Leçon 4 sur 5
Modes de convergence et loi des grands nombres
Je sais utiliser les inégalités de Markov et de Bienaymé-Tchebychev, distinguer les quatre modes de convergence d'une suite de variables aléatoires et appliquer les lois faible et forte des grands nombres.
- 1 h 30
- 6 exercices corrigés
- QCM de 7 questions
À la fin de la leçon, vous saurez :
- Énoncer et démontrer les inégalités de Markov et de Bienaymé-Tchebychev
- Définir les convergences presque sûre, en probabilité, en moyenne quadratique et en loi
- Connaître les implications entre ces modes et les illustrer par des contre-exemples
- Démontrer la loi faible des grands nombres et énoncer la loi forte
- Dimensionner un échantillon ou une simulation de Monte-Carlo
Avant de commencer : Leçons 1 à 3 (lois à densité, indépendance, covariance) ; suites et séries numériques (Analyse 1 et 2).
1Je découvre
Mariama veut connaître le montant moyen m d'un retrait à l'agence de Madina, pour planifier ses besoins en liquidités. Elle ne connaît pas la loi exacte des montants. Elle relève les montants X1, X2, …, Xn de n retraits successifs et calcule leur moyenne
Xn = X1 + … + Xnn.
Après 10 retraits, la moyenne vaut 540 000 GNF ; après 100, 507 000 GNF ; après 1 000, 499 800 GNF. Elle semble se stabiliser. Mais Xn est une variable aléatoire : un autre jour, avec d'autres clients, elle aurait trouvé d'autres valeurs.
Elle se pose deux questions. En quel sens précis la moyenne observée « tend »-elle vers m ? Et combien de retraits faut-il observer pour que l'erreur soit petite avec une grande probabilité ?
Que signifie qu'une suite de variables aléatoires converge, et pourquoi la moyenne d'un grand échantillon se rapproche-t-elle de l'espérance ?
La suite se lit avec votre compte Kharandi Université
La première leçon de chaque cours est libre. Kharandi Université est une inscription à part de l’école : avec votre compte étudiant, vous lisez toutes les leçons en entier, avec les exercices corrigés et les QCM, et les 7 premiers jours sont offerts.