D- Convergence de variables al´ eatoires
D- Convergence de variables al´eatoires
D-1 Notations
I On consid`ere (Xn)n∈N(´eventuellement (Yn)n∈N) une suite de variables al´eatoires d´efinies sur l’espace probabilis´e (Ω,A,P) etX (´eventuellementY) une variable al´eatoire d´efinie sur le mˆeme espace.
I On note (Fn)n∈Nla suite des fonctions de r´epartitions de (Xn)n∈Net F celle deX.
I On note (φn)n∈N la suite des fonctions caract´eristiques de (Xn)n∈N
etφcelle de X : φn(t) =E eitXn .
Rq: Les r´esultats de ce cours s’appliquent aussi `a des vecteurs al´eatoires.
D-2 Convergence en loi
I D´efinitions D´efinition 1
Xn→L X ⇐⇒limn→+∞Fn(x) =F(x) en tout point de continuit´ex deF.
D´efinition 2 : Th´eor`eme de Paul Levy Xn
→L X ⇐⇒ ∀x ∈R,limn→+∞φn(x) =φ(x).
D´efinition 3 : Lemme de Portmanteau Xn
→L X ⇐⇒ ∀g continue et born´ee,limn→+∞E(g(Xn)) =E(g(X)).
D- Convergence de variables al´eatoires
D-2 Convergence en loi
I Th´eor`eme
∀c∈R,Xn
→L X etYn
→L c=⇒(Xn,Yn)→L (X,c).
I Th´eor`eme de Slutsky
∀c∈R,Xn
→L X etYn
→L c=⇒
1 Xn+Yn
→L X+c
2 XnYn
→L Xc
3 Xn/Yn
→L X/c,c6= 0
Xn
→L X etYn
→L Y n’implique pasXn+Yn
→L X +Y
D-2 Convergence en loi
I Exemple
1 SoitXnune suite de v.a. de loiB(n, λ/n). Alors, lorsquentend vers l’infini,Xn
→L X, o`uX suit une loiP(λ).
pn(x) =P(Xn=x) =Cnx λ
n x
1−λ n
n−x
=n(n−1)...(n−x+ 1) x!
λ n
x 1−λnn
1−λnx
= λx x!
1−1
n
....
1−x−1 n
1−λnn
1−λnx n→+∞lim pn(x) =λx
x! lim
n→+∞
1−λ
n n
=λx x!e−λ. Donc,Fn(x) =Px
k=0pn(k) =P(X ≤x) o`u X suit une loi de poisson de param`etreλ.
2 SoitXN une suite de v.a. de loiH(N,n,p). Alors, lorsqueN tend vers l’infiniXN
→L X, o`uX suit une loiB(n,p).
D- Convergence de variables al´eatoires
D-3 Convergence en probabilit´ e
I D´efinition
Xn
→P X ⇐⇒ ∀ >0,limn→+∞P(|Xn−X|> ) = 0.
I Condition suffisante de convergence en probabilit´e
limn→+∞E(Xn) =cet limn→+∞V(Xn) = 0 =⇒Xn
→P c
Preuve :
P(|Xn−c|> )≤P(|Xn−E(Xn)|> /2) +P(|E(Xn)−c|> /2)≤4V(Xn)
2 + 1|E(Xn)−c|>/2→0.
I Propri´et´es
Xn
→P X etYn
→P Y =⇒Xn+Yn
→P X+Y
Preuve :P(|Xn+Yn−X−Y|> )≤P(|Xn−X|> /2) +P(|Yn−Y|> /2).
D-3 Convergence en probabilit´ e
I Exemple
1 SoitZnune suite de variable al´eatoire de loi du Chi2 `anddl. SoitXn
une suite de v.a. de loiT(n). Montrer queZn/nconverge en probabilit´e vers 1. En d´eduire que lorsque ntend vers l’infini Xn
→L X, o`uX suit une loiN(0,1).On note Xn
→ NL (0,1)
Rq: On utilisera le r´esultat ´enonc´e plus loin :
∀c∈R,Xn
→L c⇐⇒Xn
→P c
D- Convergence de variables al´eatoires
D-4 Convergence presque-sˆ ure
D´efinition
1 Xn
p.s.→ X ⇐⇒P(limn→+∞Xn=X) = 1.
2 Xn
p.s.→ X ⇐⇒P({ω∈Ω,limn→+∞Xn(ω) =X(ω)}) = 1.
3 Xn
p.s.→ X ⇐⇒ {ω∈Ω,limn→+∞Xn(ω)6=X(ω)}=∅.presque partout.
Condition suffisante de convergence presque-sˆure
∀ >0,P∞
n=1P(|Xn−X|> ) converge =⇒(Xn p.s.→X)
D-5 Convergences en moyennes d’ordre
I Convergence dans L1 (en moyenne)
Xn L1
→X ⇐⇒limn→+∞E(|Xn−X|) = 0.
I Convergence dans L2(en moyenne quadratique)
Xn L
2
→X ⇐⇒limn→+∞E |Xn−X|2
= 0.
I Convergence dans Lp
Xn→Lp X ⇐⇒limn→+∞E(|Xn−X|p) = 0.
D- Convergence de variables al´eatoires
D-6 Hi´ erarchie des convergences
Xn−→p.s. X =⇒ Xn−→P X =⇒ Xn−→L X
⇑ Xn−→Lp X
⇑ Xn
Lq
−→X q>p
La convergence en loi est la convergence la plus faible.
El´ements de preuve :
I p.s.⇒P: Si il est v´erifi´e, on utilise crit`ere de convergence p.s., sinon plus compliqu´e.
I P⇒L: en utilisant l’in´egalit´e∀Z,Yv.a.,x>0,
P(Y≤x)≤P(Z≤x+) +P(|Y−Z|> ) et en l’appliquant d’une part `aY=Xn,Z=X, d’autre part `aY=X,Z=Xn. On obtient
F(a−)−P(|Xn−X|> )≤Fn(x)≤F(a+) +P(|Xn−X|> ).
On obtient le r´esultat en prenant la limite enn, puis la limite quandtend vers 0 et la continuit´e deF.
I L1⇒P: par Markov
I L2⇒L1 : par Cauchy-Schwarz
I Lq⇒Lp: par Holder
D-7 Quelques r´ esultats compl´ ementaires
Convergence vers une constante
∀c∈R,Xn
→L c⇐⇒Xn
→P c
Preuve : Ici,F(x) =P(c≤x) = 1c≤x.On a
0≤P(|Xn−c|> ) =P(Xn> +couXn<c−)≤1−Fn(c+) +Fn(c−)
En prenant la limite le terme de droite tend vers 1−1c≤c++ 1c≤c−= 0.
Xn
→L X et|Xn−Yn|→P 0 =⇒Yn
→L X
∀g continue
1 Xn
→L X =⇒g(Xn)→L g(X)
2 Xn
→P X =⇒g(Xn)→P g(X)
3 Xn
p.s.→ X =⇒g(Xn)p.s.→ g(X)
D- Convergence de variables al´eatoires
D-8 Deux lois fondamentales de la statistique
Soit (Xi)1≤i≤n une suite de variables al´eatoires i.i.d. d’esp´erancemet de varianceσ2. Soit
X¯n= 1 n
n
X
i=1
Xi.
I Lois des grands nombres
Lorsque l’on fait un sondage al´eatoire dans une population, plus on augmente la taille de l’´echantillon, plus la moyenne de l’´echantillon se rapproche de celle de la population.
Loi faible des grands nombres X¯n
→P m
Preuve :E( ¯Xn) =m,V( ¯Xn) =σ2/net on applique la condition suffisante de convergence en probabilit´e.
Loi forte des grands nombres
X¯np.s.→ m
D-8 Deux lois fondamentales de la statistique
I Exemples
1 SoitFnla fonction de r´epartition empirique de (X1, ...,Xn),
∀x∈R,Fn(x) =1 n
n
X
i=1
1Xi≤x.
Alors, lorsquentend vers l’infini
Fn(x)p.s.→F(x) et Fn(x)→P F(x), en tout pointx deR.
D- Convergence de variables al´eatoires
D-8 Deux lois fondamentales de la statistique
I Th´eor`eme central limite (TCL)
X¯n−m σ/√
n
→ NL (0,1).
D-8 Deux lois fondamentales de la statistique
I Exemple 1: Loi de la somme de n variables al´eatoires i.i.d. Soit Sn=nX¯n=Pn
i=1Xi.Alors, Sn−nm
√nσ
→ NL (0,1).
Preuve : On multiplie en haut et en bas parndans le TCL.
I Exemple 2: Th´eor`eme de Moivre-Laplace SoitXn une suite de v.a. de loiB(n,p). ALors,
Xn−np pnp(1−p)
→ NL (0,1)
Preuve :Xna mˆeme loi que la somme denvariables i.i.d. de loi de bernouilliB(p)
I Exemple 3: Convergence en loi d’une suite Zn de loiχ2(n).
Zn−n
√2n
→ NL (0,1).
Preuve :Zna mˆeme loi queSn=P
ZiavecZii.i.d. de loi duχ2 (1).
D- Convergence de variables al´eatoires