You are on page 1of 153

PROBABILIT Exercices corrigs

Herv Carrieu
Collection dirige par Daniel Guin

E l
SC I ENCES

Imprim en France

ISBN : 978-2-7598-0006-3
Tous droits de traduction, dadaptation et de reproduction par tous procds rservs pour tous pays. Toute reproduction ou reprsentation intgrale ou partielle, par quelque procd que ce soit, des pages publies dans le prsent ouvrage, faite sans lautorisation de lditeur est illicite et constitue une contrefaon. Seules sont autorises, dune part, les reproductions strictement rserves lusage priv du copiste et non destines une utilisation collective, et dautre part, les courtes citations justifies par le caractre scientifique ou dinformation de luvre dans laquelle elles sont incorpores (art. L. 122-4, L. 122-5 et L. 335-2 du Code de la proprit intellectuelle). Des photocopies payantes peuvent tre ralises avec laccord de lditeur. Sadresser au : Centre franais dexploitation du droit de copie, 3, rue Hautefeuille, 75006 Paris. Tl. : O 1 43 26 95 35. @ 2008, EDP Sciences, 17, avenue du Hoggar, BP 112, Parc dactivits de Courtabccuf, 91944 Les Ulis Cedex A

TABLE DES MATIRES

Int ro d uc t ion

I
II

Thorie d e la mesure Intgration Mesure d e probabilit Indpendance Convergence d e suites de variables alatoires Probabilits et esprances conditionnelles

1 9 19 41 73 99 123 139

III
IV V VI

VI1 Martingales ( t e m p s discret) VI11 Chanes d e Markov ( espace dtats dnombrable)

INTRODUCTION

Ce recueil dexercices corrigs complte le livre Probabzlzt de Ph. Barbe et M. Ledoux dit dans la mme collection. I1 regroupe lensemble des noncs des chapitres I VI11 (except lun deux du chapitre VIII) ; les rfrences au cours sont notes en caractres gras et gardent la mme numrotation. Je remercie trs sincrement Philippe Barbe et Michel Ledoux de laccueil quils ont fait ce projet de rdaction. ,Tespre que cet ouvrage constituera une aide efficace et agrable aux tudiants, en leur rappelant que la recherche active de solutions dexercices est indispensable i ilassimilation de notions nouvelles et quelle apporte souvent plus que la solution elle-mme.
Je remercie les ditions EDP Sciences et D. Guin, directeur de la collection, davoir accept et accompagn la publication de cet ouvrage. Merci eiifiri Patrice Lassre pour SOKI aide et se5 encouragements.

Cauterets, juillet 2007 Herv Carrieil

I
THORIE DE LA MESURE

noncs
1.1 Soit E une partie (fixe) dun ensemble

R,et soit

& = ( A P ( R )A : CE}
Dterminer lalgbre de Boole engendre par 1.
1.2 Si Al et
A 2

sont des tribus sur

R?on pose

Dmontrer que a ( J ) = a(A1 U Az) = o ( U ) .


1.3 Soit (R = R1 x R2,A = A 1 @ A2) un espace mesur produit. Si A E A, montrer que pour tout w1 E 01, la section A,, = { w2 E 0 2 : (w1, w2) E A } est mesurable.

1.4 Soit (fn)ntN une suite de fonctions mesurables de ( 0 , A )dans un espace mtrique ( E , d ) muni de sa tribu borlienne. On suppose que f n converge ponc= f ( w ) ) . Montrer que f tuellement vers f (i.e. pour tout w E R , limn-ocjfTL(w) est mesurable.
Indlctrttorr : pour fout I T ) > il11. 17c7/fipr
ouil(

r t Ir dr E

f-l(r;) =

u, nli>ll, j,;~(v,).
111

E W torricdr:r( I U, = {

(/(I.

I-;

CHAPITRE

I. T H I ~ O R DE I ELA

AIESURE

1.5 Si x = (21,.. . ,xn) E IRn, on note +(x) le vecteur x ordonn par ordre . . . , xn,,), croissant, i.e. dans le cas o tous les x2 sont distincts, on a +(x) = (XI,,, o XI,, = min1121nx, et
x,,,=min({x, Montrer que
:

i<z<n}\{xJ,, : i < j < z - 1 } ) ,

2 5 i ~ n .

+ est mesurable.

Indiccit~oii o r 1 poirrrci conirrifr1(cr par r r r m t r c i q i i c I t-) r ,) c s t rnr~surablt~ pour tout 1 5 2 5 71 mi c o n s i d i r a n t IC 3 c.nsrrrili7e~{ I I ,, 5 ( I } . ( I E R.

1.6 Un exemple densemble non mesurable. Sur IR on dfinit la relation dquivalence z y si 2 - y E Q.En utilisant laxiome du choix (si A est une fonction sur un ensemble I telle que A ( x ) # 0 pour tout x de I , il existe une fonction f telle que f ( x ) E A ( x ) pour tout x E I ) , construire un ensemble A C [ O , 1[ qui contient exactement un point de chaque classe dquivalence. Supposons A mesurable, et soit a = X(A) sa mesure de Lebesgue. Montrer que si T , S E Q et T # s , alors ( A s) ri ( A r ) = 0, o A x = { y x : y E A } , et que X(A s) = X(A). Remarquer que
N

1 = X([0,1]) I X(

ram] -1,1[
En utilisant la 0-additivit de A, montrer que cette ingalit conduit dune part a = O, dautre part a > O. Conclure.
1.7 Thorme dEgorov. Soit (Q, A, p ) un espace mesur tel que p(R) < 00 ; on considre des applications f , f,, n E N, de R dans IR, telles que f, + f p-p.p., cest--dire, telles que
P({W

( A + T ) )I X ( [ - 1 , 2 ] ) = 3 .

: f n ( 4 74

f ( 4>) = 0 .
R
: Ifn(w) - f ( w ) l

a) Pour n E N et

E,,,

Urn>,Gm,E. Dmontrer que pour tout E > O,

> O, soit G,,,

= {w E

E }

et

et en dduire que limn+m p(E,,+) = O. 11) Dduire de la question prcdente que pour tous ~ , > b O, il existe no E N et BE,6E A tels que p(B,,b) 6 et pour tout w E R \ BE,6et tout n 2 no,

<

I f n W - f ( 4 5 E.
2

c) Soit a > O ; pour tout entier p 2 1,on pose E, = l/p, 6, = a / 2 p , A, = BEp,b, et A = A,. Dmontrer que p ( A ) 5 a et que f n + f uniformment sur

Up>i

O\A.

1.8 Soit (0,A, p ) un espace mesur. Une partie N C R est dite pu-ngligeablesi elle est contenue dans un ensemble mesurable A tel que p ( A ) = O. La tribu B est dite complte pour p si elle contient tous les ensembles ngligeables. Si N dsigne lensemble des parties p-ngligeables, soit
,A,=

{ A u N ;A E A , N E N } .

Montrer que A, est une tribu, appele la tribu p-complte de A.

1.9 Soient X et Y deux espaces topologiques munis respectivement des tribus borliennes Bx et B y , p une mesure sur Bx,et f : X Y une fonction continue p-p.p., cest--dire telle que lensemble N = { z E X : f discontinue en x} soit p-ngligeable. Dmontrer que f est mesurable de ( X ,Bx)dans (Y,B y ) o ax est la tribu complte de Bx par rapport p.
-f

Solutions
1.1 Notons A lalgbre de Boole engendre par &. I1 est clair que A contient toutes les parties de E et toutes les parties de R contenant , cest--dire :

{ A E P ( f l ) ,A

cE

ou A 2 }.

Et ce dernier ensemble de parties est une algbre de Boole. Ainsi

A = { A E P(G), A c E

OU

A 3 E}.

Remarque : cest aussi lensemble de toutes les parties A de 0 vrifiant

AnE=E

OU

AnE=0.

1.2 Remarquons que les complmentaires densemble de J , cest--dire les - ensembles de la forme (Al n A z ) = Al U A2, sont dans U . Cela implique que a ( 3 )c a(U).Par le mme argument on a linclusion rciproque et donc lgalit de ces deux tribus. 2 (car A = A n n ) , on a a(A1Az) C a ( 3 ) . De plus, puisque J contient Ai et A Enfin, une tribu tant stable par union, linclusion de Ai et A 2 dans o(A1UA2) montre que a ( U ) c a(A1 U A2). Ainsi

a ( 3 ) = a(A1u A2) = a ( U ) .
1.3 Soit M lensemble

= { A E A,

VWE ~ Ai, A,,


A 1

E A2}.

I1 est clair que M contient tous les pavs de Vrifions que M est une tribu.
~

8 A2.

S2 E M car

0 2

E Az.
w1

Pour tout A E M et tout

E 01, on a

(A),,

= (Awl) E A2.
w1

Pour toute suite ( A n ) nde parties de M et tout

E R I , on a

Par dfinition de la tribu dl @ Az, on en dduit que M = A.

1.4 On suppose donc que bw E Q, f n ( w ) f ( w ) . Par la Proposition 1.1.14, il suffit de vrifier que, quel que soit louvert U c E , f-(U) E A. Or pour tout w E R :
-f

w Ef-yU)

*
++

f(w) E u iimfn(w) E U
n

3r E IV*, fn(w) E Ur partir dun certain rang rn


E
r,m n

unK ( W .

Or quels que soient n et r , fi1(&) E A, donc j-(U) E A.

1.5 Pour tout a E IR,

o I parcourt lensemble des parties i lments de lensemble { 1,2, . . . ,n}. est alors mesurable (voir Excrriples 1.1.8 et ProposiLa fonction z H tion 1.1.14). Enfin, par la Proposition 1.2.1, qi est mesurable.
1.6 Sil existe z,y E A , distincts, tels que z r = y + s , alors z et y sont dans la mme classe dquivalence, ce qui contredit la dfinition de A . Do ( A r ) n ( A s ) = 0. On en dduit que la runion

est une runion de parties disjointes deux deux. Dautre part, la mesure de Lebesgue tant invariante par translation, quel que soit T , X(A r ) = X(A) = cy. Do

CHAPITRE I. THGORIE DE

on a ncessairement

et la somme dans (1.1) est donc borne, do a = O. Enfin, par construction de A ,

do

Ce qui contredit lassertion : = O. Donc la partie A nest pas mesurable.

I. 7
a) Notons E lensemble mesurable sur lequel la suite dapplications converge et soit E strictement positif. Par dfinition, on a

MW E E , 3n E N,MVL 2 n,
Autrement dit

Ifm(W)

-f

( ~ ) l < E.

Prenant lvnement contraire, on a

Remarquons que cet vnement de mesure nulle est dcrit comme linterGm,e)n section dune suite dcroissante dvnements, car la suite est dcroissante, et la mesure p tant finie, on a (voir Proposition 1.4.3.(iv)) :

sO L 11'1 I ON S
11) Soit 6

> O et no E N vrifiant

On pose B,,J = E,,,, et donc p(BE,6) I 6. D'autre part si w E R \ B,,6 alors, quel que soit n
WAJ E a \ BE,& VT2 2 720,

2 no, w E G , , , et donc

I f n ( 4 - f ( 4 l < E.

c) L'ensemble mesurable A vrifie :

Montrons alors que la suite ( f n ) ) converge uniformment sur R \ A. Soit


E

> O et soit po

N vrifiant l / p o < E . On a
w$A===+'d WE&. p,

En particulier w E A,, et donc par construction de A,, il existe un no E N tel que :

'dwE R \ A, 'dn L no, I f , ( w )

- f(w)l

I - < E.
P

Donc la suite ( f , ) converge uniformment vers f sur R

\ A.

1.8 Soit (An),= une suite de parties de Ap. On pose alors

A, = A; NA, avec A: E A, NA
On a

c N:

E A et p ( N n ) = O.

Ed

EN

o u,NA E N car

On en dduit que UA, E A,,. Concernant le passage au complmentaire, pour A lment de A,, on pose A = Al Ni
avec Al E A, Ni C N2 et

p ( N 2 ) = O.
7

On a I1 est clair que Al E A et d'autre part

K=ZU(%\K).
Or Ni

_ _

\ N2 = N2 \ N i E N car inclus dans N2. On obtient donc


-

A = ( & n x ) u (&n
EA

-EN

(K\%)) E A,.
O

Enfin, il est vident que R E A,, donc A, est une tribu.

1.9 On rappelle que f est continue en z si quel que soit W , voisinage de f ( z ) dans Y , f - l ( W ) est un voisinage de z dans X . Pour tout ouvert O de Y , on a

Si f continue en 2 avec, de plus f ( z ) E O, alors O tant un voisinage de f ( z ) ! f - ' ( O ) est un voisinage de z. Donc f - l ( O ) fl ( X \ N ) est un ouvert. D'autre part f - l ( O ) n N est p-ngligeable car inclus dans N . Par (I.2), f-l(O) est la runion d'un ouvert et d'un p-ngligeable, donc est O mesurable.

II
INTGRATION

11.1 Un exemple de fonction Lebesgue intgrable qui nest pas Riemann intgrable : f(z)= llQn[o,l](II:), II: E [ O , 11. Montrer que J f d X = O mais que f nest pas Riemann intgrable sur [O, 11. 11.2 Soit (Cl, A , p ) un espace mesur, et soient A et B deux lments de A. Examiner le lemme de Fatou sur lexemple suivant : f 2 n = n A , fzn+1 = 1,.
11.3

Soit p une mesure de probabilit sur I = [ O , 11. On note

m=J &+), I

J +

- mI2 dP.(II:),

a = JI

II:~ dp(x) -

m2, b =

(i - m ) + Sr x(1 - x)d p ( x ) .

Exprimer 2i et b en fonction de a . En dduire que a 5 1/4 et que a = 1/4 pour line unique mesure p que lon dterminera.

7J.4 Soit ( R , A , p ) un espace mesur, f , fn, n E positives intgrables. On suppose que

N,des fonctions mesurables

En utilisant lingalit ( f - f n ) + 5 f , dmontrer que limn+m J(f - fn)+ dp = O. En dduire que fn + f dans L1(p).

CHAPITRE II. INTGRATION

11.5 Soit C,"(IR) l'ensemble des fonctions sur IR, infiniment diffrentiables, support compact. Montrer que si A est intervalle ouvert, alors n A est limite simple de fonctions dans Cy(IR),majores par 1.
Iridirtitiorr

or) pour

d'nbortl torr,id(+

liiitrriinllf [ 0 , I ] ct les fonctioris

c x p ( - ~ / n . ( i - J))

si

.x'

E ] O, 1[

. si

1 '

# ] O . 1 [.

En dduire que a(CK(IR)) = B(R) et qu'une mesure p est caractrise par la donne de J f dp pour toute fonction f E C#(IR).

11.7 Cet exercice montre que le dual topologique de L"([O,l],B([O,l]),A) = Lm n'est pas L1([O,l],B([O,l]),A) = L1. En effet, C [ O , l ] C LW C (L1)* o * dsigne le dual. La masse de Dirac So est dans le dual de C[ O, 1 1 par la dualit (do, f ) = J f dd0 = f ( 0 ) . De plus la norme de 60 E C[O, l]* est 1. Par le thorme de Hahn-Banach, montrer que l'on peut prolonger So en une forme linaire A sur Loo, de norme 1. Prouver que A n'est pas dans L1.
11.8 Soit L1 ([ O, 11, A) l'espace des fonctions relles intgrables pour la mesure de Lebesgiie A sur [ O , 11. On considre la suite de fonctions a,@) = 2

+ sin(nt) ,

t E IR, n

N.

a ) Dmontrer que pour toute fonction f de L1([O, 11,A), on a

p = (2,)-l

JF(2 + sinu)-ldu.

10

11.9 Sur un espace mesur ( f l , A , p ) , soient f et g deux fonctions intgrables positives ou nulles telles que J f d p = J g d p = 1. On dfinit les mesures (de probabilit) P et Q de densits f et g par rapport p. Si IIP - QI1 dsigne la distarice en variation totale dfinie par

dmontrer aue

11

CHAPITRE II. IVTGIIimox

Solut ions
II. 1 Lensemble Qn[O, 1 1 est dnombrable, donc de mesure de Lebesgue nulle. La fonction f est nulle A-presque partout donc son intgrale de Lebesgue est nulle. En revanche si E dsigne lensemble des fonctions en escaliers sur [O, 11, on a

Ce qui prouve que la fonction f nest Riemann intgrable sur [O, 1 1 .

11.2 Pour la suite

( f n ) dfinie par f2n = n A

et fzn+l = IB, on a

Le lemme de Fatou :

donne donc ici :

P ( A n B ) 5 inf{ P ( A ) ,P ( B ) } .
11.3 Par des calculs lmentaires, on obtient

v = a et

1 b=--a

Dautre part JI x(1 - x)dp(x) 2 O car la mesure p est porte par [O, 11. Donc b est positif et a 5 Si p = $(ao 6 , ) alors m = 1/2 et on a

i.

b=

(1 -2

m)2

+ J; z(1 - x) d p ( x ) = O.

Pour prouver lunicit de p7 il suffit de remarquer que a = 1/4 implique b = O et par suite

m = i/2

et

JI

x(1 - x)dp(x) = O.

Ainsi, la mesure p est porte par lensemble {O, 1}. Dautre part donc p(0) = p(i), do p = +SI).
12

II z dx = 1/2,
O

11.4 On applique ici le thorme de la convergence domine la suite

( f -fn>+

(f-fn)+
d'o

-O n-tcc

et

l(f

fn)+l

(f

- fn)+

5 f intgrable

Le mme raisonnement vaut aussi pour (f - f n ) - et donc

11.5 On pose E = l/n et on dfinit la suite de fonctions ( f n ) n par :

Toute limite simple de fonctions mesurables est mesurable, donc ]O, 1 [ ~ a(Cg(IR)). On en dduit que tout intervalle ]a, b[ est dans a(Cg(IR)) car :

Donc a(Cg(IR)) contient tous les intervalles ouverts. De plus tout ouvert est runion dnombrable de ses composantes connexes qui sont des intervalles ouverts donc a(CK(IR)) 3 B(IR). Le caractre minimal de a(C#(IR)) implique que a(Cg(R) = B(IR). O Par convergence domine, on a

La connaissance de f dp pour toute fonction f E C g ( I R )nous donne p ( I ) pour tout intervalle ouvert et donc pour tout intervalle. On connat ainsi la mesure p sur l'algbre de Boole des runions finies d'intervalles : p est alors fixe sur la tribu des borliens. (voir Proposition 1.4.7)
13

CHAPITRE II. INTBC:R.L\TION

11.6 Notons g =

2 et f 8. On peut crire
=

Pui

< P2 4 3P3. 9 f

(11.1)

Pour tout vnement A, on a

Daprs la Proposition 1.2.7, la fonction g est limite dune suite croissante de fonctions tages quon note ( g n ) n . Pour n fix,gn scrit Cia,nAi o la somme est finie. On a :

Dautre part, toujours par convergence monotone, on a

Donc

Dans le cas o p3 est elle-mme absolument continue par rapport sertion (11.1) devient
Pui

~ 1las,

< P2 3 c Pl.
s f

dP2 = E t le rsultat prcdent donne f ( t ) . g ( t ) = 1. On a donc bien dpl

(E)-
O

14

SOLTJTIONS

11.7 La forme linaire 60 : C[O, 1 1 + IR, f H f ( 0 ) est continue de norme 1 et, daprs le thorme Hahn-Banach, elle se prolonge en une forme linaire continue sur L, que lon note A. On va montrer par labsurde quil nexiste pas de fonction h E L1 telle que

Vf E L, A ( f ) =

J f ( t ) h ( t d) t .
O

On suppose donc lexistence dune telle fonction et on considre la suite de fonctions ( f n ) dfinies par 1-nt

,Olt<i/n , t > i/n.

Quel que soit n , la fonction f n est continue et donc pour tout n E N,A ( f n )= f n ( 0 ) = 1. Or la fonction f n h converge simplement vers O sur ]O, l] et

V n E N, Ifnhl 5 Ihl.
Do, par convergence domine,
n

ce qui contredit A(f,) = 1. On en dduit que A ne peut tre identifie un lment de L1 et donc que

L1
11.8

c (Lrn)*.
#

a) Pour f E C1([0, I]), on a

et par une intgration par parties, on obtient

f(t)an(td )t =2

f(t) dt

Ju

f ( t )sin(nt) d t ,

On obtient donc

f ( t ) sin(nt) d t

n-++co

0,
15

et finalement :

Soit maintenant f E L1([O,11,A) et une suite (fk)k 2 O dlments (par densit de C1([O,l])dans de C([O,l]) vrifiant Ilf - f k l l l 5 L1([0, 11,A>). En remarquant que llunllco5 3, on crit :

do

Soit

strictement positif. On considre lingalit

et, observant que

f k ( t ) dt

__+

Ic-tcc

J ; f ( t )d t , on peut crire

(11.2)
pour IC et n suffisamment grands. On dduit de (11.2) que

O
1)) tudions au pralable lintgrale

s, -& d t . Par le changement


H

riable u = nt et utilisant la priodicit de la fonction t a:

de val/un(t), on

2+
et, observant que

du = sinu n o

1 du sinu

JO 2n
1

du

> O car

> O,
du,

1
16

n(b-a)

1.1 dsigne ici la partie entire. Or


2.rr

n O donc

+ sinu du.

Pour f en escalier sur [O, 11, c'est--dire constante gale a i sur ]ai,aisi [, o uo = O < a1 < . . . < UNS1 = 1, on a

du
n + C O

27r

du

1'

f ( t )d t .

Pour f E L1([O, 1 1 ) on utilise la densit des fonctions en escaliers dans L1([O, 1 1 ) et on procde comme dans la question a).
c) La premire des galits suivantes vient des proprits lmentaires de la

fonction sin : 27r-priodicit, imparit et sin(7r - t ) = sin(t)

dt

dt

11.9 Soit A E A vrifiant P ( A ) 2 Q(A).On a alors :


-

Q(A)I

= P ( A ) - Q ( A )=

J f ( t > d t )dt.
A

Observant que J f ( t ) - g ( t ) d t = O , on obtient

Le cas o P ( A ) 5 Q(A)se traite videmment de manire analogue. On a ainsi montr que

17

CHAPITRE II. INTEGRATION

do

IIP - QI1

f 1If@> d t > ldt-

Pour montrer lingalit inverse, on considre les parties mesurables

E+ = {f 2 g }
On a

et

E-

= {f

<g}

= E+

On en dduit

do lgalit

$ J I f ( t )- g ( t ) l d t = IIP - QI[.

18

III
MESURE DE PROBABILIT

noncs
111.1 Un tiroir contient n paires de chaussures. On choisit au hasard 27- chaussures (2r 5 n ) . Quelle est la probabilit qu'il n'y ait parmi ces 2r chaussures aucune paire complte ? Quelle est la probabilit qu'il y ait exactement k paire(s) complte(s) (1 5 k 5 r ) ? 111.2 Soit X une variable alatoire valeurs dans un ensemble M muni de la tribu de ses parties, telle que P { X = z} > O pour tout z E M . Montrer que M
est fini
011

dnombrable.

111.3 (Paradoxe de Bertrand). Soit C le cercle de centre O et de rayon 1 dans R2. On cherche dterminer la probabilit pour que la corde AB de ce cercle, choisie << au hasard , soit plus grande que le ct du triangle quilatral inscrit dans le cercle. Faire le calcul dans les diffrents cas suivants :
a ) On fixe un point I du cercle ; on choisit un point M sur le segment 01 selon la probabilit uniforme ; on lui associe la corde AB perpendiculaire 0 1 et

passant par M . 1)) On fixe A sur le cercle et on choisit B selon la probabilit uniforme sur le cercle.

c) On choisit M dans le disque selon la probabilit uniforme ; AB est alors la corde passant par M et perpendiculaire O M .

111.4 La plupart des ordinateurs disposent d'un algorithme permettant de simuler des variables alatoires uniformes sur [O, 11. Supposons donc savoir tirer une Utiliser la Proposition 111.2.7 pour simuler une variable alatoire de loi 24[0,1~. variable alatoire de loi
a) exponentielle de paramtre 1,

1)) de fonction de rpartition F ( z ) = 1 - z-"si (loi de Parto),


c) de Cauchy de densit 1 / ~ ( 1 z2) + .

1, et F ( z ) = O si z 5 1

111.5 Soit X une variable alatoire valeurs dans N telle que

o a > O. Dterminer la valeur de a. Calculer l'esprance et la variance de X en remarquant que

1 P { X = k } = -P{Y
4

=k}

3 + -P{T 4

= IC}

pour tout k , o T paramtre 2.

2 + 1 et Y et 2 sont deux variables de loi de Poisson de

111.6 Soit f2 l'ensemble des n!permutations CT des entiers de 1 n muni de la probabilit uniforme. Soient { C I , . . . , e n } et { u ~ . , ., . u n } des nombres rels. On c~u,(I;). Posons dfinit S ( a ) = 1

C I l k i n
1

= sc 2-

=; C l < k l n Uk

,
-

1 x C i < k < n ( ~ k 'I2


-

>

su -

2 -

1 x Cl<k<n(Uk

'I2
# 1).

a) Montrer que l'esprance de S est gale nc.


1 ),

Calculer la variance de

uc(k),

puis la covariance de u0(q et uc(l)(IC


u,(k)

Indication : noter que

Cllkln uk.

c) Dterminer la variance de S en fonction de sc et s i .

20

111.7 Soit X une variable alatoire de loi n / ( O , l ) . Montrer que 2 = ex est de densit f Z ( z ) = (2.ir)-1/2z-1e-('0g2)2/2si z > O et f Z ( z ) = O si z 5 O. La loi de 2 s'appelle la loi log-normale. Pour a E [ - l , l ] ,soit f a ( x ) = f Z ( x ) ( l asin(2nlogz)), z > O. Montrer que si 2 , est de densit f a , alors 2 , et 2 ont les mmes moments, et donc que les moments ne caractrisent pas une loi de probabilit (comparer avec 111.5.7 et le Thorme III. 5.8).

111.8 On dit qu'un vecteur alatoire X = ( X I , . . . ,Xd) est changeable si la loi de X est invariante par permutation des coordonnes, i.e. pour toute permutation 7r de { 1 , 2 , . . . d } , X a mme loi que (X,,,), . . . , X,,,)). Soit donc X un tel vecteur alatoire, changeable, de carr intgrable, tel que de plus X1 . . . Xd = 1. Montrer qu'alors E(X,) = l / d et

+ +

VarXl C0V(X,,Xj) = -~ d-1 '

i#j.

111.9 Soit X une variable alatoire relle sur (O, A, P )


il)

On suppose que X est de carr intgrable. Dmontrer qu'il existe un unique rel zo tel que la fonction g(z) = E((X - z ) ' ) soit minimum en ce point. Dterminer zo et g(z0).

1)) On appelle mdiane de X un rel m tel que

Dmontrer qu'un tel rel existe toujours, mais qu'il n'est pas ncessairement unique. Prouver que si X est intgrable et m est une mdiane de X,

E(IX

ml) = inf{

E(IX

al) : a E R } .

21

CHAPITRE III. ~ I E S U RDE E

PROBABILIT

111.10 Soit X une variable alatoire positive de carr intgrable sur et soit X E ] O, 1 [. Dmontrer que
(1 - X ) E ( X )I E ( X q A E ( x ) , c o [ ( X>) ) et en dduire, par lingalit de Cauchy-Schwarz, que

(n,A, P )

111.11 Si P est une mesure de probabilit sur {1,2,. . . , n } , on dfinit lentropie de P par H ( P ) = -C15k<npklogpk o p k = P ( { k } ) ,avec la convention OlogO = o. Montrer que H est valeurs dans IR et trouver P telle que H ( P ) = O. Dmontrer que la mesure uniforme sur { 1 , 2 ,. . . , n } ralise le maximum de H . Si P est une mesure de probabilit sur N,on dfinit de mnie son entropie par H(P)= p , logp,. Montrer que H est valeurs dans R+ U { cc }. Quand sannule-t-elle? Dmontrer que la loi gomtrique de paramtre p , O < p < 1, ralise le maximum dentropie sur lensemble des mesures de probabilit sur N de moyenne infrieure ou gale (1 - p ) / p . Si P est une mesure de probabilit sur (R,B(R))de densit f par rapport la mesure de Lebesgue, on note H ( P ) = f ( z )log f ( z ) dz lorsque cette intgrale a un sens, H ( P ) = cc sinon. Calculer lentropie de la loi normale N(0,l). Dmontrer quelle minimise lentropie de toute mesure de densit f vrifiant x f ( z ) dx = O et JR x 2 f ( z )dz = 1.
-

xnEW

sR

Indication : on p o w m commencer p n mositlcr. ~ yu: pour toute c l e ~ ~ ~ s $1 ltk

log(f(x)/g(x))f(.r)dr

2 o.

puis prendre p u r ,y lu densit gaussifmir:. 111.12 Montrer que la fonction p(t) = ( 2 ~ ) - l JR / ~eitx-x2/2 dz, t E R, est solution dune quation diffrentielle du premier ordre. En dduire la. fonction caractristique de la loi N(0,l)ainsi que tous les moments de la loi N(0,l). 111.13 (Lemme de Riemann-Lebesgue) Soit X une variable alatoire relle, de densit f . Montrer que limt+co pX(t)= O.
Ir&xlikm : o n powmu considrer d abord uric densit iiriiforine, de la forme l[(L,b]/( b a ) , puis uric densit en, esr:alier, et approcher dnr1.s L1 une d e m i t 6 qu,elconque par m e fonction en e:scnl%er..

22

En dduire que si f admet des drives f('), . . . , f ( ' ) intgrables, alors Ipx(t)l = o(ltlp') lorsque t + 00. 111.14 Soit P la mesure de probabilit sur Z dfinie par

P=Cn2log n (6, + L)
C

n>2

o c est la constante de normalisation faisant de P une probabilit. Cette mesure admet-elle un moment d'ordre l ? Soit cp la transforme de Fourier de la niesure P . Pour tout entier N 2 2, on dfinit

Dmontrer que f ~ ( t 5 ) t N et que g N ( t ) 5 l / t N l o g N . Trouver une fonction t H N ( t ) de [ O , 00 [ dans N telle que 1imt-o f N ( t ) ( t ) = 1irnt-o g N ( t )( t ) = O. En dduire que cp est drivable en O.
111.15 Soit f une densit sur Et, paire (i.e. f(z) = f ( - z ) ) , de fonction caractiiristique y . Pour z > O, soit g(z) = J " , t p ' f ( t ) d t et poser g(-z) = g(z). Montrer p ( s ) ds. que g est ilne densit dont la fonction caractristique est t-'

Ji

23

CHAPITRE III. ~II.:SLIJIIC DE

PRO~~AI~ILITJ?

Solut ions
111.1 On peut supposer que toutes les parties 2 r lments de lensemble des chaussures ont la mme probabilit dtre choisies. Cette hypothse nous conduit modliser cette exprience alatoire par lespace probabilis (O, ?(a), P), o O dsigne lensemble de toutes les parties 2 r lments dun ensemble 2 n lments et o P est la probabilit uniforme (quiprobabilit). Si A c O reprsente lvnement { il ny a aucune paire complte parmi les 27chaussures choisies } alors

(Dans la formule prcdente, le exprime le fait de choisir 2 r paires et le 22r celui de choisir, dans chaque paire, une chaussure). Si B reprsente lvnement { il y a exactement k paires compltes parmi les 27- chaussures choisies }, alors

(E)

P(B) = card(B)
card(R)

() ( n-k
k

)22T-2k

2r-2k

(Ici, le (i) exprime le fait de choisir les paires compltes, celui de choisir les paires non compltes et enfin 22r-2k celui de choisir une seule chaussure parmi ces dernires).

111.2 Le cardinal de Mn est ncessairement strictement infrieur n. En effet si ml , . . . ,m k sont k lments distincts de Mn,

P{X E

(1711. . .

Donc k < n, en particulier Mn est fini. Par hypothse

M=UMn,
n>l

lensemble M est donc une runion dnombrable densembles finis. I1 est donc au plus dnombrable. O

111.3 Tout triangle quilatral inscrit dans le cercle unit est de ct

fi.

a) On note 1 1 le milieu du segment 01. Pour que la corde soit plus grande que f i ,il faut et il suffit que le point M soit sur le segment 011. On trouve donc une probabilit de 1 / 2 .

24

1)) On fixe A sur le cercle et, partant de A , on

{ ( coupe >> le cercle en 3 arcs d'gales longueurs. On note les deux autres points Al et A2. On choisit un point B au hasard sur le cercle. Pour que la corde AB soit plus grande que 4,il faut et il suffit que le point B soit sur l'arc de cercle (A1A2). On trouve donc une probabilit de 1/3.

c) Lors de cette construction, pour que la corde AB soit plus grande que

4,il faut et il suffit que le point M soit dans le disque centr en l'origine
=

et de rayon 1/2. On trouve ici une probabilit de

1/4.

111.4 Pour les ezemples qui suivent, la fonction F ' se calcule facilement. On rappelle que si U dsigne une variable alatoire suivant la loi uniforme sur ]O, 1[, alors F+(U) suit la loi ayant F pour fonction de rpartition.
a) Pour F , fcnction de rpartition d'une loi exponentielle de paramtre 1,

, on a F + ( y ) = - ln(1 - y) pour y ]O,l[. six50 s i u suit'la loi uniforme sur IO, I[, - ln(i - U ) suit la loi exponentielle de paramtre 1. (On peut mentionner que - ln(U) suit alors aussi la loi exponentielle de paramtre 1.)
F(x)=

11) Pour F , fonction de rpartition d'une loi de Parto, 1-x-" six > 1 , on a ~ ' ( y ) = (1 - y)-'/" F(x)=

pour y 10, I[. six51 Si U suit la loi uniforme sur ]O, 1 [ , (1- U)-l/" suit la loi de Parto.

c) Pour F , fonction de rpartition d'une loi de Cauchy, F ( x ) = 1 7r (arctanz on a ~ + ( y ) = tan(.iry - ) ; pour y 10, I[. Si u suit la loi uniforme sur ]O, 1[,tan(.irU suit la loi de Cauchy.

+ z),

2)

111.5 La variable X est valeurs dans N et donc

CkEN P{X

= k} =

1. Or

Donc a = 3 / 2 et

i e2zk P { X = IC} = -4 k!
On peut crire

3 e22'-lk +4 IC!

1 P{X = IC} = -P{Y = k ) 4

3 + -P{T 4

= k},

25

o on a pos e-22k- 1 k e-22k P{Y = k } = - et P { T = k } = k! k! Autrement dit T = 1 2 et 2 suit une loi de Poisson de paramtre 2, tout comme Y. On sait alors

E ( T ) = 1 E ( 2 ) = 3, E ( Y ) = 2 et
On en dduit E ( X ) et E ( X 2 ): 1 3

Var(T) = Var(2) = Var(Y) = 2.

E ( X ) = -JkP{Y
IC20

= IC}

+ &{T
k20

=k}

= -E(Y)

E ( X 2 )= -

1 4 1

3 1 9 11 +E ( T ) = - + - = -, 4 2 4 4 3 IC2P{Y = k } + k2P{T = IC}


k20

= -E(Y2)

k20

1 4

3 + -E(T2). 4

Or E(Y2) = JT(Y)~ Var(Y) = 6 et E(T2)= E ( T ) 2+ Var(T) = 11. Donc

6 33 39 E ( X 2 )= - + - = - et Var(X)
4 4 4

= --

39 4

(y)2 E.
=

111.6 Signalons labus de notation utilis ici pour dsigner la variable alatoire u ~ ( On ~ ) pourrait . noter celle-ci X k , dfinie sur R , lensemble des permu-

tations de (1,.. . ,n}, en posant X k ( a ) = u u ( k ) .


a) S = C l l k < n C ~ C un(r~) et donc E ( S ) = Cl<k<n c k E(un(k)) avec

La dernire galit se justifiant par le fait que lensemble EL := { T tels que ~ ( k= ) i} est de cardinal (n - l)!.On obtient donc

b) Remarquons que quel que soient i et j distincts, un(i) et u o ( j )suivent la ) i#j mme loi. En outre, il est clair que la loi du couple (u,(i),u a ( j )avec ne dpend pas du couple ( i , j ) . Dautre part, la somme C l j k l n u a ( k ) ne dpend pas de a ; elle est gale x l <k l n ~ k , cest--dire n. On en dduit que

26

ou encore, en vertu de la remarque prliminaire, nVar(uu(1))+ (n2 - n)Cov(uu(l),u,(2)). Via le thorme du transport (111.1)

En utilisant (111.1) on obtient alors

On peut dsormais calculer la variance de S . On a


n
k=l
n

k=l
n.

k<l

Or la dernire expression entre parenthses nest autre que la variance dune variable alatoire uniforme sur les c k , qui est gale sc(n - l ) / n . On a donc 2 2 Var(S) = (n - 1)sus,.

111.7 La variable alatoire 2 ne prend que des valeurs positives et pour t > O, on a P { Z 5 t } = P { X 5 lnt} = Q>(lnt),
27

o CP dsigne ici la fonction de rpartition de la loi normale centre rduite. La fonction de rpartition de 2 est donc

F Z ( t )=

Q(1nt)

si t > O sinon.

Elle est continue sur R, drivable sur R*. La variable 2 admet donc une densit, obtenue en drivant F Z . On obtient sit>O sinon. Pour a E [-1, 11, la fonction fa dfinit bien une densit de probabilit sur R+ car elle est positive et fa(t) dt = 1. Pour vrifier cette dernire galit, il suffit d'crire

su'"

~ 2 ) )= E(sin(27rX)) = O. JI,,--f z ( t )sin(27rIn t )dt (*I E ( s i n ( 2 In


=

L'galit (*) tant la formule de transport (voir Thorme 11.4.1) et la dernire esprance est nulle car la densit de X est paire. , ayant fa pour densit. On vrifie sans difficult que, Soit alors une variable 2 quel que soit l'entier k , 2, et 2 admettent un moment d'ordre k . De plus

E ( Z t )=

tkffz(t)( + l asin(2.irlnt)) dt

= E(Zk) a

i+OO

tkfz(t> s i n ( 2 In ~ t )dt.

Or cette dernire intgrale vaut zro :

tkfz(t) sin(2.ir l n t ) dt = E ( Z ksin(27r In 2 ) )= E ( e k x s i n ( 2 ~ X ) )

28

Les deux variables 2 et 2, ont donc les mme moments mais ne suivent pas la mme loi car leur densits respectives sont distinctes. Cet exemple illustre le fait que les moments ne caractrisent pas la loi dans le cas o la variable nest pas borne.

111.8 On note 7r1 la projection sur la premire composante du d-uplet ( 2 1 , . . . ,zd). I1 est clair que 7rl(X1,X2, X3,. . . , Xd) suit la mme loi que 7r1(X2,X I ,X3, . . . , Xd) et donc que X1 et X2 suivent la mme loi. On montrei et X j suivent la mme loi rait de la mme faon que quels que soient i , j , X et donc E ( X i ) = E ( X j ) . De lidentit X I . . . Xd = 1, on dduit que

+ +

E(X1)

+ . .. + E ( X d ) = 1 = d E ( X 1 ) ,
*

donc

E ( X i ) = -. d

De mme X I ( X l
- = E(X1)

+ . + Xd) = X1 et donc, en prenant lesprance,

1 d

+ E(X1X2)+. + E(X1Xd) = E ( X 1 )+ (d - 1)E ( X i X j ) . (111.2)

La dernire galit se justifiant par le fait que X1X2 suit la mme loi que X i X j quel que soit i # j . (I1 suffit de considrer lapplication

et de remarquer que

suivent la mme loi pour toute permutation a . ) On obtient alors c o v ( x ~X j ) = E(X2Xj)- E ( X i ) E ( X j )

1 E(X3 1 par (111.2) d(d-1) d-1 d2 - d - d2 E ( X S ) - (d - 1) d2(d - 1) l d 2 E ( XS) - 1 ( 1 - - E(XS) d2(d- 1) d - 1 d2

)
29

111.9
a) La fonction g dfinie par g(x) = E((X - x ) ~= ) x 2 - 2E(X)x E(X2) atteint son minimum en xo = E ( X ) . Le minimum de g vaut alors g(x0) = E ( ( X - E ( X ) ) ~= ) Var(X).

11) Notons F la fonction de rpartition de X. La fonction F est croissante, continue droite, limt-t-,F(t) = O et limt++,F(t) = 1. Observant alors que { t : F ( t ) 2 1/2} est non vide et minor, on dduit lexistence de inf{ t , F ( t ) >_ 1/2 } := m. Par continuit droite, on obtient F ( m ) = P{X 5 m } 2 1/2.
Dautre part P { X 2 m} = 1- P { X < m } = 1 - F ( m - ) . On peut alors distinguer les cas F continue en m et F discontinue en m pour conclure que P { X 2 m} 2 1/2. I1 suffit dobserver que dans le cas F continue en m, F ( m ) = F ( m - ) = 1/2 et que dans le cas F discontinue en m, on a ncessairement F ( m - ) < 1/2. Pour se convaincre de la non unicit en gnral, il suffit de considrer X suivant la loi uniforme sur { O, 1} et observer que tout rel de ]O, 1[ est une mdiane. Montrons maintenant que si a < b :

E ( I X - bl) - E ( I X - a ( ) =

/u

P{X

I x}-P{X 2 x } d x =

/u

$(z)dx.

Pour cela, on considre les applications

n[t,+,[(x(w)) et nl-,,tl(X(w))

dfinies pour ( t , w ) E [a,b] x R

auxquelles on appliquera plus bas le thorme de Fubini-Tonelli. Auparavant, on observe que :

, si X ( w ) 2 b , si X(w) 5 a , si X ( w ) 5 a
U-l-m,t](X(~)) dt =
puis que
- bl

si X ( W ) ] a ,b[ , si X ( w ) 2 b
7

( X - bl IX
30
- bJ - IX - l =

IX - al , si X ] a ,b[
,siX>b , si X 5 a.

la - bl

SOLCTIONS

On obtient alors :

et

On soustrait et on obtient

E(IX-b\)-E(IX-al)

Jr

P{X

<: t } - P { X 2 t } d t =

Lb

$(t)dt. O

Pour conclure, on remarque :


-

La fonction $ est videmment croissante avec lim-m $ ( t ) = -1 et lim+, $ ( t )= 1.


z nest pas une mdiane, alors $(z)

Si m est une mdiane de X et, si x > m en supposant de plus que > O. II est en effet clair que P { X 2 x} < 1/2 et donc P { X 5 x} 2 1/2 et donc $(x) > O.

Si z < m, en supposant de plus que z nest pas une mdiane, alors $(x) < 0.
31

Si m < m sont deux mdianes, alors $ ( t ) = 0,vm< t < m. En effet les vnements { X 5 m } et { X 2 m} tant disjoints, on a P { X 5 m} = 1/2 et P { X 2 m} = 112 et donc P { m < X < m} = O, donc si rn < t < m, on a P { X 5 t } - P { X 2 t } = O.

Par consquent si m et m sont deux mdianes

E ( ( X - ml) - E ( ( X - ml) =
et si m

Lrn
L

$ ( t )d t

= O,

# a,

( m < a , par exemple) avec m mdiane, alors E(IX


-a() - E ( ( X - mi) =

$ ( t )d t 2 O.

Finalement

E ( ] X- ml) = i n f { E ( I X - QI) ; a E X}.

111.10 Quel que soit a ~ ] 0 , 1 [on , peut crire

x = Xn{X>aE(X)} +xn{X<aE(X)}
do

et

E(Xn{X<aE(X)}) ia E ( X ) ,

Or il est clair que E(X2Il{x>,E(x)}) 5 E ( X 2 ) ,donc

32

SOLI 1IOhS

111.11 Lexpression H est une somme de termes positifs donc elle est valeurs dans IR+. Dautre part

H ( P )=
l<k<n

(-pkinpk) = O ssi lun des pk vaut 1.

Si P est la loi uniforme sur (1, . . . ,n}, alors H ( P ) = in(n). On vrifie maintenant que si Q est une mesure de probabilit sur (1,. . . ,n} alors H ( Q ) = q k In q k I ln(n). Pour cela, en utilisant la concavit de la fonction In, on remarque que, quelles que soient les distributions (pk) et ( q k ) sur (1,. . . ,n},

cest--dire
l<k<n

l<k<n

qui donne pour pk = i / n

H(Q)= l<k<n

q k In(qk)

5 1n(n).

On considre maintenant une mesure de probabilit sur N, note P. Lexpression H ( P ) est encore valeurs positives (ventuellement 00 si la srie diverge) et H ( P )= pk In pk = O ssi lun des pk vaut 1.
k/O

Si P est la loi gomtrique de paramtre p, alors (en posant q = 1 - p)

k20

4 4 = - l n p - - lnq. (1- d2 P On observe maintenant que lingalit (111.4) est valable pour des sommes infinies. Plus prcisment, si pour tout k entier, P ( k ) = pk et Q ( k ) = q k dfinissent des mesures de probabilit sur N)alors
= - lnp - p l n q

(III.5)
33

Pour montrer ceci on utilise lingalit l n ( l + z ) 5 z, valable pour tout z > -1.

(En remarquant que, quel que soit k , 2 -1.) On considre maintenant P loi gomtrique de paramtre p et donc desprance q/p et Q mesure de probabilit quelconque sur N. On a alors, daprs lingalit prcdente

0I
k20

Qk ln(qk) k20

Qk WPk)

= -H(Q) k>O

qk

ln(P>k>O

qk

kin(!!)

= - H ( Q ) - ln(P) k20

qk kln(q) 1n(q).

<

-H(Q)

- ln(p) -

Concernant la loi normale, rappelons que si X y+ N(, i) alors E ( X ) = 0 et E ( X 2 ) = 1. On en dduit que si P est une mesure de probabilit de loi normale N(0,I), on a

Soient f et g deux densits de probabilit. En sinspirant de la preuve de

(111.5) :

Do

34

O LL i T I O N S

En particulier si g est la densit de P suivant une loi N(0,l) et si JR x2 f ( x )dx = 1, on obtient par (111.6) :

1 H ( P ) = - in ( 6 -) 5 In ( f ( z ) )f ( x )dz.
111.12 On pose pour ( x , t ) E IR2,

JR

Cette fonction

+ est de classe C1 sur IR2 avec de plus

Do par drivation sous le signe intgral, on obtient

cp(t) = 1

s,

i x eitx-x2/2 dx.

laide dune intgration par parties (en drivant ieitx et en intgrant x e x 2 j 2 ) ,on obtient

On en dduit que cp(t)= K et2I2pour une certaine constante K . Or p(0) = 1 (car cp est une fonction caractristique), donc cp(t)= et2l2. En utilisant le dveloppement en srie entire de cp au voisinage de zro, on obtient la valeur de cp((0) = i k E ( X k )quel que soit k , (cf. Proposition 111.5.6).

On en dduit donc

111.13 Ce rsultat est le thorme Riemann-Lebesgue. savoir pour toute fonction f E L(IR),on a

1,
+W

eitZ f ( z ) d x

t4cc

O.
35

Si est f est lindicatrice obtient le calcul :


+m

i[a,b],

dun segment (ou de tout intervalle born), on

eitx f ( x )d x =

eitx

itb -

cita )

-+

t+co

o.

On peut tendre ce cas particulier toute combinaison linaire finie dindicatrices dintervalles borns (appelle fonction e n escalier). Dans le cas gnral, pour f E L(Et), on considre une fonction en escalier qui approche f dans LI. (Par densit des fonctions en escaliers dans (L(Et),11.11i).)

( O n remarquera quune indicatrice dun ensemble mesurable ou quune fonctaon tage intgrable est un objet a priori beaucoup plus compliqu quune fonction e n escalier et que le cas de telles fonctions rentre dans le cas gnral des fonctions L .)
Soient alors E > O, g en escalier vrifiant eitx g ( x ) dzl < ~ / pour 2 tout t > to. On a
J R

If(.)

- g ( x ) l d x < ~ / et 2 t o tel que

5~ / + 2~ /= 2 E pour t > to.


Le rel
E

tant arbitraire, on en dduit que pour toute fonction intgrable f :

Leitxf(x)dx

t+m

-+

O.

En particulier limt+m vX(t) = O. c l On suppose dsormais que la densit f admet une drive f intgrable. Ceci implique que, ncessairement, f ( x ) --+ O. En effet la fonction
t-tco

ts

lx

f ( t ) dt

admet une limite quand x tend vers +CO, donc f admet une limite en +00 et ncessairement cette limite est nulle pour que f soit intgrable. Le mme raisonnement est valable pour -00. Une intgration par parties dans JR eitx f ( x )d x
36

donne

Ces calculs se gnralisent sans difficult si les drives f(), . . . , f() sont intgrables pour obtenir le rsultat pX(t) = o ( J t J - ) quand t
-f

00.

111.14 Notons X une variable alatoire dont la loi est donne par la meest divergente et donc X nest pas sure P. La srie (de Bertrand) intgrable : cn E(lXl>= = 00.

c&

nGZ, In122

Donc X nadmet pas de moment dordre 1. Nanmoins, sa fonction caractristique <p est drivable en O comme le prouvent les calculs suivants :

par consquent

d i >- d o ) 2 C
t

c(cos(tn) - 1) c sin2(nt/2) = -4>: tn2lnn tn21nn 7122 n22

- 4C(fN(t)

+ gN(t))
(111.7)

o N est un entier quelconque. Utilisant lingalit I sinzl 5 1x1,on obtient

Dautre part

On pose alors $ ( t ) = clair que limt,o

t&G@

i i J $ d u = tlnN N

1 t N ln(N) *

(III.S)

et N ( t ) = L$(t)J (partie entire de $(t)). I1 est


t-to

$(t) = +m et quon a donc aussi $ ( t )

N(t).

37

Utilisant les ingalits (111.7) et (111.8), on obtient

De plus
I

et

donc QN(t)(t) t7'o 0. Finalement


= -4c(fN(t)(t) t et donc cp est drivable en O avec cp'(0) = O.

cp(t)-

+ gN(t)(t))

tzo 0,
O

111.15 On remarque que g est bien dfinie et positive sur


v a > O, Y t

IR+*.En effet :

donc t

++

f (t) < O57 t - U t f(t) est intgrable sur [a, +CO[ et ainsi, g est dfinie en a et g(a) 2 O.

2 a,

fo

La fonction g tant paire, pour vrifier qu'elle est une densit de probabilit, g(z) dz = 1/2. D'aprs le thorme de Fubini-Tonelli il faut vrifier que (voir Thorme 11.5.1)

so"

1'"
$(t) = E ( e i t Y )= car g est paire. On a

f ( t ) dt = 1/2,

en dsignant par A l'ensemble { ( z , t ) , O 5 II: I t}. La fonction g est donc une densit de probabilit et si Y est une variable alatoire admettant g pour densit, sa fonction caractristique, qu'on notera $, est dfinie par

1
R

eitYg(y)dy=

21
O

f"

cos(ty)g(y)dy,

38

Y OLTriION s

et nouveau par le thorme de Fubini-Tonelli :

I1 reste vrifier que (111.9) En invoquant le thorme de drivation sous le signe on remarque que la fonction de t dfinie dans le premier membre de lquation (111.9) est drivable et sa drive vaut t
H

s,

+W

cos(tx)f ( x )dx

= p(t)

Dautre part, p tant continue, la drive du second membre vaut p(t). Lidentit (111.9) tant valable pour t = O, on en dduit que

39

IV
INDPENDANCE

noncs
IV.1 Une urne contient T boules rouges et b boules blanches. On tire ces boules une une, sans remise, jusqu puisement. Pour O 5 k 5 b, quelle est la probabilit pour quexactement k boules blanches soient tires avant la premire boule rouge ?
IV.2 Deux joueurs A et B jouent une suite de parties indpendantes. Lors de chacune delles, ils ont respectivement les probabilits p pour A et q = 1- p pour B de gagner. Le vainqueur final est celui des deux joueurs qui IC premier obtient 2 victoires de plus que son adversaire. Quelle est la probabilit pour que A soit vainqueur ? IV.3 Soit R = [ O , 1 1 muni de sa tribu borlienne et P la mesure de Lebesgue sur [ O , il. Soit, pour tout n 2 1,

Montrer que la famille

est mutuellement indpendante.

IV.4 Soient X et Y deux variables dfinies sur (O, A, P ) ,ne pouvant prendre que deux valeurs distinctes. Montrer que X et Y sont indpendantes si et seulement si E ( X Y ) = E ( X ) E ( Y ) .

CHAP ITRE IV. IN LII? P E N D A N c' 1;

IV.5 Soit X une variable alatoire relle et soient f et g deux fonctions croisR dans R. On suppose que E(f(X)2)< 03 et E ( g ( X ) 2 )< 00.Dmontrer santes de I que E ( f ( X ) g ( X ) ) 2 E ( f ( X ) ) E ( d X ).)

IV.6 Soient X et Y deux variables alatoires indpendant>es, de mme loi ex6' > O. Dterminer les densits des ponentielle de densit f e ( x ) = Beezll~o,co[(x), lois de X 3 , IX - YI, m in(X, Y 3 ) .Mme question lorsque X et Y suivent la loi uniforme sur [ - 1,11. IV.7 Soient F et G deux fonctions de rpartition et U une variable alatoire de loi uniforme sur ] O, 1 [. Montrer que V ( x ,y) = min(F(z), G(y)) est la fonction de rpartition du vecteur alatoire (F'(U), G+(U)).En particulier, V est de marges F et G. Montrer que si W est une fonction de rpartition sur R2 de marges F et G, alors H 5 V. IV.8 Soient Xi, 1 5 i 5 n, des variables alatoires indpendantes, X i tant de fonction de rpartition Fi. Soit m, = min1ri5,Xi et 1 1 1 , = maxl<i<,Xi, _ _ Montrer que la fonction de rpartition de A d , en x est Fi(x), que celle de rn, est 1 - Fi(.)) et que _ -

n,,,,,(i

42

IV.9 Soient X I , . . . ,X , des variables indpendantes de mme loi exponentielle de paramtre 1. Montrer que P{ 3 i ,j : X i = X j } = O. On pose

2 = min X i
l_<isn

et

= min{ 1 5 i

5n

Xi

= Z}

Dterminer la loi de 2. tablir que

P ( N = / ~ , Z > t } = e - ~ ~ lkn=, l , . . . , n , t > O .


En dduire que Z et N sont des variables alatoires indpendantes et prciser la loi de N.

IV.10 Soit P une loi sur R dont on suppose qu'elle admet une transforme de Laplace L ( t ) = J etxd P ( z ) pour I t 1 petit. Soit P*, la n-ime convolue de P avec elle-mme, dfinie par P*' = P et P*, = P*(,-') * P (i.e. P*, est la loi d'une somme de n variables alatoires indpendantes de loi P ) . Soit t tel que dPt etx L ( t ) existe et soit Pt la loi dfinie par sa densit - = -. Montrer que Pt7' dP L (. t. ) dP;" - etx admet une densit par rapport P*" donne par - . Montrer que dP*" L(tp ~ * ' ~ ( [oo z, 1) 5 etxL(t)nPtn([z, c c [) pour t > O (comparer ctte ingalit avec celle de Chernoff, Exemples III.4.lO.iii). I V . l l On appelle loi gamma de paramtre p > O et on note rp la loi de densit yp(z) = (r(p))-lzP-leX sur R+, o qP) assure que J "i?>(z) dz = 1. Montrer que r ( p ) = ( p - l)l?(p - 1) et que pour p entier, r ( p ) = ( p - l)!. Montrer que rp* r4= rptq. En dduire la loi de AI +. A , o les A, sont des variables alatoires indpendantes et de loi exponentielle de paramtre 1. est (1 - i t ) - p . Montrer que la fonction caractristique de la loi Soit maintenant (X,),,, une suite dc variables alatoires indpendantes et de , = XI . . . + X, leur somme. Pour t 2 O, soit mme loi exponentielle. Soit S N ( t ) = card( i : S, 5 t }. En valuant P{ N ( t ) 2 k } , montrer que N ( t ) suit une loi de Poisson de paramtre t .

+ +

IV.12 Soient X I ,. . . , X,, Xn+i des variables alatoires indpendantes de loi exponentielle de paramtre 1. Calculer la loi de la somme S k = X I ... Xk, 1 5 k 5 n + 1. Dmontrer que la loi du vecteur ( U I ,. . . , Un) dfini par Ui = Si/Sn+l, i = 1,.. . , n, a une densit par rapport la mesure de Lebesgue sur Rn donne par n! ID,o

+ +

D = { z = (21,. . . ,z , ) E IRn ; O 5

21

5 . . . 5 2, 5 1 } .
43

CHAPITRE

IV.

INDlh'ENDXNCE

IV.13 Soient XI , . . . , X, des variables alatoires relles, indpendantes, de mrne loi de fonction de rpartition F ayant une densit f . Ces variables, orXz,, ... X,,,. Clairedonnes par ordre croissant, sont notes XI,, ment les Xi,,, 1 i n, ne sont pas indpendantes puisque par construction xi,, I Xi+l,n.

< <

<

<

<

a ) Montrer que la probabilit que IC des variables X I , . . . , X , soient infrieures z et n - IC soient suprieures est C:F(z)'(l - F(z))"-'". En dduire que P{ Xi,, 5 z} = ~iCkI,C:F(z)'(l - F ( Z ) ) ~ - ' ,et que Xi,, admet une

densit
fz,,(z) =

ic,f(z)F(z)'-l(i

-q

J:

E IR.

1)) Montrer par un argument analogue que pour z,y E IR

P{ xi,, I z; X i f l , , > y } = C",(.)Z


(a)

(1 - F ( y ) y .
&+I,,).

En dduire la fonction de rpartition du couple (Xi,,,

(1) Montrer que le couple (Xi,,,

admet une densit

c ) Soit &+I,, densit

= Xi+l,,

-Xi,,.

Montrer que le couple (Xi,,, , ! $ + I , )

admet pour

g(z, s) = i(n - i>C.,f(.)f(z

+ s)F(..)Z-'(l - F ( z + s ) )

n-2-1

,
z E R , s>o.

f ) Supposons les X i de loi exponentielle de paramtre 1. Montrer qu'alors &+I,, est de loi exponentielle de paramtre n - i .

IV.14 Soit (X,)nENune suite de variables alatoires indpendantes, de mme loi de Bernoulli de paramtre p . Pour tout n 2 1, on dfinit par rcurence, T, = inf{ IC > T,-I ; XI, = 1} si cet infimum est fini, T, = CO sinon, et To = O. Dmontrer que les variables alatoires TI, T 2 - TI,. . . ,T , - T,-I,. . . sont indpendantes et de mme loi. Calculer la loi de TI et sa fonction caractristique. En dduire la loi de T,. 44

IV.15 Versions du lemme de Borel-Caritelli.

P ( A , i.s. ) = 1 (Rnyi).
Iridttntiori
poiir tocif
ri

2i

applrqucr b'in4qdttk (16 l'crtrricr III.6 10 (i poiir df'rnorrtrrr q i t r Ci>, n 1, = x p 5 -

Clsi<,, n 1,

Si P(A,) = 00 et P ( A , n A J ) 5 cP(A,)P(A,) pour un c > O et tous i # j , alors P ( A , i s . ) > O (Kotska).


IV.16 Ingalit de Kolmogorov. Soient X I , . . . X , des variables alatoires in= X I + . . . X,. Montrer dpendantes d'esprance O et de variance finie. Soit l'ingalit de Kolmogorov,
?

s,

IV.17 Trouver une fonction h de JR dans JR et un rel c > O tel que la fonction
(X?Y)

E JR2

soit la densit de la loi d'un vecteur non gaussien de IR2, dont les lois marginales sont gaussiennes.
45

CHAPITRE IV. I x u ~ + ~ s u ~ ~ c e

IV.18 Soit ( X ,Y ) un vecteur gaussien, centr, valeurs dans IR2, de matrice de covariance C = F!). Dmontrer que X et Y sont proportionnelles.

(8

IV.19 Soit X une variable alatoire suivant une loi N(0,1),et soit E une variable de Bernoulli telle que P { E = 1} = P{ E = -1 } = 1/2, indpendante de X . Dmontrer que E X et ~1x1 ont mme loi que X . Le couple ( X ,E X )est-il gaussien? IV.20 Soit X un vecteur gaussien centr, valeurs dans IR, et soit Y une copie indpendante de X . On pose Xe = X cos O Y sin O et X = - X sin O Y cos O , O E [O, 27r 1. Dmontrer que pour tout 8, X e et Xg sont indpendantes, de mme loi que X .

IV.21 Soient X et Y deux vecteurs alatoires de IR, indpendants et de mme Y et X - Y sont indpendants. On dsigne par p la fonction loi, tels que X caractristique de la loi de X .

a) Montrer que pour tous s , t E Rd,

En dduire lexistence dune fonction continue 11, sur IRd telle que p = e$
1 ),

On pose +p(t)= $ ( + ( t ) + ( - t ) ) et +%(t) = $ ( ~ (t) ~ ( - t ) )t , E Dmontrer quil existe rn E Rd tel que & ( t ) = i ( m , t ) ,t E IRd.

P.

( 3 )

Soit & ( s , t ) = & ( s t ) - gp(s)- g p ( t ) ,s , t E IR. Dmontrer que Q est relle, symtrique ngative. tablir que Q est bilinaire.

(1) Dduire de ce qui prcde que la loi de X est gaussienne.

IV.22 (Lois infiniment divisibles) Soit X une variable alatoire relle sur un espace probabilis ( O , A , P ) ,de loi p ; on dit que p est infiniment divisible si, pour chaque entier n 2 1, il existe des variables alatoires relles XI,^, . . . ,Xn,n indpendantes et de mme loi un telles que la loi de la somme XI,^ . . Xn,rL soit p.

+ +
+

a) Dmontrer quune loi p est infiniment divisible si et seulement si sa fonction

caractristique p est, pour tout entier n fonction caractristique.

2 1, la

puissance n-ime dune

b) p est-elle infininient divisible dans les cas suivants?

46

(i) p = 6 , , a E R.

(ii) p est la loi gaussienne de moyenne m et de variance (iii) p est la loi de Poisson de paramtre A.

g2.

(iv) p est la loi de Cauchy (on rappelle que la fonction caractristique de la loi de Cauchy est donne par ltl).
c) Soit X de loi p de Bernoulli sur { O , 1} de paramtre O

1; soient galement Y et 2 des variables alatoires indpendantes de loi commune v telles que la somme Y 2 soit de loi p.

<p <

(i) Si B est un intervalle ne contenant pas O et 1/2, dmontrer que p ( B + B ) = O (o B + B = { : + y : z,y E B } ) . En dduire que

v @ v ( B x B ) = o.

(ii) Dduire de la question prcdente que Y ne peut prendre que les valeurs O et 1/2. (iii) Conclure que p nest pas infiniment divisible. (1) Soit cp une fonction caractristique et soit X > O. On dfinit

@(t) = ,X(p(t)-1) , t

ER.

Sur (Cl, ,A, P ) , on considre une suite (XrL)nEW de variables alatoires indpendantcs de mme loi de fonction caractristique cp, ainsi quun variable alatoire N suivant une loi de Poisson de paramtre A, indpendante de la suite (Xn),EN. Pour chaque w E C2, on pose

1< k 5 N (w)

(avec la convention Ci<k<o = O). Dmontrer que Y est une variable alatoire de fonction caract&&ique @. Montrer que la loi de Y est infiniment divisible.

47

CHAPITRE IV. INDI?PEKDANCE

Solutions
IV.1 On note Bi lvnement {la ie boule tire est blanche}. Lvnement considr scrit alors BI n Ba n - - n BI,n Bk+l. Les tirages se faisant sans remise, les vnements B i ne sont pas indpendants. Nanmoins, on a :

P ( B ~ ~ . .nBknEkS1) B ~ ~ . =P ( B ~ P)( B I~B ~ ~ B ..P ~ ( )B. ~I +


La probabilit cherche est donc r b b-1 ... b - k + l b+rb+r-1 b+r-k+lb+r-k

~ .nBk).
O

IV.2 Le vainqueur ne peut tre dsign quaprs un nombre pair de parties. On considre les vnements = { A gagne}, g2, = { A gagne aprs 2n parties ), puis &2k = {aprs 2k parties aucun vainqueur nest encore dsign}. On a alors
=

U 62, = U
n2l
k20

( ~ 2 k

n { A gagne les parties

2/c + et 2k

+ 2 })

On en dduit que P ( ) = C I , > o P ( 2 k ) p 2 .Dautre part, on a facilement P(&21,+2) = P(21,)2pq, donc quel que soit k 2 O, P ( & 2 k ) = ( 2 ~ q et ) ~ finalement

IV.3 Pour n E

N*, on pose
2 ( k - 1) 2 k - 1
15lc52n-l

Par dfinition, la famille des vnements A, est indpendante si pour toute partie finie J de N,on a
j J

j J

I1 suffit alors de remarquer que, quel que soit i E N, P(A,) = 1/2 et que, pour tout k et quel que soit le k-uplet j 1 < - . < j k , on a 1
+

P(Aj,n Aj2n

n A j k )= P(Ajl n Aj2n . . . n A j k P l ) .

En effet, une partie du type Ajl nAj, n . . . nAjk-l est une runion dintervalles deux deux disjoints de longueur 1 / 2 j k - 1 et construire son intersection avec

48

Aj, consiste (( couper )) chacun de ces intervalles en son milieu et liminer le (( morceau )> de droite. On obtient alors, par rcurrence,

P ( A j , n Aj,

n.- n Aj,)
*

= - = P ( A j i )P(Aj,)
2k

1 . .

P(Aj,).

IV.4 Les variables X et Y sont indpendantes si et seulement si, pour tout couple ( i ,j ) :

P { X = xi ; Y = y j } = P { X = X i } P { Y

=Yj}.

De lhypothse E ( X Y ) = E ( X ) E ( Y ) on , dduit, par linarit de lesprance :

E((X -X i ) ( Y
Et cette dernire galit scrit

- Y j ) ) = E ( X - xz)E(Y - Y j ) .

(Xj-Zi)(yi-yj)P{X = x j ; Y = yz} = (Xj-xz)P{X = Z j } (yi-yj)P{Y = Yi}


do

P { X = xj ; Y = yz} = P { X = Xj} P { Y = Y i } ,
et les variables X et Y sont bien indpendantes.
O

IV.5 Les fonctions f et g tant toutes les deux croissantes, quels que soient x et y , f ( x )- f ( y ) et g ( x )- g ( y ) sont de mme signe et donc, pour tous 2 , y E R

(f(4f(d) ( 9 ( 4 - dd)2 0.
-

Soient alors X et Y indpendantes et de mme loi. Aprs avoir remarqu que f ( X ) g ( X )E L1 (car f ( X ) et g ( X ) sont dans L 2 ) ,on utilise le fait que

( f ( X )- f ( Y ) ) ( d X ) - d Y ) )L 0.
On a donc : (IV.1) E ((fW -f(Y)) ( S W ) - 9 ( Y ) ) )2 0. On rappelle que f ( X ) et g ( Y ) sont indpendantes et quon peut alors crire que E ( f ( X ) g ( Y ) = ) E (f(X)) E (g(Y)). I1 en est de mme des variables f ( X ) et f ( Y ) 9 , ( X ) et g ( Y ) et f ( Y )et 9 ( X ) . On rappelle aussi que E ( f ( X ) )= E ( f ( Y ) )et E ( g ( X ) )= E ( g ( Y ) ) .Lingalit (IV.l) devient

(f(nm) 2E (f(X)E ) ( d X ) ).

E l
49

On applique ce rsultat la variable X vrifiant (XI < 1 et aux fonctions f(x) = i/(i- x) et g(z) = -1/(i z) qui sont croissantes sur 1-1, i [ .On obtient

c'est--dire

IV.6 Les diffrentes variables alatoires considres ont une fonction de rpartition continue et drivable sauf en un nombre fini de points (ici au point O). On vrifie, de plus, que cette fonction de rpartition est de classe C1 sur les Drivant cette foncintervalles sur lesquels elle est drivable (ici It+" et K*). tion de rpartition, on obtient une densit de la variable alatoire par rapport la mesure de Lebesgue, (i.e. F ( z ) = j : , F'(t)dt). Dans le cas o X suit la loi exponentielle de paramtre 19,X prend, presque srement, des valeurs positives, et donc X 3 aussi. D'autre part pour tout t > O,

P{X~ 5 t>= P { X 5

= i -e-@%.
6%

s i t > O, {:-esinon. Elle est continue et de classe C1 sur IR+*donc X 3 admet la densit (obtenue en drivant sa fonction de rpartition) :

La fontion de rpartition de la variable X 3 est donc t

On pose 2 = min(X,Y3). Les variables X et Y 3 tant indpendantes, on a pour t > O :

P{Z > t>= P ( { X > t>n {y3 > t>> = P { X > t }P { Y ~ > t>= e-'' e-*%.
On en dduit la densit de 2 : 19(i

+ $-2/3)

e- w+%)

t H {O
On pose W = IX -YI. Pour t

si t > O, sinon.

> O, {W 5 t } = {(X,Y) E A,) o

At
50

{(w) E R2, Ix - YI 5 L I .

Les variables X et Y tant indpendantes, on connait la loi du couple (X, Y) : il admet la densit

Pour le calcul de P { ( X ,Y) E At} = JJA, p(x,y) dx dy, il convient de N partitionner >> At en posant At = A, A2, o A, = At f l {O 5 x 5 t } et A, = At n {t < x}. On a alors :

Donc IX

- YI

suit la loi exponentielle de paramtre O.

La mthode est identique dans la cas o X suit une loi uniforme sur [-l, l] :

P{X3 5 t } = P{X 5
Ainsi X3 admet la densit

%+1 , fi}= 2

-l<t<l.

1t-2/3

si - 1 < t sinon.

< 1,

Si Z := m i n ( x 3 , y ) , on a pour -1 5 t 5 1,

P{Z > t } = P({X > t } n {y3> t } ) = P{X > t } p{y3> t } = --. 2 2


On en dduit la densit de 2 :

l-tl-fi

La variable W := IX - YI, prend ses valeurs dans [O, 21 et le couple ( X ,Y) suit 1 x [-1, 11, c'est--dire densit constante une loi uniforme sur le carr [-1, 1

51

CHAPITRE IV. IND~PE:N DANCI.:

sur [-1, 1 1 x [-1,1]. Pour O 2 t que prcdemment) :

I 2, on a

(avec, pour A,, la mme dfinition

P{W I t}= D'o la densit de IX - YI dfinie par

/J

1 -dxdy = t A,n[-i,i]x[-i,i] 4
:

t2 -. 4

S(2 - t )

si O < t < 2, sinon.

IV.7 Pour tout u E IR, on a F(F'(u)) 2 u. En effet si 2i = F'(u), = inf{a, F ( a ) 1 u} donc F ( v ) >_ u car F est continue droite. On en dduit {F'(U) I } . c {F(F'(U)) I F ( z ) } c {U I F(z)}. On peut bien sr crire les mmes inclusions pour les vnements concernant la fonction G et on obtient

P{F'(U) 5 2 , G'(U) I Y} i min(F(z),G(y)).


D'autre part, par dfinition de la fonction quantile F', pour tout rel z,

F'(F(z)) I z.
On a alors
{U 5 F ( z ) }c {F'(U)
puis

(IV.2)

' 5 F + ( F ( z ) ) } car F

est croissante,

{U 5 F ( z ) } c {F'(U)

I x}

par (IV.2). on a

Utilisant les mmes ingalits pour la fonction G , '

{U I F ( z ) }f {U l I G(Y)) = {U I m i n ( F ( 4 , G(Y))} c { F + ( U ) i} . n {G'(U)


et, passant aux probabilits, on obtient l'ingalit min(F(z),G(y)) i P{F'(U)

I Y},
O

5 2 , G'(U)

I Y}.

Donc V est bien la fonction de rpartition du couple (F'(U), G'(U)). Ses marges ont F et G pour fonction de rpartition (voir Proposition 111.2.7). Soit H la fonction de rpartition d'un couple ( X ,Y ) ,avec F et G fonction de } n {Y I y} c { X I z } donc rpartition respectives de X et Y . On a { X 5 z H ( z , y ) 2 F ( z ) . On a la mme ingalit pour la fonction G et ainsi H 5 V .

O
52

S o I, I JTIO N s

IV.8 Pour tout rels x , X I , . . . ,xn, on a lquivalence


l<i<n

max xi I x

di, xi I x .

On en dduit lgalit des vnements

{Mn I.> =

l<iln

n (xi

1x1,

et, les variables X i tant indpendantes, on obtient

Pour le min des X i , lquivalence


i<i<n

min xi

> x a V i , xi > x

donne lgalit des vnements


{mn > X ) =

n {xi>
l<i<n

x>,

IV.9 Le vecteur ( X I ,X 2 , .. . ,X n ) admet, par rapport la mesure de Lebesgue sur IRn, la densit f,o f ( x 1 , . . . ,x,) = e-l . . . eZn,donc pour i # j

car Ai,j := { ( x i , ,. . ,x,), xi = x j } est un hyperplan, donc de mesure de Lebesgue nulle. Ainsi P ( 3 i , j : X i = X j } = O car

P { - J i , j: x i=Xj}

= P{

U { X z = X j } } I C P { X , = X j } = o.
i#j i#j

53

CHAPITRE IV. IND&F:N~IAKCE

Dautre part Z xp(n) car P { Z > t } = P{ n i { X i une loi uniforme sur (1, . . . ,n}. En effet
Y-)

> t } } = e-nt et N suit

P { N = l} = P { X 1 5 x2,.. . , X n }

P { N = l,z > t } =

/ S,,
.

f ( ~ 1 , ... , x n )

. dxn

De mme, pour tout 1 5 k

5 n, on a

P{N = k,Z > t}

Donc N et
54

Z sont indpendantes.

O L Li ' I I O N S

IV.10 Pour toute fonction borlienne borne

4, on a

On obtient donc dP*2 dpt+ - &. tout n 2 2 :

tx

Ce rsultat se prolonge aisment par rcurrence


dPtn etx -~ dP*n L(t)n
'

cl

Pour tout t > O, suffisamment petit,

P,*" ( [ x ,+CO[) =

>
-

&./7+, l+,
L(t)n

et" dP*n(u) etx dP*n(u)= P*n ([x, +CO[).

wn

On en dduit l'ingalit

P*n ([x, + C O [ ) 5 ~ ( etX t ) P,*" ~ ([x, +CO[).

(IV.3)

O
D'autre part, P*n([x, +CO[) peut tre major par l'ingalit de Chernoff (voir Exemple 111.4.10.(iii)) : on considre ( X i ) i une suite de v.a. indpendantes de mme loi P. Pour t > O, suffisamment petit :

On obtient alors

P * ([z, ~ +CO[) 5 ~ ( e-tx. t ) ~


L'ingalit (IV.3) est donc plus fine que l'ingalit (IV.4).

(IV.4)

55

CHAPITRE IV. I N D ~ ? P R N J ) A ~ - C E

I V . l l La relation de rcurrence ( p ) = ( p - l)r(p - 1) vient d'une intgration par parties dans l'intgrale zp-' e -" dz. Pour p entier, en ritrant r(1) = ( p - l)!. cette relation jusqu' p = 1, on obtient ( p ) = ( p - l)! Pour montrer que r, * rQ = l?p+g, on peut procder de deux faons :
-

La premire utilise les fonctions caractristiques : la fonction caractristique de la loi r,, que l'on calculera plus bas, tant pp(t)= -, on vrifie que

'

(Pp(t)(P*(t) = (P*+q(t)On dduit de cette relation et des proprits des fonctions caractristiques que r, * = rp+q.

r4
+"

La deuxime est calculatoire : il suffit de calculer le produit de convolution des deux densits 7 , et T ~ Pour . z 1 O, on a
(Yp *YQ>(4=

1,

Y p ( u ) Y q ( z

4 du = r(P)r(q)

e-"

1'

up-' (z - u)QP1 du.


-

En posant u = z'u dans la dernire intgrale obtient

J:up-'(z

(IV.5) u)q-'du, on
du.

6"

up-'(.

- u)Q-l du = zP+Q-'

6'

vP-'(l

-. ) Q '

L'intgrale J : vp-'(i-v)q-' lit (IV.5) devient alors

dv est la fonction Bta, note ~ ( p 4 ),. L'ga"-2

Utilisant l'identit classique(') B ( p , q ) =


(Yp

w,

on obtient

On dduit alors de ce rsultat sont des variables alatoires indpendantes suivant la mme loi exponentielle de paramtre 1, alors A , suit la loi I?,. A1 La fonction caractristique de la loi rp, note pp(t),vaut

* YQ) = Yp+nque si XI,. . . ,A,

+ +

Pour p rel strictement positif, le calcul de cette intgrale peut se faire par la mthode des rsidus(2).
("Voir par exemple << Principles of Mathematical Analysis , W. Rudin, McGRAW-HILL. '"Voir par exemple (( Intgration et probabilits, Analyse de Fourier , G. Letac, MASSON.

56

Remarquons nanmoins que, pour p entier, une intgration par parties donne

Et ritrant ce calcul jusqu cpl(t)=

A,on obtient le rsultat

La suite (Sn)ntant croissante, on a {Sk+1 5 t } c {SI,5 t } et remarquant que W(t) = k } = { S k It < Sk+l>, on a

P { W )=k}
Dautre part

= P{Sk

5 t } - P{Sk+l 5 t } .

tk-1

+ ( k - 1)
e -t
tk-2

uk-2e-u d u

par intgr. par part.

e -t

( k - l)!
Et par consquent

(IC

a)!

... -

P { N ( t )= IC} = P{Sk 5 t } - P{Sk+I 5 t } = -e-t, k!


soit N ( t )
?c)

tk

P(t).

IV.12 La loi de SI, = X1 . . . X I , a t calcule dans lexercice 11 du chapitre IV. La variable Sk suit la loi r k et admet donc la densit : si t
fk(t) =

2 O,

sinon. Pour calculer la loi du vecteur (?YI,. . . ,Un), calculons dabord la loi de ( S I , .. . , Sn). On vrifie que le vecteur ( S I , .. . , Sn) admet pour densit la
57

fonction e-'" sur E, := {SI,.. . , s,), s1 5 . . . deux faons :


-

5 s,}. On peut procder de

Par rcurrence sur n, en utilisant le fait que la loi de S, sachant (Si,.. . , S,-i) = ( S I , . . . , s,-1) est la loi de s,-1 X, (voir Exemple VI.6.5.(ii)). La densit de (SI,. . . , S,-l, S,) est donc donne par :

fn(sl,.. . ,s,) = fn-l(sl,. . . , ~ , - l ) e - ~ n + ~ n - l


- e-Sn-le-~n+Sn-l - e -Sn
-

par hyp. de rc.

En considrant une fonction borlienne borne q5 dfinie sur Rn, ou plutt sur E,, et en calculant E(q5(S1,.. . , S,)).

E(q5(S1,

, Sn)) =
q5(zt.i, ICI

+ z2,. . . ,z1 + 2 2 t a . . + z,)eZ1


( 31 = 21
s2 = 21

. e-"" dz1. dz,.

Par le changement de variable

+2 2

, dont

la valeur ab-

(sn=z1+.-+ICn solue du jacobien vaut 1, on obtient

La densit du vecteur alatoire (Ul,. . . ,Un, Un+l) := (-, Sn+l est eUn+l ( ~ 1 ,. . ,un, u,+1) ++ sur En+, = { O I u1 I u2 5 . .. I u , 5 1 et u,+1 2 O}. En effet pour tout fonction borlienne borne @ dfinie sur

Si

. . . , -,s,

Sn+l

Sn+d

E(@(Ul,.. . , U,+1)) =
La transformation

/ (-+ . . . ,
@
En+i

on a

Sn+i

ds1. . . dsn+l.
Sn+i

de jacobien uE+l donne

= /EL+l
58

@(ul,.. . ,un+l) e-un+lun+l du1

d u , + i .

Pour obtenir la densit du vecteur la dernire variable :

S (snt;, ... ,

e),

on intgre par rapport

Donc la densit de . . . 5 un 5 1j.

Ju+m (e,. &)


..,

uE+le-un+ldun+l = n!.
est constante, gale n! sur { O 5 u 15

IV.13
a) La probabilit que << XI, . . , XI, soient infrieures z et Xk+l,. . ,X n soient suprieures J: >) est, par indpendance des variables X i , gale F(z)'(l - F ( z ) ) ~ - ' . On en dduit que la probabilit que << k variables soient infrieures z et n - k soient suprieures z >> est gale

(i)F(z)"l

- F(z))"-k.

On peut alors crire

{Xi,n 5

J:}=

kzi

u{ u

k variables sont infrieures J: j

{ k variables sont infrieures z


et n
-k

kzi

sont suprieures z }

pour en dduire

P{XZ,, 5 x} =
i<k<n

F(z)"l

- F(z))n-k.

On drive par rapport z cette dernire expression :

n
k=i

59

CHAPITRE IV. INDPENDANCE

o a k dsigne le rel ( n , l ) F k ( z ) ( n - k ) ( l - F ( z ) ) " - k - l . On obtient ainsi

Ce rsultat peut aussi s'interprter physiquement de la faon suivante : on choisit une variable au hasard (n choix possibles) qui soit dans [z, z+dz] (ce qui arrive avec une probabilit de f ( z ) d z ) , parmi les autres choix possibles) au plus variables on en choisit au hasard i - 1 gales z (avec donc une probabilit de F ( x ) ~ - ' ) puis , on veut les (n-i) autres variables plus grandes que z (avec une probabilit ( 1 - F ( Z ) ) " - ~ ) . On obtient :

) : 7 (

b) L'vnement {Xi,n 5 z, Xi+l,+ > y} n'est autre que l'vnement { i variables sont infrieures z et n - i sont suprieures y }. Sa probabilit se calcule par un raisonnement analogue la question prcdente et vaut (S)F(z)i(l - F(y))"-i.
c) En notant F la fonction de rpartition du couple (Xi,n,Xi+l,n), on a pour z I Y'

(1) I1 suffit de vrifier que, quels que soient

-00

< z 5 y < +CO, on a

60

Or

J-,

(JT+m

i(n - i) ( ; ) f ( u ) f ( u ) F y u ) ( l- F(u))n-i-l d u ) d u

= i(n - i ) =

(:>1,

f ( u ) F i - l ( u )d u / + m f ( u ) ( l- F(u))n-i-l du
Y

(7)

Fi(.)(l

- F(y))n-i = P { X i , ,

5 2 , Xi+l,n > y}.

e ) Le couple (Xi,n,S ~ + I , prend ~ ) ses valeurs dans R x R+ et pour (z, y) E

RXR+:

(avec le changement de variable w = u - u dans la 2me intgrale). De cette dernire expression, on dduit que le couple (Xi,,, S ~ + I admet ,~) pour densit la fonction f dfinie par

f ) Si les X i suivent une loi exponentielle de paramtre 1, le couple (Xi,,, Si+l,,) prend ses valeurs dans IR+ x IR+ et la variable Si+l,, admet pour densit la fonction h dfinie par h(s) = g(z, s) dx. Pour s 2 O,

s-","

61

on a donc

h ( s )=
=

i+m (y) Jil+m (2)


i(n - i ) i ( n- i )
(l

- e-z)i-l(e-z-s)n-i-l)

dx
) dx

e-2z-s (l - e-z).i-l(e-z-s)n-z-l

En notant Ii cette dernire intgrale et en intgrant par parties, on obtient facilement la relation Ii = $ &Ii-1. Ritrant cette identit jusqu 11 = $, il vient

I 2=
puis

( i - l)!(n - i ) !

Il=----

(n- l)!

( : I ; )

h(s) = i(n - i)

( n - i ) ! ( i- l)!1 (i - i)!(n - i - i)! ( n - l)! n

n!

et finalement S ~ + I ,xp(n ~ - i). IV.14 Pour (il, i 2 , . . . , i n )E Tn-l = in} scrit

O
= 22,

Nn, lvnement {Ti = i l , T2 -TI

. . . ,Tn-

Les variables X i tant indpendantes,

Dautre part, pour tout k entier,

62

On dduit de ce dernier calcul que les variables T I ,T2 - T I ,. . . ,T, - T,-1 sont indpendantes et de mme loi. La variable Ti suit la loi gomtrique de paramtre p et sa fonction caractristique vaut

Remarquant que Tn = Ti (T2 - T I ) pendance des Ti - Ti-1, on a

+ . . . + (T, - T,-1)

et utilisant l'ind-

La variable T, suit la loi binomiale ngative de paramtre ( n , p ) .

IV.15
a) On pose X n = Cili5, Ildi et on lui applique l'ingalit dmontre dans l'exercice 111.10

On rappelle que E(X,) = positif et soit N E

N vrifiant pour tout n entier 2 N , aE(X,) > M . Ds que n 2 N , { X , 2 M } 2 { X , aE(X,)} et donc

Ci<i5n P(A,) -+ n
-

00.

Soit alors M un rel

D'autre part

Soit

strictement positif fix. Pour n suffisamment grand, on a alors :

P { X , _> M } _> (1 - a)2(i- E ) ,


63

CHAPITRE IV. INDEPENDANCE

et par consquent

P(U,{X,

2 M})2 (1 - a>yi- E ) .
< 1 et E > O. En fai2 M } ) = l, M tant

Cette ingalit est valable quels que soient O < a sant tendre Q et E vers O, on en dduit P(U,{X, arbitraire. En particulier pour tout entier N, P(,{X,

2 N})= 1 et donc

P ( n NUn { X n 2 N } ) = 1.
La suite (X,), tant croissante, on en dduit que X, converge presque O srement vers l'infini. Donc P(A, i.s. ) = 1.

b) On peut supposer que quel que soit i, l'(Ai) remplacer c par

O et donc, quitte

m u { P-'(Al), PP1(A2), . , P-'(A,), c } , on peut supposer que

vi,$ P(Ai n A j ) 5 cP(Ai)P(Aj).


On reprend les notations et le raisonnement prcdents, on a

Il s'ensuit que pour tout entier N , l'ingalit

est vrifie si n est suffisamment grand.


-> ~ { X n On note alors ON l'vnement U n 2 N } . La suite (ON)* est dcroissante, donc

P(nNON) = limP(ON) 2
N

(1- a)2
C

On en dduit P(A, i.s. )


64

2 ( l - f f ) 2 > o.

SOLLITIONS

IV.16 Remarquons que les vnements Ak sont bien disjoints deux deux et qu'on a : (IV.6)

(IV.7)

E(S2 1.4,) = J, Si dP 2 X 2 P(Ak).


IC

(IV.9)

En utilisant alors (IV.6),(IV.7),(IV.8) et (IV.9), on obtient


n.

tant donn que E(S;) = Var(Sn)

IV.17 On prend c = 1, on pose 1 f(z,y) = - ( " 2 + y 2 ) / 2 h ( z ) h ( y ) , 271 et on cherche alors h pour que les conditions requises soient ralises. L'hypothse JR h(t)d t = O impliquera que

J J R Z

f(X,Y)

dXdY = 1;

les lois marginales seront gaussiennes, centres, rduites.

65

On pose alors

h(t) =

t
O

si (tl 5 a, sinon

et on choisit a pour que f ainsi dfinie soit positive. La fonction f est donc la densit de probabilit d'un couple qui concide avec la densit N(0,I d ) en al2,mais distincte de celle-ci dans [-a, al2. I1 est clair que dehors du carr [-a, O ce couple ne peut tre gaussien. noter que d'autres fonctions h conviennent.

IV.18 Le vecteur ( X ,Y )prend ses valeurs sur une droite (presque srement) car sa matrice de covariance C est non inversible. Elle admet pour noyau la droite IR.(2, -1). On a :
Var(2X - Y ) = (2 -1)

(6

12) (-1)

= O.

La variance de la variable 2X - Y est donc nulle. Par consquent 2X - Y est


constante presque srement et elle vaut zro car son esprance est nulle. IV.19 Pour tout borlien de IFS, not A , on a

P{X E A } = 1/2 P I X

A } + 112 P { X

-A}

P{X

A}

car X est symtrique. Donc E X suit la mme loi que X . On procderait de mme pour prouver que &]XIsuit la mme loi que X . Le couple ( X , & X )ne peut tre gaussien car sa loi est porte par la runion des deux droites y = x et y = -x.
lV.20 Soit l? la matrice de covariance de X et <px = <p sa fonction caractristique : v(u> = E(e'("J))= e- i/ztu.ru, u E p.

On peut calculer la fonction caractristique de

Xe,note ve

Le calcul de la fonction caractristique de X donne le mme rsultat, donc Xg et Xe suivent la mme loi que celle de X . D'autre part, il est clair que le couple ( X e ,X ) est un couple gaussien en tant que transformation linaire du couple gaussien ( X , Y ) . On va montrer que Xe et Xg sont indpendantes en montrant que la matrice de covariance de
66

(Xe, X)est diagonale par blocs. Plus prcisment, la matrice de covariance C de (Xe,X) tant une matrice de MPd(R),X e et X sont indpendantes si et seulement si C scrit sous la forme :

Soit A E Md(R) vrifiant A t A = r. Les vecteurs X et Y suivent alors la mme loi que le vecteur AG, o G y+ N(0,Id). cos 6.1, sin 6.Jd Notant A4 = , il est clair que le couple (Xe,X) suit la - sin 6.Id cos 6.Id mme loi que le vecteur alatoire de

111 .

(tA)

(n:),

o les G~ sont

des vecteurs indpendants suivant la loi N(0,Id). La matrice de covariance de (Xe, X)est donc

M.

(ti)

-(M.

(fi)) (O ;)
=M.

.t111=

(O;),
O

Donc X e et X sont indpendantes. IV.21

a) On va rsoudre cette premire question pour des variables alatoires relles. Le cas de variables alatoires valeurs dans Rd se traite de ma-

nire analogue sans difficult supplmentaire. i( s+t)X ) E (ei( s-t)X p(s t)p(s - t ) = E ( e ) - E(ei(s+t)x)E(ei(S-t)Y) car X et Y ont mme loi = E(ei(s+t)xei(s-t)Y) car X et Y sont indpendantes = E ( ei s ( X + Y ) , i t ( X - Y ) )

= E ( e i S ( X + Y ) ) E ( e i t ( X - Ycar ))

+ Y et X - Y sont indpendantes
X et Y sont indpendantes
O

= E(eisx)E(eisY)E(eitX)E(e-itY) car

= v2(s>cp(t)v(-t> =c p 2 ( s > l c p ( t ) l *

En prenant t = s dans la relation prcdente, on obtient


dt7

c p w

= v(t)21v(t)12

puis, en remplaant t par t/2 et en ritrant lopration n fois, il vient :

dt E R, dn E N, cp(t)= cp

;n)2n

I v

);(

IZn

67

CHAPITRE

IV.

INDPENDANCE

On dduit de cette relation que quel que soit t , cp(t)# O. En effet, si cp sannule en un certain a , alors ~ ( a =)O et donc :

trn E

N, cp

(g)

=O.

(IV. 10)

En rappelant que cp est continue en O et que cp(0) = 1, un passage la limite dans (IV.10) donne la contradiction. Lapplication

est continue (o U dsigne lensemble des complexes de module 1). Par un argument topologique (thorme de relvement), on obtient lexistence dune application continue f : R i R telle que cp(t)/lcp(t)l = On a
cp(t>=

~cp(t>l . e i f ( t )= elnlV(t)l+if(t).

Do lexistence dune application p ( t ) = e+(t).


b) Soient

+ continue de R dans C telle que


O

gP et +i

les parties paire et impaire de

+ cest--dire

avec paire et I I , i impaire. Utilisant le fait que cp(-t) = cp(t),la relation tablie la question a) donne
+(s

I I ,=

+ $+

+ t ) + +(s - t ) = 2+(s) + +(t)+ +(-t).


+i(S

(IV.11)

En identifiant les parties impaires, il vient

+ t )+
+

+i(S

- t ) = 2+i(S).

(IV.12)

Pour t = s, on obtient quel que soit s, sii(2.5) = 2+i(s). Pour t et s quelconques dans IRd, en posant t = S I - ti et s = S I + t i , on obtient par (IV.12) Si(S1) II,i(tl)= +i(Sl + t i ) . La fonction $ tant continue, on en dduit par un raisonnement classique (pour tout s E Rd et 1 E R, $+(Zs) = l+i(s), via une dcomposition du I , i tant valeurs dans @, il existe rel 1 en base 2) que II,i est linaire. Et I E alors m et m tels que

vt E Rd, +i(t)= (t,m) + i ( t ,m).


68

La relation cp(-t) = cp(t)donne

lip@> - liiw = l i p @ ) + lii(t>

(IV.13)

et donc &(t) = S ( $ ( t ) )et & ( t ) est un complexe imaginaire pur. Par consquent m' = O et pour tout t E I W ~ , +i(t> = i ( t , m). O c) On utilise nouveau la relation (IV.11) et, identifiant les parties paires :

l i p b + t )+ $p(s

- t )= 2 ( l i p ( s )

+ lip@>>.

(IV.14)

Remplaant dans cette relation le couple ( s , t ) par les deux couples (s tl t 2 , s ) puis ( s t l , s tz), il vient

+ 2 s I p (s> +2 l i p (s +t 1+ t 2 ) -l i p (ti+t 2 ) = 2 l i p ( s+t 1)+2 l i p (s +t 2 ) lip(t1 -t 2 ) = 2lip(t1)

+ +

& I1-t

(t

2)

Utilisant nouveau la relation (IV.14), on peut remplacer &,(tl - t 2 ) par

+2lip(t2) - lip(t1 +t 2 )

et obtenir la linarit par rapport la deuxime variable de Q ( s ,t ) .Finalement Q est bien symtrique et bilinaire. Par (IV.13), 7+!+, est valeurs relles. Enfin, pour tout t E IRd, (cp(t)( 5 1 et Icp(t)l = e $ p ( t ) donc donc Q est bilinaire, symtrique et ngative.

lip(t)5 O et
O

d) D'aprs la question prcdente, lip est une forme quadratique ngative. La fonction caractristique de X s'crit :

cp(t) = ei ( t m ) + s ' p ( t )
C'est la fonction caractristique d'une loi gaussienne.

IV.22
a) Soient XI,,, X,,,, . . . ,X,,, n variables alatoires indpendantes, de mme loi v, et de fonction caractristique $. Si la loi de XI,^ Xz,, X,,, est celle de X , note p, alors

cpX(t) = cpX1,n+X2,n+-+Xn,n ( t )= 9x1," ( t ) . cpX">" ( t )= $"(t)


f

(voir Proposition IV.2.3). Rciproquement, si cpX(t)= $E(t),et si 2 1 , .~. . , Z,,, sont n variables indpendantes de mme loi et de fonction caractristique sin, alors la loi de 21,~ Z,,, est p (voir Thorme 111.5.2) et donc p est infiniment divisible.

+ +
e 1

69

1,)

(i) Dans le cas o p = Sa, pX(t)= cita. Remarquant que

et utilisant (a), on dduit que 6, est infiniment divisible : si X I ,. . . , X , sont indpendantes et de mme loi Sa/,, alors X i . - X , suit la loi Sa. On peut aussi remarquer p = Sa signifie que X est presque srement constante gale a. On peut alors crire X = X I . . . X n avec X i presque srement constante gale a / n .

(ii) Si

+ +

N(m,a2) alors

Donc X suit la mme loi que X I + . +X,, o les v.a. X ; sont indDonc X est infiniment pendantes et de mme loi N(rn/n, divisible. (iii) Si X

P(A) alors
e ~ ( e z t - l )= ( e $ ( e t t - l ) ) n

(PX(t) =
Donc X suit la mme loi que XI X,, o les v.a. X i sont indpendantes et de mme loi P ( A / n ) . Donc X est infiniment divisible.
(iv) Si X suit une loi de Cauchy,

px(t) = e- 1'1 = (e-lt//"l) n .


Donc X suit la mme loi que X I . . . X , o les v.a. X i sont indpedantes et suivent la mme loi que X / n . Donc X est infiniment divisible.
c)

+ +

(i) Si B est un intervalle ne contenant ni O ni 1/2, alors, pour tout z E B et y E B , on a ncessairement J: y # O et z y # 1. Donc

P(Y + 2 E B
D'autre part

+ B ) = p ( B + B ) = o. + 2 E B +B) + B ) = o.

donc
70

(Y E B ) n (2 E B ) c (Y v @ v(B x B) 5 p ( B

(ii) Si B est lun des intervalles ] - co, O[, ]O, 1/2[ ou ]1/2, +m[, daprs c) (i) et lindpendance de Y et 2 ,

P((Y E B )n

(z E B ) )= P(Y E B >=~ o.

On en dduit P(Y E {O, 1/2}) = 1. (iii) En posant P(Y = O) = a et P(Y = 1/2) = b, et toujours sous lhypothse << Y et 2 suivent la mme loi et sont indpendantes , on a P(Y 2 = 1/2) = 2ab. Donc Y 2 ne suit pas la mme loi que X et p nest pas infiniment divisible.

d) On pose 2 = eitY et donc (pY(t) = E ( 2 ) . Dautre part 2 = &O - q N = k ) et

E(zn{N=k} = ) E(eitxl . . eitxk . I { , = , } ) = E(eitxl).. . E(eitxk)E(n{N=k})


= p(t)kPP(N = IC}.

Par convergence domine, on obtient alors

Observant que

on conclut que Y est infiniment divisible. Plus prcisment, soient

N , N ~N , ~. . ,. . N ~ , x ~ , x. . ;. ,x,,x2,x,1,x,2,. ,x~, .. ,x;,. . . . . . . . . . .

. . . . . . . X k , x;, x;, ...,XE,. .....


une suite de variables alatoires indpendantes, o les X i et les X a suivent la mme loi, o N suit la loi de Poisson P(A) et o N1, N 2 ,. . . N n suivent la mme loi de Poisson P(X/n).On pose

alors Y1 + . . .

+ Y, suit la mme loi que Y .


71

CONVERGENCE DE SUITES DE VARIABLES ALATOIRES

noncs
V.1 Soit (Xn)nEW une suite de variables alatoires relles sur un espace probabilis (a, A, P ) ; on suppose qu'il existe une suite de rels (un)nEW telle que les sries
n n

soient convergentes. Dmontrer que la srie

E, X ,

est p.s. convergente

V.2 Soit (Xn)TLEw une famille de variables alatoires gaussiennes, centres, de variance ( c T : ) , ~ convergeant ~ en loi vers une variable alatoire X .
a) Montrer que la suite ( c T ; ) , ~est ~ convergente et en dduire que X suit une loi gaussienne. tudier le cas o les X , ne sont pas centres.

1 ) ) On suppose que X , + X en probabilit. Dmontrer que X , converge vers

X dans tous les espaces LP.


V.3 Montrer que pour
J:

> O,

Soit maintenant (Xn)nEW une suite de variables alatoires indpendantes, toutes de mme loi N(0,l).Montrer que lim sup
n+cc

J27ogn

x,

=1

p-s.

Montrer galement que

V.4 Soit ( X i ) i E I une famille de variables alatoires relles sur (a, A, P ) ; on supa [ vrifiant limt+oo G ( t ) / t= c c pose qu'il existe une fonction G : [ O, 00 [- [ O, o telle que supiEI E(G(IXi1))est fini. Dmontrer que la famille ( X i ) i E Iest uniformment intgrable.

V.5

Soient ( X n ) n E N et (Y,),EN deux suites de variables alatoires relles sur (0, A, P ) convergeant en loi respectivement vers X et Y.
a) On suppose que pour tout n, X , et Y, sont indpendantes et que X et Y sont , converge en loi vers X Y . Donner indpendantes. Dmontrer que X , Y un exemple montrant que l'hypothse d'indpendance est indispensable.

I ) ) O Ksuppose ~ que Y = O. Prouver que X,Y, corivergc en loi vers O.

X, + Y, converge en loi vers X et

V.6 Soit (an),,-- une suite de nombres appartenant & [O, 11 ; on lui associe de variables alatoires indpendantes sur un espace probabilis une suite (X71)nEW (R, A, P ) dont les lois vrifient

si t

< O,

+ (i -a,)tn
quelles conditions sur (a,),,-N, la suite babilit, presque srement ?

si t E [ 0 , 1 ] , si t > 1.

(X,)nEN converge-t-elle en loi, en pro-

V.7 Montrer que la probabilit P, converge troitement vers la probabilit P si et seulement si 1ini7L+cc J4 d ~ = , J 4 d~ pour toute fonction 4 infiniment diffrentiable, support compact.

74

V.8 Une formule dinversion de la transforme de Laplace.


a ) Soit ?(A) = CnEW e-$& la loi de Poisson de paramtre A. Montrer que si X , est de loi P(A8) alors ( X , - M ) / A converge en probabilit vers O lorsque X -$m. En dduire que

1)) Soit ~ ( t =)

e t Xd P ( z ) la transforme de Laplace dune loi P sur IR+. Montrer que L ( t ) est drivable. Montrer que si P est de fonction de rpartition F , alors
,--a

lim

o-XkL(k)(A) =
kiXX

k!

F(z)

en tout point de continuit de F .


V.9 Une formule dinversion de la transforme de Fourier. Soient X , Y deux variables alatoires relles indpendantes. Notons f X la densit de X .
a ) Montrer que ~ ( e - ~ ~ ~ = c p E~ ( (( ~~ ~) (t )x ) ) ,t E

IR.

1)) Prendre Y de loi N ( 0 , a 2 ) et supposer (px intgrable par rapport la nie-

sure de Lebesgue. En considrant ThCorrrie 111.5.4 :


f x ( ~= )

+ CO,

montrer la formule donne au

&
> O,

i t x p X ( t dt. )

c.) Montrer que pour tous z , y et m

(Px (4 d t

On rappelle que

J O

oo sin(tx)
J:

dt = signe(z)~/2.
alors

En dduire que si

et y sont des points de continuit de F,

ce qui donne une formule dinversion de Fourier, et montre que px caractrise F X et donc Px.
75

CHAPITRE

v. C O N V E R G E N C E DE SLJITES DE VARI.4BLES

ALATOIRES

V.10 Soit ( X i ) i 2 l une suite de variables alatoires, de loi uniforme sur [ O , 11. Soit N , une variable alatoire de loi binomiale B ( n , p ) et indpendante des X i . Montrer que nminl<i<N, _X i converge en loi, lorsque n 00, vers une variable alatoire exponentielle de moyenne l/p.
--f

V . l l Appliquer le thorme limite central une suite (X,),,, de variables alatoires indpendantes de mme loi de Poisson de paramtre 1 pour trouver la limite de la suite

un= e-n

c$

n E N .

og<n

V.12 Soit (Xi)i2l une suite de variables alatoires relles, indpendantes et de mme loi P . On appelle mesure empirique de X I ,. . . , X , la loi de probabilit P, = n-' C1siIIL 6xi (cette mesure est alatoire puisque les X i le sont). Montrer que presque srement P, converge troitement vers P.

Indication : uhliser la dfinlition 4.l.i et lu loi forte des grands norrrbres. Si F,, (resp. F ) est ba fmict:ion de rpa,rtition de P,, ('ESP. P ) , o n prendra garde nu ,fait q'ue l'ensemble de mesure nulle sur lequel 1irnTL+= FrL(t) # F ( t ) doit pouvoir tre pris iridkpesidant tif, t : 6 cette fin, on peut utiliser ln m,noton,ie et In borriitude de F .
V.13 Notons U(P) la variable alatoire relle L-ZX, o les X i sont indpendantes, de loi B(1,p) et soit L ( P ) la loi de UTp). Soit J: E [O, 11. Notons z = Ci>l 2-izi son dveloppement en base 2. a) En utilisant la loi forte des grands nombres, montrer que sous L @ ) , pour presque tout 5 , la proportion de 1 dans le dveloppement en base 2 (i.e.
n-l

ci>'

xi) tend vers p . En dduire que les lois L(P)sont trangres les

unes par rapport aux autres.


b) Montrer que L(1/2) est la mesure de Lebesgue sur [ O , 1 1 (loi uniforme sur [0,11).

Montrer que les lois L(P) n'ont pas de parties discrtes. Donc si p # { O , 1 / 2 , 1 } la fonction de rpartition de C ( P ) est continue, mais pas absolument continue.

76

NONCS

V.14 Au Thorme IV.3.1 nous avons vu comment construire une suite infinie de variables alatoires indpendantes. Donnons ici une construction plus explicite sur IR. Soient X,, n 2 1, les variables alatoires de loi i?(1,1/2) construites lExemple IV.l.7.ii. En utilisant lexercice V.13 et lExemple V.1.3.imontrer de variables alatoires uniformes sur quon peut construire une suite (Un),>l [ O, 11, indpendantes.
Iii,dicatin : considerer la constr?iction en tnu,riglc

u i = 2-1x, + 2-x2+ 2 P X 4 + 2 P X 7 + . . . u 2 = 2r1x:< + 2-x5 + 2-xx+ . . . u:3= 2r1xrj + 2-& + .

l i d = 2-Xlo

+ ...

Montrer alors que si lon se donne une famille de loi Pi, i E N,sur IR, on peut construire une suite de variables alatoires relles ( Zi)iEN, indpendantes, telles que Zi est de loi Pi. Nous avons donc dans ce cas une preuve constructive du Thorme de Kolmogorov IV.3.1.

V.15 On considre une marche alatoire sur Z, partant de lorigine, reprsente de variables alatoires sur un espace probabilis (fl,A, P ) , par une suite (X,),,, mutuellement indpendantes, et de mme loi de Bernoulli sur { - 1 , l } de paramtre O < p < 1 (autrement dit P{ X , = 1 } = 1 - P{ X,, = -1 } = p pour tout n).On pose S, = X i + + . .+ X,, n 2 1, et par convention So = O. La variable alatoire S, reprsente donc la position au tenips n du marcheur parti de O. On sintresse la probabilit de revenir une infinit de fois son point de dpart, cest--dire la probabilit de lvnement

{ S,

=O

pour une infinit de n } .

a) Dmontrer que S,/n converge presque srement vers une limite que lon prcisera.

11) Dduire de la question prcdente que P ( A ) = O si p


c ) On suppose prsent que p = 1/2.

1/2.

(il Pour tout k 2 O, soit Z , = (sp+i - ~p)/diF. Prouver que z I , a mme loi que S2k/&. En dduire, en faisant usage du thorme limite

77

CHAPITRE V. CONVERGENCE DE

SUITES DE VARIARLEC>.m?AroIrtIils

central, que pour tout rel M ,

P{ ZI, 2 M } = 0 0 .
(ii) Conclure de la question prcdente que P{ supk 21, 2 M } = 1 pour tout A l , puis que P{ supk IZkI = 00 } = 1. En dduire que

(iii) Dmontrer avec la loi du 0-1 que lvnement BS = { supnL1S,/fi = +CO} est de probabilit 0 ou 1. Soit B- = { inf,>i S T L / f = i -00). Dmontrer que P ( B f ) = P ( B - ) . Conclure, laide de la question prcdente, que P ( B + )= P ( B - ) = 1.

(iv) Dduire de ce qui prcde que P ( A ) = 1. V.16 Soient p et v deux mesures de probabilit sur un espace mesurable ( E ,a). On appelle distance en variation totale la quantit

Soient X et Y deux variables alatoires sur

(n,A, P ) de
# Y }.

lois respectives P et

PY.
a) Montrer lingalit I(Px - PYll <_ P{ X
1)) Soient Y et
E

deux variables alatoires indpendantes sur (n,A, P ) , Y de loi de Poisson de paramtre O < p < 1 et E de loi de Bernoulli de paramtre 1 - (1- p ) e p . Soit X = 1 - li(E=Y=O>. Calculer la loi de X et dmontrer que lon a P { X # Y } < p 2 .

c ) Soit S une variable alatoire de mme loi quune somme de n variables alatoires indpendantes de lois de Bernoulli de paramtre p,, O < p , < 1, i = 1 , . . . ,n.Dmontrer quil existe une variable alatoire 2 suivant une loi de Poisson de paramtre X = Cl<z<np2. telle que _ _

d) Retrouver le Thorme V.5.6 pour pi = X/n, X

> O , 1 5 i 5 n ( n 2 A).

78

ci OLTTT ION s

Solutions
V . l On considre les vnements {X,# a , > que lon note A,. tant donn que C,P(A,) converge, daprs le lemme de Borel-cantelli, P ( A , i s ) = O. Donc pour presque tout w E R, X,(w) = a , partir dun certain rang (dpendant de w ) . Pour un tel w,la srie C,X,(w)converge car par hypothse Ena, converge. Donc X , est presque srement convergente. O

E ,

v.2
a) Soit (X,) une suite de variables alatoires de loi N(0,a:) avec

La suite des fonctions caractristiques (pXn ( t ), ) converge simplement sur R vers pX(t), donc

On en dduit que la suite (a,), est convergente vers un rel a positif. et 2 la /2 variable X suit donc la loi Dans le cas o a > O, pX(t)= u 2 t En revanche, le cas a = O donne une convergence gaussienne N ( 0 , a 2 ) . en loi vers la variable constante gale O qui nest pas gaussienne. On suppose dsormais que X , suit la loi N(m,, a:). On a

et donc, en prenant les modules,

Comme prcdemment, on en dduit que la suite (an), est convergente vers un rel a. La suite (X,), tant convergente en loi, elle est uniformment tendue (voir par exemple la suite du Thorme V.4.4 page 128). Par consquent, en considrant les vnements { X, E [m, - a, M, a]}, on obtient que la suite (m,), est ncessairement borne.

79

CHAPITRE

v. CONVERGENCE DE SUITES DE VARIABLES ALATOIREY


Si (rn,), admet deux points d'accumulation distincts, alors la suite

(eitmn), ne peut converger pour toute valeur de t. En conclusion (rn,),


converge vers un rel rn et
eitmn-ant2/2
-3

eitm-02t2/2

La suite (X,) converge en loi vers la loi de Gauss N ( m ,a2),dans le cas o O # O, ou bien vers la constante rn si n = O.
b) Par le rsultat du a), X est gaussienne centre et de variance cr2. D'aprs

)) le Corollaire V.3.6, il suffit de montrer que la suite ( E ( ~ X , ~ ~est n majore. On pose X , = a,.Y, et Y, suit donc une loi normale centre rduite. De plus
E(IXnIp) = .nE(IYnIP)
= .n.E(IYolP)

IK p ,

o KP est une constante indpendante de n dont l'existence est assure par la convergence de la suite (on),.La suite (X,) converge donc dans LP pour tout p .

V.3 Montrons que pour tout x > O,

Pour la premire des ingalits, une intgration par parties donne

l+cc I+*
e-$ d t =

__ t2 t-l t e - 5 d t = -X

dt.

On crit

et on en dduit :

80

SOLUTIONS

Soit alors O < E < 1. On pose

Xn
On a alors P(An)
N-

> (1 - )}

{xn 2 2/21nn(1t2

E)}.

1 1

/ J27F
J2lr J

e-7 dt

v5G(l-&)

,-inn(i-~)~

-K--

G ( 1 - )

Jinn

On reconnat le terme gnral dune srie de Bertrand divergente. Les vnements A, tant indpendants, par le lemme de Borel-Cantelli, on obtient P(A, i.s) = 1. Pour E strictement positif, on considre maintenant les vnements

B, :=
pour lesquels

Xn > { J2lnn
~

(1 &)

x, 2 G ( l + & ) } ,

1
N-

,-inn(i+~)~
G ( 1

J27; J

+E)

-K--

Jinn

On reconnat ici le terme gnral dune srie de Bertrand convergente. laide du lemme de Borel-Cantelli on obtient P(B,i.s) = O. De ces deux rsultats on dduit que :

Xn limsup ___ = 1 p.s.

d G

Montrons maintenant que

cest--dire maxi<i<n Xi

J2irin

<1+E}

-+

1.

Pour cela on montrera

81

1 , ) P(1-

<m

n1.

Tout dabord

et les variables Xi tant indpendantes


n

<l+E}=J-JP{xi5(l+E)d5Kz} i=l
= (P{Xi

5 (1 +

E ) G } ) n

par lquivalent (V.2)

Dautre part

do max Xi
n-tm

ce qui prouve a). Pour montrer b), on montre que P{


82

m s
5 1- E }
-t

O.

En effet :

= 1- P

{ Xz > dzG(1 } )
-

&)

par l'quivalent (V.2)

n++m

o.
+

Ce qui prouve b). En remarquant que P(An n Bn) -+ 1 ds que l'(An) obtient le rsultat.

1 et P(Bn)

-f

1 on

V.4 Sans perte de gnralit on suppose les X i positives et on On pose note que pour tout rel a , J{xt>nr XidP = J:"tdPxt(t).

M = S U P ~ EE(G(Xi)) ~ < 00. Soit A > O arbitraire et a0 tel que t Si a > ao, on a

> a0 +

y > A.

'di E I ,
On en dduit

./l+m

t d P X z ( t5 )

./l+"
X i dP

1 M d P X z ( t5 ) A E(G(Xi))5 -. A

SUP iEZ { X i > . }

a++m

O.

La famille ( X i ) i Eest ~ donc uniformment intgrable.


v.5
a) On utilise les fonctions caractristiques :

E(eit(x"fyn) >= E(eifXX,)E(eityn) car X et Y indpendants


-+ n

E (e i t x )E (city)
X et Y indpendants.
83

= E(eit(X+Y)) car

CHAPITRE V. CONVERGENCE DE SLJITES DE

VARIAHLES ALATOIRES

Donc X ,

+ Y, converge en loi vers X + Y .


x,=x,
C

Pour se convaincre de l'importance de l'hypothse d'indpendance, il suffit de considrer une variable alatoire X suivant une loi normale N(0,l) et poser :

Y,=
et

-x.

On a ainsi

Xn + X ,
n

Y, - + X
n
E

X,+Y,

=O.

b) Pour tout

IL: E

R et tout

> O,

{xnF x - E } n {IKl I E } c {xn + y, i x}.


En considrant les vnements contraires, puis les probabilits respectives, on obtient :

FX"-(z- E ) 5
De mme :

FXn+Yn(z)

+ P{)Y,) >

E}.

{X, >
puis

+E}

> E } c { X n + Yn > IL:},

F X n +un (IL:)

F F X " ( z+ E )

+ P{(Y,I

> E}.

De ces deux ingalits, on obtient

FX"(z- E)

- P{IY,I

> E } 5 FX,+Yn(z)

F X q z + &)

+ P{IY,I

> E}. > &}.

La fonction F X n tant croissante, on dduit l'encadrement :


IFXnfYn(IL:) - Fx"(z)I 5 F X " ( z + E )
- F X " ( z- E )

+ P{IY,I

On considre alors IL: point de continuit de F X . On peut choisir E aussi petit que l'on veut avec de plus z - E et z E points de continuit de F X et F X ( z E ) - F X ( z - E ) arbitrairement petit. Pour de tels IL: et E , on a :

limsup ( F ~ ~ + ~~(IL:) 5~
n

F~(~)I

~+ E ) (- F ~z ( I L : - E).

On en dduit Fxn+yn(x)

-$

F x ( z ) et X ,

+ Y,

X.

On va montrer que le produit X , Y, converge en probabilit vers O. Pour tout entier k

{IXnl
84

< k } n {IYnl < $1 c {IX,

Ynl

<i}

S o L I ITIONS

et donc

{IXnYnl 2
I1 sen suit

c {IXnl L

k } u {IYnl 2

$1.

P{IXn Y , l 2; }

I P{IXnl 2 k } + P{IY,I 2 $1.

Soit E > O. La suite (X,), tant convergente en loi, elle est tendue. Donc quel que soit n, P{IX,l 2 k } < E si est k est suffisamment grand. Dautre part la suite (Y,) convergente en loi vers une constante converge en probabilit vers cette constante (voir Exemples V.4.2 (iv)), donc P{IYnI 2 -&} < E si n suffisamment grand. Finalement

La variable ( X , Y,) converge en probabilit, et donc en loi, vers O.

V.6 Pour que la suite (X,), converge en loi il faut quil existe un t ~ ] 0 , 1 [ pour lequel la suite ( P { X , 5 t } ) , soit convergente.

ier

cas. Si la suite

(a,) ne tend pas vers O, alors quel que soit t ~ ] 0 , 1 [

P { X , 5 t } = a,

+ tn + antn

an.

Dans ce cas, il est ncessaire que (an)soit convergente. Si a, -+ a , la converge en loi vers la loi de Bernoulli a60 (1 - cy)&. suite (X,)

2e cas. Si la suite (a,) tend vers O, alors la suite (X,) converge en loi vers X = 1.
En conclusion, pour que (X,) converge en loi, il faut et il suffit que a, soit converge alors en loi vers a60 (1- a)&. convergente vers un rel a , et (X,) Pour pouvoir affirmer que la convergence soit une convergence en probabilit, il faut et il suffit que la limite X soit constante presque srement, cest--dire a, -+ O ou a, 1. De mme pour pouvoir affirmer que x X , -+ O (resp. 1) presque srement, il faut et il suffit que C P { X , > E } < 00 (resp. CP{i - X , > E } < w) pour tout E (voir Proposition V. 1.2, Lemme de Borel-Cantelli), cest--dire si C(i - a,) < 0 0 (resp.Ca, < w).

--f

V. 7 Lensemble des fonctions infiniment diffrentiables support compact, not CK, est dense dans Co(R), muni de la norme uniforme. On va montrer, dans un premier temps, que

85

CHAPITRE

v. CONYERGEWCE DE SUITES DE VARI.4BLE

.4Ll?AT011lES

Soit ( + p ) p une suite dlments de On a :

C g convergente vers + dans

(Co(R), 11. 1 1).

Ces deux derniers termes sont aussi petits que lon veut, pourvu que p soit suffisamment grand pour le premier, et que n soit suffisamment grand pour le second. On a ainsi montr (V.3). Soit dsormais cp E (espaces des fonctions continues bornes) et ( f k ) k une suite croissante de fonctions positives dans C g vrifiant

0 5 j k 5 1 et V x E R,
Quel que soit cp E cb(R),on a

f k ( X ) + 1. k

5 llpll/(1 - f k ) dPn -t-

1/

cp f k d P

1 1
fk

dPn

+ I/(flI

- f k ) dP.

le dernier terme est aussi petit que lon veut pourvu que k soit suffisamment grand et le deuxime terme, pour k alors fix,est aussi petit que lon veut pourvu que n soit suffisamment grand. Enfin, concernant le premier terme, on remarque

J
V.8
a) Soit
E

fk

dPn)

n+w

l(<pI(/ ( I

-fk)

dP

I1 est donc aussi petit que lon veut si n suffisamment grand.

strictement positif.

86

SOLLITIONS

La majoration utilise tant l'ingalit de Tchebitchef applique X x . On en dduit que x -AB converge en probabilit vers O et donc converge en loi vers O. Pour x

> O, on a

donc

e -xe
k<Xx

(Wk
k!
x++w

1 O

si x > O, siz<O.

CI

b) Par utilisation des thormes de drivation sous le signe intgral('), la fonction L est drivable sur RS. En effet : (i) t H etx est drivable sur Rs pour tout x 2 O. (ii) Si a > O, pour tout x 2 O et tout t 2 a , Ize-tXl 5 Ixe-""I L'(P), car borne.

Donc L est drivable sur [a, +m[ avec L'(t) = &+oc)(-x) e-tx dP(x). Le rel a > O tant quelconque, on en dduit que L est drivable sur R;. On peut ritrer ce raisonnement pour prouver que quel que soit IC E N,L est k fois drivable sur R; avec

Pour prouver l'galit demande, on utilise le rsultat montr en a). On remarque

et donc par convergence domine

'"Voir par exemple

( <

Calcul intgral , J. Faraiit, EDP Scierices

87

CHAPITRE

v. CONVERGENCE DE SIJITES DE VARIABLES ALATOIRES


Si II: est un point de continuit F alors part pour tout II: > O :

I[,,,[dP(8) = F ( z ) . D'autre

On obtient donc pour tout

II:

> O, point de continuit de F

Concernant le cas particulier II: = O, la somme prcdente vaut L(X) et nouveau par convergence domine lim L(X) =
X++m

I{,}dP(8) = F ( 0 ) .

v.9
a) On utilise le thorme de Fubini (voir Thorme 11.5.1)

E ( e i t ypx(Y)) = E(e-ztY
=E

( / ei(Yxc-tYf x O d X )
E ( e i Y ( x - t ) f x ( zdx, )

eiyxfx(II:)d x )

=J

par le thm. de Fubini


O

=E(pY(X -t)).

b) On rappelle que si Y suit une loi normale N(0,u2), on a p Y ( t ) = ea2t2/2. L'identit montre prcdemment devient alors

vt, E(e-Zty px(y)) = E ( e - $ ( x - t ) 2 )

(V.4)

et cette dernire expression n'est autre que l'expression au facteur L L J2n prs, de la densit d'une variable X 2, avec 2 indpendante de X et suivant la loi N(0,' / a 2 ) .(voir Exemples IV.2.4.(iv)).

88

SOLUTIONS

Dautre part, lorsque a -+ +oo, la variable alatoire 2 converge en loi vers O (regarder par exemple la convergence des fonctions caractrisX, tiques), et daprs le rsultat tabli lexercice V.5.b) X + 2 en loi. On a donc pour toute fonction continue support compact $ :

U-++CC

En utilisant (V.4), on obtient

Dautre part, sous lhypothse << px intgrable , et par convergence domine :

Vt,

/e-ztYpx(y)

e - s dy

Y2

U-t+CC +

e-ZtYpX(y)d y .

nouveau par un argument de convergence domine, on a

27r

$(t)

(1

eitYpX(y)e-$

d y ) dt

Et de lidentit

valable pour toute fonction continue support compact, on dduit que 27r

e-ZxYpX(y) d y

ps.

c) On suppose ici que 2 < y. On applique le thorme de Fubini (voir Thorme 11.5.1) pour intgrer la fonction
e-itx

- e-ity
eitZ

( t ,4

it
89

sur l'espace ([-m,m] x R, X 6 3 d P X ). I1 vient

e-itx - e-ity

it

eit* d t 8 dPX ( z )

sint(z - x)

dt

71.0

Im

sin t ( z - Y)

L'expression entre parenthses tend vers 1 1 ~ , ~ [ ( z ) + l / l2 ~( x ~ ( z ) + n( {z Y))) lorsque m tend vers +CO et peut tre majore par une constante indpendante de m et de z. Par convergence domine, on a :

Pour x et y points de continuit de F X , cette dernire intgrale vaut F x ( y ) - F x ( z ) et on obtient bien la relation demande qui caratrise donc F X et donc la loi Px. O

V.10 Soit t E [ , i ] . On a
n

{ n min

i<ijNn

x i > t>= U { n l jmin x i > t >n { N , = IC} i<Nn


k=O n

90

SOL11 1 IONS

Les X i et Nn tant indpendantes, il s'en suit :

Pour t g' [O, il, le calcul est trivial, et finalement :

'dt E R, P ( n min X i 5 t)
l<i<N,

--f

P(Y 5 t ) o Y

y-f

&xp(p).

V . l l Si (Xn),>l est une suite de variables alatoires indpendantes suivant la mme loi de Gisson ?(A), on sait que X1 X Z . . . Xn v+ P(nX) avec, X et Var(X1 + . . . Xn) = nX. On prend en particulier, E ( X 1 + . . . X n ) = n alors X = 1 et on applique le thorme limite central

+ + + +
O

X I +. . . + X, - n
Or

< } z -6 /1

_ -t 2 1 e 2 d t = -2

-cc

D'o le rsultat :
e-n
OSk<n
-

nk k!

n++w

-.

V.12 Soit F la fonction de rpartition de

XIet t E R. On pose

La suite (X;l)i21 est alors une suite de variables alatoires indpendantes, de mme loi et d'aprs la loi forte des grands nombres

xi + . . . + x; p.s
n
On note alors

-f

E ( X i )= P(X1 5 t )= F(t).

Rt

= {w E
=E . {

0, pour lesquels la convergence a lieu} +-.+x;<w> a,Xi(w) n


91

CHAPITRE V. CONVERGENCE DE SYITES

DE ~ : ~ I I I A B L EALATOIRES S

Soit (tn) une suite de rationnels << surjective sur Q . (On pourrait consiR ) . On considre drer toute autre suite vrifiant {tn, n E N} dense dans I R' := nnR,,. On a l'(az') = 1. k la fonction de rpartition de Pk = On prend w E 0' et on note F

IC-'

ci<i<k

Soient t E que

'xi(,)* IR un point

de continuit de F et

> O. I1 existe alors ti et

tj

tels

ti < t < t j et O < F ( t j ) - F(ti) < E .

Pour tout k E N, Fk(ti) I Fk(t) I Fk(tj) et pour tout n, Fk(tn) ';c F(tn), donc par passage la limite quand k tend vers +oo

F(ti) I liminf Fk(t) 5 limsupFk(t) 5 F ( t j ) .


k k

Le rel E tant arbitraire, (Fk(t))kconverge vers F ( t ) .Donc presque srement, O P, converge troitement vers P. V.13
a) On considre les variables X i dfinies sur (R,A,P). D'aprs la loi forte des grands nombres

On note 0' = { w

R,

CfXi(U)
n'ce

,p}

P ( 0 ' ) = 1 et donc PU(''(E)= 1 et ainsi

Soient p , q ~ ] 0 , 1avec [ p

# q. On pose

On a videmment E P
PU")

n E4 = 0 et donc
(EP> = 1 et
PU") ( ~ 4 = ) O.

Ainsi les lois C(P) sont trangres les unes par rapport aux autres.
b) On considre l'intervalle dyadique [ / ~ / 2 (~ k, un entier quelconque et O 5 IC 5 2n - 1.
92

+ 1)/2n[ de [O, 11, o n est

Si X dsigne la mesure de Lebesgue, X([IC/2",(IC+1)/2"[) = 1 / 2 n . D'autre (IC~ , 1 ) / 2 n [ } part, la ralisation ou non de l'vnement {U(1/2) E [ / ~ / 2 ne dpend que des valeurs prises par XI, . . . ,X n . Plus prcisment? on a

{u(li2) E [

I C / (IC ~+ ~ ,i > / 2 n ] }

pour des i l , . ,in dtermins dans {O, 1 ) de manire unique. Utilisant l'indpendance des variables X i:

{x, = il> n -..n {xn = in>

P{U(I/Z)E [IC/2n, (IC

1 + 1 ) / 2 n ] }= P{X1 = i l } x * . . x P { X n = in}= -. 2n

Donc C(1/2) concide avec la mesure de Lebesgue sur les intervalles dyadiques. Observant qu'une union d'intervalles dyadiques se dcompose en une union disjointe d'intervalles dyadiques (puisque l'intersection de deux intervalles dyadiques est un intervalle dyadique), C(1/2) et la mesure de Lebesgue concident sur l'algbre de Boole engendre par les intervalles dyadiques. Par la Proposition 1.4.7, elles concident sur la tribu engendre, qui n'est autre que la tribu engendre par les intervalles, c'est--dire est la mesure de Lebesgue sur [O, 11. la tribu des borliens. Donc d1l2)

O Remarque :o n peut aussi prouver que ,dl/') est la mesure de Lebesgue sur [O, 11 e n utilisant les fonctions caractristiques. Si U dsigne la variable alatoire Ck21 o n a :

3,
n

P(t> = E(
De plus

eitU

1 - E(

eitCk>l3. 2k )
X

E(1imeitCLl$$)
n

- lim(E(eitCk=l$ ) 7

par convergence domine.

et o n peut facilement montrer que


cos

($) . - (g) (g)


cos sin

= (+>"-I sin

(i)

O n e n dduit alors

D'o q5U(t)= i t . C'est la fonction caractristique de la mesure de Lebesgue sur [O, 1 1 , donc les mesures cokcident.
93

Dautre part, pour z =

3 E [O, 1 3:
pour tout p

P{U(P)= x> = p{n,,l[xi = xi]) = O,

e {O, il.

Pour p # O et p # 1, la mesure L(P)nadmet donc pas de partie discrte et si de plus p # 1/2, elle nest pas absolument continue (par rapport la mesure de Lebesgue) car trangre celle-ci.
V.14 Daprs lexercice V.13, les variables Ui suivent la mme loi uniforme sur [O, 11. Dautre part, il est clair que la construction en triangle partir des X i indpendantes, permet dassurer que les Ui sont indpendantes. Enfin si Fi dsigne la fonction de rpartition de Pi, et Fi+ sa fonction de quanZ i ) i = (F,C(Ui>)i est une suite tile (voir Proposition 111.2.7) alors la suite ( de variables alatoires indpendantes avec Z i de loi Pi.

V.15
a ) Daprs la loi forte des grands nombres
q

presque srement

(o q := 1 - p ) .

1)) Supposons p > q et soit a vrifiant O

< a <p

- q.

On note 0 lvne-

ment :

Ainsi

l(a)= 1 et pour tout w E R,

il existe N E

N vrifiant

I1 est clair que quel que soit n 2 N , Sn(w) # O donc w quent A n 0 = 0 et donc P ( A ) = O.
c)

e A. Par consO

(i) La variable 2 , = ( S 2 k + 1 - S2,)/@ = (X2k+l . . - X2,+,)/@ suit la mme loi que ( X I . . ~p)/@ car les ont mme loi et sont indpendantes. Dautre part, lcart-type de X i valant 1, le thorme limite central donne

+ +
+

+ + x i

94

Donc P{zk la

M} M}

&Jp e z d t
2 -4_

Oet et

srie x k _ > ( ) P { Z k L x k > O p{zk 2 M } = 0.

diverge

grossirement

(ii) Les vnements { Z k 2 M } , k = O, 1,.. . sont indpendants car les variables z k sont indpendantes. Du lemme de Borel-Cantelli (voir Thorme IV.3.5), on dduit P{zk 2 M , i.s.} = 1. En particulier :

V M , P{sUPZk 2 M } = 1.
k

D'autre part

On note nouveau R' = {w E R tel que supk I z k ( W ) a:

I=

+CO}.On

Pour w E R'

D'aprs l'identit (V.5), la suite

--in ne peut tre borne et donc 6

O
95

(iii) Lvnement B+ scrit

Donc B+ appartient la tribu terminale des tribus o ( X n ) et, daprs la loi du 0-1, P(B+)= O ou 1. O En considrant la suite -Xn on montre que P(B+) = P ( B - ) et on a

P s :

l$l=

+ a ; }

c B+ BO

et par (V.6) on a P(B+)= P ( B - ) = 1. (iv) On raisonne par labsurde en supposant que P ( A ) < 1. On a
-

A = ( An B) U ( An B - )

la runion tant disjointe ici !

Do P(A) = P (An B+) P (2n B-) > O, donc lun des deux termes est ncessairement strictement positif, disons le premier. On a alors P (An B - ) < P(A)et

P(B-) = P(B- n A)

I P ( A )+ P(B- n 2)

+ P(B- n A)

< P ( A )+ l(A) = 1 daprs la dernire remarque.


Or P ( B - ) = 1,do la contradiction. Donc P ( A ) = 1. V.16
a) Pour tout B E A, on a

{X E B } = ( { X
et donc

E B}n {X = Y } ) u({X E

B } n {x# Y } ) ,

P{X E B} = ~
96

( { E B x} n { X = Y } )+ P ( { X E B } n { x# Y } ) .

De mme pour Y , do

IP~(B)

P(B)~ = JP({x E B}n{X

# Y}) -P({Y E BI n { X # Y})J


O

L P{X # Y}.
Ainsi I(Px - PyI( 5 P { X
11)

# Y}.

Remarquons dabord que pour O < p < 1, on a O variable X suit une loi de Bernoulli avec

< 1- (1- p)eP < 1. La

P{X
Donc X
-+

= O} = P { E= O}.P{Y = O} =

((1- p)eP) .e-P = 1 - p .

B ( p ) . On a

{ X # Y } = ({Y = O} n { E #O}) u {Y 2 2}
et donc

= e-P.(i

(i - p)eP)

+ i - eP - p e P
O
i 5 n, 1. . , . , E~

= -pep + p

5 p 2 , car e p 2 i - p .
c ) En sinspirant de la question prcdente, on considre pour 1 5

P(pi)et ~i B(l-(l-pi)eP~) avec de plus Y I , Yz,. . . ,Y,, ~ indpendantes. On construit alors X i = 1 - l(,=K=o). I1 est alors clair B ( p i ) et que les X i sont indpendantes. que X i Y,
y.f y-f
y.f

On pose S = C X i et Z = CY,. La variable Z suit une loi de Poisson de paramtre C p i . De linclusion n i { X i = y Z } y Z } puis

c {S = Z } , on dduit {S # Z } c U i { X i #

a
i

Do lexistence de 2 vrifiant (IPS- PzI( 5 x p :

O 97

En particulier

Vk E

N,

98

PROBABILITS ET ESPRANCES CONDITIONNELLES

noncs
VI.l Soient X et Y des variables alatoires indpendantes, de mme loi, intgrables. Comparer les lois des couples ( X ,X + Y ) et (Y, X + Y ) .En dduire que E ( X 1 x + Y )= E ( Y I x + Y ) = ( X + Y ) / 2 .
VI.2 X 1 et X , tant les rsultats indpendants de deux jets de ds, et S tant leur somme, quelle est la loi de X i sachant que S est paire? VI.3 Soit X une variable alatoire relle quelconque, et soit a une constante relle. Dterminer la loi de X conditionne par X A a. VI.4 Soit X une variable alatoire valeurs dans n E W, P{ 2 M n I 2 m } = P{

IV, telle que pour tous rn,

+ x

x 2n}

(on dit que X est sans mmoire).


il)

On pose P{ X = O } = a. Dterminer la loi de X .

1)) Soit Y une copie indpendante de X . Quelle est la loi de S = X Y? Dterminer la loi conditionnelle de X sachant S = p , p E W. Interprter le rsultat.

VI.5 Soit X = (X,),,, une suite de variables alatoires. Soit N line variable alatoire valeurs dans N,indpendante de la suite X . Montrer que X N est une variable alatoire. Montrer que pour tout k E N,la loi de X N sachant N = k est la loi de X k . VI.6 Soient X I ,. . . ,X , des variables alatoires indpendantes suivant des lois ., Dterminer la loi conditionnelle de Poisson de paramtres respectifs A l , . . . , A du vecteur alatoire ( X I , .. . , X,) sachant que Ci<i<, X i = n. - _ VI.7 Soient X I , . . . , X , des variables alatoires indpendantes suivant chacune la loi N ( 0 , l ) .Dmontrer que la loi de X I sachant S ,= X i est la loi N(S,/n, 1 - 1/n).
VI.8 Soit X une variable alatoire suivant une loi exponentielle de paramtre > O. tablir que

Montrer que cette proprit caractrise la loi exponentielle parmi les lois densit. { < x < t h 1 x > t } = B pour tout t. Prouver que 1irnh-o h - l ~ t

N(O,1). On pose X

VI.9 Soient X et Y deux variables alatoires relles indpendantes de loi = R cos B et Y = R sin B.
a ) Montrer que X

+ Y et X

-Y

sont indpendantes et en dduire la loi de R2

sachant que Y = X .
l//tl/ctrt/oi/
Oil

p o / / 7 / f /Fci/rc

IP

$((-Yt 1 - y + (X Y)]).
~

I)) Montrer que R et sont indpendantes et en dduire la loi de R2 sachant que = n/4 ou 571-14(c'est--dire sachant que Y = X ) .
(

) Pour montrer que les rsultats ne sont pas contradictoires, prciser les soustribus de Conditionnement dans les deux questions.

VI.10 On se donne une matrice carre JP = ( t i , j ) l j i , j l n . Dterminer quelle condition sur P il existe des variables alatoires X et Y valeurs dans { 1 , .. . , n } telles que . . P. %>.I . =P{Y = j I X =i}, Z,J = 1 , . . ., n .

On appellera une telle matrice, matrice de transition (voir chapitre VIII).


100

P tant une matrice de transition (loi conditionnelle de Y sachant X ) , on dsigne par M le vecteur de IRn reprsentant la loi de X : Mi = P{ X = i }, i = 1,.. . ,n.
Dmontrer que la loi de Y se reprsente par le vecteur t P M .

V I . l l Nous avons vu lexercice V.6.14 comment construire une suite infinie de O, il),A). variables alatoires indpendantes sur lespace probabilis ( [ O , 11,B([ laide de lexercice V.6.14, construire sur cet espace une suite de vecteurs alatoires indpendants de loi Pi, i E IV,donnes sur IR2. VI.12 Soit P une loi sur IR2, de marges Px et P y , et ( X , Y ) de loi P. Soit Fxlv(x) la fonction de rpartition de la loi conditionnelle C ( X I Y = y). Soient U , V deux variables alatoires indpendantes et de loi uniforme sur [O, 11. Montrer que le couple (,i..t(U),Fx(FYC(U)(V)) est de loi P. Ceci donne un procd de simulation dun vecteur alatoire. VI.13 On reprend les notations de lexercice IV.13. Montrer que

P{
et que

2s 1

&,72

= z} = 1 - F (z

+s))

n-i

I R, s 2 O

VI.14 Soient X I , . . . ,X,, des variables alatoires relles, indpendantes et de mme loi admettant une densit f . Soit XI,, 5 . . . 5 X,,, ces variables alatoires ordonnes, et dfinissons les espacements Si,n = Xi,n - Xi-l,,, 2 5 i 5 n, qui mesurent les distances entre les variables adjacentes (faire un dessin). Soit

la fonction de rpartition empirique des espacements, laquelle compte la proportion despacements plus petits que z/n. Notons

] X i , Xi

Soit enfin Ji,n = 1, si aucune des variables X I , .. . X , ne tombe dans lintervalle x / n ] et Ji,,, = O sinon.

101

: I )

hdontrer que le vecteur (Il,,,. . . , I,,,) est changeable, cest--dire que sa loi est invariante par permutation des coordonnes (voir aussi exercice 111.6.8).

1)) Montrer que

-_
(.) Montrer que

n n-1

Ln(x) = ( n- 1 ) y
l<i<n

I,,,.

suit une loi de Bernoulli de paramtre

(1) valuer P{ ~ i , ,
c>)

1 ; I,,,

i }.

Montrer que limn-m E(L,(x)) = L ( z ) et que limn+m E ( L , ( x ) ~= ) L(x)~.

f ) En utilisant la continuit, la bornitude et la monotonie de L , montrer que lim sup ~L,(S) - L(z)l = O
n+m X E R

en probabilit.

(Pour n assez grand, ce rsultat donne une ide sur la taille des carts entre les points alatoires adjacents XI,+,. . . , X,,,.)

VI.15 La proposition 111.2.7 nous donne une faon dengendrer des variables alatoires relles, pourvu que la fonction de quantile soit facile calculer. Ce nest pas toujours le cas en pratique. Une mthode assez efficace est la mthode dite du rejet qui fonctionne comme suit. Soient f , g, deux densits sur IR. On souhaite simuler une variable de densit g, en supposant quon sache facilement simuler une variable de densit f , et quil existe une constante c telle que g 5 c f . Soit ( X ,U ) un couple de variables alatoires indpendantes, respectivement de lois de densit f et uniforme sur [O, 11.
a) Montrer que le couple ( X , c U f ( X ) )est uniformment distribu sous le graphe de f f = { ( x , y ) ER2 : o 5 Y L c f ( z ) } ;

cest--dire quen notant X la mesure de Lebesgue sur IR2, VA E B(IR2), P{ ( X ,c U f ( X ) )E A } = X(A n f).
102

En dduire que L ( X I c U f ( X ) 5 g ( X ) )a pour densit g.

I)) Soient (U,, X , ) des couples indpendants, de mme loi que ( X ,U ) . Soit NO= O et, i 2 1. N, = min{ i 2 N,_1 : cU,f(X,) 5 g(X,) } ,
Montrer que P{ Ni = k } = (1 - c - l ) k - l c ~ let que E ( N 1 ) = c. Montrer que X N , , i 2 1, est une suite de variables alatoires indpendantes, de lois de densit g . Expliquer pourquoi en pratique il faut prendre c le plus petit possible. VI.16 (Processus de Poisson)

a) On considre une famille de variables alatoires ( X i , .. . ,X,), indpendantes

et uniformment distribues sur [O, t 1. On note X i , , 5 . . . 5 X,,,, la famille rarrange dans lordre croissant. On dit alors que ( X I , , 5 5 X,,.,) est une n-statistique dordre sur [O, t ] .Donner la loi de ( X i , , 5 . . . 5 X,,,).
Irrdtccitiori .

or) p o i i r i i i
=

t i i t r o d u i i t 1r.i

(n.ic,inblf i
7))

A,
poiii

{ (XI I . . . 5
II

(X,(I) F . . .

IX,(,,)) }

toiilr p r i r n i i t ~ i t i o n (T iI

tlirr~~~~ti.

1)) Montrer que si

la loi dune (n - 1)-statistique dordre sur [ O , XI.


c ) Supposons que ( X I , ,

(Xi,, 5 . . . 5 X,,,) est une n-statistique dordre sur [ O , t ] , alors la loi conditionnelle de ( X I , , 5 . . . 5 X,-i,,) sachant { X,,,, = 2 } a 5 . . . 5 X,,,) est une n-statistique dordre sur [ O , t ] . Considrons des rels O = t o 5 ti 5 . . . 5 t, = t et des entiers O = IC0 5 ki 5 . . . 5 k p = n. Montrer que
P{ v j = O, . . . ,p
-

1,vi = k,

+ 1,. . . , k,+i X,,, E]t, , t,+1] }

103

CHAPITRE

VI.

PROBABILITr',S E I ESPE?RANCES CONDITIONNELLES

(1) On considre une suite de variables exponentielles de paramtre A, indet on note Sn = TI . . . T,, n 2 1. Calculer la pendantes, (Tk)k>l, . . , S,), puis la loi de S,. Montrer que la loi conditionnelle de loi de (SI,. (SI,. . . , Sn) sachant Sn+l = s est la loi d'une n-statistique d'ordre sur [ O, s 1.

c) On pose Nt =

E, lt[o,tj(Sn). Montrer que la variable Nt est finie presque srement. En utilisant c) et d), montrer que, pour tous O = to 5 tl 5 . . . 5 t,, pour tous entiers k l , . . . , kn, on a

En dduire que les variables Ntz - N t z p Isont indpendantes et suivent des lois de Poisson de paramtre A ( t i - ti-1).

104

soi 1' 1 I O N S

Solut ions
V I . l Les couples ( X ,X Y ) et (Y,X Y ) suivent la mme loi. On peut le montrer en utilisant les fonctions caractristiques. Notons p la fonction caractristique de X (et de Y ) .On a pour tout ( a ,b) E IR

E(ei((%b)r(XA+Y))) = E(ei(("+b)X+bY)1 = d a + b) p ( b ) = E(ei((a,b)>(Y,X+Y)) >.


On en dduit que E ( X I X + Y ) = E(Y I X Y ) . D'autre part E ( X X + Y ) = X + Y = E ( X IX+Y)+E(YIX+Y),donc

+Y I

E(X

X+Y 1 x + Y ) = E(Y 1 x + Y ) = 2.

Remarque : le fait que E ( X I X + Y ) = E(Y I X + Y ) pourrait se justifier ainsi : toute variable alatoire 2, a ( X + Y)-mesurable s'crit sous la forme f ( X + Y ) . O n a donc

E ( X 2 ) = E ( X f ( X + Y ) )= E ( Y f ( X + Y ) )= E ( Y 2 ) .
La deuxime galit tant justifie par le fait que ( X ,X suivent la m m e loi.
VI.2 Les variables X I et X z sont indpendantes et
V i , j E {1,2,. . . ,6}, P { X = i,Y = j } = P { X = i } P { Y = j } = 1/36.

+ Y ) et (Y,X + Y )

On a

P{ S est paire }
et

1/2,

V i E (1,. . . ,6}, P ( X 1 = i I { S est paire}} = 1/6.

VI.3 On suppose ici que O < P { X > u } < 1. Pour p une fonction borlienne borne, on crit

Cp(X>= Cp(x)n{x<a} + dx)n{x>a} 7


en remarquant que p ( X ) l l { X l a }est une fonction de X A a , donc a ( X A u)mesurable. L'esprance conditionnelle donne

E ( v ( X )I

x A a ) = <p(x)n{x<u} + E ( c p ( X ) q x > a }I x A 4

105

o K est une constante gale On en dduit que :

J cp(X)dP( w I { X > a}).


si x

C(X I X A a = z ) =
VI.4

C ( X ) sous P ( . I { X > a})

5 a, si x > a.

a) Quel que soit m E N,on a :

P{X 2 m + l
Cest--dire

1 x 1 m } = P { X 2 l}.

Vm E N,P { X 2 m + i } = P { X 2 m } P { X 2 i} = (i - a ) P { X 2 m}.
La suite ( P i x 2 m}), est donc gomtrique de raison 1 - a et pour tout m E N7 P { X 2 m } = (1 - u ) ~On . en dduit

P { X = IC} = P { X

2 k} -P{X 2 k + l }

= (1 -a).

La variable X suit une loi gomtrique de paramtre a.


b) Les deux variables X et Y tant indpendantes, on a pour tout k E N :
IC

P { S = IC} = C P { X = i } P { Y = IC -i}
i=O

C(1 &(l
i=O

IC

- .)k-i

Cay1- a)IC= ( k + l ) a ( l - a)?


i=O

IC

On reconnat la loi binomiale ngative de paramtre (2, a ) . Quel que soit O 5 k 5 p ,

P{X =k

I s =P} = P{X

= k

s =P l

p { s =p> - P{X=k,Y=p-k) -

pis = P l

1 p + 1 La variable S peut tre interprte comme tant le nombre dchecs obtenus lors dune suite dpreuves de Bernoulli ralises jusqu lobtention de 2 succs. Le calcul prcdent montre que, sachant que { S = p } , le nombre dchecs obtenus jusqu lobtention du premier succs suit une loi uniforme sur { 1 , 2 , . . . ,p l}.
-

P{X=k}P{Y=p-k} P{S = P l

106

Y o I, I I TI

~sN

VI.5

Pour tout borlien B , la partie

{XNE B}=

u{Xk

E B } n { N = IC}

kEN

est mesurable. Dautre part, pour tout IC E

N et tout B

borlien,

P ( { X , E B } n { N = IC}) P { N = IC} - P ( { X , E B } n { N = IC}) P { N = IC} P{Xk E B } P { N = IC} = P{Xk E B } . P { N = IC} Donc la loi conditionnelle de X N sachant { N = IC} est la loi de Xk. P { X N E B I N = IC} =
VI.6

La variable alatoire X I + . . +X , suit une loi de Poisson de paramtre X1 + .. + A , := X (voir Exemple IV.2.4 (ii)) et pour tout ( i l , .. . ,i,) tels que il i, = n, on a

+. +
. +

n! i l ! .. A,!

. . . :X
An

On en dduit que la loi conditionnelle du vecteur ( X I , .. . ,X,) CllilpX i = n est la loi multinomiale M ( n ,X1/X,. . . , &/A).

sachant

VI.7 On considre le couple gaussien ( X I , S,). On sait alors (voir VI.4.) que la loi conditionnelle de X1 sachant S, = s est une loi gaussienne de moyenne E ( X 1 I S, = s) et de variance E ( ( X 1 - E ( X 1 I S,))2). I1 est clair que E ( X 1 I S,) = E ( & I S,) quel que soit 1 5 i 5 n (car ( X i , S , ) et (Xi,S,) ont mme loi) et que E ( S , I Sn) = S, = C i E ( X i I S,). On en dduit S E(X1 I = s ) = -. n Dautre part

s,

E ( ( X 1 - E ( X 1 I S,))2) = E ( ( X i

- $)2)

=E

s, + %) (x:- 2x1 n n 2

107

Par consquent
2 Sn S i 2 Sn s n 2 1 1 E(X,-2X1-+-)=E(X1)-2E(X1-)+E(-) =1--+- =I--. n n 2 n n2 n n n Donc la loi de X1 sachant S, = Cilil, X i est la loi N ( n ,1 O

i).

VI.8 On note F x ( t ) la fonction de rpartition de la variable X et C x ( t ) = 1 - F x ( t ) (la coda de la variable X ) . Si X suit une loi exponentielle de paramtre 8, C x ( t )= exp(-8t) et pour tout s , t 0 :

>

P{X

2 t + s I x > t } = P { X L t + s } - ,-OS P{X > t}

p{ X -

> s}.

Rciproquement, si une variable alatoire X admettant une densit vrifie :

P { X 2 t + s I X > t } = P { X > s } , s , t 2 O, sa coda C ( t )est continue sur R et vrifie :


vs,t

2 O, C ( t + s ) = C ( t ) C ( s ) .

(VI.1)

En prenant t = s = O dans la relation (VI.l) on obtient C(0) = 1 et on en dduit que X est positive presque srement. Dautre part, par un rsultat classique danalyse, toute fonction continue sur IR+,vrifiant (VI.l) est de la forme C ( t ) = exp(-8t) (ici 0 > O, car O I Q ( t )L 1). La variable X suit donc une loi exponentielle de paramtre 8.

O
Enfin

P { t < X < t + h 1 X > t } - e-et


h
-

- ee(t-th)

h eet 1 - ,-eh

h
VI.9

/L+O

8.

a) Le couple ( X + Y , X - Y ) est un couple gaussien centr et E ( ( X + Y ) ( X Y ) )= E ( X 2 - Y 2 )= E ( X 2 )- E ( Y 2 )= O. Donc X Y et X - Y sont indpendantes.

La variable R2 = i ( ( X + Y ) 2 + ( X - Y ) 2 ) := h ( X + Y , X - Y ) avec X + Y et X - Y indpendantes donc la loi conditionnelle de R2 = h ( X +Y,X - Y ) sachant X - Y = O est la loi de h(X+Y,O), (voir Exemple VI.3.5.(ii)) cest--dire la loi de % ( X Y ) 2 .

On a X + Y - N ( o , 2 )

et pour t 2 0 :

P { i ( X + Y ) 2I t } = P { - J 2 t 5 X + Y 5
108

A}= 2F(&)

SOLUTIONS

avec F fonction de rpartition de N(0,2).On en dduit que $ ( X admet la densit

+Y)2

f ( t )=

si t 5 O.

h) On considre que prend ses valeurs dans E [O, 2 ~ [ On . vrifie que pour tout ( t , a ) E [0,27T[XRT, :

P ( { R5 t } n { 5 a } ) = -(i

a 27T

e-?)

t2

= P{R 5

t } P { 8 _< a}.

(Par un calcul lmentaire dintgrale double.) On en dduit lindpenO dance de R et de 8.

La variable R2 est alors indpendante de 8 et la loi conditionnelle de R2 sachant est donc la loi de R2. Pour t 2 O, on a P{R2 5 t } = 1 - e-;. Ainsi R2 suit la loi exponentielle de paramtre 1/2.
c) La tribu a ( X - Y ) est distincte de a ( 8 ) . Par exemple lvnement (-1 < X - Y < 1) nappartient pas a ( 8 ) . Ceci justifie le fait que les deux lois conditionnelles calcules prcdemment peuvent tre diffrentes.

VI.10 Pour quune telle matrice coefficients positifs soit une matrice, dite de transition, il faut et il suffit que pour tout i = 1,.. . ,n :

j=i

CONDITION NCESSAIRE :

I { , + }
j=l

= 1

donc pour tout i :


n

E(
j=l

1 x=i
j=l

x = i) = 1.

Dautre part, quel que soit j :

do la condition ncessaire.

O
109

CONDITION SUFFISANTE

Toute matrice P satisfaisant cette dernire condition fournit, avec la donne d'une loi quelconque de X (avec P { X = i} # O), la loi d'un couple ( X ,Y ) qui O admet alors cette matrice P comme matrice de transition. On a les galits suivantes :

P{Y

= j } = E(I{Y,j})

= E(E(n{Y=j}
n.

I X))

i=l

=
i=l

P2,j P { X = i}.

VI.11 (On pourra se rfrer l'exercice VI.12.) Soit ( X i ,y Z ) un couple alatoire de loi donne Pi. Soit (Un)n2~ une suite de v.a. indpendantes de loi 1 . La suite uniforme sur [O, 1

est une suite de variables alatoires valeurs dans IR2, indpendantes o chaque terme de la suite est de loi donne Pk.

VI.12 La loi d'un couple valeurs dans IR2 est donne par la valeur de E ( c p ( X , Y ) )pour toute fonction borlienne borne cp dfinie sur IR2. Or

E(<p(X, Y ) )= E(E(<p(X, Y ) )I y ) ) .
La connaissance de la loi de Y et de la loi conditionnelle L ( X permet donc de connatre la loi du couple ( X ,Y ) . Le couple (Fyt( U ) ,FXIFY'(')+(V)) est de loi P.

I Y = y)

nous

, ~donne ) par : VI.13 La densit du couple (Xi,n,S ~ + Iest


g(z, s ) = i(n - i) (voir exercice IV.13).
110

f ( z ) f ( s z)FZ-l(z>(l -F(s

+ X))+I

SOLUI I O N S

Aprs avoir calcul la densit marginale de Xi,%, on obtient une expression de la densit conditionnelle de Si+1 sachant Xi,n = z (voir Exemple VI.3.5.(iii)) :

i(n - i)(;)f(.)f(s
S++

+. ) F i ' ( . ) ( i i (7) f(.)Fi-'(.)

F(s

+ .))n-i-l

=f ( .

+s)(n

i ) ( l- F(.

+ s)) n-i-1

On a

P{Si+i,n 2 s I Xi,n =

.> J,'+m
=

f ( .

+ t ) ( n- i ) ( l- F ( z + t))-

dt

Pour montrer la deuxime relation, on pose Yi = -Xi. La fonction de rpartition de cette variable alatoire est donne par : G ( t )= 1 - F ( - t ) . On dfinit les variables Yi,,, . . . ,Yn,n partir des v.a. Yi et il est clair que les vecteurs

(Xl,n,. . . ,Xn,n) et

(Yi,?%, . . . Y,,,)
1

suivent la mme loi. Enfin, on note Ti+l,, = - Y,,,. On vrifie alors que Ti,n suit la mme loi que S,+a-i,,. D'aprs le premier rsultat tabli, on a :

P{Ti+i,n 2 s

I X,n = Y}

= (1 - G(Y

+s))~-'.

On a d'autre part la suite d'galit suivante : P{Z+l,n

2 s I Yz,n = Y}

P(Y,+l,n - X,n L I q 7 1 = Y} = P{-Xn-z,n + Xn+l-i,n 2 s I -Xn+l-i,n = Y} = W L + l - i , n - Xn-i,n 2 s I Xn+l-i,n = -Y}.


=

On pose y

= -2,

et on obtient :
=

P{Xn+i-i,n-Xn-i,n 2 s I Xn+l-i,n = X}

(l-G(-z+s))n-i = ( F ( ~ - s ) ) ~ - z ,

puis en changeant i en n - i , l'identit voulue :

P{Xi+i,n - Xi,n 2 s I Xi+l,n = } . = ( F ( z - S))Z.


VI.14

a) La variable Il,, est une fonction de ( X i , . . . , X n ) , symtrique en les va-

riables X , , . . . ,X,. On pose


11,J =

p(X) o (X) = ( X i , .. . ,X,).


111

Si X i dsigne le vecteur dduit de X en intervertissant les composantes X I et X i , on a

Iz,n = (p(Xi).
La loi du vecteur ( X i , .. . , X n ) tant invariante par permutations des variables X i , le vecteur

est changeable. h) La variable


n n- 1

C(1
i=l

- &,n) = n

C
i=l

I2,n

dnombre les espacements Si,n infrieurs x/n. On obtient ainsi

et on en dduit

(VT.2)
c ) On note Ai l'vnement {li,n = 1). On a l'(Ai) = l'(Al) et

d) Le vecteur

(11,~ .

, . . ,In,+)tant

changeable,
12,n =

P{& = 1 ;Ijp = 1) = P{I1,n = 1 ;

1).

On utilise ici un conditionnement par o(X1,X2), la tribu engendre par X1 et X2.

112

Les X i tant indpendants, on a comme prcdemment

et donc :

e ) D'aprs les rsultats prcdents

D'autre part, on sait que pour toute fonction h continue sur E et pour tout z E E :

[+'h(t)dt
car z
H

O '

eh(%)

saxh(t)d t est drivable.


H

l'application z Pour une fonction h E L1(E), sur IR presque srement('). On en dduit que pour h E ,C'(Et) :

s," h(t)d t

est drivable

Jx

h(t)dt

O '

e h ( z ) p.s. sur I R

et donc pour toute variable X , absolument continue par rapport la mesure de Lebesgue

sx" h(t)dt
-+O

E ~ ( X p.s. ) sur R.

On en dduit le calcul :

exp(-zf(X1))

p.s. sur R.

D'autre part, en tant que probabilit,

("Voir par exemple

{(

Analyse relle et complexe , W. Rudin, DUNOD.

113

donc par convergence domine,

( -1 F ( X ~ x / n >- F ( x ~ ) ) ~ - ~ E ) ( exp(-zf(Xl)))
n
I

I1 s'ensuit :

E(Ln(2))

- s,
n

1-

f ( t ) " f @d )t = L(z).

Partant de la relation (VI.2)' on obtient l'expression de Ln(z) :

L;(z) =

+ ( n- i ) 2

n2

1 - 2n ( n - i ) 2 C1 I i , n

+ ( n-

2
.
.

Ii,nIj,n.

On prend l'esprance de chacun des termes, en remarquant que par la question a), E(Ii,nIj,n)ne dpend pas du couple ( z , j ) :

D'aprs les calculs prcdents :

(E
+

=n-

( n- I ) E ( L , ( ~ ) ) n ( i - ~ ( z ) ) .
N

D'autre part, presque srement sur R,


( 1 - F ( X ~ z/n>

~ ( ~ 2 F 1 (- X

~ z/n> F ( x ~ ) ) ) ~ - ~

exP(-zf(Xi) - z f ( X 2 ) ) ,

et nouveau par convergence domine, on obtient :


~ ( 1 i , n 1 2 , n )-n + E ( e x ~ ( - z f ( X i )- z f ( X 2 ) ) )

= E ( exp(-zf(Xl))E( = (1 - L(2))2.

exp(-lf(X2)) car X i , X2 indpendants

On passe la limite dans (VT.3) :

E(Ln(2))
114

1 - 2(1 - L ( 2 ) )

+ ( 1 - L ( z ) )2 =

La variable &(II:) a une esprance qui tend vers L ( z ) et une variance qui tend vers zro car : V(L,(Z)) = E ( L i ( z ) )- E2(Ln(z)) --+ n

o.

On dduit de ceci que L n ( z )tend vers L ( z )en probabilit : Soit


E

strictement positif, puis N tel que

Do le rsultat.
f ) La fonction L est clairement croissante et vrifie

VII: E [ O , + o o [ , O 5 L ( z ) I 1.
Par convergence domine, L ( x ) tend vers 1 quand II: tend vers +cc et L est continue sur [O, +oo[ par les thormes classiques sur les fonctions dfinies par une intgrale(*). Soit E > O et n E N tel que l / n 5 ~ / 4 On . considre alors les IC 1 rels O = xo < 2 1 < . . . < x k rels vrifiant V i , O 5 L(zi+i)- L(zi) 5 ~ / 4 On . a pour xi 5 x 5 zi+l :

()Voir par exemple

( (

Calcul Intgral , J. Faraut, EDP Sciences.

115

CHAPITRE VI.

PROBABILITS ET ESPRANCES CONDITIONNELLES

et d'autre part, la fonction z

L,(z) tant croissante

ILn(4 - Ln(z2)I I (Ln(zz+l) - Ln(zz)l.


(Y)

On note E, la partie de R sur laquelle

(4 5 4 3
On a

(Y) I E / 3 .

l'(En)
D'o le rsultat.

-+i

et

E,

c {ILn(z)- L(z)I 5 E } .
O

VI.15
a) On pose Y = c f ( X )U , Y , la loi du couple ( X ,Y ) et dans la suite on R et IR2. notera respectivement A1 et A2 la mesure de Lebesgue dans I

Il est clair que le couple (X,Y ) prend ses valeurs dans ((2, y), O 5 y 5 c f ( z ) } = f . D'autre part, la loi conditionnelle L(Y I X = x) est la loi de cf(z)(voir Exemples VI.3.5 (ii)) c'est--dire la loi uniforme sur [O, c f ( x ) ] .On a donc pour tout borlien A de B(R2) :

Et pour tout A , borlien de IR

On en dduit donc que L ( X I c U f ( X ) I g ( X ) ) a pour densit g.

0
=

b) Remarquons que P { c U f ( X ) < g ( X ) } = P { Y (i - c-l) et que pour tout IC 2 1,

< g ( X ) } = (C - 1)c-l

{Nl = k } =

Ces diffrents <{ facteurs >) tant des vnements indpendants, on en dduit P{N1 = k } = (1- c-l)k-lc-1.

r
i=l

nicUif(xi) > g(xi)} n { c U k f ( x5 k) g(Xk)}.

116

S01, IJTIO N s

La variable N i suit donc une loi gomtrique de paramtre c-l et son esprance vaut donc e. Pour tout B , borlien de R ;

=P{X E

B I Y 5 g ( X ) )=

1
B

g(t)dt.

La variable

XN,admet

donc g pour densit.

On a pu ainsi simuler une variable admettant g pour densit. Cette simulation sappuie sur les simulations des variables X i et Ui et des <( tirages )> indpendants. Une valeur Xjvi sera obtenue dautant plus rapidement, en moyenne, que c est plus petite. Soit B un borlien de IR,utilisant la variable N i presque srement finie, on a :
P{xN,

B)=

CP({XIV, E B ) n { N = IC}),
k>l

et un calcul analogue au prcdent montre que

Ainsi P { X N , E B } = JB g ( t ) d t et X N , admet aussi g pour densit. On montrerait de mme que quel que soit IC, la variable X N , admet g pour densit. On note F . la tribu engendre par X I , .. . ,X,, U 1 , . . . , U,. Pour prouver que, par exemple, que les variables X N , et X N , sont indpendantes, on peut remarquer que pour toute fonction cp, borlienne borne,

117

CHAPITRE

VI.

PROUABIL11 S ET EPRANCES CONDITIONNELLES

= ~(II,(XN1))%9(XN2

1).

Do lindpendance de X N et ~ XN~.
VI.16 a) Le vecteur (XI,,,

. . . , X,,,)

prend ses valeurs dans A,(t)

c Rn o

&(t) = { ( Z l , .. . ,xn),O 5 x 1 I * . . I x, I t}, et pour tout pav P = n [ a i ,bi] c A,@)


{ ( X l , n , .. * ,Xn,n) E p > =

u
U

{(XCr(l) , . * * X,,,))

Pl

o a parcourt toutes les permutations de {1,2, . . . , n}. Do

On en dduit que (XI,,, . . . ,X,,,)

admet la densit

Le vecteur (XI,,, . . . ,X,,,)

suit donc la loi uniforme sur A,(t).

t)) La loi conditionnelle ,C((Xl,,, . . . ,X,-l,,)

1 X,,,

= x) admet la densit

(voir Exemple 3.5.(iii))


118

et du calcul prcdent on peut dduire que, pour O 5

IC

5t

--

n! xn-l tn (n- i)!


'

Donc la loi conditionnelle , C ( ( X I , ~.,..,Xn-l,,) densit :

X,,,

IC)

admet la

c) L'vnement considr peut se dfinir de la faon suivante :

{ Parmi les composantes de ( X i ,. . . , X,), kl sont dans [O, t i ] , dans ] t i , tz],. . . , kp - kp-i sont dans ]tp-l, tp] }. k2 On reconnat le cadre standart donnant lieu une loi multinomiale, (tirages avec remise de n boules dans une urne contenant des boules de p ti-ta-1 couleurs diffrentes Ci en proportion -t-). Par consquent :

d) On va montrer par rcurrence sur n que la loi de (Si,.. . , Sn) admet la densit

Le rsultat est clair pour n = 1. Pour cp une fonction borlienne borne sur A, := {(si,.. . ,sn),O 5 si 5 . . . 5 s,}, on a :

E(cp(S1, *

1 . 7

sn-1, Sn)) = E(%4Si7.

, sn-1,

sn-1

+X ) 1 X ) )

o la variable alatoire X est indpendante des S i et suit une loi exponentielle de paramtre A. La loi conditionnelle L(cp(S1,.. . ,Sn-l, Sn-i+X) I X = IC) est la loi de cp(S1,.. . , S , i + I C ) (voir Exemple 3.5.(ii)).
119

CHAPITRE

VI.

PROBABILITS ET ESPERANCES CONDITIONNELLES

cp(s1,.

. . , s,-l, s,)

AneXsn ds1. . .ds,.

La loi de Sn est la ne loi marginale du vecteur (SI, . . . ,Sn). Elle admet donc sur IR+ la densit :

On en dduit (voir nouveau Exemple 3.5.(iii)) que la loi conditionnelle C((S1,. . . , Sn) I Sn+l = s) admet la densit :

P{Nt = 00) = limP{S, 5 t } = lim


n

ds.

Or
An-ltn-1

ds 5

AnAe-ds 5

ltn- 1 +
R.

( n - i)!

( n - l)!

o.

Ainsi P{Nt = 00) = O et Nt est finie presque srement. On pose N =


Ici et

A lvnement
- Nt,

{ Nt1 = Ici, Nt,

= k2.. . ,Ntn - Ntn-i = Icn

}.

On conditionne par la variable SN et on peut supposer, sans perdre de gnralit, que IC, 2 1 (quitte << descendre B jusquau premier i, tel que
120

SO L c T I O Ns

Ici

2 1).Par

les rsultats obtenus prcdemment, on obtient

D'o le calcul :

Remarque : on a utilis la densit de la variable SN dans la deuxime galit et on a pos t o = O dans la dernire. Pour obtenir la loi Nii
{(lci,. . . ,ki-1) E N i ' }:
-

Nti_l, il suffit de sommer sur le pav

CI
On en dduit que Nti - Nti-, suit une loi de Poisson de paramtre A ( t i - t i - 1 ) puis, via la loi du vecteur ( N t l , . . ,Nt, - NtnPl), que les variables Nti - Nti-l sont indpendantes. O

121

VI1
MARTINGALES ( TEMPS DISCRET)

110nc s
V I I . l Soit (Xn),l>I une suite de variables alatoires indpendantes, de mme loi de Bernoulli P{ X , = O } = P{ X,,, = 2 } = 1/2. Pour tout n 2 1, on dsigne par E ., la tribu engendre par X I , . . . , X,, et lon pose Z,, = flIISlcln X k . Dmontrer qiie (Z,)n21 est une martingale par rapport ii la filtration (F,L)n>l qui nest pas uniformment intgrable.
-

VII.2 Soient c l , . . . , ck des rels tels que ClliSlc ci = O. Soit 7r une permutation alatoire de { 1 , 2 , . . . , k } uniformment rpartie sur le groupe des permutations dc k lments, cest--dire telle que pour toute permutation 7 de k lments, P{ 7r = T } = i / k ! . Soit

et soit la suite de tribus F , = 0 ( 7 r ( l ) , . . . ,7r(n)),1 5 n 5 IC. Montrer que (X,, Fn)lSnlk est une martingale.
lr/diccitior/ : rrror/trr I
que'

ri 5 I 5 k . C(.rr(/) 1 ~ ( 1 ) . . . .T(// - I ) ) c s f in loi { T ( 1 ) .. . . . T ( I 1 1) ).


~

CHAPITRE VII. LIARTINGALES (

TEMPS DISCRET)

VII.3 (Urne de Polya) Une urne contient n boules noires et b boules blanches. Une boule est tire au hasard, selon une probabilit uniforme sur les boules dans lurne. Elle est remise dans lurne, et on ajoute aussi a boules de la couleur tire. On itre cette procdure de tirage-ajout. Soit XO= n / ( n b) la proportion de boules noires initialement dans lurne, et soit XI, la proportion de boules noires la k-ime tape du tirage-ajout. Montrer que XI, est une martingale, pour la = o(X1,. . . , X,). Montrer que cette martingale converge, et suite de tribus FI, donc que la proportion de boules noires converge vers une proportion a priori alatoire Y . Note : on peut montrer, mais cela demande un peu de calcul, que Y a pour loi une loi de densit

(voir par exemple Feller (1971)).

VIL4 (Lemme de Wald.) Soit (X,),,, une suite de variables alatoires indpendantes, de mme loi, et soit, pour G u t n > 1, S, = XI . . . X,. Soit en outre T un temps darrt intgrable relatif la filtration engendre par cette suite. Dmontrer que E ( S T )= E(X,)E(T).

+ +

V11.5 Sur (O, A, P ) , soit (Xn)n>lune suite de variables alatoires relles in1, soit F , la tribu engendre par dpendantes, de mme loi. Pour t o u t n Xi, . . . ,X,. On note les sommes partielles S, = X1 + . . . X,, n 2 1. On convient que So = O et, pour tout z E IR,on dsigne par E lesprance dfinie par E(.) = E ( . x). On parle alors de la marche alatoire S, partant de z au temps O.

>

a) Soit N

2 1 un entier fix et soit T un temps darrt valeurs dans { 1 , .. . , N } de la filtration (Fn)l,,l,. Dmontrer que, pour tout n 2 1, S,+T - ST est indpendant de FT et de mme loi que S,.

11) Dduire de la question prcdente que pour toute fonction borlienne borne q5 sur IR,et tout n 2 1,

E($(Sn+T) FT) = E S T ( 4 ( S n ) ) p.s.


VII.6 Soit (Xn,F,)llnlI, une martingale de carr intgrable. On dfinit X * = maxl<,<I, _ _ IX,l. En utilisant lingalit maximale de Doob, dmontrer que

E((X*)2)5 4 E ( X 3 .
124

NONCS

VII.7 Sur un espace probabilis (O, F, P ) , soit (Mn)lln<kune martingale par et soit P n ) l < n < k une famille de variables rapport une filtration alatoires sur ( O , F , P ) telles que H , soit mesurable par rapport .Fn-l, pour o = { 0, R }). tout n = 1,.. . , k (avec la convention F Soit a > O ; on dfinit T = min{l 5 n 5 k - 1 : IH,+lI > a } et T = k s i l'ensemble dont on prend le minimum est vide. Dmontrer que T est un temps d'arrt de la filtration On pose, pour tout n = 1 , . . . , k ,

x , , =
l<i<TAn

H&uz - M i - l ) .

(M-1
VII.8

= O).

Dmontrer que (Xn)15nlkest une martingale de

(Fn)lln5k.

On considre une variable alatoire T valeurs dans N, de loi gomtrique

P{T

=n

} = a(1

n E N,

o a est un rel positif donn. On appelle F,, la plus petite tribu rendant mesurable est une filtration. la variable T A n , n E N.Vrifier que la famille de tribus Dmontrer que .En est engendre par une partition de n 1 atomes que l'on prcisera.

a ) Dmontrer que, pour tout n,

1,) Dduire de la question prcdente que

c.) Pour quelle valeur du paramtre rel a le processus

est-il une martingale par rapport la filtration

(Fn)nEW ?

d) En prenant pour a la valeur trouve la question c), calculer l'esprance conditionnelle E((Xn+l - X n ) 2 I Fn).En dduire que le processus

est une martingale par rapport la filtration

(Fn)nEN.
125

CHAPITRE

VII.

hIARTINGALES ( TEhlPS DISC'HET)

VII.9 Soient XI, . . . , X,, des variables alatoires indpendantes sur (a, A, P ) , valeurs dans Rd ; on considre une norme quelconque 1) . 1) sur Rd, et on suppose Il2) < 00 pour tout i = I , . . . ,n. Posons S, = XI . . . X,. que ~(llxi Dsignons par Ai, 1 5 i 5 n, la sous-tribu de A engendre par les variables Xi,. . . , X i et par A 0 la tribu triviale compose de 0 et 0. Pour tout i = 1,.. . ,n, posons 4 = F(IISnll Ai) - E(((SnI1 Ai-i).

+ +

tablir que
lsisn

Dmontrer que pour tous i < j , E(dj i = 1 , .. . , n, sont orthogonales. Dmontrer que pour tout i = 1 , .. . , n,,

Ai)

O, et que les variables d i ,

Par l'ingalit du triangle et la question prcdente, tablir que

E(dS 1 Ai-1) 5 E ( I I X i ( ( 2 ) ,

i = l , . .. ,n.

En conclure, l'aide de la premire question, que

VII.10 Soit A:, k = 1,.. . , 2n-i, n 2 1, la famille des intervalles dyadiques de l'intervalle [O, 1] muni de la mesure de Lebesgue A. Si P est une mesure de probabilit sur [ O , 1] absolument continue par rapport A, poser

126

Dmontrer que, sur ([O, 11,A), (Xn)n>l est une martingale par rapport la suite de tribus Fn = .(An, 1 5 IC 5 n 2 1. Dmontrer par labsurde quelle est uniformment intgrable et en conclure lexistence de la densit de RadonNikodym de P par rapport A.

27b-9,

127

CHAPITRE VII. MARTINGALES (

TEMPS DISCRET)

Solutions
VIL1
Le calcul E(Zn+l 1 Fn) donne
*

E(Zn+l I Fn) = E ( X 1

- XnXn+l I Fn) = x 1 - XnE(Xn+l I Fn),


*

car X i , . . . , X , sont Fn-mesurables. Puis

E(Zn+1 I Fn) = x1. . . XnE(Xn+l),


car Xn+l et . En sont indpendants et enfin
1 E(Zn+l I Fn) = x
* e x n

=2 , .

Donc ( Z n )est bien une martingale par rapport la filtration Fn, Dautre part 2 , prend les deux valeurs O et 2n avec P{Zn = an} = et P{Zn = O} = 1- 1 2% et donc quel que soit c > O, partir dun certain rang, on a

&

lZnl dP

= 2nP{Zn = 2n} = 1.

6,zn ,>cl
On conclut que (Zn),>l - est une martingale L~ (car mment intgrable (voir Dfinition V.3.3).

~ ( 1 . ~ ~ 1=) i),non unifor-

Remarque : en vertu du thorme VII.2.1, la martingale ( Z n ) converge presque srement. Ici ( Z n )converge vers O sur lvnement n { X i = 2) de probabilit 1.

VIL2

O n pourra auparavant sintresser lexercice III. 6.

Prcisons que la suite ( X n ) est dfinie pour 1 5 n 5 k - 1 et observons quun atome de la tribu .En est constitu des permutations qui concident sur (1,.. . ,n}. I1 devient alors clair que X , est Fn-mesurable. Dautre part

x,

k - xn-l = k - n i=l
-

CC~(.) IC - n + 1 c 2 = 1
k
n-l
,

c4i)

IC
k
-

n-1

C
i=l

( z - k -n+1
(VII. 1)

128

OLTJTIONS

Pour tout n 5 i 5 k et 1 5 1 5 k , l'esprance conditionnelle E(l(.rr(i)=2} I Fn-l) est constante sur les atomes de Fn-l et plus prcisment sur { ~ ( = l) i l , . . . , n ( n - 1) = :

La loi conditionnelle L(n(i) ~ ( l.) . .,r ( n - 1))est donc la loi uniforme sur (1,.. . , k } \ ( ~ ( l.) . .,,T(n - 1)).Ainsi sur ( ~ ( 1= ) i l , . . . ,n(n - 1) = et pour n 5 i 5 k , on a :

que l'on notera f ( Z l , . . . ,&I). Et toujours sur ( ~ ( 1 = ) i l , . . . , n ( n - 1) = &-I}, en utilisant l'identit (VII.l)

Ainsi la suite (Xn,Fn)l<n<k-l - _ est bien une martingale.

VII.3 Pour calculer

E(Xk+1

I Fk)il suffit de remarquer que

et donc

La suite ( X k , F k ) est bien une martingale. D'autre part, quel que soit k , on a l X k l <_ 1, donc pour tout IC, E(lXk1) 5 1. La suite ( X k ) est donc une martingale LI qui converge presque srement. O
129

VII.4 On se restreint dans un premier temps au cas o les variables Xi sont positives. La suite (Sn,Fn)n21 o 3n = a ( X 1 , . . . ,X n ) est alors une sousmartingale. Le processus croissant associ la sous-martingale est
n
n
n

en posant So = O. On en dduit que S A := Sn - n E ( X 1 ) est une martingale. Daprs le thorme i , SkAn, S A est darrt de Doob (voir Thorme VII.1.12), la suite (finie) S une martingale et donc
E(SkAn)= E(S:,) = o.

Et par convergence monotone,

E(T A n) * E ( T ) et E(STAn) -+ E ( S T )
On dduit alors de (V11.2) que ST est intgrable et que E ( S T )= E ( T ) E ( X l ) .
Dans le cas gnral o les X i ne sont pas ncessairement positives, (VII.2) est encore valable mais largument de convergence monotone pour justifier que E ( S T ~converge ~) vers E ( S T )et que ST est intgrable nest plus valable ici. convergente vers ST presque srement et de En revanche on a toujours plus

Cette dernire variable alatoire tant intgrable (voir premier cas), on conclut par convergence domine :

VII.5
a) Pour montrer que S n + ~ ST est indpendant de

FT, on montre que

Vf borlienne borne,
130

E(f(s~+~ - S T ) I FT) = constante.

Pour A E FT, on a

=
k= 1

E ( f ( X k + l +. . .

+ X,+,))

. P ( A ri {T = k } )

=E(f(X1

+ . . . + X,))P(A).

Donc quel que soit f ,

E(f(ST+n- ST) I -TT) = E(P(X1 + . . . + &)).


Montrons maintenant que X T + ~ . . tout borlien B on a
N

+ + XT+, et S,

ont mme loi. Pour

{XT+l+'.'+xT+n E B } =
Donc

U ({xTS1 + . . . + xTSn E B ) n {T = I C ) ) .
k=l

P{XT+l+ . . *

+ XT+, E B }
N
=
k=l

P ({xk+l . .

+ + xk+, E B ) ri {T = IC))
N
k=l

= P{XI+ * .

. +x, E B } C P { T = k }

= P { X 1 + . . . + X , EB}.
Donc X T + ~ . . .

+ + XT+, et X I + . . . + X, ont mme loi. + ST)) (+ ~Y) dQ(%)WY, 2).

b) Soit Z une variable alatoire borne FT-rneSUrable, quelconque. Par le thorme de transport (voir Thorme 111.4.2) et en utilisant a)

E(Z6(Sn+T))= E(Z6(Sn+T - ST
=

11

z4

o Q et R dsignent respectivement les lois de S,+T - ST (c'est-dire celle de S,) et du couple ST,^). D'autre part si on pose
131

CHAPITRE VII.

MARTINGALES ( TEMPS DISCRET)

) d Q ( z ) ,on obtient par le thorme de H ( u ) = Eu($(Sn)) = $(u+ z Fubini (voir Thorme 11.5.1) :

VII.6 Daprs la Proposition 111.4.8, on a

E((X*)2= ) 2
O

t P { X * > t }d t = 2

+Co

t E(lt{x*>t}) dt.

(VII.3)

Or par les ingalits maximales (voir Thorme VII.1.13) appliqu a la sous-martingale (IXnl),on a

Injectant cette dernire majoration dans (V11.3), on obtient

E ( ( x * ) 2I ) 2

E(lXkl l { X * > t } ) dt
)XkI Ii{x*,,) d t ) , par

= 2E(JiW
O

le thorme de Fubini

X*

= 2E(/
O

lxkl

d t = 2 E ( X * IXkl)

5 2(E(X*)2)1/ (EIXk12)1/2, 2 par lingalit de Cauchy-Schwarz.


On en dduit alors

E ( ( X * > 25 ) 4E(X,2).
v11.7 Le fait que T soit un temps darrt vient de

Dautre part en partant de lidentit

132

SOLUTIONS

on montre facilement que X, est Fn-mesurable. De plus quel que soit n, X , E L1 car

Enfin en crivant

x n = x n n(T5n-l) + x, n{T,n},
on obtient

En remarquant, de plus, que {T 5 n - 1} et {T 2 n } sont dans Fn-l et que H , est Fn-l-mesurable, on obtient :

VII.8 On suppose que P(T = IC) = pqk o p ~ ] 0 , 1et [ q = 1- p . La tribu F , est engendre par n + 1 atomes qui forment un systme complet et qui sont {T = i} pour O 5 i 5 n - 1 et {T 2 n}. I1 est alors clair que (.En)nE~ est une filtration.
a) On calcule E ( l p > n + l ) I .En) directement laide de la dfinition :

O
133

CHAPITRE

VII.

h1ARTING41,ES

(A TEhlPS

1)ISCIIET)

b) On crit T A ( n

E(T A .(

+ 1) = (T A n ) l{T5n} + ( n+ 1)ll{T,,+l}. On a alors + 1) I 3,) = (T A 4 E(l{TSTL} I Fn) + .( + 1)4 I { T Z n } = (T A 4 (1 - E ( l { T L ( n + i ) }I FTJ)


+ ( n+ 1)4 l { T > n } = (T A 4 - ( ( TA 4 - . ( + 1)4 ) n{T>n} = ( T A 4 + 4 l{T>n}.

c) laide des calculs prcdents, on obtient

E(X,+l

I Fn) = .E(T A .( + 1) I Fn) + E(lT>n+l I Fn) = a (T A 4 + 4 ( a + 1) l { T > n } .

Pour que le processus (X,) soit une martingale relativement la filtrail suffit que 4 (a 1) = 1, cest--dire que a = tion F.,

t.

d) On remarque que

Xn+l
et donc

xn =
2

I{T>n+l}- l ( T = n } ,

(xn+l - xn> =
I1 sensuit que

n{T2n+l}+ I{T=n}

= Q2 n{T,.+l}

+ l{Q,}

B{T>n+l}.

E((X,+l

a2 I 3,) =

2
Q

4 l{T>n}

+ l { T > n } - 4 n{T,n}
n{T>n)

= b 2 q +P> l{T?n} =

car a2q + p = a. On montre alors

x; - a(T A (n - 1)). E ( X i + , - Q(T A a ) I 6%)


Et en utilisant

E ((Xn+l - X.I2

I Fn) = JW:+,
= E(X?L+l

il suffit de vrifier que

a n{T2n} - a ( T A TL) = -a (T A .(
ce qui ne prsente pas de difficult. 134

il),

VII.9
a) La somme

Cdi est une somme tlscopique. On a


E(IISnll I d o ) = IlSnIl - E(IISnll>*

Ai) = E(IISnll I Ai). On en dduit que


De la mme faon pour i < j , on a

E(d2dj I Ai) = di E(dj 1 Ai) = o.


Donc E ( d i d j ) = O et les variables di sont orthogonales.

1)) En suivant lindication, on pose 5 = Ai-1 et 1 2 = . ( X i ) . On a alors 7 = a(%,?) = Ai et 12 est indpendante de a(X1,. . . , X i , . . . ,Xn) 3 a(&,IlSn - X i l l ) . On a alors E(IISn - Xi([ I di-1)= E(IISn - X i 1 1 Lidentit

I Ai).

di = E(IISnll - IlSn - x i 1 1 1 Ai)sen dduit directement par linarit.

ilSn Sn II - IlSn - X i l l I Ai-1)


O

135

CHAPITRE

VII. MARTINGALES ( TERIPS

DISCRET)

Enfin :

=E

((

di)2)

d'aprs a)

lsiln

VII.10 I1 est clair que X , est F.-mesurable. La tribu Fn tant engendre par le systme complet An, k = 1 , 2 , . . . ,2"-l , on a

On calcule alors

{ 1 , . . . ,2"}, A; = Ar+' Ar::

An

Xn+1dX en remarquant que quel que soit k


pour un certain i. On obtient

= P(Ar+')

+ P(AY::)

= P(Ak).

D'o

Montrons alors que cette martingale est uniformment intgrale. La martingale est L1 car E(IXnl) = E ( X n )= E ( X 1 ) = 1. Montrons qu'on a de plus lim sup
c-tw

n2l {X,>C}

X , dX = O.

(VII.4)

On utilise le fait que P est absolument continue par rapport X et plus prcisment la proprit de l'absolue continuit suivante :

Proprit ( P ) . Si la probabilit P est absolument continue par rapport X alors, quel que soit E > O, il existe q > O tel que X(A) < q + P ( A ) < E .
136

SOLUTIONS

Cette proprit peut se montrer par l'absurde de la faon suivante : supposons l'existence d'un e strictement positif tel que
Vq > O , 3A, X(A) < q et P ( A ) 2 E.

On peut alors construire une suite d'vnements ( A k ) telle que pour tout k 1 X(Ak) < - et P ( A k ) 2 E .
k2
- Ak et on a On considre alors l'vnement A := limsup Ab = nn>l - k>' -

X(A) = O car C X ( A k ) < 00 et donc X(A) = X(Ak i.s.) = O (d'aprs le lemme de Borel-Cantelli, Thorme IV.3.5). P ( A ) # O. En effet :

et

P(Uk2nAk) 2 P(An) 2 E *
On obtient ainsi la contradiction X(A) = O et P ( A ) # O, Ceci prouve la proprit (P). Montrons alors (V11.4). On observe que

En effet, en notant on a

In = (1,. . . ,2'-'}

XndX = P { X n > c}.


et 1 : = { k E In,P(AF) > cX(AF)},

{X,>C)

= $. Donc pour De plus, d'aprs l'ingalit de Markov, X{Xn > c} < tout E strictement positif et tout entier n, P { X n > c} < E pourvu que c soit suffisamment grand. (suprieur f avec les notations de la proprit (P)).Ce qui prouve que la suite ( X n ) vrifie (V11.4). On en dduit alors que ( X n ) converge A-presque srement vers une variable ' ) = X , pour tout entier n. Or alatoire X qui vrifie E ( X I F

I1 s'ensuit que

V n 2 1 et V 1 5 k 5 2'-',P(Ak)

'

-LE
-

XdX.
137

Soit t E [O, 1 1 . Via le dveloppement dyadique de t , on peut crire

o les A 2 . sont deux deux disjoints. En prenant lesprance E associe 4%) P , on a

P([O, t ] )= E(lp,ti)=
n

E(lAn .in) ), par convergence domine

Une probabilit sur R tant caractrise par sa fonction de rpartition, on en dduit que pour tout borlien A , P ( A ) = X dX. O

SA

138

VI11
CHANESDE MARKOV ( ESPACE DTATS DNOMBRABLE)

noncs
VIII.1 quelles conditions deux matrices
= (Pij)i<i<n,i<j<m

et

(Qij)ili<rn,i<j<n

sont-elles les lois conditionnelles L ( X I Y ) et L(Y I X ) de deux variables alatoires X et Y prenant respectivement n et m valeurs? Montrer que si lon connat C ( X 1 Y ) = P et L(Y 1 X ) = Q, alors on connat la loi du couple ( X ,Y ) .

VIII.2 Montrer que ( X ,. . . , X,) est une chane de Markov valeurs daris un ensemble fini E si et seulement si il existe des fonctions gi : E x E + [O, 00 [, OI i 5 n - 1, telles que, pour tous 2 0 , .. . ,X, E E,

P{ x o = ZO, . . . > x, = X7L }

= SO(Z0, X l ) g l ( %

X2)

. . .g n - l ( ~ n - l , X , ) .

VIII.3 Sur lensemble fini E = Z/mZ, on considre la chane (Xn),>,, de gnrateurs p ~ , i + k= ~ i , i - k = 1/2, Pi,j = O sinon, o 1 5 k < rn. Pour quelles valeurs de m et k la chane est-elle rcurrente irrductible? Donner, dans tous les cas, ses classes de rcurrence et la mesure invariante de ses classes. Lorsque la chane est rcurrente irrductible, dterminer quand elle est apriodique. Montrer que lon peut raliser la chane (X,),,, sous la forme X n + l = ~ ( X , , E , ) avec une fonction f et une suite (E,),>, - d e variables alatoires dans { -1, +1} que lon dterminera.

CHAPITRE

VIII.

C H A N E S DE hIARKOV ( ESPACE DTATS D N O ~ I B R A B L E )

VIII.4 Soit (Xn),>o une chane de Markov espace dtats fini, de matrice de transition Pij avec p Z j > O pour tout couple ( i j ) .On suppose que X , = i p.s. et lon choisit j # i. Soit T=inf{n>1 : X n = j } .
Dmontrer quil existe p E] O, l[ tel que P{ T > n } 5 pn pour tout n

2 1.

VIII.5 Soit ( V , )un graphe connexe non orient densemble de sommets fini V et densemble dartes E V x V. On associe chaque arte ( i j ) un poids wi,j = wj,i > O et lon pose w i = C jwi,j. Dterminer la mesiire invariante de la chane de Markov sur V de matrice de transition Pi,j = w i , j / w i .

140

SOLUTION s

Solutions
VIII.1 On peut considrer que les variables X et Y sont respectivement valeurs dans (1,... , m } et (1, ..., n } avec P { X = i } # O et P { Y = i } # O quel que soit i. Si I P et Q reprsentent les lois conditionnelles L ( X I Y ) et L(Y I X ) , alors :

P{X =j

I Y = i}

~ {= jxn y = i } P{Y P{Y = i}

=i

=j}P{X = j } P{Y = i}

IX

et si on note (al,. . . ,am) la loi de X et (bl,.. . ,b,) la loi de Y , on obtient : (VIII.1) Lexistence de vecteurs (al,.. . ,am) et (bl, . . . ,b,) vrifiant (VIII.l) avec ai 2 O, bi 2 O et a j = bi = 1 est une condition ncessaire et suffisante pour que P et Q reprsentent les lois conditionnelles L ( X I Y ) et L ( Y X ) . La loi dun tel couple ( X ,Y ) est alors donne par :

P { X = j n Y = i} = Pj,i bj.
VIII.2 Si ( X o ,. . . ,X,) est une chane de Markov, alors par conditionnement successifs et en utilisant la proprit de Markov, on obtient la relation :

P{XO = 2 0 , . * 7 x, = zn} = go(~o,~l)gi(~l, z2) * . . gn-l(zn-1, zn). (VIII.2)


f

Rciproquement, montrons que si (VIII.2) est vrifie, alors ( X O . , . . , X,) est une chane de Markov. On remarque dabord que pour trois variables alatoires X , Y,Z vrifiant

Y7 x, P { X
on a

= 5 , y = Y,

z= 4 = f ( . ,

Y M Y ,4,
(VIII.3)

P { Z = z I { X = z , Y =y}}

=P{Z =x

I Y = Y},

lorsque P { X = z , Y = y} # O. En effet : dune part, P { X = z, Y = y} = f(z,y) (

E, g(y, z ) ) , do

et, dautre part,

141

Ainsi

et la relation (VIII.3) est tablie. On applique alors cette proprit aux variables
= Y, x, = 2 x = (XO,. . . ,Xn-2), xn-l

pour obtenir

On procde de la mme faon pour le vecteur ( X O . , . . ,X n - l ) puisque il vrifie

o on a pos hn-l(xn-l) = Cx,gn-l(xn-l,x,). Cette relation est du type (VIII.2) et on peut donc << passer de n n - 1 D et ainsi de suite. La O suite (Xo,. . . , X n ) est donc une chane de Markov.

VIII.3 Un point de IE = Z/mZ communique avec les points qui lui sont << distants >) de k. Ainsi, le point i communique avec tous les points i j IC mod ( m ) o j E Z. Pour quil communique avec ses voisins proches, i + 1 et i - 1, il faut que

il existe j et j E Z, i

+ k j = i + 1+ jm,
- j

cest--dire k j

m = 1.

Daprs lidentit de Bezout, m et IC sont ncessairement premiers entre eux. Et cette condition est aussi suffisante pour que le point i communique avec tous les points de Z/mZ. Donc La chane est irrductible si et seulement si m et k sont premiers entre eux. Dans ce cas, lespace dtats tant fini, la chane est irrductible et rcurrente. Dans ce cas, on peut voir que lunique probabilit invariante est la loi uniforme sur IE car (1,.. . , i)P = (1,.. . , 1). Pour savoir si elle est apriodique, il suffit, daprs le Thorme VIII.6.6, dtudier les valeurs propres de module 1 de la matrice de transition P.On
142

introduit alors la matrice, note C, de la permutation circulaire

( 2 3 ::: T ) :

.... 1 0

Les puissances n-ime de C se calculent aisment et la matrice P scrit p = ;(Cm+l-k + C r n f l + k >. La matrice C est diagonalisable et est semblable diag(1, a , . . . , am-l), o a := e2Zxlm, (le polynme caractristique de C tant (-1)(Xm - 1)). La matrice P est donc semblable
m+l-lc
+

p+l+lc

1(a(m-l)(rn+l-lc) + a(m-l)(m+l+k) 1,. . . , 5

Cas o m est impair : on a (akj)= 1 et, akj tant une racine m-ime de lunit, on a alcj = 1. La racine aj est dordre un diviseur de k (dans le groupe des racines m-ime de lunit). Or k et m sont premiers entre eux, donc aJ = 1 et 1 est la seule racine de P de module 1. Do : si k et m premiers entre eux et m impair, la chane est irrductible, rcurrente et apriodique. Cas o m est pair : le cas m = 2 se traite part : la matrice P vaut ( valeur propre de module 1 est videmment 1.

i;i

et la seule

Si m 2 4, observant que ak est un gnrateur du groupe des racines m-ime de 1, il existe un entier j tel que akj = -1 avec aj # -1. Pour un tel j, la valeur propre de P :
+j(m+1-4 1

+ ,.Am+l+k))

= -,j

2 est diffrente de 1. Do lexistence dune valeur propre de de 1 et de module 1.

P distincte
143

CHAPITRE

VIII.

C H A I N E S DE h l A R K O V

(A ESPACE

DTATS DNORIBRABLE)

Do la conclusion :
la chane est irrductible, rcurrente et apriodique si et seulement si IC et m premiers entre eux avec m = 2 ou m impair. La loi limite est alors la loi uniforme sur E. Lorsque m et k ne sont pas premiers entre eux et que d = PGCD(rn,IC), le nombre de classes est d o dans chaque classe le nombre dlments est m/d. lintrieur de chaque classe, la matrice de transition est du type de P o m et k sont respectivement remplas par m/d et k / d . En identifiant Z/mZ lensemble des racines rn-ime de lunit, not U , , si (E,) est une suite de variables alatoires indpendantes dfinies sur (Cl, A, P ) valeurs dans {-1, 1} et si Xo est une variable alatoire dfinie sur le mme (O, A, P ) valeurs dans Urn, alors la suite (X,) dfinie par

X , + i =X, e E n T
est une chane de Markov de matrice de transition

2ik7r

P.

VIII.4 Dans tout lexercice les entiers i et j sont deux entiers fixs distincts. On pose

tant donn que les coefficients de la matrice stochastique P sont tous strictement positifs on a, dune part O < Q I , < 1 pour tout IC et, dautre part, O < maxk Q I , < 1. On pose alors p = maxk QI,. On va montrer par rcurrence sur n que Pi{T > n } 5 pn pour tout n 2 1. Pour n = 1, on crit :

{T > 1} = { X i # j } do P{T > 1) =

5 p.

On suppose alors la proprit vrifie pour un entier n 2 1. Observant que

144

SOLUT IONS

on conclura en utilisant un conditionnement par la tribu .En :

VIII.5 Le fait que le graphe soit connexe implique que la chane de Markov est irrductible. On pose

w=Cwi

et

pi =

w i -.
W

On vrifie alors que p est la probabilit invariante en vrifiant que tIF'p = p. En effet, pour tout i, on a :

145

You might also like