Sur des lois des grands nombres
(Xn )n≥1 désignera toujours une suite de v.a. de même loi que X, la somme Sn = X1 + . . . + Xn ,
Sn
et la moyenne Mn = .
n
Divers convergence seront utilisées:
(Mn ) converge simplement vers M si P(lim Mn = M ) = 1.
n
(Mn ) converge en probabilité vers M si ∀ε > 0, lim P(|Mn − M | ≥ ε) = 0.
n
1 (Xn) 2 à 2 indépendantes
On suppose que X ∈ L2 (Ω, T , P) et que (Xn ) sont 2 à 2 indépendantes.
1. Montrer que V ar(Sn ) = V ar(X1 ) + . . . + V ar(Xn ) = nσ 2 avec σ 2 = V ar(X)
σ2
2. Soit m = E(X) et ε > 0 montrer que P (|Mn − m| ≥ ε) ≤
nε2
3. En déduire une loi faible des grands nombres:
(Mn ) converge en probabilité vers E(X).
4. Expliquer pourquoi on a besoin de grands nombres.
Se donner une précision ε = 10−k et trouver le rang N à partir duquel Mn donne une approximation
de m à ε près avec une probabilité d’au moins 90%. Même question avec une probabilité de 99%.
5. Peut-on espérer une loi forte des grands nombres, c’est à dire que Mn converge
simplement vers E(X)?
2 Comparaison lois faible et forte
1. Montrer que si (Yn ) converge simplement vers Y alors elle converge en probabilité.
2. Montrer que la loi forte des grands nombres implique la loi faible des grands nombres.
3. Trouver (Yn ) une suite de v.a. qui converge en probabilité vers 0 mais qui ne converge
pas simplement vers 0.
On pourra essayer l’exemple suivant: Yn = 1IIn avec Ω = [0, 1] muni de la tribu et de la mesure de
√
Borel-Lebesgue et In = [an , bn ], an = frac[ n], bn = min(1, an + 1/n), où frac(x) = x − [x] et [x]
désigne la partie entière de x.
4. En déduire que la loi faible des grands nombres est plus faible que la loi forte des
grands nombres.
1
5. Lien avec la statistique. E(X) inconnue.
(a) On veut estimer E(X) à ε près en prenant comme valeur “approchée” en cal-
culant MN (ω0 ) pour un ω0 fixé avec N assez grand. La loi faible des grands
nombres est t’elle suffisante?
(b) On veut améliorer l’estimation de E(X) en calculant M2N (ω0 ). Est-ce une
bonne idée si on ne dispose que de la loi faible des grands nombres?
3 Méthode de Monte-Carlo
Soit f ∈ L1 ([0, 1], R) et Un ∼ U(]0, 1[) avec (Un ) indépendantes.
1. Expliquer, pour la méthode des rectangles, que la suite
Pn
f (k/n)
Rn = k=1
n
Z 1
peut ne pas converger vers m = f (x)dx dans le cas où f est discontinue et aussi
0
quand la discontinuité n’arrive qu’en un seul point, par exemple f ∈ C 0 (]0, 1]).
2. Montrer cependant que la méthode de Monte-Carlo:
n
1X
MCn = f (Uk )
n k=1
converge simplement vers m.
3. On veut rendre déterministe la méthode de Monte-Carlo en considérant sune suite
équidistribuée (xk ) de points de [0, 1]: pour tout [a, b] ∈ [0, 1],
1
lim Cardinal{k ≤ n, xk ∈ [a, b]} = |b − a|.
n n
(a) Montrer qu’avec une probabilité de 100%, (Uk (ω))k est une suite équidistribuée.
(b) Montrer que pour f ∈ C 0 ([0, 1]) ou continue par morceau:
n
1X
Dn = f (xk ) → m.
n k=1
4 Des fréquences qui ne convergent pas vers l’espérance
∗
Soit {0, 1} muni de la loi équiprobable, Ω = {0, 1}N menu de la tribu et loi produit et
Xn (ω) = ωn , (lancer d’une pièce répété).
1. Montrer que les Xn sont des v.a. indépendantes de même loi de Bernoulli B(1/2).
2
2. Montrer que (Xn ) diverge avec une probabilité 1.
3. Expliquer pourquoi L(ω) = lim Mn (ω) existe avec un probabilité 1.
n
4. On note Div l’ensemble où L n’est pas définie. Montrer que P(Div) = 0.
5. Déterminer la loi de L.
6. Montrer que L n’est pas constante et que 0, 1/2 et 1 ∈ L(Ω\Div) ⊂ [0, 1].
7. Soit 0 < p < 1, montrer que p ∈ L(Ω).
8. En déduire que L(Ω\Div) = [0, 1].
9. Montrer que l’évènement (L ̸= 1/2) est non dénombrable et de probabilité nulle.
10. Montrer que Div ̸= ∅ et même que Div est infini non dénombrable.
5 Sans espérance plus de loi des grands nombres
Soit (Xn ) une suite de v.a. indépendantes suivant la loi de Cauchy.
1. Montrer que X1 n’admet pas d’espérance.
2. Calculer la loi de Mn .
3. Montrer que la loi forte des grands nombres ne s’appliquent pas à la suite (Xn ).
L3 Probabilités, S6, 2023, Université Côte d’Azur, Nice, France. March 18, 2023
