Intgration et probabilits e e (cours + exercices corrigs) e L3 MASS, Universit de Nice-Sophia Antipolis e 2009-2010

Sylvain Rubenthaler

Table des mati`res e

Introduction 1 Dnombrement (rappels) e 1.1 Ensembles dnombrables e 1.2 Exercices . . . . . . . . 1.2.1 Enoncs . . . . . e 1.2.2 Corrigs . . . . . e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii 1 1 2 2 3 5 5 5 6 9 10 10 11 13 13 13 15 17 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 21 22 25 28 28 29 33 33 35 38 38 39 41 41 45 48 48 48 49 49 50

2 Thorie de la mesure e 2.1 Tribus et mesures . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Tribus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Intgrales des fonctions tages mesurables positives. . . . . . . e e e 2.4 Fonctions mesurables et intgrales . . . . . . . . . . . . . . . . e 2.4.1 Intgrales des fonctions mesurables positives . . . . . . . e 2.4.2 Intgrales des fonctions mesurables de signe quelconque. e 2.5 Fonction de rpartition . . . . . . . . . . . . . . . . . . . . . . . e 2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.1 Enoncs . . . . . . . . . . . . . . . . . . . . . . . . . . . e 2.6.2 Corrigs . . . . . . . . . . . . . . . . . . . . . . . . . . . e 3 Ensembles ngligeables e 4 Thor`mes limites e e 4.1 Stabilit de la mesurabilit par passage ` la limite. e e a 4.2 Thor`mes de convergence pour les intgrales. . . . e e e 4.3 Intgrales dpendant dun param`tre . . . . . . . . e e e 4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . 4.4.1 Enoncs . . . . . . . . . . . . . . . . . . . . e 4.4.2 Corrigs . . . . . . . . . . . . . . . . . . . . e 5 Mesure produit et thor`mes de Fubini e e 5.1 Thor`mes de Fubini et Fubini-Tonelli . e e 5.2 Changement de variable . . . . . . . . . 5.3 Exercices . . . . . . . . . . . . . . . . . 5.3.1 Enoncs . . . . . . . . . . . . . . e 5.3.2 Corrigs . . . . . . . . . . . . . . e 6 Fondements de la thorie des e 6.1 Dnitions gnrales . . . . e e e 6.2 Esprance dune v.a. . . . . e 6.3 Ingalits . . . . . . . . . . e e 6.4 Lois classiques . . . . . . . 6.4.1 Lois discr`tes . . . . e 6.4.2 Lois continues . . . . 6.5 Fonctions caractristiques . e 6.6 Fonctions gnratrices . . . e e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

probabilits e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i

6.7

Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 6.7.1 Enoncs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 e 6.7.2 Corrigs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 59 59 60 61 62 64 64 66 71 71 72 74 77 77 79 83 83 84 86 86 86

7 Variables indpendantes e 7.1 Dnitions gnrales . . . . . . . . . . . . . . . e e e e 7.1.1 Evnements et variables indpendantes e 7.1.2 Densits de variables indpendantes . . e e 7.2 Lemme de Borel-Cantelli . . . . . . . . . . . . . 7.3 Somme de deux variables indpendantes . . . . e 7.4 Exercices . . . . . . . . . . . . . . . . . . . . . 7.4.1 Enoncs . . . . . . . . . . . . . . . . . . e 7.4.2 Corrigs . . . . . . . . . . . . . . . . . . e 8 Convergence de variables alatoires e 8.1 Les direntes notions de convergence e 8.2 Loi des grands nombres . . . . . . . . 8.3 Thor`me central-limite . . . . . . . . e e 8.4 Exercices . . . . . . . . . . . . . . . . 8.4.1 Enoncs . . . . . . . . . . . . . e 8.4.2 Corrigs . . . . . . . . . . . . . e 9 Conditionnement 9.1 Conditionnement discret 9.2 Esprance conditionnelle e 9.3 Exercices . . . . . . . . 9.3.1 Enoncs . . . . . e 9.3.2 Corrigs . . . . . e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10 Variables gaussiennes 89 10.1 Dnitions et proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 e ee 10.2 Gaussiennes et esprance conditionnelle . . . . . . . . . . . . . . . . . . . . . 90 e A Table de la loi normale 93

Introduction
Le but de ce cours est dintroduire les notions de thorie de la mesure qui seront utiles e en calcul des probabilits et en analyse. Il est destin aux tudiants qui veulent poursuivre e e e leurs tudes dans un master ` composante mathmatique. Pour un cours plus complet, se e a e reporter ` la bibliographie. a Informations utiles (partiels, barmes, annales, corrigs, . . .) : e e http ://math.unice.fr/rubentha/cours.html. PREREQUIS : Pour pouvoir suivre ce cours, ltudiant doit conna e tre, entre autres, les dveloppements limits, les quivalents, les tudes de fonction, le dnombrement, les nombre e e e e e complexes, la thorie des ensembles., les intgrales et primitives usuelles, la trigonomtrie e e e . . .etc . . .

iii

Chapitre 1

Dnombrement (rappels) e
1.1 Ensembles dnombrables e

Dnition 1.1.1. Injection. e Soit E, F des ensembles, f : E F est une injection si x, y E, f (x) = f (y) x = y. Dnition 1.1.2. Surjection. e Soit E, F des ensembles, f : E F est une surjection si z F , x E tel que f (x) = z. Dnition 1.1.3. Bijection. e Soit E, F des ensembles, f : E F est une bijection si f est une injection et une surjection. Proposition 1.1.4. Soient E, F, G des ensembles. Soient f : E F , g : F G. Alors [f et g injectives] [g f injective]. Dmonstration. Soient x, y tels que g f (x) = g f (y). Lapplication g est injective donc e f (x) = f (y). Lapplication f est injective donc x = y. Dnition 1.1.5. On dit quun ensemble E est dnombrable sil existe une injection de E e e dans N. Dans le cas o` F est inni, on peut alors dmontrer quil existe alors une bijection u e de E dans N. (Cela revient ` dire que lon peut compter un ` un les lments de E.) a a ee Exemple 1.1.6. Tout ensemble ni est dnombrable. e Exemple 1.1.7. Z est dnombrable car lapplication e f :Z k est bijective (donc injective). N

2n 2n 1

si n 0 si n < 0

3 3 2

1 1

0 0

2 1

4 2 3

Fig. 1.1 Enumration des lments de Z. e ee 1

CHAPITRE 1. DENOMBREMENT (RAPPELS)

Exemple 1.1.8. N N est dnombrable car lapplication e f :NN N (p + q)(p + q + 1) (p, q) +q 2

est bijective (donc injective).

Fig. 1.2 Enumration des lments de N N. e ee Exemple 1.1.9. Lensemble Q est dnombrable. Lensemble R nest pas dnombrable. e e Proposition 1.1.10. Si on a E0 , E1 , . . ., En , . . .des ensembles dnombrables alors E = e E0 E1 E2 = En est un ensemble dnombrable. e
n0

(En dautres termes, une runion dnombrable densembles dnombrables est dnombrable.) e e e e Dmonstration. S Pour tout i 0, Ei est dnombrable donc fi : Ei N injective. Soit e e F : En
n0

NN

x (i, fi (x)) si x Ei Cette application F est injective. Lensemble NN est dnombrable donc il existe g : NN e N injective. Par la proposition 1.1.4, g F est injective. Donc En est dnombrable. e
n0

1.2

Exercices

Tous les exercices de ce chapitre nont pas un lien direct avec le cours. Par contre, ils constituent des rvisions ncessaires ` la suite du cours. e e a

1.2.1

Enoncs e

1) Rappel : Si f : E F et A F , f 1 (A) = {x E : f (x) A}. Si C E, f (C) = {f (x), x C}. On consid`re lapplication f : R R, x x2 . e (b) Dterminer f 1 (] , 2]), f 1 (]1, +[), f 1 (] 1, 0] [1, 2[). e (a) limx0
sin(x) log(1+x) 2 x x

(a) Dterminer f ([3, 1]), f ([3, 1]), f (] 3, 1]). e

2) Calculer les limites suivantes :

(b) limx+ 1 + (c) limx0

1cos(x) x sin(x)

1.2. EXERCICES (d) limx0 (a) (b) (c) (d)

1(1+x) 1(1+x)

3 pour , > 0.

3) Calculer les intgrales suivantes : e

+ 2 x x e dx 0 + 1 (log(z))2 z dz e1 1 1 dx 0 (2x)(1+x) /4 cos2 (x)+sin2 (x) dx. 0 cos2 (x)

4) Intgrales de Wallis e Pour tout n N, on pose : In =

0

/2

sinn (x)dx .

(a) Calculer I0 et I1 . (b) Donner une relation de rcurrence entre In et In+2 . e (c) En dduire que : e p N, I2p = (2p 1)(2p 3) . . . 1 2p(2p 2) . . . 2 et I2p+1 = . 2p(2p 2) . . . 2 2 (2p + 1)(2p 1) . . . 1
I2p I2p+1

(d) Montrer que p N, I2p+1 I2p I2p1 . En dduire que limp+ e (e) En dduire la formule de Wallis : e 1 2p(2p 2) . . . 2 p+ p (2p 1)(2p 3) . . . 1 lim (f) Montrer que n N, In
n+ 2

= 1.

= .

2n .

1.2.2

Corrigs e

(2) (a)

(1) (a) f ([3, 1]) = [1, 9], f ([3, 1]) = [0, 9], f (] 3, 1]) = [0, 9[. f (b) f 1 (] , 2]) = [ 2, 2], 1 (]1, +[) =] , 1[]1, +[, f 1 (] 1, 0] [1, 2[) = {0}] 2, 1] [1, 2[.
sin(x) x log(1+x) x0+ x 2 x x

=1 1
x0+
2 1+ x

(b) 1 +

= ex log(

) et x log 1 + e
2

2 x

fonction exp : 1 + (c) (d)

1cos(x) x sin(x) 1(1+x) 1(1+x)

2 x x x+

2x x+ x x+

2 donc par continuit de la e

2 (x2 /2)+o(x2 ) x2 x2 +o(x2 ) x0 2x

= 1/2

x+o(x) x x+o(x) x0 x

(a) on int`gre par parties : e

+

x2 ex dx =
0

[x2 ex ]+ + 0

2xex dx
0 + 0

= =

0 + [2xex ]+ + 0 [2ex ]+ = 2 0

2ex dx

(b) changement de variable : t = log(z), z = et , dz = et dt

+ e1

1 dz (log(z))2 z

=
1

1 dt t2

[1/t]+ = 1 1

CHAPITRE 1. DENOMBREMENT (RAPPELS)

1/3 1 (c) on dcompose (2x)(1+x) = 2x + e nelle ` ples simples) et donc : a o 1 0 1/3 1+x

(toujours possible pour une fraction ratio1

1 1 1 dx = log(2 x) + log(1 + x) (2 x)(1 + x) 3 3

=
0

1 log(4) 3

(d) changement de variable : t = tan(x), x = arctan(t), dx =

/4 0

1 1+t2 dt

cos2 (x) + sin2 (x) dx cos2 (x)

/4

=
0

1 + tan2 (x)dx
/4

= (3) (a) I0 =
/2 0

[tan(x)]0
/2

=1

1dx =

2,

I1 =

/2 0

sin(x)dx = [ cos(x)]0

= 1.

(b) On int`gre par parties pour tout n 2 : e

/2

In+2

=
0

sinn+1 (x) sin(x)dx

/2 /2

= = do` In+2 = u

[ sinn+1 (x) cos(x)]0 (n + 1)(In In+2 )

+ (n + 1)
0

sinn (x) cos2 (x)dx

n+1 n+2 In .

(c) Dmonstration par rcurrence de la formule pour I2p (dmonstration similaire pour e e e I2p+1 ) : cest vrai en p = 0 2p+1 si cest vrai jusquau rang p alors I2p+2 = 2p+2 I2p = (2p+1)(2p1)...1 (2p+2)(2p)...2 2 (d) p N, x [0, /2], 0 sin2p+1 (x) sin2p (x) sin2p1 (x) donc par intgration e I2p I2p1 2p+1 p N, I2p+1 I2p I2p1 , donc 1 I2p+1 I2p+1 = 2p , donc
p+

lim

I2p I2p+1

=1
2 (2p1)(2p3)...1 2p(2p2)...2 2

(e) on dduit de la question prcdente : limp+ e e e do` la formule de Wallis u

(2p + 1) = 1,

(f) On fait la dmonstration pour n impair . Soit n = 2p + 1 : e I2p+1 = = 2p(2p 2) . . . 2 (2p + 1) . . . 1 p 1 2p(2p + 2) . . . 2 2p + 1 p (2p 1) . . . 1 1 . 2(2p + 1)

p+

Chapitre 2

Thorie de la mesure e
La thorie de la mesure est loutil utilis pour modliser le hasard. e e e

2.1
2.1.1

Tribus et mesures
Tribus

Dans la suite, on utilisera un ensemble que lon appellera univers . Il contient tous les alas possibles. e Dnition 2.1.1. Une famille A de parties de est une tribu (sur ) si elle vrie e e 2. A A Ac A (stabilit par passage au complmentaire) e e 1. A

3. A0 , A1 , A2 , A n0 An A (une runion dnombrable dlments de A est e e ee dans A) Remarque 2.1.2. On rappelle que : Ac := {x : x A} / Une tribu est un ensemble de parties. Ces parties sont appeles vnements . e e e Proposition 2.1.3. Stabilit par intersection dnombrable. e e Soient A une tribu et A0 , A1 , A2 , A, alors An A.
n0

e Dmonstration. On note pour tout n, Bn = Ac . Donc, par dnition dune tribu, Bn A, n e n et Bn A.

n0 n0

An

= =

n0

c Bn c n0

Bn

( par dnition ) e

A.

Exemple 2.1.4. Pour nimporte quel ensemble , A = {, } est une tribu. Exemple 2.1.5. Pour nimporte quel ensemble , , A = P() (les parties de ) est une tribu. Proposition 2.1.6. Soit A P(), il existe une tribu note (A) telle que si B est une e tribu telle que A B alors (A) B. On dira que (A) est la plus petite tribu contenant A, ou encore que (A) est la tribu engendre par A. e 5

CHAPITRE 2. THEORIE DE LA MESURE

Dnition 2.1.7. Soit lensemble de parties de R {+, } suivant : e A = {]a, b[: a, b R {+, }} (cest lensemble des intervalles ouverts). La tribu (A) sappelle la tribu des borliens et se e note B(R). Exemple 2.1.8. Soit [a, b] intervalle ferm de R. Les intervalles ], a[, ]b, +[ sont dans e B(R). La famille B(R) est une tribu donc ] , a[]b, +[ B(R) (stabilit par runion e e dnombrable), et donc aussi (] , a[]b, +[)c = [a, b] B(R) (stabilit par passage au e e complmentaire). e De mme, on peut montrer que tous les intervalles de R sont dans B(R), ainsi que tous les e singletons (les ensembles de la forme {x}, x R).

2.2

Mesures

Notation 2.2.1. Dans le calcul des mesures, on adopte les conventions de calcul suivantes (qui ne sont pas valables ailleurs) : x R, x + = +, 0 = 0. Dnition 2.2.2. Soit un ensemble muni dune tribu A. On dit que est une mesure e (positive) sur (, A) si : 1. : A [0, +] (elle peut prendre la valeur ) 2. () = 0 3. si A0 , A1 , A2 , A et sont deux a deux disjoints alors ( An ) = `
n0 n0

(An ).

Quand est une mesure sur (, A) est telle que () = 1, on dit que est une e e mesure de probabilit (cette dnition sera rappele plus tard dans le cours). La tribu A e contient tous les vnements possibles et, pour A A, (A) est la probabilit que A se e e e produise. Dnition 2.2.3. Quand est telle que () < , on dit que est une mesure nie. e Dnition 2.2.4. Quand on a un ensemble avec une tribu A sur , on dit que (, A) e est un espace mesurable. Si on a de plus, une mesure sur (, A), on dit que (, A, ) est un espace mesur. e Exemple 2.2.5. Le triplet (N, P(N), card) est un espace mesur. Nous avons vu (exemple e 2.1.5) que P(N) est une tribu sur N. De plus : 2. La partie est de cardinal 0. 1. Pour A P(N), card(A)(= le nombre dlments de A) est bien dans [0, +]. ee
n0

3. Si A0 , A1 , P(N) sont deux a deux disjoints, card( An ) = `

n0

card(An ).

Proposition 2.2.6. Croissance et mesure dune dirence e Soit (, A, ) un espace mesur. Soit A, B A tels que B A. e Alors (B) (A). Si, de plus (A) < +, alors (A\B) = (A) (B). (Rappel : A\B = {x : x A, x B}.) / Dmonstration. On a (A) = (A\B) + (B) (car A\B et B sont disjoints). Donc (B) e (A). Si (A) < +, nous avons alors (A\B) = (A) (B). Proposition 2.2.7. Sous-additivit. e Soit (, A, ) un espace mesur. Si A0 , A1 , A2 , A (pas forcment deux a deux disjoints). e e ` Alors ( An ) n0 (An ).
n0

2.2. MESURES

Dmonstration. On pose pour tout entier k 1, Bk = Ak \ 0ik1 Ai (et nous avons e alors, par convention, B0 = A0 ). Les ensembles B0 , B1 , B2 , . . . sont deux ` deux disjoints. a Nous avons ( An ) =
n0

( Bn )
n0

(car B0 , B1 , B2 , . . . deux ` deux disjoints) a

=
n0

(Bn ) (An )
n0

(car n, Bn An )

Proposition 2.2.8. Mesure dune runion croissante. e Soit (, A, ) un espace mesur. Soient A0 , A1 , A tels que A0 A1 An e An+1 . . . . Alors ( Ak ) = limn (An )
k0

Dmonstration. Posons pour tout k 1, Bk = Ak \Ak1 (= {x : x Ak , x A + k 1}) et e / B0 = A0 .

A2

B2
A1

B 1
A0

Les ensembles B0 , B1 , B2 , . . . sont deux ` deux disjoints. Donc a ( Ak )

k0

= ( Bk )
k0

=
k0

(Bk )
n

=
n k=0

n+

lim

(Bk )
k=0

On a n,

(Bk ) = (An ). Donc ( Ak ) = limn+ (An ).

k0

Proposition 2.2.9. Mesure dune intersection dcroissante. e Soit (, A, ) un espace mesur. Soient A0 , A1 , A tels que A0 A1 An e An+1 . . . et tels que (A0 ) < +. Alors ( Ak ) = limn+ (An ).
k0

Dmonstration. Posons pour tout k, Bk = Ak \Ak+1 . Les ensembles B0 , B1 , B2 , . . . sont e deux ` deux disjoints. a

CHAPITRE 2. THEORIE DE LA MESURE

B0

B1 A2

A1 A
0

Nous avons Ak = A0 \ Bk , donc (par la proposition 2.2.6)

k0 k0

( Ak ) =
k0

(A0 ) ( Bk )
k0

(mesure dune runion disjointe) e

= = =

(A0 )

(Bk )
k0 n

(A0 ) lim
n+

n+

(Bk )
k=0

lim ((A0 ) (B0 ) (Bn )) lim ((A0 ) ( Bk ))

0kn

(mesure dune runion disjointe) e (cf. prop. 2.2.6)

= =

n+

n+

lim (An+1 ) .

Thor`me 2.2.10. Mesure de Lebesgue. e e Il existe une mesure sur (R, B(R)) vriant e 1. pour tout intervalle ]a, b[, (]a, b[) = b a 2. A B(R), x R, ({y : y x A}) = (A) . Cette mesure sappelle la mesure de Lebesgue. Exemple 2.2.11. Mesure de Lebesgue dun intervalle quelconque. Soient a b des lments de R. Nous avons ee ([a, b]) = (par Prop. 2.2.6) (runion disjointe) e = = = = (]a 1, b + 1[\(]a 1, a[]b, b + 1[)) (]a 1, b + 1[) (]a 1, a[]b, b + 1[) (]a 1, b + 1[) (]a 1, a[) (]b, b + 1[)

(b + 1 (a 1)) (a (a 1)) (b + 1 b) ba .

De mme, ([a, b[) = (]a, b]) = b a. e Exemple 2.2.12. Mesure de Lebesgue dun singleton. Soit x R, n 1, {x} [x 1/n, x + 1/n]. Donc, en utilisant la prop. 2.2.6, n 1, ({x}) ([x 1/n, x + 1/n]) = 2/n. Donc ({x}) = 0. Exemple 2.2.13. Mesure de Lebesgue de Q. On sait que Q est dnombrable. Donc on peut numroter ses lments : Q = {u0 , u1 , u2 , . . .}. e e ee 1 1 Pour tout entier n 1, on dnit An = ui n2i , ui + n2i . On a pour tout n, Q An e
i0

(donc, par la prop. 2.2.6, (Q) (An )) et, par la prop. 2.2.7, (An ) 2 n . Et donc (Q) = 0.

i0

ui

1 n2i , ui

1 n2i

 2.3. INTEGRALES DES FONCTIONS ETAGEES MESURABLES POSITIVES.

2.3

Intgrales des fonctions tages mesurables posie e e tives.

Dnition 2.3.1. Soit f : R+ . On dit que f est tage (positive) sil existe une famille e e e nie A1 , . . . , An de A telle que les Ai forment une partition de (ce qui veut dire que A1 , . . . , An sont deux a deux ` disjoints et que = Ai )
1in

On se donne un espace mesur (, A, ). e

i {1, . . . n}, ai tel que f (x) = ai , x Ai .

Remarque 2.3.2. Si f est une fonction tage dnie avec une partition A1 , . . . , An , il peut e e e exister une autre partition B1 , . . . , Bm (dirente de A1 , . . . , An ) telle que f est constante e sur chacun des Bi . Dnition 2.3.3. Soit A . La fonction indicatrice de A est la fonction e 1A : x {0, 1} 1 si x A 0 si x A . /

Il existe dautres notations. Par exemple si A = [0, 1] R, on peut crire 1A (x) = 1x[0,1] = e 10x1 . Lemme 2.3.4. Si A , B alors x, 1A (x) 1B (x) = 1AB (x). Exemple 2.3.5. La fonction f :R x R 0 x 0 si x < 0 si x [0, 2] sinon

est une fonction positive tage (x signie partie enti`re ). En eet, elle est constante e e e sur ] , 0[, [0, 1[, [1, 2[, {2}, ]2, +[.

2 1 0 1 2

Fig. 2.1 Dessin de f . Avec des fonctions indicatrice, nous pouvons crire f de mani`re plus compacte : e e f (x) = x1[0,2] (x) = 1[0,2[ (x) x + 2 1{2} (x) = . . . . Dnition 2.3.6. Soit f une fonction positive tage associe a une partition A1 , . . . , An e e e e ` (avec f (x) = ai si x Ai ). On appelle intgrale de f par rapport a le nombre suivant e `
n

f (x)(dx) :=
i=1

ai (Ai ) .

Ce nombre peut tre +. Une fonction positive tage f est dite intgrable si e e e e +.

f (x)(dx) <

10 Remarque 2.3.7. La valeur de

CHAPITRE 2. THEORIE DE LA MESURE f (x)(dx) est indpendante de la partition associe a f . e e `

2.4
2.4.1

Fonctions mesurables et intgrales e

Intgrales des fonctions mesurables positives e

Dnition 2.4.1. Application mesurable. e Soient (, A), ( , A ) deux espaces mesurables. On dit quune application f : est mesurable (par rapport aux tribus A, A ) si B A , f 1 (B) := {x : f (x) B} A. Proposition 2.4.2. Toute fonction continue f : (R, B(R)) (R, B(R)) est mesurable. Si f et g sont des fonction mesurables (, A) (R, B(R)) alors f + g, f g, f sont g mesurables. Si f : (, A) ( , A ) est mesurable et g : ( , A ) ( , A ) est mesurable alors g f : (, A) ( , A ) est mesurable. De mani`re gnrale, toute fonction (R, B(R)) (R, B(R)) dnie par une formule est e e e e mesurable. Proposition 2.4.3. Mesure image. Soit (, A, ) un espace mesur. Soit ( , B) un espace mesurable. Soit f : mesue rable. Lapplication : B [0, +] dnie par (B) = (f 1 (B)) est une mesure appele e e mesure image de par f . (Rappel : f 1 (B) := {x : f (x) B}.) Dmonstration. Vrions dabord que est bien dnie : B B, f 1 (B) A car f est e e e mesurable, donc (B) est bien dni. On a donc : B [0, +]. e Puis () = (f 1 ()) = () = 0 car est une mesure. Enn, si B0 , B1 , B2 , B sont deux ` deux disjoints, ( Bn ) = (f 1 ( Bn )) = a
n0 n0 n0 n0 n0 n0

( f 1 (Bn )). En eet f 1 ( Bn ) = {x : f (x) Bn } = {x : f (x) Bn }. Soient m = n, si x f 1 (Bn ), f (x) Bn , donc f (x) Bm (car B0 , B1 , B2 , . . . sont deux ` / a deux disjoints), donc x f 1 (Bm ), donc f 1 (Bn ) f 1 (Bm ) = . Donc, puisque est une / mesure, ( Bn ) =
n0

( f 1 (Bn ))
n0

=
n0

(f 1 (Bn )) (Bn ) .
n0

= Donc est une mesure.

Dnition 2.4.4. Soit (, A, ) un espace mesur. Si f : [0, +] est mesurable (par e e rapport aux tribus A et B(R)) positive, lintgrale de f sur par rapport a la mesure est e ` dnie par e f (x)(dx) := sup
E(f )

(x)(dx)

o` E(f ) := { tage positive : (x) f (x), x }. Cette intgrale peut prendre sa valeur u e e e dans [0, +]. Pour B A, on note f (x)(dx) =
B

f (x)1B (x)(dx) . f (x)(dx) <

Dnition 2.4.5. Une fonction mesurable positive f est dite intgrable si e e .

 2.4. FONCTIONS MESURABLES ET INTEGRALES

11

Proposition 2.4.6. Croissance de lintgrale. e Soient f, g deux fonctions positives mesurables sur (, A, ). Si f g (ce qui veut dire f (x) g(x), x) alors f (x)(dx) g(x)(dx). Dmonstration. Nous avons E(f ) E(g) car f g. Donc e sup
E(f )

(x)(dx) sup

(x)(dx) .

E(g)

Cette proposition admet comme corollaire le thor`me suivant. e e Thor`me 2.4.7. Thor`me de comparaison. e e e e Soient f, g deux fonctions positives mesurables sur (, A, ). Si f g et g est intgrable e alors f est intgrable. e Dnition 2.4.8. Soit mesure sur (R, B(R)). La mesure est dite avoir pour densit la e e fonction f 0 sur R (par rapport a ) si mesurable positive R R, ` (x)(dx) =
R R

(x)f (x)(dx) .

Ceci implique, en particulier, que B B(R), (B) =

B

f (x)(dx) .

Thor`me 2.4.9. Linarit de lintgrale. e e e e e Soit f fonction positive mesurable sur (, A, ) et a 0, alors : f (x) + g(x)(dx) =

f (x)(dx) +

g(x)(dx)

et af (x)(dx) = a

f (x)(dx) .

En particulier, si f et g sont intgables alors f + g aussi. e Thor`me 2.4.10. Ingalit de Markov. e e e e Soient f, g deux fonctions positives mesurables sur (, A, ). Soit a > 0. Alors : ({x : f (x) a}) 1 a f (x)(dx) .

Dmonstration. On a a1{y:f (y)a} f donc par thor`me de comparaison (thor`me 2.4.7) : e e e e e

a1{y:f (y)a} (x)(dx)

f (x)(dx) .

La fonction a1{y:f (y)a} est une fonction tage et on calcule son intgrale : e e e

a1{y:f (y)a} (x)(dx) = a ({y : f (y) a}) + 0 ({y : f (y) < a}) .

Do` le rsultat. u e

2.4.2

Intgrales des fonctions mesurables de signe quelconque. e

Soit une espace mesur (, A, ). Soit f : R mesurable. Elle peut toujours scrire e e f = f + f avec f + et f mesurables positives : f + (x) = f (x) = f (x) 0 0 f (x) si f (x) 0 sinon si f (x) 0 sinon.

12

CHAPITRE 2. THEORIE DE LA MESURE

Dnition 2.4.11. Une fonction f mesurable sur un espace mesur (, A, ) est dite int e e e -grable si f + et f le sont (voir dnition 2.4.5 de lintgrabilit des fonctions mesurables e e e positives) et dans ce cas, on dnit lintgrale de f (sur par rapport a ) par e e ` f (x)(dx) :=

f + (x)(dx)

f (x)(dx)

et, A A, lintgrale de f sur A par e f (x)(dx) :=

A

f (x)1A (x)(dx) .

Lemme 2.4.12. Soit f une fonction mesurable sur un espace mesur (, A, ) et intgrable. e e Alors

f (x)(dx)

|f (x)|(dx)

Dmonstration. e f (x)(dx)

f + (x)(dx) f + (x)(dx) +

f (x)(dx)

f (x)(dx)

f + (x)(dx) +

f (x)(dx)

|f (x)|(dx) .

Ce lemme peut aussi tre vu comme une consquence de lingalit de Jensen (cf. exercice e e e e 4 du chapitre 4 et thor`me 6.3.1). e e Thor`me 2.4.13. Linarit et croissance. e e e e Pour lintgrale dune fonction de signe quelconque, on a encore la linarit et la croissance e e e comme dans la proposition 2.4.6 et le thor`me 2.4.9. e e Remarque 2.4.14. Lien intgrale de Lebesgue/intgrale de Riemann. e e Quand (, A, ) = (R, B(R), ), lintgrale f (x)(dx) = R f (x)(dx) que nous venons de e dnir sappelle lintgrale de Lebesgue sur R. Vu la dnition 2.4.11, lintgrale de Lebesgue e e e e sur un intervalle [a, b] est donne par e f (x)(dx) :=
[a,b] R

f (x)1[a,b] (x)(dx) .

Lintgrale de Riemann est celle qui se calcule avec la primitive. Si f admet une primitive e F alors son intgrale de Riemann est e
b a

f (x)dx = [F (x)]a = F (b) F (a)

avec la convention que si F nest pas dnie en a (et pareil en b), par exemple parce que a = e , alors F (a) = limxa,x[a,b] F (x). On parle alors dintgrale gnralise (ou dintgrale e e e e e de Riemann gnralise). Lintgrale de Riemann nest dnie que si F (a) et F (b) sont nis. e e e e e On a les r`gles de signe suivantes : e
b a a

f (x)dx =

f (x)dx
b

f (x)(dx) =
[a,b] [b,a]

f (x)(dx) .

 2.5. FONCTION DE REPARTITION

13

Dans le cas o` f a une intgrale de Riemann, nous avons lgalit suivante entre les deux u e e e types dintgrales si a b e
b

f (x)(dx) =
[a,b] a

f (x)dx .

Cest en gnral avec cette formule que lon calculera les intgrales. On crira parfois : e e e e f (x)(dx) =
[a,b] [a,b]

f (x)dx .

2.5

Fonction de rpartition e

Ltude de la fonction de rpartition dune mesure va nos permettre de mettre en uvre e e les thor`mes de ce chapitre. e e Dnition 2.5.1. Soit mesure sur (R, B(R)) telle que (R) < +. On dnit la fonction e e de rpartition de par : e F : R x F (x) = (] , x]) . Proposition 2.5.2. Soit mesure sur (R, B(R)) telle que (R) < +. La fonction F est croissante, c`dl`g (continue a droite avec une limite a gauche), limx+ F (x) = (R), a a ` ` limx F (x) = 0. Dmonstration. Soient x y. Nous avons ] , x] ] , y] donc, par la proposition 2.2.6, e F (x) = (] , x]) (] , y]) = F (y). Soit x R et (un )n0 suite de R telle que un x et un un+1 , n et limn+ un = x. Pour tout n, ] , un+1 ] ] , un], ] , un ] =] , x] et (] , u0 ]) (R) < ,
n0 n0

[0, +[

donc, par la propostion sur lintersection dcroissante (prop. 2.2.9) limn+ (] , un]) = e ( ] , un ]) = (] , x]). En dautres termes : limn+ F (un ) = F (x). Ceci prouve que F est continue ` droite. a Soit x R et (un )n0 suite de R telle que un < x et un un+1 , n et limn+ un = x. Pour tout n, ] , un+1 ] ] , un ], ] , un ] =] , x[, donc par la proprit de ee
n0

runion croissante (prop. 2.2.8), limn+ F (un ) = (] , x[). Ceci prouve que F a une e limite ` gauche (gale ` (] , x[)). a e a On trouve galement la limite de F en + en utilisant la proprt de runion croissante e ee e et la limite de F en en utilisant la proprit dintersection dcroissante. ee e

Remarque 2.5.3. Dans la proposition prcdente, la limite a gauche en x de F est (] e e ` , x[) et F (x) = (] , x]). Par la proposition 2.2.6, (] , x]) (] , x[) = ({x}). Donc F (x) = (] , x[) si et seulement si ({x}) = 0.

2.6
2.6.1

Exercices
Enoncs e
n0

1) Rappel : Pour une famille densemble (An )nN , on note n0 An = {x : n tel que x An } (a) Dterminer e (b) Dterminer e (c) Dterminer e
n0 ]1, 1

An = {x : n, x An } et

(d) Soit f : R R, x x2 . Dterminer f 1 ( e

+ 1/(n + 1)]. n0 ]1, 2 + 1/(n + 1)]. n0 ]1 1/(n + 1), 2].

n0 [1/(n

+ 1), +[).

2) Soit un ensemble et soient A0 , A1 , . . . des parties de . (a) On suppose dans cette question que A0 A1 An An+1 . . . . Posons / pour tout n 1, Bn = An An1 (rappel : A C = {x A : x C}). Montrer que les ensembles Bn sont deux ` deux disjoints. a

14

CHAPITRE 2. THEORIE DE LA MESURE (b) On note : A , Ac = {x : x A}. Montrer que Ac = ( An )c . / n (c) Montrer que ( Ac )c = An . n
n0 n0
n 0 n 0

3) Soit A1 , ..., An une partition de R. Montrer que A = { iI Ai : I {1, ..., n}} est une tribu. (A est constitu de toutes les runions possibles densembles Ai .) e e 4) Soit Card : P(N) [0, +] A

Montrer que Card est une mesure sur (N, P(N)). 5) On se donne un espace mesurable (E, A). (a) Soit x E, on note

Card(A) = le nombre dlments de A . ee

x : A [0, +] B x (B) =1 =0

si x B sinon .

Montrer que x est une mesure sur (E, A). (Cette mesure sappelle la mesure de Dirac en x.) (b) Soient x1 , ..., xk des lments distincts de E et p1 , ..., pk R . On note ee + : A [0, +] B (B) =
1ik

pi xi (B)

6) Soit A = n0 [n, n + 21 [. Calculer (A). (On se servira du fait que A est runion e n densembles disjoints et on utilisera la proprit dadditivit.) ee e 7) (a) Soit x R, calculer ({x}) (utiliser la proprit de croissance). ee (b) Soit x0 , x1 , x2 , R, calculer (utiliser la proprit de sous-additivit). ee e (c) En dduire que (Q) = 0. Calculer ([0, 1]\Q). e 8) Un ensemble de Cantor. Pour n 1, on note : An = (n0 {xn })

Montrer que est une mesure sur (E, A).

{x [0, 1[, x na que des 1 ou des 5 dans son dveloppement dcimal e e jusqu` lordre n} a

An est donc lensemble des x [0, 1[ qui scrivent x = 0, u1 u2 . . . un un+1 . . . avec e u1 , . . . , un {1, 5}. (a) Calculer (An ) pour tout n. (b) Soit B = n1 An , calculer (B) (utiliser la proprit dintersection dcroissante). ee e 9) Mesures ` densit. a e (a) Soit mesure sur (R, B(R)) de densit 1[0,1] (x) par rapport ` la mesure de Lebesgue. e a Calculer ([0, 1]), ([0, 2]), ([0, 1/2]), ({1/2}). (b) Soit mesure sur (R, B(R)) de densit 1x>0 ex par rapport ` la mesure de Lebesgue. e a Calculer (R), ({1}), ([0, 1]), ([1, +[). (c) Soit mesure sur (R, B(R)) de densit 1x>0 xex e Lebesgue. Calculer ([0, 1]). 10) (a) Montrer que 0 (b) Montrer que 0 (c) Montrer que 0
e 1 2 e1 0 (cos(x)) dx 1. 2 /2 2 ex dx 2 . 0 2 2 /2 1 sin(log(1 + u))du 2 . /3
1 2

/2

par rapport ` la mesure de a

2.6. EXERCICES

15

2.6.2
(1) (a)

Corrigs e

(d)

/ n0 ]1, 1 + 1/(n + 1)] et x = 1, n tel que n0 ]1, 1 + 1/(n + 1)] = car 1 x ]1, 1 + 1/(n + 1)] et donc x n0 ]1, 1 + 1/(n + 1)] / / (b) n0 ]1, 2 + 1/(n + 1)] =]1, 2] (c) n0 ]1 1/(n + 1), 2] = [1, 2]
n0 [1/(n + 1), +[=]0, +[

donc f 1 (

R {0} = R (2) (a) Soient k = n, k < n. Ak An1 donc x Ak , x Bn . Comme Bk Ak , alors / Bk Bn = / / (b) Si x ( An )c alors x An donc n tel que x An . Donc n tel que / / Si x Ac alors n tel que x An . Donc x An . Donc x ( An )c . n Conclusion : Ac = ( An )c . n
n0
n 0 n 0 n 0 n 0

n0 [1/(n + 1), +[)

= f 1 (]0, +[) =

x Ac . Donc x Ac . n n
n0

n 0

n 0

(c) Par passage au complmentaire dans le rsultat prccent : ( Ac )c = An . e e e e n

n0 n0

(3) On rappelle que A1 , . . . , An partition de R signie que les ensembles Ai sont 2 ` 2 a disjoints et que A1 An = R. (i) R = A1 An A (ii) Soit Ai A, ( Ai )c = Ai A.
iI iI

(iii) Si on fait une runion dnombrable dlments de A : e e ee

n0 iIn

iI /

( Ai ) =

i In
n0

Ai A .

(4) Fait en cours (5) (a) Remarque : x sappelle la mesure de Dirac en x. (i) x est bien une fonction de A dans [0, +] (ii) x () = 0 car x / (iii) Si on a des lments 2 ` 2 disjoints de A : A0 , A1 , . . . . ee a x ( An )
n0

=1 =0 =1 =0 =
n0

si x An
n0

sinon si n tel que x An sinon x (An )

car les An sont 2 ` 2 disjoints (et donc au plus un seul dentre eux contient x, a cest ` dire au plus un seul dentre eux est tel que x (An ) = 1). a e e (b) On remarque que i, xi est une mesure par la question prcdente. (i) est bien une fonction de A dans [0, +] (ii) () = 1ik pi xi () = 0 (iii) Si on a des lments 2 ` 2 disjoints de A : A0 , A1 , . . . : ee a ( An )
n0

=
1ik

pi xi ( An )
n0

=
1ik

pi
n0

xi (An ) pi xi (An )

=
n0 1ik

=
n0

(An ) .

16

CHAPITRE 2. THEORIE DE LA MESURE

n0

(6) Les ensembles [n, n + 21 [ sont 2 ` 2 disjoints donc (A) = a n 1 e e e n0 2n = 2 (somme de srie gomtrique). (b) (n0 {xn })
n0

([n, n +

1 2n [)

(7) (a) > 0, {x} [x, x + ] donc ({x}) ([x, x + ]) = . Donc ({x}) = 0. (c) Q est dnombrable donc on peut crire Q = {x0 , x1 , . . . , xn , . . .} donc (Q) = 0 e e par la question prcdente. Nous avons ([0; 1]) < donc, par la prop. 2.2.6, e e ([0; 1]\Q) = ([0; 1]) (Q) = 1. An = {[x, x + 10n [: x = 0, u1 . . . un avec u1 , . . . , un {1, 5}} [x, x + 10(n+1) [
xBn

({xn }) = 0 par la question prcdente. e e

(8) (a) On remarque que

o` Bn = {x = 0, u1 . . . un avec u1 , . . . , un {1, 5}}. On remarque que Bn est ni u a et que les intervalles ([x, x + 10n [)xBn sont 2 ` 2 disjoints. Donc : (An ) =
xBn

([x, x + 10n [)

= Card(Bn ) 10n = 2n 10n . (9) (a) ([0, 1]) = ([0, 2]) = (b) n, An An+1 donc par intersection dcroissante : (B) = limn+ (An ) = 0. e
R

1[0,1] (x)1[0,1] (x)dx = 1 (x)1[0,1] (x)dx = R [0,2]

1 0 1 0

1dx = 1 1dx = 1
1/2

(b) (R) = R 1x>0 ex dx = 1 ({1}) = R 1{1} (x)1x>0 ex dx = R 1{1} (x)e1 dx = 0 car ({1}) = 0 1 ([0, 1]) = R 1[0,1] (x)1x>0 ex dx = 0 ex dx = 1 e1 + ([1, +[) = R 1[1,+] (x)1x>0 ex dx = 1 ex dx = e1 (c) ([0, 1]) = e
1/2 R

([0, 1/2]) = R 1[0,1/2] (x)1[0,1] (x)dx = 0 1dx = 1/2 ({1/2}) = R 1{1/2} (x)1[0,1] (x)dx = R 1{1/2} (x)dx = 0 car ({1/2}) = 0

1[0,1] (x)1x>0 (x)xex

/2

dx =

1 0

xex

/2

)
1 e1

dx = ex

/2

1 0

= (1

(10) On utilise ` chaque fois la proprit de croissance de lintgrale (prop. 2.4.6). a ee e (a) Pour tout x, 0 | cos(x)| 1 donc 0 (b) Pour tout x [0, 2], 0
e
x2 /2

e1 (cos(x))2 dx 0

(c) Pour tout u 0, 0 log(1 + u) u. Si u [/3; /2] alors 0 log(1 + u) u /2 /2 et sin est croissante positive sur [0; /2]. Donc 0 /3 sin(log(1 + u))du
/2 /3

e0 2

1 2

donc 0

2 e 0 2

1 e1

e1 0

1dx = 1.
2 . 2

x2 /2

dx

sin(u)du = [ cos(u)]/3 = 1 . 2

/2

Chapitre 3

Ensembles ngligeables e
Dnition 3.0.1. Soit (, A, ) un espace mesur. Un lment A de A est dit ngligeable e e ee e (pour la mesure ) si (A) = 0. Soit f : R une fonction mesurable. Elle est dite -presque partout nulle si A A ngligeable tel que x Ac f (x) = 0. On dira aussi que f est : presque partout nulle, e -presque srement nulle, presque srement nulle, p.p. nulle, p.s. nulle. Soit A A tel que u u (Ac ) = 0. On dire que lon est dans A pour p.t. (presque tout) x de , -p.s. (presque srement) en x , . . . u Remarque 3.0.2. Une fonction positive dintgrale nie est nie p.p. e Si f est une fonction mesurable positive R+ telle que A A, (A) > 0 et f (x) = + si x A, alors f (x)(dx) = +. En eet, la fonction (x) = + 1A (x) est une u fonction tage vriant f , (x)(dx) = +. Do` f (x)(dx) = + par la e e e dnition ci-dessus. e Nous avons donc que si f (x)(dx) < + alors il nexiste pas densemble A ayant les proprits ci-dessus, ce qui veut donc dire que f est nie presque partout. ee Thor`me 3.0.3. Espace complet. e e Soit (, A, ) un espace mesur. Il existe une tribu B sur et une mesure sur B telles e que AB si A A alors (A) = (A) N tel que N A avec A A, (A) = 0, on a N B et (N ) = 0. La tribu B est alors appele tribu complte de A et est appele mesure complte de . e ee e ee Un espace mesur (, A, ) pour lequel e [N A avec A A, (A) = 0] [N A] est appel un espace mesur complet. e e Thor`me 3.0.4. Soit (, A, ) un espace mesur et f fonction mesurable sur cet espace. e e e e Alors f est p.p. nulle f (x)(dx) = 0. Et la rciproque est vraie pour f 0. Dmonstration. e Si f est p.p. nulle alors A A tel que (A) = 0 et f est nulle sur Ac . Soit E(f ) et B1 , . . . , Bp partition associe ` . On note Bi = Bi A et e a c a Bi = Bi A , i {1, . . . , p}. Les ensembles B1 , . . . , Bp , B1 , . . . , Bp sont deux ` deux disjoints et est constante sur chacun dentre eux. Pour x Bi , on note (x) = ci . Pour tout x dans B1 , . . . , Bp , f (x) = 0. Pour tout i {1, . . . p}, (Bi ) (A) (par proposition 2.2.6) donc (Bi ) = 0. Donc
(x)(dx) = 0 (B1 ) + + 0 (Bp ) + c1 (B1 ) + + cp (Bp ) = 0 .

Cela est vrai pout toute E(f ) donc f (x)(dx) = 0. Soit maintenant f 0. Si f (x)(dx) = 0. Soit > 0, soit A = {x : f (x) } = f 1 ([, +[). Lensemble [, +[ appartien ` B(R) car cest un intervalle. La a 17

18

CHAPITRE 3. ENSEMBLES NEGLIGEABLES fonction f est mesurable donc A A. Soit tage telle que e e (x) =0 = si x Ac si x A .

Lensemble Ac appartient ` A. Pour tout x, (x) f (x) donc a 0 donc

(x)(dx)

f (x)(dx)

(x)(dx) = 0. Par ailleurs, (x)(dx) = 0 (Ac ) + (A )

donc (A ) = 0. Les ensembles A1/n pour n N vrient A1/n A1/n+1 . Donc par e la proposition sur la runion croissante (proposition 2.2.8), ({x : f (x) > 0}) = e (n1 A1/n ) = limn+ (A1/n ) = 0. Donc f est nulle p.p.

Proposition 3.0.5. Intgrale sur un ensemble ngligeable. e e Soit (, A, ) un espace mesur. Soit A A ngligeable. Soit f, g : R mesurables. On e e e e suppose que f (x)(dx) est dnie (ce qui a lieu, par dnition, quand f + et f sont / dintgrales nies) ainsi que g(x)(dx). On suppose que f (x) = g(x) si x A (donc f et e g sont preque partout gale). Alors e f (x)(dx) = 0 ,
A

f (x)(dx) =

g(x)(dx) .

Dmonstration. e

Par dnition, e f (x)(dx) =

A

f (x)1A (x)(dx) .

Donc par le thor`me prcdent, A f (x)(dx) = 0. e e e e Par linarit, f (x)(dx) g(x)(dx) = (f (x) g(x))(dx). La fonction f g e e est nulle presque partout donc, par le thor`me prcdent (f (x) g(x))(dx) = 0. e e e e

On retient de la proposition prcdente que deux fonctions gales presque partout ont la e e e mme intgrale. e e Exemple 3.0.6. Soient les fonction suivantes dnies sur [0; ], e f (x) = sin(x) ,

g(x) =

sin(x) 0

si x = /2 si x = /2 .

19

/2
Fig. 3.1 Dessin de f .

Les fonctions f et g sont gales p.p. Nous avons donc e

g(x)dx
0

=
0

f (x)dx [ cos(x)] = 1 (1) = 2 . 0

20

CHAPITRE 3. ENSEMBLES NEGLIGEABLES

Chapitre 4

Thor`mes limites e e
On se donne (, A, ) un espace mesur complet. On supposera ` partir de maintenant, e a pour des raisons techniques, que est runion dnombrable dlments de A de mesure nie. e e ee On dit alors que est -ni.

4.1

Stabilit de la mesurabilit par passage ` la limite. e e a

Thor`me 4.1.1. Soit (fn )n0 une suite de fonctions R une suite de fonctions mee e surables positives. Alors supn fn et inf n fn sont des fonctions mesurables. Dmonstration partielle. On pose f (x) = supn fn (x). Nous allons montrer que a R, e f 1 (] , a]) A. Cela est en fait susant pour montrer que f est mesurable mais nous ne dmontrerons pas ce point. e Fixons donc a R et prenons A = f 1 (] , a]). On remarque que A = {x : f (x) a} = {x : fn (x) a, n}

1 Pour tout n, {x : fn (x) a} = fn (] ; a]) A car fn est mesurable. La famille A est une tribu, elle est donc stable par intersection dnombrable donc f 1 (A) A. e

= n0 {x : fn (x) a} .

Dnition 4.1.2. Soit (fn )n0 une suite de fonctions R. On dit que (fn ) convergence e p.s. e / presque srement vers f (et on note fn f ) sil existe A ngligeable tel que [x A] u
n+

[fn (x) f (x)].

n+

Dnition 4.1.3. Soit (fn )n0 une suite de fonctions R. On dit que (fn ) convergence e simplement vers f si x, fn (x) f (x).
n+

Exemple 4.1.4. Prenons = [0; 1] et fn (x) = x1/n (n 1). Pour x = 0, nous avons fn (x) = exp(log(x)/n). La suite log(x)/n 0 et la fonction exp est continue donc
n+ n+ n+

fn (x) 0. Si x = 0, fn (x) = 0 0. Donc la suite de fonctions (fn )n1 converge simplement vers la fonction g dnie sur [0; 1] par e g(x) = 1 0 si x = 0 si x = 0 .

Remarque 4.1.5. La convergence simple implique la convergence presque sre. u Corollaire 4.1.6. Si on a une suite (fn ) de fonctions [0, +[ mesurables (positives) p.s. telle que fn f alors f est mesurable.
n+

Dmonstration. On ne va faire la dmonstration que dans le cas o` (fn ) converge simplement e e u vers f . Pour tout x et pour tout n, on pose vn (x) = sup{fn (x), fn+1 (x), fn+2 (x), . . .}. Par le thor`me prcdent, les fonctions vn sont mesurables. Pour tout x, e e e e f (x) = inf{v0 (x), v1 (x), v2 (x), . . .}. Donc par le thor`me prcdent, f est mesurable. e e e e 21

22

` CHAPITRE 4. THEOREMES LIMITES

4.2

Thor`mes de convergence pour les intgrales. e e e

Thor`me 4.2.1. Thor`me de convergence monotone e e e e Soit (fn ) une suite croissante (cest a dire que x, n, fn (x) fn+1 (x)) de fonctions ` mesurables positives [0, +[ convergeant presque srement vers une fonction f . Alors u
n+

lim

fn (x)(dx) =

f (x)(dx) .

Dmonstration. Soit ]0, 1[. La suite ( fn (x)(dx)) est croissante (par croissance de e lintgrale) donc elle a une limite l [0, +]. Soit pour tout n, An = {x : fn (x) e f (x)}. Pour tout n et pour tout x, fn (x) fn (x)1An (x) donc fn (x)(dx) fn (x)1An (x)(dx) =
An

fn (x)(dx)

f (x)(dx)
An

(4.2.1)

Montrons que
An

f (x)(dx)

n+

f (x)(dx) .

(4.2.2) f (x)(dx) (il

Soit > 0. Soit une fonction tage telle que f , e e en existe par dnition de lintgrale). Nous avons e e 1An (x)(x)(dx)

(x)(dx)

f (x)1An (x)(dx)

f (x)(dx) .

(4.2.3)

On suppose que se dcompose sur une certaine partition B1 , . . . , Bp : e (x) =

1ip

bi 1Bi (x) .

e e e Alors n, 1An est une fonction tage qui se dcompose en (x)1An (x) = 0 1Ac (x) + n Et donc

1ip

bi 1Bi An (x) .

(x)1An (x)(dx) = 0 (Ac ) + n

1ip

bi (Bi An )

(4.2.4)

Pour tout n, nous avons An An+1 et donc i, Bi An Bi An+1 . Par la proprit de ee convergence croissante de la mesure, (Bi An ) (n0 (Bi An )) = (Bi n0 An ) .
n+ n+

(4.2.5)

On remarque que n0 An = {x : n, fn (x) f (x)} {x : fn (x) f (x)}. Donc {x : fn (x) f (x)}c ) ((n0 An )c ). Donc ((n0 An )c ) = 0, (Bi (n0 An )c ) ((n0 An ) ) = 0. Puis (Bi ) = (Bi (n0 An )c ) + (Bi (n0 An )) donc (Bi ) = (Bi n0 An ). On dduit donc de (4.2.4) et (4.2.5) e (x)1An (x)(dx) bi (Bi ) = (x)(dx) .
n+

f (x)}c (n0 An )c . Donc 0 = ({x : fn (x)

n+ c

n+

1ip

 ` 4.2. THEOREMES DE CONVERGENCE POUR LES INTEGRALES. Donc par (4.2.3) et en utilisant la dnition de e f (x)(dx) = (x)(dx)
n+

23

lim

(x)1An (x)dx

lim inf

n+

f (x)(dx)
An

lim sup
n+

f (x)(dx)
An

f (x)(dx)

Cela est vrai pour tout > 0 donc nous avons donc montr (4.2.2). Alors, par (4.2.1), e l Pour presque tout x, fn (x)
n+

f (x)(dx) .

(4.2.6)

e f (x) donc fn (x) f (x). Soit n, fn dnie par fn (x) 0 si fn (x) f (x) sinon

fn (x) =

Les fonctions fn et fn sont gales presque partout donc leurs intgrales sont gales. La e e e vrie fn (x) f (x) (x) donc en particulier fonction fn e fn (x)(dx) =

fn (x)(dx)

f (x)(dx) .

Donc

f (x)(dx) l .

Et comme l quation (4.2.6) est vraie pour tout ]0, 1[, ceci nit la dmonstration. e e Thor`me 4.2.2. Lemme de Fatou e e Soit (fn )n0 une suite de fonctions mesurables positives. On note f = lim inf n+ fn . Alors f est mesurable positive et

f d lim inf

n+

fn d

Dmonstration. Par dnition de la lim inf, nous avons pour tout x, e e f (x) = lim
n+

kn

inf fk (x)

(cette limite existe dans ] , +] car cest la limite dune suite dcroissante). Par le e thor`me 4.1.1, les fonctions x inf kn fk (x) sont mesurables pour tout n. Par le corollaire e e 4.1.6, la fonction f est mesurable. 1 Soit m 1. Soit pour tout n, An = {x : p n, fp (x) (f (x) m )+ }. Pour tout x, 1 N N tel que n N fn (x) f (x) m . Nous avons donc An = . On remarque
n1

que pour tout n, An An+1 . Et donc pour tout x, f (x) 1 m 1An (x)
+

n+

f (x)

1 m

.
+

Donc, par thor`me de convergence monotone, e e f (x) 1 m 1An (x)(dx)

n+

f (x)

1 m

(dx) .
+

24 Pour tout n, nous avons fn (x)(dx)

` CHAPITRE 4. THEOREMES LIMITES

fn (x)1An (x)(dx)

f (x) 1 m

1 m

1An (x)(dx)
+

et donc lim inf

n+

fn (x)(dx)
1 m + m

f (x)

(dx) .
+

Nous avons pour tout x, f (x) notone,

e e f (x). Donc, par thor`me de convergence mo-

f (x)

1 m +

(dx) lim inf

f (x)(dx). Et donc f (x)(dx) .

n+

fn (x)(dx)

alors |f (x)|(dx) < limn+ |fn (x) f (x)|(dx) = 0 . Ce qui implique en particulier lim

Thor`me 4.2.3. Thor`me de convergence domine (appel aussi thor`me de Lebesgue) e e e e e e e e Soit (fn )n0 une suite de fonctions mesurables sur . Si : il existe g positive mesurable et intgrable telle que n N, x , |fn (x)| g(x) e p.s. et fn f
n+

n+

fn (x)(dx) =

f (x)(dx) .

Dmonstration. Pour simplier la dmonstration, nous allons suppose que (fn ) converge e e simplement vers f . Nous avons alors pour tout x, |f (x)| g(x), donc |f (x)|(dx) < . Pour tout x, 2g(x) |f (x) fn(x)| 0 et lim inf n+ (2g(x) |f (x) fn(x)|) = 2g(x) donc par le lemme de Fatou lim inf (2g(x) |f (x) fn (x)|)(dx) 2g(x)(dx) .

n+

Mais par linarit de lintgrale, e e e lim inf Donc lim sup

n+

n+

(2g(x) |f (x) fn (x)|)(dx) =

2g(x)(dx) lim sup

n+

|f (x) fn (x)|(dx) .

|f (x) fn (x)|(dx) |f (x) fn (x)|(dx)

= =

0 0.

n+

lim

Puis fn (x)(dx) f (x)(dx)

f (x) fn (x)(dx)
n+

(par lemme 2.4.12)

|f (x) fn (x)|(dx) 0 .

 ` 4.3. INTEGRALES DEPENDANT DUN PARAMETRE

25

1 Exemple 4.2.4. Soit lespace mesur (N, P(N), card). Soit f (k) = (k+1)2 et pour tout n 0, e 1 e e fn (k) = (k+1)2 1kn . Pour tout k, fn (k) f (k). Fixons n 0, la fonction fn est tage n+

et son intgrale vaut e fn (x)card(dx)

N

1 1 card({0}) + 2 card({1}) + . . . 1 2 1 + card({n}) + 0 card({n + 1, n + 2, . . .}) (n + 1)2

n

=
k=0

1 . (k + 1)2

Par thor`me de convergence monotone, e e fn (x)card(dx)

n+

f (x)card(dx)
N

et donc f (x)card(dx) =
N

k=0

1 . (k + 1)2

On peut ainsi montrer que pour nimporte quelle fonction g : N R+ ,

+

g(x)card(dx) =
N k=0

g(k)

et donc, pour lespace mesur (N, P(N), card), calculer une intgrale dune fonction positive e e revient a faire la somme dune srie. ` e Exemple 4.2.5. Soit lespace mesur ([0, 1], B([0, 1]), ). Soient les fonctions (pour n 1) e fn : [0, 1] x R+ 1 x1/n
p.s. n+

[0, 1]) avec f la fonction nulle. Pour tout n 1, |fn (x)| 1 qui est une fonction intgrable e sur [0, 1]. En eet
[0,1]

Pour tout x ]0, 1], limn+ fn (x) = 0 et fn (0) = 1 pour tout n 1. Donc fn f (sur

1dx = 1 < .

Donc, par thor`me de convergence domine, e e e fn (x)(dx) 0 .

n+

[0,1]

4.3

Intgrales dpendant dun param`tre e e e

Soit f : R R R, on dnit une fonction F (u) = R f (u, x)(dx). Cette fonction e F sappelle, suivant les auteurs, une intgrale ` param`tre , intgrale dpendant dun e a e e e param`tre , . . . Dans cette partie, nous allons dmontrer diverses proprits des intgrales e e ee e a ` param`tre ` laide du thor`me de convergence domine. e a e e e Thor`me 4.3.1. Continuit sous lintgrale e e e e Soit f : R R R telle que (ii) u tel que pour presque tout x, u f (u, x) est continue en u
R

(i) u R, x f (u, x) est mesurable

Alors la fonction F dnie par F (u) = e continue en u .

(iii) g positive intgrable telle que u R, |f (u, x)| g(x) . e

f (u, x)(dx) est dnie en tout point u R et est e

26 Dmonstration. Il sut de montrer que F (un ) e

` CHAPITRE 4. THEOREMES LIMITES F (u ) pour toute suite (un )n0

n+

convergeant vers u . Prenons donc une telle suite (un )n0 . Posons n, fn (x) = f (un , x). p.s. Nous avons fn h avec h(x) := f (u , x) par (ii). Les fonctions fn sont mesurables
n+

par (i). Par (iii), nous avons n, x, |fn (x)| g(x) avec g intgrable. Donc par thor`me de e e e convergence domine, e F (un ) =
R

fn (x)(dx)

n+

h(x)(dx) = F (u ) .

Corollaire 4.3.2. Thor`me de continuit globale sous lintgrale e e e e Soit f : R R R telle que (ii) pour presque tout x, u f (u, x) est continue
R

(i) u R, x f (u, x) est mesurable

Alors la fonction F dnie par F (u) = e u R.

(iii) g positive intgrable telle que u R, |f (u, x)| g(x) . e

f (u, x)(dx) est dnie et continue en tout point e

Remarque 4.3.3. Ces thor`mes restent vrais si on remplace u R par u I avec I e e intervalle ouvert de R. Exemple 4.3.4. Convolution Soit f : R R intgrable et : R R borne et continue. La convole de f et est dnie e e e e par u (f )(u) :=
R

(u x)f (x)(dx)

Notons h(u, x) = (u x)f (x). Pour tout x, u (u x)f (x) est continue. Pour tout u, e |(u x)f (x)| |f (x)| et |f (x)|(dx) < par hypoth`se. On rappelle que := supvR (v). Pour tout u R, x (u x)f (x) est mesurable comme produit de fonctions mesurables. Donc par le thor`me de continuit globale, f est continue sur R. e e e Thor`me 4.3.5. Drivation sous lintgrale e e e e Soit I un intervalle ouvert non vide de R, u I. Soit f : I R R telle que (ii) pour presque tout x, Alors F (u) := (i) u I, x f (u, x) est intgrable e
f u (u , x)

existe

(iii) g positive intgrable telle que u I, x R, |f (u, x) f (u , x)| g(x)|u u | . e

R

f (u, x)(dx) existe pour tout u I et est drivable en u . De plus e F (u ) =

R

f (u , x)(dx) . u

telle suite (un )n0 . Posons n

Dmonstration. Lexistence de F est assure par (i). e e En ce qui concerne la drivation, il sut de montrer que pour toute suite (un )n0 convere f n )F (u geant vers u avec n, un = u , F (uun u ) R u (u , x)(dx). Prenons donc une
n+

n (x) = Par (ii), n

p.s. f (u , .). n+ u

f (un , x) f (u , x) . un u

thor`me de convergence domine, e e e F (un ) F (u ) = un u

Par (iii), nous avons pour p.t. x, |n (x)| g(x). Donc par f (u , x)(dx) . u

f (un , x) f (u , x) (dx) n+ un u

 ` 4.3. INTEGRALES DEPENDANT DUN PARAMETRE Corollaire 4.3.6. Drivation globale sous lintgrale e e Soit I un intervalle ouvert non vide de R. Soit f : I R R telle que (i) u0 I, x f (u0 , x) est intgrable e (ii) pour p.t. x, u f (u, x) est drivable sur I e (iii) x, u, Alors F (u) :=
f u (u, x) R

27

g(x) avec g intgrable . e

f (u, x)(dx) existe et est drivable sur I. De plus e F (u) =

R

f (u, x)(dx) . u

Dmonstration. Pour tout u I, e |f (u, x)| |f (u0 , x)| + |f (u, x) f (u0 , x)| f (v, x) |f (u0 , x)| + |u u0 | sup v[u,u0 ] u f (u0 , x)| + |u u0 |g(x) . Donc, par (i) et (iii), F est bien dnie. Pour tous u, u I, pour tout x, e |f (u, x) f (u , x)| |u u | sup g(x)|u u |
v[u,u0 ]

f (v, x) u

par (iii). Et le thor`me prccent nit la dmonstration. e e e e e

Exemple 4.3.7. Soit, pour u > 0, F (u) = est intgrable sur ]0, +[ car e1t e ue
ut

Soit > 0. Pour tout u > , |eut sin(t)| et (car | sin(t)| 1) qui est intgrable e sur ]0, +[. Donc par thor`me de drivation globale, nous avons pour u > e e e
+

sin(t) t

+ ut sin(t) e t dt. La 0 sin(t) et (car sin(t) t t u

fonction t e1t sin(t) t

est drivable sur ]0, +[ et e

ut

sin(t) t

1). Pour tout t > 0,

= eut sin(t).

F (u) =
0

eut sin(t)dt .
+ 0

Cela est vrai > 0 donc u > 0, F (u) = F (u) = eut cos(t)
+ 0

eut sin(t)dt. Calculons

+

+
0 + 0

ueut cos(t)dt
+

= 1 + ueut sin(t) = 1 u2 F (u) . Donc F (u) =

1 1+u2 .

+
0

u2 eut sin(t)dt

convergence domine, F (n) = e donc C =

2.

pour n N , fn (t) = exp(nt) sin(t) . Les fonctions fn sont mesurables. Pour tout t > 0, t fn (t) 0 et |fn (t)| et 1 qui est intgrable sur [0, +[. Donc, par thor`me de e e e
n+

Donc il existe une constante C telle que F (u) = C arctan(u). Posons

Donc

fn (t)(dt) 0. Nous avons limn+ arctan(n) =

n+

F (u) =

arctan(u) . 2

28

` CHAPITRE 4. THEOREMES LIMITES

4.4
4.4.1

Exercices
Enoncs e

1) Calculer les limites suivantes :

+ n2 +1 x2 n2 +1 dx 1 1 1 1 (b) limn+ 0 x sin nx dx 1 x n (c) limn+ 0 1 n dx + x n (d) limn+ sin n x(1+x2 ) dx 2n + (e) limn+ e1+cos (x) e|x| dx. + (f) limn+ 0 arctan(x/n)ex dx n x n On pose : I() = limn+ 0 1 n ex dx (a) On pose pour n N, fn : R+ R telle

(a) limn+

2)

que (fn )n0

x que fn (x) = 1 n ex 1xn . Montrer est une suite croissante de fonctions. (On pourra notamment tudier : e x n+1

pour n N et R.

gn (x) = (n + 1) ln 1

n ln 1

x n

.)

(b) En dduire la valeur de I() en fonction de . e 3) Soit la mesure de comptage (Card) sur (N, P(N)). Pour toute suite positive (un )n0 , on a : n0 un = N un (dn). (a) Calculer limk+ (b) Calculer limk+
1 n0 3n n0

1 k(n+1)

sin(n/k) 2n

4) Ingalit de Jensen. e e Soit (E, A, ) un espace mesur avec (E) = 1. Soit : R R+ convexe et drivable e e deux fois (et donc 0). Soit (E, A, ) un espace mesur avec (E) = 1. Soit f : e (E, A) (R, B(R)) mesurable et telle que E f (x)d(x) < +. (a) Montrer que z, y I, (y) (z) + (z)(y z) e e e (b) En prenant z = E f (t)d(t) et y = f (x) dans linegalit prcdente, montrer que :
E

f (x)d(x)

f (x)d(x).
1 0

(c) En dduire que pour toute fonction f : [0, 1] R telle que e

1 0 2 1

|f (x)|dx < + :

|f (x)|dx
2y

f (x)2 dx.

5) (a) Montrer que z 0, 0 1 ez z. (b) En dduire que y > 0, x e (c) Pour tout y > 0, on pose
1ex x2

est intgrable sur [0, +[. e

F (y) =
0

1 ex y dx . x2

Montrer que F est drivable sur ]0, +[. Calculer F (y). On rappelle que e
+ 0

ex dx =

/2 .

(d) En dduire F (y) ` une constante pr`s. e a e (e) Calculer cette constante en regardant limn+ F (1/n). 6) On consid`re pour n 0 la srie e e
k0

un,k avec un,k =

1 k!

2n2 +6n+1 n2 +5n+

(a) Montrer que cette srie est convergente (n 0). On notera In sa limite. e (b) Calculer limn+ In .

4.4. EXERCICES

29

4.4.2

Corrigs e
2 2

(1) (a) Pour tout x 1, xnn+1 n 2+1 n2 + n2 x2 n2 2 2 +1 x n2 [1; +[. 2 1 Pour tout x 1, xnn+1 x2 . 2 2 +1
n+

2 x2

qui est intgrable sur e

Donc, par thor`me de convergence domine, e e e [1/x]+ 1 = 1.

1 x 1 x 1 x

+ n2 +1 x2 n2 +1 dx n+ 0

+ 1 x2 dx 0

(b) x ]0, 1], x ]0, 1],

sin(1/nx)

et

intgrable sur [0, 1] e

1 sin(1/nx) 0 n+ x
1 1 0 x

donc par convergence domine limn+ e

x n n

sin

1 nx

dx = 0

(c) x [0, 1], 1 1 et la fonction constante gale ` 1 est intgrable sur e a e [0, 1]. x x n = exp(n log(1 n )) = exp(n(x/n + o(1/n))) = On a x [0, 1], 1 n x exp(x + o(1)) e par continuit de la fonction exponentielle. e
n+

Donc par convergence domine, e

1 0

x n

dx

n+

ex dx = 1 e1 . intgrable sur ], +[, e

(d) x R, | sin x R, sin

+ n+

x 1 n n x(1+x2 ) | (1+x2 ) qui est une fonction 1 n x n x(1+x2 ) n+ (1+x2 ) car sin(u) u0 u

donc par convergence domine, e lim sin

x n

n dx = x(1 + x2 )

1 dx = [arctan(x)]+ = . (1 + x2 )

(e) x R,

e1+cos

2n

(x) |x|

e2|x|

qui est une fonction intgrable sur R. e 2n Pour p.t. x R, e1+cos (x) e|x| e1|x|
n+

donc par convergence domine, e

+ n+

lim

e1+cos

2n

(x) |x|

dx =

e1|x| dx = 2e1 .

(f) x 0, arctan(x/n)ex (/2)ex qui est une fonction intgrable sur [0, +[. e Pour tout x 0, arctan(x/n)ex 0
n+

donc par convergence domine, e

+ n+

lim

arctan(x/n)ex dx = 0 .

(2) (a) On a pour 0 x n, fn+1 (x)/fn (x) = exp(gn (x)).

gn (x) =

1 1 n n+1

x 0 (1 x/n)(1 x/(n + 1)

pour 0 x n donc gn croissante sur [0, n]. gn (0) = 0 donc gn (x) 0 x [0, n]. Donc fn+1 (x) fn (x) x [0, n]. Cest galement vrai sur [n, +] donc fn suite e de fonctions croissante.

30 (b) On a
n 0

` CHAPITRE 4. THEOREMES LIMITES 1

x n x e dx n

+ 0

fn (x)dx. x 0, fn (x) ex+x dx donc par

+ 0

convergence monotone, limn+ I()

fn (x)dx =

n+ + x+x e dx, 0

donc :

+
1 1

si 1 sinon .
1 3n

(3) (a) Pour tout n, k, 0 mine : e

1 3n

1
1 3n

1 k(n+1)

qui est le terme gnral dune srie e e e 1 n k+ 3 donc par convergence do3 1 = . 3n 2 srie convergente. e

convergente. Pour tout n,

1 k(n+1)

k+

(b) Pour tout n, k, Pour tout n,

sin(n/k) e e 21 qui est le terme gnral dune n 2n sin(n/k) 0 donc par convergence domine : e 2n k+

lim

n0

1 3n

1 = k(n + 1)

n0

k+

lim

n0

sin(n/k) =0. 2n (t)dt

y z

(4) Ingalit de Jensen. e e (a) z, y I avec z y, (y) (z) = (y) (z) (z)(y z)
E y z

(z)dt (car convexe), donc

(b) On prend z =

f (t)d(t) et y = f (x) dans linegalit prcdente et on a : e e e f (t)d(t) +

E E

(f (x))

f (t)d(t) (y z) .

On int`gre ensuite par rapport ` d(x) : e a (f (x))d(x)

E

f (t)d(t) d(x)
E

+ =
E

f (t)d(t) (y z)d(x)

f (t)d(t) +
E

f (t)d(t) f (t)d(t) .

f (x)d(x)

f (x)d(x)

(c) La fonction : x [0, 1] x2 est convexe. Donc par le rsultat prcdent, pour e e e toute fonction f : [0, 1] R intgrable, e
1 0 2 1

|f (x)|dx

f (x)2 dx.

(5) (a) 0 1 ez =
2

z 0

et dt

z 0

1dt = z
1ex x2
2y

(b) Par la question prcdente, y > 0, 0 e e (c) Soit > 0, inf(y, 1/x ) donc x
1ex x2 1ex x2
2y

est intgrable e

y et

1 x2

donc 0

1ex x2

2y

y > , x

2y

est intgrable e

4.4. EXERCICES x > 0 (et donc pour presque tout x 0), y

y 1ex x2
2y

31
1ex y est x2 x2 y x2
2

drivable e

=e et |e |e qui est intgrable sur e x > 0, y > , [0, +[ Donc (thor`me de drivation globale) F est drivable sur ], +[ et F vaut : e e e e F (y) =
0 +

x2 y

ex y dx

Cela est vrai > 0 donc cette drive est valable pour touty ]0, +[. Par e e 2 + 1 changement de variable (u = yx), F (y) = y 0 eu du = 2y . (d) On en dduit F (y) = y + C pour une certaine constante C. e (e) F (1/n) =
+ 0

fn (x)dx avec fn (x) =

2

1ex x2

2 /n

Pour tout x > 0, |fn (x)| inf(1, 1/x ) (voir question 1). Donc, par thor`me de e e convergence domine : e F (1/n) 0
n+

. Pour tout x > 0, fn (x) 0.

n+

donc C = 0.
+6n+1 (6) (a) Pour n 0, 0 2n +5n+ 6n2 + 6n + 6n2 + n + 1 = 6. Donc 0 un,k 6k /k! n2 et cette derni`re quantit est le terme gnral dune srie convergente (quand on e e e e e somme sur k)(srie exponentielle). Donc k0 un,k est convergente. e
2

(b) On sait par lexercice 3 que In peut tre vue comme une intgrale par rapport ` la e e a mesure de comptage sur N. Pour tout k, un,k 2k /k!.
n+

Pour tout k, un,k 6k /k! qui est sommable. Donc par thor`me de convergence domine, In e e e

n+

k0

2k /k! = e2 .

32

` CHAPITRE 4. THEOREMES LIMITES

Chapitre 5

Mesure produit et thor`mes de e e Fubini

On se donne deux espaces mesurs (, A, ) et ( , A , ). e

5.1

Thor`mes de Fubini et Fubini-Tonelli e e

Thor`me 5.1.1. Sur lensemble , il existe une plus petite tribu C contenant e e tous les ensembles de la forme A B avec A A, B A . On note C = A A . Il existe une unique mesure, note sur C telle que, si (A, A ) A A , (A e A ) = (A) (A ). Dnition 5.1.2. La mesure dnie par le thor`me ci-dessus sappelle la mesure e e e e produit de et . La tribu C dnie par le thor`me ci-dessus sappelle la tribu produit. e e e Dnition 5.1.3. On notera B(Rd ) la tribu B(R) B(R) = B(R)d (produit d fois). e La mesure sur B(R2 ) mesure les aires, la mesure = 3 sur B(R3 ) mesure les volumes, . . . Thor`me 5.1.4. Thor`me de Fubini-Tonelli e e e e Soit f : [0, +] mesurable positive. On dnit les fonctions et sur et e respectivement par (x) =

f (x, y) (dy), (y) =

f (x, y)(dx) .

Ces fonctions sont mesurables positives et vrient e (x)(dx) =

f (x, y) (dx, dy) =

(y) (dy)

(et cette quantit [0, +]). e On retient que pour des fonctions positives, on peut intervertir lordre des intgrations. e Thor`me 5.1.5. Thor`me de Fubini (ou Fubini-Lebesgue) e e e e Soit f : R {+, } une fonction mesurable. On dnit les fonction f1 et f2 e sur et respectivement par f1 (x) =

|f (x, y)| (dy), f2 (y) =

|f (x, y)|(dx) .

(i) Si lun des fonctions f1 ou f2 est intgrable alors lautre lest aussi et dans ce cas, f , e et sont intgrables. De plus, nous avons alors e (x)(dx) =

f (x, y) (dx, dy) = 33

(y) (dy) .

34

` CHAPITRE 5. MESURE PRODUIT ET THEOREMES DE FUBINI

(ii) Si f est intgrable (contre la mesure ) alors f1 et f2 sont intgrables et nous e e avons encore lgalit ci-dessus. e e Exemple 5.1.6. Soit f : [0, 1] [0, 1] R+ (x, y) e(x+y) 1x+y1 .
1 [0,1][0,1] 1 0 1

Cette fonction est mesurable positive. Par Fubini-Tonelli f (x, y) (dx, dy) =
0

e(x+y) 1x+y1 dx dy
1 0

=
0 1

ey ey
0

ex 1x+y1 dx dy ex dx dy

1y

=
0 1

=
0 1

ey 1 e(1y) dy ey e1 dy 2 . e

=
0

1 e1 e1 = 1

Notation 5.1.7. Intgrale multiple e Pour toute fonction f : Rd R intgrable, on notera indiremment e e f (x1 , . . . , xd )d (dx1 , . . . , dxd ) =
Rd Rd 1

f (x1 , . . . , xd )dx1 . . . dxd

1

=
0

...
0

f (x1 , . . . , xd )dx1 . . . dxd

=
Rd

f (u)du

(on a remplac, dans cette criture, (x1 , . . . , xd ) par u). e e Dnition 5.1.8. Soit mesure sur (Rd , B(Rd)). La mesure est dite avoir pour densit e e la fonction f : Rd R+ (par rapport a d ) si mesurable positive Rd R, ` (x)(dx) =
Rd Rd

(x)f (x)d (dx) .

Ceci implique, en particulier, que B B(Rd ), (B) =

B

f (x)(dx) .

Exemple 5.1.9. Soit f : R+ [0, 1] (x, y) R 2e2xy exy .

Cette fonction est mesurable et nest pas de signe constant. Calculons pour tout y > 0
+ +

f (x, y)dx
0

=
0

2e2xy exy dx
+ 0

= = 0

e2xy + exy y

5.2. CHANGEMENT DE VARIABLE Nous avons donc pour p.t. y [0, 1],
1 0 0 + 0 +

35 f (x, y)dx = 0 donc, par le thor`me 3.0.4, e e

f (x, y)dx dy = 0 . Calculons pour tout x > 0

1

f (x, y)dy
0

= =

e2xy + exy x ex e2x . x

1 0

Pour x > 0, e e > 0. Nous avons pour p.t. x [0, 1], x donc, par le thor`me 3.0.4, e e
+ 0 0 1 + 1

2x

1 0

f (x, y)dx =

ex e2x x

>0

f (x, y)dx dy > 0 . Donc

0 + 0 1

f (x, y)dx dy =
0 0

f (x, y)dx dy .

Exemple 5.1.10. Interversion de somme et dintgrale e Soit f : R+ mesurable positive. Nous supposons dans cet exemple que ( , A , ) = (N, P(N), card). Comme nous lavons vu dans lexemple 4.2.4, pour toute fonction g positive sur , g(x) (dx) =
k0

g(k) .

Par Fubini-Tonelli, nous avons alors

k0

f (x, k) (dx) =

f (x, k)(dx)
k0

5.2

Changement de variable

e e Rappel : C 1 veut dire que la fonction est continue et ses drives partielles du premier ordre existent et sont continues. De mani`re plus explicite, la fonction e : U (u1 , . . . , ud ) V (1 (u1 , . . . , ud ), . . . , d (u1 , . . . , ud ))
i uj

Dnition 5.2.1. Soient U et V deux ouverts de Rd . Un diomorphisme de U dans V e e est une bijection (U V ) qui est C 1 telle que 1 est C 1 aussi.

est C 1 si 1 , . . . , d sont continues et i, j,

existe et est continue.

Thor`me 5.2.3. Thor`me de changement de variable. e e e e Soient U, V deux ouverts de Rd . Soit : U V un diomorphisme. Soit f une fonction e intgrable V R. Alors la fonction f : U R est intgrable et e e f (y)dy =
V U

Dnition 5.2.2. Si est un diomorphisme de U dans V (deux ouverts de Rd ), on e e appelle matrice jacobienne la matrice suivante (fonction de (u1 , . . . , ud )) d 1 u1 (u1 , . . . , ud ) . . . u1 (u1 , . . . , ud ) 1 (u , . . . , ud ) . . . d (u1 , . . . , ud ) u2 J = u2 1 ... ... ... d 1 (u1 , . . . , ud ) . . . ud (u1 , . . . , ud ) ud

(f )(x) | det(J (x))|dx

(Attention a ne pas oublier la valeur absolue dans les calculs.) `

36

` CHAPITRE 5. MESURE PRODUIT ET THEOREMES DE FUBINI

Remarque 5.2.4. Lien avec le changement de variable en dimension 1. Soient ]a, b[, ]c, d[ deux intervalles ouverts de R. Soit :]a, b[]c, d[ un diomorphisme tel e que limxa (x) = c, limxb (x) = d. Nous connaissons le changement de variable pour les intgrales de Riemann, pour f :]c, d[ R e
d b

f (x)dx
c

=
a

f (y) (y)dy .

Et dapr`s le thor`me prcdent, e e e e e f (x)dx

[c,d]

=
[a,b]

f (y)| (y)|dy

car la matrice jacobienne est ici une matrice 1 1. Supposons a b, c d. La fonction est donc monotone dcroissante donc y, (y) 0. Dapr`s la remarque 2.4.14, e e
d c

f (x)dx =

f (x)dx
[c,d]

ce qui est cohrent avec le fait que e

b a

f (y) (y)dy =

[a,b]

f (y)| (y)|dy .

Donc, en dimension 1, on peut faire le changement de variable avec le thor`me ci-dessus e e ou directement sur lintgrale e Riemann. e Exemple 5.2.5. Changement de variables en coordonnes polaires. e Soit : ]0, +[]0, [ R R + + 2 (, ) ( cos(), sin()) . Lapplication est un diormorphisme (on ladmet sans dmonstration). Calculons sa e e matrice jacobienne cos() sin() J (, ) = . sin() cos() Nous avons donc | det J |(, ) = | cos2 () + sin2 ()| = ||. Donc, par le thor`me 5.2.3 e e
+ 0 0 + +
2

(x2 +y 2 )

dxdy

=
0

= = Or
+ 0 0 +

0 + 0

e ||dd
2

e d
+

1 2 e 2 2

=
0

. 4

e(x

+y 2 )

dxdy

=
0

ex

+ 0

ey dy dx
+ 0

=
0 +

ey dy
2

ex dx

=
0

ey dy

Donc
0

ey dy =

. 2

(5.2.1)

5.2. CHANGEMENT DE VARIABLE

37

Exemple 5.2.6. Convolution Soient f, g : R R deux fonctions intgrables. Rappelons que la convole de f et g est e e e ` (f g)(x) = R f (y)g(x y)dy. Montrons que cette fonction est bien dnie (cest a dire que f g < p.p.). Nous avons |(f g)(x)|dx =
R R

f (y)g(x y)dy dx

(Fubini-Tonelli) =

|f (y)| |g(x y)|dydx

R

|f (y)| |g(x y)|dx dy

R

=
R

|f (y)| |f (y)|

|g(x y)|dxdy
R

=
R

|g(x y)|dx dy .

Pour y x, nous avons par changement de variable en dimension 1 (u = x y, x = u + y, e dx = du)

+ R

|g(x y)|dx

=
+

|g(x y)|dx |g(u)|du

=
R

|g(u)|du .

Donc |(f g)(x)|dx =

R

f (y)
R R

|g(u)|du dy f (y)dy
R

|g(u)|du

<

car f et g sont intgrables. Par la remarque 3.0.2, |f g| est donc nie presque partout, donc e f g est p.p. nie. Fixons x et oprons un changement de variable y = x u dans lintgrale : e e
+ R

f (y)g(x y)dy

= = =
+ +

f (y)g(x y)dy f (x u)g(u)(du) f (x u)g(u)du

=
R

f (x u)g(u)du .

Donc f g =gf . Exemple 5.2.7. Volume de la boule unit e

38

` CHAPITRE 5. MESURE PRODUIT ET THEOREMES DE FUBINI

On note B = {(x, y) R2 : x2 + y 2 1} la boule unit de R2 . Calculons e (B) (Fubini-Tonelli) =

R2

1B (x, y) (dx, dy)

R

=
R

1x2 +y2 1 dy dx
1x2 1x2

=
R

1|x|1

1dy dx

+1

=
1
2

2 1 x2 dx 2 cos(u) cos(u)du

(changement de variable x = sin u)

=
2

= =

cos(2u) + 1du
2

sin(2u) 2 = .
2

+
2
2

Exemple 5.2.8. Calculons I = [0,+[[0,+[ e(x+y) (xy) dxdy. Changement de variables u=x+y x = u+v 2 . , y = uv v =xy 2 Le diomorphisme est : (u, v) {(u, v) R2 : u 0, |v| u} e [0, +[[0, +[. Sa matrice jacobienne est 1 1 Donc I (Fubini-Tonelli) Posons F (u) =
2 u ev dv u

u+v uv 2 , 2

J = =

1 2

1 2

eu ev
(u,v)R2 :u0,|v|u

1 dudv 2

=
u[0,+[

eu 2

u u

ev dv du .
2

=2

u v 2 e dv 0

(par symtrie). Nous avons F (u) = 2eu . Donc e

+

=
0

1 F (u)F (u)du 4
+ 0 2

= = (par lgalit 5.2.1) e e =

1 F (u)2 8 1 8 . 8
+

v 2

dv

5.3
5.3.1

Exercices
Enoncs e
+ 0

1) (a) Montrer que pour tout y > 0 : 1 1 dx = . 2 y) (1 + y)(1 + x 2 y(1 + y)

5.3. EXERCICES (b) Montrer que :

+ 0 0 +

39

1 2 dx dy = . (1 + y)(1 + x2 y) 2

(c) Montrer que pour tout x > 0, x = 1 :

+ 0

2 log(x) 1 dy = 2 . 2 y) (1 + y)(1 + x x 1

(d) En dduire que : e

+ 0

2) On rappelle que : 0 v = x y, calculer :

+ x2

dx =

2 log(x) dx = . 21 x 4

2 .

En utilisant le changement de variable u = x + y,

e(x+y) e(xy) dxdy .

RR

5.3.2
(1) (a)

Corrigs e

+ 0

1 dx (1 + y)(1 + x2 y)

= =

1 1 arctan(x y) (1 + y) y 1 . 2 y(1 + y)

+ 0

(b)
+ 0 0 +

1 dxdy (1 + y)(1 + x2 y)

=
0 +

1 dy 2 y(1 + y)

1 2du 2 1 + u2 0 = [arctan(u)]+ 0 2 = 2 1 o` lon a fait un changement de variable en u = y, du = 2y dy. u = (c) Pour tout x > 0, x = 1, on a par dcomposition en lments simples : e ee
+ 0 + 1 x2 1 dy 1 x2 0 1 + y 1 + x2 y 1 [log(1 + y) log(1 + x2 y)]+ 0 1 x2 1+y 1 ]+ [log 1 x2 1 + x2 y 0 1 1 log 1 x2 x2 2 log(x) . x2 1

1 dy (1 + y)(1 + x2 y)

= = = = =

40

` CHAPITRE 5. MESURE PRODUIT ET THEOREMES DE FUBINI (d) Par Fubini-Tonelli et puisque

+ 0 0 + + 1 (1+y)(1+x2 y) dy 0 +

2 log(x) x2 1 +

pour p.t. x [0, +[ :

1 dxdy (1 + y)(1 + x2 y) 2 2 2 4

=
0 + 0

1 dydx (1 + y)(1 + x2 y)

=
0 +

=
0

2 log(x) dx x2 1 log(x) dx . x2 1

(2) Changement de variable :

u+v 2 uv 2

u=x+y v =xy Lapplication : : R2

x= y=

R2 u+v uv (u, v) , 2 2

est bijective. On calcule le jacobien (cest ` dire que lon crit dans une matrice les a e drives partielles de en u et v) : e e J(u, v) = 1/2 1/2 1/2 1/2
2 2

On fait le changement de variable dans lintgrale et on utilise Fubini-Tonelli : e e(x+y) e(xy) dxdy
RR
2 2

=
RR

eu ev | det(J(u, v)|dudv eu ev
2 2

=
RR

1 dudv 2

=
R

eu . 2

1 du 2

Chapitre 6

Fondements de la thorie des e probabilits e

6.1 Dnitions gnrales e e e

Dnition 6.1.1. On appelle espace probabilis un espace mesur (, A, P) o` la mesure P e e e u est telle que P() = 1. On dit alors que P est une mesure de probabilit (et cest pour cela e quon la note P). Les lments de A sont appels vnements. ee e e e Dnition 6.1.2. On appelle variable alatoire toute application mesurable X dun espace e e probabilis (, A, P) dans un espace mesurable (E, E). On dit alors que X est a valeurs dans e ` E. On notera v.a. pour variable alatoire et v.a.r. pour variable alatoire relle (vae e e riable alatoire a valeurs dans R). e ` Dans toute la suite du chapitre, si on ne prcise rien, (, A, P) sera un espace probabilis. e e Exemple 6.1.3. Soit = {1, 2, . . . , 6} {1, 2, . . . , 6} muni de la tribu P() et de la mesure 1 P telle que P((i, j)) = 36 , (i, j) . La mesure P est une mesure de probabilit car e card() = 36. Lensemble est lensemble des combinaisons que lon peut obtenir en jetant un d deux fois ( ensemble de tous les possibles ). La quantit P(3, 2) = 1/36 est la e e probabilit dobtenir 3 puis 2. Cest du moins une modlisation raisonnable de ce qui se e e passe quand on jette un d deux fois. Nous pouvons calculer diverses quantits en utilisant e e la proprit 3 de la dnition dune mesure (df. 2.2.2) : ee e e P({(1, 1), (2, 2)}) = 2/36 = 1/18 est la probabilit davoir (1 puis 1) ou (2 puis 2) e P({(1, 1), (1, 2), . . . , (1, 6)}) = 6 1/36 = 1/6 est la probabilit davoir 1 au premier e tirage . Introduisons deux variables alatoires e X : (i, j) i R , Y : (i, j) i + j R . La variable X est le rsultat du premier tirage et Y est la somme des deux tirages. Remare quons aussi une variable alatoire triviale e Z : (i, j) (i, j) . Dnition 6.1.4. Soit X : (E, E) une variable alatoire. On appelle loi de X la mesure e e PX sur (E, E) dnie par e PX (A) = = P({ : X() A}) P(X 1 (A)).

(On rappelle que, par dnition, { : X() A} = X 1 (A).) On notera PX (A) = e P(X A). Cest un abus de notation tr`s courant. e Remarque 6.1.5. La mesure PX est la mesure image de P par X (cf. prop. 2.4.3). La mesure PX est une mesure de probabilit. e 41

42

CHAPITRE 6. FONDEMENTS DE LA THEORIE DES PROBABILITES

Exemple 6.1.6. Reprenons lexemple prcdent. Nous pouvons dcrire compl`tement la loi e e e e de Y (toujours a laide de la proprit 3 de la dnition 2.2.2) : ` ee e PY ({1}) PY ({2}) PY ({3}) PY ({4}) = = = = ... Dnition 6.1.7. Soit X une v.a. a valeurs dans R. On appelle fonction de rpartition de e ` e X la fonction de rpartition associe a la mesure PX (cf. df. 2.5) , cest a dire la fonction e e ` e ` F : R R+ t FX (t) = PX (] , t]) = P(X t) P(Y = 1) = 0 P(Y = 2) = P((i, j) = (1, 1)) = 1/36 P(Y = 3) = P({(1, 2), (2, 1)}) = 2/36 P(Y = 4) = P({(1, 3), (2, 2), (3, 1)}) = 3/36

Le thor`me suivant est une consquence de la proposition 2.5.2. e e e Thor`me 6.1.8. Soit X une v.a.r.. Alors e e (i) FX est croissante (ii) limt FX (t) = 0, limt+ FX (t) = 1 (iii) FX est c`dl`g et limtt0 ,t<t0 FX (t) = P(X < t0 ) a a FX est continue en t0 si, et seulement si, P(X = t0 ) = 0. Dnition 6.1.9. Soit X una v.a. a valeurs dans Rd . On dit que X a un densit fX : Rd e ` e R+ si mesurable Rd R, E((X)) =
Rd

(x)fX (x)dx .

Ceci implique en particulier P(X B) = fX (x)1B (x)dx .

Rd

La densit de X est la densit de PX (cf. les df. 2.4.8, 5.1.8 de la densit dune mesure). e e e e Remarque 6.1.10. Si X est une v.a.r. avec une densit fX alors e
t

FX (t) =

fX (u)du .

La densit dun variable alatoire dtermine compl`tement sa loi. e e e e Par dnition, une densit fX (dune v.a. X a valeurs dans Rd ) est toujours positive et e e ` vrie Rd fX (x)dx = 1. e Exemple 6.1.11. Soit X une v.a.r. avec la densit fX : x R ex 1x>0 . e

Fig. 6.1 Dessin de fX .

 6.1. DEFINITIONS GENERALES Calculons P(X 1) = =

1

43

ex 1x0 1x1 dx
R +

ex dx

= =

[ex ]+ 1 e1 .

Calculons la fonction de rpartition de X. Si t < 0, e P(X t) Si t 0, P(X t) = =

0

=
R

ex 1x0 1xt dx = 0 .

ex 1x0 1xt dx
R t

ex dx

1 et .

Fig. 6.2 Dessin de FX . Exemple 6.1.12. Soit X v.a.r. de densit x 1[0,1] (x). e

Fig. 6.3 Dessin de la densit de X. e Si t < 0, P(X t) = Si t 1, P(X t) =

R R

1],t] (x)1[0,1] (x)dx = 0. 1],t] (x)1[0,1] (x)dx = R 1[0,1] (x)dx = 1.

44

CHAPITRE 6. FONDEMENTS DE LA THEORIE DES PROBABILITES Si t [0, 1], P(X t) =

R

1],t] (x)1[0,1] (x)dx =

t 0

1dx = t.

Fig. 6.4 Dessin de la fonction de rpartition de X. e

2 Exemple 6.1.13. Soit X v.a.r. de densit x 1[1,1] (x) 1 x2 . e

Fig. 6.5 Dessin de la densit de X. e

Si t 1, P(X t) = 0. Si t [1, 1],

P(X t)

=
t

1],t] (x)1[1,1] (x) 2 1 x2 dx

2 1 x2 dx

=
1

= =

1 x 1 x2 + arcsin(x) 1 1 1 2 + arcsin(t) + t 1t 2

car sur [1, 1], arcsin (x) =

1 1x2

et arcsin(1) = . 2

 6.2. ESPERANCE DUNE V.A.

45

1 1

Fig. 6.6 Dessin de arcsin. Cest une fonction impaire.

1 1

Fig. 6.7 Dessin de la fonction de rpartition de X. e

6.2

Esprance dune v.a. e

E(X) =

Dnition 6.2.1. Soit X v.a.r. On note e X()P(d)

qui est bien dnie dans les cas suivants (cf. df. 2.4.4, 2.4.11) e e X 0 (et dans ce cas E(X) [0, +]) X de signe quelconque et |X()|P(d) < . On dit que X est intgrable si E(|X|) < . e Remarque 6.2.2. Lesprance est une intgrale. Rcrivons les proprits de lintgrale e e ee ee e avec le symbole E. (i) Linarit : si X et Y sont deux v.a.r. et a, b R, E(aX + bY ) = aE(X) + bE(Y ) (cf. e e th. 2.4.13). (ii) Croissance : si X et Y sont deux v.a.r. telles que X Y (cest a dire , X() ` Y () alors E(X) E(Y ) (cf. th. 2.4.13). (iii) Variable alatoire constante : si X v.a.r. et a R tels que X() = a, , alors E(X) = e a (cf. df. 2.3.6). e (iv) Si X et Y v.a.r. telle que X = Y p.p. alors E(X) = E(Y ) (cf. prop. 3.0.5). (v) Si X variable alatoire a valeurs dans [0, +] telle que E(X) < alors X est nie e ` p.s. (cf. rem. 3.0.2). Proposition 6.2.3. Soit X une variable alatoire a valeurs dans (E, E). Soit f mesurable e ` E [0, +]. La fonction f (X) : f (X()) [0, +] est une variable alatoire. e Nous avons E(f (X)) = f (x)PX (dx) .
E

46

CHAPITRE 6. FONDEMENTS DE LA THEORIE DES PROBABILITES

Si E = Rd et X a une densit g alors e E(f (X)) =

Rd

f (x)g(x)dx .

Dnition 6.2.4. Si X est une v.a.r. telle que X 2 est intgrable alors la variance de X est e e la quantit e Var(X) = E(X 2 ) E(X)2 . Lemme 6.2.5. Var(X) = E((X E(X))2 ) Dmonstration. Nous allons utiliser les proprits (i) et (iii) de la remarque 6.2.2. e ee E((X E(X))2 ) = E(X 2 + E(X)2 2XE(X))

= E(X 2 ) E(X)2

= E(X 2 ) + E(E(X 2 )) 2E(XE(X)) = E(X 2 ) + E(X)2 2E(X)2

Exemple 6.2.6. Soit X une variable alatoire relle de densit g et B B(R). e e e P(X B) = E(1B (X)) =
R

1B (x)g(x)dx .

Exemple 6.2.7. Soit X v.a.r. de densit x ex 1x0 , e E(X) = =

0

xex 1x0 dx
R +

xex dx
+

(intgration par parties) e

= [xex ]+ + 0

ex dx
0

= 0 + [ex ]+ = 1 . 0 Exemple 6.2.8. Soit X v.a. a valeurs dans {0, . . . , n} (n un entier x) avec 0 k n, ` e k P(X = k) = Cn pk (1 p)nk (p [0, 1] x). Alors e
n

E(X) =
k=0 n

kP(X = k)
k kCn pk (1 p)nk

=
k=0 n

=
k=1

n(n 1)! pk (1 p)nk (k 1)!(n 1 (k 1))!

q Cn1 pq+1 (1 p)n1q

n1

(changement dindice en q = k 1)

= =

n
q=0

np(p + 1 p)n1q = np .
n i=0 i Cn ai bni . k e k!

Rappel sur le binme de Newton : (a + b)n = o

Exemple 6.2.9. Soit X v.a. a valeurs dans N avec k N, P(X = k) = `

( > 0

 6.2. ESPERANCE DUNE V.A. x). Alors e

+

47

E(X) =
k=0 +

kk e k! 1 k e (k 1)! q+1 e = q!

=
k=1 +

(changement dindice en q = k 1)

=
q=0

Proposition 6.2.10. La loi dune variable alatoire X a valeurs dans Rd est uniquement e ` dtermine par le calcul de E((X)) pour toute fonction : Rd R continue positive e e borne. Autrement dit : e Soit X variable alatoire a valeurs dans Rd . Sil existe g : Rd R telle que : Rd R e ` continue positive borne, e E((X)) =
Rd

(x)g(x)dx ,

alors g est la densit de X. e

+ Notation 6.2.11. On note Cb (Rd ) lensemble des fonctions continues positives bornes e Rd R+ .
x2 /2

Exemple 6.2.12. Soit X v.a.r. de densit x e 2 . Soient (a, b) R R. Calculons la e + loi de aX + b. Soit f : R R continue et borne (on dit que f est une fonction test ). e Par la proposition 6.2.3, nous avons E(f (aX + b)) = (changement de variable y = ax + b) = ex /2 dx f (ax + b) 2 yb 2 1 + e ( a ) 2 dy f (y) 2 a
+
2

Donc, par la proposition 6.2.10, la variable aX + b a une loi de densit y e

2 exp 1 ( yb ) 2 a . 2a

1 Exemple 6.2.13. Soit (X, Y ) v.a. a valeurs dans R2 de densit (x, y) 1x2 +y2 1 . Cal` e 2 + 2 culons la loi de X + Y . Soit f : R R continue. Soit F : (x, y) R f (x + y) R+ . Alors, par la proposition 6.2.3,

E(f (X + Y ))

= =

E(F (X, Y )) 1 F (x, y) 1x2 +y2 1 dxdy . 2 R x = y =

u+v 2 uv 2

Oprons un changement de variable e u = v = x+y xy ,

Diomorphisme : (x, y) R2 (x + y, x y) R2 . Matrice jacobienne : e 1/2 1/2 1/2 1/2 de dterminant 1/2. Donc e E(f (X + Y )) (Fubini-Tonelli) = =
R R2

=
R

Donc X + Y a pour densit u e

2 u2 1|u|2 .

1 1 f (u) 1 u2 +v2 1 dudv 2 2 f (u) 1u2 +v2 2 dv du 2 R f (u) 2 u2 1|u|2 du

48

CHAPITRE 6. FONDEMENTS DE LA THEORIE DES PROBABILITES

6.3

Ingalits e e

Thor`me 6.3.1. Ingalit de Jensen e e e e Soit : R R mesurable convexe. Soit X v.a.r. intgrable telle que (X) est intgrable. e e Alors (E(X)) E((X)) . Pour la dmonstration de ce thor`me, voir lexercice 4 du chapitre 4. e e e Thor`me 6.3.2. Ingalit de Bienaym-Tchebichev e e e e e Soit X v.a.r. positive, intgrable. Soit > 0. Alors e P(X ) 1 E(X) . Var(X) . 2

Corollaire 6.3.3. Soit X v.a.r. telle que X 2 est intgrable. Alors e P(|X E(X)| )

Dmonstration du thor`me 6.3.2. Pour tout , X() 1X() donc, par la proprit e e e ee de croissance (cf. rem. 6.2.2, (iii)), E(X) E(1X ) = P(X ) .

Dmonstration du corollaire 6.3.3. e P(|X E(X)| ) (par ingalit de Bienaym-Tchebichev) e e e = P((X E(X))2 2 ) 1 E((X E(X))2 ) . 2

Thor`me 6.3.4. Ingalit de Markov e e e e Si X v.a.r. avec X 2 intgrable et si > 0 alors e P(|X| ) Dmonstration. e P(|X| ) (par ingalit de Bienaym-Tchebichev) e e e = P(X 2 2 ) E(X 2 ) . 2 E(X 2 ) . 2

6.4
6.4.1

Lois classiques
Lois discr`tes e

a) Loi uniforme. Soit E ensemble ni de cardinal n, X est une variable uniforme sur E si 1 x E, P(X = x) = n . b) Loi de Bernoulli de param`tre p ( [0, 1]) , note B(p) : X ` valeurs dans {0, 1} telle que e e a P(X = 1) = p, P(X = 0) = 1 p. c) Loi binmiale de param`tres n, p (n N , p [0, 1]), note B(n, p) : X ` valeurs dans o e e a k {0, . . . , n} telle que k {0, . . . , n}, P(X = k) = Cn pk (1 p)nk . d) Loi gomtrique de param`tre p ( [0, 1]), note G(p) : X ` valeurs dans N telle que e e e e a k N, P(X = k) = (1 p)k1 p. e) Loi de Poisson de param`tre (> 0), note P() : X ` valeurs dans N telle que k N, e e a k P(X = k) = k! e .

 6.5. FONCTIONS CARACTERISTIQUES

49

6.4.2

Lois continues
1 ba 1[a,b] (x). x

b) Loi exponentielle de param`tre ( > 0), note E() : de densit x e e e e 1R+ (x). 2 c) Loi gaussienne (ou normale) de moyenne m ( R) et de variance ( R+ ), note e (xm)2 2 1 N (m, ) : de densit x 22 exp 22 e

a) Loi uniforme sur [a, b] (a < b), note U([a, b]) : de densit x e e

6.5

Fonctions caractristiques e
X : C C R eix PX (dx) = E(eiX ) .

Dnition 6.5.1. Soit X v.a.r, la fonction caractristique de X est e e

Remarque 6.5.2. Pour une fonction f : C avec (, A, ) un espace mesur quele conque, on note f (x)(dx)

Re(f )(x)(dx) + i

Im(f )(x)(dx) .

et donc dans la dnition prcdente e e e X () =

R

Re(eix )PX (dx) + i

R

Im(eix )PX (dx) .

2 2 2

Lemme 6.5.3. Soit X de loi N (m, 2 ). Alors X () = exp im

Dmonstration. Nous ne ferons la dmonstration que dans le cas m = 0, = 1, R. Nous e e avons X () =

R
2 1 ex /2 eix dx 2 2 1 Re(ex /2 eix )dx + i 2 2 1 ex /2 cos(x)dx + i 2 1 x2 /2 e cos(x)dx + 0 2

=
R

=
R

2 1 Im(ex /2 eix )dx 2 R 2 1 ex /2 sin(x)dx 2 R

=
R

car lintgrale dune fonction impaire sur R est nulle. e 2 2 e Pour tout , 1 ex /2 cos(x) 1 ex /2 qui est intgrable sur R. Pour tout x R, 2 2
1 e 2
2 1 ex /2 2 x2 /2

cos(x) est drivable, de drive e e e

2 1 ex /2 |x| 2

2 1 ex /2 (x sin(x)). 2

Pour tous , x,

(x sin(x))

qui est intgrable sur R. En eet, par symtrie, e e

+

2 1 ex /2 |x|dx 2

= = =

2
0

2 1 ex /2 xdx 2

2 1 ex /2 2 1 . 2

+ 0

Donc par thor`me de drivation globale (cf. cor. 4.3.6) e e e () X = =

2 1 ex /2 (x sin(x))dx 2 R + + 2 2 ex /2 2 cos(x)dx ex /2 2 sin(x)

= 0 X () .

50

CHAPITRE 6. FONDEMENTS DE LA THEORIE DES PROBABILITES

Nous avons donc lquation e Do` u log(X ()) log(X (0)) = 2 2 2 /2 X () = X (0)e .
2

Remarquons que X (0) = E(1) = 1. Nous avons donc X () = e

/2

Thor`me 6.5.4. La fonction caractristique dune v.a.r. caractrise enti`rement la loi de e e e e e cette variable. Cest a dire que si X et Y des v.a.r. ont mme fonction caractristique alors ` e e X et Y ont mme loi. e

6.6

Fonctions gnratrices e e

Dnition 6.6.1. Soit X une v.a. a valeurs dans N. On appelle fonction gnratrice de X e ` e e la fonction gX : [0, 1] R + r E(rX ) = n=0 P(X = n)rn Proposition 6.6.2. Si X est une v.a. a valeurs dans N, la fonction gnratrice caractrise ` e e e la loi de X. Exemple 6.6.3. Soit X P() (ce qui veut dire que X est de loi P()). Calculons
+

gX (u) = =

un e e

n=0 u

n e n! = e(1u) .

6.7
6.7.1

Exercices
Enoncs e

1) Soit X variable alatoire relle de loi de densit 1x0 ex , > 0 x (loi exponentielle e e e e de param`tre ). Calculer E(X) et Var(X). Calculer la densit de la loi de 2X. Calculer e e E(2X), Var(2X). 2) Soit X variable alatoire relle de loi de densit e e e
2 1 e 22
(xm)2 22

N (m, )). Soit U variable alatoire relle de loi de densit e e e (a) Montrer que U + m a mme loi que X. e (b) Calculer E(X) et Var(X).

x 1 e 2 2

, , m R xs (loi e
2

(c) Calculer la densit de la loi de Y = aX + b pour a et b rels. e e (d) Calculer E(Y ) et Var(Y ). 3) Soit X variable alatoire ` valeurs dans N telle que k 0, P(X = k) = e a x). Calculer E(X). Pour u 0, calculer E(euX ). e + n Rappel : t R, n=0 t = et . n! 3 exp (|x + 2y| |x y|) . 4
k e k!

( > 0

4) Soit (X, Y ) variable alatoire ` valeurs dans R2 de loi de densit e a e (x, y)

Calculer la densit de la loi de (X + 2Y, X Y ) puis les densits des lois de X et Y . (On e e pourra utiliser un changement de variable appropri.) e 5) Soit Y variable alatoire relle de densit e e e
1 (1+x2 ) .

Montrer que 1/Y a mme loi que Y . e

6.7. EXERCICES

51

6) Soient U et V deux variables alatoires indpendantes, de mme loi U([0; 1]) (uniforme e e e sur [0; 1]). (a) Calculer P(inf(U, V ) t). (On rappelle que x, y R, inf(x, y) est le plus petit des deux rels x, y.) e (b) Calculer la fonction de rpartition de inf(U, V ). e 7) M. Dupond attend son bus en moyenne 10 min. tous les matins. Donner une majoration de la probabilit que M. Dupond attende son bus plus de 20 min. e 8) Soit (X, Y ) variable alatoire ` valeurs dans R2 densit e a e X.
1 1 2 1+(1+x2 )2 y 2 .

Calculer la loi de Calculer la

9) Soit (X, Y ) variable alatoire ` valeurs dans R2 de densit e a e loi de X/Y . Cette variable est-elle intgrable ? e 10) Soit X de loi N (0, 1) (loi normale centre rduite). e e (a) Soit u R. Montrer que la variable
x2 /2

1 x2 /2 y 2 /2 e . 2 e

euX 1 X

est desprance nie. e

euX 1 X

(b) Soit M > 0 quelconque. Montrer que la drive de u E e e

pour |u| < M est

u E(euX ) = R eux e 2 . Indication : on admettra lexistence dune constante CM telle que M |x| x2 /2 CM x2 /4 (x R). On laissera dans un premier temps la drive sous forme intgrale. e e e (c) Calculer pour aboutir ` une expression de la drive sans esprance ni intgrale. a e e e e (d) Calculer la drive de u E e e 11) Soit > 0 et Y de loi N (0, 1). (a) Montrer que P(Y > ) =
1 2 euX 1 X

pour tout u.

2 + 1 x 2 x x (e

)dx. En dduire une intgration par e e

2 2

parties de cette intgrale qui donne que P(Y > ) = 1 1 e e 2 En dduire que e 1 1 2 P(Y > ) e 2 . 2 (b) On remarque que
+

(intgrale positive). e

P(Y > ) =

1 e 2 y 2

y2

dy .

Dduire de la question prcdente que e e e

+

P(Y > ) avec

F (y)dy

x2

F (y) =
y

e 2 dx . 2

(c) Intgrer par parties e

+ +

1F (y)dy (en intgrant le 1 et drivant le F ) pour trouver e e

+

1 F (y)dy =

e 2 e 2 dx + . 2 2 e 2 . 2
2

x2

(d) En dduire que e 1 P(Y > ) + (a) Calculer la densit de U + V . e (b) Calculer P(|U V | 1/10). (Le rsultat est une fraction.) On pourra utiliser que e pour tout vnement A, P(A) = E(1A ). e e
1

12) Soient U , V des variables alatoires indpendantes de loi uniforme sur [0, 1]. e e

52

CHAPITRE 6. FONDEMENTS DE LA THEORIE DES PROBABILITES (2/)ex

2

13) Soit X variable alatoire relle de densit e e e

/2

1x0 .

(a) Soit : u ] 1, +[ (u) = E(euX ). Ecrire (u) sous forme dune intgrale e sur R et montrer que est continue. (b) Donner la limite de (n) quand n entier positif tend vers linni. (c) Donner la densit de la variable alatoire Y = eX . e e

6.7.2

Corrigs e

(1) On fait des intgrations par parties : e E(X) = =

0

xex 1x0 dx
R +

xex dx
+ 0

= =

[xex ]+ + 0

ex dx

1 1 0 + [ ex ]+ = 0

Var(X) = =

E(X 2 ) E(X)2
+ 0

x2 ex dx
0 +

1 2 2xex dx
+

= = =

[x2 ex ]+ + 0 ex 0 + 2x 0 + 2 e 2

1 2

+
0

0 x + 0

ex 1 dx 2

1 1 = 2 2

Soit f : R R+ continue borne. e

+

E(f (2X)) =
+

f (2x)1x0 ex dx 1 f (t)1t/20 et/2 dt . 2

(changement de variable t = 2x) =

(2) (a) Soit f : R R+ continue borne. e

Cela est vrai f donc la densit de la loi de 2X est t 1t0 et/2 . e 2 2 Calculons : E(2X) = 2E(X) = (par linarit de lesprance) et Var(2X) = E((2X)2 ) e e e 4 e e e E(2X)2 = 4E(X 2 ) 4(E(X))2 = 4Var(X) = 2 (par linarit de lesprance). 1 x2 f (x + m) e 2 dx 2 + (tm)2 1 f (t) e 22 dt 2 2
+

E(f (U + m))

(changement de variable t = x + m) =

Cela est vrai f donc la densit de la loi de U + m est la mme que celle de la loi e e de X donc U + m et X ont mme loi e (b) E(X) = E(U + m) = E(U ) + m = m (car E(U ) = 0 car intgrale de fonction e

6.7. EXERCICES impaire) et Var(X) = = = = = 2 E(U 2 ) + m2 + 2mE(U ) m2 = 2 E(U 2 ) 2

+
x2 1 x2 e 2 dx 2

53

Var(U + m) = E((U + m)2 ) E(U + m)2

x2 1 2 x e 2 2

+ 2

x2 1 e 2 dx 2

0+ .

(c) Soit f : R R+ continue borne. e E(f (Y )) = E(f (aX + b)) = (changement de variable x = at + b) =
(tm)2 1 e 22 dt f (at + b) 2 2 + (xbm)2 1 e 2a2 2 dx f (x) 2a2 2

(d) E(Y ) = E(aX + b) = aE(X) + b = am + b et Var(Y )

Cela est vrai f donc la densit de la loi de Y est x e

1 e 2a2 2

(xbm)2 2a2 2

= Var(aX + b) = E((aX + b)2 ) E(aX + b)2

= a2 E(X 2 ) + b2 + 2abE(X) a2 E(X)2 b2 2abE(X) = a2 E(X 2 ) a2 E(X)2 = a2 Var(X) = a2 2 . k e k! k1 e (k 1)! q e q!

(3) E(X) =
k0

k
k1

= = (somme de srie exponentielle) = e

q0

E(euX )

=
k0

euk

k e k! e k!

=
k0

(eu )k

(somme de srie exponentielle) = exp(eu ))e e = exp((eu 1)) (4) Soit f : R2 R+ continue borne. e E(f (X + 2Y, X Y )) =
R2

3 f (x + 2y, x y) exp (|x + 2y| |x y|) dxdy 4

On fait un changement de variable en : u = x + 2y v = xy x= y=

u+2v 3 uv 3 .

54

CHAPITRE 6. FONDEMENTS DE LA THEORIE DES PROBABILITES Lapplication : : R2 (u, v) R2 u + 2v u v , 3 3

est bijective. On calcule le jacobien (cest ` dire que lon crit dans une matrice les a e drives partielles de en u et v) : e e J(u, v) = 1/3 1/3 2/3 1/3 3e|u| e|v| | det(J(u, v))|dudv 4 e|u| e|v| dudv . 4
e|u| e|v| . 4

On fait le changement de variable dans lintgrale : e E(f (X + 2Y, X Y )) = =

R2

f (u, v)
R2

f (u, v)

Cela est vrai f donc la densit de la loi de (X + 2Y, X Y ) est (u, v) e Soit f : R R+ continue borne. e E(f (X)) = 3 f (x) exp (|x + 2y| |x y|) dxdy = 4 2 R (Fubini-Tonelli) 3 f (x) exp (|x + 2y| |x y|) dy dx 4 R R

c On veut calculer (x) := R exp (|x + 2y| |x y|) dy. Commenons par montrer que cest une fonction paire. On fait un changement de variable en t = y dans lintgrale e suivante :
+

(x)

= = =
+ +

exp (| x + 2y| | x y|) dy exp (| x 2t| | x + t|) (1)dt exp (|x + 2t| |x t|) dt = (x) .

On se contente donc de calculer (x) pour x 0 : (x) =

x/2

e(x+2y) e(xy)dy
x +

+
x/2

e(x+2y) e(xy) dy +
x

e(x+2y) e(xy) dy

= =

e3x e3x/2 + e3x/2 e3x + 3 3 4e3x/2 2 3x e . 3 3

4e3|x|/2 3 2 3 e3|x| x R. Donc :

Donc par parit, (x) = e

E(f (X))

3 4

f (x)
R

4e3|x|/2 2 3|x| e 3 3

.
3|x|

Cela est vrai f donc la densit de la loi de X est x e3|x|/2 e 2 . e 3 Des calculs analogues conduisent ` la densit suivante pour Y : y 4 e3|y| (1 + 3|y|). a e

6.7. EXERCICES (5) Soit f : R R+ continue borne. e

+

55

E(f (1/Y ))

=
0

f (1/x) f (1/x)

1 dx (1 + x2 )

+ 1 1 f (1/x) dx + dx 2) (1 + x (1 + x2 ) 0 (changement de variable en u = 1/x)

1 1 2 du 2) (1 + 1/u u 0 (changement de variable en v = 1/x) f (u)

0

+
+ 0

f (v)

1 (1 + 1/v 2 )
0

1 v2

dv 1 dv (1 + v 2 )

= =

f (u)
+

1 du + (1 + u2 ) 1 du (1 + u2 )

f (v)

f (u)

(Remarque : on est oblig de dcouper lintgrale en deux morceaux pour faire des e e e 1 e changements de variables bien dnis.) On a donc que u (1+u2 ) est la densit de e 1/Y . (6) (a) Si t 0, P(inf(U, V ) t) = 1. Si t 1, P(inf(U, V ) t) = 0. Si 0 t 1 : P(inf(U, V ) t) = (indpendance) = e = (b) = 0 P(inf(U, V ) t) = 1 (1 t)2 =1 si t 0 si t [0; 1] si t 0 .
1 20 E(X)

P(U t, V t) P(U t)P(V t) (1 t)2 .

+ (8) Soit f Cb (R), on calcule :

(7) On utilise lingalit de Bienaym-Tchebichev : P(X 20) e e e

= 1. 2

E(f (X))

f (x)
R2 +

1 1 dxdy 2 1 + (1 + x2 )2 y 2 1 2
+

par Fubini-Tonelli =

f (x)

1 dy dx . 1 + (1 + x2 )2 y 2

Donc la densit de X est la fonction de x suivante : e

+ +

1 2

1 dy 1 + (1 + x2 )2 y 2

= =

1 1 arctan((1 + x2 )y) 2 1 + x2 1 1 . 1 + x2

+ (9) Soit f Cb (R), on calcule :

E(f (X/Y ))

=
R2

f (u/v)

1 u2 /2 v2 /2 e e dudv 2

56

CHAPITRE 6. FONDEMENTS DE LA THEORIE DES PROBABILITES On fait un changement de variable en s = u/v, t = v, u = st, v = t. La matrice jacobienne est : J(s, t) = de dterminant t. On a donc : e
2 2 1 f (s)|t|e(st) /2 et /2 dsdt R2 2 + + 2 2 1 f (s) e(st) /2 et /2 |t|dt ds . 2

t s

0 1

E(f (X/Y ))

par Fubini-Tonelli =

Donc la densit de X/Y est la fonction de s suivante (par parit) : e e 1 2

+

e(st)

/2 t2 /2

|t|dt

= = = =

1 1

+ 0 + 0

e(st) ez
2

/2 t2 /2

tdt

( changement de variable z =

1 + s2 t)

/2

1 dz 1 + s2
+ 0

2 1 1 ez /2 1 + s2 1 1 . 1 + s2

On calcule :
+

E(|X/Y |) (parit) e

=
+

|s| s

1 1 ds 1 + s2

=
0

2 1 ds 1 + s2

= + car
s 1 1+s2 s+ s

qui nest pas intgrable en +. Donc X/Y nest pas intgrable. e e

euX() 1 X()

(10) (a) Pour tout ,

(b) Pour tout u, E Pour tout , u

Pour tout |u| < M , |e

eux 1 existe par la question prcdente. e e X euX() 1 e e e X() est drivable et de drive euX() . uX M|X|

u. Donc E

euX 1 X

E(u) = u.

|e

. Et

E(eM|X| ) =

ex /2 eM|x| dx 2 R exp(CM x2 /4) dx < . 2 R

(c)

Donc, par thor`me de drivation globale, la fonction considre est drivable sur e e e e e e ] M, M [ et de drive u E(euX ). e e ex /2 eux dx 2 R
R u2 /2
2

E(euX )

= = = e

exp( 1 (x u)2 + 2 2 .

u2 2 )

dx

6.7. EXERCICES

57

(d) Lexpression de la drive est valable sur ] M ; M [ pour tout M donc elle est e e valable sur tout R. (11) (a) On a
x 2 x (e
2

) = xe

x2 2

. On fait une intgration par parties : e

+ 1 x2 1 (e 2 )dx x x 2 + 1 1 1 x2 1 x2 e 2 dx e 2 x2 2 x 2 1 1 2 e 2. 2

P(Y > ) = =

(b) Par la question prcdente : e e

P(Y > ) = =

1 e 2 y 2

y2

dy

y P(Y > y)dy F (y)dy

(c)
+

1 F (y)dy

= [yF (y)] +

e 2 y dy 2
y2

y2

e 2 = F () + 2 =
x 2
2

2
2

e e dx + 2 2

(d) Do` u e 2 2 P(Y > ) + 2 e 2 . 1 + 2 2

2 2

P(Y > ) P(Y > )

(12) (a) La densit de U + V est la convole des densits de U et V , cest donc la fonction e e e de t suivante
1 R

1[0,1] (u)1[0,1] (t u)du

=
0

1[0,1] (t u)du
inf(t,1)

= 1[0,2] (t)
sup(t1,0)

1du

= 1[0,2] (t)(inf(t, 1) sup(t 1, 0)) .

58 (b)

CHAPITRE 6. FONDEMENTS DE LA THEORIE DES PROBABILITES

P(|U V | 1/10) = (Fubini-Tonelli) =

[0,1]2 1 0 1

1|uv|1 dudv
inf(v+1/10,1)

1dudv
sup(v1/10,0)

=
0

inf(v + 1/10, 1) sup(v 1/10, 0)dv

1/10 9/10 1

=
0

v + 1/10dv +
1/10 1/10 0

2/10dv +
9/10

1 v + 1/10dv
1 9/10

= =
+

1 2 (v + 1/10) 2 11 . 100
2

8 1 2 (11/10 v) + 100 2

(13) (a) On a (u) = 0 eux (2/)ex /2 dx. 2 Pour tout u > 1, x eux (2/)ex /2 est mesurable (car continue). 2 2 Pour tout u > 1, pour tout x 0, |eux (2/)ex /2 | ex (2/)ex /2 | qui est intgrable sur [0, +[. e 2 Pour tout x 0, u eux (2/)ex /2 est continue. Donc par thor`me de continuit sous lintgrale, est continue. e e e e (b) On a pour tous n 0 et x 0 , |enx (2/)ex /2 | (2/)ex /2 qui est intgrable sur [0, +[. Pour tout x > 0 (donc pour presque tout x de [0, +[), e 2 enx (2/)ex /2 0. Donc par thor`me de convergence dominee, e e e
n+
2 2

(n) 0 .
n+

(c) Pour toute fonction h : R R continue borne, on a : e E(h(Y )) = =

0

E(h(eX ))
+

h(ex )

(2/)ex e log(t) t
2

/2

dx

(changement de variable ex = t) =
1

/2

h(t) (2/)
log(t)2 /2

dt .

Donc la densit de Y est t 1t[0,1] e

(2/) e

Chapitre 7

Variables indpendantes e
On se donne dans tout le chapitre un espace probabilis (, A, P). e

7.1
7.1.1

Dnitions gnrales e e e
e Evnements et variables indpendantes e

Dnition 7.1.1. On dit que A1 , A2 , A sont indpendants si j1 , . . . , jp (indices e e distincts) : P(Aj1 Ajp ) = P(Aj1 ) P(Ajp ) . On notera A1 A2 . . . . On dit que deux vnements A1 , A2 sont indpendants si P(A1 A2 ) = P(A1 ) P(A2 ). e e e On notera A1 A2 . Remarque 7.1.2. Pour que les vnements ci-dessus soient indpendants, il ne sut pas e e e quils soient deux a deux indpendants (cest a dire P(Ai Aj ) = P(Ai )P(Aj ), i = j). ` e ` Lemme 7.1.3. A1 , A2 , A sont indpendants alors Ac , Ac , . . . sont indpendants. e e 1 2 Dmonstration. Nous ne faison la dmonstration que pour deux vnements A1 , A2 . Nous e e e e avons (en utilisant les proprits des mesures) ee P(Ac Ac ) = 1 2 = = = = (car A1 indpendant de A2 ) e = = P((A1 A2 )c ) 1 P(A1 A2 )

1 P((A1 \A2 ) (A2 \A1 ) (A1 A2 )) 1 P(A1 \A2 ) P(A2 \A1 ) P(A1 A2 ) 1 (P(A1 ) P(A1 A2 )) (P(A2 ) P(A1 A2 )) P(A1 A2 )

1 P(A1 ) P(A2 ) + P(A1 )P(A2 ) (1 P(A1 ))(1 P(A2 )) = P(Ac )P(Ac ) 1 2

Dnition 7.1.4. Soient X1 , . . . , Xn des variables alatoires a valeurs (respectivement) e e ` dans des espaces mesurables (E1 , E1 ), . . . , (En , En ). On dit que X1 , . . . , Xn sont indpen e -dantes si (F1 , . . . , Fn ) E1 . . . En , P({X1 F1 } {Xn Fn }) = P({X1 F1 }) P({Xn Fn }) . On notera X1 . . . Xn . Remarque 7.1.5. Pour que X1 , . . . , Xn soient indpendants, il ne sut pas quils soient e deux a deux indpendants. ` e 59

60

CHAPITRE 7. VARIABLES INDEPENDANTES

Thor`me 7.1.6. Soient X1 , . . . , Xn des variables indpendantes comme dans la dnition e e e e ci-dessus. Alors f1 : E1 R mesurable,. . ., fn : En R mesurable : E(f1 (X1 ) . . . fn (Xn )) = E(f1 (X1 )) E(fn (Xn )) . Corollaire 7.1.7. Si X, Y sont des v.a.r. indpendantes alors e Var(X + Y ) = Var(X) + Var(Y ) . Dmonstration. e Var(X + Y ) = = = = = E((X + Y )2 ) (E(X + Y ))2 E(X 2 + Y 2 + 2XY ) E(X)2 E(Y )2 2E(X)E(Y )

E(X 2 ) + E(Y 2 ) + 2E(X)E(Y ) E(X)2 E(Y )2 2E(X)E(Y ) E(X 2 ) + E(Y 2 ) E(X)2 E(Y )2 Var(X) + Var(Y ) .

Dnition 7.1.8. Soit Y v.a. a valeurs dans un espace mesurable quelconque (E, E). La e ` tribu engendre par Y est (Y ) = {Y 1 (A), A E}. La famille (Y ) est une tribu et e (Y ) A. Proposition 7.1.9. Soient X1 , . . . , Xm des variables indpendantes comme dans la de e nition 7.1.4. Alors A1 (X1 ), . . . , An (Xn ), A1 , . . . , An sont indpendants. (En e dautres termes, des vnements relatifs a des variables indpendantes dont indpendants.) e e ` e e Et, de plus, f1 : E1 R mesurable,. . ., fn : En R mesurable, les variables f1 (X1 ), . . . , fn (Xn ) sont indpendantes. e

7.1.2

Densits de variables indpendantes e e

Thor`me 7.1.10. Soient X1 , . . . Xn des v.a.r. e e (i) Si i, Xi a la densit pi et X1 , . . . , Xn indpendantes alors (X1 , . . . , Xn ) a la densit e e e (x1 , . . . , xn ) p(x1 , . . . , xn ) = p1 (x1 ) pn (xn ) . (ii) Si X1 , . . . , Xn sont telles que (X1 , . . . , Xn ) a une densit de la forme e (x1 , . . . , xn ) p(x1 , . . . , xn ) = q1 (x1 ) qn (xn ) , alors X1 , . . . , Xn sont indpendantes et i, Xi a une densit pi = Ci qi pour une cere e taine constante Ci . Remarque 7.1.11. Quand on se trouve dans le cas (ii) du th. ci-dessus, on dtermine les e constantes Ci a laide de la proprit : i, Rd pi (x)dx = 1 (cf. rem 6.1.10). Ce qui donne ` ee Ci = 1 . Rd qi (x)dx

Exemple 7.1.12. Soit U E(1) et V U([0, 1]). Les variables U, V sont suppose e indpendantes. Soient X = U cos(2V ), Y = U sin(2V ). Soit C + (R2 ). Calculons e E((X, Y )) = E(( U cos(2V ), U sin(2V ))) + 1 = ( u cos(2v), u sin(2v))eu dudv .
0 0

Changement de variable : u = v = r2
2

= =

u 2v

7.2. LEMME DE BOREL-CANTELLI Diomorphisme : e F Matrice jacobienne : 2r 0 Donc

+ 2 0
2

61

: [0, +[[0, 2[ [0, +[[0, 1] (r, ) r2 , 2 . 0

1 2

E((X, Y ))

=
0

(r cos(), r sin())|r|er

1 ddr .

Puis par changement de variables en coordonnes polaires (comme dans lexemple 5.2.5) : e
+ + 0
2 2

E((X, Y ))

=
0

(x, y)ex

y 2

1 dxdy .

1 e Donc la densit de (X, Y ) est (x, y) ex ey (par (5.2.1), on peut vrier que cest e 2 bien une fonction dintgrale sur R gale a 1). Cest un produit dune fonction de x et dune e e ` fonction de y donc X et Y sont indpendantes. e

7.2

Lemme de Borel-Cantelli
n1

Thor`me 7.2.1. Lemme de Borel-Cantelli e e (i) Soient A1 , A2 , . . . une famille dnombrable dvnements telle que e e e Alors P ({ : une innit de An }) = 0 . e P (An ) < .

Ce qui snonce aussi : p.s., seul un nombre ni dvnements An est ralis. e e e e e (ii) Si on a A1 , A2 , . . . une famille dnombrable dvnements indpendants tels que e e e e P (An ) =

n1

alors P ({ : une innit de An }) = 1 . e Ce qui snonce aussi : p.s., une innit dvnements An est ralise. e e e e e e Dmonstration. e 5.1.10 : (i) Le symbole E est une intgrale, nous avons donc, dapr`s lexemple e e

n1

1An

=
n1

E (1An ) P (An ) <

n1

=
n1

donc, par la proprit (v) de la remarque 6.2.2, la variable Y = ee (ii) Calculons { : innit de An } = e

1An est nie p.s.

{ : n0 , k n0 , Ak } { : n0 ,
kn0

Ak }

=
n0 1

kn0

Ak .

62

CHAPITRE 7. VARIABLES INDEPENDANTES Soit n0 x, nous avons par indpendance n n0 e e

n0 kn

Ac = k =

P (Ac ) k
n0 kn

n0 kn

(1 P (Ak ))

donc log P
n0 kn

Ac k

n0 kn

log (1 P (Ak )). Nous avons

log (1 P (Ak )) P (Ak ) donc la srie prcdente diverge. Donc e e e

n+

lim

n0 kn

log (1 P (Ak )) =

donc
n+

lim

n0 kn

Pour tout n n0 , prop. 2.2.9)

(1 P (Ak )) = lim P
n+

n0 kn

n0 kn+1

Ac k

n0 kn

e Ac . Donc par intersection dcroissante (cf. k

Ac = 0 . k

Et donc par runion, e

n0 k

Ac = lim P k
n+

n0 kn

Ac = 0 . k

Donc par passage au complmentaire e P

n0 1n0 k

Ac k

P(
n0 1 n0 k

Ac ) = 0 . k

n0 1n0 k

Ak = 1 .

7.3

Somme de deux variables indpendantes e

Dnition 7.3.1. Convolution de deux mesures e Si et sont deux mesures sur Rd , on dnit (la convole de et ) par la relation e e + suivante : Cb (Rd ), (z) (dz) =
Rd Rd Rd

(x + y)(dx)(dy) .

(Cette relation dtermine compl`tement .) e e Remarque 7.3.2. Par un changement de variable, on montre que = . Lemme 7.3.3. Si et sont deux mesures de probabilit sur Rd de densits respectivement e e f et g alors est une mesure de probabilit de densit f g (cf. ex. 4.3.4 et 5.2.6 pour e e la dnition de la convole de deux fonctions). e e

 7.3. SOMME DE DEUX VARIABLES INDEPENDANTES

+ Dmonstration. Soit Cb (Rd ), e

63

(z) (dz) =
Rd Rd Rd

(x + y)(dx)(dy) (x + y)f (x)g(y)dxdy .

Rd Rd

Changement de variable Rd Rd Rd , u = x + y, v = y, x = u v, y = v. Matrice jacobienne : 1 1 . 1 0 Donc (z) (dz) =

Rd Rd Rd

(u)f (u v)g(v)dudv
Rd

(Fubini-Tonelli)

=
Rd

(u)

f (u v)g(v)dv du

=
Rd

(u)f g(u)du .

Donc f g est la densit de . e Proposition 7.3.4. Soient X et Y deux variables indpendantes a valeurs dans Rd . e ` i) La loi de X + Y est PX PY . Si, de plus, X, Y ont des densits respectivement pX , pY , e alors X + Y a pour densit pX pY . e iii) Si X, Y a valeurs dans N, la fonction gnratrice de X + Y est gX+Y = gX gY . ` e e Dmonstration. e (ii) X+Y () (X Y , cf. cor. 7.1.6) (iii) De mme e gX+Y (t) = = = E(tX+Y ) E(tX tY ) E(tX )E(tY ) = gX (t)gY (t) . = = = = E(ei(X+Y ) ) E(eiX eiY ) E(eiX )E(eiY ) X ()Y () . (i) vient du lemme prcdent. e e ii) La fonction caractristique de de X + Y est X+Y = X Y . e

Exemple 7.3.5. Somme de gaussiennes 2 2 Soient X N (m1 , 1 ), Y N (m2 , 2 ) indpendantes. Nous avons (cf. lem. 6.5.3) e X () = exp im1 Donc, par la proposition prcdente, e e X+Y () = exp i(m1 + m2 ) Et donc (cf. th. 6.5.4)
2 2 X + Y N (m1 + m2 , 1 + 2 ) . 2 2 2 (1 + 2 ) 2 2 2 1 2

, Y () = exp im2

2 2 2 2

64

CHAPITRE 7. VARIABLES INDEPENDANTES

Exemple 7.3.6. Si X et Y de loi G(p) indpendantes alors e P(X + Y = n) = P (0kn {X = k, Y = n k})

n

(car v. disjoints) e (car X Y )

=
k=0 n

P(X = k, Y = n k) P(X = k)P(Y = n k) pk (1 p)pnk (1 p)

=
k=0 n

=
k=0

= (n + 1)pn (1 p)2 .

7.4
7.4.1

Exercices
Enoncs e

1) Soient U, V deux variables indpendantes de loi E(1) (loi exponentielle de param`tre 1). e e (a) Quelle est la loi de sup(U, V ) (pour u, v R, sup(u, v) est le plus grand des deux rels u, v) ? Indication : on pourra calculer la fonction de rpartition. e e

(b) Quelle est la loi de U + V ? Indication : on pourra calculer la densit de la loi de e U +V. 2) Soient X et Y deux variables alatoires indpendantes de loi N (0, 1). Montrer que X + Y e e et X Y sont indpendantes. e

3) Soient X et Y deux variables alatoires relles indpendantes. On suppose que X suit une e e e loi de Poisson de param`tre et que Y suit une loi de Poisson de param`tre . Calculer e e la loi de X + Y . 4) X une variable alatoire dans R est dite symtrique si X a mme loi que X. e e e (a) Si X a une densit f , montrer que : X est symtrique si et seulement si f (x) = e e f (x) pour presque tout x. e (c) Montrer que X est symtrique si et seulement si le nombre E(eiuX ) est rel u R. e 1 = 0 1 si X > 0 si X = 0 si X < 0 .

(b) Donner un exemple de de loi symtrique. e (d) Soit X variable alatoire dans R symtrique. On suppose P(X = 0) = 0. On note : e e

5) Soient U de loi uniforme sur [0, 1] et X de loi exponentielle de param`tre 1 deux variables e alatoires relles indpendantes. e e e (b) Dessiner la fonction de rpartition de sup(U, X). e (a) Montrer que P(|Xn | 1/n) nen . (a) Calculer P(sup(U, X) t) dans les 3 cas suivants : t < 0, t [0, 1], t > 1.

(e) Si Y et Y sont deux variables alatoires relles de mme loi et indpendantes, e e e e montrer que Y Y est symtrique. e

Montrer que et |X| sont indpendantes. e

6) Soit (Xn )n0 une suite de variables alatoires relles telles que n, E(|Xn |) en . e e (b) En dduire que P({ : il existe une innit de n tels que |Xn | 1/n} = 1. e e
2

7) Soit (X, Y ) ` valeurs dans (R+ )2 de densit (x, y) a e 2 + rappelle que 0 eu du = 2 . (a) Calculer la densit de X. e (b) Calculer la densit de Y . e

exp(x(1 + y 2 ))1x0,y0 . On

7.4. EXERCICES 8) Soit (X, Y ) ` valeurs dans (R+ )2 de densit a e (x, y) exp((xy)1/4 ) 1x0,y0 . 4(y x + x y)
1/4

65

(a) Soient U = (XY )1/4 , V = X . Quelle est la densit de (U, V ) ? e Y (b) Les variables U et V sont-elles indpendantes ? e (c) Donner les densits de U et V . e 9) Soit (, F, P) un espace mesur. Soient A0 , A1 , F. On pose n N, Bn = kn Ak . e On remarque que pour tout n, Bn+1 Bn . On note C = n0 Bn . e (a) Montrer que si n0 P(An ) < + alors P(C) = 0. Rappel : lhupoth`se implique que limq+ kq P(Ak ) = 0. Indication : on remarquera que q, n0 Bn Bq . (b) On suppose dsormais que e n0 P(An ) = + (rappel : ceci implique que n, e limq+ nkq P(Ak ) = +) et que les An sont indpendants (et donc les Ac n sont aussi indpendants). e c i. Montrer que pour tous q, n tels que n q, Bn nkq Ac . k c ii. Montrer que pour tous q, n tels que n q, P(Bn ) nkq P(Ac ). k iii. En utilisant lingalit x [0, 1], (1 x) ex , montrer que pour tous q, n tels e e que n q, iv. Montrer que n, = 0. v. Montrer que P(C ) = 0. 10) Soient X, Y, Z trois variables alatoires relles indpendantes de mme loi de densit e e e e e x R 1x0 ex (cest la densit de la loi exponentielle de param`tre 1). e e (a) Montrer que P(sup(X, Y ) Z) = 1 P(X Z)P(Y Z). (b) Calculer P(sup(X, Y ) Z). 11) Bouvard et Pcuchet vont chacun boire un caf au Caf du Port entre 10h et 11h. Soit X e e e une v.a.r. correspondant ` linstant darrive de Bouvard et Y une v.a.r. correspondant a e a ` celui de Pcuchet. Prcisment : X et Y sont indpendantes, uniformes dans [0, 1]. e e e e Bouvard arrive ` 10h+X 1h, Pcuchet arrive ` 10h+Y 1h. Chacun dentre eux reste a e a 1/4h dans le caf. e (a) Calculer la probabilit que Bouvard et Pcuchet se croisent dans le caf (cest ` dire e e e a que |X Y | 1/4). (Si vous ne faites pas cette question, vous pouvez continuer les calculs avec une quantit inconnue p = P(|X Y | 1/4). On indique que p ]0, 1[.) e (b) Soit U la v.a.r. qui vaut 0 si |X Y | > 1/4 et qui vaut sup(X, Y ) sinon. On a donc U = sup(X, Y ) 1|XY |1/4 . i. Soit t > 1, calculer P(U t). ii. Soit t < 0, calculer P(U t). iii. Soit t [0, 1/4]. Calculer P(sup(X, Y ) t, |X Y | 1/4). Les vnements e e {sup(X, Y ) t} et {|X Y | 1/4} sont-ils indpendants ? e iv. Soit t [0, 1], on cherche ` calculer P(U t). On admet que pour t [1/4, 1], a P(U t) = 9 + 16 P(|X Y | 1/4)
3 4 1 16 c P(Bn ) c c P(Bn ) exp nkq

P(Ak ) .

1 4

1 . 16

(Remarque : cette formule ne sert que dans la question suivante.) Calculer P(U t) pour t [0, 1/4]. v. Dessiner la fonction de rpartition de U . e (c) On suppose dans cette question que Bouvard ne change rien ` ses habitudes et a que Pcuchet arrive ` un instant xe : 10h+T 1h. Calculer P(|T X| 1/4). e a (On pourra direncier les cas T [0, 1/4], T [1/4, 3/4], T [3/4, 1].) Comment e choisir T pour maximiser P(|T X| 1/4) ?

66

CHAPITRE 7. VARIABLES INDEPENDANTES

7.4.2

Corrigs e

(1) (a) Si t 0, P(sup(U, V ) t) = 0. Si t ), on calcule P(sup(U, V ) t) = =

0 t 0 tu

E(1];t] (sup(U, V )))

+ +

1];t] (sup(u, v))eu ev dudv

=
0 t 0

eu ev dv du eu (1 e(tu) )du

=
0

=
+ (b) Soit Cb (R).

1 et tet .

+ 0

E((U + V )) Changement de variables :

=
0

(u + v)euv dudv .

x=u+v y=v Matrice jacobienne :

u=xy v=y

1 0 1 1 Pour u, v 0, on a x, y 0 avec y x (et inversement). Nous avons donc

+ x

E((U + V )) =
0 + 0

(x) exp (x) dy dx (x)1R+ (x)xex dx .

Donc la densit cherche est x R 1R+ (x)xex . e e

+ (2) Soit f Cb (R2 ), on calcule :

E(f (X + Y, X Y )) = = =

1 x2 /2 y2 /2 e e dxdy 2 R2 (changement de variable dj` vu : u=x+y,v=x-y) ea 2 2 1 1 f (u, v)e(u+v) /8(uv) /8 dudv 2 R2 2 2 2 1 f (u, v)eu /4 ev /4 dudv 4 R2 f (x + y, x y)
2 2

1 Donc la densit de (X + Y, X Y ) est la fonction (u, v) eu /4 ev /4 4 . Cest e un produit dune fonction de u et dune fonction de v donc X + Y et X Y sont indpendantes. e

7.4. EXERCICES

67

(3) Les variables X et Y sont ` valeurs dans N donc X + Y aussi. Soit n N, calculons : a P(X + Y = n) = P({X = 0 et Y = n} {X = 1 et Y = n 1} . . . {X = n et Y = 0})
n k=0 n

vnements disjoints e e indpendance e

= =
k=0 n

P(X = k et Y = n k) P(X = k)P(Y = n k) k e nk e k! (n k)!

n k Cn k nk k=0

=
k=0

= = Donc X + Y P( + ). (4) (a) Si X est symtrique : e + Cb (R), E((X))

+

e n!

e ( + )n . n!

= =

E((X))
+

(t)f (t)dt
+

(t)f (t)dt
+

(t)f (t)dt
+

(u)f (u)du (changement de variable u = t) .

+ Donc (t)(f (t) f (t))dt = 0. Cela est vrai Cb (R) donc f (t) f (t) est nulle presque partout donc f (t) = f (t) pour presque tout t. Si f (t) = f (t) pour presque tout t : + Cb (R), +

E((X)) =
+

(t)f (t)dt (t)f (t)dt (par changement de variable)

+

= =

(t)f (t)dt (car f (t) et f (t) co ncident presque partout)

donc X est de densit t f (t) comme X donc X est symtrique. e e (b) Exemple de loi symtrique : X = 1 avec probabilit 1/2 et X = 1 avec probabilit e e e 1/2. (c) Si X est symtrique : e Pour tout u : E(eiuX ) = = Donc E(eiuX ) R. Si E(eiuX ) R, u : E(eiu(X) ) = E(eiuX ) = E(eiuX ) . Donc X et X ont mme fonction caractristique donc X et X ont mme loi e e e donc X est symtrique. e E(eiuX ) E(eiuX ) .

68

CHAPITRE 7. VARIABLES INDEPENDANTES (d) Soient A1 , A2 B(R). Si 1 A1 et 1 A1 , P( A1 , |X| A2 ) = P(|X| A2 ) = P( A1 )P(|X| A2 ). Si 1 A1 et 1 A1 , P( A1 , |X| A2 ) = P( = 1, |X| A2 ) = P(X > / 0, X A2 ) = P(X < 0, X A2 ) car X symtrique donc P( A1 , |X| A2 ) = e 1 (P(X > 0, X A2 ) + P(X < 0, X A2 )) = P( A1 )P(|X| A2 ). 2 Si 1 A1 et 1 A1 , on montre de mme que P( A1 , |X| A2 ) = P( / e A1 )P(|X| A2 ). Si 1 A1 et 1 A1 , P( A1 , |X| A2 ) = 0 = P( A1 )P(|X| A2 ). / / On a donc toujours P( A1 , |X| A2 ) = P( A1 )P(|X| A2 ), donc et |X| sont indpendants. e (e) On calcule la fonction caractristique ; e E(eiu(Y Y ) )

= E(eiuY eiuY ) = E(eiuY )E(eiuY ) (par indpendance) e = E(eiuY )E(eiuY ) (car Y et Y ont mme loi) e = E(eiu(Y =

Y )

) .

E(eiu(Y Y ) )

(5) (a)

Donc par la question 4c, Y Y est symtrique. e F (t) = P(sup(U, X) t) = (indpendance) e P(U t, X t) P(U t)P(X 0 t(1 et ) 1 et

t)

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

(b) On remarque que F est continue et quelle a un point anguleux en 1. (6) (a) Ingalit de Bienaym-Tchebichev. e e e (b)
n0 + (7) (a) Soit f Cb ((R+ )2 ).

P(|Xn | 1) E(f (U, V ))

n0

nen < et on conclut par le lemme de Borel-Cantelli.

= E(f ((XY )1/4 , (X/Y )1/4 )) =

(R+ )2

f ((xy)1/4 , (x/y)1/4 )

exp((xy)1/4 ) dxdy . 4(y x + x y)

Changement de variable u = (xy)1/4 , v = (x/y)1/4 ((u, v) parcourt (R+ )2 quand (x, y) parcourt (R+ )2 ). Do` x = u2 v 2 , y = u2 /v 2 . Matrice jacobienne : u 2uv 2 2u2 v 2u/v 2 2u2 /v 3

Valeur absolue du dterminant : 8u3 /v. Donc e E(f (U, V )) =

(R+ )2

f (u, v) f (u, v)
(R+ )2

8u3 exp(u) dudv 3 /v + u3 v) v 4(u exp(u) 2 dudv . 1 + v2

(b) La densit trouve est une fonction produit dune fonction de u et dune fonction e e de v donc U et V sont indpendantes. e

2 Donc la densit de (U, V ) est (u, v) 1R+ (u)1R+ (v) exp(u) . e 1+v 2

7.4. EXERCICES

69

(8) (a) On a q, C Bq donc P(C) P(Bq )

q+

2 (c) On sait que la densit de U est proportionelle ` la fonction u 1R+ (u)eu et e a u que son intgrale vaut 1. On en dduit que la densit de U est u 1R+ (u)e . De e e e 2 1 mme, la densit de V est v 1R+ (v) 1+v2 . e e kq

P(Ak ). Par hypoth`se, e

lim

P(Ak ) = 0
kq

donc P(C) = 0. ii. On a donc (en utilisant lindpendance) e P(Bn ) P(nkq Ac ) = nkq P(Ac ) . k k iii. On a P(Bn ) nkq (1 P(Ak )) nkq eP(Ak ) = exp
n0 c P(Bn ) = 0. c i. On a Bn = nk Ac nkq Ac . k k

nkq

c iv. On a donc, vu lhypoth`se sur la divergence de la srie, P(Bn ) = 0. e e c v. On a C c = n0 Bn donc P(C c )

P(Ak ) .

(9) (a) . . .

(b) Par Fubini-Tonelli et parce que X et Z sont indpendantes (donc la densit du e e couple est le produit des densits) e P(X < Z) =
x0,z0 z

1x<z exz dxdz ez

z0 0

= =
z0

ex dxdz

ez (1 ez )dz

= 1 1/2 = 1/2. Les variables X, Y, Z sont indpendantes et de mme loi donc (X, Z) a mme loi e e e que (Y, Z) donc P(X Z) = P(Y Z). Do` P(sup(X, Y ) Z) = 1 1/4 = 3/4. u P(|X Y | 1/4) = (Fubini-Tonelli) =
x[0,1] y[0,1]

(10) (a)

x[0,1],y[0,1]

1|xy|1/4 dxdy 1|xy|1/4 dxdy 1dy dx

(x+1/4)1

=
x[0,1] (x1/4)0

=
x[0,1] 1/4

(((x + 1/4) 1) ((x 1/4) 0)) dx

3/4 1/4

=
0

1 x + dx + 4

1 dx + 2
2

1 3/4

5 xdx 4

= = =

1 1 1 1 5 + + + 1 32 16 4 2 4 1 1 3 1 + + + 32 16 4 32 7 . 16

70 (b) i. P(U t) = 1

CHAPITRE 7. VARIABLES INDEPENDANTES

iii.

ii. P(U t) = 0 P(sup(X, Y ) t, |X Y | 1/4) = = (indpendance) = e = P(X t, Y t, |X Y | 1/4) P(X t, Y t) P(X t)P(Y t) t2 .

7 On a : P(X Y t, |X Y | 1/4) = t2 = 16 t2 = P(X Y t)P(|X Y | 1/4) donc les vnements {sup(X, Y ) t} et {|X Y | 1/4} ne sont pas e e indpendants. e

iv. Pour t [0, 1/4] : P(U t) = = P(U = 0) + P(sup(X, Y ) t, |X Y | 1/4) 9 + t2 . 16

1 10/16 9/16

1/4

Fig. 7.1 Dessin de la fonction de rpartition de U e v. (c) Si T [0, 1/4] :

1

P(|X T | 1/4) = =

1|xT |1/4 dx
T +1/4

1dx = T +
0 5 4

1 . 4

De mme, si T [3/4, 1] : P(|X T | 1/4) = e

1

T . Si T [1/4, 3/4] :

P(|X T | 1/4) = =

1|xT |1/4 dx
T +1/4

1dx =
T 1/4

1 . 2

Donc Pcuchet doit arriver entre 10h15 et 10h45 pour maximiser ses chances de e voir Bouvard.

Chapitre 8

Convergence de variables alatoires e

On se donne dans tout le chapitre un espace probabilis (, A, P). e

8.1

Les direntes notions de convergence e

On se donne X, (Xn )n0 v.a. ` valeurs dans Rd . a Dnition 8.1.1. (Cest une rcriture de la dnition 4.1.2.) e ee e p.s. On dit que Xn converge presque srement vers X et on note Xn X si u
n+

P({ : X() = lim Xn ()}) = 1 .

n+

X si E( X Xn

Dnition 8.1.2. Soit p > 0, on dit que Xn converge dans Lp vers X et on note Xn e
p

Lp

n+

) 0 (ici, . est la norme usuelle sur Rd ).

n+

Dnition 8.1.3. On dit que Xn converge en probabilit vers X et on note Xn X e e

n+

proba.

si > 0, P( X Xn ) 0.
n+

+ Cb (Rd ), E((Xn )) E((X)). n+

Dnition 8.1.4. On dit que Xn converge en loi vers X et on note Xn X si e

n+

loi

Dnition 8.1.5. Soit (n ) une suite de mesures de probabilit sur Rd . On dit que (n ) e e
+ converge troitement vers et on note n si Cb (Rd ), e n+ tr. e

Rd

(x)n (dx)

n+

(x)(dx) .
Rd

Remarque 8.1.6. Pour une suite de v.a. a valeurs dans Rd , ` Xn X PXn PX

n+ n+ loi tr. e

Thor`me 8.1.7. Pour des variables dans R, nous avons lquivalence e e e Xn X

n+ loi

u [FXn (t) FX (t) en tout point t o` FX est continue

n+

loi

(cest a dire en tout point t tel que P(X = t) = 0).] . ` 71

72

CHAPITRE 8. CONVERGENCE DE VARIABLES ALEATOIRES

Corollaire 8.1.8. Pour une suite de v.a. a valeurs dans Rd , ` Xn X PXn PX

n+ n+ loi tr. e

Thor`me 8.1.9. e e

i)
Lp

Xn X Xn X
n+ n+ proba. n+

p.s.

proba.

ii) p 1, Xn X Xn X
n+

iii) iv)

Xn X sous-suite (Xg(n) ) : Xg(n) X

n+ proba. n+

proba.

p.s.

Xn X Xn X
n+ n+

loi

Rappel : une sous-suite dune suite (un )n0 est donne par une application strictement e croissante g : N N, la sous-suite scrit alors (ug(n) )n0 . e Diagramme : convergence Lp convergence en probabilit e convergence en loi. convergence p.s.

Toutes les autres implications sont fausses. Dmonstration. e (i) On se contente de faire la dmonstration pour des variables ` valeurs e a relles. Soit > 0. e P(|Xn X| > ) = E(1];+[ (|Xn X|)) . Pour p.t. , |Xn () X()| 0 et donc 1];+[ (|Xn () X()|) 0.
n+ n+

(iv) On se contente de faire la dmonstration pour des variables ` valeurs relles. Soit t e a e un point o` FX est continue. Soit > 0 quelconque. Par la proprit dadditivit et la u ee e proprit de croissance : ee P(Xn t) = FX (t + ). De mme : e P(Xn t, |X Xn | ) + P(Xn t, |X Xn | > ) P(X t + ) + P(|X Xn | > ) .
n+

Pour tout n (et tout ), 1];+[ (|Xn () X()|) 1 qui est desprance nie. e Donc par thor`me de convergence domine, E(1];+[ (Xn X)) 0. e e e
n+

Comme P(|X Xn | > ) 0 alors lim supn+ P(Xn t) P(X t + ) = P(X t ) = P(X t , |X Xn | ) + P(X t , |X Xn | > ) P(Xn t) + P(|X Xn | > ) . Donc lim inf n+ P(Xn t) P(X t ) = FX (t ). Tous ces calculs sont vrais et FX est continue en t donc limn+ FXn (t) = FX (t).

8.2

Loi des grands nombres

Notation 8.2.1. Soient X1 , X2 , . . . des variables indpendantes et de mme loi. On dira e e que ces variables sont indpendantes et identiquement distribues et on utilisera la notation e e i.i.d. . Thor`me 8.2.2. Loi faible des grands nombres e e 2 Soient X1 , X2 , . . . des v.a.r. i.i.d. Si E(Xn ) < , on a X1 + + Xn L 2 E(X1 ) . n+ n

8.2. LOI DES GRANDS NOMBRES Dmonstration. e E X1 + + Xn E(X1 ) n

2

73

= =

E
n

(X1 E(X1 )) + + (Xn E(Xn )) n 1 E((Xk E(Xk ))2 ) n2

k=1

Var(X1 ) 0 n+ n

Thor`me 8.2.3. Loi forte des grands nombres e e Soient X1 , X2 , . . . des v.a.r. i.i.d. Si E(|X1 |) < (en dautres termes. Si X1 est intgrable) e alors X1 + + Xn p.s. E(X1 ) . n+ n
4 Dmonstration. Nous ne ferons la dmonstration que dans le cas E(X1 ) < . Nous voulons e e montrer que (X1 E(X1 )) + + (Xn E(Xn )) p.s. 0 . n+ n

Posons pour tout i, Xi = Xi E(Xi ). Calculons E

X1 + + Xn n 4

1 n4

E(Xi1 Xi2 Xi3 Xi4 ) .

i1 ,i2 ,i3 ,i4 {1,...,n}

Remarquons que dans cette derni`re somme, certains termes sont nuls. Par exemple, en e utilisant les proprits des variables indpendantes (cf. cor. 7.1.6) ee e
E(X1 X2 X2 X2 ) = E(X1 X2 X3 X3 ) = E(X1 )E((X2 )3 ) = 0 E(X1 )E(X2 )E((X3 )2 ) = 0 .

Apr`s regroupement des termes identiques, nous obtenons e

X1 + + Xn n 4

1 (nE((X1 )4 + 6n(n 1)E((X1 )2 (X2 )2 ) n4 7 . n2

Et donc

n1

X1 ++Xn n

n1

< . Par Fubini-Tonelli (cf. ex. 5.1.10) 4 4 X1 + + Xn X1 + + Xn <. = E n n

n1
X ++Xn

1 Donc la variable n1 n de la srie converge vers 0, p.s. e

est nie p.s. (cf. rem. 6.2.2, (v)). Donc le terme gnral e e

Exemple 8.2.4. Soient U1 , U2 , . . . i.i.d. de loi U([0, 1]). Soient 0 a < b 1. Soit pour tout i, Xi = 1[a,b] (Ui ). Les variables X1 , X2 , . . . sont i.i.d. de loi B(ba) et vrient E(|Xi |) < e puiquelles sont bornes. Par la loi des grands nombres e X1 + + Xn p.s. E(X1 ) = P(a U1 b) = b a . n+ n Ce qui veut dire que la proportion de points tombant dans [a, b] converge vers b a. Illustration, la densit empirique de U([0, 1]) : e

74

CHAPITRE 8. CONVERGENCE DE VARIABLES ALEATOIRES

http ://www-sop.inria.fr/mesto/java/tutorial1/node7.html #SECTION00031010000000000000 De mme, e 1X1 1/2 + + 1Xn 1/2 p.s. 1 . n+ 2 n Illustration, le jeu de pile ou face : http ://www-sop.inria.fr/mesto/java/tutorial1/node8.html #SECTION00031020000000000000 Une autre illustration : laiguille de Buon http ://www-sop.inria.fr/mesto/java/tutorial1/node14.html #SECTION00033110000000000000

8.3

Thor`me central-limite e e

Dnition 8.3.1. Soit mesure de probabilit sur Rd , on appelle fonction caractristique e e e de la fonction suivante x Rd (x) = Si X est une v.a. de loi alors X = . Thor`me 8.3.2. (d a Paul Lvy) Soit (n ) une suite de mesures de probabilit sur Rd , e e u` e e n Rd , n () ()
n+ n+ tr. e

Rd

eitx (dt) C .

Ce qui snonce aussi e Xn X Rd , Xn () X ()

n+ n+ loi

Thor`me 8.3.3. Thor`me central-limite (aussi not TCL) e e e e e Soit (Xn ) une suite de v.a.r. i.i.d. avec E(X1 ) = m et Var(X1 ) = 2 (m, 2 < ). Alors X1 + + Xn nm loi Z de loi N (0, 1) , n+ n (o` > 0 est la racine carre de la variance). u e Il existe des rsultats rans sur la vitesse de cette convergence en loi. Voir, par e e exemple, le thor`me de Berry-Esseen dans [Dur96]. e e Remarque 8.3.4. Sous les hypoth`ses du thor`me prcdent, prenons a < b, f (x) = e e e e e 1[a,b] (x). Par la remarque 8.1.6, E f cest a dire ` X1 + + Xn nm b P a n
b n+

X1 + + Xn nm n

n+

E(f (Z)) , ex /2 dx . 2
2

Cest cette proprit qui sera le plus souvent utilise dans les exercices. ee e Dmonstration du thor`me 8.3.3. Posons n, Yn = Xn m. Soient e e e
Sn = Y1 + + Yn , Zn = Sn X1 + + Xn nm = . n n

 ` 8.3. THEOREME CENTRAL-LIMITE Nous avons Zn (t) = = (par indpendance des Yj ) e (car les Yj sont identiquement distribus) e = = E exp
itSn n it (Y1 + + Yn ) E exp n it Yj E exp n 1jn

75

Y1

Regardons la fonction Y1 (u) = E(eiuY1 ) pour u R. Pour tout u, E(|eiuY1 |) = 1 < . Pour tout , u eiuY1 () est drivable et de drive u iY1 eiuY1 () . Pour tous u, , e e e |Y1 eiuY1 () | |Y1 ()| qui est intgrable (et qui ne dpend pas de u). Donc, par thor`me de e e e e drivation (cf. cor. 4.3.6) e 1 (u) = E(iY1 eiY1 u ) . Y De mme, 1 (u) = E(Y12 eiY1 u ). Donc 1 (0) = E(iY1 ) = iE(Y1 ) = 0, 1 (0) = E(Y12 ) = e Y Y Y e e 2 . Supposons que Y1 admette un dveloppement limit en 0 (ce nest pas toujours le cas). Ce dveloppement est alors : e Y1 (u) = Y1 (0) + u 1 (0) + Y = 1 Donc Zn (t) = = =
n+

u2 (0) + o(u2 ) 2 Y1

u2 2 + o(u2 ) . 2
n

1 n t2 exp n log 1 2 + o n t2 exp 2 + o(1) 1 et

2

t2 +o 2 n

1 n

/2

par continuit de lexponentielle. e Exemple 8.3.5. On sintresse au nombre de gens qui ach`tent de la lessive Ariel en France. e e On ne peut pas interroger toute la population et on se contente donc dun chantillon de e personnes. Introduisons la variable Xi = 1 0 si la i-`me personne interroge ach`te Ariel e e e si la i-`me personne interroge nach`te pas Ariel. e e e

Les variables Xi sont supposes i.i.d. avec P(Xi = 1) = p (ce sont nos hypoth`ses de e e modlisation). La quantit p est celle que nous cherchons a dterminer. Remarquons que e e ` e E(X1 ) = p 1 + (1 p) 0 = p. Par la loi (forte) des grands nombres X1 + + Xn p.s. E(X1 ) = p. n+ n Quelle taille n dchantillon slectionner pour que X1 ++Xn soit proche de p ? Supposons e e n que lon veuille n tel que la probabilit de se tromper de plus de 0, 01 dans notre estime de e e p soit plus petite que 0, 1, cest a dire ` P X1 + + Xn p 0, 01 n 0, 1 . (8.3.1)

76

CHAPITRE 8. CONVERGENCE DE VARIABLES ALEATOIRES

Notons 2 = Var(X1 ). Nous avons P X1 + + Xn p 0, 01 n (par TCL) = = =

n 0, 01 (X1 p) + + (Xn p) n n 0, 01 avec Z N (0, 1) P Z P

+

n0,01

ex /2 dx 2
n0,01

2 1

ex /2 dx 2

(8.3.2) n0, 01/ = 1.65.

Nous voyons sur une table (cf. annexe A) quil sut de prendre n tel que Calculons Var(X1 ) = p 12 + (1 p) 02 p2 = p p2 = p(1 p) . 1, 65 p(1 p) 0, 01 Nous avons alors que n=
2 2 = E(X1 ) E(X1 )2

ralise (8.3.1). Mais justement, nous ne connaissons pas p. Nous tudions la fonction e e p [0, 1] p(1 p) .

1/4

1/2
Fig. 8.1

Cest une parabole qui atteint son max. en 1/2. Donc, p [0, 1], 2 2 1, 65 p(1 p) 1, 65 0, 5 0, 5 . 0, 01 0, 01 Remarquons, au vu de (8.3.2), que si (8.3.1) est ralise pour un certain n1 alors elle est e e ralise pour tout n2 n1 ; donc il sut de prendre n = e e
1,65 0,50,5 0,01 2

Exemple 8.3.6. Thor`me de Moivre e e Soient X1 , X2 , . . . i.i.d. B(1/2). Soit Sn = X1 + + Xn . Calculons Sn (u) (par indpendance des Xj ) e = E(eiu(X1 ++Xn ) ) 1 (1 + eiu ) 2
n k Cn k=0 n

= E(eiuX1 )n = =

1 2

nk

1 2

eiku

8.4. EXERCICES

77

1 qui est la fonction caractristique de B n, 2 . Donc Sn B(n, 1/2). e Nous avons E(X1 ) = 1/2, Var(X1 ) = 1/4 (cf. ex. prcdent). Donc le TCL nous dit que e e pour a b b x2 /2 Sn n/2 e b dx . P a n+ a (1/2) n 2

(Ce rsultat sappelle le thor`me de Moivre.) e e e Illustration : la planche de Galton, http ://www-sop.inria.fr/mesto/java/tutorial1/node11.html #SECTION00032010000000000000 Si on r`gle le param`tre n a 8, chaque bille arrive en bas en une abscisse alatoire de mme e e ` e e loi que S8 8 (1/2). Donc lhistogramme reprsente la densit empirique de cette loi, qui e e se rapproche du dessin dune gaussienne.

8.4
8.4.1

Exercices
Enoncs e

1) Soient U1 , U2 , . . . indpendantes et identiquement distribues de loi E(1) (loi exponentielle e e de param`tre 1). e (a) Calculer E(U1 ), Var(U1 ). (b) Estimer P(U1 + + Un n(1 + )) pour n = 100, = 1/10. 2) Soit f : R R telle que x, y, |f (x)f (y)| C inf(1, |xy|) pour une certaine constante C. p.s. (a) Si Xn X (rappel : pour p.t. , Xn () X()), montrer que E(f (X))
n+ n+

E(f (Xn )) 0.
n+

(b) Soit > 0, toujours sous lhypoth`se Xn X, montrer que P(|f (Xn ) f (X)| e
n+

p.s.

) 0.
n+

3) On ach`te un stock dampoules pour un lampadaire. Les ampoules ont une dure de vie e e de loi E(). La premi`re ampoule dure un temps X1 , on la remplace immdiatement et e e la deuxi`me qui dure un temps X2 . . .Soit T > 0. On admet que le nombre dampoules e N grilles pendant le temps T est tel que N est de loi P(T ). On suppose que T N. e (a) Calculer m = E(N ). (b) Soit p N . Montrer que P(N m + p) = P(X1 + + Xm+p T ). (c) On suppose maintenant que = 1, T = 20, p = 5. Donner une valeur numrique e approche de P(N m + p) ` laide de la table jointe. e a (d) Avec les mmes valeurs numriques que ci-dessus, combien dampoules faut-il achee e ter au minimum pour que P(se retrouver ` court dampoules avant le temps T ) < a 0.05 ? 4) On rappelle que la somme de deux variables gaussiennes indpendantes, respectivement e 2 2 2 2 de lois N (m1 , 1 ) et N (m2 , 2 ) est une variable gaussienne de loi N (m1 + m2 , 1 + 2 ). Soient X1 , X2 , X3 , . . . des variables indpendantes et identiquement distribues (i.i.d.) e e de loi N (m, 2 ). On suppose que lon conna mais pas m, que lon veut estimer par t 1 Sn = n (X1 + + Xn ). m (a) Montrer que n Sn est (exactement) de loi N (0, 1). (b) On admet que > 0, P m Sn m + n n (c) En dduire que e > 0, P(m Sn m + ) 1 2 n2 exp 2 n 2 . 1 21 2 exp 2 .

78

CHAPITRE 8. CONVERGENCE DE VARIABLES ALEATOIRES (d) On suppose que = 0.01, = 1, n = 10000, minorer P(|Sn m| ) par une valeur numrique. e

5) Soient des variables alatoires V0 , V1 , V2 , 0 indpendantes et identiquement dise e 2 2 tribues vriant E(Vn ) < , E(1/Vn ) < (ce qui implique E(Vn ) < , E(1/Vn ) < ). e e Soit a > 1. Soit p une variable [0, 1]. On dnit des variables Wn par rcurrence en e e prenant : W0 = 1, Wn+1 = (ap + (1 p)Vn ) Wn . (a) Montrer que log(Wn ) = log(W0 ) + (b) Montrer que
p.s. log(Wn ) n n+ n1 k=0

log(ap + (1 p)Vn ) pour tout p [0; 1].

que le rsultat stend ` [0; 1]). Posons c(p) = E(log(ap + (1 p)V1 )). e e a (c) Montrer que , p [0, 1], a V1 () (a + V1 ()) ap + (1 p)V1 () (d) Montrer que c (p) = E est vraie sur [0; 1]).
aV1 ap+(1p)V1

E(log(ap + (1 p)V1 )) pour tout p [0; 1[ (on admet

1 1 + a V1 ()

pour tout p ]0; 1[ (on admettra que la formule

2

(aV1 ) (e) On admet que c (p) = E (ap+(1p)V1 )2 . On suppose que E(a/V1 ) 1, E(V1 /a) 1. Etudier la fonction c et montrer quelle atteint son maximum dans ]0; 1[.

(f) On suppose que P(V = 1) = P(V = 4) = 1/2. Calculer le p qui maximise c dans le cas o` a = 2. u 6) Un assureur assure n automobilistes (numrot de 1 ` n) contre les accidents. Les assurs e e a e versent une prime le 1er janvier. Au cours de lanne, lassureur devra verser la somme e Xi ` lassur numro i. Les Xi sont supposes tre des variables alatoires indpendantes a e e e e e e et identiquement distribues. La prime verse par chaque assur est E(X1 ) + m (m R). e e e On suppose que Var(X1 ) = 1. (a) Estimer la probabilit e P(X1 + + Xn n(E(X1 ) + m)) pour n = 100 et m = 0.1 (cest la probabilit que lassureur fasse faillite). e (b) On suppose toujours que m = 0.1, trouver un entier n tel que si n n , P(X1 + + Xn n(E(X1 ) + m)) 0.05. 7) Pour sa migration annuelle, une grenouille part dune mare situe sur un plan au point e de coordonnes (25, 0) dans le rep`re orthonorm xOy. Elle est repre par sa position e e e e e Zn au temps n. On suppose que :

au temps 0, sa position est Z0 = (25, 0) et n 0, Zn+1 = Zn + (1, 0) + Un , o` les variables Un sont i.i.d. avec P(Un = (0, 1/ 2)) = 1/2, P(Un = (0, 1/ 2)) = 1/2. u Ainsi ` chaque tape de sa progression, la grenouille avance de +1 dans la direction Ox et a e se dporte en mme temps de 1/ 2 dans la direction perpendiculaire Oy. Sur laxe des e e ordonnes se trouve cette anne une autoroute neuve. On dcide de creuser des tunnels e e e sous lautoroute le long dune certaine zone pour permettre le passage de cette grenouille. La zone ` tunnels se situe entre des points dordonnes a et b. Si la grenouille arrive dans a e cette zone, elle passe dans un tunnel et sinon elle se fait craser. e

8.4. EXERCICES

79

y autoroute (0,b) 0 1 (25,0)

1 0 1 0 1 0 1 0 1 x O0 1 0 1 11111 0 00000 1 11111 0 00000zone de tunnels 1 0 1 (0,a) 0

Fig. 8.2

` (a) A quel instant passe-t-elle par lautoroute ? (b) Supposons que lon construise une zone de tunnels entre les points dordonnes 5 e et 5 (compris). Donner une approximation de la probabilit qua la grenouille de e passer par un tunnel. (Dans les calculs, on arrondira au deuxi`me chire apr`s la e e virgule pour simplier.) (c) On dcide de construire une zone de tunnels entre des point dordonnes x et +x e e (x > 0). Donner une valeur approximative de x telle que la probabilit de survie de e la grenouille soit 0.9. (Dans les calculs, on arrondira au deuxi`me chire apr`s la e e virgule pour simplier.)

8.4.2
(1) (a)

Corrigs e
+

E(U1 ) =
0

xex dx
+ 0

= = = (b)
2 E(U1 ) =

[xex ]+ + 0 0 + [ex ]+ 0 1.

ex dx

+ 0

x2 ex dx
+ 0 +

= [x2 ex ]+ + 0 = [2xex ]+ + 0 = 2.

2xex dx 2ex dx

Donc Var(U1 ) = 1. (c) Les variables U1 , U2 , . . . sont L2 , on peut donc appliquer le thor`me central-limite. e e P(U1 + + Un n(1 + )) (TCL) = P U1 1 + + Un 1 n n P(Z 1) avec Z N (0, 1).

Et on lit sur la table que cette derni`re valeur vaut (` peu pr`s) 10.8413 = 0, 1587. e a e (2) (a) |E(f (Xn )) E(f (X))| E(|f (Xn ) f (X)|) CE(inf(1, |Xn X|))

80

CHAPITRE 8. CONVERGENCE DE VARIABLES ALEATOIRES Pour p.t. , inf(1, |Xn () X()|) 0 et , inf(1, |Xn () X()|) 1.
n+

Donc par thor`me de convergence domine, E(inf(1, |Xn X|) e e e |E(f (Xn )) E(f (X))| 0.
n+

n+

0. Donc

(3) (a)

(b) P(|f (Xn ) f (X)| ) 1 E(|f (Xn ) f (X)|) (ingalit de Bienaym-Tchebyche) e e e (T )n eT n! (T )n eT n! (T )k k!

E(N ) =
n0

n n
n1

= = = (b) P(N m + p) =

(T )eT
k0

P( on a grill plus de m + p ampoules dans [0, T ]) e P(les m + p premi`res ampoules ont dj` grill e ea e quand on arrive en T ) P(X1 + + Xm+p < T )

(c) On remarque que Var(X1 ) = 1/2 , E(X1 ) = 1/. P(N m + p) = P(X1 + + Xm+p T ) X1 E(X1 ) + + Xm+p E(Xm+p ) = P (1/) m + p T (m + p)/ < (1/) m + p (TCL) On calcule
T (m1+p)/ (1/) m1+p

T (m+p)/ (1/) m+p

et /2 dt . 2

= 1. On a par parit : e
1

et /2 dt 2

=
1

et /2 dt 2
1
2

= (dapr`s la table) e =

et /2 dt 2 1 0, 8413 = 0.1587 .

(d) Ici, on cherche p pour que P(N m + p) 0.05. Comme avant : P(N m + p)
TCL

T (m+p)/ (1/2 ) m+p

et /2 dt 2 et /2 dt . 2
2

T (m+p)/ (1/2 )m+p

T (m+p)/ On regarde la table et on voit quil faut prendre (1/2 )m+p 1.65. Une rapide tude de fonction montre quil faut prendre m + p 29. e m (4) (a) Sn N (nm, n 2 ) donc n Sn N (0, 1).

8.4. EXERCICES (b) Par symtrie et par les rsultats prcdents : e e e e P m Sn m + n n Sn m Sn m n > = 1 2P = P n 1 (c) Avec = n/, on a (par la question prcdente) : e e P(m Sn m + ) 1 ` (d) A laide dune calculatrice, on trouve : P(|Sn m| ) 0.8920 . (5) (a) On le montre par rcurrence. e Cest vrai en n = 0. Si cest vrai jusquen n 1. log(Wn ) = log(ap + (1 p)Vn ) + log(Wn1 ) = log(ap + (1 p)Vn ) + log(W0 ) +
n2

81

21 2 exp 2

n2 2 exp 2 n 2

k=0

log(ap + (1 p)Vk ) .

(b) Nous avons E(| log(ap+(1p)V1 )|) | log(ap)|+E(| log(1+ (1p)V1 )|) | log(ap)|+ ap

E(V1 )| (1p) |. Donc E(| log(ap + (1 p)V1 )|) < . Do` le rsultat par la loi des u e ap grands nombres (et parce que log(W0 ) = 0). (c) Pour tout , a V1 () ap + (1 p)V1 () (a + V1 ()) (a + V1 ()) 1 inf(a, V1 ()) 1 1 . + a V1 ()

(d) Nous avons (a + V1 ()) 1 1 + a V1 () 1+ a V1 () + +1 . V1 () a

Donc, par thor`me de comparaison et puisque E(V1 ), E(1/V1 ) < , nous avons e e aV1 () E( ap+(1p)V1 () ) < (p). Pour tout p ]0; 1[, , p log(ap + (1 p)V1 ()) = Pour tout p, E(| log(ap + (1 p)V1 )|) (vu en 5b). Donc par thor`me e e de drivation sous lintgrale, e e c (p) = E a V1 ap + (1 p)V1 .
aV1 () ap+(1p)V1 () .

(e) Nous avons c (p) 0 (p), c (0) = E(a/V1 ) 1, c (1) = 1 E(V1 /a). Un tableau de variation de c donne le rsultat. e (f) 1 1 log(ap + 1 p) + log(ap + 4(1 p)) 2 2 1 1 = log(ap + (1 p)) + log(ap + 4(1 p)) 2 2 1 = log((ap + (1 p))(ap + 4(1 p))) . 2 Il sut donc de maximiser (ap + (1 p))(ap + 4(1 p)) = (p + 1)(4 2p). Do` le u p optimal gal ` 1/2. e a c(p) =

82 (6) (a)

CHAPITRE 8. CONVERGENCE DE VARIABLES ALEATOIRES

P(X1 + + Xn n(E(X1 ) + m))

= P

X1 + + Xn nE(X1 ) nm n
+
2

(thor`me central-limite) e e

et dt 2 1 (dapr`s la table) 0.1587 . e

(b) Pour tout n assez grand : P(X1 + + Xn n(E(X1 ) + m)) = P X1 + + Xn nE(X1 ) nm n

+

(thor`me central-limite) e e

0.1 n

et dt . 2

Dapr`s la table. il sut donc davoir 0.1 n 1.65, ce qui est satisfait pour n 172 = e 289. ` (7) (a) A chaque pas de temps, la grenouille se dplace de 1 vers la droite (et de mani`re e e alatoire vers le haut ou le bas) donc elle passe par laxe des ordonnes (cest ` dire e e a lautoroute) au temps 25. (b) Lordonne de la grenouille au temps n peut scrire V1 + + Vn o` Vn = 1/ 2 e e u avec probabilit 1/2 et Vn = 1/ 2 avec probabilit 1/2 (pour tout k, Vk est la e e composante verticale du vecteur Uk ). Les variables Vk sont desprance m = 0 et e de variance 2 = 1/2. La probabilit de passer par un tunnel est : e P(ordonne de Z25 [5, 5]) = e = P(|V1 + + V25 | 5) V1 + + V25 25m P 2 25

Les variables Vi sont i.i.d., intgrables et de variance nie donc par le thor`me e e e central-limite :
+ 2

P(ordonne de Z25 [5, 5]) e

et /2 dt = 1 + 2 2

et /2 dt . 2

(c) On veut trouver x tel que P(ordonne de Z25 [x, x]) 0.9. On a par le thorme e e ` central-limite : P(ordonne de Z25 [x, x]) e = = = P(|V1 + + V25 | x) x V1 + + V25 25m P 5 25
x 2/5 x 2/5

On trouve sur la table jointe au sujet que P(ordonne de Z25 [5, 5]) 0.84. e

et /2 dt 2
x 2/5

1 + 2

Dapr`s la table, il faut x 2/5 1.65 donc x 5.83. La grenouille se trouve e toujours sur des points de coordonnes enti`res donc il sut de prendre x = 5. e e

et /2 dt . 2

Chapitre 9

Conditionnement
On se donne toujours un espace probabilis (, A, P). e

9.1

Conditionnement discret
P(A B) . P(B)

Dnition 9.1.1. Soient A, B A, B > 0, la probabilit de B sachant A est e e P(A|B) =

Dnition 9.1.2. Si X est une v.a. et B A, P(B) > 0, lesprance de X sachant B est e e la nombre suivant E(X1B ) E(X|B) = . P(B) Dnition 9.1.3. Soit X v.a.r. et Y v.a. prenant un nombre dnombrable de valeurs. On e e dnit lesprance conditionnelle de X sachant Y de la mani`re suivante : E(X|Y ) est une e e e v.a. qui peut scrit E(X|Y ) = (Y ) avec e : R y R
E(X1Y =y ) P(Y =y)

E(X|Y = y) = 0

si P(Y = y) > 0 sinon .

Exemple 9.1.4. Soit , = {1, 2, . . . , 6} et , P({}) = 1/6. Soient les v.a. X() = , Y () = Si {1, 3, 5}, alors Y = 1 et E(X|Y )() = = Si {2, 4, 6}, alors Y = 0 et E(X|Y )() = = E(X1Y =0 ) P(Y = 0) 1 6 (2 + 4 + 6)
3 6

1 0

si impair si pair .

E(X1Y =1 ) P(Y = 1)
1 6 (1

+ 3 + 5)
3 6

=3.

=4.

83

84

CHAPITRE 9. CONDITIONNEMENT

9.2

Esprance conditionnelle e

Dnition 9.2.1. Soit Y v.a. a valeurs dans un espace mesurable quelconque (E, E). La e ` tribu engendre par Y est (Y ) = {Y 1 (A), A E}. La famille (Y ) est une tribu et e (Y ) A. On dit dune v.a. Z a valeurs dans un espace mesurable quelconque (E , E ) quelle est ` (Y )-mesurable si A E , Z 1 (A) (Y ). Soit B une tribu A, on dit que Z est B-mesurable si A E , Z 1 (A) B. Remarque 9.2.2. Prenons une variable Z (Y )-mesurable comme dans la dnition cie dessus. La tribu (Y ) reprsente les vnements relatifs a Y (tous ceux qui peuvent se dcrire e e e ` e en terme de il est arriv telle chose a Y ). Dire que Z est Y -mesurable revient a dire que e ` ` tous les vnements relatifs a Z peuvent se dcrire comme des vnements relatifs a Y et e e ` e e e ` donc que Z est une fonction de Y . Thor`me 9.2.3. Soit B une tribu A. Soit X une v.a.r. intgrable. Il existe une et une e e e seule v.a.r. intgrable, appele esprance conditionnelle de X sachant B et note E(X|B), e e e e qui vrie e B B , E(X1B ) = E(E(X|B)1B ) . La variable E(X|B) vrie en outre que Z v.a. a valeurs dans Rd , B-mesurable et borne, e ` e E(XZ) = E(E(X|B)Z) . Dnition 9.2.4. Soit X une v.a.r. et Y une v.a. quelconque, lesprance conditionnelle e e de X sachant Y est la variable suivante E(X|Y ) = E(X|(Y )) . Remarque 9.2.5. La dnition ci-dessus inclut la dnition 9.1.3 (les deux dnitions e e e concident dans le cas o` Y ne prend quun nombre dnombrable de valeurs). u e Proposition 9.2.6. Soit X, Y des v.a.r. et B tribu A, (i) si X est B-mesurable alors E(X|B) = X (ii) linarit : a, b R, E(aX + bY |B) = aE(X|B) + bE(Y |B) e e (iii) E(E(X|B)) = E(X) (iv) |E(X|B)| E(|X||B) (v) croissance : X Y E(X|B) E(Y |B), p.s. (vi) si X Y , E(XY |B) = E(X|B)E(Y |B) (vii) si X Y , E(X|(Y )) = E(X). Dmonstration. (partielle) e (i) X est B-mesurable et B B, E(X1B ) = E(X1B ) donc E(X|B) = X (ii) soit B B, E((aE(X|B) + bE(Y |B))1B ) = = = aE(E(X|B)1B ) + bE(E(Y |B)1B ) aE(X1B ) + bE(Y 1B ) E((aX + bY )1B )

et aE(X|B) + bE(Y |B) est B-mesurable (car la somme de deux variables B-mesurable est B-mesurable, cf. prop. 2.4.2), donc E(aX + bY |B) = aE(X|B) + bE(Y |B). (iii) B (car B tribu) donc E(E(X|B)) = = E(1 E(X|B)) E(1 X) = E(X) .

Proposition 9.2.7.

i) Si X, Y v.a.r. avec Y B-mesurable (B tribu A), alors E(XY |B) = Y E(X|B) .

 9.2. ESPERANCE CONDITIONNELLE ii) Si B1 , B2 tribus A avec B1 B2 , alors pour toute v.a.r. X E(E(X|B2 )|B1 ) = E(X|B1 ) .

85

Dmonstration. (i) Soit B B, la variable Y 1B est B-mesurable comme produit de vae riables B-mesurables ( cf. prop. 2.4.2), donc E(Y E(X|B)1B ) = E(Y X1B ) .

La variable Y E(X|B) est B-mesurable comme produit de variables B-mesurables ( cf. prop. 2.4.2. Do` le rsultat. u e (ii) Soit B B1 E(E(E(X|B2 )|B1 )1B ) = (car B B2 ) = E(E(X|B2 )1B ) E(X1B ) .

La variable E(E(X|B2 )|B1 ) est B1 -mesurable, do` le rsultat. u e Exemple 9.2.8. Reprenons lexemple 9.1.4. Soit 1 2 Z= 3 4 si si si si X X X X {1, 3} =5 {2, 4} =6 .

Remarquons que la connaissance de Z implique la connaissance de Y et que donc (Y ) (Z). Si {1, 3}, alors Z = 1 et E(X|Z)() = = Si = 5, Z = 2 et E(X|Z)() = = E(X1Z=2 ) P(Z = 2) 1 65 1 =5 .
6

E(X1Z=1 ) P(Z = 1) 1 6 (1 + 3) =2 . 2
6

De mme, E(X|Z)() = 3 si {2, 4} et E(X|Z)() = 6 si = 6. Calculons pour tel e que Y = 1 (cest a dire {1, 3, 5}) ` E(E(X|Z)|Y )() =
2 6

2+
3 6

1 6

= 3. De mme, pour tel que Y = 0 (cest a dire {2, 4, 6}) : E(E(X|Z)|Y )() = 4. Par e ` ailleurs, nous avons vu dans lexemple 9.1.4, E(X|Y ) = 3 4 si Y = 1 si Y = 0 .

Donc on a E(E(X|Z)|Y ) = E(X|Y ) comme annonc dans prop. 9.2.7, (ii). e

86

CHAPITRE 9. CONDITIONNEMENT

9.3
9.3.1

Exercices
Enoncs e

1) Soient X et Y deux variables alatoires relles indpendantes X de loi exponentielle de e e e param`tre 1 et Y de loi uniforme sur [0, 1] (cf. les autres exercices pour les densits de e e ces lois). (b) Calculer P(X Y 1). (a) Calculer P(X 3, X Y 1). (c) Calculer P(X 3|X Y 1). Cette probabilit est-elle plus petite ou plus grande e que P(X 3) ?

2) Soit p [0, 1]. Soit A0 le carr [0, 1]2 R2 . Lensemble A1 est un ensemble alatoire e e construit de la mani`re suivante : on dcoupe A0 en 9 carrs, chaque petit carr appartient e e e e a ` A1 avec probabilit p (indpendamment des autres). On recommence lopration sur e e e les carrs de A1 pour former A2 (de mani`re indpendante de ce qui sest pass avant) et e e e e ainsi de suite, on obtient des ensembles A1 , A2 , A3 , . . . . Si An = alors k n, Ak = . La gure ci-dessous reprsente une ralisation de A1 et A2 (hachurs) pour une certaine e e e valeur de p.

11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 00000 11111 111111111100000 000000000000000 111111111111111 000000000000000 1111111111 000000000011111 1111111111 0000000000 1111111111 0000000000 1111111111 0000000000 11111 00000

11 11 00 00 1111 0000 11 00 1111 0000 11 00 11 00 11 00 11 00 11 00 11 00 1111 0000 11 00 1111 0000 111111 000000 11 11 00 00 11 11 00 00 11 00

11 00 11 00 11 00 11 11 00 00 1111 0000 11 00 1111 0000 11 00 1111 0000 1111 0000 1111 0000 11 00 1111 11 0000 00 11 00 11 00 11 00

A1

A2

(b) En dduire que gZn (r) = f n (r) (n veut dire que lon compose n fois). e (d) Calculer f (0), f (1), f (1). Faire un dessin de f . (e) On suppose que p 1/9. i. Montrer que r [0, 1], gZn (r) 1.
n+ n+ p.s.

(a) Pout tout n, on note Zn le nombre de carrs de ct 1/3n formant An . Soit n 1, e o e u montrer que r [0, 1], gZn (r) = gZn 1 (f (r)) o` r [0, 1], f (r) = (pr + 1 p)9 . (c) Montrer que f est convexe (cest ` dire que sa drive est une fonction croissante). a e e

ii. En dduire que P(Zn = 0) 1. e e e e iii. En dduire que Zn 0. (On pourra considrer lvnement e
n+ n+

{ : Zn () 0} comme une runion croissante dvnements.) e e e

On pourra se reporter ` [Wil91] pour une tude plus compl`te de ce probl`me, appel a e e e e arbre de Galton-Watson . 3) (a) Soit Z variable alatoire positive relle telle que u, t 0, P(Z t + u|Z t) = e e P(Z u). Montrer que P(Z t + u) = P(Z t)P(Z u).

(b) Soit f (t) = P(Z t) pout t 0. On suppose que f est drivable. Montrer que e f (t) = f (0)f (t).

9.3.2

Corrigs e

(1) X et Y sont indpendantes donc la densit du couple (X, Y ) est le produit des densits. e e e

9.3. EXERCICES (a) Par Fubini-Tonelli 1x3 1xy+1 ex dx

x0,0y1

87

P(X 3, X Y 1) = =

1x3 ex dx
x0,0y1

=
0y1 x3

ex dx e
0y1 3

dx = e3

(b) Par Fubini-Tonelli 1xy+1 ex dx

x0,0y1

P(X Y 1) = =

ex dx
0y1 xy+1

= = e
0y1 1

ey1 dy (1 e1 ) = e1 e2

(c) Donc P(X 3|X Y 1) = P(X 3, X Y 1)/P(X Y 1) = e3 /(e1 e2 ) e3 = P(X 3). (2) (a) Calculons

gZn (r)

= E(rZn ) = E(E(rZn |Zn1 )) .

Dans lensemble An1 , on numrote les carrs (de 1 ` Zn1 ). On note pour tout e e a i {1, . . . , Zn1 }, Xi le nombre de carrs de An qui sont dans le carr numro i e e e ` de An1 . A Zn1 x, les variables Xi sont i.i.d. de loi B(9, p). Nous avons donc : e

gZn (r)

= = = = =

E(E(rX1 ++XZn1 |Zn1 )) E(E(rX1 |Zn1 ) . . . E(rXZn1 |Zn1 )) E(E(rX1 |Zn1 )Zn1 ) E(f (r)Zn1 ) gZn1 (f (r)) .

e a (b) Par rcurrence : gZn1 (r) = gZ0 (f n (r)). Or Z0 est constante gale ` 1, donc e gZ0 (r) = r, donc gZn (r) = f n (r). (c) Calculons f (r) = 9p(pr + 1 p)8 . La fonction f est positive (pour r [0, 1]) donc f est convexe (sur [0, 1]). (d) Calculons f (0) = (1 p)9 , f (1) = 1, f (1) = 9p.

88

CHAPITRE 9. CONDITIONNEMENT

9 (1p)

Fig. 9.1 Dessin de f pour un p < 1.9. (e) i. (Pas de dmonstration, on le voit sur le dessin.) e e e ii. Nous avons P(Zn = 0) = gZn (0) 1 par la question prcdente.
n+

iii. Soit Bn = { : Zn () = 0}. Si Zn () = 0 alors Zn+1 () = 0 donc Bn Bn+1 . Par runion croissante P(n0 Bn ) = limn+ P(Bn ) = 1 par la question e prcdente. Si n0 Bn alors Zn () 0, do` le rsultat. e e u e
n+

(3) (a) P(Z t + u|Z t) = = car {Z t + u} {Z t}. P(Z t + u, Z t) P(Z t) P(Z t + u) P(Z t)

(b) On drive par rapport ` u puis on fait u = 0 dans la rponse prcdente. e a e e e

Chapitre 10

Variables gaussiennes
Les variables gaussiennes sont tr`s utilise en modlisation ` cause de leurs proprits, e e e a ee que nous allons dtailler dans ce chapitre. e On se donne toujours un espace probabilis (, A, P). e

10.1

Dnitions et proprits e e e

Dnition 10.1.1. Une v.a. X a valeurs dans Rd est dite gaussienne si u Rd , u, X e ` est une v.a.r. gaussienne. (On dit aussi que X est un vecteur gaussien.) Thor`me 10.1.2. La loi dune v.a. gaussienne X = (X1 , . . . , Xd ) dans Rd est enti`rement e e e dtermine par le vecteur m = E(X) = (E(X1 ), . . . , E(Xd )) et la matrice carre X = e e e ((E(Xi Xj ) E(Xi )E(Xj )))1i,jd (dite matrice de covariance). On note Cov(Xi , Xj ) = E(Xi Xj ) E(Xi )E(Xj ) Sa fonction caractristique est alors e u Rd , (u) = E(ei
u,X

) = exp i u, m

1 X u, u 2

Remarque 10.1.3. Le symbole ., . est le produit scalaire usuel dans Rd . Pour u = (u1 , . . . , ud ) et m = (m1 , . . . , m2 ) : u, m = u1 m1 + + ud md . Proposition 10.1.4. les v.a. X1 , . . . , Xd sont indpendantes e X est diagonale

i = j, E(Xi Xj ) = E(Xi )E(Xj )

Dmonstration partielle. Supposons que X est diagonale. Ecrivons e

2 1 0 = ... 0

0 2 2 ... ...

... ... ... 0

0 ... . ... 2 d

Soient Y1 , . . . Yd des v.a.r. telles que Xj et Yj ont mme loi pour tout j et Y1 , . . . , Yd sont e 89

90 indpendantes. Calculons e

CHAPITRE 10. VARIABLES GAUSSIENNES

1 2 2 X (u) = exp i(u1 m1 + + ud md ) (1 u2 + + d u2 ) 1 d 2 = 1 2 exp iuj mj j u2 j 2 j=1

d d

=
j=1 d

Xj (uj )

=
j=1

Yj (uj )

(car les Yj ind.)

= (Y1 ,...,Yd ) (u) .

De mani`re analogue au thor`me 6.5.4, ceci prouve que X = (X1 , . . . , Xd ) et (Y1 , . . . , Yd ) e e e ont mme loi et donc X1 , . . . , Xd sont indpendants. e e Proposition 10.1.5. Soit X vecteur gaussien sur Rd . La loi de X a une densit (par rapport a la mesure de Lebesgue) si, et seulement si, e ` u Rd \{0}, u, X u > 0. Dans le cas o` X a une densit, celle-ci est u e x Rd 1 det(2X ) exp 1 1 (x m), x m 2 X .

10.2

Gaussiennes et esprance conditionnelle e

Thor`me 10.2.1. Soit (Y1 , . . . , Yn , X) un vecteur gaussien centr (cest a dire que E(Y1 ) = e e e ` = E(Yn ) = E(X) = 0). Alors, 1 , . . . , n R tels que
n

E(X|(Y1 , . . . , Yn )) =
j=1

j Yj .

De plus, pour toute fonction mesurable h : R R+ , E(h(X)|(Y1 , . . . , Yn )) =

R

h(x)

1 2 2

exp
n

(x m)2 2 2

dx

avec

Remarque 10.2.2. Comme expos dans la remarque 9.2.2, E(h(X)|(Y1 , . . . , Yn )) est une e v.a. qui scrit comme une fonction de Y1 , . . . , Yn . e Exemple 10.2.3. Calcul des i apparaissant dans le thor`me ci-dessus. e e Notons Z = E(X|(Y1 . . . , Yn )). Nous avons i {1, . . . , n}, E(ZYi ) = E(XYi ) = Cov(X, Yi ) . Et par ailleurs
n

2 = E X

n j=1

2 j Yj , m =

j E(Yj ) .
j=1

E(ZYi ) = =

E
k=1 n

k Yi Yk k Cov(Yi , Yk ) .

k=1

 10.2. GAUSSIENNES ET ESPERANCE CONDITIONNELLE Donc 1 Y . . . = n 1 ... = n Cov(X, Y1 ) ... Cov(X, Yn ) Cov(X, Y1 ) . ... 1 Y Cov(X, Yn )

91

92

CHAPITRE 10. VARIABLES GAUSSIENNES

Annexe A

Table de la loi normale

93

94

ANNEXE A. TABLE DE LA LOI NORMALE

Bibliographie
[DRR06] Pierre Del Moral, Bruno Rmillard, and Sylvain Rubenthaler. Une introduction e aux probabilits. Ellipses, Paris, 2006. e [Dur96] [ea07a] [ea07b] [JP03] [Wil91] Richard Durrett. Probability : theory and examples. Duxbury Press, Belmont, CA, second edition, 1996. Jean-Pierre Marco et al. Mathmatiques L1. Pearson Education, rst edition, e 2007. Jean-Pierre Marco et al. Mathmatiques L2. Pearson Education, rst edition, e 2007. Jean Jacod and Philip Protter. Lessentiel en thorie des probabilits. Cassini, e e Paris, 2003. David Williams. Probability with martingales. Cambridge Mathematical Textbooks. Cambridge University Press, Cambridge, 1991.

95

96

BIBLIOGRAPHIE

Index
Ac , 5 Lp , 71 1, 9 E, 45 , 5 . , 71 . , 26 , 1, 2, 10, 35 59 , ., . , 89 B(.), 48 B(., .), 48 + Cb (Rd ), 47 C 1 , 35 E(.), 49 G(.), 48 N (., .), 49 P(.), 48 U(.), 48, 49 , 33 P, 41 -ni, 21 (.), 5, 60, 84 , 50 , 26, 37, 62 f 1 (A), 2, 10 alas, 5 e Application mesurable, 10 Bijection, 1 Binme de Newton, 46 o Borliens, 6 e c`dl`g, 13, 42 a a Calcul de loi, 47 Calcul de volume, 37 Changement de variable, 35 Convergence Lp , 71 troite, 71 e en loi, 71 en probabilit, 71 e troite, 71 e presque s re, 21, 71 u simple, 21 Convolution, 26, 37, 62 Coordonnes polaires, 36 e Covariance, 89 Densit, 11, 34, 42, 47 e Diomorphisme, 35 e Dirac, 14 Ensemble dnombrable, 1 e Ensemble ngligeable, 17 e Esprance conditionnelle, 83, 84 e Espace complet, 17 Espace mesur, 6 e Espace mesurable, 6 Espace probabilis, 41 e Esprance, 45 e e Evnement, 5 e Evnements indpendants, 59 e Fonction tage, 9 e e Fonction caractristique, 49, 63, 74 e Fonction de rpartition, 13, 42 e Fonction gnratrice, 50, 63 e e Fonction indicatrice, 9 Fonction intgrable, 9, 10, 12 e Fonction test, 47 Fubini, 33 Gaussienne, 89 i.i.d., 72 Indpendance, 89 e Ingalit e e de Bienaym-Tchebichev, 48 e de Jensen, 28, 48 de Markov, 11, 48 Injection, 1 Intgrale multiple, 34 e Intgrabilit, 10, 12, 45 e e Intgrale e dune fonction tage positive, 9 e e dune fonction mesurable positive, 10 de Lebesgue, 12 de Riemann, 12, 36 Intgrales dpendant dun param`tre, 25 e e e Intgration sur N, 25 e Intersection dcroissante, 7 e Lancer de d, 41, 83, 85 e Lemme de Borel-Cantelli, 61 Lemme de Fatou, 23 Loi binmiale, 48 o de Bernoulli, 48 97

98 de Poisson, 48 exponentielle, 49 faible des grands nombres, 72 forte des grands nombres, 73 gomtrique, 48 e e gaussienne, 49 normale, 49 uniforme, 48, 49 Loi dune variable alatoire, 41 e Lois classiques, 48 Lois discr`tes, 48 e Matrice de covariance, 89 Matrice jacobienne, 35 Mesurabilit, 10, 21, 60, 84 e Mesure, 6 Mesure dune intersection dcroissante, 7 e Mesure dune runion croissante, 7 e Mesure de Lebesgue, 8 Mesure de probabilit, 6, 41 e Mesure image, 10, 41 Mesure produit, 33 Modlisation, 5, 41 e p.p, 17 p.s., 17 presque partout, 17 presque s rement, 17 u Probabilit, 41 e Probabilit conditionnelle, 83 e Runion croissante, 7 e Singleton, 6 Sondages, 75 Surjection, 1 TCL, 74 Thor`me e e central-limite, 74 de comparaison, 11 de continuit globale sous lintgrale, 26 e e de continuit sous lintgrale, 25 e e de convergence domine, 24 e de convergence monotone, 22 de drivation globale sous lintgrale, 27 e e de drivation sous lintgrale, 26 e e de Fubini, 33 de Fubini Tonelli, 33 de Moivre, 76 Tribu, 5 Tribu complte, 17 ee Tribu des Borliens, 6, 33 e Tribu engendre, 5, 60, 84 e Tribu produit, 33 Tribu, plus petite, 5, 33 Univers, 5 v.a., 41

INDEX v.a.r., 41 Variable alatoire, 41 e Variable alatoire intgrable, 45 e e Variable nie p.s., 45 Variables indpendantes, 59 e Variables indpendantes identiquement dise tribues, 72 e Variance, 46 Vecteur gaussien, 89