Vous êtes sur la page 1sur 4

Processus aléatoires

ENS Paris, 2013/2014

Bastien Mallein

Bureau V2

TD 4 – Borel-Cantelli, loi des grands nombres et quelques autres

27 février 2014

1 Quelques rappels sur Borel-Cantelli

Exercice 1 (Série aux différences). Soit (X n ) une suite de variables aléatoires réelles. Montrer que s’il existe une suite (a n ) de réels positifs telle que a n < +et P(|X n+1 X n | > a n ) < +, alors la suite (X n ) converge presque sûrement.

Démonstration. On applique le Lemme de Borel-Cantelli, presque sûrement il existe N N tel que pour tout n N , |X n X n1 | ≤ a n . Par conséquent, la série (X n X n1 ) est absolument convergente, donc

convergente. Par conséquent (X n ) converge.

Exercice 2 (Limite de X n /n). Soit (X n ) une suite de variables aléatoires i.i.d. Montrer que

X n

n

0

p.s. ⇐⇒ E(|X 1 |) < +.

n n → 0 p.s. ⇐⇒ E ( | X 1 | ) < + ∞

Montrer également que si E(|X 1 |) = +, en posant S n = X 1 + ··· + X n ,

lim sup

n+

|S n |

n

= +.

Démonstration. Soit > 0, on observe que

+> E(|X 1 |) E

+

k=1

1 {|X 1 |≥k } =

+

k=1

P(|X k | ≥ k ).

En appliquant le lemme de Borel-Cantelli, on a lim sup n+ |X n | , ce qui conclut. De la même façon, on a

n

+= E(|X 1 |) E

+

k=0 A1 {|X 1 |≥kA} =

+

k=0

P(|X k | ≥ kA).

Dès lors, on obtient lim sup n+ |X n | A. De plus lim inf n+ X n = 0, donc la suite ne converge pas p.s. Pour la conséquence, on observe que si (|X n |/n) est plus grand que A infiniment souvent, alors |S n /n| est

plus grand que A/2 infiniment souvent (soit avant le saut de A, soit après).

n

n

alors | S n /n | est plus grand que A/ 2 infiniment souvent (soit avant

1

Exercice 3. Soit (X n ) une suite i.i.d. de variables aléatoires gaussiennes centrées réduites, on pose S n = X 1 + ··· + X n .

1. Montrer que P(X 1 a) a+

1 2π e a 2 /2 .

a

Indication : On pourra utiliser que E 1 {X 1 a} = o(P(X 1 a)).

X 2

2. Déterminer la loi de S n / n. En déduire que si (a n ) est une suite de réels positifs telle que a n / n +, alors S n /a n 0 en probabilité. Peut-on conclure pour la convergence p.s. ? Montrer que pour

a n = n log n la convergence a lieu presque sûrement.

3. Montrer que

X

n

|X n |

lim sup 2 log n = lim sup 2 log n = 1

n+

n+

p.s.

Démonstration. 1. On réalise une intégration par parties, on a

a

+

e x 2 /2 dx =

a

+

xe x 2 /2 dx

x =

1 e a 2 /2 +
a

a

+

1

x

2

e x 2 /2 dx,

or 0

a

+

2 e x 2 /2

1

x

a

2

1

+

a

e x 2 /2 dx ; on obtient l’équivalent.

2. On observe trivialement que

S

n est une variable aléatoire gaussienne centrée réduite, en étudiant par

n

exemple la fonction caractéristique. On en déduit les résultats suivants, car

P(|S n /a n | > ) = P(|X 1 | > a n /n 1/2 ) 0.

La convergence p.s. ne tient pas par exemple en utilisant a n = n log log n, mais la preuve en sera faite bien plus tard. En revanche pour a n = n log n, c’est une conséquence des Exercice et question 1.

3. Une application de Borel-Cantelli nous donne facilement

P lim sup

n+

log n (−∞, 1 δ] [1 + δ, +) = 0,

X

n

2

car

+

n=1

P(X n 2 log n(1 + δ)) < +et

+

n=1

P(X n 2 log n(1 δ)) = +.

2 Quelques identités en loi

Exercice 4 (Une loi des grands nombres ?). On rappelle qu’une loi de Cauchy a pour densité rapport à la mesure de Lebesgue.

1 π(1+x 2 ) par
1
π(1+x 2 ) par

1. Soit U une variable aléatoire réelle de loi uniforme sur [π , π ]. Calculer la loi de tan U .

2.

3. Soit Y une variable aléatoire réelle dont la loi est 1 2 e |y| dy. Calculer la fonction caractéristique de la loi de Y .

4. Soit X, X deux variables aléatoires réelles indépendantes de loi de Cauchy et λ, µ R. Calculer la densité de la loi de λX + µX , et celle de XX .

2

2

Que vaut E(tan U ) ?

2

5. Soit (X n ) une suite de variables aléatoires réelles i.i.d. de loi de Cauchy. Calculer la limite (en loi), quand n +, de

X 1 + X 2 + ··· + X n

n

.

Démonstration. 1. Par changement de variables, tan U est une loi de Cauchy.

2. Question piège : une loi de Cauchy n’a pas d’espérance, elle n’est pas dans L 1 .

3. De simples calculs montrent que

par inversion L 1 , on a donc

Ψ Y (ξ) =

1

1+ ξ 2 ,

Ψ X (ξ) = e |ξ| .

4. On calcule

E(e (λX+µX ) ) = e −|ξ|(|λ|+|µ|) ,

donc λX + µX est une loi de Cauchy multipliée par |λ| + |µ|, dont la densité est

densité de XX s’obtient par des calculs directs :

2 log |x| π 2 (x 2 1) .

|λ|+|µ|

π(x 2 +(|λ|+|mu|) 2 dx. La

5.

On observe que X 1 +···+X n est une loi de Cauchy, par conséquent, la suite converge en loi vers une loi

n

de Cauchy. C’est un exemple où la loi des grands nombres ne marche pas, les fluctuations p.s. ayant lieu à l’échelle n. Il existe toute une variété de loi, appelées loi stables, dont la suite des sommes partielles possède des fluctuations typiques d’ordre n 1/α , α [1, 2]. On a un « type de théorème de limite centrale » pour

chacune des valeurs de α.

Exercice 99 (Le chevalier de Méré). Ange et Morgane jouent à pile ou face de la façon suivante : le premier à obtenir 5 victoires remporte 144 pistoles. Hélas, le caïman les interrompt alors que le score est de 3 à 2. Comment doivent-ils se partager l’argent ? Même question si les 5 victoires doivent être consécutives, et que Morgane vient de gagner 2 fois d’affilée, après une victoire d’Ange.

Exercice 5 (Loi des records). Soit (X n ) une suite de variables aléatoires réelles indépendantes et positives de même fonction de répartition F supposée continue. On pose N = inf{n N : X n > X 0 } et Y = X N .

{ n ∈ N : X n > X 0 } et Y = X N

1. Calculer la loi de N et son espérance.

2. Calculer la loi jointe de (Y, N ), en déduire la fonction de répartition de Y et celle de F (Y ).

Démonstration. 1. On observe que

P(N > n) = P(X 1 X 0 , ··· X n X 0 ) = E +P(X 1 x, · · · X n x)dF (x)

0

= +

0

F(x) n dF (x) = F(x) n n+1 +1

+

0

par conséquent P(N = n) =

1

n

1

1

n+1 =

n(n+1) .

,

La loi de N ne dépend pas de la distribution des X j . De plus, E(N ) = +.

3

2. De la même façon que précédemment, on a

P(N = n, Y < y) = P(X 1 X 0 , ··· X n1 X 0 , X 0 X n < y)

Par conséquent,

P(Y < y) =

+

n=1

et P(F (Y ) < u) = u (1 u) ln(1 u).

=

y F(x) n1 (F (y) F (x))dF (x) = F(y) n+1

0

n(n + 1) .

F(y) n+1

n(n

+ 1) = F (y) (1 F (y)) ln(1 F (y)),

= F ( y ) − (1 − F ( y )) ln(1 − F (

3 Variations sur la loi des grands nombres

Exercice 6 (Somme de variables aléatoires pas indépendantes). Soit (λ n , n 1) une suite strictement

croissante d’entiers, U une variable aléatoire de loi uniforme, et X n = cos(2πλ n U ). On pose S n = X 1 +···+X n .

> ) C n 1

2. Montrer que max n 2 m<(n+1) 2 S m

3. En déduire que S n /n 0 p.s.

1. Montrer que P(

n

S n

m

puis que S n 2 /n 2 0 p.s.

S n 2

n

2

2(2n+1)

n 2

.

Démonstration. La clé de cet exercice est d’observer que

E(X p X q ) = δ p,q

par conséquent, en utilisant l’inégalité de Markov

P

S

n

n

> E(S 2

n 2

n

)

1

n

.

Borel-Cantelli garantit donc la convergence p.s. de la suite S n 2 /n 2 . On observe maintenant que

S

m

S n 2

=

n 2 S m mS n 2

= S m S n 2

+ (n 2 m)S m

m

n

2

mn 2

n

2

mn 2

.

En utilisant que les X j sont des variables aléatoires à valeurs dans [1, 1], on peut conclure. En mettant en commun les question 1 et 2, on obtient bien la convergence presque sûre de la suite.

Exercice 7 (Loi forte des grands nombres). Soit (X n ) des variables aléatoires i.i.d. centrées avec un moment d’ordre 4 fini. On note S n = X 1 + ··· + X n . Calculer E(S n ), et en déduire que S n /n converge p.s. vers 0.

Démonstration. On a

que S n /n converge p.s. vers 0. Démonstration. On a 4 4 n P (

4

4

n

P(|S n | ≥ n ) E(S

)

4 n 4

nE(X

4

1

)+ n 2 E(X

2

1

)

2

4 n 4

et on conclut grâce à la loi des grands nombres.

) 4 n 4 ≤ n E ( X 4 1 )+ n 2 E (

4