Chapitre 22

Convergences et approximations en
probabilités

On considère une expérience aléatoire modélisée par un triplet (Ω, F , P).

1 Convergence en probabilité

1.1 Inégalité de Markov

Soit X une variable aléatoire définie sur (Ω, F , P), admettant une espérance.

On cherche à estimer la probabilité que X se disperse, c’est-à-dire qu’elle prenne des valeurs
éloignées de son espérance. Pour cela on a le résultat général suivant.

Théorème 1 Inégalité de Markov

1. Si X est une variable aléatoire positive admettant une espérance, alors :

E(X )
∀a > 0, P(X ≥ a) ≤
a

2. Si X est une variable aléatoire admettant une espérance, alors :

E |X |
∀a > 0, P(|X | ≥ a) ≤
a

Exemple : Si X est une variable aléatoire admettant une espérance, alors :

lim P(X > a) = 0

a→+∞

Par convergence monotone, on savait déjà que lim P(X > n) = 0. Quelle est la différence
n→+∞
entre ces deux résultats ?

435
 C HAPITRE 22 : Convergences et approximations en probabilités

1.2 Inégalité de Bienaymé-Tchebychev

Sous l’hypothèse que X a un moment d’ordre 2 on a un résultat plus précis.

Théorème 2 Inégalité de Bienaymé-Tchebychev

Soit X une VARD admettant un moment d’ordre 2. Alors :
Var(X )
∀ε > 0, P |X − E(X )| ≥ ε ≤
ε2

Cette inégalité confirme l’utilisation de l’écart-type comme mesure de dispersion.

1.3 Convergence en probabilité

Soient X une VAR définie sur (Ω, F , P) et (X n)n∈N une suite de VAR toutes définies sur (Ω, F , P).

On souhaite définir une notion de convergence de la suite X n vers X , pas en tant que suite
de nombres mais en tant que suite de variables aléatoires.

Définition 3 Convergence en probabilité

On dit que (X n )n∈N converge en probabilité vers X lorsque :

∀ε > 0, lim P |X n − X | ≥ ε = 0
n→+∞

P
On le note X n −→ X .
n→+∞

Remarquer que ce ne sont pas les expressions de X n et X qui interviennent dans cette défi-
nition, mais leur loi.

L’inégalité de Markov donne une condition suffisante de convergence en probabilité, dans le

cas de variables admettant une espérance :
lim E |X n − X | = 0
n→+∞
Si ∀n ∈ N, E(X n ) = E(X ), l’inégalité de Bienaymé-Tchebychev donne une condition suffisante
de convergence en probabilité, dans le cas de variables admettant un moment d’ordre 2 :
lim V (X n − X ) = 0
n→+∞

On peut généraliser au cas où E(X n ) n∈N converge lorsque n → +∞, comme nous le verrons
en TD.
� Il n’y a pas unicité de la limite.
P
� Si X n −→ X on ne peut rien dire que E(X n ).
n→+∞
1 1
Considérer X n telle que P (X n = 0) = 1 − et P(X n = n) = .
n n
1 n
Exemple : Si X est une variable aléatoire, on pose X n = ⌊2 X ⌋ pour tout n ∈ N. Montrer
2n
P
que X n −→ X .
n→+∞

ECS1.1, Lycée Fermat Toulouse. http://mathcpge.org/ 436

2 Convergence en loi

1.4 Loi faible des grands nombres pour la loi binomiale

Théorème 4 Loi faible des grands nombres pour la loi binomiale

Soit (X n )n∈N une suite de variables aléatoires telle que ∀n ∈ N, X n → B(n, p). Alors :

1 P
X n −→ p
n n→+∞

(où p désigne une variable aléatoire presque sûrement constante égale à p).

Ce résultat permet une justification partielle, a posteriori, de la notion de probabilité d’un

évènement, introduite intuitivement : « la fréquence de succès sur n essais indépendants
converge vers la probabilité d’un succès ».

2 Convergence en loi
Soient X une VAR définie sur (Ω, F , P) et (X n )n∈N (chacune de ses variables est définies sur
un espace probabilisé qui lui est propre).

On souhaite définir une notion de convergence de la suite X n vers X , plus faible que la notion
de convergence en probabilité.

Définition 5 Convergence en loi

On dit que (X n )n∈N converge en loi vers X lorsque :

lim F X n (x) = F X (x)

n→+∞

L
en tout point de continuité de F X . On le note X n −→ X .
n→+∞

Dans le cas où X a pour densité f , on a donc :

b
∀(a, b) ∈ R2 , a < b =⇒ lim P(a < X n ≤ b) = f (t ) d t
n→+∞ a

Il existe d’autres définitions équivalentes (et très différentes) mais elles ne sont pas au pro-
gramme d’ECS.

Nous verrons en TD que la convergence en loi est une conséquence de la convergence en

probabilité (mais ce n’est pas au programme).

� Il n’y a pas unicité de la limite.

L
� Si X n −→ X on ne peut rien dire sur E(X n ).
n→+∞
1 1 1
Considérer X n telle que P X n = = 1 − et P(X n = n) = .
n n n

ECS1.1, Lycée Fermat Toulouse. http://mathcpge.org/ 437

 C HAPITRE 22 : Convergences et approximations en probabilités

Théorème 6 Convergence en loi pour des variables aléatoires à valeurs dans N

L
Si toutes les variables aléatoires X n , ∈ N, et X sont à valeurs dans N alors X n −→ x si, et
n→+∞
seulement si :
∀k ∈ X (Ω), lim P(X n = k) = P(X = k)
n→+∞

� En général ceci est faux en général pour des variables discrètes !

L
Contre-exemple : dans l’exemple précédent, X n −→ 0 mais lim P(X n = 0) = 1.
n→+∞ n→+∞

2.1 Approximation binomiale-Poisson

Théorème 7 Approximation binomiale-Poisson

Soit X n une VARD de loi B n, p n avec lim np n = λ > 0. On a alors :
n→+∞

λk
∀k ∈ N, lim P(X n = k) = e−λ
n→+∞ k!
L
ie X n −→ P (λ).
n→+∞

Ce résultat explique pourquoi la loi de Poisson est appelée « loi des évènements rares ».

λ
On l’applique souvent avec p n = .
n

2.2 Théorème central limite

Théorème 8 Théorème central limite pour la loi binomiale (de De Moivre Laplace)
Soit (X n )n∈N suite de variables aléatoires telle que ∀n ∈ N, X n → B(n, p).
On considère les variables aléatoires centrées réduites associées :
X n − E(X n ) X n − np
∀n ∈ N, X n⋆ = =
V (X n ) np(1 − p)

Alors :
L
X n⋆ −→ N (0, 1)
n→+∞
ie :
X n − np b
∀(a, b) ∈ R2 , a < b =⇒ lim P a < ≤b = f (t ) d t
n→+∞ np(1 − p) a

On peut donc approximer la loi B(n, p) par la loi N np, np(1 − p) pour de grandes valeurs
de n.

ECS1.1, Lycée Fermat Toulouse. http://mathcpge.org/ 438

2 Convergence en loi

Théorème 9 Théorème central limite pour la loi de Poisson

Soit (X n )n∈N suite de variables aléatoires telle que ∀n ∈ N, X n → P (nλ).
On considère les variables aléatoires centrées réduites associées :
X n − E(X n ) X n − nλ
∀n ∈ N, X n⋆ = =
V (X n ) nλ
Alors :
L
X n⋆ −→ N (0, 1)
n→+∞
ie :
X n − nλ b
∀(a, b) ∈ R2 , a < b =⇒ lim P a < ≤b = f (t ) d t
n→+∞ nλ a

On peut donc approximer la loi P (nλ) par la loi N nλ, nλ pour de grandes valeurs de n.

ECS1.1, Lycée Fermat Toulouse. http://mathcpge.org/ 439

 C HAPITRE 22 : Convergences et approximations en probabilités

3 Exercices
Exercice 1 (Convergence en loi et lois uniformes)
1 1
1. Pour n ≥ 1, on suppose que X n → − , .
n n
L
Montrer que X n −→ 0.
n→+∞
1 2 n −1
2. Pour n ≥ 1, on suppose que X n → , ,..., .
n n n
L
Montrer que X n −→ U [0, 1] .
n→+∞

Exercice 2 Soit X n de densité :

1 x/n x n−1
f n (t ) = e 1x>0
n! n
P
Montrer que X n −→ 1.
n→+∞

Exercice 3 (Approximation d’une loi hypergéométrique par une loi binomiale)

On considère une urne composée de N boules dont une proportion p de boules blanches.
On effectue n tirages d’une boule sans remise et on note X N le nombre de boules blanches
obtenues.
L
Montrer que X N −→ B(n, p).
N→+∞

Exercice 4 (Convergences vers la loi de Poisson)

Soit n un entier de N∗ .
1. On note F n l’ensemble des permutations de 1, n . On choisit au hasard une de ces
permutations, et on définit la variable aléatoire Y n égale au nombre de points fixes de
cette permutation.

(a) Montrer que le nombre d’éléments de F n n’admettant aucun point fixe vaut :

(−1)k
n
d n = n!
k=0 k!

(b) Déterminer la loi de Yn .

(c) Montrer que la suite (Y n )n converge en loi vers une variable aléatoire dont on
déterminera la loi.

2. On note E n l’ensemble des applications de 1, n dans 1, n . On choisit au hasard une

de ces applications, et on définit la variable X n égale au nombre de points fixes de cette
application.
(a) Déterminer la loi de X n .
(b) Montrer que la suite (X n )n converge en loi vers une variable aléatoire dont on
déterminera la loi.

Exercice 5 Pour tout n ∈ N∗ , on considère la fonction f n définie par :

2 2
f n (x) = n 2 xe−n x /2
1x≥0

ECS1.1, Lycée Fermat Toulouse. http://mathcpge.org/ 440

3 Exercices

1. Montrer que f n est la densité d’une variable aléatoire.

P
2. Soit X n de densité f n . Montrer que X n −→ 0.
n→+∞

Exercice 6 Pour n ∈ N∗ et a ∈ R, on considère la fonction f n définie par :

an
f n (x) =
π(1 + n 2 x 2 )
1. Déterminer a pour que f n soit une densité de variable aléatoire.
L
2. Soit X n de densité f n . Admet-elle des moments ? Montrer que X n −→ 0.
n→+∞

Exercice 7 (Inégalité de grandes déviations)

Dans cet exercice X est une variable aléatoire définie sur un espace probabilisé (Ω, A , P ), de
densité :
1
f (t ) = t n−1 e−t
(n − 1)!
ie de loi Γ(1, n) = γ(n)), avec n ∈ N∗ .
On rappelle que E(X ) = n et V (X ) = n.
1. Pour tout réel λ > 0, on pose ψ(λ) = ln E(e−λ(X −E(X )) ) (transformée de Legendre de X ).
Calculer ψ(λ).
λ2
2. Montrer que pour tout λ > 0, on a ψ(λ) ≤ n .
2
3. (a) Montrer que pour tout x > 0 et tout λ > 0, on a

P(E(X ) − X ≥ x) ≤ e−λx+ψ(λ)

(b) En déduire que pour tout x > 0

2
/(2n)
P(E(X ) − X ≥ x) ≤ e−x

4. Comparer l’inégalité que l’on vient d’obtenir avec celle obtenue par l’inégalité de Bienaymé-
Tchebicheff.

Exercice 8 (Inégalités pour la loi de Poisson)

Dans tout l’exercice, X est une variable aléatoire définie sur un espace probabilisé (Ω, A , P)
et suivant la loi de Poisson de paramètre λ > 0.
1
1. (a) Montrer que P(|X − λ| ≥ λ) ≤ .
λ
1
(b) En déduire l’inégalité P(X ≥ 2λ) ≤ .
λ
2. On considère dans toute cette question une variable aléatoire discrète Z définie sur
(Ω, A , P), d’espérance nulle et de variance σ2 .
(a) Montrer que

∀ a > 0, ∀ x ≥ 0, P(Z ≥ a) ≤ P[(Z + x)2 ≥ (a + x)2 ]

σ2 + x 2
(b) Montrer que ∀ a > 0, ∀ x ≥ 0, P(Z ≥ a) ≤ .
(a + x)2
σ2
(c) Montrer que ∀ a > 0, P(Z ≥ a) ≤ .
σ2 + a 2

ECS1.1, Lycée Fermat Toulouse. http://mathcpge.org/ 441

 C HAPITRE 22 : Convergences et approximations en probabilités

1
(d) En déduire que P(X ≥ 2λ) ≤ .
λ+1
+∞
3. Pour tout réel t , on pose G X (t ) = P(X = k) t k .
k=0
(a) Pour tout réel t , justifier l’existence de G X (t ) et calculer sa valeur.
G X (t )
(b) Montrer que : ∀ t ≥ 1, ∀ a > 0, P(X ≥ a) ≤ .
ta
e λ
(c) En déduire que P (X ≥ 2λ) ≤ .
4

Exercice 9 (Transformée de Laplace et inégalités exponentielles) Si X est une variable

aléatoire réelle, on appelle transformée de Laplace de X (ou fonction génératrice des mo-
ments) la fonction L X définie par :

∀t ∈ R, L X (t ) = E et X

1. (a) Montrer que L X est toujours définie en 0.

(b) Si X est positive, montrer que L X est définie au moins sur R− .
(c) Calculer L X dans les cas suivants : X → U 1, n , X → B(n, p), X → G (p), X →
P (λ), X → U [a, b] , X → E λ) et X → N (0, 1). On précisera à chaque fois son
ensemble de définition
2. (a) Montrer que si X est une variable aléatoire réelle et t > 0 tel que e t X admet une
espérance, alors :
∀a ∈ R, P(X ≥ a) ≤ e−t a E et X

(b) Dans le cas où X → N (0, 1) en déduire :

2
/2
∀a > 0, P(X ≥ a) ≤ e−a

Exercice 10 (Une condition suffisante de convergence en probabilité)

Soit (X n )n∈N suite de variables aléatoires admettant un moment d’ordre 2 et telle que :

lim E(X n ) = a et lim V (X n ) = 0

n→+∞ n→+∞

P
Montrer que X n −→ X .
n→+∞

Exercice 11 (Convergence en probabilité et fonctions continues)

P P
Si X n −→ X et f : R −→ R est continue sur R, alors f (X n ) −→ f (X ).
n→+∞ n→+∞

Exercice 12 (La convergence en probabilité donne la convergence en loi) On sup-

P
pose que X n −→ X .
n→+∞
1. Vérifier que si Y et Z sont deux variables aléatoires réelles, si c ∈ R et ε > 0 alors :

P(Y ≤ c) ≤ P(Z ≤ c + ε) + P(Z − Y > ε)

2. Soient ε > 0 et a ∈ R. Etablir que, pour tout n ∈ N :

P(X ≤ a − ε) − P |X n − X | > ε ≤ P(X n ≤ a) ≤ P(X ≤ a + ε) + P |X n − X | > ε

ECS1.1, Lycée Fermat Toulouse. http://mathcpge.org/ 442

3 Exercices

L
3. Conclure que X n −→ X .
n→+∞

Exercice 13 On considère une suite de variables aléatoires (X n )n≥1 , définies sur (Ω, A , P),
où, pour tout entier naturel n ≥ 1, X n suit la loi normale d’espérance nulle et d’écart-type
1/n.
On définit, pour tout entier naturel n non nul, l’application Y n par :
1
∀ω ∈ Ω, Yn (ω) = X n (ω) − t d t
−1

On admet que, pour tout entier naturel non nul, Y n est une variable aléatoire définie sur
(Ω, A , P).
On note F Yn la fonction de répartition de Y n et Φ celle de la loi normale centrée réduite.
1. Exprimer, pour tout réel y, F Yn (y) en fonction de Φ(y) et de n.
2. Montrer que la suite (Y n )n≥1 converge en loi.

ECS1.1, Lycée Fermat Toulouse. http://mathcpge.org/ 443