D- Convergence de variables aléatoires

D- Convergence de variables aléatoires

D-1 Notations

I On considère (Xn )n∈N (éventuellement (Yn )n∈N ) une suite de

variables aléatoires définies sur l’espace probabilisé (Ω, A, P) et X
(éventuellement Y ) une variable aléatoire définie sur le même
espace.

I On note (Fn )n∈N la suite des fonctions de répartitions de (Xn )n∈N et

F celle de X .

I On note (φn )n∈N la suite des fonctions

caractéristiques de (Xn )n∈N
et φ celle de X : φn (t) = E e itXn .

Rq: Les résultats de ce cours s’appliquent aussi à des vecteurs aléatoires.

D- Convergence de variables aléatoires

D-2 Convergence en loi

I Définitions
Définition 1
L
Xn → X ⇐⇒ limn→+∞ Fn (x) = F (x) en tout point de continuité x de F .

Définition 2 : Théorème de Paul Levy

L
Xn → X ⇐⇒ ∀x ∈ R, limn→+∞ φn (x) = φ(x).

Définition 3 : Lemme de Portmanteau

L
Xn → X ⇐⇒ ∀g continue et bornée,limn→+∞ E (g (Xn )) = E (g (X )) .

D- Convergence de variables aléatoires

D-2 Convergence en loi

I Théorème

L L L
∀c ∈ R, Xn → X et Yn → c =⇒ (Xn , Yn ) → (X , c).

I Théorème de Slutsky

L L
∀c ∈ R, Xn → X et Yn → c =⇒
L
1 Xn + Yn → X + c
L
2 Xn Yn → Xc
L
3 Xn /Yn → X /c, c 6= 0

L L L
Xn → X et Yn → Y n’implique pas Xn + Yn → X + Y

D- Convergence de variables aléatoires

D-2 Convergence en loi
I Exemple
1 Soit Xn une suite de v.a. de loi B(n, λ/n). Alors, lorsque n tend vers
L
l’infini, Xn → X , où X suit une loi P(λ).
 x  n−x
λ λ
pn (x) = P(Xn = x) = Cnx 1−
n n
 x
n
n(n − 1)...(n − x + 1) λ 1 − λn
=
x
x! n 1 − λn

n
λx 1 − λn
   
1 x −1
= 1− .... 1 − x
1 − λn


x! n n
n
λx λx −λ
 
λ
lim pn (x) = lim 1− = e .
n→+∞ x! n→+∞ n x!
Donc, Fn (x) = xk=0 pn (k) = P(X ≤ x) où X suit une loi de poisson
P
de paramètre λ.

2 Soit XN une suite de v.a. de loi H(N, n, p). Alors, lorsque N tend
L
vers l’infini XN → X , où X suit une loi B(n, p).
D- Convergence de variables aléatoires
D-3 Convergence en probabilité
I Définition

P
Xn → X ⇐⇒ ∀ > 0, limn→+∞ P (|Xn − X | > ) = 0.

I Condition suffisante de convergence en probabilité

P
limn→+∞ E (Xn ) = c et limn→+∞ V (Xn ) = 0 =⇒ Xn → c

Preuve :
4V (Xn )
P(|Xn − c| > ) ≤ P(|Xn − E (Xn )| > /2) + P(|E (Xn ) − c| > /2) ≤ + 1|E (X )−c|>/2 → 0.
2 n

I Propriétés

P P P
Xn → X et Yn → Y =⇒ Xn + Yn → X + Y

Preuve : P(|Xn + Yn − X − Y | > ) ≤ P(|Xn − X | > /2) + P(|Yn − Y | > /2).

D- Convergence de variables aléatoires

D-3 Convergence en probabilité

I Exemple

1 Soit Zn une suite de variable aléatoire de loi du Chi2 à n ddl. Soit Xn

une suite de v.a. de loi T (n). Montrer que Zn /n converge en
probabilité vers 1. En déduire que lorsque n tend vers l’infini
L
Xn → X , où X suit une loi N (0, 1).On note
L
Xn → N (0, 1)

Rq: On utilisera le résultat énoncé plus loin :

L P
∀c ∈ R, Xn → c ⇐⇒ Xn → c

D- Convergence de variables aléatoires

D-4 Convergence presque-sûre

Définition
p.s.
1 Xn → X ⇐⇒ P (limn→+∞ Xn = X ) = 1.
p.s.
2 Xn → X ⇐⇒ P ({ω ∈ Ω, limn→+∞ Xn (ω) = X (ω)}) = 1.
p.s.
3 Xn → X ⇐⇒ {ω ∈ Ω, limn→+∞ Xn (ω) 6= X (ω)} = ∅. presque
partout.

Condition suffisante de convergence presque-sûre

P∞ p.s.
∀ > 0, n=1 P(|Xn − X | > ) converge =⇒ (Xn → X )

D- Convergence de variables aléatoires

D-5 Convergences en moyennes d’ordre

I Convergence dans L1 (en moyenne)

L1
Xn → X ⇐⇒ limn→+∞ E (|Xn − X |) = 0.

I Convergence dans L2 (en moyenne quadratique)

L2

Xn → X ⇐⇒ limn→+∞ E |Xn − X |2 = 0.

I Convergence dans Lp

Lp
Xn → X ⇐⇒ limn→+∞ E (|Xn − X |p ) = 0.

D- Convergence de variables aléatoires

D-6 Hiérarchie des convergences

p.s. P L
Xn −→ X =⇒ Xn −→ X =⇒ Xn −→ X
⇑
Lp
Xn −→ X
⇑
Lq
Xn −→ X q>p
La convergence en loi est la convergence la plus faible.
Eléments de preuve :
I p.s. ⇒ P : Si il est vérifié, on utilise critère de convergence p.s., sinon plus compliqué.
I P ⇒ L : en utilisant l’inégalité ∀Z , Y v.a., x > 0,

P(Y ≤ x) ≤ P(Z ≤ x + ) + P(|Y − Z | > )

et en l’appliquant d’une part à Y = Xn , Z = X , d’autre part à Y = X , Z = Xn . On obtient

F (a − ) − P(|Xn − X | > ) ≤ Fn (x) ≤ F (a + ) + P(|Xn − X | > ).

On obtient le résultat en prenant la limite en n, puis la limite quand  tend vers 0 et la continuité de F .
I L1 ⇒ P : par Markov
I L2 ⇒ L1 : par Cauchy-Schwarz
I Lq ⇒ Lp : par Holder

D- Convergence de variables aléatoires

D-7 Quelques résultats complémentaires
Convergence vers une constante
L P
∀c ∈ R, Xn → c ⇐⇒ Xn → c
Preuve : Ici, F (x) = P(c ≤ x) = 1c≤x . On a

0 ≤ P(|Xn − c| > ) = P(Xn >  + c ou Xn < c − ) ≤ 1 − Fn (c + ) + Fn (c − )

En prenant la limite le terme de droite tend vers 1 − 1c≤c+ + 1c≤c− = 0.

L P L
Xn → X et |Xn − Yn | → 0 =⇒ Yn → X

∀g continue
L L
1 Xn → X =⇒ g (Xn ) → g (X )
P P
2 Xn → X =⇒ g (Xn ) → g (X )
p.s. p.s.
3 Xn → X =⇒ g (Xn ) → g (X )
D- Convergence de variables aléatoires
D-8 Deux lois fondamentales de la statistique
Soit (Xi )1≤i≤n une suite de variables aléatoires i.i.d. d’espérance m et de
variance σ 2 . Soit
n
1X
X̄n = Xi .
n
i=1

I Lois des grands nombres

Lorsque l’on fait un sondage aléatoire dans une population, plus on
augmente la taille de l’échantillon, plus la moyenne de l’échantillon se
rapproche de celle de la population.

Loi faible des grands nombres

P
X̄n → m

Preuve : E (X̄n ) = m, V (X̄n ) = σ 2 /n et on applique la condition suffisante de convergence en probabilité.

Loi forte des grands nombres

p.s.
X̄n → m
D- Convergence de variables aléatoires
D-8 Deux lois fondamentales de la statistique

I Exemples

1 Soit Fn la fonction de répartition empirique de (X1 , ..., Xn ),

n
1X
∀x ∈ R, Fn (x) = 1X ≤x .
n i=1 i

Alors, lorsque n tend vers l’infini

p.s. P
Fn (x) → F (x) et Fn (x) → F (x),

en tout point x de R.

D- Convergence de variables aléatoires

D-8 Deux lois fondamentales de la statistique

I Théorème central limite (TCL)

X̄n − m L
√ → N (0, 1).
σ/ n

D- Convergence de variables aléatoires

D-8 Deux lois fondamentales de la statistique
I Exemple 1: P
Loi de la somme de n variables aléatoires i.i.d. Soit
n
Sn = nX̄n = i=1 Xi . Alors,

Sn − nm L
√ → N (0, 1).
nσ
Preuve : On multiplie en haut et en bas par n dans le TCL.

I Exemple 2: Théorème de Moivre-Laplace

Soit Xn une suite de v.a. de loi B(n, p). ALors,
X − np L
p n → N (0, 1)
np(1 − p)
Preuve : Xn a même loi que la somme de n variables i.i.d. de loi de bernouilli B(p)

I Exemple 3: Convergence en loi d’une suite Zn de loi χ2 (n).

Zn − n L
√ → N (0, 1).
2n
Zi avec Zi i.i.d. de loi du χ2 (1).
P
Preuve : Zn a même loi que Sn =

D- Convergence de variables aléatoires