Académique Documents
Professionnel Documents
Culture Documents
Probabilités Exercices Et Corrigés
Probabilités Exercices Et Corrigés
Exercices corrigs
Herv Carrieu
Collection dirige par Daniel Guin
El
SC I ENCES
Imprim en France
ISBN : 978-2-7598-0006-3
Tous droits de traduction, dadaptation et de reproduction par tous procds rservs pour tous
pays. Toute reproduction ou reprsentation intgrale ou partielle, par quelque procd que ce soit, des
pages publies dans le prsent ouvrage, faite sans lautorisation de lditeur est illicite et constitue une
contrefaon. Seules sont autorises, dune part, les reproductions strictement rserves lusage priv
du copiste et non destines une utilisation collective, et dautre part, les courtes citations justifies
par le caractre scientifique ou dinformation de luvre dans laquelle elles sont incorpores (art. L.
122-4, L. 122-5 et L. 335-2 du Code de la proprit intellectuelle). Des photocopies payantes peuvent
tre ralises avec laccord de lditeur. Sadresser au : Centre franais dexploitation du droit de copie,
3, rue Hautefeuille, 75006 Paris. Tl. : O 1 43 26 95 35.
@ 2008, EDP Sciences, 17, avenue du Hoggar, BP 112, Parc dactivits de Courtabccuf,
91944 Les Ulis Cedex A
Int ro d uc t ion
Thorie d e la mesure
II
Intgration
III
Mesure d e probabilit
19
IV
Indpendance
41
73
VI
99
123
139
INTRODUCTION
I
THORIE DE LA MESURE
noncs
1.1 Soit E une partie (fixe) dun ensemble
R,et soit
& = ( A P ( R )A
: CE}
Dterminer lalgbre de Boole engendre par 1.
1.2 Si Al et
A2
R?on pose
ouil(
r t Ir dr E
f-l(r;) =
E W torricdr:r( I U, = {
u, nli>ll,
j,;~(v,).
111
(/(I.
I-;
CHAPITRE
I. T H I ~ O RDE
I ELA
AIESURE
1.5 Si x = (21,.. . ,xn) E IRn, on note +(x) le vecteur x ordonn par ordre
croissant, i.e. dans le cas o tous les x2 sont distincts, on a +(x) = (XI,,,. . . , xn,,),
o XI,, = min1121nx, et
x,,,=min({x,
Montrer que
2 5 i ~ n .
+ est mesurable.
1 = X([0,1]) I X(
( A + T ) )I X ( [ - 1 , 2 ] ) = 3 .
ram] -1,1[
En utilisant la 0-additivit de A, montrer que cette ingalit conduit dune part
a = O, dautre part a > O. Conclure.
1.7 Thorme dEgorov.
Soit (Q, A, p ) un espace mesur tel que p(R) < 00 ; on considre des applications
f , f,, n E N, de R dans IR, telles que f, + f p-p.p., cest--dire, telles que
P({W
a) Pour n E N et
E,,,
: f n ( 4 74
f ( 4>) = 0 .
= {w E
: Ifn(w) - f ( w ) l
E }
et
<
I f n W - f ( 4 5 E.
2
Up>i
O\A.
1.8 Soit (0,A, p ) un espace mesur. Une partie N C R est dite pu-ngligeablesi
elle est contenue dans un ensemble mesurable A tel que p ( A ) = O. La tribu B est
dite complte pour p si elle contient tous les ensembles ngligeables.
Si N dsigne lensemble des parties p-ngligeables, soit
,A,=
{ A u N ;A E A , N E N } .
Solutions
1.1 Notons A lalgbre de Boole engendre par &. I1 est clair que A contient
toutes les parties de E et toutes les parties de R contenant , cest--dire :
{ A E P ( f l ) ,A
cE
ou A 2 }.
A = { A E P(G), A c E
OU
A 3 E}.
AnE=E
OU
AnE=0.
a ( 3 ) = a(A1u A2) = a ( U ) .
1.3 Soit M lensemble
= { A E A,
VWE
~ Ai, A,,
S2 E M car
0 2
A1
E A2}.
8 A2.
E Az.
(A),,
w1
E 01, on a
= ( A w l )E A2.
w1
E R I , on a
w Ef-yU)
f(w) E u
iimfn(w) E U
n
++
unK ( W .
r,m n
CHAPITRE
I. THGORIE
DE
on a ncessairement
do
I. 7
a) Notons E lensemble mesurable sur lequel la suite dapplications converge
et soit E strictement positif. Par dfinition, on a
MW E E , 3n E N,MVL 2 n,
Ifm(W)
-f
( ~ ) l < E.
Autrement dit
Remarquons que cet vnement de mesure nulle est dcrit comme linterGm,e)n
section dune suite dcroissante dvnements, car la suite
est dcroissante, et la mesure p tant finie, on a (voir Proposition
1.4.3.(iv)) :
sO L 11'1 I ON S
11) Soit 6
> O et no E N vrifiant
I f n ( 4 - f ( 4 l < E.
> O et soit po
N vrifiant l / p o < E . On a
w $ A = = = + ' dWE&.
p,
- f(w)l
I - < E.
P
\ A.
A, = A; NA, avec A: E A, NA
c N:
E A et p ( N n ) = O.
On a
Ed
EN
o u,NA E N car
avec Al E A, Ni C N2
et
p ( N 2 ) = O.
7
On a
I1 est clair que Al E A et d'autre part
K=ZU(%\K).
_ _
Or Ni
--
A = ( & n x ) u (&n
EA
(K\%))
E A,.
EN
II
INTGRATION
11.1 Un exemple de fonction Lebesgue intgrable qui nest pas Riemann intgrable : f(z)= llQn[o,l](II:), II: E [ O , 11. Montrer que J f d X = O mais que f nest
pas Riemann intgrable sur [O, 11.
11.2 Soit (Cl, A , p ) un espace mesur, et soient A et B deux lments de A.
Examiner le lemme de Fatou sur lexemple suivant : f 2 n = n A , fzn+1 = 1,.
11.3
m=J
&+),
I
a = JI
I I : ~d p ( x ) -
m2, b =
J+
- mI2 dP.(II:),
(i - m ) + Sr x(1 - x)d p ( x ) .
CHAPITRE
II. INTGRATION
11.5 Soit C,"(IR) l'ensemble des fonctions sur IR, infiniment diffrentiables,
support compact. Montrer que si A est intervalle ouvert, alors n A est limite simple
de fonctions dans Cy(IR),majores par 1.
Iridirtitiorr
or) pour
d'nbortl torr,id(+
c x p ( - ~ / n . ( i - J))
si
.x'
E ] O, 1[
. si
1'
# ] O . 1 [.
+ sin(nt) ,
t E IR, n
N.
10
p = (2,)-l
JF(2+ sinu)-ldu.
dmontrer aue
11
CHAPITRE
II. IVTGIIimox
Solut ions
II. 1 Lensemble Qn[O, 11 est dnombrable, donc de mesure de Lebesgue nulle.
La fonction f est nulle A-presque partout donc son intgrale de Lebesgue est
nulle.
En revanche si E dsigne lensemble des fonctions en escaliers sur [O, 11, on a
Ce qui prouve que la fonction f nest Riemann intgrable sur [O, 11.
et fzn+l = IB,on a
Le lemme de Fatou :
P ( A n B ) 5 inf{ P ( A ) ,P ( B ) } .
11.3 Par des calculs lmentaires, on obtient
v = a et
1
b=--a
Dautre part JI x(1 - x)dp(x) 2 O car la mesure p est porte par [O, 11. Donc
b est positif et a 5
Si p = $(ao 6,) alors m = 1/2 et on a
i.
b=
( 1- 2
+ J; z(1 - x) d p ( x ) = O.
m)2
m = i/2
et
JI
x(1 - x)dp(x) = O.
Ainsi, la mesure p est porte par lensemble {O, 1}. Dautre part
donc p(0) = p(i), do p =
+SI).
12
II z dx = 1/2,
O
( f -fn>+
(f-fn)+
-On-tcc
et
l(f
fn)+l
(f
- fn)+
5 f intgrable
d'o
Donc a(Cg(IR)) contient tous les intervalles ouverts. De plus tout ouvert est
runion dnombrable de ses composantes connexes qui sont des intervalles ouverts donc a(CK(IR)) 3 B(IR). Le caractre minimal de a(C#(IR)) implique que
a(Cg(R) = B(IR).
O
Par convergence domine, on a
CHAPITRE
II. INTBC:R.L\TION
11.6 Notons g =
2 et f 8.
On peut crire
=
Pui
<
P2 -43P3.
9
f
(11.1)
Donc
~ 1las,
< P2 3c P l .
s
dP2 =
E t le rsultat prcdent donne f ( t ) . g ( t ) = 1. On a donc bien dpl
(E)-
O
14
SOLTJTIONS
Vf E L, A ( f ) =
J f ( t ) h ( t d) t .
O
,Olt<i/n
, t > i/n.
Quel que soit n , la fonction f n est continue et donc pour tout n E N,A ( f n )=
f n ( 0 ) = 1. Or la fonction f n h converge simplement vers O sur ]O, l] et
V n E N, Ifnhl 5 Ihl.
Do, par convergence domine,
n
L1
c (Lrn)*.
f ( t ) a n ( t d) t = 2
f ( t )d t
11.8
Ju
f ( t )sin(nt) d t ,
On obtient donc
f ( t ) sin(nt) d t
n-++co
0,
15
et finalement :
do
Soit
f k ( t ) dt
__+
Ic-tcc
J
; f ( t )d t , on peut crire
(11.2)
pour IC et n suffisamment grands. On dduit de (11.2) que
O
1)) tudions au pralable lintgrale
n(b-a)
16
JO
2n
2+
du = sinu
n o
du
> O car
de val/un(t), on
1
du
sinu
> O,
1
du,
nO donc
1
2.rr
+ sinu du.
Pour f en escalier sur [O, 11, c'est--dire constante gale ai sur ]ai,aisi [,
o uo = O < a1 < . . . < UNS1 = 1, on a
du
n+CO
du
27r
1'
f ( t )d t .
dt
dt
Q(A)I
= P ( A ) - Q ( A )=
J f ( t > d t )dt.
-
17
CHAPITRE
II. INTEGRATION
do
IIP - QI1
E+ = {f 2 g }
et
E-
= {f
On a
On en dduit
do lgalit
18
$ J I f ( t )- g ( t ) l d t = IIP - QI[.
<g}
= E+
III
MESURE DE PROBABILIT
noncs
111.1 Un tiroir contient n paires de chaussures. On choisit au hasard 27- chaussures (2r 5 n ) . Quelle est la probabilit qu'il n'y ait parmi ces 2r chaussures
aucune paire complte ? Quelle est la probabilit qu'il y ait exactement k paire(s)
complte(s) (1 5 k 5 r ) ?
111.2 Soit X une variable alatoire valeurs dans un ensemble M muni de la
tribu de ses parties, telle que P { X = z} > O pour tout z E M . Montrer que M
est fini
011
dnombrable.
passant par M .
1)) On fixe A sur le cercle et on choisit B selon la probabilit uniforme sur le
cercle.
111.4 La plupart des ordinateurs disposent d'un algorithme permettant de simuler des variables alatoires uniformes sur [O, 11. Supposons donc savoir tirer une
Utiliser la Proposition 111.2.7 pour simuler une
variable alatoire de loi 24[0,1~.
variable alatoire de loi
a) exponentielle de paramtre 1,
1, et F ( z ) = O si z 5 1
1
P { X = k } = -P{Y
4
pour tout k , o T
paramtre 2.
=k}
3
+ -P{T
4
= IC}
=
2-
sc -
C I l k i n
1
x
C i < k < n ( ~ k 'I2
-
>
=;
C l < k l n Uk
2 -
su -
1
x
Cl<k<n(Uk
'I2
Calculer la variance de
uc(k),
Cllklnuk.
20
# 1).
+ +
VarXl
C0V(X,,Xj) = -~
d-1 '
i#j.
Dmontrer qu'un tel rel existe toujours, mais qu'il n'est pas ncessairement
unique. Prouver que si X est intgrable et m est une mdiane de X,
E(IX
ml) = inf{
E(IX
al) : a E R } .
21
CHAPITRE
III. ~ I E S U RDE
E
PROBABILIT
(n,A, P )
(1 - X ) E ( X )I E ( X q A E ( x ) , c o [ ( X>) )
et en dduire, par lingalit de Cauchy-Schwarz, que
111.11 Si P est une mesure de probabilit sur {1,2,. . . , n } , on dfinit lentropie de P par H ( P ) = -C15k<npklogpk o p k = P ( { k } ) ,avec la convention
OlogO = o.
Montrer que H est valeurs dans IR et trouver P telle que H ( P ) = O. Dmontrer
que la mesure uniforme sur { 1 , 2 ,. . . , n } ralise le maximum de H .
Si P est une mesure de probabilit sur N,on dfinit de mnie son entropie par
H(P)= p , logp,. Montrer que H est valeurs dans R+ U { cc }. Quand
sannule-t-elle? Dmontrer que la loi gomtrique de paramtre p , O < p < 1,
ralise le maximum dentropie sur lensemble des mesures de probabilit sur N de
moyenne infrieure ou gale (1 - p ) / p .
Si P est une mesure de probabilit sur (R,B(R))de densit f par rapport la
mesure de Lebesgue, on note H ( P ) = f ( z )log f ( z ) dz lorsque cette intgrale a
un sens, H ( P ) = cc sinon. Calculer lentropie de la loi normale N(0,l).Dmontrer
quelle minimise lentropie de toute mesure de densit f vrifiant
x f ( z ) dx = O
et JR x 2 f ( z )dz = 1.
-
xnEW
sR
log(f(x)/g(x))f(.r)dr
2 o.
22
En dduire que si f admet des drives f('), . . . , f(') intgrables, alors Ipx(t)l =
o(ltlp') lorsque t + 00.
111.14 Soit P la mesure de probabilit sur Z dfinie par
P=C-n2log n (6, + L)
C
n>2
Dmontrer que f ~ ( t 5
) t N et que g N ( t ) 5 l / t N l o g N . Trouver une fonction
t H N ( t ) de [ O , 00 [ dans N telle que 1imt-o f N ( t ) ( t ) = 1irnt-o g N ( t )( t ) = O. En
dduire que cp est drivable en O.
111.15 Soit f une densit sur Et, paire (i.e. f(z)= f ( - z ) ) , de fonction caractiiristique y . Pour z > O, soit g(z) = J", t p ' f ( t ) d t et poser g(-z) = g(z). Montrer
p ( s ) ds.
que g est ilne densit dont la fonction caractristique est t-'
Ji
23
CHAPITRE
III. ~II.:SLIJIIC
DE
PRO~~AI~ILITJ?
Solut ions
111.1 On peut supposer que toutes les parties 2 r lments de lensemble
des chaussures ont la mme probabilit dtre choisies. Cette hypothse
nous conduit modliser cette exprience alatoire par lespace probabilis
(O, ?(a),
P), o O dsigne lensemble de toutes les parties 2 r lments dun
ensemble 2 n lments et o P est la probabilit uniforme (quiprobabilit).
Si A c O reprsente lvnement { il ny a aucune paire complte parmi les 27chaussures choisies } alors
(E)
P(B) = card(B)
() ( n-k
k
)22T-2k
2r-2k
card(R)
P{X E
(1711. . .
M=UMn,
n>l
lensemble M est donc une runion dnombrable densembles finis. I1 est donc
au plus dnombrable.
O
fi.
a) On note 11 le milieu du segment 01. Pour que la corde soit plus grande
que f i ,il faut et il suffit que le point M soit sur le segment 011. On
trouve donc une probabilit de 1 / 2 .
24
c) Lors de cette construction, pour que la corde AB soit plus grande que
4,il faut et il suffit que le point M soit dans le disque centr en l'origine
-=
1/4.
+ z),
2)
CkEN
P{X
= k} =
1. Or
Donc a = 3 / 2 et
i e2zk
P { X = IC} = -4 k!
+ -34 e22'-lk
IC!
On peut crire
1
P{X = IC} = -P{Y = k )
4
3
+ -P{T
4
= k},
25
o on a pos
e-22k- 1 k
e-22k
P{Y = k } = - et P { T = k } =
k!
k!
Autrement dit T = 1 2 et 2 suit une loi de Poisson de paramtre 2, tout
comme Y. On sait alors
E ( T ) = 1 E ( 2 ) = 3, E ( Y ) = 2 et
On en dduit E ( X ) et E ( X 2 ):
1
3
E ( X ) = -JkP{Y
= IC}
IC20
+ &{T
=k}
k20
1
4
1
= -E(Y)
E ( X 2 )= -
k20
k20
1
4
= -E(Y2)
3
+ -E(T2).
4
6 33 39
E ( X 2 )= - + - = - et Var(X)
4
39
4
= --
(y)2 E.
=
111.6 Signalons labus de notation utilis ici pour dsigner la variable alatoire u ~ ( On
~ ) pourrait
.
noter celle-ci X k , dfinie sur R , lensemble des permu-
26
(111.1)
k=l
k<l
n.
111.7 La variable alatoire 2 ne prend que des valeurs positives et pour t > O,
on a
P { Z 5 t } = P { X 5 lnt} = Q>(lnt),
27
F Z ( t )=
Q(1nt)
si t > O
sinon.
Elle est continue sur R, drivable sur R*. La variable 2 admet donc une densit,
obtenue en drivant F Z . On obtient
sit>O
sinon.
Pour a E [-1, 11, la fonction fa dfinit bien une densit de probabilit sur R+
car elle est positive et
fa(t) dt = 1. Pour vrifier cette dernire galit, il
suffit d'crire
su'"
L'galit (*) tant la formule de transport (voir Thorme 11.4.1) et la dernire esprance est nulle car la densit de X est paire.
Soit alors une variable 2, ayant fa pour densit. On vrifie sans difficult que,
quel que soit l'entier k , 2, et 2 admettent un moment d'ordre k . De plus
E ( Z t )=
t k f f z ( t ) (+l asin(2.irlnt)) dt
= E(Zk) a
i+OO
tkfz(t>
s i n ( 2 In
~ t )dt.
t k f z ( t )sin(2.ir l n t ) dt = E ( Z ksin(27r In 2 ) )= E ( e k x s i n ( 2 ~ X ) )
28
Les deux variables 2 et 2, ont donc les mme moments mais ne suivent pas la
mme loi car leur densits respectives sont distinctes. Cet exemple illustre le
fait que les moments ne caractrisent pas la loi dans le cas o la variable nest
pas borne.
+ +
E(X1)
+ . .. + E ( X d ) = 1 = d E ( X 1 ) ,
De mme X I ( X l
1
d
donc
E ( X i ) = -.
d
- = E(X1)
La dernire galit se justifiant par le fait que X1X2 suit la mme loi que X i X j
quel que soit i # j . (I1 suffit de considrer lapplication
et de remarquer que
1
E(X3
1 par (111.2)
d(d-1)
d-1
d2
- d - d2 E ( X S ) - (d - 1)
d2(d - 1)
l
d
2
E
(
XS) - 1 ( 1
- - E(XS)
d2(d- 1)
d - 1 d2
)
29
111.9
/u
E ( I X - bl) - E ( I X - a ( ) =
/u
P{X
I x}-P{X 2 x } d x =
$(z)dx.
n[t,+,[(x(w)) et nl-,,tl(X(w))
, si X ( w ) 2 b
, si X(w) 5 a
, si X ( w ) 5 a
- bl
U-l-m,t](X(~))d t =
si X ( W ) ] a ,b[
, si X ( w ) 2 b
7
puis que
( X - bl
IX
- bJ - IX - l =
la - bl
30
IX - al , si X ] a ,b[
,siX>b
, si X 5 a.
SOLCTIONS
On obtient alors :
et
On soustrait et on obtient
E(IX-b\)-E(IX-al)
Jr
P{X
<: t } - P { X 2 t } d t =
Lb
$(t)dt. O
E ( ( X - ml) - E ( ( X - ml) =
et si m
# a,
$ ( t )d t
= O,
Finalement
Lrn
- a ( )- E ( ( X - mi) =
$ ( t )d t 2 O.
x = Xn{X>aE(X)}+ x n { X < a E ( X ) }
et
E(Xn{X<aE(X)})
ia E ( X ) ,
do
32
SOLI 1IOhS
111.11 Lexpression H est une somme de termes positifs donc elle est valeurs dans IR+.Dautre part
H ( P )=
Si P est la loi uniforme sur (1, . . . ,n}, alors H ( P ) = in(n). On vrifie maintenant que si Q est une mesure de probabilit sur (1,. . . ,n} alors H ( Q ) =
q k In q k I
ln(n). Pour cela, en utilisant la concavit de la fonction In,
on remarque que, quelles que soient les distributions (pk) et ( q k ) sur (1,. . . ,n},
cest--dire
l<k<n
l<k<n
H(Q)= -
q k In(qk)
5 1n(n).
l<k<n
On considre maintenant une mesure de probabilit sur N, note P. Lexpression H ( P ) est encore valeurs positives (ventuellement 00 si la srie diverge)
et
H ( P )=
pk In pk = O ssi lun des pk vaut 1.
k/O
k20
4
4
= - l n p - - lnq.
(1- d2
P
On observe maintenant que lingalit (111.4) est valable pour des sommes infinies. Plus prcisment, si pour tout k entier, P ( k ) = pk et Q ( k ) = q k dfinissent
des mesures de probabilit sur N)alors
= - lnp - p l n q
(III.5)
33
Pour montrer ceci on utilise lingalit l n ( l + z ) 5 z,valable pour tout z > -1.
0I
Qk ln(qk) -
k20
Qk WPk)
k20
= -H(Q) -
qk
ln(P>-
k>O
qk
kin(!!)
k>O
= - H ( Q ) - ln(P) -
qk kln(q)
k20
<
-H(Q)
- ln(p) -
1n(q).
(111.5) :
Do
34
O LL i T I O N S
JR
1
H ( P ) = - in (6
-)
5 In ( f ( z ) )f ( x )dz.
Cette fonction
s,
cp(t) = 1
i x eitx-x2/2dx.
On en dduit donc
1,
+W
eitZ f ( z ) d x
t4cc
O.
35
i[a,b],
+m
eitx f ( x )d x =
itb -
eitx
cita )
-+
t+co
o.
On peut tendre ce cas particulier toute combinaison linaire finie dindicatrices dintervalles borns (appelle fonction e n escalier).
Dans le cas gnral, pour f E L(Et), on considre une fonction en escalier qui
approche f dans LI. (Par densit des fonctions en escaliers dans (L(Et),11.11i).)
( O n remarquera quune indicatrice dun ensemble mesurable ou quune fonctaon tage intgrable est un objet a priori beaucoup plus compliqu quune
fonction e n escalier et que le cas de telles fonctions rentre dans le cas gnral
des fonctions L .)
Soient alors E > O, g en escalier vrifiant
eitx g ( x ) dzl < ~ / pour
2
tout t > to.
On a
JR
If(.)
- g ( x ) l d x < ~ / et
2 t o tel que
5~ / +
2~ /=
2 E pour t > to.
Le rel
Leitxf(x)dx
-+
t+m
O.
ts
lx
f ( t ) dt
admet une limite quand x tend vers +CO, donc f admet une limite en +00 et ncessairement cette limite est nulle pour que f soit intgrable. Le mme raisonnement est valable pour -00. Une intgration par parties dans JR eitx f ( x )d x
36
donne
Ces calculs se gnralisent sans difficult si les drives f(),. . . , f() sont intgrables pour obtenir le rsultat
pX(t) = o ( J t J - ) quand t
-f
00.
111.14 Notons X une variable alatoire dont la loi est donne par la meest divergente et donc X nest pas
sure P. La srie (de Bertrand)
intgrable :
cn
E(lXl>=
= 00.
c&
nGZ, In122
Donc X nadmet pas de moment dordre 1. Nanmoins, sa fonction caractristique <p est drivable en O comme le prouvent les calculs suivants :
par consquent
d i >- d o ) 2 C
t
c(cos(tn) - 1)
c sin2(nt/2)
= -4>:
tn2lnn
tn21nn
7122
n22
- 4C(fN(t)
+ gN(t))
(111.7)
Dautre part
On pose alors $ ( t ) =
clair que limt,o
t&G@
1
t N ln(N) *
i i J $ d u =
tlnN N
(III.S)
t-to
N(t).
37
De plus
I
et
cp(t)-
= -4c(fN(t)(t)
t
et donc cp est drivable en O avec cp'(0) = O.
+ gN(t)(t))
tzo0,
O
++
fo
f (t) <
O57
t - U
t
f(t) est intgrable sur [a,
+CO[ et ainsi, g est dfinie en a et g(a) 2 O.
v a > O, Y t
donc t
IR+*.En effet :
2 a,
La fonction g tant paire, pour vrifier qu'elle est une densit de probabilit,
g(z) dz = 1/2. D'aprs le thorme de Fubini-Tonelli
il faut vrifier que
(voir Thorme 11.5.1)
so"
1'"
f ( t ) dt = 1/2,
eitYg(y)dy=
38
21
O
f"
cos(ty)g(y)dy,
Y OLTri-I O N s
s,
+W
cos(tx)f ( x )dx
= p(t)
Dautre part, p tant continue, la drive du second membre vaut p(t). Lidentit (111.9) tant valable pour t = O, on en dduit que
39
IV
INDPENDANCE
noncs
IV.1 Une urne contient T boules rouges et b boules blanches. On tire ces boules
une une, sans remise, jusqu puisement. Pour O 5 k 5 b, quelle est la probabilit pour quexactement k boules blanches soient tires avant la premire boule
rouge ?
IV.2 Deux joueurs A et B jouent une suite de parties indpendantes. Lors de
chacune delles, ils ont respectivement les probabilits p pour A et q = 1- p pour
B de gagner. Le vainqueur final est celui des deux joueurs qui IC premier obtient
2 victoires de plus que son adversaire. Quelle est la probabilit pour que A soit
vainqueur ?
IV.3 Soit R = [ O , 11 muni de sa tribu borlienne et P la mesure de Lebesgue
sur [ O , il. Soit, pour tout n 2 1,
IV.4 Soient X et Y deux variables dfinies sur (O, A, P ) ,ne pouvant prendre que
deux valeurs distinctes. Montrer que X et Y sont indpendantes si et seulement
si E ( X Y ) = E ( X ) E ( Y ) .
CHAP
ITRE IV. IN LII? P E N D A N c' 1;
IV.5 Soit X une variable alatoire relle et soient f et g deux fonctions croissantes de IR dans R. On suppose que E(f(X)2)< 03 et E ( g ( X ) 2 )< 00.Dmontrer
que
E ( f ( X ) g ( X ) ) 2 E ( f ( X ) ) E ( d X ).)
IV.6 Soient X et Y deux variables alatoires indpendant>es,de mme loi ex6' > O. Dterminer les densits des
ponentielle de densit f e ( x ) = Beezll~o,co[(x),
lois de X 3 , IX - YI, m in(X, Y 3 ) .Mme question lorsque X et Y suivent la loi
uniforme sur [ - 1,11.
IV.7 Soient F et G deux fonctions de rpartition et U une variable alatoire de
loi uniforme sur ] O, 1 [. Montrer que V ( x ,y) = min(F(z), G(y)) est la fonction de
rpartition du vecteur alatoire (F'(U), G+(U)).En particulier, V est de marges
F et G.
Montrer que si W est une fonction de rpartition sur R2 de marges F et G, alors
H 5 V.
IV.8 Soient Xi, 1 5 i 5 n, des variables alatoires indpendantes, X i tant
de fonction de rpartition Fi. Soit m, = min1ri5,Xi et 111, = maxl<i<,Xi,
_ _
Montrer que la fonction de rpartition de Ad, en x est
Fi(x),que celle de
rn, est 1 - Fi(.))
et
que
_ -
n,,,,,(i
42
IV.9 Soient X I ,
. . . ,X , des variables indpendantes de mme loi exponentielle
de paramtre 1. Montrer que P{ 3 i ,j : Xi = X j } = O. On pose
2 = min X i
l_<isn
et
= min{ 1 5 i
5n
Xi
= Z}
IV.10 Soit P une loi sur R dont on suppose qu'elle admet une transforme de
Laplace L ( t ) = J etxd P ( z ) pour It1 petit. Soit P*, la n-ime convolue de P
avec elle-mme, dfinie par P*' = P et P*, = P*(,-')* P (i.e. P*, est la loi
d'une somme de n variables alatoires indpendantes de loi P ) . Soit t tel que
dPt
etx
L ( t ) existe et soit Pt la loi dfinie par sa densit - = -.
Montrer que Pt7'
dP
L (. t. )
dP;" - etx
admet une densit par rapport P*" donne par - . Montrer que
dP*"
L(tp
~ * ' ~ ( [oo
z ,1) 5 etxL(t)nPtn([z,
cc [) pour t > O (comparer ctte ingalit avec
celle de Chernoff, Exemples III.4.lO.iii).
I V . l l On appelle loi gamma de paramtre p > O et on note rp la loi de densit
yp(z) = (r(p))-lzP-leX sur R+, o qP)
assure que J "i?>(z)
dz = 1. Montrer que
r ( p ) = ( p - l)l?(p - 1) et que pour p entier, r ( p ) = ( p - l)!.
Montrer que rp* r4= rptq.En dduire la loi de AI
+ . A, o les A, sont des
variables alatoires indpendantes et de loi exponentielle de paramtre 1.
est (1 - i t ) - p .
Montrer que la fonction caractristique de la loi
Soit maintenant (X,),,, une suite dc variables alatoires indpendantes et de
. . . + X, leur somme. Pour t 2 O, soit
mme loi exponentielle. Soit S, = XI
N ( t ) = card( i : S, 5 t }. En valuant P{ N ( t ) 2 k } , montrer que N ( t ) suit une
loi de Poisson de paramtre t .
+ +
IV.12 Soient X I ,. . . , X,, Xn+i des variables alatoires indpendantes de loi exponentielle de paramtre 1. Calculer la loi de la somme Sk = X I . . . X k ,
1 5 k 5 n + 1. Dmontrer que la loi du vecteur ( U I ,. . . , Un) dfini par
Ui = Si/Sn+l,
i = 1,.. . , n, a une densit par rapport la mesure de Lebesgue
sur Rn donne par n! ID,o
+ +
21
5 . . . 5 2, 5 1 } .
43
CHAPITRE
IV.
INDlh'ENDXNCE
<
< <
<
<
densit
fz,,(z) =
ic,f(z)F(z)'-l(i
-q
J:
E IR.
P{ xi,, I
z;Xifl,,
> y } = C",(.)Z
(a)
(1 - F ( y ) y .
c ) Soit &+I,,
densit
= Xi+l,,
-Xi,,.
&+I,,).
+ s)F(..)Z-'(l - F ( z + s ) )
n-2-1
admet pour
,
z E R , s>o.
P ( A , i.s. ) = 1 (Rnyi).
Iridttntiori
poiir tocif
ri
Clsi<,,
n 1,
2i
Si
P(A,) = 00 et P ( A , n A J ) 5 cP(A,)P(A,) pour un c > O et tous
i # j , alors P ( A , i s . ) > O (Kotska).
IV.16 Ingalit de Kolmogorov. Soient X I , . . . X , des variables alatoires in= X I + . . . X,. Montrer
dpendantes d'esprance O et de variance finie. Soit
l'ingalit de Kolmogorov,
?
s,
IV.17 Trouver une fonction h de JR dans JR et un rel c > O tel que la fonction
(X?Y)
E JR2
soit la densit de la loi d'un vecteur non gaussien de IR2, dont les lois marginales
sont gaussiennes.
45
CHAPITRE
IV. I x u ~ + ~ s u ~ ~ c e
(8
IV.19 Soit X une variable alatoire suivant une loi N(0,1),et soit E une variable
de Bernoulli telle que P { E = 1} = P{ E = -1 } = 1/2, indpendante de X .
Dmontrer que E X et ~1x1
ont mme loi que X . Le couple ( X ,E X )est-il gaussien?
IV.20 Soit X un vecteur gaussien centr, valeurs dans IR, et soit Y une copie
indpendante de X . On pose Xe = X cos O Y sin O et X = - X sin O Y cos O ,
O E [O, 27r 1. Dmontrer que pour tout 8, X e et Xg sont indpendantes, de mme
loi que X .
En dduire lexistence dune fonction continue 11, sur IRd telle que p = e$
1),
( 3 )
P.
IV.22 (Lois infiniment divisibles) Soit X une variable alatoire relle sur un
espace probabilis ( O , A , P ) ,de loi p ; on dit que p est infiniment divisible si,
pour chaque entier n 2 1, il existe des variables alatoires relles XI,^, . . . ,Xn,n
indpendantes et de mme loi un telles que la loi de la somme XI,^ . .
Xn,rL
soit p.
+ +
+
2 1, la
46
(i) p = 6,, a E R.
g2.
<p <
1; soient
galement Y et 2 des variables alatoires indpendantes de loi commune v
telles que la somme Y 2 soit de loi p.
v @ v ( B x B ) = o.
(ii) Dduire de la question prcdente que Y ne peut prendre que les valeurs
O et 1/2.
(iii) Conclure que p nest pas infiniment divisible.
(1) Soit cp une fonction caractristique et soit X > O. On dfinit
@ ( t )= ,X(p(t)-1) , t
ER.
1< k 5 N (w)
47
CHAPITRE
IV. INDI?PEKDANCE
Solutions
IV.1 On note Bi lvnement {la ie boule tire est blanche}. Lvnement
considr scrit alors BI n Ba n - - n BI,n Bk+l. Les tirages se faisant sans
remise, les vnements Bi ne sont pas indpendants. Nanmoins, on a :
P ( B ~ ~. .nBknEkS1)
B ~ ~ . = P ( B ~P)( B I~B ~ ~ B
. . P~ ( )B. ~I +
~ .nBk).
U 62, = U
n2l
( ~ 2 k
2/c + et 2k
+ 2 })
k20
IV.3 Pour n E
N*,on pose
2 ( k - 1) 2 k - 1
15lc52n-l
j J
I1 suffit alors de remarquer que, quel que soit i E N,P(A,) = 1/2 et que,
pour tout k et quel que soit le k-uplet j 1 < - . < j k , on a
1
+
P(Aj,n Aj2n
n A j k )= P(Ajl n Aj2n . . . n A j k P l ) .
En effet, une partie du type Ajl nAj, n . . . nAjk-l est une runion dintervalles
deux deux disjoints de longueur 1 / 2 j k - 1 et construire son intersection avec
48
n.- n Aj,)
P ( A j , n Aj,
= - = P ( A j i )P(Aj,)
1 . .
2k
P(Aj,).
P { X = xi ; Y = y j } = P { X = X i } P { Y
=Yj}.
De lhypothse E ( X Y ) = E ( X ) E ( Y ) on
, dduit, par linarit de lesprance :
E((X -X i ) ( Y
- Y j ) ) = E ( X - xz)E(Y - Y j ) .
P { X = xj ; Y = yz} = P { X = Xj} P { Y = Y i } ,
et les variables X et Y sont bien indpendantes.
IV.5 Les fonctions f et g tant toutes les deux croissantes, quels que soient x
et y , f ( x )- f ( y ) et g ( x )- g ( y ) sont de mme signe et donc, pour tous 2 , y E R
( f ( 4 f ( d )( 9 ( 4 - dd)2 0.
-
( f ( X )- f ( Y ) )( d X ) - d Y ) )L 0.
On a donc :
(IV.1)
E ( ( f W- f ( Y ) )( S W ) - 9 ( Y ) ) )2 0.
On rappelle que f ( X ) et g ( Y ) sont indpendantes et quon peut alors crire
que E ( f ( X ) g ( Y ) =
) E ( f ( X ) )E ( g ( Y ) ) .I1 en est de mme des variables f ( X )
et f ( Y ) 9
, ( X ) et g ( Y ) et f ( Y )et 9 ( X ) .
On rappelle aussi que E ( f ( X ) )= E ( f ( Y ) )et E ( g ( X ) )= E ( g ( Y ) ) .Lingalit (IV.l) devient
(f(nm)
2E (f(X)E
) ( d X ) ).
El
49
c'est--dire
IV.6 Les diffrentes variables alatoires considres ont une fonction de rpartition continue et drivable sauf en un nombre fini de points (ici au point O).
On vrifie, de plus, que cette fonction de rpartition est de classe C1 sur les
Drivant cette foncintervalles sur lesquels elle est drivable (ici It+" et K*).
tion de rpartition, on obtient une densit de la variable alatoire par rapport
la mesure de Lebesgue, (i.e. F ( z ) = j
:, F'(t)dt).
Dans le cas o X suit la loi exponentielle de paramtre 19,X prend, presque
srement, des valeurs positives, et donc X 3 aussi. D'autre part pour tout t > O,
P { X ~5 t>= P { X 5
= i -e-@%.
s i t > O,
{:-esinon.
Elle est continue et de classe C1 sur IR+*donc X 3 admet la densit (obtenue
en drivant sa fonction de rpartition) :
6%
P{Z > t>= P ( { X > t>n {y3 > t>>= P { X > t }P { Y ~> t>= e-'' e-*%.
On en dduit la densit de 2 :
+ $-2/3)
19(i
t H {O
On pose W = IX -YI. Pour t
At
50
e- w+%)
si t > O,
sinon.
{(w)
E R2, Ix - YI 5 L I .
Pour le calcul de P { ( X ,Y) E At} = JJA, p(x,y) dx dy, il convient de N partitionner >> At en posant At = A, A2, o A, = At f l {O 5 x 5 t } et
A, = At n {t < x}. On a alors :
Donc IX
- YI
La mthode est identique dans la cas o X suit une loi uniforme sur [-l, l] :
P{X3 5 t } = P{X 5
%+1
,
fi}= 2
-l<t<l.
si - 1 < t
sinon.
< 1,
Si Z := m i n ( x 3 , y ) , on a pour -1 5 t 5 1,
l-tl-fi
La variable W := IX - YI, prend ses valeurs dans [O, 21 et le couple ( X ,Y) suit
une loi uniforme sur le carr [-1, 11 x [-1, 11, c'est--dire densit constante
51
CHAPITRE
IV. IND~PE:N
DANCI.:
I 2, on a
1
-dxdy = t
A,n[-i,i]x[-i,i] 4
/J
P{W I
t}=
D'o la densit de IX - YI dfinie par
t2
-.
4
S(2 - t )
si O < t < 2,
sinon.
F'(F(z)) I
z.
(IV.2)
On a alors
{U 5 F ( z ) }c {F'(U)
5 F + ( F ( z ) ) } car F'
est croissante,
puis
{U 5 F ( z ) } c {F'(U)
I x}
par (IV.2).
on a
{U I F ( z ) }f{U
l I
G(Y)) = {U I
m i n ( F ( 4 , G(Y))}
c { F + ( U ) i }. n {G'(U)
I Y},
5 2 , G'(U)
I Y}.
O
52
S o I, I JTIO N s
di, xi I x .
l<i<n
{Mn I.> =
n (xi
1x1,
l<iln
i<i<n
> x a V i , xi > x
n {xi>
x>,
l<i<n
IV.9 Le vecteur ( X I ,X 2 , .. . ,X n ) admet, par rapport la mesure de Lebesgue sur IRn, la densit f,o f ( x 1 , . . . ,x,) = e-l . . . eZn,donc pour i # j
P { - J i , j: xi = X j }
= P{
U { X z = X j } } I C P { X , = X j } = o.
i#j
i#j
53
CHAPITRE
IV. IND&F:N~IAKCE
Dautre part Z
xp(n) car P { Z > t } = P{ n i { X i
une loi uniforme sur (1, . . . ,n}. En effet
Y-)
P { N = l} = P { X 1 5 x2,.. . , X n }
P { N = l,z > t } =
/ S,,
.
f ( ~ 1 , ... , x n )
5 n, on a
Donc N et
54
Z sont indpendantes.
. dxn
O L Li ' I I O N S
tx
4, on a
cl
L(t)n
'
P,*" ( [ x ,+CO[) =
>
-
&./7+,
l+,
et" dP*n(u)
L(t)n
etx
dP*n(u)= -P*n ([x,+CO[).
wn
On en dduit l'ingalit
P*n ([x,
+ C O [ ) 5 ~ ( etX
t ) P,*"
~ ([x,
+CO[).
(IV.3)
O
D'autre part, P*n([x,
+CO[) peut tre major par l'ingalit de Chernoff (voir
Exemple 111.4.10.(iii)) :
on considre ( X i ) i une suite de v.a. indpendantes de mme loi P. Pour t > O,
suffisamment petit :
On obtient alors
P * ([z,
~ +CO[) 5 ~ ( e-tx.
t ) ~
(IV.4)
CHAPITRE
IV. I N D ~ ? P R N J ) A ~ - C E
I V . l l La relation de rcurrence ( p ) = ( p - l)r(p - 1) vient d'une intgration par parties dans l'intgrale
zp-' e -" dz. Pour p entier, en ritrant
cette relation jusqu' p = 1, on obtient ( p ) = ( p - l)!r(1)= ( p - l)!.
Pour montrer que r, * rQ
= l?p+g, on peut procder de deux faons :
-
La premire utilise les fonctions caractristiques : la fonction caractristique de la loi r,, que l'on calculera plus bas, tant pp(t)= -,
on
vrifie que
'
(Pp(t)(P*(t) = (P*+q(t)On dduit de cette relation et des proprits des fonctions caractristiques que r, *
= rp+q.
r4
La deuxime est calculatoire : il suffit de calculer le produit de convolution des deux densits 7, et T ~ Pour
.
z 1 O, on a
+"
(Yp *YQ>(4=
1,
Yp(u)Yq(z
4 du = r(P)r(q)
6"
up-'(.
up-' (z - u)QP1du.
J:up-'(z
6'
- u)Q-l du = zP+Q-'
L'intgrale J
: vp-'(i-v)q-'
lit (IV.5) devient alors
1'
e-"
vP-'(l
- .)Q-'
(IV.5)
u)q-'du, on
du.
w,
(Yp
on obtient
+ +
Pour p rel strictement positif, le calcul de cette intgrale peut se faire par la
mthode des rsidus(2).
("Voir par exemple << Principles of Mathematical Analysis , W. Rudin, McGRAW-HILL.
'"Voir par exemple (( Intgration et probabilits, Analyse de Fourier , G. Letac, MASSON.
56
Remarquons nanmoins que, pour p entier, une intgration par parties donne
P { W )=k}
= P{Sk
5 t } - P{Sk+l 5 t } .
Dautre part
+ ( k - 1)
tk-1
e -t
tk-2
( k - l)!
(IC
e -t
a)!
uk-2e-u d u
... -
Et par consquent
tk
?c)
P(t).
2 O,
fk(t) =
sinon.
Pour calculer la loi du vecteur (?YI,.. . ,Un), calculons dabord la loi de
( S I , .. . , Sn). On vrifie que le vecteur ( S I , .. . , Sn) admet pour densit la
57
E(q5(S1,
, Sn)) =
q5(zt.i,ICI
( 31 = 21
Par le changement de variable
s2 = 21
+2 2
, dont
la valeur ab-
(sn=z1+.-+ICn
solue du jacobien vaut 1, on obtient
Si
. . . , -,s,
E(@(Ul,.. . , U,+1)) =
/ (-+ . . . ,
@
En+i
Sn+i
Sn+l
Sn+d
on a
ds1. . . dsn+l.
Sn+i
La transformation
= /EL+l
58
du,+i.
S
(snt;,
... ,
e),
Ju+m
(e,.
&)
uE+le-un+ldun+l= n!.
Donc la densit de
. . . 5 un 5 1j.
..,
IV.13
a) La probabilit que << XI,. . , XI, soient infrieures z et Xk+l,. . ,X n
soient suprieures J: >) est, par indpendance des variables X i , gale
F(z)'(l - F ( z ) ) ~ - ' . On en dduit que la probabilit que << k variables soient infrieures z et n - k soient suprieures z >> est gale
(i)F(z)"l
- F(z))"-k.
{Xi,n 5
J:}=
u{
u
kzi
kzi
et n
-k
sont suprieures z }
pour en dduire
F(z)"l
P{XZ,, 5 x} =
- F(z))n-k.
i<k<n
n
k=i
59
CHAPITRE
IV. INDPENDANCE
):7(
b) L'vnement {Xi,n 5 z, Xi+l,+ > y} n'est autre que l'vnement { i variables sont infrieures z et n - i sont suprieures y }. Sa probabilit
se calcule par un raisonnement analogue la question prcdente et vaut
(S)F(z)i(l- F(y))"-i.
c) En notant F la fonction de rpartition du couple (Xi,n,Xi+l,n),on a
pour z I Y'
60
-00
Or
J-,
(JT+m
= i(n - i )
=
(7)
i(n - i) ( ; ) f ( u ) f ( u ) F y u ) ( l- F(u))n-i-l d u ) d u
(:>1,
Fi(.)(l
f ( u ) F i - l ( u )d u / + m f ( u ) ( l- F(u))n-i-l du
- F(y))n-i = P { X i , ,
RXR+:
s-","
61
on a donc
h ( s )=
=
i+m
(y)
Jil+m (2)
(l
i(n - i )
i ( n- i )
dx
- e-z)i-l(e-z-s)n-i-l)
e-2z-s (l - e-z).i-l(e-z-s)n-z-l
) dx
En notant Ii cette dernire intgrale et en intgrant par parties, on obtient facilement la relation Ii = $
&Ii-1. Ritrant cette identit jusqu 11 = $, il vient
I2 =
( i - l)!(n - i ) !
(n- l)!
(:I;)
Il=----
puis
h(s) = i(n - i)
( n - i ) ! ( i- l)!1
(i - i)!(n - i - i)!
( n - l)!
n
n!
et finalement S ~ + I ,xp(n
~
- i).
IV.14 Pour (il, i 2 , . . . , i n )E
Tn-l = in} scrit
62
O
= 22,
. . . ,Tn-
+ . . . + (T, - T,-1)
et utilisant l'ind-
IV.15
a) On pose X n = Cili5, Ildi et on lui applique l'ingalit dmontre dans
l'exercice 111.10
Ci<i5n
P(A,) -+
n
-
00.
positif et soit N E
D'autre part
Soit
CHAPITRE
IV. INDEPENDANCE
et par consquent
P(U,{X,
2 M})2 (1 - a>yi- E ) .
2 N})= 1 et donc
P ( n NUn { X n 2 N } ) = 1.
La suite (X,), tant croissante, on en dduit que X, converge presque
O
srement vers l'infini. Donc P(A, i.s. ) = 1.
O et donc, quitte
P ( n N O N )= limP(ON) 2
N
2 ( l - f f ) 2 > o.
(1- a)2
C
SOLLITIONS
IV.16 Remarquons que les vnements Ak sont bien disjoints deux deux
et qu'on a :
(IV.6)
(IV.7)
(IV.9)
IC
n.
f(X,Y)
dXdY = 1;
JJRZ
65
On pose alors
h(t) =
si (tl 5 a,
sinon
et on choisit a pour que f ainsi dfinie soit positive. La fonction f est donc
la densit de probabilit d'un couple qui concide avec la densit N(0,I d ) en
al2,mais distincte de celle-ci dans [-a,al2. I1 est clair que
dehors du carr [-a,
O
ce couple ne peut tre gaussien.
noter que d'autres fonctions h conviennent.
IV.18 Le vecteur ( X ,Y )prend ses valeurs sur une droite (presque srement)
car sa matrice de covariance C est non inversible. Elle admet pour noyau la
droite IR.(2, -1). On a :
Var(2X - Y ) = (2 -1)
(6
12) (-1)
= O.
P{X E A } = 1/2 P I X
A } + 112 P { X
-A}
P{X
A}
Xe,note ve
(Xe,
X)est diagonale par blocs. Plus prcisment, la matrice de covariance C
de (Xe,X)
tant une matrice de MPd(R),Xe et X sont indpendantes si et
seulement si C scrit sous la forme :
111 .
(tA)
(n:),
o les G~ sont
M.
(ti)
-(M.
(fi)) (O ;)
=M.
.t111=
(O;),
IV.21
a) On va rsoudre cette premire question pour des variables alatoires
relles. Le cas de variables alatoires valeurs dans Rd se traite de ma-
= E ( e i S ( X + Y ) ) E ( e i t ( X - Ycar
))
+ Y et X - Y sont indpendantes
= E(eisx)E(eisY)E(eitX)E(e-itY)
car
X et Y sont indpendantes
= v2(s>cp(t)v(-t>
= cp2(s>lcp(t)l*
cpw
= v(t)21v(t)12
dt E R, dn E N, cp(t)= cp
;n)2n
);(
Iv
IZn
67
CHAPITRE
IV.
INDPENDANCE
trn E
N, cp
(g)
=O.
(IV. 10)
~cp(t>l. e i f ( t )= elnlV(t)l+if(t).
gP et +i
II,=
+ cest--dire
+ $+
avec
paire et II,i impaire.
Utilisant le fait que cp(-t) = cp(t),la relation tablie la question a)
donne
+(s
(IV.11)
+ t )+
+i(S
- t ) = 2+i(S).
(IV.12)
(IV.13)
l i p b + t )+ $p(s
+ lip@>>.
- t )= 2 ( l i p ( s )
(IV.14)
+ +
+
2 s I p (s>+2 l i p ( s +t 1 + t 2 ) -l i p (ti+t 2 ) = 2 l i p ( s+t 1 ) +2 l i p (s +t 2 ) -
(t
&
I1-t
2)
+2lip(t2) - lip(t1 +t 2 )
et obtenir la linarit par rapport la deuxime variable de Q ( s ,t ) .Finalement Q est bien symtrique et bilinaire. Par (IV.13), 7+!+, est valeurs
relles.
Enfin, pour tout t E IRd, (cp(t)(5 1 et Icp(t)l = e $ p ( t ) donc
donc Q est bilinaire, symtrique et ngative.
lip(t)5 O et
O
cp(t)
= ei ( t m ) + s ' p ( t )
IV.22
a) Soient XI,,, X,,,, . . . ,X,,, n variables alatoires indpendantes, de
mme loi v, et de fonction caractristique $. Si la loi de XI,^ Xz,,
X,,, est celle de X , note p, alors
+ +
-
69
1,)
(ii) Si
+ +
N(m,a2)alors
Donc X suit la mme loi que X I + . +X,, o les v.a. X ; sont indDonc X est infiniment
pendantes et de mme loi N(rn/n,
divisible.
(iii) Si X
P(A) alors
e ~ ( e z t - l )= ( e $ ( e t t - l ) ) n
(PX(t)=
+ +
Donc X suit la mme loi que X I . . . X , o les v.a. Xi sont indpedantes et suivent la mme loi que X / n . Donc X est infiniment
divisible.
c)
P(Y + 2 E B
+ B ) = p ( B + B ) = o.
D'autre part
donc
70
(Y E B ) n (2 E B ) c (Y
v @ v(B x B) 5 p ( B
+ 2 E B +B)
+ B ) = o.
(ii) Si B est lun des intervalles ] - co,O[, ]O, 1/2[ ou ]1/2, +m[, daprs
c) (i) et lindpendance de Y et 2 ,
P((Y E B )n
Observant que
N , N ~N , ~. . ,. . N ~ , x ~ , x. .;. ,x,,x2,x,1,x,2,.
,x~,
.. ,x;,. . . . . . . . . . .
. . . . . . . X k , x;,
x;,. . . , X E , . . . . . .
une suite de variables alatoires indpendantes, o les X i et les Xa
suivent la mme loi, o N suit la loi de Poisson P(A) et o N1,N 2 ,. . . N n
suivent la mme loi de Poisson P(X/n).On pose
alors Y1 + . . .
noncs
V.1 Soit (Xn)nEW
une suite de variables alatoires relles sur un espace probabilis (a,
A, P ) ; on suppose qu'il existe une suite de rels (un)nEWtelle que les
sries
n
E, X ,
J:
> O,
x,
J27ogn
=1
p-s.
V.5
I ) ) O Ksuppose
~
que Y = O. Prouver que
X,Y, corivergc en loi vers O.
V.6 Soit (an),,-- une suite de nombres appartenant & [O, 11 ; on lui associe
de variables alatoires indpendantes sur un espace probabilis
une suite (X71)nEW
(R, A, P ) dont les lois vrifient
si t
+ (i -a,)tn
quelles conditions sur (a,),,-N, la suite
babilit, presque srement ?
< O,
si t E [ 0 , 1 ] ,
si t > 1.
(X,)nEN
converge-t-elle en loi, en pro-
74
a ) Soit ?(A)
lim
,--a
o-XkL(k)(A) =
k!
kiXX
F(z)
IR.
1)) Prendre Y de loi N ( 0 , a 2 )et supposer (px intgrable par rapport la nie-
&
+ CO,
i t x p X ( t dt.
)
> O,
(Px (4 d t
On rappelle que
JO
En dduire que si
oo sin(tx)
J:
dt = signe(z)~/2.
alors
ce qui donne une formule dinversion de Fourier, et montre que px caractrise F X et donc Px.
75
CHAPITRE
v. C O N V E R G E N C E DE SLJITES DE VARI.4BLES
ALATOIRES
V.10 Soit ( X i ) i 2 l une suite de variables alatoires, de loi uniforme sur [ O , 11.
Soit N , une variable alatoire de loi binomiale B ( n , p ) et indpendante des X i .
Montrer que nminl<i<N,
_X i converge en loi, lorsque n
00, vers une variable
alatoire exponentielle de moyenne l/p.
--f
un= e-n
c$
n E N .
og<n
Indication : uhliser la dfinlition 4.l.i et lu loi forte des grands norrrbres. Si F,,
(resp. F ) est ba fmict:ion de rpa,rtition de P,, ('ESP. P ) , o n prendra garde nu ,fait
q'ue l'ensemble de mesure nulle sur lequel 1irnTL+=
FrL(t)# F ( t ) doit pouvoir tre
pris iridkpesidant tif, t : 6 cette fin, on peut utiliser ln m,noton,ie et In borriitude
de F .
ci>'
xi) tend vers p . En dduire que les lois L(P)sont trangres les
Montrer que les lois L(P) n'ont pas de parties discrtes. Donc si
p # { O , 1 / 2 , 1 } la fonction de rpartition de C ( P ) est continue, mais pas
absolument continue.
76
NONCS
V.14 Au Thorme IV.3.1 nous avons vu comment construire une suite infinie
de variables alatoires indpendantes. Donnons ici une construction plus explicite
sur IR. Soient X,, n 2 1, les variables alatoires de loi i?(1,1/2) construites
lExemple IV.l.7.ii. En utilisant lexercice V.13 et lExemple V.1.3.imontrer
de variables alatoires uniformes sur
quon peut construire une suite (Un),>l
[ O, 11, indpendantes.
Iii,dicatin : considerer la constr?iction en tnu,riglc
ui = 2-1x, + 2-x2+ 2 P X 4 + 2 P X 7 + . . .
u2 = 2r1x:<
+ 2-x5 + 2-xx+ . . .
u:3= 2r1xrj+ 2-& + .
l i d = 2-Xlo
+ ...
Montrer alors que si lon se donne une famille de loi Pi, i E N,sur IR, on peut
construire une suite de variables alatoires relles ( Zi)iEN,indpendantes, telles
que Zi est de loi Pi. Nous avons donc dans ce cas une preuve constructive du
Thorme de Kolmogorov IV.3.1.
{ S,
=O
a) Dmontrer que S,/n converge presque srement vers une limite que lon
prcisera.
1/2.
77
CHAPITRE
V. CONVERGENCE DE
SUITES DE VARIARLEC>.m?AroIrtIils
P{ ZI, 2 M } = 0 0 .
(ii) Conclure de la question prcdente que P{ supk 21,
2 M } = 1 pour
tout A l , puis que P{ supk IZkI = 00 } = 1. En dduire que
(n,A, P ) de
lois respectives P et
PY.
a) Montrer lingalit I(Px - PYll <_ P{ X
# Y }.
1)) Soient Y et
78
> O , 1 5 i 5 n ( n 2 A).
ci OLTTTI O N s
Solutions
V . l On considre les vnements {X,# a,> que lon note A,. tant donn
que C,P(A,) converge, daprs le lemme de Borel-cantelli, P ( A , i s ) = O.
Donc pour presque tout w E R, X,(w) = a, partir dun certain rang (dpendant de w ) . Pour un tel w,la srie C,X,(w)converge car par hypothse
Ena, converge.
Donc
X , est presque srement convergente.
O
E,
v.2
a) Soit (X,) une suite de variables alatoires de loi N(0,a:) avec
79
CHAPITRE
-3
eitm-02t2/2
))
le Corollaire V.3.6, il suffit de montrer que la suite ( E ( ~ X , ~ ~est
n
majore. On pose X , = a,.Y, et Y, suit donc une loi normale centre
rduite. De plus
E(IXnIp) = .nE(IYnIP)
= .n.E(IYolP)
IK p ,
l+cc I+*
e-$ d t =
On crit
et on en dduit :
80
__
t2
t-l t e - 5 d t = -X
dt.
SOLUTIONS
> (1 - )}
Xn
{xn2 2/21nn(1-
E)}.
On a alors
/
J27F
1
-
P(An)
1
N-
t2
e-7 dt
v5G(l-&)
,-inn(i-~)~
J2lr J
-K--
G ( 1 - )
Jinn
On reconnat le terme gnral dune srie de Bertrand divergente. Les vnements A, tant indpendants, par le lemme de Borel-Cantelli, on obtient
P(A, i.s) = 1.
Pour E strictement positif, on considre maintenant les vnements
B, :=
Xn >
{ J2lnn
~
x, 2 G ( l + & ) } ,
(1 &)
pour lesquels
,-inn(i+~)~
N-
J27; J
G ( 1
+E)
-K--
Jinn
Xn
limsup ___ = 1 p.s.
d G
cest--dire
maxi<i<n Xi
J2irin
<1+E}
-+
1.
81
1,) P(1-
<m
n1.
Tout dabord
<l+E}=J-JP{xi5(l+E)d5Kz}
i=l
= (P{Xi
5 (1 +
E ) G } ) n
Dautre part
do
max Xi
n-tm
ms
5 1- E }
-t
O.
En effet :
{ Xz > dzG(1 } )
= 1- P
&)
n++m
o.
-+
1 et P(Bn)
-f
1 on
M = S U P ~ EE(G(Xi))
~
< 00.
Soit A > O arbitraire et a0 tel que t
Si a > ao, on a
./l+m
t d P X z ( t5
)
'di E I ,
On en dduit
> a0 +
./l+"
SUP
iEZ {Xi>.}
X i dP
y > A.
1
M
d P X z ( t5
) A E(G(Xi))5 -.A
a++m
O.
La famille ( X i ) i Eest
~ donc uniformment intgrable.
v.5
a) On utilise les fonctions caractristiques :
E(eit(x"fyn)> =E(eifXX,)E(eityn)
car X et Y indpendants
-+
n
E (e i t x )E (city)
= E(eit(X+Y))
car
X et Y indpendants.
83
CHAPITRE
V. CONVERGENCE
DE SLJITES DE
Donc X ,
VARIAHLES ALATOIRES
Pour se convaincre de l'importance de l'hypothse d'indpendance, il suffit de considrer une variable alatoire X suivant une loi normale N(0,l)
et poser :
x,=x,
On a ainsi
Xn + X ,
Y, - + X
b) Pour tout
IL: E
R et tout
Y,=
et
-x.
X,+Y,
=O.
> O,
FX"-(z- E ) 5
FXn+Yn(z)
+ P{)Y,) >
E}.
De mme :
{X, >
+E}
puis
F X n +un (IL:)
+ P{(Y,I
F F X " ( z+ E )
> E}.
FX"(z- E)
- P{IY,I
> E } 5 FX,+Yn(z)
F X q z + &)
+ P{IY,I
> E}.
- F X " ( z- E )
+ P{IY,I
> &}.
F~(~)I
limsup ( F ~ ~ + ~-~ ( I L : )5 ~
n
On en dduit Fxn+yn(x)
-$
F x ( z ) et X ,
~+ E ) (- F ~z( I L : - E ) .
+ Y,
X.
{IXnl
84
Ynl
<i}
S o L I ITIONS
et donc
{IXnYnl 2
c {IXnl L
k } u {IYnl 2
$1.
I1 sen suit
P{IXn Y,l 2 ;}
Soit E > O. La suite (X,), tant convergente en loi, elle est tendue.
Donc quel que soit n, P{IX,l 2 k } < E si est k est suffisamment grand.
Dautre part la suite (Y,) convergente en loi vers une constante converge
en probabilit vers cette constante (voir Exemples V.4.2 (iv)), donc
P{IYnI 2 -&} < E si n suffisamment grand. Finalement
V.6 Pour que la suite (X,), converge en loi il faut quil existe un t ~ ] 0 , 1 [
pour lequel la suite ( P { X , 5 t } ) , soit convergente.
ier
cas. Si la suite
P { X , 5 t } = a,
+ tn + antn
an.
--f
85
CHAPITRE
.4Ll?AT011lES
Ces deux derniers termes sont aussi petits que lon veut, pourvu que p soit
suffisamment grand pour le premier, et que n soit suffisamment grand pour le
second. On a ainsi montr (V.3).
Soit dsormais cp E
(espaces des fonctions continues bornes) et ( f k ) k
une suite croissante de fonctions positives dans C
g vrifiant
0 5 j k 5 1 et V x E R,
f k ( X ) + 1.
k
1/
cp f k d P
1 1
fk
dPn
+ I/(flI
- f k ) dP.
le dernier terme est aussi petit que lon veut pourvu que k soit suffisamment
grand et le deuxime terme, pour k alors fix,est aussi petit que lon veut
pourvu que n soit suffisamment grand. Enfin, concernant le premier terme, on
remarque
fk
dPn)
n+w
l(<pI(/ ( I
86
strictement positif.
-fk)
dP
SOLLITIONS
> O, on a
donc
(Wk
e -xe
k<Xx
k!
x++w
1
O
si x > O,
siz<O.
CI
(<
87
CHAPITRE
II:
I[,,,[dP(8) = F ( z ) . D'autre
I{,}dP(8) = F ( 0 ) .
v.9
a) On utilise le thorme de Fubini (voir Thorme 11.5.1)
E ( e i t ypx(Y)) = E(e-ztY
=E
eiyxfx(II:)d x )
( / ei(Yxc-tYf x O d X )
=J
E ( e i Y ( x - t ) f x ( zdx,
)
=E(pY(X -t)).
(V.4)
88
SOLUTIONS
U-++CC
Vt,
Y2
e - s dy
/e-ztYpx(y)
-U-t+CC
--+
e-ZtYpX(y)d y .
27r
(1
$(t)
eitYpX(y)e-$
d y ) dt
Et de lidentit
e-ZxYpX(y) d y
ps.
( t ,4
- e-ity
eitZ
it
89
e-itx - e-ity
eit* d t 8 dPX ( z )
it
sint(z - x)
dt
Im
sin t ( z - Y)
71.0
V.10 Soit t E [ , i ] . On a
n
{ n min
i<ijNn
90
SOL11 1 IONS
'dt E R, P ( n min Xi 5 t )
l<i<N,
--f
P(Y 5 t ) o Y
y-f
&xp(p).
V . l l Si (Xn),>l
est une suite de variables alatoires indpendantes suivant
la mme loi de Gisson ?(A), on sait que X1 X Z . . . Xn v+ P(nX) avec,
en particulier, E ( X 1 + . . . X n ) = nX et Var(X1 + . . . Xn)= nX. On prend
alors X = 1 et on applique le thorme limite central
+ + +
+
X I +. . . + X, - n
< } z -6
/1
_ -t 2
1
e 2 d t = -2
-cc
Or
D'o le rsultat :
e-n
nk
k!
OSk<n
-.
n++w
XIet t E R. On pose
La suite (X;l)i21
est alors une suite de variables alatoires indpendantes, de
mme loi et d'aprs la loi forte des grands nombres
xi + . . . + x; p.s
n
-f
E ( X i )= P(X1 5 t )= F(t).
On note alors
Rt
= {w E
=E.{
CHAPITRE
V. CONVERGENCE
DE SYITES
DE ~ : ~ I I I A B L EALATOIRES
S
Soit (tn) une suite de rationnels << surjective sur Q . (On pourrait considrer toute autre suite vrifiant {tn, n E N} dense dans IR). On considre
R' := nnR,,. On a l'(az')= 1.
On prend w E 0' et on note Fk la fonction de rpartition de Pk =
IC-'
'xi(,)*
IR un point
ci<i<k
Soient t E
que
de continuit de F et
tj
tels
On note 0' = { w
R,
CfXi(U)
n'ce
,p}
Soient p , q ~ ] 0 , 1avec
[ p
On a videmment EP
PU")
# q. On pose
n E4 = 0 et donc
(EP>= 1 et
PU") ( ~ 4 =
) O.
Ainsi les lois C(P) sont trangres les unes par rapport aux autres.
{u(li2)
E [
I C / (IC
~+
~ ,i > / 2 n ] }
Donc C(1/2) concide avec la mesure de Lebesgue sur les intervalles dyadiques. Observant qu'une union d'intervalles dyadiques se dcompose en
une union disjointe d'intervalles dyadiques (puisque l'intersection de deux
intervalles dyadiques est un intervalle dyadique), C(1/2) et la mesure de
Lebesgue concident sur l'algbre de Boole engendre par les intervalles
dyadiques. Par la Proposition 1.4.7, elles concident sur la tribu engendre, qui n'est autre que la tribu engendre par les intervalles, c'est--dire
la tribu des borliens. Donc d1l2)est la mesure de Lebesgue sur [O, 11.
O
Remarque :o n peut aussi prouver que ,dl/') est la mesure de Lebesgue sur
[O, 11 e n utilisant les fonctions caractristiques. Si U dsigne la variable
alatoire Ck21 o n a :
3,
P(t>= E (
eitU
1 - E(
eitCk>l3.
2k )
E(1imeitCLl$$)
n
- lim(E(eitCk=l$ ) 7
n
De plus
sin
= (+>"-I sin
(i)
O n e n dduit alors
3 E [O, 13 :
pour tout p
e {O, il.
V.15
a ) Daprs la loi forte des grands nombres
q
(o q := 1 - p ) .
presque srement
< a <p
- q.
On note 0 lvne-
ment :
Ainsi
il existe N E
N vrifiant
+ +
xi
+ +
+
94
e A. Par cons-
Donc P{zk
&Jpe z d t
2
-4_
M}
srie x k _ > ( ) P { Z k
L
x k > O p{zk 2 M } = 0.
M}
la
diverge
Oet
grossirement
et
V M , P{sUPZk 2 M } = 1.
k
D'autre part
I=
+CO}.On
Pour w E R'
--in
ne peut tre borne et donc
6
O
95
P
s:
l$l=
+a;}
c B+ B-
A = ( An B) U ( An B - )
Do P(A) = P (An B+) P (2n B-) > O, donc lun des deux
termes est ncessairement strictement positif, disons le premier. On
a alors P (An B - ) < P(A)et
P(B-) = P(B- n A)
+ P(B- n A)
I P ( A )+ P(B- n 2)
V.16
a) Pour tout B E A, on a
{X E B } = ( { X
E B } n { X = Y } )u ( { X E
B } n {x# Y } ) ,
et donc
P{X E B} = ~
96
( {E Bx} n { X = Y } )+ P ( { X E B } n { x# Y } ) .
De mme pour Y , do
IP~(B)
# Y})
-P({Y E BI n { X # Y})J
P(B)~ = JP({x
E B}n{X
L P{X # Y}.
Ainsi I(Px - PyI( 5 P { X
11)
# Y}.
P{X
Donc X
-+
= O} = P { E= O}.P{Y = O} =
B ( p ) . On a
{ X # Y } = ({Y = O} n { E #O}) u {Y 2 2}
et donc
= e-P.(i
(i - p)eP)
+ i - eP - p e P
= -pep + p
5 p 2 , car e p 2 i - p .
c ) En sinspirant de la question prcdente, on considre pour 1 5
O
i 5 n,
1 . ., . , E~
P(pi)et ~i
B(l-(l-pi)eP~) avec de plus Y I ,Yz,. . . ,Y,, ~
indpendantes. On construit alors X i = 1 - l(,=K=o).
I1 est alors clair
B ( p i ) et que les Xi sont indpendantes.
que X i
Y,
y.f
y-f
y.f
c {S = Z } , on dduit {S # Z } c U i { X i #
a
i
O
97
En particulier
Vk E
98
N,
PROBABILITS ET ESPRANCES
CONDITIONNELLES
noncs
VI.l Soient X et Y des variables alatoires indpendantes, de mme loi, intgrables. Comparer les lois des couples ( X ,X + Y ) et (Y,X + Y ) .En dduire que
E ( X 1 x + Y )= E ( Y I x + Y ) = ( X + Y ) / 2 .
VI.2 X
1 et X , tant les rsultats indpendants de deux jets de ds, et S tant
leur somme, quelle est la loi de Xi sachant que S est paire?
VI.3 Soit X une variable alatoire relle quelconque, et soit a une constante
relle. Dterminer la loi de X conditionne par X A a.
VI.4 Soit X une variable alatoire valeurs dans
n E W,
P{ 2 M n I 2 m } = P{
+ x
x 2n}
Montrer que cette proprit caractrise la loi exponentielle parmi les lois densit.
Prouver que 1irnh-o h - l ~ t{ < x < t h 1 x > t } = B pour tout t.
N(O,1). On pose X
a ) Montrer que X
+ Y et X
-Y
sachant que Y = X .
l//tl/ctrt/oi/
Oil
p o / / 7 / f /Fci/rc
IP
$((-Yt 1 - y + (X Y)]).
~
) Pour montrer que les rsultats ne sont pas contradictoires, prciser les soustribus de Conditionnement dans les deux questions.
P{
2s 1
&,72
= z} = 1 - F (z
+s))
n-i
IR , s 2 O
et que
la fonction de rpartition empirique des espacements, laquelle compte la proportion despacements plus petits que z/n. Notons
] X i , Xi
101
:I)
hdontrer que le vecteur (Il,,,. . . , I,,,) est changeable, cest--dire que sa loi
est invariante par permutation des coordonnes (voir aussi exercice 111.6.8).
n
n-1
-_
(.) Montrer que
(1) valuer P{ ~ i , ,
c>)
Ln(x)= ( n - 1 ) y
I,,,.
l<i<n
1 ; I,,,
i }.
en probabilit.
n+m X E R
(Pour n assez grand, ce rsultat donne une ide sur la taille des carts entre
les points alatoires adjacents XI,+,. . . , X,,,.)
VI.15 La proposition 111.2.7 nous donne une faon dengendrer des variables
alatoires relles, pourvu que la fonction de quantile soit facile calculer. Ce nest
pas toujours le cas en pratique. Une mthode assez efficace est la mthode dite
du rejet qui fonctionne comme suit. Soient f , g, deux densits sur IR. On souhaite
simuler une variable de densit g, en supposant quon sache facilement simuler
une variable de densit f , et quil existe une constante c telle que g 5 c f . Soit
( X ,U ) un couple de variables alatoires indpendantes, respectivement de lois de
densit f et uniforme sur [O, 11.
a) Montrer que le couple ( X , c U f ( X ) )est uniformment distribu sous le
graphe de f
f = { ( x , y ) ER2 : o 5 Y L c f ( z ) } ;
I)) Soient (U,, X , ) des couples indpendants, de mme loi que ( X ,U ) . Soit NO=
O et,
i 2 1.
N, = min{ i 2 N,_1 : cU,f(X,) 5 g(X,) } ,
Montrer que P{ Ni = k } = (1 - c - l ) k - l c ~ let que E ( N 1 ) = c. Montrer
que X N , , i 2 1, est une suite de variables alatoires indpendantes, de lois
de densit g . Expliquer pourquoi en pratique il faut prendre c le plus petit
possible.
VI.16
(Processus de Poisson)
or) p o i i r i i i
A,
poiii
t i i t r o d u i i t 1r.i
{ (XI I . . . 5
toiilr p r i r n i i t ~ i t i o n(T iI
II
(n.ic,inblf i
7))
(X,(I) F . . .
IX,(,,)) }
tlirr~~~~ti.
(Xi,,
5 . . . 5 X,,,) est une n-statistique dordre sur [ O , t ] ,
alors la loi conditionnelle de ( X I , , 5 . . . 5 X,-i,,) sachant { X,,,, = 2 } a
c ) Supposons que ( X I , ,
P{ v j = O, . . . ,p
1,vi = k,
103
CHAPITRE
VI.
(1) On considre une suite de variables exponentielles de paramtre A, indet on note Sn = TI . . . T,, n 2 1. Calculer la
pendantes, (Tk)k>l,
. . , S,), puis la loi de S,. Montrer que la loi conditionnelle de
loi de (SI,.
(SI,. . . , Sn) sachant Sn+l = s est la loi d'une n-statistique d'ordre sur [ O, s 1.
c) On pose Nt =
104
soi 1' 1 I O N S
Solut ions
E(ei((%b)r(XA+Y)))
= E(ei(("+b)X+bY)1 = da + b) p ( b ) = E(ei((a,b)>(Y,X+Y))
>.
E(X
+Y I
X+Y
1 x + Y ) = E(Y 1 x + Y ) = 2.
E ( X 2 ) = E ( X f ( X + Y ) )= E ( Y f ( X + Y ) )= E ( Y 2 ) .
La deuxime galit tant justifie par le fait que ( X ,X
suivent la m m e loi.
+ Y ) et (Y,X + Y )
On a
P{ S est paire }
1/2,
et
V i E (1,. . . ,6}, P ( X 1 = i I { S est paire}} = 1/6.
VI.3 On suppose ici que O < P { X > u } < 1. Pour p une fonction borlienne
borne, on crit
Cp(X>= Cp(x)n{x<a}
+ dx)n{x>a}
7
en remarquant que p ( X ) l l { X l a }est une fonction de X A a , donc a ( X A u)mesurable. L'esprance conditionnelle donne
E ( v ( X )I
x A a ) = <p(x)n{x<u}+ E ( c p ( X ) q x > a }I x A 4
105
C(X I X A a = z ) =
si x
VI.4
a) Quel que soit m E N,on a :
P{X 2 m + l
1 x 1 m } = P { X 2 l}.
Cest--dire
Vm E N,P { X 2 m + i } = P { X 2 m } P { X 2 i} = (i - a ) P { X 2 m}.
La suite ( P i x 2 m}), est donc gomtrique de raison 1 - a et pour
tout m E N7 P { X 2 m } = (1 - u ) ~On
. en dduit
P { X = IC} = P { X
2 k} -P{X 2 k + l }
= (1 -a).
P { S = IC} = C P { X = i } P { Y = IC -i}
i=O
IC
C(1 &(l
-
IC
- .)k-i
i=O
P{X =k
I s =P} = P{X
= k
s =P l
p { s =p>
- P{X=k,Y=p-k)
-
pis = P l
P{X=k}P{Y=p-k}
P{S = P l
1
p + 1
La variable S peut tre interprte comme tant le nombre dchecs obtenus lors dune suite dpreuves de Bernoulli ralises jusqu lobtention
de 2 succs. Le calcul prcdent montre que, sachant que { S = p } , le
nombre dchecs obtenus jusqu lobtention du premier succs suit une
loi uniforme sur { 1 , 2 , . . . ,p l}.
106
Y o I, I I TI
VI.5
~sN
{XNE B}=
u{Xk
E B } n { N = IC}
kEN
N et tout B
borlien,
P ( { X , E B } n { N = IC})
P { N = IC}
- P ( { X , E B } n { N = IC})
P { N = IC}
P{Xk E B } P { N = IC}
= P{Xk E B } .
P { N = IC}
Donc la loi conditionnelle de X N sachant { N = IC} est la loi de Xk.
P { X N E B I N = IC} =
VI.6
+. +
. +
n!
i l ! .. A,!
. . . :X
An
sachant
VI.7 On considre le couple gaussien ( X I ,S,). On sait alors (voir VI.4.) que
la loi conditionnelle de X1 sachant S, = s est une loi gaussienne de moyenne
E ( X 1 I S, = s) et de variance E ( ( X 1 - E ( X 1 I S,))2).
I1 est clair que E ( X 1 I S,) = E ( & I S,) quel que soit 1 5 i 5 n (car ( X i , S , )
et (Xi,S,) ont mme loi) et que E ( S , I Sn) = S, = C i E ( X i I S,). On en
dduit
S
E(X1 I
= s ) = -.
n
Dautre part
s,
E ( ( X 1 - E ( X 1 I S,))2) = E ( ( X i
- $)2)
=E
s, + %)
(x:- 2x1 n
n2
107
Par consquent
2
Sn S i
2
Sn
sn
2 1
1
E(X,-2X1-+-)=E(X1)-2E(X1-)+E(-)
=1--+- =I--.
n
n2
n
n2
n n
n
Donc la loi de X1 sachant S, = Cilil, X i est la loi N ( n ,1 O
i).
>
P{X
2 t + s I x > t } = P { X L t + s } - ,-OS
P{X > t}
p{ X
-
> s}.
P { X 2 t + s I X > t } = P { X > s } , s , t 2 O,
sa coda C ( t )est continue sur R et vrifie :
vs,t
2 O, C ( t + s ) = C ( t ) C ( s ) .
(VI.1)
O
Enfin
- ee(t-th)
h eet
1 - ,-eh
8.
/L+O
VI.9
a) Le couple ( X + Y , X - Y ) est un couple gaussien centr et E ( ( X + Y ) ( X Y ) )= E ( X 2 - Y 2 )= E ( X 2 )- E ( Y 2 )= O. Donc X Y et X - Y sont
indpendantes.
La variable R2 = i ( ( X + Y ) 2 + ( X - Y ) 2 ) := h ( X + Y , X - Y ) avec X + Y et
X - Y indpendantes donc la loi conditionnelle de R2 = h ( X +Y,X - Y )
sachant X - Y = O est la loi de h(X+Y,O), (voir Exemple VI.3.5.(ii))
cest--dire la loi de % ( X Y ) 2 .
On a X + Y - N ( o , 2 )
et pour t 2 0 :
P { i ( X + Y ) 2I t } = P { - J 2 t 5 X + Y 5
108
A}= 2F(&)
SOLUTIONS
f ( t )=
+Y)2
si t 5 O.
a
27T
P ( { R5 t } n { 5 a } ) = -(i
t2
e-?)
= P{R 5
t } P { 8 _< a}.
VI.10 Pour quune telle matrice coefficients positifs soit une matrice, dite
de transition, il faut et il suffit que pour tout i = 1,.. . ,n :
j=i
CONDITION
NCESSAIRE :
I{,+}
= 1
j=l
1 x=i
E(
j=l
x = i) = 1.
j=l
do la condition ncessaire.
O
109
CONDITION
SUFFISANTE
P{Y
= j } = E(I{Y,j})
= E(E(n{Y=j}
I X))
n.
i=l
P2,j P { X = i}.
=
i=l
VI.11 (On pourra se rfrer l'exercice VI.12.) Soit ( X i ,y Z ) un couple alatoire de loi donne Pi. Soit (Un)n2~
une suite de v.a. indpendantes de loi
uniforme sur [O, 11. La suite
est une suite de variables alatoires valeurs dans IR2, indpendantes o chaque
terme de la suite est de loi donne Pk.
VI.12 La loi d'un couple valeurs dans IR2 est donne par la valeur de
E ( c p ( X , Y ) )pour toute fonction borlienne borne cp dfinie sur IR2. Or
E(<p(X,Y ) )= E(E(<p(X,Y ) )I y ) ) .
La connaissance de la loi de Y et de la loi conditionnelle L ( X
permet donc de connatre la loi du couple ( X ,Y ) .
Le couple (Fyt( U ) ,FXIFY'(')+(V)) est de loi P.
I Y = y)
, ~donne
)
par :
VI.13 La densit du couple (Xi,n,S ~ + Iest
g(z, s ) = i(n - i)
(voir exercice IV.13).
110
f ( z ) f ( s z)FZ-l(z>(l- F ( s
+ X))+I
nous
SOLUI I O N S
i(n - i)(;)f(.)f(s
S++
= f(.
+s)(n
On a
P{Si+i,n 2 s I Xi,n =
+ .)Fi-'(.)(i
i (7) f(.)Fi-'(.)
i ) ( l- F(.
.>J,'+m
=
f(.
F(s
+ s)) n-i-1
+ .))n-i-l
+ t ) ( n- i ) ( l- F ( z + t))-
dt
Pour montrer la deuxime relation, on pose Yi = -Xi. La fonction de rpartition de cette variable alatoire est donne par : G ( t )= 1 - F ( - t ) . On dfinit
les variables Yi,,, . . . ,Yn,n partir des v.a. Yi et il est clair que les vecteurs
(Xl,n,. . . ,Xn,n) et
(Yi,?%,
. . . Y,,,)
1
P{Ti+i,n 2 s
I X,n = Y}
= (1 - G(Y
+s))~-'.
On pose y
2 s I Yz,n = Y}
= -2,
P(Y,+l,n - X,n L I q 7 1 = Y}
= P{-Xn-z,n + Xn+l-i,n 2 s I -Xn+l-i,n = Y}
= W L + l - i , n - Xn-i,n 2 s I Xn+l-i,n = -Y}.
=
et on obtient :
P{Xn+i-i,n-Xn-i,n 2 s I Xn+l-i,n = X}
(l-G(-z+s))n-i = ( F ( ~ - s ) ) ~ - z ,
VI.14
a) La variable Il,, est une fonction de ( X i , . . . , X n ) , symtrique en les va-
Iz,n = (p(Xi).
La loi du vecteur ( X i , .. . , X n ) tant invariante par permutations des
variables X i , le vecteur
est changeable.
h) La variable
n
C(1
n- 1
- &,n) = n
i=l
I2,n
i=l
et on en dduit
(VT.2)
c ) On note Ai l'vnement {li,n = 1). On a l'(Ai) = l'(Al) et
d) Le vecteur
, . . ,In,+)tant
( 1 1 , ~.
changeable,
12,n =
1).
112
et donc :
D'autre part, on sait que pour toute fonction h continue sur E et pour
tout z E E :
[+'h(t)dt
car z
O'
eh(%)
s," h(t)d t
est drivable
Jx
h(t)dt
O'
e h ( z ) p.s. sur IR
sx" h(t)dt
-+O
E ~ ( X p.s.
) sur R.
On en dduit le calcul :
exp(-zf(X1))
p.s. sur R.
{(
113
( - 1F ( X ~ x / n >- F ( x ~ ) ) ~ - ~ E
) ( exp(-zf(Xl)))
I
- s,
I1 s'ensuit :
E(Ln(2))
1-
f ( t ) " f @ d) t = L ( z ) .
L;(z) =
n2
+
( n- i ) 2
1 - 2n
( n - i ) 2 C1 I i , n
+ ( n-
Ii,nIj,n.
.
(E
=n-
( n- I ) E ( L , ( ~ ) ) n ( i - ~ ( z ) ) .
N
( 1 - F ( X ~ z/n>
~ ( ~ 2 F
1 (- X
~ z/n> F ( x ~ ) ) ) ~ - ~
exP(-zf(Xi) - z f ( X 2 ) ) ,
= E ( exp(-zf(Xl))E(
= (1 - L(2))2.
E(Ln(2))
114
+ ( 1 - L ( z ) )2 =
1 - 2(1 - L ( 2 ) )
La variable &(II:) a une esprance qui tend vers L ( z ) et une variance qui
tend vers zro car :
V(L,(Z)) = E ( L i ( z ) )- E2(Ln(z))
--+
n
o.
Do le rsultat.
f ) La fonction L est clairement croissante et vrifie
VII: E [ O , + o o [ , O 5 L ( z ) I 1.
Par convergence domine, L ( x ) tend vers 1 quand II: tend vers +cc et
L est continue sur [O, +oo[ par les thormes classiques sur les fonctions
dfinies par une intgrale(*).
((
115
CHAPITRE
VI.
(Y)
(4 5 4 3
(Y) I E / 3 .
On a
l'(En)
-+i
et
E,
c {ILn(z)- L(z)I 5 E } .
O
D'o le rsultat.
VI.15
a) On pose Y = c f ( X )U , Y, la loi du couple ( X ,Y ) et dans la suite on
notera respectivement A1 et A2 la mesure de Lebesgue dans IR et IR2.
Il est clair que le couple (X,Y ) prend ses valeurs dans ((2, y), O 5 y 5
c f ( z ) } = f . D'autre part, la loi conditionnelle L(Y I X = x) est la loi
de cf(z)(voir Exemples VI.3.5 (ii)) c'est--dire la loi uniforme sur
[O, c f ( x ) ] .On a donc pour tout borlien A de B(R2):
{Nl = k } =
< g ( X ) } = (C - 1)c-l
0
=
nicUif(xi)
> g(xi)}
n { c U k f ( x5
k )g ( X k ) } .
i=l
Ces diffrents <{ facteurs >) tant des vnements indpendants, on en dduit
P{N1 = k } = (1- c-l)k-lc-1.
116
S01,IJTIO N s
=P{X E
B I Y 5 g ( X ) )=
g(t)dt.
La variable
XN,admet
On a pu ainsi simuler une variable admettant g pour densit. Cette simulation sappuie sur les simulations des variables X i et Ui et des <( tirages )>
indpendants. Une valeur Xjvi sera obtenue dautant plus rapidement,
en moyenne, que c est plus petite.
Soit B un borlien de IR,utilisant la variable N i presque srement finie,
on a :
P{xN,
B)=
CP({XIV,
E B ) n { N = IC}),
k>l
117
CHAPITRE
VI.
1).
= ~(II,(XN1))%9(XN2
Do lindpendance de X N et
~ XN~.
VI.16
a) Le vecteur (XI,,,
. . . , X,,,)
c Rn o
&(t) = { ( Z l , .. . ,xn),O 5 x 1 I
* . . I x, I
t},
et pour tout pav P = n [ a i ,bi] c A,@)
{ ( X l , n , .. * ,Xn,n) E p > =
{(XCr(l), . * * X,,,))
Pl
admet la densit
1 X,,,
= x) admet la densit
IC
5t
IC)
n! xn-l
tn (n- i)!
--
'
X,,,
admet la
E(cp(S1,*
1 . 7
, sn-1,
sn-1
+X ) 1 X ) )
o la variable alatoire X est indpendante des Si et suit une loi exponentielle de paramtre A. La loi conditionnelle L(cp(S1,.. . ,Sn-l, Sn-i+X) I
X = IC) est la loi de cp(S1,.. . ,
S,-i + I C ) (voir Exemple 3.5.(ii)).
119
CHAPITRE
VI.
. . , s,-l, s,)
cp(s1,.
AneXsnds1. . .ds,.
On en dduit (voir nouveau Exemple 3.5.(iii)) que la loi conditionnelle C((S1,. . . , Sn) I Sn+l = s) admet la densit :
ds.
Or
An-
An-ltn-1
ds 5
( n - i)!
Ae-ds 5
ltn- 1
( n - l)!
+
R.
o.
Ici et
A lvnement
- Nt,
}.
SO L c T I O Ns
Ici
2 1).Par
D'o le calcul :
CI
On en dduit que Nti - Nti-, suit une loi de Poisson de paramtre
A ( t i - t i - 1 ) puis, via la loi du vecteur ( N t l , . . ,Nt, - NtnPl),que les
variables Nti - Nti-l sont indpendantes.
O
121
VI1
MARTINGALES ( TEMPS DISCRET)
110nc s
V I I . l Soit (Xn),l>I
une suite de variables alatoires indpendantes, de mme loi
de Bernoulli P{ X , = O } = P{ X,,, = 2 } = 1/2. Pour tout n 2 1, on dsigne par
E
., la tribu engendre par X I , . . . , X,, et lon pose Z,,
= flIISlcln
X k . Dmontrer
qiie (Z,)n21 est une martingale par rapport ii la filtration (F,L)n>l
qui nest pas
uniformment intgrable.
-
que'
ri 5 I 5 k . C(.rr(/) 1 ~ ( 1 ). . . .T(//
- I ) ) c s f in loi
{ T ( 1 ) .. . . . T ( I 1 1) ).
~
CHAPITRE
VII. LIARTINGALES(
TEMPS DISCRET)
VII.3 (Urne de Polya) Une urne contient n boules noires et b boules blanches.
Une boule est tire au hasard, selon une probabilit uniforme sur les boules dans
lurne. Elle est remise dans lurne, et on ajoute aussi a boules de la couleur tire.
On itre cette procdure de tirage-ajout. Soit XO= n / ( n b) la proportion de
boules noires initialement dans lurne, et soit XI, la proportion de boules noires
la k-ime tape du tirage-ajout. Montrer que XI, est une martingale, pour la
= o(X1,. . . , X,). Montrer que cette martingale converge, et
suite de tribus FI,
donc que la proportion de boules noires converge vers une proportion a priori
alatoire Y .
Note : on peut montrer, mais cela demande un peu de calcul, que Y a pour loi
une loi de densit
+ +
V11.5 Sur (O, A, P ) , soit (Xn)n>lune suite de variables alatoires relles in1, soit F, la tribu engendre par
dpendantes, de mme loi. Pour t o u t n
Xi, . . . ,X,. On note les sommes partielles S, = X1 + . . . X,, n 2 1. On
convient que So = O et, pour tout z E IR,on dsigne par E lesprance dfinie
par E(.) = E ( . x). On parle alors de la marche alatoire S, partant de z au
temps O.
>
a) Soit N
11) Dduire de la question prcdente que pour toute fonction borlienne borne
q5 sur IR,et tout n 2 1,
E((X*)2)5 4 E ( X 3 .
124
NONCS
VII.7 Sur un espace probabilis (O, F,P ) , soit (Mn)lln<kune martingale par
et soit P n ) l < n < k une famille de variables
rapport une filtration
alatoires sur ( O , F , P ) telles que H , soit mesurable par rapport .Fn-l, pour
tout n = 1,.. . , k (avec la convention Fo = { 0, R }).
Soit a > O ; on dfinit T = min{l 5 n 5 k - 1 : IH,+lI > a } et T = k s i
l'ensemble dont on prend le minimum est vide. Dmontrer que T est un temps
d'arrt de la filtration
On pose, pour tout n = 1 , . . . , k ,
x,,=
H&uz - M i - l ) .
l<i<TAn
(M-1
= O).
VII.8
(Fn)lln5k.
P{T
=n
n E N,
} = a(1
(Fn)nEW
?
(Fn)nEN.
125
CHAPITRE
VII.
VII.9 Soient XI, . . . , X,, des variables alatoires indpendantes sur (a,
A, P ) ,
valeurs dans Rd ; on considre une norme quelconque 1) . 1) sur Rd, et on suppose
Il2) < 00 pour tout i = I , . . . ,n. Posons S, = XI . . . X,.
que ~(llxi
Dsignons par Ai, 1 5 i 5 n, la sous-tribu de A engendre par les variables
Xi,. . . , X i et par A0 la tribu triviale compose de 0 et 0. Pour tout i = 1,.. . ,n,
posons
4 = F(IISnll Ai) - E(((SnI1 Ai-i).
+ +
tablir que
lsisn
Ai)
E(dS 1 Ai-1) 5 E ( I I X i ( ( 2 ) ,
i = l , . .. ,n.
126
Dmontrer que, sur ([O, 11,A), (Xn)n>lest une martingale par rapport la suite
de tribus Fn = .(An, 1 5 IC 5
n 2 1. Dmontrer par labsurde quelle
est uniformment intgrable et en conclure lexistence de la densit de RadonNikodym de P par rapport A.
27b-9,
127
CHAPITRE
VII. MARTINGALES
(
TEMPS DISCRET)
Solutions
VIL1
E(Zn+l I Fn) = E ( X 1
E(Zn+l I Fn) = x1
= 2,.
Donc ( Z n )est bien une martingale par rapport la filtration Fn, Dautre part
2, prend les deux valeurs O et 2n avec P{Zn = an} = et P{Zn = O} = 1- 1
2%
et donc quel que soit c > O, partir dun certain rang, on a
&
lZnl dP
= 2nP{Zn = 2n} = 1.
6 , z n,>cl
On conclut que (Zn),>l
- est une martingale L~ (car
mment intgrable (voir Dfinition V.3.3).
VIL2
x,
CC~(.)
IC - n + 1 c
2=1
k
- xn-l = k - n i=l
-
IC
k
n-l
n-1
C
i=l
c4i)
(z
- k -n+1
(VII. 1)
128
OLTJTIONS
La loi conditionnelle L(n(i) ~ ( l.). .,r ( n - 1))est donc la loi uniforme sur
(1,.. . , k } \ ( ~ ( l.). .,,T(n - 1)).Ainsi sur ( ~ ( 1=) i l , . . . ,n(n - 1) =
et
pour n 5 i 5 k , on a :
E(Xk+1
et donc
La suite ( X k , F k ) est bien une martingale. D'autre part, quel que soit k , on
a l X k l <_ 1, donc pour tout IC, E(lXk1) 5 1. La suite ( X k ) est donc une
martingale LI qui converge presque srement.
O
129
en posant So = O.
On en dduit que S
A := Sn - n E ( X 1 ) est une martingale. Daprs le thorme
A est
darrt de Doob (voir Thorme VII.1.12), la suite (finie) Si,SkAn,S
une martingale et donc
E(SkAn)= E(S:,) = o.
E(T A n) * E ( T ) et E(STAn) -+ E ( S T )
On dduit alors de (V11.2) que ST est intgrable et que E ( S T )= E ( T ) E ( X l ) .
Dans le cas gnral o les X i ne sont pas ncessairement positives, (VII.2) est
encore valable mais largument de convergence monotone pour justifier que
E ( S T ~converge
~)
vers E ( S T )et que ST est intgrable nest plus valable ici.
convergente vers ST presque srement et de
En revanche on a toujours
plus
Cette dernire variable alatoire tant intgrable (voir premier cas), on conclut
par convergence domine :
VII.5
a) Pour montrer que S n + ~ ST est indpendant de
Vf borlienne borne,
130
E(f(s~+~
- S T ) I FT)= constante.
Pour A E FT, on a
E ( f ( X k + l +. . .
k= 1
+ X,+,))
. P ( A ri {T = k } )
+ . . . + X,))P(A).
=E(f(X1
+ + XT+, et S,
{XT+l+'.'+xT+n E B } =
U ({xTS1
+ . . . + xTSnE B ) n {T = I C ) ) .
k=l
Donc
P{XT+l+ . . *
+ XT+, E B }
N
+ + xk+,E B ) ri {T = IC))
P ({xk+l. .
=
k=l
N
= P{XI+ * .
. +x, E B } C P { T = k }
k=l
= P { X 1 + . . . + X , EB}.
Donc X T + ~ . . .
+ ST))
( +~Y) dQ(%)WY,
2).
E(Z6(Sn+T))= E(Z6(Sn+T - ST
=
11
z4
o Q et R dsignent respectivement les lois de S,+T - ST (c'est-dire celle de S,) et du couple ST,^). D'autre part si on pose
131
CHAPITRE
VII.
+Co
t P { X * > t }d t = 2
E((X*)2=
) 2
O
t E(lt{x*>t})
dt.
(VII.3)
E ( ( x * ) 2I
) 2
E(lXkl l { X * > t } ) dt
= 2E(JiW
le thorme de Fubini
X*
= 2E(/
lxkl
d t = 2 E ( X * IXkl)
5 2 ( E ( X * ) 2 ) 1 /(EIXk12)1/2,
2
par lingalit de Cauchy-Schwarz.
On en dduit alors
E ( ( X * > 25
) 4E(X,2).
v11.7 Le fait que T soit un temps darrt vient de
132
SOLUTIONS
Enfin en crivant
xn = x n n(T5n-l) + x, n{T,n},
on obtient
O
133
CHAPITRE
VII.
h1ARTING41,ES
(A TEhlPS
1)ISCIIET)
b) On crit T A ( n
E(T A .(
+ ( n+ 1)4 l { T > n }
= (T A 4 - ( ( TA 4 - .( + 1)4 ) n{T>n}
= ( T A 4 + 4 l{T>n}.
c) laide des calculs prcdents, on obtient
E(X,+l
Pour que le processus (X,) soit une martingale relativement la filtrail suffit que 4 (a 1) = 1, cest--dire que a =
tion F.,
t.
d) On remarque que
Xn+l
xn =
I{T>n+l}- l ( T = n } ,
et donc
2
(xn+l - xn> =
n{T2n+l}+ I{T=n}
= Q2 n{T,.+l}
+ l{Q,}
B{T>n+l}.
I1 sensuit que
E((X,+l
a2
I 3,) =
2
Q
4 l{T>n}
+ l { T > n } - 4 n{T,n}
= b 2 q +P> l{T?n} =
n{T>n)
x; - a(T A (n - 1)).
E ( X i + , - Q(T A a ) I 6%)
Et en utilisant
E ((Xn+l - X.I2
I Fn) = JW:+,
= E(X?L+l
a n{T2n} - a ( T A TL) = -a (T A .(
ce qui ne prsente pas de difficult.
134
il),
VII.9
a) La somme
I Ai).
Lidentit
135
CHAPITRE
VII. MARTINGALES
( TERIPS
DISCRET)
Enfin :
=E
((
di)2)
d'aprs a)
lsiln
On calcule alors
An
= P(Ar+')
+ P(AY::)
= P(Ak).
D'o
X , dX = O.
(VII.4)
n2l {X,>C}
On utilise le fait que P est absolument continue par rapport X et plus prcisment la proprit de l'absolue continuit suivante :
SOLUTIONS
On peut alors construire une suite d'vnements ( A k ) telle que pour tout k
1
X(Ak) < - et P ( A k ) 2 E .
k2
et
P(Uk2nAk) 2 P(An) 2 E *
On obtient ainsi la contradiction X(A) = O et P ( A ) # O, Ceci prouve la proprit (P).
Montrons alors (V11.4). On observe que
{X,>C)
En effet, en notant
on a
In = (1,. . . ,2'-'}
et 1
: = { k E In,P(AF) > cX(AF)},
= $. Donc pour
De plus, d'aprs l'ingalit de Markov, X{Xn > c} <
tout E strictement positif et tout entier n, P { X n > c} < E pourvu que c soit
suffisamment grand. (suprieur f avec les notations de la proprit (P)).Ce
qui prouve que la suite ( X n ) vrifie (V11.4).
On en dduit alors que ( X n ) converge A-presque srement vers une variable
') = X , pour tout entier n. Or
alatoire X qui vrifie E ( X I F
I1 s'ensuit que
V n 2 1 et V 1 5 k 5 2'-',P(Ak)
'
-LE
-
XdX.
137
P([O,t ] )= E(lp,ti)=
n
SA
138
VI11
CHANESDE MARKOV ( ESPACE DTATS
DNOMBRABLE)
noncs
VIII.1 quelles conditions deux matrices
= (Pij)i<i<n,i<j<m
et
(Qij)ili<rn,i<j<n
sont-elles les lois conditionnelles L ( X I Y ) et L(Y I X ) de deux variables alatoires X et Y prenant respectivement n et m valeurs? Montrer que si lon connat
C ( X 1 Y ) = P et L(Y 1 X ) = Q, alors on connat la loi du couple ( X ,Y ) .
VIII.2 Montrer que ( X ,. . . , X,) est une chane de Markov valeurs daris un
ensemble fini E si et seulement si il existe des fonctions gi : E x E + [O, 00 [,
OI
i 5 n - 1, telles que, pour tous 2 0 , .. . ,X, E E,
= SO(Z0, X l ) g l ( %
X2)
. . .g n - l ( ~ n - l , X , ) .
VIII.3 Sur lensemble fini E = Z/mZ, on considre la chane (Xn),>,, de gnrateurs p ~ , i + k= ~ i , i - k = 1/2, Pi,j = O sinon, o 1 5 k < rn. Pour quelles valeurs
de m et k la chane est-elle rcurrente irrductible? Donner, dans tous les cas,
ses classes de rcurrence et la mesure invariante de ses classes. Lorsque la chane
est rcurrente irrductible, dterminer quand elle est apriodique. Montrer que
lon peut raliser la chane (X,),,,
sous la forme X n + l = ~ ( X , , E , ) avec une
fonction f et une suite (E,),>, - d e variables alatoires dans { -1, +1} que lon
dterminera.
CHAPITRE
VIII.
VIII.4 Soit (Xn),>o une chane de Markov espace dtats fini, de matrice de
transition Pij avec p Z j > O pour tout couple ( i j ) .On suppose que X , = i p.s. et
lon choisit j # i. Soit
T=inf{n>1 : X n = j } .
Dmontrer quil existe p E] O, l[ tel que P{ T > n } 5 pn pour tout n
2 1.
VIII.5 Soit ( V , )un graphe connexe non orient densemble de sommets fini
V et densemble dartes E V x V. On associe chaque arte ( i j ) un poids
wi,j = wj,i > O et lon pose wi = C jwi,j. Dterminer la mesiire invariante de la
chane de Markov sur V de matrice de transition Pi,j = w i , j / w i .
140
SOLUTION
s
Solutions
VIII.1 On peut considrer que les variables X et Y sont respectivement
valeurs dans (1,... , m } et (1, ..., n } avec P { X = i } # O et P { Y = i } # O
quel que soit i.
Si IP et Q reprsentent les lois conditionnelles L ( X I Y ) et L(Y I X ) , alors :
P{X =j
I Y = i}
~ {= jxn y = i } P{Y
-
=i
P{Y = i}
IX
=j}P{X = j }
P{Y = i}
P { X = j n Y = i} = Pj,i bj.
VIII.2 Si ( X o ,. . . ,X,) est une chane de Markov, alors par conditionnement
successifs et en utilisant la proprit de Markov, on obtient la relation :
Y7 x, P { X
on a
= 5 , y = Y,
P { Z = z I { X = z , Y =y}}
z= 4 = f(.,
=P{Z =x
lorsque P { X = z , Y = y} # O. En effet :
dune part, P { X = z, Y = y} = f(z,y) (
Y M Y ,4,
I Y = Y},
(VIII.3)
E,g(y, z ) ) , do
141
Ainsi
x = (XO,.
. . ,Xn-2), xn-l= Y, x, = 2
pour obtenir
VIII.3 Un point de IE = Z/mZ communique avec les points qui lui sont << distants >) de k. Ainsi, le point i communique avec tous les points i j IC mod ( m )
o j E Z.Pour quil communique avec ses voisins proches, i + 1 et i - 1, il faut
que
il existe j et j E Z, i
+ k j = i + 1+ jm,
cest--dire k j
- j
m = 1.
( 2 3 ::: T ) :
.... 1 0
p+l+lc
i;i
et la seule
+ ,.Am+l+k))
= -,j
2
est diffrente de 1. Do lexistence dune valeur propre de
de 1 et de module 1.
P distincte
143
CHAPITRE
VIII.
C H A I N E S DE h l A R K O V
(A ESPACE
DTATS DNORIBRABLE)
Do la conclusion :
la chane est irrductible, rcurrente et apriodique si et seulement si IC et m
premiers entre eux avec m = 2 ou m impair. La loi limite est alors la loi
uniforme sur E.
Lorsque m et k ne sont pas premiers entre eux et que d = PGCD(rn,IC), le
nombre de classes est d o dans chaque classe le nombre dlments est m/d.
lintrieur de chaque classe, la matrice de transition est du type de P o m
et k sont respectivement remplas par m/d et k / d .
En identifiant Z/mZ lensemble des racines rn-ime de lunit, not U
,, si
(E,)
est une suite de variables alatoires indpendantes dfinies sur (Cl, A, P )
valeurs dans {-1, 1} et si Xo est une variable alatoire dfinie sur le mme
(O, A, P ) valeurs dans Urn, alors la suite (X,) dfinie par
2ik7r
X,+i = X , e E n T
est une chane de Markov de matrice de transition
P.
VIII.4 Dans tout lexercice les entiers i et j sont deux entiers fixs distincts.
On pose
tant donn que les coefficients de la matrice stochastique P sont tous strictement positifs on a, dune part O < Q I , < 1 pour tout IC et, dautre part,
O < maxk Q I , < 1. On pose alors p = maxk QI,.
On va montrer par rcurrence sur n que Pi{T > n } 5 pn pour tout n 2 1.
Pour n = 1, on crit :
5 p.
144
SOLUT
IONS
VIII.5 Le fait que le graphe soit connexe implique que la chane de Markov
est irrductible. On pose
w=Cwi
et
pi =
wi
-.
W
145