Académique Documents
Professionnel Documents
Culture Documents
EL AMDAOUI Mustapha,
Lycée IBN TIMIYA,
site web: www.elamdaoui.com,
email: elamdaoui@gmail.com
Niveau: MP-MP*
II Indépendances 7
II.1 Indépendances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
II.2 Somme de deux variables aléatoires indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . 8
IV Inégalités 14
IV.1 Inégalité de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
IV.2 Inégalité de Bienaymé-Tchebychev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
IV.3 Inégalité de Jensen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
V Convergences 15
V.1 Convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
V.2 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Notion de variable aléatoire à densité 2
Définition 1
On appelle variable aléatoire réelle définie sur (Ω, T ) toute application X de Ω dans R telle que :
∀ x ∈ R, X −1 (]−∞, x]) ∈ T
Remarque :
Lorsque X (Ω) est un ensemble discret on dit que X est une variable aléatoire réelle discrète.
Notation :
J (R) désigne l’ensemble des intervalles de R
Propriété 1
Exemple 1
Soit A ∈ T , alors χ A est une variable aléatoire
Soit ( X n ) une suite de variables aléatoires réelles sur (Ω, T, P ) qui converge simplement vers X , une
application de Ω dans R. Alors X est une variable aléatoire réelle sur (Ω, T, P )
M. EL AMDAOUI Mustapha
I.2 Image d’une variable aléatoire réelle 3
D’après la stabilité d’une tribu par intersections et réunions dénombrables on obtient ( X É x) ∈ T . Comme
x est arbitraire dans R l’application X est une variable aléatoire réelle sur (Ω, T, P )
Remarque :
L’ensemble des variables aléatoires est un fermé de RΩ pour la topologie de la convergence simple
Propriété 3
Soit X 1 , · · · , X k des variables aléatoires réelles définies sur le même espace probabilisé (Ω, T, P ) et f : Rk −→
R une fonction continue. Alors
(
Ω −→ R
f (X1, · · · , X k ) :
ω 7−→ f ( X 1 (ω), · · · , X k (ω))
Remarque :
Si les variables X 1 , · · · , X k sont discrètes, f ( X 1 , · · · , X k ) est une variable réelle discrète sans l’hypothèse de
la continuité de f
Conséquence 1
Si X 1 , · · · , X n une famille finie de variables aléatoires réelles définies sur le même espace probabilisé
n n
(Ω, T, P ), alors
X Y
X i, X i , min X i et max X i sont des variables aléatoires réelles
i =1 i =1 1É i É n 1É i É n
Soit X une variable aléatoire réelle et f : R −→ R une fonction monotone, alors f ◦ X est une variable
aléatoire réelle sur (Ω, T, P ). On la note f ( X )
Remarque :
Le résultat précédent est encore valable pour f est monotone par morceaux
Exemple 2
Si X est une variable aléatoire réelle sur (Ω, T, P ), alors :
1. [ X ], la partie entière de X est est une variable aléatoire réelle sur (Ω, T, P )
2. La partie fractionnaire { X } = X − [ X ] est une variable aléatoire réelle sur (Ω, T, P )
M. EL AMDAOUI Mustapha
I.3 Variable aléatoire à densité 4
Pour une variable aléatoire réelle X on définit la fonction de répartition de X , que l’on note F X , par :
∀ x ∈ R, F X ( x) = P ( X É x)
Définition 2
Une variable aléatoire réelle X est dite de loi à densité (relativement à la probabilité P ) si :
1. F X est continue sur R
2. F X est de C 1 sur R privé d’un sous-ensemble fini F ( éventuellement vide )
On appelle densité de X la fonction définie sur R par f X ( t) = F0X ( t) pour t ∈ R \ F et f X ( t) = 0 pour t ∈ F
Propriété 5
P ( X = x) = 0
P ( X = x) = F ( x) − lim− F ( t)
t→ x
Propriété 6
M. EL AMDAOUI Mustapha
I.3 Variable aléatoire à densité 5
Il suffit alors de faire tendre a vers −∞ pour obtenir l’inégalité qu’il fallait démontrer.
La réciproque est admise
Propriété 7
Démonstration. Soit x un réel et a un réel inférieur ou égal à x ; il existe une suite finie - peut-être vide - de
réels (a 1 , a 2 , · · · , a p ) vérifiant les relations a < a 1 < a 2 < · · · < a p < x telle que F soit dérivable et de dérivée
continue en dehors peut-être de a, de x et des points a i . Posant a 0 = a et a p+1 = x, on dispose des relations
Z v Z v
f ( t) d t = F 0 ( t) d t = F (v) − F ( u) É F (a i+1 ) − F (a i )
u u
sur tout segment [ u, v] inclus dans l’un des intervalles ouverts ]a i , a i+1 [ avec 0 É i É p. La majoration
ci-dessus et la positivité de f montrent que, faisant tendre u vers a i et v vers a i+1 , le premier membre
permet de définir une intégrale généralisée convergente ; la continuité de F implique alors l’égalité
Z v
F (a i+1 ) − F (a i ) = ulim
→a
f ( t) d t
i u
v→a i +1
Il suffit alors de faire tendre a vers −∞ pour obtenir l’inégalité qu’il fallait démontrer.
Tous les autres résultats se découlent facilement
Corollaire 1
Soit X une variable à densité et f une densité de X . Si f est nulle en dehors d’un intervalle [a; b], alors on
a P ( X < a) = 0 et P ( X > b) = 0. On dit alors que X prend ses valeurs dans l’intervalle [a; b].
Remarque :
M. EL AMDAOUI Mustapha
I.4 Exemples de lois continues 6
On voit que contrairement aux variables discrètes, on a ici pour tout x, P ( X = x) = 0. Ainsi ce n’est pas
la donnée de P ( X = x) qui est la loi de X mais plutôt la donnée de la fonction de répartition ou de la
densité.
Soient a et b deux réels tels que a < b. On dit qu’une variable aléatoire X suit la loi uniforme sur [a; b],
et on note X ,→ U ([a; b]), si elle admet pour densité la fonction f définie par :
1
si t ∈ [a; b]
f ( t) = b − a
0 sinon
λ e−λ x
(
−λ x si x > 0
f ( x) = λ e χ[0,+∞[ ( x) =
0 si x É 0
Remarque :
On dit qu’une variable aléatoire X est de loi Gamma de paramètre (α, λ) ∈ R∗+2 ; et on note X ,→ Γ (α, λ),
si elle admet pour densité la fonction f définie sur R par :
α
λα λ xα−1 e−λ x si x > 0
α−1 −λ x
f ( x) = x e χ]0,+∞[ ( x) = Γ(α)
Γ(α)
0 si x É 0
Remarque :
Γ(1, λ) = E (λ)
Remarque :
x2
¶ continue et paire sur R.
L’application x 7−→ e− µ2 est
2
− x2 1
En ∞, on a e = ◦ 2 , donc la fonction considérée est intégrable et
+∞ x
Z +∞ Z +∞
x2 x2
e− 2 d x = 2 e− 2 d x
−∞ 0
p Z +∞ − t2
= 2 2 e dt
0
p
= 2π
M. EL AMDAOUI Mustapha
Indépendances 7
On dit que X est de loi gaussienne standard ou de loi normale de paramètres (0, 1) si elle admet pour
densité la fonction f définie sur R par :
µ 2¶
1 x
f ( x) = p exp −
2π 2
Définition 7
On dit qu’une variable aléatoire X suit la loi normale centrée réduite si X ,→ N (0, 1).
Propriété 8
Soit X une variable réelle à densité de loi gaussienne standard N (0, 1) et Φ sa fonction de répartition.
1. Φ vérifie : ∀ x ∈ R Φ(− x) = 1 − Φ( x)
1
2. Φ(0) =
2
Démonstration. Tout repose ici sur le fait que la densité est paire :
Z −x
Φ (− x ) = f ( t) dt
Z−∞
x
= f (− u) (− du) changement de variable u = − t
+∞
Z +∞
= f ( u) du = 1 − Φ( x)
x
1 ( x − µ)2
µ ¶
f ( x) = p exp −
σ 2π 2σ 2
On note X ,→ N (µ, σ2 ).
II Indépendances
II.1 Indépendances
Définition 9
¡ ¢ ¡ ¢
Une famille X j j∈ J de variables aléatoires réelles est dite indépendante si, pour toute famille I j j∈ J
d’intervalles de R, la famille d’événements X j ∈ I j j∈ J est indépendante
¡ ¢
M. EL AMDAOUI Mustapha
II.2 Somme de deux variables aléatoires indépendantes 8
Remarque :
¡ ¢ Yk ¡ ¢
P X j1 ∈ I j1 , · · · , X j k ∈ I j k = P X ji ∈ I ji
i =1
Exemple 3
Si X obéit à la loi exponentielle de paramètre λ > 0 alors les variables [ X ] et { X } sont indépendantes.
Solution:
On sait que la loi de Y = 1 + [ X ] est la loi géométrique de paramètre p = 1 − e−λ . On remarque que Z = { X }
ne prend que les valeurs entre 0 et 1 et que, pour tout r ∈ [0, 1[
{ X } É r ⇐⇒ ∃ k ∈ N, X ∈ [ k, k + r ]
P ([ X ] = k, { X } É r ) = P ( X ∈ [ k, k + r ])
= e−λk − e−λ(k+r)
³ ´ 1 − e−λr
= 1 − e−λ e−λk ×
1 − e−λ
= P ([ X ] = k) × P ({ X } É r )
On rappelle que la loi de la somme de deux variables aléatoires discrètes indépendantes X et Y est donnée
comme somme d’une série de la forme
X
P ( X + Y = s) = P ( X = x ) P (Y = s − x )
x ∈ X (Ω )
Théorème 1
Soient X et Y deux variables aléatoires réelles indépendantes dont les lois sont discrète pour X et à
densité pour Y . Alors la fonction de répartition de S = X + Y est donnée par
FS : s 7−→ P ( X = x ) . FY ( s − x )
X
x ∈ X (Ω )
M. EL AMDAOUI Mustapha
II.2 Somme de deux variables aléatoires indépendantes 9
F S ( s) = P ( X + Y É s)
FPT
P ( X + Y É s, X = x)
X
=
x ∈ X (Ω )
P (Y É s − x, X = x)
X
=
x ∈ X (Ω )
P (Y É s − x) P ( X = x)
X
=
x ∈ X (Ω )
FY ( s − x ) P ( X = x )
X
=
x ∈ X (Ω )
Soient X et Y deux variables aléatoires réelles indépendantes admettant respectivement des densités
f X et f Y . Alors la loi de S = X + Y est à densité, de densité
Z +∞
f S : s 7−→ f X ( t) f Y ( s − t) d t
−∞
Remarque :
Il est possible d’échanger les rôles de f X et de f Y dans cette égalité comme le montre le changement de
variable u = s − t.
Une fonction f S ainsi définie s’appelle produit de convolution de f X et f Y , note f X ∗ f Y . Toutefois, f S
pouvant être remplacé par n’importe quelle fonction qui ne diffère d’elle qu’en un nombre fini de points,
ce produit n’est pas unique ; il s’agit encore ici d’une classe d’equivalence de fonctions plutôt que d’une
fonction particulière.
Exemple 4
Soit X et Y deux variables aléatoires réelles indépendantes chacune de loi N (0, 1), alors la loi de S = X + Y
est N (0, 2)
Solution: Z +∞ u2 ( s− u)2
Soit s ∈ R. On doit calculer e− 2 e− 2 d u. On a
−∞
u2 ( s− u)2 2 + su s2
e− 2 e− 2 = e−u e− 2
¶2
p
µ
2 u− ps
2 s2
−
= e 2 e− 4
On en déduit
¶2
p
µ
+∞ 2 2 +∞ 2 u− ps
s2
Z Z
2
− u2 − (s−2u) −
e e du = e 2 e− 4 du
−∞ −∞
¶2
p
µ
2
Z +∞ 2 u− ps
2
− s4 −
= e e 2 du
−∞
s2 p
e− 4 +∞ 2 2π s2
Z
− v2
= p e dv = p e− 4
2 −∞ 2
M. EL AMDAOUI Mustapha
Moments d’une variable à densité 10
Corollaire 2
Si de plus X et Y sont à valeurs positives ou nulles, alors f S est définie sur R+ par
Z s
f S ( s) = f X ( t) f Y ( s − t) d t
0
Propriété 9
Soit X 1 et X 2 des variables aléatoires indépendantes suivant respectivement les lois normales N m 1 , σ21
¡ ¢
1 ( x− t− m )2 2 ( t− m )2
Z ∞ 1 − 1 −
2σ 2 2
h( x) = p e 1 p e 2σ2 dt
−∞ 2πσ1 2πσ2
σ 2 ( x− t− m )2 +σ2 ( t− m )2
Z ∞ − 2 1 1 2
1 2σ 2 σ 2
= e 1 2 dt
2πσ1 σ2 −∞
Ensuite, le polynôme P ( t) = σ22 ( x − t − m 1 )2 + σ21 ( t − m 2 )2 est de degré deux en t est mis sous forme canonique :
P ( t) = σ22 ( x − t − m 1 )2 + σ21 ( t − m 2 )2
σ22 ( x − m 1 ) + σ21 m 2 σ21 σ22 ( x − m 1 − m 2 )2
= (σ21 + σ22 )[ t − ]2 + .
σ21 + σ22 σ21 + σ22
Ainsi,
q
( x− m 1 − m 2 )2 σ2 +σ2 σ2 ( x− m 1 )+σ2 m 2
1 −
Z ∞ σ21 + σ22 − 1 2 [ t− 2 1 ]2
2(σ2 +σ2 ) 2σ 2 σ 2 σ2 +σ2
h( x) = e 1 2 p e 1 2 1 2 dt
2πσ1 σ2
q
2π(σ21 + σ22 ) −∞
( x− m 1 − m 2 )2
1 −
2(σ2 +σ2 )
= q e 1 2
2π(σ21 + σ22 )
III.1 Espérance
Définition 10
Z +∞
Soit X une variable aléatoire réelle de densité f . Si l’intégrale t f ( t) dt est absolument convergente
−∞
alors on dit que X admet une espérance que l’on note E( X ) et on a :
Z +∞
E( X ) = t f ( t) dt
−∞
M. EL AMDAOUI Mustapha
III.2 Moments, variance et écart-type 11
Propriété 11
E(aX + b) = aE( X ) + b
Théorème 3: de transfert
Soit X une variable aléatoire réelle de densité f et g une fonction continue sur R sauf éventuellement en
Z +∞
un nombre fini de points. Si l’intégrale g( t) f ( t) dt est absolument convergente alors la variable g( X )
−∞
admet une espérance et : Z +∞
E( g( X )) = g( t) f ( t) dt
−∞
Définition 11
Remarque :
Exemple 5
Soit X une variable aléatoire réelle de loi N (0, 1) elle admet des moments de tout ordre.
Solution:
Les moments m 2k+1 d’ordre impair sont tous nuls.
Les moments m 2k d’ordre pair vérifiant la relation de récurrence m 2(k+1) = (2 k + 1) m 2k .
En effet
2 0
Z +∞ Z +∞
1 1
2
· ¸
2 k+2 − t2 2 k+1 − t2
m 2(k+1) = p t e dt = p t −e dt
2π −∞ 2π −∞
+∞
2 k + 1 +∞ 2k − t2
· ¸
t2
Z
= − t2k+1 e− 2 + p t e 2 dt
−∞ 2π −∞
| {z }
=0
= (2 k + 1) m 2k
M. EL AMDAOUI Mustapha
III.3 Lois usuelles 12
Propriété 12
Soit r ∈ N∗ et X une variable aléatoire réelle admettant un moment d’ordre r , alors pour tout s ∈ [[1, r ]] la
variable aléatoire réelle X admet un moment d’ordre s
Définition 12
Si la variable aléatoire X admet une espérance et si la variable ( X − E( X ))2 admet une espérance, on appelle
variance de X le réel
V( X ) = E ( X − E( X ))2
¡ ¢
p
On appelle alors écart-type le réel σ( X ) = V( X )
Remarque :
Pour le calcul de variance dans la pratique on utilisera tout comme pour les variables discrètes plutôt le
théorème suivant
V( X ) = E X 2 − E( X )2
¡ ¢
Propriété 13
Soit X une variable à densité admettant une variance. Alors pour tout réels a et b, aX + b admet une
variance et
V(aX + b) = a2 V( X )
Définition 13
Si X est une variable à densité telle que σ( X ) = 1, on dit que X est une variable réduite.
Définition 14
X − E( X )
Si X admet une espérance et un écart-type non nul, la variable X ∗ = est appelée la variable
σ( X )
centrée réduite associée à X .
Soit X une variable aléatoire réelle à densité d’une loi uniforme sur [a; b]. Alors
a+b ( b − a )2
E (X ) = et V (X ) =
2 12
Z a
Démonstration. Sur ] − ∞; a] et sir [ b; +∞[, la fonction t → | t f ( t)| est nulle donc | t f ( t)| dt et
Z +∞ −∞
| t f ( t)| dt sont convergente. De plus t → | t f ( t)| est continue sur ]a; b[ et admet des limites finies en a et
b
M. EL AMDAOUI Mustapha
III.3 Lois usuelles 13
Z b
b donc | t f ( t)| dt est convergente.
a
Z +∞
L’intégrale t f ( t) dt est donc absolument convergente et X admet donc une espérance. De plus :
−∞
· 2 ¸b
b t 1 t b 2 − a2 a+b
Z
E( X ) = dt = = =
a b−a b − a 2 a 2( b − a) 2
Si X suit une loi exponentielle de paramètre λ > 0 alors X admet une espérance et une variance et :
1 1
E( X ) = V( X ) =
λ λ2
A A iA A e−λ A 1
Z Z h Z
−λ t −λ t
| t f ( t)| dt = λ te dt = − te + e−λ t dt = − Ae−λ A − +
0 0 0 0 λ λ
e−λ A 1 1 +∞ 1
Z
Or lim − Ae−λ A − + = donc | t f ( t)| dt est convergente et vaut .
A →+∞
Z +∞ λ λ λ 0 λ
1
Ainsi t f ( t) dt est absolument convergente donc X admet une espérance et E( X ) = .
−∞ λ
Propriété 16
X −m
X suit une loi normale de paramètres ( m, σ2 ) si et seulement si X ∗ = suit la loi normale centrée
σ
réduite.
Démonstration. Nous allons ici utiliser ce que nous avonsµ fait dans l’exemple ??, qui nous permet de dire
1 x−b
¶
que si X est de densité f alors aX + b est de densité f
| a| a
X −m
• Supposons que X ,→ N ( m, σ ). Alors la densité de Y =
2
est :
σ
Donc Y ,→ N (0, 1)
• Supposons que Y ,→ N (0, 1). Alors X = σY + m et donc une densité de X est :
1 1 ( x − m)2 /σ2 1 ( x − m )2
µ ¶ µ ¶
f ( x) = × p exp − = p exp −
σ 2π 2 σ 2π 2σ2
Donc X ,→ N ( m, σ2 ).
Propriété 17
E( X ) = m et V( X ) = σ 2
M. EL AMDAOUI Mustapha
Inégalités 14
1 m
Démonstration. Soit Y = X − , autrement-dit, X = σY + m. La variable Y est de loi N (0, 1), donc X
σ σ
admet une espérance et une variance et telles que
E( X ) = E(σY + m) = σE(Y ) + m = m
et
V( X ) = V(σY + m) = σ2 V(Y ) = σ2
Soit X une variable aléatoire réelle de loi Gamma de paramètre (α, λ) où α, λ ∈ R∗+ . Alors X admet une
espérance et une variance et :
α α
E( X ) = et V( X ) = 2
λ λ
¸+∞
λα +∞ λα − tα e−λ t α λα +∞
Z · Z
tα e−λ t d t = + × tα−1 e−λ t d t
Γ(α) 0 Γ(α) λ 0 λ Γ(α) 0
α
=
λ
De même on montre que X admet un moment d’ordre 2 et que
α(α + 1)
E( X 2 ) =
λ2
α
Par la formule de Huygens V ( X ) = E( X 2 ) − E( X )2 =
λ2
IV Inégalités
Soit X une variable aléatoire réelle telle que X (Ω) ⊂ R+ et possédant une espérance, alors
E (X )
∀λ > 0 P ( X Ê λ) É .
λ
M. EL AMDAOUI Mustapha
IV.2 Inégalité de Bienaymé-Tchebychev 15
Z +∞
Or P [ X Ê λ] = f ( x) dx, d’ou le résultat.
λ
Soit X une variable aléatoire réelle définie sur un espace probabilisé (Ω, T, P ) possédant un moment d’ordre
2, alors on a
V( X )
∀ε > 0 P[| X − E( X )| Ê ε] É 2 .
ε
Corollaire 4
Si V( X ) = 0 alors [ X = E ( X )] est presque sûr.
· ∞ 1
¸ ·
1
¸
6 E ( X )] = | X − E ( X )| > . Or les événements A n = | X − E ( X )| >
[
Démonstration. L’événement [ X =
n=1 n n
1 1
forment une suite croissante d’événement en effet si ω ∈ A n , comme | X (ω) − m| > > donc ω ∈ A n+1
n n+1
1
µ ¶
soit A n ⊂ A n+1 . Par conséquent P( X 6= E ( X )) = lim P | X − E ( X ) | > = 0 car par l’inégalité de Bienaymé-
n→∞ n
1
µ ¶
Tchebychev P | X − E ( X ) | > É n2 V ( X ) = 0
n
Si X est une variable aléatoire réelle admettant une espérance, si f : R −→ R est une application convexe
sur R et si Y = f ( X ) admet une espérance alors
f (E ( X )) É E ( f ( X )) Inégalité de Jensen
V Convergences
Soit ( X n )n∈ N une suite de variables aléatoires réelles et X une variable aléatoire réelles définies sur un
espace probabilisé (Ω, T, P ), on dit que ( X n ) converge en probabilité vers X si
∀ε > 0 lim P [| X n − X | Ê ε] = 0.
n→∞
P
On écrit X n −→ X
M. EL AMDAOUI Mustapha
V.1 Convergence en probabilité 16
Propriété 20
On considère ( f n )n∈N une suite de fonctions continues à valeurs réelles définies sur R qui converge simple-
ment sur R vers l’application f . On considère X une variable aléatoire réelle et on définit des variables
aléatoires réelles par
X k = fk (X ) , Y = f (X )
[| X n − Y | É ε]
\
B n :=
kÊ n
Clairement B n ⊂ B n+1 , la suite est croissante. En utilisant l’hypothèse sur la suite de fonctions on a
B n = Ω. Par la continuité monotone lim P (B n ) = 1.
[
n→+∞
nÊ0 ³ ´
Ceci se traduit aussi par lim P B n = 0. Comme [|Y − X n | Ê ε] ⊂ B n , on a l’encadrement
n→+∞
³ ´
P ([|Y − X n | Ê ε]) É P B n
Exemple 6
Soit X une variable aléatoire réelle sur l’espace propbabilisé (Ω, T , p).
1 s P
On a n→− 0sur R donc Xn −−−−−→ 0.
n→+∞
¢n s x ¢n P
On a 1 + nx → − e sur R donc 1 + Xn −−−−−→ e X .
¡ ¡
n→+∞
Soit ( X n )n∈N∗ une suite de variables aléatoires réelles indépendantes définies sur un espace probabilisé
(Ω, T, P ) , de même loi, possédant une espérance m et une variance σ2 . On pose
n
X
Xi
i =1
Xn = .
n
Alors
P
X n −→ m
σ2
E( X n ) = m et V( X n ) = .
n
On applique l’inégalité de BT et on obtient
h¯ ¯ i σ2
∀ε > 0 P ¯ X n − m¯ Ê ε É 2 .
¯ ¯
nε
Par conséquent h¯ ¯ i
∀ε > 0 lim P ¯ X n − m¯ Ê ε = 0.
¯ ¯
n→∞
M. EL AMDAOUI Mustapha
V.2 Convergence en loi 17
Soit ( X n )n∈ N une suite de variables aléatoires réelles et X une variable aléatoire réelles définies sur un
espace probabilisé (Ω, T, P ), on note F n la fonction de répartition de X n et F celle de X . On dit que ( X n )
converge en loi vers X si en tout point x où F est continue
lim F n ( x) = F ( x).
n→∞
L
On note X n −→ X
Remarque :
Soit ( X n )n∈N une suite de variables aléatoires et Y une variable aléatoire définies sur un espace probabilisé
(Ω, T, P ), on suppose que
∀ n ∈ N X n (Ω) ⊂ Y (Ω) ⊂ N.
∀ k ∈ N lim P ( X n = k) = P (Y = k).
n→∞
1 1
Démonstration. Soit k ∈ N, les réels x = k − et x = k + , sont des points de continuité de F et donc
2 2
tels que F X n ( x) et F X n ( y) convergent respectivement vers FY ( x) et F( y). Or
P ( X n = k ) = F X n ( y) − F X n ( x ) et P ( X = k) = F X ( y) − F X ( x)
Exemple 7
[Approximation de la loi de Poisson par la loi binomiale] Soit ( X n )n∈ N une suite de variables aléatoires
indépendantes. On suppose que X n suit une loi binomiale B ( n, p n ) avec limn→∞ np n = λ > 0, alors ( X n )
converge en loi vers X qui suit une loi de poisson P (λ).
Propriété 22
M. EL AMDAOUI Mustapha
V.2 Convergence en loi 18
F X n ( x) É F X ( x + ε) + P (| X n − X | > ε)
De même, de l’inclusion
[ X É x − ε] ⊂ [ X n É x] ∪ [| X n − X | > ε]
On obtient
F X ( x − ε) É F X n ( x) + P (| X n − X | > ε)
Soit δ > 0. Supposons que x est un point de continuité de F X . On peut alors choisir ε tel que l’on ait
F X ( x + ε) < F X ( x) + δ et F X ( x − ε) > F X ( x) − δ
Il en résulte que
F X ( x) − δ − P (| X − X n | > ε) < F X n ( x) < F X ( x) + δ + P (| X − X n | > ε)
Or il existe un N tel que, pour tout n Ê N , on ait P (| X − X n | > ε) < δ, d’où enfin
L
Quelque soit δ > 0, il existe donc N tel que, n Ê N ⇒ ¯F X n ( x) − F X ( x)¯ < 2δ, ce qui prouve que X n −→ X
¯ ¯
Attention
La réciproque est fausse. Comme le montre le contre-exemple suivant
Contre exemple 1
1
Soit X une variable de Bernoulli de paramètre . La variable Y = 1 − X est également une variable de
2
1 L L
Bernoulli de paramètre . Posons, pour tout entier n, X n = X . On a naturellement X n → X , donc X n → Y ,
2
puisque X et Y ont la même loi. Mais | X n − Y | = |2 X − 1| = 1 (en effet, si X = 1, alors |2 X − 1| = 1, et si X = 0,
alors |2 X − 1| = 1). Donc, pour ε ∈]0, 1[, P (| X n − Y | > ε) = 1 et ne tend donc pas vers 0. La suite ( X n )n∈N ne
converge donc pas en probabilité.
Soit ( X n )n∈ N une suite de variables aléatoires réelles définies sur un espace probabilisé (Ω, T, P ) indépen-
dantes, de même loi, possédant une espérance m = E ( X ) et une variance σ2 = V( X ) > 0. On pose
n
X
Xi
i =1 Xn − m
Xn = et Z n = p .
n σ/ n
Alors Z n converge en loi vers une variable aléatoire réelle de loi N (0, 1).
Solution:
Soit ( X n ) une suite de variables aléatoires indépendantes de même loi P (1) donc ∀ n ∈ N, E ( X n ) = V ( X n ) = 1.
M. EL AMDAOUI Mustapha
V.2 Convergence en loi 19
n
X k ,→ P ( n) donc
X
D’autre part, par stabilité de la loi de poisson
k=1
n
X
Xk − n à !
n n nk
k=1
X k É n = e−n
X X
p p É 0 = p
n k=1 k=0 k!
n nk 1
d’où e−n
X
−−−−−→
k=0 k ! n→+∞ 2
M. EL AMDAOUI Mustapha