Master de Mathématiques 2011/2012 Memento A Loi forte des grands nombres Théorème 1 Soit (Xn )n≥1 une suite de variables aléatoires intégrables à valeurs dans Rn , définies sur un espace probabilisé (Ω, F, P ). On suppose que ces variables ont même loi et sont deux à deux indépendantes. Alors la suite n1 (X1 + ... + Xn ) converge vers EX1 presque sûrement et dans L1 . B Théorème limite central Définition 2 (Convergence en loi) a) Soient (µn )n≥1 et µ des mesures finies sur Rn . On dit que la suite (µn )n≥1 R convergeRen loi n vers µ si pour toute application continue et bornée f de R dans R on a lim f dµn = f dµ. n→∞ b) Soient (Xn )n≥1 et X des variables aléatoires à valeurs dans Rn (éventuellement définies sur des espaces probabilisés différents, bien que dans la suite toutes les probabilités soient notées par la même lettre P ). On dit que la suite (Xn )n≥1 converge en loi vers X (resp. une probabilité µ sur Rn ) si la suite (PXn )n≥1 converge en loi vers PX (resp. µ ). L L L Cette convergence sera notée µn → µ ou Xn → X ou Xn → µ. Lemme 3 (Lemme de Helly-Bray) Soient (Xn )n≥1 et X des variables aléatoires réelles définies sur un espace probabilisé (Ω, F, P ). On note Fn (resp. F ) la fonction de répartition de Xn (resp. X ). Les trois conditions suivantes sont équivalentes : a) la suite (Xn )n≥1 converge en loi vers X b) en tout point t où F est continue on a lim Fn (t) = F (t) n→∞ c) il existe un ensemble D dénombrable et dense dans R tel qu’en tout point t de D on ait lim Fn (t) = F (t). n→∞ 1 Théorème 4 (Théorème limite central) Soit (Xn )n≥1 une suite indépendante de variables de même loi, de carré intégrable. Posons P Sn m = EX1 , σ 2 = V X1 et pour n ≥ 1 Sn = ni=1 Xi et X n = . On suppose que σ > 0. n √ n(X n − m) Sn − n.m √ = converge en loi vers la loi N (0, 1). La suite σ σ n Corollaire 5 Pour −∞ ≤ a ≤ b ≤ +∞ Sn − nm 1 √ lim P (a ≤ ≤ b) = √ n→∞ σ n 2π Z a b x2 exp(− )dx. 2 Conséquence 6 L’approximation normale consiste à identifier dès que n ≥ 30 les deux probabilités P (a ≤ Rb Sn −nm x2 √ √1 ≤ b) et exp(− a 2 )dx. Autrement dit on assimile la loi de la variable Sn à celle σ n 2π d’une loi normale de même espérance et de même variance, i.e. à une loi N (nm, σ 2 n). C Statistique d’ordre Hypothèse 7 X1 ,...,Xn est une suite indépendante de variables aléatoires, définies sur un espace probabilisé (Ω, F, P ), suivant une même loi continue Q. On suppose que pour i 6= j ∈ [1..n] on a P (Xi = Xj ) = ∅. Définition 8 1) On appelle statistique d’ordre de la suite X = (X1 , ..., Xn ) la suite U = (U1 , ..., Un ) obtenue en réordonnant de façon croissante la suite X. 2) On appelle statistique de rang de la suite X l’unique application R de Ω dans Sn , ensemble de permutations de [1..n], vérifiant ∀ω ∈ Ω ∀ i ∈ [1..n] Xi (ω) = UR(i) (ω). Proposition 9 1. La variable U a pour loi n!1D Q⊗n , où D = {x1 , ..., xn ) ∈ Rn : x1 < x2 < ... < xn }. 2. La variable R a pour loi l’équipartition sur Sn . De façon équivalente si l’on définit une variable aléatoire R0 par R0 = (R(1), ..., R(n)), les variables R(1), ..., R(n) sont indépendantes et ont pour loi l’équipartition sur [1..n]. 3. Les variables U et R sont indépendantes. 2 D Loi normale Lemme 10 Si X1 , ..., Xn est une suite indépendante de variables aléatoires réelles ayant pour loi la loi normale N (0, 1), le vecteur aléatoire X = (X1 , ..., Xn ) admet pour densité l’ application n Y n 1 1 1 R 3 x −→ g0,In (x) = (2π) 2 exp{− x2i } = (2π)− 2 exp{− kxk2 }. 2 2 i=1 n La loi correspondante se nomme loi normale de paramètres 0 et In , où In désigne la matrice unité d’ordre n, et se note N (0, In ). Proposition 11 Soit Xun vecteur aléatoire suivant une loi N (0, In ), m ∈ Mn,1 (R) et Γ ∈ Mn (R) une matrice symétrique définie positive. Soit A l’unique matrice symétrique définie positive telle que A2 = Γ. Le vecteur aléatoire Y = AX + m admet pour densité l’application n 1 1 gm,Γ (x) = (2π)− 2 (det Γ)− 2 exp{− (x − m)0 Γ−1 (x − m)}. 2 La loi correspondante se nomme loi normale de paramètres m et Γ, et se note N (m, Γ). Propriété 12 Soit X un vecteur aléatoire suivant une loi N (m, Γ), M une matrice inversible de Mn (R) et ν un élément de Mn,1 (R). 1) E(X) = m et Γ(X) = Γ. 2) Le vecteur Y = M X + ν a pour loi N (ν + M m, M ΓM 0 ). 3 ) Si X un vecteur aléatoire suivant de N (0, In ) et P une matrice orthogonale, le vecteur aléatoire P X a pour loi N (0, In ). E Loi gamma Définition 13 La fonction gamma est définie pour tout réel x > 0 par Z +∞ Γ(x) = tx−1 e−t dt. 0 Pour tout réel x > 0 Γ(x + 1) = xΓ(x), donc pour tout entier n ≥ 1 Γ(n) = (n − 1)!. 3 Définition 14 Pour tout couple (a, b) ∈]0, +∞[2 l’application x → Γ(a)−1 ba e−bx xa−1 1]0,+∞[ (x) est la densité par rapport à m1 d’une loi de probabilité qu’on notera γ(a, b). Propriété 15 1. Si X et Y sont des variables aléatoires indépendantes, X (resp. Y ) suivant une loi γ(a1 , b) (resp. γ(a2 , b)), la variable X + Y suit une loi γ(a1 + a2 , b). 2. La loi exponentielle Eλ de paramètre λ, de densité λe−λx 1]0,+∞[ (x), est une loi γ(1, λ) n P 3. Si (X1 , ..., Xn ) est un échantillon de taille n de la loi Eλ , la somme Xi suit une loi i=1 γ(n, λ), appelée loi d’Erlang de paramètre(n, λ). F Lois gaussiennes Définition 16 (Loi du khi-deux) La loi du khi-deux à n degrés de liberté, notée χ2n , est la loi d’une somme X12 + ... + Xn2 , où la suite X1 , ..., Xn est un échantillon de taille n de la loi la loi normale N (0, 1). On a χ2n = γ( n2 , 12 ). Définition 17 (Loi de Student) Une loi de Student tn est la loi d’un quotient √U , où U et V sont des variables aléatoires V /n réelles indépendantes, U suivant une loi normale N (0, 1) et V une loi du χ2 à n degrés de liberté. Remarque 18 Si (Xn )n∈N est une suite indépendante de variables ayant toutes pour loi N (0, 1), la p variable Yn = X0 / (X12 + ... + Xn2 )/n a pour loi tn . Quand n tend vers l’infini, (X12 + ... + Xn2 )/n tend presque sûrement vers EX12 = 1 d’après la loi forte des grands nombres. Par conséquent Yn tend presque sûrement vers X0 . Il en résulte que lorsque n tend vers l’infini la suite tn tend en loi vers la loi normale N (0, 1). Par ailleurs t1 = C1 . Définition 19 (Loi de Fisher-Snedecor) La loi de Fischer-Snedecor Fn,m est la loi d’un quotient VU/n /m , où U et V sont des variables aléatoires réelles indépendantes, U suivant une loi du χ2 à n degrés de liberté et V une loi du χ2 à m degrés de liberté. 4 Théorème 20 Si X1 ,...,Xn sont des variables aléatoires réelles indépendantes ayant toutes pour loi la loi normale N (0, 1), les variables n n X X 1 2 2 X n = (X1 + ... + Xn ) et U = Xi2 − nX n . (Xi − X n ) = n i=1 i=1 sont indépendantes, et U a pour loi χ2n−1 . G Le théorème de Skorokhod Théorème 21 Soit (µn )n≥1 et µ des probabilités sur R. Si la suite (µn )n≥1 converge en loi vers µ, il existe un espace probabilisé (Ω, F, P ), des variables aléatoires réelles (Xn )n≥1 et X définies sur cet espace vérifiant : i) pour tout n ≥ 1 PXn = µn et PX = µ ii) ∀ω ∈ Ω lim Xn (ω) = X(ω). n→∞ H Le lemme de Slutsky Proposition 22 Soit (Xn )n≥1 et (Yn )n≥1 des suite de variables aléatoires définies sur un espace probabilisé (Ω, F, P ) et à valeurs dans Rp , et (Zn )n≥1 une suite de variables aléatoires définies sur Ω et à L P P L valeurs dans R. Si Xn → X, Yn → b ∈ Rp et Zn → a ∈ R, alors Zn Xn + Yn → aX + b. I Le théorème de Radon-Nicodým Théorème 23 Soient µ et λ des mesures sur (E, E) telles que µ soit σ-finie et λ absolument continue par rapport à µ. 1) Il existe une application mesurable h valeurs dans [0, +∞] telle que λ = hµ.Toute autre application h0 telle que λ = h0 µ est égale à h presque partout pour µ. 2) On peut supposer h à valeurs dans [0, +∞[ si et seulement si la mesure λ est σ-finie. 3) L’application h appartient à L1 (µ) si et seulement si la mesure λ est finie. 5