Intégration et probabilités - Td12

Théorème central limite - vecteurs gaussiens

Exercice 1. Soit (Xn )n≥1 une suite de variables aléatoires réelles indépendantes et de même
loi telle que E(X1 ) = 0 et E(X12 ) = 1. On pose Sn = X1 + . . . + Xn pour tout n ≥ 1.
(1) Montrer que pour tout A > 0, on a
 
Sn
P lim sup √ ≥ A = 1,
n→∞ n
et en déduire que  
Sn
P lim sup √ = +∞ = 1.
n→∞ n
(2) Justifier que si (Snk )k≥1 est une suite extraite de (Sn )n≥1 , alors on a :
 
Snk
P lim sup √ = +∞ = 1.
k→∞ nk
(3) En déduire que la suite (n−1/2 Sn )n≥1 ne converge pas en probabilité.
Correction.
(1) D’après le tcl, la suite (n−1/2 Sn )n≥1 converge en loi vers une variable aléatoire N de loi gaussi-
enne centrée réduite. Soit A > 0. On a
      
Sn Sn Sn
P lim sup √ ≥ A ≥ P lim sup √ > A ≥ lim sup P √ > A .
n→∞ n n n→∞ n
La variable N étant à densité, on a
 
Sn
lim P √ > A = P(N > A) > 0,
n→∞ n
 
Sn
ce qui implique que P lim supn→∞ √ n
≥ A > 0. Or
 
Sn
lim sup √ ≥ A ∈ A∞ ,
n→∞ n
T
où A∞ est la tribu asymptotique n≥1 σ(Xn , Xn+1 , . . .). Ainsi
 
Sn
P lim sup √ ≥ A = 1.
n
En considérant une suite (Ak )k≥1 ↑ +∞, on en déduit le résultat.
(2) On démontre ce résultat de la même manière que le résultat précédent.
(3) Si la suite (n−1/2 Sn )n≥1 converge en probabilité vers une variable aléatoire X, alors on peut
extraire une sous-suite (nk −1/2 Snk )k≥1 telle que nk −1/2 Snk → X p.s. Or X a la même loi que
N , ce qui contredit le fait que
 
Sn
P lim sup √ k = +∞ = 1.
k→∞ nk


Mathilde Weill - École normale supérieure - FIMFA - 2007/2008

Exercice 2. Déterminer sans calcul la limite suivante :
n
X nk
lim e−n .
n→∞ k!
k=0

Correction. On a
n
−n
X nk
e = P(P1 + . . . + Pn ≤ n),
k!
k=0
où P1 , . . . , Pn sont des variables aléatoires de Poisson de paramètre 1 indépendantes. Et
 
P1 + . . . + Pn − n
P(P1 + . . . + Pn ≤ n) = P √ ≤0 .
n
La variance d’une variable aléatoire de loi de Poisson de paramètre λ étant égale à λ, on a d’après le tcl,
P1 + . . . + Pn − n (loi)
√ −→ N,
n n→∞

où N est une variable gaussienne (centrée réduite). Or la fonction de répartition de N est continue donc
n
X nk 1
lim e−n = P(N ≤ 0) = .
n→∞ k! 2
k=0

Exercice 3. Soient X une variable aléatoire réelle de loi normale N (0, 1) et ε une variable
aléatoire réelle indépendante de X et de loi 21 δ−1 + 12 δ1 . On pose Y = εX.
(1) Montrer que Y est de loi normale N (0, 1) et calculer Cov(X, Y ).
(2) Les variables X et Y sont-elles indépendantes ? Le vecteur (X, Y ) est-il gaussien ?
Correction.
(1) La loi N (0, 1) est symétrique donc Y suit la loi N (0, 1). On a
Cov(X, Y ) = E(XY ) − E(X)E(Y ) = E(εX 2 ) = E(ε)E(X 2 ) = 0.
(2) D’après la question (1), le vecteur (X, Y ) est gaussien si et seulement si les variables X et Y sont
indépendantes. Or
1 = E(X 2 )E(Y 2 ) 6= E(X 2 Y 2 ) = E(X 4 ) = 3.
Donc X et Y ne sont pas indépendantes et (X, Y ) n’est pas gaussien. 

Exercice 4. Soit (Xn )n≥1 une suite de variables aléatoires à valeurs dans R2 indépendantes et
indentiquement distribuées. Étudier le comportement asymptotique de la suite
 
X1 + . . . + Xn − nE(X1 )
√
n n≥1
dans les cas suivants :
(1) X1 est de loi 12 δ(−1,−1) + 21 δ(1,1) ,
(2) X1 est de loi 12 δ(−1,−1) + 41 δ(1,−1) + 14 δ(1,1) .

Mathilde Weill - École normale supérieure - FIMFA - 2007/2008

Correction.
(1) Dans ce cas, X1 est centré et la matrice de covariance de X1 est
 
1 1
CX1 = .
1 1
√
Donc, d’après le tcl vectoriel, la suite ((X1 + . . . + Xn )/ n)n≥1 converge en loi vers un vecteur
aléatoire N de loi N (0, CX1 ). Le vecteur N est un vecteur gaussien dégénéré, il a la même loi
que le vecteur (ν, ν) où la variable aléatoire réelle ν est de loi N (0, 1).
(2) Dans ce cas, on a E(X1 ) = (0, 1/2) et la matrice de covariance de X1 est
 
1 1/2
CX1 = .
1/2 3/4
√
Donc, d’après le tcl vectoriel, la suite ((X1 + . . . + Xn − nE(X1 ))/ n)n≥1 converge en loi vers
un vecteur aléatoire N de loi N (0, CX1 ). Le vecteur N est un vecteur gaussien non-dégénéré
dont la densité est
  
1 3 2
f (y1 , y2 ) = √ exp − y1 + y1 y2 + y22 .
π 2 4


Exercice 5 : formule de Stirling.

Question préliminaire : Soit X une variable aléatoire réelle de carré intégrable définie sur
(Ω, A, P). Montrer que, pour tout a > 0, on a :

1/2
E(|X − inf(X, a)|) ≤ E(X 2 )P(X ≥ a) .
Soit (Xn , n ≥ 1) une suite de variables aléatoires indépendantes définies sur (Ω, A, P), de
même loi de Poisson de paramètre 1. On pose, pour tout entier n ≥ 1,
n
X Sn − n
Sn = Xi et Yn = √ .
n
i=1
On note x− = sup(−x, 0) pour tout x ∈ R.
(1) Pour tout n ≥ 1, vérifier que Sn suit la loi de Poisson de paramètre n, calculer E(Yn2 ) et
en déduire que pour tout a > 0,
1
P(Yn− ≥ a) ≤ 2 .
a
(2) Soit Y une variable aléatoire de loi normale N (0, 1). Montrer que la suite (Yn− )n≥1
converge en loi vers Y − .
(3) Montrer à l’aide de la question préliminaire que
E(Yn− ) −→ E(Y − ).
n→∞
(4) En déduire la formule de Stirling
 n n √
n! ∼ 2πn.
n→∞ e
Correction.
(1) On a, d’après l’inégalité de Cauchy-Schwarz,
E(|X − inf(X, a)|) = E (X − a)1{X>a} ≤ E X 1{X>a} ≤ E(X 2 )P(X > a)



1/2
.

Mathilde Weill - École normale supérieure - FIMFA - 2007/2008

 (2) (a) On a
n
1 X
E(Yn2 ) = Var(Xn ) = 1.
n i=1
On en déduit que
1 1 1
P(Yn− ≥ a) ≤ E((Yn− )2 ) ≤ 2 E(Yn2 ) = 2 .
a2 a a
(2) (b) D’après le tcl, la suite (Yn )n≥1 converge en loi vers Y . Or la fonction x ∈ R 7→ x− est
continue donc la suite (Yn− )n≥1 converge en loi vers Y − .
(2) (c) Soit a > 0. La fonction x ∈ R+ 7→ inf(x, a) est continue et bornée donc
E(inf(Yn− , a)) −→ E(inf(Y − , a)).
n→∞
Et
E(Yn− ) − E(Y − )
≤ E(|Yn− − inf(Yn− , a)|) + E(inf(Yn− , a) − inf(Y − , a)) + E(| inf(Y − , a) − Y − |)

1/2
1/2
≤ E(inf(Yn− , a) − inf(Y − , a)) + P(Yn− ≥ a) + P(Y − ≥ a) ,
d’après la question préliminaire. Or P(Yn− ≥ a) ≤ a−2 et
E((Y − )2 ) E(Y 2 ) 1
P(Y − ≥ a) ≤ 2
≤ = 2.
a a2 a
Ainsi,
2
lim sup E(Yn− ) − E(Y − ) ≤ .
n→∞ a
Ceci étant vrai pour tout a > 0, on a
lim sup E(Yn− ) − E(Y − ) = 0.
n→∞
(2) (d) La variable aléatoire Sn suit une loi de Poisson de paramètre n donc
 n n √ n
n n n−1
!
− 1 X −n n
k
e−n X nk+1 X nk+1 nn+1
E(Yn ) = √ (n − k)e = √ − = n √ = .
n k! n k! k! e n! n e n!
k=0 k=0 k=0
Et Z ∞
1 2 1
E(Y − ) = √ xe−x /2
dx = √ .
2π 0 2π
Donc,
 n n √ n 1
−→ √ ,
e n! n→∞ 2π
et donc  n n √
n! ∼ 2πn.
n→∞ e


Exercice 6. Soient (Uk )k≥1 une suite de variables aléatoires réelles indépendantes et de loi
normale N (0, σ 2 ) et θ ∈ R. On définit la suite (Xk )k≥1 par X1 = U1 et Xk = θUk−1 + Uk .
Montrer que pour tout n ≥ 1, le vecteur (X1 , . . . , Xn ) est un vecteur gaussien non dégénéré dont
on précisera la densité, l’espérance et la matrice de covariance.

Mathilde Weill - École normale supérieure - FIMFA - 2007/2008

Correction. Soit A la matrice carré d’ordre n définie par
 
1 0 0 0 ...
 θ 1 0 0 ... 
 
 0 θ 1 0 ...
A=


 .. . . . . . . 
 . . . . 
... 0 θ 1
Alors on voit que X = AU en notant X = (X1 , . . . , Xn ) et U = (U1 , . . . , Un ). Donc X est un vecteur
gaussien. De plus det(A) = 1 donc X est non dégénéré. On a E(X) = 0 et la matrice de covariance de
X est donnée par
 
1 θ
 θ 1 + θ2 θ 
 
CX = A(σ 2 In ) tA = σ 2 A tA = σ 2 
 .. .. .. .

 . . . 
 θ 1 + θ2 θ 
θ 1 + θ2
Enfin la densité de X est
1 t −1 1 t −1
fX (x) = p e− xCX x
= 2 n/2
e− xCX x , x ∈ Rn . 
(2π)n det(CX ) (2πσ )

Exercice 7. Soit (Xn , n ≥ 0) une suite de variables aléatoires réelles définies sur (Ω, A, P)
suivant respectivement une loi gaussienne N (mn , σn2 ) avec mn ∈ R et σn > 0. Montrer que cette
suite converge en loi vers une variable réelle Y si et seulement si les deux suites (mn , n ≥ 0) et
(σn , n ≥ 0) convergent, et identifier la loi limite.
Correction. Supposons que mn → m et σn → σ. Alors pour tout t ∈ R,
σ 2 t2 σ 2 t2
   
ΦYn (t) = exp − n + imn t −→ exp − + imt = ΦY (t),
2 n→∞ 2
où Y est une variable aléatoire de loi gaussienne N (m, σ) (si σ = 0, alors N (m, σ) = δm ). Ainsi, d’après
le théorème de Lévy, Yn → Y en loi. Réciproquement, si Yn converge en loi vers une variable aléatoire
Y , alors |ΦYn (t)| converge pour tout t ∈ R. En particulier pour t = 1, on a
σn2
 
|ΦYn (1)| = exp − ∈ ]0, 1].
2
On en déduit que σn converge vers un certain σ ∈ R+ . En effet, si σn → ∞ alors ΦY (t) = 0 pour tout
t ∈ R ce qui est impossible. Ainsi, +∞ et −∞ ne peuvent être valeurs d’adhérence de (mn )n≥1 . En effet
supposons, quitte à extraire, que mn → ∞. Alors on a pour a ∈ R,
P (Y < a) ≤ lim inf P (Yn < a)
n→∞
Z a−mn
x2
 
dx
= lim inf exp − 2 p
n→∞ −∞ 2σ n 2πσn2
Z σn−1 (a−mn )  2
x dx
= lim inf exp − √
n→∞ −∞ 2 2π
= 0.
Ainsi P (Y ∈ R) = 0, ce qui est absurde. Donc (mn )n≥1 est bornée, et a donc une valeur d’adhérence.
Soient m, m0 deux valeurs d’adhérence de cette suite. Alors par passage à la limite dans la fonction
0
caractéristique et en simplifiant par le module, on a eimt = eim t pour tout t ∈ R. Les dérivées en 0 sont
donc égales, et m = m0 . Ceci permet de conclure. 

Mathilde Weill - École normale supérieure - FIMFA - 2007/2008