Chapitre III

THÉORÈMES LIMITES

I. LOIS DES GRANDS NOMBRES

1. Inégalité de Markov
Soit X une variable aléatoire à valeurs non-négatives. Pour tout réel a > 0
E(X)
P(X ≥ a) ≤
a
Preuve : soit X une variable continue de densité f.
+∞ 𝑎 +∞ +∞
𝐸 (𝑋 ) = ∫ 𝑥𝑓 (𝑥)𝑑𝑥 = ∫ 𝑥𝑓 (𝑥)𝑑𝑥 + ∫ 𝑥𝑓 (𝑥)𝑑𝑥 ≥ ∫ 𝑥𝑓 (𝑥)𝑑𝑥
0 0 𝑎 𝑎
+∞ +∞
≥ ∫ 𝑎𝑓 (𝑥)𝑑𝑥 = 𝑎 ∫ 𝑓 (𝑥)𝑑𝑥 = 𝑎 𝑃(𝑋 ≥ 𝑎)
𝑎 𝑎

Ce qui établit le résultat (la démonstration dans le cas discret peut être établie de façon
analogue).

2 Inégalité de Tchebychev
Soit X une variable aléatoire d'espérance m et de variance 2. Pour tout réel k>0

2 2)
E((𝑋 − 𝑚)2 )
P((𝑋 − 𝑚) ≥ 𝑘 ≤
𝑘2
Il suffit d’appliquer l'inégalité de Markov, avec a = k2 , à la variable Y= (X — m)2
puisqu’elle est à valeurs non-négatives.
E(Y)
P(Y ≥ a) ≤
a

2 2)
E((𝑋 − 𝑚)2 )
P((𝑋 − 𝑚) ≥ 𝑘 ≤
𝑘2
Remarque : l'inégalité de Tchebychev peut être écrite sous la forme
E((𝑋 − 𝑚)2 ) 𝜎2
P(|𝑋 − 𝑚| ≥ 𝑘 ) ≤ = 2
𝑘2 𝑘
L'importance des inégalités de Markov et de Tchebychev réside en ce qu'elles permettent
de borner la valeur de certaines probabilités lorsque la distribution de la variable n’est
pas connue, seule l'espérance est connue, plus éventuellement la variance.
Chapitre III

Exemple On suppose que le nombre de pièces sortant d'une usine donnée en l'espace
d'une semaine est une variable aléatoire d'espérance 50.
a) Peut-on estimer la probabilité que la production de la semaine prochaine
dépasse 75 pièces ?
Désignons par X le nombre de pièces produites en une semaine
E(X) 50 2
L'inégalité de Markov donne P(X ≥ 75) ≤ = =
75 75 3

b) On sait de plus que la variance de la production hebdomadaire est de 25. Peut-on

estimer la probabilité que la production de la semaine à venir soit comprise entre 40 et
60?
L'inégalité de Tchebychev donne
𝜎2 25 1
P(|𝑋 − 50| ≥ 10) ≤ 2
= =
10 100 4
1 3
P(|𝑋 − 50| < 10) ≥ 1 − =
4 4
3
P(40 < 𝑋 < 60) ≥
4
3. La loi faible des grands nombres
Soient X1, X2,... une suite de variables aléatoires indépendantes et identiquement
distribuées. On suppose de plus que les Xi admettent la même espérance E[Xi] = m et la
même variance 𝜎 2
𝑋1 +. . .+𝑋𝑛
Alors pour tout ε > 0 lim 𝑃 (| − 𝑚| ≥ 𝜀) = 0
𝑛→∞ 𝑛

Preuve
X1 +. . .+Xn X1 +. . .+Xn σ2
On sait que E [ ]=m V( )= (exercice 22 TD2)
n n n

De l'inégalité de Tchebychev il résulte que

X1 +. . . +X n 𝜎2
P (| − 𝑚| ≥ 𝜀) ≤ → 0 𝑞𝑢𝑎𝑛𝑑 𝑛 → ∞
n 𝑛𝜀 2

4. La loi forte des grands nombres

Soient X1, . . , Xn une suite de variables aléatoires indépendantes et identiquement
distribuées et d’ espérance E[Xi] = m . Alors
𝑋1 +. . .+𝑋𝑛
P ( lim =𝑚)=1
𝑛→∞ 𝑛
Chapitre III

II. THEOREME CENTRAL LIMITE

Soient X1, X2 ,. . . une suite de variables aléatoires indépendantes et identiquement
distribuées, de même espérance E[Xi] = m et la même variance 𝜎 2 . Alors la distribution
X1 +. . .+Xn
X1 +. . .+Xn −𝑛𝑚 −𝑚
𝑛
de = σ tend vers la distribution normale centrée réduite quand
σ√𝑛
√𝑛
n tend vers l’infini , c’est-à-dire :
𝑎
X1 +. . . +X n − 𝑛𝑚 1 𝑥2
𝑃( ≤ 𝑎) → Φ(𝑎) = ∫ 𝑒 − 2 𝑑𝑥 𝑞𝑢𝑎𝑛𝑑 𝑛 → ∞
σ √𝑛 √2𝜋
−∞

Exemple 1 Le nombre d'inscriptions à un cours de psychologie est une variable

aléatoire de Poisson d'espérance 100. Le professeur donnant ce cours a décidé que, si le
nombre des inscriptions est au-delà de 120, il créera deux sections et donnera donc deux
cours, tandis qu'en deçà une seule section sera formée. Quelle est la probabilité que ce
professeur ait à donner deux fois le cours?

Soit X le nombre d'inscriptions à ce cours. XP(100) . La solution exacte est

∞
100𝑖
𝑃(𝑋 ≥ 120) = ∑ 𝑒 −100
𝑖!
𝑖=120

On sait qu'une variable poissonienne de paramètre 100 peut être considérée comme la
somme de 100 variables poissoniennes indépendantes de paramètre 1 chacune,
(exercice14 -TD1)

X= X1 +. . . +X100 avec XiP(1) donc E(Xi)=m=1 et =1 On utilise alors le

théorème central limite pour obtenir une approximation.
X1 +. . . +X100 − 𝑛𝑚 X1 +. . . +X100 − 100
= → N(0,1)
σ √𝑛 10
X1 +. . . +X100 − 100 120 − 100
𝑃(𝑋 ≥ 120) = 𝑃(X1 +. . . +X100 ≥ 120) = 𝑃 ( ≥ )
10 10
= 1 − Φ(2.00) = 1 − 0,0228
Chapitre III

Exemple 2 On lance 100 dés équilibrés. On cherche la probabilité que la somme des
cent résultats soit comprise entre 300 et 400.
On note Xi le résultat montré par le i-ème dé, / = 1, 2,..., 100. Comme
E[Xi] = 7/2 et Var(Xi) = 35/12 on obtient par application du théorème central limite
100

𝑃(300 ≤ ∑ 𝑋𝑖 ≤ 400)
𝑖=1 1
300 − 100.7/2 ∑ 𝑋𝑖 − 100.7/2 400 − 100.7/2
= 𝑃( ≤ ≤ )
10√35/12 10√35/12 10√35/12
= 𝑃(−2,92 ≤ Z ≤ 2,92)
= Φ(2.92) − Φ(−2.92) =2. Φ(2.92) − 1 = 2 . 0,9982-1=0,9964