Comment illustrer la… : En traçant l'histogramme de… — ECG2 approfondies | MetMat

Comment illustrer la convergence en probabilité ou en loi via des simulations répétées ?

En traçant l'histogramme de $(S_n-nm)/(\sigma\sqrt{n})$ sur $M$ répétitions et en le comparant à $\mathcal{N}(0,1)$

Visualiser la convergence en loi $(S_n-nm)/(\sigma\sqrt n)\xrightarrow{\mathcal{L}} \mathcal{N}(0,1)$ .

Maîtriser

Reconnaître

Résoudre

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

Illustrer le TLC sur des $X_i\sim\mathcal{B}(1, 0.5)$ : $m=0.5$ , $\sigma=0.5$ , avec $n=100$ , $M=10^4$ .

L'objectif

Visualiser la convergence en loi $(S_n-nm)/(\sigma\sqrt n)\xrightarrow{\mathcal{L}} \mathcal{N}(0,1)$ .

Le principe

Théorème limite central : si les $X_i$ sont i.i.d. avec $E(X)=m$ et $V(X)=\sigma^2>0$ , alors $Z_n = (S_n-nm)/(\sigma\sqrt n)\xrightarrow{\mathcal{L}} \mathcal{N}(0,1)$ ; sur $M$ répétitions indépendantes, l'histogramme normalisé de $Z_n$ approche la densité $\varphi(t) = \frac{1}{\sqrt{2\pi}}\mathrm{e}^{-t^2/2}$ pour $n$ grand.

La méthode

1
Je fixe $n$ (la taille de chaque somme), $M$ (le nombre de répétitions, typiquement $10^4$ ) et je note $m$ et $\sigma$ connus de la loi choisie.
2
Je simule en matrice Y = rd.xxx(size=(M, n)) puis je somme selon l'axe des colonnes : S = Y.sum(axis=1), obtenant $M$ réalisations indépendantes de $S_n$ .
3
Je standardise avec Z = (S - n*m) / (sigma * np.sqrt(n)) pour obtenir les valeurs centrées-réduites.
4
Je trace plt.hist(Z, bins=60, density=True) et je superpose la densité $\varphi$ : t = np.linspace(-4,4,500) puis plt.plot(t, np.exp(-t**2/2)/np.sqrt(2*np.pi), 'r') ; je commente la qualité de l'approximation selon $n$ .

Pour comprendre, fais des exercices !

Exercice d'exemple

Illustrer le TLC sur des $X_i\sim\mathcal{B}(1, 0.5)$ : $m=0.5$ , $\sigma=0.5$ , avec $n=100$ , $M=10^4$ .

Étape 1 —

Je fixe

n

(la taille de chaque somme),

M

(le nombre de répétitions, typiquement

10^4

) et je note

m

\sigma

connus de la loi choisie.

import numpy as np, numpy.random as rd, matplotlib.pyplot as plt
n, M, m, sig = 100, 10**4, 0.5, 0.5

Étape 2 —

Je simule en matrice Y = rd.xxx(size=(M, n)) puis je somme selon l'axe des colonnes : S = Y.sum(axis=1), obtenant

M

réalisations indépendantes de

S_n

Y = rd.binomial(1, 0.5, size=(M, n))
S = Y.sum(axis=1)

Étape 3 —

Je standardise avec Z = (S - n*m) / (sigma * np.sqrt(n)) pour obtenir les valeurs centrées-réduites.

Z = (S - n*m) / (sig * np.sqrt(n))

Étape 4 —

Je trace plt.hist(Z, bins=60, density=True) et je superpose la densité

\varphi

: t = np.linspace(-4,4,500) puis plt.plot(t, np.exp(-t**2/2)/np.sqrt(2*np.pi), 'r') ; je commente la qualité de l'approximation selon

n

plt.hist(Z, bins=60, density=True, alpha=0.6)
t = np.linspace(-4, 4, 500)
plt.plot(t, np.exp(-t**2/2)/np.sqrt(2*np.pi), 'r')
plt.show()

L'histogramme de $Z$ épouse la densité $\mathcal{N}(0,1)$ .

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.

Comment illustrer la convergence en probabilité ou en loi via des simulations répétées ?

En traçant l'histogramme de (Sn−nm)/(σn)(S_n-nm)/(\sigma\sqrt{n})(Sn​−nm)/(σn​) sur MMM répétitions et en le comparant à N(0,1)\mathcal{N}(0,1)N(0,1)

Pour comprendre, fais des exercices !

En traçant l'histogramme de $(S_n-nm)/(\sigma\sqrt{n})$ sur $M$ répétitions et en le comparant à $\mathcal{N}(0,1)$