Démonstrations probabilistes de la Formule de Stirling Énoncé

Démonstrations probabilistes de la Formule de Stirling

Ce problème propose deux démonstrations probabilistes de la formule de Stirling

 n n √
n! ∼ 2nπ
e

Partie I: Première preuve

Soit (Xn )n∈N une suite de variables aléatoires indépendantes suivant la loi exponentielle de paramètre 1. Pour n ∈ N,
n
X Sn − n
on pose Sn = Xk et pour tout n > 1 on pose Sn∗ = √ .
n
k=0
∗
On admet que Sn converge en loi vers la loi N (0, 1)
1. Énoncer le théorème central limite
2. (a) Montrer, par récurrence sur n, que Sn est de loi Γ(n + 1, 1).
(b) En déduire que la densité de Sn∗ s’écrit gn (x) = an hn (x), avec
1 √
nn+ 2 e−n 2π
an =
n!
et  n
1 −√nx x
hn (x) = √ e 1+ √ χ]−√n,+∞[
2π n
3. Montrer que Z 1 Z 1
1 x2
lim gn (x) dx = √ e− 2 dx
n→+∞ 0 2π 0

4. En utilisant le théorème de la convergence dominée, montrer que

Z 1 Z 1
1 x2
lim hn (x) dx = √ e− 2 dx
n→+∞ 0 2π 0

5. En déduire la formule de Stirling : √

n! ∼ nn e−n 2πn

Partie II: Deuxième preuve

Soit (Xn )n∈N∗ une suite de variables aléatoires indépendantes suivant la loi de poisson de paramètre 1. On pose
n
X Sn − n
Sn = Xk et Sn∗ = √
n
k=1

6. Soit X une variable aléatoire réelle qui suit une loi de Poisson de paramètre λ > 0
(a) Caractériser la loi de X
(b) Donner l’espérance, la variance et la fonction génératrice de X
7. Soit X et Y deux variables aléatoires indépendantes suivant les lois de poisson de paramètres respectifs λ et µ.
Quelle est la loi de X + Y
8. Montrer que Sn est de loi P(n).
9. Montrer que Sn∗ converge en loi vers S suivant la loi N (0, 1). En déduire que
Z +∞
∗ 1 x2
∀t ∈ R, P (Sn > t) −−−−−→ √ e− 2 dx = P (S > t)
n→+∞ 2π t

10. Soit t ∈ R∗+

elamdaoui@[Link] 1 [Link]
Démonstrations probabilistes de la Formule de Stirling Énoncé

E Sn∗2


(a) Montrer que P (Sn∗
> t) 6
t2
(b) En utilisant le théorème de la convergence dominée, montrer que
Z +∞ Z +∞
P (Sn∗ > t) dt −−−−−→ P (S > t) dt
0 n→+∞ 0

Z +∞ Z +∞  Z +∞ Z x 
x2 x2
11. On admet que e− 2 dx dt = e− 2 dt dx. Montrer que
0 t 0 0
Z +∞
1
P (S > t) dt = √
0 2π

12. Soit n ∈ N∗ . En appliquant le TCVD à la série du terme général P (Sn = k) χi0, k−n
√
h , montrer que
n

+∞
1 nn+1
Z
P (Sn∗ > t) dt = √
0 nen n!

13. En déduire la formule de Stirling

elamdaoui@[Link] 2 [Link]
Démonstrations probabilistes de la Formule de Stirling Correction

Partie I: Première preuve

1. Soit (Xn )n∈N une suite de variables aléatoires réelles définies sur un espace probabilisé (Ω, T, P ) indépendantes,
de même loi, possédant une espérance m = E(X) et une variance σ 2 = V(X) > 0. On pose
n
X n
X
Xi Xi − nm
i=1 Xn − m i=1
Xn = et Zn = √ = √ .
n σ/ n σ n

Alors (Zn )n>1 converge en loi vers une variable aléatoire réelle de loi N (0, 1).
2. (a) Par récurrence sur n ∈ N∗
• Pour n = 0, S0 = X0 est de loi E(1) = Γ(1, 1)
• Soit n ∈ N. Supposons que Sn est de loi Γ(n + 1, 1), c’est-à-dire de densité
 n
 x −x
e si x > 0
sn : x ∈ R 7−→ n!
0 sinon

Sn et Xn+1 sont indépendantes, donc Sn+1 = Sn + Xn+1 est une variable aléatoire à densité de densité
est définie par Z +∞
sn+1 : x ∈ R 7−→ sn (t)s(x − t) dt
−∞
(
e−x si x > 0
Avec s : x ∈ R 7−→ la densité de Xn+1 .
0 sinon
Les variables Sn et Xn+1 sont positives et indépendantes, donc pour tout x 6 0 on a sn+1 (x) = 0, et
pour tout x > 0
Z x
sn+1 (x) = sn (t)s(x − t) dt
Z0 x n
t −t −x+t
= e e dt
0 n!
xn+1 −x
= e
(n + 1)!

Récurrence achevée.
(b) Soit x ∈ R, on a:

√

 
Sn − n
P √ 6x = P Sn 6 n + x n
n
√
Z n+x n
= sn (t) dt
−∞
√
sur R− , donc l’intégrale précédente est nulle si x 6 − n.
sn est nulle √
Pour x > − n, on obtient par la relation de Chasles et la nullité de sn sur R− , puis par le changement de
√ t−n
variable t = n + u n: u = √
n
√
  n+x n n
Sn − n
Z
t −t
P √ 6x = e dt
n 0 n!
Z x √ n
(n + u n) −(n+u√n) √
= √
e n du
− n n!
1 n
nn+ 2 e−n x
Z  √
u
= √
1 + √ e−u n du
n! − n n
n+ 21 −n Z x
 n √
n e u
= 1+ √ e−u n χ]−√n,+∞[ (u) du
n! −∞ n

elamdaoui@[Link] 3 [Link]
Démonstrations probabilistes de la Formule de Stirling Correction

Sn − n
Ainsi la densité de √ est la fonction
n
1 n
nn+ 2 e−n
 √
x
gn : x 7−→ 1+ √ e−x n χ]−√n,+∞[ (x)
n! n

qui s’écrit gn (x) = an hn (x), avec √

1
nn+ 2 e−n 2π
an =
n!
et  n
1 √ x
hn : x 7−→ √ e− nx 1 + √ χ]−√n,+∞[ (x)
2π n

Sn − n
3. Par hypothèse √ converge en loi une variable de loi N (0, 1), donc
n
Z 1   Z 1
Sn − n 1 x2
gn (x) dx = P 0 6 √ 6 1 −−−−−→ √ e− 2 dx
0 n n→+∞ 2π 0

4. • (hn ) est une suite de fonctions continues sur [0, 1]

• Pour tout x ∈ [0, 1]
√
 n
1 x
hn (x) = √ e− nx 1 + √
2π n
1 −√nx+n ln 1+ √xn
 
= √ e
2π
1 −√nx+n √xn − x2n2 +◦( n1 )
 
= √ e
2π
1 − x2 +◦(1)
= √ e 2
2π
1 x2
(hn ) converge simplement vers x 7−→ √ e− 2 qui est continue sur [0, 1]
2π
x √x
• Pour tout x ∈ [0, 1] et n ∈ N∗ , par l’inégalité de convexité de l’exponentielle: 1 + √ 6 e n
n
√
  n
1 x 1
|hn (x)| = √ e− nx 1 + √ 6√
2π n 2π
1
Et t 7−→ √ est continue positive et intégrable sur le segment [0, 1]
2π
D’après le théorème de convergence dominée
Z 1 Z 1
1 x2
lim hn (x) dx = √ e− 2 dx
n→+∞ 0 2π 0

5. D’après les questions 3 et 4, an −−−−−→ 1, et alors

n→+∞
√
n! ∼ nn e−n 2πn

Partie II: Deuxième preuve

Soit (Xn )n∈N∗ une suite de variables aléatoires indépendantes suivant la loi de poisson de paramètre 1. On pose
n
X Sn − n
Sn = Xk et Sn∗ = √
n
k=1

6. Soit X une variable aléatoire réelle qui suit une loi de Poisson de paramètre λ > 0
λn −λ
(a) X (Ω) = N et ∀n ∈ N, P (X = n) = e
n!

elamdaoui@[Link] 4 [Link]
Démonstrations probabilistes de la Formule de Stirling Correction

(b) E (X) = V (X) = λ et sa fonction génératrice est donnée par: : ∀t ∈ [−1, 1]

+∞ +∞

X X λn
GX (t) = E tX = tn P(X = n) = tn e−λ = eλ(t−1)
n=0 n=0
n!

7. Par indépendance,

GX+Y (t) = E tX+Y = E tX .tY = E tX .E tY GX (t)GY (t) = e(λ+µ)(t−1)

(n) n
GX+Y (0) (λ + µ) −(λ+µ)
Pour tout n ∈ N, on a P (X + Y = n) = = e . Autrement-dit X + Y ,→ P (λ + µ)
n! n!
8. Par récurrence sur n ∈ N∗
• Pour n = 1, Sn = X1 suit la loi P(1)
• Soit n ∈ N∗ . Supposons que Sn suit la loi P(n). Comme Sn et Xn+1 sont indépendantes, donc Sn+1 =
Sn + Xn+1 est une variable aléatoire suivant la loi P(n + 1)
Récurrence achevée.
9. La suite (Xn )n∈N∗ de variables aléatoires indépendantes suivant la loi de poisson de paramètre 1, cette dernière
admet une espérance et une variance qui valent 1.
Sn
−1
D’après le théorème de la limite centrée n √ converge en loi vers S suivant la loi N (0, 1). Soit Sn∗ =
1/ n
Sn − n L
√ −→ N (0, 1). En déduire que pour tout t ∈ R
n
Z +∞
∗ 1 x2
P (Sn > t) = 1 − FSn∗ (t) −−−−−→ 1 − FS (t) = √ e− 2 dx = P (S > t)
n→+∞ 2π t

10. Soit t ∈ R∗+

(a) Comme [Sn∗ > t] ⊂ Sn∗2 > t2 ⊂ Sn∗2 > t2 , on a
   

E Sn∗2


P (Sn∗ Sn∗2 2


> t) > P > 6
t2
Par inégalité de Markov appliquée à Sn∗2 > 0.
(b) • Pour tout n ∈ N∗ , l’application t ∈ ]0, +∞[ 7−→ P(Sn∗ > t) est continue par morceaux sur ]0, +∞[. En
effet

P (Sn∗ > t) = 1 − P (Sn∗ 6 t)

√
= 1 − P (Sn 6 t n + n)
√ 
= 1 − P (Sn 6 t n + n )
√ 
= 1 − FSn (6 t n + n )

FSn est continue par morceaux car Sn (Ω) = N et la fonction partie entière est continue par morceaux
sur R, donc par composition de fonctions continues par morceaux l’application considérée est continue
par morceaux
• D’après la question 9, une telle suite converge simplement vers une fonction continue sur ]0, +∞[.
• Pour tout n ∈ N∗ , on a bien, d’après la formule de Huygens kœing, E(Sn∗2 ) = V (Sn∗ ) + E(Sn∗ )2 = 1. On
conclut, d’après la question précédente que
(
∗ 1 si t 6 1
∀t ∈ ]0, +∞[ , P(Sn > t) 6 1
t2 si t > 1
(
1 si t 6 1
Ainsi, on a majoré les termes de la suite par la fonction ϕ : t 7−→ 1
qui est continue
t2 si t > 1
positive et intégrable sur R∗+
Par le théorème de convergence dominée, on obtient
Z +∞ Z +∞
P (Sn∗ > t) dt −−−−−→ P (S > t) dt
0 n→+∞ 0

elamdaoui@[Link] 5 [Link]
Démonstrations probabilistes de la Formule de Stirling Correction

Z +∞ Z +∞ 2
 Z +∞ Z x 2

− x2 − x2
11. On admet que e dx dt = e dt dx. On a
0 t 0 0
Z +∞ Z +∞
Z +∞  
1 x2
P (S > t) dt = √ e− 2 dx dt
0 0 2π t
Z +∞ Z x 2

− x2
= e dt dx
0 0
Z +∞
x2
= xe− 2 dx
0
1 h − x2 i+∞
= √ −e 2
2π 0
1
= √
2π

12. Soit n ∈ N∗
• Pour tout k ∈ N, l’application t 7−→ P (Sn = k) χh0, k−n
√
h est positive, continue par morceaux sur [0, +∞[ et
n
intégrable
X
• La série P (Sn = k) χh0, k−n
√
h converge normalement, puisque ([S = k])
n k∈N est un système complet
n
k>0
√
d’événements, donc elle converge simplement, de somme t 7−→ P (Sn > t n + n) = P (Sn∗ > t) = 1 − FSn∗ (t)
k−n
h (t) = 1 équivaut à k > n et t < √
qui est continue par morceaux sur ]0, +∞[. En effet χh0, k−n ou
√
√
n n
encore k > t n + n
• Pour k > n, on a
k−n
Z +∞ Z √
n
P (Sn = k) χh0, k−n
√
h (t) dt = P (Sn = k) dt
0 n 0
k−n
= √ P (Sn = k)
n
k − n nk −n e−n nk
= √ e ∼ √
n k! n (k − 1)!
X nk
Or la série converge
(k − 1)!

Donc, d’après le théorème de convergence dominée pour les séries,

Z +∞ Z +∞
√
P (Sn∗ > t) dt =


P Sn > t n + n dt
0 0
+∞
!
Z +∞ X
= P (Sn = k) χh0, k−n
√
h (t) dt
0 n
k=0
+∞ Z
X +∞
= P (Sn = k) χh0, k−n
√
h (t) dt
0 n
k=0
+∞ Z k−n
√
X n
= P (Sn = k) dt
k=n+1 0

+∞
X k−n
= √ P (Sn = k)
n
k=n+1
+∞
1 X nk
= √ (k − n) e−n
n k!
k=n+1
+∞
nk nk+1
 
1 X
= √ −
en n (k − 1)! k!
k=n+1
1 nn+1
= n
√ Par télescopage
e n n!

elamdaoui@[Link] 6 [Link]
Démonstrations probabilistes de la Formule de Stirling Correction

Ainsi
+∞
1 nn+1
Z
P (Sn∗ > t) dt = √
0 nen n!

13. Enfin
+∞
1 nn+1
Z
1
P (Sn∗ > t) dt = √ −−−−−→ √
0 nen n! n→+∞ 2π
Ce qui nous donne la formule de Stirling.

elamdaoui@[Link] 7 [Link]