Sommaire

Converge en probabilité
Lois des grands nombres
Théorème de central limite

Chapitre 3 : Converge en probabilité (LGN et

Théorème Central Limite)

T.MOULAHI & I. MAHFOUDHI

École Nationale d’ingénieurs de Monastir (ENIM)

10 juin 2020

Version provisoire merci de me signaler les erreurs!

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité
Lois des grands nombres
Théorème de central limite

I- Converge en probabilité
(1) Converge en Lp
(2) Converge en loi
II- Lois des grands nombres
(1) Inégalité de Tchebychev
(2) La Loi des Grands Nombres
III- Théorème de central limite

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Converge en Lp
Lois des grands nombres Converge en loi
Théorème de central limite

Définition (Convergences spatiales)

Soit (Xn ) n ∈ N une suite de v.a. à valeurs dans Rd (ou plus généralement dans
un espace métrique), et X une v.a. à valeurs dans Rd . Toutes ces v.a. sont
définies sur un même espace de probabilité (Ω, T , P)

On dit que la suite (Xn ) converge presque sûrement vers la v.a. X

p.s
lim Xn (ω) = X (ω) On note par Xn −−→ X
n→+∞

On dit que (Xn ) converge en probabilité vers la v.a. X si pour tout ε > 0
 
P
lim P |Xn − X | ≥ ε = 0. On note par Xn − → X
n→+∞

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Converge en Lp
Lois des grands nombres Converge en loi
Théorème de central limite

Exemple
n2 x 2
Soit fn (x) = n2 xe − 2 pour toute x ∈]0, +∞[
Montrer que ∀ n ∈ N, fn est la densité d’une variable aléatoire.
Soit (Xn ) une suite de variable aléatoires admet une densité
fn . Démontrer que Xn converge en probabilité vers une
variable aléatoire X que l’on précisera.

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Converge en Lp
Lois des grands nombres Converge en loi
Théorème de central limite

Définition (Convergences en Lp )
Soit (Xn ) n ∈ N une suite de v.a. à valeurs dans Rd (ou plus généralement dans
un espace métrique), et X une v.a. à valeurs dans Rd . Toutes ces v.a. sont
défnies sur un même espace de probabilité (Ω, T , P)

Soit p ≥ 1. Supposons que les v.a. (Xn ) et X sont dans Lp . On dit que
(Xn ) converge dans Lp vers la v.a. X si lim E(|Xn − X |p ) = 0. On note
n→+∞
Lp
par Xn −→ X .

Proposition
La convergence p.s. et la convergence dans Lp , p ≥ 1, entraı̂nent la
convergence en probabilité.
La convergence en probabilité entraı̂ne la convergence p.s. d’une
P
sous-suite. C’est-à-dire que si Xn −
→ X alors il existe une sous-suite φ(n)
p.s
telle que XΦ(n) −−→ X .

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Converge en Lp
Lois des grands nombres Converge en loi
Théorème de central limite

Définition (Convergences en loi)

Soit (µn ) n ∈ N une suite de mesures de probabilité sur Rd et µ une mesure sur
Rd .
On dit que la suite (µn ) converge étroitement vers la mesure de
probabilité µ si pour toute fonction continue bornée f : Rd → R
Z Z
lim fdµn = fdµ. On note souvent µn → µ
n→+∞ Rd Rd

On dit qu’une suite de v.a. (Xn )n≥1 à valeurs dans Rd converge en loi
vers une v.a. X si les lois µXn convergent étroitement vers µX , la loi de
X . Autrement dit, si

loi
lim E f (Xn ) = E f (X ) , ∀f ∈ Cb0 Rd , R . On note Xn −→ X




n→+∞

Cb0 Rd , R l’ensemble des fonctions continues bornées de Rd dans R.

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Converge en Lp
Lois des grands nombres Converge en loi
Théorème de central limite

Remarque
La convergence en probabilité implique la convergence en loi.
La convergence en loi est donc la plus faible des convergences qu’on a
vues elle est impliquée par toutes les autres, la convergence p.s, Lp . et en
probabilité.
Si (Xn ) est une suite de v.a. à valeurs dans Z ou dans un autre
sous-ensemble dénombrable de Rd alors elle converge en loi vers une v.a.
X à valeurs dans Z si et seulement si

lim , P(Xn = m) = P(X = m), ∀m ∈ Z

n→+∞

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Inégalité de Tchebychev
Lois des grands nombres La Loi des Grands Nombres
Théorème de central limite

Afin d’étudier la Loi des Grands Nombres, on a tout d’abord besoin d’une
inégalité importante appelée ”Inégalité de Tchebychev”

Théorème (Inégalité de Tchebychev)

Soit X une variable aléatoire d’espérance µ = E (X ) et de variance σ 2 = V (X )
finie. Alors pour tout ε ≥ 0:

  σ2
P |X − µ| ≥ ε ≤ 2
ε

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Inégalité de Tchebychev
Lois des grands nombres La Loi des Grands Nombres
Théorème de central limite

Démonstration (Inégalité de Tchebychev):

  Z
Par définition : P |X − µ| ≥ ε = f (x)dx
|X −µ|≥ε
or
σ 2 = V(X ) = E(X 2 ) − (E (X ))2 = E (X − E (X ))2

= E (X − µ)2


Z Z
= (x − µ)2 f (x)dx ≥ (x − µ)2 f (x)dx
X |X −µ|≥ε

Puisque tous les termes sont positifs et qu’on restreint l’espace d’intégration.
Par ailleurs comme on considère uniquement les x tels que |x − µ| > ε on a
dans l’intégrale (x − µ)2 > ε2 et donc
Z Z  
σ2 ≥ ε2 f (x)dx = ε2 f (x)dx = ε2 P |X − µ| ≥ ε
|X −µ|≥ε |X −µ|≥ε

Ainsi,

  σ2
P |X − µ| ≥ ε ≤ 2
ε
Taoufik MOULAHI ENIM-2016
 Sommaire
Converge en probabilité Inégalité de Tchebychev
Lois des grands nombres La Loi des Grands Nombres
Théorème de central limite

Définition
Supposons que l’on lance un « grand » nombre de fois une pièce
(équilibrée) en l’air, il y aura en moyenne 50% de piles (et donc aussi
50% de face).
Plus précisément on joue n fois au pile ou face, avec proba p de tomber
sur pile. 
1 si on obtient pile,
Pour 1 ≤ i ≤ n on pose : Xi =
0 si non
n
1X nb de piles
Alors Xi =
n i=1 n
Et il semble assez naturel que lorsque n est grand le rapport (nb de piles)/n
tend vers la proba de tomber sur pile,
n
1X
c’est à dire Xi 7−→ E (X1 ) = p
n i=1

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Inégalité de Tchebychev
Lois des grands nombres La Loi des Grands Nombres
Théorème de central limite

Exemple
Soit X une variable aléatoire avec E (X ) = µ et de variance σ 2 = V (X )

Avec
 ε = kσ, l’inégalité
 de Tchebychev indique que
σ2
P |X − µ| ≥ ε ≤ k 2 σ2 = k12 .

Ainsi, pour tout variable aléatoire, la probabilité d’une déviation de

la moyenne de plus de k écart-type est inférieurs à 1/k 2 .
Par exemple si k = 5, 1/k 2 = 0.04

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Inégalité de Tchebychev
Lois des grands nombres La Loi des Grands Nombres
Théorème de central limite

Loi faible des Grands Nombres

Théorème (Loi faible des grands nombres)
Soit X1 , . . . , Xn une suite de v.a. indépendantes, de même loi d’espérance
µ = E (Xi ) et de variance σ 2 = V (Xi )
Notons Sn = X1 + · · · + Xn . Alors pour tout ε > 0

 S 
n
lim P | − µ| ≥ ε = 0
n→+∞ n
Ou de manière équivalente

 S 
n
lim P | − µ| < ε = 1
n→+∞ n
n
1X
Autrement: La moyenne arithmétique Xi converge (en probabilité ) vers
n i=1
l’espérance µ = E (Xi )

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Inégalité de Tchebychev
Lois des grands nombres La Loi des Grands Nombres
Théorème de central limite

Loi Forte des Grands Nombres

Théorème (La loi forte des grands nombres)
Soit (Xn ) n ∈ N une suite de v.a. réelles deux à deux indépendantes et de
même loi tel que E (|X1 |) < ∞. Alors,
n
1X
lim Xi = E (X1 ) = µ
n→+∞ n i=1

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Inégalité de Tchebychev
Lois des grands nombres La Loi des Grands Nombres
Théorème de central limite

Exemple 1 (Expériences de Bernoulli)

Considérons le cas important de n expériences de Bernoulli avec une probabilité
p de succès. Xi = 1 si la i ème issue est un succès, 0 sinon. Alors
Sn = X1 + · · · + Xn est le nombre de succès en n épreuves et E (X1 ) = p. La Loi
(Faible) des Grands Nombres indique que :

 S 
n
lim P | − p| < ε = 1
n→+∞ n
Ainsi, si l’expérience est répétée un grand nombre de fois, on peut
s’attendre à ce que la proportion de succès soit proche de p.
Cela montre que le modèle mathématique de probabilité est cohérant
avec l’interprétation en termes de fréquence des probabilités

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité Inégalité de Tchebychev
Lois des grands nombres La Loi des Grands Nombres
Théorème de central limite

Exemple 1 (La distribution Uniforme)

Imaginons qu’on choisisse n nombres dans l’intervalle [0, 1] avec une
distribution uniforme. Si Xi représente le i ème choix

Z 1
1
µ = E (Xi ) = xdx =
Z01 2
1 1 1
σ2 = V (X ) = x 2 dx − µ2 = − =
0 3 4 12

Ainsi, E ( Snn ) = 21 ; V ( Snn ) = 1

12n
, et pour tout ε > 0

 S 1  1
n
P | − |≥ε ≤
n 2 12nε2

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité
Lois des grands nombres
Théorème de central limite

Théorème de central limite

Le deuxième théorème fondamental des probabilités est le Théorème
Central Limite.
Ce théorème indique que si Sn est la somme de n v.a. mutuellement
indépendantes et identiquement distribuées, alors la distribution de Sn
peut être correctement approximé par la densité normale (et ce quelque
soit la distribution initiale!).

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité
Lois des grands nombres
Théorème de central limite

Le Théorème Central Limite :

Théorème
Soit Sn = X1 + · · · + Xn la somme de n variables aléatoires indépendantes ayant
Sn − nµ
la même densité d’espérance µ et de variance σ 2 . Soit Sn∗ = √ , alors Sn∗
nσ 2
converge en loi vers la loi N(0, 1) c-a-d

Z +∞ −t 2
1
lim E (f (Sn∗ )) = √ f (t)e 2 dt.
n→+∞ 2π −∞

Cas particulier, pour tout a < b on a

Rb x2
limn→+∞ P a < Sn∗ < b = √12π a e − 2 dx

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité
Lois des grands nombres
Théorème de central limite

Autrement dit, l’écart entre les moyennes arithmétiques et l’espérance

(écart qui tend vers 0 par la LGN) se comporte aprés normalisation
comme la loi normale (ou bien encore en notant que
n
1X

Xn − m = Xi − m , la moyenne des écarts (renormalisée) ”tend”
n i=1
vers une Gaussienne.)
Connaissant la densité de la loi normale, on peut le ”lire” intuitivement
comme suit. Si n est assez grand alors Zn est très probablement compris
entre −3 et 3 (la probabilité est 0.9973). Soit encore :

−3σ X1 + · · · + Xn 3σ
√ ≤ − E (X1 ) ≤ √
n n n

avec grosse probabilité.

Taoufik MOULAHI ENIM-2016

 Sommaire
Converge en probabilité
Lois des grands nombres
Théorème de central limite

Exercice d’application
1 Soit (Un )n≥1 une suite de variables aléatoires indépendantes toutes de loi
uniforme sur l’intervalle [0, 1]. Soit f : [0, 1] → R une fonction continue.
f (U1 ) + · · · + f (Un )
Que peut-on dire. lorsque n tend vers +∞ ?
n
2 Soit (Xn )n≥1 une suite de variables aléatoires indépendantes de même loi
de Poisson de paramètre 1.
Xn
Soit Sn = Xk rappeler la loi de Sn et calculer la limite de la suite
k=1
n
X nk
e −n
k!
k=0

Taoufik MOULAHI ENIM-2016