Académique Documents
Professionnel Documents
Culture Documents
Licence de Mathématiques
6ème Semestre
Probabilités ii
Table des matières
2 Indépendance et conditionnement 9
1 Tribus indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Variables aléatoires indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3 Somme de variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4 Probabilités conditionnelles, espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . 13
4 Théorèmes limites 29
1 Résultats préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2 Lois des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3 Théorèmes central limit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
iii
Probabilités iv
Chapitre 1
1 Définitions générales
Soit pΩ, Aq un espace mesurable.
— Ω est l’ensemble des résultats d’une épreuve aléatoire E.
— A est l’ensemble des événements associés à E.
Soit pE, Bq un autre espace mesurable.
Définition 1.1. 1. On dit que X : pΩ, Aq Ñ pE, Bq est une variable aléatoire (v.a.) si X est une
application mesurable de pΩ, Aq dans pE, Bq, i.e. pour tout B P B, X ´1 pBq P A.
On note X ´1 pBq “ tω P Ω{XpΩq P Bu par X P B ou tX P Bu.
2. On dit que X est une variable aléatoire réelle (v.a.r.) si pE, Bq “ pR, BpRqq.
3. On dit que X est un vecteur aléatoire réel de dimension k ě 2 si pE, Bq “ pRk , BpRk qq.
4. On appelle tribu engendrée par la variable aléatoire X la sous-tribu de A : X ´1 pBq “ tX ´1 pBq{B P
Bu, on la note aussi par σpXq.
Définition 1.2. On dit que P est une probabilité sur pΩ, Aq si P est une mesure positive bornée sur
pΩ, Aq de masse totale 1, i.e. P pΩq “ 1. On dit que pΩ, A, P q est un espace probabilisé.
Remarque.
1. Sauf mention contraire, l’espace probabilisé de base est toujours pΩ, A, P q.
2. Une probabilité est une mesure positive bornée, par conséquent la majorité des propriétés (propo-
sitions, théorèmes, . . .) du cours de Mesure & Intégration sont valides.
µp¨q
3. Si µ est une mesure positive bornée sur pΩ, Aq telle que µpΩq ‰ 0. Alors P p¨q “ est une
µpΩq
probabilité sur pΩ, Aq.
4. Un événement A est P -presque sûr (P -p.s.) si AC “ Ω\A est P -négligeable. Une propriété P
dépendant de ω P Ω est vraie P -presque sûrement si tω P Ω{Ppωq est fausse u est P -négligeable.
Proposition 1.1 (Continuité d’une mesure).
1. Soit pAn qnPN une suite croissante d’éléments de A alors
˜ ¸
ď
P An “ lim P pAn q
nPN
1
Probabilités 2
Remarque. La définition 2.1 est équivalente à : il existe un N pĂ Ωq P -négligeable tel que pour tout
ω P N C , lim Xn pωq “ Xpωq.
re
ÿ 2.1 (Lemme de Borel-Cantelli, 1 partie). Soit pAn qnPN une suite d’événements tels que
Proposition
la série P pAn q est convergente. Alors P plim sup An q “ 0.
nPN
Démonstration. On a
˜ ¸
č ď
P plim sup An q “ P Ak
nPN kěn
˜ ¸
ď
ď P An pour tout n P N
kěn
ÿ
ď P pAk q (sous-additivité)
kěn
qui est le reste d’ordre n d’une série convergente, tend vers 0 lorsque n tend vers l’infini. D’où P plim sup An q “
0.
č ď
Remarque. Soit ε ą 0. Posons En pεq “ p|Xn ´ X| ą εq et Epεq “ lim sup En pεq “ Ek pεq.
nPN kěn
L’ensemble de convergence de Xn Ñ X s’écrit
č ď č
C“ p|Xk ´ X| ď εq
εą0 nPN kěn
Ainsi
č ď č
D “ CC “ p|Xk ´ X| ą εq
εą0 nPN kěn
ď
“ Epεq
εą0
Si 0 ă ε ă ε1 , on aˆ: Epε 1
˙ q Ă Epεq, i.e. Epεq croit lorsque ε décroit vers 0.
ď 1
D’où D “ E . En particulier C est mesurable.
n
nPN˚
D’où Xn Ñ X P -p.s. si et seulement si P pDq “ 0.
Proposition 2.2. Avec les notations de la remarque précédente, on a P pDq “ 0 si et seulement si pour
tout ε ą 0 on a P pEpεqq “ 0.
Démonstration.
ď
1. Supposons que P pDq “ 0. Comme D “ Epεq, on a pour tout ε ą 0, P pEpεqq ď P pDq.
εą0
D’où P pEpεqq “ 0 pour tout ε ą 0.
ˆ ˙
ď 1
2. Supposons que pour tout ε ą 0, P pEpεqq “ 0. Comme D “ E , alors d’après la proposi-
˚
n
ˆ ˆ ˙˙ nPN
1
tion 1.1, on a P pDq “ lim P E “ 0.
n
Définition 2.2 (Convergence en probabilité). Soient pXn qnPN une suite de v.a.r. et X une v.a.r. On dit
que pXn qnPN converge en probabilité vers X si pour tout ε ą 0,
Proposition 2.3. Soient pXn qnPN une suite de v.a.r. et X une v.a.r. Soit Yn “ sup |Xk ´ X|. Alors
kďn
P
Xn Ñ X P -p.s. si et seulement si Yn Ñ 0.
Démonstration. Avec les notations de la remarque avant la proposition 2.2, soit n P N, soit ε ą 0, et soit
Fn “ p|Yn | ą εq. Alors
ˆ ˙
Fn “ sup |Xk ´ X| ą ε
kěn
ď
“ p|Xk ´ X| ą εq
kěn
ď
“ Ek pεq
kěn
Donc č
Fn “ Epεq
nPN
P
Proposition 2.4. Soit Xn Ñ X. Alors il existe une sous-suite pXnk qkPN extraite de pXn qnPN telle que
Xnk Ñ X P -p.s.
ř
Démonstration. Soit ε ą 0 et soit pηk qkPN une suite de réels strictement positifs tels que kPN ηk ă 8
(par exemple ηk “ 21k , k P N).
Par hypothèse, pour tout k P N, il existe ηk P N, tel que P p|Xnk ´ X| ą εq ă ηk .
D’où
ˆ ˙ ˜ ¸
ď
P sup |Xnk ´ X| ą ε “ P p|Xnk ´ X| ą εq
kěn kěn
ÿ
ď P p|Xnk ´ X| ą εq
kěn
ÿ
ď ηk
kěn
ř
kěn ηk est le reste d’ordre n d’une série convergente et donc tend vers 0. Le résultat en découle par la
proposition 2.3.
Proposition 3.1 (Inégalité de Tchebytvhev généralisée). Soit p P r1, `8r et soit X P Lp pΩ, A, P q. Alors
pour tout ε ą 0,
Ep|X|p q
P p|X| ě εq ď
εp
Probabilités 4
Remarque.
1. Inégalité de Markov : p “ 1, X ě 0.
Pour tout ε ą 0,
EpXq
P pX ě εq ď
εp
2. Inégalité de Tchebytchev : p “ 2, m “ EpXq.
Pour tout ε ą 0,
Ep|X ´ m|2 q varpXq
P p|X ´ m| ě εq ď “
ε2 ε2
3. Inégalité de Hölder : Soient p, q P r1, `8r, p1 ` 1q “ 1. Soient X P Lp pΩ, A, P q et Y P Lq pΩ, A, P q.
Alors,
||XY ||1 ď ||X||p ||Y ||q
1 1
Ep|XY |q ď pEp|X|p qq p ` pEp|Y |p qq p
Définition 3.2 (Convergence en moyenne d’ordre p). Soit p P r1, `8r. Soient X, Xn P Lp pΩ, A, P q. On a
dit que pXn qnPN converge vers vers X en moyenne d’ordre p si pXn qnPN converge vers X dans Lp pΩ, A, P q.
Lp
Autrement dit, lim ||Xn ´ X||p “ 0 ou lim Ep|Xn ´ X|p q “ 0. On note Xn Ñ X.
P p|Xn ´ X| ą εq ď P p|Xn ´ X| ă εq
Ep|Xn ´ X|p q
ď
εp
Par l’inégalité de Tchebytchev (3.1).
covpX, Y q
ρpX, Y q “
σpXqσpY q
Remarque.
1. Si ρpX, Y q “ 0, on dit que X et Y sont non corrélées.
2. D’après l’inégalité de Hölder (p “ q “ 2), on a
D’où |ρpX, Y q| ď 1.
3. Si X “ pX1 , ¨ ¨ ¨ Xk q est a valeurs dans Rk , k ě 2, on lui associe sa matrice de covariance Γ “
pΓij q 1ďiďk , où Γij “ covpXi , Xj q. Notons que Γ est une matrice symétrique dont la diagonale est
1ďjďk
composée des variances des Xi , 1 ď i ď k.
Probabilités 5
Définition 4.1 (Loi d’une variable aléatoire X). Soit X une variable aléatoire a valeurs dans pE, Bq. La
probabilité PX définie sur pE, Bq par :
PX pBq “ P pX ´1 pBqq “ P pX P Bq
pour tout B P B, s’appelle la loi de probabilité de X. Autrement dit PX est la mesure image de P par X.
Définition 4.2 (Egalité en loi). Soit X une variable léatoire (de pΩ, A, P q dans pE, Bq). Soit pΩ1 , A1 , P 1 q
un autre espace probabilisé. Soit Y une variable aléatoire de pΩ1 , A1 , P 1 q dans pE, Bq.
On dit que X et Y ont la même loi de probabilité si PX “ PY1 sur B (i.e. pour tout B P B, PX pBq “
L D
PY1 pBq). On note X “ Y ou X “ Y .
1 1
Qptauq “ Qptduq “ Qptbuq “ Qptcuq “ 3
6
1 1
Q1 ptauq “ Q1 ptduq “ Q1 ptbuq “ Q1 ptcuq “ 6
3
Alors Q et Q1 coïncident sur C, mais pas sur A , pQptauq ‰ Q1 ptauqq.
Définition 4.3 (Fonction de répartition). Soit X une v.a.r. (i.e. Bq “ pR, DpRq), la fonction de répartition
de X (f.r.) est définie par
F pxq “ PX ps ´ 8, xsq
“ P pX ď xq, xPR
Proposition 4.3 (Propriétés de la fonction de répartition). Soit X une variable aléatoire réelle de
fonction de répartition F .
Alors on a
1. 0 ď F pxq ď 1, pour tout x P R
2. F est croissante sur R
3. F est continue à droite sur R
4. limxÑ´8 F pxq “ 0, limxÑ`8 F pxq “ 1
Démonstration. Soit C “ ts ´ 8; xs{x P Ru. Alors la classe C est stable par intersection finie et engendre
la tribu BpRq. Comme l’égalité FX “ FY est équivalente à PX ps ´ 8; xsq “ PY ps ´ 8; xsq pour tout x P R,
i.e. PX et PY coïncident sur C. D’après 4.2, PX “ PY (sur BpRq).
Remarque. La fonction de répartition d’une variable aléatoire réelle caractérise d’une manière unique sa
loi.
Définition 4.4 (Loi d’un vecteur aléatoire réel X). Soit X un vecteur aléatoire à valeurs dans Rk . La
probabilité PX définie sur pRk , BpRk qq par :
PX pBq “ P pX ´1 pBqq “ P pX P Bq
pour tout B P BpRk q, s’appelle la loi de probabilité de X. Autrement dit PX est la mesure image de P
par X.
Définition 4.6 (Lois marginales). Soit X “ pX1 , ¨ ¨ ¨ , Xk q, k ď 2, un vecteur aléatoire a valeurs dans
Rk . On appelle lois marginales de X (resp. fonctions de répartition marginales de X), les lois PX (resp.
les fonctions de répartition) des Xi , 1 ď i ď k.
Probabilités 7
Exam
Remarque. 1. Soit X “ pX1 , ¨ ¨ ¨ , Xk q, un vecteur aléatoire à valeurs dans Rk . Soit pi1 , ¨ ¨ ¨ , ik q une
permutation de t1, ¨ ¨ ¨ , ku. Soit 1 ď m ă k. On appelle aussi la loi PpXi1 ,¨¨¨Xim de pXi1 , ¨ ¨ ¨ , Xim q
une loi marginale de X.
śm
2. Soit B “ j“1 Bij P BpRm q et Bij “ R pour m ` 1 ď j ď k.
Alors
˜ ¸
źk
PpXi1 ,¨¨¨Xim pBq “ PX Bj
j“1
Application Considérons maintenant un(e) v.a.r. X de densité fX et qui est P -p.s. à valeurs dans un
ouvert D de Rk . Soit ψ un C 1 -difféomorphisme de l’ouvert D dans l’ouvert ∆. Soit Y “ ψpXq.
Soit h : R Ñ R une application borélienne intégrable (ou positive).
On a d’un part :
ż
EphpY qq “ hpY pωqqdP pωq
żΩ
“ hpyqdPY pyq (X à valeurs dans D)
∆
Probabilités 8
D’autre part,
EphpY qq “ EphpψpXqqq
ż
“ hpψpXpωqqqdP pωq
żΩ
“ hpψpxqqdPX pxq (X à valeurs dans D)
żD
“ hpψpxqqfX pxqdλpxq
D
ż
“ hpyqfX pψ ´1 pyqq| det Jψ´1 pyq|dλpyq
∆
Il s’ensuit que dPY pyq “ fX pψ ´1 pyqq| det Jψ´1 pyq|1∆ dλpyq, i.e. la densité de Y est égale à
Indépendance et conditionnement
1 Tribus indépendantes
Soit pΩ, A, P q un espace probabilisé.
Définition 2.1 (V.a. indépendantes). — Soient X1 , ¨ ¨ ¨ , Xn n v.a. à valeurs dans pE1 , B1 q, ¨ ¨ ¨ , pEN , Bn q.
— On dit que X1 , ¨ ¨ ¨ , Xn sont indépendantes si σpX1 q, ¨ ¨ ¨ , σpXn q sont indépendantes (σpX1 q “
tX1´1 pBq{B P B1 u).
— Une famille pXi qiPI est formée de v.a. indépendantes si pour tout J Ă I, J fini, les v.a. Xj , j P J,
sont indépendantes.
Proposition 2.1. Soit X “ pX1 , ¨ ¨ ¨ , Xn q un vecteur aléatoire. Les Xi sont à valeurs dans pEi , Bi qiPJ1,nK .
Les X1 , ¨ ¨ ¨ , Xn sont indépendantes si et seulement si PX “ PX1 b ¨ ¨ ¨ b PXn sur B1 b ¨ ¨ ¨ b Bn .
Démonstration.
9
Probabilités 10
2. Soit hi : pEi , Bi q Ñ pR, BpRqq, 1 ď i ď n, n appications positives mesurables (ou les hi pXi q
intégrables, 1 ď i ď n), alors
« ff
n
ź n
ź
E hi pXi q “ Ephi pXi qq
i“1 i“1
3.
n
ź
FpX1 ,¨¨¨ ,Xn q “ FXi pEi “ R, 1 ď i ď nq ô 4
i“1
4.
n
ź
fpX1 ,¨¨¨ ,Xn q “ fXi (si elles existent) ô 3
i“1
Démonstration.
1. Comme σphi pXi qq Ă σpXi q, 1 ď i ď n, l’indépendance des Xi , 1 ď i ď n, entraîne l’indépendance
des hi pXi q, 1 ď i ď n.
2.
« ff
n
ź n
ż ź
E hi pXi q “ hi pXi qdP
i“1 Ω i“1
ż ź n
“ hi pXi qdPpX1 ,¨¨¨ ,Xn q px1 , ¨ ¨ ¨ , xn q
Rn i“1
ż ź n
“ thi pxi qdPXi pxi qu
Rn i“1
n
ź „ż
“ hi pxi qdPXi pxi q
i“1 Rn
źn „ ż
“ hi pXi qdP
i“1 Ω
źn
“ Erhi pXi qs
i“1
3. Soit
n
ź
C“t s ´ 8; xi s{x1 , ¨ ¨ ¨ , xn P Ru Ă B1 b ¨ ¨ ¨ b Bn
i“1
i.e.
FpX1 ,¨¨¨ ,Xn q px1 , ¨ ¨ ¨ , xn q “ FX1 px1 q ˆ ¨ ¨ ¨ ˆ FXn pxn q @x1 , ¨ ¨ ¨ , xn P B
D’après la proposition 2.1,
fpX1 ,¨¨¨ ,Xn q px1 , ¨ ¨ ¨ , xn qdx1 ˆ ¨ ¨ ¨ ˆ dxn “ fX1 px1 q ˆ ¨ ¨ ¨ ˆ fXn pxn qdx1 ˆ ¨ ¨ ¨ ˆ dxn
Proposition
ř 2.3 (Lemme de Borel-Cantelli 2èmz partie). Soit pAn qnPN P AN indépendants tels que
nPN P pAn q “ `8.
Alors,
P plim sup An q “ 1
n
Probabilités 11
Démonstration. Posons ď
Bn “ Ak n P N˚
kěn
č
lim sup An “ Bn
n n
On a
˜ ¸
ď
P pBn q “ P Ak
kěn
˜ ¸
č
“ 1´P ě nAck
k
˜ ¸
m
č
“ 1 ´ lim P Ack
mÑ`8
k“n
m
ź
“ 1 ´ lim P pAck q
mÑ`8
k“n
źm
“ 1 ´ lim r1 ´ P pAk qs
mÑ`8
k“n
« ff
m
ÿ
ě 1 ´ lim exp ´ P pAk q (car e´x ě 1 ´ x, 1 ě x ě 0q
mÑ`8
k“n
˜ ¸
m
ÿ
ě 1´0 P pAk q Ñ `8, n Ñ `8
k“n
Ť
Démonstration. Y est une application de Ω Ñ E, donc Ω “ yPE (dénombrable et disjointe). Le fait que
X est une v.a. assure la mesurabilité des ensembles
Ť pY “ yq “ tω P Ω{Y pωq “ yu “ Y ´1 ptyuq, y P E. On
décompose l’événement pX ` Y “ Zq sur yPE pY “ yq “ Ω.
ď
pX ` Y “ zq “ rpX ` Y “ zq X pY “ yqs (disjointe)
yPE
ď
“ pX ` Y “ z, Y “ yq (notation)
yPE
ď
“ pX “ z ´ y, Y “ yq
yPE
D’où ÿ
P pZ “ zq “ P pX “ z ´ y, Y “ yq
yPE
Remarque.
— Si X et Y sont indépendantes, alors :
ż `8 ż `8
fZ pzq “ fpX,Y q px, z ´ xqdx “ fX pxqfY pz ´ xqdx
´8 ´8
ż `8 ż `8
“ fpX,Y q pz ´ y, yqdy “ fX pz ´ yqfY pyqdy
´8 ´8
i.e.
fZ “ fX ˚ fY “ fY ˚ fX
— D’une manière générale : si X1 , ¨ ¨ ¨ , Xn sont des v.a.r. indépendantes absolument continues, alors
la densité de Z “ X1 ` ¨ ¨ ¨ ` Xn : fZ “ fX1 ˚ ¨ ¨ ¨ ˚ fXn .
Remarque. Qp¨q “ P ¨ B est une probabilité sur pΩ, Aq, concentré sur B.
`L ˘
Définition 4.2. Soit X une v.a.r. discrète à valeurs dans E “ txj P R{j P J Ă Nu. La probabilité
conditionnelle de A P A sachant X “ xj est définie par :
#
P pAXrX“xj sq
si P pX “ xj q ‰ 0
´ L ¯
P A P pX“xj q
X “ xj “ 0 si P pX “ xj q “ 0
Remarque. ´L ¯
— Qp¨q “ P ¨ X “ x est une probabilité sur pΩ, Aq et la définition naturelle de l’espérence condi-
j
tionnelle d’une v.a.r. Y sachant X “ xj est
´ L ¯ ż ´ L ¯
E Y X“x “ Y pωqdP ω X “ x
j j
Ω looooooooomooooooooon
dQpωq
Soit X une v.a. à valeurs dans pE, Fq. Soit a P A. Notons par :
QpF q “ P pA, X P F q @F P F
PX pF q “ P pX P F q la loi de X
Alors,
0 ď QpF q ď PX pF q @F P F
Donc la mesure bornée (alors σ-finie) Q est absolument continue par rapport à la probabilité PX (i.e.
QdoublechevronsPX ). D’après le théorème de Radon-Nikodym, il existe une classe d’équivalence modulo
PX , de fonctions F-mesurable telles que pour tout ϕ appartenant à cette classe
ż
QpF q “ ϕpxqdPX pxq @F P F
F
Probabilités 14
´ L ¯
Définition 4.3. Soit A P A. La probabilité conditionnelle de A sachant que X “ x, notée P A X “ x ,
est définie comme étant toute fonction F-mesurable vérifient :
ż ´ L ¯
P pA, X P F q
loooooomoooooon “ P A X “ x dPX pxq @F P F
F
loooooooomoooooooon
QpF q
ϕpxq
Remarque. ´ L ¯
— La notation P A X “ x peut désigner à la fois la classe de fonctions F-mesurables (modulo R)
vérifiant la déf. 4.3
´ ou\et un¯élément de cette classe.
— Posons ϕpxq “ P A L
X “ x , x P E. Alors
Une manière naturelle pour définir la probabilité conditionnelle sur l’espace pΩ, Aq est de poser
´ L ¯
P A Xpωq “ ϕpXpωqq @ω P Ω
Comme´ ϕ : pE, Fq Ñ pR, BpRqq est F-mesurable, ϕpXq : pΩ, Aq Ñ pR, BpRqq est σpXq-mesurable
L ¯
(car P A X “ ϕpXq).
Définition 4.4. Soit A P A. La probabilité conditionnelle de A sachant X est toute variable aléatoire
sur pΩ, A, P q σpXq-mesurable, satisfaisant :
ż ´ L ¯
A
P pA, X P F q “ P Xpωq dP pωq @F P F (2.1)
P F q looooooomooooooon
loooooomoooooon
pX
QpF q
looomooon
PσpXq
ϕpXq
Remarque. ´ L ¯
— La notation P A X peut désigner à la fois la classe de fonctions σpXq-mesurables (modulo P )
vérifiant 2.1 ou\et ces éléments de cette classe.
— Une autre manière d’écrire la relation 2.1 est
ż ´ L ¯
P pA X Dq “ P A Xpωq dP pωq @D P σpXq
D
— Si Y est une autre variable aléatoire telle que σpY q “ σpXq, alors
´ L ¯ ´ L ¯
P A Y “P A X P -p.s.
´ L ¯
L’idée ici est que la probabilité conditionnelle P A X ne dépend pas directement des valeurs
prises par la v.a. X mais des éléments de la tribu σpXq.
Pour définir l’espérence conditionnelle d’une v.a. Y par rapport à un arbre v.a. X, on fait la même
démarche que dans la définition de la probabilité conditionnelle.
Soit Y une v.a.r. (i.e. Y : pΩ, Aq Ñ pR, BpRqq) intégrable (i.e. E|Y | ă 8). Soit X une v.a. à valeurs
dans pE, Fq. Notons par
ż
νpF q “ Y pωqdP pωq @F P F
pXPF q
PX pF q “ P pX P F q la loi de X
De plus ν est absolument continue par rapport à PX (par def de ν) et ν est bornée :
ż ż
|νpF q| ď |Y pωq|dP pωq ď |Y pωq|dP pωq “ E|Y | ă 8 @F P F
XPF Ω
(en particulier ν est σ-finie). D’après le théorème de Radon-Nikodym (mesures signées), il existe
une classe d’équivalence modulo PX , de fonction F-mesurable telles que pour tout ψ appartenant
à cette classe, ż
νpF q “ ψpxqdPX pxq @F P F
F
Définition
´ L ¯ Soit Y une v.a.r. intégrable. Alors l’espérance conditionnelle de Y sachant X “ x, notée
4.5.
Y
E X “ x est définie comme étant toute fonction F-mesurable satisfaisant :
ż ´ L ¯ ż
E Y X “ x dPX pxq “ Y pωqdP pωq @F P F
F loooooooomoooooooon pXPF q
loooooooooomoooooooooon
ψpxq
νpF q
Remarque. ´ L ¯
— La notation E Y X “ x peut désigner aussi bien la classe de fonctions F-mesurables (modulo
PX ) vérifiant la def
´ 4.3 qu’un¯ élément de cette classe.
— Posons ϕpxq “ E Y X “ x , x P E. Alors ψ : pE, Fq Ñ pR, BpRqq, F-mesurable.
L
´ L ¯
Comme dans la rem 4.1, l’espérence conditionnelle E Y X sur pΩ, Aq est définie par :
´ L ¯
E Y Xpωq “ ψpXpωqq
´ L ¯
de plus E Y X est σpXq-mesurable.
´ L ¯ 4.6. Soit Y une v.a.r. intégrable. Alors l’espérance conditionnelle de Y sachant X, notée
Définition
E Y X , est toute v.a. sur pΩ, Aq, σpXq-mesurable, telle que :
ż ´ L ¯ ż
E Y X dP “ Y dP @D P σpXq (2.2)
D looooomooooon D
looomooon
ψpXq νpX ´1 pDqq
Définition 4.7. Soit D une ´ sous-tribu de A. Soit Y une v.a. sur pΩ, Aq telle que E|Y | ă 8.
Y L ¯
L’espérence conditionnelle E D est toute v.a. sur pΩ, Aq D-mesurable telle que
ż ´ L ¯ ż
E Y @D P D
D dP “ Y dP
D D
Remarque.
— La def. 4.6 est un cas particulier de la def. 4.7
´ L ¯ ´ L ¯
E Y X “ E Y D
def
où D “ σpXq
— La def 4.7 sert essentiellement à obtenir des résultats théoriques. Pour les calculs, on utilise la def
4.7 et la rem 4.1, i.e. ´ L ¯
— on calcule d’abord ϕpxq “ E Y X “ x PX -p.s.
´ L ¯
— en suite, on pose E Y X “ ϕpXq P -p.s.
2. si Y ě 0, EpY q ă 8 : ´ L ¯
E Y D ě0 P -p.s.
en particulier (car D Ă F) :
ż ż ´ L ¯
@D P D Y dP “ E Y F dP p1q
D D loooomoooon
F ´mes.
´ L ¯
Par définition de E Y D :
ż ż ´ L ¯
@D P D Y dP “ E Y D dP p2q
D D loooomoooon
D´mes.
« ´ L ¯ ff
E Y F L
Par définition de E D
« ´ L ¯ ff
E Y F L
ż ´ L ¯ ż
@D P D E Y dP “ E
F D dP p3q
D loooomoooon D
loooooooooomoooooooooon
F ´mes.
D´mes
D’où « ´ L ¯ ff
´ L ¯
Y E Y F L
E D “E D P -p.s.
Probabilités 17
On a
ż ż
@D P D Y dP “ 1D Y dP “ Ep1D Y q
D Ω
“ Ep1D qEpY q
“ P pDqEpY q
ż
“ EpY q dP
D
ż
“ EpY qdP
D
´ L ¯
D’où pE Y D “ EpY q, P -p.s.
´ L ¯
5 Soit A P D. Par définition (def 4.7) de E Z D :
ż ż ´ L ¯
@D P D ZdP “ E Z D dP
D loooomoooon D
D-mes.
En particulier ż ż ´ L ¯
@D P D ZdP “ E Z D dP
AXD AXD loooomoooon
D-mes.
ż ż ´ L ¯
@D P D 1A ZdP “ 1A E Z D dP
D D loooooomoooooon
D-mes.
pour Y “ 1A , A P D.
On utilise ensuite la méthode habituelle (i.e. la propriété est vraie pour les fonctions simples
D-mesurables pour 1), les
´ fonctions positives D-mesurable pour 6)
L ¯
7 Par définition 4.7 de E Y D
ż ż ´ L ¯
@D P D Y dP “ E Y D
D D loooomoooon
D-mes.
En particulier pour D “ Ω.
ż ż ´ L ¯
Y dP “ E Y D dP
Ω Ω
” ´ L ¯ı
EpY q “ E E Y CD
Remarque.
— La def 4.8est un cas particulier de la def 4.7.
En effet, il suffit de prendre Y “ 1A , i.e.
´ L ¯ ´ L ¯
P A D “ E 1A D P -p.s.
Probabilités 18
— La probabilité conditionnelle P ¨ D est P -p.s. une probabilité. En effet (d’après la def 4.8)
`L ˘
— ż ´ L ¯
@D P D P A D dP “ P pA X Dq ě 0
D loooomoooon
D-mes.
´ L ¯
ñ P A D ě0
— ż ´ L ¯
@D P D P Ω D dP “ P pΩ X Dq “ P pDq
D loooomoooon
D-mes.
´ L ¯
D’où P Ω D “ 1 P -p.s.
— pAn q Ă A 2 à 2 disjoints.
´Ť ¯ ´ Ť ¯
An L 1 n An L
P n
D “ E D
ÿ
“ Ep1{Dq
n
ÿ
“ P pAn {Dq
n
Définition 4.9. Soit G et D 2 sous-tribus de A. On dit que P ˚ ¨ D est une version régulière sur S de
`L ˘
`¨ L ˘
la probabilité conditionnelle P D si
´ L ¯ ´ L ¯
1. @A P G, P ˚ A D est une version de P A D
2. @ω P Ω, P ˚ ¨ D pωq est une probabilité sur G.
`L ˘
Remarque.
´ L ¯
1. de la définition signifie que, lorsque l’on fixe A P S, P ˚ A D est un élément de la classe de v.a.
´ L ¯
P A D .
2. de la définition signifie que, lorsque l’on fixe ω0 P Ω, Qω0 p¨q “ P ˚ ¨ D pω0 q est une probabilité
`L ˘
D’autre part, ż ´ L ¯
1A pωqdP ˚ ω D “ P ˚ A D
` L ˘
Ω
D’où par la def. 4.9,
´ L ¯ ż
E 1A D “ 1A pωqdP ˚ ω D
` L ˘
P -p.s.
Ω
Soit Y ě 0 et pYn qq une suite de fonctions simples positives sur pΩ, Sq telles que Yn croît vers Y .
D’après ma prop. 4.1 ´ 4, le théorème de la convergence monotone, on a
´ L ¯ ´ L ¯ ż ż
E Y D “ lim E Yn D “ lim Yn pωqdP ˚ ω D “ Y pωqdP ˚ ω D
` L ˘ ` L ˘
n n Ω Ω
` ´
Pour Y générale : Y “ Y ´ Y . Nous concluons.
Remarque.` L ˘
— P ˚ ¨ D n’existe pas en général. Une manière de s’en sortir est de calculer l’espérance condition-
nelle d’une v.a. à l’aide de la loi conditionnelle de Y .
Définition 4.10. Soit Y une v.a. de pΩ, Aq dans pR, BpRqq. On dit que P ˚ ¨ D , définie sur pR, BpRqq,
`L ˘
`¨ L ˘
est une version régulière de la loi conditionnelle, PY D , de Y sachant D si
Probabilités 19
´ L ¯
1. Pour tout B P BpRq, PY˚ B D est une version de
´ L ¯ ´ ´1 L ¯ ´ L ¯
PY B D “ P Y pBq D “ P Y P B D
2. Pour tout ω P Ω, PY˚ ¨ D pωq est une probabilité sur pR, BpRqq.
`L ˘
Remarque. ` L ˘
— Si PY˚ ¨ D existe, alors
´ L ¯ ż
E Y D “ ydPY˚ y D
` L ˘
R
˚ ¨
`L ˘ `¨ L ˘
— Si de plus, PY D admet une densité fY D , à la mesure de Lebesgue, alors
´ L ¯ż
E Y D yfY y D dy
` L ˘
R
Théorème 4.1 (admis). Soit Y une v.a. de pΩ, Aq dans pR, BpRqq. Alors PY˚ ¨ D existe.
`L ˘
Proposition 4.3. Soit X et Y deux v.a.r. de densité jointe fpX,Y q . Alors la loi conditionnelle de Y
sachant X “ x, admet pour densité
˘ fpX,Y q px, yq
Fy y X “ x “
` L
x P tt P R{fX ptq ‰ 0u
FX pxq
Probabilités 20
Chapitre 3
Fonctions caractéristiques et
convergence en loi
1 Fonction caractéristique
1.1 Définitions et propriétés
Soit z “ x ` iy P C. <pzq “ x est la partie réelle de z. Impzq “ y est la partie imaginaire de z.
z “ x ´ iy est le conjugué de z. a
z est réel si et seulement si z “ z. |z| “ x2 ` y 2 . |z|2 “ zz.
La formule d’Euler : eit “ cos t ` i sin t, t P R.
Soit pΩ, A, P q un espace probabilisé.
Définition 1.1. Soit X une v.a.r. La fonction caractéristique de X est la fonction ϕX : R Ñ C définie
par
ż
ϕX ptq “ EpeitX q “ eitXpωq dP pωq
Ω
ż
itz
“ e dPX pzq
R
Remarque.
— Comme cosptXq et sinptXq sont intégrables, car
ˇż ˇ ˇż ˇ ż
ˇ ˇ ˇ ˇ
ˇ cosptXqdP ˇ “ ˇ cosptxqdP pxqˇ ď dPX pxq “ 1
ˇ ˇ ˇ ˇ
Ω R R
(de même pour sinptXq), eitX est intégrable (i.e. ϕX est bien définie).
— Si X est une v.a. discrète : ÿ
PX “ pi δxi pI Ă Nq
iPI
ÿ
ϕX ptq “ pi eitxi
iPI
— Si X est absolument continue par rapport à la mesure de Lebesgue (i.e. admet une densité fX ),
alors ż
ϕX ptq “ eitx fX pxqdx
R
Exemple.
— X ãÑ Bppq.
P pX “ 1q “ 1 ´ P pX “ 0q “ p, 0 ă p ă 1.
` ˘
ϕX ptq “ E eitX
“ peitx1 ` p1 ´ pqeitx0 “ peit ` p1 ´ pq
— X ãÑ N pµ, σ 2 q.
` ˘
ϕX ptq “ E eitX
ż
1 px´µq2
“ eitx ? e´ 2σ2 dx
R σ 2π
σ 2 t2
“ eitµ´ 2
21
Probabilités 22
Remarque.
— Soit z “ pz1 , ¨ ¨ ¨ , zk q, y “ py1 , ¨ ¨ ¨ , yk q P Rk .
řk
ă x, y ą“ i“1 xi yi est le produit scalaire usuel sur Rk .
— Si X “ pX1 , ¨ ¨ ¨ , Xk q, t “ pt1 , ¨ ¨ ¨ , tk q P Rk , x “ px1 , ¨ ¨ ¨ , xk q P Rk .
` ˘
ϕX ptq “ E eiăt,Xą
ż
“ eiăt,Xpωqą dP pωq
Ω
ż
“ eiăt,xą dPX pxq
k
żR řk
“ ei i“1 ti xi dPX px1 , ¨ ¨ ¨ , xk q
Rk
ϕY ptq “ ϕX patqeibt @t P R
Démonstration.
1. ˇż ˇ ˇż ˇ ż
ˇ itXpωq
ˇ ˇ itx
ˇ
|ϕX ptq| “ ˇ e
ˇ dP pωqˇ “ ˇ e dPX pxqˇˇ ď dPX pxq “ 1
ˇ ˇ
Ω R R
2. ż
ϕX p0q “ ΩdP pωq “ 1
loomoon
P pΩq
3.
` ˘
ϕX p´tq “ E e´itX
“ E pcosptXq ´ i sinptXqq
“ E pcos tXq ´ iE psinptXqq
“ E peitX q “ ϕX ptq @t P R
4. Soit h P R, soit t P R.
ˇ ` itX ` ihX ˘˘ˇ
|ϕX pt ` hq ´ ϕX ptq| “ ˇE e e ´1 ˇ
` ˘
ď E |eitX | ¨ |eihX ´ 1|
ď E|eihX ´ 1|
uniformément en t P R.
Comme E|eihX ´ 1| Ñ 0 quand h Ñ 0.
D’après le théorème de convergence dominée, on a le résultat.
(|eihX ´ 1| ď 2, @h P R, et E|eihX ´ 1| Ñ 0).
hÑ0
Probabilités 23
5.
` ˘
ϕY ptq “ EpeitY q “ E eiatX eitb
” ı
“ E eipatqX eitb
ϕX patqeitb @t P R
6.
” ı
ϕX`Y ptq “ E eitpX`Y q
` ˘
“ E eitX eitY
“ EpeitX qEpeitY q X et Y sont indépendants
“ ϕX ptqϕY ptq @t P R
Remarque. Les propriétés ci-dessus peuvent se généraliser à des vecteurs X “ pX1 , ¨, Xk q à valeurs dans
Rk en remplaçant le produit par la produit scalaire.
Par exemple 5 devient :
5’ Soit A une matrice carrée d’ordre k, B “ pb1 , ¨ ¨ ¨ , bk q P Rk .
Soit Y “ AX ` B. Alors
ϕY ptq “ ϕX pAtqeiăt,Bą @t P Rk
Proposition 1.2 (Formule d’inversion). Soit X une v.a. de f.d.r. FX . Soit a ă b P BR des points de
continuité de FX . Alors
żT
1 e´ita ´ e´itb
FX pbq ´ FX paq “ P pa ă X ă bq “ lim ϕX ptqdt
T Ñ`8 2π ´T it
Proposition 1.3.
L
X “ Y ô ϕX “ ϕY
Démonstration.
Probabilités 24
ñ
ż
L
X “ Y ñ ϕX ptq “ EpeitX q “ eitx dPX pxq
R
ż
“ eitx dPY pxq
R
“ EpeitY q “ ϕY ptq @t P R
P X “ PY
Proposition 1.4 (Théorème d’inversion de Fourier). Soit X une v.a.r. tel que ϕX P L1 pR, BpRq, λq (i.e.
ş`8
´8
|ϕX ptq|dt ă `8) alors X est absolument continue par rapport à la mesure de Lebesgue) et de densité
ż `8
1
fX pxq “ e´itx ϕX ptqdt λp.p; x P R
2π ´8
1
ş`8
D’où fX pxq “ 2π ´8
e´itX ϕX ptqdt λp.p.
Remarque.
— En utilisant les mêmes arguments que dans la proposition 1.2, on a
żT
1
P pX “ xq “ lim e´itx ϕX ptqdt
T Ñ`8 2π ´T
X discrète.
— Soit X une v.a. à valeurs dans N, alors d’après le résultat ci-dessus et le fait que ϕX est périodique
et de prériode 2π, on a :
1 π ´int
ż
1
P pX “ nq “ “ e ϕX ptqdt n P N
2π 2π ´π
— Pour k “ 1, on a
ϕX pt ` hq ´ ϕX ptq
ϕ1X ptq “ lim
hÑ0 h
1 ” ipt`hqX ı
“ lim E e ´ eitX
hÑ0 h
` ˘
Posons zh “ h1 eipt`hqX ´ eitX . Alors zh Ñ z “ iXeitX .
(i.e. zh pωq Ñ zpωq, pour tout ω P Ω).
Comme |eity ´ eitx | ď |y ´ x||t|, on a
Corollaire. Si X P Lk pΩ, A, P q. On a :
prq
1. ϕX p0q “ ir EpX r q, 0 ă r ď k
k
ÿ pitqr
2. ϕX ptq “ EpX r q ` op|t|k q, t Ñ 0
r“0
r!
Définition 2.1. Soit pXn qn une suite de v.a.r. de fonctions de répartition pFn qn et X une v.a.r. de
L
fonction de répartition F . On dit que pXn qn converge en loi vers X, on note Xn Ñ , si
nÑ`8
Remarque.
— L’application de la définition 2.1est difficile car il faut connaître CF .
— La définition de la convergence en loi la plus générale :
Théorème 2.1.
L
Xn Ñ X ô ϕXn ptq Ñ ϕX ptq @t P R
L
Démonstration. ñq Supposons que Xn Ñ X. Comme cosptxq et sinptxq sont des fonctions bornées,
d’après le théorème de la convergence dominée :
Théorème 2.2 (de Lévy). Soit pXn qn une suite de v.a. de fonctions caractéristiques pϕXn qn telles que :
ϕXn ptq Ñ ϕptq @t P R
où ϕ est une fonction continue en 0. Alors :
1. ϕ est la fonction caractéristique d’une v.a.r. X
L
2. Xn Ñ X
Remarque. La preuve du théorème 2.2 utilise des techniques classiques d’analyse (théorème de Helly, ¨ ¨ ¨ ).
On utilise en générale le théorème 2.1, mais si on ne connaît pas la limite X on utilise le théorème 2.2
Proposition 2.1.
P L
Xn Ñ X ñ Xn Ñ X
Démonstration. D’après le théorème 2.1, il suffit de montrer que ϕXn ptq Ñ ϕX ptq pour tout t P R. On a,
soit t P R et ε ą 0,
ż
` itX ˘
ϕXn ptq ´ ϕX ptq “ e n ´ eitX dP
żΩ ´ ¯ ż
` itX ˘
“ eitXn pωq ´ eitXpωq dP pωq ` e n ´ eitX dP
p|Xn ´ X| ą εq
loooooooomoooooooon p|X n ´ X| ă εq
loooooooomoooooooon
AC A
Donc,
ż ż
ˇ itX ˇ ˇ itX ˇ
|ϕXn ptq ´ ϕX ptq| ď ˇe n ´ eitX ˇ dP ` ˇe n ´ eitX ˇ dP
C
żA żA
ď |t||Xn ´ X|dP ` 2 dP
A AC
C
ď |tlεP pAq ` 2P pA q
ď |t|ε ` 2P p|Xn ´ X| ă εq
Ó Ó
0 0
C’est-à-dire
P
Xn Ñ X
Probabilités 28
Chapitre 4
Théorèmes limites
1 Résultats préliminaires
Soit pΩ, A, P q un espace probabilisé.
Proposition 1.1 (Critère de convergence de Cauchy). Soit pXn qně1 une suite de variable aléatoires.
Alors pXn qně1 converge P -p.s. si et seulement si
P
sup |Xn`k ´ Xn | ÝÑ 0 pn Ñ 8q
kě1
Şk´1
Démonstration. Soit ε ą 0. Posons A “ pmax1ďkďn |Sk | ą εq et Ak “ i“1 p|Si | ď εq X p|Sk | ą εq,
k “ 1, ¨ ¨ ¨ , n. Soit ω P Ω.
D’où
n
ď
A“ Ak
k“1
Ťn A1 , ¨ ¨ ¨ , An sont deux à deux disjoints par la dernière équivalence. Remarquons aussi que A “
où
k“1 p|Sk | ą εq par la première équivalence, mais les éléments de cette réunion ne sont pas deux à
deux disjoints.
Comme les variables aléatoires X1 , ¨ ¨ ¨ , Xn sont indépendantes et centrées, on a
n
ÿ
V arpXi q “ V arpSn q (indépendance)
i“1
“ EpSn2 q “ EpSn2 1Ω q pEpSn q “ 0q
ě EpSn2 1A q
ÿn
“ EpSn2 1Ak q (par notre union de A)
k“1
29
Probabilités 30
En conséquence,
n
ÿ n
ÿ
V arpXi q ě ε2 P pAk q
i“1 k“1
“ ε2 P pAq
ˆ ˙
“ ε2 P max |Sk | ą ε
1ďkďn
Alors,
n
1 ÿ P
Xn “ Xi Ñ µ
n i“1
řn
Démonstration. Soit ε ą 0. Posons Xn “ n1 i“1 Xi . Comme |Xn ´ µ| ď |Xn ´ EpXn q| ` |EpXn q ´ µ|,
on a
P p|Xn ´ µ| ą εq ď P p|Xn ´ EpXn q| ą ε{2q ` P p|EpXn q ´ µ| ą ε{2q
D’après l’inégalité de Tchebytchev à l’ordre 2, on a
4V arpXn q
P p|Xn ´ EpXn q| ą ε{2q ď
ε2
n
4 ÿ
“ V arpXi q
ε2 n2 i“1
D’où lorsque n Ñ 8,
P p|Xn ´ EpXn q| ą ε{2q Ñ 0
Probabilités 31
1
řn
Comme EpXn q “ n i“1 EpXi q Ñ µ (n Ñ 8), on a
P p|EpXn q ´ µ| ą ε{2q Ñ 0 pn Ñ 8q
D’où
P p|Xn ´ µ| ą εq Ñ 0 pn Ñ 8q
P
Par conséquent Xn Ñ µ.
Théorème 2.2 (Loi forte). Soit pXn qně1 une suite de variables aléatoires indépendantes telles que,
lorsque n Ñ 8, EpXn q “ µn Ñ µ et n“1 V arpX
ř`8 nq
n2 ă 8. Alors,
n
1 ÿ
Xn “ Xi Ñ µ P ´ p.s.
n i“1
Remarque.
1. La loi forte des grands nombres entraîne la loi faible des grands nombres.
2. Dans le cas des variables aléatoires i.i.d., on a même l’équivalence suivante :
n
1 ÿ
EpXi q “ µ ô Xi Ñ µ P ´ p.s.
n i“1
Démonstration. On peut supposer, s.p.g., que µ “ 0 et σ “ 1, sinon on centre et réduit les variables Xn .
D’après le Théorème 1.1 Chapitre 3, il suffit de montrer que
ˆ 2˙
t
Sn ptq Ñ ϕZ ptq “ exp
ϕ? ´ tPR
n 2
D’où
ˆ 2˙
t
ϕ?
Sn ptq Ñ ϕZ ptq “ exp ´ tPR
n 2
Remarque.
1. La relation du théorème peut s’écrire sous la forme
Xn ´ µ L
? Ñ N p0, 1q
σ{ n
Sn ´ nµ
? “ Op p1q
σ n
ou bien
?
Sn “ nµ ` Op p nq
ou bien ˆ ˙
1
Xn “ µ ` Op ?
n
řn
Posons s2n “ V arpXn q et σn2 “ 2
i“1 si , n ě 1.
Définition 3.1 (Condition de Lyapounov). On dit que la suite pXn qně1 satisfait la condition de Lya-
pounov si
1. pXn qně1 Ă L3 pΩ, A, P q
řn
2. limnÑ`8 σ13 i“1 E|Xi |3 “ 0
n
Théorème 3.2 (Cas non i.i.d.). Soit pXn qně1 une suite de variable aléatoires indépendantes et centrées
(i.e. EpXi q “ 0, i ě 1) satisfait la condition de Lyapounov. Alors
Sn L
Ñ Z ãÑ N p0, 1q
σn
2
ϕ?
Sn ptq Ñ expp´t {2q @t P R
n
Probabilités 33
Soit t P R, n P N˚ . On a
ˇ ˆ 2 2 ˙ˇˇ
n ˆ ˙ ź n
ˇ
2
ˇ ˇź t t s ˇ
Sn ptq ´ expp´t {2qˇ ϕXk exp ´ 2k ˇ
ˇ ˇ ˇ
ˇϕ ? “ ˇ ´
n ˇ
k“1
σn 2σn ˇ
k“1
n
ÿ s2k
(indépendance des Xi et “ 1)
k“1 n
σ2
n ˇ ˆ ˙ ˆ 2 2 ˙ˇ
ÿ ˇ t t s ˇ
ď ˇϕX
ˇ k σn ´ exp ´ 2k ˇˇ
k“1
2σn
ˇ ˇ
ˇźn źn ˇ ÿ n
alors ˇ ai ´ bi ˇ ď pai ´ bi q
ˇ ˇ
ˇi“1 i“1
ˇ i“1
n ˇ
t2 s2k i3 t3 EpXk3 q t2 s2k t4 σk4 ˇˇ
ÿ ˆ ˙ˇ
ˇ
— ˇ1 ´ 2σ 2 ` ´ 1´ `
ˇ
i“1 n 6σn3 2σn2 8σn4 ˇ
(Corollaire 1.1 Chapitre 3, expp´u2 q — 1 ´ u2 ` u4 {2)
n n
|t|3 ÿ 3 t4 ÿ 4
ď Ep|X k | q ` s
6σn3 k“1 8σn4 k“1 k
n n
|t|3 ÿ 3 t4 s2k 1 ÿ 2
ď Ep|Xk | q ` max s
6σn3 k“1 8 1ďkďn σn2 σn2 k“1 k
n
|t|3 ÿ 3 t4 s2k
“ Ep|Xk | q ` max
6σn3 k“1 8 1ďkďn σn2
Alors
s2k s2jn
max 2
“ , ně1
1ďkďn σn σn2
Et
˜ ¸3{2 # «ˆ ˙2 ff+3{2 ˇˇ
s2jn ˇˇ Xj ˇˇ3
ˇˇ
Xjn
“ E “ ˇˇˇˇ n ˇˇˇˇ
σn2 σn σn L 2
˜ˇ ˇ3 ¸ ˇˇ ˇˇ3
ˇ Xj ˇ ˇˇ Xj ˇˇ
ď E ˇˇ n ˇˇ “ ˇˇˇˇ n ˇˇˇˇ (par l’inégalité de Lyapounov)
σn σn L 3
1 ` ˘
“ 3
E |Xjn |3
σn
n
1 ÿ ` ˘
ď 3
E |Xk |3
σn k“1