PROCESSUS STOCHASTIQUES - TD 6

MARTINGALES - CONVERGENCE Lp - UNIFORME INTÉGRABILITÉ

Exercice 1 (Série aléatoire).
Soit (Xi )i≥1 une suite de variables indépendantes de Bernoulli de paramètre 1/2, i.e. P(X1 =
1) = P(X1 = −1) = 1/2 et αn une suite de réels positifs. On considère la série
n
X
Sn = αi Xi .
i=1

αi2 < ∞ alors Sn converge presque sûrement.

P
1. Montrer que si
2. (?) Montrer que si αi2 = ∞ alors Sn oscille indéfiniment presque sûrement.
P

Correction : Il est aisé de voir que Sn est une martingale qui est bornée dans L2 et donc
dans L1 et ainsi converge presque sûrement.
Exercice 2 (Théorème de Kakutani).
Soit X1 , . . . , Xn une suite de variables aléatoires indépendantes positives de moyenne 1. Pour
n ≥ 0 on pose
Yn
Mn = Xk (M0 = 1).
k=1
1. Montrer que (Mn ) est une martingale qui converge p.s. vers M∞ .
√
On pose pour n ≥ 1, soit an = E[ Xn ] ∈ ]0, 1] et
n √
Y Xk
Nn = (N0 = 1).
ak
k=1

2. En utilisant le processus (Nn ) montrer que les cinq conditions suivantes sont équivalentes
(a) E[M∞ ] = 1,
(b) Mn → M∞ dans L1 quand n → ∞,
(c) la martingale (Mn ) est uniformément intégrable,
Q∞
(d) ak > 0,
Pk=1
∞
(e) k=1 (1 − ak ) < ∞.

Montrer que si l’une des conditions précédentes n’est pas remplie alors M∞ = 0 presque
sûrement.
Correction :
1. Facile.
2. Le cours donne (b) ⇐⇒ (c). C’est classique (prépa) que (d) ⇐⇒ (e) (passer au log et
faire un équivalent). De plus (b) ⇒ (a), la réciproque est donnée par le lemme deQScheffé.
D’un autre c√ôté (NnQ
) est une martingale positive donc converge p.s. vers√N∞ . SiQ ak > 0
alors Nn = Mn / n ak est bornée dans L2 et converge dans LQ 2 vers M∞ / ak . On
en Q que Mn → M∞ dans L1 , ceci prouve (d) ⇒ (b). Si ak = 0 alors puisque
√ déduit
Mn / n ak converge p.s. vers une valeur finie N∞ , on a Mn → 0 p.s et M∞ = 0 p.s..
D’où non (d) implique non (a). La boucle est bouclée.

1
Exercice 3 (Loi du logarithme itéré.).
Soit (Xn )n≥1 une suite de variables aléatoires i.i.d. de loi normale N (0, 1) sur un espace de
probabilité (Ω, F, P). On définit Sn = X1 + . . . + Xn . Le but de l’exercice est de montrer que
p.s. on a
Sn
lim sup √ ≤ 1.
n→∞ 2n log log n
√
On pose h(x) = 2x log log x pour x ≥ e.

1. Montrer que pour tous θ > 0 et c > 0, on a :

   
P max Sk ≥ c ≤ e−θc E eθSn .
1≤k≤n

En déduire que :  
c2
P max Sk ≥ c ≤ e− 2n .
1≤k≤n

2. Soit K > 1. Majorer la quantité

 
n−1
P max Sk ≥ Kh(K )
1≤k≤K n

et montrer que lim sup h(n)−1 Sn ≤ K, p.s. Conclure.

n→∞
Sn
Remarque : Il est possible de montrer que lim sup √2n log log n
= 1 p.s.

Correction :

1. La fonction x → eθx est convexe, donc par Jensen, (eθSn )n≥0 est une sous martingale. Le
résultat demandé se déduit alors de l’inégalité maximale de Doob. Maintenant faisons un
peu de calcul gaussien : Sn suit une loi gaussienne centrée de variance n. Je vous laisse
2
vérifier que E[eθSn ] = e−θ /2n , donc
 
2
P max Sk ≥ c ≤ e−θc+θ /2n .
1≤k≤n

Comme cela est vrai pour tous les θ, on peut prendre le θ qui minimise le terme de droite
: θ = nc . Ona a alors  
c2
P max Sk ≥ c ≤ e− 2n .
1≤k≤n

2. Maintenant on va reprendre le résultat précédent en remplaçant n par K n et c par Kh(K n−1

:
 
K 2 h(K n−1 )2
P max n Sk ≥ Kh(K n−1
) ≤ e− 2K n
1≤k≤K
K 2 2K n−1 log log(K n−1
= e− 2K n

n−1 1
= e−K log log K =
(log K)K (n − 1)K

2
 La probabilité recherchée est donc inférieure à cste
nK
. Comme K > 1, ces probas sont
sommables, et on peut utiliser le lemme de Borel-Cantelli :

il n’y a qu’un nombre fini de n tq max Sk ≥ Kh(K n−1 ) p.s.

1≤k≤K n

Sk
Maintenant il faut un peu bidouiller ceci de telle sorte qu’on arrive à lim sup h(k) ≤ K p.s.
Sk
Soit k un entier tel que h(k) ≤ K. Il existe un unique entier n tel que k ∈ [K n−1 , K n [.
Comme la fonction h(x) est croissante, on a alors que h(K n−1 ) ≤ h(k) et
Sk Sk
≥ ≥ K,
h(K n−1 ) h(k)

donc max Sk ≥ Kh(K n−1 ).

1≤k≤K n
Sk
Donc s’il y avait une infinité de k tels que h(k) ≤ K, il y aurait une infinité de n tels que
max1≤k≤K n Sk ≥ Kh(K n−1 ). Par le Borel-Cantelli de tout à l’heure, ceci est faux p.s. et
Sk
lim sup ≤ K p.s.
k→∞ h(k)
Sn
Comme ceci est vrai pour tout K > 1, on en déduit que lim sup √2n log log n
≤ 1. Si vous
êtes intéressés par la preuve de l’autre sens de l’inégalité, et de la démonstration quand la
loi des Xi est quelconque, vous pouvez aller voir W. Feller, An introduction to Probability
Theory and its Applications Vol.1 p 204-208 (code bibliothèque M 732 411(22).
Exercice 4 (La loi du tout ou rien de Hewitt-Savage.). Tiré du poly de J.-F. Le Gall.
Soit (ξn )n∈N∗ une suite de v.a. i.i.d. à valeurs dans un espace mesurable (E, E). L’application
∗
ω → (ξ1 (ω), ξ2 (ω), ...) définit une v.a. à valeurs dans l’espace produit E N , qui est muni de la
tribu produit, la plus petite tribu rendant mesurable les applications coordonnées (x1 , x2 , ...) →
∗
xi pour tout i ∈ N∗ . Une fonction mesurable F définie sur E N est dite symétrique si

F (x1 , x2 , ...) = F (xπ(1) , xπ(2) , ...)

pour toute permutation π de N∗ à support fini. On veut montrer que si F est une fonction
∗
symétrique sur E N , la variable aléatoire Y := F (ξ1 , ξ2 , ...) est constante p.s. Supposons, sans
perte de généralité, que F est bornée, donc Y dans L1 .
1. On pose Fn = σ(ξ1 , ..., ξn ), Gn = σ(ξn+1 , ξn+2 , ...), Xn = E[Y |Fn ] et Zn = E[Y |Gn ]. Que
peut-on dire de (Xn )n∈N∗ et de (Zn )n∈N∗ ? En déduire que pour tout ε > 0, il existe n
assez grand tel que

E[|Xn − Y |] ≤ ε et E[|Zn − E(Y )|] ≤ ε .

2. Montrer qu’il existe un entier n et une fonction mesurable g : E n → R telle que

E[|F (ξ1 , ξ2 , ...) − g(ξ1 , ..., ξn )|] ≤ ε .

En déduire que
E[|Zn − g(ξn+1 , ..., ξ2n )|] ≤ ε .

3
3. Conclure.

4. Donner un exemple d’application qui ne peut pas être déduit de la loi du 0 − 1 de Kol-
mogorov.

Correction :

1. (Fn )n∈N∗ est une filtration, Y est dans L1 et pour tout n, Xn = E[Y |Fn ], donc (Xn )n∈N∗ est
une martingale fermée (c’est sa définition !) donc uniformément intégrable. Elle converge
donc p.s. et dans L1 vers X∞ = E[Y |F∞ ] où F∞ = σ(ξ1 , ξ2 , ...). Y étant F∞ -mesurable,
(Xn ) converge donc p.s. et dans L1 vers Y .
D’autre part (Gn )n∈N∗ est une suite décroissante de tribus, Y est (toujours) dans L1 et pour
tout n, Zn = E[Y |Gn ], donc par le théorème de convergence des martingales T rétrogrades
on sait que (Zn ) converg p.s. et dans L1 vers Z∞ = E[Y |G∞ ], où G∞ = n∈N∗ Gn . Or on
sait par la loi du tout ou rien que G∞ est grossière (i.e., ne contient que l’ensemble vide et
l’espace tout entier), donc Z∞ = E(Y ).
On en déduit immédiatement que pour tout ε > 0, il existe n assez grand tel que

E[|Xn − Y |] ≤ ε et E[|Zn − E(Y )|] ≤ ε . (1)

2. Xn est Fn -mesurable, donc il existe une fonction mesurable g : E n → R telle que Xn =

g(ξ1 , ..., ξn ). La première inégalité de (1) s’écrit donc

E[|F (ξ1 , ξ2 , ...) − g(ξ1 , ..., ξn )|] ≤ ε .

La suite (ξn+1 , ..., ξ2n , ξ1 , ..., ξn , ξ2n+1 , ...) a même loi que la suite (ξ1 , ξ2 , ...), donc cette
majoration donne aussi

E[|F (ξn+1 , ..., ξ2n , ξ1 , ..., ξn , ξ2n+1 , ...) − g(ξn+1 , ..., ξ2n )|] ≤ ε .

Or F est symétrique, donc F (ξn+1 , ..., ξ2n , ξ1 , ..., ξn , ξ2n+1 , ...) = Y et on obtient

E[|Y − g(ξn+1 , ..., ξ2n )|] ≤ ε . (2)

Par l’inégalité de Jensen, on remarque que pour toute variable aléatoire U intégrable et
toute sous-tribu A, on a E[|U |] = E[E[|U ||A]] ≥ E[|E[U |A]|], donc en appliquant ceci à
U = Y − g(ξn+1 , ..., ξ2n ) et A = Gn , par (2) on obtient

E[|E[Y |Gn ] − E[g(ξn+1 , ..., ξ2n )|Gn ]|] ≤ ε

soit
E[|Zn − g(ξn+1 , ..., ξ2n )|] ≤ ε . (3)

3. En combinant la deuxième inégalité de (1) avec (2) et (3) on obtient

E[|Y − E(Y )|] ≤ 3ε ,

et ε étant arbitraire on en déduit que Y = E(Y ) p.s.

4
4. Si (Xn ) est une suite i.i.d. alors l’évènement
( n )
X
Xi = 0, pour une infinité de n ,
i=1

est symétrique (sa fonction indicatrice est symétrique) mais n’est pas dans la tribu asymp-
totique.