Universités de Tours et Orléans – Préparation à l’agrégation de Mathématiques 1

Leçon 241. Diverses notions de convergence en analyse et

en probabilités. Exemples

Rappels de théorie

Notions de convergence d’une suite de fonctions

Soit (fn )n∈N une suite de fonctions à valeurs réelles, définies sur un même intervalle
I.

• On dit que la suite (fn ) converge simplement vers une fonction f : I → R si

∀x ∈ I , lim fn (x) = f (x)

n→∞

• On dit que la suite (fn ) converge uniformément vers f si pour tout ε > 0, il
existe N (ε) ∈ N tel que

n > N (ε) ⇒ ∀x ∈ I , fn (x) − f (x) 6 ε

Cela revient à demander que

 
lim sup fn (x) − f (x) = 0
n→∞ x∈I

Propriétés :

1. La convergence uniforme implique la convergence simple.

2. Critère de Cauchy uniforme : (fn ) converge uniformément vers f si et seule-
ment si pour tout ε > 0, il existe N (ε) ∈ N tel que

∀p, q > N (ε) : ∀x ∈ I , |fp (x) − fq (x)| 6 ε

3. Si (fn )n∈N est une suite de fonctions continues, convergeant uniformément vers
une fonction f , alors f est continue.

Notions de convergence d’une série de fonctions

• On dit que la série (fn )n∈N converge simplement (uniformément ) vers une fonc-
Pn
tion S si la suite des sommes partielles Sn = k=1 fk converge simplement
(uniformément) vers S .
• On dit que la série (fn )n∈N converge normalement vers S s’il existe une suite
(un )n∈N de nombres réels positifs telle que |fn | soit majorée par un pour tout
n ∈ N, et la série de terme général un converge.

Propriétés :

• La convergence normale implique la convergence uniforme.

• La convergence uniforme implique la convergence simple.
Universités de Tours et Orléans – Préparation à l’agrégation de Mathématiques 2

Notions de convergence d’une suite de variables aléatoires

Soit (Ω, F, P) un espace probabilisé. Pour tout n ∈ N, on se donne une variable aléa-
toire réelle Xn sur cet espace.

• On dit que (Xn )n∈N converge en loi vers une variable aléatoire réelle X si

lim E(g(Xn )) = E(g(X))

n→∞

pour toute fonction g : R → R continue bornée.

Définition équivalente : si Fn (t) = P{Xn 6 t} est la fonction de répartition
de Xn , et F (t) = P{X 6 t} est la fonction de répartition de X , alors (Xn )n∈N
converge en loi vers X si et seulement si

lim Fn (t) = F (t) ∀t t.q. F soit continue en t

n→∞

• On dit que (Xn )n∈N converge en probabilité vers X si pour tout ε > 0,

lim P |Xn − X| > ε = 0
n→∞

Propriétés :

• La convergence en probabilité implique la convergence en loi.

• Loi faible des grands nombres : Si les Xn sont non corrélées, de même loi
Pn
et d’espérance µ et de variance finies, et Sn = j=1 Xj , alors Sn /n converge en
probabilité vers µ.

• Théorème central limite : Si les Xn sont indépendantes, de même loi, centrées

√
et de variance finie σ 2 , alors Sn / n converge en loi vers une variable aléatoire
normale, centrée, de variance σ 2 .

• Théorème de continuité de Paul Lévy : Soit φn (t) = E(ei tXn ) la fonction

caractéristique de Xn et φ(t) = E(ei tX ) la fonction caractéristique de X . Alors
Xn converge en loi vers X si et seulement si φn converge simplement vers φ sur
R.

Les deux notions suivantes ne sont pas au programme de l’agrégation interne,

nous les mentionnons à titre d’information.

• On dit que (Xn )n∈N converge dans Lp vers X pour un p > 0 si E(|Xn |p ) < ∞ pour
tout n ∈ N, E(|X p |) < ∞ et

lim E |Xn − X|p = 0

n→∞

• On dit que (Xn )n∈N converge presque sûrement vers X si

 
P ω ∈ Ω : lim Xn (ω) = X(ω) = 1
n→∞
Universités de Tours et Orléans – Préparation à l’agrégation de Mathématiques 3

Propriétés :

• La convergence presque sûre implique la convergence en probabilité.

• La convergence dans Lp implique la convergence en probabilité.
• Si Xn converge vers X presque sûrement et il existe une variable aléatoire Y
telle que E(|Y p |) < ∞ et pour tout n, |Xn | 6 Y presque sûrement, alors Xn
converge vers X dans Lp .
• Loi forte des grands nombres : Si les Xn sont indépendantes, de même loi et
d’espérance finie µ, alors Xn /n converge presque sûrement vers µ.

Lemme de Borel–Cantelli

Afin de montrer la convergence presque sûre, on se sert souvent du Lemme de Borel–

Cantelli. On se donne une famille (An )n∈N d’événements d’un espace probabilisé
(Ω, F, P). Alors l’événement “An est réalisé infiniment souvent” est noté
\ [
lim sup An = An
n→∞
n>0 m>n

On a
[
ω ∈ lim sup An ⇔ ∀n > 0, ω ∈ An
n→∞
m>n

⇔ ∀n > 0, ∃m > n tel que ω ∈ Am et Am 6= ∅

Lemme 1 (Borel–Cantelli).
P
1. Si n>0 P(An ) < +∞, alors P(lim supn→∞ An ) = 0.
P
2. Si les An sont indépendants et n>0 P(An ) = +∞, alors P(lim supn→∞ An ) = 1.

Exercices

Exercice 1. Donner un exemple d’une suite de fonctions (fn )n∈N , définies sur I =
(0, 1], telles que fn converge simplement vers 0 (la fonction identiquement nulle),
mais telles que la convergence ne soit pas uniforme.

Exercice 2. Soit f : R+ → R une fonction continue, non identiquement nulle, telle

que f (0) = 0 et limx→∞ f (x) = 0. Etudier la convergence simple et la convergence
uniforme des suites de fonctions suivantes:
1. fn (x) = f (nx);
1
2. gn (x) = f (nx);
n
3. hn (x) = f (x/n);
1
4. kn (x) = f (x/n).
n
Universités de Tours et Orléans – Préparation à l’agrégation de Mathématiques 4

Exercice 3. Pour a, x ∈ R et n > 1, on définit

e−nx
un (x, a) = .
na
1. Pour quelles valeurs de x et de a la série de terme général un (x, a) est-elle con-
vergente?
Lorsque la série converge, on pose
X
fa (x) = un (x, a).
n>1

2. Montrer que la série de terme général un (x, 0) est uniformément convergente

sur tout intervalle de la forme [δ, ∞[ pour un δ > 0 et calculer sa somme f0 (x).

3. Montrer que f1 (x) est dérivable pour x > 0 et calculer sa dérivée. En déduire
f1 (x). Que se passe-t-il lorsque x & 0?
4. Montrer que f2 (x) est dérivable pour x > 0 et calculer sa dérivée. En déduire
une représentation sous forme d’intégrale de f2 (x). Que se passe-t-il lorsque
x & 0?

Exercice 4. Dans cet exercice, (Ω, F, P) est l’espace probabilisé défini par Ω = [0, 1],
F la tribu des boréliens sur [0, 1] et P la mesure de Lebesgue sur [0, 1].

1. Pour p > 0 on pose Xn = n1/p 1[0,1/n] . Dans quels sens Xn converge-t-elle vers 0
lorsque n → ∞ ?

2. Tout n ∈ N peut s’écrire d’une manière unique comme n = 2m + k avec m ∈ N et

0 6 k < 2m . On pose Xn = 1[k2−m ,(k+1)2−m ] . Dans quels sens Xn converge-t-elle
vers 0 lorsque n → ∞ ?

Exercice 5. Soit {Xn }n∈N une suite de variables aléatoires à valeurs dans N.

1. Montrer que Xn → 0 en probabilité si et seulement si P{Xn > 0} tend vers 0.

2. Montrer que si la série (P{Xn > 0})n>1 est convergente alors Xn → 0 presque
sûrement. Montrer par un exemple que la réciproque n’est pas vraie.

3. Montrer que si les Xn sont indépendantes, alors Xn → 0 presque sûrement si et

seulement si la série (P{Xn > 0})n>1 est convergente.
Indication: Utiliser la seconde partie du lemme de Borel–Cantelli.

4. On suppose que Xn suit une loi de Bernoulli de paramètre pn . Déterminer si

Xn tend vers 0 dans L1 , en probabilité, presque sûrement, si pn = 1/n2 , et si
pn = 1/n.
5. On suppose que Xn suit une loi de Poisson de paramètre λn . Déterminer si
Xn tend vers 0 dans L1 , en probabilité, presque sûrement, si λn = 1/n, et si
λn = 1/n2 .
Universités de Tours et Orléans – Préparation à l’agrégation de Mathématiques 5

6. On suppose que la loi de Xn est donnée par P{Xn = n2 } = αn et P{Xn = 0} =

1 − αn . Déterminer si Xn tend vers 0 dans L1 , en probabilité, presque sûrement,
si αn = 1/n, si αn = 1/n2 , et si αn = 1/n3 .

Exercice 6. Soient Xn , n ∈ N∗ , des variables aléatoires exponentielles, définies sur

un même espace probabilisé (Ω, F, P) :

P{Xn > x} = e−λn x ∀x > 0 .

1. Déterminer sous quelle condition sur les λn la suite des Xn converge vers 0 en
probabilité lorsque n → ∞.
2. Déterminer sous quelle condition sur les λn la suite des Xn converge vers 0 dans
Lp lorsque n → ∞.
3. Montrer que s’il existe une suite εn & 0 telle que
X
e−λn εn < +∞ ,
n>1

alors Xn → 0 presque sûrement lorsque n → ∞.

4. Montrer que si les Xn sont indépendantes et
X
e−λn = +∞ ,
n>1

alors Xn 6→ 0 presque sûrement lorsque n → ∞.

5. Déterminer dans quels sens Xn tend vers 0 lorsque n → ∞ pour λn = n2 , pour
λn = n et pour λn = log n.

Exercice 7. Soient Xn , n ∈ N∗ , des variables aléatoires normales, de loi N (0, σn2 ),

définies sur un même espace probabilisé (Ω, F, P).

1. Montrer que
2 /2σ 2
P{|Xn | > ε} < e−ε n

pour tout ε > σn .

2. Déterminer sous quelle condition sur les σn la suite des Xn converge vers 0 en
probabilité lorsque n → ∞.
3. Déterminer sous quelle condition sur les σn la suite des Xn converge vers 0 dans
Lp lorsque n → ∞.
4. Montrer que s’il existe une suite εn & 0 telle que
2 2
X
e−εn /2σn < +∞ ,
n>1

alors Xn → 0 presque sûrement lorsque n → ∞.

Universités de Tours et Orléans – Préparation à l’agrégation de Mathématiques 6

5. Montrer que si les Xn sont indépendantes et

2
X
e−1/2σn = +∞ ,
n>1

alors Xn 6→ 0 presque sûrement lorsque n → ∞.

6. Déterminer dans quels sens Xn tend vers 0 lorsque n → ∞ pour σn = 1/n et

√
pour σn = 1/ log n.