Théorème central limite

Leçons : 218, 261, 262, 263

Théorème 1
Sn − nE(X 0 )
Si (X i )i est une suite de variables aléatoires iid et E(X 02 ) < ∞ alors p converge
nσ
n−1
en loi vers N (0, 1) où σ2 = Var(X 0 ) et Sn =
P
Xi.
i=0

Lemme 2
 zn n
Si (zn )n est une suite de nombres complexes tendant vers 0, alors lim 1 + = 1.
n→+∞ n

Démonstration. On a
 
n  ‹ k n  ‹
zn n n n  X n |zn |k
z |zn | n
   X  ‹
 1+ − 1 =  = 1+ − 1.
  
¶
n  k=1 k nk  k=1 k nk n

Onest donc R. A partir d’un certain rang, zn > −1 et

ramené au cas où ∀n ∈ N, zn ∈
zn n  zn zn zn
ln 1 + = n ln 1 + =n +o = zn + o(zn )
n n n n  zn n
Donc en passant à l’exponentielle, la limite de 1 + est bien 1.
n

X i − E(X 0 )
Démonstration (du théorème). Quitte à remplacer X i par , on peut supposer que
σ
Sn
E(X 0 ) = 0 et σ = 1. On note X = X 0 . La fonction caractéristique de p est
n
  ‹‹ n

n t
ϕSn /pn (t) = ϕX /pn (t) = ϕX p
n
par indépendance des X i .
De plus on sait que ϕX0 (0) = iE(X ) = 0, ϕX00 (0) = −E(X 2 ) = −1. Donc selon la formule
t2
de Taylor-Young à l’ordre 2 au voisinage de 0, on a ϕX (t) = 1 − + t 2 "(t) où lim "(t) = 0.
2 t→0
Donc
 n
‹‹n  ‹n
t2 t2 t2  t2
  ‹
t t 
ϕSn / n (t) =
p 1− + " p = 1− 1 + ‹" p 
2n n 2n  t2

n n 
n 1−
2n
2
/2
Le premier terme tend vers e−t , et selon le lemme, comme
t2
lim = 1,
n→+∞ t2
1−
2n
le second terme tend vers 1 quand n tend vers l’infini. Donc pour tout t ∈ R, ϕSn /pn (t) →
2
e−t /2 , qui est la fonction caractéristique de N (0, 1). Selon le théorème de Paul-Lévy, on a
le résultat voulu.

Gabriel LEPETIT 1 ENS Rennes - Université Rennes 1

Exemple. Dans le cadre d’un sondage pour le deuxième tour de l’élection présidentielle, on
interroge n personnes pour savoir s’ils comptent voter pour le candidat A (nA personnes)
ou le candidat B (nB personnes).Chaque personne est modélisée par une variable aléatoire
X i : Ω → {A, B} suivant la loi de Bernoulli de paramètre p. On suppose que les X i sont
indépendantes. C’est ce paramètre p qui nous est inconnu et qu’on cherche à déterminer a
posteriori à partir des données observables (les valeurs des X i ). Cela est rendu possible par
le théorème central limite.
Un intervalle de confiance à α près pour p est un intervalle aléatoire I de R tel que
P(p ∈ I) = 1 − α.
Soit G une variable gaussienne de loi N (0, 1) de fonction de répartition φ. On note
X1 + · · · + Xn n
Xn = (dans la modélisation ci-dessus, X n correspond à A ). On sait que la loi
n n
p Xn − p
de cette variable aléatoire est B(n, p) donc selon le TCL, Yn = n p converge en
p(1 − p)
loi vers G.
P
De plus, selon la loi faible des grands nombres, X n −−−−→ p donc selon le lemme de
n→+∞
L
Slutsky, (Yn , X n ) −−−−→ (G, p) de sorte qu’en composant par des fonctions continues, on
n→+∞
obtient p p p
p(1 − p) n(X n − p) L p(1 − p)
Yn q =q −−−−→ G × p = G.
n→+∞ p(1 − p)
X n (1 − X n ) X n (1 − X n )
Donc en vertu de la caractérisation de la convergence en loi avec les fonctions de répar-
titions, pour tout a ¾ 0,
p !
n(X n − p)
P −a ¶ q ¶ a −−−−→ Ca = φ(a) − φ(−a),
n→+∞
X n (1 − X n )
 q q 
X n (1 − X n ) X n (1 − X n )
c’est-à-dire, avec I a,n = −a p + X n, a p + X n , P(p ∈ I a,n ) −−−−→
n n n→+∞

Ca .
En prenant Ca suffisamment petit, à partir d’un certain rang, P(p ∈ I a,n ) ¶ 1 − α : I a,n est
un intervalle de confiance à α près.
Complétons ce théorème par un autre théorème limite, le théorème des évènements
rares de Poisson. Il faut faire attention car la preuve du Ouvrard présente une imprécision
sur le logarithme complexe.
Théorème 3 (Théorème des événements rares)
Soit pour tout n ∈ N∗ une famille finie {An, j |1 ≤ j ≤ Mn } d’évènements indépendants.
Mn
On pose pn, j = P(An, j ) et on note Sn =
P
1An, j On suppose que la suite de terme général
j=1
Mn tend en croissant vers +∞ et que
Mn
X
sup pn, j −−−−→ 0, pn, j −−−−→ λ
1≤ j≤Mn n→+∞ n→+∞
j=1

où λ > 0. Alors la suite (Sn )n∈N∗ converge en loi vers la loi de Poisson P (λ) de paramètre
λ.

Gabriel LEPETIT 2 ENS Rennes - Université Rennes 1

Démonstration. Soit t ∈ R. Par indépendance des An, j , la fonction caractéristique de Sn est

Mn
Y Mn
Y  
ϕSn (t) = (pn, j e + (1 − pn, j )) =
it
1 + pn, j (e i t − 1) .
j=1 j=1

On pose z = e i t − 1. Comme sup pn, j −−−−→ 0, il existe N ¾ 1 tel que pour n ¾ N , et

1≤ j≤Mn n→+∞
1   
de sorte que 1 + pn, j z = exp log 1 + pn, j z où log désigne une
j ∈ {1, . . . , Mn }, |pn, j z| <
2
détermination principale du logarithme complexe sur le plan fendu de Cauchy C \ R− .
Or, par la formule de Taylor avec reste intégral, si |w| < 1,
Z 1
1
log(1 + w) = w − w 2
(1 − u) du
0
(1 + uw)2
u 1
Si n ¾ N , et u ∈ [0, 1], j ∈ J1, Mn K, |1 + upn, j z| ¾ 1 − upn, j |z| ¾ 1 − ¾ , d’où
2 2
 Z1   
Mn Mn Mn
 –X
 ™
1 − u
X  X 
2 2
p du ¶ 2  p  ¶ 2 sup pn, j pn, j −−−−→ 0.
   
 j=1 n, j 0 (1 + upn, j z)2   j=1 n, j 

1≤ j≤Mn n→+∞
j=1

Donc par la formule de Taylor précédente et par hypothèse,

Mn Mn Mn Z 1
X X X 1−u
log(1 + pn, j z) = z pn, j − z 2 2
pn, du −−−−→ λz.
j=1 j=1 j=1
j
0
(1 + upn, j z)2 n→+∞

Donc ‚M Œ
X n

exp log(1 + pn, j z) −−−−→ exp(λz) = exp(λ(e i t − 1),

n→+∞
j=1

fonction caractéristique
M  deM Poisson P (λ).
d’une loi
Mn
Pn Qn
log(1 + pn, j z) = exp(log(1+ pn, j z)) = 1+ pn, j z = ϕSn (t), donc selon
Q
Mais exp
j=1 j=1 j=1
le théorème de Lévy, (Sn )n∈N∗ converge en loi vers P (λ).

Remarque. Pour compléter ce développement un peu court, on peut calculer la fonction

caractéristique d’une loi normale (cf « Inversion de Fourier » ). Dans la leçon 218, il est bien-
venu de mentionner le théorème des évènements rares de Poisson plutôt que la recherche
d’un intervalle de confiance.

Références :
• Philippe BARBÉ et Michel LEDOUX (2007). Probabilité. EDP Sciences, pp. 136-138.
• Jean-Yves OUVRARD (2009). Probabilités (Master Agrégation). T. 2. Cassini, p. 311
(évènements rares).

Gabriel LEPETIT 3 ENS Rennes - Université Rennes 1