P. Maurer Théorème 3.

(Lemme de Borel Cantelli)

ENS Rennes X  1

P-p.s
 On suppose que pour tout k  1, P jXn ¡ X j > < 1: Alors Xn ! X:
Leçon 262. Convergence d'une suite de variables n2N
k n!+1
P-p.s
Si de plus, les Xn sont mutuellement indépendants, alors Xn ! 0 si et seule-
aléatoires. Théorèmes limites. Exemples et appli- 
X  1
 n!+1
ment si P jXnj > < 1 pour tout k  0.
cations. n2N
k

Proposition 4. (Critère de Cauchy)

Devs : La suite (Xn)n 0 converge presque sûremement si et seulement si
 Convergence presque sûre des sous-martingales bornées dans L1 [ \  !
1
 Théorème Central Limite 8k  1 P jXn ¡ Xmj < = 1:
k
n2N m n
Références :
 Barbe-Ledoux, Probabilités Exemple 5. Soit (Xn)n0 une suite de variables aléatoires indépendantes, de loi de
n
X
 Ouvrard, Probabilités 2 Bernouilli B(1; p). On pose Un = 2¡i Xi. Alors (Un)n 1 converge presque sûrement
 Hauchecorne, Contre-exemples en mathématique i=1
vers une variable aléatoire U à valeurs dans [0; 1].
 Garet, Probabilités et processus stochastiques
 Cadre-Vial, Statistique mathématique Théorème 6.
Soit f : R ! R une fonction continue. Si (Xn)n 0 converge presque sûrement vers X,
alors (f (Xn))n 0 converge presque sûrement vers f (X).
Dans ce qui suit, on se donne un espace probabilisé ( ; F ; P), et (Xn)n0 une suite
de variables aléatoires définies sur ( ; F ) et à valeurs dans (R; B(R)), et X: ( ; F ) ! (R;
B(R)) désigne une variable aléatoire. 1.2 Convergence en probabilité
Définition 7. On dit que (Xn)n 0 converge vers X en probabilité si
1 Autour des différentes convergences d'une suite de varia- 8" > 0 lim P(jXn ¡ X j > ") = 0:
n!+1
bles aléatoires
P
Dans ce cas, on note Xn ! X.
n!+1
1.1 Convergence presque sûre
Les inégalités suivantes permettent souvent d'obtenir des convergences en probabilité.
Définition 1. On dit que (Xn)n 0 converge presque sûrement vers X si
  Proposition 8. (Inégalité de Markov)
P ! 2 : lim Xn(!) = X(!) = 1: On suppose que X 2 L1( ; F ; P). Alors pour tout " > 0, on a
n!+1

P-p.s 1
Dans ce cas, on note lim Xn = X, ou Xn ! X. P(jX j  ") 
"
E[jX j]:
n!+1 n!+1

Proposition 2. La suite (Xn)n 0 converge presque sûrement vers X si et seulement si Corollaire 9. (Inégalité de Tchébychev)
! On suppose que X 2 L2( ; F ; P). Alors pour tout " > 0, on a
\ [  1
8k  1 P ! 2 : jXn(!) ¡ X(!)j  = 0: 1
k P(jX ¡ E[X]j  ")  Var(X):
N 0 n N "2

1
2 Section 1

Proposition 10. Alors 8n 2 N, Xn 2 L p, et (Xn)n 0 converge en probabilité (en fait, il y a convergence

 Si (Xn)n 0 converge presque sûrement vers X, alors (Xn)n0 converge en pro- presque sûre) vers zéro. En revanche, E[jXnj p] = 1 pour tout n  1.
babilité vers X.
Définition 17. Une famille (Xi)i2I de variables aléatoires réelles, définies et intégrables
 Si (Xn)n 0 converge en probabilité vers X, alors il existe une sous-suite de sur ( ; F ; P) est dite uniformément intégrable si
(Xn)n 0 qui converge presque sûrement vers X.
lim sup E[jXij 1fXi >M g] = 0:
M !+1 i2I
Exemple 11. Dans le cas où (Xn)n0 converge en probabilité, on a pas nécessairement
la convergence presque sûre de la suite (Xn)n0.
On considère par exemple la suite de variables aléatoires (Xn)n 1 définie par P(Xn = Proposition 18. La famille (Xi)i2I est uniformément intégrable si et seulement si
1 1 (Xi)i2I est bornée dans L1 , c'est-à-dire supE[jXij] < 1, et
1) = et P(Xn = 0) = 1 ¡ pour tout n  1.   
n n i2I
Alors (Xn)n1 converge en probabilités vers zéro, mais on a P lim sup fXn = 1g = 1,
n  8" > 0 9 > 0 8A 2 F P(A)   =) E[jXij 1A]  ":
donc il n'y a pas convergence presque sûre vers zéro.
Théorème 19. (Théorème de convergence dominée généralisé)
Proposition 12. Pour que la suite (Xn)n 0 converge en probabilité, il suffit qu'elle soit
Soit (Xn)n 0 une suite de variables aléatoires réelles, intégrables sur ( ; F ; P). Les
de Cauchy en probabilités, c'est-à-dire que
deux propositions suivantes sont équivalentes
8" > 0 9N  0 8n; m  N P(jXn ¡ Xmj > ")  ": P
 Xn ! X et la famille (Xn)n0 est uniformément intégrable.
n!+1
Proposition 13. Soit (Xn)n0 et (Yn)n 0 deux suites de variables aléatoires réelles
P P  X est intégrable et lim kXn ¡ X k1 = 0.
n!+1
définies sur ( ; F ; P). On suppose que Xn ! X et que Yn ! Y. Alors :
n!+1 n!+1
P
 Si f : R ! R est une application continue, f (Xn) !
n!+1
f (X). 1.4 Convergence en loi
P
 Pour tout ; 2 R, Xn + Yn ! X+ Y: Théorème 20. (Théorème et définition, Paul Levy)
n!+1
Soit X une variable aléatoire définie sur un espace probabilisé ( ; A; P). On note FX
la fonction de répartition de X, définie par FX (t) = P(X  t) pour t 2 R et 'X la fonction
caractéristique de X, définie par 'X (t) = E[eitX ].
1.3 Convergence dans Lp Soit (Xn)n2N une suite de variables aléatoires sur ( ; A; P).
On se donne p  1 et on suppose que pour tout n 2 N, Xn 2 L p( ; F ; P) et que X 2 Lp( ; Les propositions suivantes sont équivalentes :
F ; P).
i. On a lim FXn(t) = FX (t) en tout point t où FX est continue.
n!+1
Définition 14. On dit que la suite (Xn)n 0 converge vers X dans L p si Z Z
ii. On a lim (Xn) d P = (X) d P pour toute fonction : R ! R continue
lim kXn ¡ X kp = 0; n!+1
n!+1 bornée.
où on rappelle que kY kp := E[jY j p]: iii. On a lim 'Xn(t) = 'X (t) pour tout t 2 R.
n!+1
Proposition 15. Si (Xn)n0 converge vers X dans L p, alors elle converge en probabilité iv. Il existe un espace probabilisé ( 0; A 0; P0) sur lequel sont définies une variable
vers X.
aléatoire X 0 et une suite de variables aléatoires (Xn0 )n2N telles que X et X 0 soient
Exemple 16. La réciproque à la proposition 16 est fausse. Par exemple, prenons =R de même loi, Xn et Xn0 soient de même loi pour tout n 2 N, et la suite (Xn0 )n2N
muni de sa tribu borélienne et (Xn)n 1 une suite de variables aléatoires telle que converge P0-presque-sûrement vers X 0.
L
8n  1 P(Xn = n) = n¡p et P(Xn = 0) = 1 ¡ n¡p: On dit alors que la suite (Xn)n2N converge en loi vers X, et on note Xn ! X.
n!+1
Théorèmes limites 3

Proposition 21. Exemple 29. En reprenant les notations de l'exemple 5, on a

n
 Si (Xn)n 0 converge presque sûrement vers X, alors (Xn)n 0 converge en loi vers 1X P-p.s 1
X. Ui ! :
n n!+1 2
i=1
 Si (Xn)n 0 converge en probabilités vers X, alors (Xn)n0 converge en loi vers
X. Autrement dit, presque tout nombre de [0; 1] admet en moyenne autant de 0 que de 1
dans son développement dyadique.
Exemple 22. Soit X  N (0; 1) et Xn = (¡1)n X. Alors (Xn)n0 converge en loi vers X,
Application 30. (En statistiques)
mais ne converge ni presque sûrement ni en probabilités vers X.
Soit (X1; : : : ; Xn) un n-échantillon issu d'une loi de moyenne  et de variance  2.
n
Proposition 23. Si (Xn)n 0 converge en loi vers une constante c 2 R, alors (Xn)n0 1X
Alors l'estimateur des moments Xn := Xi est sans biais, et fortement convergent.
converge en probabilité vers c. n
i=1
Théorème 24. (Lemme de Slutsky)
Soit (Xn)n0 et (Yn)n0 des suites de variables aléatoires réelles sur ( ; F ; P). On 2.2 Théorème central limite et applications
suppose que (Xn)n0 converge en loi vers X et que (Yn)n0 converge en probabilité vers
une constante c 2 R: Alors le couple (Xn; Yn) converge en loi vers le couple (X ; c). Proposition 31. Soit X une variable aléatoire définie sur ( ; F ; P) suivant une loi
L L normale centrée réduite. Alors la fonction caractéristique 'X de X vérifie
En particulier, on a Xn + Yn ! X + c et Xn Yn ! cX.
n!+1 n!+1 t2
L ¡
Exemple 25. On suppose que Xn et X sont à valeurs entières. Alors Xn ! X si et 8t 2 R 'X (t) = e 2:
n!+1
seulement si on a lim P(Xn = k) = P(X = k) pour tout k 2 N.
n!+1 Développement 1 :

Théorème 32. (Théorème central limite)

2 Théorèmes limites Soit (X n )n 2N une suite de variables aléatoires indépendantes et identiquement distribuées,
définies sur ( ; F ; P). On suppose que X 0 2 L 2( ; A; P) et on note  2 = Var(X 0) et  = E[X 0].
2.1 Loi(s) des grands nombres On suppose de plus que  2 > 0.
Par hypothèse, on a donc X n 2 L 2( ; F ; P), Var(X n ) = 2 et E[X n ] = pour tout n 2 N.
Proposition 26. (Loi faible des grands nombres) On note également S n = X 1 +


+ X n pour tout n  1.
On suppose que pour tout n 2 N, Xn 2 L2 et que Cov(Xi; Xj ) = 0 pour tout i; j  1, On a alors la convergence en loi
def
où Cov(X ; Y ): = E[XY ] ¡ E[X] E[Y ]: On suppose de plus que E[Xi] = 0 et Var(Xi) =  2 Sn ¡ n  L
p ! N (0;  2):
pour tout i  1. ! n n !+1
n
1X
Alors la suite Xi converge en probabilité vers zéro. Application 33. (En statistiques)
n
i=1 n 0 On considère le modèle statistique (f0; 1gn; fB() ng 2]0;1[) du jeu de pile ou face.
Ce résultat repose sur l'inégalité de Tchébychev, et il est en particulier vrai lorsque Alors l'estimateur des moments Xn construit avec le n-échantillon (X1;:::; Xn) est asymp-
les Xi sont indépendantes. p
totiquement normal, de vitesse n , car le théorème central limite donne :
Théorème 27. (Loi forte des grands nombres) p
n (Xn ¡ ) ! N (0; (1 ¡ )):
Soit (Xn)n 0 une suite de variables aléatoires intégrables, indépendantes et de même n!+1
loi. Alors
n Théorème 34. (-méthode, Admis)
1X P-p.s
Xi ! E[X0]: Soit (Xn)n 1 une suite de variables aléatoires d'espérence  et de variance  2.
n n!+1
i=1 Soit Xn un estimateur de .
On suppose que
Remarque 28. La preuve est cependant beaucoup plus simple si Xn 2 L4( ; F ; P), via p L
l'inégalité de Tchébychev. n (Xn ¡ ) ! N (0; 2):
n!+1
4 Section 3

Alors pour toute fonction g: R ! R de classe C 1 telle que g 0() =

/ 0 on a
p L
n (g(Xn) ¡ g()) ! N (0;  2(g 0())2):
n!+1 3.2 Convergence presque sûre des sous-martingales bornées dans
L1
(On peut donner ici un exemple de construction d'intervalle de confiance, mais j'ai un
Définition 40. Soit (un)n2N une suite réelle.
peu la flemme là)
On se donne a < b 2 R et on définit 1 = inf fk  1 : uk  ag, avec la convention
inf (?) = +1. On définit alors par récurrence

3 Convergence des sous-martingales 2n := inf fk > 2n¡1 : uk  bg et 2n+1 := inf fk > 2n : uk  ag:
On peut alors définir le nombre de traversées montantes de l'intervalle [a; b] par
3.1 Définitions et premières propriétés +1
X
U1(a; b) := 1f2k <+1g;
Définition 35. On dit qu'une suite de variables aléatoires (Xn)n2N sur ( ; F ; P) est k=1
une sous-martingale (respectivement une martingale) si ainsi que le nombre de traversées avant l'instant n par
1. 8n 2 N Xn 2 L1( ; F ; P). +1
X
Un(a; b) := 1f2k ng:
2. 8n 2 N Xn est Fn-mesurable (on dit que la suite (Xn)n2N est adaptée à la fil-
k=1
tration).
Par exemple, sur le dessin suivant, on a U11(a; b) = 1 :
3. 8n 2 N E[Xn+1jFn]  Xn p.s. (respectivement E[Xn+1jFn ] = Xn p.s)
Remarque 41.
Remarque 36. Par définition de l'espérance conditionnelle, la propriété 3 équivaut à Faire un dessin rapide au tableau est appréciable, la définition formelle des k étant
8A 2 Fn E[Xn+1 1A]  E[Xn 1A]: un quand même un peu lourde.

Lemme 42. Une suite (un)n2N converge dans R si et seulement si pour tout (a; b) 2 Q2
Définition 37. On dit qu'une variable aléatoire T sur ( ; F ; P) à valeurs dans N[ f+1g
tels que a < b, on a U1(a; b) < +1.
est un temps d'arrêt relativement à la filtration (Fn)n2N si
8n 2 N [ f+1g fT  ng 2 Fn; Développement 2 :

où on définit F1 = (Fn : n 2 N) comme la tribu engendrée par les éléments de l'ensemble Théorème 43. Soit (X n )n 2N une sous-martingale telle que
des tribus Fn.
Si T est un temps d'arrêt, on définit la tribu des évènements antérieurs à T par sup E(X n+) < +1:
n 2N
FT := fA 2 F1 : 8n 2 N A \ fT  ng 2 Fng: Alors il existe une variable aléatoire X 1 intégrable telle que (X n )n 2N converge presque sûre-
ment vers X.
Théorème 38. Si T est un temps d'arrêt et (Xn)n2N une sous-martingale, alors la suite
(XT ^n)n2N est encore une sous-martingale.
3.3 Convergence L1 et L p des martingales pour p > 1
Théorème 39. (Théorème d'arrêt)
Soit S  T deux temps d'arrêt bornés. Soit (Xn)n2N une sous-martingale. Alors Théorème 44. Soit (Xn)n 0 une martingale. Les assertions suivantes sont équiva-
XT 2 L1( ; F ; P) et lentes.
E[XT jFS ]  XS  (Xn)n0 est uniformément intégrable.
En particulier, il vient E[XT ]  E[XS ]:  (Xn)n0 converge p.s et dans L1( ; F ; P).
Annexe 5

 (Xn)n 0 est fermée, i.e il existe X 2 L1( ; F ; P) telle que Xn = E[X jFn]: Soit (Xn)n 0 une martingale bornée dans Lp( ; F ; P). Alors (Xn)n 0 est uniformé-
ment intégrable et (Xn)n 0 converge presque sûrement dans Lp.
Proposition 45. (Inégalité maximale de Doob)
Soit (Xn)n 0 une martingale. On a pour tout x > 0 et tout p >1 :
  
p
p 4 Annexe
P sup jXk j p  E[jXnj p]:
p¡1
k n Faire un tableau illustrant les liens entre les différentes convergence.
On peut aussi ajouter le dessin pour les temps k.
Théorème 46. (Convergence L p)