant d'un paramètre inconnu θ
 n∈N ∗

 (X ) un échantillon de loi de X (i.e. var indépendantes et de même loi que X )

 f : R −→ R une fonction (indépendante de θ)
k k∈J1, nK
n

Dénitions :
n

 U = f (X , . . . , X ) est un estimateur de θ
 U est un estimateur sans biais lorsque E(U ) = θ
n n 1 n

n n

On peut maintenant construire une suite d'estimateurs (U ) n n∈N∗

 On dit que U est un estimateur convergent lorsque U −→ θ P

 Si lim E(U ) = θ et lim V (U ) = 0 Alors U est un estimateur convergent.

n n

n n n
n→+∞ n→+∞

23-24 ECG2 LGT Baimbridge