Académique Documents
Professionnel Documents
Culture Documents
Jean-Luc Eveno
31 décembre 2006
1 Convergence en probabilité
1.1 Définition
Soit {Ω, F, P}un espace probabilisé et, (Xn )n∈N∗ une suite de variables aléatoires définies sur {Ω}
On dit que (Xn )n∈N∗ converge en probabilité vers la v.a.r. X si et seulement si
(∀ε > 0) lim P ({|Xn − X| > ε}) = 0
n→∞
1.1.1 Remarque
1. Au lieu de convergence en probabilité, on parle aussi, de convergence “ stochastique ”
2. Montrer que la définition ci-desus est équivalente à : (∀ε > 0) lim P ({|Xn − X| 6 ε}) = 1
n→∞
1.1.2 Exemple
Soit (Xn )n∈N∗ une suite de variables aléatoires de densité fn (x) = ne−nx 1[0,+∞[ (x) ; alors, la suite
(Xn )n∈N∗ converge en probabilité vers 0.
Z +∞
+∞
ne−nx dx = −e−nx ε = e−nε
En effet, soit ε > 0 ; alors, P (|Xn | > ε) =
ε
Donc, lim e−nε = 0
n→∞
D’où le résultat.
1.2.1 Démonstration
Elle découle presque immédiatement de l’inégalité de Bienaymé-Tschébicheff.
1 P n
Nous avons E (Yn ) = m, et σ 2 (Yn ) = 2 σ 2 (Xk ) (indépendance des (Xn )n∈N∗ )
n k=1
σ2
Donc, σ 2 (Yn ) = .
n
Soit ε > 0
En utilisant l’inégalité de Bienaymé-Tschébicheff, nous avons :
σ 2 (Yn )
P ({|Yn − m| > ε}) 6
ε2
1 On dit que ce sont des v.a.r. iid -indépendantes et identiquement distribuées
1
c’est à dire,
σ2
P ({|Yn − m| > ε}) 6
nε2
Donc, lim P ({|Yn − m| > ε}) = 0, ce que nous voulions.
n→∞
1.2.2 Remarque
1. Pourquoi loi faible ? Parce qu’il existe une convergence plus forte : la convergence presque sûre.
2. Ce résultat démontre l’idée intuitive sur laquelle reposent les statistiques. Par exemple, si on cherche
la taille moyenne m des français, pour connaı̂tre la valeur exacte de m, il faut mesurer tous les
français. Si on en étudie seulement un échantillon de n français, la moyenne arithmétique de leur n
tailles (Xn )n∈N donnera une valeur approchée de m, et plus n est grand, plus cette valeur approchée
a de chances d’être satisfaisante.
3. Soit (Xn )n∈N une suite de variables aléatoires de Bernouilli, indépendantes et de paramètre p ; on
pose Zn = X1 + . . . + Xn
Zn est donc une variable aléatoire qui suit une loi de binomiale de paramètres n et p notée B(n, p).
Zn
Si la variable Xi vaut 1 lorsque l’événement A est réalisé, la variable Yn = représente donc la
n
fréquence de réalisation de l’événement A au cours des n expériences aléatoires.
La loi faible des grands nombres affirme donc que la variable Yn converge, en probabilité vers
E(Xi ) = p
L’inégalité de Bienaymé-Tschébicheff donne tout de suite :
1 p(1 − p)
P({|Yn − p| ≥ ε}) ≤
n ε2
1.2.3 Exercices
1. Lors d’un référendum, 45% des suffrages exprimés sont des “ oui ”. Déterminer à partir de quel
nombre de bulletins dépouillés, on peut affirmer, avec un risque d’erreur inférieur à 3% que la
fréquence d’apparition des “ oui ” est comprise entre 43% et 47%
Résolution de l’exercice On appelle Xi la v.a.r. égale à 1 si le i-ème vote est positif et à 0 sinon ;
Xi est une loi de Bernouilli de paramètre p = 0, 45 et les (Xi )i∈N sont des v.a.r. indépendantes.
Xn
Le nombre de bulletins “ oui ” est donné par : X1 + · · · + Xn = Xk , et la fréquence d’apparition
! k=1
n
1 1 X p (1 − p)
est : Yn = (X1 + · · · + Xn ) = Xk , et nous avons E (Yn ) = p et σ 2 (Yn ) =
n n n
k=1
p (1 − p)
De l’inégalité de Bienaymé-Tschébicheff, P ({|Yn − p| > ε}) 6 nous tirons :
nε2
(0, 45) × (0, 53)
P ({|Yn − 0, 45| > 0, 02}) 6 2 6 0, 03
n (0, 02)
et nous trouvons n > 20625
2. On lance n fois une pièce de monnaie non truquée. Déterminer la valeur de n à partir de laquelle
on peut affirmer, avec une probabilité supérieure à 0,95 que la fréquence d’apparation de pile est
0,5 à 0,02 près
1.2.4 Remarque
Est-il possible de s’affranchir de l’indépendance ? Le corollaire suivant y répond :
2
1.3 Corollaire
Soit (Xn )n∈N∗ une suite de v.a.r. de même loi (pas forcément indépendantes)
On suppose que E (Xn ) = m et σ 2 (Xn ) = σ 2 et, si k 6= l, alors cov (Xk , Xl ) = 0
Xn
On pose Yn = Xk ; alors, (Yn )n∈N converge en probabilité vers m
k=1
1.3.1 Démonstration
Qu’a donc le corollaire de plus que le théorème 1.2 ? ? C’est que les variables aléatoires ne sont pas
forcément indépendantes. Dans le cas du corollaires, nous avons j 6= k ⇒ cov (Xk , Xl ) = 0
Cette propriété intervient dans le calcul de la variance :
n
1 X X σ2
σ 2 (Yn ) = 2 σ 2 (Xk ) + 2 cov (Xk , Xj ) =
n n
k=1 j6=k
1.4 Théorème
Soit (Xn )n∈N une suite de v.a.r. définies sur Ω, F, P
Soit X une autre v.a.r. telle que :
(
lim E (Xn ) = E (X)
n→+∞
lim σ 2 (Xn − X) = 0
n→+∞
1.4.1 Commentaire
C’est une nouvelle loi des grands nombres, avec des hypothèses différentes, certaines plus restrictives.
Une des questions étant de s’affranchir de l’indépendance.
1.4.2 Démonstration
L’une des clés de la démonstration est l’inégalité de Bienaymé-Tschébicheff.
Soit ε > 0 ; il faut donc démontrer que lim P ({|Xn − X| > ε}) = 0
n→∞
En posant An = {ω ∈ Ω tel que |Xn (ω) − X (ω)| ≥ ε}, il faut montrer que lim P (An ) = 0
n→+∞
Lemme
ε ε
Si λ ∈ R et µ ∈ R sont tels que |λ| < et |µ| ≥ ε, alors, |λ − µ| ≥
2 2
n εo
On appelle Bn = ω ∈ Ω tel que |Xn (ω) − X (ω) + E (X) − E (Xn )| ≥
2
ε
Comme lim E (Xn ) = E (X), soit N1 un entier positif tel que si n ≥ N1 , alors |E (Xn ) − E (X)| <
n→+∞ 2
On suppose n ≥ N1 ; alors, An ⊂ Bn ; pour le démontrer, il faut voir si ω ∈ An ⇒ ω ∈ Bn
ε
Or ω ∈ An ⇒ |Xn (ω) − X (ω)| ≥ ε ; de |E (Xn ) − E (X)| < , nous tirons, d’après le lemme,
2
ε
|Xn (ω) − X (ω) − (E (Xn ) − E (X))| ≥
2
C’est à dire que ω ∈ Bn ; donc An ⊂ Bn , et donc P (An ) ≤ P (Bn )
Posons maintenant Yn = Xn − X et réécrivons Bn .
3
n εo
Bn = |Yn + E (Yn )| ≥ ; d’après l’inégalité de Bienaymé-Tschébicheff,
2
n ε o σ 2 (Xn − X)
P |Yn − E (Yn )| ≥ ≤ ε2
2 4
De l’hypothèse lim σ 2 (Xn − X) = 0, nous tirons lim P (Bn ) = 0, et de P (An ) ≤ P (Bn ), nous
n→+∞ n→+∞
tirons lim P (An ) = 0
n→+∞
Ce que nous voulions
1.5 Commentaires
Il y a donc plusieurs lois des grands nombres. La plus utilisée est aussi la plus restrictive.