UFR 27 Mathématiques et Informatique Année 2023-2024

Nombre d’états visités par une marche

aléatoire : des résultats d’Erdös et Dvoretsky

Réalisé par : Encadré par :

M.Fahd Magdoul M. Olivier Gueant
M.Anass Abida

M1 Mathématiques Appliquées à l’économie et à la finance

 Résumé

Ceci est l’abstract de votre document. L’abstract doit fournir un résumé succinct et précis du contenu du document. Il doit
donner au lecteur une idée claire de ce qu’il peut attendre du reste du document, en mettant en avant les objectifs, les méthodes,
les résultats principaux et les conclusions. L’abstract est généralement composé d’un seul paragraphe, et sa longueur peut varier
selon les directives spécifiques de votre domaine ou publication cible, mais il est souvent recommandé de le garder concis,
généralement autour de 150 à 250 mots.
Table des matières

1 Introduction 4
1.1 Prérequis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Une marche aléatoire unidimensionnel 7

3 Une marche aléatoire bidimensionnel 16

4 Une marche aléatoire multidimensionnel 17

Chapitre 1

Introduction

Un domaine fascinant de la mathématique et de la physique théorique est l’étude de la

marche aléatoire dans l’espace euclidien. Il fournit des informations sur le comportement
des systèmes aléatoires dans divers contextes, allant de la diffusion des particules aux fluc-
tuations économiques. Le but de cette étude, initiée par A. Dvoretzky et P. Erdos, est
d’examiner des problèmes fondamentaux concernant la nature et les caractéristiques de la
marche aléatoire. L’étude se concentre principalement sur deux questions importantes : le
nombre de points distincts qu’un chemin aléatoire visite et la vitesse à laquelle un tel chemin
s’éloigne vers l’infini dans des espaces de dimensions variées.

Historiquement, la marche aléatoire a été représentée comme un processus de prise de

décision à chaque étape, où un ensemble de probabilités détermine le mouvement futur.
Particulièrement dans les dimensions supérieures, ce concept simple mais profondément
riche a révélé des comportements complexes et souvent contre-intuitifs.

Une marche aléatoire est un processus mathématique qui décrit un chemin constitué
d’une succession de pas aléatoires sur un certain espace, comme l’espace discret, ou dans
l’espace continu.

Alors definitions le comportement d’une marche aléatoire dans différents espaces :

1. Dans un espace discret : Par exemple une marche alétoire simple sur l’espace des
entiers Z ; c’est à dire elle avance vers la droite où vers la gauche avec une certaine
probabilité, il y’a une infinité d’états possibles.
2. Dans un espace continue : Le marcheur se déplace dans une infinité de positions
sur un intervalle continu, par exemple ; un mouvement brownien.

L’idée principal de ce projet se focalise sur l’étude d’une marche aléatoire dans l’espace
d
Z , dans des dimensions différentes pour d=1, d=2, d ≥ 3.
 La recherche de Dvoretzky et Erdos suit cette approche, en étendant les travaux précédents
de G. Pólya, qui a montré qu’un point dans un espace de dimension deux ou moins
retournerait à son point de départ avec une probabilité de 1, tandis que dans des espaces
plus élevés, ce même point s’éloignerait vers l’infini.

Cette étude examine la distribution des points visités par la marche aléatoire. Dvoretzky
et Erdos contribuent considérablement à notre compréhension des marches aléatoires en
utilisant des calculs précis et des modèles mathématiques rigoureux. Ils démontrent
comment les lois fortes et faibles des grands nombres peuvent être utilisées pour prédire
le comportement de ces processus sur le long terme.

Les résultats obtenus offrent de nouvelles applications théoriques et pratiques, ainsi qu’un
enrichissement du corpus théorique qui entoure les marches aléatoires. Les implications de
cette recherche sont vastes et prometteuses, que ce soit dans l’étude des écosystèmes,
l’optimisation algorithmique ou même la modélisation des comportements sociaux.
Dvoretzky et Erdos nous invitent à repenser notre approche des systèmes aléatoires et
à explorer de nouvelles voies pour décrypter le chaos ordonné qui régit de nombreux
phénomènes naturels et artificiels. Ils dévoilent la structure sous-jacente des marches aléatoires
dans différentes dimensions.

1.1 Prérequis

Soit d est un élément de N∗ . On note 0d le d-uplet dont toutes les coordonnées valent 0,
c’est-à-dire le vecteur nul de Rd .

On considère :

— Une variable aléatoire X à valeurs dans Zd de variables indépendants et identiquement

distribués qui suivent la loi L(X).
On définit le pas dans une dimension d par une variable PdX , P (X = ei ) = pi et
d
P (X = −ei ) = qi avec ei la base canonique de R et avec k=1 pi + qi = 1.

— (Xk )k∈N∗ une suite de variables aléatoires mutuellement indépendantes suivant chacune
la loi de X et définies sur un même espace probabilisé.

— Une suite de variables aléatoires (Sn )n∈N définie par S0 = 0d et ∀n ∈ N∗ , Sn = nk=1 Xk .

P

On dit que la suite (Sn )n∈N est une marche aléatoire de pas X, à valeurs dans Zd .
— Soit τ un temps d’arrêt à valeurs dans N∗ ∪ {+∞} définie par
(
inf{n ∈ N∗ , Sn = 0d } si {n ∈ N∗ , Sn = 0d } =
̸ ∅
τ=
+∞ sinon
Autrement dit, τ est égal à +∞ si la marche aléatoire (Sn )n∈N ne revient jamais
en 0d , ou bien est égal au premier instant auquel cette marche aléatoire revient en 0d
sinon.
— Pour n ∈ N, Nn le cardinal du sous-ensemble {Sk , k ∈ {0, . . . , n}} de Zd .
On s’interesse aux nombre d’état que notre marche atteint , ceci peut étre dénombrer
par la variable aléatoire n ∈ N, Nn = Card(Sk /k ∈ 1, 2.., n) Le nombre Nn est donc le
nombre de points distincts de Zd visités par la marche aléatoire (Sn )n∈N après n pas.
Chapitre 2

Une marche aléatoire unidimensionnel

Pour d=1 le comportement et la loi de la marche aléatoire est facilement accessible

Une premiere remarque est qu’une marche ne peut regagner sa poition initial qu’aprés un
nombre paire de pas sinon on aura forcément un éxcés en pas positive ou pas négative ,
ainsi :
∀n ∈ N P (S2n+1 = 0) = 0
Une deuxieme remarque qu on pourrait faire est , comme nos pas Xn sont une transformation
affine d’une Bernouli alors notre Sn est une transformation affine d’une Binomiale
en effet
Sn + n
Tn = ∼ Binomial(p, n)
2
ainsi on a P (S2n = 0) = P (T2n = n) = Cn2n (pq)n
une equivalence classique dite formule de Stirling nous permet de trouver un équivalent
asymptotique pour cette probabilité dans le cas uniforme ie :p = 2, en effet
√  n n
n! ∼n→+∞ 2πn
e
n 4n
C2n ∼n→+∞ √
πn
d’où
P (S2n ) ∼n→+∞ √1nπ (2.1)
Maintenant on veut établir un résultat sur τ mais on proposera d’abord quelsques resultat
préliminaires il s’agit d’une approche classique
X∞ X∞
k
∀x ∈ [0, 1[ F (x) = P (Sk = 0)x G(x) = P (τ = k)xk
k=0 k=0

les deux deux série entieres F(x) G(x) sont bien de rayon de convergence 1 , on le montre
par comparaison à la série de neumann (comme les coefficient des deux P
series sont borné)
en effet pour G(x) est definit sur la boule fermé de rayon 1, et G(1) = ∞ k=0 P (τ = k) =
P (∪n∈N {τ = n}) = 1 − P (τ = +∞) la construction des deux objet F(x) G(x) nous sert
principalement pour établir le résultat suivant
∀x ∈ [0, 1[ F (x) = 1 + G(x)F (x)
Proof :
On a
{Sn = 0} = ∪k=n
k=1 {τ = k} ∩ {Sn = 0} (1)
avec
{τ = i} ∩ {Sn = 0} ∩ {τ = k} ∩ {Sn = 0} = ∅
si k ̸= i
par ailleurs on a :
P ({τ = k} ∩ {Sn = 0}) = P (∪i<k Si ̸= 0 ∩ Sk = 0 ∩ Sn = 0)
i=n
X i=n
X
= P (∪i<k Si ̸= 0 ∩ Sk = 0 ∩ Xi = 0) = P (∪i<k Si ̸= 0 ∩ Sk = 0)P ( Xi = 0)
i=k+1 i=k+1
= P (τ = k)P (Sn−k = 0) (2)

Par (1) et (2) on obtient

k=n
X
∗
∀n ∈ N P (Sn = 0) = P (τ = k)P (Sn−k = 0)
k=1

ca nous rappelle le coefficient de produit de caushy , on a en effet comme F(x) et G(x)

converge absolument pour x ∈ [0, 1[ alors
i=k
XX
F (x)G(x) = P (τ = i)P (Sk−i = 0)xk
k∈N i=0

ainsi d’aprés le résultat qu’on vient d’établir

X
F (x)G(x) = P (Sk = 0)xk = F (x) − P (S0 = 0)
k∈N∗

comme on a S0 = 0 alors on obtient le résultat

Une premiere utilisation de ce résultat est établir la valeur la probabilité P (τ = n) ayant
trouvé à priori la loi de Sn en dimension 1 :
X X
2k k
F (x) = P (S2k = 0)x = C2k (pqx2 )k
k∈N k∈N
1
√
pour p = 2 ceci n’est rien que le devlopement en série entiere de 1 − x en effet
X α 
α
(1 + x) = xn
n
k∈N
α

(α)(α−1)..(α−(n−1)
Où n = bien défini pour α ∈ R ainsi pour α = −1/2 on obtient
n!

1 (−1/2)((−1/2) − 1)..((−1/2) − (n − 1) n X (−1)((−1 − 2)..((−1 − 2(n − 1) n

√ = x = x
x+1 n! n!2n
k∈N
 X (−1)((−1 − 2)..((−1 − 2(n − 1) X Cn
n 2n n
x = x (−1)n
n!2n 4 n
k∈N k∈N
ainsi X Cn
1 2n n
√ = x
1 − x k∈N 4n
On obtient alors pour p=1/2
1
F (x) = √
1 − x2
mais avec une petite manipulation on peut remarquer que
X X Ck 1
k
F (x) == C2k (pqx2 )k == 2k
(pq4x2 k
) =
4k
p
k∈N k∈N
1 − x2 pq4
ainsi
F (x) − 1 p
G(x) = == 1 − 1 − x2 pq4
F (x)
ainsi comme G(x) est dévlopable en série entiére et par unicité de ce dévloppement on
obtient la loi de τ
G(k) (0)
P (τ = n) =
k!
et pour p ̸= 1/2 p
P (R = +∞) = 1 − G(1) = 1 − pq4
Ainsi , pour p=1/2 ”distribution uniforme” P (τ = +∞) = 0 , on repasse presque surement
par le zero , il s’agit du théoréme de polya qu on établira plus tard
Pour la loi de τ on l’avait établitt grace à la manipulation de produit de caushy , mais on
propose de faire une autre démonstration qui fera appel à un argument trés puissant dans
l’analyse des marche aléatoire , dit principe de reflexion , bien evidement on prend n paire
comme P (τ = 2n + 1) = 0
P (τ = n) = P (∩0<k<n {Sk ̸= 0} ∪ {Sn = 0})
= P (∩0<k<n {Sk > 0} ∪ {Sn = 0}) + P (∩0<k<n {Sk < 0} ∪ {Sn = 0})
par symetrie de la marche aléatoire on obtient
P (τ = n) = 2P (∩0<k<n {Sk > 0} ∩ {Sn = 0})
si on sait que Sn = 0 alors et qu’elle est la premiere à l’étre on sait alors que Sn−1 =
1; Sn − 2 = 2 alors
P (τ = n) = 2P (∩0<k<n−1 {Sk > 0} ∩ {Sn−1 = 1} ∩ {Sn = 0})
comme on a P ({Sn = 0}| ∩0<k<n−1 {Sk > 0} ∩ {Sn−1 = 1}) = P (Xn = −1| ∩0<k<n−1 {Sk >
0} ∩ {Sn−1 = 1} = P (Xn = −1) par independance des Xn d’où
P (τ = k) = 2P (Xn = −1)P (∩0<k<n−1 {Sk > 0} ∩ {Sn−1 = 1})
 Figure 2.1 – Enter Caption

= P (∩0<k<n−1 {Sk > 0} ∩ {Sn−1 = 1} = P (Sn = 1 ∩ S1 > 0) − P ({Sn = 1 ∩ {S1 >

0} ∩ {∪1<k<n−1 {Sn−1 = 1}}) et c’est à ce niveau qu on fera appel au principe de re-
flexion , l’évenement {Sn = 1 ∩ {S1 > 0} ∩ {∪1<k<n−1 {Sn−1 = 1}} = {Sn = 1 ∩ {S1 =
1} ∩ {∪1<k<n−1 {Sn−1 = 1}} sont les chemins qui passent de 1 à l instant 1 à 1 l instant n
tout en touchant l axe dans un instant intermidiare , un argument de reflexion serait de dire
que le nombre de chemin de (1,1) ”A” à (1,n) ”B3 touchant l axe à un moment intermidiaire
”T” est le méme que ceux qui passe du symetrique de ”A” par rapport à l axe , ie : ”A’”
(-1,1) à ”B” touchant un point de l axe
On obtient ainsi
P ({Sn−1 = 1} ∩ {S1 > 0} ∩ {∪1<k<n−1 {Sn−1 = 1}) = P ({Sn = −1} ∩ {S1 > 0} ∩
{∪1<k<n−1 {Sn−1 = 1}}) = P ({Sn = −1} ∩ {S1 > 0})
la derniere egalité vient du fait qu’on passe forcement par le zero en passant de -1 à 1 , on
obtient ainsi sachant que {S1 > 0} = {S1 = 1}
P (τ = k) = P (Sn−1 = 1 ∩ S1 = 1) − P ({Sn−1 = 1} ∩ {S1 = −1})
evaluons les deux probabilitéP . P
P (Sn−1 = 1 ∩ S1 = 1) = P ({ 1<k<n Xk = 1 ∩ {S1 = 1}) = P ({ 1<k<n Xk = 1)P (∩{S1 =
1}) = P (Sn−2 = 0)P (S1 = 1) = 1/2 ∗ P (Sn−2 = 0) de méme P (Sn−1 = 1 ∩ S1 = 1) =
P (Sn−2 = 2)P (S1 = −1) = 1/2 ∗ P (Sn−2 = 2)
ainsi
P (Sn−2 = 2) + P (Sn−2 = 0)
P (τ = n) =
2
en utilisant la loi de Tn la transformation affine de Sn sachant que n-2 est paire ce qui fait
que les probabilités en jeu sont non nuls on obtient
P (Sn−2 = 0)
P (τ = n) =
n

On passe maintenant à la marche aléatoire à deux dimensions , on rappelle le pas deux

dimensionelle est définit comme
P (X = (1, 0)) = p1 ; P (X = (−1, 0)) = q1 ; P (X = (1, 0)) = p2 ; P (X = (1, 0)) = q1 ;
la probabilité P (Sn = 0) est moins evidente , mais dans le cadre evident ie : q1 = p1 = p2 =
q2 = 1/4 on propose le résultat suivant
!2
n/2
Cn
P (Sn ) = 12N
4n/2

proof
pour n impaire il est clair que P (Sn = 0) = 0
pour s’attaquer aux n paire , on pourrai prendre une approche calculatoire mais de vue ,
on apercoit que P (Sn = 0) en deux dimension est le carré de celle en 1 en une dimension,
intuitivement on pourrai se dire qu une marche aleatoire deux dimensionnelle rejoins le zero
est evenement equivalent à deux marches aleatoire unidimensionnels independante touchent
le zéro on va construire alors ces deux marches on définit deux pas X 1 et X 2 tel que
Xn1 = 1 ⇔ Xn = (1, 0) ∪ Xn = (0, 1) Xn1 = −1 ⇔ Xn = (−1, 0) ∪ Xn = (0,1 )
cette marche Sn1 s’incrémente lorsqu’on avance vers le quart plan nord est , et décremente
si on avance vers le quart plan sud ouest
l’autre marche aura un comportement symetrique
Xn2 = 1 ⇔ Xn = (1, 0) ∪ Xn = (0, −1) Xn2 = −1 ⇔ Xn = (−1, 0) ∪ Xn = (0, 1)
on a alors X 1 et X 2 suivent la loi d un pas unidimensionnel uniforme ”p=1/2”
les deux marches sont independante en effet les pas X 1 et X 2 d indices differents sont
independants de par l independance des different Xn , il suffit alors de verifier l independance
de Xn1 et Xn2
P (Xn1 = 1 ∩ Xn2 = 1) = P (X = (1, 0)) = 1/4 = P (Xn1 = 1)P (Xn2 = 1)
idem pour le cas Xn1 = 1 ∩ Xn2 = −1 et pas symetrie du probléme on obtient le résultat
on a alors les deux marche S 1 et S 2 sont indépendantes , il reste à montrer que
Sn = 0 ⇔ {Sn1 = 0} ∩ {Sn2 = 0} , en effet le sens direct est evident , si les pas vers tout les
sens se compensent alors forcement les pas vers deux quart plan oposé se compensent , le
sens inverse est moins evident mais découle du meme type de raisonnement , si on réalise
’d’ pas à droite et ’g’ pas à gauche ’h’ pas en haut et ’b’ pas en bas
S 1 = 0 implique que d + h = g + b ,S 2 = 0 implique que d + b = g + h on somme les deux
egalité pour obtenir 2d + h + b = 2g + h + b ce qui implique d = g et ainsi h = b alors
on pars en haut autant qu en bas et à gauche autant qu’à droite ,ainsi Sn = 0 d’où notre
équivalence et ainsi
 n 2
1 2 1 2 C2n
P (S2n = 0) = P (S2n = 0 ∩ S2n = 0) = P (S2n = 0)P (S2n = 0) =
4n
1
alors P (S2n = 0) ∼ πn
dans ce cadre deux dimensionnel le calcul devient complexe pour trouver la loi de τ on
se contente de trouver un equivalent de P(R=n) , pour cela on propose quelques résultats
préliminaires
premier résultat
k=n
X
= P (Sk = 0)P (τ > n − k) = 1
k=0
il s’agit d un coefficient d’un produite
P de cauchy donc intuitivement on pense à introduire
k
une nouvelle série entiére H(x) = k∈N P (τ > k)x
il est alors clair que ce qu on est entrain d’evaluer sont les coefficient de H(x)F(x), une
remarque qu on pourra faire est que les coefficient de H(x) peuvent etre deduite de ceux de
G(x) donc un produit H(x)F(x) doit avoir un fort lien avec F(x)G(x) , on suit ce chemin
en induisant un télescopage dans H(x) pour extraire notre G(x) ,
en effet P (τ = k) = P (τ > k − 1) − P (τ > k) alors :
X X
(1 − x) P (τ > k)xk ) = 1 + (P (τ > k) − P (τ > k − 1))xk
k∈N k∈N∗
X
1+ −P (τ = k)xk = 1 − G(x)
k∈N∗
et
1
(1 − x)H(x) = 1 − G(x) =
F (x)
Ainsi
1 X
H(x)F (x) = = xk
1−x
k∈N
Pk=n
Comme les coefficient de H(x)F(x) par produit de caushy sont k=0 = P (Sk = 0)P (τ >
n − k) et par unicité de dévlopement en série entiére on obtient
k=n
X
∀n ∈ N P (Sk = 0)P (τ > n − k) = 1
k=0

on introduit un résulat asymptotique

k=n
X C
ak bn−k = 1 tel que bn ∼n→+∞
n
k=0

alors on obtient
1
an ∼n→+∞
Cln(n)
1
en appliquant ce méme résultat pour bn = P (S2n = 0) ∼ πn
On obtient alors
π
P (τ > n) ∼n→+∞
2ln(n)
il est alors clair
P (τ = +∞) = lim P (τ > n) = 0
n→∞
On déduit alors pour deux dimension un résultat similaire , la marche aleatoire retrouve le
zero presque surement , quoique on voit que la vitesse de convergence est moins importante
en deux dimensions , ce qui implique qu’un temps d’arrét prend des indices plus grande
plus fréquement en deux dimension , la question qu on pourrait se poser , est ce qu en
augmantant les dimesnion cette vitesse s’affaiblit , à une dimesnion donné obtenant t on
une probabilité de ne jamais s’annuler non nul ? il s’agit de théoréme de Polya
pour cela on introduit la fonction G(x) , on va nous mettre dans le modéle uniforme où
1
pour rappeler P (X = ei ) = 2d ’d’ étant la dimesnion de notre marche dans ce cadre on
notera Sn,d la marche aleatoire en d dimension aprés n pas , et pn,d = P (Sn,d , on a déja
établit la valeur de pn1 et pn2
Le probléme évoqué par Polya est l existence d un instant pour lequel la marche aléatoire
retouche l axe , on evaluera alors cette probabilité
πd = P (τ ̸= +∞) = P (∃n ∈ N∗ Sn,d = 0)
jusqu’à maitnenat on a vu que , :
1 X
G(1) = πd = 1 − =1−( pn,d )−1
F (1)
k∈N

qui reste vrai méme en limite si la serie F(x) diverge en 1 , auquel cas on aura πd = 1 pour
s’attaquer au d > 2 on définit
X xk
Ld (x) = pn,d
n!
n∈N
en comparaison par le dévlopement série entiere de l’exponentielle on déduit que L est de
rayon de convergence infini , on la définira sur R+ pour d ∈ N Afin de ne pas faire trop de
démonstration on se contentera de présenter les résultats
 x d
Ld (x) = L1
d
et Z +∞
∀d ∈ N∗ , ∀x ∈ [0, 1[, Fd (x) = Ld (tx)e−t dt.
0
ainsi Z +∞   
1 t −t
πd = 1 − =1− L1 e dt
F (1) 0 d
il suffit alors d’étudier la convergence de cette integral , pour le faire on trouveun équivalent
pour L1 , on propose l’équivalence suivante
1 ex
L1 (x) ∼x→+∞ √ √
2π x
  d
t d 2
L1 e−t dt) ∼x→+∞ d
d x2
ainsi , comme les deux fonction sont equivalent à +∞ leur integral entre [0, +∞[ est de la
méme nature
elle diverge pour d < 3 d’où on retrouve
π1 = π 2 = 1
or pour d > 2 et d’aprés le critére de Reimann
Z d
d2
d < +∞
x2
alors πd < 1 On présente ainsi le théoreme de Polya , Une marche aléatoire retourne au
point de départ presque surment pour une dimension inferieur à 3 , mais à partier de la
troisiéme dimension cet évenement n’est plus sur, en effet plus la dimension augmente plus
cette probabilité
1
πd ∼d→+∞
2d
on souligne hna ghn introdui G(t) , nmontri le lien entre πd w G wn dedui le theorme de
polya On réduit maintenant l’étude au cadre unidimensionnel , on sait alors que la marche
aléatoire se retourne vers le zero presque surement , une question qu on essaira de repondre
, est t on le meme resultat pour n’importe quel etat , passe t-on surement par tout les état
dans Z , et combien de fois
La réponse est Oui , une marche aléatoire passe surement par tout les état dans Z , et
infiniement , la démonstration est en effet pas si compliqué que ça , on essaiera de montrer
que
P (lim sup Sn = +∞) = P (lim inf Sn = −∞) = 1
Une fois on aboutit à ce résultat on pourra conclure notre conjecture , en effet avoir à la
fois une limite sup et une limite inf infinie , implique qu on fait des montée et descente
d’amplitude de plus en plus grande ainsi on passe et repasse par tout les valeur de Z ,
infinment .
pour démontrer ce résultat on commencera par montrer qu’une marche aléatoire est presque
surement non borné .
Pour ce soit a, b ∈ Z tel que a ̸= b
L’argument sera d’évaluer la probabilité d’avoir un ”ladder” de K pas consécutif tous pre-
nant +1 , on prendera K =⌋b − a et on notera
An = {∃n : XnK = XnK + 1...X(n+1)K−1 }
notons que An est une famille d’évenement mutuellement indépendents et
 K
1
∀n ∈ N P (An ) =
2
On a
/ [a, b]) > P (∪n>0 An ) = 1 − P (∩n>0 ACn )
P (∃n ∈ N : Sn ∈
 Y 1
=1− (1 − )=1
2K
n∈N∗
d’ou le résultat
Ainsi
P (∀n ∈ N{a ≤ Sn ≤ b}) ≥ P (∪n ∈ NAk ) = 1
on a alors l’evenement Sn non borné est presque sur , cet évenement étant équivalent au
fait que
lim sup Sn = +∞ ou lim inf Sn = −∞
Ainsi
P ({lim sup Sn = +∞} ∪ {lim inf Sn = −∞}) = 1
Et comme la loi de Sn est symetrique on a
P ({lim sup Sn = +∞} ∪ {lim inf Sn = −∞})
P (lim sup Sn = +∞) = P (lim inf Sn = −∞) ≥
2
On a établie que les deux évenement sont de probabités non nul
On employera la loi zéro une de Kolmogorov pour conclure en remarquant que
{lim sup Sn = +∞} ∈ ∩n∈N σ (∪k≤n σ(Xk ))
Dite la tribu asymptotique , et ainsi par indépendance des Xk on peut utiliser la loi zéro
une de kolmogorov et conclure que
P (lim sup Sn = +∞) ∈ {0; 1}
et comme on a conclu que cette probabilité n’était pas nul alors
P (lim sup Sn = +∞) = P (lim inf Sn = −∞) = 1
Une marche aléatoire unidimensionnelle alors touche tout les états dans Z et infiniment
lesfrontieres d une marches aleatoire presentent une geometrie fractal
Chapitre 3

Une marche aléatoire bidimensionnel

Chapitre 4

Une marche aléatoire multidimensionnel