Chapitre 27

Probabilités sur un univers quelconque

I. Espaces probabilisés
A. Tribu d’une famille de parties d’un ensemble
Définition
Soit  un ensemble quelconque et T un sous-ensemble de P () [ T est formé de parties de  ].
On dit que T est une tribu sur  lorsque les propriétés suivantes sont satisfaites
i.  T ;

ii. A T , A T ;
iii. Pour toute famille ( Ai )i d’éléments de T on a Ai T .
i

♦ P () désigne l’ensemble des parties de  .

♦ A=\ A.
Propriétés
Si T est une tribu sur  alors :
i.  T .
ii. A, B T on a A  B T , A  B T , A \ B T et AB T .

iii. Pour toute famille ( Ai )i d’éléments de T on a Ai T .

i

Preuve
i.  T   =  T .
ii. Soit ( A, B) T 2 on définit la famille ( Ai )i d’éléments de T par : A0 = A, A1 = B et i  2, Ai =  .
On a, d’après la définition, Ai T ; en outre, Ai = A  B donc A  B T .
i i

( A, B) T 2   A T , B T   A  B T  A  B = A  B T .

( A, B) T 2   A T , B T   A  B = A \ B T .
( A, B) T 2   A \ B T , B \ A T   ( A \ B)  ( B \ A) = AB T .

iii. Si ( Ai )i est une famille d’éléments de T alors Ai ( ) i

est aussi une famille d’éléments de T donc

Ai T , il en résulte que Ai = Ai T .
i i i

Exemples
Soit  un ensemble.
1. T = ,  est une tribu sur  , elle est appelée tribu grossière.

 
2. A une partie propre (*) de  , T = , A, A,  est une tribu sur  , appelée tribu de Bernoulli.
3. P () est une tribu sur  .
(*)
A   , A   et A   .
-1-
►Une tribu est aussi appelée  -algèbre.
Tribu engendrée par une famille de parties
Théorème et définition
 un ensemble, F une famille de parties de  .
Il existe une tribu unique de parties de  , notée  (F ) , vérifiant :
i. F   (F ) .
ii. Pour toute tribu T de parties de  , on a : F  T   (F )  T .
Autrement dit,  (F ) est la plus petite tribu (au sens de l’inclusion) contenant F .

Exemples
1.Si F est une tribu alors  (F ) = F .


2. A une partie donnée de  ,  ( A) = , A, A,  . 

3. A et B deux parties données de  telles que A  B =  ,  ( A, B) = , A, B, A  B, A, B, A  B,  . 
B. Espaces probabilisables
Épreuve ou phénomène aléatoire
On qualifie d’aléatoire, toute épreuve ou phénomène admettant plusieurs issues.
Exemples
1. Le lancer d’une pièce de monnaie, deux issues : ″Pile″ ou ″Face″ ;
2. Le lancer d’un dé cubique numéroté, six issues pour le chiffre qui apparait sur la face supérieure.
3. Le tire sur une cible, deux issues : succès ou échec.
4. Le nombre de véhicules traversant un poste de péage d’une autoroute entre 9H et 10H.
Définitions
1. Un résultat ou une issue de l’épreuve aléatoire s’appelle éventualité ou événement élémentaire.
2. L’ensemble de toutes les issues de l’épreuve aléatoire s’appelle Univers et se note souvent  .
3. Un événement est dit lié à l’épreuve aléatoire, si pour toute éventualité on sait dire si cet événement
a eu lieu ou pas (c'est-à-dire est ce que l’éventualité réalise ou non l’événement).
Définition
Soit  l’univers d’une épreuve aléatoire. Si tous les événements liés à cette épreuve aléatoire forment une
tribu T de parties  , on dit que le couple (,T ) est un espace probabilisable.

Cas particulier important

Si l’univers  est fini ou dénombrable alors la tribu des événements est T =P (Ω) .
P (Ω) désignant l’ensemble des parties de  .

Terminologie
Soit (,T ) un espace probabilisable associé à une épreuve aléatoire.
 s’appelle l’événement certain.
 s’appelle l’événement impossible.

Si A T , A s’appelle l’événement complémentaire ou contraire de l’événement A.

-2-
A, B T .
La réalisation de A et B simultanément est l’événement A  B .
La réalisation de l’un au moins des événements A et B est l’événement A  B .
Si A  B =  on dit que les événements A et B sont incompatibles.
On dit qu’une famille ( Ai )iI d’éléments de T est un système complet d’événements lorsque l’on a
i. (i, j )  I 2 , i  j  Ai  Aj =  .
ii. Ai =  .
iI

Tribu engendrée par un système complet d’événements

Si F = ( Ai )iI est un système complet d’événements,  (F ) est appelée tribu engendrée par le système
complet d’événements ( Ai )iI .

C. Probabilité –Espace probabilisé

Définition
Soit (,T ) un espace probabilisable, on appelle probabilité toute application p : T →  0,1 telle que :
i. p () = 1 .
+ +
ii. Pour toute famille ( Ai )i d’événements de T incompatibles deux à deux on a : p( An ) =  p( An ) .
n =0 n =0

Le triplet (,T , p) s’appelle espace probabilisé.

Propriétés
Soit (,T , p) un espace probabilisé.

1. p () = 0 .

2. A, B T , A  B =   p( A  B) = p( A) + p( B) [propriété d’additivité].

Plus généralement, A1 ,..., An T tels que i  j  Ai  Aj =  , on a

p ( A1  ...  An ) = p ( A1 ) + ... + p ( An ) .

3. A, B T , p ( A  B) = p( A) + p( B) − p( A  B) [additivité forte].

4. A T , p( A) = 1 − p( A) .

5. A, B T , A  B  p( A)  p( B) [propriété de croissance].

Preuve
1. On considère la famille ( An ) n d’éléments de T définie par : An =  pour tout n  .
+ +
On a (i, j )  2
, i  j  Ai  Aj =  donc, d’après la propriété de  -additivité, p( An ) =  p( An )
n =0 n =0
+
c'est à dire p() =  p() ; cette relation a lieu si, et seulement si, p () = 0 .
n =0

2. Soit ( A, B) T 2 tel que A  B =  , considérons la famille ( An ) n d’éléments de T définie par :

A0 = A , A1 = B et An =  pour tout n  2 .

-3-
Ladite famille est formée d’événements incompatibles deux à deux donc, d’après la propriété de  -
+ + +
additivité, p( An ) =  p( An ) et comme An = A  B et p () = 0 alors p ( A  B) = p( A) + p( B) .
n =0 n =0 n =0

Le cas général se démontre par récurrence.

3. On écrit : A  B = ( A \ B )  B et A = ( A \ B )  ( A  B ) .

( A \ B)  B =   p( A  B) = p ( A \ B) + p ( B) (*)
et ( A \ B)  ( A  B) =   p( A) = p( A \ B) + p( A  B) (**).

De (*) et (**) on déduit que p ( A  B) = p( A) + p( B) − p( A  B) .

4. On a A  A =  et A  A =  donc 1 = p() = p( A) + p( A) . Ainsi, p( A) = 1 − p( A) .

0

5. Si A  B ; B = A  ( B \ A) et A  ( B \ A) =  donc p( B) = p( A) + p( B \ A) ; Ainsi, p ( B )  p ( A) .

Autres propriétés
Soit (,T , p) un espace probabilisé.
+
1. Si ( An ) n est un système complet d’événements de T alors  p( An ) = 1 .
n =0

2. Si ( An ) n est une suite croissante d’événements de T (c’est-à-dire n  , An  An +1 ) alors

+
p( An ) = lim p( An ) (Continuité croissante).
n →+
n =0

3. Si ( An ) n est une suite décroissante d’événements de T (c’est-à-dire n  , An +1  An ) alors

+
p( An ) = lim p( An ) (Continuité décroissante).
n →+
n =0

Preuve
+ +
1. Les Ak incompatibles deux à deux et Ak =  donc 1 = p() =  p(Ak ) (Propriété de  -additivité).
k =0 k =0

2. Soit ( An ) n une suite croissante d’événements de T , définissons la suite ( Bn ) n des événements de

T par : B0 = A0 et n  *
, Bn = An − An −1 (On remarque que n  , Bn  An ).
●Les Bk sont incompatibles deux à deux ; en effet, soit (i, j )  2
tel que i  j , supposons par exemple
que i  j , si x  Bi  B j alors x  A j −1 (Car, Bi  Ai  Aj −1 du fait que i  j − 1 ). En plus,
x  B j = Aj − Aj −1 donc x  A j −1 ; ce qui est absurde.
+ + + +
● Ak = Bk ; en effet, k  , Bk  Ak donc Bk  Ak , établissons l’inclusion inverse, soit
k =0 k =0 k =0 k =0
+
x Ak et soit k 0 le plus petit entier tel que x  Ak0 , si k0 = 0 alors x  B0 et si k0  1 alors x  Ak0 et
k =0
+
x  Ak0 −1 donc x  Bk0 ; dans chacun de ces deux cas on a prouvé que x  Bk .
k =0
n n
Par un raisonnement analogue, on établit aussi que, pour tout n  , Ak = Bk .
k =0 k =0

-4-
 + + +
En conséquence, p( Ak ) = p( Bk ) =  p( Bk ) (1) (Propriété de  -additivité).
k =0 k =0 k =0
n n n n
Soit n  , on a An = Ak = Bk donc p( An ) = p( Bk ) =  p( Bk ) .
k =0 k =0 k =0 k =0
+
En faisant tendre n vers + , on obtient : lim p( An ) =  p( Bk ) (2).
n →+
k =0
+
De (1) et (2), on déduit que p( Ak ) = lim p( An ) .
n →+
k =0

3. Soit ( An ) n une suite décroissante d’événements de T , la suite ( An ) n est croissante ; en appliquant le

+
résultat ci-dessus, on a : p( An ) = lim p( An ) = lim (1 − p( An )) = 1 − lim p( An ) (3).
n →+ n →+ n →+
n =0
+ + + +
En outre, An = An donc p( An ) = 1 − p( An ) (4).
n =0 n =0 n =0 n =0
+
De (3) et (4), on déduit que p( An ) = lim p( An ) .
n →+
n =0

Corollaire
Pour toute suite ( An ) n d’événements de T , on a :
+ n + n
i. p( Ak ) = lim p( Ak ) . ii. p( Ak ) = lim p( Ak ) .
n →+ n →+
k =0 k =0 k =0 k =0

Preuve
n + + + +
i. On pose Bn = Ak , ( Bn ) n est croissante et Ak = Bk donc p( Ak ) = p( Bk ) = lim p( Bn ) .
n →+
k =0 k =0 k =0 k =0 k =0
n + + + +
ii. On pose Bn = Ak , ( Bn ) n est décroissante et Ak = Bk donc p( Ak ) = p( Bk ) = lim p( Bn ) .
n →+
k =0 k =0 k =0 k =0 k =0

Terminologie
(,T , p) un espace probabilisé.
Un événement de T de probabilité égale à 1 est appelé événement quasi-certain.
Un événement de T de probabilité nulle est appelé événement négligeable ou quasi-impossible.
D. Probabilité conditionnelle
Définition
Soit (,T , p) un espace probabilisé. B T un événement non quasi-impossible, c'est-à-dire p ( B )  0 ,
A T un événement quelconque, on appelle probabilité conditionnelle de A sachant que B est réalisé, le
nombre noté p ( A / B ) ou pB ( A) défini par
p( A  B)
p( A / B) = .
p( B)

Proposition
Avec les mêmes hypothèses de la définition ci-dessus.
p( A  B)
L’application pB : T →  0,1 , A pB ( A) = est une probabilité
p( B)

Preuve : Faire à titre d’exercice.

-5-
Formule des probabilités composées
Proposition
Soit (,T , p) un espace probabilisé et soit ( A,B ) T  T .

●Si p ( B )  0 alors p ( A  B ) = p ( A / B )  p ( B ) .

●Si p ( A)  0 on a aussi p ( A  B ) = p ( B / A)  p ( A) .

En général nous avons

Proposition
Soit (,T , p) un espace probabilisé, A1 ,..., An T des événements tels que p( A1  ...  An )  0 , on a

p( A1  ...  An ) = p( A1 )  p( A2 / A1 )  p( A3 / A1  A2 )  ...  p( An / A1  ...  An −1 ) .

Preuve : Par récurrence.

Événements indépendants
Définitions
(,T , p) un espace probabilisé.

●On dit que deux événements A et B de T sont indépendants lorsque l’on a p ( A  B ) = p ( A)  p ( B ) .

● ( Ai )iI une famille deT .

i. On dit que les événements Ai sont indépendants deux à deux, lorsque l’on a
(i, j )  I 2 , i  j  p ( Ai  A j ) = p ( Ai )  p ( A j ) .

ii. On dit que les événements Ai sont mutuellement indépendants, lorsque l’on a
J  I , p( Ai ) =  p( Ai ) .
iJ iJ

Nous avons l’implication : mutuellement indépendants  indépendants deux à deux.

Formule des probabilités totales – Formules de BAYES

Proposition
(,T , p) un espace probabilisé, soit ( Ai )iI un système complet d’événements (I au plus dénombrable(*)).
On suppose en outre que i  I , p( Ai )  0 . Pour tout A T , on a
p( A) =  p( Ai )  p( A / Ai ) [Formule des probabilités totales]
iI

Preuve : A = A   = A  Ai , on applique la formule des probabilités composées et la  -additivité.

iI
(*)
I au plus dénombrable signifie : I fini ou dénombrable.
Corollaire
Avec les hypothèses et les notations de la proposition ci-dessus, on a, pour tout B T tel que p ( B )  0 ,
p( Aj )  p( B / Aj )
j  I , p( A j / B) = [Formules de BAYES].
 p( A )  p( B / A )
iI
i i

-6-
II. Variables aléatoires
A. Généralités
Définition
Soit (,T ) un espace probabilisable.
On appelle variable aléatoire, toute application X :  → vérifiant, pour tout nombre réel a,
l’ensemble   , X ( )  a est un élément de la tribu T .

Notations usuelles
Soit X :  → une variable aléatoire.
● Pour A  ,  X  A = X −1 ( A) =    / X ( )  A .

● Pour x  ,  X = x  = X −1 ( x) =    / X ( ) = x .

● Pour x  ,  X  x  =    / X ( )  x .

Fonction de répartition
Définition
Soit X une variable aléatoire définie sur un espace probabilisé (,T , p) , on appelle fonction de
répartition de X la fonction numérique FX définie sur par :
x  , FX ( x) = p( X  x ) .

Propriétés
Soit X une variable aléatoire et soit FX sa fonction de répartition. FX possède les propriétés suivantes :
i. FX est croissante.
ii. FX est continue à droite en tout point de .
iii. lim FX ( x) = 0 et lim FX ( x) = 1 .
x →− x →+

iv. Pour tout (a, b)  2

tel que a  b , on a : p( a  X  b ) = FX (b) − FX (a) .
v. Pour tout a  , p([ X = a]) = FX (a) − lim FX ( x) .
x →a , x  a

En particulier si FX est continue au point a alors p ([ X = a ]) = 0 .

Loi d’une variable aléatoire

Définition
(,T , p) un espace probabilisé, X :  → une variable aléatoire.
L’application PX qui associe à chaque intervalle I de le nombre PX ( I )   0,1 tel que PX ( I ) = p ( X  I )
s’appelle loi de la variable aléatoire X.
Variables aléatoires indépendantes
Définition
Les variables aléatoires X 1 ,..., X n définies sur un même espace probabilisé (,T , p) sont dites
indépendantes si, pour tous intervalles I1 ,..., I n de et pour tout sous ensemble J de 1, n on a :
 
p   X k  I k   =  p( X k  I k ) .
 kJ  kJ
-7-
B. Variables aléatoires discrètes.
Définition
X une variable aléatoire définie sur un espace probabilisé (,T , p) .On dit que X est une variable aléatoire
discrète lorsqu’il existe une partie S de au plus dénombrable telle que p ( X  S ) = 1 .
En particulier, si X () est au plus dénombrable alors X est une variable aléatoire discrète.

Proposition
Si X une variable aléatoire discrète sur un espace probabilisé (,T , p) alors ( X = x ) xX (  )
est un
système complet d’événements.

Paramètres d’une variable aléatoire

(,T , p) un espace probabilisé, X :  → une variable aléatoire discrète.
On pose : X () =  x1 , x2 ,...., xn ,.... .

Espérance
Définition
On dit que X possède une espérance lorsque la série  x p ( X = x ) converge absolument, dans ce cas le
n n

+
nombre noté E ( X ) tel que E ( X ) =  xn p ( X = xn ) s’appelle : espérance de X.
n =1

Si X () est fini l’espérance existe.

Formule de transfert
Théorème
Conservons les hypothèses et les notations ci-dessus.  : → une application,  X est une variable
aléatoire, notée  ( X ) . Si  X admet une espérance celle-ci est donnée par :
+
E ( X ) =   ( xn ) p ( X = xn ) [Formule de transfert]
n =1

Variance- Écart-type- Variable aléatoire centrée- Variable aléatoire réduite

On reprend les notations et les hypothèses ci-dessus
Définitions

1. Si X admet une espérance et si la série  (x n − E ( X )) 2 p ( X = xn ) converge, le nombre noté V ( X ) ,

+
V ( X ) =  ( xn − E ( X ))2  p( X = xn ) = E ( ( X − E ( X )) 2 )
n =1

s’appelle variance de X.
2. Le nombre  ( X ) = V ( X ) s’appelle écart-type de X.

3. Si E ( X ) = 0 on dit que la variable aléatoire X est centrée.

4. Si V ( X ) = 1 on dit que la variable aléatoire X est réduite.

-8-
Quelques propriétés
i. V ( X ) = E ( X ) −  E ( X )  .
2 2

ii. (a, b)  2
, E (aX + b) = aE ( X ) + b .

iii. a  , V (aX + b) = a 2V ( X ) .
X − E( X )
iv. Si on pose X =
*
alors E ( X * ) = 0 et V ( X * ) = 1 , c'est-à-dire X * est centrée réduite.
 (X )
►La relation i. est souvent utilisée pour le calcul de la variance.

C. Lois discrètes infinies usuelles

Dans ce paragraphe X désigne une variable aléatoire discrète,  l’univers.

1. Loi géométrique ou temps d’attente.

On considère une épreuve de Bernoulli, le succès de probabilité p, on répéte cette épreuve, les essais étant
supposés mutuellement indépendants, on s’intéresse au premier succès.
X la variable aléatoire désignant le kème essai donnant le premier succès.
Théorème et définition
Avec les hypothèses et notations ci-dessus, on a X () = *
et
k  *
, p( X = k ) = p(1 − p) k −1 .
On dit que la variable aléatoire X suit une loi géométrique de paramètres p, on écrit X G ( p ) .

Preuve : Notons Ak l’événement″ le succès a eu lieu au kème essai″, Ak son complémentaire.

 X = k  = A1  ...  Ak −1  Ak .
Les essais sont mutuellement indépendants et on a p ( Ak ) = p ; p ( Ak ) = 1 − p donc

p( X = k ) = p( A1 )  ...  p( Ak −1 )  p( Ak ) = (1 − p) k −1  p .

Espérance et variance

1 1− p
Si X G ( p ) alors E ( X ) = et V ( X ) = 2 .
p p
Preuve : Faire à titre exercice.

2. Loi de Poisson
Modèle
1. Nombre d’appels reçus par un centre d’appels durant une période donnée T.
2. Nombre de clients arrivant devant un guichet automatique d’une banque durant une journée
Définition
On dit que la variable aléatoire X suit une loi de Poisson de paramètre   0 , on écrit X P ( ) , si on a
k
, p( X = k ) = e 
−
X () = et k  .
k!
-9-
Espérance et variance
Si X P ( ) alors E ( X ) =  et V ( X ) =  .

Preuve : Faire à titre exercice.

III. Couple de variables aléatoires
Définition
X et Y deux variables aléatoires discrètes définies sur un même espace probabilisé (,T , p) .
Le couple ( X , Y ) des variables aléatoires X et Y est l’application
( X ,Y ) :  → 2
.
 ( X ( ), Y ( ))

Notons X () =  x0 , x1 ,....., xn ,.... et Y () =  y0 , y1 ,....., yn ,.... .

Loi d’un couple

Définition
Avec les notations ci-dessus.
L'application  : X ()  Y () → 0,1
( xi , y j ) (
pi , j = p  X = xi   Y = y j  )
s’appelle loi du couple ( X , Y ) .

Cas de deux variables aléatoires indépendantes

Avec les notations de la définition ci-dessus, si X et Y sont indépendantes alors pour tout couple
(i, j )  2
( )
, on a : pi , j = p  X = xi   Y = y j  = p( X = xi )  p( Y = y j  ) .

Somme de deux variables aléatoires

Proposition
X et Y deux variables aléatoires discrètes définies sur un même espace probabilisé (,T , p) .
Notons X () =  x0 , x1 ,...., xn ,... , Y () =  y0 , y1 ,...., yn ,... .

Soit la variable aléatoire Z = X + Y . On pose, pour tout z  Z () , I z = (i, j )   2

/ xi + yi = z .
La loi de la variable aléatoire Z = X + Y est donnée par :
z  Z () , p ( X + Y = z ) =  p ( X = x   Y = y  ) = 
( i , j )I z
i j
( i , j )I z
pi , j .

Preuve : Il suffit d’écrire  X + Y = z  =

( i , j )I z
( X = x   Y = y  ) .
i j

Espérance de g ( X , Y ) .

Proposition
X et Y deux variables aléatoires discrètes définies sur un même espace probabilisé (,T , p) .
g une application définie sur X ()  Y () et à valeurs réelles, si la variable aléatoire Z = g ( X , Y )
possède une espérance, celle-ci est donnée par la formule suivante, dite formule de transfert,
E (Z ) =  g ( x, y ) p( X = x   Y = y ) .
( x , y )X (  )Y (  )

-10-
Quelques propriétés de l’espérance
  , X et Y deux variables aléatoires discrètes définies sur un même espace probabilisé (,T , p) .
Si X et Y possèdent des espérances on a :
i. E ( X + Y ) = E ( X ) + E (Y ) .
ii. E ( X ) =  E ( X ) .

iii. X  0  E ( X )  0 (positivité).

iv. X  Y  E ( X )  E (Y ) (croissance).

v. Si X =  constante alors E ( X ) =  .

vi. Si X et Y sont indépendantes alors E ( XY ) = E ( X )  E (Y ) .

Stabilité des lois binomiale et de Poisson

Proposition
●Si X et Y sont deux variables aléatoires indépendantes suivant respectivement des lois binomiales
B (n1 , p ) et B ( n2 , p ) alors la variable aléatoire X + Y suit la loi binomiale B (n1 + n2 , p ) .

●Si X et Y sont deux variables aléatoires indépendantes suivant respectivement des lois de Poisson
P (1 ) et P (2 ) alors la variable aléatoire X + Y suit la loi de Poisson P (1 + 2 ) .

IV. Convergence et approximations

Inégalité de Markov
X une variable aléatoire discrète sur un espace probabilisé (,T , p) .

m = E ( X ) avec X ()  +
, on a :

, p ( X   m ) 
1
  *
+ .


Preuve : On pose X () =  x0 , x1 ,...., xn ,.... et pi = p  X = xi  , on a X ()  ( ) +

donc xi  0 pour tout i.
0

m = E( X ) = 
xi  X (  )
pi xi = 
xi   m
pi xi + 
xi   m
pi xi donc m  
xi   m
pi xi   m  pi (1).
xi   m

 X   m =  X = xi  donc p ( X   m) =  pi (2).

xi   m xi   m

De (1) et (2) on déduit que p ( X   m) 

1

Inégalité Bienaymé Tchebechev :
X une variable aléatoire discrète sur un espace probabilisé (,T , p) , m = E ( X ) et  =  ( X ) ,   0 .

2
  0 , p( X − m   )  2 .

-11-
Preuve : On pose Y = X − m , X − m    Y   2 et E (Y ) = V ( X ) =  2 .
2

 2 2  2
( 
2
)
D’après l’inégalité de Markov, appliquée à Y, p ( X − m   ) = p Y    = p  Y  2     2 .
 

Loi faible des grands nombres
Proposition
Soit ( X n ) n * une suite de variables aléatoires discrètes sur un espace probabilisé (,T , p) de même loi
ayant une espérance m et une variance  2 et qui sont supposées indépendantes.
n
Posons X n = n1  X k , on a :
k =1

  0, p(  X n − m    ) → 0 .
  n→+

Preuve
En utilisant l’inégalité de Bienaymé Tchebechev, on montre que :
2
  0, p(  X n − m   )  2 .
  n

►L’application de cette loi à des variables de Bernoulli permet de justifier l’approche intuitive de la
probabilité d’un événement consistant à répéter indéfiniment et avec indépendance une épreuve à deux
issues, succès de probabilité p et échec de probabilité 1 − p , le nombre moyen de succès en n épreuves,
désigné par X n , converge en probabilité vers p.

Approximation d’une loi binomiale par une loi de Poisson

Proposition
Si ( X n ) n * est une suite de variables aléatoires discrètes (*) sur un espace probabilisé (,T , p) telle que,
pour tout n  *
, X n suit une loi binomiale B (n, n ) (   0 donné) .
Pour tout k  , p( X n = k ) → p( X = k ) où X est une variable aléatoire suivant une loi de Poisson de
n →+

paramètre  .
(*)
L’hypothèse d’indépendance n’est pas nécessaire.

*************
****

-12-