Loi grands nombres, comportement asymptotique
Bonjour
Dans l'exemple suivant je n'arrive pas à comprendre pourquoi $\sum\limits_{i=1}^n X_ i - 1000 \approx \frac{2 \sqrt{2}}{\sqrt{3}}1000\cdot Z $ avec $Z\sim N(0,1)$.
Moi je pense qu'on doit avoir plutôt $\sum\limits_{i=1}^n X_ i - 1000 \approx 1000\sqrt{3}\cdot Z$ avec $Z\sim N(0,\sigma^2)$ avec $\sigma^2 = Var(X) = \frac{8}{9}$.
J'ai utilisé le théorème qui dit que Si $X$ est une variable aléatoire avec variance finie $\sigma^2$, et $X_1$,...,$X_n$,... sont indépendantes de même loi que $X$, alors on a la convergence suivante :
$\sqrt{n}\big(\frac{X_1+\cdots +X_n }{n}-E[X]\big) $ tends vers $N(0,\sigma^2)$ quand $n$ tends vers $\infty$.
Et puis juste une petite parenthèse, On veut dire quoi par $\Sigma ^{\frac{1}{2}} Z$ avec $\Sigma$ une matrice de covariance de dimension $n$ et Z un vecteur Gaussien Aléatoire de dim $n$ ?
Merci d'avance.
Dans l'exemple suivant je n'arrive pas à comprendre pourquoi $\sum\limits_{i=1}^n X_ i - 1000 \approx \frac{2 \sqrt{2}}{\sqrt{3}}1000\cdot Z $ avec $Z\sim N(0,1)$.
Moi je pense qu'on doit avoir plutôt $\sum\limits_{i=1}^n X_ i - 1000 \approx 1000\sqrt{3}\cdot Z$ avec $Z\sim N(0,\sigma^2)$ avec $\sigma^2 = Var(X) = \frac{8}{9}$.
J'ai utilisé le théorème qui dit que Si $X$ est une variable aléatoire avec variance finie $\sigma^2$, et $X_1$,...,$X_n$,... sont indépendantes de même loi que $X$, alors on a la convergence suivante :
$\sqrt{n}\big(\frac{X_1+\cdots +X_n }{n}-E[X]\big) $ tends vers $N(0,\sigma^2)$ quand $n$ tends vers $\infty$.
Et puis juste une petite parenthèse, On veut dire quoi par $\Sigma ^{\frac{1}{2}} Z$ avec $\Sigma$ une matrice de covariance de dimension $n$ et Z un vecteur Gaussien Aléatoire de dim $n$ ?
Merci d'avance.
Réponses
-
La variance $\sigma^2$ de $S_n=\sum_{i=1}^nX_i$ est $npq$ avec $n=3\times 10^6$ et $q=1-p=1/3.$ Donc l'ecart type est
$$\sigma=\frac{\sqrt{2}}{\sqrt{3}}\times 1000.$$ Donc $S_n-10^6\sim \sigma Z$ ave $Z\sim N(0,1).$ -
Mais la règle de $Var(\Sigma X_i) = np(1-p) $ marche que pour les $X_i \sim B(n,p)$, Non??
Et puis c'est possible de me dire le théorème que vous avez utilisé pour conclure que $\Sigma X_i -10^6 \sim \sigma N(0,1)$?
Merci -
P. a utilisé le théorème central limite.
-
Misère, tu as raison, la variance est en effet $8n/9$ et non $2n/9.$ Donc le corrigé a raison, $\sigma=\frac{2\sqrt{2}}{\sqrt{3}}\times 1000.$ Le théorème central limite dit alors que la limite de la loi de $$ \Big(S_n-\frac{n}{3}\Big)\frac{\sqrt{3}}{2\sqrt{2n}}$$ est celle de $Z\sim N(0,1) .$
-
Merci beaucoup à vous tous, c'est clair maintenant.
Par contre est-ce que quelqu'un peut me répondre à ma deuxième question concernant le symbole $\Sigma ^{\frac{1}{2}}Z$ avec $\Sigma$ une matrice de covariance de dimension $n$ et $ Z $ un vecteur gaussien aléatoire de $\dim n$ ? -
Si $\Sigma=UDU^T$ est une matrice definie positive avec $U$ orthogonale et $D=\mathrm{diag}(d_1,\ldots,d_n)$ alors en notant $D^{1/2}=\mathrm{diag}(d_1^{1/2},\ldots,d^{1/2}_n)$ on definit
$$\Sigma^{1/2}=UD^{1/2}U^T.$$ -
Merci beaucoup P.
Connectez-vous ou Inscrivez-vous pour répondre.
Bonjour!
Catégories
- 163.1K Toutes les catégories
- 9 Collège/Lycée
- 21.9K Algèbre
- 37.1K Analyse
- 6.2K Arithmétique
- 53 Catégories et structures
- 1K Combinatoire et Graphes
- 11 Sciences des données
- 5K Concours et Examens
- 11 CultureMath
- 47 Enseignement à distance
- 2.9K Fondements et Logique
- 10.3K Géométrie
- 62 Géométrie différentielle
- 1.1K Histoire des Mathématiques
- 68 Informatique théorique
- 3.8K LaTeX
- 39K Les-mathématiques
- 3.5K Livres, articles, revues, (...)
- 2.7K Logiciels pour les mathématiques
- 24 Mathématiques et finance
- 312 Mathématiques et Physique
- 4.9K Mathématiques et Société
- 3.3K Pédagogie, enseignement, orientation
- 10K Probabilités, théorie de la mesure
- 773 Shtam
- 4.2K Statistiques
- 3.7K Topologie
- 1.4K Vie du Forum et de ses membres