2 LIC-RO-STAT- Sect-A.

Probabilité 2- 2021-2022
CHAPITRE 4
Convergence de Variables Aléatoires

1. Inégalités utiles
On présente deux inégalités utiles en théorie des probabilités qui permettent de borner certaines probabilités
lorsque seulement l’espérance et la variance de la distribution sont connues
.
1.1 Inégalité de Markov.
Soit X une v.a réelle positive dé…nie sur un espace de probabilité ( ; A; P ) ; de moyenne E(X) …nie et soit a un
réel strictement positif on a:

E(X)
8 a > 0; P (X a)
a

Preuve.
On supose que X est une v.a.réelle à densité
R
+1 Ra R
+1
E(X) = x f (x)dx = x f (x)dx + x f (x)dx
0 0 a
donc
R
+1 R
+1
E(X) x f (x)dx a f (x)dx car x a
a a
R
+1 E(X)
Donc E(X) a f (x)dx = a P (X a) ) 8 a > 0; P (X a) :
a a
Exemple 1.
Une entreprise de distribution traite 48 commandes en moyenne par jour. Quelle est la probabilité qu’elle
traite au moins 60 commandes un jour donné.
Solution.
Soit X: le nombre de commande par jour .
On a: E(X) = 48 , on applique donc l’inégalité de Markov:

E(X) 48
P (X 60) ) P (X 60) = 0:8
60 60
1.2 Inégalité de Bienaymé-Chebychev.
Soit X une v.a d’espérance E(X) et de variance …nie V ar(X) et soit k un réel strictement positif on a:

V ar(X)
8k > 0; P ( j X E(X)j k)
k2
Preuve.
E(Y )
D’aprés l’inégalité de Markov , 8 a > 0; P (Y a)
a
Posons Y = ( X E(X))2 ; ainsi
E( [X E(X)] 2 )
8 a > 0; P(( X E(X))2 a)
a
p V ar(X)
) P ( j X E(X)j a) :
p a
Soit : k = a ) k2 = a
V ar(X)
Ainsi: 8k > 0; P [ j X E(X)j k]
k2
Remarques.
V ar(X) V ar(X)
1- Aussi on a 8k > 0; P ( j X E(X)j k) () P (j X E(X)j k) 1 :
k2 k2
2- L’inégalité de Bienaymé-Chebychev fournit une majoration ou une minoration loin d’être proche de la proba-
bilité exacte.

1
 Chap4. Proba2. 2021-2022.

2. Les modes de convergences aléatoires.

On considère une suite in…nie de variables aléatoires réelle fX1 ; X2 ; :::; Xn ; :::g dé…nies sur un même espace de
probabilité ( ; A; P ) notée fXn ; n 1g et soit une autre v.a. réelle X dé…nie sur un même espace de probabilité
( ; A; P ):
La convergence de suites de variables aléatoires est un concept important de la théorie des probabilités utilisé
notamment en statistique et en dans l’étude des processus stochastiques, il existe di¤érentes notions de
convergence de variables aléatoires:

2.1 Convergence en Probabilité.

Dé…nition 2.1.
On dit que la suite fXn , n 1g converge en probabilité vers la v.a X si,

8" > 0 ; lim P ( jXn Xj > " ) = 0

n!+1
P
On note: Xn ! X:
n!+1

Remarque. La variable aléatoire X peut être éventuellement égale à une constante réelle c.

2.2 Convergence en Moyenne d’ordre p.

Dé…nition 2.2. On dit que la suite fXn , n 1g converge en moyenne d’ordre p 2 N vers une v.a X , si

lim E( jXn Xjp ) = 0

n!+1
Lp
et on note: Xn ! X:
n!+1

Remarque:
Pour p = 1;on dit convergence en moyenne et pour p = 2 on dit convergence en moyenne quadratique.

2.3 Convergence presque sûre (convergence forte)

C’est la convergence presque partout des fonctions mesurables.

Dé…nition 2.3. On dit que la suite fXn , n 1g converge presque sûrement vers la v.a X ,si il existe un
sous-ensemble A tel que P (A) = 1 et

8w 2A; lim Xn (w) = X(w)

n!+1
ou encore:
P w2 : lim Xn (w) = X(w) =1
n!+1

p:s
et on note: Xn ! X:

Ils existent d’autres critères de convergences presque sûre:

p:s
Xn ! X , P ( lim Xn = X) = 1
n!+1

, 8" > 0; P lim sup f jXn Xj > " g = 0:

n

, 8" > 0; P lim inf f jXn Xj < " g = 1:

n
On montre souvent la convergence presque sûre en utilisant la condition su¢ sante suivante:
P
+1 p:s
8" > 0; la série de terme général P (j Xn Xj > ") converge =) Xn ! X:
n=1

2
 Chap4. Proba2. 2021-2022.

2.4 Convergence en Loi.

Soientt fXn , n 1g et X des v.a.réelles de fonctions de répartitions Fn et F respectivement.

Dé…nition 2.4. La suite fXn , n 1g converge en Loi vers la v.a X si et seulement si,

lim FXn (x) = FX (x); en tout point x où F est continue:

n!+1
L
On note: Xn ! X et on dit que la loi de X est le loi limite de la suite fXn , n 1g :

Exemple 2.
Soit la fonction de répartition de la suite fXn , n 1g :
8
>
> 0 si x < 1 n1
>
>
<
1
FXn (x) = 2 si 1 n1 x < 1 + n1
>
>
>
>
:
1 si 1 + n1 x
On trouve : 8
>
> 0 si x<1
>
>
<
1
lim FXn (x) = 2 si x=1 , discontinue en x = 1.
n!+1 >
>
>
>
:
1 si x>1
Soit la fonction de répartition de la v.a X:

0 si x < 1
FX (x) =
1 si x > 1
L
Donc: lim FXn (x) = FX (x) (pour x 6= 1) . Alors Xn ! X:
n!+1

3- Hiearchies des convergences:

Théorème 3.1. Soit fXn , n 1g une suite de v.a alors on a :
p:s P L
Xn ! X =) Xn ! X =) Xn ! X:
*
Lq Lp
Xn ! X (q > p) =) Xn ! X

Remarques:
1- La convergence en loi est la convergence la plus faible.
L P
2- Xn ! X ; Xn ! X

4- Convergence de la loi Binomiale vers la loi Normale.

Théorème 4.1. ( De Moivre-Laplace)
Soit fXn , n 1g une suite de v.a Binomiale i.e Xn ! B(n; p) de paramètre …xé p 2 ]0; 1[ alors la v.a:

Xn np L
Zn = p !Z (Z de Loi Normale N (0; 1)):
np(1 p)

En pratique:
Si X ! B(n; p); on peut approximer X par la loi normale N (np; npq): On donne généralement comme conditions:
n > 30; np > 5 et nq > 5: avec: q = 1 p.

3
 Chap4. Proba2. 2021-2022.

5- Convergence de la loi de Poisson vers la loi Normale

Théorème 5.1
Soit fXn ,n 1g une suite de v.a de poisson Xn ! P(n ) où est un réel positif …xé, alors la v.a:

Xn n L
Zn = p !Z (Z de Loi Normale N (0; 1))
n
En pratique: Si X ! P( ) on peut l’approximer par la loi normale N ( ; ), on donne généralement comme
condition: > 18:

6- Loi Forte des grands Nombres. (Kolmogorov.1929)

Théorème 6.1. Soit fXn , n 1g une suite de v.a réelles indépendantes de même loi et adméttant une
espérance …nie: E(Xi ) = u (i 1); alors la variable aléatoire moyenne empirique :
n
1X p:s
Xn = Xi ! u
n n!+1
i=1

i.e: que la moyenne des n premiers termes d’une suite de v.a converge presque sûrement vers une constante u
(non aléatoire), lorsque n tend vers l’in…ni.

7- Théorème Central Limite (TCL)

Le théorème centrale limite est un théorème fondamental, non seulement en probabilités mais également en
statistique mathématique. Il a¢ rme qu’une somme …nie de v.a indépendantes de même loi et de variance …nie
converge en loi vers une variable aléatoire qui suit la loi Normale.
Théorème 7.1.

Soit fXn , n 1g une suite de n v.a réelles indépendantes et identiquement distribuées (i.i.d) d’espérance
…nie E(X i ) = u et de variance …nie V ar(X i ) = 2 .
Pn
Considérons la somme Sn = Xi alors E(S n ) = nu et V ar(Sn ) = n 2 :
i=1
Alors la variable aléatoire:

Sn E(S n ) Sn nu L
Zn = p = p ! Z ; ( Z de loi normale centrée réduite N (0; 1)):
V ar(S n ) n n!+1

P
n
2
Cela signi…e que: Sn = Xi converge en loi vers la loi normale N (nu; n ):
i=1

4
 Chap4. Proba2. 2021-2022.

Exercice 6. Série4.
Soit Xk une v.a telle que E(Xk ) = V ar(Xk ) = 1.
P36
Calculer la probabilité: P Xk < 42 avec X1 ; X2 ; :::; X36 des v.a indépendantes et identiquement distribuées.
k=1

Solution.
P36
L
D0 aprés le théorème centrale limite: Xk ! N (36 E(X) ; 36 V ar(X)) N 36 ; 36 :
2 k=1 3
P36
6 Xk 36
P36
6 k=1 42 36 7
7
P Xk < 42 = P 6 p < p 7
k=1 4 36 36 5

= P [Z < 1] = (1) , Z ! N (0; 1)

donc
P
36
P Xk < 42 = 0:8413
k=1

Exercice 7. Série4.
P
50 1
Soit la somme S = Xk avec Xk une v.a de loi géométrique de paramètre :
k=1 4
Sachant que les v.a Xk sont indépendantes, calculer P (S < 201):

Solution.
3
1 1 1 q 4
Xk ! g( ) , E(Xk ) = = 1 = 4; V ar(Xk ) = 2 = 1 = 12; 8k = 1; :::; 50:
4 p 4
p 16
D0 aprés le théorème centrale limite:

P
50
L
S= Xk ! N (50 E(X) ; 50 V ar(X)) N (50 4; 50 12) N (200; 600):
k=1

Donc:
S 200 201 200
P (S < 201) = P ( p < p )
600 600

= P (Z < 0:04082) Z ! N (0; 1)

= (0:04082)

P (S < 201) = 0:5160: