Probabilités avancées

Florin Avram

24 janvier 2014
Table des matières

1 Mise en scène discrète 3

1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, me-
sure de probabilités, variables aléatoires discrétes, espérance . . . . . . . . . 3
1.2 Probabilité et espérance conditionnelle par rapport à un événement . . . . . 4
1.3 Les lois de la probabilité et de l’espérance totale . . . . . . . . . . . . . . . . 5
1.4 Événements indépendants . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Divide et Impera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6 Conditionnement sur le premier pas . . . . . . . . . . . . . . . . . . . . . . . 6
2 Variables aléatoires continues 7
2.1 L’espérance des variables continues . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Couples aléatoires et vecteurs aléatoires . . . . . . . . . . . . . . . . . . . . . 10
2.3 Fonctions génératrices des probabilités et des moments . . . . . . . . . . . . 12
2.4 Sommes des variables aléatoires i.i.d. (indépendantes, identiquement dis-
tribuées) et sommes aléatoires des variables aléatoires i.i.d. . . . . . . . . . . 12
2.5 Théorème de limite centrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6 Transformations des variables aléatoires . . . . . . . . . . . . . . . . . . . . . 17
2.7 Complements sur la loi exponentielle . . . . . . . . . . . . . . . . . . . . . . 18
2.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.9 Contrôle continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.10 Examen d’entrainement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.11 Temps continu : la compétition des exponentielles . . . . . . . . . . . . . . . 24
2.12 Variables aléatoires hybrides . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.13 Variables aléatoires au sens de Kolmogorov, et mesures induites . . . . . . . 26
2.14 Le paradoxe des anniversaires (*) . . . . . . . . . . . . . . . . . . . . . . . . 28

3 Espérance conditionnelle par rapport a des tribus et variables arbitraires 30

3.1 Conditionnement par une variable aléatoire discrète, ou par une partition au
plus dénombrable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Conditionnement par rapport à une tribu arbitraire . . . . . . . . . . . . . 33
3.3 Propriétés de l’espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . 35
4 Convergence des variables aléatoires 37
4.1 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Types de convergence des fonctions en analyse : presque partout, en moyenne,
et en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3 La loi des grands nombres en moyenne quadratique . . . . . . . . . . . . . . 40
4.4 Détour d’analyse : convergence monotone et dominée . . . . . . . . . . . . . 41

2
 4.5 Convergence presque partout/presque sûrement et lemme de Borel-Cantelli . 42
4.6 La δ-méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.7 Exercices : Modes de convergence . . . . . . . . . . . . . . . . . . . . . . . . 45
5 Processus et champs aléatoires, en temps discret et continu 50

6 Les marches aléatoires/sommes des variables i.i.d. 52

6.1 Moments et cumulants des marches aléatoires . . . . . . . . . . . . . . . . . 53
6.2 La démonstration du théorème de limite centrale . . . . . . . . . . . . . . . 54
7 Problèmes de premier passage des marches aléatoires et relations de
récurrence 56
7.1 La méthode du conditionnement sur le premier pas et les chaı̂nes de Markov 56
7.2 La ruine du joueur pour la marche aléatoire simple . . . . . . . . . . . . . . 57
7.3 Problèmes de premier passage sur un intervalle semi-infini . . . . . . . . . . 62
7.4 Marches aléatoires sur les espaces d’états dénombrables . . . . . . . . . . . . 64
7.5 Le paradoxe du singe savant et les chaı̂nes de Markov . . . . . . . . . . . . . 64
7.6 Récurrences et équations différentielles linéaires . . . . . . . . . . . . . . . . 67
7.6.1 L’équation de récurrence linéaire à coefficients constants . . . . . . . 67
7.6.2 La méthode des fonctions génératrices(*) . . . . . . . . . . . . . . . . 70
7.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
8 Martingales 75
8.1 Le théorème d’arrêt des martingales de Doob . . . . . . . . . . . . . . . . . . 79
8.2 La martingale interdite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
8.3 La marche aléatoire simple symétrique, sur un intervalle infini . . . . . . . . 82
8.4 Comment justifier l’application du théorème d’arret des martingales ? Exemples 83
8.5 Comment démontrer qu’un temps d’arret T est fini p.s. . . . . . . . . . . . . 84
8.6 La martingale du singe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
8.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
9 Examens d’entraı̂nement 91
9.1 Examen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
9.2 Examen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
9.3 Examen 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

3
Chapitre 1
Mise en scène discrète

1.1 Espace des épreuves/résultats possibles, événements,

espace probabilisé, mesure de probabilités, variables
aléatoires discrétes, espérance
Définition 1.1 Une variable aléatoire X est une fonction mesurable définie sur un espace
probabilisé (Q, F, P ). La fonction FX (x) := P [X ≤ x] est appelée fonction de répartition.

Définition 1.2 Une variable aléatoire X prenant un nombre au plus dénombrable des va-
leurs xi s’appelle discrète. Pour une telle variable, la fonction de répartition FX (x) =
∑
i:xi ≤x P [X = xi ] est une fonction escalier.

Exercice 1.1 On lance trois pièces équilibrées.

1. Spécifiez l’espace des tous les résultats possibles Q pour cet expériment.
2. Deux pièces sont de 5 c., et une de dix. Soit X la somme des monnaies montrant leur
face. Donnez la formule de la variable aléatoire X comme fonction sur Q.
3. Quelle sont les les valeurs possibles de X. Donnez une table avec les probabilités
pX (x) := P [X = x] associées.
4. Calculer l’espérance de X deux fois, en utilisant les deux formules
∑ ∫
E[X] = xpX (x) = X(w)P (dw)
x Q

Les exemples les plus importants des variables discrètes sont les variables binomiales,
géométriques et Poisson.

Exercice 1.2 Dessiner les graphes des fonctions de répartition des variables : a) binomiale
B(N, p), N = 5, p = 1/4, b) Poisson P (λ), λ = 45 , et c) géométrique avec pk = p(1 − p)k , k =
∑
0, 1, 2, ...., p = 14 . d) Quelles sont les espérances E[X] = i xi P [X = xi ] de ces variables ?

Exercice 1.3 On considère une pièce équilibrée qu’on lance un nombre N = 2n de fois, les
lancers étant indépendants. Quelle est la probabilité que le nombre des piles soit égal à celui
des faces ?

4
1.2 Probabilité et espérance conditionnelle par rap-
port à un événement
Définition 1.3 Soit B un ensemble avec mesure positive dans un espace probabilisé
(Ω, A, P ) . Pour tout ensemble A on appelle probabilité conditionnelle de A en sachant B la
fraction
P (A ∩ B)
P (A | B) =
P (B)

Remarque 1.1 Aussi utile est la formulation équivalente

P (A ∩ B) = P (B) P (A | B) ,

ou, plus généralement,

P (∩ni=1 Ai ) = P (A1 ) P (A2 | A1 ) P (A3 | A1 ∩ A2 ) ...P (An | A1 ∩ ... ∩ An−1 )

Exercice 1.4 Evaluer la probabilité pour que n personnes (n ≤ 365) choisies au hasard
aient des dates de naissance différentes. Combien le groupe doit-il comprendre de membres
pour que la probabilité de dates de naissance différentes soit inférieure à 1/2 ?

L’espérance conditionnelle peut-etre introduite par des formules différentes dans les cas
discret et continue, ou, de manière unifiée, par la définition suivante.

Définition 1.4 Pour toute variable aléatoire réelle intégrable X définie sur (Ω, A, P ) on
appelle espérance conditionnelle en sachant un ensemble B de mesure positive la moyenne
pondérée

1 ∫ 1 ∫
E (X | B) = X P (dw) = (X 11B )P (dw) (1.1)
P (B) B P (B)

Remarque 1.2 Les probabilités conditionnelles sont un cas particulier, correspondant a une
variable indicatrice X(w) = 11A (w).

L’idée de ces deux définitions est claire : on ≪‘jette≫’ la partie de l’espace en dehors de B,
en tenant compte seulement de la partie contenue en B. Par conséquent, il faut ≪normaliser
l’espace≫ en divisant par P (B).

Exercice 1.5 On jette trois monnaies de 10c, 20c, et 50c respectivement. Soit Y la somme
des monnaies tombées face. a) Quelle est l’espérance de Y ? (40c) b) Quelle est l’espérance
de Y , en sachant que le nombre N des monnaies tombées face est deux ? (160/3 = 53.33)

Les probabilités conditionnelles interviennent naturellement dans des nombreuses situations,

comme dans le Texas Hold’Em Poker, ou les joueurs doivent estimer des probabilités condi-
tionnelles qui évoluent en temps, avec l’information fournie par les nouvelles cartes montrées.
Elles sont souvent plus faciles à calculer que les probabilités nonconditionnelles, et peuvent
aider dans le calcul des dernières, par la méthode du conditionnement et la loi de la proba-
bilité totale.

5
1.3 Les lois de la probabilité et de l’espérance totale
Les probabilités conditionnelles sont un des outils les plus puissants des probabilités, à
travers la méthode du conditionnement. L’idée de cette méthode est de décomposer l’espace
probabiliste des ≪‘toutes les possibilités≫’ dans des sous-ensembles E1 , E2 , ...EI où le calcul
des probabilités devient plus facile. Si on sait quelles sont les probabilités d’un événement
A dans tous les cas possibles E1 , E2 , ...EI d’ une partition finie de l’espace probabilisé Ω =
E1 ∪ E2 ..., alors on peut trouver aussi la ≪‘probabilité totale≫’ en appliquant la loi des
probabilités totales :

P (A) = P (A ∩ [∪Ei ]) = P (∪i [A ∩ Ei ])

∑ ∑
= P (A ∩ Ei ) = P (Ei ) P (A | Ei )
i i

Pareillement, on a une loi des espérances totales :

∑ ∑
E (X) = E (X 1IEi ) = P (Ei ) E (X | Ei ) (1.2)

Exercice 1.6 On lance trois pièces équilibrées. Deux pièces sont de 5 c., et une de dix. Soit
X la somme des monnaies montrant leur face.
1. Calculer l’espérance de X.
2. Calculer l’espérance conditionnée E[X|N b(f aces) ≥ 2].
3. Calculer l’espérance conditionnée E[X|N b(f aces) < 2].
4. Verifier la formule (1.2).
Exercice 1.7 On dispose d’un dé équilibré et d’une pièce de monnaie qui tombe sur pile
avec une probabilité p = 1/3. On lance le dé une fois puis on lance la pièce un nombre de
fois égal au chiffre obtenu avec le dé.
1. Si le dé est tombé sur le chiffre k, quelle est la probabilité de n’obtenir que des faces
avec la pièce ? D’obtenir au moins une pile ? (il s’agit donc de probabilités condition-
nellement au chiffre k obtenu avec le dé).
2. Utiliser la formule des probabilités totales pour déduire de a) la probabilité (non condi-
tionnelle) d’obtenir au moins une pile.
3. L’espérance du nombre total des piles.
Exercice 1.8 Un marchand vend des articles dont 30 % proviennent d’un fournisseur B1
et 70% d’un fournisseur B2 ; 6 % de la production de B1 est défectueuse, contre 3% pour
B2 . a. Calculer la probabilité qu’un article choisi au hasard soit défectueux (considérer que
l’article a des probabilités 0.3 et 0.7 de provenir de chacun des deux fournisseurs, ce qui vous
met sur la voie pour l’utilisation de la formule des probabilités totales). b. (la loi de Bayes)
Sachant que l’article est défectueux, quelle est la probabilité qu’il provienne de B1 ? de B2 ?
.018
(R : .039 .)

1.4 Événements indépendants

Exercice 1.9 1. Donner une formule pour la probabilité qu’un réseau de n composants
i.i.d. en série transmette de l’information de la gauche vers la droite.
2. Donner une formule pour la probabilité qu’un réseau de 2 composants i.i.d. en parallèle
transmette de l’information de la gauche vers la droite.

6
 3. Donner une formule pour la probabilité qu’un réseau de n composants i.i.d. en parallèle
transmette de l’information de la gauche vers la droite.
4. Donner une formule pour la probabilité qu’un réseau de 2 composants en parallèle,
chaque une étant une série de n ≪passages Bernoulli≫ i.i.d., transmette de l’informa-
tion de la gauche vers la droite.

1.5 Divide et Impera

Nous allons illustrer maintenant l’utilité de la loi des probabilités totales par un exemple
plus subtil. Exemple en fiabilité : calcul des probabilités nonconditionnelles, par
conditionnement. Donner une formule pour la probabilité P [G → D] que le réseau suivant
transmette de l’information de la gauche vers la droite : (sans simplications algébriques !)

p p

p p

Figure 1.1 – p,r sont les probabilités que les composantes fonctionnent

Solution : (1 − r)(1 − (1 − p1 p3 )(1 − p2 p4 )) + r(1 − (1 − p1 )(1 − p2 ))(1 − (1 − p3 )(1 − p4 )).

1.6 Conditionnement sur le premier pas

exa:EG Exemple 1.1 Le calcul de l’espérance m d’une variable géométrique N , avec pk =
p(1 − p)k−1 , k = 1, 2, ..., c.-à-d. du nombre des essaies nécessaires jusqu’à l’arrivée de la
première pile, en l’incluant. Cet exemple peut abordé par la méthode de conditionnement
sur le premier pas, en utilisant (1.2). Après un pas, on a
1
m = E[N ] = P [pile]E[N/pile] + P [f ace]E[N/f ace] = p × 1 + (1 − p)(1 + m), =⇒ m = .
1−p

Exercice 1.10 Reformuler le calcul ci-dessus sans faire appel à la formule (1.2).
∑ ∑ ∑
R : m = k=1 kp(1 − p)k−1 = p + k=2 kp(1 − p)k−1 = p + (1 − p) k=2 kp(1 − p)k−2 =
∑
p + (1 − p) j=1 (j + 1)p(1 − p)j−1 = p + (1 − p)(m + 1) = 1 + (1 − p)m =⇒ m = p1 .

Remarque 1.3 Pour mieux comprendre la méthode, il est utile de dessiner l’arbre de toutes
les possibilités, en indiquant sur chaque branche a) la proba associée et b) la modification du
≪coùt≫ associée (dans le cas des problèmes de nombre des essaies espéré, le coùt est 1) En

suite, il y aura des branches la contribution desquelles peut etre déterminée après le premier
pas, et des branches où on ≪recommence≫ après le premier pas, après avoir tenu compte du
coùt du premier pas.

7
Chapitre 2
Variables aléatoires continues
Définition 2.1 Pour toute variable aléatoire X ∈ R, la fonction

FX (x) = P [X ≤ x]

est appelée fonction de répartition de X. La fonction

F̄X (x) = P [X > x] = 1 − FX (x)

est appelée fonction de survie de X.

Exercice 2.1 Soit X un nombre entre 0 et 2, toutes les valeurs étant également possibles. a)
Tracer graphiquement l’espace des résultats possibles pour X, ainsi que l’événement X > 1/4.
b) Calculer la fonction de répartition de X. Quelle est la probabilité P [X > 1/4] ?

Exercice 2.2 On lance une monnaie équilibrée. Si face, on choisit alors un nombre entre 0
et 1, toutes les valeurs étant également possibles. Si pile, on choisit alors un nombre entre
1 et 2, toutes les valeurs étant également possibles. Soit X le nombre choisi. Calculer la
fonction de survie de X, et tracer la graphiquement. Quelle est la probabilité P [X > 1/4] ?
Calculer la ≪densité≫ f (x) = F ′ (x).

Définition 2.2 Une variable aléatoire X ayant la fonction de répartition de la forme

∫ x
FX (x) := P [X ≤ x] = fX (u)du
−∞

est appelée variable (absolument) continue, et fX (u) est appelée densité. On rappelle qu’une
fonction∫ F (x) qui est représentable comme intégrale d’une autre fonction f (x), c.-à-d.
x
F (x) = −∞ f (u)du, est appelée absolument continue.

Remarque 2.1 (*) L’idée est qu’on a besoin de supposer que la fonction de répartition est
différentiable presque partout afin de pouvoir parler de sa dérivé/ densité f (x), et en plus
que F (x) est l’intégrale/primitive de f (x) (ce qui malheureusement n’est pas vrai pour toutes
les fonctions différentiables presque partout). Sous ces hypothèses, une variable continue X
prenant des valeurs dans un intervalle [a, b] par exemple, peut etre vue comme une limite des
variables discrètes. Pour voir ça, prenons une division de notre intervalle a = x0 < x1 <
... < xn = b, en n morceaux [xi , xi+1 ], i = 0, ..., n − 1 égaux, c.-à-d. xi+1 − xi = dx, ∀i. En
suite, approximons notre variable continue par une variable discréte Xn prenant les valeurs
yi := xi +x2 i+1 , i = 0, ..., n − 1, avec probabilités

p(yi ) = P [X ∈ [xi , xi+1 ] = F (xi+1 ) − F (xi ) ≈ f (yi )dx (2.1)

8
où nous avons utilisé la formule d’approximation des probabilités des intervalles infinitésimaux.
Prenons maintenant un intervalle I arbitraire. Si dx est suffisamment petit, alors
∫ ∑ ∑
P [X ∈ I] = f (x)dx ≈ P [X ∈ [xi , xi+1 ] ≈ f (yi )dx = P [Xn ∈ I]
I
{i:[xi ,xi+1 ]⊂I} {i:[xi ,xi+1 ]⊂I}

Pour conclure que la probabilité du côté droit converge vers celle du côté gauche, il faut
encore analyser la somme des erreurs provenant de l’approximation (2.1). En utilisant les
∫ y+dx/2 dx3 ′′
développements limités de F (y ± dx/2), on trouve que y−dx/2 f (u)du − f (y)dx = 3!2 3 (f (ξ) +

f ′′ (ξ ′ )), et donc les erreurs sont d’ordre O(dx3 ), et l’erreur de la somme est d’ordre O(dx2 ) →
0, au moins si f (x) est deux fois différentiable.

Les exemples les plus importants des variables continues sont les variables uniformes, uni-
formes par morceaux, exponentielles, Pareto et Gaussiennes.

2.1 L’espérance des variables continues

La formule de l’espérance des variables discrètes
∑
E[X] = x P [X = x]
x

et l’utilisation d’une partition dans des intervalles infinitésimaux I = [x, x + dx], avec P [X ∈
I] = F (x + dx) − F (x) ≈ f (x)dx donnent immédiatement la formule de l’espérance des
variables continues ∫
E[X] = xfX (x)dx.
x

Les deux formules (discrète et continue) peuvent etre unifiées dans une seule formule
∫ ∫
E[X] = X(w)P (dw) = xPX (dx),
Q x

en faisant appel à la théorie de la mesure sur l’espace mère Q.

Exercice 2.3 Un système de trois composantes i.i.d. en parallèle, avec probabilité de cha-
q’une de fonctionner p, fonctionne si au moins deux composantes fonctionnent. p est une
variable de loi uniforme U [0, 1]. Trouver la probabilité que le système fonctionne.

Exercice 2.4 On dit qu’une variable aléatoire X à valeurs dans R+ suit la loi exponentielle
de paramètre λ si : P (X > x) = e−λx , ∀x ≥ 0. Dans la suite, X désigne une telle variable
aléatoire.
1. Montrer que X admet une densité.
2. Calculer la moyenne de X, sa médiane et sa variance.
3. Calculer E[e−sX ].
4. Montrer que λX suit une loi exponentielle de paramètre 1.
5. Calculer la loi de la partie entière de X

Exercice 2.5 On dit que X suit une loi de Paréto si elle admet pour densité :
{
0 si x < a
f (x) = k(a/x)b+1 si x < a

9
 1) Determiner k tel que f soit bien une densité et determiner la fonction de répartition
correspondante.
2) Sous quelles conditions X admet-elle une espérance ? Une variance ?
3)On considere que la loi de repartition des revenus dans un pays developpé est une loi
de Pareto de parametre b=1.5 . Que represente alors le parametre a ? L’espérance de X ? La
variance de X ?

Exercice 2.6 Loi gaussienne centrée réduite. Soit X une variable aléatoire de loi gaus-
√ x2
sienne centrée réduite, c’est à dire admettant pour densité f (x) = 12πe− 2 .
1. Montrer que E(X k ) est nulle si k est un entier positif impair.
2. (*) Calculer E(esX ) et E(X 2k ), ∀k ∈ N. On pourra procéder par récurrence.

Exercice 2.7 a) Soit X une variable aleatoire de loi uniforme U [0, 8].
Quelle est la probabilité que X 2 − 3X + 2 < 0 ?
b) Soit X une variable aleatoire de loi exponentielle de paramètre λ = 1. Quelle est la
probabilité que Sin[X] < 0 ?

Exercice 2.8 Soit X une variable aléatoire de densité f donnée par f (x) = 21 e−|x| .
1. Vérifier que f est bien une densité. Donner son espérance et sa variance. 2. Quelle est
la probabilité que l’équation a2 + Xa + 1 = 0 possède : (a) Deux racines réelles distinctes ?
(b) Une racine double ? (c) Deux racines complexes non réelles ?

Exercice 2.9 Quelle est la probabilité P [X > 1/4] en supposant une densité d’arrivée f (x)
≪chapeau≫ symétrique continue, linéaire sur les morceaux [0, 1] et [1, 2], et tq f (0) = f (1) =
0?

Exercice 2.10 Calculer k tel que la fonction f (x) = kh(x) soit une densité, si : a)

1 x 1
h(x) = , x ≥ 0; b)h(x) = , x ≥ 1; c)h(x) = , x ≥ 0.
(x + 1)(x + 2) x3 + x2+x+1 x3 +1

∫ dt
Sol : c) En utilisant (t−a)2 +b2
= 1b Arctg( t−a
b
),

∫ ∫ M ( )
dx+∞ 1 1 1 x−2
= lim − dx
0 x3 + 1 M →∞ 0 3 x + 1 3 x2 − x + 1
∫ M
1 1 1 x − 1/2 1 1
= lim ( − + )dx
M →∞ 0 3 x + 1 3 x − x + 1 2 (x − 1/2)2 + 3/4
2

1 1 1
= lim (ln(x + 1) − ln(x2 − x + 1)1/2 ) + )|M
M →∞ 3 2 (x − 1/2) + 3/4 0
2

1 M +1 1 2
= lim ln( √ 2 ) + √ Arctg( √ (x − 1/2))|M 0
M →∞ 3 M −M +1 3 3
√
1 √ 1 2π 3 3
= √ (Arctg(∞) − Arctg(−1/ 3)) = √ (π/2 + π/6) = √ , k =
3 3 3 3 2π

10
 2.2 Couples aléatoires et vecteurs aléatoires
Les probabilités deviennent plus intéressantes quand on a faire avec plusieurs v.a., et
le cas le plus simple et celui des variable aléatoire i.i.d., avec des probabilités (ou densités)
conjointes qui sont des produits des probabilités (ou densités) marginales.

exe:ca Exercice 2.11 Couple aléatoire continu. Une étudiante donne rendez-vous à son ami
entre 0 h et 1 h. On suppose qu’ils arrivent indépendamment et à des instants uniformément
distribués dans l’heure convenue. Les deux amis conviennent de n’attendre pas plus de 15
minutes (à l’initiative du jeune homme, qui est habitué à la ponctualité douteuse de sa
copine, mais redoute sa susceptibilité). Soit X, Y les heures d’arrivée des deux copains, et A
l’événement que les deux se rencontrent.
1. Tracer graphiquement le domaine du plan des paires des arrivées possibles (X, Y ), et
le domaine du plan représentant l’événement A.
2. Quelle est la probabilité pour que les deux amis se rencontrent ?
3. Supposons que le jeune homme arrive à une heure donnée t. Quelle est la probabilité
qu’il rencontre sa copine ?

R:
3. P [A] = P [|x − y|] ≤ 1/4] = 7
16


t + 1/4
 t ≤ 1/4
4. P [A|X = t] = (t + 1/4) − (t − 1/4) = 1/2 1/4 ≤ t ≤ 3/4



1 − (t − 1/4) = 5/4 − t t ≥ 3/4
Quelques formules à remarquer pour les paires des variables continues.
1. Les densités marginales s’obtiennent en intégrant les densités jointes :
∫
fX (x) = fY,X (y, x)dy
y

2. Rappelons que les probabilités conditionnelles sont définies comme quotients des pro-
babilités conjointes et probabilités marginales.

pY,X (y, x)
pY /X (y/x) = . (2.2)
pX (x)

Les densités conditionnelles sont définies par un analogue de la loi discrète :

fY,X (y, x) fY,X (y, x)dxdy

fY /X (y/x) = ⇐⇒ fY /X (y/x)dy = (2.3)
fX (x) fX (x)dx

où la deuxième formule (évidemment correcte, mais inutile) a été rajouté pour mettre
en évidence l’analogie avec (2.2), en utilisant le fait que les densités multipliées par des
éléments de volume infinitésimaux sont justes des probas. La démonstration demande
un traitement théorique plus difficile, comportant un passage limite dy → 0, comme
suggéré par la deuxième formule.

11
 3. On utilisera souvent la décomposition chaı̂ne≫ des probabilités conjointes (ou
≪ ≪ loi
des probabilités composées≫) :

fX,Y (x, y) = fX (x)fY /X (y/x) = fY (y)fX/Y (x/y) (2.4)

4. Une fois une loi marginale obtenue, ses espérances se calculent comme pour toutes les
lois. Remarquer la loi de l’espérance totale quand on conditionne sur toutes les valeurs
possibles d’une variable continue X :
∫ ∫ (∫ )
EY = yfX,Y (x, y)dxdy = yfY /X [y/x]dy fX (x)dx = E[E[Y /X]](2.5)
x,y x y

Bien sûr, l’égalité entre la première et dernière expresssion (interpretées comme inte-
grales sur un espace probabilisé Ω arbitraire) est en effet vrai pour toutes les variables
aléatoires.
Remarque 2.2 Aussi utile est la loi de Bayes pour les probabilités marginales :
∫ ∫
fY (y) = fX,Y (x, y)dx = fY /X (y/x)fX (x)dx (2.6)
x x

Exercice 2.12 On choisit de manière aléatoire, selon la loi uniforme, un point (X ; Y ) du

disque D de centre (0, 0) et de rayon 1. 1) Donner la densité jointe du couple (X ; Y ).
2) Quelles sont les densités des lois marginales de X et Y ?
3) Quelle est la loi conditionnelle L(Y |X) ?
4) Quelle est le sous ensemble des points (X, Y ) satisfaisant l’inégalité Y ≤ zX ? Montrer
que la loi du quotient Z = Y /X est une loi de Cauchy.
Exercice 2.13 Soit Z = (X, Y ) un couple aléatoire de densité donnée par fX,Y (x, y) =
ke−y si 0 < x < y et fX,Y (x, y) = 0 sinon.
1. Dessiner le domaine du plan sur lequel f n’est pas nulle. Calculer k.
2. Déterminer les densités marginales et conditionnelles de X et Y. Ces variables sont-
elles indépendantes ?
3. Déterminer la loi de Y − X, puis celle de X/Y

R:
1. Soit T = {(x, y) : 0 ≤ x ≤ y}. k = ∫ 1
e−y dydx
=1
T

2.
( )( )
fX,Y (x, y) = e−y 1I{0≤x≤y} = e−x 1I{0≤x} e−[y−x] 1I{0≤y−x}
( )
( ) 1
−y
= ye 1I{0≤y} 1I{0≤x≤y}
y
Donc, L(X) = Exp(1), L(Y − x|x) = Exp(1), L(Y ) = Γ(2, 1), L(X|y) = U nif [0, y]
3. L(Y − X) = Exp(1), L(X|Y ) = U nif [0, 1].
Exercice 2.14 Comment retrouver la réponse de l’exercice 2.11 b) à partir de l’exercice
2.11 c) ?
∫1 ∫ 1/4 ∫ 1/2 ∫1
R : P [A] = t=0 P [A|X = t]fX (t)dt = t=0 (t + 1/4)dt + t=1/4 1/2dt + t=1/2 (5/4 − t)dt = ....

12
2.3 Fonctions génératrices des probabilités et des mo-
ments
∑
Définition 2.3 a) Pour X ∈ N, la fonction pX (z) = E[z X ] = ∞ k
k=0 pk z s’apelle fonction
génératrice des probabilités.
b) La fonction φX (s) = E[esX ] s’apelle fonction génératrice des moments.

Exercice 2.15 a) Soit X une v.a. de loi de Bernoulli de paramètre p. Déterminer sa fonc-
tion génératrice des probabilités.
b) Soit X1 , X2 , ..., Xn des v.a. iid de loi de Bernoulli
∑ de paramètre p. Déterminer la
fonction génératrice des probabilités et la loi de Sn = ni=1 Xi .

Exercice 2.16 On dit que X suit une loi uniforme discrète sur [1 :n] si et seulement si
pour tout entier k ∈ [1 : n] on a P(X = k) = 1/n. Déterminer la fonction génératrice des
probabilités pX (z).
Exercice 2.17 Soit Z un v.a. avec loi de Poisson de paramètre λ.
a) Calculer les fonctions génératrice des probabilités (fgp) et des moments (fgm) de Z.
b) Calculer l’espérance et la variance de la loi de Poisson de paramètre λ à l’aide de la
fonction fgp.
c) Calculer l’espérance et la variance de la loi de Poisson de paramètre λ à l’aide de la
fonction fgm.
Exercice 2.18 Calculer l’espérance et la variance de la loi géométrique de paramètre p

2.4 Sommes des variables aléatoires i.i.d. (indépendantes,

identiquement distribuées) et sommes aléatoires
des variables aléatoires i.i.d.
Exercice 2.19 1. Soient X, Y ∈ Z deux variables aléatoires discrétes, indépendantes, de
pmf respectives p[x] et q[y]. Montrer que S = X +Y a une pmf
∑
I
pS (z) = p(x)q(z − x)
x=−∞

2. Soient X, Y ∈ N deux variables aléatoires discrétes, indépendantes et

∑ positives, de pmf
respectives p[x] et q[y]. Montrer que S = X +Y a une pmf pS (z) = zx=0 p(x)q(z − x).
3. Qu’obtient-on si X et Y suivent la loi géométrique p(k) = q(k) = (1 − p)pk , k ≥ 0 ?
Exercice 2.20 Soit X et Y deux variables aléatoires indépendantes de lois de Poisson de
paramètres respectifs λ1 > 0 et λ2 > 0 .
1. Quelle est la loi de Z = X + Y ?
2. Pout tout entier n ≥ 0, déterminer la loi conditionnelle de X sachant que Z = X +Y =
n.
3. Déterminer m(n) := E (X | Z = n) , et m(Z) := E (X | Z) (≪fonction de Doob≫).
Exercice 2.21 1. Soient X, Y ∈ R deux variables aléatoires indépendantes continues, de
densités respectives f (x) et g(y). Montrer que S = X +Y a une densité
∫ ∞
fS (z) = f (x)g(z − x)dx
−∞

13
 2. Soient X et Y deux variables aléatoires indépendantes continues et positives,
∫ z de densités
respectives f (x) et g(y). Montrer que S = X +Y a une densité fS (z) = x=0 f (x)g(z −
x)dx.
3. Qu’obtient-on si X et Y suivent la loi Exp[λ] ?
4. Qu’obtient-on si X et Y suivent respectivement les loi Exp[λ] et Exp[µ], λ ̸= µ ?
5. Qu’obtient-on si X et Y suivent la loi U[[−1/2, 1/2] ?
{
(1 + x)+ x ≤ 0
6. Qu’obtient-on si X et Y suivent la loi de densité f (x) = ?
(1 − x)+ x ≥ 0
∞ ∫ ∫
R : 6. S ∈ [−2, 2], fS (z) = −∞  (z − x)dx = −2 f (x)f (z − x)dx. Remarquons que
f (x)f 2

(1 − x + z) x≥z (1 + x − z) x≤z

+ +
f (z − x) =  = , i.e. les cotés du triangle sont
(1 + x − z)+ x ≤ z (1 − x + z)+ x ≥ z
renversées.
En superposant les graphes de f (x), f (z − x) et deplaçant le dernier tel qu’il soit centré
en z, on voit qu’il y a quatre cas : z ∈ [1, 2], z ∈ [−1, −2], z ∈ [0, 1], z ∈ [−1, 0]. Dans le
premier cas :
∫ ∫
1 1 8 − z3
fS (z) = (1 − x)(1 + x − z)dx = (1 − x2 + zx − z)dx = z 2 − 2z +
z−1 z−1 6
Dans le deuxième cas :
∫ 0 ∫ z ∫ 1
fS (z) = (1 + x)(1 + x − z)dx + (1 − x)(1 + x − z)dx + (1 − x)(1 − x + z)dx
z−1 0 z
∫ 1
= (1 − x2 + zx − z)dx = 2/3 − z 2 + z 3 /2
z−1

On observe sur le plot la convergence vers le densité Gaussienne.

1.0

0.8

0.6

0.4

0.2

fig:CLT -2 -1 1 2

∫ +∞
Exercice 2.22 Pour α > 0, soit Γ la fonction définie par Γ(α) = 0 tα−1 e−t dt (fonction
gamma).
1. Calculer Γ(1), Γ(2).

14
 2. En supposant que α > 1 et que Γ(α + 1) et Γ(α) convergent, trouver une relation qui
les relie.
3. En déduire l’expression de Γ(n) pour n ∈ N.
4. Vérifier que l’intégrale converge au voisinage de 0 ∀α > 0.
∫ +∞
5. Vérifier que si l’intégrale f (α) = 1 tα−1 e−t dt est convergente, alors elle définit une
fonction monotone.
6. (*) Concluez que l’intégrale Γ(α) converge globalement pour α > 0.
√
7. Montrez que Γ(1/2) = π.
8. Montrez que la densité d’une somme de n variables i.i.d. exponentielles de paramètre
n−1
λ est λ (λx)
Γ(n)
e− lx .

∑
Exercice 2.23 Soit T = N i=1 Zi , où Zi sont des variables exponentielles i.i.d de paramètre
λ, et N est indépendante de Zi , avec P [N = k] = (1 − p)pk−1 , k = 1, 2, .... Déterminer la
fonction génératrice des moments de T, et sa fonction de survie.

∑∞
R : EesT = k=1 (1 − p)pk−1 ( 1+s/λ
1
)k = (1 − p)( 1+s/λ
1
) 1−p( 1 1
)
= 1−p
1−p+s/λ
= 1
1+s/(λ(1−p))
1+s/λ

Exercice 2.24 Soit S une variable binomiale avec paramètres N, p, où N, p peuvent-etre
des variables aléatoires. Déterminer la loi de S, si a) N est une variable de Poisson avec
paramètre λ b) N est une variable binomiale avec paramètres n, q c) (*) p est une variable
de loi U [0, 1].
∑∞ k ∑∞ (λ(1−p))n−k k
e−λ λn! − p)n−k = e−λ (λp) = e−λp (λp)
n n!
R : a) P [S = k] = n=k (n−k)!k!
pk (1 k! n=k (n−k)! k!

ex:der Exercice 2.25 1. Montrer que

∞
∑
1
= (k + 1)xk ,
(1 − x)2 k=0
∑∞
si |x| ≤ 1, en différenciant 1
(1−x)1
= k=0 xk .
1 1
2. Calculer le développement limité autour de x = 0 de (1−x)3
, en différenciant (1−x)1
=
∑∞ k
k=0 x .
3. Pour n ∈ N et |x| ≤ 1, montrer que
∞
( )
1 ∑ n+k k
= x ,
(1 − x)n+1
k=0 k

1 ∑∞
en différenciant (1−x)1
= k=0 xk .

Exercice 2.26 Soit X, Y deux variable aléatoire géométriques indépendantes de loi pk =

(1 − p)pk , k = 0, 1, 2, ..., des paramètres p (X, Y comptent le nombre des jetés d’une monnaie
jusqu’à la première et deuxième pile, en excluant les piles).

15
 1. Quelle est la loi de Z = X + Y ? R : La fonc. gen. des probas de la v. géométrique est
(1 − p)(1 + pz + p2 z 2 + pk z k ...) = 1−pz
1−p
. La fgp de la somme Z est

P (z) = (1−p)2 (1+pz+p2 z 2 +pk z k ...)(1+pz+p2 z 2 +pk z k ...) = (1−p)2 (1+2pz+3p2 z 2 +...,
par un calcul direct ou en appliquant le développement limité de l’exercice 2.25
précédent. Les probabilités d’une somme des deux v. géométriques sont :
P [Z = k] = (k + 1)(1 − p)2 pk , k = 0, 1, ...,
avec l’interprétation qu’il faut choisir la place de la première parmi les k + 1 lancées
qui précèdent la deuxième pile.
2. Pout tout entier n ≥ 0, déterminer la loi conditionnelle de X sachant que Z = X +Y =
n.
3. Déterminer E (X | Z = n) et la fonction de Doob h(Z) = E (X | Z).
4. Calculer la loi (binomiale négative) d’une somme des r variable aléatoire géométriques
Yi indépendantes, des paramètres p. Donner une interprétation combinatoire du résultat.
R : Nous allons effectivement redécouvrir ici l’expansion binomiale négative de New-
ton. Commençons par la fgp d’une somme des trois v. géométriques, qui est
P (z) = (1 − p)3 (1 + pz + p2 z 2 + pk z k ...)(1 + pz + p2 z 2 + pk z k ...)(1 + pz + p2 z 2 + pk z k ...)
= (1 − p)3 (1 + 3pz + 6p2 z 2 + 10p2 z 3 ...)
Les probabilités d’une somme des trois v. géométriques sont :
( )
(k + 1)(k + 2) k+2
P [Z = k] = (1 − p)3 pk = (1 − p)3 pk , k = 0, 1, 2, 3...,
2 2
en appliquant le développement limité de l’exercice 2.25, ou par un calcul direct, ou
ck = (k+1)(k+2)
2
est obtenu en remarquant que les prémi’eres différences sont affines en
k, et les deuxièmes différences sont constantes, égales a 1. Par conséquent ck est un
polynôme de deuxième dégrée en k, et les valeurs initiales c0 = 1, c1 = 3 nous donnent
2 2
ck = k2 + a1 k + a0 = k +3k+2
2
(on peut aussi chercher 1, 3, 6, 10 avec http ://[Link]/
). On peut deviner maintenant que les probabilités d’une somme des n v. géométriques
sont : ( )
n+k−1
P [Z = k] = (1 − p)n pk , k = 0, 1, ...
n−1
Une fois deviné, le résultat est évident, car c’est juste le nb. des possibilités pour choisir
n − 1 piles parmi les n − 1 + k résultats qui précédent la k-ieme pile.
On aurait pu aussi prendre une voie directe, en suivant Newton, en se posant la question
si l’expansion binomiale valable pour des entiers naturels α :
( )
α 2 2
(1 − pz) = 1 − αpz +
α
p z − ...
2
tienne aussi pour des entiers négatifs. En effet, pour α = −1,
α(α − 1) 2 2
(1 − pz)−1 = 1 − (−1)pz + p z − ... = 1 + pz + p2 z 2 + ...
2
est juste la série géométrique, donc la formule tient aussi dans ce cas, sauf que l’expansion
est infinie. A partir de α = −1, on démontre par récurrence, comme ci-dessus, que la formule
tienne pour k = −2, −3, .... Il s’avère que la formule binomiale géńéralisée de Newton est
valable pour chaque α ∈ C, si |pz| < 1. http ://[Link]/wiki/Binomial series

16
 Exercice 2.27 Soit S une variable binomiale négative avec paramètres N, p, c.-à-d.
( )
r+k−1 r(k)
P [S = k|N = r] = (1 − p)r pk = (1 − p)r pk ,
k k!

où N est une variable aléatoire géométrique avec paramètre β, et r(k) := r(r + 1)...(r + k − 1).
Déterminer la loi de S.

Exercice 2.28 Un examen se présente sous la forme d’un questionnaire à choix multiples
(Q.C.M.) comportant K = 20 questions. Pour chacune des questions, il est proposé 4
réponses dont une et une seule est bonne. Le correcteur compte 1 point pour une réponse juste
et 0 en cas de mauvaise réponse. Un candidat se présente en n’ayant appris rien. Il reçoit
une note N égale au nombre des questions auxquelles il répond correctement (par chance).
1. Quelle est la loi de la note N ? Calculer l’espérance mathématique et la variance de N.
2. (Sommes aléatoires) Répeter la question précédente, si K est une variable aléatoire
de loi de Poisson de paramètre λ = 20.

Exercice 2.29 (Somme aléatoire) Soit (Xn ), n ≤ N une suite de v.a. iid à valeurs dans N
et T une variable aléatoire, à valeurs
∑ dans N, et indépendante des (Xn ), n ≤ N . On pose
S0 = 0 et pour tout n ≥ 1, Sn = nk=1 Xk et S(w) = ST (w) (w).
a) Montrer que gS = gT ◦ gX . b) Montrer que si X1 et T sont intégrables, alors E[S] =
E[T ]E[X]. c) On prend pour les (Xn ), n ≤ N des v.a. iid de loi de Bernoulli de paramètre
p, et pour T une loi de Poisson de paramètre λ. Quelle est la loi de S ?

Exercice 2.30 Soit X une variable de loi Poisson de paramètre Y, où Y est une variable
de loi exponentielle de paramètre λ. a) Trouver la loi de X. b) Trouver la loi conditionnelle
L[Y |X = k].
∫∞ y k −y
R : P [X = k] = 0 k!
e λe−λy dy

s:CLT0 2.5 Théorème de limite centrale

Le théorème de limite centrale, le premier grand théorème des probabilités, concerne la
convergence de la fonction de répartition Fn (x) d’une somme des variable aléatoire Zi i.i.d.,
avec Var Z = σ 2 :
∑n
(L)
i=1 (Zi − EZi )
lim = N(0,1) , (2.7)
n→∞ σn1/2
c.-à-d.
∑n
i=1 (Zi − EZi )
P [S̃n ≤ x] → Φ(x), S̃n = ,
σn1/2
où Φ(x) est la fonction de répartition de la loi normale. Ce théorème a une longue histoire,
qui commence par le théorème De Moivre-Laplace des convergence des sommes binomiales–
voir http ://[Link]/smel/articles/ etoiles/cadre [Link]
Nous allons aborder cette loi par quelques examples :

17
Exemple 2.1 Soit Zi i.i.d., Zi ∼ U [−1/2, 1/2]. a) Montrer que la densité de Y2 = Z1 + Z2
est {
1 − x x ∈ [0, 1]
fY2 (x) = x + 1 x ∈ [−1, 0]

Ind : La formule de convolution reviens ici a calculer la longueur de l’intersection

Exercice 2.31 Soit X une variable aléatoire, et soit Ya = X/a. Calculer l’esperance et
l’écart type de Ya . b) Calculer la fonction de répartition Ya , et aussi la densité, en supposant
que X est continu c) Dessiner les densités fX et fYa pour a = 2 et a = 4 au cas où
X ∼ U [−1, 1].

2.6 Transformations des variables aléatoires

Exercice 2.32 Soit Ui , i = 1, 2 deux variables aléatoires indépendantes suivant la loi uni-
forme discrète sur 0, 1, ..., n c’est-à-dire que pour 0 ≤ k ≤ n, P [Ui = k] = n+1
1
. Quelles sont
les loi de n − U1 , 2U1 , U1 , U1 + U2 ?
2

Exercice 2.33 Soit X de loi exponentielle Exp(λ), avec λ > 0.

1. Quelle sont les lois de X + a, aX et e−aX ?
√
2. Quelle est la loi de Z = X ? Calculer EZ, Var (Z).
3. Quelle est la loi de Z = e−λX ?
4. Quelle est la loi de Z = F̄ [X], où X est une v.a. continue ?
√ √
Exercice 2.34 Quelle est la loi de Z1 = X1 + X2 , où X1 , X2 sont des variable aléatoire
i.i.d., de loi Exp(λ) ?

Exercice 2.35 Quelle sont la fonction de répartition et la densité du carré d’une variable
de loi normale N (0, 1) ?
1
Exercice 2.36 Soit X une variable qui suit la loi de Cauchy avec densité π(1+x 2 ) . a) Verifier

qu’il s’agı̂t d’une densité. b) Trouver la fonction de répartition. c) Calculer P [1/3 ≤ X 2 ≤ 1.

c) Montrer que 1/X a la même loi que X. d) Déterminer la fonction de répartition de T
= max(X, 0). Est-ce que la variable aléatoire T est continue (le cas échéant, donnez sa
densité) ?

R : d) T est une variable aléatoire hybride (avec une partie discrète, et une continue).

Exercice 2.37 a) Soit X une variable aléatoire continue de loi uniforme sur [0, 1]. Déterminer
les lois de Zi = hi (x), i = 1, 2, où h1 (x) = 1 − x et h2 (x) = min(x, 1 − x).
√ b) Déterminer
√
les lois de Z3 = min(X1 , X2 ), Z4 = X1 + X2 , Z5 = X1 + X2 + X3 , Z = X1 + X2 , où
X1 , X2 , X3 sont des variable aléatoire i.i.d., de loi uniforme sur [0, 1].

Ind : Pour calculer P [Z = h(X) ≤ z] = PX [x : h(x) ≤ z], tracer le ∫

graph de y = h(x), de
y = z, déterminer l’ensemble Az = [x : x(x) ≤ z], et sa probabilité Az fX (x)dx.
R: 
 2x3 0<x≤1
√ √
f X1 + X2 (x) = 3 2 3
− (x − 6x + 4) 1 < x < 2
3

18
f:csu
1.0

0.8

0.6

0.4

0.2

-2 -1 1 2

Figure 2.1 –

2.7 Complements sur la loi exponentielle

Exercice 2.38 Soit X1 et X2 la durée de vie de deux composants. On suppose que ces
deux composants suivent la même loi E(λ = 1/1000). 1. Si ces composants sont montés
en série, quelle est la loi de la durée de vie du circuit électronique ? (On suppose que les
deux composants fonctionnent indépendemment l’un de l’autre) 2. Même question si ces
composants sont montés en parallèle. 3. Calculer la durée de vie moyenne du circuit dans le
premier cas, dans le deuxième cas. 4. Généraliser au cas de n composants.
Théorème 2.1 La loi exponentielle et la propriété de ≫’manque de mémoire≫’ Soit
X une variable aléatoire réelle positive. Alors, X suit une loi exponentielle si, et seulement
si la ≪fonction de survie conditionnelle≫ satisfait :
∀t, h ≥ 0 , P [X ≥ t + h | X ≥ t] = P [X ≥ h] ,
qu’on appelle la propriété de manque de mémoire.

Démonstration : Si X suit une loi exponentielle de paramètre λ > 0 alors pour tous t, h ≥ 0
on a :
P ([X ≥ t + h] ∩ [X ≥ t]) P [X ≥ t + h]
P [X ≥ t + h | X ≥ t] = =
P [X ≥ t] P [X ≥ t]
F̄X (t + h) e−λ(t+h)
= = = e−λh = F̄X (h) = P [X ≥ h]
F̄X (t) e−λt

où F̄ = F̄X = 1−FX . Réciproquement , si on suppose que ∀t, h ≥ 0 , P [X − t ≥ h | X ≥ t] =

P [X ≥ h] c’est-à-dire :
∀t, h ≥ 0 , P [X ≥ t + h] = P [X ≥ t] P [X ≥ h] ,
alors la fonction de survie F̄ vérifie l’équation fonctionnelle
(∗∗) F̄ (t + h) = F̄ (t) F̄ (h) pour tous t, h ≥ 0
En prenant logarithmes, on trouve que la fonction f (x) = log(F̄ (x) vérifie l’équation fonc-
tionnelle
(∗∗) f (t + h) = f (t) + f (h) pour tous t, h ≥ 0
On utilise maintenant le résultat :
Théorème 2.2 Une fonction monotone f satisfaisant l’équation fonctionnelle
(∗∗) f (t + h) = f (t) + f (h) pour tous t, h ≥ 0
doit être linéaire, c.-à-d.
f (t) = tf (1)

19
Remarque 2.3 Il suffit de supposer que la fonction f soit mesurable, mais alors le théorème
est beaucoup plus difficile à démontrer.

Démonstration : À partir de (∗∗) , on obtient que :

( ) ( ( ))m ( )m
m 1 1 m
∀m, n ∈ N , f = f = (f (1)) n = (f (1)) n
n n

Montrons que f (1) ̸= 0 : si f (1) = 0 alors d’après ce qui précède f est nulle sur Q+ ,
or on sait que pour tout réel x > 0 , il existe r dans Q+ tels que r ≤ x , comme f est
décroissante, on aura alors 0 ≤ f (x) ≤ f (r) = 0 donc f (x) = 0 et f = 0, ce qui est faux.
Par conséquent les fonctions f et x 7→ (f (1))x = ex ln f (1) coı̈ncident sur Q+ , comme ces
fonctions sont continues sur R+ , on peut alors affirmer que ∀x ≥ 0 , f (x) = ex ln f (1) On sait
que limx→+∞ f (x) = 1 − limx→+∞ FX (x) = 0 donc ln f (1) < 0 et on peut écrire que

∀x ≥ 0 , FX (x) = 1 − e−λx avec λ = − ln f (1) > 0

et on en déduit que la loi de X est une loi exponentielle  La fonction

P [X ≤ t + h | X ≥ t] f (t) F̄ ′ (t)
λ(t) := lim = =−
h→0 h F̄ (t) F̄ (t)

appelée ≪risque instantané≫ ou ≪ taux de hasard/mort≫ offre encore une caractérisation

importante d’une loi.

Exercice 2.39 Montrez que la seule loi avec un taux de hasard constant λ(t) = λ est la loi
exponentielle.
∫∞
Exercice 2.40 Montrez qu’à chaque fonction bornée λ : R+ − > R+ avec intégrale
∫ 0 λ(u)du =
t
−
∞ on peut associer une loi de probabilité avec fonction de survie F̄ (t) = e 0
λ(u)du
et taux
de hasard λ(u).

Remarque 2.4 Le ≪taux de hasard/mort≫ immédiat λ(0) coı̈ncide pour une variable posi-
tive avec la densité f (0)

P [X < h|X ≥ 0] P [X < h] Fh

λ(0) = lim = lim = lim = f (0)
h→0 h h→0 h h→0 h

La formule correcte au premier ordre pour h très petit

Fh ≈ f (0)h

est souvent utilisée pour conditionner sur une arrivée en temps continu avant h. Pour une
variable exponentielle X à paramètre λ par exemple, on utilise souvent

Fh ≈ λh,

au lieu de la formule exacte Fh = 1 − e−λh .

20
2.8 Exercices
1. Soit 
 1
, x≥0
(x+1)(x+3)
h(x) =
0 X<0
∫x
a) Calculer la fonction H(x) = 0 h(u)du
Est-ce que la fonction h(x) est positive et integrable sur [0, ∞) ?
b) Calculer k tel que la fonction f (x) = kh(x), x ≥ 0 soit une densité.
∫
Calculer la fonction de répartition F (x) = 0x f (u)du.
c) Calculer la mediane m de F (x).

2. Soient X et Y deux variable aléatoire indépendantes continues et positives, de densités

respectives f (x) et g(y), et soit S = X + Y leur somme.
a) Quelle est la densité f (z) = fS (z), si X et Y suivent la loi Exp[λ] ?
b) Quelle est la densité g(z) = gS (z), si X et Y suivent respectivement les lois Exp[λ1 ]
et Exp[λ2 ], λ1 ̸= λ2 ?
∫ ∫
c) Trouver les transformées de Laplace fb(s) = 0∞ f (z)e−sz dz, gb(s) = 0∞ g(z)e−sz dz
dans les deux cas.

3. Une paire (X, Y ) est choisi uniformément sur A = {x ≥ 0, y ≥ 0, 2x + 3y ≤ 6}.

(a) Quelle est la densité conjointe fX,Y (x, y) ? Dessiner le domaine du plan sur lequel
elle n’est pas nulle.
(b) Quelle est la densité marginale de X ? Calculer l’espérance E[X]
(c) Quelle est la densité conditionelle fX|Y (x|y) ?
(d) Calculer l’espérance conditionelle E[X|Y = y].
(e) Calculer par deux méthodes l’espérance E[E[X|Y ]]
4. Un point U est choisi uniformément sur [0, 1]. En suite, un point T est choisi uni-
formément sur [0, U ].
(a) Calculer la densité conjointe f (t, u) et dessiner le domaine du plan sur lequel elle
n’est pas nulle.
(b) Quelle est la densité marginale de T et la probabilité que T > 1/2 ?
Sol :
∫
1. a) H(x) = 0x h(u)du = 12 (ln[ x+1
x+3
] − ln[ 13 ]) = 12 (ln[ x+1
x+3
] + ln[3]), H(∞) = ln[3]
2
ln[ x+1 ]
b) k = H(∞)−1 = 2
ln[3]
c) F (x) = 2
ln[3]
H(x) = x+3
ln[3]
+1
1
d) F (m) = 1/2 ⇐⇒ ln[ m+1 ] + ln[3] = ln[3]
⇐⇒ ln[ m+3 ] = ln[3 2 ], m + 3 =
√ 3−
√
3
√ m+3 2 m+1
(m + 1) 3, m = √3−1 = 3
∫
2. a) 0x λ2 e−λu e−λ(x−u) du = λ2 e−λx x
∫ ∫
b) 0x λ1 λ2 e−λ1 u e−λ2 (x−u) du = λ1 λ2 e−λ2 x 0x λ1 λ2 e(λ2 −λ1 )u = λ1 λ2 −λ2 x (λ2 −λ1 )x
λ2 −λ1
e (e − 1) =
λ1 λ2
λ2 −λ1
(e−λ1 x − e−λ2 x )
c) fb(s) = ( λ+s
λ 2 b
) , g (s) = ( λ1λ+s
1
)( λ2λ+s
2
)

21
 3. a) la densité conjointe est fX,Y (x, y) = 13 b) la densité marginale de X est fX (x) =
∫ ∫
fX,Y (x, y)dy = 32 − 2x
9
et l’espérance E[X] = 03 fX (x)dx = 1
∫
c) la densité marginale de Y est fY (y) = fX,Y (x, y)dx = 1 − y2 , y ∈ [0, 2] et la densité
conditionelle pour y ∈ [0, 2[ est fX|Y (x|y) = 3(1− 1
y , ∀x, i.e. L(X|Y = y) est uniforme
) 2
sur [0, 3(1− y2 )] d) L’espérance conditionelle est E[X|Y = y] = 32 (1− y2 ). e) L’espérance
iterée satisfait E[E[X|Y ]] = E[X] = 1
4. Dans cet exercice, l’espace des probabilités est le triangle {0 ≤ t ≤ u ≤ 1}, doté par la
mesure u1 dtdu. Utilisons la décomposition des probabilités marginales (2.6)
∫ 1 ∫ 1 1
fT (t) = fT /U =u (t, u)dtdu = 1It≤u du = log u|1t = − log t
u=0 u=0 u
∫1
De lors, P [T > 1/2] = 1 − log tdt = 12 (1 − Log2).
2

2.9 Contrôle continu

1. Une paire (X, Y ) est choisi uniformément sur A = {x ≥ 0, y ≥ 0, 2x + 3y ≤ 6}.
(a) Quelle est la densité conjointe fX,Y (x, y) ? Dessiner le domaine du plan sur lequel
elle n’est pas nulle.
(b) Quelle est la densité marginale de X ? Calculer l’espérance E[X]
(c) Quelle est la densité conditionelle fX|Y (x|y) ?
(d) Calculer l’espérance conditionelle E[X|Y = y].
(e) Calculer par deux méthodes l’espérance E[E[X|Y ]]
2. Soit Z un v.a. avec loi de Poisson de paramètre λ.
a) Calculer les fonctions génératrice des probabilités (fgp) et des moments (fgm) de Z.
b) Calculer l’espérance et la variance de la loi de Poisson de paramètre λ à l’aide de la
fonction fgp.
3. a) Quelle sont la fonction de répartition et la densité du carré d’une variable de loi
normale X ∼ N (0, 1) ?
b) Quelle est la densité du carré d’une somme des n variables i.i.d. de loi normale
Xi ∼ N (0, 1) ?
∑
4. Sommes aléatoires. Soit T = N i=1 Zi , où Zi sont des variables exponentielles i.i.d de
paramètre λ, et N est indépendante de Zi , avec P [N = k] = (1 − p)pk−1 , k = 1, 2, ....
Détérminer la fonction génératrice des moments de T, et sa fonction de survie F̄T (x) =
P [T > x].
5. a) Soit X une variable aléatoire continue de loi uniforme sur [0, 1]. Déterminer les lois
de Zi = hi (x), i = 1, 2, où h1 (x) = 1 − x et h2 (x) = min(x, 1 − x). b) Déterminer les
lois de Z3 = min(X1 , X2 ), Z4 = X1 + X2 , Z5 = X1 + X2 + X3 , Z6 = X12 + X22 , où
X1 , X2 , X3 sont des variable aléatoire i.i.d., de loi uniforme sur [0, 1].
√ √
c) Déterminer la loi de Z = X1 + X2 , où X1 , X2 sont des variable aléatoire i.i.d.,
de loi uniforme sur [0, 1].

22
f:csu
1.0

0.8

0.6

0.4

0.2

-2 -1 1 2

Figure 2.2 –

R: 
 2x3 0<x≤1
f√X1 +√X2 (x) = 3
− 2 (x3 − 6x + 4) 1<x<2
3

6. Soit X une variable aléatoire dont la loi est donnée par

P (X = k) = (k − 1) p2 (1 − p)k−2 pour tout entier k ≥ 2,

où p ∈]0, 1].

(a) Déterminer la fonction génératrice des probabilités (fgp) de X.

(b) En déduire la valeur de E (X) et de var(X).
(c) On considère une pièce non équilibrée que l’on lance un nombre indéterminé de
fois. La probabilité d’obtenir pile est p ∈]0, 1[. Les lancers sont indépendants. On
note T le temps d’attente du premier pile, c’est-à-dire le nombre de lancers qu’il
faut effectuer pour obtenir le premier pile.

i. Quelle est la loi de T ? Que vaut E (T ) ? (On ne demande pas de refaire le

calcul).
ii. On note maintenant S le temps d’attente du deuxième pile. Déterminer la loi
de S − T . En déduire la valeur de E (S − T ), puis de E (S).
iii. Déterminer la loi de S et vérifier la cohérence avec les résultats obtenus dans
la question 1.

7. Couple aléatoire. Une étudiante donne rendez-vous à son ami entre 0 h. et 1 h.

On suppose qu’ils arrivent indépendamment et à des instants uniformément distribués
dans l’heure convenue. Les deux amis conviennent de n’attendre pas plus de 15 minutes
(à l’initiative du jeune homme, qui est habitué à la ponctualité douteuse de sa copine,
mais redoute sa susceptibilité). Soit X, Y les heures d’arrivée des deux copains, et A
l’événement que les deux se rencontrent.

(a) Tracer graphiquement le domaine du plan où la densité conjointe fX,Y (x, y) est
nonnule le domaine du plan représentant l’événement A
(b) Quelle est la probabilité pour que les deux amis se rencontrent ?
(c) Supposons que le jeune homme arrive à une heure donnée t. Quelle est la pro-
babilité qu’il rencontre sa copine ? Comment retrouver la reponse de la question
precedente à partir de ce nouveau résultat ?

23
2.10 Examen d’entrainement
1. Soit X une variable aléatoire de densité f donnée par f (x) = 12 e−|x| , x ∈] − ∞, ∞[.
(a) Vérifier que f est bien une densité. Donner son espérance et sa variance.
(b) Quelle est la probabilité que l’équation a2 + Xa + 1 = 0 possède : (a) Deux racines
réelles distinctes ? (b) Une racine double ? (c) Deux racines complexes non réelles ?
2. Une paire (X, Y ) est choisi uniformément sur A = {x ≥ 0, y ≥ 0, x4 + y
3
≤ 1}.
(a) Quelle est la densité conjointe fX,Y (x, y) ? Dessiner le domaine du plan sur lequel
elle n’est pas nulle.
(b) Quelle est la densité marginale de X ? Calculer l’espérance E[X]
(c) Quelle est la densité conditionelle fX|Y (x|y) ?
(d) Calculer l’espérance conditionelle E[X|Y = y].
3. Un point U est choisi uniformément sur [0, 2]. En suite, un point T est choisi uni-
formément sur [0, U ].
(a) Calculer la densité conjointe f (t, u) et dessiner le domaine du plan sur lequel elle
n’est pas nulle.
(b) Quelle est la densité marginale de T et la probabilité que T > 1 ?
4. Soient X et Y deux variable aléatoire indépendantes continues et positives, de densités
respectives f (x) et g(y), et soit S = X + Y leur somme.
a) Quelle est la densité f (z) = fS (z), si X et Y suivent la loi Exp[λ] ?
b) Quelle est la densité g(z) = gS (z), si X et Y suivent respectivement les lois Exp[λ1 ]
et Exp[λ2 ], λ1 ̸= λ2 ?
∫ ∫
c) Trouver les transformées de Laplace fb(s) = 0∞ fS (z)e−sz dz, gb(s) = 0∞ gS (z)e−sz dz
dans les deux cas.
R:
1. a) EX = 0, V arX = 2 b) P [X 2 − 4 > 0] = e−2 , P [X 2 − 4 = 0] = 0, P [X 2 − 4 < 0] =
1 − e−2 .
2. (a) f (x, y) = 16 1IA
(b) fX (x) = 1
2
− x
8
1
(c) fX|Y (x|y) = 4(1−y/3)

(d) E[X|Y = y] = 2(1 − y/3)

3. Dans cet exercice, l’espace des probabilités est le triangle {0 ≤ t ≤ u ≤ 2}, doté par la
1
mesure 2u dtdu. Utilisons la décomposition des probabilités marginales (2.6)
∫ 2 ∫ 2 1 1 1
fT (t) = fT /U =u (t, u)dtdu = 1It≤u du = log u|2t = (2 − log t)
u=0 u=0 2u 2 2
De lors, P [T > a] = 1/2(2 − a(1 + Log[2]) + aLog[a]). Pour a = 1, P [T > 1] =
1/2(1 − Log[2]).

24
 2.11 Temps continu : la compétition des exponentielles
ex:compexp Exercice 2.41 la dernière ampoule a s’éteindre, ou le coureur et la tortue. Soit
{Xi , i = 1, 2}, deux variables exponentielles indépendantes à paramètres λi , i = 1, 2, qui
représentent les temps nécessaires pour deux ampoules à s’ éteindre, ou le temps des deux
compétiteurs pour finir un parcours. Par exemple, λ2 = .01 (la tortue), et λ1 = .99 (le
coureur).
1. Calculer les fonctions de répartition et survie de V = max[X1 , X2 ]. R : P [V ≤ t] =
P [X1 ≤ t, X2 ≤ t] = (1 − e−λ1 t )(1 − e−λ2 t ) = 1 − e−λ1 t − e−λ2 t + e−(λ1 +λ2 )t P [V > t] =
e−λ1 t + e−λ2∑ t
− e−(λ1 +λ2 )t Rémarquez
∑ qu’il s’agit d’une combinaison d’exponentielles
P [V > t] = i wi e−si t , avec , i wi = 1, mais wi pas forcement positifs.
2. la loi du minimum U = min[X1 , X2 ].
R : P [U > x] = P [min[X1 , X2 ] > x] = P [X1 > x, X2 > x] = e−λ1 x e−λ2 x = e−(λ1 +λ2 )x
Cet exercice est très simple en utilisant directement l’indépendance (sans passer par
la densité conjointe, conditionnement ...) ! Pour comparaison, utilisons aussi une ap-
proche de décomposition en deux cas, calculables comme intégrales doubles : P [U >
x] = P [x < X1 < X2 ] + P [x < X2 ≤ X1 ] = λ1λ+λ 1
2
e−(λ1 +λ2 )x + λ1λ+λ
2
2
e−(λ1 +λ2 )x =
e−(λ1 +λ2 )x (cette approche peut également etre vue comme un conditionnement sur
l’ordre des Xi ).
3. Soit I la variable aléatoire définie par U = XI . Calculer
P [I = 2, U > t],
ainsi que la loi de la variable I donnant l’index qui réalise le minimum.
R:
∫ ∞ ∫ ∞
P [I = 2, U > t] = P [t ≤ Y ≤ X] = f2 (y)dy( f1 [x]dx)
t y
∫ ∞ λ2
= λ2 e−λ2 y e−λ1 y dy = e−(λ1 +λ2 )t = P [U > t] P [I = 2|U > t]
t λ1 + λ2
Comme P [I = 2|U > t] ne dépend pas de t, il suit que U, I sont des variables
indépendantes § ! La généralisation de ce fait pour une compétition des n exponen-
tielles est la fondation de la construction des processus de Markov en temps continu.
4. Soit W = V − U . Calculer P [W > t|I = 1] et P [W > t|I = 2]
5. Calculer la fonction de survie P [W > t] de W .
6. Montrer que U et W sont indépendantes.
7. calculer la transformée de Laplace φV (s) = E[e−sV ] de V , et la décomposer comme
produit des transformées de Laplace de deux lois. À partir de cette décomposition,
suggérer une décomposition de V comme somme des deux variables independantes,
avec des lois marginales qu’on identifiera.
8. Trouver la loi du minimum de n variables exponentielles indépendantes {Xi , i =
1, ..., n}, à paramètres λi , i = 1, ..., n, ainsi que la loi de la variable I qui donne l’index
qui réalise le minimum.
9. Obtenez la loi du maximum Vn de n variables exponentielles indépendantes, avec pa-
ramètres égaux λ. R : Vn = W0 + W1 + W2 + Wn−1 , où Wi sont des variable aléatoire
indépendantes, de loi E(λ(n − i)).
§. Cela est tout à fait surprenant (a priori, les chances de gagner sont .99 et .01 ; supposons que le temps
de la course est très petit U ∼ 1/4 ; paradoxalement, ça ne change en rien la proba que le coureur a gagné !).

25
Remarque 2.5 Les lois intervenant dans cet exercice apartient a l’importante classe des
lois R avec transformée de Laplace rationelle, appelées aussi lois matrice-exponentielles (car
elles sont représentables comme F̄ (t) = αeAt 1, où A est une matrice, et α, 1 dénotent des
vecteurs ligne et colonne).

2.12 Variables aléatoires hybrides

Exercice 2.42 Soit X une variable aléatoire continue uniforme sur [0, 1] et p ∈]0, 1[.
1. Soit Y = 1I[X≤p] . Est-ce que la loi de Y est continue ? Ind : Faire une ≪simulation
mentale≫ de Y un grand nb. de fois, et deviner sa mesure.
2. Construire à l’aide de X une variable aléatoire Z prenant les valeurs a, b et c avec
probabilité p, q et r si p, q, r sont trois réels de [0, 1] tels que p + q + r = 1. Donnez
une formule pour Z, une pour sa mesure associée, et une pour la fonction de répartition
de Z.
Exercice 2.43 ∫Soit X une variable continue positive. L’intégration par parties EX =
∫∞ ∞
0 xfX (x)dx = 0 F̄X (x)dx−limx→∞ xF̄X (x) suggère l’existence d’une formule pour l’espérance,
à partir de la fonction de survie F̄X (x).
1. Proposer et démontrer un analogue de cette formule pour une variable discrète avec
valeurs X ∈ {0, 1, 2, ...}.
2. Démontrer une formule pour l’espérance d’une variable continue positive X, à partir
de sa fonction de survie F̄X (x).

R : 1) Le cas discret est simple, il s’agı̂t de changer l’ordre de sommation. On trouve :

∑
EX = k≥1 P [X ≥ k].
2) Sur deuxième réflexion, ça marche également dans( le cas continu,
) après avoir écrit
∫ ∫
l’espérance comme une intégrale double E(X) = 0≤x f (x) 0≤u≤x du dx et appliqué Fubini-
Tonelli.
Remarque 2.6 Dans le cas continu, la formule de l’intégration par parties suggère notre
nouvelle formule, mais ļa démonstration demande de considérer une limite qui n’est pas
immédiate. Par contre, le truc de passer a une intégrale double et d’utiliser Fubini-Tonelli
rends le résultat immédiat.
Remarque 2.7 Cette formule est parfois – par exemple dans le cas des lois exponentielles
et géométriques – plus vite a appliquer que la formule classique (de conditionnement sur
toutes les valeurs possibles).

Exercice 2.44 Soit X une variable positive, et soit Xa = min[X, a].

1. Calculer F̄Xa (x) = P [Xa > x]. Donner une formule pour la mesure µXa (dx).
2. Calculer E[Xa ], par 1) la définition de l’espérance et 2) par la formule E[X] =
∫∞
0 F̄X (x)dx.

F̄ (x) 0 ≤ x < a
X
R : 1. F̄Xa (x) = , µXa (dx) = fX (x)1I{0≤x<a} dx + F̄X (a)δa (dx) 2. EXa =
0 a≤x
∫a ∫a
0 xfX (x)dx + aF̄X (a) = 0 F̄X (x)dx.
Exercice 2.45 Soit X une∑variable continue positive, Y une variable discrète positive
indépendante, avec L(Y ) = 2i=1 ci δai et soit Xa = min[X, Y ].

26
 1. Calculer la fonction de survie F̄Xa (x) = P [Xa > x]. Donner une formule pour la mesure
µXa (dx).
2. Proposer une généralisation où Y est une variable discrète arbitraire.


F̄X (x)
 0 ≤ x < a1
R : F̄Xa (x) = c2 F̄X (x) = F̄Y (a1 )F̄X (x) a1 ≤ x < a2



0 a2 ≤ x

µXa (dx) =
fX (x)1I{0≤x<a1 } dx + c2 fX (x)1I{a1 ≤x<a2 } dx + (1 − c2 )F̄X (a1 )δa1 (dx) + c2 F̄X (a2 )δa2 (dx)

Exercice 2.46 Calculer l’espérance de la mesure

1 1
µ(dx) = 1I{0≤x< 1 } dx + δ2 (dx) + δ5 (dx)
2 3 6
Exercice 2.47 Soit X une variable aléatoire suivant la loi exponentielle de paramètre λ > 0.
Quelle est la loi de la variable aléatoire Y = 1 + ⌊X⌋ ? (⌊x⌋ désigne la partie entière de x).

Remarque 2.8 Classification des fonctions de répartition. Les variable aléatoire avec
des fonctions de répartition continues (sans sauts) sont de deux types : absolument conti-
nues (comme vu ci-dessus, pour lesquelles la fonction de répartition F est la primitive
d’une autre fonction f de densité) et singuliers. Pour les deuxièmes, voir ≪l’escalier du
diable≫ http ://[Link]/wiki/Escalier de Cantor.

Exercice 2.48 Soit F une fonction de répartition absolument continue, et soit x un point
de continuité de f (x). Montrer que F est différentiable en x, et que

F ′ (x) = f (x)

Remarque 2.9 Pour les variables discrètes, la mesure µX (]a, b]) := FX (b) − FX (a) associée
avec la variable est une mesure de Dirac
∑
µX = pi δxi ,
i

avec (p1 , p2 , ...) un vecteur des probabilités.

2.13 Variables aléatoires au sens de Kolmogorov, et

mesures induites
La loi d’une variable aléatoire (variable aléatoire)=résultat d’un expériment aléatoire X
(le vecteur des probabilités dans le cas discret et la densité au cas continu) permet a priori de
répondre a toutes les questions concernant X. De lors, les premières trois siècles de l’histoire
des probabilités ont été concernés exclusivement avec ce qu’on appelle aujourd’hui les lois
de probabilité (géométrique, exponentielle, etc.). Il s’agissait de préciser une tabelle f (x)
associant aux valeurs possibles x de la variable des ≪poids de probabilités≫ correspondants
(alternativement, on donnait la fonction de répartition cumulative F (x), la fonction de survie
F̄ (x) = 1 − F (x), ou la fonction génératrice des moments/caractéristique). Tout ça a changé
quand Kolmogorov a remarqué que la description de la formule produisant le résultat X à

27
partir de ≪l≫ensemble mère Ω≫ des toutes les expérimente(éventualités) possibles produisant
la variable X pourrait etre utile en lui-même parfois, et cette observation a changé le sens
du concept d’une variable aléatoire. La définition moderne identifie une variable aléatoire
avec une fonction définie sur un ≪ensemble mère≫ Ω (des toutes les éventualités possibles),
doté par une mesure mère≫ P .

Définition 2.4 Soit (Ω, F, P) un espace probabilisé et (V, V) un espace mesurable. On ap-
pelle variable aléatoire de vers , toute fonction mesurable de Ω vers V . La mesure de proba-
bilité ≪induite≫ par X,
PX (B) = P [X −1 (B)], ∀B ⊂ V,
appelée loi de probabilité de la variable aléatoire X, correspond a l’ancienne définition. Elle
est obtenue dans le nouveau cadre comme image, par l’application X, de la ≪probabilité
mère≫ P définie sur Ω. Pour V = R, B = (−∞, x], PX (b) = FX (x) coı̈ncide avec la fonction
de répartition cumulative classique § .

L’idée de la définition de Kolmogorov aurait pu venir de la simulation.

Question 1 Soit Un la loi de la variable uniforme avec valeurs { n1 , n2 , ..., nk , ..., nn = 1}.
Comment simuler cette loi ?

R : Une possibilité est de prendre un nombre X de loi uniforme en [0, 1], et de le remplacer
avec le bout droit nk de l’intervalle qui le contient. Cela ramène à considérer une fonction
fn : [0, 1], − > R, fn (u) = ⌈nu⌉n
. On vérifie facilement que la loi Pfn induite par la mesure
de Lebesgue P sur [0, 1] est la loi désirée Un . Donc, la fonction fn est une possibilité pour
définir une variable aléatoire ayant loi Un (d’autres possibilités existent, évidemment). Pour
etre claire, il serait peut etre mieux de définir la variable aléatoire au sense de Kolmogorov
comme le triple , Xn = ((Ω, F, P ), fn , Un ) mais la pratique enracinée est d’utiliser la même
notation pour notre triple Xn et pour la fonction fn .

Exercice 2.49 Calculer l’espérance de la variable uniforme avec valeurs { n1 , n2 , ..., nk , ..., 1},
ainsi que sa transformée de Laplace et fonction génératrice des probabilités, à partir de
1. la loi induite Un
2. la mesure mère P .
§. Idées : a. La théorie de l’intégration au sens de Lebesgue d’une fonction f (x), f : A− > B suggère
qu’il vaut mieux se baser sur des ensembles simples I (intervalles, ...) dans l’ensemble des images B, en faisant
impasse sur leurs préimages potentiellement très compliquées en A. Brèvement, l’idée de de l’intégration au
sens de Lebesgue est que l’essentiel se passe sur l’axe des y (images). b. La théorie des variables aléatoires
avant Kolmogorov était formulée en termes des fonctions de répartition cumulative F (y) : B− > R (
non-diminuantes, de saut total 1), définies sur l’espace des valeurs possibles B ⊂ R de la variable. Ces
fonctions peuvent etre ∫discrètes, avec support sur un ensemble dénombrable des sauts, absolument continues
x
(satisfaisant F (x) = −∞ F ′ (u)du), ou des ≪fonctions de Cantor≫ (satisfaisant F ′ (x) = 0 p.s. et avec
support sur un ensemble nondénombrable). Les trois cas, ainsi que leurs mélanges, demandaient souvent
des traitements différents. Kolmogorov a réalisé que même que ≪l’essentiel se passe toujours sur l’axe des
valeurs y ≫ il pourrait-etre utile à ≪rajouter un espace d’états mère universel Ω Les sous-ensembles B ⊂ R les
plus importants sont les points avec mesure de l’image inverse positive (les ≪choc-chips≫). Dans l’ absence
des ≪choc-chips≫, le sous-ensemble B le plus important est l’intervalle de support S avec mesure inverse 1,
qu’on peut décrire encore par une ≪densité de mousse≫ f : S− > R. Ces deux cas correspondent exactement
aux lois (variable aléatoire aleatoires pre-Kolmogorov) discrètes et continues, et une mousse avec choc-chips
ajoutés correspondra aux lois mélangées. c. En identifiant les variable aléatoire avec les fonctions sur un
espace Ω de toutes les possibilités (un peu arbitraire,) Kolmogorov a mis les probabilités sur la fondation
rigoureuse de l’analyse, et a aussi un traitement unifié des toutes les va, incluant même les variables de
Cantor, ayant une densité avec support S de mesure 0.

28
 Les avantages de la définition de Kolmogorov apparaissent dans l’étude des ensembles
infinis des variable aléatoire (les processus stochastiques) § . Mais un premier avantage peut
etre déjà perçu en considérant la convergence ≪en loi≫ des lois Un quand n → ∞ (vers la
loi uniforme sur [0, 1]). Même que cet exercice n’est pas difficile, il est encore plus facile de
vérifier la convergence des fonctions de Kolmogorov

⌈nu⌉
lim fn (u) = lim =u
n→∞ n→∞ n

(et de remarquer que la fonction u induit la loi uniforme sur [0, 1]). Finalement, l’avantage
principal de la définition de Kolmogorov est d’assimiler les variables aléatoires et les fonc-
tions, qui sont les caractères principaux de l’analyse. Depuis Kolmogorov, les probabilités et
l’analyse restent sur les mêmes fondations.

Exercice 2.50 1. Soit X une variable aléatoire de loi uniforme sur [0, 1]. Déterminer la
fonction de répartition de Y = −ln(1 − X).
2. Soit X une variable aléatoire de loi uniforme sur [0, 1]. Déterminer la fonction de
−1
répartition de
∫ yY = F (X), où F (y) est une fonction de répartition absolument conti-
nue F (y) = −∞ f (u)du arbitraire.
3. Montrer que la variable aléatoire X = F [Y ], où Y ∫ est une variable aléatoire avec
y
fonction de répartition absolument continue F (y) = −∞ f (u)du arbitraire, a une loi
uniforme sur [0, 1].
4. Preciser un triple de Kolmogorov (méthode de simulation) ayant comme loi induite la
loi exponentielle.
5. Preciser un triple de Kolmogorov ayant comme loi induite une loi avec fonction de
répartition absolument continue F (x) arbitraire.
6. Preciser un triple de Kolmogorov (méthode de simulation) ayant comme loi induite la
loi géométrique de paramètre p. Ind : Considerer la fonction f : [0, 1]− > R, f (u) =
⌊−λ−1 ln(u)⌋ + 1. P [f (u) = k] = P [k − 1 ≤ −λ−1 ln(u) < k] = P [e−λ(k−1) ≥ u >
e−λk ] = e−λ(k−1) − e−λk = (e−λ )k−1 (1 − e−λ ).

2.14 Le paradoxe des anniversaires (*)

Exercice 2.51 Soit n le nombre des anniversaires possibles (sur la terre, n = 365). Un
nombre infini des personnes passent par une porte, un par un. Soit N le nombre des personnes
qui sont passées précédant la première coı̈ncidence d’anniversaires ; ainsi, N ∈ {1, ..., n} § .
a) Calculer P [N > k], P [N ≥ k], k = 1, 2, 3, .... R : P [N > k] = (1 − n1 )(1 − n2 )...(1 − nk ) =
(n−1)(k) (n−1)(k−1)
nk
= k = 1, 2, 3, ...n. P [N ≥ k] = P [N > k − 1] = nk−1 , k = 1, 2, 3, ...n b) Calculer
P [N = k], k = 1, 2, 3, .... R : P [N = k] = P [N > k−1]−P [N
∑∞> k], k = 2, 3, ...n,
∑∞ P [N = k] =
0, k = n + 1, n + 2, .... c) Demontrer que ∀N ∈ N, E[N ] = k=0 P [N > k] = k=1 P [N ≥ k].
d) Calculer Qn := E[N ], dans notre exemple.
§. Au lieu de décrire les processus par ≪familles consistantes des lois jointes≫, il est plus satisfaisant de
voir toutes ces lois comme images d’une seule probabilité mère.
§. Voila aussi un autre scénario, ramenant à la même va : un pot contient n billets, numérotés 1, 2, ..., n.
On tire un billet et on le remet dans le pot. En suite un retire encore un, et ainsi de suite, en arrêtant
au premier moment quand un nombre déjà tire réapparaı̂t. Soit N le nombre des billets vus précédant la
première réapparition.

29
R:
∑
n
1 1 2 k 1 2 n−1
Qn = E[N ] = P [N ≥ k] = 1+(1− )+(1− )(1− )...(1− )+...(1− )(1− )...(1− )
k=1 n n n n n n n
Les premières valeurs sont Q1 = 1, Q2 = 23 , Q3 = 17
9
. Les prochaı̂nes valeurs sont
{ }
71 1569 899 355081 425331 16541017 5719087
, , , , , ,
32 625 324 117649 131072 4782969 1562500
Cf. Mathematica 5.2, il semble impossible de simplifier, ou de trouver une récurrence
simple satisfaite par cette suite. Par contre, il existe plusieurs approximations asympto-
tiques, obtenues souvent par des variations de la méthode de Laplace, qui donnent pour
la valeur 1 + e365 ≈ 24, 6112 avec précision 10−4 ! Un peu d’histoire (*). Les premiers
résultats/questions sur l’approximation de la fonction de Ramanujan Qn (un cas particulier
du taux de hasard Gamma) ont été implicitement formulés comme ≪exercices≫ par Rama-
nujan en 1911 et 1913 (première lettre à Hardy). Ces exercices ont été résolus et peaufinés
par Szegó, Watson (1928), Knuth (1962), Flajolet et al (1992), et Jaansen, Leeuwaarden
et Zwart (2007). La fonction Qn donne aussi l’espérance du nombre d’essais N jusqu’a la
répétition d’un anniversaire, et le pb. d’approximer la médiane de N a été résolu par Brink
(2012). Ce dernier pb. date d’une observation de Davenport (1927), qui stipule que dans une
classe de 23 étudiants, la probabilité d’avoir une coı̈ncidence d’anniversaires est plus grande
que .5. L’intéret des probabilistes dans la fonction Qn de Ramanujan vient surtout du fait
qu’elle est intimêment liée à la distribution de Poisson, car :
( )
n−1
−n n Q(n) nn−1 nn−2 nn−k
e = e−n + + ... + ... + 1 = P [P o(n) ≤ n − 1]
(n − 1)! [n − 1]! [n − 2]! [n − k]!
Rémarquons que
∫∞
P [P o(n) ≤ n − 1] γn (u)du xn−1
Q(n) = = n
, où γn (x) = e−x
P [P o(n) = n − 1] γn (n) Γ(n)
est précisément l’inverse du taux de hasard en n de la densité γn (x). Le pb. plus général
d’approximer
( )
∫ ∞
−n ns ns−1 ns−k us
P [P o(n) ≤ s] = e + + ... + ... + 1 = e−u du
s! (s − 1)! (s − k)! n s!
ou d’approximer
∫∞
P [P o(n) ≤ s] γs+1 (u)du
Qs (n) = = n
:= Bs−1 (n)
P [P o(n) = s] γs+1 (n)
est de grand intéret pratique dans la théorie des files d’attente, car Bs (n) représente la
probabilité de perte d’Erlang dans un système avec s serveurs et intensité des arrivées n.
La voie la plus simple pour obtenir de telles bornes passe par des représentations intégrales.
Par exemple, Ramanujan, voir aussi Flajolet et Sedgewick, pg 115, avait proposé
∫ ∞ √
−t πn 2
Qn = e (1 + t/n) dt ≈
n−1
+ + ...,
0 2 3
un cas particulier de ∫ ∞
Qn (s) = e−t (1 + t/n)s−1 dt ≈ ...
0

30
 Chapitre 3
Espérance conditionnelle par rapport
a des tribus et variables arbitraires

3.1 Conditionnement par une variable aléatoire discrète,

s:vdis ou par une partition au plus dénombrable
Soit Y une variable aléatoire discrète à valeurs distinctes dans un espace fini V =
{y1 , y2 , ...}, et soit Ai = {Y = yi } ⊂ Ω . On conditionne souvent sur les valeurs possibles yi
d’une telle variable discrète Y . Après avoir observé une valeur spécifique yi de Y , on a bien
sûr (1.1) :
∫
X dP
E (X | Y = yi ) = E (X | Ai ) = Ai
, ∀i = 1, ..., I. (3.1)
P (Ai )
Q : Comment définir E (X | Y ), avant que la valeur de Y soit connue ? Si la valeur de Y n’est
pas encore connue, (3.1) suggère définir E (X | Y ) par des formules alternatives différentes,
correspondant au cas qui sera observé ultérieurement :


 E (X | A1 ) si w ∈ A1




∑ E (X | A2 ) si w ∈ A2
E (X | Y ) (w) = E (X | Y = yi ) 11{Y =yi } (w) = . (3.2)
 .
i∈I .



E (X | A ) si w ∈ A
I I

Exercice 3.1 Brzezniak Exemple 2.3. Calculer E (X | Y ) (w) si


1 w ∈ [0, 1/3)
Ω = [0, 1], X(w) = 2w2 , Y (w) = 2 w ∈ [1/3, 2/3]
0 w ∈ (2/3, 1]
Consequences de la définition de léspérance conditionnelle (3.2).
1. La définition (3.2) implique E (X | Y ) est une variable aléatoire, mesurable par rapport
à la tribu σ(Y ), ce qui se traduit ici en une variable aléatoire constante sur les mêmes
ensembles que Y .
2. Le côté droit de l’égalité (3.2) dépend de Y seulement par la tribu σ(Y ) = {A1 , ..., AI }
engendrée par Y (c.-à-d. la tribu minimale par rapport a laquelle Y est mesurable) et
pas sur les valeurs spécifiques yi . Par conséquent, elle définit plutôt E [X | σ(Y )] , ce
qui suggère de voir (3.2) plutôt comme une définition de E [X | B] , où B est la tribu
engendrée par la partition. En suite,

31
 Définition 3.1 Pour toute variable aléatoire discrète Y on définira l’espérance condi-
tionnelle de X par rapport à Y par

E (X | Y ) = E [X | B] , où B = σ(Y ). (3.3)

Remarque 3.1 Si nous savions aussi définir E[X | B], où B est une tribu arbitraire,
nous saurions immédiatement par la même stratégie définir E[X | Y ] = E [X | σ(Y )] ,
où Y est une variable aléatoire arbitraire.
3. Pour Y discret, une propriété intéressante de léspérance conditionnelle (3.2) est :
∫ ∫
E (X | Y ) dP = E (X | Ai ) P [Ai ] = XdP, ∀Ai ∈ σ(Y )
Ai Ai

Kolmogorov a introduit une définition générale (mais non constructive) de E[X | B], comme
une v.a satisfaisant aux propriétés ci-dessus –voir la prochaine section. L’unicité de cette
définition vient de :
l:z Lemme 3.1 Si une variable X ∈ B satisfait
∫
X = 0, ∀B ∈ B, alors X = 0 p.p.
B

Ind : P [|X| ≥ 1/n] = 0, ∀n.

Exercice 3.2 Brzezniak Exercices 2.3-2.5, et Prop. 2.1.

Kolmogorov a introduit l’espérance conditionnelle par rapport à une sous tribu B (ou
une variable Y ) arbitraire, pas forcement discrète comme une fonction satisfaisant cette
propriété :
t:K Théorème 3.1 - (définition de l’espérance conditionnelle pour des tribus arbitraires) - Soit
X une variable aléatoire réelle intégrable définie sur (Ω, A, P ) . Alors
1. Pour toute sous tribu B il existe une variable aléatoire appelée espérance conditionnelle de X
sachant B, et notée E (X | B) ou E B (X), telle que :

(i) E (X | B) est B-mesurable

∫ ∫
(ii) B E (X | B) dP = B XdP, ∀B ∈ B ⇐⇒
E[U [E (X | B)] = E[U X], ∀U ∈ B, U borné

2. Toute variable aléatoire Z satisfaisant (i), (ii) est égale a E (X | B) p.p. 1

1. Démonstration : • Supposons que X ≥ 0 : on définit une mesure positive ν sur B en posant :
∫
∀B ∈ B , ν (B) = XdP
B

Comme X est intégrable, ν est une mesure finie et elle est absolument continue par rapport à P (en effet : P (B) = 0 ⇒ ν (B) = 0
car on intègre sur un ensemble négligeable). D’après le théorème de Radon-Nikodym, il existe une fonction f , B-mesurable et
intégrable telle que : ∫
∀B ∈ B , ν (B) = f dP
B

(en toute rigueur, on devrait écrire P|B au lieu de , P mais ces deux mesures coı̈ncident sur B ...). Il est alors clair que f vérifie

32
Finalement, la probabilité conditionnelle par rapport à une tribu est juste un cas particulier
de l’espérance conditionnelle :

Définition 3.2 Pour tout A de A, on appelle probabilité conditionnelle par rapport à B la

variable aléatoire notée P B (A) ou P (A | B) définie par :

P (A | B) = E (11A | B)

Idée intuitive : On a défini ainsi l’espérance conditionnelle E[X|B] avant qu’on sache dans
quel ensemble B ∈ B (ou dans quelle partie d’une partition finie B = A1 ∪ A2 ...) on se
trouve. Le résultat est une variable aléatoire représentant toute l’information qu’on pourra
obtenir plus tard sur X quand on variable aléatoire découvrir le cas Ai qui s’est passé. Bien
sûr, après avoir découvert l’ensemble Ai , l’espérance conditionnelle de X devienne juste une
moyenne pondérée
1 ∫
E (X | Ai ) = XdP.
P (Ai ) Ai
Avant de connaitre le cas pourtant, l’espérance conditionnelle est elle même une variable aléatoire,
mesurable par rapport a la tribu plus ≪‘grossière≫B, ce qui revient à dire dans le cas ou B
est fini qu’elle est constante sur les ensembles générateurs de B.
Remarque 3.2 (*) Il n’y a pas d’unicité ≪absolue≫ de E (X | B), mais seulement p.s.-
P . Chaque v.a. vérifiant (i) et (ii) est appelée une version de l’espérance conditionnelle.
Toutefois, deux versions
∫ Y1 et Y∫ 2 sont presque sûrement égales (p.s. ou p.p.-P ) par la lemme
3.1, car ∀B ∈ B , B Y1 dP = B Y2 dP .Il y a donc unicité p.s.-P et on parle de l’espérance
conditionnelle en choisissant l’une des versions.

Exemples : 1 B = {∅, Ω} : Soit X une v.a.r. intégrable. (i) ⇒ E (X | B) = k constante

réelle. D’où :
∫ ∫
E (X | B) dP = kdP = kP (Ω) = k
Ω
∫Ω
= XdP = E (X) d’après (ii)
Ω

Ainsi, on obtient que : E (X | B) = E (X) 2 B = {∅, A, Ac , Ω} avec A dans A tel que :

P (A) ̸= 0 et P (A) ̸= 1 : Soit X une v.a.r. intégrable. La variable aléatoire E (X ∫
| B) est
B-mesurable donc de la forme α11A + β11Ac avec α, β réels. (ii) ⇒ ∀B ∈ B , B XdP
∫ ∫
=
(α1
1 A + β1
1 A c ) dP = αP (A ∩ B) + βP (A c
∩ B) En prenant B = A, on obtient : X
1 ∫ ∫
B A
c c
dP = αP (A) d’où α = P (A) A X dP En prenant B = A , on obtient : Ac X dP = βP (A )
∫ 1 ∫ 1 ∫
1
d’où β = P (A c ) Ac XdP . Ainsi : E (X | B) = ( A XdP ) 11A + ( c XdP ) 11Ac
P (A) P (Ac ) A
les propriétés (i) et (ii). • Si X n’est pas positive alors on écrit X = X + − X − avec X + = Sup (X, 0) et X − = Sup (−X, 0) =
−Inf (X, 0) . Les variables X + et X − sont alors positives (et intégrables) et on pose alors :
( ) ( )
E (X | B) = E X + | B − E X − | B 

Remarque : Si X est dans L2 (Ω, A, P ) espace de Hilbert, alors on peut également définir E (X | B) = E B (X) comme la
projection orthogonale de X sur le sous-espace vectoriel fermé L2 (B) formé des classes d’équivalences f (pour l’égalité p.s.) des
éléments f de L2 (Ω, B, P|B ). Cet espace L2 (B) est souvent identifié à L2 (Ω, B, P|B ) car ils sont isomorphes (sans être forcément
égaux !).

33
 3 B ⊃ σX : X ∈ B (c.-à-d. B-mesurable) entraine
E (X | B) = X
(le côté droit satisfait évidemment la définition de l’espérance conditionnelle, et l’unicité p.p.
est assuré par la Lemme 3.1).
Remarque 3.3 En prenant en (ii) pour B tout l’espace Ω, où en prenant U = 1 en (ii)
on obtient une loi ET
EE (X | B) = EX
sur des espaces de probabilité générale ! Outrement dit, Kolmogorov défini l’espérance condi-
tionnelle comme l’objet qui satisfait la loi ET, et ça encore sur chaque sous-ensemble B ∈ B.
Dans le cas particulier B = σ(E1 , ..., EI ), on retrouve la loi ET somme :
∑ ∑
EX = E(X 11Ei ) = P (Ei ) E (X | Ei )
Les lois PT, ET deviennent :
∑ ∑
P (A) = P (Y = yi ) P (A | Y = yi ) = pY (y) P (A | Y = y)
y∈V
∑ ∑
E (X) = P (Y = yi ) E (X | Y = yi ) = pY (y) E (X | Y = y)
y∈V

où pY (y) dénote la fonction de masse de la variable Y .

3.2 Conditionnement par rapport à une tribu arbi-

s:va traire
Définition 3.3 Pour toute variable aléatoire Y on défini l’espérance conditionnelle de X
sachant Y par
E (X | Y ) = E [X | σ(Y )] , ∀Y ∈ σ(Y ). (3.4)
La difficulté d’appliquer cette définition consiste au fait qu’elle n’est pas explicite. Si nous
avions une formule, il serait a priori facile de vérifier qu’elle satisfait la définition. Q : Mais
comment trouver une telle formule ? L’exemple 2.4 et les exercices 2.6-2.17 de Brzezniak nous
montrent comment procéder, cas par cas...
Remarque 3.4 Exemple 2.4 décortiqué. L’exemple 2.4 pour le calcul de E (X | Y ) où
X = ξ(W ), Y = η(W ) est déconcertant par rapport à la spécification traditionnelle des va-
riable aléatoire par densités/distributions de masse, et par rapport à la méthode traditionnelle
de calcul de E (X | Y ) à partir de la distribution jointe. Mais, la distribution jointe n’est pas
spécifiée dans l’exemple, et ça ne rajoute pas grand-chose à la calculer. Par contre, l’exemple
nous dévoile un peu la vision alternative de Kolmogorov, qui remplace toutes les distribu-
tions jointes dans un problème par une seule variable monde/universelle W ≪tradition-
nelle≫ avec distribution P (dw). Les autres variable aléatoire sont des fonctions spécifiques
de W , et leurs distributions sont induites par cette dépendance fonctionnelle. L’espérance
conditionnelle E (X | Y ) est très simple quand X = ξ(W ), Y = η(W ) sont produits pas des
fonctions injectives, car dans ce cas
X = ξ(W ) = ξ ◦ η (−1) (Y ) (3.5)
se calcule à partir de Y en composant les deux fonctions ξ et η (−1) . Le défi est de comprendre
comment modifier (3.5) dans l’absence de l’injectivité.

34
Lemme 3.2 Lemme de Doob-Dynkin Soient X, Y et Z trois variables aléatoires définies
sur (Ω, A, P ), à valeurs dans (R, B (R)) respectivement. a) Si Z est σ (Y )-mesurable alors il
existe une fonction borélienne φ de R dans R telle que Z = φ (Y ) . b) Il existe une fonction
borélienne ≪Doob-Dynkin≫ ϕ de R dans R telle que E (X | Y ) = ϕ (Y ) .

L’exemple 2.4 nous illustre le cas où la variable monde est très simple, car la mesure de
Lebesgue sur [0, 1] est juste la distribution d’une variable aléatoire uniforme sur [0, 1], est la
variable Y est un mélange d’une variable discrète Y = 2 et une variable continue produite
pas une fonction injective identité. L’espérance conditionelle se construit en moyennant les
valeurs de X sur la partie discrète, et par composition des fonctions sur la partie continue.
Remarque 3.5 Le cas du conditionnement par des valeurs des variables continues
Y ou discrètes ramène aux formules usuelles, comme
∫ ∫
xfX,Y (x, y)dx
E (X | Y = y) = φ(y) = xfX/Y (x/y)dx = ∫ (3.6)
fX,Y (x, y)dx
Aussi, les lois PT et ET pour le cas quand on conditionne sur les valeurs prises par une
variable réelle discrète ou continue se réduisent aux formules bien connues :
∫
P (A) = P (A | Y = y) fY (y)dy,
y
∫
EX = E(X | Y = y) fY (y)dy
y
∑
EX = E(X | Y = yi ) P (Y = yi )
i

Exercice 3.3 Modélisation : Brzezniak Exercices 2.13 (parametriser sur [0, 1]2 ).

Exercice 3.4 Fonction de Doob-Dynkin : Brzezniak Exercices 2.7-2.9. Sol : Par (3.6),
∫
x(x + y)dx 1/3 + y/2 2 + 3y
E (X | Y = y) = φ(y) = ∫ = =
(x + y)dx 1/2 + y 3 + 6y

Nous avons vu deux cas simples où la fonction de Doob-Dynkin EX|Y = φ(Y) est calculable :
le cas (plutôt théorique) où les variables X, Y sont produites de la ≪variable monde par des
fonctions injectives, et le cas où les variables X, Y ont une distribution jointe connue.
Exercice 3.5 L’exercice 2.6 ajoute un nouveau cas : η bijective. Une approche générale
pour déterminer la fonction de Doob-Dynkin commence par fixer un ensemble infinitésimal
y + = [y, y + dy] des valeurs possibles de Y = η(w), et en suite par déterminer l’ensemble des
préimages Ady = η −1 (y+ ) = ∪Ii=1 yi+ , où I est le nombre des images inverses correspondant a
+
P [y ]
y + . En suite, on associe à chaque image inverse la mesure wi = ∑I i . Finalement,
i=1
P [yi+ ]

∑
I
φ(y) = ξ(yi )wi .
i=1

Dans l’exercice 2.6 la mesure wi est uniforme par symétrie ce qui résulte en
ξ(y/2) + ξ(1 − y/2)
φ(y) = , y ∈ [0, 1].
2
35
 Ou, comme y/2 = w pour w ≤ 1/2,
ξ(w) + ξ(1 − w)
E[X|Y](w) =
2
qui est valable en effet pour tout w ≤ 1. Défi 1 : Repetons cet exercice, quand P est une mesure
nonuniforme, par exemple avec densité proportionnelle à x−1/2 § . Défi 2 (*) : Repetons cet
exercice, quand η est la fonction de Cantor.
Exercice 3.6 Brzezniak 2.14-2.15 (application de la définition de Kolmogorov), et 2.17.
Remarque 3.6 Il ne faut pas oublier que dans le cas continu, les fonctions conditionnelles
P (A | Y = y) , E(X | Y = y), f(X|Y ) (x | y) sont seulement définies p.p, et qu’ en fixant une
valeur précise pour y on peut arriver a des contradictions, comme le paradoxe de Borel-voir
(Pitman, http ://[Link]/users/pitman/s205f02/[Link] lec 15 : pour une
variable aléatoire uniforme dans le demi-cercle x2 + y 2 ≤ 1, y ≥ 0 on a
3 1
lim P [Y ≥ 1/2||θ − π/2| ≤ α] = ̸= P [Y ≥ 1/2|θ = π/2] =
α→0 4 2

3.3 Propriétés de l’espérance conditionnelle

pro Proposition 3.1 Soit X une variable aléatoire intégrable définie sur (Ω, A, P ) , et B une
sous-tribu. On a alors les propriétés suivantes :
(1) X = a constante réelle ⇒ E (X | B) = a
(2) E (. | B) est linéaire
(3) X ≥ 0 ⇒ E (X | B) ≥ 0
(4) X ≤ Y ⇒ E (X | B) ≤ E (Y | B)
(5) |E (X | B)| ≤ E (|X| | B)
(6) E (E (X | B)) = E (X)
(7) Soient B et C deux sous-tribus de A telles que : C ⊂ B. Alors on a :
E (E (X | B) | C) = E (E (X | C) | B) = E (X | C)
(8) Supposons maintenant que X, Y et XY sont intégrables, et X est B-mesurable ; alors
on a :
E (XY | B) = XE (Y | B)
Exercice 3.7 Démontrer la dernière propriété. Ind : Considerer d’abord le cas de X borné.
Exercice 3.8 Démontrer :
E[X/Z1 , . . . , Zk ] = EE[X/Y1 , . . . , Yj , Z1 , . . . Zk ]
pour le cas des variables discrètes.
§. Soit Y une variable aléatoire définie sur (Ω, A, P ), à valeurs dans (Ω1 , A1 ) avec Ω1 ⊂ Rn et soit X
une variable aléatoire intégrable à valeurs dans (Ω2 , A2 ) avec Ω2 ⊂ R. Alors on a : E (X | Y ) = φ (Y ) où φ
est définie sur A = {y ∈ Ω1 ; fY (y) ̸= 0} par :
∫ ∫
[Y =y] [Y =y]
φ (y) = xdPX (x) = xfX (x) dµ2 (x)

où on a supposé pour la deuxième formule que PX admet une densité fX par rapport à une mesure σ-finie
µ2 sur Ω2 et que P(X,Y ) admet une densité f(X,Y ) par rapport à µ2 ⊗ µ1 où µ1 est une mesure σ-finie sur Ω1 .

36
R : Since the collections of random variables Z1 , . . . , Zk and Y1 , . . . , Yj can be both viewed
as single vector variables Y = Y1 , . . . , Yj , Z = Z1 , . . . , Zk , this is équivalent to showing that

E[X/Z] = EE[X/Y, Z] (3.7) on

We will only establish this for discrete random variables and in its simplest form stating that

E[X] = E E[X/Y ] (3.8) tw

(The apparently more general form (3.7) reduces to applying the ( 3.8) for each fixed value
Z = z.) Let us denote by px the probability that X takes a certain value x, so that E[X] =
∑
x xpx . Let us dénote by px,y the joint probabilités and
∑
by px/y the conditionnel probabilité
that X = x given that Y = y, so that E[X/Y = y] = x xpx/y . Alors,
∑ ∑ ∑
E E[X/Y ] = py E[X/Y = y] = py ( xpx/y )
y y x
∑ ∑ ∑
= xpy px/y = xpx,y = xpx
y,x y,x y
= E[X]

37
 Chapitre 4
s:conv Convergence des variables aléatoires

4.1 Convergence en loi

Exercice 1 Soit Xn une variable aléatoire binomiale de loi B(n, pn ). Si npn → λ > 0, alors
Xn converge en loi vers une variable aléatoire X suivant une loi de Poisson P (λ).

Ind : Pour les variables aléatoires discrètes, la convergence en loi est équivalente à la conver-
gence des probabilités pn (k) = P [Xn = k].

d:loi Définition 4.1 Les variables aléatoires Xn converge en loi vers une variable aléatoire X ssi
une des trois conditions équivalentes ci-dessous est satisfaite :
1. Pour chaque fonction continue et bornée f , on a
Ef (Xn ) → Ef (X).

2. Pour chaque t ∈ R, on a
Eexp(itXn ) → Eexp(itX).
3. Pour chaque point x où FX (x) est continue, on a

FXn (x) → FX (x).

ex:key Exercice 2 Soit Xn une variable aléatoire de loi uniforme sur i/n, i = 1, ..., n. Montrer
que Xn converge en loi vers X de loi uniforme sur [0, 1], par toutes les trois méthodes de
démontrer convergence en loi.

Exercice 3 Soit Xn une variable aléatoire de loi géométrique de paramètre d’arrêt p = nλ .

Alors Yn = Xn /n converge en loi vers une variable aléatoire X suivant une loi exponentielle
Exp(λ), par toutes les trois méthodes de démontrer convergence en loi.

Sol : a) F̄Yn (y) = P [Xn > yn] = (1 − nλ )⌈yn⌉−1 ≈ e− n (⌈yn⌉−1) → e−λy . b) EesXn /n =
λ

∑∞ sk/n ∑
k=1 e (1 − nλ )k−1 nλ = nλ ∞k=0 (e
s/n
(1 − nλ ))k = nλ 1−es/n1(1− λ ) → λ−s
1
, ∀s c) (*) On considère
∑⌈yn⌉ ∑∞
n

séparément k=0 et ⌈yn⌉ et on laisse y → ∞.

Exercice 4 Soit (Xn )n≥1 une suite de variables aléatoires indépendantes de loi uniforme
sur [0, 1] (c.-à-d. fXn (x) = I[0,1] (x)). On pose Mn = max{X1 , . . . , Xn } pour n ≥ 1. Montrer
L
que n(1 − Mn ) −→ X et donner la fonction de répartition de X. Généraliser pour Xn de loi
arbitraire avec support [0, b].

38
Exercice 5 Soit (Xn )n≥1 une suite de variables aléatoires indépendantes de loi exponentielle
E(λ) où λ > 0 (c.-à-d. fXn (x) = λe−λx I(x > 0)). On pose Mn = max{X1 , . . . , Xn } pour
n ≥ 1.
a. Déterminer la fonction de répartition de Mn .
b. Montrer que
FMn −λ−1 log n (x)
convergent vers une fonction F (x), qu’on déterminera.
c. Généraliser pour le cas de Xn de loi arbitraire avec support [0, ∞), qui satisfont limx→∞ F̄ (x)
e−λx
=
k > 0.

Exercice 6 Soit (Xn )n≥1 une suite de variables aléatoires réelles de f.d.r. FXn définies par

 0 si x < 0,
FXn (x) =  x − sin(2πnx)
2πn
si x ∈ [0, 1],
1 si x > 1.

a. Montrer que pour tout n ≥ 1, Xn admet une densité fXn .

b. Montrer que Xn converge en loi vers une variable aléatoire X admettant une densité fX .
c. Montrer que (fXn )n≥1 ne converge pas vers fX (illustrant l’insuffisance des densités pour
décrire la convergence en loi).
∫x
Sol : a. FXn (x) = 0 (1 − cos(2πnu))du =⇒ fXn (x) = 1 − cos(2πnx) b. limn→∞ FXn (x) =
x, ∀x ∈ [0, 1]

2.0

1.5

1.0

0.5

0.2 0.4 0.6 0.8 1.0

Exercice 7 Est-ce que la convergence en loi implique toujours la convergence des :

1. densités ?
2. moments ?
3. fonctions caractéristiques ?
4. fonctions de répartition, presque partout ?

39
4.2 Types de convergence des fonctions en analyse :
presque partout, en moyenne, et en probabilité
Exercice 8 Soit X une variable aléatoire de loi N (0, 1). Soit Xn = (−1)n X pour n ∈ N∗ .
a. Déterminer la loi de Xn .
b. Montrer que (Xn )n≥1 converge en loi.
c. Quid de la convergence en probabilité de (Xn )n≥1 ?

Exercice 9 Demontrer les inégalités :

1. L’inégalité de Markov. Soit X une variable aléatoire, définie sur un espace proba-
bilisé, prenant des valeurs positives X ∈ I ⊂ R+ p.s. Alors

EX
b ∈ I =⇒ P [X ≥ b] ≤
b

2. L’inégalité de Markov généralisé. Soit f : I− > R une fonction croissante et

positive. Alors,
Ef (X)
b ∈ I =⇒ P [X ≥ b] ≤
f (b)
3. L’inégalité de Bienaymé-Tchebychev. Soit une variable aléatoire d’espérance m et
de variance finie σ 2 (l’hypothèse de variance finie garantit l’existence de l’espérance).
Montrer que pour tout réel strictement positif

1
b > 0 =⇒ P [|X − m| ≥ kσ] ≤
k2

4. L’inégalité de Cauchy-Schwarz discrète

√ √
∑ ∑ ∑
|xi yi | ≤ |x2i | |yi2 |

5. L’inégalité de Cauchy-Schwarz continue :

√ √
E|f (X)g(X)| ≤ Ef 2 (X) Eg 2 (X)

Exercice 10 Soit (Xn )n≥1 une suite de variables aléatoires.

a. Montrer que si la suite converge en moyenne quadratique vers une variable aléatoire
X, alors elle converge aussi en moyenne. Ind : Utiliser l’inégalité de Cauchy-Schwartz
E|X| ≤ [E(X 2 )]1/2 .
b. Montrer que si une suite converge en moyenne vers une variable aléatoire X, alors elle
converge aussi en probabilité. Ind : Utiliser l’inégalité de Markov
c. Montrer que si une suite converge en Lp vers une variable aléatoire X, alors elle converge
aussi en probabilité.

Exercice 11 Lien entre la convergence en probabilité et la convergence en loi.

40
 1. Soit (Xn )n ∈ Rd une suite de variables aléatoires et X ∈ Rd une variable aléatoire
définies sur le même espace de probabilités (Ω, F, P ).
On suppose que les (Xn )n convergent en probabilité vers X. Soit f une fonction continue
de IRd dans IR. Montrer que pour tout ϵ, a > 0, il existe η > 0 tel que
{|f (Xn ) − f (X)| > ϵ} ⊂ {|X| > a} ∪ {|Xn − X| > inf(η, a)}
En choisissant convenablement a, en déduire que (f (Xn ))n converge en probabilité vers
f (X).
2. Montrer que la convergence en probabilité implique convergence en loi.
Ind : Soit Cn,ϵ = {|Xn − X| ≤ ϵ}, D = {|Xn − X| > ϵ}, où
∫ n,ϵ ∫
ϵ est tq P [Dn,ϵ ] ≤ δ, et
φ(x) = eitx . E|φ(Xn ) − φ(X)| = Cn,ϵ |φ(Xn ) − φ(X)|dP + Dn,ϵ |φ(Xn ) − φ(X)|dP ≤
∫
Cn,ϵ |φ(Xn − X)|dP + 2δ. Sur Cn,ϵ , Xn − X est bornée. Utilisant le fait qu’une fonction
continue sur un intervalle borné est uniformément continue, on aurait pu choisir ϵ
aussi tq φ(z) ≤ ϵ, ∀z ∈ [0, ϵ]. Pour ce choix, E|φ(Xn ) − φ(Xn )| < 3δ → 0.
Alternativement, montrer que
∫ ∫
∀ε > 0, ∀f ∈ Cb (R), f dPXn − f dPX ≤ ε + 2||f ||∞ P(|f (Xn ) − f (X)| > ε)
R R

3. Montrer que la réciproque est fausse en considérant le contre-exemple suivant : pour

tout n, Xn = X et X est une Bernoulli de paramètre 1/2. Montrer que (Xn )n converge
en loi vers , (1 − X) mais que (Xn )n ne peut pas converger en probabilité vers (1 − X).
4. Montrer néanmoins que si les Xn convergent en loi vers une constante a alors Xn
convergent en probabilité vers a. (ind. : remarquer que pour ϵ > 0, si δa désigne la masse
de Dirac en a et B(a, ϵ) la boule fermée de centre a et de rayon ϵ, δa (∂B(a, ϵ)) = 0.
En déduire limn→+∞ P (∥ Xn − a ∥≤ ϵ) = δa (B(a, ϵ)) = 1.)
Exercice 12 Montrer que la condition 4.1 a) implique la condition 4.1 c) au cas où x est
un point de continuité de Fn (x) pour n suffisamment grand.

4.3 La loi des grands nombres en moyenne quadratique

La convergence la plus facile à démontrer (quand elle a lieu) est celle en moyenne qua-
dratique.
Exercice 13
a. Soit (Xn )n≥1 une suite de variables aléatoires telles que mn = E(Xn ) et σn2 = var(Xn ).
(2)
Montrer que si limn→+∞ mn = m et limn→+∞ σn = 0 alors Xn − m −→ 0 lorsque
n → +∞.
b. En déduire une preuve de la loi faible des grands nombres en moyenne quadratique pour
des variables aléatoires i.i.d. de variance finie.
c. En déduire une preuve de la loi faible des grands nombres en probabilité, pour des variables
aléatoires i.i.d. de variance finie, par l’inégalité de Bienaymé-Tchebychev.
Théorème 4.1 Soit X1 , X2 , . . . des variables aléatoires indépendantes identiquement dis-
tribuées et intégrables d’espérance µ. Soit (Sn )n la suite des sommes partielles des (Xi )i .
Alors
n−1 Sn −→ µ p.s. et dans L1
Remarque 4.1 Cette ≪loi forte≫ des grands nombres, au sens de convergence presque par-
tout et dans L1 , et sans supposer rien de plus que l’existence du premier moment, a une
démonstration très compliquée, obtenue par Kolmogorov. Une démonstration étonnement
courte est possible en utilisant un théorème de convergence des martingales.

41
4.4 Détour d’analyse : convergence monotone et do-
minée
Théorème 4.2 a) Pour toute suite croissante fn de fonctions mesurables sur un espace
probabilisé, à valeurs dans [0, ∞], la limite f de la suite est mesurable et l’on a :
∫ ∫
lim fn (w)P (dw) = f (w)P (dw) (4.1)
n

b) Pour toute suite fn de∫fonctions mesurables sur un espace probabilisé ayant une limite
f , et tq |fn | ≤ g∀n p.p., ou g(w)P (dw) < ∞, on a convergence en moyenne vers f et en
particulier (4.1) est satisfaite.

( )n
x
Exercice 14 Est-ce que la suite an = 1 + n
est monotone en n ? Calculer
∫ n ( )n
x
lim 1+ e−2x dx.
n→+∞ 0 n
( ( ) x
)( )n
Sol : D[an , n] = log 1 + x
n
− n
x
1+ n
n+x
n
≥ 0, ∀x

Exercice 15 Soit (fn )n≥1 une suite de fonctions définies par fn (x) = n3/2 1+nx2 x2 sur [0, 1].

a. Étudier la convergence ponctuelle sur [0, 1] de (fn )n≥1 .

b. Étudier la convergence uniforme sur [0, 1] de (fn )n≥1 .
∫
c. Montrer que limn→+∞ [0,1] fn (x)dx = 0. Est-ce qu’il s’agı̂t d’une convergence monotone
des fn (x) ?

2.0

1.5

1.0

0.5

0.2 0.4 0.6 0.8 1.0

42
4.5 Convergence presque partout/presque sûrement et
lemme de Borel-Cantelli
Exercice 16 Soit Xn : [0, 1]− > R, Xn (x) = ⌈nx⌉
n
Montrer que Xn converge pour chaque x
vers la variable X : [0, 1]− > R, X(x) = x de loi uniforme sur [0, 1]. Redémontrer ainsi la
convergence en loi de l’exo 2.

Définition 4.2 Soit An,ϵ = {|Xn − X| ≥ ϵ}, Acn,ϵ = {|Xn − X| < ϵ}. Alors, Xn − > X
presque partout/presque sûrement § ssi

P [{Acn,ϵ s.g.}] = 1 ⇐⇒ P [{An,ϵ i.s.}] = 0, ∀ϵ

où
{Acn s.g.(pour n suffisamment grand, almost always)} := ∪∞ ∞
k=1 ∩n=k An
c

{An i.s.(infiniment souvent, infinitely often)} := ∩∞ ∞

n=1 ∪k=n An

Exercice 17 1. Soit (Xn )n≥1 = 1IAn , où An sont des ensembles mesurables de l’espace
d’états [0, 1]. Soit pn = m(An ) ∈]0, 1[ pour n ≥ 1. Déterminer une condition nécessaire
et suffisante pour que Xn → 0 en probabilité.
2. Donner la loi de Xn et vérifier directement que la même condition est nécessaire et
suffisante pour que Xn → 0 en loi.
3. La condition obtenue garantit-elle la convergence presque partout de (Xn )n≥1 vers 0 ?
Ind : Considérer le cas pn = n1 , avec les ≪nuages≫ An adjacents et disjoints, et donner
la mesure de l’ensemble An i.s..
4. Supposer maintenant que les variables aléatoires Xn sont aussi indépendantes. Donner
une condition nécessaire et suffisante sur (pn )n≥1 pour avoir convergence presque sùre
p.s.
Xn −→ ∏ 0. Ind : On pourrait utiliser ∑∞ le fait qu’un produit converge dans le sens que
limk→∞ ∞ n=k (1 − p n )] = 1 ssi ssi n=1 pn < ∞.

R : 2. Xn ∼ B(pn ) 4. Dans notre exercice, An,ϵ = An , ∀ϵ < 1, et P [{Acn s.g.}] =

∏∞ ∑∞
limk→∞ P [∩∞
n=k An ] = limk→∞ n=k (1 − pn )] = 1 ssi le produit converge, ssi
c
n=1 pn < ∞.

Exercice 18 Démontrer les lemmes de Borel-Cantelli :

∑ {
P [{A i.s}] = P [∩∞ ∞
n=1 ∪k=n An ] = 0 ⇐⇒
a) P [An ] < ∞ =⇒ P [{Anc s.g.}] = P [∪n=1 ∩∞
∞ c
n n k=n An ] = 1

Si An sont aussi indépendants, alors

∑
b) P [An ] < ∞ ⇐⇒ P [{An i.s.}] = P [∩∞ ∞
n=1 ∪k=n An ] = 0
n
⇐⇒ P [{Acn s.g.}] = P [∪∞ ∞
n=1 ∩k=n An ] = 1
c

∑
c) P [An ] = ∞ ⇐⇒ P [{An i.s.}] = P [∩∞ ∞
n=1 ∪k=n An ] = 1
n
⇐⇒ P [{Acn s.g.}] = P [∪∞ ∞
n=1 ∩k=n An ] = 0
c

§. le premièr nom a été utilisé dans la théorie de la mesure au XIX-ème siècle, et le deuxième est utilisé
aujourd’hui dans la théorie des probabilités, sous l’influence probable de ”almost surely”

43
Exercice 19 Soit (Xn )n≥1 une suite de vecteurs aléatoires à valeurs dans Rd .
a. Soit (Xn )n≥1 une suite de variable aléatoire réelles i.i.d. telle que E(X1k ) = µk pour
k = 1, 2. Déterminer la limite presque sùre de
n ( )2
1∑
Sn = Xi − X̄n .
n i=1

b. Soit (Xn )n≥1 une suite de variable aléatoire réelles i.i.d. telle que E(X1k ) = µk pour
k = 1, 2 et µ2 > 0. Déterminer la limite presque sùre de

X1 + · · · + Xn
.
X12 + · · · + Xn2
p.s.
Ind : Si Xn −→ X où X est un vecteur aléatoire à valeur dans D ⊂ Rd et f : Rd → Rk est
p.s.
continue sur D, alors f (Xn ) −→ f (X).

Exercice 20 Soit (Xn )n≥1 une suite de variables aléatoires i.i.d. de loi U(0, 1).
P
a. Montrer que X(n) −→ X ∼ δ1 .
p.s.
b. Montrer que X(n) −→ X ∼ δ1 .
L
c. Montrer directement que X(n) −→ X ∼ δ1 .

Exercice 21 Soit (Xn )n≥1 une suite de variables aléatoires à valeurs dans {−1, 1} telle que
P (Xn = 1) = p ∈]0, 1[\{1/2}. On appelle marche aléatoire la ligne brisée reliant les points
(n, Sn )n≥0 où Sn = X0 + X1 + · · · + Xn avec X0 = 0 pour n ≥ 0.
a. Tracer le graphe de la marche aléatoire lorsque les 10 premières observées de (Xn )n≥1
sont −1, −1, 1, 1, 1, −1, 1, −1, 1, 1.
b. On note An = {Sn = 0}. Calculer P (An ).
c. Montrer que la série de terme général P (An ) est convergente.
d. Montrer qu’avec probabilité 1, la marche aléatoire traverse l’axe des abscisses un nombre
fini de fois.

Exercice 22 Soit (Xn,1 , Xn,2 )n≥1 une suite de vecteurs aléatoires. Montrer qu’il y a équivalence
entre :
p.s.
(i) Xn,i −→ Xi pour i = 1, 2.
p.s.
(ii) (Xn,1 , Xn,2 ) −→ (X1 , X2 ).

Exercice 23 1) Montrer que si une suite converge presque partout vers une variable
Indication : si Xn → X p.s., poser
aléatoire X, alors elle converge aussi en probabilité. ∪
Bk = lim supn {|Xn − X| ≥ k1 }. Montrer que si ω ∈ / k Bk , on a lim Xn (ω) = X(ω). On
pourra aussi appliquer le théorème de convergence dominée.
2) Montrer que de toute suite de variables aléatoires convergeant en probabilité, on peut
extraire une sous-suite convergeant presque sùrement. (ind. : Si (Xn )n converge en probabilité
vers X, montrer que l’on peut construire une sous-suite (Xnk )k de (Xn )n telle que P (∥
Xnk − X ∥≥ 1/k) ≤ 1/2k et conclure par le lemme de Borel-Cantelli).

44
4.6 La δ-méthode
1. Soit (Xn )n≥1 une suite de variables aléatoires indépendantes et identiquement dis-
tribuées suivant une loi de Poisson de paramètre λ > 0.
a. Calculer E[X1 ] puis E[X1 (X1 − 1)]. En déduire µ2 = E[X12 ].
∑ ∑
Solution : E[X1 ] = k≥0 k λk! e−λ = λ k≥1 (k−1)!
λk−1 −λ
e = λeλ e−λ = λ. De même on
k

∑ ∑
obtient E[X1 (X1 − 1)] = k≥0 k(k − 1) λk! e−λ = λ2 k≥2 (k−2)! e−λ = λ2 eλ e−λ = λ2 ,
k λ k−2

d’où µ2 = E[X12 ] = E[X1 (X1 − 1)] + E[X1 ] = λ2 + λ.

b. On admettra par la suite que var(X12 ) = 4λ3 +6λ2 +λ. On propose deux estimateurs
de µ2 :
1∑ n
µ̂2 = X 2 et µ̃2 = X̄n (X̄n + 1)
n i=1 i
∑
où X̄n = n−1 ni=1 Xi .
p.s. p.s.
(i) Montrer que µ̂2 −→ µ2 et µ̃2 −→ µ2 .
Solution : Comme les Xi2 sont i.i.d. et admettent une espérance mathématique
p.s.
égale à λ2 +λ on a µ̂2 −→ λ2 +λ = µ2 d’après la loi forte des grands nombres.
Comme les Xi sont i.i.d. et admettent une espérance mathématique égale à
p.s.
λ on a X̄n −→ λ d’après la loi forte des grands nombres. Or µ̃2 = g(X̄n )
où g : x 7→ x(x + 1) est continue sur R. Donc d’après le théorème des
p.s.
applications continues µ̃2 = g(X̄n ) −→ g(λ) = µ2 .
√ L
(ii) Montrer que n(µ̂2 − µ2 ) −→ X où l’on précisera la loi de X.
Solution : Les variable aléatoire Xi2 étant i.i.d. et admettant une moyenne
µ2 et une variance 4λ3 + 6λ2 + λ une application directe du théorème de la
limite centrale donne
√ L
n(µ̂2 − µ2 ) −→ X ∼ N (0, 4λ3 + 6λ2 + λ).
√ L
(iii) Montrer que n(X̄n − λ) −→ Y où l’on précisera la loi de Y .
Solution : Les variable aléatoire Xi étant i.i.d. et admettant une moyenne λ
et une variance λ une application directe du théorème de la limite centrale
donne √ L
n(X̄n − λ) −→ Y ∼ N (0, λ).
√ L
(iv) Déduire de la question précédente que n(µ̃2 − µ2 ) −→ Z où l’on précisera
la loi de Z. √ √
Solution : remarquons que n(µ̃2 − µ2 ) = n(g(X̄n ) − g(λ)) où g est définie
√ L
par g(x) = x(x + 1) sur R. D’après la question (iii) n(X̄n − λ) −→ Y , de
plus g est continùment dérivable sur R, donc les hypothèses du théorème de
la δ-méthode sont réunies et on a
√ L
n(g(X̄n ) − g(λ)) −→ g ′ (λ)Y = Z.
Donc Z ∼ N (0, (2λ + 1)2 λ).
(v) Du point de vue de la variance asymptotique, lequel des deux estimateurs
est le plus avantageux ?
Solution : C’est l’estimateur de variance asymptotique la plus petite, c’est-à-
dire µ̃2 car sa variance asymptotique est égale à 4λ3 + 4λ2 + λ alors que celle
de µ̂2 est supérieure de 2λ.

45
 2. Soit (Xn )n≥1 une suite de variables aléatoires i.i.d. de loi U(a, b) avec a < b. Soit
Sn = X1 + · · · + Xn pour n ≥ 1.
a. Déterminer la loi approchée de Sn lorsque n → +∞.
√
b. Déterminer la limite en loi n (exp(Sn /n)Sn /n − exp((a + b)/2)(a + b)/2) lorsque
n → +∞.
c. Etudier la convergence en loi de Sn3 , et déterminer la loi approchée de Sn3 lorsque
n → +∞.

4.7 Exercices : Modes de convergence

1. Soit (Xn )n≥0 une suite de variables aléatoires i.i.d. de moyenne µ et de variance σ 2 <
+∞. On pose pour a ∈ R et n ≥ 1, Yn = aXn +Xn−1 , X0 = 0 et Sn = (Y1 +· · ·+Yn )/n.
a) Déterminer la limite p.s. Z de (Sn )n≥1 lorsque n → +∞.
b) Calculer Var (Sn ). En déduire une borne pour P [|Sn − Z| > ϵ].
2. Soit (Xn )n≥1 une suite de vecteurs aléatoires et X un vecteur aléatoire à valeurs dans
1/2
Rd muni de la norme euclidienne ∥x∥2 = (x21 + · · · + x2d ) .
a. Rappeler la définition de la convergence en probabilité de (Xn )n≥1 vers X.
b. Montrer que (Xn )n≥1 converge en probabilité vers X si et seulement si pour tout
k ∈ {1, . . . , d} la k-ième composante de (Xn )n≥1 converge vers la k-ième composante
de X.
c. Montrer le même résultat lorsque Rd est muni de la norme ∥x∥∞ = max1≤i≤d |xi |.
3. Convergence en probabilité implique convergence en loi. Soit (Xn )n≥1 une
suite de variables aléatoires qui converge en probabilité vers une variable aléatoire X.
a. Montrer que P (A\B) ≥ P (A) − P (B).
b. Montrer que pour ε > 0 on a

{X ≤ x − ε}\{|Xn − X| > ε} ⊂ {Xn ≤ x} ⊂ {X ≤ x + ε} ∪ {|Xn − X| > ε}.

L
c. Montrer que Xn −→ X.
4. Soit (Xn )n≥1 une suite de variables aléatoires réelles indépendantes telles que pour
n ≥ 1 Xn suit une loi exponentielle de paramètre λn = n.
a. Calculer la fonction de répartition (f.d.r.) de Yn = min{X1 , . . . , Xn } pour n ≥ 1.
Solution : FYn (y) = P (Yn ≤ y) = 1 − P (Yn > y) = 1 − P (X1 > y; . . . ; Xn > y) =
∑
1−exp(−y nk=1 k) = 1−exp(−yn(n+1)/2) si y > 0 et 0 sinon. La quatrième égalité
résulte de l’indépendance des variable aléatoire et de P (Xk > y) = exp(−λk y) =
exp(−ky), la cinquième de 1 + 2 + · · · + n = n(n + 1)/2.
P
b. Montrer que Yn −→ 0.
Solution : soit ε > 0. P (|Yn | > ε) = P (Yn > ε) = exp(−εn(n + 1)/2) → 0 lorsque
P
n → +∞, donc Xn −→ 0.
p.s.
c. Montrer que Yn −→ 0.
∑ ∑ ∑
Solution : soit ε > 0. n≥1 P (|Yn | > ε) = n≥1 P (Yn > ε) = n≥1 exp(−εn(n +
∑ ∑ p.s.
1)/2) ≤ n≥1 exp(−εn/2) = n≥1 (exp(−ε/2))n < +∞, donc Xn −→ 0.

46
 L
d. Montrer qu’il existe une suite (αn )n≥1 telle que αn Yn −→ Y où l’on précisera les
valeurs des αn et la loi de Y . La suite (αn )n≥1 est-elle unique ?
L
Solution : αn Yn −→ ssi αn = O((n(n + 1)). Par exemple, pour αn = n(n + 1)/2,
L
P (n(n+1)Yn /2 ≤ y) = FYn (2y/(n(n+1))) = (1−exp(−y))1{y>0} , et donc αn Yn −→
Y , avec Y ∼ E(1). Ce résultat de convergence reste identique si l’on prend αn =
n2 /2, donc le choix n’est pas unique.

5. Soit (εn )n≥1 une suite de variables aléatoires indépendantes et identiquement dis-
tribuées de loi N (0, σ 2 ) où σ 2 > 0. Soit a ∈]0, 1[ et (Xn )n≥0 une suite de variables
aléatoires telle que X0 = x0 presque sùrement et Xn = aXn−1 + εn pour n ≥ 1.
a. Montrer que pour n ≥ 1
∑
n−1
n
Xn = a x0 + ak εn−k .
k=0

Solution : Pour n = 1 on a X1 = ax0 + ε1 = aX ( 0 + ε1 .∑Supposons )la relation

vraie au rang n ≥ 1 alors Xn+1 = aXn + εn+1 = a an x0 + k=0 n−1 k
a εn−k + εn+1 =
∑ n−1 ∑ n ′
an+1 x + ak+1 εn+1−(k+1) + εn+1 = an+1 x0 + k′ =1 ak εn+1−k′ + εn+1 = an+1 x0 +
∑n 0 k′ k=0
k′ =0 a εn+1−k′ . Donc relation établie par récurrence.
L
b. Déterminer la loi de Xn et montrer que Xn −→ X où X ∼ N (0, σ 2 /(1 − a2 )).
Solution : Xn étant une combinaison linéaire de variables aléatoires normales
indépendantes, elle est normale de moyenne et variance : E(Xn ) = an x0 et
var(Xn ) = σ 2 (1 + a2 + · · · + a2(n−1) ) = σ 2 (1 − a2n )/(1 − a2 ). Donc si Φ est la
fdr d’une loi N (0, 1) on a pour tout x ∈ R
  ( √ )
x − a x0
n
x 1 − a2
P (Xn ≤ x) = Φ  √ →Φ
σ (1 − a2n )/(1 − a2 ) σ

qui est la fdr de la loi N (0, σ 2 /(1 − a2 )).

c. On suppose maintenant que Xn = aXn−1 + b + εn pour n ≥ 1 où b ∈ R. Montrer
que (Xn )n≥0 converge en loi et déterminer sa loi asymptotique.
Solution : On établit par récurrence que
( )
1 − an ∑
n−1
Xn = an x0 + b + ak εn−k
1−a k=0

Xn étant une combinaison linéaire de variables aléatoires normales indépendantes,

elle est normale de moyenne et variance : E(Xn ) = an x0 + b(1 − an )/(1 − a) et
var(Xn ) = σ 2 (1 + a2 + · · · + a2(n−1) ) = σ 2 (1 − a2n )/(1 − a2 ). Donc si Φ est la fdr
d’une loi N (0, 1) on a pour tout x ∈ R
  ( √ )

x − an x0 − b(1 − an )(1 − a)  (x − b/(1 − a)) 1 − a2
P (Xn ≤ x) = Φ √ →Φ
σ (1 − a2n )/(1 − a2 ) σ

qui est la fdr de la loi N (b/(1 − a), σ 2 /(1 − a2 )).

47
 α−1
6. Soit Y ∼ γ(α, p), fY (x) = p (xp)
Γ(α)
e−px , et soit (Xn )n≥1 une suite de variables aléatoires
i.i.d. de loi N (0, 1).
(a) Déterminer la fonction génératrice des moments de Y .
(b) Déterminer la densité d’une loi du chi-deux à 1 degré de liberté. De quelle loi
gamma s’agit-il ?
∑
(c) Quelle est la loi de Yn = nk=1 Xk2 (loi du chi-deux à k ∈ N∗ degrés de liberté) ?
(d) Quelle est la limite p.s. de (Yn /n)n≥1 ? Calculer directement la limite de fYn /n (x).
√
(e) Quelle est la limite en loi de ((Yn − n)/ n)n≥1 ? En déduire une approximation
de la fonction de répartition de Yn lorsque n → +∞.
(n) (n)
(f) Soit n ≥ 1 et Z1 , . . . , Zk k variables aléatoires indépendantes de loi géométrique
(n) (n)
de paramètre 1/n. On pose Sn = Z1 +· · ·+Zk (une variable aléatoire binomiale
négative) et Un = 2Sn /n. Montrer que (Un )n≥1 converge en loi vers une variable
aléatoire U dont on déterminera la distribution.
R:
(a) mY (s) = (1 + s/p)α
1
(x/2) 2 −1 −x/2
(b) fX 2 (x) = Γ( 21 )
e /2
n
(x/2) 2 −1 −x/2
(c) fYn (x) = Γ( n )
e /2
2
n −1 n n
e−nx/2 /2 = x 2 −1 e− 2 x = x−1 e− 2 (x−1−ln(x)) ≈
n n n
(d) fYn /n (x) = n (nx/2) (n/2) 2 (n/(2e)) 2
2
Γ( n ) Γ( n ) Γ( n )
2
 2 2


√ 0
 x<1
n→∞
/(2π)x−1 e− 2 (x−1−ln(x)) =⇒
n
n
2 
∞ x = 1.


0 x>1
7. Démonstration par Bernstein du théorème de Stone-Weierstrass. Soit (Xn )n≥1
une suite de variables aléatoires i.i.d. de loi B(x) où x ∈ [0, 1] et f : [0, 1] 7→ R continue.
On note
Sn = (X1 + · · · + Xn )/n
et pour δ > 0
ω(f, δ) = sup |f (x) − f (y)|
|x−y|≤δ

le module de continuité de f .
p.s. p.s.
a. Déterminer Pn (x) = Pn (f )(x) = E[f (Sn )] (Idée : Sn =⇒ x =⇒ f (Sn ) =⇒ f (x) =⇒
E[f (Sn )] → f (x), et les espérances E[f (Sn )] sont des polynômes Pn (x) (appellés
polynômes basiques de Bernstein). Donc, la convergence simple de Pn (x) vers f (x)
pour tout x donné est une conséquence de la loi forte des grands nombres et de la
continuité de f (x).
b. Donner une majoration de P (|Sn − x| > δ ( Cette borne servira pour en déduire la
convergence uniforme).
c. Démontrer que
lim ||Pn − f || = lim sup |Pn (x) − f (x)| = 0.
n→+∞ n→+∞ x∈[0,1]

48
 d. En déduire le théorème de (Stone-)Weierstrass sur l’existence des approximations
polynômiales uniformes sur un intervalle compact arbitraire.
R: ( ) ∑
(a) Soit pk,n (x) = nk xk (1 − x)n−k . Alors Pn (x) = nk=0 f ( nk )pk,n (x).
(b) P [|Sn − x| > δ] ≤ x(1−x)
nδ 2
(c) Fixons x and δ = δ(ϵ) tq |x − y| ≤ δ =⇒ |f (x) − f (y)| ≤ ϵ
∑ ∑ ∑
|Pn (x) − f (x)| = | nk=0 [f ( nk ) − f (x)]pk,n (x)| ≤ | k:| k −x|≤δ | + | k:| k −x|>δ | ≤
n n

ϵ + 2M x(1−x)
nδ 2
=⇒ ||Pn − f || ≤ ϵ + M 2nδ
1
2 =⇒ limn ||Pn − f || ≤ ϵ =⇒ limn ||Pn − f || ≤

inf{ϵ > 0} = 0

8. La convergence en norme Lp et la convergence presque sùre impliquent la convergence

en probabilités qui implique la convergence en loi. Les réciproques sont fausses et sont
partiellement vraies si on rajoute certaines hypothèses.
Soit sur le même espace probabilisé (Ω, F, P) deux suites (Xn )n et (Yn )n de variables
aléatoires qui convergent en loi respectivement vers X et Y . 1) Montrer que si pour
tout n, Xn et Yn sont indépendantes et si X et Y sont indépendantes alors (Xn , Yn )n
converge en loi vers (X, Y ). On utilisera les fonctions caractéristiques et le théorème
de Lévy ou bien les fonctions de répartition. 2) On étudie un contre-exemple dans le
cas où l’on supprime l’hypothèse ≪‘pour tout n, Xn et Yn sont indépendantes≫’. Soit
donc X et Y deux variables aléatoires réelles indépendantes de même loi de Bernoulli
de paramètre 1/2. On pose pour tout n.

Xn = X + 1/n, Yn = (1 − X) − 1/n

Étudier la convergence en loi des trois suites (Xn )n , (Yn )n et (Xn + Yn )n et conclure.
9. Le lemme de Slutsky donne une alternative à l’indépendance pour assurer la propriété
de convergence en loi étudiée à la première question de l’exercice précédent.
Lemme de Slutsky
Soit sur le même espace probabilisé (Ω, F, P) deux suites (Xn )n et (Yn )n de variables
aléatoires qui convergent en loi respectivement vers X et une constante y0 . 1) a) En

utilisant le théorème de Stone-Weierstrass, montrer que l’ensemble

H = {(x, y) → f (x)g(y)|f, g ∈ C0 (IR)}

est total dans C0 (IR2 ) (C0 (IRk ) est l’espace des fonctions continues sur IRk tendant
vers 0 en l’infini). b) On rappelle que (Yn )n converge en loi vers une constante donc
converge en probabilité vers cette même constante (exercice 7.4.3). Soit f et g deux
éléments de C0 (IR). Montrer que

|E(f (Xn )g(Yn )) − E(f (X)g(y0 ))| ≤ ∥f ∥∞ [ϵ + 2∥g∥∞ P(|g(Yn ) − g(y0 )| > ϵ)]
+ ∥g∥∞ |E(f (Xn )) − E(f (X))|

c) Conclure.

49
10. Stabilité du caractère gaussien
Soit (Xn )n une suite de variables aléatoires gaussiennes qui convergent en moyenne
quadratique vers une variable aléatoire X. Montrer que X est une variable gaus-
sienne. (ind. : on remarquera que la convergence en moyenne quadratique implique
la convergence en loi, on passera aux fonctions caractéristiques et utilisera le théorème
de convergence de Lévy.)

50
Chapitre 5
Processus et champs aléatoires, en
temps discret et continu

Nombreux problèmes de modélisation aléatoire en physique, biologie, etc., ramène à

l’étude des processus/champs aléatoires. Il s’agit de collections des variables aléatoires
Xt , t ∈ I, où l’ensemble des indices I peut etre par exemple Nd , Zd , Rd , d ∈ N, un ensemble
fini, etc.
Définition 5.1 Soit I un ensemble quelconque. On appelle processus aléatoire X indexé
par I toute famille (Xt ∈ E, t ∈ I), de vecteurs aléatoires définis sur un même espace de
probabilité (Ω, A, P ), et appartenant à un espace d’états métrisable E.

L’espace I est souvent le temps, ainsi : I = N : instants successifs à partir d’un instant
initial t0 . I = Z : instants successifs avant et après un instant t0 . I = R ou R+ : idem
mais processus à temps continu. I = Z2 : images. I = Z3 : modèle de la matière. Nous
allons considérer ici surtout des processus à indices unidimensionnels, à temps discret N, Z
ou continu R (les premièrs deux cas étant appelés aussi séries chronologiques en statistique).
L’étude est facilitée alors par l’existence d’un ordre complet entre les indices.

Remarque 5.1 Lorsque E = Rp ou Cp et p = 1, une seule valeur est observée à chaque

≪instant≫ t, alors que lorsque p > 1, plusieurs variables sont observées et on parle de pro-

cessus multidimensionnels ou multivariés.

Dans le cas des espaces d’états E finis ou dénombrables, les variables Xi , i ∈ I sont
appelées discrètes ; pour E = Rd , on étudie surtout des variables continues ou hybrides.
Le cas discret est le plus simple, car il permet d’éviter plusieurs détails techniques (par
exemple, dans ce cas, l’ensemble des événements mesurables pour une variable Xi0 est sim-
plement l’ensemble de toutes les parties de E).
Pour modéliser un champ/processus il est nécessaire de spécifier de manière consistante
l’ensemble de toutes ses distributions jointes d’ordre fini.

Définition 5.2 Soit X. = Xt , t ∈ I un processus aléatoire et soit J = {t1 , t2 , ..., } ⊂ I un

sous-ensemble fini des temps d’observation du processus. On dénotera par XJ la distribution
jointe des variables Xt , t ∈ J. L’ensemble XJ : J ⊂ I, |J| < ∞ sera appelé la famille des
distributions jointes d’ordre fini de X.

Les processus les plus simples sont les processus à variables i.i.d. Le cas particulier des
variable aléatoire avec un nb. fini des valeurs mérite une mention à part.

51
Définition 5.3 La famille des processus i.i.d. inclue les processus à variables Xt ∈ {1, 2, ...K}, t ∈
Z, avec Xt i.i.d. ayant une loi discrète p = (p1 , p2 , ..., pJ ) qu’on peut voir comme des résultats
X0 , X1 , ..., Xt ... des jetées d’un dé ou d’une monnaie biaisée, avec un nb fini des
faces. Dans ce cas, les lois jointes sont simplement des produits de la loi marginale p.

Dans le cas opposé se situent les processus avec ”memoire longue” pour les quelles
un nombre infini des paramètres sera nécessaire pour specifier les lois jointes. Pour une
modélisation pratique, nous allons considerer ici que des processus ayant la propriété de
Markov – voir chapitre ??, qui fournissent souvent un compromis acceptable, joignant le
réalisme avec la simplicité de modélisation (voir en particulier, les marches aléatoires/sommes
des variables i.i.d.)

52
 Chapitre 6
Les marches aléatoires/sommes des
ch:MA variables i.i.d.

Motivation : Les marches aléatoires sont parmi les modèles probabilistes les plus utiles
(par exemple en physique, mathématiques financières, files d’attente, statistique, etc.). Ils
sont aussi parmi les modèles les meilleurs compris, car ils permettent souvent des solutions
analytiques.

Définition 6.1 Marches aléatoires sur Rd . Soit (Zn )n∈N une suite de variables aléatoires
réels i.i.d (c.-à-d. indépendantes et de même loi), à valeurs en Rd . Le processus Xn ∈ Rd , n =
0, 1, ... donné par la somme de ces variables

Xn = X0 + Z1 + Z2 + · · · + Zn , n∈N (6.1)

s’appelle marche aléatoire. Comme alternative, la marche aléatoire peut etre définie
récursivement par la récurrence

Xn = Xn−1 + Zn (6.2)

Exemple 6.1 Marches aléatoires sur Zd Typiquement, on s’intéresse au cas où l’espace
d’états est un maillage régulier comme Zd , c.-à-d. X0 , Zn ∈ Zd ont une loi discrète p =
(pi , i ∈ Zd ) (dans ce cas, nous avons à faire à une chaı̂ne de Markov à espace d’états
dénombrable).

Exemple 6.2 Si en plus |Zn | = 1, c.-à-d. pi ̸= 0 ssi i est un voisin de l’origine, le processus
(6.1) est appelé une marche aléatoire simple.

Exemple 6.3 Pour une marche aléatoire simple en dimension d = 1, la loi de Zn est de la
forme pδ1 + (1 − p) δ−1 , c.-à-d. P [Zn = 1] = p et P [Zn = −1] = 1 − p avec 0 < p < 1. Si
p = q = .5 on parle d’une marche aléatoire symétrique, et avec p ̸= q on parle d’une
marche aléatoire biaisée.

Notes : 1) On a à faire ici à des sommes des variable aléatoire i.i.d.. Donc, P n (0, :) la loi
∑
de la somme ni=1 Zi , est donnée par la n-ième convolution de la loi p de Zi (et la fonction
génératrice des moments est la puissance n de la fonction génératrice des moments de p).
Le comportement des puissances P n pour n → ∞ est lié au théorème de la limite centrale.

53
6.1 Moments et cumulants des marches aléatoires
Exercice 6.1 Les moments et cumulants de la marche simple. Soit Xn = Z1 + Z2 +
· · · + Zn le capital au temps n d’un joueur. Au temps n = 1, 2, ..., le joueur gagnera Zn = 1
avec probabilité p et perdra Zn = −1 avec probabilité 1 − p, où 0 < p < 1. Calculez :
1. L’espérance du son gain en = EXn .
2. La variance du son gain vn = Var Xn .
3. La fonction génératrice des moments M (u, n) = EeuXn .
4. La fonction génératrice des cumulants κ(u, n) = log(EeuXn ).
5. La fonction génératrice des cumulants κ̃(u, n) = log(EeuX̃n ) de la variable ≪norma-
lisée≫ X̃n = X√n −e
vn
n

Remarque 6.1 Il est clair que ces propriétés de linéarité (de l’espérance , de la variance,
et de la fonction génératrice des cumulants), sont vraies pour chaque marche aléatoire.

Remarque 6.2 La connaissance de la loi ou de la fonction génératrice ∑ des moments d’une

variable X sont typiquement équivalents. Mais, pour une somme ni=1 Zi des v.a. i.i.d.,
pendant que la loi∑estn
la n-ième convolution p∗,n de la loi p de Zi , la fonction génératrice
des moments Eeθ i=1 Zi est beaucoup plus simple à obtenir (étant la n-im̀e puissance de la
fonction génératrice des moments EeθZ1 ).

Exercice 6.2 Soit mn = mn (X), n = 0, 1, 2, ... les moments d’une variable aléatoire X, soit
∑ n ∑ n
κX (u) = log MX (u) = log( n un! mn ) = n un! cn (X) la fonction génératrice des cumulants,
n κ(u)
où cn = cn (X) = ∂(∂u) n sont les cumulants. Montrez (en utilisant éventuellement un
u=0
logiciel symbolique) que

∀X, m2 = c2 + c21 , m3 = c31 + 3c1 c2 + c3 , ... ⇐⇒

c0 = 0, c1 = m1 , c2 = Var (X) = m2 − m21 , c3 = m3 − 3m1 m2 + 2m31 , ...

Nt : 1) Le cumulant d’un ordre donné est un polynôme dans les moments d’ordre plus
petit ou égal, et réciproquement. 2) Les coefficients de l’expansion des moments en fonction
des cumulants sont donné par des nombres des partitions (de Stirling). 3) Les cumulants
d’une variable centrée (m1 = 0) coı̈ncident avec les moments jusqu’au troisième ordre. C’est
le quatrième cumulant, la ≪kurtosis≫, donné dans le cas centré par c4 = m4 − 3m22 , qui joue
un rôle important dans certains tests statistiques (comme de nonnormalité, par exemple).
Exercice 6.3 Pour la marche simple, calculez
1. Le premier, deuxième et troisième cumulants κi (n),
∑
i = 1, 2, 3 de Xn , c.-à-d. les pre-
miers trois coefficients dans l’expansion κ(u, n) = i κi (n)ui en puissances de u.
2. Le deuxième moment de Xn . Quelle est la particularité du cas p = 1/2 ?
3. Le troisième moment de Xn .

Un des pb les plus anciens des probas a été d’établir que la répétition d’un expériment
(comme la jetée d’une monnaie) un grand nb des fois dévoile sa moyenne), et que l’ histo-
gramme (loi) des déviations de la moyenne converge vers ≪la courbe en cloche de Gauss≫.
Cette loi fondamentale est l’objet de la Section ??.

54
s:CLT 6.2 La démonstration du théorème de limite centrale
La démonstration du théorème de limite centrale a pris des siècles, avant d’arriver à la
forme fuselée d’aujourd’hui.
Question 2 Pourquoi la loi normale ?
Exercice 6.4 1. Montrer que la fonction génératrice des moments de la variable normale
est 2
EeuN0,v = evu /2 .
Remarquer le fait que la loi normale est caractérisée
( par)le fait que tous ses cumulants
uN0,v
(les coefficients du développement limité de log Ee ) d’ordre plus grand que trois
sont nuls.
2. Calculer les premiers quatre moments de la loi normale directement par le développement
2
limité de la fonction génératrice des moments evu /2 , ou à partir des cumulants, en uti-
lisant les formules

m1 = κ1 , m2 = κ2 + κ21 , m3 = κ3 + 3κ1 κ2 + κ31 , m4 = κ4 + 4κ1 κ3 + 6κ1 κ22 + 3κ22 + κ41

κ3 = 2m1 3 − 3m2 m1 + m3 , κ4 = −6m1 4 + 12m2 m1 2 − 4m3 m1 − 3m2 2 + m4
(Ces formules sont obtenues par des développements limités. En Mathematica par
exemple)

Series[Exp[κ1u + κ2 u2 /2 + κ3 u3 /6 + κ4 u4 /24], u, 0, 4]
Series[Log[1 + m1 u + m2 u2 /2 + m3 u3 /6 + m4 u4 /24], u, 0, 4]

Question 3 Comment démontrer le théorème de limite centrale ?

Une première idée vient de l’observation que la convergence du premier et du deuxième

moment sont assurée (avec égalité) par le centrage. Comme les premiers moments ne ca-
ractérisent pas la loi, il est naturel de considérer tous les moments. ça s’avère difficile -voir
pourtant le prochain exercice, et unnécessaire.
Exercice 6.5 1. Soit X, Y deux variables i.i.d. ayant des moments d’ordre k. Montrer
que
κk (X + Y ) = κk (X)κk (Y )
∑n
Soit Sn = i=1 Zi une somme des variables i.i.d. ayant des moments d’ordre k. Montrer
que
κk (Sn ) = nκk (Z1 )
2. Conclure que les variables Zi ayant tous les moments d’ordre k = 1, 2, ... obéissent le
théorème de limite centrale (2.7).
3. (*) Montrer directement la convergence des premiers quatre moments (ou cumulants)
d’une variable binomiale centrée vers ceux de la variable normale.
En conclusion, dans la présence de tous les moments de Zi , les cumulants et moments
de la somme centrée convergente vers ceux de la loi normale. Cela assure la convergence
en loi, et montre aussi que dans ce cas il n’y pas de convergence en moyenne quadra-
tique : la convergence en loi et la seule qui tienne. Dans l’absence des moments au dela
du deuxième, on est sauvé par une deuxième idée : remplacer la convergence des moments
par celle d’espérances d’autres ≪fonctions test≫ φ(S̃n ). Les premières candidates sont les

55
 fonctions φ(u) = eux , u ∈ C. Mais, l’absence des moments de X variable aléatoire entraı̂ner
le manque de différentiabilité de la fonction EeuX autour de u = 0, et demande un travail très
précis d’analyse dans ce voisinage. On est finalement sauvé par les fonctions caractéristiques
ϕX (t) = EeitX , t ∈ R, qui sont essentiellement des restrictions des fonctions génératrices des
moments au sous-domaine u ∈ iR, ≪où il est facile de les dominer≫. Il s’avère finalement que
la convergence en loi est équivalente à celle des fonctions caractéristiques – c’est le résultat
fondamental de ce domaine. L’exercice prochain sera utile pour le développement limité des
fonctions caractéristiques qui offre la voie la plus simple pour démontrer le théorème de
limite centrale
ex:c Exercice 24 Montrer que
∏ ∏ ∑
1. |zi | ≤ 1, |wi | ≤ 1 =⇒ | i zi − i wi | ≤ i |zi − wi |
2. c > 0 =⇒ limn→∞ (1 − c
n
+ o( n1 ))n − (1 − nc )n = 0, limn→∞ (1 − c
n
+ o( n1 ))n = e−c

Exercice 6.6 Démontrer le théorème de limite centrale en supposant que EZi3 < ∞.

R : Il suffit de supposer m1 =√0, c2 = 1. La convergence des fonctions caractéristiques

demande d’étudier limn→∞ φ(s/ n)n = (1 − 12 s2 /n +√hn )n . Pour obtenir la limite désirée,
|EeiZs/ n −1+ 1 s2 /n|
de démontrer que limn→∞ hnn = limn→∞
il suffit √ n
2
= limn→∞ |Er(Zs n
n )|
= 0 où
sn = s/ n, et r(s) = eis − 1 − is + 21 s2 . Comme sn → 0, tout reste sur la disponibilité d’une
∫ 3 iu 3
borne convenable pour le reste du développement limité |r3 (x)| = | 0x (x − u)2 i e2 du| ≤ x6 .

Remarque 6.3 On verra que l’hypothèse EZi3 n’est pas finalement nécessaire pour le CLT,
car il existe une meilleure majorization de r(x) – voir Lemme 6.1.

l:fd Lemme 6.1 Montrer que

∫ 6 ∫
t2 t tx
3
|φX (t) − (1 + itEX − E(X 2 )) ≤ t2 ( 6 dFX (x) + x2 dFX (x)) = o(t2 )
2 −t 6 x∈[−
/ 6t , 6t ]

2 ∫ 3 iu 3
Ind : eix − (1 + ix − x2 ) = r(x) = 0x (x − u)2 i e2 du, |r(x)| ≤ min[x2 , x6 ] (admis) Il suit que
le premier intégral dans la Lemme 6.1 converge vers 0 par convergence dominée (par x2 ), et
le deuxième intégral converge vers 0 par l’existence du deuxième moment.
Remarque 6.4 En généralisant cet argument on trouve que dans la présence des n mo-
2 (it)n
ments, il suit que |φX (t) = (1 + itEX − t2 E(X 2 )... + (n−1)! E(X n )) + o(tn )

Exercice 25 Démontrer le théorème de limite centrale (2.7) de Lindeberg-Lévy pour sommes

des variable aléatoire Zi i.i.d. avec Var Z = σ 2 < ∞, en utilisant les résultats auxiliaires du
Lemme 6.1 et de l’exercice 24.

Exercice 26 Soit ϕX la fonction caractéristique d’une variable aléatoire réelle X. Montrer

que ϕX est uniformément continue sur R. Ind : Rémarquer que |ϕX (t + h) − ϕX (t)| ≤
2E|sin(hX/2)| ≤ hE|X|, ∀t, et par conséquent le résultat est facile si E|X| < ∞. En général,
il suffit d’utiliser le fait que limh→0 E|sin(hX/2)| = 0, par convergence dominée.

56
Chapitre 7
Problèmes de premier passage des
marches aléatoires et relations de
récurrence

7.1 La méthode du conditionnement sur le premier pas et

Exercice 7.1 La marche aléatoire symétrique. On cherche a trouver la probabilité d’un
joueur qui s’engage dans une série de parties (indépendantes) à un jeu où à l’issue de chaque
partie il gagne 1F avec une probabilité 1/2 et perd 1F avec une probabilité 1/2, et qui décide
de s’arrêter de jouer dès qu’il aura B francs en poche, ou dès qu’il n’a plus d’argent. Pour
tout n ∈ N, on note Xn la fortune du joueur au bout de n parties, et X0 = i sa fortune à
l’entrée dans le Casino. Ça revient à étudier la marche aléatoire symétrique
Xn = X0 + Z1 + Z2 + · · · + Zn , Xn ∈ Z
avec P [Zn = 1] = P [Zn = −1] = 1/2, jusqu’au ≪temps d’arret/sortie≫ T = min[T0 , TB ]
quand le processus sort de l’intervalle [0, B] (en prenant 0 et B comme états absor-
bants). On dénotera par Ei l’espérance en commençant de i (conditionnant sur X0 =
i), et on désigne par E l’événement que le joueur gagne, c.-à-d. E = {xT = B} =
[∃n ∈ N tel que Xn = B, Xk > 0, k = 1, ..., n − 1] . Pour tout i de {0, ..., B}, on pose :
bi = P (E | [Xt0 = i])
(la probabilité du ≪bonheur≫).
1. En supposant B = 3, énumérer et esquisser l’espace de tous les chemins du bon-
heur/ruine qui commencent avec X0 = 1, en développant ≪l’arbre de toutes les pos-
sibilités≫. Calculer la probabilité du chaque chemin, et vérifier que leur somme vaut
1.
2. Expliquer graphiquement sur ≪l’arbre de toutes les possibilités≫ les équations b1 =
1/2b2 , b2 = 1/2b1 + 1/2, en assoc. Déduisez b0 , b3 , et en suite b1 , b2 .
3. En supposant B = 4, calculer b1 , b2 et b3 .
4. Calculer bi , i = 0, ..., B pour B quelconque.
5. Calculez l’espérance du nombre des pas du jeu, pour B quelconque.

R : On pourrait essayer de calculer bi en ajoutant les probabilités de tous les chemins

du bonheur qui commencent avec X0 = 1 (en regardant l’arbre de toutes les possibilités).
Mais comme cet arbre est (typiquement) infini et très compliqué, cette analyse n’est pas
facile. Par contre, une approche ≪diviser pour conquérir≫ de décomposition de l’arbre dans
ses branches obtenues en conditionnant sur le premier pas ramène à des’équations linéaires
faciles à résoudre. Cet exercice illustre trois idées :

57
 1. La puissance de la méthode du conditionnement sur le premier pas.
2. Une méthode générale pour le calcul des espérances pour les chaı̂nes de Markov, qui
ramène aux systèmes linéaires avec une inconnue pour chaque état initial pos-
sible. Les marches aléatoires sont des cas particuliers des chaı̂nes de Markov § .
3. Les systèmes associés avec un processus fixe impliquent toujours la même partie ho-
mogène appelée ≪opérateur≫. Dans le cas des chaı̂nes de Markov en temps discret
et à espace d’états fini ou dénombrable, l’ opérateur est la matrice P − I, où P est
la matrice de transition P . Plus précisément, la matrice P de la marche symétrique
(absorbante) pour B = 4 est
 
1 0 0 ... ...
 .. 
1 0 1 . 
2 2 
 1 1 
0 0 0 
 2 2 
 .. .. 
. . 1
0 1 
 2 2 
.. ... ...
. 0 1

et on vérifie facilement que l’opérateur P − I agit sur un vecteur ⃗v = (v0 , ..., v4 ) par la
formule (P − I)⃗v = (0, v0 +v
2
2
− v1 , v1 +v
2
3
− v2 , ..., vn−1 +v
2
n+1
− vn , ..., 0).
Ces idées seront approfondies dans les chapitres suivants, où nous regarderons quelques autres
problèmes résolubles par le conditionnement sur le(s) premier(s) pas.

7.2 La ruine du joueur pour la marche aléatoire simple

Nous généraliserons maintenant les résultats du chapitre précédant pour la marche uni-
dimensionnelle symétrique au cas des marches simples asymétriques. En même temps, nous
étudierons d’autres problèmes concernant l’adsorption de la marche aléatoire simple unidi-
mensionnelle (des équations similaires peuvent etre obtenues dans toute dimension, mais les
solutions sont disponibles explicitement seulement dans le cas unidimensionnel).
Exemple 7.1 La ruine du joueur et autres ≪problèmes de Dirichlet≫ pour la
marche aléatoire simple. Considérons la marche aléatoire simple
Xn = X0 + Z1 + Z2 + · · · + Zn , Xn ∈ Z
avec (Zn ) une suite de variables aléatoires réelles indépendantes de même loi P [Zn = ±1] =
p, q. Nous étudierons la marche jusqu’au ≪temps d’arret/sortie≫ T = min[T0 , TB ] quand le
processus sort de l’intervalle [0, B] pour B donné, c.-à-d. on prend 0 et B comme états
absorbants. On appelle ce problème la ruine du joueur, à cause de l’interprétation d’un
joueur qui s’engage dans une série de parties (indépendantes) à un jeu où à l’issue de chaque
partie il gagne 1F avec une probabilité p et perd 1F avec une probabilité q = 1 − p, et qui
§. Pour une preuve que ces processus sont Markoviens au cas Zi ∈ Z, voir Exe 5,6 en Philippe-Viano,
qui démontre que chaque processus définit par une récurrence
Xn+1 = f (Xn , Zn )
où Zn sont i.i.d. est Markovien. Pour les marches sur Z, la matrice de transition P =
(pij = P{Xn = j/Xn−1 = i} = P{Zn = j − i})i,j∈N a aussi la propriété que Pi,j = pi−j , où pk = P{Zn = k} ;
les matrices de cette forme, c.-à-d. à ≪‘diagonales≫’ constantes, s’appellent matrices Toeplitz.

58
décide de s’arrêter de jouer dès qu’il aura B francs en poche, ou dès qu’il n’a plus d’argent.
Pour tout n ∈ N, on note Xn la fortune du joueur au bout de n parties, et X0 = i représente
sa fortune à l’entrée dans le Casino. On dénotera par Ei l’espérance en commençant de i
(conditionnant sur X0 = i), et on désigne par E l’événement que le joueur gagne, c.-à-d.
E = {xT = B} = [∃n ∈ N tel que Xn = B, Xi > 0, i = 1, ..., n − 1] . Pour tout i de {0, ..., B},
on pose :
bi = P (E | [Xt0 = i]) .
1. Quelles sont les valeurs de b0 et bB ?
2. Montrer que :
∀ i ∈ {1, ..., B − 1} , bi = p bi+1 + q bi−1 (on rappelle que q = 1 − p).

3. Obtener une expression explicite de bi pour tout i de {1, ..., B} . Indication : Remarquez
que la solution satisfaisante b0 = 0 est de la forme :
{
k (1 − ( pq )i ) quand p ̸= q
bi =
ki quand p = q
et déterminer k tq la condition frontière de bB soit satisfaite.
4. Pour tout i de {0, ..., B} , on pose ri = P (F | [X0 = i]) où F est l’événement ≫ ’le
joueur repart ruiné≫’ . En procédant comme auparavant, montrer que :
 i B

 ( pq ) −( pq )

 si p ̸= 1
q B 2
1−( p )
ri =



 B−i 1
B
si p = 2

Pour tout i de {0, ..., B} , calculer ri + bi . Que peut-on en déduire ? Calculez les proba-
bilités de ruine quand B → ∞, pour p > q et pour p ≤ q. Expliquez la relation avec le
comportement de Xt , t → ∞.
5. Obtenez un système d’équations pour l’espérance du gain final fi = Ei XT . Calculez
cette fonction pour p = q.
6. Obtenez un système d’équations pour l’espérance du temps de jeu : ti = Ei T. Calculez
cette fonction, pour p = q, et pour p < q, quand B → ∞.
7. Obtenez
∑T−1
un système d’équations pour l’espérance du ≪coùt cumulé d’inventaire≫ ci =
Ei t=0 Xt . Calculez cette fonction, pour p = q, et pour p < q, quand B → ∞.
∑
8. Obtenez un système d’équations pour wi = Ei aT = k=0 Pi [T = k]ak (qui est la fonction
génératrice des probabilités Pi [T = k]). Calculez cette fonction, pour p ̸= q.
Analyser le cas B = ∞, p = q, et vérifier les probabilités P1 [T0 = k], k = 1, 2, 3.
9. Obtenez les équations de récurrence et les conditions
∑
frontière satisfaites par ux =
Ex aT g(XT ), a ∈ (0, 1) et par vx = Ex [aT g(XT ) + T−1t=0 h(X t )], a ∈ (0, 1).

Nous allons résoudre cet exercice en utilisant la méthode du conditionnement sur le

premier pas Z1 , l’idée de laquelle est d’obtenir des relations de récurrence qui lient les
valeurs de l’espérance conditionnée à partir de tous les points de départ possibles. Nous
verrons, en examinant les questions 2)-8) de cet exercice, qu’ils utilisent toutes le même
opérateur
(Gf )n := (P − I)(f )n = p fn+1 + q fn−1 − fn (7.1) op
la seule différence étant dans les conditions frontière et dans la partie nonhomogène. Cet
exercice illustre trois idées :

59
 1. La puissance de la méthode du conditionnement sur le premier pas.
2. Le calcul des espérances pour les chaı̂nes de Markov comporte des systèmes linéaires
avec une inconnue pour chaque état initial possible.
3. Les systèmes associés avec un processus fixe impliquent toujours la même partie ho-
mogène appelée ≪opérateur≫. Dans le cas des chaı̂nes de Markov en temps discret
et à espace d’états fini ou dénombrable, l’ opérateur est ≪essentiellement≫ la matrice
P − I, où P est la matrice de transition P . Plus précisément, la matrice P de la chaı̂ne
de Markov (absorbante) associée est
( )
1 0 . . . ...

Ces idées seront approfondies dans les chapitres suivants, où nous regarderons quelques
autres problèmes résolubles par le conditionnement sur le(s) premier(s) pas. En plus, ils se
regrouperont en deux types de questions :
1. ”Gain final espéré”, satisfaisant :

fn = En [g(XT )] = pfn+1 + qfn−1 ⇐⇒ (Gf)n = 0, F(0) = g(0), F(B) = g(B)

2. ”Coùt total accumulé espéré≫

∑
T−1
fn = En [ h(Xi )] = h(n) + pfn+1 + qfn−1 ⇐⇒ (Gf)n = 0, f(0) = 0, f(B) = 0
0

Solution :
1. b0 = 0, bB = 1
2. Gain final espéré, g(x) = 1x=B . En conditionnant, on trouve :

bn = Pn [X(T ) = B]
= p Pn [X(T ) = B/X(1) = n + 1] + q Pn [X(T ) = B/X(1) = n − 1]
= p bn+1 + q n−1 1 ≤ n ≤ B − 1

car

Pn [X(T ) = B/X(1) = n ± 1] = P[X(T ) = B/X(0) = n, X(1) = n ± 1] =

P[X(T ) = B/X(1) = n ± 1] = P[X(T ) = B/X(0) = n ± 1] = bn±1

en utilisant la propriété de Markov et l’homogénéité.

3. Quand p = q = 1/2, bx = Px [X(T ) = B] satisfait :

bn+1 bn−1
bn = + for any 1 ≤ n ≤ B − 1
2 2
bB = 1
b0 = 0

60
 La méthode de résolution des équations de récurrence homogènes à coefficients constants
commence en cherchant des solutions de la forme bn = rn . Si les racines de l’équation
auxiliaire sont distinctes, la solution générale est :

bn = k1 r1n + k2 r2n

où k1 , k2 sont déterminées en utilisant les conditions frontière. Ici, cherchant des so-
lutions puissances rx ramène à l’équation r2 − 2r + 1 = 0 à deux racines identiques
r1,2 = 1. La solution générale est bx = A+Bx. Les conditions frontière donnent bx = Bx .
1−(q/p)n
Solution finale si p ̸= q : bn = 1−(q/p) B.

4. ri + bi = 1, et donc la marche sera éventuellement absorbée dans une des deux

frontières (elle ne peut pas rester à l’intérieur indéfiniment). Pour p = q, limB→∞ rn =
limB→∞ B−n B
= 1. Autrement,

(q/p)n − (q/p)B (q/p)n , q < p
lim rn = lim =
B→∞ B→∞ 1 − (q/p)B 1, q > p.

5. fx = Ex [X(T )] (valeur finale espérée) satisfait Gf (x) = 0, f (0) = 0, f (B) = B. Pour

p = q, la solution fx = x est obtenue comme ci-dessus :
fx+1 fx−1
fx = + for any 1 ≤ x ≤ B − 1
2 2
fB = B
f0 = 0

(C’est aussi une fonction ≪harmonique≫, mais avec conditions frontière différentes.)
6. tx = Ex [T ] (temps de sortie espéré) est un coùt total accumulé espéré (obtenu en
prenant h(x) = 1), qui satisfait le système inhomogène Gt(x) + 1 = 0, t(0) = 0, t(B) =
0. Pour p = q
tx+1 tx−1
tx = + + 1 for any 1 ≤ x ≤ B − 1
2 2
tB = 0
t0 = 0

La solution d’une équation nonhomogène est donnée par

tx = tp (x) + h(x)

où tp (x) est une solution particulière et h(x) est la solution générale de l’équation ho-
mogène. Commençons par l’équation homogène. La solution générale homogène (≪fonc-
tion harmonique≫) h(x) = A+Bx pour cet opérateur a été déjà obtenue ci-dessus. Nous
aimerions maintenant trouver une solution particulière tp (x) de l’équation Gtp (x) = −1
de la même forme que la partie nonhomogène −1 de l’équation, donc , tp (x) = C;
mais comme les constantes, et puis aussi les fonctions linéaires vérifient l’équation
homogène Gtp (x) = 0, nous devrons modifier deux fois cette forme en multipliant
par x, en arrivant donc à t( x) = Cx2 . Comme Gx2 = 2x(p − q) + 1 = 1, on trouve

61
 C = −1 et finalement la solution particulière tp (x) = −x2 . La solution générale est
donc t(x) = −x2 + A + Bx et les conditions frontière ramènent à tx = x(B − x). Pour
p ̸= q
tx = ptx+1 + qtx−1 + 1 for any 1 ≤ x ≤ B − 1
tB = 0
t0 = 0
La solution générale homogène avec p ̸= q est h(x) = k1 (q/p)n + k2 et le terme non-
homogène 1 suggère une solution particulière constante , k, mais comme ça satisfait
1
l’équation homogène, on modifie à kn. Finalement, k = q−p . La solution particulière
est tp (x) = q−p ; elle satisfait déjà tp (0) = 0. La partie homogène h(x) = tx − tp (x)
x

devra aussi satisfaire h(0) = 0 et donc elle sera de la forme h(x) = Ah̃(x) où
h̃(x) = ((q/p)x − 1). En demandant que tn = q−p n
+ A(q/p)n − 1) satisfait la condition
frontière tB = 0 on trouve :
h̃(n) n B (q/p)n − 1
tn = tp (n) − tp (B) = − .
h̃(B) q − p q − p (q/p)B − 1

∞
si p > q
La limite quand B → ∞ est tn = ; on peut aussi obtenir
tp (n) = si p < q n
q−p
ce résultat en utilisant l’approximation détérmiste Xn − X0 ∼ nE(Z1 ), appelée aussi
limite fluide.
∑
7. cx = Ex [ T0 −1 X(t)] (coùt total d’inventaire espéré) satisfait le système inhomogène
Gc(x) + x = 0, c(0) = 0, c(B) = 0. Pour p = q :
cx+1 cx−1
cx = + + x for any 1 ≤ x ≤ B − 1
2 2
cB = 0
c0 = 0
Une solution particulière est cp (x) = −x3 . Finalement, on arrive à c(x) = x(B 3−x ) .
3 2 2

x2
Pour p ̸= q, une solution particulière est cp (x) = 2(q−p) (elle satisfait déjà cp (0) = 0).
La partie homogène satisfaisant h(0) = 0 sera toujours h(x) = Ah̃(x) où h̃(x) =
((q/p)x − 1). En demandant que cn = cp (n) + A(q/p)n − 1) satisfait la condition
frontière cB = 0 on trouve :
h̃(n)
cn = cp (n) − cp (B)
h̃(B)

∞ si p > q
La limite quand B → ∞ est cn =  .
cp (n) si p < q
√
a−1 ± a−2 −4pq
8. On arrive a w(x) = A1 z1x + A2 z2x , où zi = 2p
sont les racines de pz 2 − a−1 z +
z1x −z2x +(z1B z2x −z2B z1x )
q = 0, et Ai satisfont A1 z1B + A2 z2B = 1, A1 + A2 = 1 et w(x) = z1B −z2B
=
z1x (1−z2B ) z2x (1−z1B )
z1B −z2B
− z1B −z2B

62
 √ √
Quand B = ∞, w(x) = z2x . Si p = q, z2 = a−1 − a−2 − 1 = a−1 (1 − 1 − a−2 =
1
2
a+ 18 a+ 32
2 5
a . In particulier, w(1) donne les probabilités P [T1 = 1] = 12 , P [T1 = 3] = 18 ,
...
9. On a ux = g(x), pour x ∈ {0, B}, et le conditionnement donne la relation : ux =
Ex [aT g(Xτ )] = a(pux+1 + qux−1 ). vx = g(x), pour x ∈ {0, B}, et le conditionnement
donne la relation : vx = a(pvx+1 + qvx−1 ) + h(x).
Conclusion : Nous avons vu dans cet exercice une des idées les plus importantes de la
modélisation Markovienne : les espérances, vues comme fonctions de l’état initial,
satisfont certaines équations qui font toujours intervenir un opérateur associé
fixe, appelé générateur du processus, même que les conditions frontière, termes
non homogènes, et d’autre ≪détails≫ (comme la présence/absence d’un multiple
de l’opérateur identité) peuvent varier. Les équations s’obtiennent facilement par la
méthode de conditionnement sur le premier pas, en utilisant la propriété de l’oubli du passé
des processus de Markov ; mais, il y a des parties spécifiques à chaque problème, qui ne sont
pas oubliées ! Il s’avère que les mêmes équations décrivent la solution des problèmes analogues
pour toutes les chaı̂nes de Markov à espace d’états comptable, et avec des états absorbants
– voir la prochaı̂ne section. Par exemple, pour les chaı̂nes de Markov, l’opérateur associé
est G = P − I, où P est la matrice de transition, et pour le cas particulier d’une marche
∑
aléatoire Xt = ti=1 Zi avec pk = P [Zi = k], k ∈ [−c, d] on a encore G = P − I, où P =
∑
k pk F et F est l’opérateur de translation (F f )k = fk+1 , k ∈ Z. Alors, nous obtiendrons des
k

équations similaires pour les problèmes respectifs, juste en remplaçant l’ancien opérateur par
le nouveau. On rencontre la même situation pour toute la classe des processus ≪de Markov≫,
Xt , différents qu’elles soient, vivant sur des espaces S considérablement plus compliqués,
la seule différence étant que l’opérateur GX : F (S)− > F (S) associé a ces processus sera
plus compliquée ! Par exemple, les problèmes de cette section ont aussi des versions à espace
d’états continu, obtenu en considérant des marches avec incréments infinitésimaux ϵ, et
en prenant la limite E → 0. La marche aléatoire devient ainsi un processus avec chemins
continus, appelé mouvement Brownien. Les équations resteront les mêmes, seul l’opérateur
G changera (dans un opérateur différentiel). En conclusions, il existe une correspondance
un á un entre les processus de Markov et une certaine classe des opérateurs déterministes
associés ; nous l’appellerons ≪Le Dictionnaire≫.

7.3 Problèmes de premier passage sur un intervalle

semi-infini
Soit ψn := P [T0 < ∞] = limB→∞ ψn,B , ψn,B := P [T0 < TB ] (il s’agit d’une suite crois-
sante des événements) la probabilité de ruine sur [0, ∞), pour la marche simple. On vérifie
facilement, en partant des récurrences sur un domaine borné [0, B], et en passant à la limite,
que : 
(q/p)n , q<p
ψn = lim ψn,B =
B→∞ 1, q ≥ p.
Pour la marche simple, ou pour toute marche qui n’a pas des sauts en bas strictement plus
grands que 1, cette solution peut être trouvée aussi directement, sans passer par la probabilité
de ruine ψn (B) sur [0, B]. On remarque d’abord que l’absence des sauts en bas plus grands

63
que 1 impose une récurrence
ψn = ρψn−1 , ρ = Pn [Tn−1 < ∞].
La fonction ψn est donc multiplicative en n, c.-à-d. ψn = ρn , avec un ρ déterminé par
l’équation caractéristique ; par ≪miracle≫, il y aura toujours exactement une solution satis-
faisant ρ ∈ (0, 1). On choisira en suite ρ = 1 ou ρ < 1, selon l’espérance des sauts (qui
détermine la limite de Xn quand n → ∞). Mais, cette approche ne résout pas le cas des
marches ≪qui sautent≫ parfois en bas. Dans ce cas, la solution n’est plus simplement une
puissance, mais une combinaison linéaire des puissances. Le ≪miracle≫ se répète : il y aura
toujours exactement autant des solutions satisfaisantes |ρ| ∈ (0, 1) qu’on aura besoin pour
satisfaire toutes les conditions frontière (en bas) nécessaires.
Exercice 7.2 Calculer les probabilités de ruine ψx , x ∈ { N, pour une marche sur les nombres
}
8 1 1
naturels, avec la distribution de chaque pas donné par : p1 = 10 , p−1 = 10 , p−2 = 10 . Mon-
trer qu’elles sont positives.
8 1
R : La moyenne est m1 = 1/2 > 0. Les probabilités de ruine satisfont ψx = 10 ψx+1 + 10 ψx−1 +
1
ψ , x ∈ N. Elles sont des combinaisons de puissances ρx , avec ρ une racine de
10 x−2
8 3 1 1 8 2 1 8
ρ − ρ2 + ρ + = (ρ − 1)( ρ2 − ρ − ) = (ρ − 1)(ρ − 1/2)(ρ + 1/4)
10 10 10 10 10 10 10
1 x −1 x
ψx = A1 ( 2 ) + A2 ( 4 ) satisfait ψ0 = ψ−1 = 1 ssi A1 = 5/6, A2 = 1/6. Les probabilités de
ruine sont : ( ) ( ) ( )
5 1 x 1 1 x 5 1 x
ψx = + − ≈
6 2 6 4 6 2
{ }
Exercice 7.3 Calculer les probabilités de ruine pour une marche avec p2 = 38 , p1 = 18 , p−1 = 1
2

Examinons maintenant la méthode de fonctions génératrices (analogues à la transformée

de Laplace), une des méthodes les plus puissantes pour la résolution des équations de
différences (différentielles), qui permet de considérer des marches qui ont une structure ar-
bitraire dans la direction ”opposée à la ruine”.
∑
Exercice 7.4 a) Montrer que pour une marche Xt = x + i Zi sans des sauts strictement
plus grands que 1 en bas on a
∗ p−1 ψ 1
ψ (z) = (7.2)
pZ (z) − 1
∑
où pZ (z) = Ez Z1 = ∞ i
i=−1 pi z .
b) Calculer les probabilités de ruine pour la marche aléatoire simple.
Sol : a) On ajoute les équations ψ n = pψ n+1 + qψ n−1 multipliées respectivement par
∗ ∑
z , n = 1, 2, .. On obtient ainsi une équation pour la fonction ψ (z) := ∞
n n
n=1 z ψ n :
b)
1 zpψ 1 p − qz − pzψ 1 p − qz − z(p − q) p
ψ ∗ (z) = − = = =
1 − z p + qz − z
2 (1 − z)(p − qz) (1 − z)(p − qz) p − qz
car le numerator s’annule en 1 (≪méthode du noyau≫) et donc pψ 1 = p − q. De lors, ψn =
(q/p)n .
Remarque 7.1 Finalement, pour des marches avec une structure arbitraire dans les deux
directions, la méthode de choix est le théorème d’arrêt des martingales de Doob.

64
7.4 Marches aléatoires sur les espaces d’états dénombrables
Rappelons qu’un état i est appelé transient ssi sa probabilité de retour Pi satisfait Pi < 1,
ou si l’espérance du nb. des visites dans ce point (qui a une distribution géométrique) satisfait
Ni = 1/(1−Pi ) < ∞. Dans le cas contraire, état est appelé récurrent. Pour la marche aléatoire
simple sur Z, il est facile de calculer P = 2 min(p, q) ; en conclusion, il y a récurrence ssi p = q.
On vérifie facilement que le temps espéré de retour est ∞ (ce cas peut apparaı̂tre seulement
sur les espace d’états infinis, et s’appelle nul récurant). Dans le cas, appelé récurrent positif,
des marches récurrentes avec temps espérés de retour Ei < ∞, on peut vérifier que la
distribution stationnaire est πi = Ei−1 . Pour la marche simple, on peut aussi calculer N par
la décomposition
∞ ∞
( )
∑ ∑ 2k
N= P [S2k = 0] = (pq)k = 1/(1 − 4pq)1/2 = |2p − 1|−1 = |p − q|−1 .
k=0 k=0 k

Le résultat est obtenu en vérifiant le quotient des termes consécutifs dans la série ci-dessus ;
1/2
on aperçoit alors qu’on a à faire avec la série hypergéométrique 1 F0 [− ; −4pq] = (1−z) 1
1/2

(ce genre des sommes ont des formules explicites, qu’on peut découvrir facilement avec un
logiciel symbolique, assez souvent) 1 . Rm : La dernière expression est valable aussi pour la
marche paresseuse avec p + q < 1.

7.5 Le paradoxe du singe savant et les chaı̂nes de Mar-

kov
≪ Donnons du temps au temps.≫ Avec suffisamment de temps, un chimpanzé qui tape au
hasard sur le clavier d’une machine à écrire, produira sùrement (ac. proba 1) une copie de la
pièce de théâtre Hamlet de Shakespeare. Mais combien de temps faut-il attendre avant que
ça arrive ? Voila une version allégée de cette question.

Exercice 7.5 1. On considère une pièce non équilibrée que l’on lance un nombre indéterminé
de fois. La probabilité d’obtenir pile est p ∈]0, 1[, et la probabilité de sortir face est égale
à q = 1 − p. Les lancers sont indépendants. On note N le temps d’attente du premier
pile, c’est-à-dire le nombre de lancers qu’il faut effectuer pour obtenir le premier pile, en
incluant le pile (N ∈ {1, 2, ...}). Par exemple, si X1 = F, ...Xj−1 = F et Xj = P, j ≥ 1,
la valeur de N est j. Dessinez l’arbre de toutes les possibilités pour cet expériment.
2. Calculez pk = P [N ] = k, k = 0, .... Quelle est la loi de N ? Calculez le premier moment
m = EN.
3. Formuler une équation pour le premier moment m = EN par la méthode du condi-
tionnement sur le premier pas, et la résoudre § .
∑∞
1. On
∑∞peut aussi −1 utiliser la représentation Pk = Coef (0, EzSk ). On trouve N = k=0 Coef (0, EzSk ) =
Coef(0, k=0 (pz + qz )k ) = Coef(0, z−pzz2 −q ) = Coef(0, p−q 1 1
( 1−z − 1−pz/q
1
)) = ..., ou l’inversion de la
transformée de Fourier. Cette méthode aboutit aussi en deux dimensions, en ramenant à des intégrales
elliptiques
§. on utilise la relation L(N |X1 = F ) = L(1+N ), qui est une conséquence de la décomposition ≪premier
pas + le reste≫ N = 1 + N ′ et du fait que les distributions conditionnées par le premier pas du ≪reste≫ N ′
sont connues : a) (N ′ |X1 = P ) ≡ 0 et b) L(N ′ |X1 = F ) = L(N ) par le fait que la seule différence entre
les réalisations possibles de N ′ et ceux de N est le moment ≪de départ de la montre≫, qui n’affecte pas la
distribution d’une chaı̂ne homogène

65
 4. (*) ≪Mieux
∑
que les moments :≫ Trouvez la fonction génératrice des probabilités p∗N (z) =
EzN = ∞ k ′
k=0 pk z , et déduisez l’espérance EN (en calculant φ (1)), et aussi EN .
2

5. Trouvez l’espérance m2 = EN2 du nombre des essais jusqu’à ce qu’on obtient deux
piles consécutives, en incluant les deux derniers résultats. Ind : Sauf m2 , il faudra
trouver en même temps m1 = E1 N(2) du nombre des essais jusqu’à ce qu’on obtient
deux piles consécutives, à partir du moment qu’on a obtenu la première.
′
6. (*) Calculer les probabilités P [N (2) = k], k = 0, 1, 2, ..., à partir d’une récurrence qu’on
′
détérminera. Calculer la fonction génératrice des probabilités p∗N (2)′ (z), où N (2) est le
nombre des essais jusqu’à ce qu’on obtient deux piles consécutives, en excluant les
deux derniers résultats.
7. Reabordez pour k = 3 la question du premier moment EN(3) .
8. (*) Reabordez pour k = 3 les questions des probabilités et de la fonction génératrice des
probabilités φ∗N (k)′ (z) (où la dernière variable représente le nombre des essais jusqu’à
ce qu’on obtient k piles consécutives, en excluant la suite finale).
9. Trouvez l’espérance m̃ du nombre des essais jusqu’à ce qu’on obtient pile-face-pile,
en incluant les trois derniers résultats.

Solutions :
1. L’espace des expérimentés se décompose en : E = {P, F P, F F P, F F F P, ...} = {P } ∪
F (E). En représentant l’espace comme un arbre, on trouve une branche avec une seule
feuille {P }, et une branche qui est identique a l’ arbre initial, après avoir enlevé la
feuille initiale {F }. Remarquons cette structure récursive, qui est la clef du pb !
2. Les probas sont pk = pq k , k = 0, 1, .... On a à faire avec une distribution bien connue
(la géométrique ! !).
3. Il est quand même intéressant de remarquer que l’espérance peut aussi se calculer par
un conditionnement sur le premier pas :
q§
m = p × 0 + q(1 + m) ⇔ m =
p
′
Note : Pour l’autre définition d’une variable géométrique N (1) := N + 1 ∈ {1, 2, ...}
(en incluant la première face), on obtient par le résultat précédent
1
n := EN (1)+1 = E(N + 1) = ,
p
ou encore par conditionnement sur le premier pas :

n = E[N (1)+1 ] = P[X1 = P ]E[N (1)+1 |{X1 = P }] + P[X1 = F ]E[N (1)+1 |{X1 = F }]
= P[X1 = P ]1 + P[X1 = F ](1 + E[N (1)+1 ]) = p ∗ 1 + q ∗ (1 + n) = 1 + q ∗ n
§. Cela est une conséquence de la décomposition ”premier pas + le reste”

N1 = 1 + N ′

et du fait que les distributions conditionnées par départ du ”reste” sont connues : a) (N ′ |X1 = P ) ≡ 0 et
b) L(N ′ |X1 = F ) = L(N1 ) par la proprieté de Markov (oubli du passé), et par le fait que la seule difference
entre les réalisations possibles de N ′ et ceux de N1 est le moment ”de départ de la montre”, qui n’affecte
pas la distribution d’une chaı̂ne avec matrice de transition stationnaire.

66
4. (*) La méthode des fonctions génératrices des probabilités pN (z) = Ez N consiste en
remplacer chaque terme de l’espace des expériments E = {P, F P, F F P, F F F P, ...} =
{P } ∪ F (E) par pnb.P q nb.F z nb.F +nb.P (avec nb.P = 1). Observons qu’en rajoutant tous
les termes avec nb.H + nb.T = n, on obtient précisément pn z n , et donc la somme totale
∑
est la fonction génératrice des probabilités φ(z) = n pn z n . En exploitant la structure
pz
récursive, qui implique la décomposition p(z) = pz + qzp(z), on trouve p(z) = 1−qz .
′ 1
Finalement, EN = φ (1) = p . Rem : La méthode des fonctions génératrices (qui
n’est pas vraiment nécessaire dans cet exercice simple) s’avère une des méthodes les
plus puissantes pour les espaces d’états infinis.
5. Méthode A de décomposition. Cherchons une décomposition de l’espace des
expériments :

E = {F P P, F F P P, ..., P F P P, P F F P P, ..., P P, } = F (E) ∪ P F (E) ∪ {P P }

(il peut etre utile de regarder en parallele l’arbre associé)

Les trois événements F (E), P F (E), P P fournissent une décomposition de l’espace
d’états , qui permet soit de constater que notre événement d’arrêt est arrivé, soit
de relancer le processus du début. Par conséquent, la formule ET donne :
q + 2p 1+p
m2 = q(m2 + 1) + pq(m2 + 2) + 2p2 ⇔ m2 = =
1 − q − pq p2

Méthode B des inconnues auxiliaires : Après le premier pas, on a une décomposition

E = F (E) ∪ P (E1 )

où on a dénoté E1 l’arbre de toutes les expérimente pour arriver a deux piles, en partant
d’une pile. Cette décomposition donne m2 = q(1 + m2 ) + p(1 + m1 ). Finalement, la
décomposition
E1 = F (E) ∪ {P P }
donne m1 = q(1 + m2 ) + p(1 + 0)
6. Les probabilités pk sont moins évidentes à obtenir. Ind : Utilisons la chaı̂ne de Markov
associé sur l’espace E = {0P, 1P, 2P }, avec état absorbant 2P . p0 = p2 , p1 = qp2 , p2 =
q 2 p2 , p3 = qp2 + pqp1 , ...pn = qpn−1 + pqpn−2 , ∀n ≥ 3. On trouve √ainsi une récurrence
q± q(4−3q)
à coefficients constants, qui donne pn = C+ λn+ + C− λn− , λ± = 2
. Le système
p 2 (q−λ ) p2 (λ −q)
C+ + C− = p2 , C+ /λ+ + C− /λ− = 0 donne C+ = λ+ −λ−− , C+ = λ+ −λ +
−
. On peut
′ ∑
trouver la même réponse à partir de la pgf p(z) = Ez N 2) = pnb.P q nb.F z nb.F +nb.P −2
(

(avec nb.P = 2), qui satisfait p(z) = qzp(z) + pqz 2 p(z) + p2 . On trouve

p2 C+ C−
= + .
1 − qz − pqz 2 1 − z/λ+ 1 − z/λ−

7. Méthode A : Remarquons que les quatre événements F, P F, P P F, P P P fournissent

une décomposition de l’espace d’états qui permet soit de constater que notre événement
d’arrêt est arrivé, soit de relancer le processus du début. Le conditionnement ces

67
 q(1+2p+3p2 )+3p3
événements donne : n = q(n + 1) + pq(n + 2) + p2 q(n + 3) + 3p2 ⇔ n = p3
=
1+p+p2 1+p+p2 +pk−1
p3
On devine que pour k piles consécutives, le résultat sera pk
.
Méthode C en utilisant un processus de Markov qui retient l’information
minimale nécessaire pour décider si l’événement désiré a eu lieu. Ici, ca
demande a inclure l’état final désiré, ainsi que tous ses préfixes.
Pour k = 3, on utilise une chaı̂ne de Markov sur l’espace {0P, 1P, 2P, 3P }, avec état
absorbant 3P (X(t) = nP signifie ici que la suite observée au temps t contient exacte-
ment n piles à la fin. Pour illustrer, voilà un exemple d’un expériment possible et de
l’évolution associée pour la chaı̂ne de Markov
( )
P F F P F P P P
0 1 0 0 1 0 1 2 3
 
q p 0
 
Soit Q = q 0 p la matrice des transitions entre les états transients 0, 1, 2. Le
q 0 0
vecteur m des trois espérances inconnues m = (x0 , x1 , x2 ) satisfait m = 1 + Qm =⇒
m = (I − Q)−1 1. La réponse est

1 1+p 1 + p + p2
x2 = , x 1 = , x 0 =
p3 p3 p3

8. Utilisons la chaı̂ne de Markov sur l’espace {0P, 1P, 2P, 3P }, avec état absorbant 3P .
Soit Q la matrice des transitions entre les états transients 0, 1, 2. Le vecteur φ des
fonctions génératrices des moments satisfait φ(z) = z(Qφ(z) + t). Rem : On peut
aussi trouver une formule générale pour m = φ′ (1). En différentiant le système, on
trouve φ′ (z) − zQφ′ (z) = Qφ(z) + t ⇒ (I − Q)φ′ (1) = Q1 + t = 1.
Dans le chapitre 8 on verra une solution plus simple, qui nous permettra de calculer
l’espace d’états du temps pour qu’un chimpanzé qui tape au hasard produise le mot ABRA-
CADABRA (et le pb. analogue pour produire Hamlet sera assigné en devoir maison).

7.6 Récurrences et équations différentielles linéaires

L’étude des marches aléatoires et des processus Markoviens ramène souvent à des
équations différentielles ou des récurrences linéaires. Le cas des coefficients constants est
assez simple, car toutes les solutions peuvent être construites à partir des solutions basiques
exponentielles erx . Comme le cas des équations différentielles à coefficients constants est très
bien connu, on rappelle ici seulement le cas de récurrences linéaires.

7.6.1 L’équation de récurrence linéaire à coefficients constants

Les deux équations de récurrence linéaire de deuxième ordre ci-dessous

aun+2 + bun+1 + cun = 0, (7.3) rec

avn+2 + bvn+1 + cvn = dn , (7.4) r1

68
sont appelées homogène et nonhomogène respectivement. L’équ
Si les coefficients a, b et c sont constants, on sait qu’ils existent des solutions de la forme
un = xn pour tout n ( fonctions exponentielles ). Pour trouver x on remplace xn en (7.3) et
on trouve que x doit satisfaire l’équation auxiliaire :

ax2 + bx + c = 0. (7.5) quad

Soient x1 et x2 les deux racines de l’équation de deuxième degré (7.5). On en déduit que la
solution générale de (7.3) est toujours de la forme
1. Si x1 ̸= x2
un = Axn1 + Bxn2 ,
2. Si x1 = x2 ,
un = Axn1 + Bnxn1 ,
avec des constantes A et B.
Dans les deux cas A et B doivent être déterminées à partir des conditions supplémentaires sur
la frontière. L’équation nonhomogène
La résolution du problème nonhomogène (7.4) comporte quatre pas :
1. Trouver une base pour l’espace vectoriel des solutions de l’équation auxiliaire homogène
(7.3), et donc la solution générale un pour cette équation.
2. Déterminer une solution particulière de (7.4), par exemple en utilisant une expression
≪essai≫ ṽn qui a la même forme générale que le membre droit dn ,, mais des coefficients

non déterminés. Par exemple, si dn est un polynôme d’ordre k, on essaie un polynôme

général d’ordre k.
3. Néanmoins, si votre expression d’essai a des termes qui sont inclus dans l’espace vec-
toriel des solutions de l’équation homogène obtenue au pas 1 (et donc qui vont être
annihilés par l’opérateur des différences), il faut multiplier l’expression d’essai par
n, n2 , ... jusqu’à ce qu’il n’y a plus des termes inclus dans cet’espace .
4. Après la décision de la forme d’essai, on trouve les valeurs des coefficients de ṽn à partir
de (7.4), par la méthode des coefficients non déterminés.
5. La solution générale de (7.4) est de la forme vn = ṽn + un . On trouve finalement les
coefficients encore non déterminés en un , en utilisant les conditions sur la frontière
pour vn .
Exemple 7.2 On considère l’ensemble E des suites (un )n∈N qui vérifient la relation sui-
vante :
3
(R) ∀n∈ N, un+2 + un+1 − un = 0.
2
1. Rechercher les suites géométriques qui vérifient cette relation (R).
2. On note r1 et r2 leurs raisons et on admet que E est un espace vectoriel de dimension
2, c.-à-d. toute suite de E s’écrit sous la forme
un = αr1n + βr2n , ∀n∈ N.
Soit (an ) la suite de E qui vérifie a0 = 1 et a1 = 0. Calculer an .

69
Exemple 7.3 On considère l’ensemble E ′ des suites (vn ) qui vérifient la relation :

3
(R′ ) ∀n∈ N, vn+2 + vn+1 − vn = 4n + 1.
2
1. On pose ∀n∈ N, un = an + b. Déterminer a et b pour que (un ) soit une solution
particulière de (R′ ).
2. Soit (vn ) une suite de E ′ .
(a) Pour toute suite (tn ) de E ′ on définit la suite (un ) par ∀n∈ N, un = vn − tn .
Vérifier que (un ) ∈ E.
(b) En déduire que ∀n∈ N, vn = αr1n + βr2n + an + b.
(c) Déterminer vn pour v0 = − 95 et v1 = − 26
9
.

Exemple 7.4 Obtenez les formules analytiques des suites décrites par les relations de
récurrence ci-dessous, et vérifiez-les en utilisant les premiers termes de la suite t2 , t3 .
1. ti = 2ti−1 + i − 1, t0 = 0
2. ti = 2ti−1 + 5 · 2i , t0 = 0
3. ti = 3ti−1 − 2ti−2 + 2, t0 = 0, t1 = 2
4. ti = 2ti−1 − ti−2 + 2, t0 = 0, t1 = 2

Solution :
1. C’est une équation nonhomogène, alors nous aurons :

ti = t̃i + A2i , t̃i = c1 i + c2 avec c1 i + c2 = 2(c1 i − c1 + c2 ) + i − 1

et alors c1 = 2c1 + 1 et c1 = −1
c2 = −2c1 + 2c2 − 1 et c2 = 2c1 + 1 = −1
t̃i = −i − 1 Finalement,
t0 = = 0 = −1 + A et A = 1
ti = −i − 1 + 2i

2. C’est une équation nonhomogène, alors :

ti = t̃i + A2i , t̃i = ci2i avec ci2i = 2(c[i − 1]2i /2) + 52i

et alors c = 5, ti = 5i2i + A2i et finalement,

t0 = = 0 = A et A = 0
ti = 5i2i

70
 3. C’est une équation de différences nonhomogène et l’équation quadratique attachée a
les racines 1, 2, alors nous aurons :

ti = t̃i + A1 2i + A2 , t̃i = ci avec ci = 3(ci − c) − 2(ci − 2c) + 2

et alors c = −2 et c2 = 2c1 + 1 = −1
t̃i = −i − 1 Finalement,
t0 = = 0 = −1 + A et A = 1
ti = −i − 1 + 2i

4. C’est une équation de différences nonhomogène dont les racines de l’équation quadra-
tique attachée sont confondues égales à 1 donc nous aurons :

ti = t̃i + A1 + A2 i, t̃i = c1 i + c2 avec c1 i + c2 = 2(c1 i − c1 + c2 ) + i − 1

et alors c1 = 2c1 + 1 et c1 = −1
c2 = −2c1 + 2c2 − 1 et c2 = 2c1 + 1 = −1
t̃i = −i − 1 Finalement,
t0 = = 0 = −1 + A et A = 1
ti = −i − 1 + 2i

7.6.2 La méthode des fonctions génératrices(*)

∑
Exercice 7.6 Calculez, par la méthode des fonctions génératrices : a) T (z) = n≥0 Tn z n ,
où
T0 = 0, Tn = 2Tn−1 + 1, n ≥ 1
∑
Trouvez Tn . b) Calculez T (z) = n≥0 Tn z n , où

T0 = 1, Tn = 2Tn−1 + n − 1, n ≥ 1

Trouvez Tn .

Sol : b) Par la méthode de décomposition des équations linéaires : Tn = 2n+1 − (n + 1). La

fonction génératrice de Tn est T (z) = 2/(1−2z)−1/(1−z)2 = (2z 2 −2z+1)/(1−2z)(1−z)2 . En
appliquant directement la méthode des fonctions génératrices à Tn = 2Tn−1 + n − 1 on trouve
l’équation : T (z) = 1+2zT (z)+z/(1−z)2 −(1/(1−z)−1) = 2zT (z)+(2z 2 −2z +1)/(1−z)2 ,
et on retrouve la même réponse. L’avantage de cette méthode plus compliquée est qu’elle
réussit parfois quand la première méthode échoue.
Exercice 7.7 a) Obtenez une formule explicite pour la suite décrite par la relation de
récurrence ci-dessous (et vérifiez-la en utilisant les premiers termes de la suite)

Tn = 4Tn−1 − 3Tn−2 + n, n ≥ 1, T0 = a, T−1 = 0 (7.6)

∑
b) Calculez la fonction génératrice T (z) = n≥0 Tn z n c) (*) Obtenez la fonction génératrice
T (z) directement, en appliquant la méthode des fonctions génératrices à l’équation (7.6).

71
Sol : a)
1
(a + 3/4) 3n −(3 + 2n)
4
a + 3/4 1/4 1/2 a(z − 1)2 + z
− − =
1 − 3z 1 − z (z − 1)2 (z − 1)2 (3z − 1)
Exercice 7.8
a) Obtenez une formule explicite pour la suite décrite par la relation de récurrence ci-dessous
(et vérifiez-la en utilisant les premiers termes de la suite)
Tn = 2Tn−1 − Tn−2 + 2, n ≥ 2, T0 = T1 = 0 (7.7)
∑
b) Calculez la fonction génératrice T (z) = n≥0 Tn z n c) Obtenez la fonction génératrice T (z)
directement, en appliquant la méthode des fonctions génératrices à l’équation (7.7)
∑
Exercice 7.9 a) Obtenez la fonction génératrice T (z) = n≥0 Tn z n pour la récurrence
Tn = λTn−1 + λ2 Tn−2 , n ≥ 2, T0 = 1, T1 = λT0 (7.8)
b) Calculez (directement, ou par développement limité) les premiers termes, et vérifiez qu’ils
sont des combinaisons linéaires de puissances des racines caractéristiques.
Exercice 7.10 a) Obtenez une formule explicite pour la suite décrite par la relation de
récurrence ci-dessous (et vérifiez-la en utilisant les premiers termes de la suite)
Tn = 4Tn−1 − 3Tn−2 + 2, n ≥ 2, T0 = T1 = 0 (7.9)
∑
b) Calculez la fonction génératrice T (z) = n≥0 Tn z n c) (*) Obtenez la fonction génératrice
T (z) directement, en appliquant la méthode des fonctions génératrices à l’équation (7.10).
Solution :
1. a)
1 n
Tn = (3 − 1) − n
2
b)
1 1 z 1 1 1 2z 2
T (z) = − − = + − =
2(1 − 3z) 2(1 − z) (1 − z)2 2(1 − 3z) 2(1 − z) (1 − z)2 (1 − z)2 (1 − 3z)
La dernière expression peut être obtenue directement, à partir de la récurrence.
Exercice 7.11 a) Obtenez une formule explicite pour la suite décrite par la relation de
récurrence ci-dessous (et vérifiez-la en utilisant les premiers termes de la suite)
Tn = 4Tn−1 − 3Tn−2 + n, n ≥ 1, T0 = a, T−1 = 0 (7.10)
∑
b) Calculez la fonction génératrice T (z) = n≥0 Tn z n c) (*) Obtenez la fonction génératrice
T (z) directement, en appliquant la méthode des fonctions génératrices à l’équation (7.10).
Solution : a)
1
(a + 3/4) 3n − (3 + 2n)
4
b)
a + 3/4 1/4 1/2 a(z − 1)2 + z
− − =
1 − 3z 1 − z (z − 1)2 (z − 1)2 (3z − 1)

72
7.7 Exercices
1. La marche paresseuse : Soit Xn = X0 + Z1 + Z2 + · · · + Zn une marche aléatoire
sur Z, avec (Zn ) une suite de variables aléatoires réelles indépendantes de même loi
P [Zn = 1] =p, P [Zn = −1] =q et P [Zn = 0] =1- p-q, avec 0 < p + q < 1. Pour tout
x de N, on note par Ex l’espérance en commençant de x (conditionnant sur X0 = x).
Nous arrêtons le processus au temps d’arrêt T auquel le processus sort de l’intervalle
[0, K] pour 0 < K donnés.
(a) Classifiez les pbs suivantes px = Px {XT = K}, fx = Ex [XT ], gx = Ex [XT2 ],
∑ ∑
tx = Ex T, cx = Ex [ T0 −1 Xt ], et dx = Ex [ T0 −1 Xt2 ] comme des pbs de prix final
ou de coùt accumulé. Quelles sont les équations de récurrence et les conditions
frontière correspondant à chaque pb ?
(b) (*) Obtenez l’équation de récurrence et les conditions frontière satisfaites par
wx = Ex aT .
(c) Rappeler les étapes principales de la résolution des équations de récurrence avec
coefficients constants qui en résultent pour a) px , b) fx , c) tx , et d) cx , dans les
deux cas possibles p < q et p = q < 1/2. Donner les réponses finales dans le cas
p = q < 1/2.
2. Calculer les probabilités de ruine px , x ∈ N, pour une { marche sur les nombres }
naturels, avec la distribution de chaque pas donnée par : p1 = 67 , p−1 = 0, p−2 = 17 .
Vérifier la positivité du résultat.
3. On lance une pièce de monnaie biaisée, avec la probabilité de sortir face égale à q
et celle de sortir pile égale à p = 1 − q. Soit N le nombre de jets jusqu’à ce
qu’on obtient une suite pile-face (arrivées consécutivement), en incluant le dernier.
Trouvez l’espérance n = E[N ]. Indication : On peut utiliser un processus de Markov
qui retient l’information minimale nécessaire pour décider si l’événement désiré a eu
lieu (et qui contient dans ce cas quatre états).
4. Des femmes et des hommes arrivent dans un magasin, après des temps fixes, unitaires.
Chaque instant, une femme arrive avec probabilité λF , ou un homme arrive avec pro-
babilité λH , ou il n’y a pas d’arrivée, avec probabilité q = 1 − λF − λH . a. Trouver
la probabilité qu’une femme entre avant un homme. Indication : Conditionnez sur le
premier instant, ou sur le nombre d’instants sans arrivées. b. Trouver la probabilité
que deux femmes entrent avant un homme. c. Quelle est la probabilité qu’au moins
deux hommes soient entrés consécutivement, avant que trois femmes ne
soient entrées consécutivement Indication : Considèrez un processus de Markov
sur l’espace des états : (H1, H2, H3, ...) ∪ (F 1, F 2, F 3, ...), qui enregistre la longueur
k du nombre des clients k ∈ {1, 2, ...} du même sexe entrés consécutivement jusq’au
temps t, et leur sexe (H/F) ; formulez des équations d’arrêt pour les états d’arrêt in-
diqués.

Solution :
1. (a,b) Soit (Gf )x = p (fx+1 − fx ) + q (fx−1 − fx ) (formellement, la même expression
comme dans le cas ≪non paresseux≫, sauf que maintenant p + q < 1. Les équations

73
 sont respectivement :

(Gp)(x) = 0, pK = 1, p0 =0
(Gf )(x) = 0, fK = K, f0 =0
(Gg)(x) = 0, gK = K 2 , d0 =0
(Gt)(x) + 1 = 0, tK = 0, t0 =0
(Gc)(x) + x = 0, cK = 0, c0 =0
(Gw)x + [1 − a−1 ]wx , wK = 1, w0 =1

Ces sont exactement les mêmes équations comme pour une marche non paresseuse,
sauf que l’opérateur est différent.
[c ] Pour px et fx on obtient donc les mêmes équations comme pour une marche
symétrique avec p = 1/2, par exemple :

2ppx = ppx+1 + ppx−1 for any 1 ≤ x ≤ K − 1

pK = 1, p0 = 00

et donc les mêmes réponses px = Kx , fx = K 2 Kx = xK.

[d ] Pour tx = Ex [T ] [temps de sortie espéré] on trouve :

0 = ptx+1 − [p + q]tx + qtx−1 + 1 for any 1 ≤ x ≤ K − 1

tK = 0, t0 = 0
x
Soit t0 (x) = q−p
une solution particulière qui satisfait t0 (0) = 0. La solution est
tx = t0 (x) − t0 (K) h(K)
h(x)
où h(x) = 1 − (q/p)x est une solution homogène satisfaisante
h(0) = 0. Pour K = ∞, q > p on obtient t(x) = t0 (x). Pour cx on trouve :

0 = pcx+1 − [p + q]cx + qcx−1 + x for any 1 ≤ x ≤ K − 1

cK = 0, c0 = 0
x2 x(q+p)
Soit c0 (x) = 2(q−p)
+ 2(q−p)2
une solution particulière qui satisfait c0 (0) = 0. La
solution est cx = c0 (x) − c0 (K) h(K)
h(x)
où h(x) = 1 − (q/p)x est une solution homogène
satisfaisant h(0) = 0. Pour K = ∞, q > p on obtient c(x) = c0 (x).
Remarque : Le fait que les équations sont identiques pour ces deux marches [pares-
seuse et non-paresseuse] n’est pas une coı̈ncidence. En fait, il s’avère que les réponses
obtenues sont les mêmes por n’importe quel processus Markovien homogène, si on
défini l’opérateur de la façon juste. Donc, la réponse pour tous les problèmes concer-
nant espérances variable aléatoire impliquer un seul opérateur G [seulement les condi-
tions frontière et la partie non homogène changent d’un problème à l’autre]- en fait, la
famille des processus aléatoires Markoviens est isomorphe à une famille d’opérateurs
déterministes. En plus, la structure des réponses en fonction de G est la même pour tous
les processus aléatoires Markoviens, malgré leur diversité ; c’est un fait remarquable,
qui démontre la puissance de ce concept.

74
2. Les probabilités de ruine satisfont px = 67 px+1 + 17 px−2 , x ∈ N. Elles sont des combinai-
sons de puissances ρx , avec ρ une racine de
6 3 1 6 1 1 6
ρ − ρ2 + = (ρ − 1)( ρ2 − ρ − ) = (ρ − 1)(ρ − 1/2)(ρ + 1/3)
7 7 7 7 7 7
px = A1 ( 12 )x + A2 ( −1
3
)x satisfait p0 = p−1 = 1 ssi A1 = 4/5, A2 = 1/5.
3. Considerons le processus de Markov sur des états spécifiant les deux derrières résultats
possibles : {P F }, {∗P }, {P c F }, ∅. Les deux inconnues x1 = x{∗P } , x2 = x{P c F } satis-
font :
x1 = 1 + px1 + q ∗ 0, x2 = 1 + px1 + q ∗ x2 q ⇔ x1 = q −1 , x2 = x1 + p−1 = q −1 + p−1

4. (a) La probabilité pF satisfait

λF
pF = λF = +qpF ⇔ pF =
λF + λH
(b) p2F
(c) Considerons la chaı̂ne de Markov en temps discret qui enregistre la longueur
du nombre des clients du même sexe entrés consécutivement et le type, ayant
comme espace des états les suites (H1, H2, H3, ...) ∪ (F 1, F 2, F 3, ...). En prenant
en considération seulement les temps quand la chaı̂ne saute, pn a une marche
aléatoire qui ”avance” sur les hommes/femmes a.p. pH = 1 − pF et pF , et ”change
de sexe” autrement. Par exemple, si λF = 2λH , les deux probas sont pH = 31 , pF =
2
3
. En dénotant par xi , yi la probabilité de notre événement en partant d’une suite
des i femmes hommes, il faudra résoudre :
y1 = pH + pF x1
x1 = pH y1 + pF x2
x2 = pH y1
∑k
Generalisant pour m hommes et n femmes et posant SF,k = piF , SH,k =
∑k i
i=1
i=1 pH , nous trouvons

pm−1
H pm
H SF,n−2
y1 = , x1 =
1 − pH pF SH,m−2 SF,n−2 1 − pH pF SH,m−2 SF,n−2
et finalement
pm
H (1 + pF SF,n−2 ) pmH SF,n−1 )
pH y1 + pF x1 = =
1 − pH pF SH,m−2 SF,n−2 1 − pH pF SH,m−2 SF,n−2
Pour m = 2, n = 3, on trouve :
pH p2H (1 + pF )
y1 = , x1 =
1 − pH pF (1 + pF ) 1 − pH pF (1 + pF )
et
p2H (1 + pF + p2F )
pH y1 + pF x1 =
1 − pH pF (1 + pF )

75
 Chapitre 8
ch:Mart Martingales

Les martingales sont une famille des processus stochastiques, inspirée par la théorie des
jeux, qui a trouvé des applications dans plusieurs branches des probabilités. Le terme désigne
dans la théorie des jeux une stratégie permettant de gagner à coup sùr dans un jeu équitable
(comme le pile ou face). Pour la martingale mathématique, on se place dans un espace
probabilisé (Ω, A, P ), avec une suite des variables Xn , n ∈ N, qui représente la fortune d’un
joueur au temps n, et une deuxième suite Yn , n ∈ N, qui représente des informations acquises
au temps n. Par exemple, Yn pourrait être la mise du jeu n, et alors
∑
n
Xn+1 = X0 + Yk = Xn + Yn+1
k=1

Si Yi sont i.i.d., alors on est dans le cadre des probabilités classiques, mais justement
les martingales généralisent ce cadre considérablement (les mises peuvent dépendre de
≪l’information du passé≫ Fn = σ(Y1 , Y2 , ..., Yn )). Un jeu est caractérisé par la suite
E[Xn+1 |Y1 , Y2 , ..., Yn ] = E[Xn+1 |σ(Y1 , Y2 , ..., Yn )] = E[Xn+1 |Fn ]. Il est appelé martingale
(ou jeu juste) si E[Xn+1 |Fn ] = 0, ∀n.
Exemple 8.1 Prenons un exemple de jeu dù à D’Alembert : on parie x euros sur pile. Si
la pièce tombe sur pile, on ramasse 2x euros (soit un gain de x euros), et si elle tombe sur
face, on perd tout. A chaque coup, on est libre de se retirer ou de continuer à jouer. Une
stratégie gagnante à coup sùr est la suivante : au 1er coup, on mise 1 euro : si on gagne, on
se retire (et on empoche 1 euro) ; sinon, on continue (et on a perdu 1 euro). au 2ème coup,
on double la mise, 2 euros : si on gagne, on se retire, et on a gagné 2-1=1 euro. Sinon on
continue, on a perdu 2+1=3 euros. au 3ème coup, on double encore la mise, en jouant 4
euros. Si on gagne, on se retire, avec en poche un gain de 4-3=1 euro. Sinon, on continue
la partie, et on double au coup suivant la mise, etc. La théorie des martingales modélise en
théorie des probabilités le concept de jeu équitable (ou juste), en stipulant que l’espérance
du gain doit être 0 à chaque mise. Remarquons que notre exemple est un jeu juste. Mais,
comme pile variable aléatoire bien finir par tomber, on est sùr de finir par gagner 1 euro (à
condition d’avoir une fortune infinie). Cela contredit l’intuition ≪qu’un ne peut pas gagner
contre un jeu juste≫, qui est formalisée dans un théorème qui affirme que si un joueur a
une fortune initiale finie, il n’existe pas de stratégie pour gagner à coup sùr, dans un jeu
juste et ≪raisonnable≫. On verra plus tard comment définir ≪raisonnable≫ ; pour l’instant,
remarquons que si pile met du temps a sortir, il variable aléatoire falloir miser beaucoup
( si la pile sort qu’au 8è tirage, alors on aura déjà misé 1+2+4+8+16+32+64+128=255
euros, et tout cela pour gagner 1 euro). La théorie des martingales jettera de la lumière sur
ce paradoxe de ≪gagner dans un jeu juste≫, sans avoir aucun capital.
Rapellons les définitions de base de la théorie des martingales.

76
Définition 8.1 Une filtration est une suite croissante (au sens de l’inclusion) (Ft )t∈T de
sous-tribus de A, où T est un ensemble ordonné (muni d’une relation d’ordre).
Définition 8.2 Un processus Xt est dit adapté à une filtration (Ft ) si Xt est (Ft )- mesu-
rable pour chaque t. La notation est Xt ∈ Ft .
Définition 8.3 Un jeu est une paire formée par une filtration Ft et par une suite des variable
aléatoire Xt ∈ Ft .

Intuitivement, les tribus Ft , t ∈ T modélisent ≪‘l’évolution de l’information≫’ disponible

jusqu’au temps t, et Xt représentent la valeur d’un jeu, comme perçue au temps t. Par
exemple, si la filtration F0 , F1 , ..., F4 est formé par les 5 étapes d’un jeu de poker Texas
hold’em, les variables indicatrices I0 , I1 , ..., I4 dont la valeur est 1 si un joueur donné gagne
sont adaptés à la filtration. Nous allons introduire maintenant trois catégories des processus
stochastiques, l’importance desquelles peut être comparée à celles des fonctions constantes,
croissantes et décroissantes, dans le calcul déterministe.
Définition 8.4 Une suite des variable aléatoire Xt ∈ Ft , Xt ∈ L1 (dP ) est appelée
{
=
ssi E[Xt′ /Ft ] ≤ Xt , quand t′ > t.
≥
Définition 8.5 Martingales en temps discret. Soit (Yn )n∈N une suite de variables
aléatoires réelles définies sur (Ω, A, P ), intégrables, indépendantes et centrées. Pour tout
n de N , la suite de tribus : Fn = σ (Y0 , Y1 , ..., Yn ) est une filtration. Une suite (Xn ) ∈
(Fn )n∈N , n ∈ N de variables aléatoires réelles intégrables est une martingale en temps dis-
cret par rapport à (Fn ) si elle vérifie :
∀n ∈ N , E (Xn+1 | Fn ) = Xn .
Exemple 8.2 Martingale ≪additive≫=Somme de variables aléatoires indépendantes de moyenne
0. Si (Yn )n∈N est une suite de variables aléatoires intégrables, indépendantes et centrées, alors
la suite des sommes :
Xn = Y0 + Y1 + · · · + Yn
est une martingale ≪additive≫ par rapport à la filtration Fn = σ (Y0 , Y1 , ..., Yn ) . Bien en-
tendu, si les Yi ne sont pas centrées, mais de moyenne a alors (Xn −na)n est une martingale.

Exemple 8.3 Martingale multiplicative=Produit de variables aléatoires indépendantes de

moyenne 1. Si (Yn )n∈N est une suite de variables aléatoires intégrables, indépendantes avec
moyennes 1, alors la suite des produits :
∏
n
Xn = Y0 × Y1 × · · · × Yn = Yk
k=0

est une martingale ≪multiplicative≫ par rapport à la filtration Fn = σ (Y0 , Y1 , ..., Yn ) . En

effet, prenant espérance conditionnelle de la formule récursive Xt+1 = Xt Yt+1 donne :
E[Xt+1 |Ft ] = E[Xt Yt+1 |Ft ] = Xt EYt+1 = Xt
où les Yi ne sont pas de moyenne , , 1 mais de moyenne a ̸= 0, on
Là aussi, dans le cas ∏
considérera Xn = a−n nk=0 Yk .

77
 {
α + βXn a.p. Xn
Exemple 8.4 Soit Xn+1 = βXn a.p. 1 − Xn , où X0 , α, β ≥ 0. Montrer que Xn
est une sur/sous/martingale dans les cas α + β ≤ 1, α + β = 1, α + β ≥ 1. R : Ecrivons
Xn+1 = βXn + αBn+1 , n ≥ 0, X0 = x où Bn , n ≥ 1 sont des v.a. i.i.d. avec loi de Bernoulli
B(p), avec p = Xn . Soit Fn = σ(B1 , B2 , ..., Bn ) = σ(X1 , X2 , ..., Xn ). Alors,
E[Xn+1 |Xn ] = βXn + αXn = (β + α)Xn
Rem : Il est interessant de investiguer la convergence de Xn dans les cas α+β ≤ / =≥ 1.
∑
Exercice 8.1 Martingales de Wald. Soit Xt = x + ti=1 Zi , avec Zi i.i.d.
a) Trouver les valeurs de θ pour les quelles θXt est une martingale. Donnez ces valeurs
quand Zi = ±1, avec probas p, q.
b) Trouver les valeurs de γ pour les quelles eγXt est une martingale.
∑
Exercice 8.2 Martingale exponentielle. Soit Xt = x + ti=1 Zi , avec Zi i.i.d.
Comment choisir κ = κ(γ) tel que eγXt −κt soit une martingale ?

Exercice 8.3 Martingale obtenue par filtrage

On se donne ζ ∈ L1 (Ω, F, P) et une filtration (Fn )n . Pour tout n ≥ 0, on pose

E(ζ|F∞ ) = ζn

Montrer que (ζn )n est une martingale.

Exercice 8.4 Soit (Xn )n∈N une martingale par rapport à une filtration (Fn )n∈N . Soient m
et n deux entiers positifs tels que m < n , calculer E ((Xm+1 − Xm ) (Xn+1 − Xn )) .

ex:Ds Exercice 8.5 a) Montrer qu’une martingale additive ou multiplicative en temps discret
Xn (satisfaisant E[Xn+1 |Fn ] = Xn )) satisfait aussi :

E[Xn+k |Fn ] = Xn , ∀k ≥ 1,

où Fn = σ(X1 , . . . Xn ) est l’information au temps n.

b) Montrer que la même conclusion est vraie pour chaque martingale en temps discret.
c) Montrer que les martingales ont espérance constante, i.e.

E[Xn+1 ] = E[Xn ] = ... = E[X1 ] = E[X0 ].

Sol : a) Ce cas est très facile, car pour les martingales additives et multiplicatives, les
espérances conditionnelles se réduisent a des espérances non conditionnelles. En effet

∑
k
E[Xk+n |Fn ] = E[Xn + Zn+i |Fn ]
i=1
∑
k
= Xn + E[ Zn+i ] = Xn
i=1

Le cas des martingales multiplicatifs est similaire.

b) On a besoin de la loi ET généralisé (prop. (8))

E[E[X|B]|C] = E[X|C] siC ⊂ B (8.1) cl

78
 Pour k = 2 par exemple :
E[Xt+2 |Ft ] = E[E[Xt+2 |Ft+1 ]|Ft ] = E[Xt+1 |Ft ] = Xt
Alternativement, on peut utiliser l’idée de la démo du cas additif, car on peut toujours
décomposer une martingale comme une somme des ≪différences de martingale≫ Zi :
∑
k
Xt+k = Xt + Zt+i ,
i=1

tq Xt ∈ Ft =⇒ Zt ∈ Ft , et E[Zt+1 |Ft = 0. Prenant espérance conditionnelle :

∑
k
E[Xt+k |Ft ] = E[Xt + Zt+i |Ft ]
i=1

et il nous reste à montrer E[Zt+i |Ft ] = 0, ∀i ≥ 2. On procède par récurrence. Pour obte-
nir le résultat pour j + 1, on conditionne sur l’information supplémentaire au temps t + j
E[Zt+j+1 |Ft ] = E E[Zt+j+1 /Ft , Ft+j ]] = E[E[Zt+j+1 |Ft+j ]|Ft ] = E[0] = 0 
∑
Interprétation : Une somme X(t) = ti=1 Zi , où Zi = ui , li a.p. pi , qi , peut être vue
comme les gains cumulés d’un joueur qui mise Zi au temps i. Si le jeu est ≪juste≫ au sense
que EZi = 0, alors il est évident que
EXt = EX0 , ∀t
. Outrement dit, le joueur qui s’arrête a un temps fixe ne peut pas améliorer l’espace d’états
de ses gains cumulés juste en variant les mises Zi (tant que EZi = 0).
Question 4 Il se pose alors la question si des mises plus sophistiquées, conditionnées par le
passé, ou d’autres stratégies d’arrêt T, par exemple T = min(TL , TK ), peuvent améliorer
ses chances. Mais, cf. le problème de la ruine du joueur concernant la marche symmétrique
simple, on sait que le temps d’arrêt T = min(TL , TK ) ne peut améliorer l’espace d’états des
gains futurs non-plus.
R : La reponse est fourni par le théorème d’arrêt de Doob, qui, dans sa version ”offi-
cieuse”, nous assure que la relation
E[ST ] = S0
reste vraie encore pour des temps d’arrêt T aléatoires arbitraires, mais ≪raisonnables≫ (ayant
par exemple espérance finie, ou qui assurent des pertes cumulées bornées). C’est une des
applications les plus importantes des martingales.
Com Exercice 8.6 Soit Xt les gains d’un joueur qui mise Yi = ±1, avec pi = qi = 21 , dans les
limites [0, B].Calculer, en supposant que le théorème d’arret des martingales est applicable :
a) l’espérance des gains v(x) = Ex XT b) la probabilité de gagner p(x) = Px [XT = B].
Sol : a) L’application du théorème d’arret a la martingale Xt donne
v(x) = Ex XT = X0 = x
b)
Ex XT = Ex X0 = x = K Px {XT = K} + L (1 − Px {XT = K}) = x,
et donc
(x − L)
px = Px {XT = K} = .
(K − L)

79
 8.1 Le théorème d’arrêt des martingales de Doob
Nous allons présenter maintenant une des applications les plus importantes des martin-
gales, inspirée par la théorie des jeux.
Tenant compte du fait que pas tous le temps d’arrêt T garantissent l’applicabilité du
théorème d’arrêt de Doob (voir par exemple section 8.3), il est naturel de considerer d’abord
des ”temps tronqués” T ∧n0 pour n0 fixe. Nous allons montrer que pour ces temps le théorème
d’arrêt est toujours applicable (Corollaire 8.1), en passant par un resultat plus fort, qui nous
assure que le processus obtenu en regardant une martingale aux temps d’arrêt tronqués
progressivement est aussi une martingale.
t:os Théorème 8.1 Théorème des processus arrêtés Si X est une martingale (respecti-
vement sur-martingale, sous-martingale) et T un temps d’arrêt, alors la processus arrêté
X T = (XT ∧n )n≥0 est aussi une martingale (resp. sur-martingale, sous-martingale). En par-
ticulier, on a pour tout entier n,
E(XnT ) = E(XT ∧n ) = E(X0 ), (resp. ≤, ≥)

Remarque 8.1 Ce théorème dit en outre que pour tout n ∈ N , XT ∧n est dans L1 . Il ne
suppose aucune condition sur le temps d’arrêt.

Démonstration. Démonstration du théorème de sur-martingales arrêtées On a juste à

montrer le théorème pour X surmartingale puisque X sous-martingale équivaut à −X
sur-martingale et X est une martingale ssi c’est à la fois une sur-martingale et une sous-
martingale.
1) XT ∧n est Fn -mesurable car
∑
n−1
XT ∧n (ω) = Xk (ω)1T (ω)=k + Xn (ω)1{T (ω)≥n}
k=0

C’est une somme de variables aléatoires Fn -mesurables.( )

∑n−1
2) Pour tout n ∈ N , XT ∧n est intégrable car |XT ∧n | ≤ k=0 |Xk | + |Xn |.
3)On a :
∑
n−1
E(XT ∧n |Fn−1 ) = E(Xk 1T =k |Fn−1 ) + E(Xn 1T ≥n |Fn−1 )
k=0
∑
n−1
= 1T =k E(Xk |Fn−1 ) + 1T ≥n E(Xn |Fn−1 )
k=0
∑
n−1
≤ 1T =k Xk + 1T ≥n Xn−1 = XT ∧n−1
k=0


c:Ds Corollaire 8.1 Si (Xn )n est une martingale et si T est un temps d’arrêt alors pour tout
entier n, on a
E(XT ∧n ) = E(X0 )
Remarque 8.2 Cette propriété généralise EXn = X0 , ∀n (qui est une conséquence immédiate
de la définition des martingales).

80
 A-t-on aussi E(XT ) = E(X0 ) ? Un contre-exemple, approfondi en section 8.3, est le
suivant. Soit (Xn )n une marche aléatoire telle que X0 = 0 et E(Xn+1 − Xn ) = 0. (Xn )n est
une martingale. Soit T = inf{n ∈ N ; Xn = 1} le temps d’entrée en 1. On voit que c’ést un
temps d’arrêt (par rapport à la filtration naturelle de X). Pourtant, on a

E(XT ) = 1 ̸= E(X0 ) = 0
Remarque 8.3 Le théorème 8.1 est la version la plus simple du fameux théorème d’arrêt
des martingales, et peut être aussi utilisé comme pas intermédiaire pour le démontrer.
Remarque 8.4 Comme il n’existe pas des conditions nécessaires et suffisantes simples
qui assurent la validité du théorème d’arrêt des martingales, nous donnons ci-dessous une
réunion des plusieurs versions intéressantes (prises des livres de Williams, Grimmett et
Ross).

Théorème 8.2 (Théorème d’arrêt des martingales) Si St , t ≥ 0 est une martingale

par rapport à une filtration Fn , Xt = St − St−1 , t ≥ 1 sont les différences de martingale, et
T est un temps d’arrêt ({T = n} ∈ Fn ), alors

E[ST |F0 ] = S0
dans chacun des cas suivants :
1. T < C, où C est une constante.
2. {
max{1<t<T } |Xt | ≤ C, ou
ET < ∞,
max{1<t<T } E[|Xt |Ft−1 ] ≤ C
où C est une constante.
3.

max{1<t<T } |St | ≤ C, ou
P [T < ∞] = 1 ⇔ P [T = ∞] = 0,

E|ST | < ∞, limn→∞ E[Sn 1IT>n ] = 0

où C est une constante.

Remarque 8.5 Les trois cas sont rangés dans ordre croissante des demandes sur St , et
diminuante sur T .
Le plus général est le dernièr cas (où le jeu fini sûrement), et son deuxième sous-cas
illustre le fait que c’est en fait le couple (T, ST ) qui doit etre ”raisonnable ensemble”.

Exercice 8.7 Demontrer le cas 3 b), en utilisant la décomposition :

ST = Smin[T,n] + (ST − Smin[T,n] )1IT >n ,

avec n → ∞, et le cas 1.
Exercice 8.8 Comment peut on justifier l’application du théorème d’arret des martingales
dans l’exercice 8.6 ?
Remarque 8.6 Sur un intervalle fini, ce genre des problèmes peut etre résolu facilement à
partir de l’équation des différences obtenu par conditionnement sur le premier pas, qui est
ici :
1 1
vx = vx+1 + vx−1 , v0 = 0, vK = K.
2 2

81
Sol : L’application pourrait etre justifié par les cas 2) ou 3) du théorème d’arret. En effet,
les conditions que les gains |Xt | ≤ max(|L|, K) et les mises sont bornées sont évidentes. Par
contre, les conditions Ex T < ∞ et P[T < ∞] = 1 demandent plus de travail.
1. Le calcul direct. La meilleure justification ici est de passer à une autre méthode, car
pour les marches aléatoires sur un intervalle fini on obtient facilement

Ex [T] = (K − x)(x + L) < ∞,

en resolvant le système obtenu par conditionnement sur le premier pas.

2. La théorie spectrale Perron-Frobenius (Perron Frobenius) des matrices
sous-stochastiques (ou des chaı̂nes de Markov finies, absorbés). Une deuxième
justification possible, beaucoup plus générale, est de citer le fait que la probabilité
P[T = ∞] qu’une chaı̂ne de Markov finie reste pour toujours dans les états transients
est 0 (c’est une consequence du théorème Perron-Frobenius (de Perron Frobenius) en
analyse).
3. Les astuces. Si le calcul direct de Ex T n’est pas faisable, et si on n’est pas satisfait de
citer Perron-Frobenius, on offre parfois des solutions probabilistes directes, comme par
l’astuce ”donnons du temps au temps” de Brzezniak, Example 3.7. Notons par contre
que cette solution, bien que intéresante conceptuellement, devrait etre evitée dans des
cas simples comme celui ci, car elle demande beaucoup d’effort !

Exemple 8.5 Le modèle Wright-Fisher Il s’agı̂t de modéliser l’évolution de la fréquence

d’une gène A dans une population de taille finie N . On suppose que le nombre Xn+1 des
gènes A au moment n + 1 a la loi BinN,pXn où px = Nx , si Xn = x. Ainsi :
( )
N j
pij := P [Xn+1 = j|Xn = i] = p (1 − pi )N −j
j i

Montrer que :
1. Xn est une martingale.
2. On observe ”une population Wright-Fischer” jusqu’au moment T = min(T0 , TN ).
Quelle est la probabilité fi que la fréquence espéré de la gene speciale sera finalement
1?

Sol : a) E[Xn+1 /Xn ] = NpXn = Xn . b) fi = Ni . Comme dans l’exemple précedént, l’appli-

cation du théorème d’arret peut etre justifié par les cas 2) ou 3). La seule différence est
que Ex T n’est pas facile a obtenir, car le conditionnement sur le premier pas ramène à une
équation de différences avec N termes ! On est donc obligés de citer Perron-Frobenius.

8.2 La martingale interdite

The doubling martingale strategy. We examine now the strategy which gave mar-
tingales their names (nowadays outlawed in casinos). A gambler with no initial capital has
as goal to win 1 pound. His first bet is s1 = 1 pound. If he loses, he bets whatever it takes
to bring him up to 1 pound (s2 = 2 pounds at the second bet, s3 = 4 at the third, and
in general sn = 2n−1 on the n′ th bet. The stopping time is T1 . We note immediately that

82
 this strategy creates a dollar out of nothing and does not satisfy le théorème d’arret des
martingales, c.-à-d.
E0 XT1 = 1 > 0!!
We examine now les conditions du théorème d’arret des martingales. It is easy to check that
∑
pk = P[T = k] = 2−k , k = 1, 2, ... and thus both condition 1 a) (that k pk = 1) and condition
∑
2 a) (that ET = k k pk = 2 < ∞) are satisfied. However, neither the cumulative fortune,
nor the stakes are bounded, since the loss may double its value an arbitrary number of times
and of course the gambling time does not have to be bounded. Thus, neither condition 1 b)
nor 2 b) are satisfied. Notice that this strategy seems quite efficient for the gambler (a sure
win in a number of steps with expectation 2!). Also, practically, it seems at first safe for the
bank too, since in practice the gamblers will have to limit the time they gamble by some
finite number n, and then le théorème d’arret des martingales will apply (by any of the three
conditions !). Note that the possible loss after the n′ th bet is −2n + 1. The 0 expectation of le
théorème d’arret des martingales means in practice roughly that the winnings of 2n successful
martingale gamblers will be outset by the huge loss of one misfortunate ; the fear that this
loss will not be honoured is what lead to the outlawing of this strategy. More precisely, if
all martingale gamblers bound their losses at L = −2n + 1, then we are allowed to apply le
théorème d’arret des martingales, and find as usual that the fraction of winning martingale
= 2 2−1 is very close to 1. The fraction of losers 1 − p0 = 2−n is very small,
L n
gamblers p0 = 1+L n

but the potential loss is huge 2n − 1, averaging thus to 0. When L → ∞ the bad second
case somehow disappears by indefinite postponement) ! Note : The expected duration may
also be found to be t0 = E0 T = 2 − 2−n by setting up a corresponding difference equation,
for example. Donc, ici c’est St plutôt qui invalide la conclusion du théorème d’arret des
martingales.

Remarque 8.7 While the assumptions of le théorème d’arret des martingales may look
at first technical, they have however a clear meaning : by using ”reckless” strategies (with
unbounded stakes or borrowing) for very long times, a gambler may ”beat” the odds, as
illustrated by the doubling strategy, originally called ”martingale”, which gave this field its
name.

8.3 La marche aléatoire simple symétrique, sur un in-

s:mas tervalle infini
Soit (Zn ) une suite de Bernoulli de paramètre 1/2, Sn = Z1 + . . . + Zn , Fn =
σ(Z1 , . . . , Zn ) = σ(S0 , . . . , Sn ), et T = inf{n ≥ 0; Sn = 1}. Ici, la conclusion du théorème
d’arrêt pour la martingale Sn est fausse, car E0 [ST ] = 1. Comme les mises sont finies et le
cas 2) ne s’applique pas, il suit que E0 [T] = ∞ !
On verra maintenant que P0 [T = ∞] = 0 (mais comme les pertes possibles sont infinies,
le cas 3) ne s’applique non plus). Nous allons calculer la distribution de T , en utilisant la
martingale exponentielle de moyenne 1
( )n ( )n
1 1
Mnθ = exp(θSn ) = exp(θSn )
E[eθZ. ] cosh θ

(les martingales de Wald sont les cas particuliers obtenus en choisissant θ tq E[eθZ. ] = 1].

83
 Pour tout n ∈ N , considérons la martingale arrêtée en T MTθ ∧n . On a :
( )T ∧n 
1
E(MTθ ∧n ) = 1 = E  exp(θST ∧n )
cosh θ

Soit θ > 0. On remarque que la martingale arrêtée est bornée uniformément par (cosh θ)−1 ,
et que P presque sùrement,

eθ
lim MTθ ∧n = 1{T <∞}
n→∞ (cosh θ)T

[car sur {T = ∞}, le processus St avec ”taboo” d’entrer les nombres positives, converge vers
−∞, et la martingale arrêtée converge vers 0 pour θ > 0]. Donc d’après le théorème de
convergence dominée, [ ]
1
E 1{T <+∞} T
= e−θ
(cosh θ)
En faisant tendre θ vers 0 et en utilisant le théorème de convergence monotone, on déduit
que P(T < +∞) = 1. On peut donc oublier l’indicatrice dans l’égalité précédente. Effectuant
alors le changement de variables α = 1/ cosh(θ), on obtient

1[ √ ]
E(αT ) = 1 − 1 − α2
α
En particulier, on a
( )
1/2 (2m − 1)!!
P(T = 2m) = 0 et P(T = 2m + 1) = (−1) m+1
= m+1
m+1 2 (m + 1)!

Exercice 8.9 La marche aléatoire simple asymétrique, sur un intervalle infini. Soit
(Zn ) une suite des variables aléatoires Bernoulli, indépendantes : P(Zn = 1) = p, P(Zn =
−1) = q = 1 − p < p. On pose S0 = 0, Sn = Z1 + . . . + Zn et Fn = σ(Z1 , . . . , Zn ) =
σ(S0 , . . . , Sn ). Soit enfin T = inf{n ≥ 0; Sn = 1} qui est un temps d’arrêt. a) Montrer
que P[T < ∞] = 1. b) Calculer ET, en utilisant le théorème d’arrêt des martingales, et en
supposant qu’on a déjà démontré ET < ∞.

8.4 Comment justifier l’application du théorème d’ar-

ret des martingales ? Exemples
Exercice 8.10 La ruine du joueur en utilisant les martingales : quelles chances
de gagner et au bout de combien de temps ?
Soient X1 , X2 , . . . des v.a.i.i.d. avec P (X = 1) = p, P (X = −1) = q = 1 − p et 0 < p < 1.
Supposons que x et b soient deux entiers avec 0 < x < b. On définit
Sn := x + X1 + · · · + Xn , T := inf{n, Sn = 0 ou Sn = b}.
La fortune initiale du joueur de pile ou face est représentée par x et il compte s’arréter
s’il a atteint b ou 0. On peut aussi interpréter ce modèle comme un jeu à deux : alors la
fortune initiale du premier joueur est x et celle du second est b − x. Sn − x représente alors le
gain cumulé du premier joueur et x − Sn les pertes cumulées du second. Chacun des joueurs

84
 stoppe quand il est ruiné, c.-à-d. quand Sn = 0 ou Sn = b. Soit Fn = σ(X1 , . . . , Xn ) et
F0 = {∅, Ω}.
1) Calculer px = P(ST = 0) et tx = E(T ) par le théoreme d’arret des martingales appliqué
aux martingales Mn = ρSn et Nn = Sn − nm, avec des valeurs de ρ, m choisies tel que ce
sont des martingales, et en supposant que le théoreme d’arret est applicable
R : Mn est un produit de v. a. indépendantes, positives et de moyenne 1 ssi : E[ρZi ] =
pρ + qρ−1 = 1. Les racines sont ρ = 1 (pas intéréssant) et ρ = pq . Nn est une somme de
variable aléatoire aléatoires indépendantes sommables de moyenne nulle ssi m = p − q. Le
1−ρx x−Kpx
théoreme d’arret donne : px = 1−ρb , tx = q−p .
2) Comment justifier l’application du théoreme d’arret ?
R : La martingale de Wald Mn est bornée, et la deuxième martingale a des mises bornées.
Comme au cas symétrique (Exercice 8.6), Ex T < ∞ est une conséquence du théorème
Perron-Frobenius. On peut aussi appliquer la méthode de 8.12 : ”Tout ce qui a une chance
positive d’arriver en temps fini se produira tôt ou tard, si on persevere”.
Exercice 8.11 Calculer, en utilisant le{théorème d’arret des martingales,
} les probabilités de
ruine sur [0, ∞) pour une marche avec p2 = 38 , p1 = 18 , p−1 = 21

Sol : EZ1 > 0 et la loi des grandes nombres implique P[T = ∞] > 0] et donc aucun des
cas du théorème d’arret ne s’applique pas, car le théorème d’arret ne permet pas des temps
d’arret tq. P[T = ∞] > 0 ! Dommage, car on trouve facilement une martingale de Wald
∑
Mt = ρXt , en resolvant p(ρ) := E[ρZ. = i pi ρi = 1, ρ ∈ (0, 1). Par une ”application erronée”
du théorème d’arret a cette martingale, on trouve la réponse raisonnable ψ(x) = ρx , avec
une interprétation claire,
ρ = Px [Tx−1 < ∞].
Heureusement, pour une ”application correcte,” il suffit de remplacer T par le temps d’arret
borné TN = min(T, N ), avec N → ∞. On trouve

ρx = EρXTN = ρXN Px [T > N] + ρ0 Px [T ≤ N] →N→∞ Px [T < ∞] = ψ(x) (8.2)

(le premier terme converge vers 0, car P[XN → ∞] = 1).

8.5 Comment démontrer qu’un temps d’arret T est fini

p.s.
Quand l’espace d’états et la loi d’un temps d’arret ne sont pas explicites, il est quand-
même possible de démontrer que T est fini p.s par l’astuce suivante :
outfinitunjour Exercice 8.12 ”Tout ce qui a une chance positive d’arriver après un nombre fini
des pas se produira tôt ou tard, si on persevere” (Williams, exercice E10.5 p. 233)
Soit F une filtration (avec F0 = {∅, Ω} et T un temps d’arret tels que pour un certain
N ∈ N et un certain ε > 0,
∀n, P(T ≤ n + N |Fn ) > ε, p.s.
1) Montrer par récurrence en utilisant P(T > kN ) = P(T > kN ; T > (k − 1)N ) que pour
k = 1, 2, . . . ,,
P(T > kN ) ≤ (1 − ε)k .

85
1) Réponse : On procède par récurrence. Quand n = 0, on a bien la propriété par hypothèse car
F0 = {∅, Ω} et donc P(T > N )11Ω = P(T > N |F0 ) = 1 − P(T ≤ N |F0 ) ≤ 1 − ε. De plus,
∫ ∫
P(T > kN ) = P(T > kN ; T > (k − 1)N ) = 11T >kN = E(11T>kN |F(k−1)N )
T >(k−1)N T >(k−1)N

(car l’ensemble [T > (k − 1)N ] est F(k−1)N -mesurable)

≤ (1 − ε)P(T > (k − 1)N ) par hypothèse.

2) En déduire que E(T) < ∞.

2) Réponse : On a
∑ ∑
E(T) = nP(T = n) ≤ n nP(T > n − 1)
n
∑ ∑
≤ nP(T > n − 1)
k (k−1)N ≤n≤kN
∑
≤ N kN P(T > (k − 1)N − 1)
k
∑
≤ N kN P(T > (k − 2)N )
k
∑
≤ N2 k(1 − ε)k−2 < ∞
k

8.6 La martingale du singe

Q, cf. poly Morel : Quelle est l’attente moyenne pour qu’une séquence préfixée, comme
ABRACADABRA, se produise dans une suite des lancés indépendants ? Voir aussi une très
longue attente”, Grimmett-Stirzaker, One thousand exercises in probabilité, exercice 16 p.
124, et Williams, exercice E10.6 p. 233.
Prenons l’exemple de la séquence P P P (pile trois fois).
Un très grand casino contient une infinité de joueurs G1 , G2 , . . . qui disposent chacun
d’une fortune de 1 euro. Un croupier tire à pile ou face (probabilités p et q = 1 − p toutes
les secondes. Au temps n, le joueur Gn se met à parier de la manière suivante : il place 1
sur Pile. Le casino étant équitable, il touche en cas de succès p1 [expliquer pourquoi]. Il place
alors à nouveau cette fortune sur Pile. Il continue ainsi à parier toute sa fortune sur Pile
jusqu’à ce qu’il ait gagné trois fois de suite [P P P ] ou qu’il perde tout. Dans les deux cas, il
quitte alors le casino.
1. Soit Sn le profit (ou la perte) cumulé(e) du casino après le n-ième tirage. Montrer que
Sn est une martingale.
1) Réponse : Soit Yn la variable aléatoire associée au n-ième tirage (Yn = F ou P ) et
Fn = σ(Y1 , . . . , Yn ). Soit Xn la somme des gains et pertes des joueurs après le n-ième coup.
Comme Xn est une fonction déterministe des résultats Yn des n coups précédents, elle est
Fn -mesurable. Comme le jeu est équitable, la moyenne de Xn est nulle. De plus, le nombre
de joueurs est plus petit que 3 et leur enjeu plus petit que p−3 . Donc Xn est sommable. Sn est
donc l’exemple classique de martingale, à savoir une somme de variable aléatoire sommables
indépendantes et de moyenne nulle Xn .

86
 2. Soit T le nombre de tirages effectués avant la première apparition de P P P . Montrer
que T est un temps d’arrêt, montrer que E(T ) < ∞. Utiliser le résultat de l’exercice
8.12.
2) Réponse : La décision T = n est une fonction déterministe des résultats de Y1 , . . . , Yn
et est donc Fn -mesurable. C’est donc un temps d’arrêt. Pour montrer que E(T ) < ∞, il
suffit de vérifier que l’hypothèse de l’exercice 8.12 est vérifiée : P(T ≤ n + N |Fn ) > ε, a.s..
On le montre pour N = 3. Notons Ωn = {P, F }n l’ensemble des résultats possibles pour
les n premiers tirages. La tribu Fn est engendrée par la partition en événements atomiques
Bi = [(Y1 , . .∑
. , Yn ) = i], i décrivant Ωn . Par la formule (PT), on a pour tout événement A,
P(A|Fn ) = i∈Ωn P(A|Bi )11Bi . On choisit A = [T ≤ n + 3]. En effet, une séquence P P P
peut se produire aux trois coups suivants avec probabilité ε = p3 et on a
∑ ∑
P(T ≤ n + 3|Fn ) ≥ P([(Xn+1 Xn+2 Xn+3 ) = (P P P )]|Bi )11Bi = p3 11Bi = p3 .
i∈Ωn i

3. En déduire que E(T) = p−1 + p−2 + p−3 .

3) Réponse : On applique le théorème d’arrêt des martingales b) ou d). Donc E(ST ) = 0.
Mais, au moment où le jeu s’arrête, les joueurs G1 , . . . , Gn ont misé chacun -1 et seuls
Gn−2 , Gn−1 et Gn ont gagné respectivement p−3 , p−2 et p−1 . Donc E(ST ) = 0 donne p−1 +
p−2 + p−3 − ET = 0.
4. Adapter le raisonnement pour calculer le temps moyen d’attente de P F P .
4) Réponse : on trouve E(N) = p−1 + p−2 q−1 .
5. Dans le même esprit : le casino possède un singe qui tape au hasard sur les 26 touches
majuscules à la vitesse de 60 caractères par minute. Montrer que le temps moyen
d’attente de la séquence ABRACADABRA est 2611 + 264 + 26. Donner un ordre de
grandeur en années du temps d’attente.
6. Un paradoxe ? Les calculs précédents prouvent que le temps moyen d’attente de P P
(deux fois Pile) dans le cas p = 12 est égal à 2 + 4 = 6 alors que le temps d’attente de
P F est de 4. Ceci peut paraı̂tre contre-intuitif, puisque les séquences P P et P F sont
équiprobables ! De même, on vient de voir que le temps d’attente de ABRACADABRA
est supérieur au temps d’attente de, disons, ABCDEFGHIJK, qui est une séquence de
même longueur et donc équiprobable. Discuter ce paradoxe. Vous convaincre par une
simulation de pile ou face (utiliser directement une monnaie) que l’expérience confirme
bien la différence de temps d’attente pour P P et P F .

8.7 Exercices
∏
1. a) Montrer que Xn = ni=1 Zi , où Zi sont i.i.d. et prennent les valeurs 2 et 0 avec
probabilités égales, est une martingale, par rapport à σ(Z1 , ..., Zn ). b) Est-ce que le
théorème d’arrêt des martingales est applicable à Xn , arrêtée au temps d’atteinte T0 ?
∑
2. Soit Zi une suite des variables aléatoires tq Sn = ni=1 Zi est une martingale. Démontrer
∑
qu’ a) EZi = 0. b) Ces variables sont noncorrélées. c) V ar(Sn ) = V ar(Zi )
3. Démontrer l’identité de Wald. Soit Zn , n ≥ 1 une suite iid tel que Z1 soit intégrable
et soit T un temps d’arrêt pour la filtration associée à Zn , n ≥ 1, satisfaisant ET < ∞,

87
 et soit Sn = Z1 + ... + Zn . Alors

E[ST ] = E[T ]E[Z1 ].

4. Le temps d’atteinte espéré t(x) = Ex T, pour la marche aléatoire simple,

symétrique Sn = Z1 + ... + Zn . Comme la martingale du cas asymétrique ne marche
pas ici, on utilisera la martingale :

Mn = Sn2 − n.

a) Montrez que Mn est une martingale par rapport à σ(Z1 , ..., Zn ). b) Montrez que si
le théorème d’arrêt des martingales est applicable sur l’intervalle [L, K], alors :

tx = Ex [min(TL , TK )] = (K − x)(x − L), (8.3)

c.-à-d. l’espace d’états du temps d’atteinte de {L, K} est le produit des distances
du capital initial x aux bords de l’intervalle. c) Comment justifier l’application du
théorème d’arrêt des martingales ?
Exercice 8.13 Soit

∑
n 
1, avec probabilité
8
p1 = 10
Xn = x + Zi , Zi = −1, p−1 = 101
,

−2, 1
i=1 p−2 = 10

avec Zi i.i.d. Soit T0 = inf{n : Xn ≤ 0}

a) E[Z1 ] > 0?
b) Calculer, en utilisant le théorème d’arret des martingales, les probabilités de ruine
ψ(x) = Px [T0 < ∞], x ∈ N, pour cette marche. Montrer qu’elles sont positives.
5. Montrer que pour un joueur qui joue ≪la martingale≫

EST−1 = −∞

Ind : Calculer la loi de ST −1 .

Solutions :
1. We check first that Xn is a multiplicative martingale (since EZ1 = 1). Le théorème
d’arret des martingales Ex ST0 = x = 1 applied to the stopping time T0 (without che-
cking the conditions) would yield here a wrong conclusion, that 1 = 0. Of course, none
of the alternative conditions provided for the theorem holds here. For example, condi-
tion (2) (which is the most widely applicable) does not hold since a martingale which
may double its value an arbitrary number of time does not have bounded increments.
Note : This exercise is similar to the martingale doubling strategy.
2. The case of additive martingales (when the increments are independent) is easy. For
the general case, use EZn Sn−1 ) = E[Zn Sn−1 |Fn−1 ] = Sn−1 E[Zn |Fn−1 ] = 0.
3. L’identité de Wald est une conséquence immédiate du théorème d’arrêt, des martin-
gales, cas 4].

88
4. a) To show that Mn is indeed a martingale we obtain first a formula for its increments :
Mn+1 − Mn = (Sn + Zn+1 )2 − n − 1 − (Xn2 − n) = 2Zn+1 Xn + Zn+12
− 1 = 2Zn+1 Xn . We
check now the conditional expectation of the increments.

E[Mn+1 − Mn |Fn ] = E[2Zn+1 Xn |Fn ] = 2Xn E[Zn+1 |Fn ] = 0.

b) We apply now the Optional Stopping Theorem to the martingale Mn = Xn2 − n.

The Optional Stopping Theorem yields :
2
Ex MT = Ex (XT − T) = X02 = x2 (8.4)

Conditioning on the last state we get

2
Ex (XT − T) = K2 P{XT = K} + L2 P{XT = L} − Ex T. (8.5) m1

The probabilities of winning/losing for the martingale XT were found before to be

x−L K −x
P [XT = K] = , P [XT = L] =
K −L K −L
Plugging these in (8.5) gives
x−L K −x
K2 + L2 − Ex T = x2
K −L K −L
which after simplifying yields

tx = Ex [min(TL , TK )] = (K − x)(x − L)

c) This martingale is not bounded below (since T can take arbitrarily large values), so
we can’t apply the third set of conditions. Pour la deuxième pair des conditions, nous
savons que les increments de Mn sont bornés : |2Zn+1 Xn + Zn+1 2
− 1| = |2Zn+1 Xn | ≤
2 max(|L|, K) Aussi, comme remarqué déjà dans la solution de l’exercice 8.6, le fait que
ET < ∞ est assuré par la théorie spectrale des matrices sous-stochastiques. L’option
du calcul direct (très simple ici) par conditionnement sur le premier pas serait illogique
ici, car ça reviendra a justifier cette méthode en la remplaçant par une autre !
Remarque 8.8 Pour la marche symmétrique qui reste sur place avec proba 1 − 2p > 0
on trouve
(K − x)(x − L)
tx = Ex [min(TL , TK )] = . (8.6)
2p
Remarque 8.9 Letting L → −∞ and K = x + 1 we find that the expected duration
of a game for winning just one buck (with no lower bound on the losses) is infinite,
which is quite surprising.
8 1 1
5. a) E(Z1 ) = 1. 10 + (−1). 10 + (−2). 10 = 12 > 0
b) On décompose ψ(x) = φ0 (x) + φ1 (x), φi (x) = Px [T < ∞, XT = −i], i = 0, 1. On
applique le théorème d’arret appliqué aux deux martingales arretées de Wald Mt = ρX t
∑1 −j
i
(comme en (8.2)), où p(ρi ) = 0 ⇔ ρi = j=0 φj (x) , ρi ∈ (0, 1). Ici, ρ1 = 1/2, ρ2 =
x

−1/4. On résout le système de type Vandermonde. Les probabilités de ruine sont :

( )x ( )x
5 1 1 1
ψx = + −
6 2 6 4

89
 Note : Voila une solution directe, par conditionnement sur le premier pas :
∑
1
ψ(x) = Px [T0 < ∞] = P [Z1 = i].Px [T0 < ∞|x + Z1 = x + i]
−2
∑1 ∑
1
= P [Z1 = i].Px+i [T0 < ∞] = pi .ψ(x + i)
−2 −2
8 1 1
= .ψ(x + 1) + .ψ(x − 1) + .ψ(x − 2), (x ∈ N)
10 10 10
Les CF sont : 

ψ(∞) =0


ψ(0) =1


ψ(−1) = 1.
(il est aussi vrai que , , ψ(−2) = 1, ... mais −2 n’est pas dans l’espace d’états). On
cherche ψ(x) = ρx .

8 x+1 1 1
On a ρx = .ρ + .ρx−1 + .ρx−2
10 10 10
8 3 1 1
⇒ρ = .ρ + .ρ +
2
10 10 10
⇒(ρ − 1)(2.ρ − 1)(4ρ + 1) = 0
1 1
⇒ψ(x) = A1 ( )x + A2 (− )x
2 4
ψ(0) = ψ(−1) = 1 sont satisfaites ssi A1 = 65 , A2 = 16 . Les probabilités de ruine sont :
5 1 1 1
ψ(x) = .( )x + .(− )x
6 2 6 4
Exercice 8.14 Soit Xt les gains d’un {joueur qui peut gagner Zi ∈ } {1, −1, −2} à chaque
8 1 1
pas i, avec des probabilités donnés par : p1 = 10 , p−1 = 10 , p−2 = 10 . Le joueur s’arrête au
temps T min[T0 , TB ].
a) Calculer les probabilités de ruine ψ0 (x) = P [XT = 0], ψ−1 (x) = P [XT = −1], ψ(x)P [T0 <
TB ], en utilisant deux martingales de Wald, et en supposant que le théorème d’arret des mar-
tingales est applicable.
b) Calculer directement les probabilités de ruine ψ0 (x) = P [XT = 0], ψ−1 (x) = P [XT =
−1], ψ(x)P [T0 < ∞] au cas où B = ∞.
8
R : b) Les probabilités de ruine satisfont ψx = 10 ψx+1 + 1
ψ
10 x−1
+ 1
ψ ,x
10 x−2
∈ N. Elles
sont des combinaisons de puissances ρx , avec ρ une racine de
8 3 1 1 8 2 1 8
ρ − ρ2 + ρ + = (ρ − 1)( ρ2 − ρ − ) = (ρ − 1)(ρ − 1/2)(ρ + 1/4)
10 10 10 10 10 10 10
ψx = A1 ( 12 )x + A2 ( −1
4
)x satisfait ψ0 = ψ−1 = 1 ssi A1 = 5/6, A2 = 1/6. Les probabilités de
ruine sont : ( ) ( ) ( )
5 1 x 1 1 x 5 1 x
ψx = + − ≈
6 2 6 4 6 2

90
Remarque 8.10 En considerant le cas B = ∞, on voit que E[Z1 ] > 0 assure que le nombre
des racines plus petites que 1 en valeur absolue doit être égal au nombre des sauts possibles
en bas.
∑
Théorème 8.3 Supposons que la marche aléatoire discrète Xt = x + ti=1 Zi , avec Zi i.i.d.
et E[Z1 ] > 0 est tel que pZ (θ) = p+ (θ) + p− ( 1θ ), where p± (θ) sont des polynômes des degrés
n± . Alors
a) L’équation pZ (θ) = 1 a n− + n+ racines, dont exactement n− racines plus petites que
1 en valeur absolue et n+ − 1 racines plus grandes que 1 en valeur absolue.
b) Les probabilités de ruine sur [0, ∞), ψx , x ∈ N sont des combinaisons de n− racines
plus petites que 1 en valeur absolue.

Exercice 8.15 Calculer la probabilité de ruine ψx , x ∈ N,{pour une marche sur les nombres
}
8 1 1
naturelles, avec la distribution de chaque pas donné par : p−1 = 10 , p1 = 10 , p2 = 10 .

91
Chapitre 9
Examens d’entraı̂nement

9.1 Examen 1
Tous les documents d’aide sont interdits

1. On considère une pièce non équilibrée que l’on lance un nombre indéterminé de fois.
La probabilité d’obtenir pile est p ∈]0, 1[, et la probabilité de sortir face est égale à
q = 1 − p. Les lancers sont indépendants. On note N le temps d’attente du premier
pile, c’est-à-dire le nombre de lancers qu’il faut effectuer pour obtenir le premier pile,
en incluant le pile (N ∈ {1, 2, ...}).
(a) Formuler une équation pour le premier moment m = EN par la méthode du
conditionnement sur le premier pas, et la résoudre. Quelle est la loi de N ? (on ne
demande pas de justifier)
(b) Trouvez l’espérance m2 = EN2 du nombre des essais jusqu’à ce qu’on obtient
deux piles consécutives, en incluant les deux derniers résultats.
′
(c) Calculer la fonction génératrice des probabilités p∗N (2)′ (z), où N (2) est le nombre
des essais jusqu’à ce qu’on obtient deux piles consécutives, en excluant les deux
derniers résultats.
(d) Trouvez l’espérance m̃ du nombre des essais jusqu’à ce qu’on obtient pile-face-
pile (consécutives), en incluant les trois derniers résultats.
Indication : On pourrait utiliser un processus de Markov qui retient l’information
minimale nécessaire pour décider si l’événement désiré a eu lieu, et qui contient
l’état final désiré, ainsi que tous ses préfixes.
2. Soit (Xn )n≥1 une suite de variables aléatoires réelles indépendantes telle que pour n ≥ 1
Xn suit une loi exponentielle de paramètre λn = n.
(a) Calculer la fonction de répartition (f.d.r.) de Yn = min{X1 , . . . , Xn } pour n ≥ 1.

P
(b) Montrer que Yn −→ 0.

p.s.
(c) Montrer que Yn −→ 0.

(d) Determiner une suite (αn )n≥1 telle que Eαn Yn = 1. Montrer que pour cette suite
L
on a αn Yn −→ Y où l’on précisera la loi de Y . Est-ce qu’il existe d’autres suites

92
 L
(αn )n≥1 telles que αn Yn −→ Y ?

3. Soit 
−1, avec probabilité

 p−1 = 12
∑
n
Xn = x + Zi , Zi =

1, p1 = 81 ,
i=1 

2, p2 = 38
avec Zi i.i.d. Soit T0 = inf{n : Xn ≤ 0}

(a) Est-ce que E[Z1 ] > 0?

(b) Calculer, en utilisant le conditionnement sur le premier pas, les probabilités de

ruine ψ(x) = Px [T0 < ∞], x ∈ N.
(c) Recalculer les probabilités de ruine, en utilisant le théorème d’arret des martin-
gales. Ind : Cherchez dez martingales de la forme M (n) = ρXn , avec ρ judicieu-
sement choisi.
(d) Calculer l’espérance du temps de ruine pour la
{ marche renversée , avec
≪ ≫
} la distri-
′
bution de chaque pas Zi = −Zi donnée par : p1 = 2 , p−1 = 8 , p−2 = 8 . Calculer
1 1 3

les probabilités de ruine pour cette marche.

Solutions :
1. (a) Le conditionnement après un pas donne m = p + q(1 + m), l’espérance est m = p1 .

m = p(1 + m ) + q(1 + m )
2 1 2
(b) Le conditionnement après un pas donne =⇒
m1 = p + q(1 + m2 )

m2 = p+1
p2
, m1 = p12 .
La méthode ≪arbre developpé jusqu’au feuilles succés/recommence≫ (≪divide et
conquera≫) produit directement l’équation m2 = q(1 + m2 ) + pq(2 + m2 ) + 2p2
(c) Le conditionnement après un pas donne


m3 = p(1 + m2 ) + q (1 + m3 )



m2 = q(1 + m1 ) + p (1 + m2 )


m1 = p + q (1 + m3 )

avec solutions m̃ = m3 = 1+pq

p2 q
, m1 = p+1
p2
, m2 = p12 q
La méthode ≪arbre≫ identifie une nouvelle inconnue ≪persistente/incontournable≫ m2 ,
dans le sens que l’arbre ≪developpé jusqu’au feuilles≫ est infini. Ici, on ne peut pas
remplacer le conditionnement
 après
 un pas par des astuces ! On peut aussi utiliser
q p 0
 
m = (I − Q)−1 1, Q = 0 p q 
q 0 0
2. (a) La fonction de répartition (f.d.r.) de Yn = min{X1 , . . . , Xn } est FYn (y) = P (Yn ≤
y) = 1−P (Yn > y) = 1−exp(−yn(n+1)/2) si y > 0 et 0 sinon (car 1+2+· · ·+n =
n(n + 1)/2).

93
 P
(b) Yn −→ 0 car ∀ε > 0, P (|Yn | > ε) = P (Yn > ε) = exp(−εn(n + 1)/2) → 0 lorsque
n → +∞.
p.s. ∑ ∑ ∑
(c) Yn −→ 0, car ∀ε > 0, n≥1 P (|Yn | > ε) = n≥1 P (Yn > ε) = exp(−εn(n +
∑ ∑ n≥1
1)/2) ≤ n≥1 exp(−εn/2) = n≥1 (exp(−ε/2))n < +∞.
(d) αn = (EYn )−1 = n(n+1)
2
P (αn Yn ≤ y) = P (n(n + 1)Yn /2 ≤ y) = FYn (2y/(n(n +
1))) = (1 − exp(−y))1{y>0} . Donc pour αn = n(n + 1)/2 et Y ∼ E(1) on a
L
Yn −→ Y . Le résultat de convergence reste identique si l’on prend αn = n2 /2,
donc le choix n’est pas unique.
1
3. (a) E[Z1 ] = 8
+ 38 .2 + 12 (−1) = 3
8
>0
(b) Les probabilités de ruine satisfont px = 81 px+1 + 38 px+2 + 12 px−1 , x ∈ N. Elles sont
des combinaisons de puissances ρx , avec ρ une racine plus petite que 1 de

1 2
3ρ3 /8+ρ2 /8−ρ+1/2 = (ρ−1)(3ρ2 +4ρ−4) = (ρ−1)(ρ+2)(3ρ−2) =⇒ px = ( )x
8 3

(c)
(d) E[Z1′ ] = −E[Z1 ] = 18 − 68 + 48 = − 38 < 0 tx = 1 + 83 tx+1 + 18 tx−1 + 12 tx−2 , t0 = 0
Sol homogène engendrée par 1x , r1x , r2x , r1 = − 12 , r2 = 32 ≥ 1. Sol particulière et
x
finale tx = −E[Z 1]
= 8x
3
. Les probabilités de ruine sont ψx = 1, ∀x (car E[Z1 ] < 0).

9.2 Examen 2
1. La marche paresseuse : Soit Xn une chaı̂ne de Markov sur {0, 1, 2, ..., B}, B ∈ N,
avec 0 et B états absorbants, et

P (i, i + 1) = p fi ,
P (i, i − 1) = q fi ,
P (i, i) = 1 − (p + q)fi ,
P (i, i + k) = 0 pour|k| > 2, ∀i ∈ {1, 2, ..., B − 1}

(on suppose 0 < p, q, fi et fi (p + q) < 1, ∀i ∈ {1, 2, ..., B − 1}). Nous arretons le

processus au temps d’arrêt T = inf{n : Xn ∈ / [1, B − 1]} auquel le processus sort de
l’intervalle [1, B − 1]. Pour tout x de N, on note par Px , Ex la mesure et espérance en
commençant de x (conditionnant sur X0 = x).
(a) Classifiez les pbs suivantes px = Px {XT = B}, gx = Ex [XT ], tx = Ex T,
∑ ∑
cx = Ex [ T0 −1 Xt ], et dx = Ex [ 0T −1 Xt2 ] comme des pbs de prix final ou de
coùt accumulé. Quelles sont les équations de récurrence et les conditions frontière
correspondant a chaque pb ?
(b) Résolvez les équations de récurrence qui en résultent pour px et gx quand p = q <
1/2, fi = 1, et quand p = q < 1/2, fi = 1/i.
(c) Résolvez les équations de récurrence qui en résultent pour tx et cx quand p < q ≤
1/2, fi = 1, et B = ∞.

94
 2. Probabilités de ruine . Soit


1, avec probabilité p1 = 34
∑
n 
Xn = x + Zi , Zi =

−1, p−1 = 121
,
i=1 

−2, p−2 = 61

avec Zi i.i.d. Soit T0 = inf{n : Xn ≤ 0}

a) Est-ce que E[Z1 ] > 0?
b) Calculer les probabilités de ruine ψ(x) = Px [T0 < ∞], x ∈ N.
c) Recalculer les probabilités de ruine, en utilisant le théorème d’arret des martingales.
3. La ruine du joueur en utilisant les martingales.
Soient X1 , X2 , . . . des v.a.i.i.d. avec P (X = 1) = p, P (X = −1) = q = 1 − p et
0 < p < 1. Supposons que x et b soient deux entiers avec 0 < x < b. On définit

Sn := x + X1 + · · · + Xn , T := inf{n, Sn = 0 ou Sn = b}.

La fortune initiale du joueur de pile ou face est représentée par x et il compte s’arréter
s’il a atteint b ou 0. Soit Fn = σ(X1 , . . . , Xn ) et F0 = {∅, Ω}.
(a) Comment choisir les valeurs de ρ, m tel que les processus

Mn = ρSn , Nn = Sn − nm

soient des martingales ?

(b) Calculer px = P(ST = 0) par le théorême d’arrêt des martingales appliqué à
Mn = ρSn , en supposant que le théorême d’arrêt est applicable.
(c) Calculer tx = E(T ) par le théorême d’arrêt des martingales appliqué à Nn =
Sn − nm, en supposant que le théorême d’arrêt est applicable.
(d) Donnez les valeurs specifiques obtenues pour ρ, m, px et tx si p = 2/3, q = 1/3.
(e) (*) Justifier l’application du théorême d’arrêt, en montrant que Ex T < ∞ par
le principe de la ”persévérance” (tout ce qui a une chance positive constante
d’arriver aprés un nombre fini des pas se produira tôt ou tard), i.e. montrer qu’il
existe un certain N ∈ N et un certain ε > 0, t.q.

∀n, P(T ≤ n + N |Fn ) > ε, p.s. (9.1)

Solutions :
1. (a) Soit (Gf )x = p (fx+1 − fx ) + q (fx−1 − fx ) l’opérateur du cas ”non paresseux”,(sauf
que maintenant p + q < 1. Les équations sont respectivement :

(Gp)x = 0, pK = 1, p0 = 0
(Gg)x = 0, gK = K, g0 = 0
fx (Gt)x + 1 = 0, tK = 0, t0 = 0

La partie homogène des équations est exactement la même comme pour une marche
≪non paresseuse≫, mais la partie non homogène des équations est différente.

95
 (b) Pour px et gx on obtient les mêmes équations (dans les deux cas de fi ) comme
pour une marche symétrique avec p = 1/2, c.-à-d. :

0 = p(px+1 − 2px + px−1 ) for any 1 ≤ x ≤ K − 1

pK = 1, p0 = 0

et donc les mêmes réponses px = Kx , gx = x.

(c) Pour tx = Ex [T ], p < q, B = ∞ (temps de sortie espéré) on trouve :

ptx+1 − (p + q)tx + qtx−1 + 1 = 0 for any 1 ≤ x

t0 = 0

avec solution tx = A1 + A2 ( pq )x + p0 (x), p0 (x) = q−p

x
, A2 + A1 = 0, A2 = 0, A1 = 0.
Note : La condition t(B) = 0 cesse d’ être vraie pour B = ∞ ; par contre, t(∞)
ne peut pas ≪être trop grand≫ (augmenter exponentiellement) non plus, comme il
serait le cas si A2 ̸= 0.
2. a) b) Les probabilités de ruine satisfont px = 34 px+1 + 12
1
px−1 + 16 px−2 , x ∈ N. Elles sont
des combinaisons de puissances ρx , avec ρ une racine de
3 3 1 1 3 1 1 3
ρ − ρ2 + r + = (ρ − 1)( ρ2 − ρ − ) = (ρ − 1)(ρ − 2/3)(ρ + 1/3)
4 12 6 4 4 12 4
px = A1 ( 32 )x + A2 ( −1
3
)x satisfait p0 = p−1 = 1 ssi A1 = 8/9, A2 = 1/9.
3. (a) Mn est un produit de v. a. indépendantes, positives et de moyenne 1 ssi : E[ρZi ] =
pρ + qρ−1 = 1. Les racines sont ρ = 1 (pas intéréssant) et ρ = pq .
Nn est une somme de v.a. aléatoires indépendantes sommables de moyenne nulle
ssi m = p − q.
ρx −ρb (1−px )b−x
b), c) Le théorême d’arrêt pour Mn donne : px = 1−ρb
, et pour Nn , tx = q−p
.
e) N = b, ϵ = pb .

9.3 Examen 3
1. Soit X une v.a. continue de loi uniforme sur [0, 1]. Déterminer les lois de Zi = hi (x), i =
1, 2, où h1 (x) = 1 − x et h2 (x) = min(x, 1 − x).

2. Soit Xn une v.a. de loi binomiale B(n, pn ). Montrer que si npn → λ > 0, alors Xn
converge en loi vers une v.a. X, dont on determinera la loi.

3. Soit (Xn )n≥1 une suite de variables aléatoires indépendantes de loi exponentielle E(λ)
où λ > 0 (i.e. fXn (x) = λe−λx I(x > 0)). On pose Mn = max{X1 , . . . , Xn } pour n ≥ 1.
(a) Déterminer la fonction de répartition de Mn .
(b) Montrer que
FMn −λ−1 log n (x)
convergent vers une fonction F (x), qu’on determinera.

96
 (c) Généraliser pour le cas de Xn de loi arbitraire avec support [0, ∞), qui satisfont
limx→∞ eF̄−λx
(x)
= k > 0.
4. Probabilités de ruine. Soit


1, avec probabilité p1 = 10
∑
n  13
Xn = x + Zi , Zi =

−1, p−1 = 132
,
i=1 

−2, p−2 = 131

avec Zi i.i.d. Soit T0 = inf{n : Xn ≤ 0}

a) Est-ce que E[Z1 ] > 0?
b) Calculer les probabilités de ruine ψ(x) = Px [T0 < ∞], x ∈ N.
5. L’attente moyenne au jeu de pile ou face pour qu’une séquence fixée se
produise. On lance une pièce de monnaie biaisée, avec la probabilité de sortir face
égale à q et celle de sortir pile égale à p = 1 − q, jusqu’à ce qu’on obtient une suite
PFP (pile-face-pile).
Trouvez l’espérance t = E(T ) du temps T jusqu’à l’arrêt, (i.e. le nombre esperé de jets,
en incluant les trois derniers), en suivant l’ indication suivante.
On considére un casino où un croupier tire à pile ou face, avec probabilités p et q = 1−p,
toutes les secondes, jusqu’à la première arrivée de la suite P F P .
Le casino contient une infinité de joueurs G1 , G2 , . . . , disposant chacun d’une fortune
de 1 euro. Au temps n, le joueur Gn se met à parier de la manière suivante : il place
1 sur Pile. Le casino étant équitable, il touche en cas de succès p1 . En cas de succès,
il place ses gains ( p1 ) sur Face. En cas d’un deuxième succès, il touchera 1q per chaque
euro misé, et fera un nouveau pari sur Pile, avec gain potentiel p1 per chaque euro.
Il continue ainsi à parier toute sa fortune, jusqu’à l’apparition de la suite P F P , ou
jusqu’à ce qu’il perde tout. Dans les deux cas, il arrête de jouer.
(a) Soit Sn le profit (ou la perte) cumulé(e) du casino après le n-ième tirage. Montrer
que Sn est une martingale.
(b) Soit T le nombre de tirages effectués avant la première apparition de P F P . Mon-
trer que T est un temps d’arrêt d’espérance finie E(T ) < ∞, en utilisant de nou-
veau la méthode ”Tout ce qui a une chance positive d’arriver aprés un nombre
fini des pas se produira tôt ou tard”, décrite à l’Exercice 1(d), (9.1).
En deduire E(T ).
Solutions :
1. L(Z1 ) = U [0, 1]
2.
3.
4. a) E(Z1 ) > 0

b) On cherche deux inconnues φi (x) = Px [T < ∞, XT = −i], i = 0, 1. En suite,

ψ(x) = φ0 (x) + φ1 (x). On trouve deux martingales de Wald Mt = ρXi , en resolvant en
t
∑
resolvant p(ρ) := E[ρ = i pi ρ = 1, ρ ∈ (0, 1), ce qui donne ρ1 = 1/2, ρ2 = −1/5.
Z. i

97
On aimerait appliquer a ces martingales le théorème d’arrêt. Mais, EZ1 > 0 et la loi
des grandes nombres implique P[T = ∞] > 0] et donc aucun des cas du théorème
d’arrêt ne s’applique pas, car le théorème d’arrêt ne permet pas des temps d’arrêt tq.
P[T = ∞] > 0 !
Dommage, car par une ”application erronée” du théorème d’arrêt aux martingales de
Wald on obtient un système de type Vandermonde

∑
1
ρxi = φj (x)ρ−j
i , i = 1, 2
j=0

avec des solutions raisonnables

Heureusement, pour une ”application correcte,” il suffit de remplacer T par le temps
d’arrêt borné TN = min(T, N ), avec N → ∞. On trouve pour chaque ρ = ρi
−1
∑ −1
∑
ρx = EρXTN = ρXN Px [T > N ] + ρj Px [T ≤ N, XT = j] →N →∞ φj (x)ρ−j
j=0 j=0

(le premier terme converge vers 0, car P[XN → ∞] = 1, et |ρ| < 1).
Les probabilités de ruine sont :
( )x ( )x
6 1 1 −1
ψx = +
7 2 7 5

98