Les Probabilites

Par
Mme Ghizlane Lakhnati
ENSA AGADIR
Plan 2
1. Introduction aux Probabilites;
2. Probabilites conditionnelles et independance;
3. Les variables aleatoires;
4. Lois usuelles;
5. Convergence de Variables aleatoires.
Plan 3
Chapitre 1: Introduction aux Probabilites
Introduction 4
Nous avons tous des notions intuitives de probabilites parce que
la vie courante nous met en presence de phenom`enes aleatoires.
Les premiers probl`emes de probabilites datent du 17`eme si`ecle
et sont lies `a des jeux de hasard: jouer `a pile ou face.
Outil dapplication et de modelisation en Physique, Biologie,
Economie, nance, Informatique,...
Introduction 5
Le probl`eme de Galilee: Le prince de toscane demande `a Galilee
pourquoi, en lancant trois des, on obtient plus souvent un total
de 10 quun total de 9.
Le probl`eme du Chevalier du Mere: Le chevalier de Mere
demande `a Pascal sil est plus facile dobtenir un six au moins
en lancant quatre fois de suite un seul de, ou dobtenir un
double six au moins en lancant vingt quatre fois de suite deux
des.
Le pari de Pascal....
Denitions 6
Denition:
1. Une epreuve aleatoire est une experience `a plusieurs issues
possibles ou resultats.
2. Lensemble des resultats est appele ensemble des etats du
monde ou univers, generalement note .
3. Exemples:
On lance un de equilibre et on observe la face superieure
montree, = {1, 2, ..., 6} .
On jette une pi`ece de monnaie, = {P, F} .
On jette une pi`ece de monnaie n fois , = {P, F}
n
.
On observe le nombre de pannes dune machine, = N.
On sinteresse `a la duree de vie dune machine, = R
+
.
Denitions 7
On constate que selon les cas est ni, inni denombrable ou non
denombrable.
?Probabiliser lensemble , cest lui adjoindre une tribu A P()
de parties (ou evenements) de et une mesure de probabilite P
attribuant `a chaque evenement A A une probabilite P(A) [0, 1]
caracterisant le degre de vraisemblance de la survenue de A.
Denitions 8
Denition:
Une famille de parties A P() est une tribu si:
1. A
2. Si A A alors A A
3. Si A
n
A, n N alors

nN
A A.
On appelle evenement tout element de la tribu A.
est appele evenement impossible.
est appele evenement certain.
Un evenement elementaire est un evenement qui contient une seule
eventualite.
A est l evenement complementaire de A dans .
Denitions 9
Denition:
On appelle probabilite sur (, A) toute fonction P : A [0, 1]
veriant:
1. P() = 1.
2. Si A
n
A, n 1 avec Pour tout i = j, A
i
A
j
= alors
P
_
_
n1
A
n
_
=

n1
P(A
n
)
Le triplet (, A, P) est appele un espace probabilise.
Proprietes 10
Soient un espace probabilise (, A, P) et A, B et A
n
, n 1 des
evenements:
1. P() = 0
2. P(A) = 1 P(A).
3. Si A B alors P(B) P(A).
4. P(A B) = P(A) +P(B) P(A B).
Cas ni ou denombrable 11
On munit un ensemble E, suppose ni ou denombrable, de la tribu
de ses parties P(E).
Une probabilite sur (E, P(E)) est determinee par la donnee des
(e), pour tout e E.
Alors A P(E),
(A) =

eA
(e).
Dans le cas o` u E est ni,
Si de plus tous les singletons {e} aient la meme probabilite
(e) = p. On dit quil y a equiprobabilite.
A P(E),
(A) =
|A|
|E|
.
|A| est le cardinal de A: le nombre des elements de A. .
Cas ni ou denombrable 12
Exemples:
1. Paradoxe du chevalier de Mere:
A
1
= Obtenir au moins un 6 en quatre lancers de 1 de.
A
2
= Obtenir au moins un double 6 en 24 lancers de 2 des.
2. Le probl`eme de Galilee: A= Obtenir une somme de 9.
B= Obtenir une somme de 10.
Cas ni ou denombrable 13
Chapitre 2: Probabilites conditionnelles et
independance
Le conditionnement 14
Dans certains cas, nous sommes appeles `a calculer la probabilite
dun evenement aleatoire A sachant quun autre evenement B sest
realise. Ainsi, il sagit de calculer la probabilite dun ev`enement A
avec une information supplementaire qui est celle de la realisation
de levenement B.
Le conditionnement 15
Denition:
Soit (, A, P) un espace de probabilite et B un evenement de
A, tel que P(B) > 0.
On denit P
B
sur par:
P
B
(A) = P(A/B) =
P(A B)
P(B)
.
On dit que cest la probabilite de A sachant B.
Si P(A) > 0 et P(B) > 0, On a
P
B
(A) P(B) = P
A
(B) P(A).
Si P(B) = 0, la probabilite conditionnelle par B nest pas
denie;
Le conditionnement 16
Exemple:
On joue avec deux des, un rouge et un blanc, quelle est la
probabilite davoir 2 six sachant que le de blanc `a donne six?.
Reponse: ?
Le conditionnement 17
Question:
Verions que P
B
est bien une probabilite?.
Proprietes:
La probabilite conditionnelle poss`ede les proprietes suivantes :
1. P(A B/C) = P(A/C) +P(B/C) si A et B sont deux
evenements disjoints.
2. P(A/B) = 1 P(A/B)
3. P(A B/C) = P(A/B) +P(B/C) P(A B/C) : formule de
probabilite totale.
4. P(A B C) = P(A).P(B/A).P(C/A B) : formule du
double conditionnement.
Le conditionnement 18
Denition: Une suite nie ou non (B
n
)
n1
devenements de est
appelee une partition de si les B
n
sont 2 `a 2 disjoints et leur
reunion est egale `a :
i = j, B
i
B
j
=
et
_
n1
B
n
=
Theor`eme: des probabilites totales:
Soit (, A, P) un espace de probabilite et (B
n
)
n1
une partition de
telle que P(B
n
) > 0, n. On a A A,
P(A) =

n
P
B
n
(A) P(B
n
)
Le conditionnement 19
Theor`eme: de Bayes
Soit (, A, P) un espace de probabilite et (B
n
)
n1
une partition de
telle que P(B
n
) > 0, n et A A tel que P(A) > 0.
On pour tout k
P
A
(B
k
) =
P
B
k
(A) P(B
k
)

n
P
B
n
(A) P(B
n
)
Denitions 20
Exemple:
Parmi 10 pi`eces mecaniques, 4 sont defectueuses. On prend
successivement deux pi`eces au hasard dans le lot (sans remise).
Quelle est la probabilite pour que les deux pi`eces soient correctes.?
Independance 21
Denition Soient (, A, P) un espace probabilise, A et B deux
evenements.
1. On dit que A et B sont independants si la realisation de A
naecte pas celle de B. On peut ecrire:
P(A B) = P(A) P(B)
Si de plus P(B) > 0, alors P(A/B) = P(A)
2. on dit que A
1
, A
2
, ..., A
n
sont mutuellement independants si
P(A
1
A
2
... A
n
) = P(A
1
) P(A
2
) ... P(A
n
)
3. On dit que A
1
, A
2
, ..., A
n
sont 2 `a 2 independants si pour tout
1 i = j n,
P(A
i
A
j
) = P(A
i
) P(A
j
)
Independance 22
Remarque: Lindependance mutuelle implique lindependance 2 `a
2, la reciproque est fausse.
Exemple:
Soit = {1, 2, 3, 4} et P une probabilite denie par:
P({1}) = P({2}) = P({3}) = P({4}) =
1
4
.
Soient A = {1, 2}, B = {1, 3} et A = {1, 4}.
Montrer que A, B et C sont deux `a deux independants mais pas
mutuellement independants.
Independance 23
Chapitre 3: Variables aleatoires reelles
Variables aleatoires 24
Denition:
Une variable aleatoire est une application denie de dans R telle
que:
X : w X(w) = x
A chaque evenement elementaire de correspond un nombre reel x.
La valeur x represente la realisation de X lorsque levenement {w}
se produit.
Exemple:
Si on consid`ere la constitution dune fraterie de 2 enfants.
= {GG, FF, FG, GF}.
Soit X: le nombre de lle dans la famille `a deux enfants.
X() = {0, 1, 2}
Variables aleatoires discr`etes 25
Une variable aleatoire est dite discr`ete si elle ne prend que des
valeurs isolees (discontinues).
Le nombre de lle dans la famille `a deux enfants.
Le nombre de salaries dans une entreprise moyenne.
Une bote contient cinq jetons sur lesquels sont inscrits les entiers
: 2 ; 1 ; 0 ; 1 ; 2.
Un tirage consiste ` a tirer simultanement deux jetons.
On consid`ere la variable aleatoire X qui `a chaque tirage associe la
somme des deux entiers inscrits sur les deux jetons tires.
Lensemble des valeurs prises par X est
X() = {3; 2; 1; 0; 1; 2; 3}.
Variables aleatoires discr`etes 26
Une variable aleatoire discr`ete est caracterisee par lensemble des
valeurs quelle peut prendre et par les probabilites de ces valeurs.
Cest ce quon appelle loi de probabilite note P
X
:
La loi de probabilite de la variable aleatoire X est la fonction :
X() [0; 1]
x
i
P(X = x
i
) = p
i
Exemple: Voir cours.
Variables aleatoires discr`etes 27
La fonction de repartition de la variable aleatoire X est la
fonction F
X
:
R [0; 1]
t F(t) = P(X t)
F
X
correspond `a la distribution des probabilites cumulees.
Si X() = {x
1
, x
2
, ..., x
n
} et P(X = x
i
) = p
i
, on appelle fonction
de repartition de X, la fonction denie par :
x R F
X
(t) = P(X t) =

x
i
t
P(X = x
i
)
La fonction de repartition F dune variable aleatoire X satisfait aux
proprietes suivantes :
F
X
est croissante.
F a pour limite 0 en et 1 en +
Si a b alors P(a < X b) = F
X
(b) F
X
(a)
Variables aleatoires continues 28
Une variable aleatoire est dite continue si elle peut prendre toutes
les valeurs dans un intervalle donne.
Exemple:
Le salaire dun ouvrier dans une usine.
Le poids des bebes `a la naissance.
Variables aleatoires continues 29
La loi de probabilite dune v.a.c associe une probabilite `a chaque
evenement ensemble des valeurs, la probabilite associe `a
levenement {x = a} est nulle, car il est impossible dobserver cette
valeur.
Denition:
On appelle densite de probabilite toute application continue par
morceaux telle que:
1. x R, f(x) 0.
2.
_
+

f(x) = 1 si lintegrale de la fonction densite converge.

Variables aleatoires continues 30
Une variable aleatoire est dite absolument continue sil existe une
fonction de densite f telle que:
t R, P(X t) = F
X
(t) =
_
t

f(x)dx
F
X
(t) est la fonction de repartition de X denie comme pour les
v.a.d.
f est dite la fonction de densite. Donc F
X
(t) est le primitive de f.
Soit X v.a.c de densite f et de fonction de repartition F
X
alors:
P(a X b) =
_
b
a
f(x)dx.
P(X = a) = 0 si f est continue `a droite de a.
F
X
est continue, derivable en tout point de continuite de f et
F

X
= f
Exemple: voir cours
Esperance et Variances 31
Esperance:
Lesperance dune variable aleatoire X correspond `a la somme des
valeurs possibles de X ponderees par leur probabilites.
Cest un param`etre qui mesure la tendance general de la v.a.
Pour une v.a.d:
Lesperance mathematique dune variable aleatoire discr`ete prenant
n valeurs x
i
avec les probabilites P(X = x
i
) = p
i
, o` u 1 i n est :
E(X) =
n

i=1
p
i
x
i
.
Pour une v.a.c:
Soit X une fonction de densite f, lesperance mathematique de X
est
E(X) =
_
+

tf(t)dt
Esperance et Variances 32
Proprietes:
Soient a et b deux reels, X et Y deux variables aleatoires
desperances mathematiques respectives E(X) et E(Y ). Alors:
E(aX +b) = aE(x) +b.
E(X +Y ) = E(X) +E(Y ).
Si X 0 alors E(X) 0.
E(c) = c.
Si X Y alors E(X) E(Y ).
Esperance et Variances 33
Variance:
La variance dune v.a est lesperance mathematique du carree de
lecart `a lesperance mathematique.
Cest un param`etre qui mesure la dispersion autour de la moyenne:
La variance dune variable aleatoire X est:
V (X) = E
_
(X E(X))
2

= E(X
2
) E(X)
2
Proprietes:
Pour tout reel a et b, V (aX +b) = a
2
V (X).
Si X = c, V (X) = 0.
(aX) = |a| (X).
Esperance et Variances 34
Pour une v.a.d:
V (X) =
n

i=1
p
i
x
2
i

_
n

i=1
p
i
x
i
_
2
Pour une v.a.c:
V (X) =
_
+

t
2
f(t)dt
__
+

tf(t)dt
_
2
Couples de V.A 35
Soient X et Y 2 v.a denies sur le meme espace de probabilite.
La loi jointe des 2 v.a X et Y est la loi de probabilite du couple
(X, Y ):
Dans le cas discr`et: La loi jointe de X et Y est la fonction denie
par:
x, y p
x,y
= P(X = x, Y = y)
Dans le cas continu: La loi jointe de X et Y est la fonction
denie par:
[a, b] [c, d] p
[a,b][c,d]
= P(X [a, b] , Y [c, d])
Exemple: voir cours.
Couples de V.A 36
Independance:
Soient X et Y 2 v.a denies sur le meme espace de probabilite.
On dit que X et Y sont independantes si Dans le cas discr`et:
p
x.y
= P(X = x, Y = y) = P(X = x)P(Y = y)
Dans le cas continu:
p
[a,b][c,d]
= P(X [a, b])P(Y [c, d])
Theor`eme:
Soient X et Y 2 v.a independantes alors
E(XY ) = E(X)E(Y )
La reciproque est fausse (voir exemple cours).
Couples de V.A 37
Covariance et correlation:
Soient X et Y 2 v.a denies sur le meme espace de probabilite.
On appelle covariance de X et Y le reel:
cov(X, Y ) = E [(X E(X))(Y E(Y ))] = E(XY ) E(X)E(Y )
Le coecient de correlation est:
R(X, Y ) =
cov(X, Y )
(X)(Y )
Si cov(X, Y ) = 0 on dit que X et Y sont non correlees.
Theor`eme:
Si X et Y sont independantes alors elles sont non correlees.
La reciproque est fausse (voir exemple cours).
Couples de V.A 38
Soient X et Y 2 v.a denies sur le meme espace de probabilite:
a, b R,
V (aX +bY ) = a
2
V (X) +b
2
V (Y ) + 2abcov(X, Y )
cov(X, Y )
2
V (X)V (Y ) par suite |cov(X, Y )| (X)(Y ).
1 R(X, Y ) 1.
Si X et Y sont independantes alors V (X +Y ) = V (X) +V (Y ).
La reciproque est fausse (voir exemple cours).
Exemple: voir cours.
Couples de V.A 39
Chapitre 4 : Lois usuelles: discr`etes et continues
Lois usuelles discr`etes 40
Loi de Bernouilli : Une variable aleatoire discr`ete X qui ne prend
que les valeurs 1 et 0 avec les probabilites respectives p et q = 1 p
est appelee variable de Bernoulli. On note X B(p).
Exemple:
Une urne contient deux boules rouges et trois boules vertes. On
tire une boule de lurne. La variable aleatoire X = nombre de
boules rouges tirees est une variable de Bernoulli. On a :
p(X = 1) = 2/5 = p, p(X = 0) = 3/5 = q.
E(X) = p V (X) = pq (X) =

pq
Lois usuelles discr`etes 41
Loi Binomiale: Une variable aleatoire discr`ete X est dite binomiale
selle prend les valeurs 0, 1..., n et sa loi de probabilite est denie
par:
p(X = k) = C
k
n
p
k
q
nk
.
On note X B(n, p).
Exemple:
On lance une pi`ece de monnaie n fois, p est la probabilite dobtenir
pile. La variable aleatoire X = nombre de piles obtenus apr`es n
lancers.
E(X) = np V (X) = npq (X) =

npq
Lois usuelles discr`etes 42
Propositions
Soient X
i
des variables de Bernoulli independantes associees `a
chaque epreuve 1 i n. La somme de ces variables
comptabilise donc le nombre de succ`es au cours des n epreuves.
On a donc X = X
1
+X
2
+ +X
n
est une variable binomiale.
Si X
1
et X
2
sont des variables independantes qui suivent des
lois binomiales B(n
1
, p) et B(n
2
, p) respectivement, alors
X
1
+X
2
suit une loi binomiale B(n
1
+n
2
, p).
Lois usuelles discr`etes 43
Loi geometrique: Une variable aleatoire discr`ete X est dite
geometrique selle prend les valeurs sur N

et sa loi de probabilite
est denie par:
p(X = n) = q
n1
p.
On note X G(p).
Exemple:
On lance une pi`ece de monnaie jusqu `a lapparition de pile, p est la
probabilite dobtenir pile. La variable aleatoire X = nombre de
tentatives pour obtenir pour la premi`ere fois pile.
E(X) = 1/p V ar(X) = q/p
2
(X) =

q/p
Lois usuelles discr`etes 44
Loi de poisson: Loi pour modeliser les ls dattente:
Arrivee de clients qui se presentent `a un guichet dune banque
en une heure.
Apparitions de pannes dun reseau informatique en une annee.
Arrivee de malades aux urgences dun hopital en une nuit...
La loi de Poisson de param`etre est donnee par
P(X = k) = e

k
k!
.
On note X P().
E(X) = V ar(X) = (X) =

Lois usuelles discr`etes 45

Exemple:
La demande hebdomadaire dun produit P dans un point de vente
suit la loi de Poisson de param`etre 5. Calculer la probabilite que
cette demande soit superieure `a 10.
Lois usuelles discr`etes 46
La loi P() est la loi limite de la loi B(n, /n) lorsque n tend
vers linni.
En pratique:
On approche la loi B(n, p) par la loi P(np) d`es que n > 20, p 0.1
et np 5.
Si X
1
et X
2
sont des variables aleatoires independantes qui
suivent des lois de Poisson de param`etres respectifs
1
et
2
, alors
X
1
+X
2
suit une loi de Poisson de param`etre
1
+
2
.
Lois usuelles continues 47
Loi exponentielle: La loi exponentielle de param`etre decrit la
distribution dune variable continue X qui ne prend que des valeurs
positives selon la fonction de densite f(x) = e
x
. On la note
X E().
On sinteresse `a la variable aleatoire qui represente le temps
dattente pour la realisation dun evenement ou le temps dattente
entre la realisation de deux evenements successifs.
Exemple:
Lorsque levenement attendu est la mort dun individu (ou la
panne dun equipement), sappelle le taux de mortalite (ou le
taux de panne).
Lois usuelles continues 48

E(X) =
1

, V ar(X) =
1

2
.
Une somme de n variables independantes de meme loi
exponentielle de param`etre nest pas une variable de loi
exponentielle mais une variable qui suit une loi gamma de
param`etres n et . Une telle loi est aussi appelee loi dERLANG
dordre n. Elle represente le temps dattente requis avant quun
evenement se realise n fois .
Lois usuelles continues 49
Loi normale:
Une variable aleatoire continue suit une loi normale si lexpression
de sa fonction de densite de probabilites est de la forme :
f(x) =
1

2
e

1
2
(
xm

)
2
, x R.
La loi depend des deux reels m et appeles param`etres de la loi
normale. On la note N(m, ).
E(X) = m, V ar(X) =
2
, (X) = .
Lois usuelles continues 50
Loi normale:
Une variable aleatoire continue suit une loi normale centree reduite
si lexpression de sa fonction de densite de probabilites est de la
forme :
f(x) =
1

2
e

1
2
(x)
2
, x R.
E(X) = 0, V ar(X) = 1, (X) = 1.
Proprietes:
P(X a) = 1 P(X a) = P(X a).
P(a X a) = 2P(X a) 1, a 0.
Lois usuelles continues 51
Soient X
1
et X
2
deux variables independantes. Si X
1
suit
N(m
1
,
1
) et X
2
suit N(m
2
,
2
), alors X
1
+X
2
suit
N(m
1
+m
2
,
_

2
1
+
2
2
).

X N(m, ) T N(0, 1)
E(X) = m T =
Xm

E(T) = 0
V ar(X) =
2
V ar(T) = 1
Lois usuelles continues 52
Table de la loi normale: La premi`ere colonne de la table indique
les unites et les dixi`emes des valeurs de T alors que les centi`emes
des valeurs de T se lisent sur la ligne superieure de la table. La
valeur trouvee `a lintersection de la ligne et de la colonne adequates
donne laire cherchee.
Exercice:
Soit X suit N(0, 1), calculer `a partir dune table :
p(X < 0, 82), p(X < 0, 5), p(X > 1, 42), p(X < 1, 32),
p(X > 2, 24), p(1 < X < 1), p(1, 5 < X < 2, 35).
Calculer a sachant que X suit N(0, 1) si: p(X < a) = 0, 8238,
p(X > a) = 0, 0632, p(X < a) = 0, 0268, p(X > a) = 0, 9651.
X suit N(18, 2.5). Calculer p(X < 17), p(X > 20),
p(16 < X < 19, 5).
X suit une loi N(68, 15) et p(X < a) = 0, 8315. Determiner a.
Lois derivantes de la loi normale 53
Loi de
2
de Pearson:
Si X
1
, X
2
, . . . , X
n
sont n variables aleatoires independantes qui
suivent toute la loi normale centree reduite, alors la quantite
X = X
2
1
+X
2
2
+ +X
2
n
est une variable aleatoire distribuee selon
la loi du
2
`a n degres de liberte.
On note X
2
n
.
E(X) = n , V(X) = 2n.
Si X
1

2
n
1
et X
2

2
n
2
sont independantes, alors
X
1
+X
2

2
n
1
+n
2
.
Lois derivantes de la loi normale 54
A mesure que n augmente, la loi du
2
tend vers la loi normale.
En pratique, on peut considerer que pour n 30, on peut
remplacer la loi du
2
`a n degres de liberte par la loi normale
N(n,

2n).
Lois derivantes de la loi normale 55
Loi de Fisher-Snedecor:
Si X
1
et X
2
sont deux variables aleatoires independantes qui
suivent toutes les deux une loi de khi-deux de degres de liberte
respectifs n
1
et n
2
, alors la quantite
F
.
=
X
1
/n
1
X
2
/n
2
est une variable aleatoire qui suit la loi de Fisher-Snedecor `a n
1
et
n
2
degres de liberte.
On note F F
n
1
,n
2
. Cette variable ne prend que des valeurs
positives.
Les valeurs tabulees de la variable F dependent dun seuil que
lon peut choisir et des nombres de degre de liberte n
1
et n
2
.
Lois derivantes de la loi normale 56
Loi de Student:
Soient X et Y deux variables aleatoires independantes, la premi`ere
etant distribuee selon une loi normale centree reduite N(0, 1) et la
deuxi`eme selon une loi de khi-deux `a n degres de liberte. La
quantite
T
.
=
X

Y
est une variable aleatoire qui suit une loi de Student `a n degres de
liberte.
On ecrit T T
n
.
On a E(T
n
) = 0 si n > 1 et V ar(T
n
) =
n
n2
si n > 2.
si T T
n
pour n 30, on pourra ecrire que T N(0, 1).
56-1
56-1
Lois derivantes de la loi normale 57
Theo`eme central limit (TCL):
Soit (X
n
)
n1
une suite de variables aleatoires reelles independantes
et de meme loi.
On suppose que E(X
2
1
) < +, et on note E(X
1
) = m et
V ar(X
1
) =
2
.
On pose S
n
= X
1
+X
2
+... +X
n
. Alors
Z
n
=

n
_
S
n
n
m
_
=
S
n
nm

n
L
N(0, ).
Lois derivantes de la loi normale 58
En pratique:
En pratique, ceci se verie d`es que n 30.
On approche la loi B(n, p) par la loi N(np,

npq) d`es que

n 30, np 15, et nq 15.
On approche la loi P() par la loi N(,

) d`es que 16.

Lois derivantes de la loi normale 59
Chapitre 5 : Convergence des variables aleatoires
Convergence 60
Soit (, A, P) un espace de probabilite.
On consid`ere (X
n
)
nN
une suite de variabes aleatoires `a valeurs
reelles, et X denie sur le meme espace probabilise.
Inegalite de Bienayme Tchebyche (B.T):
Soit X : (, A, P) R, > 0 et a > 0, on a
P(|X| a)
E(|X|

)
a

Si de plus E(X
2
) < , alors:
P(|X E(X)| a)
V ar(X)
a
2
Convergence 61
Exemple:
Soit X v.a telle que E(X) = 15 et V ar(X) = 25.
Trouver une borne de P(5 X 25) `a laide de linegalite de B.T.
Convergence 62
Quelques types de convergence:
La convergence presque s ur:
Une suite (X
n
)
nN
de variables aleatoires converge presque
s urement vers X si et seulement si N, P negligeable tel que
/ N, X
n
() X() quand n +.
Convergence 63
La convergence en probabilite:
Une suite (X
n
)
nN
de variables aleatoires converge en
probabilite vers l R si et seulement si pour tout > 0,
P(|X
n
l| > ) 0 quand n +.
Convergence 64
La convergence quadratique:
Une suite (X
n
)
nN
de variables aleatoires converge en moyenne
quadratique vers l R si et seulement si
E[(X
n
l)
2
] 0 quand n +.
Convergence 65
Proposition:
La convergence en moyenne quadratique implique la convergence
en probabilite. La reciproque est fausse.
Contre-exemple:
Soit X
n
() = n
2
.1
[
0,
1
n
]
(), w , et n N

.
Convergence 66
La loi des grands nombres:
La loi des grands nombres consiste `a etudier la limite dune suite
(X
n
)
n1
. On parle de la loi faible lorsquon etudie la convergence
en probabilite et la loi forte lorsquon etudie la convergence presque
sure.
Theor`eme:
Soient X
1
, X
2
, ..., X
n
une suite de variables aleatoires reelles, deux
`a deux non correlees, de meme loi et E(X
2
i
) < 1 i n.
Alors la moyenne arithmetique, X =
X
1
+X
2
+...+X
n
n
, converge en
moyenne quadratique et donc en probabilite vers E(X
1
).
Convergence 67
Nous allons maintenant enoncer le theor`eme de Bernouilli, un
simple cas de la loi des grands nombres.
Theor`eme:
Soient X
1
, X
2
, ..., X
n
une suite de variables aleatoires indepedantes,
de Bernouilli de param`etre p.
Soit S
n
= X
1
+... +X
n
.
Alors
S
n
n
converge en probabilite vers E(X
1
) = p. Autrement,
> 0,
P
_

S
n
n
p

>
_

n
0
Convergence 68
La convergence en loi:
Nous allons introduire la notion de convergence la plus faible mais
la plus utilisee en pratique: convergence en loi.
Une suite (X
n
)
nN
de variables aleatoires converge en loi vers la
variable aleatoire X, notee X
n
L
X, si et seulement si:
P(X
n
x) F
X
(x) quand n ,
en tout point x de continuite de la fonction de repartition F
X
de X.
Convergence 69
Le theor`eme central limit (TCL):
Nous allons enoncer le TCL qui fournit une vitesse de convergence
de la moyenne arithmetique, X, vers E(X
1
).
Theor`eme:
Soit (X
n
)
n1
une suite de variables aleatoires reelles independantes
et de meme loi.
On suppose que E(X
2
1
) < +, et on note E(X
1
) = m et
V ar(X
1
) =
2
.
On pose S
n
= X
1
+X
2
+... +X
n
. Alors
Z
n
=

n
_
S
n
n
m
_
=
S
n
nm

n
L
N(0, ).
Convergence 70
Le theor`eme de Moivre-Laplace:
Une extension du theor`eme central limit (TCL) est le theor`eme de
Moivre-Laplace, enonce au-dessus:
Theor`eme:
Si S
n
est une variable aleatoire de loi binomiale B(n, p) avec
p (0, 1), alors:
S
n
np

np(1p)
=
_
n
p(1p)
(X p) converge en loi, lorsque n , vers
une variable aleatoire de loi normale N(0, 1).
Convergence 71
Quelques approximations utiles en pratique:
On peut approximer la loi binomiale B(n, p) par la loi normale
N(np,
_
np(1 p)), si n 30, np 5 et n(1 p) 5.
On peut approximer la loi de poisson P() par la loi normale
N(,

), si > 20.
La loi binomiale B(n, p) peut etre approximer par la loi de
poisson P(np), si p < 0.1, np(1 p) 10 et n > 30.