Révision Problème de Mathématiques Spéciales

Calculs des Probabilités

51 Convexité - Probabilité - Concentration

N.B : La partie préliminaires est à faire attentivement,

ce sont des résultats classiques portant sur la
convexité et les probabilités.

I. Préliminaires
I.A - Projection sur un convexe fermé
Soit E un espace euclidien.
Q 1. Soient a et b dans E. Montrer la relation suivante et en donner une interprétation géométrique :

k a + bk2 + k a − bk2 = 2(k ak2 + kbk2 )

Q 2. En déduire que si u, v et v0 dans E vérifient v 6= v0 et ku − vk = ku − v0 k alors

0

u − v + v < ku − vk

2

Q 3. Soient F un fermé non vide de E et u dans E. Montrer qu’il existe v dans F tel que

∀w ∈ F, ku − vk 6 ku − wk

Q 4. En déduire que si C est un convexe fermé non vide de E et u est un vecteur de E alors il existe un unique
v dans C tel que
∀w ∈ C, ku − vk 6 ku − wk

On dira que v est le projeté de u sur C et on notera d(u, C ) = ku − vk.

I.B - Inégalité de Hölder pour l’espérance

1 1
Soient p et q deux réels strictement positifs tels que + = 1.
p q
Q 5. Montrer que, pour tous réels positifs a et b,

ap aq
ab 6 +
p q

On pourra utiliser la concavité du logarithme.

Q 6. En déduire que si X et Y sont deux variables aléatoires réelles sur l’espace probabilisé (Ω, A, P) alors

E(| XY |) 6 E (| X | p )1/ p E (|Y |q )1/q

On pourra d’abord montrer ce résultat lorsque E(| X | p ) = E(|Y |q ) = 1.

Mr. Faress Moussa 1/15 M.P. 19-20

I.C - Espérance conditionnelle
Soit X : Ω → R une variable aléatoire à valeurs réelles.
Pour tout événement A ⊂ Ω de probabilité non nulle, l’espérance conditionnelle de X sachant A, notée E( X | A),
est par définition le réel
E( X | A ) = ∑ P A ( X = x ) · x
x∈ X (Ω)

En d’autres termes, E( X | A) est l’espérance de X dans l’espace (Ω, A, P A ).

Les propriétés usuelles de linéarité et positivité de l’espérance, qu’on ne demande pas de redémontrer, sont
ainsi valables pour l’espérance conditionnelle sachant A.
Q 7. Soit ( A1 , . . . , Am ) un système complet d’événements de probabilités non nulles. Montrer que
m
E( X ) = ∑ P( A i ) · E( X | A i )
i =1

I.D - Variables aléatoires à queue sous-gaussienne

Soit X : Ω → R une variable aléatoire réelle.
On suppose qu’il existe deux réels strictement positifs a et b tels que pour tout réel positif t,

P(| X | > t) 6 a exp(−bt2 )

Q 8. Montrer que
Z∞
+
2
E( X ) = 2 tP(| X | > t) dt
0

On pourra noter X 2 (Ω) = { y1 , . . . , yn } avec 0 6 y1 < y2 < · · · < yn .

a
Q 9. Montrer que le moment d’ordre deux de X est inférieur ou égal à .
b
r
a
Soit δ un réel tel que 0 6 |δ | 6 .
b
Q 10. Justifier que, pour tout réel t,
P(| X + δ | > t) 6 P(| X | > t − |δ |)

Q 11. Montrer que, pour tout réel t,

t2 b
−b(t − |δ |)2 6 a −
2
Q 12. En déduire que pour tout réel t tel que t > |δ | on a

1
P(| X + δ | > t) 6 a exp( a) exp(− bt2 )
2

Q 13. Justifier que l’inégalité précédente reste valable si 0 6 t < |δ |.

II. L’inégalité de concentration de Talagrand

Soit E un espace euclidien de dimension n > 1 muni d’une base orthonormée (e1 , . . . , en ).
Soient ε1 , . . . , εn : Ω → {−1, 1} des variables de Rademacher indépendantes dans leur ensemble.
n
On pose X = ∑ εi ei .
i =1
L’objectif de cette partie est de montrer, pour tout convexe fermé non vide C de E,
  
1
P( X ∈ C ) · E exp d( X, C )2 61 (II.1)
8

M.P. 19-20 2/15 Convexité - Probabilité - Concentration

II.A - Étude de deux cas particuliers
Q 14. Traiter le cas où C est un convexe fermé ne rencontrant pas X (Ω).
On suppose dans la suite de cette sous-partie II.A uniquement, que C est un convexe fermé de E qui rencontre
X (Ω) en un seul vecteur u.
1
Q 15. Montrer que d( X, u)2 suit une loi binomiale de paramètres n et 1/2.
4
 
1
Q 16. En déduire l’espérance de exp d( X, u)2 et montrer qu’elle est inférieure ou égale à 2n .
8

Q 17. Justifier que d( X, C ) 6 d( X, u) et en déduire l’inégalité (II.1) dans ce cas.

II.B - Initialisation
On suppose désormais que C est un convexe fermé de E tel que C ∩ X (Ω) contient au moins deux éléments.
Quitte à permuter les vecteurs de la base, on peut supposer que ces deux vecteurs diffèrent par leur dernière
coordonnée.
On se propose de démontrer l’inégalité (II.1) par récurrence sur la dimension n de E.
Q 18. Traiter le cas n = 1.

II.C - Propriétés de C+1 et C−1

Soit n un entier tel que n > 2. On suppose à présent que (II.1) est vérifiée au rang n − 1.
On note E0 = Vect(e1 , . . . , en−1 ) et π la projection orthogonale sur E0
n n−1
π : ∑ xi ei 7 → ∑ xi ei
i =1 i =1
n−1
On pose X 0 = π ◦ X = ∑ εi ei . C’est une variable aléatoire à valeurs dans E0 .
i =1
Pour t ∈ {−1, 1} on note
— Ht l’hyperplan affine E0 + ten ;
— Ct = π (C ∩ Ht ).
Q 19. Montrer, pour x0 ∈ E0 et t ∈ {1, −1}, que x0 ∈ Ct ⇐⇒ x0 + ten ∈ C

Q 20. Montrer que C+1 et C−1 sont des convexes fermés non vides de E0 .
Pour t ∈ {−1, 1}, on note Yt le projeté orthogonal de X 0 sur le convexe fermé non vide Ct . C’est une variable
aléatoire à valeurs dans E0 .
Q 21. Montrer que
1 1
P( X ∈ C ) = P( X 0 ∈ C+1 ) + P( X 0 ∈ C−1 )
2 2

II.D - Une inégalité cruciale

Soit λ un réel tel que 0 6 λ 6 1.
Q 22. Montrer que
d( X, C ) 6 k(1 − λ )(Yεn + εn en ) + λ (Y−εn − εn en ) − X k

Q 23. En déduire que

d( X, C )2 6 4λ 2 + k(1 − λ )(Yεn − X 0 ) + λ (Y−εn − X 0 )k2
puis que
d( X, C )2 6 4λ 2 + (1 − λ )kYεn − X 0 k2 + λ kY−εn − X 0 k2
Ainsi, on a montré l’inégalité
d( X, C )2 6 4λ 2 + (1 − λ )d( X 0 , Cεn )2 + λd( X 0 , C−εn )2

Mr. Faress Moussa 3/15 M.P. 19-20

 II.E - Espérances conditionnelles
On note
p+ = P( X 0 ∈ C+1 ) et p− = P( X 0 ∈ C−1 )
On va supposer, sans perte de généralité, que p+ > p− .
Q 24. Montrer que p− > 0.

Q 25. Montrer que pour tout λ dans [0, 1]

1−λ  λ !
d( X, C )2 d( X 0 , C−1 )2 d( X 0 , C1 )2
     2   
λ
E exp |εn = −1 6 exp E exp · exp
8 2 8 8

Q 26. En déduire que

1−λ   λ
d( X, C )2 d( X 0 , C−1 )2 d( X 0 , C1 )2
     2   
λ
E exp |εn = −1 6 exp E exp · E exp
8 2 8 8

Q 27. À l’aide de l’hypothèse de récurrence, justifier que

   
1 2 1
E exp d( X, C ) |εn = 1 6
8 p+

Q 28. Déduire de ce qui précède que pour tout λ dans [0, 1],
!
λ2
    
1 1 1 1 1
E exp d( X, C )2 6 + exp ·
8 2 p+ 2 ( p− )1−λ ( p+ )λ

II.F - Optimisation
p−
Q 29. On pose λ = 1 − . Montrer que
p+

λ2
      
1 1 λ −1
E exp d( X, C )2 6 + 1 + exp (1 − λ )
8 2p 2

Q 30. Montrer que pour tout x ∈ [0, 1[,

x2
+ ( x − 1) ln(1 − x) 6 ln(2 + x) − ln(2 − x)
2
On pourra faire une étude de fonction.

Q 31. En déduire que pour tout x ∈ [0, 1[

x2
 
4
1 + exp ( 1 − x ) x−1 6
2 2−x

Q 32. Terminer la démonstration de l’inégalité (II.1).

II.G - Inégalité de Talagrand

Q 33. En déduire l’inégalité de Talagrand :

Pour tout C convexe fermé non vide de E et pour tout réel t strictement positif

t2
 
P( X ∈ C ) · P(d( X, C ) > t) 6 exp −
8

M.P. 19-20 4/15 Convexité - Probabilité - Concentration

 Un corrigé
I. Préliminaires
I.A - Projection sur un convexe fermé
Q 1. On a k a + bk2 = h a + b, a + bi = h a, ai + h a, bi + hb, ai + hb, bi
donc k a + bk2 = k ak2 + kbk2 + 2h a, bi et de même k a − bk2 = k ak2 + kbk2 − 2h a, bi
Par somme, on a l’identité du parallélogramme : k a + bk2 + k a − bk2 = 2(k ak2 + kbk2 )
−→ −→
Géométriquement, dans un parallélogramme ( ABCD ) (i.e. AB = DC), on a

AB2 + BC 2 + CD 2 + DA2 = AC 2 + BD 2

Q 2. On suppose que u, v et v0 dans E vérifient v 6= v0 et ku − vk = ku − v0 k .

v + v0

= ku − v + u − v0 k

On a 2 u −
2
 
En appliquant la question précédente on a k(u − v) + (u − v0 )k2 + kv0 − vk2 = 2 ku − vk2 + ku − v0 k2 =
4ku − vk2
Comme v 6= v0 , on a kv0 − vk2 > 0
√
donc k(u − v) + (u − v0 )k < 2ku − vk car · est strictement croissante sur R+
v + v0


En divisant par 2, on a alors u −
< ku − vk
2
\
Q 3. Comme F 6= ∅, prenons y ∈ F et considérons K = F B (u, ku − yk) où B (u, ku − yk) désigne la boule
fermée de centre u est de rayon ku − yk.
K est un fermé de E par intersection, non vide car y ∈ K et borné car K ⊂ B (u, ku − yk)
De plus E est dimension finie car euclidien donc K est un compact.
De plus l’application x 7−→ ku − xk est continue sur K
ainsi par le théorème des bornes atteintes, cette application y admet un minimum en un certain v ∈ K
On a donc ∀ x ∈ K, ku − vk 6 ku − xk 6 ku − yk car K ⊂ B (u, ku − yk)
De plus ( F \ K ) ⊂ ( E \ B (u, ku − yk)) et donc ∀ x ∈ F \ K, ku − vk 6 ku − yk 6 ku − xk
On a bien l’existence de v dans F tel que ∀w ∈ F, ku − vk 6 ku − wk

Q 4. On suppose que C est un convexe fermé non vide de E et u est un vecteur de E.

L’existence voulue est établie en Q3.
Par l’absurde s’il existait v 6= v0 dans C tels que ∀w ∈ C, ku − vk 6 ku − wk et ∀w ∈ C, ku − v0 k 6 ku − wk
On aurait alors ku − vk = ku − v0 k, et on pourrait appliquer Q2,
0 0

v + v < ku − vk or v + v ∈ C car C est convexe
ainsi u −
2 2
ceci est en contradiction avec ∀w ∈ C, ku − vk 6 ku − wk
On a établi qu’il existe un unique v dans C tel que ∀w ∈ C, ku − vk 6 ku − wk

I.B - Inégalité de Hölder pour l’espérance

Visiblement, on suppose que pour α > 0, la fonction x 7→ xα est définie au moins sur R+ et s’annule en 0
Q 5. Soit deux réels positifs a et b.
ap aq
Si a ou b est nul alors ab = 0 6 + .
p q

Mr. Faress Moussa 5/15 M.P. 19-20

 1
Sinon, on a ∈ [0, 1] et par concavité du logarithme sur ]0, +∞[, on a :
p
     
1 1 1 p 1
ln ( a p ) + 1 − ln (bq ) 6 ln a + 1− bq
p p p p
 p
bq

a
d’où ln( a × b) 6 ln +
p q
ap aq
Comme exp est croissante, on peut conclure que dans tous les cas : ab 6 +
p q

Q 6. On remarque que comme l’univers est fini, les variables aléatoires admettent des moments à tout ordre.
Par positivité de l’espérance, on a : E(| X | p ) > 0 et E(|Y |q ) > 0
Premier cas : On suppose que E(| X | p ) = E(|Y |q ) = 1.
| X (ω)| p |Y (ω)|q
Pour tout ω ∈ Ω, on a | X (ω)Y (ω)| 6 + d’après la question précédente
p q
1 1
donc | XY | 6 | X | p + |Y |q
p q
1 1
d’où E (| XY |) 6 E (| X | p ) + E (|Y |q ) par croissance et linéarité de l’espérance
p q
1 1
donc E (| XY |) 6 + = 1 = E(| X | p )E(|Y |q )
p q
Deuxième cas : On suppose que E(| X | p ) > 0 et E(|Y |q ) > 0
1 1
Je note λ = E(| X | p ), X 0 = 1/ p X, µ = E(|Y | p ) et Y 0 = 1/q Y
λ µ
Ainsi on a E(| X 0 | p ) = E(|Y 0 |q ) = 1 et on peut appliquer le premier cas à X 0 et Y 0
donc  
0 0

0 p 0 q
 XY 
E | X Y | 6 E(| X | )E(|Y | ) et ainsi E  1/ p 1/q  6 1
λ µ
ce qui donne E (| XY |) 6 λ 1/ p µ 1/q = E (| X | p )1/ p E (|Y |q )1/q
Troisième cas : On suppose que E(| X | p ) = 0 ou E(|Y |q ) = 0.
Sans perte de généralité, traitons le cas E(| X | p ) = 0.
Alors ∑ | x| p P( X = x) = 0 selon la formule du transfert
x∈ X (Ω)
Comme il s’agit d’une somme finie de réels positifs, on a ∀ x ∈ X (Ω) \ {0}, P( X = x) = 0
donc X est nulle presque sûrement donc il en est de même pour XY et aussi pour | XY |
d’où E(| XY |) = 0 = E (| X | p )1/ p E (|Y |q )1/q
E(| XY |) 6 E (| X | p )1/ p E (|Y |q )1/q
Conclusion : Dans tous les cas, on a E(| XY |) 6 E (| X | p )1/ p E (|Y |q )1/q

I.C - Espérance conditionnelle

Q 7. On a E( X ) = ∑ x · P( X = x) or selon la formule des probabilités totales avec ( A1 , . . . , Am ) un système
x∈ X (Ω)
m
complet d’événements de probabilités non nulles, on a ∀ x ∈ X (Ω), P( X = x) = ∑ P A ( X = x ) · P( A i )
i
i =1
m m
donc E( X ) = ∑ ∑ x · P A ( X = x ) · P( A i ) = ∑ P( A i ) · ∑
i
x · P Ai ( X = x) (sommes finies)
x∈ X (Ω) i =1 i =1 x∈ X (Ω)
m
ce qui permet de conclure : E( X ) = ∑ P( A i ) · E( X | Ai )
i =1

M.P. 19-20 6/15 Convexité - Probabilité - Concentration

I.D - Variables aléatoires à queue sous-gaussienne
Q 8. Comme indiqué, je note X 2 (Ω) = { y1 , . . . , yn } où n > 0 et 0 6 y1 < y2 < · · · < yn . Je note également
y0 = 0.
!
[ n[ −1
√ √ [ √
+
On remarque que : R = {0} ] yi , yi +1 ] ] yn , +∞[ (union disjointe)
i =0

Soit t > 0.
√ √
Pour i ∈ [[0, n − 1]], si t ∈ ] yi , yi+1 ], on a yi < t2 6 yi+1 car x 7→ x2 est croissante sur R+
donc (| X | > t) = ( X 2 > t2 ) = ( X 2 > yi+1 ) ainsi P(| X | > t) = P( X 2 > yi+1 )
√ √
donc la fonction t 7−→ P(| X | > t) est constante sur ] yi , yi+1 ]
√
de même la fonction t 7−→ P(| X | > t) est constante égale à 0 sur ] yn , +∞[,
donc la fonction t 7−→ P(| X | > t) est continue par morceaux sur R+
et par produit la fonction t 7−→ tP(| X | > t) est continue par morceaux sur R+
√
de plus t 7−→ 0 est intégrable sur [ yn , +∞[ donc
√
ainsi t 7−→ tP(| X | > t) est intégrable sur [ yn , +∞[ et donc sur R+
On a d’après Chasles :
 √  √
yi +1
Z∞
+
n−1 Z Z∞
+
n−1 Zyi+1  
2 tP(| X | > t) dt = 2  ∑ tP(| X | > t) dt + 2 tP(| X | > t) dt = ∑ 2 tP X 2 > yi+1 dt
 
i =0 √ √ i =0 √
0 yi yn yi

√
Zyi+1   h  it=√ yi+1  
2 2 2
Pour i ∈ [[0, n − 1]], on a 2 tP X > y i + 1 dt = t P X > yi+1 √ = ( yi +1 − yi ) P X 2 > yi +1
√ t = yi
yi
donc
Z∞
+
n−1   n−1   n   n−1  
2 2 2 2
2 tP(| X | > t) dt = y
∑ i +1 P X > y i +1 − ∑ iy P X > y i +1 = y
∑ i P X > y i − ∑ iy P X > y i +1
i =0 i =0 i =1 i =0
0
     
or yn P X 2 > yn = yn P X 2 = yn et y0 P X 2 > y0 = 0
   [ 
de plus pour i ∈ [[1, n − 1]], on a X 2 > yi = X 2 = yi X 2 > yi+1 (union disjointe)
     
ainsi P X 2 > yi = P X 2 = yi + P X 2 > yi+1 d’où

Z∞
+   n−1    
2 tP(| X | > t) dt = yn P X 2 = yn + ∑ yi P X 2 = yi = ∑ yP X 2 = y
0
i =1 y∈ X 2 (Ω)

Z∞
+
2
On a bien E( X ) = 2 tP(| X | > t) dt
0

Q 9. La fonction t 7−→ at exp(−bt2 ) est continue et positive sur [0, +∞[ (1)
ZA  t= A
2 a 2 a a
Soit A > 0. On a 2 at exp(−bt ) dt = exp(−bt ) = − exp(−bA2 ) +
−b t=0 b b
0
ZA
a
Ainsi at exp(−bt2 ) dt −→
A→+∞ 2b
0
ce qui prouve l’intégrabilité de t 7−→ at exp(−bt2 ) sur [0, +∞[ avec (1)
De plus ∀t > 0, tP(| X | > t) 6 at exp(−bt2 )

Mr. Faress Moussa 7/15 M.P. 19-20

 Z∞
+ Z∞
+
2 a
d’où E( X ) = 2 tP(| X | > t) dt 6 2 at exp(−bt2 ) dt =
b
0 0

Q 10. Soit t ∈ R. Soit x ∈ R.

On a | x + δ | > | x| + |δ | selon l’inégalité triangulaire
ce qui permet de conclure que P(| X + δ | > t) 6 P(| X | > t − |δ |)

Q 11. Soit t ∈ R. On a

t2 b   t2 b (t − 2|δ |)2
a− − −b(t − |δ |)2 = − 2b|δ |t + a + bδ 2 = b + a − bδ 2 > 0
2 2 2

t2 b
comme b|δ |2 6 a, ceci prouve −b(t − |δ |)2 6 a −
2

Q 12. Soit t ∈ R tel que t > |δ |.

En servant de Q10. puis de l’hypothèse en I.D car t − |δ | > 0, on a
 
P(| X + δ | > t) 6 P(| X | > t − |δ |) 6 a exp −b(t − |δ |)2

Puis en utilisant la croissance de l’exponentielle et Q11.,

1
on obtient : P(| X + δ | > t) 6 a exp( a − bt2 /2) = a exp( a) exp(− bt2 )
2
a
Q 13. Si 0 6 t < |δ |, on a t2 6 δ 2 6
b
1 a 1 a a
donc − bt2 > − et a exp( a) exp(− bt2 ) > a exp( a) exp(− ) a = a exp( )
2 2 2 2 2
D’après l’inégalité sous-gaussienne en t = 0, on a 1 = P(| X | > 0) 6 a exp(0) = a
1
d’où a exp( a) exp(− bt2 ) > 1 exp(1/2) > 1 > P(| X + δ | > t)
2
On a justifié que l’inégalité de Q12 reste valable si 0 6 t < |δ |

II. L’inégalité de concentration de Talagrand

II.A - Étude de deux cas particuliers
Q 14. On suppose que C est un convexe fermé ne rencontrant pas X (Ω) alors ( X ∈ C ) est l’événement impos-
sible
  
1
ainsi dans ce cas on a P( X ∈ C ) · E exp d( X, C )2 =061
8

n
Q 15. Je note u = ∑ ui ei où les ui sont les coordonnées de u dans la base (e1 , . . . , en )
i =1
Pour ω ∈ Ω, on a par calcul dans une base orthonormée :

1 2 k X (ω) − uk2 n
(εi (ω) − ui )2
d( X (ω), u) = =∑
4 4 i =1
4

(εi − ui )2
Pour i ∈ [[1, n]], je note Yi =
4
Comme ui ∈ {−1, 1} et que εi est à valeurs dans {−1, 1}, alors Yi est à valeurs dans {0, 1}

M.P. 19-20 8/15 Convexité - Probabilité - Concentration

 1
De plus (Yi = 0) = (εi = ui ) et donc P(Yi = 0) =
2
Ainsi Yi suit une loi de Bernoulli de paramètre 1/2.
n
1
De plus d( X (ω), u)2 = ∑ Yi et les Yi sont indépendants dans leur ensemble par lemmes des coalitions.
4 i =1
1
Ce qui permet de conclure que d( X, u)2 suit une loi binomiale de paramètres n et 1/2
4

1
Q 16. D’après ce qui précède d( X, u)2 est à valeurs dans [[0, n]]
4
    k  n−k
(n)

1 2 n 1 1
et ∀k ∈ [[0, n]], P d( X, u) = k = = kn
4 k 2 2 2
    
1 2 1 2
En utilisant la formule de transfert avec exp d( X, u) = exp d( X, u) /4 :
8 2
   n (nk) n    √ k  n−k
1 n e 1
E exp d( X, u)2 = ∑ exp (k/2) n = ∑
8 k=0
2 k=0
k 2 2

   √ n
1 2 e+1
donc selon le binôme de Newton : E exp d( X, u) =
8 2
√   
e+1 1
Comme 2 6 e 6 3, on a 0 6 6 2 et donc E exp d( X, u) 2
6 2n
2 8

Q 17. On a d( X, C ) = inf d( X, v) 6 d( X, u)
v ∈C

\ n
\
De plus comme X (Ω) C = {u}, on a ( X ∈ C ) = ( X = u) = (εi = ui ) en reprenant les notations de
i =1
Q14.
Donc par indépendance mutuelle des εi , on a
n
1
P( X ∈ C ) = ∏ P(εi = ui ) =
i =1 2n
  
1
Comme les facteurs sont positifs et à l’aide de la question Q 16, on a P( X ∈ C ) · E exp d( X, C )2 61
8
On a bien l’inégalité (II.1) dans ce cas

II.B - Initialisation
Q 18. Pour le cas n = 1, j’identifie E à R et X à ε1 qui suit donc une loi de Rademacher
On a donc X (Ω) = {−1, 1} et comme C ∩ X (Ω) contient au moins deux éléments
alors X (Ω) = {−1, 1} = C ∩ X (Ω) ⊂ C et donc ( X ∈ C ) = Ω est l’événement certain
 
1 2
d’où d( X, C ) vaut certainement 0 et donc (exp d( X, C ) est constante égale 1
8
  
1 2
d’où pour n = 1, on a P( X ∈ C ) · E exp d( X, C ) = 1 × 1 = 1 6 1 selon Attila
8

II.C - Propriétés de C+1 et C−1

Q 19. Soit x0 ∈ E0 et t ∈ {1, −1}.

Mr. Faress Moussa 9/15 M.P. 19-20

 ⇐ : On suppose que : x0 + ten ∈ C. On a donc x0 + ten ∈ C ∩ Ht car x0 ∈ E0 .
Comme π est une projection et que x0 ∈ E0 = Im π, on a π ( x0 ) = x0
et que Ker(π ) = Vect(e1 , . . . , en−1 )⊥ = Vect(en ), on a π (en ) = 0
Par linéarité π ( x0 + ten ) = x0 d’où x0 ∈ π (C ∩ Ht ) = Ct
⇒ : On suppose que : x0 ∈ Ct = π (C ∩ Ht ). Ceci nous fournit y ∈ C ∩ Ht tel que x0 = π ( y)
n n−1
On écrit y = ∑ yi ei où les yi ∈ R On a donc x0 = π ( y) = ∑ yi ei
i =1 i =1
n−1
et comme y ∈ Ht , on a y − ten = ∑ yi ei + ( y n − t ) e n ∈ E 0
i =1
0
donc ( yn − t)en ∈ E puis yn = t
et ainsi x0 + ten = y ∈ C
Conclusion : on a bien : x0 ∈ Ct ⇐⇒ x0 + ten ∈ C

Q 20. Ct ⊂ E0 : Par définition, on a C1 ⊂ Im(π ) = E0 . De même pour C−1

Ct 6= ∅ : Par hypothèse, C ∩ X (Ω) contient au moins deux vecteurs qui diffèrent par leur dernière coor-
donnée.
n−1 n−1
Ceci nous fournit y = ∑ yi ei + en ∈ C ∩ X (Ω) et z = ∑ zi ei − en ∈ C ∩ X (Ω) où les yi et les zi sont
i =1 i =1
réels.
n−1 n−1
On note y0 = ∑ yi ei et z0 = ∑ zi ei et on a y0 et z0 ∈ E0
i =1 i =1
En utilisant la réciproque de la question précédente, on a y0 ∈ C+1 et z0 ∈ C−1
Donc C+1 6= ∅ et C−1 6= ∅
Ct convexe : Établissons que C+1 est convexe et ce sera analogue pour C−1
Soit x, y ∈ C+1 . Soit λ ∈ [0, 1]. Montrons λx + (1 − λ ) y ∈ C+1 .
On a x et y ∈ E0 donc λx + (1 − λ ) y ∈ E0 car E0 est un sous-espace vectoriel
De plus λx + (1 − λ ) y + en = λ ( x + en ) + (1 − λ )( y + en )
Or en utilisant le sens direct de Q19., on a x + en ∈ C et y + en ∈ C
Comme C est convexe, on a donc λx + (1 − λ ) y + en ∈ C
d’où λx + (1 − λ ) y ∈ C1 par la réciproque de Q19.
Ct fermé : Établissons que C+1 est fermé de E0 et ce sera analogue pour C−1 .
Soit (uk )k∈N une suite à valeurs dans C+1 qui converge vers ` ∈ E0 . Montrons que ` ∈ C+1
Pour k ∈ N, on a comme ci-dessus uk + en ∈ C
or par somme ( xk + en )k∈N converge vers ` + en .
Comme C est fermé de E, on a ` + en ∈ C,
comme ` ∈ E0 , on a bien ` ∈ C+1 d’après Q19.
Conclusion : On a bien C+1 et C−1 sont des convexes fermés non vides de E0

Q 21. (εn = 1) et (εn = −1) forment un système complet d’événements de probabilités 1/2 donc selon la
formule des probabilités totales :

P( X ∈ C ) = P ( X ∈ C, εn = 1)) + P ( X ∈ C, εn = −1)

Soit ω ∈ Ω. Soit t ∈ {−1, 1}.

On a X (ω) = X 0 (ω) + εn (ω)en et X 0 (ω) ∈ E0 et εn (ω) ∈ {−1, 1} donc d’après Q19 :

X 0 (ω) ∈ Ct
 
X (ω) ∈ C
⇐⇒
εn (ω) = t εn (ω) = t

M.P. 19-20 10/15 Convexité - Probabilité - Concentration

 Ainsi P( X ∈ C ) = P X 0 ∈ C+1 , εn = 1) + P X 0 ∈ C−1 , εn = −1

n−1
Or X 0 = ∑ εi ei et εn sont des variables aléatoires indépendantes par le lemme des coalitions. D’où
i =1

P( X ∈ C ) = P X 0 ∈ C+1 · P (εn = 1) + P X 0 ∈ C−1 · P (εn = −1)

1 1
On a donc bien P( X ∈ C ) = P( X 0 ∈ C+1 ) + P( X 0 ∈ C−1 )
2 2

II.D - Une inégalité cruciale

Q 22. Soit ω ∈ Ω. On a Yεn (ω) (ω) ∈ Cεn (ω)

donc Yεn (ω) (ω) + εn en (ω) ∈ C d’après Q19. et de même Y−εn (ω) (ω) − εn en (ω) ∈ C donc
   
(1 − λ ) Yεn (ω) (ω) + εn en (ω) + λ Y−εn (ω) (ω) − εn en (ω) ∈ C

car C convexe et λ ∈ [0, 1] d’où

   
d( X (ω), C ) 6 k(1 − λ ) Yεn (ω) (ω) + εn en (ω) + λ Y−εn (ω) (ω) − εn en (ω) − X (ω)k

On a bien montré d( X, C ) 6 k(1 − λ )(Yεn + εn en ) + λ (Y−εn − εn en ) − X k

Q 23. On a X = X 0 + εn en donc (1 − λ )(Yεn + εn en ) + λ (Y−εn − εn en ) − X = (1 − λ )(Yεn − X 0 ) + λ (Y−εn − X 0 −

2εn en )
ainsi (1 − λ )(Yεn + εn en ) + λ (Y−εn − εn en ) − X = (1 − λ )(Yεn − X 0 ) + λ (Y−εn − X 0 ) − 2λεn en
La variable aléatoire 2λεn en est à valeurs dans Vect(en ) et (1 − λ )(Yεn − X 0 ) + λ (Y−εn − X 0 ) à valeurs dans
E0
or E0 ⊥ Vect(en ) et ken k = 1 donc selon le théorème de Pythagore

k(1 − λ )(Yεn + εn en ) + λ (Y−εn − εn en ) − X k2 = 4λ 2 + k(1 − λ )(Yεn − X 0 ) + λ (Y−εn − X 0 )k2

on en déduit avec la question précédente que

d( X, C )2 6 4λ 2 + k(1 − λ )(Yεn − X 0 ) + λ (Y−εn − X 0 )k2

Soit u et v ∈ E. Montrons ∀t ∈ [0, 1], (1 − t)kuk2 + tkvk2 > k(1 − t)u + tvk2
Je pose P : t 7→ (1 − t)kuk2 + tkvk2 − k(1 − t)u + tvk2
   
Soit t ∈ R. On a P(t) = (1 − t) − (1 − t)2 kuk2 + t − t2 kvk2 − 2t(1 − t)hu, vi
h i
donc P(t) = t(1 − t) kuk2 + kvk2 − 2hu, vi = t(1 − t)ku − vk2
d’où ∀t ∈ [0, 1], P(t) > 0 d’où le résultat.
En appliquant ceci à t = λ, u = Yεn (ω) (ω) − X 0 (ω) et v = Y−εn (ω) (ω) − X 0 (ω) pour ω ∈ Ω on obtient :

d( X, C )2 6 4λ 2 + k(1 − λ )(Yεn − X 0 ) + λ (Y−εn − X 0 )k2 6 4λ 2 + (1 − λ )kYεn − X 0 k2 + λ kY−εn − X 0 k2

Ainsi, on a montré l’inégalité d( X, C )2 6 4λ 2 + (1 − λ )d( X 0 , Cεn )2 + λd( X 0 , C−εn )2

Mr. Faress Moussa 11/15 M.P. 19-20

II.E - Espérances conditionnelles
Q 24. Comme C ∩ X (Ω) contient au moins deux vecteurs qui diffèrent par leur dernière coordonnée,
n−1
ceci nous fournit x0 = ∑ xi ei ∈ E0 tel que {x0 + en , x0 − en } ⊂ C ∩ X (Ω)
i =1
Ainsi d’après Q19., x0 ∈ C−1 et donc ( X 0 = x0 ) ⊂ ( X 0 ∈ C−1 )
−1
n\
or ( X 0 = x0 ) = (εi = xi ) donc par indépendance des εi on a
i =1

n−1
1
P( X 0 = x 0 ) = ∏ P(εi = xi ) = 2n−1
i =1

et donc P( X 0 ∈ C−1 ) > P( X 0 = x0 ) > 0 d’où p− > 0

Q 25. Lemme 1 : Soit X et Y deux variables aléatoires réelles, f : R × Y (Ω) −→ R et k ∈ R tels que P(Y = k) >
0. On a :
E( f ( X, Y )|Y = k) = E( f ( X, k)|Y = k)
Soit z ∈ f ( X, Y )(Ω).

Premier cas : On suppose ∀ x ∈ X (ω), z 6= f ( x, k) donc g z = { x ∈ X (ω) | z = f ( x, k) } = ∅

P ( f ( X, Y ) = z, Y = k)
alors P(Y =k) ( f ( X, Y ) = z) = =0=
P (Y = k )
Deuxième cas : On suppose g z = { x ∈ X (ω) | z = f ( x, k) } non vide ce qui équivaut à z ∈ f ( X, k)
[
alors ( f ( X, Y ) = z, Y = k) = ( X = x, Y = k)
x∈ g z
P ( X = x, Y = k) P ( f ( X, Y ) = z, Y = k)
donc P(Y =k) ( f ( X, Y ) = z) = ∑ = = P(Y=k) ( f ( X, k) = z)
x∈ g z P ( Y = k ) P (Y = k )

On conclut avec la définition :

E( f ( X, Y )|Y = k) = ∑ zP(Y =k) ( f ( X, Y ) = z) = ∑ zP(Y =k) ( f ( X, k) = z) = E( f ( X, k)|Y = k)

z∈ f ( X,Y )(Ω) z∈ f ( X,k)(Ω)

Lemme 2 : Soit X et Y deux variables aléatoires réelles indépendantes et k ∈ R tels que P(Y = k) > 0.
On a :
E ( X |Y = k ) = E ( X )
Il suffit d’utiliser la définition de l’espérance conditionnelle et de remarquer que P(Y =k) ( X = x) =
P( X = x )
Soit λ dans [0, 1]. On a d’après Q23. :
1−λ  λ
d( X, C )2 d( X 0 , Cεn )2
λ2 d( X 0 , C−εn )2
     
exp 6 exp exp · exp (?)
8 2 8 8
1−λ  λ !
d( X 0 , Cεn )2 d( X 0 , C−εn )2
  

D’après le lemme 1 : E exp · exp εn = −1 = · · ·
8 8
1−λ  λ !
d( X 0 , C−1 )2 d( X 0 , C1 )2
  

···E exp · exp εn = −1
8 8
1−λ  λ
d( X 0 , C−1 )2 d( X 0 , C1 )2
  
Avec le lemme des coalitions, les variables aléatoires εn et exp · exp
8 8
sont indépendantes car εn et de X 0 le sont ; puis le lemme 2 donne :

M.P. 19-20 12/15 Convexité - Probabilité - Concentration

 1−λ λ ! 1−λ λ !
d( X 0 , C−1 )2 d( X 0 , C1 )2 d( X 0 , C−1 )2 d( X 0 , C1 )2
   

E exp exp εn = −1 = E exp exp
8 8 8 8
À l’aide de (?), de la croissance et la linéarité de l’espérance conditionnelle, on obtient :
1−λ  λ !
d( X, C )2 d( X 0 , C−1 )2 d( X 0 , C1 )2
     2   
λ
E exp |εn = −1 6 exp E exp · exp
8 2 8 8

1 1 1 1
Q 26. On suppose λ ∈ ]0, 1[. On pose p = et q = de sorte que p > 0, q > 0 et + = 1
1−λ λ p q
   
1/ p  1/ p  1/q  1/q 
D’après Q6, pour Y et Z variables positives, on a Y = Y  et Z =  Z  :

    p 1/ p  q 1/q
E Y 1/ p Z 1/q 6 E Y 1/ p E Z 1/q = E (Y ) 1 / p E ( Z ) 1 / q

donc  
E Y 1 − λ Z λ 6 E (Y ) 1 − λ E ( Z ) λ

En appliquant ceci au résultat de Q25., on obtient pour tout λ ∈ ]0, 1[ :

1−λ   λ
d( X, C )2 d( X 0 , C−1 )2 d( X 0 , C1 )2
     2   
λ
E exp |εn = −1 6 exp E exp · E exp
8 2 8 8
1−λ   λ
d( X 0 , C−1 )2 d( X 0 , C1 )2
 2   
λ
or λ 7−→ exp E exp · E exp est continue sur [0, 1]
2 8 8
On déduit en passant à la limite en 0 et 1 que pour tout λ ∈ [0, 1], on a :
1−λ   λ
d( X, C )2 d( X 0 , C−1 )2 d( X 0 , C1 )2
     2   
λ
E exp |εn = −1 6 exp E exp · E exp
8 2 8 8

Q 27. On utilise la question précédente en λ = 0, on échange +1 et −1 qui jouent des rôles symétriques car on
ne s’est pas servi de p− 6 p+ puis on multiplie par p+ > 0 pour obtenir :

d( X, C )2 d( X 0 , C1 )2
      
p+ · E exp |εn = 1 6 p+ · E exp
8 8

d( X 0 , C1 )2 d( X 0 , C1 )2
     
0


On a donc p+ · E exp = P X ∈ C1 · E exp
8 8
n−1
or X 0 = ∑ εi ei est à valeurs dans l’espace euclidien E0 de dimension n − 1 de base orthonormée (e1 , . . . , en−1 ),
i =1
C1 est un convexe fermé non vide de E0 et les εi sont indépendantes et suivent la loi de Rademacher d’où
par hypothèse de récurrence, on peut appliquer (II.1) :

d( X 0 , C1 )2
   
p+ · E exp 61
8

Enfin comme p+ > 0 selon Q24. (p+ et p− jouant des rôles symétriques), on a alors
   
1 2 1
E exp d( X, C ) |εn = 1 6
8 p+

Q 28. On utilise la formule des probabilités totales sur les espérances conditionnelles de Q7. avec le système
complet d’événements : (εn = t)t∈{−1,1} de probabilités 1/2 qui est non nulle : donc
          
1 1 1 1 1
d( X, C )2 2  2 
 
E exp = E exp d( X, C ) εn = 1 + E exp d( X, C ) εn = −1
8 2 8 2 8

Mr. Faress Moussa 13/15 M.P. 19-20

 Soit λ dans [0, 1]. On applique les deux questions précédentes :
1−λ   λ !
λ2 d( X 0 , C−1 )2 d( X 0 , C1 )2
       
1 1 1
E exp d( X, C )2 6 + exp E exp · E exp
8 2 p+ 2 8 8

En utilisant l’hypothèse de récurrence comme à la question précédente on a :

d( X 0 , C−1 )2 d( X 0 , C1 )2
     
1 1
E exp 6 et E exp 6
8 p− 8 p+

!
λ2
    
1 1 1 1 1
On en déduit que pour tout λ dans [0, 1] : E exp d( X, C )2 6 + exp ·
8 2 p+ 2 ( p− )1−λ ( p+ )λ

II.F - Optimisation
p−
Q 29. On a λ = 1 − ∈ [0, 1] car 0 < p− 6 p+ donc d’après Q28 :
p+
1−λ !
λ2
    
1 1 p+
E exp d( X, C )2 6 1 + exp
8 2p+ 2 p−

p− λ −1
   1−λ
λ −1 p+
or (1 − λ ) = =
p+ p−
     2 
1 2 1 λ λ −1
Ainsi on a bien E exp d( X, C ) 6 1 + exp (1 − λ )
8 2p+ 2

x2
Q 30. Je pose g : x 7−→ ln(2 + x) − ln(2 − x) − − ( x − 1) ln(1 − x) qui est C ∞ sur [0, 1[ par théorèmes
2
généraux.
1 1
Soit x ∈ [0, 1[, on a g0 ( x) = + − x − 1 − ln(1 − x)
2+x 2−x
1 1 1 8x x
et g00 ( x) = 2
− 2
−1+ = 2 2
+ >0
(2 − x) (2 + x) 1−x (2 − x) (2 + x) 1−x
ainsi g0 y est strictement croissante sur [0, 1[
De plus g0 (0) = 0 donc ∀ x ∈ [0, 1[ , g0 ( x) > 0.
d’où g est croissante sur [0, 1[ et comme g(0) = 0, on a ∀ x ∈ [0, 1[ , g( x) > 0.
x2
On a montré que pour tout x ∈ [0, 1[, + ( x − 1) ln(1 − x) 6 ln(2 + x) − ln(2 − x)
2

Q 31. Soit x ∈ [0, 1[. En appliquant l’exponentielle à l’inégalité précédente, on obtient :

x2
 
2+x
exp ( 1 − x ) x−1 6
2 2−x

x2
 
4
d’où 1 + exp ( 1 − x ) x−1 6
2 2−x

p−
Q 32. En utilisant la question précédente et Q29., et comme λ ∈ [0, 1[ car λ = 1 − et 0 < p− 6 p+ , on a :
p+
  
1 1 4
E exp d( X, C )2 6
8 2p+ 2 − λ

M.P. 19-20 14/15 Convexité - Probabilité - Concentration

  
p−
Or p+ (2 − λ ) = p+ 1+ = p+ + p− d’où
p+
  
1 2
E exp d( X, C )2 6
8 p+ + p−
  
2 p+ + p− 1 2
donc comme > 0 , on a E exp d( X, C ) 61
p+ + p− 2 8
À l’aide de la question 21, par définition de p+ et p− , on a :
  
1 2
P( X ∈ C ) · E exp d( X, C ) 61 (II.1)
8

on vient de terminer l’hérédité (commencée en IIC) de notre démonstration par récurrence dans le cas où
C ∩ X (ω) contient au moins deux éléments
mais la formule reste vraie si C ∩ X (ω) a au plus un élément d’après IIA
De plus l’initialisation a été traitée en IIA ou IIB selon le cardinal de C ∩ X (ω)
Ainsi l’inégalité (II.1) a été démontrée par récurrence

II.G - Inégalité de Talagrand

Q 33. Soit C convexe fermé non vide de E et t réel strictement positif. D’après ce qui précède on a

d( X, C )2
  
P( X ∈ C ) · E exp 61 (II.1)
8

x2


+
or par croissance sur R de x 7→ exp , on a :
8

d( X, C )2
    2 
t
P (d( X, C ) > t) = P exp > exp
8 8

d( X, C )2
   2
t
En appliquant Markov avec la variable aléatoire positive exp et exp > 0 on a :
8 8
 2
d( X, C )2
  
t
exp · P (d( X, C ) > t) 6 E exp
8 8

t2 d( X, C )2
    
donc P( X ∈ C ) · exp · P (d( X, C ) > t) 6 P( X ∈ C ) · E exp 61
8 8
On en déduit l’inégalité de Talagrand :

Pour tout C convexe fermé non vide de E et pour tout réel t strictement positif

t2
 
P( X ∈ C ) · P(d( X, C ) > t) 6 exp −
8

Pour vos questions :

— envoyez moi un message sur "moussafaress@[Link]"
ou
— appelez moi sur WhatsApp N◦ Tel "0610078255"

Mr. Faress Moussa 15/15 M.P. 19-20