Supp Cours 2010

Cours de Probabilites
experimente par Didier Piau

Complements, exercices et sujets dexamens
Dernière revision substantielle : mars 2010
2
Table des matières
1 Presentation 5
1.1 En guise dintroduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Programme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Questions à la noix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Measure for measureThe strange science of Francis Galton . . . . . . . . . . . . . . . 8
2 Complements 15
2.1 Sur le rayon de convergence des series entières aleatoires . . . . . . . . . . . . . . . . . 15
2.2 Sur le maximum de variables aleatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Une autre version de la loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Loi des grands nombres echangeable . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Encore de lechangeabilite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6 Sur quelques notions de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Sur la famille de fonctions t e
|t|
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Exercices 27
3.1 Fiche 1 : Outils probabilistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Fiche 2 : Outils probabilistes, suite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Fiche 3 : Lois des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 Fiche 4 : Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4 Archives dexamens 45
4.1 Examen partiel davril 1992 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3 Examen nal de juin 1993 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.5 Devoir à la maison de mars 1994 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.7 Devoir à la maison davril 1995 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
TABLE DES MATI
`
ERES 4
4.8 Examen partiel de mars 1995 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.11 Corrige de lexamen partiel davril 1996 . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.13 Supplement à lexamen de juin 1996 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.16 Session de septembre 1997 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.18 Corrige de lexamen partiel de mars 1998 . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.19 Examen nal de mai 1998 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.20 Devoir à la maison de mars 1999 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.22 Examen nal de mai 1999 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.23 Examen partiel de mars 2000 (extrait) . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.24 Examen nal de mai 2000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.25 Supplements à lexamen de mai 2000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.26 Examen de septembre 2000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.27 Controle continu davril 2006 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Chapitre 1
Presentation
1.1 En guise dintroduction
Voici une citation :
Probability theory has a right and a left hand. On the right is the rigorous foundational
work using the tools of measure theory. The left hand thinks probabilistically, reduces
problems to gambling situations, cointossing, motions of a physical particle. Leo Brei-
man.
Voici trois questions :
1. Vous installez un singe devant une machine à ecrire. Le singe se met à taper sur les touches (( au
hasard )). Reussira-t-il après un certain temps à ecrire cette page ?
2. Vous jetez une punaise en lair. Une fois quelle est retombee, vous appelez le fait quelle repose
sur la tete, la pointe en lair, et le fait quelle repose à la fois sur la pointe et sur la tete. Vous
repetez lexperience un grand nombre de fois. La proportion des va-t-elle se stabiliser vers une
(( probabilite )) P() ?
3. Vous etes perdu dans Lyon.

Etes-vous s ur de retrouver la place Bellecour en vous promenant
au hasard dans les rues pendant assez longtemps, sans sortir des limites administratives de la
Courly ? Et si vous vous permettez den sortir ?
En 1933, Andrei Nikolaevich Kolmogorov (Andre i Nikolaeviq Kolmogorov pour les puristes)
publie les Grundbegrie der Wahrscheinlichkeitsrechnung (eh oui, ce cher Andrei ne se privait pas
decrire en allemand de temps en temps, ni en francais dailleurs), o` u il fournit un cadre mathematique
naturel commun à tous ces problèmes.
Aujourdhui, les probabilites constituent un champ autonome et etendu de recherches, qui feconde
et est feconde par de nombreux domaines des mathematiques (comme lanalyse, la geometrie, la
theorie des nombres), de la physique (comme la mecanique stochastique) et de la biologie (comme la
genomique).
Un des buts du cours sera dacquerir rapidement lagilite de la main gauche decrite par Leo Brei-
man, sans negliger celle de la main droite. Une reference susante pour cette dernière est un cours
dintegration de L3 ou bien simplement le premier chapitre du livre de Walter Rudin, Real and Complex
Analysis.
Les resultats classiques qui seront demontres, loi du zeroun, loi des grands nombres, theorème
central limite, permettront de constater que la reponse à la question 3 est (( oui )) (cest rassurant),
mais quelle serait (( non )) si vous pouviez voler (ce qui lest moins).
Presentation 6
1.2 Programme
Notions et outils fondamentaux de la theorie des probabilites
1. Rappels et notations Classe monotone : denition. Theorème de la classe monotone. Corollaire :
une probabilite est determinee par ses valeurs sur un -système.
2. Exemples de probabilites classiques
3. Fonctions de repartition et Radon-Nykodym
4. Variables aleatoires, loi, esperance Denitions. Toute variable aleatoire X-mesurable secrit
comme une fonction borelienne de X. Inegalite de Holder. Inegalite de Markov.
5. Independance Denition de lindependance de classes ; application à lindependance devene-
ments, de tribus, de variables aleatoires. Critère sur les -systèmes. Theorème des coalitions.
Loi de n variables aleatoires independantes, covariance, loi dune somme de variables aleatoires
independantes.
6. Loi du 01 et lemme de Borel-Cantelli
7. Probabilites sur un espace produit Cas independant : tribu cylindrique et theorème. Cas general
sur R
I
: theorème de Kolmogorov.
8. Convergence dune suite de variables aleatoires. Egorov ; convergence en proba (P). Cv L
p
ou
cv p.s. implique cv P. Distance de la convergence en P. Cv P implique cv p.s. pour une sous-suite.
Famille uniformement integrable. Vitali. Critères du.i.
Lois des grands nombres
1. Rappels sur la convergence p.s. Caracterisations ; cv P implique cv p.s. pour une sous-suite.
2. Convergence p.s. dune serie de v.a. independante Loi du 01. Equivalence de P. Levy entre cv
P et cv p.s. Les trois series.
3. Lois des grands nombres Cas borne dans L
2
. Inegalite de Kolmogorov. LGN avec condition de
Kolmogorov. LGN i.d. dans L
1
.
4. Applications statistiques Moyenne empirique, variance empirique, medians, methodes de Monte
Carlo, Glivenko-Cantelli, Kolmogorov-Smirnov, maximum de vraisemblance, statistiques dordre
et de rang.
5. Appendice : une LGN echangeable daprès L. Pratelli
Probabilite conditionnelle et esperance conditionnelle
1. Probabilite conditionnelle Cas discret. Cas general. Version regulière. Un contrexemple. Jirina.
Polonais implique standard.
2. Esperance conditionnelle Denitions. Proprietes. E( [T) dans L
2
est une projection.
3. Conditionnement : Denition. Le cas densitable.
4. Cas Gaussien : inegalite de Gebelein.
5. Files dattente. Processus de Poisson. Processus de vie et mort. Loi de Little
Fonctions caracteristiques et convergence en loi
1. Fonctions caracteristiques Proprietes generales : densite, moments. Cas R
n
et application à n
variables aleatoires independantes.
2. Convergence en loi Cv faible = cv etroite. Caracterisations. Cas de R et des fonctions de
repartition. Helly.
Presentation 7
3. Theorème de Levy. Lien entre cv P et cv en loi. TCL. Corollaire : de Moivre Laplace. Utilisation
statistique.
4. Vecteurs gaussiens et TCL multidimensionnel
Appendices
Loi du
2
et echantillonnage. Bochner. TCL de Lyapounov. TCL de Lindeberg-Feller. Berry-
Esseen. TCL local. Introduction à la theorie des martingales.
Bibliographie sommaire
Pour le cours
Dacunha-Castelle et Duo, Probabilites et Statistiques, tome 1 : problèmes à temps xe, Masson
1982.
Breiman, Probability, Addison-Wesley, 1968.
Chung, A course in probability theory, Academic Press 1974.
Billingsley, Probability and measure, Wiley Series 1979.
Metivier et Neveu, Probabilites, Cours de lEcole Polytechnique, 1980.
Pour les exercices
Cotrell, Duhamel et Genon-Cathalot, Exercices de Probabilites, Belin 1980.
1.3 Questions à la noix
Anniversaires Combien de personnes doivent-elles aller à une soiree pour quil y ait au moins 50%
de chances que deux dentre elles soient nees le meme jour de lannee ?
Bororos On suppose quune femme enceinte a autant de chances de donner naissance à un garcon
quà une lle. On suppose que dans la (grande) tribu des Bororos, chaque famille continue à avoir des
enfants jusquà avoir une lle, et quelle sarrete alors. Après mille generations, quelle est la proportion
de Bororos males ?
Hopital Dans une ville, il y a deux hopitaux, un grand et un petit. Chaque jour, mille enfants
naissent dans le grand, cent dans le petit. Chaque naissance donne une lle ou un garcon avec 50% de
chances. Quel hopital a le plus de chances de vois natre exactement le meme nombre de gar cons que
de lles un jour donne ?
Pacistes et militaires Vous penetrez dans une ville peuplee de P pacistes et de M militaires.
Quand un paciste rencontre un paciste, rien ne se passe. Quand un paciste rencontre un militaire,
le paciste est tue. Quand deux militaires se rencontrent, les deux meurent. Une rencontre implique
toujours deux personnes exactement et les personnes impliquees sont aleatoires. Quelles sont vos
chances de survie ?
Pièces Comment transformer une pièce de monnaie biaisee en une pièce de monnaie non biaisee ?
Ou : comment obtenir lequivalent du resultat du jet dune pièce de monnaie equitable en lan cant,
eventuellement plusieurs fois, une pièce non equitable ?
Presentation 8
Roulette russe Vous jouez à la roulette russe avec Boris. Le revolver comporte trois balles dans trois
compartiments successifs parmi les six que son barillet comporte. On lance une fois le barillet. Puis
chaque joueur pointe le revolver et tire une fois. Sil est toujours vivant, il passe alors le revolver à son
adversaire qui limite. Le jeu sarrete quand un des joueurs meurt. Preferez-vous etre le premier joueur
ou laisser Boris commencer ? Et si le revolver ne contenait que deux balles au debut des operations ?
1.4 Measure for measureThe strange science of Francis Galton
Jim Holt, The New Yorker, Janvier 2005, disponible sur le web à ladresse :
www.newyorker.com/printable/ ?critics/050124crbo
books
In the eighteen-eighties, residents of cities across Britain might have noticed an aged, bald, bewhis-
kered gentleman sedulously eying every girl he passed on the street while manipulating something
in his pocket. What they were seeing was not lechery in action but science. Concealed in the mans
pocket was a device he called a pricker, which consisted of a needle mounted on a thimble and a
cross-shaped piece of paper. By pricking holes in dierent parts of the paper, he could surreptitiously
record his rating of female passerbys appearance, on a scale ranging from attractive to repellent. After
many months of wielding his pricker and tallying the results, he drew a beauty map of the British
Isles. London proved the epicenter of beauty, Aberdeen of its opposite
Such research was entirely congenial to Francis Galton, a man who took as his motto Whenever
you can, count. Galton was one of the great Victorian innovators. He explored unknown regions
of Africa. He pioneered the elds of weather forecasting and ngerprinting. He discovered statistical
rules that revolutionized the methodology of science. Yet today he is most often remembered for an
achievement that puts him in a decidedly sinister light : he was the father of eugenics, the science, or
pseudoscience, of improving the human race by selective breeding.
A new biography, Extreme Measures : The Dark Visions and Bright Ideas of Francis Galton,
Bloomsbury, $ 24.95, casts the mans sinister aspect right in the title. The author, Martin Brookes, is
a former evolutionary biologist who worked at University College Londons Galton Laboratory (which,
before a sanitizing name change in 1965, was the Galton Laboratory of National Eugenics). Brookes
is clearly impressed by the exuberance of Galtons curiosity and the range of his achievement. Still, he
cannot help nding Galton a little dotty, a man gripped by an obsession with counting and measuring
that made him one of the Victorian eras chief exponents of the scientic folly. If Brookes is right,
Galton was led astray not merely by Victorian prejudice but by a failure to understand the very
statistical ideas that he had conceived.
Born in 1822 into a wealthy and distinguished Quaker familyhis maternal grandfather was Eras-
mus Darwin, a revered physician and botanist who wrote poetry about the sex lives of plantsGalton
enjoyed a pampered upbringing. As a child, he revelled in his own precocity : I am four years old
and can read any English book. I can say all the Latin Substantives and Adjectives and active verbs
besides 52 lines of Latin poetry. I can cast up any sum in addition and multiply by 2, 3, 4, 5, 6, 7,
8, 10. I can also say the pence table. I read French a little and I know the Clock. When Galton was
sixteen, his father decided that he should pursue a medical career, as his grandfather had. He was
sent to train in a hospital, but was put o by the screams of unanesthetized patients on the operating
table. Seeking guidance from his cousin Charles Darwin, who had just returned from his voyage on
the HMS Beagle, Galton was advised to read Mathematics like a house on re. So he enrolled at
Cambridge, where, despite his invention of a gumption-reviver machine that dripped water on his
head, he promptly suered a breakdown from overwork.
This pattern of frantic intellectual activity followed by nervous collapse continued throughout
Presentation 9
Galtons life. His need to earn a living, though, ended when he was twenty-two, with the death of
his father. Now in possession of a handsome inheritance, he took up a life of sporting hedonism. In
1845, he went on a hippo-shooting expedition down the Nile, then trekked by camel across the Nubian
Desert. He taught himself Arabic and apparently caught a venereal disease from a prostitutewhich,
his biographer speculates, may account for a noticeable cooling in the young mans ardor for women.
The world still contained vast uncharted areas, and exploring them seemed an apt vocation to
this rich Victorian bachelor. In 1850, Galton sailed to Southern Africa and ventured into parts of the
interior never before seen by a white man. Before setting out, he purchased a theatrical crown in Drury
Lane which he planned to place on the head of the greatest or most distant potentate I should meet
with. The story of his thousand-mile journey through the bush is grippingly told in this biography.
Improvising survival tactics as he went along, he contended with searing heat, scarce water, tribal
warfare, marauding lions, shattered axles, dodgy guides, and native helpers whose conicting dietary
superstitions made it impossible to settle on a commonly agreeable meal from the caravans mobile
larder of sheep and oxen. He became adept in the use of the sextant, at one point using it to measure
from afar the curves of an especially buxom native womanVenus among Hottentots. The climax
of the journey was his encounter with King Nangoro, a tribal ruler locally reputed to be the fattest
man in the world. Nangoro was fascinated by the Englishmans white skin and straight hair, and
moderately pleased when the tacky stage crown was placed on his head. But when the King dispatched
his niece, smeared in butter and red ochre, to his guests tent to serve as a wife for the night, Galton,
wearing his one clean suit of white linen, found the naked princess as capable of leaving a mark on
anything she touched as a well-inked printers roller. . . so I had her ejected with scant ceremony.
Galtons feats made him famous : on his return to England, the thirty-year-old explorer was
celebrated in the newspapers and awarded a gold medal by the Royal Geographical Society. After
writing a best-selling book on how to survive in the African bush, he decided that he had had enough
of the adventurers life. He married a rather plain woman from an intellectually illustrious family, with
whom he never succeeded in having children, and settled down in South Kensington to a life of scientic
dilettantism. His true metier, he had always felt, was measurement. In pursuit of it, he conducted
elaborate experiments in the science of tea-making, deriving equations for brewing the perfect cup.
Eventually, his interest hit on something that was actually important : the weather. Meteorology could
barely be called a science in those days ; the forecasting eorts of the British governments rst chief
weatherman met with such ridicule that he ended up slitting his throat. Taking the initiative, Galton
solicited reports of conditions all over Europe and then created the prototype of the modern weather
map. He also discovered a weather pattern that he called the anti-cyclonebetter known today as
the high-pressure system.
Galton might have puttered along for the rest of his life as a minor gentleman scientist had it not
been for a dramatic event : the publication of Darwins On the Origin of Species, in 1859. Reading
his cousins book, Galton was lled with a sense of clarity and purpose. One thing in it struck him
with special force : to illustrate how natural selection shaped species, Darwin cited the breeding of
domesticated plants and animals by farmers to produce better strains. Perhaps, Galton concluded,
human evolution could be guided in the same way. But where Darwin had thought mainly about the
evolution of physical features, like wings and eyes, Galton applied the same hereditary logic to mental
attributes, like talent and virtue. If a twentieth part of the cost and pains were spent in measures
for the improvement of the human race that is spent on the improvements of the breed of horses
and cattle, what a galaxy of genius might we not create ! he wrote in an 1864 magazine article, his
opening eugenics salvo. It was two decades later that he coined the word eugenics, from the Greek
for wellborn.
Galton also originated the phrase nature versus nurture, which still reverberates in debates
today. (It was probably suggested by Shakespeares The Tempest, in which Prospero laments that his
Presentation 10
slave Caliban is A devil, a born devil, on whose nature / Nurture can never stick.) At Cambridge,
Galton had noticed that the top students had relatives who had also excelled there ; surely, he reasoned,
such family success was not a matter of chance. His hunch was strengthened during his travels, which
gave him a vivid sense of what he called the mental peculiarities of dierent races. Galton made
an honest eort to justify his belief in nature over nurture with hard evidence. In his 1869 book
Hereditary Genius, he assembled long lists of eminent menjudges, poets, scientists, even oarsmen
and wrestlersto show that excellence ran in families. To counter the objection that social advantages
rather than biology might be behind this, he used the adopted sons of Popes as a kind of control
group. His case elicited skeptical reviews, but it impressed Darwin. You have made a convert of an
opponent in one sense, he wrote to Galton, for I have always maintained that, excepting fools, men
did not dier much in intellect, only in zeal and hard work. Yet Galtons labors had hardly begun.
If his eugenic utopia was to be a practical possibility, he needed to know more about how heredity
worked. His belief in eugenics thus led him to try to discover the laws of inheritance. And that, in
turn, led him to statistics.
Statistics at that time was a dreary welter of population numbers, trade gures, and the like. It was
devoid of mathematical interest save for a single concept : the bell curve. The bell curve was rst
observed when eighteenth-century astronomers noticed that th errors in their measurements of the
positions of planets and other heavenly bodies tended to cluster symmetrically around the tru value.
A graph of the errors had the shape of a bell. In the early nineteenth century, a Belgian astronomer
named Adolph Quetele observed that this law of error also applied to many human phenomena.
Gathering information on the chest sizes of more than ve thousand Scottish soldiers, for example,
Quetelet found that the data traced a bell-shaped curve centered on the average chest size, about
forty inches
As a matter of mathematics, the bell curve is guaranteed to arise whenever some variable (like
human height) is determined by lots of little causes (like genes, health, and diet) operating more or
less independently. For Quetelet, the bell curve represented accidental deviations from an ideal he
called lhomme moyenthe average man. When Galton stumbled upon Quetelets work, however, he
exultantly saw the bell curve in a new light : what it described was not accidents to be overlooked
but dierences that revealed the variability on which evolution depended. His quest for the laws that
governed how these dierences were transmitted from one generation to the next led to what Brookes
justly calls two of Galtons greatest gifts to science : regression and correlation.
Although Galton was more interested in the inheritance of mental abilities, he knew that they
would be hard to measure. So he focussed on physical traits, like height. The only rule of heredity
known at the time was the vague Like begets like. Tall parents tend to have tall children, while
short parents tend to have short children. But individual cases were unpredictable. Hoping to nd
some larger pattern, in 1884 Galton set up an anthropometric laboratory in London. Drawn by his
fame, thousands of people streamed in and submitted to measurement of their height, weight, reaction
time, pulling strength, color perception, and so on. Among the visitors was William Gladstone, the
Prime Minister. Mr. Gladstone was amusingly insistent about the size of his head. . . but after all it
was not so very large in circumference, noted Galton, who took pride in his own massive bald dome.
After obtaining height data from two hundred and ve pairs of parents and nine hundred and
twenty-eight of their adult children, Galton plotted the points on a graph, with the parents heights
represented on one axis and the childrens on the other. He then pencilled a straight line though the
cloud of points to capture the trend it represented. The slope of this line turned out to be two-thirds.
What this meant was that exceptionally tall (or short) parents had children who, on average, were
only two-thirds as exceptional as they were. In other words, when it came to height children tended
to be less exceptional than their parents. The same, he had noticed years earlier, seemed to be true
Presentation 11
in the case of eminence : the children of J.S. Bach, for example, may have been more musically
distinguished than average, but they were less distinguished than their father. Galton called this
phenomenon regression toward mediocrity. Regression analysis furnished a way of predicting one
thing (a childs height) from another (its parents) when the two things were fuzzily related. Galton
went on to develop a measure of the strength of such fuzzy relationships, one that could be applied
even when the things related were dierent in kindlike rainfall and crop yield. He called this more
general technique correlation.
The result was a major conceptual breakthrough. Until then, science had pretty much been limited
to deterministic laws of cause and eectwhich are hard to nd in the biological world, where multiple
causes often blend together in a messy way. Thanks to Galton, statistical laws gained respectability in
science. His discovery of regression toward mediocrityor regression to the mean, as it is now called
has resonated even more widely. Yet, as straightforward as it seems, the idea has been a snare even
for the sophisticated. The common misconception is that it implies convergence over time. If very
tall parents tend to have somewhat shorter children, and very short parents tend to have somewhat
taller children, doesnt that mean that eventually everyone should be the same height ? No, because
regression works backward as well as forward in time : very tall children tend to have somewhat shorter
parents, and very short children tend to have somewhat taller parents. The key to understanding this
seeming paradox is that regression to the mean arises when enduring factors (which might be called
skill) mix causally with transient factors (which might be called luck). Take the case of sports,
where regression to the mean is often mistaken for choking or slumping. Major-league baseball players
who managed to bat better than .300 last season did so through a combination of skill and luck. Some
of them are truly great players who had a so-so year, but the majority are merely good players who
had a lucky year. There is no reason that the latter group should be equally lucky this year ; that is
why around eighty per cent of them will see their batting average decline.
To mistake regression for a real force that causes talent or quality to dissipate over time, as so
many have, is to commit what has been called Galtons fallacy. In 1933, a Northwestern University
professor named Horace Secrist produced a book-length example of the fallacy in The Triumph
of Mediocrity in Business, in which he argued that, since highly protable rms tend to become
less protable, and highly unprotable ones tend to become less unprotable, all rms will soon
be mediocre. A few decades ago, the Israeli Air Force came to the conclusion that blame must be
more eective than praise in motivating pilots, since poorly performing pilots who were criticized
subsequently made better landings, whereas high performers who were praised made worse ones. (It
is a sobering thought that we might generally tend to overrate censure and underrate praise because
of the regression fallacy.) More recently, an editorialist for the Times erroneously argued that the
regression eect alone would insure that racial dierences in I.Q. would disappear over time.
Did Galton himself commit Galtons fallacy ? Brookes insists that he did. Galton completely
misread his results on regression, he argues, and wrongly believed that human heights tended to
become more average with each generation. Even worse, Brookes claims, Galtons muddleheadedness
about regression led him to reject the Darwinian view of evolution, and to adopt a more extreme and
unsavory version of eugenics. Suppose regression really did act as a sort of gravity, always pulling
individuals back toward the average. Then it would seem to follow that evolution could not take place
through a gradual series of small changes, as Darwin envisaged. It would require large, discontinuous
changes that are somehow immune from regression to the mean. Such leaps, Galton thought, would
result in the appearance of strikingly novel organisms, or sports of nature, that would shift the
entire bell curve of ability. And if eugenics was to have any chance of success, it would have to work
the same way as evolution. In other words, these sports of nature would have to be enlisted to create
a new breed. Only then could regression be overcome and progress be made.
In telling this story, Brookes makes his subject out to be more confused than he actually was.
Presentation 12
It took Galton nearly two decades to work out the subtleties of regression, an achievement that,
according to Stephen M. Stigler, a statistician at the University of Chicago, should rank with the
greatest individual events in the history of scienceat a level with William Harveys discovery of
the circulation of blood and with Isaac Newtons of the separation of light. By 1889, when Galton
published his most inuential book, Natural Inheritance, his grasp of it was nearly complete. He
knew that regression had nothing special to do with life or heredity. He knew that it was independent
of the passage of time. Regression to the mean held even between brothers, he observed ; exceptionally
tall men tend to have brothers who are somewhat less tall. In fact, as Galton was able to show by
a neat geometric argument, regression is a matter of pure mathematics, not an empirical force. Lest
there be any doubt, he disguised the case of hereditary height as a problem in mechanics and sent it
to a mathematician at Cambridge, who, to Galtons delight, conrmed his nding.
Even as he laid the foundations for the statistical study of human heredity, Galton continued
to pursue many other intellectual interests, some important, some merely eccentric. He invented a
pair of submarine spectacles that permitted him to read while submerged in his bath, and stirred up
controversy by using statistics to investigate the ecacy of prayer. (Petitions to God, he concluded,
were powerless to protect people from sickness.) Prompted by a near-approach of the planet Mars to
Earth, he devised a celestial signalling system to permit communication with Martians. More usefully,
he put the nascent practice of ngerprinting on a rigorous basis by classifying patterns and proving
that no two ngerprints were exactly the samea great step forward for Victorian police work.
Galton remained restlessly active through the turn of the century. In 1900, eugenics received a big
boost in prestige when Gregor Mendels work on heredity in peas came to light. Suddenly, hereditary
determinism was the scientic fashion. Although Galton was now plagued by deafness and asthma
(which he treated by smoking hashish), he gave a major address on eugenics in 1904. What nature
does blindly, slowly, and ruthlessly, man may do providently, quickly, and kindly, he declared. An
international eugenics movement was springing up, and Galton was hailed as its hero. In 1909, he was
honored with a knighthood. Two years later, at the age of eighty-eight, he died.
In his long career, Galton didnt come close to proving the central axiom of eugenics : that, when
it comes to talent and virtue, nature dominates nurture. Yet he never doubted its truth, and many
scientists came to share his conviction. Darwin himself, in The Descent of Man, wrote, We now
know, through the admirable labours of Mr. Galton, that genius. . . tends to be inherited. Given
this axiom, there are two ways of putting eugenics into practice : positive eugenics, which means
getting superior people to bree more ; and negative eugenics, which means getting inferior ones to
breed less. For the most part, Galton was a positive eugenicist He stressed the importance of early
marriage and high fertility among the genetic elite, fantasizing about lavish state-funded weddings in
Westminster Abbey with the Queen giving away the bride as an incentive. Always hostile to religion,
he railed agains the Catholic Church for imposing celibacy on some of its most gifted representatives
over the centuries. He hoped that spreading the insights of eugenics would make the gifted aware
of their responsibility to procreate for the good of the human race. But Galton did not believe that
eugenics could be entirely an aair of moral suasion. Worried by evidence that the poor in industrial
Britain were breeding disproportionately, he urged that charity be redirected from them and toward
the desirables. To prevent the free propagation of the stock of those who are seriously aicted by
lunacy, feeble-mindedness, habitual criminality, and pauperism, he urged stern compulsion, which
might take the form of marriage restrictions or even sterilization.
Galtons proposals were benign compared with those of famous contemporaries who rallied to his
cause. H.G. Wells, for instance, declared, It is in the sterilisation of failures, and not in the selection
of successes for breeding, that the possibility of an improvement of the human stock lies. Although
Galton was a conservative, his creed caught on with progressive gures like Harold Laski, John May-
Presentation 13
nard Keynes, George Bernard Shaw, and Sidney and Beatrice Webb. In the United States, New York
disciples founded the Galton Society, which met regularly at the American Museum of Natural History,
and popularizers helped the rest of the country become eugenics-minded. How long are we Americans
to be so careful for the pedigree of our pigs and chickens and cattleand then leave the ancestry of
our children to chance or to blind sentiment ? asked a placard at an exposition in Philadelphia. Four
years before Galtons death, the Indiana legislature passed the rst state sterilization law, to prevent
the procreation of conrmed criminals, idiots, imbeciles, and rapists. Most of the other states soon
followed. In all, there were some sixty thousand court-ordered sterilizations of Americans who were
judged to be eugenically unt.
It was in Germany that eugenics took its most horric form. Galtons creed had aimed at the uplift
of humanity as a whole ; although he shared the prejudices that were common in the Victorian era, the
concept of race did not play much of a role in his theorizing. German eugenics, by contrast, quickly
morphed into Rassenhygienerace hygiene. Under Hitler, nearly four hundred thousand people with
putatively hereditary conditions like feeblemindedness, alcoholism, and schizophrenia were forcibly
sterilized. In time, many were simply murdered.
The Nazi experiment provoked a revulsion against eugenics that eectively ended the movement.
Geneticists dismissed eugenics as a pseudoscience, both for its exaggeration of the extent to which
intelligence and personality were xed by heredity and for its navete about the complex and mysterious
ways in which many genes could interact to determine human traits. In 1966, the British geneticist
Lionel Penrose observed that our knowledge of human genes and their action is still so slight that it
is presumptuous and foolish to lay down positive principles for human breeding.
Since then, science has learned much more about the human genome, and advances in biotechnology
have granted us a say in the genetic makeup of our ospring. Prenatal testing, for example, can warn
parents that their unborn child has a genetic condition like Down syndrome or Tay-Sachs disease,
presenting them with the agonizing option of aborting it. The technique of embryo selection aords
still greater control. Several embryos are created in vitro from the sperm and the eggs of the parents ;
these embryos are genetically tested, and the one with the best characteristics is implanted in the
mothers womb. Both of these techniques can be subsumed under negative eugenics, since the genes
screened against are those associated with diseases or, potentially, with other conditions that the
parents might regard as undesirable, such as low I.Q., obesity, same-sex preference, or baldness
There is a more radical eugenic possibility on the horizon, one beyond anything Galton envisaged.
It would involve shaping the heredity of our descendants by tinkering directly with the genetic material
in the cells from which they germinate. This technique, called germline therapy, has already been
used with several species of mammals, and its proponents argue that it is only a matter of time before
human beings can avail themselves of it. The usual justication for germline therapy is its potential for
eliminating genetic disorders and diseases. Yet it also has the potential to be used for enhancement.
If, for example, researchers identied genes linked with intelligence or athletic ability, germline therapy
could give parents the option of souping up their children in these respects.
Galtonian eugenics was wrong because it was based on faulty science and carried out by coercion.
But Galtons goal, to breed the barbarism out of humanity, was not immoral. The new eugenics, by
contrast, is based on a relatively sound (if still largely incomplete) science, and is not coercive ; decisions
about the genetic endowment of children would be left up to their parents. It is the goal of the new
eugenics that is morally cloudy. If its technologies are used to shape the genetic endowment of children
according to the desiresand nancial meansof their parents, the outcome could be a GenRich class
of people who are smarter, healthier, and handsomer than the underclass of Naturals. The ideal of
individual enhancement, rather than species uplift, is in stark contrast to the Galtonian vision.
Presentation 14
The improvement of our stock seems to me one of the highest objects that we can reasonably
attempt, Galton declared in his 1904 address on the aims of eugenics. We are ignorant of the ultimate
destinies of humanity, but feel perfectly sure that it is as noble a work to raise its level. . . as it would
be disgraceful to abase it. Martin Brookes may be right to dismiss this as a blathering sermon, but
it possesses a certain rectitude when set beside the new eugenicists talk of a posthuman future of
designer babies. Galton, at least, had the excuse of historical innocence.
Chapitre 2
Complements
2.1 Sur le rayon de convergence des series entières aleatoires
Enonce
On considère une suite (X
n
)
n0
de variables aleatoires independantes et de meme loi et on se
propose de calculer le rayon de convergence de la serie entière aleatoire
n0
X
n
z
n
.
Solution developpee
0) Rappelons que le rayon de convergence dune serie entière
n0
a
n
z
n
est un nombre 0 R +
qui permet de caracteriser le comportement de cette serie entière comme suit. Dune part, si [z[ < R,
la serie converge et son terme general converge (au moins) geometriquement vite vers 0, cest-à-dire
quil existe une constante nie c et un reel positif < 1 (dependant de [z[) tels que [a
n
z
n
[ c
n
pour tout n 0. Par contre, si [z[ > R, la serie diverge puisque la suite ([a
n
z
n
[)
n0
nest pas bornee.
(Si [z[ = R, la situation est plus compliquee.) Enn, on dispose dune formule :
1/R = limsup
n
[a
n
[
1/n
.
1) Dans le cas dune serie entière à coecients aleatoires, on voit que, pour tout k 0, 1/R est aussi
la limite superieure de la suite ([X
n
[
1/n
)
nk
. Donc R est mesurable par rapport à la tribu engendree
par (X
n
)
nk
pour tout k et, comme les variables aleatoires X
n
sont independantes, la loi du zero-un
montre que R est presque s urement constant.
2) Pour calculer la valeur de R, on introduit les evenements
A
n
(c) = [X
n
[ c
n
.
Alors P(A
n
(c)) = P([X
1
[ c
n
) puisque les variables aleatoires X
n
ont toutes la meme loi. Considerons
la serie S(c) =
n
P([X
1
[ c
n
). Si S(c) converge, la partie facile du lemme de Borel-Cantelli indique
que, presque s urement, levenement A
n
(c) nest realise que pour un nombre ni dindices n (puisque
limsup A
n
(c) est de probabilite nulle et que cet ensemble correspond au fait que A
n
(c) est realise pour
Complements 16
un nombre inni dindices n). Par contre, si S(c) diverge, la partie dicile du lemme de Borel-Cantelli
est disponible puisque les evenements A
n
(c) sont independants et elle indique que, presque s urement,
levenement A
n
(c) est realise pour un nombre inni dindices n.
Dans le premier cas, presque s urement [X
n
[ < c
n
pour n assez grand, donc limsup [X
n
[
1/n
c et
R 1/c presque s urement. Dans le second cas, presque s urement [X
n
[ c
n
pour des indices n aussi
grands que lon veut, donc limsup [X
n
[
1/n
c et R 1/c presque s urement.
3) Il reste à evaluer S(c). Or, S(c) =
n0
P(log [X
1
[ n log c).
Si c > 1, on voit que S(c) converge si et seulement si log [X
1
[ est integrable là o` u log [X
1
[ 0.
Par consequent, si E(log
+
[X
1
[) est inni, S(c) diverge pour tout c > 1 donc R 1/c pour tout c > 1
donc R = 0. Par contre, si E(log
+
[X
1
[) est ni, S(c) converge pour tout c > 1 donc R 1/c pour
tout c > 1 donc R 1.
Par ailleurs, pour toute loi X
1
(P) ,=
0
, il existe x > 0 tel que P([X
1
[ x) est strictement positif.
Donc la serie
n
P([X
n
[ x) diverge et la partie dicile du lemme de Borel-Cantelli indique que,
presque s urement, [X
n
[ x une innite de fois. Si [z[ = 1, on en deduit que [X
n
z
n
[ x une innite
de fois, donc [X
n
z
n
[ ne tend pas vers 0 donc R 1 dans tous les cas o` u X
1
(P) ,=
0
.
4) Finalement, il y a trois cas : si X
1
= 0 presque s urement, alors R = ; si log
+
[X
1
[ est integrable,
alors R = 1 ; enn, si log
+
[X
1
[ nest pas integrable, alors R = 0.
Pour xer les idees, considerons le cas o` u la loi de [X
1
[ admet une densite f par rapport à la mesure
de Lebesgue. Alors, sil existe a > 2 tel que f(x) c/(x(log x)
a
) quand x , alors log
+
[X
1
[ est
integrable. Par contre, si f(x) c/(x(log x)
2
) quand x , alors log
+
[X
1
[ nest pas integrable.
5) Rappel On a utilise le fait suivant, demontre en TD et à connatre. Soit Y une variable aleatoire
positive. Alors, pour tout y > 0, Y est integrable si et seulement si la serie
n
P(Y ny) converge.
2.2 Sur le maximum de variables aleatoires
Enonce
Soit (X
n
)
n1
une suite de variables aleatoires independantes, positives, de meme loi, et integrables.
On pose M
n
= max X
k
; 1 k n. Montrer que E(M
n
/n) 0 quand n .
Solution
On sait que, pour toute variable aleatoire positive X,
E(X) =
_
+
0
P(X > x) dx.
Par ailleurs, M
n
x si et seulement si X
k
x pour tout 1 k n et les variables aleatoires
(X
k
)
1kn
sont independantes et ont toutes la meme loi que X
1
, donc
E(M
n
/n) =
_
+
0
n
(x) dx,
n
(x) = (1 P(X
1
x)
n
)/n.
Complements 17
Comme 0
n
(x) 1/n,
n
(x) 0 quand n , pour tout x 0 xe. Il reste à verier que la
suite (
n
)
n1
est dominee par une fonction integrable.
Or, pour tout 0 a 1 et n 1, (1 a
n
)/n 1 a. (Première solution : le rapport des deux
termes vaut (1 +a + +a
n1
)/n et cette parenthèse comporte n termes, qui sont tous entre 0 et 1,
donc elle est inferieure à n. Ou bien : il sut de verier que naa
n
n1. En derivant le membre de
gauche par rapport à a, on constate quil est maximum quand a = 1, cest-à-dire inferieur au membre
de droite. Ou encore : montrer que la suite de fonctions (
n
)
n1
est en fait decroissante.)
En appliquant ce qui precède à a = P(X
1
x), on obtient
n
(x)
1
(x) pour tout x 0 et tout
n 1. Il reste à verier que
1
est integrable. Or, par denition, lintegrale de
1
vaut E(X
1
), donc
on a termine.
Remarque : sans lhypothèse dindependance, on ne sait donc pas faire. La suite de lexercice :
trouver un exemple dune suite (X
n
)
n1
de variables aleatoires dependantes positives, de meme loi, et
integrables telle que E(M
n
/n) ne tend pas vers 0. Ou bien : montrer que lhypothèse dindependance
est inutile pour montrer que E(M
n
/n) tend vers 0 (à première vue, je ny crois pas, mais sait-on
jamais. . .).
Sans independance
Enonce : Soit (X
n
)
n1
une suite de variables aleatoires positives, de meme loi et integrables. On
pose M
n
= max X
k
; 1 k n. Montrer que E(M
n
/n) 0 quand n .
On sait que, pour toute variable aleatoire positive X,
E(X) =
_
+
0
P(X x) dx.
Par ailleurs, si M
n
x, alors X
k
x pour au moins un indice 1 k n, et les variables aleatoires
(X
k
)
1kn
ont toutes la meme loi que X
1
, donc
P(M
n
x)
n
k=1
P(X
k
x) = nP(X
1
x).
On deduit de ces deux remarques que
E(M
n
/n) =
_
+
0
n
(x) dx,
n
(x) = P(M
n
x)/n,
avec, pour tout n 1,
0
n
(x) (x), (x) = P(X
1
x).
Puisque 0
n
(x) 1/n,
n
(x) 0 quand n , pour tout x 0 xe. Comme X
1
est integrable,
est integrable donc le theorème de convergence dominee montre que lintegrale de
n
tend vers 0.
CQFD.
Remarque : on na besoin daucune hypothèse dindependance.
2.3 Une autre version de la loi des grands nombres
Voici une version de la loi des grands nombres qui est plus forte que celle demontree en cours.
Complements 18
Theorème (LGN) Soit (X
n
)
n1
une suite de variables aleatoires de meme loi, integrables et deux
à deux independantes. Soit S
n
:= X
1
+ +X
n
.
Alors S
n
/n converge vers E(X
1
) presque s urement et dans L
1
quand n tend vers linni.
Remarque : lindependance des variables aleatoires deux à deux est une hypothèse plus faible que
leur independance globale.
Les etapes de la preuve sont les suivantes.
(1) En decomposant chaque variable aleatoire X
n
en ses parties positive et negative, on voit quil
sut de demontrer la convergence presque s ure pour des variables aleatoires positives.
Pour deduire la convergence L
1
de la convergence presque s ure, on dispose de deux options. Soit
utiliser le fait que la famille (X
n
)
n1
est uniformement integrable puisque toutes les variables aleatoires
X
n
ont la meme loi integrable. Les variables aleatoires S
n
/n etant des barycentres de membres de
cette famille, la famille (S
n
/n)
n1
est aussi uniformement integrable, donc la convergence presque
s ure de S
n
/n entrane sa convergence au sens L
1
. Soit utiliser le lemme de Schee ci-dessous puisque
E(S
n
/n) = E(X
1
).
Lemme (Schee) Soit X
n
et X des variables aleatoires integrables telles que la suite (X
n
)
n
converge
vers X presque s urement et telles que E([X
n
[) converge vers E([X[). Alors la suite (X
n
)
n
converge
vers X dans L
1
.
(2) On suppose donc que X
n
0. On va tronquer les variables aleatoires X
n
pour obtenir une
convergence rapide dune soussuite de (S
n
/n)
n
puis utiliser la monotonie de la suite (S
n
)
n
.
Soit a > 1 et a
n
la partie entière de a
n
. Posons
Y
n
:= X
n
1([X
n
[ n), T
n
:=
n
k=1
Y
k
, Z
n
= a
1
n
(T
a
n
E(T
a
n
)).
On dispose du lemme de troncature suivant, que nous avons utilise dans la preuve de la loi des grands
nombres classique et dont nous ne reproduisons pas la preuve ici.
Lemme (Troncature) Soit (X
n
)
n
une suite de variables aleatoires de meme loi integrable, et soit
Y
n
et T
n
denis ci-dessus.
(a) E(Y
n
) et E(T
n
/n) convergent vers E(X
1
).
(b) Les series
n
var(Y
n
)/n
2
et
n
E(Y
2
n
)/n
2
convergent.
(c) Levenement liminfX
n
= Y
n
est de probabilite 1.
On en deduit que la serie
n
E(Z
2
n
) converge. En eet, lindependance des variables aleatoires
(Y
n
)
n
deux à deux entrane que
E(Z
2
n
) = a
2
n
a
n
k=1
var(Y
k
) a
2
n
a
n
k=1
E(Y
2
k
),
do` u par sommation,
n
E(Z
2
n
)
k
E(Y
2
k
)
n: a
n
k
a
2
n
c
k
E(Y
2
k
)/k
2
.
Complements 19
La dernière somme est nie par la partie (b) du lemme de troncature. On en deduit que
n
Z
2
n
est
presque s urement nie donc que Z
n
tend presque s urement vers 0.
(3) La partie (a) du lemme de troncature montre que a
1
n
E(T
a
n
) tend vers E(X
1
). Donc a
1
n
T
a
n
converge vers E(X
1
) presque s urement. On en deduit que a
1
n
S
a
n
converge vers E(X
1
) presque s ure-
ment, car (S
a
n
T
a
n
)/a
n
tend vers 0 presque s urement, daprès la partie (c) du lemme de troncature.
(4) Il reste à repasser de la suite (S
a
n
/a
n
)
n1
à la suite (S
n
/n)
n1
. Pour tout n 1, soit k(n)
lindice k tel que a
k
n < a
k+1
. Alors,
S
n
/n (a
k(n)
/a
k(n)+1
) S
a
k(n)+1
/a
k(n)+1
do` u limsup S
n
/n limsup(a
k(n)
/a
k(n)+1
) E(X
1
) = a E(X
1
). De meme,
liminf S
n
/n E(X
1
)/a.
Le reel a > 1 est arbitraire donc on a termine la preuve du theorème.
On a utilise les resultats auxiliaires suivants dont la preuve est laissee en exercice au lecteur.
Soit a > 1 et a
n
la partie entière de a
n
. Alors a
n+1
/a
n
tend vers a. De plus, il existe une constante
c independante de k (mais dependant de a) telle que, pour tout k,
n: a
n
k
1/a
2
n
c/k
2
.
2.4 Loi des grands nombres echangeable
Daprès Luca Pratelli, Seminaire XXIII, Lecture Notes 1372, 527530 (1989).
Soit (X
n
)
n1
une suite echangeable de variables aleatoires et notons
S
n
=
n
k=1
X
k
, U
n
= S
n
/n.
Rappelons quune famille est echangeable si sa loi est invariante sous leet de toute permutation de
support ni cest-à-dire si pour n 1 et s permutation de 1, . . . , n quelconques, X
s
= (X
s(k)
)
kn
admet la meme loi que (X
k
)
kn
. Quelques proprietes :
echangeable implique de meme loi ;
i.i.d. implique echangeable ;
si (X
n
)
n
est echangeable, f est borelienne et Z est independante de (X
n
)
n
, alors la suite des
Y
n
= f(X
n
, Z) est echangeable ;
si (X
n
)
n
est echangeable de carre integrable, E(X
n
) = E(X
1
), var(X
n
) = var(X
1
). De plus, on
a par exemple E(X
n
X
m
) = E(X
1
X
2
) pour tout n ,= m.
Theorème Soit (X
n
)
n
une suite echangeable. Notons / la tribu asymptotique des X
n
et supposons
que X
1
est integrable. Alors la suite (U
n
)
n
converge presque s urement et dans L
1
vers une variable
aleatoire U /mesurable. On peut caracteriser U comme suit : toute variable aleatoire Z /mesurable
et bornee verie
E(Z X
1
) = E(Z U).
On verra plus tard que U est lesperance conditionnelle de X
1
par rapport à /.
Complements 20
Corollaire Dans le cas i.i.d., la tribu / est triviale donc U est constante presque s urement et U =
E(X
1
).
Demonstration La preuve se fait en plusieurs etapes.
1. Soit f une fonction borelienne bornee sur R et posons
Y
n
= f(X
n
), T
n
=
n
k=1
Y
k
, V
n
= T
n
/n.
On a alors E[U
n
V
n
[ E[X
1
Y
1
[. (Inegalite triangulaire.)
2. Supposons que X
1
est de carre integrable et notons a = E(X
2
1
) et b = E(X
1
X
2
). Alors, pour
m n, on peut calculer
E(U
n
U
m
) = (a + (n 1) b)/n = E(U
2
n
),
donc E((U
m
U
n
)
2
) = E(U
2
m
) E(U
2
n
), par consequent, la suite des E(U
2
n
) est decroissante et la
suite (U
n
)
n
est de Cauchy dans L
2
.
3. Supposons X
1
integrable. Alors, pour > 0, on a :
P( max
min
[U
n
U
i
[ ) E[U
n
U
m
[.
Pour le demontrer, on pose
= supi ; m i < n, [U
n
U
i
[ ,
et on evalue P( = i) en separant la partie o` u U
i
> U
n
et celle o` u U
i
U
n
. Il vient
P( m) E(U
n
U
m
: A
) +E(U
m
U
n
: A
+
),
o` u A
et A
+
sont deux ensembles disjoints ; le tout est donc majore par E[U
n
U
m
[.
4. On deduit de ce qui precède que la suite (U
n
)
n
est de Cauchy dans L
1
: on se ramène au cas
L
2
grace à 1 et on applique alors le 2. Par consequent, le 3 montre que la suite (U
n
)
n
converge
presque s urement.
5. Posons alors U = limsup U
n
. La variable aleatoire U est bien /mesurable et, si Z est /
mesurable bornee, on a E(U
n
Z) = E(X
1
Z) pour tout n, do` u le resultat.
Remarque La variable aleatoire U est la seule telle que E(U : A) = E(X
1
: A) pour tout A /.
2.5 Encore de lechangeabilite
Rappelons quune permutation nie de N
est une bijection s : N
telle que s(i) ,= i pour

un nombre ni de valeurs de i. Soit (X
n
)
n1
une suite de variables aleatoires à valeurs dans R. Pour
tout A dans la tribu engendree par la suite (X
n
)
n1
, il existe un borelien B de R
N
tel que
A = ; (X
n
())
n1
B.
Alors A est dit echangeable si et seulement si s
1
(B) = B pour toute permutation nie s o` u, pour
tout x := (x
n
)
n1
dans R
N
, on note
s(x) := (x
s(n)
)
n1
.
La collection des evenements echangeables est une tribu, notee c et appelee la tribu echangeable.
Complements 21
Exemples
Pour construire des exemples, notons S
n
:= X
1
+ +X
n
. Alors les evenements
A
C
:= S
n
C pour une innite de n et limsup S
n
/c
n
1
sont echangeables. De plus, tout evenement asymptotique est echangeable. (Pour le montrer, on xe la
permutation s et on ecrit la mesurabilite par rapport à (X
k
)
kn
avec un indice n susamment grand
pour que s(k) = k pour tout k n.) Lexemple de A
C
montre que la reciproque est fausse, cest-à-dire
que lon peut etre echangeable sans etre asymptotique.
Resultats
Le resultat suivant indique que si (X
n
)
n1
est une suite independante, la tribu echangeable est
triviale (donc quelle concide avec la tribu asymptotique).
Theorème (Loi du zero-un de Hewitt-Savage) Si (X
n
)
n1
est une suite independante et si A
est echangeable, alors P(A) vaut 0 ou 1.
Une application est le resultat suivant.
Theorème (Loi des grands nombres pour des marches au hasard reelles)
Supposons que (X
n
)
n1
est une suite i.i.d. et notons S
n
:= X
1
+ +X
n
. Alors, soit S
n
= 0 presque
s urement pour tout n 1 ; soit S
n
+ presque s urement quand n ; soit S
n
presque
s urement quand n ; soit
liminf S
n
= et limsup S
n
= + presque s urement. (2.1)
On peut montrer que si (X
n
)
n1
est une suite i.i.d. telle que E(X
n
) = 0 et P(X
n
= 0) ,= 1, alors
on est dans le cas (2.1).
Preuve de la loi des grands nombres
Daprès la loi du zero-un de Hewitt-Savage, limsup S
n
est mesurable par rapport à c donc vaut
une constante c dans [, +], presque s urement.
Pour n 1, soit T
n
:= S
n+1
X
1
. Comme (T
n
)
n1
et (S
n
)
n1
suivent la meme loi, limsup T
n
=
limsup S
n
= c presque s urement, donc c = c X
1
presque s urement. Si c est ni, il vient X
1
= 0
presque s urement. Par consequent, si P(X
1
= 0) ,= 1, c vaut + ou . Le meme raisonnement
sapplique à liminf S
n
. Il reste à eliminer le cas impossible liminf S
n
= + et limsup S
n
= pour
obtenir la conclusion de la loi des grands nombres.
Preuve de la loi du zero-un de Hewitt-Savage
On suit la preuve de la loi du zero-un de Kolmogorov, qui traite de la tribu asymptotique dune
suite independante. Plus precisement, soit A dans c. Il existe une suite (A
n
)
n1
telle que A
n
est
mesurable par rapport à (X
k
)
1kn
et P(AA
n
) 0 quand n (voir ci-dessous).
Il existe des boreliens B et B
n
tels que
A
n
:= (X
k
)
1kn
B
n
, A := (X
n
)
n1
B.
Complements 22
Pour tout n 1, soit s
n
la permutation qui echange les ensembles 1, . . . , n et n + 1, . . . , 2n, plus
precisement s
n
(i) := n + i si 1 i n, s
n
(i) := i n si n + 1 i 2n et s
n
(i) := i si i 2n + 1.
Alors s
1
n
(A) = A car A est echangeable et s
1
n
(A
n
) = A
n
avec
A
n
:= (X
k
)
n+1k2n
B
n
.
Comme la suite (X
k
)
k1
est i.i.d., les lois de (X
k
)
k1
et (X
s
n
(k)
)
k1
concident donc
P(A
n
A) = P(A
n
A).
Comme A
n
(A
n
A
n
) A
n
A
n
(A
n
A) (A
n
A), on voit que
0 P(A
n
) P(A
n
A
n
) 2 P(A
n
A) 0.
Pour chaque n 1 xe, A
n
est mesurable par rapport à (X
k
)
1kn
et A
n
est mesurable par rapport à
(X
k
)
n+1k2n
, donc A
n
et A
n
sont independants et P(A
n
A
n
) = P(A
n
) P(A
n
). Il reste à remarquer
que P(A
n
) = P(A
n
) P(A) pour en deduire que P(A) P(A)
2
= 0, ce qui conclut la preuve.
Un rappel de theorie de la mesure
On a utilise en passant lapproximation de A par une suite (A
n
)
n1
telle que chaque ensemble
A
n
est mesurable par rapport à (X
k
)
1kn
. Cest une consequence du resultat suivant : soit / une
algèbre, (/) la tribu engendree, m une mesure sur (/) et A dans (/) un ensemble de mesure m(A)
nie. Alors, pour tout a positif, il existe un ensemble B dans / tel que m(AB) a. (Indication :
considerer la classe des A dans (/) tels que cest vrai pour tout a positif.) On applique ceci à lalgèbre
reunion des tribus engendrees par (X
k
)
1kn
pour tout n 1.
2.6 Sur quelques notions de convergence
Soit (X
n
)
n1
et X des variables aleatoires. Voici quatre proprietes.
[PS] X
n
X presque s urement.
[L
p
] X
n
X dans L
p
.
[UI] La famille ([X
n
[
p
)
n1
est uniformement integrable.
[S erie] Pour tout a > 0, la serie
n1
P([X
n
X[ a) converge.
Daprès le cours, si [PS] et [UI] sont vraies, alors [L
p
] est vraie (on passe par la convergence en
probabilite), et si [S erie] est vraie, alors [PS] est vraie.
Lobjet de cette note est de montrer que
[L
p
] entrane [UI] ; [PS] nentrane pas [S erie].
Si [L
p
] est vraie, soit a > 0. On va montrer quil existe t tel que, pour tout n 1, x
n
(t) a,
avec x
n
(t) = E([X
n
X[
p
; [X
n
X[ t). Comme X
n
X dans L
p
, il existe un entier N ni tel
que E([X
n
X[
p
) a pour tout n N. Or, pour tout t, x
n
(t) E([X
n
X[
p
) donc x
n
(t) a
pour tout n N et tout t. Par ailleurs la famille ([X
n
X[
p
)
nN
est une partie nie de L
1
donc
elle est uniformement integrable. Ainsi, il existe t tel que x
n
(t) a pour tout n N. Alors t
convient pour la suite entière, donc ([X
n
X[
p
)
n1
est uniformement integrable. Comme X est dans
L
p
daprès la denition de la convergence L
p
, on sait que [X[
p
est uniformement integrable. Comme
[X
n
[
p
2
p1
([X
n
X[
p
+[X[
p
), ([X
n
[
p
)
n1
est uniformement integrable en tant que famille controlee
par la somme de deux familles uniformement integrables.
Complements 23
Pour la deuxième assertion, voici un exemple. Soit Y une variable aleatoire positive quelconque et
X
n
= Y/n. Alors [PS] est vraie avec X = 0 et le terme general de la serie de la condition [S erie] vaut
P([X
n
[ a) = P(Y na), donc [S erie] est vraie si et seulement si Y est integrable. Toute variable
aleatoire Y non integrable fournit donc un cas o` u [PS] est vraie et [S erie] est fausse.
2.7 Sur la famille de fonctions t e
[t[
On note
(t) := e
|t|
et on se propose de determiner pour quelles valeurs de la fonction
est une fonction caracteristique.

Quelques remarques elementaires tout dabord. On veut que
(0) = 1 donc > 0. De plus,

1
est la fonction caracteristique de la loi de Cauchy reduite de densite 1/((1+x
2
)) et
2
est la fonction
caracteristique de la loi gaussienne centree de variance 2, de densite e
x
2
/4
/(2
).
Une remarque moins elementaire à present. Si
est une fonction caracteristique, le determinant

K
(t, s) ci-dessous doit etre positif ou nul pour toute valeur de t et s, avec
K
(t, s) :=
(0)
(t)
(t +s)
(t)
(0)
(s)
(t s)
(s)
(0)
.
En supposant que s = xt pour x xe et en considerant la limite t 0, le developpement limite de la
fonction exponentielle en 0 permet de montrer que K
(t, xt) = [t[

2
k
(x) +o([t[
2
) avec
k
(x) := 2x
(1 +x)
+ 2x
+ 2(1 +x)
x
2
(1 +x)
2
1.
Si > 2, k
(x) =
2
x
2
+o(x
2
) quand x 0 donc K
(t, xt) prend des valeurs strictement negatives

et
nest pas une fonction generatrice.

Il reste à traiter le cas 0 < < 2, cas dans lequel on va montrer que
est eectivement une

fonction caracteristique. Pour cela, on considère une suite i.i.d. (Z
n
)
n
de variables aleatoires de loi de
Cauchy reduite, et on pose
Y
n
:= sgn (Z
n
) [Z
n
[
1/
et X
n
:= (Y
1
+ +Y
n
)/n
1/
.
Rappelons que la loi de Z
n
admet la densite 1/( (1+z
2
)) par rapport à la mesure de Lebesgue. Donc
E(e
itY
k
) =
2
_
+
0
cos(tz
1/
)
1 +z
2
dz.
Supposons que lon puisse montrer que E(e
itY
k
) = 1c
[t[
+o([t[
) quand t 0, pour une constante

c
0 donnee. Alors, quand n ,

E(e
itX
n
) e
c
|t|
(c
1/
t).
Comme la fonction
est continue en 0, cela montrerait que (X

n
)
n
converge en loi vers c
1/
X, o` u
X est une variable aleatoire de fonction caracteristique
, et en particulier que
est une fonction

caracteristique.
Or, en posant y := [t[ z
1/
, on obtient
E(e
itY
k
) = 1
2
[t[
_
+
0
1 cos(y)
[t[
2
+y
2
y
1
dy.
Complements 24
La fonction dans la dernière integrale est positive et depend de [t[ de facon monotone donc E(e
itY
k
) =
1 c
[t[
+o([t[
) avec
c
:=
2

_
+
0
1 cos(y)
y
+1
dy.
Il reste à verier que c
est nie. Quand y 0, la fonction à integrer est equivalente à 1/(2y

1
) et
< 2 donc lintegrale converge. Quand y , la fonction à integrer est majoree par 2/y
+1
et > 0
donc lintegrale converge, ce qui termine la preuve.
On peut remarquer que la densite f
de la loi cherchee est paire et vaut, pour tout x,

f
(x) :=
1
_
+
0
cos(tx) e
t
dt.
Si 1 < 2, on peut developper le cosinus comme une serie, donc
f
(x) =
1
n0
(1)
n
(2n)!
x
2n
_
+
0
t
2n
e
t
dt,
si du moins cette serie converge. En posant s = t
dans chaque integrale, on obtient

f
(x) =
n0
(1)
n
a
n
x
2n
, a
n
:=
((2n + 1)/)
(2n + 1)
.
Comme > 1, la suite (a
n
)
n0
est positive et decroissante et, pour tout n 0, 0 a
n
a
0
=
(1 +1/)/ donc la serie converge au moins pour [x[ < 1. En fait, la formule de Stirling montre que
a
n
tend vers 0 plus vite que toute serie geometrique donc la serie converge partout.
Enn, on peut remarquer que, puisque la suite (a
n
)
n
est decroissante, la serie qui denit f
(x) est
alternee pour [x[ 1, donc le resultat est bien positif sur ce domaine. Par ailleurs, meme pour = 1,
cette formule donne bien la bonne densite f
1
(x) = 1/((1 +x
2
)).
En conclusion, t e
|t|
est une fonction caracteristique si et seulement si 0 < 2. La loi

associee est toujours symetrique par rapport à 0. Elle est integrable si et seulement si > 1 et dans
ce cas elle est centree. Elle est de carre integrable si et seulement si = 2, auquel cas il sagit de la loi
normale centree de variance 2. Enn, si 1 < 2, on dispose de la densite de cette loi sous la forme
dune serie alternee qui converge partout plus vite que geometriquement.
Remarque Resterait à montrer que f(x) 0 pour [x[ > 1. Quelques tentatives en ce sens.
Soit (c
n
)
n
une suite i.i.d. de variables aleatoires de loi de Cauchy reduite et 1 < 2. Notons
x
n
:= c
1/
n
si c
n
0 et x
n
:= (c
n
)
1/
si c
n
0. Alors y
n
:= (x
1
+ +x
n
)/n
1/
convergerait en loi
vers une loi stable dindice .
On sait que P(x
n
x) 1/(x
) P(x
n
x) pour x +. Et
E(e
itx
k
) = (2/)
_
+
0
cos(tx
1/
) dx/(1 +x
2
).
Il sut de montrer que E(e
itx
k
) = 1[t[
+o([t[
) quand t 0, alors E(e

itx
n
) e
|t|
et on a termine.
En supposant que t > 0 et en posant y = t
x, il reste à montrer la convergence vers une constante

positive et nie de
_
+
0
1 cos(y
1/
)
t
2
+y
2
dy,
ce qui est bizarre.
Complements 25
Par ailleurs, pour tout x > 0,
f(x) =
1
n0
(1)
n
x
n
, x
n
= (1)
n
_
(n+1)/x
n/x
cos(tx)
(t) dt.
Sur lintervalle (n/x, (n+1)/x), les fonctions
et t (1)
n
cos(tx) sont toutes deux decroissantes,
donc x
n
est superieur au produit des integrales, soit x
n
0. Il surait de montrer que x
2n
x
2n+1
pour conclure.
Complements 26
Chapitre 3
Exercices
3.1 Fiche 1 : Outils probabilistes
1. Pour n 0, M
n
est un menteur. M
0
emet un message (+ ou ) vers M
1
et chaque M
n
, n 1,
transmet le message recu de M
n1
vers M
n+1
: il y a p chances, 0 p 1, que M
n
transmette le
message recu intact et (1 p) chances quil le modie. Trouver p
n
, la probabilite que M
n
transmette
eectivement le message emis par M
0
et p
, la limite des p
n
si elle existe.
2. Nabuchodonosor et Cleopatre ont rendez-vous entre 5 et 7. Chacun a decide dattendre lautre,
si besoin est, pendant un quart dheure. Calculer la probabilite que Nabuchodonosor et Cleopatre
reussissent leur rendez-vous.
3. Pour n 1 on munit lespace o
n
des permutations de 1, . . . , n de la probabilite uniforme P
n
.
Pour o
n
, on note F() le nombre de points xes de .
1) Exprimer P
n
(F = k) à laide de p(i) = P
i
(F = 0). En deduire une relation entre les p(i) puis la
valeur de p(i) (series entières !).
Trouver lim
n
P
n
(F = k).
2) Etablir la formule due à Poincare :
P
_
n
_
k=1
A
k
_
=
n
k=1
(1)
k+1
I[1,n],|I|=k
P
_
iI
A
i
_
.
Indications : P(A) = E(1
A
) et 1
AB
= 1
A
1
B
.
Retrouver directement les p(i) à partir de cette formule.
4. Exhiber , ( T() tel que (() = T() et deux probabilites P et Q distinctes sur T() telles
que P(A) = Q(A) pour tout A dans (.
5. Exhiber un espace de probabilite (, T, P) tel que T ne contient aucun singleton mais tel que
T est en bijection avec T().
6. Pour A N
et n 1, on pose d
n
(A) = n
1
[A [1, n][. Notons / lensemble des parties A de
N
telles que la densite d(A) = lim

n
d
n
(A) existe.
Exhiber A et B dans / tels que A B nest pas dans /. Donc / nest pas un système.
Moralite : approcher une mesure uniforme sur N
par la mesure uniforme sur [1, n] nest pas

la seule solution employee par les theoriciens des nombres. Pour s (1, +), soit
m
s
= (s)
1
n1
n
s
n
.
Exercices 28
Outre des proprietes dindependance bien venues (voir un exercice plus bas), les mesures m
s
ont
lavantage que m
s
(A) d(A) quand s 1
+
, pour tout A dans /. Le montrer.
Montrer que la convergence de m
s
(A) quand s 1
+
nimplique pas que A appartient à /.
7. Soit (A
n
)
n
une suite de parties de N. Montrer que
1(limsup A
n
) = limsup 1
A
n
.
8. Soit N : N une fonction T/T(N) mesurable et X
n
: R des fonctions T/B(R)
mesurables. Montrer que Y : R denie par
Y () = X
N()
(),
est T/B(R) mesurable.
9. (Atomes) On dit que A dans T est un atome de P si P(A) > 0 et si toute partie B de A
mesurable verie P(B) = 0 ou P(B) = P(A).
On note A B si et seulement si P(AB) = 0. La relation est une relation dequivalence, on note
A
la classe de A.
1) Montrer que la classe / = A
; A T, A atome est une classe au plus denombrable.

2) Montrer que d(A
, B
) = P(AB) denit une distance d sur lensemble des classes dequivalence

de la relation .
3) Dans cette question (, T) = (R, B(R)) et A est un atome. Montrer quil existe un reel x tel
que A
= x
.
4) Dans cette question, P ne possède aucun atome. Soit A T, P(A) > 0 et 0 < P(A). On
note
P
(A) = supP(B) ; B A, B T, P(B) .

Montrer que P
(A) nest pas nul puis que P
(A) /2. Pour montrer que P
(A) /2, on pourra

raisonner par labsurde, montrer alors lexistence dun evenement B A tel que P(B) = P
(A) et en
deduire une contradiction.
5) Application : supposons quil existe un reel 0 x 1 tel que P ne prend jamais la valeur x.
Construire des B
n
disjoints avec pour tout n 1,
n
k=1
2
k
x P(
n
_
k=1
B
k
) x.
Conclusion ?
10. On choisit deux points au hasard sur un segment de facon independante et uniforme. Calculer
la probabilite que les trois portions du segment ainsi obtenues puissent former un triangle.
11. Soit (, T, P) un espace metrique muni de ses boreliens et dune probabilite quelconque. Tout
A borelien verie
P(A) = infP(O) ; A O, O ouvert = supP(F) ; F A, F ferme.
12. Soit (T
n
) une suite croissante de tribus et T la tribu engendree par leur reunion. Pour tout
> 0 et A T, il existe un indice n et un evenement A
T
n
tels que P(AA
) .
Variables aleatoires
13. Soit X : (, T) (
, T
) une variable aleatoire et (X) = X

1
(T
). Verier que (X) est

bien la plus petite tribu ( rendant X mesurable pour ( et T
.
Exercices 29
Soit (X) = X x ; x R. Montrer que (X) = X
1
((R)) et que (X) est un système qui
engendre (X).
14. Soit X
n
des variables aleatoires reelles.
Montrer que inf
n
X
n
, liminf
n
X
n
et limsup
n
X
n
sont des variables aleatoires à valeurs dans R.
Montrer que lim
n
X
n
existe et X
n
est bornee sont dans T.
15. (Representation de Skorokhod) Soit F : R [0, 1] une fonction de repartition.
1) On denit X sur = [0, 1] par X() = infx; F(x) > . Montrer que
X() = supx; F(x) .
Montrer que X est B() mesurable et que X admet pour fonction de repartition F par rapport à la
mesure de Borel P.
2) Soit Y () = infx; F(x) . Montrer que Y () = supx; F(x) < , que Y est B()
mesurable, que Y admet pour fonction de repartition F par rapport à P mesure de Borel et enn que
P(X = Y ) = 1.
Independance
16. (
1
, (
2
et (
3
sont des systèmes avec (
i
T et (
i
. Montrer que () pour A
i
(
i
,
i = 1, 2, 3, entrane () pour A
i
((
i
), i = 1, 2, 3. Pourquoi a-t-on impose (
i
? Contrexemple ?
17. (Fonction indicatrice dEuler) On prend = 1, 2, . . . , n, P probabilite uniforme et on
note T lensemble des entiers de premiers et divisant n. Pour p T, soit A
p
= q ; p[q.
Calculer P(A
p
). Montrer que les evenements (A
p
)
pP
sont independants. En deduire que la fonction
dEuler verie
(n) = n
pP
(1 1/p).
18. (Fonction Zeta) Pour s > 1, on note (s) =
n1
n
s
, T lensemble des nombres premiers
et on se donne une variable aleatoire X à valeurs dans N
de loi P(X = n) = n
s
/(s).
1) On note A
n
= n[X pour tout entier n. Montrer que les A
p
pour p T sont independants et
en deduire une preuve probabiliste de legalite
1/(s) =
p premier
(1 1/p
s
).
2) Montrer que la probabilite quaucun carre ne divise X est 1/(2s).
3) Soit Y une variable aleatoire independante de X et de meme loi que X. On note D le p.g.c.d.
(aleatoire) de X et Y . Montrer que D est une variable aleatoire et que sa loi est donnee par
P(D = n) = n
2s
/(2s).
On pourra introduire
0
= n[D et la probabilite P
0
() = P([
0
).
19. (Records) Soit (X
n
)
n
une suite de variables aleatoires i.i.d. de fonction de repartition com-
mune F continue. Soit R
1
= et pour n 2, R
n
= m < n, X
m
< X
n
. Ainsi, R
n
est levenement
un record est battu au temps n. Montrer que les R
n
sont independants et que P(R
n
) = 1/n. Conclu-
sion ?
20. (Tribu asymptotique)
1) Soit X
n
des variables aleatoires, T
n
= (X
n
), T
n
= (X
k
; k n) et T
n
T
n
la tribu
Exercices 30
asymptotique. Pour chacun des ensembles suivants, preciser sil appartient à T
:
A = X
n
converge , B =
_
n
X
n
converge
_
,
C =
_
n
1
n
k=1
X
k
converge
_
,
D =
_
lim
n
n
1
n
k=1
X
k
= a
_
, E =
_
n
X
n
= b
_
.
2) Supposons de plus que les X
n
sont independantes et soit Y une variable aleatoire T
mesurable.
Montrer quil existe a R tel que P(Y = a) = 1.
21. 1) Soit a > 0. Montrer que X est integrable si et seulement si la serie
n
P([X[ an) converge.
2) En deduire que si (X
n
)
n
est une suite de variables aleatoires i.i.d. alors : si X
1
est integrable,
X
n
/n tend vers 0 presque s urement ; sinon, X
n
/n nest pas bornee presque s urement.
Suites de Bernoulli
22. (Symetrie, symetrie ...) Soit (X
n
)
n
une suite de variables aleatoires independantes et de
meme loi diuse et symetrique par rapport à lorigine. On pose S
n
=
n
k=1
X
k
.
1) Montrer que la loi de S
n
est diuse.
2) Montrer sans calcul que P(S
2
> 0 [ S
1
> 0) = 3/4.
23. (Retours en zero) Soit (X
n
)
n
une suite de variables aleatoires i.i.d. de Bernoulli de paramètre
p de loi b(p) : X
1
(P) = p
1
+ (1 p)
1
. On pose S
0
= 0 et S
n
=
n
k=1
X
k
si n 1. On rappelle que
S
n
suit la loi binomiale B(n, p).
1) Soit a un entier. Montrer que P(S
n
= a) nest non nul que si n a est pair et positif et que
quand n tend vers linni, P(S
a+2n
= a) est equivalent à
(2p)
a
(4p(1 p))
n
/
n.
2) Si p ,= 1/2, montrer que P(n
0
, n n
0
, S
n
,= a) = 1.
Peut-on conclure si p = 1/2 ?
Desormais, p = 1/2. On pose T = infn 1 ; S
n
= 0 si cet ensemble nest pas vide et T = +
sinon. On va montrer
P(T < +) = 1 et E(T) = +.
3) Soit (
n
lensemble des chemins possibles entre les temps 0 et n : c (
n
si c est une fonction
continue sur [0, n], nulle en 0, ane sur chaque intervalle [k, k + 1] et telle que f(k + 1) f(k) = 1.
Montrer quil existe une bijection g
n
de 1, +1
n
sur (
n
telle que la mesure g
n
((X
1
, . . . , X
n
)(P)) soit
la probabilite uniforme sur (
n
notee U
n
.
4) Soit a 1 et b deux entiers. Posons
F
b
= c (
n
; c(n) = b,
et
F
a
b
= c F
b
; k 1, c(k) = a.
On suppose b a. Alors, F
b
= F
a
b
. On suppose b < a. Alors, faire un dessin pour demontrer le principe
de reexion suivant :
U
n
(F
a
b
) = U
n
(F
2ab
).
Exercices 31
(On pourra remarquer que (2a b) est le symetrique de b par rapport à a.)
5) On sinteresse à la quantite A
n
= P(S
1
,= 0, . . . , S
2n
,= 0). Deduire du 4 les egalites :
A
n
= 2 P(S
1
= 1, S
2
< 0, S
3
< 0, . . . , S
2n
< 0).
Puis,
A
n
= P(S
1
< 1, S
2
< 1, . . . , S
2n
< 1).
Puis,
A
n
=
n1
k=0
U
2n1
(F
2k(2n1)
F
1
2k(2n1)
).
6) Montrer que P(T = 2n) = a
n1
a
n
pour tout n 1 et en deduire
P(T < +) = 1 et E(T) = +.
Pour la suite, voir le livre dexercices de Cottrell, Duhamel et GenonCatalot.
24. (Le mur) Soit (
n
)
n
une suite de variables aleatoires i.i.d. à valeurs complexes de loi p
1
+
(1 p)
i
et S
n
=
n
k=1
k
. On xe deux entiers a et b positifs et on note M le mur
M = a + i k ; 0 k b.
1) Calculer m = P(n 1, S
n
M).
2) En remarquant que S
a+b
est sur la droite x + iy Z + iZ; x + y = a + b, obtenir une autre
expression de m. Les deux quantites sont-elles egales ?
25. (Construction dune suite de variables aleatoires i.i.d.) On munit 0, 1 de la tribu
T(0, 1) et de la probabilite b(p) donnee par
b(p) = p
1
+ (1 p)
0
.
Soit lensemble des applications = (
n
)
n
de N
dans 0, 1 o` u on note
n
= (n). On identie
à un produit inni de copies de 0, 1 et on appelle T la tribu cylindrique sur et P la probabilite
produit des b(p) ; P est donc determinee par
P( ,
1
= a
1
, . . . ,
n
= a
n
) = p
|a|
(1 p)
n|a|
,
pour tout n 1 et tout nuplet a = (a
k
)
kn
forme de 0 et de 1 et de longueur [a[ =

k
a
k
. On
denit enn des fonctions
n
: 0, 1 par
n
() =
n
.
A) 1) Montrer que
n
est une variable aleatoire de loi b(p) pour tout n 1. Montrer que la suite
(
n
)
n
est independante.
2) Soit X : R donnee par X =

n1
2
n
n
. Montrer que X est une variable aleatoire à
valeurs dans [0, 1].
3) On suppose jusquà nouvel ordre que p = 1/2. Quelle est la loi de X ? Construire une variable
aleatoire sur (, T, P) de loi uniforme sur un intervalle [a, b].
4) Si I est une partie innie de N de la forme I = i
n
; n 1, montrer que X
I
suit la meme loi
que X :
X
I
=
n1
2
n
i
n
.
5) Construire une suite (X
n
)
n
de variables aleatoires i.i.d. de loi uniforme sur [0, 1].
Exercices 32
B) 6) Soit Q une mesure de probabilite sur (R, B(R)). Construire une variable aleatoire Y denie sur
et de loi Y (P) = Q. On pourra chercher Y (X)mesurable.
7) Soit (Q
n
)
n
une suite de probabilites sur (R, B(R)). Construire une suite de variables aleatoires
(Y
n
)
n
denies sur , independantes et de lois Y
n
(P) = Q
n
.
C) On revient au cas general 0 < p < 1 et on note I = [0, 1[, 1 sa tribu borelienne et la mesure de
Borel sur (I, 1). Si x I, on note 0, x
1
x
2
x
3
. . . son developpement dyadique qui ne se termine pas par
des 1.
8) Exhiber une bijection bimesurable entre (I, 1) et (
0
, T
0
) pour un espace
0
de la forme
0
= N, P(N) = 0, et pour la tribu T
0
induite.
9) En deduire lexistence dune famille de mesures de probabilites (m
p
)
p]0,1[
sur I, etrangères
deux à deux, diuses et telles que = m
1/2
.
On admettra une loi des grands nombres pour le jeu de pile ou face, cest-à-dire que la suite
n
1
kn
k
converge P presque s urement vers p et on pourra construire m
p
sur (I, 1) de sorte que la
suite (
n
)
n
de variables aleatoires denies sur (I, 1) par
n
(x) = x
n
suive, sous m
p
, la meme loi que
la suite (
n
)
n
sous P.
3.2 Fiche 2 : Outils probabilistes, suite
(Lois)
1. Donner la loi de X+Y si X et Y sont deux variables aleatoires independantes de lois de Poisson
T(a) et T(b).
Donner la loi de X + Y si X et Y sont deux variables aleatoires independantes de meme loi
exponentielle c(a).
2. On suppose que le couple (X, Y ) admet pour loi 2 1
D
(x, y) d
2
(x, y) o` u
2
designe la mesure de
Borel sur R
2
et D le triangle de R
2
de sommets (0, 0), (1, 0) et (0, 1).
Donner la loi des variables aleatoires X, Y , X +Y , X Y et Y/(1 X). Pour cette dernière, on
pourra donner une solution sans calcul.
Montrer que les variables aleatoires X et Y/(1 X) sont independantes.
3. On suppose que X admet une loi diuse et que Y est independante de X. Montrer que P(X ,=
Y ) = 1.
4. Trouver deux variables aleatoires X et Y non independantes telles que X
2
et Y
2
sont indepen-
dantes.
5. Sur = 0, 1
2
avec P uniforme, trouver trois evenements independants deux à deux mais non
dans leur ensemble.
6. On suppose que = 0, 1, . . . , n et que P(0) = p, P(k) = (1 p)/n pour k 1. Trouver
une valeur de p telle que deux evenements quelconques distincts de lensemble vide et de ne sont
jamais independants.
(Simulation)
7. (Rejet) On veut simuler une variable aleatoire de loi de densite f donnee par rapport à la
mesure de Borel sur R. On suppose que lon sait simuler une variable aleatoire de loi de densite g avec
f a g pour a 0 (et donc obligatoirement a 1).
Pour cela, on se donne une suite (U
n
)
n
de variables aleatoires i.i.d. de loi uniforme sur [0, 1] et une
Exercices 33
suite (Y
n
)
n
de variables aleatoires i.i.d. de loi de densite g. On pose
T = infn 1 ; f(Y
n
) > a U
n
g(Y
n
).
1) Montrer que T est une variable aleatoire et que T est ni presque s urement.
2) On pose X = Y
T
si T est ni, X = 0 sinon. Montrer que X est une variable aleatoire et que sa
loi admet pour densite f.
3) Calculer E(T).
8. (Loi normale)
1) Soit X et Y deux variables aleatoires i.i.d. de loi normale centree reduite ^(0, 1). On pose
(X, Y ) = (Rcos , Rsin ) pour R 0 et R/2Z. Determiner la loi du couple (R, ).
2) Soit U et V deux variables aleatoires i.i.d. de loi uniforme sur [0, 1]. Construire explicitement à
partir de U et V un couple de meme loi que (R, ).
3) En deduire un procede de simulation dune loi normale ^(0, 1).
(Integration)
9. Soit X une variable aleatoire positive ou nulle et soit Y la partie entière de X. Montrer que
Y =
n1
1(X n),
n1
P(X n) E(X) 1 +
n1
P(X n).
Montrer que E(X) =
_
+
0
P(X > x) dx =
_
+
0
P(X x) dx.
10. (Dicile.) Soit X une variable aleatoire positive ou nulle telle que E(X) = a et E(X
2
) = 1.
Alors, pour tout 0 t 1, on a
P(X t a) (1 t)
2
a
2
.
11. Soit F une fonction de repartition et a un reel. Montrer que
_
+
(F(x +a) F(x)) dx = a.

12. Soit X une variable aleatoire positive et r > 1. Montrer que
_
+
0
E(X t
r
)
dt
t
r
=
r
r 1
E(X
1/r
).
13. Exhiber deux variables aleatoires X et Y de meme loi uniforme sur [0, 1], telles que E(XY ) =
E(X) E(Y ) et telles que X, Y ne sont pas independantes.
14. (StoneWeierstrass par les polynomes de Bernstein) On veut montrer que si f : [0, 1]
R est une fonction continue, on peut lapprocher uniformement par des polynomes.
Pour cela, on introduit une suite (
n
)
n
de variables aleatoires independantes de loi de Bernoulli de
paramètre p, donc P(
n
= 1) = p = 1 P(
n
= 0) et on pose S
n
=
n
k=1
k
et T
n
= S
n
/n.
1) Montrer que E(f(T
n
)) est un polynome en p, que lon notera B
n
(f), et donner une expression
de B
n
(f)(p).
Exercices 34
2) Utiliser le fait que f est bornee et uniformement continue pour montrer que B
n
(f)(p) tend vers
f(p) uniformement en p quand n tend vers linni.
15. Soit (X
n
)
n
une suite de variables aleatoires positives de meme loi et integrables. Soit M
n
=
max X
k
; k n. Utiliser lexercice 9 pour montrer que E(M
n
/n) tend vers 0.
16. (Voir lexercice 21.) Soit (X
n
)
n
une suite de variables aleatoires independantes de meme loi.
On considère levenement
A = [X
n
[ n une innite de fois.
Utiliser lexercice 9 pour montrer que X
1
est integrable si et seulement si P(A) = 0.
17. (Dyadiques) Soit = [0, 1], T boreliens et P mesure de Borel. Montrer quil existe A T et
B T negligeables tels que A+B.
Une somme de nombres normaux est-elle un nombre normal ?
(Convergences)
18. Soit (X
n
)
n
une suite de variables aleatoires quelconque. Exhiber une suite de reels a
n
non nuls
telle que X
n
/a
n
converge presque s urement vers 0.
19. On munit [0, 1] de la tribu des boreliens et de la mesure de Lebesgue.
1) Soit X
n
= n1
]0,1/n[
. Montrer que X
n
0, preciser en quels sens, et montrer que E(X
n
) = 1.
Dessiner X = sup
n
X
n
. Preciser si X est integrable.
2) Soit Y
n
= 1
]0,1/n[
. On ordonne lexicographiquement lensemble des couples (q, p) N N tels
que 1 p q et on pose Z
n
= 1
](p1)/q,p/q]
si (q, p) est le nième couple.
Etudier les convergences en probabilite, presque s ure et au sens L

r
des suites de terme general
Y
n
, n
2
Y
n
, Z
n
,

p Z
n
, e
n
Z
n
.
20. Soit f : R R une fonction continue et (X
n
)
n
une suite de variables aleatoires qui converge
en probabilite vers X. Montrer que f(X
n
) converge en probabilite vers f(X). Que se passe-t-il si f
nest pas continue ? Et avec la convergence presque s ure ?
21. (Voir lexercice 16.) Soit (X
n
)
n
une suite de variables aleatoires i.i.d. On suppose que la suite
des moyennes n
1
n
k=1
X
k
converge presque s urement vers une variable aleatoire Y . Montrer que Y est
presque s urement constante et que X
1
est integrable (on pourra utiliser lexercice 9).
Utiliser le meme argument pour montrer que si (X
n
)
n
est une suite de variables aleatoires i.i.d.
avec E[X
1
[ = +, alors limsup [S
n
[/n = + presque s urement.
22. Soit =
n
; n 1 un ensemble ni ou denombrable et P =

n
p
n
n
une mesure sur
T().
Montrer que la convergence en probabilite equivaut à la convergence presque s ure (et donc que la
convergence au sens L
p
implique la convergence presque s ure).
Montrer quune CNS pour que convergence presque s ure et convergence au sens L
p
soient equiva-
lentes est que le support de P soit ni.
23. 1) Pour chaque n 1, soit X
n
une variable aleatoire dont la loi verie
P(X
n
x) = (1 1/(x +n)) 1
x0
.
On suppose que les X
n
sont independantes. Montrer que X
n
tend en probabilite vers 0 (facile) mais
que la suite des S
n
/n ne converge pas en probabilite (dicile).
Exercices 35
2) La topologie de la convergence en probabilite peut-elle etre denie par une norme ?
3) La suite X
n
converge-t-elle presque s urement ou au sens L
p
?
24. Soit (X
n
)
n
une suite de variables aleatoires independantes de meme loi non presque s urement
constante. Montrer que la suite (X
n
())
n
diverge presque s urement.
25. Exhiber une suite (X
n
)
n
de variables aleatoires telle que limsup
n
X
n
vaut + presque
s urement mais telle quil nexiste pas de soussuite ((n))
n
et densemble A T tels que P(A) > 0 et
que (X
(n)
)
n
tend vers linni sur A.
26. Utiliser une suite de variables aleatoires convergeant en probabilite mais pas presque s urement
pour montrer que la topologie de la convergence presque s ure nest pas metrisable.
On pourra considerer lespace ([0, 1], B([0, 1]), Leb).
27. (Uniforme integrabilite) 1) Si (X
n
)
n
est uniformement integrable, la suite (S
n
/n)
n
est
uniformement integrable.
Indication : quelle caracterisation de luniforme integrabilite utiliser ?
2) Application à la loi des grands nombres ?
28. Soit X
n
des variables aleatoires de Bernoulli independantes telles que
P(X
n
= 1) = 1 P(X
n
= 0) = p
n
.
Trouver une CNS portant sur la suite (p
n
)
n
pour avoir X
n
0 en probabilite. Meme question pour
avoir X
n
0 presque s urement.
29. On se donne n variables aleatoires independantes X
k
de loi exponentielle telles que P(X
k

x) = e
ax
pour x 0.
1) On note I = inf X
k
; k n. Calculer la loi de I.
2) On pose N
t
= Card k n; X
k
t . Donner la loi, lesperance et la variance de N
t
.
Si les variables aleatoires X
k
modelisent les durees de vie aleatoires de n individus nes au temps
t = 0, le nombre de survivants au temps t vaut N
t
.
3.3 Fiche 3 : Lois des grands nombres
Quand une suite de variables aleatoires (X
n
)
n1
est donnee, on note S
0
= 0 et, pour n 1,
S
n
= X
1
+ +X
n
.
1. (Convergences) Soit (X
n
)
n1
une suite de variables aleatoires i.i.d. de loi de Cauchy ((a).
Quelle est la loi de S
n
/n? Montrer que la suite S
n
/n ne converge pas en probabilite, ni dailleurs
aucune de ses soussuites.
2. Si la suite (X
n
)
n
est u.i., la suite (S
n
/n)
n
est u.i. Indication : quelle caracterisation utiliser ?
(Convergence de series)
3. Illustrer par un exemple chacune des situations suivantes :
(1) La serie

X
n
converge presque s urement et la serie

[X
n
[ diverge presque s urement.
(2) La serie

X
n
converge presque s urement et les series

E(X
n
) et

E(X
2
n
) divergent.
Exercices 36
(3) La serie

X
n
diverge presque s urement et la serie

E(X
2
n
) converge.
(4) La serie
X
n
diverge presque s urement et la serie
E(X
2
n
) converge et E(X
n
) = 0 pour tout
n.
4. Soit (X
n
)
n
une suite de variables aleatoires i.i.d. de loi ,=
0
et soit (a
n
)
n
une suite de reels.
(1) On suppose que a
n
ne tend pas vers 0. Montrer que

a
n
X
n
diverge presque s urement.
(2) On suppose que X
n
0 et a
n
0 pour tout n, que a
n
tend vers 0 et que X
n
est de carre
integrable. Montrer que

a
n
X
n
converge presque s urement si et seulement si

a
n
converge. (Le
sens direct utilise le theorème des trois series.)
5. Soit (X
n
)
n
une suite de variables aleatoires independantes positives.
(1) On suppose que 0 X
n
c pour tout n. Montrer que

X
n
converge presque s urement si et
seulement si

E(X
n
) converge. (Le sens direct utilise le theorème des trois series.)
(2) Montrer que

X
n
converge presque s urement si et seulement si la serie

E(X
n
/(1 + X
n
))
converge.
6. (Realisation des suites independantes) Pour n 1, on denit r
n
: [0, 1[ 1, +1 par
r
n
(x) = sgn sin(2
n
x) o` u on pose par convention sgn(0) = 1.
(1) Montrer que (r
n
)
n
est une suite de variables aleatoires independantes centrees et de meme loi
(que lon calculera) dans lespace de probabilite ([0, 1[, B([0, 1[), dx).
(2) Soit (
n
)
n
une suite de mesures de probabilite sur (R, B(R)). Deduire du (1) quil existe une
suite de variables aleatoires (X
n
)
n
independantes, de lois respectives
n
, et denies sur lespace de
probabilite ([0, 1[, B([0, 1[), dx).
7. (Un jeu presque equitable) Soit (X
n
)
n
une suite de variables aleatoires independantes de
lois P(X
n
= n
2
1) = 1/n
2
= 1 P(X
n
= 1). Montrer que les X
n
sont centrees mais que S
n
/n tend
p.s. vers 1.
8. (Une application de la LGN L
4
) Soit (X
n
)
n
une suite de variables aleatoires independantes
de loi de Poisson T(a) et soit f : R
+
R une fonction continue et bornee.
(1) Montrer que S
n
suit la loi de Poisson T(na).
(2) Evaluer E
_
f
_
x +
S
n
n
__
. En deduire que
f(x +a) = lim
n
+
k=0
f
_
x +
k
n
_
e
na
(na)
k
k!
.
(3) Soit une mesure de probabilite sur R integrable, de moyenne m et soit
n
sa puissance
nème de convolution. Montrer que, pour tout reel a,
lim
n
_
+
f
_
a +
x
n
_
d
n
(x) = f(a +m).
9. Soit (X
n
)
n
une suite de variables aleatoires independantes de meme loi, positives et integrables,
et soit f : R
+
R telle que [f(x)[ c x pour tout reel positif x. Determiner
lim
n
E
_
1
S
n
n
k=1
f(X
k
)
_
.
Exercices 37
10. (Bernsteinsuite) Soit f : [0, 1] R une fonction continue. On note B
n
(f) les polynomes
de Bernstein associes à f, donc
B
n
(f)(x) =
n
k=0
C
k
n
x
k
(1 x)
nk
f
_
k
n
_
.
(1) Fixons x dans [0, 1]. Montrer quil existe une suite de variables aleatoires (
n
)
n
i.i.d. avec
B
n
(f)(x) = E
_
f
_
1
n
n
k=1
k
__
.
En deduire que B
n
(f) converge uniformement vers f. (On a redemontre le theorème de Stone
Weierstrass.)
(2) Supposons que f est de plus holderienne dordre 0 < a < 1, cest-à-dire quil existe une
constante C nie telle que, pour tous x et y,
[f(x) f(y)[ C [x y[
a
.
Montrer que dans ce cas,
[B
n
(f)(x) f(x)[ C E
1
n
n
k=1
k
x
a
.
En utilisant la concavite de la fonction t t
a/2
sur t 0, demontrer le taux de convergence suivant :
pour tout n 1 et pour tout x dans [0, 1],
[B
n
(f)(x) f(x)[ C n
a/2
.
11. (LGN L
2
) Soit (X
n
)
n
une suite de variables aleatoires independantes de carre integrable et
centrees. Si la serie
var(X
n
)/n
2
converge, la suite S
n
/n converge presque s urement vers 0.
(1) Soit (X
n
)
n
une suite de variables aleatoires independantes dont les lois sont speciees par les
egalites
P(X
n
= +1) = P(X
n
= 1) = (1 2
n
)/2,
et
P(X
n
= +2
n
) = P(X
n
= 2
n
) = 2
n
/2.
Montrer que S
n
/n converge presque s urement et que la serie

var(X
n
)/n
2
diverge.
(2) Soit (v
n
)
n
une suite de reels positifs tels que la serie

v
2
n
/n
2
diverge.
Exhiber une suite (X
n
)
n
de variables aleatoires independantes de carre integrable et centrees de
variances var(X
n
) = v
2
n
telle que S
n
/n diverge presque s urement.
On cherchera X
n
à valeurs dans n, 0, +n si v
n
n et à valeurs dans v
n
, +v
n
si v
n
> n, de
telle sorte que la serie

P([X
n
[ n) diverge.
12. (Estimateurs de la moyenne) Soit (X
k
)
1kn
une collection de n variables aleatoires i.i.d.
de loi uniforme sur [a, b]. Les bornes a et b sont inconnues et on veut estimer (a + b)/2 à partir de
lechantillon observe. Deux estimateurs sont proposes :
M
n
= S
n
/n et T
n
= (inf X
k
+ sup X
k
)/2.
Exercices 38
Calculer E(M
n
), E(T
n
), var(M
n
) et var(T
n
) et en deduire que M
n
et T
n
sont deux estimateurs consis-
tants, cest-à-dire quils convergent bien vers (a + b)/2 pour n grand, mais que T
n
est meilleur que
M
n
.
On pourra se ramener au cas [a, b] = [0, 1] pour simplier les calculs, puis, pour ce qui concerne
T
n
, remarquer que I
n
= inf X
k
suit la loi de 1 S
n
= 1 sup X
k
.
On calculera alors P(x I
n
, S y
n
), puis la loi de S
n
, E(S
n
) et E(S
2
n
). On montrera enn les
relations
E((S
n
I
n
)
2
) =
n(n 1)
(n + 2)(n + 1)
, var(S
n
+I
n
) = E((2S
n
1)
2
) E((S
n
I
n
)
2
).
13. (Estimation et lois de Gauss) Soit (X
n
)
n
une suite de variables aleatoires i.i.d. de carre
integrable.
(1) On pose V
n
=
n
k=1
_
X
k

S
n
n
_
2
. Calculer E(S
n
) et E(V
n
).
(2) Si la loi de X
1
est gaussienne ^(m,
2
), montrer que S
n
et V
n
sont independantes et trouver
leurs lois.
(3) On xe n 2, on note (s) = E(exp(isX
1
)), et on suppose que S
n
et V
n
sont independantes.
Calculer de deux facons dierentes E(V
n
exp(itS
n
)) en fonction de la fonction .
Trouver une equation dierentielle satisfaite par et en deduire que la loi de X
1
est gaussienne.
14. (Transformee de Laplace) Soit f : R
+
R continue bornee. La transformee de Laplace de
f evaluee en > 0 est
Lf() =
_
+
0
e
x
f(x) dx.
Soit (X
n
)
n
une suite de variables aleatoires i.i.d. de loi exponentielle c(). Montrer que
E[f(X
1
+ +X
n
)] =
(1)
n1
(n 1)!

n
(Lf)
(n1)
().
En deduire que lon peut retrouver f à partir de Lf grace à la formule
f(x) = lim
n
(1)
n1
(n 1)!
_
n
x
_
n
(Lf)
(n1)
_
n
x
_
.
Avertissement Cette methode de reconstruction de f est peu precise en pratique.
15. (Gauss en dimension innie) (1) Soit X un vecteur de R
d
dont les composantes sont
independantes de loi normale ^(0, 1) et soit O une transformation orthogonale de R
d
. Montrer que
OX suit la meme loi que X. En deduire que X/|X| suit une loi uniforme sur la sphère unite S
d1
de
R
d
.
(2) Soit (Z
n
)
n1
une suite de variables aleatoires i.i.d. de loi normale ^(0, 1) et notons
R
n
= (Z
2
1
+ +Z
2
n
)
1/2
.
Montrer que R
n
/
n tend presque s urement vers 1 quand n tend vers linni.

(3) En deduire que si, pour chaque n 1, le point Y
(n)
= (Y
(n)
k
)
1kn
est choisi uniformement
sur la sphère

nS
n1
de R
n
, alors
P(Y
(n)
1
x) (x) =
_
x
e
y
2
/2
dy,
Exercices 39
et
P(Y
(n)
1
x
1
, Y
(n)
2
x
2
) (x
1
) (x
2
).
Commenter.
16. (Suites echangeables) (1) Soit (X
k
)
1kn
une collection de n variables aleatoires echan-
geables de carre integrable. Calculer la variance de S
n
en fonction de la variance de X
1
et de la
covariance de X
1
et X
2
.
(2) Soit (X
k
)
k1
une suite innie de variables aleatoires echangeables de carre integrable. Montrer
que la covariance de X
1
et X
2
est positive.
(3) Montrer quil existe n variables aleatoires echangeables (Y
k
)
1kn
non plongeables dans une
famille de n + 1 variables aleatoires echangeables. On pourra introduire des variables aleatoires inde-
pendantes de meme loi X
k
et poser Y
k
= X
k
S
n
/n.
(4) Soit (X
k
)
1kn
des variables aleatoires echangeables integrables. Montrer que
E[S
n
/n[ E[S
n1
/(n 1)[ .
(5) Soit S lensemble des permutations de N
de support ni et (X
n
)
n1
une suite de variables
aleatoires. On note / la tribu asymptotique et c la tribu des echangeables. Donc A appartient à c si
et seulement si A est mesurable par rapport à (X
n
)
n1
et P(s(A)A) = 0 pour tout s dans S.
Montrer que / c et donner un exemple pour lequel / , = c.
17. (Loi du logarithme itere pour des variables aleatoires gaussiennes) Soit (X
n
)
n1
une
suite de variables aleatoires i.i.d. de loi normale ^(0, 1). On note h(t) =

2t log log t pour t 3. On
veut montrer que
limsup
n
S
n
h(n)
= 1 presque s urement.
(1) Montrer que pour tout reel t, E(e
t S
n
) = e
nt
2
/2
.
(2) Soit S
n
= max0, S
1
, . . . , S
n
. Adapter la preuve de linegalite de Kolmogorov à la fonction
s e
st
pour montrer que, pour tous c 0 et t 0,
P(S
n
c) e
ct
E(e
tS
n
).
En deduire la majoration suivante :
P(S
n
c) e
c
2
/(2n)
.
(3) Soit a > 1 un reel xe et, pour tout n susamment grand, b
n
= a h(a
n1
). Utiliser le lemme
de Borel-Cantelli, partie facile, pour montrer que presque s urement, à partir dun certain rang n,
S
a
n b
n
.
En deduire que limsup S
n
/h(n) a, presque s urement.
En deduire enn que limsup S
n
/h(n) 1, presque s urement.
(4) Soit r 2 un entier et 0 < < 1 un reel. Estimer la probabilite de levenement
A
n
= S
r
n+1 S
r
n (1 ) h(r
n+1
r
n
)
Exercices 40
à laide de la fonction
(x) =
_
+
x
(y) dy avec (y) = exp(y
2
/2)/
2.
(5) Pour x > 0, montrer la double inegalite suivante :
(x)/x (x) (x)/(x + 1/x).
On pourra calculer les derivees de (y) et de (y)/y.
(6) Appliquer le lemme de Borel-Cantelli, partie dicile, pour montrer que presque s urement, une
innite des evenements A
n
est realisee. Combiner lestimation ainsi obtenue avec la conclusion du (3)
pour en deduire que, presque s urement,
limsup
n
S
r
n+1/h(r
n+1
) (1 )
_
1 1/r 2
_
1/r.
Conclure.
18. (Sommes aleatoires) Soit N 1 une variable aleatoire entière et (X
n
)
n1
une suite de
variables aleatoires. On note
S
N
:
N()
k=1
X
k
().
(1) Rappeler pourquoi S
N
est une variable aleatoire.
(2) On suppose que les X
n
sont i.i.d. et integrables. Soit (N
k
)
k
une suite de variables aleatoires
entières telle que N
k
converge presque s urement vers linni.
Montrer que S
N
k
/N
k
tend presque s urement vers E(X
1
).
(3) On suppose que les X
n
sont i.i.d. et de carre integrable et que N est independante de la suite
(X
n
)
n
et de carre integrable.
Calculer E(S
N
) et var(S
N
) en fonction de E(X
1
), E(N), var(X
1
) et var(N).
(4) On rappelle que la fonction generatrice
X
dune variable aleatoire X positive vaut
X
(s) =
E(s
X
) pour s dans [0, 1].
Calculer
S
N
en fonction de
X
1
et
N
.
Application : un poisson pond un nombre aleatoire T dufs de loi de Poisson T(a). Chacun des
ufs survit jusquà lage adulte avec une probabilite p.
Donner la loi du nombre S dufs ayant survecu jusquà lage adulte. Donner la loi du couple
(S, T S). En deduire la loi de T S et le fait que les variables aleatoires S et T S sont independantes.
3.4 Fiche 4 : Convergence en loi
1 Pour tout reel t, on note (t) = (1 [t[)
+
.
(1) Montrer que est la fonction caracteristique dune loi absolument continue par rapport à la mesure
de Lebesgue.
(2) Developper en serie de Fourier. En deduire quil existe egalement une loi discrète dont la fonction
caracteristique concide avec sur [1, 1].
Exercices 41
2 Donner une preuve ou un contrexemple de chacune des assertions suivantes.
(1) Si X
n
converge en loi vers X, alors X
n
converge vers X presque s urement.
(2) Si X
n
converge en loi vers X, alors levenement X
n
X est de probabilite strictement positive.
(3) Si X
n
converge en loi vers X, alors levenement (( il existe une suite extraite (n
k
)
k
telle que X
n
k
converge vers X )) est de probabilite strictement positive.
(4) Si X
n
converge en loi vers X et si Y
n
converge en loi vers Y , alors X
n
+ Y
n
converge en loi vers
X +Y .
(5) Si X
n
converge en loi vers X et si Y
n
converge en loi vers une constante y, alors (X
n
, Y
n
) converge
en loi vers (X, y).
(6) Si X
n
converge en loi vers X, si Y
n
converge en loi vers une constante y et si Z
n
converge en loi
vers une constante z, alors Z
n
X
n
+Y
n
converge en loi vers z X +y.
(7) Si X et Y suivent la meme loi et si G est mesurable, alors G(X) et G(Y ) suivent la meme loi.
(8) Si X, Y et Z sont denies sur le meme espace de probabilite et si X et Y suivent la meme loi,
alors Z X et Z Y suivent la meme loi.
3 (1) Soit X une variable aleatoire de loi uniforme sur [0, 1]. Pour tout n 1, soit X
n
= [nX]/n.
Montrer quil existe un borelien B tel que P(X B) = 0 et pourtant P(n 1, X
n
B) = 1. Montrer
par contre que X B presque s urement.
(2) Montrer que si X
n
converge en loi vers X, alors il existe une suite (Y
n
)
n
de variables aleatoires
telle que, pour tout n, Y
n
suit la loi de X
n
et telle que Y
n
X presque s urement.
(3) Soit F un ferme. Utiliser la question precedente pour montrer que si, pour tout n, X
n
F presque
s urement et si X
n
converge en loi vers X, alors X F presque s urement.
4 Pour tout nombre reel a 0, soit x
n
(a) :=
[an]
k=0
n
k
k!
.
(1) Utiliser la loi des grands nombres pour montrer que, quand n , x
n
(a) e
n
si a < 1 et
x
n
(a) e
n
si a > 1.
(2) Utiliser le theorème de la limite centrale pour trouver un equivalent simple de x
n
(1) quand n .
5 On suppose que X
n
converge en loi vers X et que la suite (X
n
)
n
Montrer que X est integrable et que E(X
n
) tend vers E(X) quand n .
6 Soit (
n
)
n
une suite de variables aleatoires à valeurs entières telle que
n
/n converge en probabilite
vers une constante non nulle. Soit (X
n
)
n
une suite de variables aleatoires qui converge en loi vers
X.
(1) On suppose que la suite (
n
)
n
est independante de la suite (X
n
)
n
. Montrer que la suite (X
n
)
n
converge en loi vers X.
(2) Le but de cette question est de montrer que, sans lhypothèse dindependance des suites (
n
)
n
et (X
n
)
n
, le resultat de la question (1) est faux.
Pour un contrexemple, soit (Y
n
)
n1
une suite i.i.d. de loi uniforme sur 0, 1. Notons Z
n
= Y
1
+
+Y
n
, X
n
= 0 si Z
n
est pair et X
n
= 1 si Z
n
est impair. Montrer que pour tout n 1, la loi de X
n
est uniforme sur 0, 1. En deduire que X
n
converge en loi et preciser la limite de sa loi.
On note
n
le nème indice k tel que X
k
= 0. Plus precisement, on pose
0
= 0 puis, pour tout
n 0,
n+1
= infk
n
+ 1, X
k
= 0.
Calculer la loi du temps
1
. Montrer que la suite (
n+1

n
)
n0
est i.i.d. de loi . En deduire que
Exercices 42
n
/n 2 presque s urement quand n . Montrer que la suite (X
n
) converge en loi vers une limite
et conclure en remarquant que ,= .
7 Une roulette comporte 18 numeros noirs, 18 numeros rouges, et 1 numero vert sur lequel on ne
peut pas miser. On mise sur noir ou sur rouge, donc les chances de gain sont de p = 18/37 et les
chances de perte de 1 p = 19/37. Si on mise 1 Euro à chaque fois, donner une estimation basee sur
le theorème central limite du nombre de fois n
T
pendant lequel on doit jouer pour avoir au moins 50
% de chances davoir perdu T = 1000 Euros.
8 (1) Soit X une variable aleatoire. Montrer que sa fonction caracteristique est continue.
(2) Soient X et Y deux variables aleatoires independantes et de meme loi telles que X +Y suit la loi
de X. Trouver la loi de X.
(3) Soient X et Y deux variables aleatoires independantes et de meme loi telles que X Y suit la loi
de X. Trouver la loi de X.
(4) Soient X et Y deux variables aleatoires independantes et de meme loi telles que (X +Y )/2 suit la
loi de X. Trouver la loi de X.
(5) Soient X et Y deux variables aleatoires independantes et de meme loi. On suppose que (X+Y )/
2
suit la loi de X. Trouver la loi de X. On supposera que cette loi est de carre integrable.
(6) Soit a un nombre reel tel que a
2
,= 1/2 et soient X et Y deux variables aleatoires independantes
et de meme loi de carre integrable. On suppose que a (X +Y ) suit la loi de X. Trouver la loi de X.
9 (1) Soit U une variable aleatoire de loi uniforme sur [1, 1]. Calculer sa fonction caracteristique
U
.
(2) Montrer quil nexiste pas deux variables aleatoires independantes et de meme loi X et Y telles
que la loi de X Y est uniforme sur [1, 1].
(3) Soit X une variable aleatoire de loi uniforme sur [0, 1] et Y = 1 X. Calculer la loi de Y . En
deduire quil existe deux variables aleatoires de meme loi X et Y telles que la loi de XY est uniforme
sur [1, 1].
10 (1) Soit V et W deux variables aleatoires à valeurs dans 1, 0, 1 telles que (V, W) suit la loi
uniforme sur (0, 1), (1, 0). Montrer que V et W suivent la meme loi puis calculer la loi de V +W
et la loi de V W. On precisera si V et W sont independantes ou non.
(2) Soit (Z
n
)
n1
une suite de variables aleatoires i.i.d. de loi
1
2
(
1
+
1
). On pose S =
n1
Z
n
2
n
. Calculer
la loi de S.
(3) Deduire des questions (1) et (2) quil existe deux variables aleatoires de meme loi X et Y telles
que la loi de X +Y et la loi de X Y sont toutes deux uniformes sur [1, 1].
(4) Revenant à la question (1), trouver la loi de (V, W). En deduire nalement que (X, Y ) suit une loi
uniforme sur un sous-ensemble mesurable et borne du plan que lon decrira.
11 On veut montrer quil nexiste pas de variables aleatoires independantes et de meme loi X et
Y telles que la loi de X +Y est uniforme sur [1, 1].
(1) Soit
T
la fonction caracteristique dune variable aleatoire T. Utiliser des copies independantes
T
1
, T
2
et T
3
de T pour montrer que, pour tous nombres reels s et t, le determinant K
T
(t, s) doit etre
un reel positif, avec
K
T
(t, s) =
(0) (t) (t +s)

(t) (0) (s)
(t s) (s) (0)
.
Exercices 43
(2) Montrer que
K
T
(t, s) = 1 [
T
(t)[
2
[
T
(s)[
2
[
T
(t +s)[
2
+ 2 Re(
T
(t)
T
(s)
T
(t +s)).
(3) On suppose à present que X et Y sont deux variables aleatoires independantes et de meme loi
telles que la loi de X + Y est uniforme sur [1, 1]. Calculer [
X
(/2)[ et
X
(), puis K
X
(/2, /2),
et conclure.
12 Soit (X
n
)
n
une suite i.i.d. de variables aleatoires de carre integrable telles que E(X
n
) = 0 et
E(X
2
n
) = 1. On note
S
n
=
n
k=1
X
k
, C
n
=
n
k=1
X
2
k
, Y
n
=
S
n
C
n
, Z
n
=

n
S
n
C
n
.
(1) Montrer que, presque s urement, C
n
> 0 à partir dun certain rang, et donc que Y
n
et Z
n
sont
presque s urement bien denies à partir dun certain rang.
(2)

Etudier la convergence en loi des suites (Y
n
)
n
et (Z
n
)
n
quand n .
(3)

Etudier la convergence en loi de la suite (Y
n
, Z
n
)
n
quand n .
(4) Calculer la limite de P(S
n
0) quand n .
(5) On pose T
n
= e
S
n
1S
n
0. Montrer que E(T
n
)
1/
n
tend vers 1 quand n . On pourra
considerer les evenements 0 S
n
c
n pour tout c positif.

13 Pour tout a > 0, on se donne une variable aleatoire X
a
de loi de Poisson de paramètre a et on
pose Y
a
= (X
a
a)/
a.
(1) Montrer que Y
a
converge en loi quand a et preciser la limite.
(2) Pour t 0, on note G(a, t) =
[t]
k=0
e
a
a
k
k!
. Calculer la limite de G(a, at) quand a , pour tout t
xe. En deduire la limite de G(at, as) quand a , pour tous s et t xes.
(3) Montrer que la famille (Y
a
)
a>0
(4) Pour n 1 entier, calculer E((Y
n
)
).
(5) Deduire de tout ceci la formule de Stirling, cest-à-dire le fait que quand n ,
n!
2n(n/e)
n
.
Exercices 44
Chapitre 4
Archives dexamens
4.1 Examen partiel davril 1992
Exercice 1 Soit (X
n
)
n1
une suite de variables aleatoires independantes de Cauchy de paramètre a :
on rappelle que la loi de X
1
admet la densite (a/)dx/(a
2
+x
2
) par rapport à la mesure de Lebesgue.
On note S
n
=
n
1
X
k
.
1) Montrer que si S
n
/n converge en probabilite vers une variable aleatoire S, celle-ci est presque
s urement constante.
2) Montrer que la loi de S
n
/n est absolument continue par rapport à la mesure de Lebesgue.
Calculer la transformee de Fourier de la densite de la loi de X
1
. En deduire la loi de S
n
/n.
3) Montrer que S
n
/n ne converge pas en probabilite.
Exercice 2 Soit (X
n
)
n1
une suite de variables aleatoires independantes de Poisson de paramètre
a donc P(X
1
= k) = e
a
a
k
/(k!) pour tout k N. Soit f une fonction continue bornee de R
+
dans R
et x un reel. Utiliser le comportement asymptotique des X
n
pour montrer que
lim
n+
+
k=0
f
_
x +
k
n
_
e
na
(na)
k
k!
= f(x +a).
Problème Les parties B, C et D sont independantes entre elles.
Soit X = (X
n
)
n1
une suite de variables aleatoires independantes, à valeurs dans R
+
et telle que
P(X
1
> 0) > 0. Posons S
0
= 0 et S
n
=
n
1
X
k
.
Pour tout reel positif t, on denit N
t
= sup(n N, S
n
t) et on appelle (N
t
)
t0
le processus de
comptage associe à la suite X.
Partie A 1) On xe t 0. Montrer legalite entre ensembles N
t
= n = S
n
t < S
n+1
. Montrer
que N
t
est presque s urement ni et que N
t
2) Montrer que lapplication t N
t
est croissante et que presque s urement lim
t+
N
t
= +.
Archives dexamens 46
Partie B 3) On suppose que X
1
est integrable. Montrer que presque s urement lim
t+
N
t
/t =
1/E(X
1
). Que se passe-t-il quand X
1
nest pas integrable ?
4) Dans le reste de cette partie, on etudie la convergence de N
t
/t au sens de la convergence L
1
.
Soit X
0
= (X
0
n
)
n1
une suite de variables aleatoires independantes de Bernoulli avec P(X
0
1
= 0) =
p = 1 P(X
0
1
= 1) et soit N
0
le processus de comptage de X
0
. Calculer P(N
0
t
= n), E(N
0
t
+ 1) et
E((N
0
t
+ 1)(N
0
t
+ 2)).
5) Soit a > 0 tel que P(X
1
a) = p > 0. On pose X
n
= a 1
X
n
a
et on note N
le processus de
comptage associe. Montrer que N
t
N
t
.
6) En deduire que E(N
2
t
)/t
2
est borne. On suppose que X
1
est integrable ; montrer que E(N
t
)/t
1/E(X
1
). On suppose que X
1
nest pas integrable ; montrer que E(N
t
)/t 0.
Partie C 7) Le theorème de Wald : Soit (Y
n
)
n1
une suite de variables aleatoires independantes
desperance nie et soit N une variable aleatoire à valeurs dans N
. On suppose que N est integrable

et que pour tout n 1, N n appartient à la tribu engendree par Y
1
, Y
2
,. . . , Y
n
. Soit T
N
deni
par T
N
() =
n=N()
n=1
Y
n
(). Montrer que T
N
est une variable aleatoire et que E(T
N
) = E(Y
1
) E(N).
8) Montrer que N = N
t
+ 1 verie les hypothèses du theorème de Wald. Donc E(S
N
t
+1
) =
E(X
1
) E(N
t
+ 1).
9) On reprend les notations de 4). Preciser si E(X
0
N
t
+1
) = E(X
0
1
) ou non.
Partie D On va maintenant montrer que le phenomène observe au 9) est general. On suppose jusquà
la n du problème que la loi des X
n
est exponentielle de paramètre a, cest-à-dire de densite ae
ax
1
x0
par rapport à la mesure de Lebesgue.
Soit t un reel positif : on note V
t
= t S
N
t
et W
t
= S
N
t
+1
t.
10) Soit 0 v t, 0 w et A = V
t
v
W
t
> w. Montrer que A = N
tv
= N
t+w
.
11) Soit t 0 xe : trouver la loi de N
t
.
12) On rappelle que pour 0 s t, N
t
N
s
est independante de N
s
et de meme loi que N
ts
. En
deduire P(A). Que vaut P(V
t
= t) ?
13) Montrer que W
t
suit la loi exponentielle de paramètre a et que V
t
suit la loi de paramètre
min(X
1
, t).
14) Calculer lim
t+
E(V
t
+ W
t
). Quel est le rapport avec la question 9) ? Supposons que X
n
modelise le temps dattente entre deux passages successifs de lautobus. Pourquoi appelle-t-on le
resultat demontre le paradoxe de lautobus ?
Exercice 3 Soit X
1
, X
2
, . . . , X
n
des variables aleatoires independantes de loi uniforme sur [0, 1].
1) Montrer que N = k ,= i, X
k
= X
i
est negligeable. Soit N
c
: on note () la permutation
de 1, 2, . . . , n telle que X
()(1)
() < X
()(2)
() < . . . < X
()(n)
(). Montrer que est une
variable aleatoire de loi uniforme sur lensemble des permutations de 1, 2, . . . , n.
2) On pose Y
k
= X
(k)
et Y = (Y
1
, Y
2
, . . . , Y
n
). Montrer que Y est une variable aleatoire et
determiner sa loi.
3) Determiner la loi conditionnelle de (Y
2
, Y
3
, . . . , Y
n1
) sachant (Y
1
, Y
n
).
4) Determiner la loi du vecteur (Y
1
, Y
2
Y
1
, . . . , Y
n
Y
n1
).
Soit Z une variable aleatoire independante de (X
1
, . . . , X
n
) de loi (z
n
/n!)e
z
1
z0
dz. Montrer que
les variables aleatoires Y
1
Z, (Y
2
Y
1
)Z, . . . , (Y
n
Y
n1
)Z sont des variables aleatoires independantes
de loi exponentielle de paramètre 1.
5) On veut simuler n variables aleatoires independantes de loi exponentielle de paramètre 1 à partir
de 2n +1 variables aleatoires de loi uniforme sur [0, 1]. Decrire une procedure nutilisant quune seule
fois la fonction logarithme.
Les exercices sont independants les uns des autres.
Dans tout lenonce, X, Y et X
n
pour n N designent des variables aleatoires reelles denies sur
un espace de probabilite (, T, P) xe.
Exercice 1 On modelise la rupture dune chane moleculaire de longueur X aleatoire par le choix
dun nombre aleatoire Y de loi uniforme sur [0, 1] et independant de X. Les longueurs des deux
tron cons issus de la rupture sont alors respectivement X
1
= Y X et X
2
= (1 Y )X.
(a) On suppose que la loi de X admet une densite f sur R
+
. Quelle est la loi du couple (X
1
, X
2
) ?
(b) Dans le cas particulier o` u f(x) = a
2
xe
ax
avec a > 0, que peut-on dire du couple (X
1
, X
2
) ?
Ce phenomène peut-il se produire pour dautres lois de X ?
(c) Soit X
0
la plus petite des deux longueurs X
1
et X
2
. Calculer EX
0
en fonction de EX.
Exercice 2 Montrer que pour toute suite (X
n
)
n
de variables aleatoires reelles, il existe une suite
(a
n
)
n
de reels a
n
> 0 telle que a
n
X
n
Exercice 3 Un insecte pond des ufs. Le nombre X dufs pondus suit une loi de Poisson donc
pour tout entier n 0, P(X = n) = e

n
/(n!). Chaque uf eclot (ou neclot pas) independamment
de tous les autres et la probabilite p declosion dun uf est la meme pour chaque uf. Quelle est la
loi du nombre dufs eclos ?
Exercice 4 Montrer que la convergence presque s ure de la suite (X
n
)
n1
vers 0 implique la conver-
gence presque s ure de
1
n
n
k=1
X
k
vers 0. Montrer que la convergence en probabilite de la suite (X
n
)
n1
vers 0 nimplique pas la convergence en probabilite de
1
n
n
k=1
X
k
vers 0.
Exercice 5 On rappelle le resultat suivant du cours, quil est inutile de redemontrer : si (X
n
)
n
converge en probabilite vers X, il existe une sous-suite (X
(n)
)
n
qui converge presque s urement vers
X.
(a) Montrer le resultat plus fort suivant : X
n
converge en probabilite vers X si et seulement si
on peut extraire de chaque sous-suite (X
(n)
)
n
une sous-sous-suite (X
(n)
)
n
qui converge presque
s urement vers X.
(b) Soit f : R R une fonction Borel-mesurable et C = ; f est continue en X().
Montrer que si P(C) = 1 et (X
n
)
n
converge en probabilite vers X, alors (f(X
n
))
n
converge en
probabilite vers f(X).
(c) On suppose que (X
n
)
n
converge en probabilite vers X et que les X
n
sont presque s urement
positives. Montrer que X est presque s urement positive et que lon a : EX liminf
n+
EX
n
.
(d) Soit (x
n
)
n
une suite dun espace topologique (ou dun espace metrique si lon sy sent plus à
laise). Montrer que si chaque sous-suite (x
(n)
)
n
contient une sous-sous-suite (x
(n)
)
n
convergeant
vers x, alors la suite (x
n
)
n
converge vers x.
En deduire que la convergence presque s ure nest pas topologisable (ni metrisable).
4.3 Examen nal de juin 1993
Dans tout lenonce, (, T, P) est un espace de probabilite.
Exercice 1 Soit X une variable aleatoirede loi exponentielle : P(X x) = e
x
pour x 0.
On xe x 0. Determiner E(X[X x) et E(X[X x).
Exercice 2 On se donne une suite croissante de tribus T
n
T, n 0, et une suite de variables alea-
toires integrables (X
n
; n 0) adaptee cest-à-dire que chaque variable aleatoire X
n
est T
n
-mesurable.
On rappelle les denitions suivantes :
une variable aleatoire entière T est un temps darret si T n T
n
pour n 0 ;
une suite de variables aleatoires integrables (X
n
; n 0) est une martingale si, pour tout n 0,
E(X
n+1
[T
n
) = X
n
.
Montrer que (X
n
; n 0) est une martingale si et seulement si tout temps darret borne T verie :
EX
T
= EX
0
.
Indication : Pour quels ensembles A la variable aleatoire n +1
A
est-elle un temps darret ?
Exercice 3 La suite (X
n
; n 1) de variables aleatoires independantes est telle que :
la serie
n
k=1
X
k
converge presque s urement quand n tend vers + vers une variable aleatoire S ;
les lois des X
n
sont discrètes et toutes concentrees sur un ensemble denombrable D = d
n
; n
N.
On note C lensemble des sommes nies de termes
k
d
k
, o` u les d
k
sont pris dans D (avec redou-
blements possibles) et o` u les
k
valent 0 ou +1 ou 1.
1) i) Soit B un borelien. Montrer que A = S B + C appartient à la tribu T
n
engendree par
les variables aleatoires X
k
avec k > n.
Indication : Que vaut lintersection de A avec

n
k=1
X
k
= x
k
pour des x
k
dans D?
1) ii) Quelles valeurs P(A) peut-il prendre ?
2) Montrer que C est denombrable et que C = C +C = C C.
3) Montrer que si la loi de S nest pas diuse, il existe un reel a tel que P(S a +C) = 1.
4) Montrer que sil existe un borelien N de mesure nulle tel que P(S N) > 0, alors il existe un
borelien M de mesure nulle avec P(S M) = 1.
5) Prouver le theorème suivant :
Theorème de purete : Soit (X
n
; n 1) une suite de variables aleatoires independantes de lois
discrètes telle que
n
k=1
X
k
converge presque s urement, quand n tend vers +, vers une variable alea-
toire S. Alors la loi de S est pure, cest-à-dire que soit cette loi est discrète, soit cette loi est singulière,
soit cette loi est absolument continue.
Exercice 4 La loi du couple (X, Y ) est repartie sur le disque (x, y) R
2
; x
2
+ y
2
1 avec une
densite par rapport à la mesure de Lebesgue donnee par (1 + 2 1
x0
)/(2).
Donner la loi de X sachant Y .
Exercice 5 Soit (U
n
; n 1) une suite de variables aleatoires independantes de loi uniforme sur [0, 1].
Pour a > 0, on pose :
X
a
=
+
n=1
(U
1
U
2
U
n
)
1/a
.
1) Montrer que la serie denissant X
a
converge presque s urement.
Indication : On pourra montrer EX
a
< +, ou bien examiner le rayon de convergence de la serie
entière
+
n=1
(U
1
U
2
U
n
)
1/a
z
n
.
2) Montrer que X
a
concide en loi avec U
1/a
1
(1+X
a
), o` u X
a
est independante de U
1
et admet la meme
loi que X
a
.
3) Soit
a
la fonction caracteristique de X
a
:
a
() = E(e
iX
a
). Montrer que :
a
() = exp
_
a
_
1
0
(e
iu
1)
du
u
_
.
Indication : Deduire de 2) que
a
verie une equation integrale puis resoudre cette equation par
dierentiation.
4) Si X
a
et X
b
sont independantes, quelle est la loi de X
a
+X
b
?
Les exercices sont independants les uns des autres. Dans tout lenonce, on considère des variables
aleatoires denies sur un espace de probabilite (, T, P) xe.
Exercice 1 On suppose que le couple (X, Y ) de variables aleatoires reelles admet pour loi la mesure
P
(X,Y )
(dxdy) = e
y
1
0xy
dxdy.
(a) Donner la loi de X et la loi de Y .
(b) Les couples (X, Y ), (X, Y X) et (Y, X/Y ) sont-ils formes de variables aleatoires indepen-
dantes ?
Exercice 2 Soit (X
n
)
n1
une suite de variables aleatoires independantes et de meme loi de Bernoulli
de paramètre p [0, 1] cest-à-dire
P(X
n
= 1) = p = 1 P(X
n
= 0).
(a) Montrer que Y =
n=1
2
n
X
n
(b) Donner la loi de Y quand p = 1/2.
(c) On choisit pour lintervalle [0, 1[, pour T la tribu B() des boreliens de et pour P la mesure
de Lebesgue sur . Si , on note 0,
1
3
. . . son developpement dyadique ne nissant pas par
des 1.
Montrer que X
n
:
n
verie les hypothèses de cet exercice pour p = 1/2.
(d) En deduire lexistence dune famille (m
p
)
p]0,1[
de mesures de probabilite sur lespace mesure
([0, 1[, B([/, [)) etrangères deux à deux, diuses et assignant une probabilite strictement positive à
tout intervalle de [0, 1[ ouvert et non vide.
Que vaut la mesure de Lebesgue ?
Exercice 3 On se donne n variables aleatoires independantes X
k
(1 k n) de meme loi expo-
nentielle de paramètre a > 0 donc P(X
k
x) = e
ax
pour tout x 0. Les X
k
peuvent par exemple
modeliser les durees de vie (aleatoires) de n individus nes au meme instant t = 0. On pose alors
M
n
= minX
k
; 1 k n.
(a) Calculer P(M
n
x) pour tout x 0. En deduire la loi de M
n
.
(b) Pour t 0, on note N
t
le cardinal (aleatoire) de lensemble des indices k pour lesquels X
k
t.
Ainsi, N
t
peut modeliser le nombre dindividus encore vivants au temps t.
Trouver la loi de N
t
. Calculer lesperance et la variance de N
t
.
Exercice 4 Soient X, Y et Z trois variables aleatoires independantes et de meme loi
a
2
xe
ax
1
x>0
dx,
pour un reel a > 0 donne. On note S = X +Y +Z, U = X/S et V = Y/S.
(a) Donner la loi de S et les moments de S.
(b) Donner la loi de (S, U, V ). Quelle independance observe-t-on ? Pour p N et q N, montrer
que lon a
E(U
p
V
q
) =
E(X
p
)E(Y
q
)
E(S
p+q
)
.
(c) Donner la loi de U.
Exercice 5 Si X et Y sont deux variables aleatoires reelles, on dit que X est inferieure à Y en loi
et on note X Y si Ef(X) Ef(Y ) pour toute fonction reelle croissante positive et bornee.
(a) Montrer que X Y si et seulement si la fonction de repartition F de X et la fonction de
repartition G de Y verient F G.
On dit que X et Y sont egales en loi et on note X Y si X Y et Y X.
(b) Montrer que X Y si et seulement si on peut trouver deux variables aleatoires X
et Y
telles
que X X
, Y Y
et X
presque s urement.
(c) On suppose que X Y presque s urement et X Y . Montrer que X = Y presque s urement.
Indication : ecrire X < Y comme la reunion sur q Q des X < q < Y .
Exercice 6 Pour deux parties A et B de , on denit la dierence symetrique de A et B par
A
B = (A (B)) (B (A)).
(a) Si (A
n
)
n1
est une suite de parties de , montrer que lon a
(limsup
n
A
n
)(liminf
n
A
n
) limsup
n
(A
n
A
n+1
).
(b) En deduire que si les A
n
sont des elements de T et si la serie de terme general P(A
n
A
n+1
)
est convergente, la suite A
n
admet une limite presque s ure cest-à-dire que lon a
P((limsup
n
A
n
)
(liminf
n
A
n
)) = 0.
Exercice supplementaire Soit (X
n
)
n1
des variables aleatoires independantes et de meme loi
uniforme sur lintervalle [a, b]. On ne connat pas les valeurs de a et b mais on observe un echantillon
X
1
, . . . , X
n
de cette loi et on cherche à estimer la moyenne E(X
1
) = (a +b)/2 de cette loi à partir de
cet echantillon. On denit S et T par les relations
nS =
n
k=1
X
k
, 2T = supX
k
; 1 k n + infX
k
; 1 k n.
(a) Montrer que S et T sont consistants, cest-à-dire que leur esperance vaut bien m = (a +b)/2,
et que S et T tendent presque s urement vers m quand n tend vers linni.
(b) Calculer la variance de S et celle de T. Conclusion ?
4.5 Devoir à la maison de mars 1994
Dans tout lenonce, X, Y et X
n
pour n N designent des variables aleatoires reelles denies sur
un espace de probabilite (, T, P) xe.
Exercice 1 On modelise la rupture dune chane moleculaire de longueur X aleatoire par le choix
dun nombre aleatoire Y de loi uniforme sur [0, 1] et independant de X. Les longueurs des deux
tron cons issus de la rupture sont alors X
1
= Y X et X
2
= (1 Y )X.
+
1
, X
2
) ?
2
xe
ax
avec a > 0, que peut-on dire du couple (X
1
, X
2
) ?
Ce phenomène peut-il se produire pour dautres lois de X ?
(c) Soit X
0
1
et X
2
. Calculer EX
0
en fonction de EX.
Exercice 2 Montrer que pour toute suite X
n
de variables aleatoires reelles, il existe une suite de
reels a
n
> 0 telle que a
n
X
n
Exercice 3 Un insecte pond des ufs. Le nombre X dufs pondus suit une loi de Poisson :
n N, P(X = n) = e

n
/(n!).
Chaque uf eclot (ou neclot pas) independamment de tous les autres et la probabilite p declosion
dun uf est la meme pour chaque uf. Quelle est la loi du nombre dufs eclos ?
Exercice 4 Montrer que la convergence presque s ure de la suite (X
n
)
n1
vers 0 implique la conver-
gence presque s ure de
1
n
n
k=1
X
k
vers 0. Montrer que la convergence en probabilite de la suite (X
n
)
n1
vers 0 nimplique pas la convergence en probabilite de
1
n
n
k=1
X
k
vers 0.
Exercice 5 On rappelle le resultat suivant du cours, quil est inutile de redemontrer : si X
n
converge
en probabilite vers X, il existe une sous-suite X
(n)
qui converge presque s urement vers X.
(a) Montrer le resultat plus fort suivant : X
n
converge en probabilite vers X si et seulement si on
peut extraire de chaque sous-suite X
(n)
une sous-sous-suite X
(n)
qui converge presque s urement
vers X.
(b) Soit f : R R une fonction Borel-mesurable telle que :
P( ; f est continue en X()) = 1.
Montrer que f(X
n
) converge en probabilite vers f(X) dès que X
n
converge en probabilite vers X.
(c) On suppose que (X
n
) converge en probabilite vers X et que les X
n
sont presque s urement
positives. Montrer que X est presque s urement positive et que lon a : EX liminf
n+
EX
n
.
(d) Soit (x
n
) une suite dun espace topologique (ou dun espace metrique si lon sy sent plus à
laise). Montrer que si chaque sous-suite (x
(n)
) contient une sous-sous-suite (x
(n)
) convergeant vers
x, alors la suite (x
n
) converge vers x.
En deduire que la convergence presque s ure nest pas topologisable (ni metrisable).
Les exercices sont independants les uns des autres. Dans tout lenonce, on considère des variables
aleatoires denies sur un espace de probabilite (, T, P) xe.
Exercice 1 (1) Soit X une variable aleatoire de loi discrète
X(P) =
n1
a
n
x
n
.
On pose b
0
= 0 et b
n
=

n
k=1
a
k
pour n 1. Montrer que si U suit une loi uniforme sur ]0, 1[, la
variable aleatoire Y denie ci-dessous suit la meme loi que X.
Y =
n1
x
n
1(U [b
n1
, b
n
[).
(2) Soit X une variable aleatoire de fonction de repartition F(x) = P(X x). Pour 0 < x < 1, on
pose
G(x) = infy R; F(y) > x.
Verier que G est bien denie sur ]0, 1[. Montrer que si U suit une loi uniforme sur ]0, 1[, Z = G(U)
est une variable aleatoire qui suit la meme loi que X. Que donne cette methode dans le cas du (1) ?
Exercice 2 On veut simuler une variable aleatoire de loi densitable de densite f à partir de variables
aleatoires de loi densitable de densite g et on suppose quil existe c 0 tel que f c g (dans ce cas,
on a forcement c 1). Pour cela, on denit deux suites independantes de variables aleatoires (U
n
)
n1
et (Y
n
)
n1
telles que les variables aleatoires U
n
sont independantes et de meme loi uniforme sur [0, 1]
et les variables aleatoires Y
n
sont independantes et de meme loi densitable de densite g. On pose alors
T = infn 1 ; f(Y
n
) > c U
n
g(Y
n
).
(1) Montrer que T est presque s urement ni et que T est une variable aleatoire.
(2) On pose X() = Y
T()
() si T() est ni et X() = 0 sinon. Montrer que X est une variable
aleatoire de loi densitable de densite f.
(3) Calculer la moyenne de T.
Exercice 3 Soit (X
n
)
n1
une suite de variables aleatoires. Montrer quil existe une suite de reels
(a
n
)
n1
telle que X
n
/a
n
Exercice 4 Soit (X
n
)
n1
une suite de variables aleatoires positives, independantes et de meme loi.
On suppose que X
1
nest pas nulle presque s urement et on pose S
0
= 0 et S
n
=
n
k=1
X
k
. On denit le
processus de comptage (N
t
)
t0
associe à (X
n
)
n1
par
N
t
= n S
n
t < S
n+1
.
(1) On xe t 0. Montrer que N
t
est une variable aleatoire nie presque s urement.
(2) Montrer que N
t
est croissante et tend presque s urement vers linni quand t tend vers linni.
1
est integrable. Montrer que N
t
/t converge presque s urement vers 1/E(X
1
).
(4) Si X
1
nest pas integrable, montrer que N
t
/t converge presque s urement vers 0.
(5) On suppose dans cette question que la loi de X
1
est p
1
+ (1 p)
0
avec 0 < p 1. Calculer
E(N
t
) et E(N
2
t
). [Indication : on pourra evaluer P(N
t
= n) puis E(N
t
+1) et enn E((N
t
+1)(N
t
+2)).]
(6) On revient au cas general. On choisit un reel c 0 de sorte que P(X
1
c) = p soit strictement
positif et on note N
le processus de comptage associe à la suite de variables aleatoires X
n
= c 1(X
n

c). Calculer E(N
t
) et E(N
2
t
).
(7) Comparer N
t
et N
t
. Montrer quon peut majorer E(N
2
t
) par un multiple constant de t
2
et en
deduire que E(N
t
/t) tend vers 1/E(X
1
) avec la convention 1/E(X
1
) = 0 si X
1
nest pas integrable.
(8) Demontrer le theorème de Wald : soit (X
n
)
n1
une suite de variables aleatoires indepen-
dantes, de meme loi et integrables. Soit N une variable aleatoire entière integrable telle que pour tout
n 1, levenement N n appartient à la tribu engendree par les variables aleatoires X
k
pour
1 k n. On pose alors
S
N
: S
N()
() =
N()
k=1
X
k
().
(a) Montrer que S
N
est une variable aleatoire nie presque s urement.
(b) Montrer que S
N
est integrable et que E(S
N
) = E(X
1
) E(N).
(c) Que peut-on dire si X
1
ou N nest pas integrable ?
(9) Montrer que N
t
+ 1 verie les hypothèses du theorème de Wald. On a donc
E(S
N
t
+1
) = E(X
1
) (1 +E(N
t
)).
(10) A-t-on E(X
N
t
+1
) = E(X
1
) ?
Exercice 5 Soit X et Y deux variables aleatoires de carre integrable telles que E(X[Y ) = Y presque
s urement et E(X
2
[Y ) = Y
2
presque s urement. Montrer que X = Y presque s urement.
Exercice 6 Soit X et Y deux variables aleatoires integrables telles que E(X[Y ) = Y presque s ure-
ment et E(Y [X) = X presque s urement. Montrer que X = Y presque s urement.
Exercice 7 Soit X un vecteur aleatoire de R
n
et Y un vecteur aleatoire de R
m
. On suppose que le
vecteur (X, Y ) est gaussien et que la matrice de covariance C
Y
de Y est inversible.
Montrer quil existe une matrice A de taille n m et un vecteur B de taille n tels que X (AY +B)
soit independant de Y et que E(X) = E(AY +B).
En deduire que lesperance conditionnelle E(X[Y ) est une fonction ane de Y et que XE(X[Y ) est
independante de Y .
Exercice 8 (1) Soit (m
n
)
n1
et m
des mesures de probabilites densitables de densites respectives

(f
n
)
n1
et f
. On suppose que f
n
converge vers f
presque partout pour la mesure de Lebesgue.

Montrer que m
n
converge etroitement vers m
.
Indication : on pourra montrer que si g est une fonction integrable dintegrale nulle, on a
_
[g[ = 2
_
(g)
+
.
(2) Soit X
1
et (
n
)
n1
des variables aleatoires independantes de lois
X
1
(P)(dx) = f(x) 1
[0,1]
(x) dx,
n
(P) = (
0
+
1
)/2.
Pour n 1, on pose
X
n+1
= (X
n
+
n
)/2.
(a) Determiner la loi de X
n
et montrer que (X
n
)
n1
converge en loi vers une variable aleatoire de loi
uniforme sur [0, 1].
(b) Si f
n
est la densite de X
n
(P), choisir f de sorte que f
n
ne converge pas vers 1
[0,1]
presque partout
pour la mesure de Lebesgue.
4.7 Devoir à la maison davril 1995
Les deux problèmes sont independants.
On se donne un espace de probabilite (, T, P).
Problème Soit (X
n
)
n1
une suite de variables aleatoires independantes de meme loi integrable de
moyenne E(X
1
). On se propose detudier les limites superieure et inferieure de [S
n
[ o` u S
0
= 0 et S
n
pour n 1 est la somme des n premiers X
k
.
I) On suppose que E(X
1
) ,= 0.
Montrer que [S
n
[ tend presque s urement vers linni.
On suppose desormais que E(X
1
) = 0.
II) On suppose dans cette question que les X
n
sont des variables aleatoires de Bernoulli symetriques
valant 1 avec probabilite 1/2. On veut montrer que limsup
n
[S
n
[ = + presque s urement.
1) Montrer que dans le cas contraire, il existerait > 0 et a 0 tels que
P(n 1, [S
n
[ a) .
2) Donner la loi de S
n
.
3) Estimer P([S
n
[ a).
4) On rappelle la formule de Stirling n!
2 n(n/e)
n
. Montrer que P([S
n
[ a) tend vers 0 et
conclure.
III) Dans cette partie, (X
n
)
n1
est une suite de variables aleatoires independantes non identique-
ment nulles, de meme loi integrable, centree et bornee par c. On veut montrer que le phenomène
demontre au (II) est general, cest-à-dire que limsup
n
[S
n
[ = + presque s urement.
1) Montrer que la suite (E[S
n
[)
n
est croissante. On pourra utiliser la convexite de x [x[ et
lindependance de S
n
et X
n+1
.
2) Imiter la preuve de linegalite de Kolmogorov inverse pour montrer
P( max
1kn
[S
k
[ a) 1 (a +c)/(E[S
n
[).
On pourra introduire le temps
T = infk 1 ; [S
k
[ a,
puis majorer E([S
n
[ 1(T n)) en traitant separement chaque ensemble T = k, et enn remarquer
que [S
n
[ < a sur T > n.
3) On suppose dans cette question que la suite (E[S
n
[)
n
tend vers linni. Pour a > 0 et n p 1,
on introduit lensemble
A
a
n,p
= k, p < k n, [S
k
S
p
[ 2a.
Appliquer le lemme de BorelCantelli à certains des A
a
n,p
pour construire une suite (k(n))
n
strictement
croissante telle que lon a presque s urement à partir dun certain rang :
k k(n), [S
k
[ n.
4) On suppose dans cette question que la suite (E[S
n
[)
n
ne tend pas vers linni. On xe deux reels
a < b et on denit une suite (t
k
)
k0
dinstants (aleatoires) en posant t
0
= 0 et :
t
2k+1
= infn t
2k
; S
n
a, t
2k+2
= infn t
2k+1
; S
n
b.
On appelle les intervalles [t
2k+1
, t
2k+2
] les intervalles de traversees montantes de [a, b]. On note M
n
le
nombre de traversees montantes completees avant n et
n
la somme des sauts eectues pendant les
traversees montantes avant n, soit :
M
n
= k t
2k
n < t
2k+2
,
n
=
+
k=1
n
l=1
X
l
1(t
2k1
< l t
2k
).
Montrer que levenement t
2k1
< l t
2k
ne depend que de (X
i
)
il1
et en deduire que E(
n
) = 0.
Faire un dessin pour demontrer la relation :
n
(b a) M
n
(S
n
a)
.
En deduire une majoration de E(M
n
) independante de n puis montrer que le nombre total M
de
traversees montantes de [a, b] est presque s urement ni. En deduire que (S
n
)
n
converge presque s ure-
ment dans [, +] puis utiliser le lemme de Fatou pour montrer quen fait, (S
n
)
n
converge presque
s urement vers une limite nie.
Montrer enn que cette dernière armation est absurde.
5) Montrer que la suite (S
n
)
n
est presque s urement non bornee et donc que limsup
n
[S
n
[ = +
presque s urement.
IV) Dans cette partie, (X
n
)
n1
est une suite de variables aleatoires independantes de meme loi
integrable et centree. On veut montrer que liminf [S
n
[ est nie presque s urement et on raisonne par
labsurde ; on suppose donc jusquà la n de lexercice que
P(liminf
n
[S
n
[ = +) > 0.
1) Montrer que dans ce cas, [S
n
[ tend vers linni presque s urement.
2) On veut montrer que P(n 1, [S
n
[ > 0) > 0. Pour cela, on suppose le contraire et on introduit,
pour tout n ,= m, levenement
A
n,m
= S
n
= S
m
.
a) Montrer que P(
m>n
A
n,m
) = 1 pour tout n 0.
b) Pour k 1, exprimer levenement (( il y a au moins k indices strictement positifs n
i
, 1 i k,
distincts tels que S
n
i
= 0 pour 1 i k )) en fonction des A
n,m
, n ,= m. On appelle cet evenement
(( au moins k retours en 0 )).
c) En deduire la probabilite de (( au moins k retours en 0 )) puis de (( une innite de retours en 0 )).
d) Conclure à une contradiction. (On rappelle que lon a demontre au (1) que [S
n
[ tend vers linni
presque s urement.)
On a donc montre P(n 1, [S
n
[ > 0) > 0.
3) Deduire du (2) quil existe > 0 tel que
P(A) , A = n 1, [S
n
[ .
4) Pour n 0, on pose
T
n
=
n+1
k=2
X
k
, E
n
=
n
_
k=1
]S
k

2
; S
k
+

2
[, F
n
=
n
_
k=1
]T
k

2
; T
k
+

2
[.
Enn, K
n
, resp. L
n
, est la mesure de Lebesgue de E
n
, resp. de F
n
, et B est lensemble analogue de A
pour la suite des (T
n
)
n
cest-à-dire
B = n 1, [T
n
[ .
Montrer que : K
n+1
L
n
1
B
.
5) Montrer que E(L
n
) = E(K
n
) et P(B) = P(A).
En deduire successivement que P(A) E(K
n+1
K
n
) pour tout n 1.
En deduire que P(A) liminf E(K
n
/n).
6) Montrer en utilisant (35) quil sut de prouver que E(K
n
/n) tend vers 0 pour aboutir à une
contradiction.
7) Appliquer la loi des grands nombres à S
n
/n pour montrer que K
n
/n tend presque s urement vers 0,
et conclure.
[Certaines etapes de la preuve sont tirees de Probability theory, an analytic view de David Williams,
Cambridge, 1993. Lidee de la demonstration du (IV) est due à Yves Guivarch, qui lutilise dans un
cadre plus general.]
Exercice Soit (X
n
)
n1
une suite de variables aleatoires independantes à valeurs entières et de meme
loi. Si lon pose p
k
= 1/(2
k
k (k + 1)) pour tout k 1, alors la loi des X
n
est donnee par
X
n
(P) =
_
1
+
k=1
p
k
_

0
+
+
k=1
p
k

2
k.
On notera S
n
la somme des n premiers X
k
et on se donne enn une suite (a
n
)
n1
de reels positifs.
1) Montrer que E(X
1
) = 1.
2) On xe un entier n 2 et pour k n, on note X
(n)
k
la variable aleatoire tronquee suivante :
X
(n)
k
= X
k
1(X
k
a
n
).
Estimer la probabilite que (X
(n)
1
, . . . , X
(n)
n
) = (X
1
, . . . , X
n
).
On note log
2
le logarithme de base 2.
Montrer que pour a
n
= n/ log
2
(n), cette probabilite tend vers 1.
3) Montrer quil existe un entier n
0
1 et un reel a > 0 tels que :
n n
0
, E(X
(n)
1
) 1 1/ log
2
(n), var(X
(n)
1
) a n/(log
2
(n))
3
.
4) Soit > 0. Montrer que
P
_
k=1
X
(n)
k
nE(X
(n)
1
)

n
log
2
(n)
_
tend vers 1 quand n tend vers linni.
5) En deduire que
P(S
n
n (1 ) n/ log
2
(n))
tend vers 1 quand n tend vers linni.
6) Pensez-vous que le jeu consistant à miser 1 et à gagner X
n
est equitable ?
4.8 Examen partiel de mars 1995
Lenonce est compose dexercices independants, à lexception du resultat de lexercice 4.8 qui est
utilise dans la question (2) de lexercice 4.8 : on pourra donc admettre ce resultat pour resoudre
lexercice 4.8. La plus grande attention sera apportee à la qualite de la redaction des copies.
On se donne un espace de probabilite (, T, P).
1 Soit X et Y deux variables aleatoires independantes telles que X +Y est integrable. Montrer que
X et Y sont integrables.
2 Soit (X
n
)
n1
une suite de variables aleatoires independantes de lois de Bernouli de paramètres p
n
avec 0 p
n
1 donnees par
X
n
(P) = p
n
1
+ (1 p
n
)
1
.
On pose alors :
Y
n
=
n
k=1
X
k
.
Sous quelle condition portant sur la suite (p
n
)
n
, la suite (Y
n
)
n
converge-t-elle presque s urement ?
Meme question pour la convergence en probabilite et la convergence dans L
1
.
3 Soit X et Y deux variables aleatoires reelles. On suppose que la loi du couple (X, Y ) admet une
densite par rapport à la mesure de Lebesgue sur R
2
, densite donnee par
e
y
1
D
(x, y), avec D = (x, y) R
2
; 0 x y.
1) Verier que la formule ci-dessus denit bien une mesure de probabilite sur R
2
.
2) Donner la loi de X. Donner la loi de Y .
3) Parmi les couples suivants, preciser quels sont ceux qui sont constitues de deux variables aleatoires
independantes : (X, Y ), (X, Y X) et (X/Y, Y ).
4 Soit X une variable aleatoire de carre integrable telle que E(X) = 1 et E(X
2
) = a
2
. Montrer que
lon a :
P(X 1/2) 1/(4a
2
).
On pourra commencer par demontrer que
2 P(X 1/2) + 2 E(X ; X 1/2).
5 Soit (A
n
)
n1
une suite devenements et c un reel positif. On suppose que pour toute paire dindices
n ,= m, on a :
P(A
n
A
m
) c P(A
n
) P(A
m
).
On suppose egalement que la serie
P(A
n
) diverge et on veut montrer un analogue du lemme
de BorelCantelli, à savoir que levenement (( A
n
est realise une innite de fois )) est de probabilite
strictement positive. Pour cela, on pose
S
n
=
n
k=1
1(A
k
).
1) Calculer E(S
n
) et E(S
2
n
) en fonction des A
k
.
2) Utiliser le resultat de lexercice 4.8 pour en deduire une minoration de
P(S
n
E(S
n
)/2).
3) Montrer que si P(S
n
+) = 0, alors P(n 1, S
n
t) tend vers 0 quand t tend vers linni.
4) En deduire que P(S
n
+) = 0 est impossible et conclure.
5) Generaliser la methode de lexercice 4.8 an de montrer, pour 0 t 1, que lon a :
P(X t) (1 t)
2
/a
2
.
6) Deduire du resultat de la question (5) que la probabilite de levenement (( A
n
est realise une innite
de fois )) vaut au moins 1/c.
6 Soit (X
n
)
n1
une suite de variables aleatoires et N une variable aleatoire à valeurs entières stric-
tement positives. On pose
S
N
:
N()
k=1
X
k
().
1) Montrer que S
N
Dans le reste de lexercice, on suppose que (X
n
)
n1
est une suite de variables aleatoires independantes
de meme loi de carre integrable et que N est de carre integrable et independante de la suite (X
n
)
n1
.
2) Montrer que S
N
est de carre integrable. Calculer E(S
N
) et E(S
2
N
).
3) Soit (N
k
)
k1
une suite de variables aleatoires veriant les hypothèses de N et qui converge presque
s urement vers linni.

Etudier la convergence presque s ure de la suite (S
N
k
/N
k
)
k1
.
4)

Etudier la convergence dans L
2
de la suite (S
N
k
/N
k
)
k1
.
Lenonce est compose dexercices independants. La plus grande attention sera apportee à la qua-
lite de la redaction des copies. Des dessins pourront, sans remplacer les demonstrations, servir à les
appuyer.
Soit (, T, P) un espace de probabilite.
Exercice 1 La loi du couple (X, Y ) est portee par le disque (x, y) R
2
; x
2
+ y
2
1 et admet
une densite de la forme c (x +1), c > 0, par rapport à la mesure de Lebesgue sur le disque. Calculer
c. Donner la loi de Y sachant X. Donner la loi de X sachant Y .
Exercice 2 On note S = 1, 2, . . . , 100 et on denit cent variables aleatoires (X
n
)
n100
prenant
leurs valeurs dans S comme suit : la loi de X
1
est uniforme sur S ; la loi de X
2
sachant X
1
est uniforme
sur S X
1
; de meme, la loi de X
n
sachant X
1
, . . . , X
n1
, est uniforme sur S X
1
, . . . , X
n1
.
Donner la loi de X
97
.
Exercice 3 Soit X une variable aleatoire de carre integrable telle que E(X) = 1 et E(X
2
) = a
2
.
Montrer linegalite :
P(X 1/2) 1/(4a
2
).
On pourra commencer par demontrer : 1 (1/2) P(X 1/2) +E(X ; X 1/2).
Montrer de meme, pour 0 t 1, linegalite :
P(X t) (1 t)
2
/a
2
.
Exercice 4 Soit (A
n
)
n1
et (B
n
)
n1
deux suites independantes de variables aleatoires independantes
de loi de Bernoulli
1
2
1
+
1
2
1
.
Pour tout n 1, on note :
X
n
=
n
k=1
A
k
, Y
n
=
n
k=1
B
k
, Z
n
= (X
n
, Y
n
).
1) La suite (Z
n
)
n1
peut modeliser les positions successives dune marche au hasard sur Z
2
issue de
(0, 0) ; on pose Z
0
= (0, 0). Montrer alors que les variables aleatoires Z
n
Z
n1
sont independantes
de meme loi pour n 1 et donner une expression de cette loi.
En deduire un modèle pour la marche au hasard sur Z
2
issue de (0, 0) telle que lon marche dun
sommet (x, y) à lun des quatre sommets voisins (x+1, y), (x1, y), (x, y +1) et (x, y 1) avec autant
de chances de choisir chacun des quatre voisins.
2) Dans ce qui suit, on xe un entier a 0 et on note
a
= infn 0, Y
n
= a,
si cet ensemble nest pas vide et
a
= + sinon. On va prouver que
a
est ni presque s urement.
Montrer que dans le cas contraire, sup
n1
Y
n
est ni presque s urement.
En deduire lexistence dun reel k tel que tout n 1 verie :
P(Y
n
k) 3/4.
Appliquer un theorème de la limite centrale à la suite (B
n
)
n1
pour aboutir à une contradiction.
3) On pose H
a
= X
a
et pour tout n 1, on note T
n
la soustribu de T engendree par les A
k
et B
k
pour k n. Montrer que
a
et H
a
sont des variables aleatoires. On pourra commencer par montrer
que
a
= n T
n
pour tout n 1.
La variable aleatoire H
a
represente labscisse du point o` u la marche au hasard (Z
n
)
n0
issue de
Z
0
= (0, 0) atteint pour la première fois la droite horizontale dequation y = a. Le but du problème
est detudier, quand a devient grand, le comportement asymptotique de la loi de H
a
convenablement
renormalisee.
4) Soit c 0. Montrer quil existe un reel d 0 tel que M
n
= exp(cY
n
dn) verie :
E(M
p
[ T
n
) = M
n
,
pour tout p n et donner une expression de d. On pourra commencer par traiter le cas p = n + 1.
5) Montrer que, pour la valeur de d trouvee en (4), on a : E(M
n
a
) = 1 pour tout n 0. On pourra
decouper cette integrale suivant les valeurs de
a
.
6) Calculer E(exp(d
a
)) pour tout d 0. On pourra demontrer que la suite des M
n
a
converge
presque s urement et utiliser la relation du (4) donnant lesperance conditionnelle de M
p
ainsi que la
propriete
a
= n T
n
demontree au (3).
7) Deduire de (6) la valeur de E(exp(itH
a
)) pour t reel. On pourra exprimer le resultat sous la forme
exp(ca) et montrer comment on obtient c à partir de t.
8) On xe un reel > 0 et on note [n] la partie entière de n. Montrer enn que les variables
aleatoires n
1
H
[n]
convergent en loi vers une loi de Cauchy de paramètre .
9) On note
a
]0, [ la valeur de langle forme par laxe Ox et la droite OH
a
. Montrer que
a
converge
en loi quand a tend vers linni vers une loi que lon precisera.
10) Pour a 1 entier, on note
a
le temps datteinte de a par Y
n
et K
a
= X
a
labscisse du lieu
datteinte de la double barrière formee des droites y = a. Imiter les questions (58) pour montrer
que les variables aleatoires n
1
K
[n]
convergent en loi vers une loi dont on donnera simplement la
fonction caracteristique.
Toutes les variables aleatoires considerees sont denies sur un espace de probabilite (, T, P).
Les exercices sont independants les uns des autres et on peut resoudre une question en utilisant les
resultats des questions precedentes.
Exercice 1 Pour tout nombre reel x 0, [x] est la partie entière de x. On note log la fonction
logarithme de base 2. On a donc log(2
x
) = x pour tout x reel. Pour tout entier n 1, b(n) = [nlog n].
Soit (X
n
)
n1
une suite de variables aleatoires independantes de meme loi de Bernoulli donnee par :
P(X
n
= 1) = P(X
n
= 0) = 1/2.
Pour n 1, on considère la longueur L
n
du segment forme de signes 1 dans la suite des (X
k
)
k
consideree à partir du temps n. Ainsi, L
n
: N est denie par L
n
() = 0 si X
n
() = 0 et, pour un
entier p 1, L
n
() = p si X
k
() = 1 pour n k < n +p et si X
n+p
() = 0.
(1) Soit n 1. Montrer que L
n
est presque s urement nie, et que L
n
est une variable aleatoire. Pour
un entier p 0, calculer P(L
n
= p) et P(L
n
p). En deduire que les variables aleatoires L
n
, n 1,
ont toutes la meme loi et donner cette loi.
On se propose desormais de demontrer la propriete suivante :
limsup
n+
L
n
log n
= 1 presque s urement. (i)
(2) Pour a > 1, on note A
n
(a) levenement :
A
n
(a) = L
n
a log n.
Montrer que : P(A
n
(a)) n
a
. (On pourra se contenter de : P(A
n
(a)) 2 n
a
.)
(3) En deduire que la limite superieure de L
n
/ log n est presque s urement inferieure à a, puis quelle
est presque s urement inferieure à 1.
(4) Pour a < 1, soit C
n
(a) levenement suivant :
C
n
(a) = L
b(n)
= [a log b(n)] + 1.
Montrer que : P(C
n
(a))
1
4
(nlog n)
a
.
(5) Montrer quil existe un entier n
0
tel que : b(n + 1) > b(n) + [a log b(n)] + 1, pour tout n n
0
.
(6) En deduire que les evenements (C
n
(a))
nn
0
sont independants.
n
(a) est realise pour une innite dindices n.
(8) En deduire que la limite superieure de L
n
/ log n est presque s urement superieure à a, puis quelle
est presque s urement superieure à 1, ce qui termine la preuve de lassertion (i).
Exercice 2 Une bote contient n jetons blancs et n jetons noirs. On choisit un des jetons au hasard
et on le place dans une deuxième bote. Puis on choisit à nouveau un jeton au hasard parmi les 2n1
restants et on le place dans la deuxième bote. On repète loperation jusquà ce que la première bote
soit vide. Montrer que la probabilite pour quil y ait toujours eu au moins autant de jetons blancs que
de jetons noirs dans la deuxième bote au cours du transfert vaut 1/(n + 1).
On pourra representer loperation totale par un chemin du plan reliant les points (0, 0) et (2n, 0),
et denombrer certains ensembles de chemins.
Exercice 3 Soit (X
n
)
n1
une suite de variables aleatoires independantes, à valeurs dans R
+
et telle
que P(X
1
> 0) > 0. Posons S
0
= 0 et S
n
=
n
1
X
k
. Pour tout t 0, on denit N
t
= sup(n 0, S
n
t).
On appelle (N
t
)
t0
le processus de comptage associe.
(1) On xe t 0. Montrer legalite entre ensembles N
t
= n = S
n
t < S
n+1
. Montrer que N
t
est
presque s urement ni et que N
t
(2) Montrer que lapplication t N
t
est croissante et que, presque s urement, N
t
tend vers linni
quand t tend vers linni.
1
est integrable. Montrer que, presque s urement, N
t
/t tend vers 1/E(X
1
) quand
t tend vers linni. Que se passe-t-il quand X
1
(4) Dans le reste de lexercice, on etudie la convergence de N
t
1
. Soit
0 < p < 1 et (X
0
n
)
n1
une suite de variables aleatoires independantes de Bernoulli avec P(X
0
1
= 0) =
p = 1 P(X
0
1
= 1) et soit N
0
le processus de comptage associe. Calculer les quantites P(N
0
t
= n),
E(N
0
t
+ 1) et E((N
0
t
+ 1)(N
0
t
+ 2)).
(5) Soit a > 0 tel que P(X
1
a) = p > 0. On pose X
n
= a 1
X
n
a
et on note (N
t
)
t
le processus de
comptage associe. Montrer que N
t
N
t
.
(6) En deduire que E(N
2
t
)/t
2
est borne. On suppose que X
1
est integrable ; montrer que N
t
/t tend
vers 1/E(X
1
) dans L
1
. On suppose que X
1
nest pas integrable ; montrer que N
t
/t tend vers 0 dans
L
1
.
4.11 Corrige de lexamen partiel davril 1996
Exercice 1 (1) Soit k 0. Par denition : L
n
> k = X
n
= X
n+1
= . . . = X
n+k
= 1. On en
deduit que L
n
> k est mesurable pour tout k > 0, donc que L
n
est mesurable. On en deduit aussi :
P(L
n
> k) = P(X
n
= 1) P(X
n+1
= 1) . . . P(X
n+k
= 1) = 1/2
k+1
,
ce qui montre que P(L
n
> k) tend vers 0 quand k tend vers linni, donc que L
n
est ni presque
s urement, et qui donne les valeurs cherchees :
P(L
n
= k) = 1/2
k+1
, P(L
n
k) = 1/2
k
.
On voit que les L
n
ont la meme loi.
(2) P(A
n
(a)) P(L
n
[a log n]) = 1/2
[a log n]
1/2
a log n1
= 2/n
a
, daprès ce qui precède et parce
que a log n [a log n], puis parce que [a log n] a log n 1.
Remarque : en fait, A
n
(a) = L
n
n(a) pour un entier n(a) a log n donc P(A
n
(a)) 1/2
n(a)
1/n
a
.
(3) La somme des 2/n
a
converge car a > 1 donc le lemme de BorelCantelli (partie facile) montre que
la limite superieure des A
n
(a) est negligeable. Presque s urement, A
n
(a) nest pas realise, à partir dun
certain rang, donc, pour tout en dhors dun negligeable, il existe n
0
() tel que L
n
() < a log n pour
tout n n
0
(). En particulier, la limite superieure de L
n
()/ log n est inferieure à a.
On applique ce qui precède à a
p
= 1 + 1/p. Ceci fournit un negligeable N
p
sur le complementaire
duquel limsup L
n
/ log n a
p
. Sur le complementaire du negligeable reunion des N
p
, on a donc :
limsup L
n
/ log n 1.
(4) P(C
n
(a)) = 1/2
[a log b(n)]+1
1/2
a log b(n)+1
= 1/(2b(n)
a
) 1/(2(nlog n)
a
) grace aux majorations
elementaires [a log b(n)] a log b(n) et b(n) nlog n.
Remarque : lenonce est donc vrai avec 1/(2(nlog n)
a
) au lieu de 1/(4(nlog n)
a
).
(5) b(n + 1) b(n) log n, log b(n) log n et a < 1 donc la dierence entre les deux membres
de linegalite demandee est equivalente à (1 a) log n qui tend vers linni, donc la dierence est
strictement positive à partir dun certain rang.
(6) C
n
(a) est mesurable par rapport à la famille des X
k
pour k dans lintervalle [b(n), b(n)+[a log b(n)]+
1]. Les ensembles dindices sont disjoints pour n n
0
donc le theorème des coalitions donne la
conclusion.
(7-8) La somme des 1/(4(nlog n)
a
) diverge car a < 1 donc le lemme de Borel-Cantelli (partie dicile)
applique aux (C
n
(a))
nn
0
montre que la limite superieure des C
n
(a) est presque s urement realisee. On
copie le raisonnement de la question (4) pour conclure. En eet, sur C
n
(a), on a L
k
/ log k a1/ log k
pour un entier k = b(n). De plus log b(n) tend vers linni, donc sur la limite superieure des C
n
(a), la
limite superieure de L
k
/ log k vaut au moins a. Le reste est sans changement.
Exercice 2 Il sagit dimiter la demonstration du theorème de Kolmogorov-Smirnov. Une realisation
du transfert des 2n jetons est un chemin ane par morceaux reliant les points (0, 0) et (2n, 0) dans
le plan. Si (x
k
, k) est un point du chemin et si le k + 1-ème jeton transfere est blanc (resp. noir),
alors (x
k+1
, k + 1) est un point du chemin avec x
k+1
= x
k
+ 1 (resp. x
k+1
= x
k
1). Il faut compter
les chemins ne touchant pas la droite y = 1. Les cas defavorables sont donc en bijection, par
la reexion habituelle, avec les chemins reliant les points (0, 0) et (2n, 2). Il sagit de choisir n + 1
descentes parmi 2n, donc le cardinal est
_
2n
n+1
_
. Le nombre total de chemins est
_
2n
n
_
donc la probabilite
de succès est : 1
_
2n
n+1
_
/
_
2n
n
_
= 1/(n + 1).
Exercice 3 (1) Soit x > 0 tel que P(X
1
x) > 0. Par Borel-Cantelli non-trivial, il existe presque
s urement une innite de n tels que X
n
x, donc S
n
tend vers linni presque s urement.
Or, N
t
= + = sup
n
S
n
t donc N
t
est ni presque s urement. La mesurabilite est immediate
à partir de N
t
n = S
n
t.
(2) Si N
t
n, S
n
t donc S
n
s pour tout s t, donc N
s
n. Do` u la croissance. Si N
t
ne tend
pas vers linni, N
t
k pour un entier k donne et pour tout t. Donc S
k+1
> t pour tout t. Or, S
k+1
est ni presque s urement, donc levenement t 0, N
t
k est negligeable pour tout k.
(3) Si X
1
est integrable, la LGN indique que S
n
/n tend vers c = E(X
1
). Ainsi, c S
n
/n c +
pour n grand, ce qui signie que N
t
/t appartient à lintervalle [1/(c +), 1/(c )] pour t grand.
Si X
1
nest pas integrable, X
1
est positive donc S
n
/n tend vers linni et le meme raisonnement
montre que N
t
/t tend vers 0 presque s urement.
(4) Les quantites demandees ne dependent que de la partie entière de t. Soit t un entier. S
0
n
est une
variable binomiale donc
P(N
0
t
= n) = P(S
0
n
= t, X
0
n+1
= 1) =
_
n
t
_
(1 p)
t+1
p
nt
.
En particulier, la somme sur n t des membres de droite vaut 1. Il vient :
E(N
0
t
+ 1) = (t + 1)/(1 p), E((N
0
t
+ 1)(N
0
t
+ 2)) = (t + 1)(t + 2)/(1 p)
2
,
grace à la remarque ci-dessus et aux changements de variables suivants :
(n + 1)
_
n
t
_
= (t + 1)
_
n + 1
t + 1
_
, (n + 1)(n + 2)
_
n
t
_
= (t + 1)(t + 2)
_
n + 2
t + 2
_
.
(5) X
n
X
n
donc S
n
S
n
donc N
t
n = S
n
t S
n
t = N
t
n.
(6) N
correspond à un N
0
. Daprès (4), E((N
t
+1)(N
t
+2)) est borne par un multiple de (t+1)(t+2).
Daprès (5), E(N
2
t
) aussi donc E(N
2
t
)/t
2
est borne pour t grand.
Cas integrable : (N
t
/t)
t1
est bornee dans L
2
donc uniformement integrable donc converge dans
L
1
.
Cas non integrable : N
t
/t est majore par N
x
t
/t o` u N
x
est associe aux X
x
n
= inf(X
n
, x). Donc la
limite superieure de E(N
t
/t) est au plus 1/E(inf(X
1
, x)), qui tend vers 0 quand x tend vers linni.
Question de cours Dierents modes de convergence dune suite de variables aleatoires ont ete
introduits dans le cours.

Enoncer (ou representer par un dessin clair) les implications et les implications
partielles qui les relient.
Dans la suite de lenonce, on se donne un espace de probabilite (, T, P), sur lequel toutes les
variables aleatoires sont denies.
Problème Soit (X
n
)
n1
une suite de variables aleatoires independantes et de meme loi dordre 2,
de moyenne m et de variance
2
> 0. Pour n 1, on pose :
S
n
=
n
k=1
X
k
et Z
n
=
S
n
n
.
On xe un reel a > 0 et on denit une application : N
+ en posant :
() = minn 1 ; S
n
() a
si cet ensemble nest pas vide, et () = + sinon. On pose ensuite S
() = S
n
() si () = n et
S
() = 0 si () = +.
(1) Soit n 1. Montrer que les variables aleatoires X
n
et 1
{n}
sont independantes.
(2) Dans cette question, on suppose que est integrable.
(i) Montrer que est nie presque s urement.
(ii) Montrer legalite : S
=
+
n=1
X
n
1
{n}
presque s urement.
(iii) Montrer que : E([S
[) E([X
1
[) E() et E(S
) = mE().
(3) On suppose m > 0. Montrer que, presque s urement, Z
n
tend vers +.
Quel resultat obtient-on si m < 0 ?
Dans les questions (4) et (5), on suppose m = 0.
(4) (i) Montrer que Z = limsup Z
n
est presque s urement constante.
(ii) Deduire du theorème de la limite centrale que Z = + presque s urement.
(5) (i) Montrer en utilisant (4) (ii) que est ni presque s urement.
(ii) Montrer en utilisant (2) (iii) que E() = +.
Dans la question (6), on revient au cas general : m peut etre non nul.
(6) On etudie à present le temps de sortie de ] a, +a[, deni par :
() = minn 1 ; [S
n
()[ a
si cet ensemble nest pas vide, et () = + sinon. On va montrer que est integrable.
(i) Montrer que est ni presque s urement.
(ii) Pour n 1, montrer que : > n max[X
k
[ ; 1 k n < 2a.
(iii) En deduire que est integrable si P([X
1
[ 2a) > 0.
(iv) Modier largument de (ii) et (iii) pour montrer que est integrable dans tous les cas.
On a en fait montre un resultat plus fort : pour c > 0 susamment petit et dependant de la loi de X
1
,
exp(c) est integrable. Le temps de sortie bilatère est donc beaucoup plus petit en loi que le temps
de sortie unilatère .
Exercice 1 Soit x 0 un reel et X une variable aleatoire de loi exponentielle de paramètre 1 : on
suppose donc que P(X t) = e
t
pour tout t 0.
Calculer E(X[ min(X, x)) et E(X[ max(X, x)).
Exercice 2 On note ^(m,
2
) la loi gaussienne reelle de moyenne m et de variance
2
. Soit (X
n
)
n1
une suite de variables aleatoires reelles. On suppose que la loi de X
1
est ^(0, 1), et que, pour n 1,
la loi conditionnelle de X
n+1
sachant X
1
= x
1
, X
2
= x
2
, . . ., X
n
= x
n
, est ^(x
n
, 1).
(1) Determiner la loi de X
n
. On pourra utiliser des fonctions caracteristiques.
(2) Montrer que le vecteur (X
k
)
1kn
suit une loi ^(0, C), o` u C est la matrice nn de terme general
C
k,i
= min(k, i).
(3) En deduire que la variance de X
1
+ X
2
+ + X
n
est
n
k=1
k
2
. On rappelle que cette somme vaut
n(n + 1)(2n + 1)/6.
(4) Montrer que (X
1
+X
2
+ +X
n
)/n
3/2
converge en loi vers ^(0, 1/3).
(5) Soit (Y
n
)
n1
une suite de variables aleatoires independantes avec X
n
(P) = Y
n
(P). Montrer que
(Y
1
+Y
2
+ +Y
n
)/n
3/2
converge en loi et dans L
2
vers 0.
Exercice 3 Soit X et Y deux variables aleatoires independantes telles que X, Y et X + Y ont la
meme loi .
Determiner .
Exercice 4 Pour toute variable aleatoire X, on note : N(X) = E
_
[X[
1 +[X[
_
.
Montrer que N(X) existe toujours.
Soit X et (X
n
)
n1
des variables aleatoires. Montrer que X
n
converge vers X en probabilite si et
seulement si N(X
n
X) 0.
Exercice 5 On xe un entier n 1 et on note N
k
= [1, k] N. On se donne 100 variables aleatoires
(X
k
)
kN
100
à valeurs dans N
100
telles que :
la loi de X
1
est uniforme sur N
100
;
pour k N
99
, la loi conditionnelle de X
k+1
sachant X
1
, X
2
, . . ., X
k
est uniforme sur lensemble :
N
100
X
1
, X
2
, . . . , X
k
.
Calculer la loi de X
94
.
4.13 Supplement à lexamen de juin 1996
Problème 2 (Theorème de ChoquetDeny)
Soit une mesure de probabilite sur (R, B(R)). On rappelle que le support de est constitue des reels
x tels que (V ) > 0 pour tout voisinage V de x. Pour toute fonction f : R R mesurable bornee, on
note Tf la fonction :
Tf(x) =
_
f(x +y) d(y).
On dit que f est harmonique si f est mesurable, bornee, et si Tf = f.
Etant donnee une suite croissante ( = ((

n
)
n0
, une suite (M
n
)
n0
de variables aleatoires integra-
bles est une (martingale si et seulement si M
n
est (
n
mesurable et E(M
n+1
[(
n
) = M
n
pour tout
n 0.
Partie A
Soit (M
n
)
n0
une (martingale telle que sup
n
E(M
2
n
) est ni.
(1) Montrer que E(M
n+p
[(
n
) = M
n
pour n et p 0. Montrer que :
E((M
n+p
M
n
)
2
) = E(M
2
n+p
) E(M
2
n
).
(2) Montrer que la suite des E(M
2
n
) converge. En deduire quil existe une variable aleatoire M
L
2
()
telle que M
n
converge vers M
dans L
2
() et telle que E(M
) = E(M
0
).
[Et la suite ?]
Suite du problème du sujet
On suppose desormais que [X
1
[ 2a presque s urement.
(iii) Calculer : E(S
2
n+1
[ X
1
, X
2
, . . . , X
n
). On pourra exprimer le resultat comme une fonction de S
n
.
(iv) En deduire, pour n 0 : E(S
2
min(n,)
min(n, )
2
) = 0.
On pourra montrer que verie la propriete demontree au (1) pour , puis raisonner par recurrence
sur n 0.
(v) Montrer enn que : E() 9a
2
/
2
.
Toutes les variables aleatoires considerees sont denies sur lespace de probabilite (, T, P). Les
exercices sont independants les uns des autres et on peut resoudre une question en utilisant les resultats
des questions precedentes.
Exercice 1 On modelise la rupture dune chane moleculaire de longueur aleatoire X par le choix
dun nombre aleatoire Y de loi uniforme sur [0, 1] et independant de X. Les longueurs des troncons
issus de la rupture sont alors X
1
= Y X et X
2
= (1 Y )X.
+
1
, X
2
) ?
2
xe
ax
1
x0
avec a > 0, que peut-on dire du couple
(X
1
, X
2
) ? Ce phenomène peut-il se produire pour dautres lois de X ?
(c) Soit X
0
1
et X
2
. Calculer lesperance de X
0
en fonction de
celle de X.
(d) On itère le procede. On introduit donc une suite (Y
n
)
n
de v.a.i.i.d. de loi uniforme sur [0, 1],
independantes de X, puis on pose L
0
= X et L
n+1
= Y
n+1
L
n
. Calculer E(Y
n
).
(e) On note Z
n
= log Y
n
. Montrer que (Z
n
)
n1
est une suite de v.a.i.i.d. de loi L
4
que lon
precisera. En deduire un equivalent presque s ur de Z
1
+ +Z
n
, puis que,, presque s urement, L
n
(
2
5
)
n
pour n assez grand.
(f) Les resultats de (d) et (e) sont-ils compatibles ?
Exercice 2 Montrer que pour toute suite (X
n
)
n
de variables aleatoires reelles, il existe une suite de
reels a
n
> 0 telle que (a
n
X
n
)
n
Exercice 3 Pour toute variable aleatoire X, on note : N(X) = E
_
[X[
1 +[X[
_
.
(a) Montrer que N(X) existe toujours.
(b) Soit X et (X
n
)
n1
n
converge vers X en probabilite si et
seulement si N(X
n
X) 0.
Exercice 4 On veut simuler une variable aleatoire dont la loi admet pour densite la fonction f à
partir dune innite de variables aleatoires dont la loi admet pour densite la fonction g, dans le cas o` u
il existe c 0 tel que f c g. Une situation typique o` u cette procedure est appliquee est celle o` u la
fonction f est plus compliquee que la fonction g.
(a) Montrer que : c 1.
On denit deux suites independantes de variables aleatoires (U
n
)
n1
et (Y
n
)
n1
veriant les proprietes
suivantes. Les variables aleatoires U
n
sont independantes et de meme loi uniforme sur [0, 1]. Les va-
riables aleatoires Y
n
sont independantes et leur loi admet pour densite la fonction g. On pose alors :
T = infn 1 ; f(Y
n
) > c U
n
g(Y
n
)
si cet ensemble nest pas vide, et T = + sinon.
(b) Montrer que T est presque s urement ni et que T est une variable aleatoire.
(c) On pose X() = Y
T()
() si T() est ni et X() = 0 sinon. Montrer que X est une variable
aleatoire et que sa loi admet pour densite la fonction f.
(d) Calculer la moyenne de T.
Exercice 5 Soit X et Y deux variables aleatoires independantes de lois respectives donnees par :
X(P) =
1
3
(
0
+
1
+
2
) et Y (P)(dx) = 1
[0,1]
(x) dx.
Donner la loi de X +Y .
Exercice 6 Soit (X
n
)
n
une suite de variable aleatoire independante egale à
1
2
(
0
+
1
). La suite des
X
n
peut modeliser les resultats dun jeu de pile ou face. Au temps n, on note T(n) la longueur de
lintervalle de temps pendant lequel on vient de tirer des 1. Ainsi, on pose :
T(n) = maxk [1, n] ; l [n k + 1, n], X
l
= 1
si cet ensemble nest pas vide, et T(n) = 0 sinon.
(a) Montrer que T(n) est une variable aleatoire et donner sa loi.
(b) Montrer que liminf T(n) = 0 presque s urement.
(c) Montrer que limsup T(n)/ log n = 1 presque s urement, o` u log designe le logarithme de base 2. On
pourra introduire les evenements :
A
n
= T(nlog n) log n 5, B
n
= T(nlog n) c log n.
Exercice 7 Soit (X
n
)
n
une suite de variables aleatoires positives et integrables. Pour n 1, on
pose :
M
n
= maxX
k
; 1 k n.
(a) Montrer que M
n
est une variable aleatoire integrable.
(b) Dans cette question, on suppose que les variables aleatoires (X
n
)
n
sont i.i.d. Montrer que M
n
/n
tend presque s urement vers zero. (On pourra commencer par montrer que X
n
/n tend presque s urement
vers zero.)
(c) Dans cette question, on suppose que les variables aleatoires (X
n
)
n
sont uniformement integrables.
Montrer que E[M
n
]/n tend vers zero.
Exercice supplementaire
Soit (X
n
)
n
une suite de variable aleatoire independante uniforme sur le disque unite D = (x, y)
R
2
; x
2
+y
2
1 de R
2
. On note :
Z
n
= min|X
k
| ; 1 k n.
(a) Montrer que Z
n
est une variable aleatoire. Donner sa loi. Calculer son esperance.
(b) Montrer que limsup Z
n
_
n/ log n 1 presque s urement. On pourra introduire une constante c > 1
et les ensembles
A
n
= Z
2
n
c log n/n.
Les exercices sont independants les uns des autres. Dans le problème, les parties B et C sont
independantes entre elles. La plus grande attention sera portee à la redaction des copies.
PROBLEME Soit (X
n
)
n1
une suite de variables aleatoires independantes. On suppose que les X
n
sont positives et que P[X
1
> 0] > 0. Soit S
0
= 0. Pour n 1 entier et t 0 reel, on pose :
S
n
=
n
k=1
X
k
, N
t
= supn N, S
n
t.
Le processus (N
t
)
t0
est le processus de comptage associe à la suite (X
n
)
n
.
Partie A
(a) Pour t xe, montrer legalite : N
t
= n = S
n
t < S
n+1
.
Montrer que N
t
est presque s urement ni et que N
t
(b) Montrer que lapplication t N
t
est croissante et que N
t
tend presque s urement vers linni
quand t tend vers linni.
Partie B
(c) On suppose que X
1
est integrable. Montrer que N
t
/t tend presque s urement vers 1/E[X
1
] quand
t tend vers linni. Que se passe-t-il si X
1
(d) Dans le reste de cette partie, on etudie la convergence de N
t
1
.
Soit (X
0
n
)
n1
une suite de variable aleatoire independante de Bernoulli p
0
+ (1 p)
1
avec p (0, 1]
et soit (N
0
t
)
t
le processus de comptage associe.
Pour t xe, donner la loi de N
0
t
. Calculer lesperance des variables aleatoires N
0
t
+ 1 et (N
0
t
+
1)(N
0
t
+ 2).
(e) Soit a > 0 tel que P[X
1
a] = p > 0. Pourquoi a existe-t-il ?
On pose X
n
= a 1
{X
n
a}
et on note (N
t
)
t
le processus de comptage associe. Montrer que N
t
N
t
.
(f) En deduire que E[N
2
t
]/t
2
est borne. Si X
1
est integrable, montrer que E[N
t
]/t tend vers 1/E[X
1
].
Si X
1
nest pas integrable, montrer que E[N
t
]/t tend vers 0.
Partie C
(g) Theorème de Wald. Soit (Y
n
)
n1
une suite de variables aleatoires independantes integrable
et soit N une variable aleatoire integrable à valeurs dans N
. On suppose que, pour tout n 1,

N n appartient à la tribu engendree par (Y
k
)
kn
et on pose :
T
N
() =
n=N()
n=1
Y
n
().
Montrer que T
N
est une variable aleatoire et que E[T
N
] = E[Y
1
] E[N].
(h) Montrer que N = N
t
+ 1 verie les hypothèses du theorème de Wald. Donc E[S
N
t
+1
] =
E[X
1
] E[N
t
+ 1].
(i) On reprend les notations de (d). A-t-on E[X
0
N
t
+1
] = E[X
0
1
] ?
Remarque Le phenomène du (i) est general. Si la loi des X
n
est exponentielle de paramètre a, on peut
montrer que X
N
t
+1
suit asymptotiquement, quand n est grand, la loi de la somme de deux variable
aleatoire independante exponentielle de paramètre a. En particulier, E[X
N
t
+1
] tend vers 2/a et non
pas vers E[X
1
] = 1/a (on parle souvent de paradoxe de lautobus).
EXERCICE 1 La loi du couple (X, Y ) est la mesure de densite e
y
1
D
(x, y) par rapport à la mesure
de Lebesgue sur R
2
avec D = (x, y) R
2
; 0 x y.
(a) Donner la loi de X et la loi de Y .
(b) Donner la loi conditionnelle de X sachant Y , et celle de Y sachant X.
(c) Le couple (X, Y ) est-il forme de variables aleatoires independantes ? Repondre à la meme
question pour le couple (X, Y X), puis pour le couple (Y, X/Y ).
EXERCICE 2 Si X et Y sont deux variables aleatoires reelles, on dit que X est inferieure à Y
en loi et on note X Y si et seulement si E[f(X)] E[f(Y )] pour toute fonction reelle croissante
positive et bornee.
(a) Montrer que X Y si et seulement si la fonction de repartition F de X et la fonction de repartition
G de Y verient G F.
On dit que X et Y sont egales en loi et on note X Y si X Y et Y X.
(b) Montrer que X Y si et seulement si on peut trouver deux variables aleatoires X
et Y
telles
que X X
, Y Y
et X
presque s urement.
(c) On suppose que X Y presque s urement et X Y . Montrer que X = Y presque s urement.
Indication : X < Y est la reunion des X < q < Y sur tous les rationnels q.
EXERCICE 3 On denit une suite de variables aleatoires (X
n
)
n
comme suit : la loi de X
1
est
uniforme sur [0, 1] et, sachant (X
k
)
kn
, la loi de X
n+1
est uniforme sur [X
n
, 1].
Donner la loi de X
n
. Calculer directement E[X
n
].
EXERCICE 4
`
A lorigine des temps, un nombre p [0, 1] a ete choisi au hasard. Depuis, le soleil
se lève chaque jour avec la probabilite p, et les jours precedents ninuent pas sur le lever du soleil du
jour present. Laplace a pose la question suivante : sachant que depuis lorigine des temps le soleil sest
leve N fois, quelle est la probabilite p
N
pour quil se lève demain ?
Repondre à la question de Laplace si p est de loi uniforme sur [0, 1].
EXERCICE 5 (a) Soit (X
n
)
n1
une suite de variables aleatoires independantes. On note S
n
=
n
k=1
X
k
. Montrer que si S
n
/n converge en probabilite vers une variable aleatoire S, celle-ci est presque
s urement constante.
(b) On suppose desormais que la loi de X
1
est une loi de Cauchy de densite (a/)/(a
2
+ x
2
) par
rapport à la mesure de Lebesgue. Montrer que la loi de S
n
/n est absolument continue par rapport à
la mesure de Lebesgue. Calculer la transformee de Fourier de la densite de la loi de X
1
. En deduire la
loi de S
n
/n.
(c) Montrer que S
n
/n ne converge pas en probabilite.
4.16 Session de septembre 1997
Les exercices sont independants les uns des autres. La plus grande attention sera apportee à la
redaction des copies.
On se donne un espace de probabilite (, T, P) et une suite de variables aleatoires (X
n
)
n1
. On
note S
n
la somme des X
k
, cest-à-dire :
S
n
=
n
k=1
X
k
.
EXERCICE 1 On suppose que les X
n
sont des variables aleatoires independantes et que la loi de
X
n
est
1
2
(
4
n +
4
n).
(a) Montrer que la suite S
n
converge presque s urement vers une limite S.
(b) La limite S est-elle presque s urement constante ? Ceci contredit-il la loi du zero-un de Kolmo-
gorov ?
(c) Quelles sont les variables aleatoires X
n
qui sont mesurables par rapport à la tribu engendree
par S ?
n
sont des variables aleatoires independantes et que la loi de
X
n
est (1 n
3
)
1
+n
3
n
3
+1
.
(a) Montrer que X
n
est integrable et calculer E[X
n
].
(b) Montrer que la suite S
n
/n admet une limite presque s ure et la calculer.
n
sont des variables aleatoires de carre integrable, centrees et
non correlees. Pour tout n ,= m, on a donc : E[X
n
X
m
] = 0. On suppose de plus que c = sup
n1
E[X
2
n
]
est ni et on note
M
n
= max
_
[S
k
S
n
2[ ; n
2
k (n + 1)
2
_
.
On considère un reel > 3/4 et on veut etudier la suite S
n
/n
.
(a) Montrer que M
n
est une variable aleatoire de carre integrable.
(b) Montrer que la suite S
n
2/n
2
(c) Montrer que la suite M
n
/n
2
(d) En deduire que la suite S
n
/n

EXERCICE 4 Soit ( une sous-tribu de T et G (. Montrer que tout A T verie :
P[G[A] =
_
G
P[A[(] dP
__
P[A[(] dP.
Donner un contrexemple quand G T (.
EXERCICE 5 Soit (X, Y ) une variable aleatoire de loi uniforme sur le disque D de centre (0, 0) et
de rayon 1.
(a) Donner la densite de la loi de (X, Y ) par rapport à la mesure de Lebesgue.
(b) Donner la loi conditionnelle de X sachant Y .
n
sont des variables aleatoires independantes de meme loi
1
3
(
0
+
1
+
2
). On xe n 1 et, pour i 0, 1, 2, on note :
T
i
=
n
k=1
1
{X
k
=i}
.
(a) Pour k [1, n], quelle est la loi conditionnelle de X
k
sachant (T
0
, T
1
) ?
(b) Pour k [1, n], quelle est la loi conditionnelle de X
k
sachant T
0
+T
1
?
Question de cours Donner deux enonces signicativement dierents de lois des grands nombres.
Les exercices sont independants les uns des autres. Toutes les variables aleatoires introduites sont
denies sur un meme espace de probabilite (, T, P).
Exercice 1 Un insecte pond des ufs. Le nombre X dufs pondus suit une loi de Poisson de
moyenne . Chaque uf eclot (ou neclot pas) independamment de tous les autres et la probabilite p
declosion dun uf est la meme pour chaque uf. Quelle est la loi du nombre dufs eclos ?
Exercice 2 Soit (X
n
)
n1
une suite de variables aleatoires independantes de lois
X
n
(P) = (1/2n)
1
+ (1 1/n)
0
+ (1/2n)
+1
et soit S
n
la somme des n premiers X
k
.
(1) Calculer lesperance et la variance de X
n
.
(2) Montrer que la suite S
n
/ log(n) tend vers zero. En quels sens cette convergence a-t-elle lieu ?
(2) Pour n 1, on note Y
n
= X
2n1
X
2n
. Donner la loi de Y
n
.
(3) Soit T
n
=
n
k=1
3
k
Y
k
. Montrer que T
n
converge presque s urement vers une limite nie T.
(4) Montrer que la suite E[[T
n
[] nest pas bornee.
Exercice 3 Soit (X
n
)
n1
une suite de variables aleatoires independantes de meme loi uniforme sur
le disque unite de R
2
. On note R
n
= |X
n
| et
n
= arg(X
n
).
(1) Donner la loi du couple (R
n
,
n
).
(2) On pose Y
n
= infR
k
; 1 k n. Donner la loi de Y
n
. Quelle est la limite de Y
n
? En quels sens
la convergence a-t-elle lieu ?
(3) Montrer que presque s urement,
limsup
n
Z
n
= +1, o` u Z
n
=
_
n
log(n)
Y
n
.
(4) Que vaut liminf
n
Z
n
?
Exercice 4 Trois personnes A, B et C arrivent en meme temps à la poste pour telephoner. Il ny a
que deux cabines telephoniques que A et B occupent immediatement. C attend à linterieur du bureau
de Poste et il remplace la première personne qui sort dune cabine. Chacun quitte la poste aussitot
après avoir telephone. On note X, Y et Z les durees respectives des coups de telephones de A, B et C.
On suppose que X, Y et Z sont trois variables aleatoires independantes de meme loi exponentielle et
de moyenne a > 0.
(1) Calculer la variance de X.
On pose U = maxX, Y et V = minX, Y et on considère levenement
D = C sort le dernier de la poste.
(2) Exprimer le temps total T passe par C à linterieur du bureau de poste, en fonction de V et Z.
En deduire une expression de D en fonction des variables aleatoires X, Y et Z.
(3) Calculer la loi de [X Y [.
(4) En deduire la valeur de P(D).
(5) Calculer la loi du couple (U, V ).
(6) Calculer lesperance de T, puis sa loi. Que remarque-t-on ?
4.18 Corrige de lexamen partiel de mars 1998
Question de cours LGN avec convergence presque s ure et L
1
pour des v.a.i.i.d. L
1
,
LGN avec convergence presque s ure et L
2
pour des v.a.i. L
2
quand une serie formee de variances
converge,
LGN L
4
pour des v.a.i. bornees dans L
4
.
Exercice 1 Le nombre N dufs eclos conditionne par X = n suit une loi binomiale B(n, p). Loi
de N = T(p).
Exercice 2 (1) E[X
n
] = 0, var(X
n
) = 1/2n.
(2) LGN On utilise la L
2
: la somme des variances des X
n
/ log(n) converge donc la somme des
(X
n
E[X
n
])/ log(n) = X
n
/ log(n) converge presque s urement et dans L
2
vers zero. Par Kronecker et
comme log(n) tend vers linni, S
n
/ log(n) tend vers zero, presque s urement et dans L
2
.
(2) Masses 1/(4n(2n 1)) en +1 et en 1, le reste en 0.
(3) Par BorelCantelli facile, un nombre ni de Y
k
nest pas nul.
(4) Pour n 1, [T
n1
[ 3
n
/2 et E[[Y
n
[] 1 donc E[[T
n
[] 3
n
E[[Y
n
[] 3
n
/2 est au moins equivalent
à 3
n
/2.
Exercice 3 (1) Loi 2r1
[0,1]
(r)dr 1
[0,2]
()d/(2), donc independance.
(2) Y
n
y =
kn
R
k
y donc la loi est
2ny(1 y
2
)
n1
1
[0,1]
(y)dy.
Si Y
n
ne tend pas vers zero, tous les R
k
sont superieurs à > 0. Par Borel-Cantelli facile, limsupR
k
<
est de probabilite 1 donc Y
n
tend presque s urement vers zero. Tous les Y
n
sont bornes par 1 donc
convergence dans tous les L
p
, p ]0, +[.
(3) P[Z
n
a] = (1 a
2
log(n)/n)
n
n
a
2
est sommable pour tout a > 1 donc Borel-Cantelli facile
implique limsup Z
n
Erreur denonce : on nobtient pas linegalite limsup Z
n
(4) Pour tout a > 0, P[R
2
n
a log(n)/n] = a log(n)/n est une serie divergente donc Borel-Cantelli
dicile entrane que R
2
n
a log(n)/n une innite de fois. Donc liminf Z
n

a presque s urement,
donc liminf Z
n
Exercice 4 (1) E[X] = a, E[X
2
] = 2a
2
donc var(X) = a
2
.
(2) T = V +Z, D = T > U = [X Y [ < Z.
(3) Loi exponentielle de moyenne a.
(4) P(D) =
1
2
.
(5) Loi 2a
2
e
a(u+v)
1
0vu
dudv.
(6) Loi 2a(e
at
e
2at
)1
t0
dt. Donc E[T] = 3/(2a) = E[U]. Donc C attend en moyenne autant, mais
pas plus, que lun des deux premiers clients servis.
4.19 Examen nal de mai 1998
Question de cours Donner une denition de la convergence en loi dune suite de variables aleatoires
reelles.
Les exercices sont independants les uns des autres. Toutes les variables aleatoires introduites sont
denies sur un meme espace de probabilite (, T, P).
Exercice 1 Soit (
n
)
n
une suite de variables aleatoires independantes de loi
1
2
0
+
1
2
1
et soit X
1
une variable aleatoire independante des
n
, de loi f(x)1
[0,1]
(x) dx.
Pour n 1, on pose : X
n+1
=
1
2
(X
n
+
n
).
(1) Pour n 1, montrer que la loi de X
n+1
est absolument continue par rapport à la mesure de
Lebesgue. Exprimer sa densite f
n+1
en fonction de la densite f
n
de la loi de X
n
.
(2) Montrer que X
n
converge en loi vers la loi uniforme sur [0, 1[.
(3) On choisit f(x) = 2 1
[0,1/2[
(x). Exprimer f
n
(x) en fonction du developpement dyadique x =
0, x
1
x
2
. . . x
n
. . ., x
n
0, 1, de x. En deduire que f
n
ne converge pas presque partout vers 1
[0,1[
. Ce
resultat est-il en contradiction avec la question (2) ?
Exercice 2 Soit (X
n
)
n
une suite de variables aleatoires independantes. Montrer que X
1
est integrable
si et seulement si p = 0, avec :
p = P[[X
n
[ n une innite de fois].
Que vaut p quand X
1
Exercice 3 Soit (X
n
)
n
une suite de variables aleatoires reelles qui convergent en loi vers Y . La suite
(X
n
+ 6)
n
converge-t-elle en loi vers Y + 6 ?
Exercice 4 Soit (X
n
)
n
une suite de variables aleatoires independantes de meme loi centree, de carre
integrable, et telle que P[X
1
= 0] = 0. On note :
S
n
=
n
k=1
X
k
, T
n
=
n
k=1
X
2
k
.
(1) Montrer que T
n
> 0 presque s urement et que T
n
tend vers linni presque s urement.
(2)

Etudier la convergence en loi de R
n
= S
n
/
T
n
.
(3) La suite (R
n
)
n
converge-t-elle presque s urement ? Et en probabilite ?
Exercice 5 Soit (U
k
)
k1
une suite de variables aleatoires independantes de meme loi uniforme sur
[0, 1]. Pour n 1, on note :
M
n
= minU
k
; 1 k n.
(1) Montrer que M
n
converge presque s urement et dans L
1
. Donner la valeur de la limite.
(2) Calculer la loi de M
n
.
(3) Soit N une variable aleatoire independante des U
n
et de loi de Poisson de paramètre a > 0. On
pose :
Y () = M
N()+1
().
Montrer que Y est une variable aleatoire et calculer sa loi.
(4) Calculer m(n) = E[M
n
], = E[N + 1] et y = E[Y ]. Comparer m() et y.
Exercice 6 (Knuth, D., The Art of Programming, Volume 2) Soit n 1 un entier et
(U
k
)
1kn
des variables aleatoires independantes de meme loi uniforme sur [0, 1].
On note X
n+1
= 1 et on denit (X
k
)
1kn
par la formule de recurrence descendante :
X
k
= U
1/k
k
X
k+1
.
Montrer que la loi du vecteur (X
k
)
1kn
concide avec celle de lechantillon (U
k
)
1kn
reordonne de
facon croissante, cest-à-dire avec la loi du vecteur (U
k
)
1kn
dont les coordonnees enumèrent les
valeurs prises par les coordonnees du vecteur (U
k
)
1kn
et tel que :
U
1
< U
2
< . . . < U
n
presque s urement.
4.20 Devoir à la maison de mars 1999
Soit 0 et (X
k
)
k
une suite de v.a.i.i.d. de loi normale centree reduite. On rappelle que la loi des
X
n
admet la densite x (2)
1/2
exp(x
2
/2) par rapport à la mesure de Lebesgue. Pour n 1, on
appelle respectivement fonction de partition et energie libre du modèle denergie aleatoire de volume
2
n
à temperature 1/, les quantites
Z
n
() =
2
n
k=1
exp(
nX
k
) et f
n
() = n
1
log Z
n
().
On note f
() et f
+
() les limites superieure et inferieure de f
n
() quand n tend vers linni. Quand
f
() = f
+
(), on appelle energie libre en volume inni la valeur commune f(). Le but du problème
est detudier f() et de montrer que son comportement est dierent selon que
c
ou
c
pour
c
=

log 4.
(1) Montrer que Z
n
() et f
n
() sont des variables aleatoires.
(2) Calculer E[exp(tX
1
)] pour tout nombre reel t.
(3) Calculer E[Z
n
()].
(4) [Majoration de f
+
() pour tout 0]
On rappelle que
c
=

log 4. Soit t >
1
2
(
2
+
2
c
). Majorer P[Z
n
() exp(nt)] par le terme general
dune serie convergente. En deduire, pour tout 0, f
+
()
1
2
(
2
+
2
c
) presque s urement.
(5) Montrer que, pour t 0,
(2)
1/2
t(1 +t
2
)
1
exp(t
2
/2) P[X
1
t] (2)
1/2
t
1
exp(t
2
/2).
En deduire, pour tous 0 < t < s, que P[X
1
t
n] exp(ns
2
/2) tend vers linni quand n tend vers
linni.
(6) [Minoration de f
() pour tout 0]
Pour > 0, on note
N
n
() = Cardk 2
n
; X
k

n.
Quand <
c
, evaluer P[N
n
() = 0] en utilisant la question (5). En deduire quil existe un rang
aleatoire n
0
à partir duquel N
n
() nest pas nul.
Montrer que, pour tout 0, f
()
c
presque s urement.
En deduire que f(
c
) existe et donner sa valeur.
(7) Soit p ]
1
2
, 1[, q [0, 2p[ et B
n
une v.a. de loi binomiale B(2
n
, p
n
), cest-à-dire la somme de 2
n
v.a.i.i.d. de Bernoulli de loi p
n
1
+ (1 p
n
)
0
. Si t 0, montrer que
P[B
n
q
n
] exp(tq
n
) E[exp(tB
n
)].
Evaluer E[exp(tB
n
)] et en deduire que la serie de terme general P[B
n
q
n
] converge.
(8) [Minoration de f
() pour <
c
]
Decrire la loi de N
n
() pour 0. On suppose maintenant que <
c
et on xe ]0, 1[. Utiliser
la question (7) pour montrer quà partir dun certain rang,
N
n
() (1 )
n
2
n
exp(n
2
/2).
Toujours pour <
c
, en deduire une minoration asymptotique et presque s ure de Z
n
(), puis que
f() existe presque s urement et vaut presque s urement f() =
1
2
(
2
+
2
c
).
(9) [Majoration de f
+
() pour >
c
]
Soit >
c
xe et ]
c
, [. Utiliser la question (5) pour montrer que la somme des P[N
n
() 1]
converge. En deduire que, pour n n
1
aleatoire, X
k

n pour tout k 2
n
.
Soit Q = (q
i
)
0iI
une partition de [0, 1] et q
1
= q
1
/2. Pour tout i [1, I], soit N
i,n
le nombre
dindices k 2
n
tels que X
k
]q
i1
n, q
i
n[. Montrer que

P[X
1
]q
i1
n, q
i
n[] (q
i
q
i1
)
nexp(n
2
q
2
i1
/2).
Utiliser linegalite de Markov pour en deduire que P[N
i,n
2
n
exp(n
2
q
2
i2
/2)] est majore par
exp(n
2
q
2
i2
/2 n
2
q
2
i1
/2 +o(n)).
En deduire que la serie de terme general
P[i [1, I] ; N
i,n
2
n
exp(n
2
q
2
i2
/2)]
est sommable. Montrer quil existe n
Q
n
1
aleatoire tel que, pour n n
Q
,
Z
n
() 2
n
+
I
i=1
N
i,n
exp(nq
i
)
2
n
+c(Q) exp(n max
i[1,I]
q
i

2
q
2
i2
/2 + log 2).
Faire tendre le pas de Q vers zero pour obtenir
f
+
() sup
0q1
q
2
q
2
/2 + log 2.
En deduire que f
+
()
2
/2 + log 2 presque s urement pour tout ]
c
, [, et enn que f()
existe presque s urement et vaut presque s urement f
(
) =
c
.
(10) Conclusion : f() existe pour tout 0 ; sa valeur est f() =
1
2
(
2
+
2
c
) si
c
et
f() =
c
si
c
. Le paramètre
c
=

log 4 est une transition de phase.
Questions de cours
Donner lenonce de la loi du zero-un.
Quest-ce quune famille uniformement integrable ?

Enoncer un theorème faisant intervenir cette
notion.
Exercice 1 Soit (X
n
)
n
une suite de v.a.i.i.d. de lois normales centrees de paramètre
2
> 0. On
rappelle que la loi de X
n
admet une densite de la forme x (2
2
)
1/2
exp(x
2
/2
2
) par rapport à
la mesure de Lebesgue.
(1) Calculer la variance de X
1
.
(2) Calculer la limite superieure et la limite inferieure de X
n
. Meme question pour [X
n
[.
(3) Montrer que limsup X
n
/
2 log n = presque s urement. Que vaut liminf X

n
/
2 log n?
Exercice 2 Soit (X
n
)
n
une suite de v.a.i.i.d. de loi uniforme sur lintervalle [0, 1]. Soit A [0, 1] un
borelien de mesure a. Pour n 1, on note
n
(A) = Cardk [1, n] ; X
k
A.
(1) Montrer que
n
(A) est une variable aleatoire. Donner sa loi.
(2) Soit B [0, 1] un borelien de mesure b. On suppose que A et B sont disjoints. Les variables
aleatoires
n
(A) et
n
(B) sont-elles independantes ?
(3) Soit T une variable aleatoire de loi de Poisson de paramètre > 0, independante de la suite
(X
n
)
n
. On note (A) = 0 si T = 0 et (A) =
n
(A) si T = n avec n 1, et de meme pour B.
Montrer que (A) et (B) sont des variables aleatoires.
(4) Donner la loi de (A), puis la loi de ((A), (B)). Que remarque-t-on ?
Exercice 3 Soit X et (X
n
)
n
n
converge en probabilite vers X
si et seulement si, de toute suite extraite (X
(n)
)
n
, on peut extraire une suite (X
((n))
)
n
qui converge
presque s urement vers X.
Exercice 4 Si X est une variable aleatoire, on pose N(X) = E[[X[/(1 +[X[)].
(1) Montrer que N(X) existe toujours.
(2) Montrer que X
n
converge en probabilite vers X si et seulement si N(X
n
X) 0.
Exercice 5 Soit (X, Y ) un couple de variables aleatoires de loi c e
y
1
0xy
dxdy.
(1) Calculer c.
(2) Donner la loi de X et la loi de Y .
(3) Parmi les couples suivants, indiquer lesquels sont formes de v.a. independantes : (X, Y ), (X +
Y, 0), (X, Y X), (X, Y/X).
Les exercices sont independants les uns des autres. Lexamen pourra etre note sur plus de 20 points.
Cependant, la plus grande attention sera portee à la redaction des copies.
Questions de cours
Donner une denition de la convergence en loi dune suite de variables aleatoires reelles.
Enoncer une condition portant sur les fonctions caracteristiques associees qui entrane la conver-
gence en loi.
Dans les trois premiers exercices ci-dessous, on se donne une suite (X
n
)
n
de v.a.i.i.d. On note
S
0
= 0 et S
n
= X
1
+ +X
n
pour n 1.
Exercice 1 On suppose que X
1
est integrable et E(X
1
) ,= 0. Montrer que
Y
n
= max
1kn
[X
k
[/[S
n
[
converge vers 0 presque s urement. On pourra commencer par montrer que Y
n
est presque s urement
bien denie à partir dun certain rang.
1
est centree, de carre integrable et de variance
2
> 0. Montrer que
limsup [S
n
[/
n = + et liminf [S
n
[/
n = 0 presque s urement.
1
est centree, de carre integrable et de variance
2
> 0. Soit (T(k))
k
des variables aleatoires entières, independantes de la suite (X
n
)
n
, et telles que :
n 0, P(T(k) n) 1.
Montrer que S
T(k)
/
_
T(k) converge en loi vers une loi gaussienne centree et de variance
2
.
Exercice 4 (Loi des petits nombres) Pour tout n 1, soit X
n
une variable aleatoire de loi
binomiale B(n, /n) avec > 0.
1) Rappeler une construction simple de X
n
à laide de variables aleatoires de lois de Bernoulli sur
0, 1 bien choisies. En deduire lesperance et la variance de X
n
.
2) Montrer que X
n
converge en loi vers une variable aleatoire Y de loi de Poisson de paramètre .
Exercice 5 Si X et Y sont deux variables aleatoires, on denit leur distance en variation (X, Y )
par
(X, Y ) = sup [E(u(X)) E(u(Y ))[
o` u u parcourt lensemble C
b,1
des fonctions continues bornees telles que [u[ 1.
1) Montrer que denit une distance sur lensemble /
+
1
des lois de variables aleatoires. Quel est
le diamètre de (/
+
1
, ) ?
2) Si X et Y sont des variables aleatoires de lois discrètes
n
p
n
x
n
et
n
q
n
x
n
avec x
n
,= x
m
pour n ,= m, montrer que
(X, Y ) =
n
[p
n
q
n
[.
On pourra commencer par le cas o` u x
n
n
est ni.
3) Si X et Y sont des variables aleatoires de lois absolument continues par rapport à la mesure de
Lebesgue et de densites f et g, montrer que
(X, Y ) =
_
[f(x) g(x)[ dx.
On pourra commencer par le cas o` u f et g sont continues.
4) Calculer (X, 0) quand X est une variable aleatoire constante egale à x, puis quand X est
une variable aleatoire gaussienne centree de variance
2
, puis quand X est une variable aleatoire
quelconque.
5) Montrer que si (X
n
, Y ) tend vers zero, alors X
n
converge en loi vers Y .
6) Utiliser la question 4) pour exhiber un contrexemple de la reciproque du resultat de la question
5) o` u les lois des X
n
sont discrètes, puis un contrexemple o` u les lois des X
n
sont continues.
7) Soit X, X
, Y et Y
des variables aleatoires. On suppose que X et X
sont independantes, ainsi

que Y et Y
. Montrer que
(X +X
, Y +Y
) (X, Y ) +(X
, Y
).
8) Si X suit une loi de Bernoulli b(p) = p
1
+(1p)
0
et si Y suit une loi de Poisson de paramètre
p et de meme esperance que X, montrer que (X, Y ) 2p
2
.
On pourra demontrer puis utiliser le fait que e
x
1 x pour tout x reel.
9) Soit X la somme de n variable aleatoire independante de lois de Bernoulli b(p
k
) et soit Y une
variable aleatoire de loi de Poisson de paramètre = p
1
+ +p
n
. Montrer que
(X, Y ) 2(p
2
1
+p
2
2
+ +p
2
n
).
10) En deduire une majoration de (X
n
, Y ) pour les variables aleatoires X
n
de lexercice (( Loi des
petits nombres )) et leur limite en loi Y et retrouver ainsi le resultat de la question 2) de cet exercice.
11)

Enoncer une generalisation de la question 2) de lexercice (( Loi des petits nombres )) utilisant
la question 9).
Exercice non pose (Fractals aleatoires) Soit ((X
n
, V
n
))
n
une suite de vecteurs aleatoires inde-
pendants de meme loi à valeurs dans R R
d
, veriant lhypothèse (ii) ci-dessous :
log [X
1
[ et log(1 +|V
1
|) sont integrables ; E(log [X
1
[) = a < 0. (ii)
1) On note Y
0
= 1 et Y
n
= X
1
X
2
X
n
pour n 1. Montrer que limsup [Y
n
[
1/n
< 1 presque
s urement.
2) Montrer que limsup |V
n
|
1/n
3) En deduire que la serie
n
[Y
n
[ |V
n+1
| converge presque s urement. On note S la somme
S =
+
n=0
Y
n
V
n+1
.
4) Soit (X, V ) un vecteur aleatoire de meme loi que (X
1
, V
1
) et independant de S. Montrer que S
et V +XS ont la meme loi, notee m
0
. En deduire que la transformee de Fourier
0
de m
0
verie :
t R
d
,
0
(t) = E(
0
(Xt) exp(iV, t))). (iii)
5) Reciproquement, soit m une loi de probabilite sur R
d
dont la transformee de Fourier verie
(iii). Montrer que m = m
0
.
On pourra iterer lequation (iii) et utiliser un theorème de convergence dominee.
6) Soit (Z
n
)
n
une suite de v.a.i.i.d. sur N donnee par (p(k))
k0
avec p(k) = P(Z
1
= k). On suppose
que p(k) < 1 et on note q(k) = P(X
1
< k) pour tout k 0. Montrer que la variable aleatoire
+
n=0
p(Z
1
) p(Z
n
) q(Z
n+1
)
est uniformement repartie sur [0, 1].
7) On suppose que la loi de (X
1
, V
1
) est p
(1/3,0)
+ (1 p)
(1/3,2/3)
avec p ]0, 1[. Expliciter le
support de m
0
. Montrer que les mesures obtenues our deux valeurs distinctes de p sont etrangères
lune à lautre.
8) On se restreint au cas o` u X est une constante X = r ]0, 1[ et V prend un nombre ni de
valeurs v
k
1kK
avec |v
k
v
j
| > r pour k ,= j. Montrer que le support M de m
0
est fractal au sens
suivant : il existe K fermes M
k
translates de M tels que M est la reunion disjointe des rM
k
.
4.23 Examen partiel de mars 2000 (extrait)
Exercice 3 Soit X et Y des v.a.i.i.d., dont la loi ne charge pas 0. On note R =

X
2
+Y
2
,
Z = X/Y et U = (X/R, Y/R).
(1) Si est la loi uniforme sur [0, 1], donner la loi de Z.
(2) Si (X, Y ) est de loi gaussienne de densite (2)
1
e
1
2
(x
2
+y
2
)
, montrer que X et Y sont i.i.d.,
puis donner la loi de (R, Z). Que remarque-t-on ?
(3) Si est une loi de densite c/(1 + x
4
), montrer que Z suit la meme loi quau (2), et preciser
cette loi. En deduire la valeur de c.
(4) Montrer que la loi de U est uniforme sur le cercle unite si et seulement si la loi de Z est celle
trouvee au (2) et au (3).
Exercice 4 Soit (X
n
)
n
une suite de v.a.i.i.d. de loi gaussienne centree reduite. Montrer que les v.a.
ci-dessous sont presque s urement constantes et donner leurs valeurs :
I = liminf
log X
n
log n
, S = limsup
X
n
log n
.
Exercice supplementaire (1) Soient f et g deux fonctions continues sur [0, 1] avec f 0 et g > 0.
Montrer quil existe > 0 et M ni tels que g et f M.
(2) Soit (X
n
)
n1
une suite de variables aleatoires uniformement bornee, cest-à-dire telle que
[X
n
()[ K pour tout n 1 et presque tout . Montrer que (X
n
)
n
converge en probabilite vers
0 si et seulement si E([X
n
[) converge vers 0.
(3) Deduire de (1) et (2) la limite, quand n tend vers linni, de I(n) avec
I(n) =
_
[0,1]
n
f(x
1
) + +f(x
n
)
g(x
1
) + +g(x
n
)
dx
1
. . . dx
n
.
Questions de cours (1) Exprimer uniquement en termes de fonctions caracteristiques le fait que
des variables aleatoires X et Y sont independantes.
(2)

Enoncer le theorème de Levy qui relie la convergence en loi et la convergence des fonctions
caracteristiques.
(3) Donner un exemple dune suite de variables aleatoires (X
n
)
n
qui ne converge pas en loi et telle
que P(X
n
x) converge pour tout reel x.
Exercice 1 (Formule de Stirling) (1) Soit X une variable aleatoire positive integrable. Exprimer
E(X) à laide de la fonction F
X
: x P(X x).
(2) Soit (X
n
)
n1
une suite de variables aleatoires positives de carre integrable, bornees dans L
2
et convergeant en loi vers X. On suppose donc quil existe une constante c telle que E(X
2
n
) c pour
tout n 1. Montrer que X est integrable et que E(X
n
) tend vers E(X).
Desormais, pour a > 0, X
a
est une variable aleatoire de loi de Poisson de paramètre a et on pose
Y
a
= (X
a
a)/
a. Enn, on note G(a, t) = e

a
[at]
k=0
a
k
/k! pour t 0.
(3) Montrer que Y
a
converge en loi quand a tend vers linni et preciser la loi limite.
(4) Determiner la limite de G(a, t) quand a tend vers linni.
(5) Calculer E((Y
n
)
) pour n 1. En deduire la formule de Stirling :

n!
2n(n/e)
n
.
Exercice 2 (Convergence de series) Soit (X
n
)
n1
une suite de v.a.i.i.d. de loi c e
|x|
dx sur R.
(1) Calculer c.
(2) Pour chacun des sens de convergence suivants, preciser si la serie S =
n1
X
n
/n converge ou
non : convergences L
2
, L
1
et presque s ure.
(3) Preciser si S converge presque s urement absolument, ou non. On pourra utiliser les sommes
partielles
T
n
=
n
k=1
[X
k
[.
Exercice 3 (Simulation) Soit (X, Y ) de densite conjointe f(x, y) = c (x + y) si (x, y) [0, 1]
2
et
f(x, y) = 0 sinon. (1) Calculer la valeur de c, la loi de X, la moyenne de X et la covariance de X et
Y .
(2) Soit (U, V ) un couple de variables aleatoires de loi uniforme sur [0, 1]
2
. Soit Z et T denies par
les relations
2Z =

1 + 8U 1, T = Z +
_
Z
2
+ (2Z + 1) V .
Montrer que (Z, T) suit la loi de (X, Y ).
Exercice 4 (Maxima) On note M
n
= maxX
1
, . . . , X
n
, o` u (X
n
)
n1
est une suite de v.a.i.i.d. de
loi . On suppose dabord que est la loi exponentielle de paramètre .
(1) Si a
n
= n, montrer M
n
/a
n
converge en loi et donner la loi limite.
(2) Si a
n
= log n, montrer M
n
/a
n
converge en loi et donner la loi limite.
(3) Montrer que M
n
log n converge en loi et donner la loi limite.
On suppose desormais que est la loi de Cauchy centree de paramètre a.
(4) Montrer que P(M
n
0) tend vers 0.
(5) Exhiber une suite (a
n
)
n
telle que M
n
/a
n
converge en loi vers une loi non degeneree et donner
la loi limite.
Exercice 5 (Pile ou face) (1) Soit X une variable aleatoire et t > 0 tel que e
tX
est integrable.
Montrer que P(X 0) E(e
s X
) pour tout s [0, t].
(2) Montrer que si X est de plus integrable avec E(X) < 0, (1) fournit une borne strictement
inferieure à 1 pour certaines valeurs de s.
(3) Soit (X
n
)
n1
une suite de v.a.i.i.d. de loi de Bernoulli de paramètre p., donc X
1
(P) = p
1
+(1
p)
0
. Soit q > p et (Y
n
)
n1
une suite de v.a.i.i.d. de loi de Bernoulli de paramètre q. On suppose que
la suite des Y
n
est independante de la suite des X
n
. On note S
n
= X
1
+ +X
n
et T
n
= Y
1
+ +Y
n
.
Montrer que levenement S
n
T
n
nest realise que pour un nombre ni de n 1, presque
s urement. On pourra utiliser (1) et (2).
4.25 Supplements à lexamen de mai 2000
Exercice 1 (Simulation à la von Neuman) On veut simuler des variables aleatoires X
n
de loi
exponentielle de paramètre 1 à partir de variables aleatoires U
n
de loi uniforme sur [0, 1].
(1) Rappeler la fa con canonique de simuler X
1
à partir de U
1
.
Un autre moyen est le suivant. Si U
1
< U
2
, on pose X = U
1
. Sinon, soit N 2 lentier aleatoire
tel que
U
1
U
2
U
N
et U
N+1
> U
N
.
Si N est impair, on pose X = U
1
. Si N est pair, on considère quil sagit dun echec et on recommence
avec les v.a. (U
k
)
kN+2
. Si la procedure reussit après M echecs, on pose X = M + U
R
, o` u U
R
est la
première variable aleatoire utilisee pendant le cycle reussi, cest-à-dire le cycle numero M + 1.
(2) Montrer que chaque cycle se termine p.s.
(3) Quelle est la probabilite quun cycle se termine par un echec ?
(4) Montrer quun cycle nit par reussir.
(5) Quelle est la loi du nombre M de cycles qui echouent avant le premier cycle qui reussit ?
(6) On suppose que le premier cycle reussit, cest-à-dire que M = 0. Calculer P(U
1
x[ M = 0),
pour x [0, 1].
(7) Deduire de tout ceci que X suit la loi exponentielle de paramètre 1.
(8) Combien de variables aleatoires (U
n
)
n
utilise-t-on en moyenne pour simuler X ?
(9) Quel est lavantage de cette procedure par rapport à celle du (1) ?
Exercice 2 (Theorème de purete) Soit D une partie denombrable de R et C lensemble des
sommes nies de la forme
k
n
k
d
k
avec n
k
Z et d
k
D. Soit (X
n
)
n1
une suite de v.a. independantes
telle que :
la serie

n
k=1
X
k
converge presque s urement vers une variable aleatoire notee S ;
pour tout n 1, X
n
D presque s urement.
(1) Soit B un borelien et n 1. Montrer que A = S B+C appartient à la tribu engendree par
les variables aleatoires (X
k
)
kn+1
. Pour d
1
, . . ., d
n
dans D, on pourra calculer AX
1
= d
1
, . . . , X
n
=
d
n
.
(2) Quelles sont les valeurs possibles de P(A) ?
(3) Montrer que C est denombrable et que C = C +C = C C, o` u par exemple
C +C = c +c
; c C, c
C.
(4) Montrer que si la loi de S nest pas diuse, il existe un reel a tel que P(S a +C) = 1.
(5) Montrer que si P(S N) ,= 0 pour un borelien N de mesure nulle, alors il existe un borelien
M de mesure nulle tel que P(S M) = 1.
(6) Montrer que la loi de S est pure, cest-à-dire que S(P) est discrète, ou singulière, ou absolument
continue par rapport à la mesure de Lebesgue.
Exercice 3 (Theorème de Shannon) Soit (X
n
)
n1
une suite de v.a.i.i.d. à valeurs dans I =
1, 2, . . . , r avec r 2 et p(i) = P(X
1
= i) > 0 pour tout i I.
On note R
n
(i
1
, . . . , i
n
) = p(i
1
) p(i
n
) et T
n
= R
n
(X
1
, . . . , X
n
). Donc T
n
est la probabilite quun
autre experimentateur obtienne les memes n premiers resultats que les resultats observes.
Montrer que n
1
log T
n
converge presque s urement vers une constante H, exprimer H en fonction
des donnees et montrer que H > 0.
Exercice 6 On fait 100 parties de pile ou face avec une pièce equilibree. Indiquer comment estimer
facilement la probabilite dobtenir entre 45 et 55 faces.
Exercice 7 (Fonctions caracteristiques) (1) Soit (X
n
)
n1
une suite de v.a.i.i.d. et S
n
= X
1
+
+X
n
. Calculer E(e
itS
n
) en fonction de la fonction caracteristique de X
1
.
(2) Calculer E(u
N
) si [u[ 1 et si N est une variable aleatoire de loi de Poisson de paramètre a.
(3) En deduire que si est une fonction caracteristique, alors la fonction exp(a(1 )) est une
fonction caracteristique pour tout a > 0.
Exercice 8 (Loi des grands nombres) Soit (X
n
)
n1
une suite de variables aleatoires uniforme-
ment bornees, cest-à-dire telles quil existe M ni avec [X
n
()[ M pour tout n et tout .
On ne suppose pas que les X
n
sont independantes.
On note S
n
= X
1
+ +X
n
. Montrer que si S
n
2/n
2
converge presque s urement vers une variable
aleatoire Y , alors S
n
/n converge aussi presque s urement vers Y .
4.26 Examen de septembre 2000
Questions de cours (A) Exprimer uniquement à laide des fonctions caracteristiques de X et Y le
fait que X et Y sont independantes.
(B) Rappeler lenonce donne pendant le cours du theorème de Levy sur la convergence en loi.
(C) Donner un exemple dune suite de v.a. (X
n
)
n
qui ne converge pas en loi et telle que P(X
n
x)
converge pour tout x.
Exercice 1 On se donne : D une partie denombrable de R; C lensemble des sommes nies de la
forme

k
n
k
d
k
avec n
k
Z et d
k
D; (X
n
)
n1
une suite de variables aleatoires independantes. On
suppose que :
(i) la serie

n
k=1
X
k
converge presque s urement vers une variable aleatoire notee S ;
(ii) pour tout n 1, X
n
D p.s.
(1) Soit B un borelien et n 1. Montrer que A = S B + C appartient à la tribu engendree
par les variables aleatoires (X
k
)
kn
.
(2) Quelles sont les valeurs possibles de P(A) ?
(3) Montrer que C est denombrable et que C = C +C = C C, o` u par exemple
C +C = c +c
; c C, c
C.
(4) Montrer que si la loi de S nest pas diuse, il existe un reel a tel que P(S a +C) = 1.
(5) Montrer que si P(S N) ,= 0 pour un borelien N de mesure nulle, alors il existe un borelien
M de mesure nulle tel que P(S M) = 1.
(6) Th eor` eme de puret e : montrer que la loi de S est pure, cest-à-dire quelle est discrète, ou
singulière, ou absolument continue par rapport à la mesure de Lebesgue.
Exercice 2 On fait 100 parties de pile ou face avec une pièce equilibree. Utiliser un resultat du cours
pour estimer facilement la probabilite dobtenir entre 45 et 55 faces.
Exercice 3 On suppose que les X
n
sont des variables aleatoires independantes et que la loi de X
n
est (
4
n +
4
n)/2.
n
converge presque s urement vers une limite S.
(2) La variable aleatoire S est-elle presque s urement constante ? Ceci contredit-il la loi du zero-un
de Kolmogorov ?
(3) Quelles sont les variables aleatoires X
n
qui sont mesurables par rapport à la tribu engendree
par S ?
Exercice 4 On suppose que les X
n
sont des variables aleatoires independantes et que la loi de X
n
est
(1 n
3
)
1
+n
3
1n
3.
(1) Montrer que X
n
est integrable et calculer E[X
n
].
n
/n admet une limite presque s urement S et calculer S.
Exercice 5 (1) Soit (X
n
)
n1
et X des variables aleatoires de lois respectives f
n
(x) dx et f(x) dx.
On suppose que f
n
converge vers f presque partout pour la mesure de Lebesgue. Montrer que X
n
converge en loi vers X.
(2) Soit X
1
et (
n
)
n1
des variables aleatoires independantes de lois
X
1
(P)(dx) = f
1
(x) 1
[0,1]
(x) dx,
n
(P) = (
0
+
1
)/2.
Pour n 1, on pose X
n+1
= (X
n
+
n
)/2.
(a) Determiner la loi de X
n
et montrer que (X
n
)
n1
converge en loi vers une variable aleatoire X
dont on determinera la loi. On montrera que les lois de X
n
et X sont densitables.
(b) Si f
n
est la densite de la loi de X
n
, choisir f
1
de sorte que f
n
ne converge pas vers la densite
de la loi de X presque partout pour la mesure de Lebesgue.
4.27 Contr ole continu davril 2006
Enonce
Duree 2 heures. Pas de documents, de calculatrice, ni de telephone portable.
On repondra aux questions de cours avant daborder la resolution des exercices. Les exercices sont
independants les uns des autres. On peut utiliser les resultats des questions precedentes dun exercice
donne pour resoudre une question.
Il nest pas necessaire de repondre à toutes les questions de lenonce pour obtenir la note maximale.
On portera une attention particulière à la redaction des copies et aux justications des reponses.
Questions de cours (1) Denir lindependance de de trois evenements A, B et C.
(2)

Enoncer le lemme de Borel-Cantelli (les deux parties).
(3) Denir la loi dune variable aleatoire reelle.
(4) Denir la fonction de repartition dune variable aleatoire reelle.
(5)

Enoncer linegalite de Bienayme-Chebychev.
(6) Denir les trois types de convergence dune suite de variables aleatoires tels quils ont ete
etudies dans le cours.
(7)

Enoncer les implications qui existent entre ces trois types de convergence, ainsi que les impli-
cations reciproques partielles.
(8) Pour chacune des implications reciproques partielles, donner un exemple montrant que lhy-
pothèse supplementaire est necessaire.
(9)

Enoncer la loi des grands nombres pour une suite de variables aleatoires i.i.d. dans L
4
.
(10) Soit X une variable aleatoire reelle positive. On suppose quil existe des constantes c et a
telles que P(X x) c x
a
quand x tend vers linni. Preciser pour quelles valeurs de a la variable
aleatoire X est integrable, respectivement de carre integrable.
Exercice A Soit (X
n
)
n1
une suite de variables aleatoires i.i.d. de loi exponentielle de paramètre 1.
On pose M
n
= max
1kn
X
k
et on sinteresse principalement au comportement asymptotique de M
n
quand n tend vers linni.
(0) Montrer que liminf X
n
(1) Pour tout a positif, on note A
a
n
= X
n
a log n.
(a) Preciser pour quelles valeurs de a la serie
n1
P(A
a
n
) converge.
(b) Montrer que limsup X
n
/ log n = 1 presque s urement.
(c) Montrer que limsup M
n
(2) Pour tout entier p 1, on note K(n) lensemble des entiers k tels que (p+1)
n1
< k (p+1)
n
et B
p
n
levenement
B
p
n
= k K(n), X
k
n log p.
(a) Montrer que les evenements (B
p
n
)
n1
sont independants.
(b) Montrer que P(B
p
n
) = (1 p
n
)
p (p+1)
n1
.
(c) Montrer que la serie
n1
P(B
p
n
) converge.
(d) Montrer quil existe un entier aleatoire presque s urement ni tel que, pour tout n
et tout k (p + 1)
n
,
M
k
/ log k (p/(p + 1)) n/(n + 1).
(3) En deduire nalement que limM
n
Exercice B Soit (X, Y ) un couple de variables aleatoires dont la loi admet la fonction f pour densite
par rapport à la mesure de Lebesgue, avec
f(x, y) = c (x
2
+y
2
) 1[x[ 1, [y[ 1.
(1) Calculer c.
(2) Calculer la loi de X et celle de Y . On montrera que ces deux lois admettent la meme densite
g par rapport à la mesure de Lebesgue et on calculera g.
(3) Preciser si les variables aleatoires X et Y sont independantes ou non.
(4) Calculer lesperance de X et de Y et la covariance de X et Y et faire un commentaire.
Exercice C Pour toute variable aleatoire X, on pose D(X) = E
_
[X[
1 +[X[
_
.
Montrer que (X
n
)
n1
converge vers X en probabilite si et seulement si la suite de terme general
D(X
n
X) tend vers 0.
Exercice D Soit f : R
+
R une fonction continue et bornee. Pour tout n 1, on denit f
n
:
R
+
R par
f
n
(x) = e
nx
+
k=0
f
_
k
n
_
(nx)
k
k!
.
(1) Montrer que, pour tout x 0, la serie qui denit f
n
(x) converge.
(2) Soit Y et Z deux variables aleatoires independantes de lois de Poisson de paramètres respectifs
a et b.
(a) Montrer que Y et Z sont dans L
4
.
(b) Calculer la loi de Y +Z.
(3) Soit x > 0 et (X
n
)
n1
une suite de variables aleatoires i.i.d. de loi de Poisson de paramètre x.
On pose S
n
= X
1
+ +X
n
.
Determiner la loi de S
n
. En deduire que f
n
(x) = E(f(S
n
/n)).
(4) Montrer que la suite (f
n
)
n1
converge simplement vers f sur R
+
. On pourra distinguer les cas
x = 0 et x > 0.
Exercice E Montrer le theorème de Slutsky : Soit a un nombre reel et : R R une fonction
borelienne sur R et continue en a. Soit (X
n
)
n1
une suite de variables aleatoires qui converge en
probabilite vers a. Alors la suite ((X
n
))
n1
converge en probabilite vers (a).
On pourra commencer par traiter le cas o` u est uniformement continue sur R, puis traiter le cas
general.
Corrige succinct
Q(10) La variable aleatoire X est dans L
p
si et seulement si a < p.
A(0) Si C
a
n
= X
n
a, P(C
a
n
) = 1e
a
> 0 pour tout a > 0, donc la serie de terme general P(C
a
n
)
diverge. Le lemme de Borel-Cantelli partie dicile montre que X
n
a pour une innite dindices n,
donc liminf X
n
a presque s urement. CQFD.
(1)(a) P(A
a
n
) = n
a
donc la serie converge si et seulement si a > 1.
(b) Si a > 1, le lemme de Borel-Cantelli partie facile montre que X
n
< a log n pour tout entier n
à partir dun certain rang.
Donc limsup X
n
/ log n a presque s urement.
Si a = 1, la serie diverge et les variables aleatoires (X
n
)
n1
sont independantes donc le lemme de Borel-
Cantelli partie dicile montre que X
n
log n pour une innite dindices n, donc limsup X
n
/ log n 1
presque s urement. CQFD.
(c) Comme M
n
X
n
, (b) entrane que limsup M
n
/ log n 1 presque s urement. Daprès la
première partie de (b), si a > 1, il existe un entier aleatoire presque s urement ni tel que X
n
< a log n
pour tout n . En posant Y = maxX
k
; 1 k , on obtient X
n
Y +a log n pour tout n 1.
Donc M
n
Y +a log n pour tout n 1, et limsup M
n
/ log n a presque s urement. CQFD.
(2)(a) B
p
n
appartient à la tribu engendree par (X
k
)
kK(n)
et les ensembles (K(n))
n1
sont disjoints
donc le theorème des coalitions montre que la suite (B
p
n
)
n1
est independante.
(b) Par independance, P(B
p
n
) est le produit des P(X
k
n log p) = 1 p
n
pour k dans K(n), et
K(n) contient (p + 1)
n
(p + 1)
n1
= c (p + 1)
n
elements avec c = p/(p + 1). CQFD.
(c) On ecrit log P(B
p
n
) = c (p + 1)
n
log(1 p
n
) et on developpe le logarithme, donc log P(B
p
n
)
c (1 +1/p)
n
. Comme 1 +1/p > 1, (1 +1/p)
n
n pour n assez grand, donc la serie de terme general
P(B
p
n
) e
c n+o(n)
est sommable. CQFD.
(d) Le lemme de Borel-Cantelli partie facile montre quil existe un entier aleatoire presque
s urement ni tel que, pour tout n , il existe un entier k dans K(n) tel que X
k
n log p. Donc
M
(p+1)
n X
k
n log p. Pour tout k > (p + 1)
, il existe n tel que k est dans K(n + 1), donc

M
k
M
(p+1)
n n log p. Comme k (p + 1)
n+1
, n + 1 log k/ log(p + 1) et M
k
/k (log p/ log(p +
1)) n/(n + 1).
(3) Daprès (2)(d), liminf M
k
/ log k log p/ log(p + 1) presque s urement, pour tout entier p 2.
En faisant tendre p vers linni, on obtient liminf M
k
/ log k 1 presque s urement, et (1)(c) permet
de conclure.
B(1) Lintegrale de f vaut 1 donc c =
3
8
.
(2) On intègre f(x, ), donc g(x) =
1
4
(3x
2
+ 1) 1
|x|1
.
(3) Il ny a pas independance puisque f(x, y) ,= g(x) g(y).
(4) Comme g est paire, la loi de X et Y est symetrique par rapport à 0 donc E(X) = E(Y ) = 0. Pour
la covariance de X et Y , on intègre h(x, y) = xy f(x, y). Comme h(x, y) = h(x, y), la covariance
est nulle. Commentaire : covariance nulle nentrane pas independance.
C Fait en cours.
Pour tous reels x et t positifs, 1
xt
t/(1 + t) x/(1 + x) t + 1
xt
. En integrant cette double
inegalite en x selon la loi de X, on obtient
P([X[ t) t/(1 +t) D(X) t +P([X[ t).
Si P([X
n
[ t) tend vers 0, linegalite de droite montre que limsup D(X
n
) t donc, si (X
n
)
n
tend vers
0 en probabilite, limsup D(X
n
) t pour tout t donc D(X
n
) tend vers 0. Reciproquement, si D(X
n
)
tend vers 0, linegalite de gauche montre que P([X
n
[ t) tend vers 0, pour tout t. CQFD.
D(1) Si x = 0, la serie ne comporte quun terme non nul donc elle converge et f
n
(0) = f(0). Si
x > 0, comme f est bornee, il sut de verier que la serie en k de terme general (nx)
k
/k! converge.
Cest la serie exponentielle donc f
n
(x) converge (et |f
n
|
|f|
.)
(2)(a) P(Y = k) = e
a
a
k
/k! et k! k
p+2
a
k
pour tout p donc Y et Z sont dans tous les L
p
.
(b) Soit on calcule P(Y + Z = n) comme la somme des P(Y = k) P(Z = n k) et on reconnat
e
(a+b)
(a +b)
n
/n! donc Y +Z suit la loi de Poisson de paramètre a +b.
Soit on utilise la fonction generatrice E(s
Y
), denie pour tout [s[ 1. Alors E(s
Y
) = exp(a (1s))
et E(s
Y +Z
) = E(s
Y
) E(s
Z
) = exp((a + b) (1 s)). Comme la fonction generatrice determine la loi,
on retrouve que la loi de Y +Z est Poisson de paramètre a +b.
(3) En iterant (2)(b), la loi de S
n
est Poisson de paramètre nx. Donc f
n
(x) = E(f(S
n
/n)).
(4) Si x = 0, f
n
(0) = f(0). Si x > 0, la loi des grands nombres L
4
montre que S
n
/n converge vers
x presque s urement.
Comme f est continue, T
n
= f(S
n
/n) converge vers f(x) presque s urement. Comme f est bornee,
(T
n
)
n
est uniformement integrable donc T
n
converge vers f(x) dans L
1
. CQFD. (Ou bien on se souvient
que dans la loi des grands nombres L
4
, on demontre aussi la convergence dans L
4
.)
E Fait en cours.
Betisier
Chacune des assertions ci-dessous gure dans au moins une copie, en general dans plus dune
copie, et elle est fausse de manière evidente.
La variable aleatoire X est dans L
4
si et seulement si
n
P(X = n)
4
converge.
Dailleurs ( ?), E(X
4
) =
n
n
4
P(X
4
= n).
Et si X 0, E(X
2
) =
_
P(X x)
2
dx.
Si f est la densite de la loi de X, alors E(X
4
) =
_
f(x)
4
dx.
La loi de Poisson de paramètre a admet la densite a e
ax
1x 0 par rapport à la mesure de
Lebesgue.
La loi de Poisson de paramètre a est
n
e
an
a
n
n!

n
.
Puisque S
n
/n converge vers x (peut-etre au sens de la convergence presque s ure, mais ce nest pas
precise), la loi de S
n
est
nx
.
Puisque P(A
n
) = 1 pour tout n, la serie
n
P(A
n
) converge.
Soit (X
n
)
n
des variables aleatoires de loi exponentielle. Alors liminf
n
X
n
= 0 si et seulement si
X
n
= 0 pour une innite dindices n.
Daprès la loi des grands nombres dans L
4
, la suite (X
1
+ +X
n
)/n converge vers E(X
4
1
).
Puisque X
n
X en probabilite, [X
n
X[ presque s urement, pour tout n assez grand.
Les dernières assertions nont rien à voir avec les probabilites.
La fonction est continue en a donc elle est continue sur un intervalle assez petit [a , a +].
Le domaine du plan deni par les conditions [x[ 1 et [y[ 1 est le carre dont les quatre sommets
sont les points (1, 0) et (0, 1).
Quand n , (1 x
n
)
y
n
(1)
n+y
n
x
n+y
n
.
Quand n , 1 1/p
n
1/p
n1
.
Enonce
Duree 3 heures. Pas de documents, de calculatrice, ni de telephone portable.
On repondra aux questions de cours avant daborder la resolution des exercices. On portera une
attention particulière à la redaction des copies et aux justications des reponses.
Les exercices sont independants les uns des autres. On peut utiliser les resultats des questions
precedentes dun exercice donne pour resoudre une question.
Questions de cours (1)

Enoncer la loi des grands nombres pour une suite de variables aleatoires
i.i.d. dans L
1
.
(2) Denir la convergence en loi dune suite de variables aleatoires.
(3) Donner si cest possible un exemple dune suite (X
n
)
n
de variables aleatoires qui converge
en loi et telle quaucune de ses sous-suites (X
(n)
)
n
ne converge en probabilite. Si cest impossible,
expliquer pourquoi.
(4) Donner si cest possible un exemple de deux suites (X
n
)
n
et (Y
n
)
n
de variables aleatoires telles
que X
n
converge en loi vers X, Y
n
converge en loi vers Y , mais X
n
+ Y
n
ne converge pas en loi vers
X +Y . Si cest impossible, expliquer pourquoi.
(5)

Enoncer le theorème central limite pour une suite de variables aleatoires i.i.d. dans L
2
.
(6) Donner la denition de la loi de Poisson de paramètre a.
Exercice A Dans cet exercice, toutes les lois considerees sont composees dune partie absolument
continue par rapport à la mesure de Lebesgue et dune partie somme de masses de Dirac. Lexpression
(( calculer la loi )) signie donc preciser la densite de la partie absolument continue et preciser la
decomposition de la partie restante comme une somme ponderee de masses de Dirac.
Soit X et Y deux variables aleatoires independantes de lois exponentielles de paramètres a et b.
(1) Calculer E(X) et E(Y ).
(2) Calculer P(X = Y ).
(3) Calculer P(X Y ).
(4) On pose Z = (X Y )
+
. Calculer la loi de Z. On pourra commencer par calculer P(Z = 0) et,
pour tout z > 0, P(Z z).
(5) On pose W = supX, Y . Calculer la loi de W.
(6) On pose U = infX, Y et V = [XY [. Preciser si W est independante de U ou non. Preciser
si W est independante de V ou non.
(7) Soit u et v deux reels positifs.
Calculer P(X u, Y X +v) et P(Y u, X Y +v).
(8) Soit u et v deux reels positifs. Calculer P(U u, V v). En deduire que U et V sont deux
variables aleatoires independantes et calculer leur loi.
Exercice B Pour tout nombre reel a 0 et tout entier n 1, on note [an] la partie entière de an
et
x
n
(a) =
[an]
k=0
n
k
k!
.
(1) Soit N une variable aleatoire de loi de Poisson de paramètre a. Pour tout reel t, calculer
h(t) = E(e
i tN
).
(2) Soit N
a
et N
b
deux variables aleatoires independantes de lois de Poisson de paramètres a et b.
Calculer la loi de N
a
+N
b
.
(3) Montrer que la loi de Poisson de paramètre n concide avec la loi dune somme de n variables
aleatoires i.i.d. dont on precisera la loi.
(4) Montrer que x
n
(a) = e
n
P(X
n
an) pour une variable aleatoire X
n
dont on precisera la loi.
(5) Pour tout a < 1, utiliser la loi des grands nombres et les questions precedentes pour montrer
que x
n
(a) e
n
quand n .
(6) Pour tout a > 1, utiliser la loi des grands nombres et les questions precedentes pour montrer
que x
n
(a) e
n
quand n .
(7) Soit a = 1. Utiliser le theorème de la limite centrale et les questions precedentes pour trouver
un equivalent simple de x
n
(1) quand n .
Exercice C Soit (U
n
)
n1
une suite i.i.d. de variables aleatoires de loi uniforme sur [0, 1]. On note
V
n
= (U
n
)
n
, V = sup V
n
; n 1 , W = sup V
2
n ; n 1 .
(1) Pour tout n 1, montrer que la loi de V
n
est absolument continue par rapport à la mesure de
Lebesgue et preciser sa densite. Calculer E(V
n
).
(2) Pour tout 0 < x 1 et n 1, montrer lencadrement suivant :
1 x n(1 x
1/n
) log(1/x).
(3) Pour 0 x 1 et n 1, on pose A
x
(n) = V
n
x. Calculer P(A
x
(n)).
(4) Soit (n
k
)
k1
une suite dentiers et 0 < x < 1.
Montrer que
k1
P(A
x
(n
k
)) converge si et seulement si
k1
1/n
k
converge.
(5) Montrer que V = 1 presque s urement.
(6) Montrer que 0 < W < 1 presque s urement.
(7) Calculer la loi de W.
Corrige succinct
Q3 Cest possible. On peut considerer une suite de variables aleatoires i.i.d. de loi commune m non
degeneree. En loi, cette suite est constante. Mais si une de ses sous-suites convergeait en probabilite,
une sous-suite de cette sous-suite convergerait presque s urement. Or cette sous-suite de sous-suite
est distribuee comme la suite de depart, cest-à-dire quelle est i.i.d. avec la loi m, donc elle diverge
presque s urement.
Q4 Cest possible. On peut considerer une suite (X
n
)
n
i.i.d. de loi commune m non degeneree et
symetrique, par exemple la loi de Bernoulli
1
2
(
1
+
1
). On pose Y
n
= X
n
et X = Y = X
1
. Alors
X
n
converge vers X en loi, Y
n
converge vers Y en loi, mais X
n
+ Y
n
= 0 ne converge pas en loi vers
X +Y = 2X
1
.
A1 E(X) = 1/a et E(Y ) = 1/b.
A2 Comme les variables aleatoires sont independantes et quune des deux lois na pas datomes,
P(X = Y ) = 0 (fait en cours).
A3 Par denition, P(X Y ) vaut lintegrale de la fonction ab e
ax
e
by
sur le domaine y x 0,
soit
_
+
0
ae
ax
dx
_
+
x
be
by
dy =
_
+
0
ae
ax
e
bx
dx, donc P(X Y ) = a/(a +b).
On peut aussi utiliser lexpression P(X Y ) =
_
P(x Y ) dP
X
(x) et le fait que dP
X
(x) =
ae
ax
dx, et calculer P(x Y ) = e
bx
.
A4 Soit p = a/(a + b). Alors P(Z = 0) = p daprès A3 et, par un calcul similaire, P(Z z) =
(1 p) e
az
pour tout z > 0. Donc la loi de Z est p
0
(dz) + (1 p) ae
az
dz.
A5 W w = X w Y w.
Donc P(W w) = (1 e
aw
) (1 e
bw
). En derivant, on trouve que la loi de W admet la densite
ae
aw
+be
bw
(a +b)e
(a+b)w
.
A6 Par denition, U W presque s urement donc P(U 2, W 1) = 0 alors que P(U 2) ,= 0
et P(W 1) ,= 0, donc U et W ne sont pas independantes. De meme V W presque s urement donc
un raisonnement analogue montre que V et W ne sont pas independantes.
A7 Par denition, P(X u, Y X +v) vaut lintegrale de la fonction ab e
ax
e
by
sur le domaine
x u, y x +v, soit
_
+
u
ae
ax
dx
_
+
x+v
be
by
dy =
_
+
u
ae
ax
e
b(x+v)
dx = p e
bv
e
(a+b)u
.
On en deduit que P(Y u, X Y + v) = (1 p) e
av
e
(a+b)u
par symetrie entre X et Y et entre a
et b.
A8 Levenement U u, V v est la reunion disjointe des deux evenements consideres dans la
question precedente donc
P(U u, V v) = (p e
bv
+ (1 p) e
av
) e
(a+b)u
.
On obtient le produit dune fonction de u et dune fonction de v donc U et V sont independantes et
P(V v) = p e
bv
+(1 p) e
av
, respectivement P(U u) = e
(a+b)u
. En derivant, on voit que la loi
de U est exponentielle de paramètre a +b et que V suit la loi de densite (ab/(a +b)) (e
av
+ e
bv
).
B1 Pour tout n 0, P(N = n) = e
a
a
n
/n! donc h(t) =
n0
e
a
(ae
it
)
n
/n!, soit h(t) = e
a(1e
it
)
.
B2 Pour tout t, E(e
it(N
a
+N
b
)
) = E(e
itN
a
)E(e
itN
b
) = e
(a+b)(1e
it
)
, par independance de N
a
et N
b
.
Daprès B1, cest la fonction caracteristique de la loi de Poisson de paramètre a +b.
B3 Daprès B2, la somme de n variables aleatoires i.i.d. de loi de Poisson de paramètre 1 suit une
loi de Poisson de paramètre n.
B4 On pose X
n
= Y
1
+ +Y
n
avec (Y
n
)
n
i.i.d. de loi de Poisson de paramètre 1 donc X
n
suit la
loi de Poisson de paramètre n.
B5B6 Comme Y
1
est integrable, la loi des grands nombres pour des variables aleatoires i.i.d.
integrables montre que X
n
/n E(Y
1
) = 1 presque s urement, donc en probabilite. Donc P(X
n

nB) 0 dès que ladherence de B ne contient pas 1.
B7 Le theorème central limite pour des variables aleatoires i.i.d. de carre integrable montre que
(X
n
n)/
n converge en loi vers une variable aleatoire Z gaussienne centree de variance

2
(Y
1
) = 1,
car Y
1
est de carre integrable et E(Y
1
) = 1. Donc P(X
n
n) = P((X
n
n)/
n 0) P(Z 0) =
1
2
et x
n
(1)
1
2
e
n
.
C1 Soit U de loi uniforme sur [0, 1].
Pour x dans [0, 1], P(V
n
x) = P(U x
1/n
) = x
1/n
donc, en derivant, la loi de V
n
admet pour
densite a x
a1
1
0x1
avec a =
1
n
. Enn, E(V
n
) vaut lintegrale de P(V
n
x) = 1 x
a
sur [0, 1], soit
1 1/(a + 1) = 1/(n + 1).
C2 Soit (x) = nx
1/n
. La derivee
(x) = x
1/n
/x verie
1 sur [0, 1] donc (1) (x) 1x,

ce qui donne linegalite de gauche.
Soit (x) = nx
1/n
log x. La derivee
(x) = (x
1/n
1)/x est negative sur [0, 1] donc (1) (x),
ce qui donne linegalite de droite.
C3 P(A
x
(n)) = P(U x
1/n
) = 1 x
1/n
.
C4 Daprès C3, la serie des probabilites est la serie des 1 x
1/n
k
, qui est encadree, daprès C2,
par deux multiples strictement positifs (et dependant de x) de 1/n
k
. Donc la serie des probabilites et
la serie des 1/n
k
sont de meme nature.
C5 Daprès C3 pour n
k
= k et le lemme de Borel-Cantelli, partie dicile, pour tout x < 1, V
n
x
pour une innite de n, presque s urement. En particulier, V x presque s urement. Comme x < 1 est
quelconque et comme 0 V 1, V = 1 presque s urement.
C6 W V
2
= (U
2
)
2
et U
2
> 0 presque s urement donc W > 0 presque s urement. Daprès C3 pour
n
k
= 2
k
et le lemme de Borel-Cantelli, partie facile, pour x =
1
2
, V
n

1
2
pour un nombre ni de n,
presque s urement. Donc W vaut au plus le maximum de
1
2
et dun nombre ni de V
n
< 1, donc W < 1
presque s urement.
C7 Soit W
n
= max V
2
k ; 1 k n.
Alors W
n
x signie que V
2
k x pour 1 k n. Par independance dun nombre ni
devenements, P(W
n
x) vaut le produit des P(V
k
x), soit xx
1/2
x
1/2
n
= x
11/2
n
. Quand
n , W
n
W presque s urement, donc en loi, donc P(W
n
x) P(W x), soit P(W x) = x.
Donc la loi de W est uniforme sur [0, 1].
Betisier
Chacune des assertions ci-dessous gure dans les copies et est fausse.
Si x [0, 1] et n 1, alors x
1/n
x.
P(X = Y ) = P(X = Y = x).
Si P(X = Y = x) = 0 pour tout x, alors P(X = Y ) = 0.
P(X u, Y X +v) = P(X u, Y u +v).
P(V v) = e
av
+ e
bv
.
P(X w) = e
aw
.
Puisque sup
n
V
n
= 1, il existe n tel que V
n
= 1.
Puisque sup
n
V
n
= 1, V
n
= 1 pour tout n.
0 < W < 1 presque s urement et P
W
=
1
.
Puisque X
n
1 presque s urement, il existe un evenement A tel que P(A) = 1 et sup
A
[X
n
1[ 0.
1/v
(n1)/n
= v
n/(n1)
.
Puisque W = U + V et puisque U nest pas independante de W, il sensuit que V nest pas
independante de U.
On sait que si X
n
c en loi, alors X
n
c en probabilite. Par consequent, si X
n
X en loi
et si X nest pas une variable aleatoire constante, alors il nexiste pas de suite extraite (X
(n)
)
n
qui
converge en probabilite vers X.
Soit (X
n
)
n
une suite i.i.d. de variables aleatoires integrables avec E(X
n
) = 1, et soit S
n
= X
1
+
+X
n
. Alors P((S
n
/n) = 1) 1.
Soit (U
n
)
n
une suite i.i.d. de variables aleatoires de loi uniforme sur [0, 1]. Alors (U
n
)
n
et U
1
U
2
U
n
suivent la meme loi.
Soit X
n
de loi uniforme sur lintervalle [n, 2n + 1]. Alors la suite (X
n
)
n
converge en loi.
Supplements
Exercice D Soit (X
n
)
n
une suite i.i.d. de variables aleatoires de carre integrable telles que E(X
n
) = 0
et E(X
2
n
) =
2
. On note
S
n
=
n
k=1
X
k
, C
n
=
n
k=1
X
2
k
, Y
n
=
S
n
C
n
, T
n
= e
S
n
1S
n
0.
(1) Montrer que S
n
/
n converge en loi quand n et preciser la limite.

(2) Montrer que C
n
/n converge presque s urement quand n et preciser la limite.
n
> 0 à partir dun certain rang, et donc que Y
n
est presque
s urement bien denie à partir dun certain rang.
(4) Montrer que Y
n
converge en loi quand n et preciser la limite.
(5) Calculer la limite de P(S
n
0) quand n .
(6) Montrer que 0 E(T
n
) 1.
(7) Montrer que E(T
n
)
1/
n
tend vers 1 quand n .
On pourra xer un nombre reel c > 0 et considerer les evenements
A
n
(c) :=
_
0 S
n
c
n
_
.
Exercice E Soit a un nombre reel 0 < a < 1 et N une variable aleatoire à valeurs entières telle que,
pour tout entier n 1, P(N n) = (1 a)
n1
.
Soit (X
n
)
n1
une suite i.i.d. de variables aleatoires de loi exponentielle de paramètre x. On note
S
a
=
N
n=1
X
n
, Y
a
=
a S
a
1/x
a
.
On rappelle que, pour tout nombre complexe z de partie reelle strictement positive,
_
+
0
e
zv
dv =
1
z
.
(1) Donner la loi de N. Calculer E(N) et E(X).
(2) Pour tout nombre reel t, calculer h(t) := E(e
i tX
).
(3) Pour tout nombre reel t, calculer g(t) := E(e
i tN
).
(4) Calculer la loi de S
a
. Calculer E(S
a
).
(5) Montrer que S
a
converge en loi vers + quand a 0, au sens o` u, pour tout nombre reel y,
P(S
a
y) 1.
(6) Pour tout nombre reel t, calculer k(t) := E(e
i tY
a
).
(7) Montrer que Y
a
converge en loi quand a 0 et preciser la loi limite.

Supp Cours 2010

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Supp Cours 2010

Încărcat de

Drepturi de autor:

Formate disponibile

Cours de Probabilites

experimente par Didier Piau

est une bijection s : N

telle que s(i) ,= i pour

et on se propose de determiner pour quelles valeurs de la fonction

est une fonction caracteristique.

(0) = 1 donc > 0. De plus,

est une fonction caracteristique, le determinant

(t, xt) = [t[

(t, xt) prend des valeurs strictement negatives

nest pas une fonction generatrice.

est eectivement une

) quand t 0, pour une constante

0 donnee. Alors, quand n ,

est continue en 0, cela montrerait que (X

est une fonction

est nie. Quand y 0, la fonction `a integrer est equivalente `a 1/(2y

de la loi cherchee est paire et vaut, pour tout x,

dans chaque integrale, on obtient

est une fonction caracteristique si et seulement si 0 < 2. La loi

) quand t 0, alors E(e

x, il reste `a montrer la convergence vers une constante

telles que la densite d(A) = lim

par la mesure uniforme sur [1, n] nest pas

; A T, A atome est une classe au plus denombrable.

) = P(AB) denit une distance d sur lensemble des classes dequivalence

(A) = supP(B) ; B A, B T, P(B) .

(A) nest pas nul puis que P

(A) /2. Pour montrer que P

(A) /2, on pourra

) une variable aleatoire et (X) = X

). Verier que (X) est

(F(x +a) F(x)) dx = a.

Etudier les convergences en probabilite, presque s ure et au sens L

n tend presque s urement vers 1 quand n tend vers linni.

(0) (t) (t +s)

n pour tout c positif.

. On suppose que N est integrable

le processus de comptage associe `a la suite de variables aleatoires X

des mesures de probabilites densitables de densites respectives

presque partout pour la mesure de Lebesgue.

Etant donnee une suite croissante ( = ((

. On suppose que, pour tout n 1,

tend presque s urement vers 0.

n[. Montrer que

2 log n = presque s urement. Que vaut liminf X

des variables aleatoires. On suppose que X et X

sont independantes, ainsi

a. Enn, on note G(a, t) = e

) pour n 1. En deduire la formule de Stirling :

, il existe n tel que k est dans K(n + 1), donc

n converge en loi vers une variable aleatoire Z gaussienne centree de variance

1 sur [0, 1] donc (1) (x) 1x,

n converge en loi quand n et preciser la limite.

S-ar putea să vă placă și