Comment appliquer le théorème… : En standardisant P(a ≤ S_n ≤ b) =… — ECG2 approfondies | MetMat

Comment appliquer le théorème limite central pour approcher la loi d'une somme de variables i.i.d. ?

En standardisant $P(a \leq S_n \leq b) = P((a-nm)/(\sigma\sqrt n) \leq X_n^* \leq (b-nm)/(\sigma\sqrt n)) \approx \Phi(\cdot) - \Phi(\cdot)$

Approcher numériquement une probabilité du type $P(a \leq S_n \leq b)$ à l'aide du TLC et de la table de $\Phi$ .

Maîtriser

Reconnaître

Résoudre

Que ferais-tu face à un exercice de ce type ?

On lance $n = 1000$ fois une pièce équilibrée. Approcher $P(480 \leq S_{1000} \leq 520)$ où $S_{1000}$ est le nombre de piles obtenus.

L'objectif

Approcher numériquement une probabilité du type $P(a \leq S_n \leq b)$ à l'aide du TLC et de la table de $\Phi$ .

Le principe

En standardisant une somme $S_n$ de variables i.i.d. sous les hypothèses du TLC, $P(a \leq S_n \leq b) = P\big(\tfrac{a - nm}{\sigma\sqrt{n}} \leq X_n^* \leq \tfrac{b - nm}{\sigma\sqrt{n}}\big) \approx \Phi\big(\tfrac{b - nm}{\sigma\sqrt{n}}\big) - \Phi\big(\tfrac{a - nm}{\sigma\sqrt{n}}\big)$ pour $n$ grand.

La méthode

1
Je vérifie les hypothèses du TLC et j'identifie $m$ , $\sigma$ , $n$ , ainsi que les bornes $a$ et $b$ de l'événement $\{a \leq S_n \leq b\}$ .
2
Je standardise : $P(a \leq S_n \leq b) = P\big(\tfrac{a - nm}{\sigma\sqrt{n}} \leq X_n^* \leq \tfrac{b - nm}{\sigma\sqrt{n}}\big)$ avec $X_n^* = (S_n - nm)/(\sigma\sqrt{n})$ .
3
Par le TLC $X_n^* \approx \mathcal{N}(0,1)$ pour $n$ grand : $P(a \leq S_n \leq b) \approx \Phi\big(\tfrac{b - nm}{\sigma\sqrt{n}}\big) - \Phi\big(\tfrac{a - nm}{\sigma\sqrt{n}}\big)$ .
4
Je lis les valeurs de $\Phi$ dans la table (en utilisant $\Phi(-x) = 1 - \Phi(x)$ si besoin) pour obtenir l'approximation numérique.

Pour comprendre, fais des exercices !

Exercice d'exemple

On lance $n = 1000$ fois une pièce équilibrée. Approcher $P(480 \leq S_{1000} \leq 520)$ où $S_{1000}$ est le nombre de piles obtenus.

Étape 1 —

Je vérifie les hypothèses du TLC et j'identifie

m

\sigma

n

, ainsi que les bornes

a

b

de l'événement

\{a \leq S_n \leq b\}

$S_{1000} \sim \mathcal{B}(1000, 1/2)$ est somme de $n = 1000$ Bernoulli $(1/2)$ i.i.d. : $m = 1/2$ , $\sigma = 1/2$ ; les hypothèses du TLC sont satisfaites.

Étape 2 —

Je standardise :

P(a \leq S_n \leq b) = P\big(\tfrac{a - nm}{\sigma\sqrt{n}} \leq X_n^* \leq \tfrac{b - nm}{\sigma\sqrt{n}}\big)

avec

X_n^* = (S_n - nm)/(\sigma\sqrt{n})

$nm = 500$ , $\sigma\sqrt{n} = \sqrt{250} \approx 15{,}81$ ; je standardise : $P(480 \leq S_{1000} \leq 520) = P\big(\tfrac{480 - 500}{15{,}81} \leq X_n^* \leq \tfrac{520 - 500}{15{,}81}\big) \approx P(-1{,}265 \leq X_n^* \leq 1{,}265)$ .

Étape 3 —

Par le TLC

X_n^* \approx \mathcal{N}(0,1)

pour

n

grand :

P(a \leq S_n \leq b) \approx \Phi\big(\tfrac{b - nm}{\sigma\sqrt{n}}\big) - \Phi\big(\tfrac{a - nm}{\sigma\sqrt{n}}\big)

Par le TLC, $P(480 \leq S_{1000} \leq 520) \approx \Phi(1{,}265) - \Phi(-1{,}265) = 2\Phi(1{,}265) - 1$ .

Étape 4 —

Je lis les valeurs de

\Phi

dans la table (en utilisant

\Phi(-x) = 1 - \Phi(x)

si besoin) pour obtenir l'approximation numérique.

$\Phi(1{,}265) \approx 0{,}897$ , donc $P(480 \leq S_{1000} \leq 520) \approx 2 \times 0{,}897 - 1 = 0{,}794$ .

$P(480 \leq S_{1000} \leq 520) \approx 0{,}794$ .

Les applications suivantes et la correction guidée sont réservées aux membres Premium

La méthode et sa première application corrigée restent en accès libre. Le Premium débloque les applications suivantes, l'aide IA et le suivi de ta maîtrise.