Convergence des variables aléatoires

Cours de É. Bouchet  ECS1

19 mai 2021

Table des matières

1 Inégalités probabilistes 2
1.1 Inégalité de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Inégalité de Bienaymé-Tchebychev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Convergence en probabilité 3
2.1 Convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

3 Convergence en loi 5
3.1 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Approximation poissonnienne d'une loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Théorème limite central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1
1 Inégalités probabilistes
1.1 Inégalité de Markov

Proposition (Inégalité de Markov).

Soit X une variable aléatoire discrète positive admettant une espérance et λ ∈ R∗+ :
E (X)
P (X > λ) 6 .
λ

Remarque. Le résultat énoncé est celui du programme, cependant la condition  variable discrète  n'est pas nécessaire
pour que l'inégalité soit vériée.
Démonstration. (démonstration à connaître) Comme X est une variable aléatoire discrète, on peut supposer que

X(Ω) = {xi |i ∈ I} où I est un sous-ensemble de Z. Alors :

X
P (X > λ) = P (X = xi ).
xi >λ

Par ailleurs, par dénition de l'espérance et positivité des xi ,

X X X X
E(X) = xi P (X = xi ) > xi P (X = xi ) > λP (X = xi ) = λ P (X = xi ).
i∈I xi >λ xi >λ xi >λ

Donc E(X) > λP (X > λ), et en divisant par λ ∈ R∗+ on obtient le résultat souhaité.

1.2 Inégalité de Bienaymé-Tchebychev

Proposition (Inégalité de Bienaymé-Tchebychev).

Soit X une variable aléatoire discrète admettant un moment d'ordre 2 et ε ∈ R∗+ :
V (X)
P (|X − E (X)| > ε) 6 .
ε2

Démonstration. La variable (X − E(X))2 est une variable aléatoire discrète positive admettant une espérance (car X
admet une variance), on peut donc lui appliquer l'inégalité de Markov : pour λ = ε2 ∈ R∗+ ,

E (X − E(X))2


2 2

V (X)
P (X − E(X)) > ε 6 2
= .
ε ε2
Or, (X − E(X))2 > ε2 ⇐⇒ |X − E(X)| > ε car ε > 0 et par stricte croissance de la fonction racine carrée de R+ dans
R+ . Donc
P (X − E(X))2 > ε2 = P (|X − E(X)| > ε)

d'où le résultat.

2
2 Convergence en probabilité
2.1 Convergence en probabilité

Dénition (Convergence en probabilité).

Soit (Xn )n∈N et X des variables aléatoires dénies sur un même espace probabilisé (Ω, A, P ). On dit que
(Xn )n∈N converge en probabilité vers X lorsque pour tout ε > 0,

lim P (|Xn − X| > ε) = 0.

n→+∞

P
→ X.
On note Xn −

Remarque. P
→ 0 si et seulement si Xn −
Xn − X − →X
P

Remarque. Il sut de montrer que n→+∞

lim P (|Xn − X| > ε) = 0 car ∀ε > 0,

0 6 P (|Xn − X| > ε) 6 P (|Xn − X| > ε) .

Remarque. Il sut de montrer que ∀ε ∈]0, 1], n→+∞

lim P (|Xn − X| > ε) = 0. En eet, si ε > 1,

0 6 P (|Xn − X| > ε) 6 P (|Xn − X| > 1) .

Exemple 1. Si pour tout n ∈ N∗ , Xn suit une loi exponentielle de paramètre n, la suite des (Xn ) converge en
probabilités vers la variable aléatoire constante égale à 0.
En eet, si on xe ε > 0,
P (|Xn − X| > ε) = P (Xn > ε) = 1 − P (Xn 6 ε) .
La fonction de répartition de la loi exponentielle donne donc :

P (|Xn − X| > ε) = 1 − 1 + e−nε = e−nε −−−→ 0.

n→∞

D'où le résultat (on aurait aussi pu vouloir utiliser l'inégalité de Markov, mais le programme de première année ne le
permet pas car c'est une variable à densité).
Remarque. La convergence en probabilités n'entraîne pas la convergence des espérances.
Exemple 2. Pour tout n ∈ N∗ , on dénit une variable aléatoire Xn telle que Xn = n avec probabilité 1
n et Xn = 0
avec probabilité 1− n1 . Alors (Xn )n>0 converge en probabilités vers la variable aléatoire constante égale à 0 mais E(Xn )
ne converge pas vers E(0).
Soit ε ∈]0, 1[ (on peut se ramener à étudier cet intervalle, car ce sont les petits ε qui posent problème) :
ε>0 1
P (|Xn − X| > ε) = P (Xn > ε) = P (Xn = n) = .
n
1
Comme lim = 0, on en déduit la convergence en probabilités annoncée. Il ne reste plus qu'à calculer l'espérance :
n→∞ n
pour tout n ∈ N∗ ,
n
E(Xn ) = 0P (Xn = 0) + nP (Xn = n) = 0 + = 1.
n
Or 1 ne converge pas vers 0. D'où le résultat.

3
2.2 Loi faible des grands nombres

Théorème (Loi faible des grands nombres).

1 P
Soit (Xn )n∈N∗ une suite de variables aléatoires telles que ∀n ∈ N∗ , Xn ,→ B(n, p), alors → p.
Xn −
n

1
Démonstration. (démonstration à connaître) On utilise l'inégalité de Bienaymé-Tchebychev : les Xn sont des variables
n
aléatoires discrètes, qui admettent une variance. Notamment, pour tout entier n,
   
Xn 1 np Xn 1 np(1 − p) p(1 − p)
E = E(Xn ) = =p et V = 2
V (Xn ) = 2
= .
n n n n n n n
On a donc, pour n ∈ N et tout ε > 0,
 
Xn p(1 − p)
06P −p >ε 6 −−−−−→ 0.
n nε2 n→+∞

D'où le résultat par théorème d'encadrement.

3 Convergence en loi
3.1 Convergence en loi

Dénition (Convergence en loi).

Soit (Xn )n∈N une suite de variables aléatoires réelles. On dit que (Xn )n∈N converge en loi vers une
variable aléatoire réelle X lorsque pour tout x ∈ R où FX est continue,

lim FXn (x) = FX (x) .

n→+∞

L
On note alors Xn −
→ X.

Remarque. La nature des variables Xn et de X peut être diérente (discrètes ou à densité).

Exemple 3. Pour tout n ∈ N∗ , on dénit Xn une variable aléatoire de loi uniforme sur − n1 , n1 . Étudier la convergence
 

en loi de la suite (Xn )n∈N∗ .

On commence par déterminer la fonction de répartition de Xn , en utilisant la fonction de répartition de la loi uniforme :

si x 6 − n1

0

nx+1
si x ∈ − n1 , n1
 
FXn (x) = 2
si x > n1

1


 Soit x > 0. Pour tout n > x1 , on a x > 1

n et donc FXn (x) = 1. Donc lim FXn (x) = 1.
n→+∞
 Soit x < 0. Pour tout n > − x1 , x 6 − n1 et donc FXn (x) = 0. Donc lim FXn (x) = 0.
n→+∞
On reconnaît après passage à la limite la fonction de répartition de la variable certaine égale à 0 (qui n'est pas continue
en x = 0, ce qui justie de n'avoir pas étudié les limites en ce point). Donc la suite (Xn ) converge en loi vers la variable
certaine égale à 0.

4
 Proposition (Cas où Xn et X sont à valeurs dans N).
Soit (Xn )n∈N une suite de variables aléatoires réelles et X une variable aléatoire réelle. On suppose que
L
Xn (Ω) et X (Ω) sont inclus dans N. Alors Xn − → X si et seulement si pour tout i ∈ N,

lim P (Xn = i) = P (X = i) .
n→+∞

Démonstration.

 Supposons que ∀i ∈ N, lim P (Xn = i) = P (X = i). Soit x ∈ R, par propriété de la fonction de répartition,
n→+∞
pour tout k ∈ N,
bxc
X
FXk (x) = P (Xk = i) ,
i=0
bxc
L
qui converge par linéarité des limites vers P (X = i) = FX (x). Donc Xn −
→ X.
X

i=0
L
 Supposons que Xn − → X . Alors pour tout x ∈ R \ N (qui correspondent aux points de continuité), lim FXk (x) =
FX (x). Or on sait que par propriété de la fonction de répartition, pour tout k , et pour tout i > 0,
P (Xk = i) = FXk (i) − FXk (i − 1) ,
sauf que ça n'aboutit pas ici : on ne peut pas passer à la limite, parce que i et i + 1 ne sont pas des points
de continuité. On peut par contre modier légèrement l'expression pour contourner ce problème : comme la
variable aléatoire est à valeurs entières, pour tout k, et pour tout i ∈ N,
   
1 1
P (Xk = i) = FXk i + − FXk i − ,
2 2
et on est alors bien en des points de continuité : on peut passer à la limite, et
   
1 1
lim P (Xk = i) = FX i+ − FX i − = P (X = i) .
k→+∞ 2 2

3.2 Approximation poissonnienne d'une loi binomiale

Proposition (Approximation poissonnienne d'une loi binomiale).

Soit (pn ) ∈]0, 1[N une suite de réels telle que (npn ) converge vers un réel strictement positif λ. Soit (Xn )n∈N
L
une suite de variables aléatoires telle que pour tout n ∈ N, Xn ,→ B (n, pn ). Alors Xn − → Y , où Y ,→ P (λ).

Démonstration. (démonstration à connaître) Pour tout k ∈ N et pour tout n > k (car Xn (Ω) = [[0, n]]),
 
n k
P (Xn = k) = p (1 − pn )n−k .
k n
nk (npn )k λk
   
n n k
Or ∼ à k xé, donc pn ∼ va converger vers lorsque n tend vers l'inni. De plus,
k k! k k! k!
(1 − pn )n−k = exp ((n − k) ln(1 − pn )) ,

5
 λ
et ln(1 − pn ) ∼ −pn , car −pn ∼ − converge vers 0. Donc (n − k) ln(1 − pn ) ∼ −npn ∼ −λ, et par continuité de
n
l'exponentielle en −λ,
lim (1 − pn )n−k = exp(−λ).
n→+∞

λk −λ
Par produit, on obtient : lim P (Xn = k) = e , ce qui termine la preuve.
n→+∞ k!

3.3 Théorème limite central

Théorème (Théorème limite central : approximation normale d'une loi binomiale).

Soit (Xn )n∈N une suite de variables aléatoires réelles discrètes telle que pour tout n ∈ N, Xn ,→ B (n, p).
Alors
Xn − np L
Xn∗ = p −
→ Y,
np(1 − p)
où Y ,→ N (0, 1).

Théorème (Théorème limite central : approximation normale d'une loi de Poisson).

Soient λ > 0 et (Xn )n∈N∗ une suite de variables aléatoires réelles discrètes telle que pour tout n ∈ N∗ ,
Xn ,→ P (nλ). Alors
Xn − nλ L
Xn∗ = √ −
→ Y,
nλ
où Y ,→ N (0, 1).

!
Xn − n
Exemple 4. Étudier la convergence en loi de la suite de variables q 3
2n
où Xn suit une loi binomiale de
9
n∈N∗
bn/3c  
1 X n n−k 1
paramètre n, 1
. En déduire que lim n = .


3 2
n→+∞ 3 k 2
k=0
Soit n ∈ N∗ . La variable aléatoire étudiée est la variable centrée réduite Xn∗ associée à la variable Xn , car pn = n3 ,
et p(1 − p)n = n3 23 = 2n
9 . Par le théorème limite central, la suite de variables converge donc en loi vers une variable
aléatoire Y de loi normale centrée réduite. FY est continue sur R, donc pour tout x ∈ R, FXn∗ (x) converge vers FY (x).
2 nous évoque FY (0), ce que incite à étudier le cas particulier x = 0 :
1

1
lim FXn∗ (0) = FY (0) = .
n→+∞ 2
Par ailleurs,
 
n
 Xn − 3
 = P Xn − n 6 0 = P Xn 6 n = P Xn 6 n ,
      j k
FXn∗ (0) = P  r 6 0
 2n  3 3 3
9
où la dernière égalité est vraie car Xn est à valeurs entières. Or on connaît la loi de Xn :
bn/3c    k  bn/3c  
1 n−k

 n X n 1 1 X n n−k
P Xn 6 = 1− = n 2 .
3 k 3 3 3 k
k=0 k=0
En remplaçant dans les expressions précédentes, on obtient donc bien la limite demandée.