Académique Documents
Professionnel Documents
Culture Documents
INP-HB
ENSEIGNANT
M. ALLA AHUI B.
ECOLE SUPERIEURE D’INDUSTRIE
EXERCICE I : Absence de mémoire et minimum de 2 lois exponentielles id.
On rappelle qu’une variable aléatoire de loi exponentielle E(λ) de paramètre λ >0
est à valeurs dans [0; +1[ et admet pour densité
−𝜆𝑥
𝑓𝜆 (𝑥 ) = 𝜆𝑒 −𝜆𝑥 1𝑥≥0 ={𝜆𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑠𝑖 𝑥 < 0
1. Soit X une variable aléatoire de loi 𝜺(𝝀) avec 𝝀 >0. Calculons 𝚸(𝑿 > 𝒕)
pour t≥ 𝟎
= 1 − [−𝑒 −𝜆𝑡 + 1]
Pour t ≥ 0 𝚸(𝚾 > 𝒕) = 𝒆−𝝀𝒕
Ρ[(Χ>𝑡+𝑠)∩(Χ>s)]
Ρ(Χ > 𝑡 + 𝑠|Χ > 𝑠) =
Ρ(Χ>𝑠)
Ρ(Χ>𝑡+𝑠)
=
Ρ(Χ>𝑠)
1−Ρ(Χ≤𝑡+𝑠)
=
1−Ρ(Χ≤𝑠)
1−𝐹𝑋 (𝑡+𝑠)
=
1−𝐹𝑋 (𝑠)
𝑒 −𝜆(𝑡+𝑠)
=
𝑒 −𝜆𝑠
Pour tout t, s ≥ 0 𝚸(𝚾 > 𝒕 + 𝒔|𝚾 > 𝒔) = 𝒆−𝝀𝒕
1
Justifier le terme « absence de mémoire » :
Cette probabilité ne dépend pas de s, on dit que la loi exponentielle n’a pas
de mémoire.
D’où
𝑠
𝑓𝑌 (𝑡 + 𝑠) = 𝑓𝑌 (𝑡) (1 − ∫ 𝑓𝑌 (𝑢) 𝑑𝑢) , 𝑡, 𝑠 ≥ 0
0
𝑓𝑌 (𝑡+𝑠)−𝑓𝑌 (𝑡) 1 𝑠
Donc = −𝑓𝑌 (𝑡) ( ∫0 𝑓𝑌 (𝑢) 𝑑𝑢)
𝑠 𝑠
1 𝑠
Par continuité : ( ∫0 𝑓𝑌 (𝑢) 𝑑𝑢) → 𝑓𝑌 (0) = 𝜆
𝑠 𝑠⟶0
𝑓𝑌 (𝑡+𝑠)−𝑓𝑌 (𝑡)
D’où : = −𝜆𝑓𝑌 (𝑡)
𝑠
2
4. Résoudre l’équation différentielle et conclure que Y suit une loi 𝜺(𝝀)
avec 𝝀 >0.
𝑓𝑌 (𝑡)
𝑙𝑛 ( ) = −𝜆𝑡 + 𝑐𝑠𝑡𝑒
𝑓𝑌 (0)
On sait que :
∀ 𝑡 ≥ 0 Ρ(𝑇 > 𝑡) = Ρ(min(U, V) > t)
Ρ(𝑇 > 𝑡) = Ρ(U > t, V > t)
𝚸(𝑻 > 𝒕) = 𝚸(𝐔 > 𝐭). 𝐏( 𝐕 > 𝐭) car, U et V sont indépendantes
D’après la propriété d’absence de mémoire on a :
3
Ρ[(T>𝑡+𝑠)∩(T>s)]
∀ 𝑡 ≥ 0 Ρ(T > 𝑡 + 𝑠|T > 𝑠) =
Ρ(T>𝑠)
Ρ(T>𝑡+𝑠)
=
Ρ(T>𝑠)
Ρ(min(U,V)>𝑡+𝑠)
=
Ρ(min(U,V)>𝑠)
Ρ(U>𝑡+𝑠).𝑃(𝑉>𝑡+𝑠)
=
Ρ(U>𝑠).𝑃(𝑉>𝑠)
Ρ(U>𝑡+𝑠) Ρ(V>𝑡+𝑠)
= *
Ρ(U>𝑠) Ρ(V>𝑠)
On a ∀ 𝑡 ≥ 0 Ρ(𝑍 ≤ 𝑡) = Ρ(min(X, Y) ≤ t)
Ρ(𝑍 ≤ 𝑡) = 1 − Ρ(min(X, Y) > t)
Ρ(𝑍 ≤ 𝑡) = 1 − [Ρ(X > t, Y > t)]
X et Y étant indépendantes, alors on a :
4
EXERCICE II :
Un joueur dispose d’un dé et d’une pièce. Le dé est équilibré et la pièce a
une probabilité p (0 < p < 1) de tomber sur pile. Le joueur lance d’abord le
d´e, puis lance la pièce autant de fois que le résultat du dé. Il compte enfin
le nombre de piles obtenu au cours des lancers. Les résultats sont indépendants.
On note q = 1- p. On note également D la variable aléatoire correspondant à la
valeur du dé et X celle correspondant au nombre de piles obtenus
à la fin du j.
5
𝒒 𝟏−𝒒𝟔
3. Montrer que 𝚸(𝚾 = 𝟎) = ( ).
𝟔 𝟏−𝒒
1 𝑞
Ρ(Χ = 0) = ∑6𝑖=1 𝑞𝑖 = (1 + 𝑞 + ⋯ + 𝑞5 )
6 6
Finalement on obtient :
𝒒 𝟏−𝒒𝟔
𝚸(𝚾 = 𝟎) = ( )
𝟔 𝟏−𝒒
4. Sachant que l’on n’a obtenu aucun pile au cours du jeu, quelle était la
probabilité que le résultat du dé était 1? Evaluer cette quantité quand
p = q = 1/2.
Or on sait que :
Ρ[(𝐷=1)∩(Χ=0)]
Ρ(𝑋 = 0|D = 1) =
Ρ(D=1)
Donc on tire :
Ρ[(𝐷 = 1) ∩ (Χ = 0)] = Ρ(𝑋 = 0|D = 1). Ρ(D = 1)
Par conséquent on obtient :
Ρ(𝑋 = 0|𝐷 = 1). 𝑃(𝐷 = 1)
Ρ(𝐷 = 1|Χ = 0) =
Ρ(Χ = 0)
6
𝑞
Ρ(𝐷 = 1|𝑋 = 0) = 6
𝑞 1 − 𝑞6
( )
6 1−𝑞
Finalement on obtient :
𝟏−𝒒
𝚸(𝑫 = 𝟏|𝑿 = 𝟎) =
𝟏−𝒒𝟔
𝟏
𝟑𝟐
𝚸(𝑫 = 𝟏|𝑿 = 𝟎) = 𝟐
𝟏𝟔
= ≈ 𝟎. 𝟓𝟎𝟖
𝟔𝟑
𝟏− 𝟔
𝟐
7
EXERCICE III :
On tire n fois de suite et de manière indépendante un réel suivant la loi uniforme
sur [0; 1]. On note Xi le résultat du i ème tirage, Sn la somme des n tirages et
Mn=Sn/n.
+∞
𝐸 (Χ1) = ∫ 𝑥. 𝑓𝑋 (𝑥 )𝑑𝑥
−∞
1
𝐸 (Χ1) = ∫0 𝑥. 𝑑𝑥
𝟏
𝑬(𝚾𝟏 ) =
𝟐
+∞
𝐸 (Χ12 ) = ∫−∞ 𝑥 2 . 𝑓𝑋 (𝑥 )𝑑𝑥
+∞
𝐸 (Χ12 ) = ∫−∞ 𝑥 2 . 𝑑𝑥
𝟏
𝑬(𝚾𝟏𝟐 ) =
𝟑
8
𝟐
𝑽(𝚾𝟏 ) = 𝑬(𝚾𝟏𝟐 ) − (𝑬(𝚾𝟏 ))
𝟏 𝟏 𝟐
𝑽(𝚾𝟏 ) = − ( )
𝟑 𝟐
𝟏
𝑽(𝚾𝟏 ) =
𝟏𝟐
𝑆𝑛
𝑀𝑛 =
𝑛
9
𝟏
𝑴𝒏 −𝟐 𝟏
↝ 𝑵(𝟎, 𝟏) ⇒ √𝟏𝟐𝒏 (𝑴𝒏 − ) ↝ 𝑵(𝟎, 𝟏)
𝟏 𝟐
√
𝟏𝟐𝒏
1
Posons 𝑇𝑛 = √12𝑛 (𝑀𝑛 − )
2
On a donc :
𝑃 (0.4 ≤ 𝑀𝑛 ≤ 0.6) = 𝑃(0.4 − 0.5 ≤ 𝑀𝑛 − 0.5 ≤ 0.6 − 0.5)
= 𝑃(−0.1√12𝑛 ≤ 𝑇𝑛 ≤ 0.1√12𝑛)
= 2𝑃(𝑇𝑛 ≤ 0.1√12𝑛) − 1
Comme 𝑃(0.4 ≤ 𝑀𝑛 ≤ 0.6) > 0.9
Alors ceci implique que : 2𝑃(𝑇𝑛 ≤ 0.1√12𝑛) − 1 > 0.9
⇒ 𝒏 ≥ 𝟐𝟐. 𝟒
On conclut donc que c’est à partir du 23e tirage que la probabilité que
Mn soit comprise entre 0.4 et 0.6 est supérieure à 0.9.
10
EXERCICE IV :
Soit a > 0. On considère
𝑓: 𝐼𝑅 2 ⟶ 𝐼𝑅 2 𝑑é𝑓𝑖𝑛𝑖𝑒 𝑝𝑎𝑟 ∶
𝑥2 +𝑦2
1 −
𝑓(𝑥, 𝑦) = 𝑒 2 + ℎ(𝑥). ℎ(𝑦)
2𝜋
Avec h la fonction,
ℎ(𝑡) = 𝑡. 1Ι𝑡Ι≤𝑎
𝑥2 +𝑦2
𝟏 − +∞ +∞
= ∫ 𝑒 2 𝑑𝑥 𝑑𝑦 + (∫−∞ ℎ (𝑥 )𝑑𝑥 )(∫−∞ ℎ(𝑦)𝑑𝑦)
𝟐𝝅 𝑰𝑹𝟐
11
+∞ +∞ +∞
∫ ℎ(𝑥 )𝑑𝑥 = ∫ 𝑥𝑑𝑥 𝑒𝑡 ∫ ℎ(𝑦) 𝑑𝑦 = 0
−∞ −∞ −∞
Donc
+∞ +∞ +∞ +∞ 1 −𝑥 2+𝑦2
∫ ∫ 𝑓 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∫ ∫ 𝑒 2 𝑑𝑥 𝑑𝑦
−∞ −∞ −∞ −∞ 2𝜋
2 2
1+∞ −𝑥 1 +∞ −𝑥
= ( ∫ 𝑒 2 𝑑𝑥 ) ( ∫ 𝑒 2 𝑑𝑥 )
√2𝜋 −∞ √2𝜋 −∞
2 2
1+∞ −𝑥 +∞ −𝑦
1
Or ( ∫ 𝑒 2 𝑑𝑥 ) = ( ∫ 𝑒 2 𝑑𝑥 ) = 1
√2𝜋 −∞ √2𝜋 −∞
Par conséquent on trouve bien
∫ 𝒇(𝒙, 𝒚)𝒅𝒙𝒅𝒚 = 𝟏
𝐼𝑅2
On peut donc conclure que f est la densité d’un vecteur aléatoire (X, Y).
𝑥2 2
1 − +∞ −𝑦 𝑎
= 𝑒 2 ∫−∞ 𝑒 2 𝑑𝑦 + ℎ(𝑥). ∫−𝑎 ℎ(𝑦)𝑑𝑦
2𝜋
2 2
√2𝜋 −𝑥 𝑎 +∞ −𝑦
=
2𝜋
𝑒 2 𝑐𝑎𝑟 ∫−𝑎 ℎ(𝑦)𝑑𝑦 = 0 𝑒𝑡 ∫−∞ 𝑒 2 𝑑𝑦 = √2𝜋
Conclusion, nous obtenons
𝑥2
1 −
𝑓𝑋 (𝑥 ) = 𝑒 2
√2𝜋
12
2 +𝑦2
+∞ 1 +∞ −𝑥 +∞
𝑓𝑌 (𝑦) = ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑥 = ∫ 𝑒 2 𝑑𝑥 + ∫−∞ ℎ(𝑥 ). ℎ(𝑦)𝑑𝑥
2𝜋 −∞
𝑦2 2
1 − +∞ −𝑥 𝑎
= 𝑒 2 ∫−∞ 𝑒 2 𝑑𝑥 + ℎ(𝑦). ∫−𝑎 ℎ(𝑥)𝑑𝑥
2𝜋
𝑦 2 2
√2𝜋 − 𝑎 +∞ −𝑥
=
2𝜋
𝑒 2 𝑐𝑎𝑟 ∫−𝑎 ℎ(𝑥)𝑑𝑥 = 0 𝑒𝑡 ∫−∞ 𝑒 2 𝑑𝑦 = √2𝜋
Conclusion, nous obtenons
𝑦2
1 −
𝑓𝑌 (𝑦) = 𝑒 2
√2𝜋
4. Calculons 𝑷(𝑿 ≥ 𝟎 , 𝒀 ≥ 𝟎)
+∞ +∞
𝑃 (𝑋 ≥ 0, 𝑌 ≥ 0) = ∫0 ∫0 𝑓 (𝑥, 𝑦)𝑑𝑥𝑑𝑦
2 +𝑦2
+∞ +∞ 1 −𝑥 𝑎 𝑎
𝑃 (𝑋 ≥ 0, 𝑌 ≥ 0) = ∫0 ∫0 2𝜋 𝑒 2 𝑑𝑥 𝑑𝑦 + ∫0 ∫0 ℎ(𝑥 )ℎ (𝑦)𝑑𝑥𝑑𝑦
𝑥 2 𝟐
+∞ 1 𝒂 𝟐
= (∫𝟎 𝑒− 2 𝑑𝑥 ) + (∫𝟎 𝒉(𝒙)𝒅𝒙)
√2𝜋
𝑥 2 𝑥 2
+∞ 1 −2 +∞ 1
Remarquons que ∫−∞ 2𝜋 𝑒 𝑑𝑥 = 2. ∫0 𝑒− 2 𝑑𝑥 = 1
√ √2𝜋
1 2 𝑎 2
D’où 𝑃 (𝑋 ≥ 0, 𝑌 ≥ 0) = ( ) + (∫0 ℎ(𝑥 )𝑑𝑥 )
2
13
1 1 𝑎 2
2
𝑃(𝑋 ≥ 0, 𝑌 ≥ 0) = + ([ 𝑥 ] )
4 2 0
Finalement on obtient :
1 1 2
𝑃(𝑋 ≥ 0, 𝑌 ≥ 0) = + ([ 𝑎2 ])
4 2
𝟏
𝑷(𝑿 ≥ 𝟎, 𝒀 ≥ 𝟎) = (𝟏 + 𝒂𝟒 ) 𝒂𝒗𝒆𝒄 𝒂 > 𝟎
𝟒
+∞ 1 𝑥2 +∞ 1 𝑦 2
+∞ +∞
−
= (∫−∞ 2𝜋 𝑥𝑒 2 𝑑𝑥 ) (∫−∞ 2𝜋 𝑦𝑒 − 2 𝑑𝑦) + (∫−∞ 𝑥ℎ(𝑥 )𝑑𝑥)(∫−∞ 𝑦ℎ(𝑦)𝑑𝑦)
√ √
+∞ 2
= (∫−∞ 𝑥ℎ (𝑥 )𝑑𝑥 )
+∞ 2
= (∫−∞ 𝑥 2 𝑑𝑥 )
𝑎 2
1
= ([ 𝑥 3 ] )
3 −𝑎
Finalement on obtient
𝟒
𝑪𝒐𝒗(𝑿, 𝒀) = 𝒂𝟔 𝒂𝒗𝒆𝒄 𝒂 > 𝟎
𝟗
14
EXERCICE V :
Soient X et Y deux variables aléatoires indépendantes et de même loi
N (0;1).
𝑋+𝑌 𝑋−𝑌
On pose 𝑈= 𝑒𝑡 𝑉 =
√2 √2
1. Montrons que le vecteur (U, V) est Gaussien et précisons sa loi.
Posons Γ = (𝑈, 𝑉),
X, Y indépendantes de loi N(0,1) donc ( X, Y) est vecteur gaussien
N((00), 𝐼2)
1 1
𝑈 𝑋 √2 √2
( ) = 𝐴 ( ) 𝑎𝑣𝑒𝑐 𝐴 =
𝑉 𝑌 1 −1
(√2 √2 )
(U, V) est une transformation linéaire d’un vecteur Gaussien donc est aussi un
vecteur gaussien.
15
On obtient donc comme vecteur moyenne
𝑴𝚪 = (𝟎𝟎)
𝑉(𝑈) 𝐶𝑂𝑉(𝑈, 𝑉)
𝑉Γ = ( )
𝐶𝑂𝑉(𝑉, 𝑈) 𝑉(𝑉)
1
𝑉 (𝑈) = 𝑉 [ (𝑋 + 𝑌)]
√2
1 1
𝑉 (𝑈) = 𝑉 (𝑋 ) + 𝑉 (𝑌) + 𝐶𝑜𝑣(𝑋, 𝑌)
2 2
X et Y étant indépendants alors 𝐶𝑜𝑣 (𝑋, 𝑌) = 0 donc on obtient :
𝟏 𝟏
𝑽(𝑼) = 𝑽(𝑿) + 𝑽(𝒀) = 𝟏
𝟐 𝟐
𝑪𝒐𝒗(𝑼, 𝑽) = 𝑪𝒐𝒗(𝑽, 𝑼) = 𝟎
𝟏
2. Montrons que 𝑿𝒀 = [(𝑿 + 𝒀)𝟐 − (𝑿 − 𝒀)𝟐 ]
𝟒
1 1
[(𝑋 + 𝑌)2 − (𝑋 − 𝑌)2 ] = {[(𝑋 + 𝑌) − (𝑋 − 𝑌)][(𝑋 + 𝑌) + (𝑋 − 𝑌)]}
4 4
1 1
[(𝑋 + 𝑌)2 − (𝑋 − 𝑌)2 ] = (4𝑋𝑌)
4 4
D’où le résultat :
𝟏
𝑿𝒀 = [(𝑿 + 𝒀)𝟐 − (𝑿 − 𝒀)𝟐 ]
𝟒
3. Déduire que les variables réelles 2XY et (𝑿𝟐 − 𝒀𝟐 ) ont même loi.
Posons 𝜂 = 2𝑋𝑌 𝑒𝑡 𝛿 = (𝑋 2 − 𝑌 2 ) 𝑒𝑡 𝑔 : 𝐼𝑅 2 ⟶ 𝐼𝑅
(𝑥, 𝑦) ↦ 𝑥 2 − 𝑦 2
1
𝜂 = [(𝑋 + 𝑌)2 − (𝑋 − 𝑌)2 ]
2
𝑋+𝑌 2 𝑋−𝑌 2
𝜂=( ) −( )
√2 √2
𝜼 = 𝑼𝟐 − 𝑽𝟐
𝛿 = 𝑔(𝑋, 𝑌)
On a {
𝜂 = 𝑔(𝑈, 𝑉)
Les couples (U, V) et (X, Y) ont même loi donc les variables aléatoires 𝛿 𝑒𝑡 𝜂
ont aussi même loi.
17
EXERCICE VI :
𝑺𝒏
i) Montons que 𝒄𝒐𝒏𝒗𝒆𝒓𝒈𝒆 𝒅𝒂𝒏𝒔 𝑳𝟐 𝒗𝒆𝒓𝒔 𝒎.
𝒏
𝑡
Il faut contrôler correctement le reste 𝑜( ). Pour cela, on a
𝑛
𝑡
|(𝜑𝑋 (𝑡))𝑛 − 1𝑛 | ≤ 𝑛 |𝜑𝑋 ( ) − 1|
𝑛
𝑡
Pour montrer que ce majorant tend vers 0, on estime |𝜑𝑋 ( ) − 1| par
𝑛
𝑡 𝑡 𝑡 𝑡
𝑛 |𝜑𝑋 ( ) − 1| = 𝑛 |𝐸 [𝑒 𝑖𝑛 − 1]| = 𝑛 |𝐸 [𝑒 𝑖𝑛 − 1 − 𝑖 𝑋]|
𝑛 𝑛
𝑡
𝑡
≤ 𝑛𝐸 [|𝑒 𝑖𝑛 − 1 − 𝑖 𝑋|]
𝑛
𝑡 2 𝑋2 2𝑡|𝑋|
≤ 𝐸[𝑛 min ( 2 , )]
2𝑛 𝑛
On observe alors que
𝑡 2 𝑋2 2𝑡|𝑋|
𝑛 𝑚𝑖𝑛 ( 2 , ) ≤ 2𝑡|𝑋| 𝜖 𝐿1 𝑒𝑡
2𝑛 𝑛
𝑡 2 𝑋2 2𝑡|𝑋| 𝑡 2 𝑋2
𝑛 𝑚𝑖𝑛 ( 2 , )≤ → 0
2𝑛 𝑛 2𝑛2 +∞
Par le théorème de convergence dominée il vient
𝑡
lim 𝑛 |𝜑𝑋 ( ) − 1| = 0 i.e lim 𝜑𝑆𝑛 (𝑡) ⟶ 1 = 𝜑𝐸(𝑋)(𝑡)
𝑛⟶+∞ 𝑛 𝑛⟶+∞ 𝑛
𝑺𝒏
ii) Déduisons que 𝒄𝒐𝒏𝒗𝒆𝒓𝒈𝒆 é𝒈𝒂𝒍𝒂𝒎𝒆𝒏𝒕 en probabilité
𝒏
vers m.
19
𝑆𝑛
Posons ∀ 𝑛 ≥ 1, 𝑍𝑛 =
𝑛
Alors
𝑆𝑛
lim 𝑃 (| − 𝑚| ≥ 𝜀) = lim (1 − 𝐹𝑛 (𝑚 + 𝜀) + 𝐹𝑛 (𝑚 − 𝜀)) = 1 − 1 = 0
𝑛⟶+∞ 𝑛 𝑛⟶+∞
𝑚−𝜀 < 𝑚
Car {
𝑚+𝜀 > 𝑚
𝑺𝒏
Conclusion : Déduisons que 𝒄𝒐𝒏𝒗𝒆𝒓𝒈𝒆 é𝒈𝒂𝒍𝒂𝒎𝒆𝒏𝒕 en probabilité
𝒏
vers m.
D’où le résultat :
𝑆𝑛
𝑃( ≥ 𝜀) ≤ 𝑒 −𝜀𝑛𝑡 𝐸[𝑒 𝑡𝑆𝑛 ]
𝑛
Expression de 𝐸 [𝑒 𝑡𝑆𝑛 ]
Soit n≥1 un entier fixé et 𝜀 > 0. Comme les 𝑋𝑖 sont des v.a i.i.d on a :
𝐸 [𝑒 𝑡𝑆𝑛 ] = 𝐸[𝑒 𝑡(𝑋1 +𝑋2 +⋯+𝑋𝑛)] = 𝐸[ ∏𝑛𝑖 𝑒 𝑡𝑋𝑖 ]
= ∏𝑛𝑖 𝐸[𝑒 𝑡𝑋𝑖 ]
= 𝐸 [𝑒 𝑡𝑋 ]𝑛
Ainsi en remplacant 𝐸 [𝑒 𝑡𝑆𝑛 ] dans l’inegalité precedente on obtient :
𝑆𝑛
𝑃( ≥ 𝜀) ≤ 𝑒 −𝜀𝑛𝑡 𝐸 [𝑒 𝑡𝑋 ]𝑛
𝑛
𝑆𝑛
b) Montrons que 𝜶 < 𝟏 𝒆𝒕 𝒒𝒖𝒆 𝑃 ( ≥ 𝜀) ≤ 𝛼 𝑛
𝑛
𝛼 = 𝑖𝑛𝑓𝑡≥0𝑒 −𝜀𝑡 𝐸 [𝑒 𝑡𝑋 ]
Posons 𝑔(𝑡) = 𝑒 −𝜀𝑛𝑡 𝐸 [𝑒 𝑡𝑋 ]
On g (0) = 1 et 𝑔′ (0) = −𝜀 + 𝐸 [𝑋] = −𝜀
21
𝑆𝑛
c) Deduisons-en que ∑𝑛≥1 𝑃 ( ≥ 𝜀) ≤ +∞ et justifions que
𝑛
|𝑆𝑛 |
∑𝑛≥1 𝑃 ( ≥ 𝜀) ≤ +∞
𝑛
𝑆𝑛
𝛼 ≤ 1 donc ∑𝑛≥1 𝑃 ( ≥ 𝜀) ≤ +∞
𝑛
en appliquant la somme 𝑎𝑢 − 𝑋𝑖 au lieu des 𝑋𝑖 , on obtient alors
−𝑆𝑛
∑𝑛≥1 𝑃 ( ≥ 𝜀) ≤ +∞
𝑛
|𝑆𝑛 | 𝑆𝑛 −𝑆𝑛
or ∑𝑛≥1 𝑃 ( ≥ 𝜀) = ∑𝑛≥1 𝑃 ( ≥ 𝜀) + ∑𝑛≥1 𝑃 ( ≥ 𝜀)
𝑛 𝑛 𝑛
|𝑆𝑛 |
D’où ∑𝑛≥1 𝑃 ( ≥ 𝜀) ≤ +∞
𝑛
d) Conclusion
22