td12 Corrige
td12 Corrige
td12 Corrige
1 – Petites questions
Soit X, X0 , X1 , . . . des variables aléatoires réelles définies sur (Ω, A, P) et µ, µ0 , µ1 , . . . des mesures finies
sur R.
1. Supposons que (Xn )n≥0 converge en loi vers X. Soit f : R → R continue. A-t-on f (Xn ) → f (X) en
loi ?
R R
2. Supposons que pour tout f : R → R continue à support compact, f dµn → f dµ. Y a-t-il
convergence étroite de (µn )n≥0 vers µ ?
3. Supposons que pour tout f : R → R continue à support compact, E[f (Xn )] → E[f (X)]. Y a-t-il
convergence en loi de (Xn )n≥0 vers X ?
4. Supposons que (Xn )n≥0 converge en loi vers X. A-t-on E[Xn ] → E[X] ?
Corrigé.
1. Vrai : si g : R → R est continue bornée, alors g ◦ f est continue bornée et donc E [g(f (Xn ))] →
E [g(f (X))].
2. Faux : prendre µn = δn .
3. Vrai : cela a été vu dans le cours (en terme de mesures) : si une suite de mesures de probabilité
(µn )n∈N converge vaguement vers une mesure de probabilité µ, alors (µn )n∈N converge étroite-
ment vers µ
Remontrons le, en travaillant dans le cadre plus général d’un espace polonais E (métrique com-
plet séparable). Soit ε > 0. On sait que la loi de X est tendue, c’est-à-dire il existe K compact tel
que P(X ∈ K) ≥ 1 − ε (d’après le cours toute mesure borélienne finie sur un polonais est tendue).
Soit g : E → R continue à support compact telle que 1K ≤ g ≤ 1. Soit f : E → R continue bornée.
On a
Wn = Zmin(n,T ) .
Pour toute question, n’hésitez pas à m’envoyer un mail à michel.pain@ens.fr, ou bien à venir me voir au bureau V2.
1/10
Ainsi, (Wn ) est la marche aléatoire issue de 0 qui fait des sauts ±1 qui reste en 1 une fois qu’elle
l’a atteint. Il est possible de vérifier que T < ∞ p.s. de sorte que (Wn ) converge presque sûrement
vers 1. Or il est facile de vérifier que pour tout n ≥ 1, E [Wn ] = 0, de sorte que E [Wn ] ne converge
pas vers E [1]. Avec le langage du second semestre, cela fournit l’exemple d’une martingale qui
converge p.s. mais pas dans L1 .
Exercice 1.
Soit (Xn )n∈N une suite de variables aléatoires réelles définies sur (Ω, A, P) positives, indé-
pendantes et de même loi.
1. Montrer que pour tout α > 0 on a l’équivalence suivante :
X
E[X0 ] < ∞ ⇔ P(X0 ≥ αn) < ∞.
n≥0
presque sûrement.
Corrigé.
1. Soit X0 une v.a. positive et α > 0, il est facile de vérifier les encadrements de X0 suivants :
n≥0 n≥0
2. Soit α > 0, lim sup Xnn ≥ α ssi il existe une infinité de n tels que Xn ≥ αn. D’après la question
précédente, (
X < ∞ si E[X1 ] < ∞
P(Xn ≥ αn) ,
= ∞ si E[X1 ] = ∞
n≥0
donc, par Borel–Cantelli (en utilisant dans le cas de la série divergente que les événements
{Xn ≥ αn} sont indépendants),
! (
Xn 0 si E[X1 ] < ∞
P lim sup ≥α =
n→∞ n 1 si E[X1 ] = ∞
et par conséquent (
X 0 si E[X1 ] < ∞,
lim sup n =
n→∞ n ∞ si E[X1 ] = ∞,
presque sûrement.
2/10
Exercice 2. Soit (Xn )n≥1 une suite de variables aléatoires définies sur (Ω, A, P) indépendantes et de
loi de Bernoulli de paramètre 1/2. Pour n ≥ 1, on définit
la longueur de la plus grande série de 1 successifs obtenue avant l’instant n. Montrer que
Ln 1
−−−−−→ ,
ln n n→∞ ln 2
presque sûrement.
Corrigé. Soit ε > 0.
Limite supérieure. Pour j ≥ 1, on a
n−j n−j n−j
[ X X 1 n−j +1 n
P(Ln ≥ j) = P {Xi+1 = · · · = Xi+j = 1} ≤
P({Xi+1 = · · · = Xi+j = 1}) = j
= j
≤ j.
i=0 i=0 i=0
2 2 2
Soit jn B b(1 + ε) ln(n)/ ln(2)c. Alors P(Ln ≥ jn ) ≤ 2/nε . Posons n = nk = bk 2/ε c de sorte que
P
k P(Lnk ≥
jnk ) < ∞. D’après le lemme de Borel–Cantelli, p.s., pour tout k suffisamment grand on a
ln(nk )
Lnk < jnk ≤ (1 + ε) .
ln(2)
ln(2) nε
$ %
n 1 n ln(2) 1 n ln(2) 1
ln 1 − k ∼ − ≤ − = −
kn 2n (1 − ε) ln(n) 2kn (1 − ε) ln(n) 2n1−ε 2(1 − ε) ln(n)
ln(n)
Ln ≥ kn ≥ (1 − ε) − 1,
ln(2)
3/10
Exercice 3.
Soit (Xn )n∈N une suite de variables aléatoires réelles définies sur (Ω, A, P) indépendantes.
P
1. Montrer que la série n≥0 Xn converge presque sûrement ou diverge presque sûrement.
2. Supposons à présent que les variables aléatoires Xn sont positives et identiquement distribuées.
P
Montrer que n≥0 Xn = ∞ presque sûrement, sauf dans un cas à préciser.
Corrigé.
P P
1. Notons FN = σ (XN , XN +1 , . . .). La série n≥0 Xn converge si et seulement si la série n≥N Xn
converge pour tout N ≥ 0. Or
X
ω ∈ Ω : X (ω) converge ∈ FN . (1)
n
n≥N
On a donc
X
\
ω ∈ Ω : X (ω) converge ∈ FN .
n
n≥0 N ≥0
Or, pour p, q ≥ N ,
q
X 1
ω∈Ω: Xn (ω) < ∈ σ (Xp , Xp+1 , . . . , Xq ) ⊂ FN ,
k
n=p
Corrigé.
1. On remarque que
S
Bn (x) = E f n ,
n
avec Sn qui suit une loi binomiale de paramètre (n, x). On peut prendre Sn = X1 + · · · + Xn avec
(Xk )k≥1 une suite de variables aléatoires indépendantes de loi de Bernoulli de paramètre p. Alors,
d’après la loi forte des grands nombres, Sn /n converge p.s. vers E [X1 ] = x. Donc, par continuité
de f et par convergence dominée, Bn (x) → f (x).
4/10
2. Soit ε > 0, soit η > 0 le module d’uniforme continuité de f associé à ε. Alors on a
4 – Convergence en loi
Exercice 5. Soit (Xn)n≥1 une suite de variables aléatoires réelles définies sur (Ω, A, P) indépendantes et
de loi uniforme sur [0, 1]. On pose Mn B max(X1 , . . . , Xn ). Montrer que la suite (n(1−Mn ))n≥1 converge
en loi et expliciter la loi limite.
Corrigé. Pour tout n ≥ 1, la variable aléatoire n(1 − Mn) est à valeurs dans [0, n]. On a donc, pour tout
t < 0, P(n(1 − Mn ) ≤ t) = 0. Soit t ≥ 0 fixé. Pour tout n ≥ t, on a
t t t n
P(n(1 − Mn ) ≤ t) = P Mn ≥ 1 − = 1 − P Mn < 1 − = 1− 1− .
n n n
Donc P(n(1 − Mn ) ≤ t) → (1 − e−t )1{t≥0} , et la fonction t 7→ (1 − e−t )1{t≥0} est la fonction de répartition
de la loi exponentielle de paramètre 1. Ainsi, la suite (n(1 − Mn ))n≥1 converge en loi vers une variable
aléatoire exponentielle de paramètre 1.
Exercice 6. Soient (Xn )n≥1 une suite de variables aléatoires constantes, respectivement égales p.s. à
xn ∈ R, et X une variable aléatoire réelle. Montrer que Xn → X en loi quand n → ∞ si et seulement
s’il existe x ∈ R tel que X est de loi δx et xn → x quand n → ∞.
Corrigé. Si xn → x et si X est de loi δx alors pour toute fonction continue g : R → R on a E[g(Xn)] =
g(xn ) → g(x) = E[g(X)], ce qui signifie que Xn → X en loi.
Si Xn → X en loi alors FXn (t) → FX (t) pour tout t ∈ D où D est l’ensemble des points de continuité de F
(D est dense car le complémentaire d’un ensemble dénombrable). Pour tout t ∈ R, on a FXn (t) ∈ {0, 1}
et donc FX (t) ∈ {0, 1} pour tout t ∈ D. Comme FX est continue à droite, on a FX (t) ∈ {0, 1} pour
tout t ∈ R Comme FX est croissante, il existe x ∈ R tel que FX = 1[x,∞[ . Donc X est de loi δx . En
outre, pour t > x (on a t ∈ D), on a 1xn ≤t = FXn (t) → FX (t) = 1. Donc xn ≤ t à partir d’un certain
rang, donc lim supn→∞ xn ≤ t et avec t ↓ x on obtient lim supn→∞ xn ≤ x. On procède de même pour
lim infn→∞ xn ≥ x.
Exercice 7.
Soit (Zn )n≥1 une suite de variables aléatoires définies sur (Ω, A, P), respectivement de loi
exponentielle de paramètre n.
1. Montrer que Zn converge presque sûrement vers 0 lorsque n → ∞.
2. Montrer que presque sûrement, à partir d’un certain rang, Zn < Z1 .
P
3. On suppose ici que les variables aléatoires (Zn )n≥1 sont indépendantes. Calculer n≥1 P (Zn ≥ Z1 ).
Commenter.
5/10
Corrigé.
1. Soit ε > 0. On a P (Zn > ε) = e−nε . Donc
X
P (Zn > ε) < ∞.
n≥0
D’après le lemme Borel–Cantelli, pour tout ε > 0, presque sûrement, à partir d’un certain rang
on a Zn ≤ ε. Donc presque sûrement, pour entier k ≥ 1, à partir d’un certain rang 0 ≤ Zn ≤ 1/k.
On en déduit que Zn converge presque sûrement vers 0.
2. Soit A B {ω ∈ Ω : Zn (ω) → 0 et Z1 > 0}. Soit ω ∈ A. Alors à partir d’un certain rang Zn (ω) < Z1 (ω).
Comme P (A) = 1, ceci conclut.
3. On a P (Zn > Z1 ) = 1/(n + 1) pour n ≥ 2. Ainsi
X
P (Zn > Z1 ) = ∞.
n≥1
Ici le lemme Borel–Cantelli (version série divergente) ne s’applique pas car les événements {Zn >
Z1 } ne sont pas indépendants.
Exercice 8. (Loi des grands nombres, cas non intégrable) Soit (Xn)n≥1 une suite de variables aléatoires
réelles définies sur (Ω, A, P) indépendantes et de même loi. On pose, pour tout n ≥ 1, Sn B X1 +. . .+Xn .
1. Montrer que X
E [|X1 |] ≤ 1 + P(|Xn | ≥ n).
n≥1
2. En déduire que, si X1 n’est pas intégrable, alors la suite (Sn /n)n≥1 diverge presque sûrement.
Corrigé.
1. On utilise la relation Z ∞
E [|X1 |] = P(|X1 | > t) dt,
0
P
pour obtenir E(|X1 |) ≤ 1 + n≥1 P(|X1 | ≥ n). Puis on a P(|X1 | ≥ n) = P(|Xn | ≥ n).
P
2. Si X1 n’est pas intégrable alors n≥1 P(|Xn | ≥ n) = +∞. Les événements {|Xn | ≥ n} étant indépen-
dants, on a P(lim sup{|Xn | ≥ n}) = 1 d’après le lemme de Borel–Cantelli. On remarque que
\( )
Sn Sn+1 Sn
{(Sn /n)n≥1 converge dans R} ⊂ − →0 →0 .
n n+1 n(n + 1)
Donc
Xn
{(Sn /n)n≥1 converge dans R} ⊂ → 0 ⊂ (lim sup{|Xn | ≥ n})c .
n
Donc Sn /n diverge p.s.
Exercice 9. (Mesure empirique) Soit µ une mesure de probabilité sur R. Soit (Xk )k≥1 une suite de
variables aléatoires définies sur (Ω, A, P) indépendantes de loi µ. Pour n ∈ N, on définit
n
1X
µn B δXk ,
n
k=1
qui est une mesure aléatoire appelée mesure empirique associée à l’échantillon (X1 , . . . , Xn ). L’objectif
de cet exercice est de montrer que la mesure empirique converge vers la vraie mesure, c’est-à-dire
qu’à partir des observations Xk , on arrive à retrouver la loi inconnue µ.
6/10
1. Montrer que Cc (R) est séparable pour la norme infini.
2. Soit (νn )n∈N une suite de mesures de probabilité sur R et ν une mesure de probabilité sur R. Soit
H une partie dense de Cc (R) pour la norme infini. Montrer que νn converge étroitement vers ν
si et seulement si Z Z
∀h ∈ H, h dνn −−−−−→ h dν.
R n→∞ R
3. Montrer que presque sûrement, µn converge étroitement vers µ quand n → ∞.
Corrigé.
1. Soit f ∈ Cc (R). Pour k, n ∈ N, on fixe fn,k ∈ Q tel que
(
|fn,k − f (k/n)| ≤ 1/n si f (k/n) < Q,
fn,k = f (k/n) si f (k/n) ∈ Q.
On définit pour n ∈ N la fonction fn comme étant la fonction affine par morceaux interpolant
les fn,k pour k ∈ Z. Alors fn ∈ Cc (R) et on vérifie, en utilisant l’uniforme continuité de f , que
kf − fn k∞ −−−−−→ 0.
n→∞
Donc l’ensemble des fonctions affines par morceaux à support compact interpolant un nombre
fini de points à coordonnées rationnelles est dense dans Cc (R) pour la norme infini et il est aussi
dénombrable.
2. Le sens direct est clair, montrons la réciproque : on suppose que
Z Z
∀h ∈ H, h dνn −−−−−→ h dν.
R n→∞ R
≤ kh − f k∞ + h dνn − h dν + kh − f k∞ .
R R
et avec ε → 0, on en déduit
Z Z
∀f ∈ Cc (R), f dνn −−−−−→ f dν,
R n→∞ R
c’est-à-dire que νn converge vaguement vers ν. Comme ν et les νn sont des mesures de probabi-
lités, cela implique la convergence étroite.
3. Soit H une partie dénombrable dense de Cc (R) pour la norme infini, qui existe par la question 1.
Soit h ∈ H. On a
Z Z n
1X
h dµn − h dµ = h(Xk ) − E [h(X1 )] −−−−−→ 0, presque sûrement,
R R n n→∞
k=1
par la loi forte des grands nombres, car E [h(X1 )] < ∞. Comme H est dénombrable, on peut
échanger le “∀h ∈ H” et le “presque sûrement” : on a donc presque sûrement
Z Z
∀h ∈ H, h dµn −−−−−→ h dµ.
R n→∞ R
Par la question 2., on en déduit que presque sûrement, µn converge étroitement vers µ quand
n → ∞.
7/10
Exercice 10. Soit (Xn )n≥1 une suite de variables aléatoires réelles définies sur (Ω, A, P) indépendantes
et identiquement distribuées. On note F la fonction de répartition de X1 et on suppose que X1 n’est
pas p.s. constante. On pose α B inf{x ∈ R : F(x) > 0} et β B sup{x ∈ R : F(x) < 1}.
1. Montrer que α < β, que α , +∞ et que β , −∞.
2. Montrer que
lim inf Xn = α et lim sup Xn = β,
n→∞ n→∞
presque sûrement.
Corrigé.
1. On a α ≤ β car F est croissante. Supposons que α = β. Alors par continuité à droite F(α) = 1 et F
est la fonction de répartition de la mesure δα ce qui contredit l’hypothèse de l’énoncé. Si β = +∞
cela signifie que F ≡ 1 ce qui n’est pas possible car F(x) → 0 quand x → −∞. De même α , +∞.
2. Montrons tout d’abord que, pour a ∈ R tel que 0 < F(a) < 1, on a p.s.
Ainsi p.s., lim supn→∞ Xn ≥ a. De même, lim sup{Xn ≤ a} ⊂ {lim infn→∞ Xn ≤ a}, et on montre
comme précedemment que p.s. lim infn→∞ Xn ≤ a.
Soit (βk )k≥1 une suite croissante qui tend vers β telle que α < βk < β. D’après le petit résultat
montré juste avant, on a pour tout k ≥ 1, p.s., lim supn→∞ Xn ≥ βk . Ainsi, p.s., lim supn→∞ Xn ≥
β. Supposons β < +∞. Soit k ≥ 1. On a {lim supn→∞ Xn > β + 1/k} ⊂ lim sup{Xn > β + 1/k}. Or
F(β + 1/k) = 1, donc P (Xn > β + 1/k) = 0
Ainsi pour tout k ≥ 1, p.s., lim supn→∞ Xn ≤ β + 1/k puis, p.s., lim supn→∞ Xn ≤ β.
Pour l’autre limite, ça marche pareil. Soit (αk )k≥1 une suite décroissante qui tend vers α telle que
α < βk < β. D’après le petit résultat montré juste avant, on a pour tout k ≥ 1, p.s., lim supn→∞ Xn ≤
αk . Ainsi, p.s., lim supn→∞ Xn ≤ α. Supposons α > −∞. Soit k ≥ 1. On a {lim infn→∞ Xn < α−1/k} ⊂
lim sup{Xn < α − 1/k}. Comme F(α − 1/k) = 0 pour tout k ≥ 1, on conclut comme précedemment
que, p.s., lim infn→∞ Xn ≥ α.
Exercice 11. Montrer qu’il n’existe pas de mesure de probabilité sur N∗ telle que, pour tout n ≥ 1, la
probabilité de l’ensemble des multiples de n soit égale à 1/n.
Corrigé. Supposons qu’il existe une telle probabilité P. Soit p1, . . . , pk des nombres premiers, on a
k
1 Y
P(p1 N ∩ · · · ∩ pk N) = P((p1 · · · pk )N) = = P(pi N),
p1 · · · pk
i=1
8/10
où l’on utilise que la série des inverses des nombres premiers diverge (voir sur Wikipédia pour une
preuve). Donc, par le lemme de Borel–Cantelli, presque tout entier n ∈ N (pour P) appartient à une
infinité de pN, c’est-à-dire est multiple d’une infinité de nombres premiers distincts. Mais, il n’y a
que 0 qui vérifie cette propriété. Donc P(N∗ ) = 0 et ainsi P({0}) = 1. Cela contredit la définition de
P : ∀n ∈ N, 0 ∈ nN donc P(nN) = 1 , 1/n.
Exercice 12. (Retours en 0 de la marche aléatoire simple asymétrique) Soit (Xn)n≥1 une suite de variables
aléatoires définies sur (Ω, A, P) indépendantes de loi de Bernoulli de paramètre p ∈ ]0, 1[ tel que
p , 1/2. On considère S0 B 0 et Sn B X1 + · · · + Xn pour n ≥ 1. Montrer que presque sûrement le
nombre de passages en 0 de la marche (Sn )n∈N est fini.
Corrigé. On pose An B {Sn = 0}, de sorte que lim supn→∞ An soit l’événement “(SPn)n∈N passe une
infinité de fois en 0”. D’après le lemme de Borel–Cantelli, il suffit de montrer que P(An ) converge.
Or P(An ) est nul si n est impair et
!
2n n
P(A2n ) = P(S2n = 0) = p (1 − p)n .
n
(2n+1)(2n+1)
Or P(A2n+2 )/P(A2n ) = (n+1)2 p(1 − p) → 4p(1 − p) quand n → ∞. Or 4p(1 − p) < 1 puisque p , 1/2,
d’où la convergence de la série.
Exercice 13.
1. Soit µ une mesure de probabilité sur (R, B(R)). Pour tout n ≥ 1, on définit une mesure de proba-
bilité µn sur (R, B(R)) par : X
µn B µ([k/n, (k + 1)/n[)δk/n .
k∈Z
Montrer que µn converge étroitement vers µ quand n → ∞.
2. En déduire que si (Xn )n≥1 est une suite de variables aléatoires définies sur (Ω, A, P), respecti-
vement de loi géométrique de paramètre e−1/n , alors la suite (Xn /n)n≥1 converge en loi vers une
variable aléatoire exponentielle de paramètre 1.
Corrigé.
1. Soit X une variable aléatoire réelle définie sur un espace (Ω, A, P) de loi µ. Alors on voit que
pour tout n ≥ 1, la variable aléatoire Yn = bnXc/n (bxc désigne la partie entière de x) suit la loi
µn . Et Yn → X p.s. Donc Yn → X en loi, ce qui signifie que µn → µ étroitement.
2. On pose m(dx) = e−x 1{x>0} dx. Alors on vérifie que pour tout n ≥ 1, mn est la loi de la variable
aléatoire Xn /n. En effet,
Z (k+1)/n
−k/n −(k+1)/n
P(Xn = k) = e −e = e−x dx = mn ({k/n}).
k/n
Exercice 14.
1. Soit f : [0, 1] → R continue. Déterminer la limite de
Z
x + . . . + xn
f 1 dx1 . . . dxn
[0,1]n n
quand n → ∞.
9/10
2. Soit f : R+ → R continue bornée et λ > 0. Déterminer la limite de
∞ k
!
−λn (λn) k
X
e f
k! n
k=0
quand n → ∞.
Corrigé.
1. On a Z
x1 + . . . + xn U1 + . . . + Un
f dx1 . . . dxn = E f
[0,1]n n n
où U1 , . . . , Un sont des variables aléatoires indépendantes et uniformes sur [0, 1]. D’après la loi
forte des grands nombres, n−1 (U1 + . . . + Un ) converge p.s. et donc en loi vers 1/2. Ainsi,
Z
x + . . . + xn 1
lim dx1 , . . . dxn f 1 =f .
n→∞ [0,1]n n 2
2. On a
∞ k
!
−λn (λn) k P + . . . + Pn
X
e f =E f 1 ,
k! n n
k=0
où P1 , . . . , Pn sont des variables aléatoires de Poisson de paramètre λ indépendantes. D’après la
loi forte des grands nombres, n−1 (P1 + . . . + Pn ) converge p.s. et donc en loi vers λ. Ainsi,
∞ k
!
−λn (λn) k
X
lim e f = f (λ).
n→∞ k! n
k=0
Remarque. On a utilisé les résultats suivants que vous pourrez vérifier à titre d’exercice :
B La moyenne d’une variable aléatoire suivant une loi de Poisson de paramètre λ > 0 est λ.
B Soient n ≥ 1, λ1 , . . . , λn > 0 et X1 , . . . , Xn n variables aléatoires indépendantes, chaque Xi sui-
vant une loi de Poisson de paramètre λi . Alors X1 + . . . + Xn suit une loi de Poisson de para-
mètre λ1 + . . . + λn .
Recollement aléatoire
Recollement aléatoire de cercles
de cercles (par Del-
(par Delphin Sénizergues)
phin Sénizergues)
Fin
10/10