Corrigé – TD 14

Convergence de variables aléatoires

Exercice 0 (Formule de compensation). Soient (Xn )n≥1 une suite de variables aléatoires réelles
indépendantes de même loi µ et N une variable aléatoire à valeurs dans N indépendante de la
suite (Xn )n≥1 .

1. On suppose que µ est la loi de Bernoulli de paramètre p ∈ ]0, 1[ et que N suit la loi de
Poisson de paramètre λ ∈]0, ∞[. On pose
N
X N
X
P = Xi et F = N − P = (1 − Xi ),
i=1 i=1

avec P = F = 0 sur {N = 0}. Les variables aléatoires P et F représentent respectivement

le nombre de piles et de faces dans un jeu de pile ou face de paramètre p à N lancers.
(a) Déterminer la loi du couple (P, N ).
(b) En déduire les lois de P et F , et montrer que P et F sont indépendantes.
2. On ne fait plus d’hypothèse sur les lois. Soit f : R → R+ une fonction mesurable. Montrer
que
"N # Z
X
E f (Xi ) = E[N ] f (x) µ(dx),
i=1 R
PN
avec i=1 f (Xi ) = 0 sur {N = 0}.

Corrigé :

1. (a) On a P(P = 0, N = 0) = P(N = 0) = e−λ , et pour n ≥ 1 et 0 ≤ k ≤ n,

n
!
X
P(P = k, N = n) = P N = n, Xi = k
i=1
n
!
X
= P(N = n)P Xi = k
i=1
n
 
−λ λ n k
= e p (1 − p)n−k
n! k
(λp)k (λ(1 − p))n−k
= e−λ .
k! (n − k)!
(b) On a pour k, l ≥ 0,
k l
  
−λp (λp) −λ(1−p) (λ(1 − p))
P(P = k, F = l) = P(P = k, N = k + l) = e e .
k! l!
Donc les variables aléatoires P et F sont indépendantes et de lois respectives les lois de
Poisson de paramètres λp et λ(1 − p).
Pour des questions, n’hésitez pas à envoyer un mail à [Link]@[Link], ou bien à passer au bureau V7.

1
 2. On a
"N  
n
#
X X X
E f (Xi ) = E 1{N =n} f (Xi )
i=1 n≥1 i=1
n
" #
X X
= E 1{N =n} f (Xi )
n≥1 i=1
" n #
X X
= P(N = n)E f (Xi )
n≥1 i=1
X
= n P(N = n)E[f (X1 )]
n≥1
Z
= E[N ] f (x)µ(dx).
R

Exercice 1. Soit (Xn )n≥0 une suite de variables aléatoires positives, indépendantes et de même
loi.
P∞
1. Montrer que p.s. n=0 Xn = ∞, sauf dans un cas à préciser.

2. Soit X une v.a. positive. Montrer que pour tout α > 0 on a l’équivalence suivante :
X
E[X] < ∞ ⇐⇒ P(X ≥ αn) < ∞.
n≥0

I NDICATION. On pourra montrer que

X X
αnP(αn ≤ X < α(n + 1)) ≤ E[X] ≤ α(n + 1)P(αn ≤ X < α(n + 1)).
n≥0 n≥0

3. En déduire la dichotomie suivante : p.s.


Xn 0 si E[X1 ] < ∞
lim sup = .
n ∞ si E[X1 ] = ∞

4. (LFGN cas non intégrable) Soit (Yn )n≥1 une suite de variables aléatoires réelles i.i.d. On
pose, pour tout n ≥ 1, Sn = Y1 + · · · + Yn . Prouver que si Y1 n’est pas intégrable alors la
suite (n−1 Sn )n≥1 diverge p.s.

Corrigé :
P
1. Tout d’abord, si X1 est presque sûrement nulle, alors n Xn = 0 p.s. Supposons que X1
n’est
P pas nulle, alors on peut trouver ε > 0 tel que P(X1 > ε) > 0. On a trivialement que
n P(Xn > ε) = ∞, et les Xn sont indépendants,
P donc par Borel-Cantelli, p.s. les Xn sont
supérieurs à ε une infinité de fois, donc n Xn = ∞.

2
 2. Commençons par les encadrements de X suivants
X X
αn1{αn≤X<α(n+1)} ≤ X ≤ α(n + 1)1{αn≤X<α(n+1)} .
n≥0 n≥0

En prenant l’espérance de la ligne précédente on obtient l’inégalité mentionnée dans

l’indication. Notons ensuite que
X X
(n + 1)P(αn ≤ X < α(n + 1)) = P(X ≥ αn).
n≥0 n≥0

On a donc X X
α P(X ≥ αn) − α ≤ E[X] ≤ α P(X ≥ αn),
n≥0 n≥0

dont il est facile de déduire que

X
E[X] < ∞ ⇐⇒ P(X ≥ αn) < ∞.
n≥0

3. Soit α > 0. Pour tout 0 < ε < α, on a

n Xn o
lim sup{Xn ≥ αn} ⊂ lim sup ≥ α ⊂ lim sup{Xn ≥ (α − ε)n}.
n
D’après la question précédente, pour tout α > 0,

X < ∞ si E[X1 ] < ∞
P(X1 ≥ αn) ,
= ∞ si E[X1 ] = ∞
n≥0

donc par Borel-Cantelli

  
Xn 0 si E[X1 ] < ∞
P lim sup ≥α =
n 1 si E[X1 ] = ∞

et par conséquent p.s. 

Xn 0 si E[X1 ] < ∞
lim sup =
n ∞ si E[X1 ] = ∞

4. On remarque que
     
Sn Sn Sn+1 Sn
→ une limite réelle ⊂ − →0 ∩ →0 .
n n n+1 n(n + 1)

Donc    
Sn |Yn |
→ une limite réelle ⊂ →0 ,
n n
et on conclut en utilisant la question précédente.

Exercice
P 2. Montrer que si les variables aléatoires réelles (Xn )n≥0 sont indépendantes, la série
n≥0 Xn converge ou diverge presque sûrement.

3
Corrigé : Notons (Ω, F, P) l’espace de probabilité sur P lequel les variables aléatoires (Xn )n≥0
sont définies.
P Notons FN = σ(XN , XN +1 , . . .). La série n≥0 Xn converge si et seulement si la
série n≥N Xn converge pour tout N ≥ 0. Or
 
 X 
ω ∈ Ω; Xn (ω) converge ∈ FN . (1)
 
n≥N

On a donc
   
 X  \  X  \
ω ∈ Ω; Xn (ω) converge = ω ∈ Ω; Xn (ω) converge ∈ FN .
   
n≥0 N ≥0 n≥N N ≥0

On conclut en utilisant la loi du 0–1 de Kolmogorov.

Remarque. Dans un but pédagogique, expliquons d’où vient (1) en détail. D’après le critère
de Cauchy,
  (  q  )
 X  \ [ \ X  1
ω ∈ Ω; Xn (ω) converge = ω ∈ Ω;  Xn (ω) < .
 
    k
n≥N k≥1 m≥N p,q≥m n=p

Or, pour p, q ≥ N ,
(  q  )
X  1
ω ∈ Ω;  Xn (ω) < ∈ σ(Xp , Xp+1 , . . . , Xq ) ⊂ FN ,
 
n=p  k

ce qui établit (1) car FN est une tribu.

Exercice 3. Quels sont les liens entre ces différentes convergences de variables aléatoires : en
loi, presque sûre, en probabilité, L1 , Lp pour p > 1?

Corrigé :

- Convergence p.s. implique convergence en probabilité qui implique convergence en loi.

- Convergence Lp pour p ≥ 1 implique convergence en probabilité.

- Convergence Lq implique convergence Lp pour q > p.

- Vers une constante, convergence en loi et convergence en probabilité sont équivalentes.

Il est très fortement recommandé de trouver des contre-exemples pour les réciproques qui
ne sont pas vraies en général. On a cependant les réciproques “partielles” suivantes :

- Convergence en probabilité implique la possibilité d’extraire une sous-suite qui converge

p.s.

4
 - En redéfinissant les variables aléatoires sur un même espace de probabilité, il est possible
de transformer convergence en loi vers converge p.s., c’est le théorème de représentation
de Skorokhod 1 .

- Convergence en probabilité avec uniforme intégrabilité implique convergence L1 .

Exercice 4. Vrai ou faux?

1. Soient (Xn )n≥1 une suite de variables aléatoires réelles et X une variable aléatoire réelle
définies sur (Ω, F, P). On suppose que Xn → X en loi. Montrer que f (Xn ) → f (X) en loi
pour toute fonction continue f : R → R.

2. Soit (µn )n≥0 une suite de mesures de probabilité et µ une mesure positive. Alors il y a
convergence étroite des µn vers µ si et
R seulementR si, pour toute fonction f continue à
support compact, on a la convergence f dµn −→ f dµ.

3. Si la suite de variables aléatoires (Xn )n≥0 converge en loi vers X, alors E[Xn ] −→ E[X].

Corrigé :

1. Vrai: si g : R → R est continue bornée, alors g◦f est continue bornée et donc E [g(f (Xn ))] →
E [g(f (X))].

2. L’implication est vraie, mais la réciproque est fausse (prendre µn = δn ). En effet, par un
résultat du cours, (µn )n≥0 converge étroitement vers µ si et seulement si µ est une mesure
de
R probabilitéR et pour toute fonction f continue à support compact, on a la convergence
f dµn −→ f dµ.

3. Faux: on prend (Ω, F, P) = ([0, 1], B(R), dx) et Xn (t) la fonction tente telle que Xn (0) =
0, Xn (1/n) = n, Xn (2/n) = 0. Alors Xn converge p.s. vers 0 mais E [Xn ] = 1 6= E [0].
Un autre exemple davantage probabiliste: soit (Xn )n≥1 une suite de variables aléatoires
indépendantes de même loi telles que P(X1 = 1) = P(X1 = −1) = 1/2. On note Zn =
X1 + X2 + · · · + Xn et soit T = inf{n ≥ 1; Zn = 1}. On pose finalement:

Wn = Zmin(n,T ) .

Ainsi, (Wn ) est la marche aléatoire issue de 0 qui fait des sauts ±1 qui reste en 1 une fois
qu’elle l’a atteint. Il est possible de vérifier que T < ∞ p.s. de sorte que (Wn ) converge
presque sûrement vers 1. Or il est facile de vérifier que pour tout n ≥ 1, E [Wn ] = 0, de
sorte que E [Wn ] ne converge pas vers E [1]. Avec le langage du processus stochastique,
cela fournit l’exemple d’une martingale qui converge p.s. mais pas dans L1 .
Exercice 5. Soient (Xn )n≥1 , (Yn )n≥1 deux suites de variables aléatoires réelles, et X, Y deux
variables aléatoires réelles définies sur (Ω, F, P), telles que Xn → X en loi et Yn → Y en loi.

1. On suppose que les variables Xn et Yn sont indépendantes pour tout n ≥ 1 et que les
variables X et Y sont indépendantes. Montrer que (Xn , Yn ) → (X, Y ) en loi.
1
Attention: c’est un résultat très subtil, qui ne garde pas les dépendences de construction des variables aléatoires,
ni les corrélations (en particulier pas l’indépendance !).

5
 2. Est-il toujours vrai que (Xn , Yn ) → (X, Y ) en loi ?

3. (Lemme de Slutsky) On suppose que Y est constante p.s. Montrer que (Xn , Yn ) → (X, Y )
en loi.

Corrigé :

1. D’après le théorème de Lévy, il suffit de montrer que Φ(Xn ,Yn ) (t, t0 ) → Φ(X,Y ) (t, t0 ) pour
tout (t, t0 ) ∈ R2 . Et l’on a par indépendance,

Φ(Xn ,Yn ) (t, t0 ) = ΦXn (t)ΦYn (t0 ) → ΦX (t)ΦY (t0 ) = Φ(X,Y ) (t, t0 ).

2. Il n’est pas vrai en général que (Xn , Yn ) → (X, Y ) en loi. En effet, considérons les vari-
ables aléatoires Xn = Z = Yn pour tout n ≥ 1, avec Z gaussienne centrée. La vari-
able Z étant symétrique, on a Xn → −Z en loi. Si (Xn , Yn ) → (−Z, Z) en loi, alors
Xn + Yn → −Z + Z en loi (car la fonction (x, y) 7→ x + y est continue), c’est à dire 2Z = 0
en loi, ce qui n’est pas.

3. Il suffit de montrer que E(F (Xn , Yn )) → E(F (X, Y )) pour une fonction F continue à
support compact. Soit a ∈ R tel que Y = a p.s. On a alors Yn → a en probabilité (résultat
important à savoir prouver). Et

|E(F (Xn , Yn )) − E(F (X, a))|

≤ |E(F (Xn , Yn )) − E(F (Xn , a))| + |E(F (Xn , a)) − E(F (X, a))|.

La fonction x ∈ R 7→ F (x, a) est continue et bornée donc |E(F (Xn , a)) − E(F (X, a))| → 0.
De plus, la fonction F est uniformément continue. Pour ε > 0, on peut trouver δ tel que
|F (x, y) − F (x0 , y 0 )| ≤ ε pour |x − x0 | + |y − y 0 | ≤ δ. Alors, en notant M un majorant de F ,
on a

|E(F (Xn , Yn )) − E(F (Xn , a))|

≤ E(|F (Xn , Yn ) − F (Xn , a)|)
≤ E(|F (Xn , Yn ) − F (Xn , a)|1{|Yn −a|≥δ} ) + E(|F (Xn , Yn ) − F (Xn , a)|1{|Yn −a|<δ} )
≤ 2M P(|Yn − a| ≥ δ) + ε.

Ainsi, lim sup |E(F (Xn , Yn )) − E(F (Xn , a))| ≤ ε et ceci étant vrai pour tout ε, on en déduit
que |E(F (Xn , Yn )) − E(F (Xn , a))| → 0, puis le résultat.
Exercice 6 (Sans calcul). Déterminer les limites suivantes :
 
x1 + · · · + xn
Z
1. lim f dx1 . . . dxn pour f une fonction continue sur [0, 1];
n→∞ [0,1]n n
n    
X n k n−k k
2. lim p (1 − p) f pour f une fonction continue sur [0, 1] et p ∈ [0, 1];
n→∞ k n
k=0
∞ k
 
−λn (λn) k
X
3. lim e f pour f une fonction continue et bornée sur R+ et λ > 0.
n→∞ k! n
k=0

6
Corrigé :

1. On a     
x1 + · · · + xn U1 + · · · + Un
Z
f dx1 . . . dxn = E f
[0,1]n n n
où U1 , . . . , Un sont des variables aléatoires indépendantes et uniformes sur [0, 1]. D’après
la loi forte des grands nombres, n−1 (U1 + · · · + Un ) converge p.s. et donc en loi vers 1/2.
Ainsi,    
x1 + · · · + xn
Z
1
lim dx1 , . . . dxn f =f .
n→∞ [0,1]n n 2

2. On a
n       
X n k n−k k B1 + · · · + Bn
p (1 − p) f =E f ,
k n n
k=0

où B1 , . . . , Bn sont des variables aléatoires de Bernoulli de paramètre p indépendantes.

D’après la loi forte des grands nombres, n−1 (B1 + . . . + Bn ) converge p.s. et donc en loi
vers p. Ainsi,
n    
X n k n−k k
lim p (1 − p) f = f (p).
n→∞ k n
k=0

3. On a
∞ k
    
X
−λn (λn) k P1 + · · · + Pn
e f =E f ,
k! n n
k=0

où P1 , . . . , Pn sont des variables aléatoires de Poisson de paramètre λ indépendantes.

D’après la loi forte des grands nombres, n−1 (P1 + · · · + Pn ) converge p.s. et donc en loi
vers λ. Ainsi,
∞ k
 
−λn (λn) k
X
lim e f = f (λ).
n→∞ k! n
k=0

Remarque : on a utilisé les résultats suivants :

1. La somme de n variables aléatoires de Bernoulli de paramètre p ∈ [0, 1] indépendantes suit

une loi binomiale de paramètres n et p.

2. La moyenne d’une variable aléatoire suivant une loi de Poisson de paramètre λ > 0 est λ.

3. Soient n ≥ 1, λ1 , . . . , λn > 0 et X1 , · · · , Xn n variables aléatoires indépendantes, chaque Xi

suivant une loi de Poisson de paramètre λi . Alors X1 + . . . + Xn suit une loi de Poisson
de paramètre λ1 + . . . + λn .

Exercice 7 (Théorème de Bernstein–Weierstrass). Soit f une fonction continue de [0, 1] dans C.

Le n-ième polynôme de Bernstein de f est
n    
X n k n−k k
Bn (x) : x 7→ x (1 − x) f .
k n
k=0

7
 1. Soit Sn (x) := Bin(n,x)
n où Bin(n, x) est une v.a. de loi binomiale de paramètre n et x. Mon-
trer que Bn (x) = E[f (Sn (x))].

2. En déduire le Théorème de Berstein–Weierstrass

kBn − f k∞ −→ 0.

Corrigé :

1. C’est évident.

2. Soit ε > 0, soit η > 0 le module d’uniforme continuité de f associé à ε. Alors on a

|f (x) − Bn (x)| ≤ E[|f (x) − f (Sn (x))|]
≤ E[|f (x) − f (Sn (x))|1|Sn (x)−x|≤η ] + E[|f (x) − f (Sn (x))|1|Sn (x)−x|≥η ]
≤ ε + 2kf k∞ P[|Sn (x) − x| ≥ η]

Pour évaluer P[|Sn (x) − x| ≥ η], on utilise l’inégalité de Markov :

Var[Sn (x)] x(1 − x) 1
P[|Sn (x) − x| ≥ η] ≤ = ≤ .
η2 nη 2 2nη 2
La majoration ci-dessus est uniforme en x, ce qui permet de conclure.
Exercice 8 (Loi faible, non forte). Soit (Xn )n≥1 une suite de variables aléatoires indépendantes
de loi  
1 1
PXn = (δn + δ−n ) + 1 − δ0 .
2n ln(n + 1) n ln(n + 1)
X1 +···+Xn
1. Montrer que Yn := n converge en probabilité vers 0.

2. Montrer que presque sûrement, Yn ne converge pas.

Corrigé :

1. Montrer (en calculant) que

E (Yn )2 −→ 0.
 

L’inégalité de Markov permet alors de conclure.

Xn


2. À l’aide du lemme de Borel, on montre que P n ≥ 1 pour une infinité de n = 1, et on
conclut comme dans l’exercice 1 question 4.
Exercice 9. Soit (Xn , n ≥ 1) une suite de variables aléatoires réelles définies sur (Ω, F, P)
indépendantes et de même loi µ. On pose Mn = max(X1 , . . . , Xn ).

1. On suppose que µ est la loi uniforme sur [0, 1]. Montrer que la suite (n(1 − Mn ))n≥1
converge en loi quand n → ∞ et expliciter la loi limite.

2. On suppose que µ est la loi de Cauchy standard, c’est-à-dire que µ(dx) = (π(1 + x2 ))−1 dx.
Montrer que la suite (n/Mn )n≥1 converge en loi et expliciter la loi limite.
π 1
Rappel : arctan(x) = 2 − x + o( x1 ) quand x → +∞.

8
Corrigé :

1. Pour tout n ≥ 1, la variable aléatoire n(1 − Mn ) est à valeurs dans [0, n]. On a donc, pour
tout t < 0, P(n(1 − Mn ) ≤ t) = 0. Soit t ≥ 0 fixé. Pour tout n ≥ t, on a

t n
     
t t
P(n(1 − Mn ) ≤ t) = P Mn ≥ 1 − = 1 − P Mn < 1 − =1− 1− .
n n n

Donc P(n(1 − Mn ) ≤ t) → (1 − e−t )1{t≥0} , et la fonction t 7→ (1 − e−t )1{t≥0} est la fonc-

tion de répartition de la loi exponentielle de paramètre 1. Ainsi, la suite (n(1 − Mn ))n≥1
converge en loi vers une variable aléatoire exponentielle de paramètre 1.

2. Soit t ≤ 0. On a
   
n n 1
P ≤t ≤P ≤ 0 = P(Mn ≤ 0) = n ,
Mn Mn 2

donc P nMn−1 ≤ t → 0 quand n → ∞. Soit maintenant t > 0. On a

P(nMn−1 ≤ t) = P(nMn−1 ≤ t, Mn > 0) + P(nMn−1 ≤ t, Mn ≤ 0).

D’après ce qui a été fait précédemment, P(nMn−1 ≤ t, Mn ≤ 0) → 0. Et

 
n  n
P ≤ t, Mn > 0 = P Mn ≥
Mn t
Z t !n
n dx
= 1− 2
−∞ π(1 + x )
1 π  n n
= 1− n + arctan
π 2  t
t
−→ 1 − exp − ,
n→∞ π

car arctan(x) = π2 − x1 + o( x1 ) quand x → ∞. Ainsi, la suite (nMn−1 )n≥1 converge en loi

vers une variable aléatoire exponentielle de paramètre π1 .
Exercice 10. Soit (Xn , n ≥ 1) une suite de v.a. i.i.d. de loi exponentielle de paramètre 1.

1. Montrer que lim supn→∞ Xn / ln(n) = 1 p.s.

2. On pose Zn = max(X1 , ..., Xn )/ ln(n), montrer que lim inf n→∞ Zn ≥ 1 p.s.

3. Montrer que pour une suite (nk )k≥0 bien choisie, lim supk→∞ Znk ≤ 1 p.s. En déduire que
limn→∞ Zn = 1 p.s.

Corrigé :

1. Soit a ≥ 0, alors pour tout ε > 0 l’évènement {lim sup Xn / ln(n) > a} est imbriqué entre
deux limsup d’évènements :

lim sup{Xn ≥ (a − ε) ln(n)} ⊂ {lim sup Xn / ln(n) > a} ⊂ lim sup{Xn > a ln(n)}.
n→∞ n→∞ n→∞

9
 1
P[Xn ≥ a ln(n)] = ,
na
et les évènements sont indépendants, donc d’après Borel-Cantelli en prenant des ε apro-
priés   
Xn 1 si a < 1
P lim sup >a = ,
n→∞ ln(n) 0 si a > 1
Xn
donc lim sup ln(n) = 1 p.s.
P
2. Soit  ∈ (0, 1) et posons An = {Zn ≤ 1 − }. Montons que P(An ) converge. On a
 n
P(An ) = P(Xi ≤ (1 − ) ln(n) pour 1 ≤ i ≤ n) = P(X1 ≤ (1 − ) ln(n))n = 1 − e−(1−) ln(n)
 n     
1 1 1
= 1 − 1− = exp n ln 1 − 1− ≤ exp −n · 1− ≤ exp (−n ) .
n n n
P
Donc P(An ) converge. D’après le lemme de Borel-Cantelli, p.s., pour tout n suffisam-
ment grand on a Zn ≥ 1 − , ce qui conclut.

3. Posons Bn = {Zn ≥ 1 + }. Un calcul proche de celui de la question précédente donne:

 n
1 1
P(Bn ) = 1 − 1 − 1+ ∼ .
n n→∞ n
 ne converge pas, il faut donc ruser un peu. Fixons η > 0 et
La série de terme général 1/nP
posons nk = (1 + η)k . Alors k P (Bnk ) converge et d’après le lemme de Borel-Cantelli,
p.s., pour tout k suffisamment grand on a Znk ≤ 1 + . On encadre ensuite n ≥ 1:
(1 + η)k ≤ n ≤ (1 + η)k+1 et on écrit:

max(X1 , . . . , Xn ) max(X1 , . . . , Xnk+1 ) max(X1 , . . . , Xnk+1 ) ln(nk+1 ) k+1

Zn = ≤ ≤ = Znk+1 · .
ln(n) ln(n) ln(nk+1 ) ln(nk ) k

Il s’ensuit que lim supn→∞ Zn = 1 p.s.

Compte tenu de la question 2, il en découle que limn→∞ Zn = 1 p.s.

Exercice 11. 1. Montrer qu’une suite de variables aléatoires réelles Xn converge en proba-
bilité vers une variable aléatoire X si et seulement si de toute sous-suite de cette suite on
peut extraire une sous-sous-suite qui converge p.s. vers X.

2. Montrer que si une suite de variables aléatoires réelles Xn converge en probabilité vers
une variable aléatoire X et si f : R → R est continue, alors f (Xn ) converge en probabilité
vers f (X).

3. Soit (Xn )n≥1 une suite de variables aléatoires réelles qui converge en probabilité vers X.
On suppose qu’il existe une variable aléatoire positive Y telle que E [Y ] < ∞ et |Xn | ≤ Y
pour tout n ≥ 1. Montrer que E [Xn ] → E [X] lorsque n → ∞.

Corrigé :

10
 1. L’implication est claire, car d’après un résultat du cours on peut extraire une sous-suite
convergeante p.s. vers X pour toute suite de variables aléatoires convergeant en proba-
bilité vers X. Pour la réciproque, raisonnons par l’absurde en supposant qu’il existe  > 0
et une extractrice φ telle que P(|Xφ(n) − X| < ) >  pour tout n ≥ 1. Par hypothèse, il
existe une extractice ψ telle que Xφ(ψ(n)) converge en probabilité vers X quand n → ∞.
Ceci contredit le fait que P(|Xφ(ψ(n)) − X| < ) >  pour tout n ≥ 1.

2. D’après la première question, il suffit de montrer que si φ est une extractrice, il existe une
extractrice ψ telle que f (Xφ(ψ(n)) ) converge p.s. vers f (X). D’après la première ques-
tion, il existe une extractrice ψ telle que Xφ(ψ(n)) converge p.s. vers X. La conclusion en
découle par continuité de f .

3. Il suffit demontrer que pour toute extraction φ, il existe une autre extraction ψ telle que
E Xφ◦ψ(n) → E [X] lorsque n → ∞. Soit donc φ une extraction. D’après la première
question, il existe une extraction ψ telle que Xφ◦ψ(n) converge presque sûrement vers X
lorsque n → ∞. Le fait que E Xφ◦ψ(n) → E [X] lorsque n → ∞ est alors une simple
conséquence du théorème de convergence dominée.

Exercice 12. Soit (Xn )n≥1 une suite de variables aléatoires réelles indépendantes et de même
loi telle que E(X1 ) = 0 et E(X12 ) = 1. On pose Sn = X1 + . . . + Xn pour tout n ≥ 1.

1. Montrer que pour tout A > 0, on a

 
Sn
P lim sup √ ≥ A = 1,
n→∞ n

et en déduire que  
Sn
P lim sup √ = +∞ = 1.
n→∞ n

2. Justifier que si (Snk )k≥1 est une suite extraite de (Sn )n≥1 , alors on a :
 
Snk
P lim sup √ = +∞ = 1.
k→∞ nk

3. En déduire que la suite (n−1/2 Sn )n≥1 ne converge pas en probabilité.

Corrigé :

1. D’après le théorème central limite, la suite (n−1/2 Sn )n≥1 converge en loi vers une variable
aléatoire N de loi gaussienne centrée réduite. Soit A > 0. On a
      
Sn Sn Sn
P lim sup √ ≥ A ≥ P lim sup √ > A ≥ lim sup P √ > A .
n→∞ n n n→∞ n

La variable N étant à densité, on a

 
Sn
lim P √ > A = P(N > A) > 0,
n→∞ n

11
  
Sn
ce qui implique que P lim supn→∞ √
n
≥ A > 0. Or
 
Sn
lim sup √ ≥ A ∈ F∞ ,
n→∞ n
T
où F∞ est la tribu asymptotique n≥1 σ(Xn , Xn+1 , . . .). Ainsi
 
Sn
P lim sup √ ≥ A = 1.
n

En considérant une suite (Ak )k≥1 ↑ +∞, on en déduit le résultat.

2. On démontre ce résultat de la même manière que le résultat précédent.

3. Si la suite (n−1/2 Sn )n≥1 converge en probabilité vers une variable aléatoire X, alors on
peut extraire une sous-suite (nk −1/2 Snk )k≥1 telle que nk −1/2 Snk → X p.s. Or X a la
même loi que N , ce qui contredit le fait que
 
Snk
P lim sup √ = +∞ = 1.
k→∞ nk

Exercice 13 (Formule de Stirling).

Question préliminaire : Soit X une variable aléatoire réelle de carré intégrable définie sur
(Ω, F, P). Montrer que, pour tout a > 0, on a :

1/2
E(|X − inf(X, a)|) ≤ E(X 2 )P(X ≥ a) .

Soit (Xn , n ≥ 1) une suite de variables aléatoires indépendantes définies sur (Ω, F, P), de même
loi de Poisson de paramètre 1. On pose, pour tout entier n ≥ 1,
n
X Sn − n
Sn = Xi et Yn = √ .
n
i=1

On note x− = sup(−x, 0) pour tout x ∈ R.

1. Pour tout n ≥ 1, vérifier que Sn suit la loi de Poisson de paramètre n, calculer E(Yn2 ) et
en déduire que pour tout a > 0,

1
P(Yn− ≥ a) ≤ .
a2

2. Soit Y une variable aléatoire de loi normale N (0, 1). Montrer que la suite (Yn− )n≥1 con-
verge en loi vers Y − .

3. Montrer à l’aide de la question préliminaire que

E(Yn− ) −→ E(Y − ).
n→∞

12
 4. En déduire la formule de Stirling
 n n √
n! ∼ 2πn.
n→∞ e

Corrigé :

(0) On a, d’après l’inégalité de Cauchy-Schwarz,

1/2
E(|X − inf(X, a)|) = E (X − a)1{X>a} ≤ E X1{X>a} ≤ E(X 2 )P(X > a)



.

(1) On a
n
1 X
E(Yn2 ) = Var(Xn ) = 1.
n
i=1

On en déduit que

1 1 1
P(Yn− ≥ a) ≤ 2
E((Yn− )2 ) ≤ 2 E(Yn2 ) = 2 .
a a a

(2) D’après le théorème central limite, la suite (Yn )n≥1 converge en loi vers Y . Or la fonction
x ∈ R 7→ x− est continue donc la suite (Yn− )n≥1 converge en loi vers Y − .

(3) Soit a > 0. La fonction x ∈ R+ 7→ inf(x, a) est continue et bornée donc

E(inf(Yn− , a)) −→ E(inf(Y − , a)).

n→∞

Et
E(Yn− ) − E(Y − )
 

≤ E(|Yn− − inf(Yn− , a)|) + E(inf(Yn− , a) − inf(Y − , a)) + E(| inf(Y − , a) − Y − |)

 

1/2
1/2
≤ E(inf(Yn− , a) − inf(Y − , a)) + P(Yn− ≥ a) + P(Y − ≥ a)
 
,

d’après la question préliminaire. Or P(Yn− ≥ a) ≤ a−2 et

E((Y − )2 ) E(Y 2 ) 1
P(Y − ≥ a) ≤ ≤ = 2.
a2 a2 a
Ainsi,
 2
lim sup E(Yn− ) − E(Y − ) ≤ .

n→∞ a
Ceci étant vrai pour tout a > 0, on a

lim sup E(Yn− ) − E(Y − ) = 0.

 
n→∞

13
 (4) La variable aléatoire Sn suit une loi de Poisson de paramètre n donc
n n n−1  n n √ n
!
1 X n k e −n X n k+1 X nk+1 nn+1
− −n
E(Yn ) = √ (n − k)e = √ − = n √ = .
n k! n k! k! e n! n e n!
k=0 k=0 k=0

Et Z ∞
− 1 2 /2 1
E(Y ) = √ xe−x dx = √ .
2π 0 2π
Donc,
 n n √ n 1
−→ √ ,
e n! n→∞ 2π
et donc  n n √
n! ∼ 2πn.
n→∞ e
Exercice 14. Soit (Xn )n≥1 une suite de variables aléatoires réelles et X une v.a. réelle définies
sur (Ω, F, P). On suppose que Xn → X en probabilité sous P. Montrer que si Q est une mesure
de probabilité sur (Ω, F) absolument continue par rapport à P, alors Xn → X en probabilité
sous Q.

Corrigé : La façon la plus rapide de faire cette exercice est d’utiliser ce qu’on connait déjà :
d’après Radon-Nikodym on peut trouver une fonction f mesurable positive qui vérifie
Z
∀A ∈ F, Q(A) = f 1A dP,
R
et de plus f dP = 1 < ∞, donc f est intégrable. Ensuite, par l’absolue continuité de l’intégrale,
∀ε > 0, ∃δ > 0, ∀A ∈ F, P(A) < δ ⇒ Q(A) < ε.
Et enfin, soit η > 0, pour n assez grand P(|Xn − X| > η) < δ, donc pour n assez grand
Q(|Xn − X| > η) < ε.
Exercice 15. Soit (Ω, F, P) un espace de probabilité. On suppose que Ω est dénombrable et
que la tribu F est P(Ω). Montrer que les convergences “presque-sûre” et “en probabilité” sont
équivalentes sur cet espace (pour des variables aléatoires à valeurs dans un espace métrique
(E, d)).

Corrigé : On énumère Ω = {ωi }i≥1 . Soit X et (Xn ) des variables aléatoires définies sur (Ω, F, P)
telles que
(P )
Xn −→ X.
Pour montrer que Xn converge p.s. vers X, il suffit de montrer que pour tout k > 1
 
P {ω, lim sup d(Xn (ω), X(ω)) ≥ 1/k} = 0.
n→∞

Soit ωi ∈ Ω tel que P({ωi }) > 0. D’après la convergence en probabilité de Xn vers X, on a

P({ω, d(Xn (ω), X(ω)) ≥ 1/k}) −→ 0.
n→∞

Ainsi, à partir d’un certain rang, ωi ∈

/ {ω, d(Xn (ω), X(ω)) ≥ ε}. On en déduit que pour tout
ωi de probabilité strictement positive, lim sup d(Xn (ωi ), X(ωi )) ≤ 1/k. La dénombrabilité de Ω
permet de conclure.

14
Exercice 16. (?) Montrer qu’il n’existe pas de mesure de probabilité sur N∗ telle que, pour tout
n ≥ 1, la probabilité de l’ensemble des multiples de n soit égale à 1/n.

Corrigé : Il s’agit d’une application du lemme de Borel. Voir le polycopié de J.-F. Le Gall
(Application (1) en bas de la page 117).

15