Université Pierre et Marie Curie 2012-2013

Probabilités de base - MM010 Feuille 7

Convergence de suites de variables aléatoires.

1. a. Construire une suite de réels (xn )n≥1 telle que pour tout n ≥ 1, on ait xn = 0
ou xn = 1, et telle que la suite (mn )n≥1 définie par
x1 + . . . + xn
mn =
n
ne soit pas convergente.
b. Construire une suite de variables aléatoires (Xn )n≥1 telle que pour tout n ≥ 1, la
variable Xn suive la loi de Bernoulli de paramètre 21 et telle qu’on ait
  !
X1 + . . . + X n
P la suite est convergente = 0.
n n≥1

Solution de l’exercice 1. a. On va construire (xn )n≥1 en alternant de grandes périodes

où elle prendra la valeur 1 et de grandes périodes où elle prendra la valeur 0, de sorte que
(mn )n≥1 s’approchera alternativement de 0 et de 1, et ne pourra converger.
Pour que cela fonctionne, il faut que les périodes où (xn )n≥1 est constante soient de
plus en plus grandes, et même que la taille d’une période soit beaucoup plus grande que
la somme des tailles de toutes les périodes précédentes. On va pour cela faire changer la
valeur de xn à chaque fois que n est la factorielle d’un entier.
Posons donc x1 = 0 et :

0 si (2k)! < n ≤ (2k + 1)! avec k entier,
∀n ≥ 2, xn =
1 si (2k + 1)! < n ≤ (2k + 2)! avec k entier,
Ainsi, x1 = 0, x2 = 1, x3 = x4 = x5 = x6 = 0, x7 = x8 = . . . = x24 = 1, etc.
Calculons mn! . Il y a deux cas, selon la parité de n. Si n est pair, alors x(n−1)!+1 , . . . , xn!
valent 1 et
x1 + . . . + xn! ≥ x(n−1)!+1 + . . . + xn! = n! − (n − 1)!,
donc
n! − (n − 1)! 1
mn! ≥ =1− .
n! n
Si n est impair, x(n−1)!+1 , . . . , xn! valent 0 et

x1 + . . . + xn! = x1 + . . . + x(n−1)! ≤ (n − 1)!,

donc
(n − 1)! 1
mn! ≤ = .
n! n
1
Ainsi on a
lim m(2k)! = 1 et lim m(2k+1)! = 0.
k→∞ k→∞

La suite (mn )n≥1 admet donc deux sous-suites qui convergent vers des limites différentes,
et n’est donc pas convergente. (On pourrait même montrer que pour tout ` ∈ [0, 1], la
suite (mn )n≥1 admet une sous-suite qui converge vers `.)
b. Soit Z une variable aléatoire de Benoulli de paramètre 21 , c’est-à-dire que P(Z =
0) = P(Z = 1) = 21 . Soit (xn )n≥1 la suite construite à la question précédente. Pour tout
n ≥ 1, posons

Xn = xn 1{Z=1} + (1 − xn )1{Z=0} .
Que xn vaille 0 ou 1, la variable aléatoire Xn suit la loi de Bernoulli de paramètre 21 .
En fait, la suite (Xn )n≥1 est avec probabilité 12 la suite (xn )n≥1 et avec probabilité 12 la
suite (1 − xn )n≥1 . Aucune de ces deux suites ne converge, donc la probabilité que la suite
(Xn )n≥1 converge est nulle.
Ceci ne contredit pas la loi des grands nombres, car les variables (Xn )n≥1 que nous
avons construites ne sont pas indépendantes (elles ne le sont vraiment pas du tout !).

2. Soit (Xn )n≥1 une suite de variables aléatoires. Soit p ≥ 1. Soit X une variable
aléatoire telle que E[|X|p ] < +∞. On suppose que la série suivante converge :
X
E[|Xn − X|p ] < +∞.
n≥1

On parle parfois de convergence rapide dans Lp .

Montrer que la suite (Xn )n≥1 converge dans Lp vers X. Montrer que la suite (Xn )n≥1
converge presque sûrement vers X.
Solution de l’exercice 2. Puisque la série n≥1 E[|Xn −X|p ] converge, la suite (E[|Xn −
P
X|p ])n≥1 converge en particulier vers 0, ce qui signifie que la suite (Xn )n≥1 converge vers
X dans Lp .
Soit maintenant ε > 0. Grâce à l’inégalité de Markov, on a
X X X E[|Xn − X|p ]
P(|Xn − X| > ε) = P(|Xn − X|p > εp ) ≤ < +∞.
n≥1 n≥1 n≥1
εp

Un résultat du cours assure que le fait qu’on ait cette convergence pour tout ε > 0 entraîne
la convergence presque sûre de la suite (Xn )n≥1 vers X.

2 t2
− t2 te− 2
3. a. En écrivant e = t
, montrer que pour tout x > 0, on a
Z +∞
t2 1 − x2
e− 2 dt ≤ e 2.
x x

2
 b. Soit (Xn )n≥1 une suite de variables aléatoires indépendantes de loi N (0, 1). Soit x
un réel strictement positif. On pose

T = min{n ≥ 1 : Xn ≥ x}.

Déterminer la loi de T et donner une borne inférieure explicite pour l’espérance de T .

Quel est l’ordre de grandeur de cette borne lorsque x = 5 ? Lorsque x = 10 ? On pourra
utiliser l’égalité approchée log 10 ' 2, 3.
c. Reprendre la question précédente lorsque les variables Xn suivent la loi de Cauchy
standard.
Solution de l’exercice 3. a. On a
Z +∞ Z +∞
2
− t2 1 − t2
e dt = te 2 dt
x x t
1 +∞ − t2
Z
≤ te 2 dt
x x
1 x2
= e− 2 .
x
On en déduit l’inégalité suivante (qui est une bonne approximation, sauf pour x très
petit) : si X suit la loi N (0, 1), alors pour tout x > 0, on a
1 x2
P(X ≥ x) ≤ √ e− 2 .
2πx
b. Notons p = P(X1 ≥ x). Les événements {Xn ≥ x} sont indépendants et de même
probabilité p. Ainsi, pour tout n ≥ 1,

P(T = n) = (1 − p)n−1 p.

La variable T suit donc une loi géométrique de paramètre 1 − p. Son espérance vaut
X X p 1
E[T ] = n(1 − p)n−1 p = p n(1 − p)n−1 = 2
= .
n≥1 n≥1
(1 − (1 − p)) p

x2
Puisque p ≤ √ 1 e− 2 , on a la borne
2πx

√ x2
E[T ] ≥ 2πxe 2 .
√ x2 12,5
Pour x = 5, on a 2πx qui est de l’ordre de 10 et e 2 = e12,5 = 10 2,3 qui est de l’ordre
de 105 . On trouve donc une espérance qui est au moins de l’ordre de 106 . Autrement dit :
pour qu’une suite de variables indépendantes N (0, 1) prenne une valeur supérieure à 5 (ce
qui finira par arriver), il faut faire de l’ordre d’un million d’essais.
Avec x = 10, on peut estimer 10.e50 ' 1021 , et la vraie valeur est proche de 1023 .
L’ordre de grandeur est celui du nombre d’atomes dans un litre d’air. Si on demande à

3
chaque atome d’un litre d’air de tirer une variable N (0, 1), on a une chance raisonnable
que l’un d’entre eux obtienne un nombre supérieur à 10.
c. Commençons par établir une inégalité analogue à celle de la première question. Soit
x ≥ 1. On a, pour tout t ≥ x, les inégalités t2 ≤ 1 + t2 ≤ 2t2 , donc
Z +∞ Z +∞
1 1 1
2
dt ≤ 2
dt =
x 1+t x t x
et Z +∞ Z +∞
1 1 1
dt ≥ dt = .
x 1 + t2 x 2t2 2x
Ainsi, si X suit la loi de Cauchy standard, on a pour tout x ≥ 1 les inégalités
1 1
≤ P(X ≥ x) ≤ .
2πx πx
Le temps aléatoire T suit comme à la question précédente la loi géométrique de paramètre
P(X1 ≥ x). On a donc
πx ≤ E[T ] ≤ 2πx.
Les ordres de grandeur sont complètement différents : en tirant de l’ordre de 20 tirages,
on a de bonnes chances d’en avoir un supérieur à 5, et en en tirant 40, d’en avoir un
supérieur à 10.
Cette différence permet de comprendre pourquoi la loi des grands nombres s’applique
au cas de la loi N (0, 1) mais pas au cas de la loi de Cauchy. En effet, dans le cas gaussien,
la suite (Xn )n≥1 finira bien sûr par prendre des valeurs arbitrairement grandes, mais au
bout d’un temps si long que lorsqu’on regarde la moyenne empirique
X1 + . . . + Xn
,
n
le dénominateur n, qui croît lentement mais sûrement, est toujours très (très très) large-
ment plus grand que le numérateur.
Par contre, dans le cas de la loi de Cauchy, de grandes valeurs de Xn arrivent souvent,
au sens où il arrive fréquemment (et même une infinité de fois) que Xn soit de l’ordre de
n. Alors, la moyenne empirique fait un saut de l’ordre de 1. Comme elle fait de tels sauts
infiniment souvent, elle ne peut converger.

4. (Cet exercice est une reformulation de l’exercice 11 de la feuille précédente.)

Soit (Xn )n≥1 une suite de variables aléatoires indépendantes telle que pour tout n ≥ 1,
Xn suive la loi exponentielle de paramètre log n.
a. Montrer qu’avec probabilité 1, la suite (Xn )n≥1 prend une infinité de fois des valeurs
supérieures à 1.
b. Montrer que pour tout ε > 0, avec probabilité 1, la suite (Xn )n≥1 ne prend qu’un
nombre fini de fois des valeurs supérieures à 1 + ε.

4
 c. Montrer que pour tout ε > 0, avec probabilité 1, la suite (Xn )n≥1 prend une infinité
de fois des valeurs inférieures à ε.
Solution de l’exercice 4. a. Pour tout n, on a
Z +∞
1
P(Xn ≥ 1) = (log n)e−t log n dt = e− log n = ,
1 n
donc X
P(Xn ≥ 1) = +∞,
n≥1

si bien que la deuxième assertion du lemme de Borel-Cantelli permet d’affirmer qu’avec

probabilité 1, il existe une infinité de valeurs de n pour lesquelles on a l’inégalité Xn ≥ 1.
b. Soit ε > 0. Le même calcul nous donne
Z +∞
1
P(Xn ≥ 1 + ε) = (log n)e−t log n dt = e−(1+ε) log n = 1+ε ,
1+ε n

mais cette fois on en déduit

X
P(Xn ≥ 1 + ε) < +∞,
n≥1

si bien que la première assertion du lemme de Borel-Cantelli entraîne qu’avec probabilité

1, il n’existe qu’un nombre fini de valeurs de n pour lesquelles Xn ≥ 1 + ε.
c. Cette assertion se démontre de la même façon que la première : on a, pour tout
n ≥ 1,
P(Xn ≤ ε) = 1 − e−ε log n .
Cette probabilité tend vers 1 (c’est la définition du fait que la suite (Xn )n≥1 converge vers
0 en probabilité), donc la série X
P(Xn ≤ ε)
n≥1

diverge grossièrement (son terme général ne tend même pas vers 0). La deuxième assertion
du lemme de Borel-Cantelli nous permet donc d’affirmer qu’avec probabilité 1, il existe
une infinité de valeurs de n pour lesquelles on a l’inégalité Xn ≤ ε.
Avec probabilité 1, la suite (Xn )n≥1 prend une infinité de fois des valeurs très proches
de 1 (et même un peu supérieures) et des valeurs très proches de 0. Elle oscille en quelque
sorte asymptotiquement entre ces deux valeurs. Si vous connaissez les notions de limite
supérieure et limite inférieure d’une suite de nombres réels, vous pouvez exprimer rigou-
reusement la conclusion à laquelle nous sommes arrivés.

5. Soit (Xn )n≥1 une suite de variables aléatoires définies sur un même espace de
probabilité (Ω, F , P). On fait les hypothèses suivantes :
(H1 ) la suite (Xn )n≥1 converge en probabilité vers une variable aléatoire X,

5
 (H2 ) il existe un réel M > 0 tel que pour tout n ≥ 1 on ait E[Xn2 ] ≤ M .
a. Montrer, en utilisant le lemme de Fatou, que E[X 2 ] ≤ M .
b. Montrer que la suite (Xn )n≥1 converge dans L1 vers X.
c. Montrer par un exemple que les deux hypothèses peuvent être vérifiées sans qu’il existe
une variable aléatoire positive et intégrable Y telle que pour tout n ≥ 1, |Xn | ≤ Y .
Autrement dit, le résultat ci-dessus assure parfois la convergence dans L1 dans des
conditions où le théorème de convergence dominée est inopérant.
Solution de l’exercice 5. a. Puisque la suite (Xn )n≥1 converge en probabilité vers X,
elle admet une sous-suite qui converge presque sûrement vers X. Soit (Xnk )k≥1 une telle
sous-suite. On a en particulier limk→∞ Xn2k = X 2 . Le lemme de Fatou assure donc que

E[X 2 ] = E[ lim Xn2k ] ≤ lim E[Xn2k ] ≤ M.

k→∞ k→∞

b. Soit ε > 0 un réel strictement positif. On cherche un entier n0 ≥ 1 tel que pour
tout n ≥ n0 on ait E[|Xn − X|] ≤ ε. Posons α = 2ε . On a E[|Xn − X|] = E[|Xn −
X|1|Xn −X|≤α ] + E[|Xn − X|1|Xn −X|>α ]. Le premier terme est inférieur à α. Pour majorer
le second, on utilise l’inégalité de Cauchy-Schwarz. On trouve
1 1
E[|Xn − X|] ≤ α + E[|Xn − X|2 ] 2 P(|Xn − X| > α) 2 .

Or, d’une part, en appliquant à nouveau l’inégalité de Cauchy-Schwarz,

1 1
E[|Xn − X|2 ] ≤ E[Xn2 + 2|Xn ||X| + X 2 ] ≤ 2M + 2E[Xn2 ] 2 E[X 2 ] 2 ≤ 4M.

D’autre part, puisque (Xn )n≥1 converge en probabilité vers X, la probabilité P(|Xn −X| >
α2
α) est inférieure à 4M pour n assez grand. Soit n0 ≥ 1 un entier tel que pour tout n ≥ 1
α2
on ait P(|Xn − X| > α) ≤ 4M . Pour n ≥ n0 , on a, d’après tout ce qui précède,
r
√ α2
E[|Xn − X|] ≤ α + 2 M = 2α = ε.
4M
Ceci montre que la suite (Xn )n≥1 converge dans L1 vers X.
c. Considérons l’espace de probabilités ([0, 1], B[0,1] , Leb). Pour tout entier n ≥ 1,
définissons p ≥ 0 comme l’unique entier tel que 2p ≤ n < 2p+1 , puis k = n − 2p , et enfin
posons
Xn = 2 2 1[ kp , k+1
p

p ]
.
2 2

Observons que 2p ≥ n2 , si bien que pour tout ε > 0, on a P(|Xn | > ε) ≤ 2−p ≤ n2 qui tend
vers 0 lorsque n tend vers l’infini. Ainsi, la suite (Xn )n≥1 converge en probabilité vers 0.
Par ailleurs, on a pour tout n ≥ 1 l’égalité E[Xn2 ] = 1.
Ainsi, la suite (Xn )n≥1 satisfait les deux hypothèses (H1 ) et (H2 ) avec X = 0 et M = 1.
Supposons qu’il existe une variable aléatoire Y positive et intégrable telle que Xn ≤ Y
pour tout n ≥ 1. On aurait donc Y ≥ supn≥1 Xn . Or on a, pour tout p ≥ 1,

sup(X2p , X2p +1 , . . . , X2p+1 −1 ) = 2 2 1[0,1] ,

p

6
si bien que supn≥1 Xn vaut +∞1[0,1] . La variable Y devrait donc valoir +∞ presque
sûrement, ce qui ne lui permettrait pas d’être intégrable.
On a donc une situation où le théorème de convergence dominée ne permet pas de
conclure à la convergence dans L1 alors même qu’elle a lieu. (Bien entendu, dans ce cas
précis, il est aisé de vérifier directement que la convergence a lieu dans L1 .)

6. Soient X1 , . . . , Xn des variables aléatoires réelles indépendantes. On suppose que

pour tout k ∈ {1, . . . , n}, les variables aléatoires Xk et −Xk ont même loi. On pose S0 = 0
et, pour tout k ∈ {1, . . . , n}, Sk = X1 + . . . + Xk . Enfin, on pose M = max(S0 , . . . , Sn ).
Le but de cet exercice est de démontrer que pour tout α > 0, on a l’inégalité

P(M ≥ α) ≤ 2P(Sn ≥ α).

Soit α > 0 un réel. Définissons la variable aléatoire

T = min{k ∈ {1, . . . , n} : Sk ≥ α},

avec la convention min ∅ = +∞.

Choissons t ∈ {1, . . . , n}. Nous allons nous intéresser à l’événement {M ≥ α, T = t},
c’est-à-dire l’événement où le maximum des Sk dépasse α et où le premier instant où cela
a lieu est le temps t. Nous allons comparer, sur cet événement, la valeur de Sn avec α.
Pour cela, définissons X̃1 = X1 , . . . , X̃t = Xt , et X̃t+1 = −Xt+1 , . . . , X̃n = −Xn .
Posons S̃0 = 0 puis, pour tout k ∈ {1, . . . , n}, S̃k = X̃1 + . . . + X̃k . Posons ensuite
M̃ = max(S̃0 , . . . , S̃n ) et enfin T̃ = min{k ∈ {1, . . . , n} : S̃k ≥ α}.
a. Montrer que le vecteur aléatoire (X̃1 , . . . , X̃n , S̃0 , . . . , S̃n , M̃ , T̃ ) a la même loi que
(X1 , . . . , Xn , S0 , . . . , Sn , M, T ). Ainsi, tout événement défini à partir des composantes du
second vecteur a la même probabilité que l’événement défini de la même façon à partir
des composantes du premier vecteur (mettre des tildes sur toutes les variables aléatoires
ne change pas les probabilités.)
b. Montrer qu’on a l’inclusion suivante :

{M ≥ α, T = t, Sn ≤ α} ⊂ {M̃ ≥ α, T̃ = t, S̃n ≥ α}

c. En déduire que P(M ≥ α, Sn ≤ α) ≤ P(Sn ≥ α), puis qu’on a l’inégalité annoncée :

P(M ≥ α) ≤ 2P(Sn ≥ α).

Solution de l’exercice 6. a. Puisque pour tout k ∈ {1, . . . , n} les variables aléatoires

Xk et −Xk ont même loi, on peut affirmer que pour tout k ∈ {1, . . . , n}, les variables
aléatoires Xk et X̃k ont même loi. Puisque X1 , . . . , Xn sont indépendantes, X̃1 , . . . , X̃n le
sont aussi. Ainsi, les vecteurs (X1 , . . . , Xn ) et (X̃1 , . . . , X̃n ) ont même loi.

7
 Or le vecteur (X1 , . . . , Xn , S0 , . . . , Sn , M, T ) est l’image du vecteur (X1 , . . . , Xn ) par
une certaine fonction g : Rn → R2n+2 ×(R∪{+∞}), qu’on peut si on le souhaite vraiment
expliciter comme suit :

g(x1 , . . . , xn ) = (x1 , . . . , xn , 0, x1 , x1 + x2 , . . . , x1 + . . . + xn ,
max(0, x1 , . . . , x1 + . . . , xn ), min{k ≥ 1 : x1 + . . . + xk ≥ α}).

D’autre part, l’image par cette même fonction g du vecteur (X̃1 , . . . , X̃n ) est le vecteur
(X̃1 , . . . , X̃n , S̃0 , . . . , S̃n , M̃ , T̃ ). Ceci nous donne l’égalité voulue, car les images par une
même fonction de deux vecteurs aléatoires qui ont la même loi ont la même loi.
b. Soit ω ∈ Ω un élément de l’événement {M ≥ α, T = t, Sn ≤ α}. On a les inégalités

S1 (ω) < α, . . . , St−1 (ω) < α, St (ω) ≥ α ≥ Sn (ω).

En particulier, Sn (ω) − St (ω) = Xt+1 (ω) + . . . + Xn (ω) ≤ 0. On a donc

S̃1 (ω) = S1 (ω) < α, . . . , S̃t−1 (ω) = St−1 (ω) < α, S̃t (ω) = St (ω) ≥ α.

De plus,

S̃n (ω) = S̃t (ω) + X̃t+1 (ω) + . . . + X̃n (ω) = St (ω) − (Xt+1 + . . . + Xn ) ≥ St (ω) ≥ α.

De ces inégalités il découle que ω appartient à l’événement {M̃ ≥ α, T̃ = t, S̃n ≥ α}. On

a donc l’inclusion demandée.
c. En utilisant les résultats des deux questions précédentes, on trouve

P(M ≥ α, T = t, Sn ≤ α) ≤ P(M̃ ≥ α, T̃ = t, S̃n ≥ α) = P(M ≥ α, T = t, Sn ≥ α).

L’inégalité qui nous intéresse est celle entre les deux membres extrêmes. Elle fait intervenir
t, et la façon dont nous l’avons démontrée a nécessité la définition des variables aléatoires
avec des tildes, qui dépendait de t, mais l’inégalité

P(M ≥ α, T = t, Sn ≤ α) ≤ P(M ≥ α, T = t, Sn ≥ α)

est vraie pour tout t ∈ {1, . . . , n}. Nous pouvons sommer cette inégalité sur toutes les
valeurs possibles de t autres que +∞, ce qui nous donne
n
X n
X
P(M ≥ α, T = t, Sn ≤ α) ≤ P(M ≥ α, T = t, Sn ≥ α).
t=1 t=1

Puisque d’une part les événements {T = 1}, . . . , {T = n}, {T = +∞} forment une
partition de Ω, et d’autre part les événements {M ≥ α, T = +∞, Sn ≤ α} et {M ≥
α, T = +∞, Sn ≥ α} sont de probabilité nulle (puisque T est fini lorsque M ≥ α), nous
en déduisons
P(M ≥ α, Sn ≤ α) ≤ P(M ≥ α, Sn ≥ α).

8
Écrivons maintenant, en décomposant l’événement {M ≥ α} suivant la valeur de Sn ,

P(M ≥ α) = P(M ≥ α, Sn ≤ α) + P(M ≥ α, Sn > α)

≤ P(M ≥ α, Sn ≤ α) + P(M ≥ α, Sn ≥ α).

L’inégalité démontrée juste auparavant entraîne donc

P(M ≥ α) ≤ 2P(M ≥ α, Sn ≥ α)

et il ne reste plus qu’à observer que l’événement {Sn ≥ α} est inclus dans l’événement
{M ≥ α}, si bien qu’on a l’inégalité

P(M ≥ α) ≤ 2P(Sn ≥ α).

La méthode utilisée pour démontrer cette inégalité s’appelle le principe de réflexion.

7. Soient X1 , . . . , Xn des variables aléatoires indépendantes centrées, qui admettent

toutes un moment d’ordre quatre. On pose Y = X1 + . . . + Xn .
a. Calculer E[Y ] et E[Y 2 ].
b. Montrer qu’on a
n
X X
4
E[Y ] = E[Xi4 ] + 3 E[Xi2 ]E[Xj2 ]
i=1 1≤i,j≤n
i6=j

et en déduire que !2
n
X n
X
4
E[Y ] ≤ E[Xi4 ] +3 E[Xi2 ] .
i=1 i=1

Solution de l’exercice 7. a. On a E[Y ] = E[X1 ] + . . . + E[Xn ] = 0 et

X
E[Y 2 ] = E[X12 ] + . . . + E[Xn2 ] + E[Xi Xj ] = E[X12 ] + . . . + E[Xn2 ].
1≤i6=j≤n

b. En développant la puissance quatrième, on trouve

n
X
4
E[Y ] = E[Xi Xj Xk Xl ].
i,j,k,l=1

Examinons la valeur de E[Xi Xj Xk Xl ] en fonction de i, j, k, l. S’il existe parmi i, j, k, l

un entier qui est distinct des trois autres, par exemple i, alors par indépendance de
X1 , . . . , Xn , on a E[Xi Xj Xk Xl ] = E[Xi ]E[Xj Xk Xl ] = 0. Cette observation suffit à montrer
qu’un grand nombre des termes de la somme sont nuls. Seuls peuvent être non nuls ceux
où les quatre indices sont égaux et ceux où parmi les quatre indices deux sont égaux

9
et les deux autres sont égaux, distincts des deux premiers. Pour compter les termes de
cette dernière sorte, on va d’abord énumérer les paires que peuvent former les deux valeurs
distinctes prises par i, j, k, l, puis la façon dont deux indices parmi i, j, k, l peuvent prendre
une des deux valeurs et les deux autres l’autre valeur. On trouve
n
X X n
X X
4
E[Y ] = E[Xi4 ] +6 E[Xi2 ]E[Xj2 ] = E[Xi4 ] + 3 E[Xi2 ]E[Xj2 ].
i=1 1≤i<j≤n i=1 1≤i,j≤n
i6=j

En particulier,
n n n n
!2
X X X X
4
E[Y ] ≤ E[Xi4 ] +3 E[Xi2 ]E[Xj2 ] = E[Xi4 ] +3 E[Xi2 ] .
i=1 i,j=1 i=1 i=1

8. Soit (Xn )n≥1 une suite de variables aléatoires indépendantes. On suppose que pour
tout n ≥ 1, les variables aléatoires Xn et −Xn ont même loi. On suppose également
Xp
E[Xn4 ] < +∞.
n≥1

P+∞ 2
a. Montrer qu’il existe une variable aléatoire X centrée, de variance Var(X) = n=1 E[Xn ]
telle que la suite des sommes partielles de la série n≥1 Xn converge dans L2 vers X.
P

Définissons, pour tout m ≥ 1, rm = +∞

P p
n=m E[Xn4 ]. La suite de réels (rm )m≥1 , suite
des restes d’une série convergente, tend vers 0 et nous allons supposer que
X
2
rm < +∞.
m≥1

Nous allons montrer, sous cette hypothèse supplémentaire Pet en utilisant les résultats des
deux exercices précédents, que la converge de la série n≥1 Xn vers X a lieu presque
sûrement.
Soient k, p, q ≥ 1 des entiers tels que q ≥ p. Définissons l’événement
( r
)
X 1
Ek,p,q = ∃r ∈ {p, . . . , q}, Xn ≥ .
n=p
k
P
b. Montrer que l’événement où la série n≥1 Xn diverge s’écrit
!
[\[[ [ [
Ek,p,q = lim sup Ek,p,q .
p≥1
k≥1 r≥1 p≥r q≥p k≥1 q≥p

Nous allons montrer que cet événement est de probabilité nulle.

10
 c. Montrer que
q
!
X 1
P(Ek,p,q ) ≤ 2 P Xn ≥ ,
n=p
k

en déduire que
! +∞ +∞
!2
[ X X
≤ 2k 4 E Xn4 + 6k 4 E Xn2
   
P Ek,p,q
q≥p n=p n=p

puis que !
[
P Ek,p,q ≤ 8k 4 rp2 .
q≥p
P
P n≥1 Xn est convergente avec probabilité 1.
d. Déduire de ce qui précède que la série
e. Montrer que la limite de la somme n≥1 Xn est égale à X presque sûrement.
p
Solution de l’exercice 8. a. On a, pour tout n ≥ 1, E[Xn2 ] ≤ E[Xn4 ]. L’hypohèse
entraîne donc que la série des variances de Xn converge. Un résultat du cours affirme que
P+∞cette 2hypothèse, il existe une variable aléatoire X centrée,Pde variance Var(X) =
sous
n=1 E[Xn ] telle que la suite des sommes partielles de la série n≥1 Xn converge dans
L2 vers X.
b. La non-convergence de la série est équivalente à la négation du critère de Cauchy,
qui s’écrit
q
X 1
∃k ≥ 1, ∀r ≥ 1, ∃p ≥ r, ∃q ≥ p, Xn ≥ .
n=p
k

L’événement écrit est exactement celui où cette propriété est vérifiée.

+ −
c. On peut écrire Ek,p,q comme la réunion disjointe Ek,p,q ∪ Ek,p,q , avec
( r
) ( r
)
+
X 1 −
X 1
Ek,p,q = ∃r ∈ {p, . . . , q}, Xn ≥ et Ek,p,q = ∃r ∈ {p, . . . , q}, Xn ≤ − .
n=p
k n=p
k

+ −
Puisque les (Xn )n≥1 one même loi que les (−Xn )n≥1 , les probabilités de Ek,p,q et Ek,p,q
sont égales. Or le principe de réflexion, démontré à l’exercice 3, assure que
q
!
− +
X 1
P(Ek,p,q ) = P(Ek,p,q ) ≤ 2P Xn ≥ .
n=p
k

La première inégalité cherchée s’en déduit en observant que grâce à la symétrie des
(Xn )n≥1 ,
q q
! !
X 1 X 1
P Xn ≥ = 2P Xn ≥ .
n=p
k n=p
k

11
Appliqons maintenant l’inégalité de Markov :
 !4   !4 
q q q
!
X 1 X 1 X
P Xn ≥ = P Xn ≥ 4  ≤ k4E  Xn  .
n=p
k n=p
k n=p

Grâce au résultat de l’exercice précédent, nous savons majorer cette espérance et nous
obtenons donc !2
q q
X X
P(Ek,p,q ) ≤ 2k 4 E Xn4 + 6k 4 E Xn2
   
.
n=p n=p

Les entiers k et p étant fixés, la suite d’événements (Ek,p,q )q≥p est croissante, donc la
probabilité de l’union de ces événements est la limite de leurs probabilités, si bien que
! +∞ +∞
!2
[ X X
Ek,p,q ≤ 2k 4 E Xn4 + 6k 4 E Xn2
   
P .
q≥p n=p n=p

p
D’une part, on a pour tout n ≥ 1 l’inégalité E[Xn2 ] ≤ E[Xn4 ], donc le deuxième terme du
membre de droite est inférieur à 6k 2 rp2 . D’autre part, pour tous réels positifs a1 , . . . , an , on
√ √
a l’inégalité a1 + . . . + an ≤ ( a1 + . . . + an )2 , qu’on vérifie en développant le carré. Pour
P 2
tout q ≥ p, on a donc qn=p E[Xn4 ] ≤ q
P p
E[X 4] et en faisant tendre q vers +∞,
n=p n
on trouve que le premier terme du membre de droite de l’inégalité ci-dessus est inférieur
à 2k 2 rp2 . On trouve comme on le souhaitait
!
[
P Ek,p,q ≤ 8k 2 rp2 .
q≥p

2
P
d. Puisqu’on fait l’hypothèse m≥1 rm < +∞, le lemme de Borel-Cantelli permet d’affir-
mer que pour tout k ≥ 1, !
[
P lim sup Ek,p,q = 0,
p≥1
q≥p

et donc, puisqu’une union dénombrable d’événements

P de probabilité nulle est de probabi-
lité nulle, que la probabilité que la série n≥1 Xn diverge est nulle. P
d. Nous avons montré qu’il existait une variable aléatoire Y telle que la série n≥1 Xn
converge presque sûrement vers Y . Par ailleurs, nous avons déjà nommé une variable
aléatoire X qui est la limite dans L2 de cette même série. Ainsi la série converge en
particulier en probabilité vers X et Y simultanément, ce qui impose que X = Y presque
sûrement.

12
 9. Soit (Xn )n≥1 une suite de variables aléatoires indépendantes telle que pour tout
n ≥ 1 on ait P(Xn = 1) = P(Xn = −1) = 12 . Montrer que la série
X Xn

n≥1
n

converge dans L2 et presque sûrement vers une variable aléatoire X dont la fonction
caractéristique est  
Y t
ϕX (t) = cos .
n≥1
n

Déterminer pour quels réels α > 0 les arguments utilisés s’étendent à la série
X Xn
.
n≥1
nα

P 9. Soit α > 0. Examinons si le critère établi à l’exercice précédent

Solution de l’exercice
est vérifié par la série n≥1 Xnn . On a
" 4 #
Xn 1
E = .
n n4α
r h i
Xn 4
P

La série n≥1 E n
converge donc si et seulement si 2α > 1. Dans ce cas,

+∞
X 1 1
rm = 2α
∼m→+∞ 2α−1 .
n=m
n m

Ainsi, puisque deux séries à termes positifs dont les termes généraux sontP
équivalents sont
2
soit toutes deux convergentes soit toutes deux divergentes, la condition m≥1 rm < +∞
3
est satisfaite si et seulement si 4α − 2 > 1, c’est-à-dire si α > 4 .
Elle est en particulier satisfaite pour α = 1, ce qui entraîne que la série n≥1 Xnn
P
converge presque sûrement et dans L2 vers une variable aléatoire X. En particulier, pour
PN Xn
tout t réel, eit n=1 n converge presque sûrement vers eitX lorsque N tend vers +∞,
et cette convergence est dominée par 1, si bien que, grâce au théorème de convergence
dominée, on peut affirmer que
N N   Y+∞  
h P N Xn i
it n=1 n
Y h Xn i
it n
Y t t
ϕX (t) = lim E e = lim E e = lim cos = cos .
N →+∞ N →+∞
n=1
N →+∞
n=1
n n=1
n

13