Théorèmes limites Devoir Maison Reda Jalal

1. Résultats divers de convergence des variables aléatoires

1.1. a)

Fixons δ, ϵ ≥ 0.
La convergence en probabilités des deux variables aléatoires nous donne qu’il existe M ≥ 0, tel
que pour tout n ∈ N
ϵ
/ [−M, M ]2 ) ≤
P ((Xn , Yn ) ∈
2
Donc il existe η ≥ 0 tel que pour tout n ∈ N
{(Xn , Yn ) ∈ [−M, M ]2 , |(Xn , Yn ) − (X, Y )| ≤ η} ⊂ {|(Xn + Yn ) − (X + Y )| ≤ δ}
Donc pour n assez grand
ϵ
P (|(Xn , Yn ) − (X, Y )| ≤ η) ≥ 1 −
2
et
P (|(Xn + Yn ) − (X + Y )| ≥ δ) ≤ ϵ
Ce qui nous donne la conclusion attendue.

Ce résultat ne se transpose pas à la convergence en loi. En effet soient X ∼ N (0, 1) et Xn = X

pour tout n. Alors on a, pour la convergence en loi : Xn → X , Xn → −X (puisque X et X
ont la même loi), mais (Xn, Xn) ↛ (X, X). En effet, (Xn, Xn) → (X, X) et (X, X) n’a pas la
même loi que (X, X).
b)

Montrons un lemme intérmédiaire :

Lemme 1 :
Soit g une fonction continue bornée de R dans R. Soit (Xn )n≥1 une suite de variables aléatoires
réelles qui converge en loi vers X. Alors
g(Xn ) converge en loi vers g(X)

En effet ∀ϕ ∈ Cb E[ϕ(Xn )] → E[ϕ(X)

′
En particulier pour ϕ = ϕ ◦, on a :
′ ′
∀ϕ ∈ Cb E[ϕ(g(Xn ))] → E[ϕ g(X)
De plus, g : (Xn , Yn ) → Xn + Yn est continue. Donc en appliquant le résultat de la question c),
on a le résultat attendu.

c)
On suppose que Yn converge en loi vers la variable aléatoire 0 (Quitte

à remplacer Yn par Yn −Y ).
Montrons que la suite des fonctions caractéristiques φ(Xn ,Yn ) converge vers φ(X,0) ce qui est
équivalent au théorème de Slutsky. Soit (s, t) ∈ R2 . On a,

| φ(Xn ,Yn ) (s, t) − φ(X,0) (s, t) |

   
⩽ φ(Xn ,Yn ) (s, t) − φ(Xn ,0) (s, t) + φ(Xn ,0) (s, t) − φ(X,0) (s, t)
 
⩽ φ(Xn ,Yn ) (s, t) − φXn (s) + |φXn (s) − φX (s)| .
(Xn ) converge en loi vers X, donc le second terme tend vers 0. On a aussi,
     

φ(Xn ,Yn ) (s, t) − φXn (s) = E ei(sXn +tYn ) − eisXn  ⩽ E 1 − eitYn  .



On fixe ε > 0. L’application y 7→ eity est continue en y = 0, donc il existe δ > 0 tel que pour
|y| < δ, on a |1 − eity | < ε. Donc,
 
   
E 1 − eitYn  = E 1 − eitYn  1|Yn |<δ + E 1 − eitYn  1|Yn |⩾δ

⩽ ε + 2P (|Yn | ⩾ δ) .
Or (Yn ) converge en loi vers Y qui est constante, donc en probabilité.
On obtient donc la convergence qu’on voulait et qui prouve le théorème de Slutsky.

1.2. D’après le théorème de Prokhorov, la suite (Xn )n≥1 est tendue. Donc pour tout i ≥ 1, il
existe donc un compact Ki tel que
1
inf P (Xn ∈ Ki ) ≥ 1 − .
n≥1 i
Supposons que la suite (Ki )i≥1 est croissante. On va vérifier que

P (∀M > 1, ∃i0 > 1, ∀i ≥ 1, i ≥ i0 , Xi ∈

/ KM ) = 0.
On remarque que
\ [ \
{∀M > 1, ∃io > 1, ∀i ≥ 1, i ≥ io =⇒ Xi ∈
/ KM } = {Xi ∈
/ KM } .
M >1 io >1 i≥io
La première intersection est décroissante et que la seconde union est croissante. Ainsi,
!
\
P (∀M > 1, ∃io > 1, ∀i ≥ 1, i ≥ io =⇒ Xi ∈ / KM ) = lim lim P {Xi ∈/ KM } .
M →∞ io →∞
i≥io
Or
!
\ 1
P {Xi ∈
/ KM } ≤ P (Xio ∈
/ KM ) ≤ .
i≥io
M
Donc, presque sûrement, il existe M > 1 tel que la suite (Xn )n≥1 prend une infinité de valeurs
dans le compact KM . On obtient le résultat par le théorème de Bolzano-Weierstrass.

La réciproque est vraie dans le cas où Card(E) ∈ {0, 1}.

Sinon, pour x, y ∈ E avec x ̸= y, on prend Xn = x si n est pair et Xn = y si n est impair, ce
qui nous construit un contre-exemple, puisque cette suite ne converge pas en loi malgré le fait
qu’elle possède des sous-suites convergentes.
1.3. a)

Montrons dans un premier temps que ∀t ∈ R, ∃u ∈ [0, 1], G(u) ≤ t ⇐⇒ u ≤ F (t).

En effet, si G(u) ≤ t alors il existe s ≤ t tel que F (s) ≥ u. Comme F est croissante, F (t) ≥
F (s) ≥ u. Si u ≤ F (t) alors x ∈ {y ∈ R, F (s) ≥ u} donc x ≥ inf{y ∈ R, F (y) ≥ u} = G(u).
Maintenant pour U qui suit une loi uniforme sur [0, 1]. On voit par ce qui précède que,
P(G(U ) ≤ t) = P(U ≤ G(t)) = G(t)
Donc G(U ) suit la loi de X.
b)

D’après la loi forte des grands nombres, pour tout u ∈ [0, 1], il existe Ns ⊂ Ω tel que P (Nu ) = 0
et
n
1X
∀ω ∈ Nuc , 1{Uk (ω)≤u} −→ u.
n k=1 n→+∞

Comme une réunion dénombrable de négligeables est négligeable, il existe N ⊂ Ω tel que P(N ) =
0 et
n
1X
∀u ∈ [0, 1] ∩ Q, ∀ω ∈ N c , 1{Uk (ω)≤u} −→ u.
n k=1 n→+∞

On montre que c’est aussi vrai pour tout u ∈ [0, 1].

u ∈ [0, 1], ε > 0 et ω ∈ N C . Il existe p, q ∈ Q tels que u − ε ≤ p ≤ u ≤ q ≤ u + ε.
En effet, soient P
Comme u 7→ n1 nk=1 1{Uk (ω)≤u} est croissante,
n n n
1X 1X 1X
1{Uk (ω)≤p} ≤ 1{Uk (ω)≤u} ≤ 1{Uk (ω)≤q}
n k=1 n k=1 n k=1
d’où
n n
1X 1X
u − ε ≤ lim inf 1{Uk (ω)≤u} ≤ lim sup 1{Uk (ω)≤u} ≤ u + ε,
n→+∞ n n→+∞ n
k=1 k=1
Le théorème de Dini dit que :

Théorème 1 :
Soit (fn )n∈N) une suite de fonctions réelles croissantes définies sur un segment [a, b] de R. Si
(fn )n∈N) converge simplement vers une fonction f continue sur [a, b], alors la convergence est
uniforme.
c
On a doncPnmontré, pour ω ∈ N ,
⋆u 7→ n k=1 1{Uk (ω)≤u} est croissante pour tout n ∈ N∗ ,
1

⋆ n1 nk=1 1{Uk (ω)≤u} −→ u et u 7→ u continue.

P
n→+∞
D’après le théorème de Dini, on a donc convergence uniforme presque partout.

c)

D’après la loi forte des grands nombres, Fn (t) −→ F (t) presque sûrement. On veut une
n→+∞
convergence uniforme en t. P Or, par la question a), on voit que regarder cette convergence
revient à regarder celle de n nk=1 1G(Uk )≤t − F (t). avec Uk défini précédement. Et on a que,
1

     
1 X n  1 X n  1 X n 
sup  1{G(Uk )≤t} − F (t) = sup  1Uk ≤F (t) − F (t) ≤ sup  1{Uk ≤u} − u
     
t∈R  n k=1
 t∈R  n k=1
 u∈[0,1]  n k=1


On conclut avec le résultat de la question b).

d)
Soit (Xn )n∈N une suite de variables aléatoires tel que Xn ∼ N (mn , σn ) pour tout n ∈ N.
Dire que (Xn )n∈N est tendue dans ce cas équivaut à dire que
∀ε > 0 ∃r > 0 : sup P (|Xn | > r) < ε
n∈N

On cherche une condition nécéssaire et suffisante sur (mn )n∈N et (mn )n∈N pour que la famille
des (Xn )n∈N soit tendue.

1) Supposons que supn |mn | = +∞.

On sait que mn est la médiane de Xn . Donc, P(|Xn | > |mn |) ≥ 1/2. Pour tout M > 0, il existe
un n tel que |mn | ≥ M , et pour ce n on a P(|Xn | > M ) ≥ 1/2. Donc, Pour tout M ≥ 0, on a:

sup P(|Xn | > M ) ≥ 1/2,

n
Dans ce cas la tension de (Xn )n∈N ne tient pas.

2) Supposons que supn σn = +∞.

On sait que la densité de la loi d’une variable aléatoire normale de variance σ est majoré par
√1 . Donc, pour tout m > 0 et tout n,
σ 2π
Z M
r
1 M 2
P(|Xn | ≤ M ) ≤ √ dx = ,
−M σn 2π σn π
et donc :
r !
M 2
sup P(|Xn | > M ) ≥ sup 1 − = 1.
n n σn π
On en déduit qu’une condition nécéssaire est le fait que (mn )n∈N et (mn )n∈N soient bornées.

Montrons que c’est aussi une condition suffisante.

On les suppose bornées. On sait que
E(X 2 ) = E((X − E(X))2 ) + E(X)2
qui amène, par l’inégalité de Markov à

1 2 σn2 + m2n
P(|Xn | ≥ R) ≤ 2 E(Xn ) = .
R R2
Par le caractère borné de (mn )n∈N et de (σn )n∈N cela implique que (Xn )n∈N est tendue.

2. Distance sur P(E)

2.1. a)
R
On pose m2 (µ) = E |x|2 π(dx)
Montrons d’abord que W2 (µ, ν) est finie.

On a pour x, y dans E

∥x − y∥2 ≤ 2 ∥x∥2 + 2 ∥y∥2

Donc pour µ, ν dans P2 (E) et π dans Π(µ, ν)

 Z Z Z 
W22 (µ, ν) ≤ 2
|x − y| π(dx, dy) ≤ 2 2
|x| π(dx, dy) + 2
|y| π(dx, dy)
E×E E×E E×E
= 2 (m2 (µ) + m2 (ν)) < +∞.

Montrons maintenant que Π(µ, ν) est non vide.

??????????????????????????????????????????

Montrons maintenant que W2 (µ, µ) = 0 pour tout µ ∈ P2 (E).

On redéfinit π tel que (π1 )∗ π = µ, (π2 )∗ π = ν, avec πi : E × E → E est la projection sur la ieme
composante.

Considérons l’application κ : E −→ E × E qui à : x 7→ (x, x).

Soit π := κ∗ µ. Puisque π1 ◦ κ = idE = π2 ◦ κ, on a π ∈ Π(µ, µ) et :
Z Z
2
2
W2 (µ, µ) ≤ |π1 − π2 | dπ = |π1 ◦ κ − π2 ◦ κ|2 dµ = 0.
E×E E

b)

Comme toute mesure de probabilité sur un espace polonais muni de sa tribu borélienne est
tendue, pour tout ϵ ≥ 0 fixé, il existe deux compact K1 ,K2 de l’espace polonais E tels que
ϵ ϵ
µ(K1 ) ≥ 1 − et ν(K2 ) ≥ 1 −
2 2
De ce fait, K = K1 ∪ K2 est un compact de E tel que µ(K ) + ν(K c ) ≤ 2ϵ + 2ϵ . De plus, K × K
c

est un compact de E × E, tel que : (K × K)c ⊂ (K c × E) ∪ (E × K c ) avec pour tout π ∈ Π(µ, ν),
on a
π (K × K)c ≤ π(K c × E) + π(E × K c ) = µ(K c ) + ν(K c ) ≤ ϵ

On en déduit que Π(µ, ν) est tendu.

c)

Soit φ ∈ Cb (E ×E) et (πn )n≥1 une suite convergente de Π(µ, ν) vers la mesure π. La convergence
étroite se traduit par :
Z Z
φdπn −→ φdπ.
E×E E×E
Ainsi pour ψ ∈ Cb (E), si l’on pose φ = ψ ◦ π1 ∈ Cb (E × E), et comme πn ∈ Π(µ, ν) on a :
Z Z Z Z
ψdµ = φdπn −→ φdπ = ψdπ.
E E×E E×E E
Cela signifie que (π1 )∗ π = µ. De la même façon, on montre que (π2 )∗ π = ν.
Et donc, on conclut que π ∈ Π(µ, ν). Donc Π(µ, ν) est fermé dans P(E × E).

d, e)

On a démontré que W2 (µ, ν) était bien défini. D’après la caractérisation de la borne inférieure,
pour chaque n ∈ N∗ , il existe un couplage πn ∈ Π(µ, ν) tel que :
 Z
1
|x − y|2 πn (dx, dy) ≤ W2 (µ, ν) + .
E×E n
La question b) nous indique que la suite de couplages (πn )n≥1 est tendue. Il en existe une sous-
suite (πnk )k qui converge étroitement vers une probabilité π ∈ Π(µ, ν).

Par la représentation de Skorohod, il existe un espace (Ω, F, P), des variables aléatoires (Xk )k , X
tel que sur cet espace :

∀k ≥ 1 L (Xk ) = πnk , L(X) = π

Xk −→ X p.s.
avec L(X) la loie de X.
Le lemme de transfert et celui de Fatou amènent à
Z h i
2
lim inf |x − y| dπnk (x, y) = lim inf E [c (Xk )] ≥ E lim inf c (Xk ) ,
k E×E k k

avec c : E × E −→ R+ qui a (x, y) associe |x − y|2 .

c étant semi-continue inférieurement, on a :
Z Z
2
lim inf |x − y| dπnk (x, y) ≥ |x − y|2 π(dx, dy).
k E×E E×E
En faisant tendre k −→ +∞ (donc n −→ +∞) dans la première inégalité écrite à la question
d), on obtient :
Z
|x − y|2 π(dx, dy) ≤ W2 (µ, ν)
E×E
Finalement grâce à la définition de W2 (µ, ν), on obtient le résultat voulu.

e)
On suppose que W2 (µn , µ) → 0, on sait que f est lipschitzienne, |f (x) − f (y)| ≤ Cf d(x, y) donc
Z Z  Z
 f (x)µn (dx) − f (y)µ(dy) = | (f (x) − f (y))πn (dx, dy)|
 

Z  Z 2 1/2
≤ Cf d(x, y)πn (dx, dy) = Cf d(x, y)πn (dx, dy)
Z
1
≤ Cf ( d2 (x, y)πn (dx, dy))1/2 = Cf W2 (µn , µ) 2

En utilisant Jensen dans la dernière inégalité. Le résultat s’en déduit puisque toute fonction
continue bornée est lipschitzienne. ?? g) ??

2.2. a)

(1) La symétrie est claire par parité de la valeur absolue.

(2) La positivé découle de celle de la valeur absolue.
(3) Si dV T (µ, ν) = 0, Alors mesures sont égales presque surement. La séparation est donc
vérifiée.
(4) L’inégalité triangulaire découle elle aussi naturellement par inégalité triangulaire de la
valeur absolue et les propriétés d’inégalité pour le sup.
b)

Si dV T (µn , µ) −→ 0, à fortiori µn (A) −→ µ(A) pour tout borelien A ∈ B(E) tel que µ(∂A) = 0,
de sorte que µn −→(e) µ d’apres le théorème de Porte-Manteau.

c)
La réciproque est fausse. En effet si on prend Un des variables aléatoires discretes uniforme
sur (1/n, 2/n, 3/n, ..., n/n), elles convergent étroitement vers une variable aléatoire uniforme
sur[0, 1]. Mais la distance de variation totale entre Un et U est égale à 1 pour tout n.

d)

On rappelle la notation Aε = {x ∈ E : d(x, A) < ε}.

Soit A ⊂ E
µ(A) = µ(A) − ν(A) + ν(A) ≤ ∥µ − ν∥V T + ν(A)
≤ ∥µ − ν∥V T + ν A∥µ−ν∥V T

ce qui nous donne

∥µ, ν∥LP ≤ ∥µ − ν∥V T
Par cette inégalité et la proposition 2.23 du cours, on retrouve le résultat de la question b).

3. Tension de la mesure empirique

3.1. On fixe ϵ ≥ 0. Soit M ⊂ P(P(E)) une partie tendue. On a donc qu’il existe un compact
K1 dans P(E) tel que
sup P(K1c ) ≤ ϵ
P∈M

Puisque K1 est un compact de P(E), K1 est tendu est donc il existe un compact K ⊂ E tel que

sup µ (K c ) ≤ ε
µ∈K1

Or {µ ∈ P(E) : µ (K c ) > ε} ⊂ K1c , ce qui montre que

∀P ∈ M, P ({µ ∈ P(E) : µ (K c ) > ε}) < ε.

Réciproquement, fixons ε > 0 et considérons un compact Kn tel que
n ε o ε
sup P µ ∈ P(E) : µ (Knc ) ≥ n < n.
P∈M 2 2
Posons alors
\n
c εo
C= µ ∈ P(E) : µ (Kn ) < n .
n≥1
2
On vérifie avec le théorème de porte-manteau que chacun des ensembles dans l’intersection est
fermé, de sorte que C est fermé. On conclut que C est compact d’après le théorème de Prokhorov,
car toute mesure de C est tendue.
Or par construction

P (C c ) ≤ ε
pour tout P ∈ M, ce qui conclut.
3.2. a)

Pour tout 1 ≤ k ≤ n, δXk est bien mesurable, comme composition des applications x 7→ δx et
ω 7→ Xk (ω), qui sont mesurables (la première par continuité, la seconde car Xk est une variable
aléatoire), ce qui qui montre que µN est bien mesurable.

b)
Pour montrer que la suite (µN )n≥1 est tendue, d’après la question précédente, pour tout ε > 0
il s’agit de trouver un compact K ⊂ E tel que

P (µN (K c ) > ε) < ε.

Mais d’après l’inégalité de Markov, pour un compact K,
1
P (µN (K c ) > ε) ≤ E [µN (K c )] .
ε
Or par échangeabilité, E [µN (K c ]) = P (X1 ∈ K c ). Par tension de X1 , on peut trouver un
compact K tel que P (X1 ∈ K c ) ≤ ε2 . On a alors bien

P (µN (K c ) > ε) < ε.

4. Processus
4.1.
4.2. 2.a)
On a par la question 1)
P(R2n = 2k) = P(S2k = 0, S2k+1 ̸= 0, ..., S2n ̸= 0)
= P(S2k = 0)P(S2k+1 ̸= 0, ..., S2n ̸= 0∥S2k = 0)
= P(S2k = 0)P(S1 ̸= 0, ..., S2n−2k ̸= 0)
= P(S2k = 0)P(S2n−2k = 0)

b)

On a que  
2k −n 1 + o(1)
P(S2k = 0) = ‘ 2 = √
k πk
en appliquant la formule de stirling. ce qui conclut la question.

c)