Академический Документы
Профессиональный Документы
Культура Документы
I=211
C
i
300
_
2
3
_
i
_
1
3
_
300i
.
La calculatrice ne peut pas toujours effectuer un tel calcul.
3. On montre quune approximation de la loi binomiale par une loi normale se justie.
On a n 50 et p =
2
3
et np(1p) =66,66 >1. On peut donc faire une approximation
par la loi normale :
_
300
2
3
;
_
300
2
3
1
3
_
= (200, 8.16).
4. On calcule P(X > 210) laide de cette approximation. On utilise le changement de
variable T =
X200
8,16
. T suit la loi normale (0, 1).
P(X >210) =P(8,16T+200 >210) =P(T >1,22)
=1P(T 1,22) =10,8888 =0,1112.
2 Lois limites
a) Loi faible des grands nombres
Soit X
1
, X
2
, . . . , X
n
n variables alatoires indpendantes ayant mme esprance m
et mme cart-type et soit X
n
=
X
1
+X
2
++X
n
n
, alors :
>0, lim
n+
P
__
_
X
n
m
_
_
<
_
=1.
Proprit 3
Concrtement, ce thorme signie que plus n est grand plus la variable alatoire X
n
se
rapproche de lesprance mathmatique m.
Exemple. On lance un d. Si on obtient 6, cest gagn et on marque 1 point. Sinon, cest
perdu et on marque 0 point. Soit X
i
la variable alatoire correspondant au nombre de point
obtenur lors du i
e
lancer. On a donc :
P(X =0) =
5
6
, P(X =1) =
1
6
et E(X) =
1
6
.
On rpte n fois cette mme exprience, les n variables alatoires X
1
, X
2
, . . . , X
n
ont la mme
loi de probabilit. Pour connatre le nombre de succs, on tudie la variable alatoire X
n
:
Frquence des succs avec
X
n
=
Nombre de succs
Nombre dexpriences alatoires
=
X
1
+X
2
+ +X
n
n
.
Normalement, on devrait trouver X
n
=
1
6
.
Pour n =3, par exemple, il y a peu de chance pour que lon trouve X
3
=
1
6
.
Pour n =30, la probabilit de trouver X
30
=
1
6
augmente sans tre trs forte.
Pour n =1000, on se rapproche de cette valeur de
1
6
.
Le thorme dit que plus n est grand, plus X
n
se rapproche de la valeur thorique
1
6
.
2 ANNEXE : LEON 10 - CHANTILLONNAGE
b) Thorme de la limite centre
Soit X
1
, X
2
, . . . , X
n
n variables alatoires indpendantes ayant mme esprance m
et mme cart-type et soit X
n
=
X
1
+X
2
++X
n
n
alors pour n sufsamment grand, X
n
suit
approximativement la loi normale
_
m,
n
_
.
Proprit 4
Remarque. Dans la plupart des cas, on considre que n est sufsamment grand lorsque
n atteint quelques dizaines, par exemple lorsque n 3, mais cela dpend de la nature, de
la population et du contexte de ltude.
3 Application : lois dchantillonnage
En statistiques, il est en gnral impossible dtudier un caractre sur toute une popu-
lation de taille N leve. La thorie dchantillonnage se pose la question suivante : En
supposant connus les paramtres statistiques de la population, que peut-on en dduire sur
les chantillons prlevs dans la population?
On suppose que ces chantillons sont prlevs au hasard et que le tirage de ces chan-
tillons est effectu avec remise. Lensemble de ces chantillons de taille n est appel chan-
tillonnage de taille n. On peut tudier dans ces conditions :
1. la loi dchantillonnage des moyennes ;
2. la loi dchantillonnage des frquences.
a) Loi dchantillonnage des moyennes
tant donn une population de taille N et X une variable alatoire telle que (X) = m
et (X) =. Pour prlever les chantillons de taille n, on a procd n pruves indepn-
dantes de variables alatoires X
1
, X
2
, . . . , X
n
de mme loi que X.
La variable alatoire X
n
=
X
1
+X
2
++X
n
n
associe tout chantillon de taille n sa moyenne.
Daprs le thorme de la limite centre, pour n assez grand, on a :
La loi dchantillonnage de taille n de la moyenne X
n
, quand n 30, peut tre
approche par la loi normale
_
m,
n
_
.
Proprit 5
Exemple. Une machine fabrique des pices en grande srie. chaque pice tire au hasard,
on associe sa longueur exprime en millimtres ; on dnit ainsi une variable alatoire X.
On suppose que X suit la loi normale (28.20; 0.027).
Soit M
n
la variable alatoire qui tout chantillon de taille n associe la moyenne des
longueurs des n pices de lchantillon. La proprit nous dit alors que pour n assez grand :
M
n
_
28.20,
0.027
n
_
Supposons que les chantillons soient de taille 100, alors M
100
suit la loi (28.20, 0.0027).
b) Loi dchantillonnage des frquences
On tudie, dans une population de taille N, un caractre X suivant une loi de Bernouilli
Bern(p), cest--dire que les lments possdent une certaine proprit de frquence p.
Dans un chantillon de taille n, on rpte n fois la mme preuve de faon indpendante.
On obtient n variables alatoires X
1
, X
2
, . . . , X
n
de mme loi que X.
La variable alatoire f
n
=
X
1
+X
2
++X
n
n
associe tout chantillon de taille n la frquence
de succs sur cet chantillon.
2. Contenu de la leon 3
La loi dchantillonnage de taille n de la frquence f
n
pour n assez grand peut
tre approche par la loi normale
_
p;
_
p(1p)
n
_
.
Proprit 6
On convient de dire que n est assez grand lorsque n 50.
Remarque. Ce rsultat est un cas particulier du prcdent en lappliquant m = p et =
_
p(1p).
Exemple. Une urne contient 100 boules numrotes de 1 100, indiscernables au toucher.
Lors dun tirage alatoire dune boule, la probabilit dobtenir un nombre infrieur ou gal
37 est p =0,37. On appelle succs lvnement qui consiste tirer une des boules num-
rotes de 1 37.
Un chantillon de taille 50 est obtenu par un tirage alatoire, avec remise, de 50 boules.
On sintresse la frquence dapparition dun succs lors du tirage de ces 50 boules.
Soit f
50
la variable alatoire qui chaque chantillon de taille 50 associe sa frquence
de succs. X
i
est la variable alatoire qui chaque chantillon associe 1 si la i
e
boule ap-
porte un succs, 0 sinon. Les X
i
sont des variables alatoires indpendantes et suivent
la mme loi de Bernoulli de paramtre p = 0,37 desprance E(X
i
) = 0,37 et dcart-type
(X) =
_
p(1p) =0,48. On a :
f
50
=
X
1
+X
2
+ +X
50
50
qui a pour esprance mathmatique p =0,37 et pour cart-type
_
0,370,63
50
=0,068.
Exemple. Une lection a eu lieu et un candidat a eu 40%des voix. On prlve un chantillon
de 100 bulletins de vote. Quelle est la probabilit que, dans lchantillon, le candidat ait
entre 35% et 45% des voix ?
Ici, nous avons n =100 et p =0,4. La variable alatoire F correspondant la frquence
des votes pour le candidat dans lchantillon vrie donc :
F
_
0.4,
_
0.40.6
100
_
=
_
0.4;
0.24
10
_
.
On pose T =
10(F0.4)
0.24
ainsi T (0, 1). On obtient alors par centrage et rduction :
P(0,35 F 0,45) =P(1,02 T 1,02) =2(1,02) 1.
Et par lecture directe de la table de loi normale centre-rduite (1, 02) =0,8461. Do :
P(0,35 F 0,45) =0,6922.
Il y a donc environ 69% de chance que, dans un chantillon de taille n = 100, le candidat
ait entre 35% et 45% des voix.
Remarque. Dans lexemple prcdent, on constate que lon dispose des informations sur
la population (ici, lensemble des votes) parce que llction a dj eu lieu. On en dduit
des informations sur lchnatillon. Mais, dans la pratique, cest souvent le phnomne r-
ciproque que lon tudie.
4 ANNEXE : LEON 10 - CHANTILLONNAGE
Complments III
1 Dmonstration de la convergence vers la loi Poisson
On dcompose :
C
k
n
p
k
q
nk
=C
k
n
p
k
(1p)
nk
.
Or
C
k
n
p
k
(1p)
nk
=
n(n 1) (n k 1)
k!
p
k
(1p)
nk
=
(pn)
k
k!
_
1
1
n
__
1
2
n
_
_
1
k 1
n
_
(1p)
nk
.
On se place dans la situation o np reste constant et o n tend vers linni (par consquent
p tend vers 0).
Lorsque n tend vers linni, les termes
_
1
1
n
_
,
_
1
2
n
_
, . . . ,
_
1
k1
n
_
tendent vers
1. le produit des termes tend galement vers 1 puisquils sont en nombre ni.
On a
(1p)
nk
=(1p)
n
(1p)
k
.
Or lim
p0
(1p)
k
=1 ;
de plus, (1p)
n
=
_
1
np
n
_
.
On trouve donc
C
k
n
p
k
(1p)
nk
(np)
k
k!
e
np
.
Il sagit de loi de probabilit dune loi de Poisson de paramtre =np.
2 Une dmonstration du thorme de De Moivre-Laplace
Soit S
n
une variable alatoire de loi Bin(n, p) o 0 < p < 1. On note S
n
la variable nor-
malise de S
n
:
S
n
=
S
n
E(S
n
)
(S
n
)
=
S
n
np
npq
.
De Moivre-Laplace
Soit S
n
une variable alatoire de loi Bin(n, p) et S
n
dnie plus en haut. Pour tous
rels c <d xs :
lim
n+
P(c S
n
d) =(d) (c) =
_
d
c
1
2exp
_
t
2
2
_ dt ,
o est la fonction de rpartition de la loi (0, 1).
Thorme 1
Comme dans le cas de lapproximationpar une loi de Poisson, ce theorme permet lap-
proximation de P(a <S
n
b) pour les grandes valeurs de n. Pour cela, il suft de remarquer
que la fonction x (x np)/
npq
<
S
n
() np
npq
=S
n
()
b np
npq
.
On en dduit que pour tout n 1
P(a <S
n
b) =P
_
a np
npq
<S
n
<
b np
npq
_
.
3. Complments 5
Lorsque n est grand , le thorme de De Moivre-Laplace nous dit que le second membre
peut tre approch par :
P
_
a np
npq
<S
n
<
b np
npq
_
_
b np
npq
_
_
a np
npq
_
.
Soit X
n
une suite de variables binomiales n et p. La fonction caractristique de X
n
est :
X
n
(t ) =(pe +q)
n
,
celle de Z
n
=
X
n
np
npq
est :
Z
n
(t ) =
_
pe
(it )/
npq
+q
_
n
e
(it np)/
npq
.
On calcule le logarithme de cette fonction :
ln
Z
n
=n ln
_
(pe
(it )/
npq
+q)
_
it np
npq
=n ln
_
(p(e
(it )/
npq
1) +1)
_
it np
npq
.
On dveloppe lexponentielle au second ordre, il vient
ln
Z
n
n
_
pit
npq
pt
2
2npq
+
p
2
t
2
2npq
_
it np
npq
=
t
2
2q
+
pt
2
2q
=
t
2
2q
(p 1) =
t
2
2
.
On a dmontr que :
ln
Z
n
t
2
2
et on en dduit que
Z
N
e
t
2
/2
.
Cest la fonction caractristique de la loi normale centre rduite (0, 1).
Une autre dmonstration plus facile et plus instructive peut tre lu dans [4, Section
7.4].
6 ANNEXE : LEON 10 - CHANTILLONNAGE
Bibliographie
[1] N. DAVAL, chantillonnage, BTS Domotique. URL : http://mathematiques.daval.free.fr
[2] Contributeurs de Wikipdia, Loi binomiale, Wikipdia.
[3] G. COSTANTINI, chantillonnage - Estimation, BTS 2me anne. URL : http ://baca-
maths.net.
[4] C. SUQUET, Introduction au Calcul des Probabilits, L2 2007-2008.
[5] Contributeurs de Wikipdia, Thorme de Moivre-Laplace, Wikipdia.
7