Cours de probabilités Ce document présente un résumé de cours, sans détails superflus, sans

(Chapitre 7 : Lois Continues Classiques) démonstration, avec parfois des exemples.

n N
Programme
Pr. A. IFZARNE
1 Chap. I : Analyse Combinatoire,
a.ifzarne@usms.ma
2 Chap. II : Notions de Probabilités,
3 Chap. III : Variables aléatoires,
2021
cbna 4 Chap. IV : Variables aléatoires discrètes,
5 Chap. V : Lois discrètes classiques,
6 Chap. VI : Variables aléatoires continues,
7 Chap. VII : Lois continues classiques,
Université Sultan Moulay Slimane

Pr. A. IFZARNE | cbna 2 / 51

| Loi uniforme

Plan du chapitre
1 Loi uniforme
2 Loi exponentielle
3 Loi Normale ou Gaussienne
Loi Normale
Loi du khi-deux
Loi de Soudent
Loi de Fisher-Snedecor
Loi uniforme
4 Convergences
Convergence en probabilité
Convergence en loi
Convergence presque sûre
5 Théorèmes importants
Loi faible des grands nombres
Théorème central-imite
6 Approximation
Pr. A. IFZARNE | cbna 3 / 51 Pr. A. IFZARNE | cbna 4 / 51

| Loi uniforme | Loi uniforme

Lois à densité classiques : Loi uniforme Lois à densité classiques : Loi uniforme - suite 1

Définition 1.1 (Loi uniforme)

La v.a. 𝑋 suit une loi uniforme sur lŠintervalle borné [Ð, Ñ] si elle a une
densité 𝑓 constante sur cet intervalle et nulle en dehors. Sa densité est
alors,
∏︁
1
si 𝑥 ∈ [Ð, Ñ]
⋁︁
⨄︁
𝑓 (𝑥) = (Ñ ⊗ Ð)
⋃︁ 0
⋁︁
sinon
On écrit 𝑋 ≍ 𝒰([Ð, Ñ]) et sa fonction de répartition est :
∏︁
0 si 𝑥 ⊘ Ð Figure – Courbe de la densité de la loi Uniforme
⋁︁
𝑥⊗Ð
⋁︁
⨄︁
𝐹 (𝑥) = si 𝑥 ∈ [Ð, Ñ]
⋁︁ Ñ ⊗ Ð
⋁︁
1 si 𝑥 ⊙ Ñ
⋃︁

Pr. A. IFZARNE | cbna 5 / 51 Pr. A. IFZARNE | cbna 6 / 51

| Loi uniforme | Loi exponentielle

Lois à densité classiques : Loi uniforme - suite 2

Moments
L’espérance et la variance de 𝑋 ≍ 𝒰([Ð, Ñ]) sont :

Ñ⊗Ð (Ñ ⊗ Ð)2 Loi exponentielle

𝐸(𝑋) = et 𝑉 (𝑋) =
2 12

Domaine d’application
Cette loi modélise un phénomène uniforme (équipartition) sur un
intervalle donné.

Pr. A. IFZARNE | cbna 7 / 51 Pr. A. IFZARNE | cbna 8 / 51

| Loi exponentielle | Loi exponentielle

Lois à densité classiques : Loi exponentielle Lois à densité classiques : Loi exponentielle - suite 1

Définition 2.1 (Loi exponentielle)

Une v.a 𝑋 suit la loi exponentielle de paramètre Ú > 0 si elle admet pour
densité la fonction :
∮︁
Ú𝑒−Ú𝑥 si 𝑥 ⊙ 0
𝑓 (𝑥) =
0 si 𝑥 < 0

et on écrit 𝑋 ≍ ℰ(Ú), et sa fonction de répartition est :

∮︁
1 ⊗ 𝑒−Ú𝑥 si 𝑥 ⊙ 0
𝐹 (𝑥) =
0 si 𝑥 < 0

Figure – Courbe de la densité de la loi exponentielle

Pr. A. IFZARNE | cbna 9 / 51 Pr. A. IFZARNE | cbna 10 / 51

| Loi exponentielle | Loi Normale ou Gaussienne

Lois à densité classiques : Loi exponentielle - suite 2

Moments
L’espérance et la variance de 𝑋 ≍ ℰ(Ú) sont :
1 1
𝐸(𝑋) = et 𝑉 (𝑋) = 2
Ú Ú
Loi Normale ou Gaussienne
Domaine d’application
Les lois exponentielles sont souvent utilisées pour modéliser des
temps d’attente ou des durées de vie.
Par exemple, les temps d’attente à partir de maintenant du prochain
tremblement de terre, de la prochaine panne d’un appareil, de la
prochaine désintégration dans un réacteur nucléaire.

Pr. A. IFZARNE | cbna 11 / 51 Pr. A. IFZARNE | cbna 12 / 51

| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi Normale

Lois à densité classiques : Loi Normale Lois à densité classiques : Loi Normale - suite 1

Définition 3.1 (Loi Normale)

La v.a 𝑋 suit la loi normale (ou loi de Gauss) dŠespérance
mathématique 𝑚 et de variance à 2 , si 𝑋 à valeurs dans 𝑋(Ω) = R
est déĄnie à partir de la densité
⎟ ⟨
1 (𝑥 ⊗ 𝑚)2
𝑓 (𝑥) = √ exp ⊗
2Þà 2à 2

et on écrit 𝑋 ≍ 𝒩 (𝑚, à 2 ). Figure – Courbe de la densité de la loi normale

Il nŠexiste par contre pas dŠexpression simple de sa fonction de
répartition autre que la formule intégrale Moments
∫︁ 𝑥 L’espérance et la variance de 𝑋 ≍ 𝒩 (𝑚, à 2 ) sont :
∀𝑥 ∈ R, 𝐹 (𝑥) = 𝑓 (𝑡)𝑑𝑡
−∞ 𝐸(𝑋) = 𝑚 et 𝑉 (𝑋) = à 2 .

Pr. A. IFZARNE | cbna 13 / 51 Pr. A. IFZARNE | cbna 14 / 51

| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi Normale

Lois à densité classiques : Loi Normale - suite 2 Lois à densité classiques : Loi Normale - suite 3
Proposition 3.1 x
0,0
0.00
0.50000
0.01
0.50399
0.02
0.50798
0.03
0.51197
0.04
0.51595
0.05
0.51994
0.06
0.52392
0.07
0.52790
0.08
0.53188
0.09
0.53586
0,1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
Soit 𝑋 ≍ 𝒩 (𝑚, à 2 ),
Lorsque 𝑚 = 0 et à2
= 1 on lŠappelle la loi normale 0,2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0,3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
standard ou loi normale centré réduite 𝑋 ≍ 𝒩 (0, 1). La densité de 𝑋 est 0,4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0,5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
donnée par : 0,6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0,7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
⎟ ⟨ 0,8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
1 𝑡2 0,9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
𝜙(𝑡) = √ exp ⊗ , ∀𝑡 ∈ R 1,0
1,1
0.84134
0.86433
0.84375
0.86650
0.84614
0.86864
0.84849
0.87076
0.85083
0.87286
0.85314
0.87493
0.85543
0.87698
0.85769
0.87900
0.85993
0.88100
0.86214
0.88298
2Þ 2 1,2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1,3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
et sa fonction de répartition Φ est donnée par la formule : 1,4
1,5
0.91924
0.93319
0.92073
0.93448
0.92220
0.93574
0.92364
0.93699
0.92507
0.93822
0.92647
0.93943
0.92785
0.94062
0.92922
0.94179
0.93056
0.94295
0.93189
0.94408
1,6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
⎟ ⟨ 1,7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
𝑡2
∫︁ 𝑥
1 1,8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
Φ(𝑥) = √ exp ⊗ 𝑑𝑡, ∀𝑥 ∈ R. 1,9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2Þ −∞ 2 2,0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2,1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2,2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
et on a lŠidentité : Φ(⊗𝑥) = 1 ⊗ Φ(𝑥), ∀𝑥 ∈ R. 2,3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2,4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2,5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2,6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
La table suivante donne pour tout 𝑥 de 0 jusqu’à 2.99 par pas de 0.01, la 2,7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2,8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
valeur de Φ(𝑥). L’entrée en ligne donne les deux premiers chiffres de 𝑥. 2,9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861

Pr. A. IFZARNE | cbna 15 / 51 Pr. A. IFZARNE | cbna 16 / 51

| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi Normale

Lois à densité classiques : Loi Normale - suite 4 Lois à densité classiques : Loi Normale - suite 5

Et pour les grandes valeurs de 𝑥 :

x 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,8 4,0 4,5 Propriété 3.1
Φ(x) 0.99865 0.99903 0.99931 0.99952 0.99966 0.99977 0.99984 0.99993 0.99996 0.99999
Soient 𝑋 ≍ 𝒩 (𝑚, à 2 ) et 𝑎, 𝑏 ∈ R alors on a :
≈ 𝑌 = 𝑎𝑋 + 𝑏 ≍ 𝒩 (𝑎𝑚 + 𝑏, 𝑎2 à 2 ).
Exemple 3.1
≈ Si 𝑋 ≍ 𝒩 (𝑚, à 2 ) alors 𝑍 = 𝑋−𝑚
≍ 𝒩 (0, 1).
Φ(1, 73) = 𝑃 (𝑋 ⊘ 1, 73) = 0.95818, à
≈ Si 𝑍 ≍ 𝒩 (0, 1) alors 𝑋 = à𝑍 + 𝑚 ≍ 𝒩 (𝑚, à 2 ).
Φ(1, 96) = 𝑃 (𝑋 ⊘ 1, 96) = 0.975,
Φ(⊗1, 54) = 1 ⊗ Φ(1, 54) = 1 ⊗ 0.93822 = 0.06178.

Pr. A. IFZARNE | cbna 17 / 51 Pr. A. IFZARNE | cbna 18 / 51

| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi Normale

Lois à densité classiques : Loi Normale - suite 6 Lois à densité classiques : Loi Normale - Manipulation
de la loi normale

Exemple 3.2
Considérons 𝑋 une v. a. qui suit une loi 𝒩 (6, 2). Et soit 𝑍 une v.a. de
loi 𝒩 (0, 1), on a par exemple :

𝑋 ⊗6 7⊗6
⎤ ⎣
𝑃 (𝑋 ⊘ 7) = 𝑃 ⊘
2 2
1
= 𝑃 (𝑍 ⊘ ) = 0.6915
2

Figure – Allure de la densité en fonction de 𝑚 et à

Pr. A. IFZARNE | cbna 19 / 51 Pr. A. IFZARNE | cbna 20 / 51

| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi Normale

Lois à densité classiques : Loi Normale - Manipulation Lois à densité classiques : Loi Normale
de la loi normale - suite 1

Proposition 3.2
La somme de deux v.a. indépendantes suivant les lois Normales
𝒩 (𝑚1 , à12 ) et 𝒩 (𝑚2 , à22 ) suit la loi Normale 𝒩 (𝑚1 + 𝑚2 , à12 + à22 ).

Figure – Concentration autour de la moyenne

Autrement dit, lorsque l’on a une variable aléatoire qui suit une loi normale
𝑋 ≍ 𝒩 (𝑚, à 2 ), on est "pratiquement sûr" que la valeur se situera entre
𝑚 ⊗ 3à et 𝑚 + 3à.
Pr. A. IFZARNE | cbna 21 / 51 Pr. A. IFZARNE | cbna 22 / 51

| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi du khi-deux

Lois à densité classiques : Loi Normal - Exemple Lois à densité classiques : Loi khi-deux

Définition 3.2 (Loi khi-deux)

Soient 𝑋1 , 𝑋2 , . . . , 𝑋𝑛 𝑛 v.a indépendantes de même loi normales
Domaine d’application standards 𝒩 (0, 1). La v.a 𝑋 déĄnie par
Cette loi joue un rôle fondamental en statistique et elle apparaît comme
loi limite de certaines caractéristique d’échantillons de grandes tailles. 𝑋 = 𝑋12 + 𝑋22 + ≤ ≤ ≤ + 𝑋𝑛2
Son domaines d’application est variée : apprentissage automatique,
suit la loi de khi-deux à 𝑛 degrés de liberté, sa densité de probabilité est
médecine, ... La loi normale est apparue naturellement (d’où son nom)
déĄnie par :
comme limite de certains processus. C’est la loi la plus connue en
probabilités, parfois appelée loi de Laplace-Gauss et caractérisée par son ∏︁
1 n
⨄︁ n 𝑥 2 −1 exp[⊗ 𝑛2 ] si 𝑥 ⊙ 0
célèbre "courbe en cloche". 𝑓𝑛 (𝑥) = 2 2 Γ( n
2
)
⋃︁ 0 si 𝑥 < 0

Avec Γ(𝑎) = 0+∞ 𝑥𝑎−1 𝑒−Ú𝑥 𝑑𝑥 et on écrit 𝑋 ≍ 𝒳2 (𝑛).

√︃

Pr. A. IFZARNE | cbna 23 / 51 Pr. A. IFZARNE | cbna 24 / 51

| Loi Normale ou Gaussienne | Loi du khi-deux | Loi Normale ou Gaussienne | Loi de Soudent

Lois à densité classiques : Loi khi-deux - suite 1 Lois à densité classiques : Loi de Student
Définition 3.3 (Loi de Student)
Soient 𝑋1 une v.a normale standard (𝑋1 ≍ 𝒩 (0, 1)) et 𝑋2 une v.a
indépendante de 𝑋1 et qui suit une loi de khi-deux à 𝑛 degrés de liberté
(𝑋2 ≍ 𝒳2 (𝑛)). La v.a 𝑇 déĄnie par

𝑋1
𝑋 = √︁ suit la loi de student à 𝑛 degrés de liberté
𝑋2
𝑛
Figure – Courbe de la densité de la loi 𝒳2 (𝑛).
sa densité de probabilité est déĄnie par :
Moments 1 Γ( 𝑛+1 𝑥2 n+1
2 )
𝑓 (𝑥) = √ (1 + )− 2 , 𝑥 ∈ R.
L’espérance et la variance de 𝑋 ≍ 𝒳2 (𝑛) sont : 𝑛Þ Γ( 𝑛2 ) 𝑛
𝐸(𝑋) = 𝑛 et 𝑉 𝑎𝑟(𝑋) = 2𝑛.
Et on écrit 𝑋 ≍ 𝒯 (𝑛). Γ est la fonction gamma qui prolonge la fonction
factorielle à lŠensemble des nombres complexes (à lŠexception des entiers
négatifs).
Pr. A. IFZARNE | cbna 25 / 51 Pr. A. IFZARNE | cbna 26 / 51

| Loi Normale ou Gaussienne | Loi de Soudent | Loi Normale ou Gaussienne | Loi de Soudent

Lois à densité classiques : Loi de Student - suite 1 Lois à densité classiques : Loi de Student - suite 2

Proposition 3.3
Soit 𝑋 une v.a. qui suit la loi de Student, 𝑋 est symétrique.
Plus 𝑛 est grand et plus sa distribution se confond avec celle de la
Figure – Courbe de la densité de la loi Student. loi normale standard.

Moments
L’espérance et la variance de 𝑋2 ≍ 𝒳2 (𝑛) sont :
𝑛
𝐸(𝑋) = 0 et 𝑉 𝑎𝑟(𝑋) = .
𝑛⊗2

Pr. A. IFZARNE | cbna 27 / 51 Pr. A. IFZARNE | cbna 28 / 51

| Loi Normale ou Gaussienne | Loi de Fisher-Snedecor | Loi Normale ou Gaussienne | Loi de Fisher-Snedecor

Lois à densité classiques : Loi de Fisher-Snedecor Lois à densité classiques : Loi de Fisher-Snedecor - suite
1
Définition 3.4 (Loi de Fisher-Snedecor)
Soient 𝑋 et 𝑌 deux v.a indépendantes ayant la loi de khi-deux à
respectivement 𝑛 et 𝑚 degrés de liberté (𝑋 ≍ 𝒳2 (𝑛), 𝑌 ≍ 𝒳2 (𝑚)). La
v.a 𝐹 déĄnie par
𝑋
𝑛
𝐹 = 𝑌
suit la loi de Fisher-Snedecor à (𝑛, 𝑚) degrés de liberté
𝑚

sa densité de probabilité est déĄnie par : Figure – Courbe de la densité de la loi 𝒳2 (𝑛).

Moments
∏︁ n
⨄︁ 𝑛 n2 𝑚 m Γ( n+m ) 𝑥 2 −1
2
Γ( n
2
)Γ( m ) n+m si 𝑥 ⊙ 0
𝑓 (𝑥) = 2 2 (𝑛𝑥+𝑚) 2
L’espérance et la variance de 𝐹 ≍ ℱ(𝑛, 𝑚) sont :
0 si 𝑥 < 0
⋃︁
𝑚 2𝑚2 (𝑛 + 𝑚 ⊗ 2)
𝐸(𝐹 ) = si 𝑚 > 2 et 𝑉 (𝐹 ) = si 𝑚 > 4
et on écrit 𝐹 ≍ ℱ(𝑛, 𝑚). 𝑚⊗2 𝑛(𝑚 ⊗ 2)2 (𝑚 ⊗ 4)

Pr. A. IFZARNE | cbna 29 / 51 Pr. A. IFZARNE | cbna 30 / 51

| Loi Normale ou Gaussienne | Loi de Fisher-Snedecor | Convergences

Lois à densité classiques : Loi de Fisher-Snedecor

Domaine d’application
Ces trois derniéres lois seront utiles dans la théorie des tests. L’expression
explicite des densités de ces lois n’est pas à connaître (sauf pour la loi
Convergences
normale). Des tables statistiques et des logiciels permettent de les
manipuler.
Les lois du Chi-Deux, de Student et de Fisher ne servent pas à des fins
de modélisation mais sont tabulées dans tout logiciel de statistique en
raison de leur grande utilité dans le cadre des tests.

Pr. A. IFZARNE | cbna 31 / 51 Pr. A. IFZARNE | cbna 32 / 51

| Convergences | Convergence en probabilité | Convergences | Convergence en probabilité

Convergence en probabilité

Ou encore :

Soit (𝑋𝑛 ) une suite de variables aléatoires. ∀𝜖 > 0, ∀Ö > 0, ∃𝑛0 > 0 tel que 𝑛 > 𝑛0 =⇒ 𝑃 (♣𝑋𝑛 ⊗ 𝑎♣ ⊙ 𝜖) < Ö

On dit aussi que la suite (𝑋𝑛 ) converge en probabilité vers une variable
Définition 4.1 (Convergence en probabilité)
aléatoire 𝑋, qu’on note :
𝑝
On dit que la suite (𝑋𝑛 ) converge en probabilité vers une constante a, 𝑋𝑛 ⊗⊃ 𝑋,
𝑝
quŠon note 𝑋𝑛 ⊗⊃ 𝑎, si : si et seulement si la variable aléatoire 𝑋𝑛 ⊗ 𝑋 converge vers la constante
0:
∀𝜖 > 0 lim 𝑃 (♣𝑋𝑛 ⊗ 𝑎♣ ⊙ 𝜖) = 0
𝑛→+∞ 𝑝 𝑝
𝑋𝑛 ⊗⊃ 𝑋 ⇔ 𝑋𝑛 ⊗ 𝑋 ⊗⊃ 0.

Pr. A. IFZARNE | cbna 33 / 51 Pr. A. IFZARNE | cbna 34 / 51

| Convergences | Convergence en loi | Convergences | Convergence presque sûre

Convergence en loi Convergence presque sûre

C’est une convergence liée aux variables concernées.

C’est une convergence liée aux fonction de répartitions des variables
concernées. Définition 4.3 (Convergence presque sûre)
Définition 4.2 (Convergence en loi) On dit que la suite (𝑋𝑛 ) de v.a., converge presque sûrement vers une
𝑝.𝑠
On dit que la suite (𝑋𝑛 ) de v.a., de fonction de répartitions 𝐹𝑛 , variable 𝑋, on note 𝑋𝑛 ⊗⊃ 𝑋, si :
converge en loi vers une variable aléatoire 𝑋, de fonction de répartition ⎤ ⎣
𝐿
𝐹 , on note 𝑋𝑛 ⊗⊃ 𝑋, si : 𝑃 lim 𝑋𝑛 = 𝑋 =1
𝑛→+∞

lim 𝐹𝑛 (𝑥) = 𝐹 (𝑥) ce qui revient à dire :

𝑛→+∞
⎤ ⎣
pour tout point 𝑥 de continuité de 𝐹 . 𝑃 lim 𝑋𝑛 ̸= 𝑋 =0
𝑛→+∞

Pr. A. IFZARNE | cbna 35 / 51 Pr. A. IFZARNE | cbna 36 / 51

| Convergences | Convergence presque sûre | Convergences | Convergence presque sûre

Exemple

Remarque 4.1
Soit 𝑛 un entier naturel non-nul et soit 𝑎 un réel. On considère la fonction
On dit que deux variables 𝑋et 𝑌 sont équivalantes si :
𝑓𝑛 définie sur R par
𝑎𝑛
𝑃 (𝑋 ̸= 𝑌 ) = 0 𝑓𝑛 (𝑥) = .
Þ(1 + 𝑛2 𝑥2 )

Proposition 4.1 1 Déterminer 𝑎 pour que 𝑓𝑛 soit une densité de variable aléatoire.
Soit (𝑋𝑛 ) une suite de variables aléatoires telle que chaque 𝑋𝑛 admet
On a :
pour densité 𝑓𝑛 .
convergence p.s ⇒ convergence en probabilité ⇒ convergence en loi 2 Etudier la convergence en loi de la suite (𝑋𝑛 ).
3 Etudier la convergence en probabilité de la suite (𝑋𝑛 ).

Pr. A. IFZARNE | cbna 37 / 51 Pr. A. IFZARNE | cbna 38 / 51

| Théorèmes importants | Théorèmes importants | Loi faible des grands nombres

Loi faible des grands nombres

Théorème 5.1 (Loi faible des grands nombres)

Théorèmes importants Soit (𝑋𝑛 ) une suite de v.a. deux à deux indépendants, telles que
𝑛
1 ∑︁
à 2 = 𝑉 (𝑋𝑖 ) et 𝑚 = 𝐸(𝑋𝑖 ) soient Ąnies. posons 𝑋 𝑛 = 𝑋𝑖 , alors :
𝑛 𝑖=1
𝑝
𝑋 𝑛 ⊗⊃ 𝑚

Pr. A. IFZARNE | cbna 39 / 51 Pr. A. IFZARNE | cbna 40 / 51

| Théorèmes importants | Théorème central-imite | Théorèmes importants | Théorème central-imite

Théorème central-limite

Le théorème central-limite est le théorème le plus important de la théorie Exemple 5.1

des probabilités. Il joue un rôle primordial en statistique. Chaque année, Mohammed effectue deux fois par jour, cinq fois par
semaine et pendant 46 semaines, un trajet en voiture dont la durée est
Théorème 5.2 (Théorème central-imite)
une v.a réelle 𝑋 qui suit une loi dŠespérance 45 minutes et dŠécart-type
Soient 𝑋1 ; . . . ; 𝑋𝑛 𝑛 v.a. indépendantes, et de même loi telles que 10 minutes. On suppose que les durées des trajets sont indépendantes.
𝑛
1 ∑︁ Quelle est la probabilité que Mohammed passe au moins 350 heures dans
à 2 = 𝑉 (𝑋𝑖 ) et 𝑚 = 𝐸(𝑋𝑖 ) soient Ąnies. posons 𝑋 𝑛 = 𝑋𝑖 , alors :
𝑛 𝑖=1 sa voiture au cours de lŠannée ?
√
𝑛(𝑋 n −𝑚)
à converge en loi vers la loi normale 𝒩 (0, 1) quand 𝑛 tend vers
lŠinĄni.

Pr. A. IFZARNE | cbna 41 / 51 Pr. A. IFZARNE | cbna 42 / 51

| Approximation | Approximation

Introduction

Sur un plan plus général, les lois de probabilités mentionnées dans ce

Approximation
chapitre satisfont à un ensemble de convergences, essentielles pour les
applications en statistique, et qui s’énoncent comme suit :

Pr. A. IFZARNE | cbna 43 / 51 Pr. A. IFZARNE | cbna 44 / 51

| Approximation | Approximation

Hypergéométrique Binomiale

La loi ℬinomiale ℬ(𝑛, 𝑝) converge, pour 𝑛 assez grand et 𝑝 ni trop

La loi ℋypergéométrique converge, pour 𝑁 grand, vers la loi
ℬinomiale ℬ(𝑛, 𝑝) (condition le plus souvent satisfaite dès lors qu’on
est amené à pratiquer un sondage).
𝑁
Pratiquement, cette convergence est satisfaite pour 𝑛 ⊙ 10.
voisin de 1 ni de 0 vers la loi normale 𝒩 (𝑚 = 𝑛.𝑝, à 2 = 𝑛.𝑝.𝑞).
C’est le théorème de MOIVRE-LAPLACE qui résulte de l’application
du théorème central limite au cas particulier de la somme de 𝑛
variables aléatoires de ℬernoulli indépendantes.
Au plan pratique, plusieurs conditions de validité de cette convergence
sont applicables. On peut retenir entre autres,
𝑛 ⊙ 30 et 𝑛.𝑝 > 5 et 𝑛.𝑞 > 5,
ou, 𝑛 ⊙ 30 et 𝑛.𝑝 ⊙ 15 et 𝑛.𝑝.𝑞 > 5.

Pr. A. IFZARNE | cbna 45 / 51 Pr. A. IFZARNE | cbna 46 / 51

| Approximation | Approximation

Binomiale Poisson

La loi ℬinomiale ℬ(𝑛, 𝑝) converge, pour 𝑛 assez grand, et 𝑝 faible (ou La loi de 𝑃 oisson de paramètre Ú converge, pour 𝑛 assez grand, vers
voisin de 1) vers la loi de 𝑃 oisson de paramètre Ú = 𝑛.𝑝. la loi normale 𝒩 (𝑚 = Ú, à 2 = Ú).

Au plan pratique, on peut citer, entre autres, la condition 𝑛 ⊙ 30 et Au plan pratique, la convergence en question devient satisfaisante dès
𝑝 ⊘ 0, 1 et 𝑛.𝑝 < 15. que Ú > 15.

Pr. A. IFZARNE | cbna 47 / 51 Pr. A. IFZARNE | cbna 48 / 51

| Approximation | Approximation

Student Khi-deux

La loi de Student, 𝑇 (𝑛), converge, pour n assez grand, vers la loi La loi de Khi-deux, ä2 (𝑛), converge, pour 𝑛 assez grand, vers la loi
normale centrée réduite 𝒩 (0, 1). normale 𝒩 (𝑛, 2𝑛).

Au plan pratique, cette approximation devient satisfaisante dès que Ici encore, cette approximation est vérifiée à partir de 𝑛 = 30.
𝑛 ⊙ 30.

Pr. A. IFZARNE | cbna 49 / 51 Pr. A. IFZARNE | cbna 50 / 51

| Approximation

Conclusion
Le schéma ci-dessous résume les propriétés de convergence
susmentionnées :

Pr. A. IFZARNE | cbna 51 / 51