CVG Presque Sur
CVG Presque Sur
CVG Presque Sur
17 février 2018
Auteur : Encadrant :
Corentin Kilque Dr. Ismael Bailleul
1 c. kilque
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1. Convergence presque sûre et convergence en probabilités . . . . . . . . . . . . . . . . . . . . . . . 3
1.1. Convergence presque sûre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3. Lois des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. Convergence dans Lp pPq . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1. Définition et première propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2. Liens avec la convergence presque sûre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Uniforme intégrabilité et convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . 12
3. Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.1. Définition et premières propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2. Convergence en loi et fonction caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3. Liens avec les autres notions de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4. Annexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5. Réponses aux questions du jury . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Mémoire de M2. Leçon 262 - Convergence de variables aléatoires. 2
Introduction
L’étude de suites de variables aléatoires ainsi que de leur convergence est une question très
naturelle en probabilité. On est souvent amené par exemple à approcher certaines variables
aléatoires par des suites de variables aléatoires plus simple ou que l’on sait simuler. On peut
citer le fait que la façon effective de simuler une variable aléatoire sur ordinateur se fait à
partir d’une loi uniforme sur r0, 1s, que l’on approche par une suite de variables aléatoires
de Bernoulli, au moyen de la décomposition en base deux d’un nombre réel.
Cette leçon s’intéresse alors à préciser la notion de convergence, et les propriétés qui
en découlent. On commence par les modes de convergence trajectoriels, puis on donne la
convergence en loi. On peut aussi justifier l’ordre de l’introduction des modes de convergence
par le soucis d’aller de la notion de convergence la plus intuitive, à celle la moins intuitive. On
s’attache, pour chaque mode de convergence donné, à donner ses propriétés, à caractériser la
convergence d’une suite, et à donner le lien avec les notions de convergence déjà introduites.
Un diagramme donné en annexe résume ces liens.
La première partie commence donc par donner la notion de convergence presque sûre,
analogue en théorie de la mesure de la convergence simple. On énonce notamment la tra-
duction en terme de convergence presque sûre des lemmes de Borel-Cantelli qui fournissent
des critères très puissants. A la fin de cette partie est donné comme premier développement
la preuve qu’une marche aléatoire symétrique sur Zd pour d ě 3 tend presque sûrement
vers l’infini. On introduit ensuite la convergence en probabilité, proche de la convergence
presque sûre dans sa définition, et avec laquelle on précise les liens. La métrisabilité de
cette convergence est également précisée. Pour conclure cette partie on énonce les lois des
grands nombres, qui sont des convergence de suites particulières en probabilité et presque
sûrement, et qui trouvent notamment des applications en analyse.
On introduit dans une deuxième partie la convergence en norme ||.||p héritée de la théorie
de la mesure, et on étudie notamment les propriétés des espaces Lp . Il est ensuite précisé les
liens avec la convergence presque sûre et en probabilité, en introduisant pour cette dernière
la notion d’uniforme intégrabilité.
La dernière partie est consacrée à la convergence en loi, qui n’est pas trajectorielle, et une
notion de convergence faible puisque toutes les autres notions de convergence implique celle-
ci, quitte à extraire. Elle présente néanmoins l’avantage d’être équivalente à la convergence
des fonctions caractéristiques, des fonctions génératrices dans le cas discret ainsi que des
fonctions de répartition. L’équivalence avec la convergence des fonctions caractéristiques est
utilisée en particulier pour montrer le théorème central limite qui constitue un raffinement
des lois des grands nombre et fait l’objet du second développement.
On termine ce rapport en apportant la réponse aux questions qui avaient été posées par
le jury lors de l’oral.
Janvier 2018.
3 c. kilque
Dans tout le rapport, on note pΩ, A, Pq un espace probabilisé et on considère pRd , BpRd qq
l’espace Rd muni de la tribu borélienne. Les variables aléatoires considérées seront des
fonctions mesurables X : Ω Ñ Rd .
Exemple 4 ([PB07, exemple V.1.3.]). On considère pXk qk une suite de variables aléatoires
indépendantes et identiquement distribuées de loi de Bernoulli de paramètre p P r0, 1s.
Alors la suite Un :“ nk“1 2´k Xk converge presque sûrement d’après le critère de Cauchy.
ř
En effet, si m ă n,
n
ÿ
|Un ´ Um | ď 2´k ď 2´m
k“m`1
et donc
ď č ď č ď
tω, |Un pωq´Um pωq| ă εu Ą tω, 2´m ă εu “ tω, 2´m ă εu “ Ω @ε ą 0.
mPN něm mPN něm mPN
Un résultat sur les séries dont le terme général est majoré par le terme général d’une
série convergente nous donne le résultat suivant.
Proposition 8 ([Ouv09, théorème 10.2.]). Si il existe pεn qn une suite de réels positifs qui
soient le terme général d’une série convergente et que pXn qn est une suite de variables
aléatoires telles que
`8
ÿ
Pp|Xn`1 ´ Xn | ą εn q ă `8
n“0
alors la suite pXn qn converge presque sûrement.
ż ż
1 1 ÿ
ϕS ptqdt “ PpSn “ kqeik¨t dt “ PpSn “ 0q
p2πqd T d n p2πqd d T
d
kPZ
1 ř ş ik¨t |dt “
ř
par Fubini puisque p2πq d kPZd T d |PpSn “ kqe kPZd PpSn “ kq “ 1 et puisque
1
ş 1
ş śd
p2πqd T d
eik¨t dt “ p2πqd Td j“1 e
ikj tj dt “ δ k .
0
Puisqu’il faut un nombre pair d’étape à pSn qn pour revenir en 0, on sait que pour n
impair, PpSn “ 0q “ 0. On remarque que |ϕ| ď 1 sur T d et |ϕptq| “ 1 si et seulement si
t “ p0, . . . , 0q, ˘pπ, . . . , πq. On obtient alors :
ż ż
ÿ 1 ÿ 1 ÿ
PpSn “ 0q “ d
ϕS2 n ptqdt “ d
ϕptq2n dt
ně0
p2πq ně0 T
d p2πq ně0 T
d
ż ÿ ż
1 1 1
“ d
ϕptq2n dt “ dt
p2πq T d ně0 p2πq T d 1 ´ ϕptq2
d
par Fubini-Tonelli puisqu’on a justifié que ϕptq est réel et puisque |ϕ| ă 1 presque partout
sur T d .
1 d
Puisque 1´ϕ 2 est continue sur T ztp0, . . . , 0q, ˘pπ, . . . , πqu, il nous reste maintenant à
1
justifier l’intégrabilité de la fonction 1´ϕ 2 en p0, . . . , 0q, ˘pπ, . . . , πq. On se limite au point
et ainsi
||t||2
1 ´ ϕptq2 “ ` op||t||2 q
d
donc
1 d
2
„
1 ´ ϕptq ||t||2
qui est intégrable en 0 dès que d ě 3.
Mémoire de M2. Leçon 262 - Convergence de variables aléatoires. 6
ÿ ÿ ÿ 1 ÿ
PpSn “ kq “ PpSn “ kq “ PpSn´l “ kq ď PpSn “ 0q ă 8.
ně0 ně1 něl`1
PpS l “ ´kq něl`1
Or ď ´ ¯
pX ‰ Y q “ |X ´ Y | ą 1{n
nPN˚
et on conclut avec la σ-sous additivité de la mesure P.
Proposition 12 ([PB07, proposition V.2.5.]). Soit pXn qn et pYn qn deux suites de variables
aléatoires qui convergent en probabilité respectivement vers X et Y , alors
P
(i) Si f : Rd Ñ Rn est une application continue, alors f pXn q ÝÑ f pXq
nÑ`8
P
(ii) Pour tous α, β P R, αXn ` βYn ÝÑ αX ` βY
nÑ`8
P
(iii) Xn Yn ÝÑ XY .
nÑ`8
Définition 15 ([PB07, lemme V.2.3.]). On pose pour X, Y deux variables aléatoires définies
sur le même espace probabilisé,
dpX, Y q :“ Er|X ´ Y | ^ 1s
dont on vérifie facilement que cela définit une distance.
La distance que l’on vient d’introduire est la distance de convergence en probabilité (il
n’y a pas unicité) comme le montre la proposition suivante.
Proposition 16 ([PB07, lemme V.2.3.]). La suite pXn qn converge en probabilité vers X si
et seulement si dpXn , Xq ÝÑ 0.
nÑ`8
Théorème 17 ([PB07, théorème V.2.4.]). Soit pXn qn , X des variables aléatoires. La suite
pXn qn converge en probabilité vers X si et seulement de toute suite croissante d’entiers
pnk qk on peut extraire une sous-suite pnki qi telle que pXnki qi converge presque sûrement
vers X.
Démonstration. On montre que l’on peut extraire une sous-suite de pXn qn qui converge
presque sûrement vers X ce qui montrera le sens direct en l’appliquant à toute sous-suite.
On construit une suite extraite ainsi : n0 “ 1 et pour k ě 1 on pose nk le plus petit entier
n tel que ´ 1¯
P |Xn ´ X| ě ď 2´k
k
qui existe par convergence en probabilité et propriété de N. On a alors
ÿ 1
Pp|Xnk ´ X| ě q ă `8
kPN˚
k
et donc pour ε ą 0, ÿ
Pp|Xnk ´ X| ě εq ă `8
kPN˚
et on conclut par le point (i) de la proposition 6.
Réciproquement, si de toute suite croissante d’entiers pnk qk on peut extraire une sous-
suite pnki qi telle que pXnki qi converge presque sûrement vers X, en particulier de toute suite
croissante d’entiers pnk qk on peut extraire une sous-suite pnki qi telle que pXnki qi converge
en probabilité vers X et donc puisque la convergence est métrisable, pXn qn converge en
probabilité vers X.
1.3. Lois des grands nombres. On donne maintenant des lois les grands nombres : des
résultats de convergence en probabilité et presque sûre de suites particulières qui trouvent
de nombreuses applications.
La démonstration du théorème qui suit est élémentaire, tandis que celle du suivant, qui
a des hypothèses plus faibles, nécessite plus de travail.
Théorème 19 (Loi faible des grands nombres, [Ouv09, théorème 10.18.]). Soit pXn qn
une suite de variables aléatoires indépendantes et identiquement distribuées admettant un
moment d’ordre deux. On note m :“ ErX1 s et σ 2 :“ VarpX1 q. Alors si on pose
n
ÿ
Sn “ Xn ,
k“1
9 c. kilque
´S ¯
n
converge en probabilité vers m.
n n
On donne alors le théorème de la loi forte des grands nombres, qui admet les même
hypothèses que précédemment mais dont la conclusion est plus forte. Ici encore, si l’on
suppose l’existence d’une moment d’ordre quatre pour la loi commune la démonstration est
plus aisée, mais on ne la détaillera pas ici.
Théorème 21 (Loi forte des grands nombres, [PB07, théorème V.5.2.]). Soit pXn qn une
suite de variables aléatoires indépendantes et identiquement distribuées admettant une moyenne
que l’on note m :“ ErX1 s. Alors si on pose
ÿn
Sn “ Xn ,
k“1
´S ¯
n
converge presque sûrement vers m.
n n
Exemple 22. Si pXn qn admet pour loi commune une loi de Bernoulli de paramètre p, alors
on sait que Sn la somme des pXi q1ďiďn suit une loi binomiale Bpn, pq.
Application 23 (Méthode de Monte-Carlo, [Ouv09, exercice 10.8.]). Soit f : r0, 1s Ñ R
mesurable et pUn qn une suite de variables aléatoires indépendantes de loi uniforme sur r0, 1s.
Alors si Xn “ f pUn q, d’après la loi des grands nombres,
řn ż1
i“1 Xn p.s.
ÝÑ ErX1 s “ f pxqdx.
n nÑ`8 0
Une application de la loi des grands nombre en analyse nous est donnée par le théorème
suivant, qui fournit une suite explicite de polynômes qui approchent uniformément une
fonction continue sur r0, 1s donnée, ce qui précise le théorème d’approximation de Weiers-
trass.
Mémoire de M2. Leçon 262 - Convergence de variables aléatoires. 10
Démonstration. On note ||.||8 la norme sup sur r0, 1s et ωpδq le module d’uniforme conti-
nuité de f , c’est à dire
ωpδq :“ supt|f pxq ´ f pyq|, |x ´ y| ď δu.
On remarque que en reprenant les notations de l’exemple 22 et en notant x “ p P r0, 1s,
Bn pf, xq “ Erf pSn pxq{nqs. Ainsi, on a, pour x P r0, 1s, et δ P r0, 1s,
ˇ „ ˆ ˙ˇ „ˇ ˆ ˙ˇ
ˇ S n pxq ˇ ˇ S n pxq ˇ
|f pxq ´ Bn pf, xq| “ ˇˇE f pxq ´ f ˇ ď E ˇf pxq ´ f ˇ
n ˇ ˇ n ˇ
„ˇ ˆ ˙ˇ „ˇ ˆ ˙ˇ
ˇ Sn pxq ˇˇ ˇ ˇ Sn pxq ˇˇ ˇ
“ E ˇf pxq ´ f
ˇ
ˇ 1ˇˇx´ Snnpxq ˇˇďδ ` E ˇf pxq ´ f
ˇ ˇ
ˇ 1ˇˇx´ Snnpxq ˇˇąδ
ˇ
n n
´ ¯
Sn pxq
ˆˇ
ˇ
ˇ
Sn pxq ˇ
ˇ
˙ 2||f || 8 Var n
ď ωpδq ` 2||f ||8 P ˇˇx ´ ą δ ď ωpδq `
n ˇ δ2
ˆ ˙
Sn pxq xp1 ´ xq 1
or Var “ ď et on peut conclure.
n n 2n
||X||p ď ||X||q .
2.2. Liens avec la convergence presque sûre. Il n’existe pas d’implication sans hy-
pothèses supplémentaires entre convergence presque sûre et convergence en norme ||.||p
comme le montre les contre-exemples qui suivent. Il existe cependant des liens, que l’on
précise maintenant.
La convergence presque sûre de toute la suite n’est pas vraie en général comme le montre
le contre-exemple suivant.
Contre-exemple 33. On définit la suite pXn qn sur pr0, 1s, Bpr0, 1sq, λq de la manière suivante :
X0 “ 1r0,1s , X1 “ 1r0,1{2s , X2 “ 1r1{2,1s , X3 “ 1r0,1{3s , X4 “ 1r1{3,2{3s , X5 “ 1r2{3,1s , et
on continue par récurrence. Ainsi construite, on a ||Xn ||1 ÝÑ 0 mais pXn qn ne converge
nÑ`8
vers 0 en aucune point de r0, 1s. Pour obtenir une convergence presque sûre on pourrait par
exemple considérer la suite extraite pX0 , X1 , X3 , X6 , . . . q qui converge vers 0 sur s0, 1s.
Théorème 34 (Beppo-Levi, [MB06, théorème 7.1.]). Soit pXn qn une suite croissante de
variables aléatoires réelles positives. Alors ErlimnÑ`8 Xn s “ limnÑ`8 ErXn s.
Contre-exemple 36. On définit la suite pXn qn sur pr0, 1s, Bpr0, 1sq, λq de la manière suivante :
Xn “ pn ´ n2 tq1r0,1{ns . Alors pXn qn converge presque sûrement vers 0 mais ||Xn ||1 “ 1{2
qui ne converge pas vers 0.
Mémoire de M2. Leçon 262 - Convergence de variables aléatoires. 12
1 Xn
01 1
n
On donne maintenant un exemple qui sera important pour la notion d’uniforme intégra-
bilité.
Exemple 38. Si X P L1 , alors pX1|X|ąn qn converge vers 0 dans L1 par le théorème de
convergence dominée puisque la suite converge presque sûrement vers 0 et que l’on peut la
dominer partout par |X| P L1 .
Exemple 42 ([PB07, définition V.3.3.]). D’après l’exemple 38, une variable aléatoire inté-
grable, et donc une famille finie de variables aléatoires intégrables est uniformément inté-
grable. On montre également grâce à cet exemple que si la famille pXi qiPI est elle qu’il existe
Y P L1 telle que |Xi | ď Y presque partout alors la famille est uniformément intégrable.
Démonstration. On suppose piq vérifié. Le théorème 17 nous assure qu’il existe une sous-
suite de pXn qn qui converge presque sûrement vers X. Alors par le lemme de Fatou,
Er|X|s ď lim inf Er|Xnk |s ď sup Er|Xn |s ă `8
k nPN
3. Convergence en loi
Dans toute la suite on considérera des variables aléatoires définies sur des espaces de
probabilités à possiblement différents, comme dans la définition. On obtient immédiatement
la proposition suivante.
15 c. kilque
On a le théorème suivant, très utile pour les preuves qui vont suivre.
Théorème 48 (Théorème du porte manteau, [Ouv09, proposition 14.5.]). Si pXn qn , X sont
des variables aléatoires, on a l’équivalence entre
(i) pXn qn converge en loi vers X
(ii) Pour tout fermé F , lim supnÑ`8 PXn pF q ď PX pF q
(iii) Pour tout ouvert O, lim inf nÑ`8 PXn pOq ě PX pOq
(iv) Pour tout borélien A tel que PpBAq “ 0, limnÑ`8 PXn pAq “ PX pAq.
Proposition 49 ([Ouv09, proposition 14.17.]). Soit pXn qn , X des variables aléatoires de
fonctions de répartition pFXn qn , FX . Alors la suite pXn qn converge en loi vers X si et
seulement si pFXn pxqqn converge vers FX pxq pour tout x point de continuité de FX .
Exemple 50. Soit pmn qn et pσn qn deux suites de réelles convergeant respectivement vers m
et σ. Si pXn qn est une suite de variables aléatoires de loi N pmn , σn2 q et X est une variable
L
aléatoire de loi N pm, σ 2 q, alors Xn ÝÑ X.
nÑ`8
On donne maintenant deux critères de convergence en loi pour les variables aléatoires
discrètes.
Proposition 51 ([Ouv09, proposition 14.16.]). Soit pXn qn , X des variables aléatoires à
valeurs dans Z. On a l’équivalence
L
Xn ÝÑ X ðñ @k P Z, lim PpXn “ kq “ PpX “ kq.
nÑ`8 nÑ`8
Démonstration. Pour n ě 0, on a,
`8
ÿ zk n ˆ ˙´ `8
´ z n ¯n n
ÿ n zn ¯k ÿ pnq
exppzn q ´ 1 ` “ ´ “ ak znk
n k“0
k! k“0
k n k“0
où # 1
pnq k! k ěn`1
ak
´ ¯
“ 1 npn´1q¨¨¨pn´k`1q
k! 1 ´ nk
kďn
pnq
ainsi ak ě 0 pour tout n, k, et donc,
|zn | n
`8 ˆ ˙
ˇ ´ zn ¯n ˇˇ ÿ pnq k
ˇexppzn q ´ 1 ` ak |zn | “ expp|zn |q ´ 1 ` .
ˇ
ˇď
n k“0
n
2
Enfin, avec pour x ě 0, lnp1 ` xq ě x ´ x2 et 1 ´ e´x ď x,
ˆ ˆ ˙˙
ˇ ´ zn ¯n ˇˇ |zn |
ˇexppzn q ´ 1 ` ˇ ď expp|zn |q ´ exp n ln 1 `
ˇ
n n
|zn | |zn |2
ˆ ˆ ˙˙
ď expp|zn |q ´ exp n ´
n 2n2
|zn |2
ˆ ˆ ˙˙
“ expp|zn |q 1 ´ exp ´
2n
|zn |2
ď expp|zn |q .
2n
On peut alors conclure :
ˇ ´ zn ¯n ˇˇ ˇ ´ zn ¯n ˇˇ
ˇexppzq ´ 1 ` ˇ ď | exppzq ´ exppzn q| ` ˇexppzn q ´ 1 `
ˇ ˇ
ˇ
n n
|zn |2
ď | exppzq ´ exppzn q| ` expp|zn |q ÝÑ 0.
2n nÑ`8
17 c. kilque
Théorème 56 (Central limite, [HQ02, théorème XIII.II.22.]). Soit pXn qn une suite de va-
riables aléatoires indépendantes et identiquement distribuées
řn admettant un moment d’ordre
2
2. On note m “ ErX1 s et σ “ VarpX1 q. Alors si Sn “ k“1 Xn ,
Sn ´ nm L
? ÑX
Ý
nσ
où X „ N p0, 1q.
Démonstration. Soit pXi q une suite de variables aléatoires i.i.d. de loi de Poisson Pp1q, et
Sn “ X1 ` ¨ ¨ ¨ ` Xn qui suit donc une loi de Poisson Ppnq. On a ErX1 s “ VarpX1 q “ 1 et
on applique le théorème central limite pour obtenir :
Sn ´ n L
Zn “ ? Ñ Z „ N p0, 1q.
Ý
n
Mémoire de M2. Leçon 262 - Convergence de variables aléatoires. 18
Or on remarque que
n n
ÿ nk ÿ
e´n “ PpSn “ kq “ PpSn ď nq “ PpZn ď 0q
k“0
k! k“0
et donc par convergence des fonctions de répartitions on obtient
`8
´n
ÿ nk 1
e “ PpZ ď 0q “
k“0
k! 2
puisque Z est symétrique.
Application 58 ([PB07, exemple V.5.5.]). Si pXn qn admet pour loi commune une loi de
Bernoulli de paramètre p, alors on sait que Sn la moyenne arithmétique des pXi q1ďiďn suit
une loi binomiale Bpn, pq. Le théorème central limite nous donne, pour a ă b,
żb
´ Sn ´ np ¯ 1 2
lim P a ď a ďb “ ? e´t {2 dt.
nÑ`8 npp1 ´ pq 2π a
Remarque 59 ([PB07, exemple V.5.5.]). On reprend les notations de l’exemple précédent.
Nous verrons que la convergence en probabilité implique la convergence en loi, ainsi, d’après
la loi des grands nombres, Sn {n converge en loi vers p. D’après l’exemple précédent, on a
alors żb
´ Sn ´ np ¯ 1 2
lim P a ď b ďb “ ? e´t {2 dt
nÑ`8 `
n Sn 1 ´ Sn
˘ 2π a
n n
et donc pour n assez grand, l’intervalle
« c ´ c ´ ff
Sn b Sn Sn ¯ Sn a Sn Sn ¯
´? 1´ , ´? 1´
n n n n n n n n
b 2
contient p avec une probabilité proche de ?12π a e´t {2 dt. En statistiques, la paramètre p est
ş
souvent inconnu et ce résultat permet donc d’encadrer sa valeur en observant des réalisation
de Xi .
La réciproque de la proposition est fausse, comme le montre l’exemple suivant, très simple
puisque la suite considérée est constante.
19 c. kilque
Proposition 63 ([Ouv09, proposition 14.14.]). Soit pXn qn une suite de variables aléatoires
définies sur le même espace probabilisé pΩ, A, Pq à valeurs dans Rd et qui converge en loi
vers une variable aléatoire a P-p.s. constante. Alors pXn qn converge en probabilité vers a.
Proposition 64 (lemme de Slutsky, [Ouv09, exercice 14.8.]). Soit pXn qn et pYn qn deux
suites de variables aléatoires réelles définies sur le même espace probabilisé pΩ, A, Pq et qui
convergent en loi respectivement vers une variable aléatoire X et une constante y0 . Alors
pXn , Yn qn converge en loi vers pX, y0 q.
L
En particulier, Xn ` Yn ÝÑ X ` y0 .
nÑ`8
4. Annexe
On résume ici les liens entre les différentes notions de convergence, une flèche de A à B
indiquant qu’une convergence au sens de A implique une convergence au sens de B.
Lq , q ą p
Lp , p ą 1
U.I. ss-suite
P\
limite p.s. cste
L
Mémoire de M2. Leçon 262 - Convergence de variables aléatoires. 20
Question 1. Concernant le théorème 9 sur la divergence presque sûre d’une marche aléa-
toire symétrique sur Zd , que peut-on dire si l’on considère une marche aléatoire symétrique
(PpX “ xq “ PpX “ ´xq) sur Zd mais pas forcément à valeurs dans la base canonique ?
Réponse.
ř Dans la preuve donnée on montre la divergence en prouvant la sommabilité de la
série PpSn “ 0q. Pour cela on se sert d’un équivalent en 0 de ϕ la fonction caractéristique
des variables aléatoires considérées. Or dans le cas à valeurs dans la base canonique, cette
fonction ϕ est une somme de sinus et est donc facile à développer asymptotiquement et le
développement obtenu permet de conclure. Maintenant si X n’est plus à valeurs dans la
base canonique l’on perd cette forme de ϕ et donc la possibilité de conclure de la même
manière.
Question 2. En quoi le théorème central limite est-il un raffinement de la loi des grands
nombres ? Peut-on itérer le processus ?
Réponse. La loi des grands nombres nous dit que Snn converge vers m, mais on veut savoir
à quelle vitesse. On soustrait alors m, et dans la même idée qu’un équivalent, on divise par
une quantité qui nous semble être la vitesse de convergence de Snn vers m :
? ˆ ˙
n Sn Sn ´ nm L
´m “ ? ÝÑ N p0, 1q.
σ n nσ nÑ`8
Réponse. On considère X qui suit une loi de Rademacher de paramètre 1{2 et pXn qn , pYn qn
les suites constantes égales respectivement à X et ´X. Alors puisque X est symétrique,
X “ ´X en loi et donc pXn qn et pYn qn convergent en loi vers X. Mais Xn ` Yn “ 0 ne
converge pas en loi vers 2X.
Question 4. Montrer que si une suite pXn qn de variables aléatoires de lois N pmn , σn2 q
converge en loi vers X, alors X „ N pm, σ 2 q où m, σ sont les limites des suites pmn qn , pσn qn
quitte à extraire.
Réponse. On a déjà montré dans l’exemple 50 que si les suites pmn qn , pσn qn convergent vers
m, σ alors la suite pXn qn converge en loi vers une variable aléatoire de loi N pm, σ 2 q. On va
utiliser ce résultat ici.
On suppose alors la convergence en loi, et on montre que quitte à extraire, les suites
pmn qn , pσn qn convergent ce qui nous permettra de conclure d’après la remarque préliminaire.
On a, d’après le théorème de Lévy, pour tout t P R,
2 2 {2
eitmn ´σn t ÝÑ ϕX ptq.
nÑ`8
21 c. kilque
et donc c c
´2 log |ϕXn ptq| ´2 log |ϕX ptq|
σn “ ÝÑ “: σ
t2 nÑ`8 t2
pour t dans un voisinage épointé de 0.
On cherche alors à montrer que pmn qn converge. On va montrer pour cela que la suite
est bornée. En effet, si c’est le cas, on pourra extraire une sous-suite convergeant vers m
2 2
qui sera alors uniquement déterminé par eitm “ ϕX ptqeσ t {2 pour tout t P R.
On commence par montrer que pXn qn vérifie
@ε ą 0, DM ą 0, sup Pp|Xn | ą M q ă ε.
nPN
On considérant la suite p|Xn |qn qui converge en loi vers |X|. Soit alors ε ą 0. On sait
que la suite pFn qn des fonctions de répartitions des p|Xn |qn converge vers F :“ F|X| en
tout point de continuité de cette dernière. Soit donc t P R un point de continuité de F
tel que F ptq ą 1 ´ ε (qui existe puisque les points de discontinuité de F sont au plus
dénombrable), et soit n0 tel que pour tout n ě n0 , Fn ptq ą 1 ´ ε, alors pour tout n ě n0 ,
Pp|Xn | ą tq “ 1 ´ Fn ptq ă ε. D’autre part, pour 0 ď n ď n0 ´ 1, il existe Mn tel que
Pp|Xn | ą Mn q ă ε, on peut alors conclure en posant M “ maxpMn , tq.
On suppose enfin par l’absurde que pmn qn n’est pas bornée. On sait que pour tout n,
Pp|Xn | ą |mn |q ě 1{2. Par hypothèse, pour tout M ą 0, il existe n P N tel que |mn | ą M ,
pour un tel n, on a alors Pp|Xn | ą M q ě 1{2, et donc
sup Pp|Xn | ą M q ě 1{2
nPN
ce qui contredit la propriété que l’on a montré plus haut, et conclut la preuve
Question 5. Que peut-on dire de la méthode de Monte-Carlo ?
Réponse. La méthode de Monte-Carlo permet d’approcher une intégrale mais converge plus
lentement que des méthodes classiques d’analyse numérique, cependant elle ne nécessite au-
cune hypothèse de régularité sur la fonction.
ş1 On peut préciser la vitesse de convergence sous
une hypothèse d’intégrabilité de f : si 0 |f ptq|2 dt ď C, alors par l’inégalité de Tchebychev,
VarpSn q C
Pp|Sn ´ I| ą εq ď ď 2
ε2 nε
ş1
en notant I “ 0 f ptqdt et Sn “ nk“1 Xn en reprenant les notations de l’application 23.
ř
On voit de plus, grâce à l’inégalité de Markov, que plus la fonction f est intégrable à une
puissance élevée et plus la méthode converge vite.
Mémoire de M2. Leçon 262 - Convergence de variables aléatoires. 22
Références
[Fel68] W. Feller. An introduction to probability theory and its applications, volume Volume 1. Wiley, 3
edition, 1968.
[HQ02] Claude Zuily Hervé Queffélec. Analyse pour l’agrégation. Dunod, 2 edition, 2002.
[MB06] Gilles Pagès Marc Briane. Theéorie de l’inteégration. Vuibert, 4ed. edition, 2006.
[Ouv09] Jean-Yves Ouvrard. Probabilités Tome 2. Cassini, 2009.
[PB07] M. Ledoux Ph. Barbe. Probabilité. EDP SCIENCES, 2007.