Esperance Conditionnelle Master

Université d’Orléans – Master 2 Recherche de Mathématiques 2009-10 1
TD Master 2 – Martingales et calcul stochastique

Corrigé des exercices du chapitre 3 – Espérance conditionnelle
Exercice 3.1
Dans une expérience consistant à jeter deux tétraèdres parfaitement symétriques, dont les
faces sont numérotées de 1 à 4, on considère les variables aléatoires X, égale à la somme
des points, et Y , égale à leur différence (en valeur absolue).
1. Spécifier un espace probabilisé permettant de décrire cette expérience.
Il suffit de prendre Ω = {1, 2, 3, 4}2 avec la probabilité uniforme.
2. Déterminer la loi conjointe de X et Y ainsi que leurs espérances.
Les lois de X(ω) = ω1 + ω2 et Y (ω) = |ω1 − ω2 | sont données dans les tableaux
suivants :
X 1 2 3 4 Y 1 2 3 4
1 2 3 4 5 1 0 1 2 3
2 3 4 5 6 2 1 0 1 2
3 4 5 6 7 3 2 1 0 1
4 5 6 7 8 4 3 2 1 0
Par simple dénombrement, on obtient leur loi conjointe et les marginales :
Y \X 2 3 4 5 6 7 8
0 1/16 0 1/16 0 1/16 0 1/16 4/16
1 0 2/16 0 2/16 0 2/16 0 6/16
2 0 0 2/16 0 2/16 0 0 4/16
3 0 0 0 2/16 0 0 0 2/16
1/16 2/16 3/16 4/16 3/16 2/16 1/16
On en déduit les espérances
8 3
X X 5
E (X) = xP {X = x} = 5 , E (Y ) = yP {Y = y} = .
4
x=2 y=0
3. Calculer E (X|Y ) et E (Y |X).

Notons E (X|Y = y) la valeur constante de E (Y |X) sur l’ensemble {Y = y}. Il suit
de la relation (3.2.11) du cours que
E (X1{Y =y} ) X P {X = x, Y = y} X
E (X|Y = y) = = x = xP {X = x|Y = y} .
P {Y = y} x
P {Y = y} x
En appliquant à notre cas, on obtient

E (X|Y = y) = 5 ∀y ∈ {0, 1, 2, 3} ,
ce qui traduit le fait que la distribution de X est symétrique autour de 5 pour tout Y .
De manière similaire, on trouve
E (Y |X = 2) = E (Y |X = 8) = 0 ,
E (Y |X = 3) = E (Y |X = 7) = 1 ,
4
E (Y |X = 4) = E (Y |X = 6) = 3 ,
E (Y |X = 5) = 2 .
Cela permet en particulier de vérifier que E (E (Y |X)) = E (Y ).
Exercice 3.2
On jette un dé symétrique, puis on jette une pièce de monnaie autant de fois que le dé
indique de points. Soit X le nombre de Pile obtenus. Déterminer E (X).
Un choix possible d’espace probabilisé est Ω = {1, . . . , 6} × {0, 1}6 , avec la probabilité
uniforme et
Xω1
N (ω) = ω1 , X(ω) = ωi+1 .
i=1
Avant de calculer E (X), commençons par calculer E (X|N ). Conditionnellement à N = n,

X suit une loi binomiale de paramètres n et 1/2, d’où
N
E (X|N ) = .
2
Il suffit alors de prendre l’espérance pour conclure :
1 1 7 7
E (X) = E (E (X|N )) = E (N ) = · = .
2 2 2 4
Exercice 3.3
Soit (Ω, F, P ) un espace probabilisé, et F1 une sous-tribu de F. Pour tout A ∈ F, on
pose P (A|F1 ) = E (1A |F1 ). Montrer l’inégalité de Bienaymé–Chebyshev
1
P {|X| > a} F1 6 2 E (X 2 |F1 ) .

a
La monotonie de l’espérance conditionnelle nous permet d’écrire
E (X 2 |F1 ) > E X 2 1{X 2 >a2 } F1 > E a2 1{X 2 >a2 } F1 = a2 P {|X| > a} F1 .

Exercice 3.4
Soient X, Y des variables aléatoires réelles intégrables telles que XY soit également inté-
grable. Montrer les implications :
X, Y indépendantes ⇒ E (Y |X) = E (Y ) ⇒ E (XY ) = E (X)E (Y ).
Indication : Commencer par considérer des fonctions indicatrices.
Soit X = 1A et Y = 1B .
• Si X et Y sont indépendantes, alors P (A ∩ B) = E (XY ) = E (X)E (Y ) = P (A)P (B).
Or
Z Z Z
Y dP = dP = P (A ∩ B) = P (A)P (B) = P (A)E (Y ) = E (Y ) dP .
A A∩B A
On vérifie facilement des relations analogues avec A remplaçé par Ac , par ∅ et par Ω.
Comme σ(X) = {∅, A, Ac , Ω} et E (Y ) ⊆ F0 ⊂ σ(X), on a bien que E (Y |X) = E (Y ).
• Supposons que E (Y |X) = E (Y ). Comme A ∈ σ(X) on a
Z Z Z
E (XY ) = Y dP = E (Y |X) dP = E (Y ) dP = E (Y )P (A) = E (Y )E (X) .
A A A
Le résultat s’étend à des variables aléatoires quelconques de la manière habituelle, en

les décomposant en partie positive et négative et en approchant chaque partie par des
fonctions étagées.
2
Exercice 3.5
Soient X et Y des variables aléatoires à valeurs dans {−1, 0, 1}. Exprimer les trois
conditions de l’exercice 3.4 à l’aide de la loi conjointe de X et Y . Donner des contre-
exemples aux implications inverses.
Indication : On peut supposer E (Y ) = 0.
Notons la loi conjointe
pxy = P {X = x, Y = y} ,
et ses marginales
X X
px• = P {X = x} = pxy , p•y = P {Y = y} = pxy .
y x
Les variables X et Y sont indépendantes si et seulement si
pxy = px• p•y ∀x, y .
Les espérances conditionnelles sont données par

1 X
E (Y |X = x) = ypxy ,
px• y
donc on aura E (Y |X) = E (Y ) si et seulement si

X X
ypxy = ypx• p•y ∀x .
y y
Enfin la condition E (XY ) = E (X)E (Y ) s’écrit

X X
xypxy = xypx• p•y .
xy xy
Si X et Y prennent leurs valeurs dans {−1, 0, 1} et E (Y ) = 0, on aura nécessairement

p•− = p•+ . Si de plus on veut avoir E (Y |X) = E (Y ), alors il faut que px− = px+ pour
tout x.
Il est alors facile de construire des contre-exemples aux implications inverses. Le
tableau suivant donne un exemple de loi conjointe pour laquelle E (Y |X) = E (Y ) = 0,
mais X et Y ne sont pas indépendantes :
Y \X −1 0 1
−1 1/10 0 2/10 3/10
0 0 4/10 0 4/10
1 1/10 0 2/10 3/10
2/10 4/10 4/10
Et voici un exemple où E (XY ) = E (X)E (Y ) = 0, mais E (Y |X) 6= E (Y ) = 0 :
Y \X −1 0 1
−1 1/10 2/10 1/10 4/10
0 0 2/10 0 2/10
1 2/10 0 2/10 4/10
3/10 4/10 3/10
3
Exercice 3.6
Soit (Ω, F, P ) un espace probabilisé, et F1 ⊂ F2 des sous-tribus de F.
1. Montrer que
E [X − E (X|F2 )]2 + E [E (X|F2 ) − E (X|F1 )]2 = E [X − E (X|F1 )]2

Notons X2 = E (X|F2 ) et X1 = E (X|F1 ) = E (X2 |F1 ). On a
E (XX1 ) = E E (XX1 |F1 ) = E X1 E (X|F1 ) = E (X12 ) .

Par conséquent, en développant le carré on obtient
E [X − X1 ]2 = E (X 2 ) − E (X12 ) .

De manière similaire, on montre que E (XX2 ) = E (X22 ) et E (X1 X2 ) = E (X12 ), d’où
E [X − X2 ]2 = E (X 2 ) − E (X22 ) ,

E [X2 − X1 ]2 = E (X22 ) − E (X12 ) .

Ceci implique le résultat (qui est équivalent au théorème de Pythagore appliqué à X,

X1 et X2 , considérés comme des vecteurs de L2 (F)).
2. On pose Var(X|F1 ) = E (X 2 |F1 ) − E (X|F1 )2 . Montrer que

Var(X) = E Var(X|F1 ) + Var E (X|F1 ) .
On peut procéder par un calcul direct. Une autre méthode est de commencer par
observer que
Var(X|F1 ) = E [X − E (X|F1 )]2 F1 .

Appliquons alors l’égalité montrée en 1. avec F1 remplaçé par F0 , et F2 remplaçé

par F1 . Comme E (X|F0 ) = E (X), le premier terme du membre de gauche est égal à
E (Var(X|F1 )), le second à Var(E (X|F1 )), alors que le membre de droite vaut Var(X).
3. Soit Y1 , Y2 , . . . une suite de variables aléatoires i.i.d. d’espérance µ et de variance σ 2 .
Soit N une variable aléatoire à valeurs dans N , indépendante de tous les Yi . Soit
finalement X = Y1 + Y2 + · · · + YN . Montrer que
Var(X) = σ 2 E (N ) + µ2 Var(N ) .
Appliquons le résultat précédent avec F1 = σ(N ). On a E (X|N ) = µN et en

développant la somme on trouve E (X 2 |N ) = σ 2 N + µ2 N 2 . Il suit que
Var(X|N ) = σ 2 N .
Comme d’autre part on a Var(E (X|N )) = Var(µN ) = µ2 Var(N ), le résultat est

montré.
4. Déterminer la variance de la variable aléatoire X de l’exercice 3.2.
C’est une application du résultat précédent, avec µ = 1/2, σ 2 = 1/4 et Var(N ) =
35/12. On trouve donc Var(X) = 77/48.
4
Exercice 3.7
Soit (Ω, F, P ) un espace probabilisé, et G une sous-tribu de F. On considère deux variables
aléatoires X et Y telles que
E (Y |G) = X et E (X 2 ) = E (Y 2 )
1. Calculer Var(Y − X|G).

On a E (Y − X|G) = X − E (X|G) = 0, et
E (Y − X)2 G = E (Y 2 |G) − E (X 2 |G) = E (Y 2 |G) − X 2 .

Par conséquent,
Var(Y − X|G) = E (Y 2 |G) − X 2 .
2. En déduire Var(Y − X).

Var(Y − X) = E Var(Y − X|G) + Var E (Y − X|G)
= E E (Y 2 |G) − E (X 2 )

= E (Y 2 ) − E (X 2 )
=0.
3. Que peut-on en déduire sur la relation entre X et Y ?

Elles sont égales presque sûrement.
Exercice 3.8
Un processus ponctuel de Poisson d’intensité λ > 0 est un processus {Nt }t>0 tel que
i. N0 = 0;
ii. pour t > s > 0, Nt − Ns est indépendant de Ns ;
iii. pour t > s > 0, Nt − Ns suit une loi de Poisson de paramètre λ(t − s):
(λ(t − s))k
P {Nt − Ns = k} = e−λ(t−s) , k∈N .
k!
On se donne des variables aléatoires i.i.d. {ξk }k∈N à valeurs dans N et de carré inté-
grables. Soit
Nt
X
Xt = ξk .
k=1
Le processus Xt est appelé un processus de Poisson composé.

1. Calculer E (Xt ).
Les ξk étant indépendants, on a
E (Xt |Nt ) = Nt E (ξ0 )
et donc
E (Xt ) = E E (Xt |Nt ) = E (Nt )E (ξ0 ) = λt E (ξ0 ) .
5
2. Calculer Var(Xt ).
La variance étant une forme quadratique, on a
Var E (Xt |Nt ) = Var(Nt ) E (ξ0 )2 = λt E (ξ0 )2 .

Afin de déterminer Var(Xt |Nt ), on commence par calculer

Nt
X
E (Xt2 |Nt ) = E (ξk ξl ) = Nt E (ξ02 ) + (Nt2 − Nt ) E (ξ0 )2 = Nt Var(ξ0 ) + Nt2 E (ξ0 )2 .
k,l=1
Par conséquent,
Var(Xt |Nt ) = E (Xt2 |Nt ) − E (Xt |Nt )2 = Nt Var(ξ0 ) ,
d’où il suit
E Var(Xt |Nt ) = E (Nt ) Var(ξ0 ) = λt Var(ξ0 ) .
En appliquant l’Exercice 3.6, on conclut que
Var(Xt ) = Var E (Xt |Nt ) + E Var(Xt |Nt ) = λt E (ξ02 ) .

Esperance Conditionnelle Master

Transféré par

Droits d'auteur :

Formats disponibles

Esperance Conditionnelle Master

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Esperance Conditionnelle Master

Transféré par

Droits d'auteur :

Formats disponibles

Université d’Orléans – Master 2 Recherche de Mathématiques 2009-10 1

TD Master 2 – Martingales et calcul stochastique

3. Calculer E (X|Y ) et E (Y |X).

En appliquant à notre cas, on obtient

Avant de calculer E (X), commençons par calculer E (X|N ). Conditionnellement à N = n,

La monotonie de l’espérance conditionnelle nous permet d’écrire

E (X 2 |F1 ) > E X 2 1{X 2 >a2 } F1 > E a2 1{X 2 >a2 } F1 = a2 P {|X| > a} F1 .

Le résultat s’étend à des variables aléatoires quelconques de la manière habituelle, en

Les variables X et Y sont indépendantes si et seulement si

pxy = px• p•y ∀x, y .

Les espérances conditionnelles sont données par

donc on aura E (Y |X) = E (Y ) si et seulement si

Enfin la condition E (XY ) = E (X)E (Y ) s’écrit

Si X et Y prennent leurs valeurs dans {−1, 0, 1} et E (Y ) = 0, on aura nécessairement

Et voici un exemple où E (XY ) = E (X)E (Y ) = 0, mais E (Y |X) 6= E (Y ) = 0 :

E [X − E (X|F2 )]2 + E [E (X|F2 ) − E (X|F1 )]2 = E [X − E (X|F1 )]2

Notons X2 = E (X|F2 ) et X1 = E (X|F1 ) = E (X2 |F1 ). On a

E (XX1 ) = E E (XX1 |F1 ) = E X1 E (X|F1 ) = E (X12 ) .

Par conséquent, en développant le carré on obtient

De manière similaire, on montre que E (XX2 ) = E (X22 ) et E (X1 X2 ) = E (X12 ), d’où

E [X2 − X1 ]2 = E (X22 ) − E (X12 ) .

Ceci implique le résultat (qui est équivalent au théorème de Pythagore appliqué à X,

Appliquons alors l’égalité montrée en 1. avec F1 remplaçé par F0 , et F2 remplaçé

Appliquons le résultat précédent avec F1 = σ(N ). On a E (X|N ) = µN et en

Comme d’autre part on a Var(E (X|N )) = Var(µN ) = µ2 Var(N ), le résultat est

1. Calculer Var(Y − X|G).

E (Y − X)2 G = E (Y 2 |G) − E (X 2 |G) = E (Y 2 |G) − X 2 .

3. Que peut-on en déduire sur la relation entre X et Y ?

Le processus Xt est appelé un processus de Poisson composé.

E (Xt |Nt ) = Nt E (ξ0 )

Var E (Xt |Nt ) = Var(Nt ) E (ξ0 )2 = λt E (ξ0 )2 .

Afin de déterminer Var(Xt |Nt ), on commence par calculer

Var(Xt |Nt ) = E (Xt2 |Nt ) − E (Xt |Nt )2 = Nt Var(ξ0 ) ,

Var(Xt ) = Var E (Xt |Nt ) + E Var(Xt |Nt ) = λt E (ξ02 ) .

Vous aimerez peut-être aussi