Université d’Alger 1, Module : Probabilités Avancées
Faculté des sciences Dépt. Mathématiques 3 année Math Appl
Série N 3 : Mode de Convergence et Théorèmes Limites
Exercice 1 : Soit (Xn )n≥1 une suite de variable aléatoire indépendantes identiquement
distribuées de loi U[θ,θ+1] . On définit la variable aléatoire Zn = min{X1 , X2 , ..., Xn }.
1. Donner la loi de Zn .
2. Montrer que Zn converge en probabilité vers θ.
3. Montrer que n(Zn − θ) converge en loi vers une variable aléatoire Z dont on donnera
la loi.
Exercice 2 : Soient 0 < a < 1, (Xn )n≥1 une suite de variables aléatoires. On suppose que :
a
∀n ≥ 1, Xn G( ).
n
Xn
Montrer par deux méthodes différentes que ( )n≥1 converge en loi vers une variable
n
aléatoire Y a déterminer.
Exercice 3 : Donner un exemple qui affirme les implications suivantes :
1. ”La convergence en probabilité n’implique pas la convergence presque sûre”.
2. ”La convergence presque sûre n’implique pas la convergence en moyenne”.
Exercice 4 : Soient n ≥ 1, λ > 0 et (Xk )k≥1 une suite de variables aléatoire indépendantes
de même loi de Poisson. Posons :
n
Y n
Y
Yn = (1 + Xk ), Zn = Xk .
k=1 k=1
1
1. Étudier la convergence presque sûre de ln(Yn ).
n
2. Calculer P (Zn 6= 0).
3. Étudier la convergence en moyenne de Zn .
Exercice 5 : Théorème de Moivre-Laplace
Soit p ∈]0, 1[, (Xn )n≥1 une suite de variables aléatoires indépendantes de loi Birnoulli de
n
P
paramètre p et Sn = Xi . Alors :
i=1
Sn − np
U=p
np(1 − p)
converge en loi vers la loi Normale N (0, 1).
1
1. Commenter le résultat à la lumière du théorème de la limite centrale T CL.
2. Montrer le théorème de Moivre-Laplace en utilisant la fonction caractéristique et la
convergence en loi.
Exercice 6 : Soit (Xn )n≥1 une suite de variables aléatoires indépendantes de même loi de
Pn
Poisson de paramètre 1. Pour n ≥ 1, on pose Sn = Xk .
k=1
1. Trouver la loi de Sn .
2. En utilisant T CL, calculer :
n
−n
X nk
lim e .
n→∞
k=0
k!
Exercice supplémentaire :
Soient n variables aléatoires X1 , X2 ,...,Xn indépendantes, toutes distribuées selon la loi
uniforme sur l’intervalle [0, θ] où θ désigne un paramètre inconnu strictement positif.
1. Donner la densité de X1 .
2. Calculer E(X1 ) et V (X1 ).
3. En utilisant la loi forte des grands nombres, donner une suite de variables aléatoires
(Tn )n≥1 qui converge presque sûrement vers θ.
4. On pose Yn = M ax{X1 , X2 , ..., Xn }.
a) Calculer la fonction de répartition de Yn .
b) En déduire que la densité de Yn est donnée par :
xn−1
fYn (x) = n 1I]0,θ[ (x)
θn
c) Calculer E(Yn ) et E(Yn2 ).
d) Rappeler la définition de la convergence en moyenne quadratique et déduire de la
question précédente que (Yn )n≥1 converge en moyenne quadratique vers θ.
e) Soit > 0, calculer P (|Yn − θ| > ).
f ) En déduire que (Yn )n≥1 converge presque sûrement vers une limite à préciser.
g) Calculer la fonction de répartition de la variable aléatoire Zn = n(θ − Yn ).
h) En déduire que la suite de variables aléatoires (Zn )n≥1 converge en loi vers une
variables aléatoire dont on précisera la loi.
