Théorie des probabilités

Corrigé
Armand Joulin
2010-2011

Contributeurs :
– Karl-Friedrich Israel (ex 1.2, 1.4, 3.2, 3.4,6.4)
– Rossi Abi Rafeh (ex 3.5, 4.1, 6.6, 6.7, 5.9, 5.10)
– Malka Guillot (ex 1.1, 1.3)
– François Grimaud (ex 2.2, 3.1)
– Françoise Huang (ex 6.1)
– Françoise Huang / Fernando Arce (ex 1.5, 2.1)
– Pierre Grison (ex 4.2, 4.3)
– Augustin Autrand (ex 4.5, 4.6)
– Pierre Anquetil (ex 5.2)
– Adrien Chenin (ex 5.6)

Chapitre 1
Exercice 1.1
1 1
1. E(X) 6= E(X) car si X v.a. telle que ImX = {1, 2} et que P (X = 1) = 4
1
Alors E(X) = 7/4 et E( X ) = 58

2. On sait que V (X) = E(X 2 ) − E(X)2 ≤ 0, donc E(X 2 ) ≤ E(X)2

3. Montrons que si X est symétrique par rapport à 0, alors E(X)=0 :

Sq. ∀x ∈ ImX, fX (x) = fX (−x) (si X admet une densité)
Alors E(X) = E(−X) or E(X) = E(−X) par linéarité de léspérance.
Donc 2.E(X) = 0 puis E(X) = 0

4. E(XY ) = E(X).E(Y ) faux sauf si X,Y indépendantes, car Cov(X, Y ) = E(XY ) − E(X).E(Y )
Contrexemple : soit X ∼ B( 21 ), alors E(X) = 21 , E(X 2 ) = 14 , donc E(XY ) = E(X).E(Y )

Exercice 1.2
1.
+∞
X +∞ X
X +∞ X i−1
+∞ X +∞
X
P (X > K) = P (X = i) = P (X = i) = iP (X = i) = E(X)
k=0 k=0 i=k+1 i=1 k=0 i=1

2. Mq Z +∞ Z 0
E(X) = P (X > t)dt − P (X < t)dt
0 −∞

par définition : Z
E(X) = XdP
Ω

1
 par th. de transfert :
Z Z Z +∞ Z 0
XdP = xdPx (x) = xdPx (x) + xdPx (x)
Ω R
|0 {z } | −∞ {z }
I1 I2

pour I1 , en utilisant le th. de Fubini :

Z +∞ Z +∞ Z +∞ Z +∞ Z +∞
xdPx (x) = 1[0,x] (t)dtdPx (x) = 1{x>t} (x, t)dPx (x)dt
0 0 0 0 0
Z +∞
= P (X > t)dt
0

de même pour I2 : 1
Z 0 Z 0 Z 0 Z 0 Z 0
xdPx (x) = − 1[−x,0] (t)dtdPx (x) = − 1{x<t} (x, t)dPx (x)dt
−∞ −∞ −∞ −∞ −∞
Z 0
− P (X < t)dt
−∞

on a donc : Z +∞ Z 0
E(X) = I1 + I2 = P (X > t)dt − P (X < t)dt
0 −∞

3. Mq Z +∞ Z a
E(|X − a|) = (1 − F (t))dt + F (t)dt
a −∞

par le résultat précédent :

Z +∞ Z 0
E(|X − a|) = P (|X − a| > t)dt − P (|X − a| < t)dt
0 −∞
| {z }
=0 car |X−a|≥0 et t≤0

R +∞
⇒ E(|X − a|) = 0
P (|X − a| > t)dt. Car {|X − a| > t} = {X − a > t} ∪ {a − X > t} :
Z +∞ Z 0
E(|X − a|) = P (X > t + a)dt + P (a − t > X)dt
0 −∞

en posant u = t + a et v = a − t :
Z +∞ Z a
E(|X − a|) = P (X > u)du + P (v > X)dv
a −∞

et puisque P (X > u) = 1 − P (X < u) et F (u) = P (u < X) :

Z +∞ Z a
E(|X − a|) = (1 − F (u))du + F (v)dv
a −∞

4.
f (a) = E(|X − a|)
f dérivable
!
f 0 (a) = −(1 − F (a)) + F (a) = 2F (a) − 1 = 0
1
⇒ F (a) =
2
R0
1. pour x < 0 on a x = − 1 (t)dt
−∞ [−x,0]

2
Exercice 1.3
1. Loi de (N1 , . . . , Nk ). Soit (n1 , . . . , nk ) ∈ [1, k]
Pn
– 1e cas : i=1 ni 6= n
alors P (N1 = n1 , . . . , Nk = nk ) = 0
Pn
– 2e cas : i=1 ni = n
alors

P (N1 = n1 , . . . , Nk = nk ) = Cnn1 .pn1 1 .Cn−n

n2
1
.pn2 2 . · · · .C nk Pk−1 .pnk k
n−
i=1

n!
= .pn1 . · · · .pnk k
n1 ! · · · nk ! 1
Ou bien :

P (N1 = n1 , . . . , Nk = nk ) = P (N1 = n1 )P (N2 = n2 , . . . , Nk = nk |N1 = n1 )

= P (N1 = n1 )P (N2 = n2 |N1 = n1 )
P (N3 = n3 , . . . , Nk = nk |N1 = n1 ∩ N2 = n2 )

D` où par récurrence : P (N1 = n1 , . . . , Nk = nk ) = n! n1

n1 !···nk ! .p1 . · · · .pnk k
2. Loi marginale de Nj Soit j ∈ [1, k − 1]
X
P (Nj = nj ) = P (N1 = n1 , . . . , Nk = nk )
n1 ,...,nj−1 ,nj+1 ,...,nk ∈[1,k]k−1

k
P
Sachant que l’on a ni = n − nj
i=1
i6=j

n! n
X n − nj nj−1 nj+1
P (Nj = nj ) = .p j . .pn1 . · · · .pj−1 .pj+1 . · · · .pnk k
(n − nj )!nj j n1 ! · · · nj−1 !nj+1 ! · · · nk ! 1
n1 ,...,nj−1 ,nj+1 ,...,nk ∈[1,k]k−1

Rappel sur la multinome de Newton : ∀n ∈ N∗ , ∀p ∈ N∗ , ∀(x1 , . . . , xp ) ∈ Rp

X n!
(x1 + · · · + xp )n = .xn1 . · · · .xnp p
Pn n1 !. · · · .np ! 1
(n1 ,...,np )∈[1,n] ni =n
i=1

Donc
k
n
X
P (Nj = nj ) = Cnnj .pj j ( pi )n−nj
i=1
i6=j
n
P (Nj = nj ) = Cnnj .pj j (1 − pj )n−nj

Autre méthode.
Nj ∼ B(n − nj , pj )
n n Pk−1
Soit Fj = Cn j .pj j (1 − pj )n−nj , on a i=1 Fj = 1
j P (N =n )
Soit également Gj = Fj
Pn i i
On a Nj = i=1 Xj où Xj ∼ B(pj )
n n
E(Xji ) =
P P
D` où E(Nj ) = pj = [Link]
i=1 i=1
n n
Xji ) V (Xji ) − 2 Cov(Xji , Xjl )
P P P
et V (Nj ) = V ( =
i=1 i=1 1≤i≤l≤n

3
 Or ∀i, l, Cov(Xji , Xjl ) = 0 car les (Xji ) sont indépendants.
n
(pj − p2j ) = [Link] (1 − pj )
P
Donc V (Nj ) =
i=1
3. Calcul de P (N1 = n1 |N2 = n2 )
P (N1 = n1 , N2 = n2 )
P (N1 = n1 |N2 = n2 ) =
P (N2 = n2 )
Cnn1 .pn1 1 .Cnn2 .pn2 2 .
P
P (N3 = n3 , . . . , Nk = nk )
n1 ,...,nk ∈[1,n]
n
P
ni =n−n1 −n2
i=3
P (N1 = n1 |N2 = n2 ) =
Cnn2 .pn2 2 (1 − p2 )n−n2
n−n −n2
n1 (1 − p1 − p2 ) 1

P (N1 = n1 |N2 = n2 ) = Cn−n .pn1 1 .

2
(1 − p2 )n−n2
Verification :
n1 n−n1 −n2
.pn1 1 .(1 − p1 − p2 )
P
Cn−n 2
X 0≤n1 ≤n−n2
P (N1 = n1 |N2 = n2 ) =
(1 − p2 )n−n2
0≤n1 ≤n−n2
X (p1 + (1 − p1 − p2 ))n−n2
P (N1 = n1 |N2 = n2 ) =
(1 − p2 )n−n2
0≤n1 ≤n−n2
X
P (N1 = n1 |N2 = n2 ) = 1
0≤n1 ≤n−n2

Exercice 1.5
1.
−1
Y = ln (1 − X)
λ
X suit une loi uniforme sur [0, 1[ donc Y sur ]0, +∞[.
Calculons la fonction de répartition de Y :

FY (u) = P(Y ≤ u)
−1
= P( ln (1 − X) ≤ u)
λ
= P(ln (1 − X) ≥ −λu)
= P(X ≤ 1 − exp(−λu))
= (1 − exp(−λu))1u≥0

Donc Y suit une loi exponentielle de paramètre λ.

2. Soit l’inverse généralisé de F :
F − (t) = inf {s|F (s) ≥ t}
Montrons que ∀t ∈ [0, 1], F − (t) ≤ u ⇔ t ≤ F (u)

⇒)inf {s|F (s) ≥ t} ≤ u et F étant croissante, on a F (u) ≥ F (s) ≥ t

On a la réciproque par définition d’un inf

Déterminons la loi de Y = F −1 (X)

P(F −1 (X) ≤ t) = P(X ≤ F (t)) = F (t) car X suit une loi uniforme sur [0, 1[
Donc la fonction de répartition de F −1 (X) est F .

4
Chapitre 2
Exercice 2.1
1. Soit X = (X1 , X2 ) ∈ R2 un vecteur aléatoire Gaussien de densité par rapport à la mesure de
Lebesgue sur R2 :
−(x21 +x22 )
2 exp 2
∀(x1 , x2 ) ∈ R , f (x1 , x2 ) =
2π
Soit g : R\{(0, 0)} → R∗+ × [0, 2π[ inversible telle que

g −1 (r, θ) = (r cos θ, r sin θ) et g(X1 , X2 ) = (R, Θ)

Montrons tout d’abord que g −1 est un C 1 -difféomorphisme.

cosθ −r sin θ
|Jac(g −1 )| = =r
sin θ r cos θ

Or r>0 donc |Jac(g −1 )| =

6 0. De plus g −1 est injective, donc par théoréme d’inversion global, g −1
1
est bien un C -difféomorphisme.
Déterminons la loi de (R, Θ) :
2 1θ∈[0,2π[
f(r,θ) = fg(X1 ,X2 ) (r cos θ, r sin θ)|Jac(g −1 )| = (r exp( −r2 ))( 2π )

Identifions la loi en faisant un changement

√ de variable :
2
pour u ∈]0, 1], u = exp −r2 donc r = −2 ln u

∂r 1 −2 1
= √
∂u 2 −2 ln u u
−1
= √
u −2 ln u
6 = 0
√ −1
∀u ∈]0, 1], fu (u) = fr ( −2 ln u) × √
u −2 ln u
√ 1
= u −2 ln u × √
u −2 ln u
= 1
1θ∈[0,2π[
Finalement, f(r,θ) = 2π donc u suit une loi uniforme sur [0, 1[ et θ suit la loi uniforme sur
[0, 2π[.

Exercice 2.2
1. Soit φ : R2+ → R∗+ × [0, 1[ inversible telle que
x
φ−1 (u, v) = (uv, u(1 − v)) et φ(x, y) = (x + y, )
x+y

Montrons tout d’abord que g −1 est un C 1 -difféomorphisme.

v u
|Jac(φ−1 )| = = | − u|
1−v −u

5
 Or u>0 donc |Jac(φ−1 )| =
6 0. De plus φ−1 est injective, donc par théoréme d’inversion global, φ est
1
bien un C -difféomorphisme.

Donc,

fφ(X,Y ) (u, v) = fX,Y (uv, u(1 − v))

= fX (uv)fY (u(1 − v))|Jac(φ−1 (u, v))|
θp+q
= up+q−1 exp(−θu)1u>0 v p−1 (1 − v)q−1 1v∈]0,1[
Γ(p)Γ(q)

Donc X + Y suit une loi γ(p + q, θ)

X
Et X+Y β(p, q) et ils sont indépendants car la densité jointe est égale au produit des deux densités

Exprimons le coefficient B(p, q) à l’aide de la fonction gamma :

Z +∞ Z +∞
Γ(p)Γ(q) = ( tp−1 exp(−t)dt)( tq−1 exp(−u)du))
0 0
Z +∞ Z +∞
= tp−1 exp(−t)uq−1 exp(−u)dtdu
0 0
Z +∞ Z 1
= (xy)p−1 exp(−xy)xq (1 − y)q−1 exp(−x(1 − y))dxdy
0 0
Z +∞ Z 1
= xp+q−1 exp(−x)dx y p−1 (1 − y)q−1 dy
0 0
= γ(p + q)B(p, q)

Γ(p)Γ(q)
D’où : B(p, q) = Γ(p+q)

2. Soit ψ : R2+,∗ → R2+,∗ inversible telle que ψ(x, y) = (x, xy ) et ψ −1 (u, v) = (u, uv )

1 0 u
|Jac(ψ −1 )| = 1 −u =| |
v v2 v2

Donc ψ est un C 1 difféomorphisme

Et, fψ(X,Y ) (u, v) = fX (u)fY ( uv ) vu2 par indépendance
Donc,
Z +∞
θp+q u u u
f X (v) = up−1 exp(−θu)( )q−1 exp(−θ ) 2 du
Y
0 Γ(p)Γ(q) v v v
p+q Z +∞
θ 1 1
= q+1
1v>0 up+q−1 exp(−θu(1 + )du
Γ(p)Γ(q) v 0 v

Or,
1 1
up+q−1 exp(−θu(1 + )) ∼ Cste.Γ(p + q, θ(1 + ))
v v

D’où, Z +∞
1 Γ(p + q)
up+q−1 exp(−θu(1 + ))θp+q du =
0 v (1 + v1 )p+q

6
Finalement,

v p−1 1 Γp+q
f X (v) = 1 v>0
Y (1 + v)p+q v p+q Γ(p)Γ(q)
p−1
1 v
= 1v>0
B(p, q) (1 + v)p+q

7
Chapitre 3
Exercice 3.1 : lois du Chi-2 et de Student
1. Au rang 1 :
1 1 y
fY (y) = 2 √ √ exp(− )
2π 2 y 2

(Remarque : on multiplie par 2 puisque le changement de variable oblige à se restreindre à R+∗ )

On procède ensuite par récurrence. Supposons le résultat vrai pour un n ∈ N. Montrons qu’il est
vrai pour n + 1 :

2
` 2
On a Yn+1 = Yn + Xn+1 et de plus Yn Xn+1 donc fYn+1 = fYn ∗ fXn+1
2 .
donc
Z
1 1 1
1R+ (s) ∗ n n e− 2 ∗ x 2 −1 ∗ 1R+ (y − x) √
x n
fYn+1 (y) = √ dx
R 2 Γ( 2 )
2 2π 2 y − x
−(n+1)
2 2
= 1y≥0 e− 2 y
y n+1
2 −1
Γ( n+1
2 )

On utilise en effet le résultat :

B( n2 , 12 ) B( n2 , 12 )
√ n = n+1
2π2 Γ( n2 )
2 2 2 Γ( n+1 n 1
2 )B( 2 , 2 )

2. On a

E(Y1 ) = E(X12 ) = 1
d’où

E(Yn ) = E( E(Xi2 ) = n
X X
Xi2 ) =

De même

X
V ar(Yn ) = V ar( Xi2 )
X
= V ar(Xi2 ) par indépendance
(E(Xi4 ) − E(Xi2 )2 )
X
=
= 2n

Par I.P.P, on montre que :

E(Xi4 ) = 3
3. Loi de Student.
Soit ψ : RxR+∗ → RxR+,∗ inversible telle que

x
ψ(t, s) = ( √ , y)
y
et √
ψ −1 (x, y) = (t s, s)

8
 √ t
s √ √
|Jac(ψ −1 )| = 2 s = s
0 1
Donc ψ est un C 1 difféomorphisme

Z
1 1 s n+1
fTn0 (t) √ 2 2 −1 ds
= n n exp(− (1 + t ))s
R
+∗ 2π 2 2 Γ( 2 ) 2
1 Γ( n+1
2 ) n+1
= √ n (1 + t2 )− 2
π Γ( 2 )

√
Puis par changement de variable simple Tn = nTn0 , on a directement :

1 Γ( n+12 ) y 2 − n+1
fTn0 (y) = √ (1 + ) 2
nπ Γ( n2 ) n
4.
1 Γ( n+1
2 ) y 2 −(n+1)
Z Z
|y|α fTn (y)dy = √ n |y|α (1 + ) 2 dy
R nπ Γ( 2 ) R n

en +∞ :

y 2 − n+1 |y|−(n+1)
|y|α (1 + ) 2 ∼∞ |y|α −(n+1)
n n 2
Pour α = 1 (moment d’ordre 1) :

y 2 − n+1
|y|α (1 + ) 2 ∼∞ Cste.|y|−n
n
Donc c’est intégrable pour n > 1.

Pour α = 2 (moment d’ordre 2) :

y 2 − n+1
|y|α (1 + ) 2 ∼∞ Cste.|y|−(n−1)
n
Donc c’est intégrable pour n > 2.

Exercice 3.2
n n
X X z
Fz (z) = P [Z ≤ z] = P [−2 log F (Xi ) ≤ z] = P [ log F (Xi ) ≥ − ]
i=1 i=1
2
par propriétés de log :
n n
Y z Y z
= P [log( F (Xi )) ≥ − ] = P [ F (Xi ) ≥ e− 2 ]
i=1
2 i=1
par équivalence des Xi :
z z z
= P [F (X1 )n ≥ e− 2 ] = P [F (X1 ) ≥ e− 2n ] = P [X1 ≥ F −1 (e− 2n )]
z
= 1 − P [X1 ≤ F −1 (e− 2n )]
z
= 1 − F (F −1 (e− 2n ))
z
= 1 − e− 2n
Z suit la loi exponentielle

9
Exercice 3.3
1. La proposition est vraie pour p=1. On suppose qu’elle est aussi vraie pour un certain p fixé dans N.
càd :
Xp X p
Z= Xi ∼ P( λi = λz )
i=1 i=0
On cherche la loi de Z + Xp+1
K k−i
X z i −λp+1 λp+1
P [Z + Xp+1 = K] = (e−z )(e )
i=0
i! (k − i)!
k
e−(z+λp+1 ) X k!
= z i λk−i
p+1
k! i=0
i!(k − i)!
| {z }
f ormule du binome

e−(z+λp+1 )
= (z + λp+1 )k
k!
ce qui démontre la proposition.
2.
n
X
Nn = 1{Xi =0}
i=1

P [Xi = 0] = e−λi . Alors si λ1 = λ2 = ... = λi = ... = λn = λ :

Nn ∼ B(n, eλ )
sinon :
n
X n
X
E(Nn ) = e−λi V ar(Nn ) = e−λi (1 − eλi )
i=1 i=1

Exercice 3.4
Soit (X)n∈N une suite de variables aléatoires réelles indépendantes.
1. Mq
+∞
X
P (sup Xn < +∞) = 1 ⇔ ∃A > 0, t.q. P (Xn > A) < +∞
n
n=1
(⇐) P
on pose An = (Xn > A), n ∈ N. On a n∈N P (An ) < +∞ : Donc par B.C. :
P (lim sup(An )) = 0
n

il est donc impossible, qu’une infinité de An soient réalisées. Donc ∃k ∈ N et I ⊂ N de cardinal k,

t.q. ∀i ∈ I, Xi > A et ∀i ∈
/ I, Xi ≤ A On a alors :
sup((Xn )n∈N ) = sup((Xi )i∈I , A)
⇒ ( sup Xn < +∞) = (sup Xi < +∞)
N ∈N i∈I
Or P (supi∈I (Xi ) < +∞) = 1 car I est fini et @Xi = +∞.

(⇒)
P P (supn∈N Xn < +∞) = 1 (∗).
On suppose que PRaisonnement par l’absurde :
Si ∀A ∈ R+ , n∈N P (Xn > A) diverge. Càd n∈N P (Xn > A) = +∞, on peut appliquer B.C. car
les (Xn > A) sont indépendantes (puisque les Xn le sont). On obtient :
P (lim sup An ) = 1, ∀A ∈ R
n

Ce qui montre que supn∈N Xn = +∞ : Contradiction avec (∗).

10
 2. On suppose de plus que les Xn suivent la même lois. Mq :
Z
Xn
P( → 0) = 1 ⇔ |X1 |dP < +∞
n Ω

(⇒)
On suppose que P ( Xnn → 0) = 1. ( Xnn )n∈N converge p.s. et donc elle est bornée p.s. Alors
∃M > 0, ∀n ∈ N t.q. | Xnn | ≤ M donc |Xn | ≤ M · n pour n = 1 : |X1 | ≤ M et on a bien :
Z
|X1 |dP < +∞
Ω

(⇐)
On utilise la loi forte des grands nombres (Kolmogorow, 1929) :

Si (Xn )n∈N est une suite de v. a. i.i.d. on a équivalence entre :

i E(|X1 |) < +∞
ii la suite X1 +...+X
n
n
converge p.s.
X1 +...+Xn
De plus, si l’une de ces deux conditions équivalentes est remplie, alors la suite n converge
p.s. vers la constante E(X1 )
Sn X1 +...+Xn n→+∞ Xn Sn Sn−1 Sn
R
On suppose Ω
|X1 |dP < +∞ donc n = n −−−−−→ E(X1 ). On a n = n − n = n −
p.s.
n−1 Sn−1 n→+∞ n−1
n n−1 − −−−−→ E(X1 )−(limn→+∞ n )E(X1 ) = (limn→+∞ n1 )E(X1 ). Et puisque E(|X1 |) < +∞
p.s.
on a bien :
Xn n→+∞
−−−−−→ 0
n p.s.

Càd :
Xn
P( → 0) = 1
n

Remarques concernant le dernier TD

On montre d’abord les implications suivantes :

P(n→∞
lim Xn = X) = 1 ⇒ P(∀ ≥ 0, ∃n ≥ 0, ∀k ≥ n, | Xk − X |≤ ) = 1
1
⇒ P(∀p ∈ N∗ , ∃n ≥ 0, ∀k ≥ n, | Xk − X |≤ ) = 1
p
1
⇒ P(∩p≥1 ∪n≥0 ∩k≥n | Xk − X |≤ ) = 1
p
1
⇒ ∀p ≥ 1, P(∪n≥0 ∩k≥n | Xk − X |≤ )=1
p
⇒ ∀ ≥ 0, P(∪n≥0 ∩k≥n | Xk − X |≤ ) = 1
⇒ ∀ ≥ 0, P(∪n≥0 | Xk − X |≤ ) %n→∞ 1
P(| Xk − X |≥ ) ≤ ∞
X
⇒
n

On obtient l’équivalence en ajoutant l’hypothèse d’indépendance des Xn .

Exercice 3.5
Soit X une variable aléatoire de densité h1 . On a alors λX une variable aléatoire de densité hλ , où
λ ∈ R. Soit g une fonction bornée presque partout. Cela équivaut à

∃B/µ(B) = 1, ∃c ∈ R/∀x ∈ B, | g(x) |≤ c

11
On a alors : Z
lim (g ∗ hλ )(x0 ) = lim g(x0 − y)hλ (y)dy
λ→0 λ→0 R
On applique le lemme de transport. On obtient alors :
Z
lim (g ∗ hλ )(x0 ) = lim g(x0 − λx) hλ (λx) dx
λ→0 λ→0 R | {z }
h1 (x)

On applique alors le théorème de convergence dominée en posant :

φ : (λ, x) → g(x0 + λx)h(x)

Les hypothèses suivantes sont vérifiées :

– ∀x ∈ B̄, | φ(λ, x) |≤ c h(x)

– φ(λ, .) →C.S
λ→0 g(x0 )h1 (x)
– φ est continue par rapport à λ
On obtient alors :
Z
lim (g ∗ hλ )(x0 ) = lim g(x0 − λx)h1 (x)dx
λ→0 R λ→0
= E( lim g(x0 − λx)) = g(x0 )
λ→0

D’où le résultat.

12
Chapitre 4
Exercice 4.1
1. On a (Xn )N ∼ B(1, pn ), où les Xi sont indépendantes.
On rappelle qu’on a :

P(Xn = 0) = 1 − pn

∀n ∈ N
P(Xn = 1) = pn
On a :

(∀ > 0, P(| Xn |> ) →n→∞ 0) ⇒ pn → 0

car :

pn si  ∈]0; 1]
P(| Xn |> ) = 0 si  > 1
Réciproquement, supposons que pn →n→∞ 0. Puisque on a :

P(| Xn |≥ ) = pn ou 0 selon que pn > ou < 0

On a clairement que :

∀ ≥ 0, lim
n→∞
P(| Xn |≥ ) = 0
D’où le résultat.
D’où l’équivalence.
2. Montrons que :
X
Xn →P S
n→0 = X ⇔ pn < ∞
n∈N

En considérant que les Xn sont indépendants, on a :

P(| Xn |≥ ) < ∞ d’après le cours.

X
Xn →P S
n→0 = X ⇔ ∀ > 0,
n∈N

Donc :
X
Xn →P S
n→0 = X ⇔ ∀ > 0, pn < ∞ toujours d’après le cours.
n∈N

Exercice 4.2
1. cf. ce qui précède
2. (a) On pose :
Yn
Xn =
ns
On a :

P(| Xn |≥ ) = P(| Yn |≥ ns )

= P((Yn ≥ ns ) ∪ (Yn ≤ −ns ))
= P(Yn ≥ ns ) + P(Yn ≤ −ns )
≥ P(Yn ≥ ns )

13
 Or :

P(Yn ≥ ns ) = 1 − F0 (ns )

Et :

F0 (ns ) →n→∞ 1
car F0 ∈ C 0 .

On obtient alors que :

P(| Xn |) ≥  →n→∞ 0, ∀ ≥ 0
D’où la convergence en proba.
(b) On a :

P(| Xn |≥ ) < ∞
X
Xn →ps 0 ⇔
n

(P(Yn ≥ ns ) + P(Yn ≤ −ns )) < ∞

X
⇔
X
⇔ (1 − F0 (ns ) + F0 (ns ) < ∞

(c) Si Y ∼ eθ . On a F0 (y) = 1 − e−θy et :

s
(1 − F0 (ns ) + F0 (ns ) = 1 − (1 − e−θn )
| {z }
=0

Donc le terme principal de la série vaut :

s
e−θn
On a de plus :

s 1
e−θn = ◦∞ ( )
n2
D’où la convergence de la série, et d’après ce qui précède, d’où la convergence presque sûre de
la suite (Xn )N .
3. On rappelle que :
Xn →loi ⇔ ∀f ∈ M, E(f (Xn )) → E(f (X))
Montrons la convergence en proba. On a :

P(| Xn |≥ ) = E(1{|Xn |≥} )

= E(1{|Yn |≥ns } )

Soit N > 0. ∀n ≥ N , on a :
P(| Yn |≥ ns ) ≤ E(1{Yn ≥N s } )
car :
{Yn ≥ ns } ⊂ {Yn ≥ N s }
On a alors, en utilisant l’hypothèse de convergence en loi :

E(1{Yn ≥N s } ) →n→∞ E(1{|Y |≥N s } ) = P(| Xn |≥ N s )

14
 Or :

P(| Xn |≥ N s ) →N →∞ 0
Donc :

P(| Xn |≥ ) →n→∞ 0
D’où le résultat.

Exercice 4.3
Soit Un une suite de variables aléatoires indépendantes de même loi.

∀n ∈ N, Un ∼ N (0, 1)

On pose :
n
X
Vn = k −β Uk , β > 0
k=1

∀n ∈ N la variance de Vn vaut
Pn −2β
k=1 k . La variance converge donc si, et seulement si, β > 21 .
En outre, on a :

V ar(Vn − V
P(| Vn − V |≥ ) ≤
2
∞
1 X
≤ k −2β
2
k=n+1
1 ∞ dt
Z
≤
2 n+1 t2β
Or :
Z ∞  ∞
dt 1 1
= −
n+1 t2β 2β + 1 t2β−1 n+1

donc :
1 1
P(| Vn − V |≥ ) ≤
2β − 1 n2β−1
1
Or si β > 1, on a la convergence de la série de terme général n2β−1 . Donc finalement, on a aussi la
convergence presque sûre de la suite Vn .
En résumé, si β < 12 , on n’a pas la convergence. Pour β > 1, on a par contre la convergence. Examinons
le dernier cas :
Soit β < 1. On va utiliser le fait que

P(Vn CV ) ⇔ P(Vn de Cauchy )

On a ∀k, n ∈ N :
p=n+k−1
X 1
(Vn+k − Vn ) ∼ N (0, )
p=n
p2 β

donc :
p=n+k−1
1
P(| Vn+k − Vn |≥ ) = P(| U1 |≥ 
X
)
p=n
p2 β

15
Exercice 4.5
n
T n
Q
P(Mn ≤[Link](n)) =P( [Xk ≤[Link](n)]) = P[Xk ≤[Link](n)]
k=1 k=1

= (1-exp(-cln(n)))n =(1- n1c )n

Mn
An = ln(n) ≤c

P(An )=(1- n1c )n =exp([Link](1- n1c ))

1
Or [Link](1- n1c ) ∼- n( c−1)

(1- n1c )n ∼ exp( n( c−1)

1
) qui converge pour c<1 (cf 4.2)

Soit c=1-a, avec a>0

∞S
Pn T ∞
n=1 P(An )<+∞ donc P(limsupAn )=0 limsup(An )= p=n Ap
n
∞S
T ∞ Mn (w)
P( p=n (w tq ln(p) − 1 > −a)) = 1
n
∞
T Mn (w)
P( (w tq infp≥n ln(p) − 1 > −a)
n
Mn (w)
P(w tq supn infp≥n ln(p) − 1 > −a)
Mn (w)
P(w tq liminf ln(p) − 1 > −a) =1
Mn Mn
P( ln(n) ≥ 1 + a)=1-P( ln(n) ≤ 1 + a)=1-(1- n1a )
Mn
P( ln(n) ≥ 1 + a) ∼ exp(- n1a )
Mn b 1 1
P( ln(nb) ≥ 1 + a) ∼ k( a.b)
converge si b > a (c’est le cas)
P∞ Mn b
n=1 P( ln(nb) ≥ 1 + a) < + ∞

Par Borel Cantelli

∞S
T ∞ Mn p
P( p=n ln(np) > 1 + a) =0
n
∞S
T ∞ Mn p
P( p=n ln(np) − 1 ≤ a) = 1
n
∞
T Mn (w)
P( (w tq supp≥n ln(p) − 1 ≤ a) = 1
n
Mn (w)
P(w tq inf n supp≥n ln(p) − 1 ≤ a) =1
Mn (w)
P(w tq limsup ln(p) − 1 ≤ a) =1

Conclusion
Mn b p.s.
limsup ln(nb) −→ 1
Mn b p.s.
liminf ln(nb) −→ 1

Ainsi, par encadrement,

16
 Mn b p.s.
lim ln(nb) −→ 1

Exercice 4.6
Xn suite de variables indépendantes, identiquement distribuées.

E(X1 ) = E(Xk ) = µ
n
P
Sn = Xk
k=1

1. P (Sn ≥ n.a) avec a > µ quand n → +∞

Loi faible des grands nombres

Sn P
n −→ µ < a

P | Snn − µ| >  → 0

µ<a

P ( Snn > a) = P Sn


n −µ>a−µ →0
a−µ
or  >0

2. ∃ k > 0/E(exp(θn .X1 )) < +∞

E(exp(θ.X1 )) < +∞ ∀θ ∈]θ1 , θ0 ]

∀θ < θ0 , θ1 < θ0

exp (θ.X1 ) < 1 si X1 < 0

exp (θ.X1 ) < exp (θ0 .X1 ) si X1 > 0

E(exp(θ.X1 )) < P (X1 < 0) + P (exp (θ0 .X1 )) < +∞

3. φ(0) = E(exp (θ0 .X1 )

On veut que P (Sn ≥ n.a) ≤ exp (−n.(aθ − ln(φ(θ))))

Inégalité de Markov avec f = exp θ avec θ > 0

E(f (X))
f croissante P (X ≥ a) ≤ f (a)

P (Sn ≥ n.a) ≤ E(exp(θ.Sn )) = exp(−θn .a)

17
 n
X
E(exp(θ.Sn )) = E(exp(θ. Xk ))
k=1
n
Y
= E( exp(θ.Xk ))
k=1
n
Y
= E(exp(θ.Xk ))
k=1
n
= E (exp(θ.Xk ))
= [φ(θ)]n

donc P (Sn ≥ n.a) ≤ exp(ln[φ(θ)]n ). exp(−nθ.a)

18
Chapitre 5
Exercice 5.2
Pour X variable aléatoire réelle ayant une fonction caractéristique de la forme
2
Φx (t) = eAt +Bt+C

On a
Φx (0) = E(1) = 1
et
Φx (0) = eC
D’où
C=0

2 2
Φ0x (t) = (At2 + Bt)0 eAt +Bt+C
= (2At + B)eAt +Bt+C

Donc
Φ0x (0) = B
Or
Φ0x (0) = iµ
D’où
iµ = B

On a
σ 2 = E(X 2 ) − E(X)2
Or
E(X 2 ) = −Φ00x (0)
Et ici :
Φ00x (0) = 2A + B 2
Donc
σ 2 = −2A − B 2 − µ2 = −2A − B 2 + B 2 = −2A

Or on sait que si (et seulement si) X ,→ N (µ, σ 2 ) alors sa fonction caractéristique est de la forme
σ 2 t2
Φx (t) = e− 2 +µit

19
Exercice 5.6
1. Pour Xn de moyenne m et de variance σ 2 , on pose :

Xn − m
Xn0 =
σ
X Y − nm
Y0 = X0 =
σ
P 0
X Xn 2
Z0 = (Xn0 − )
n
Alors on a :
P
Xn
X Xn − m m
0
Z = ( − σ
+ )2
σ n σ
2
P
(Xn − m)
Z0 =
σ2
donc :

Z
Z0 =
σ2
Y − nm
Y0 =
σ
donc Y et Z sont indépendants si et seulement si Y’ et Z’ le sont
Finalement : Y et Z sont gaussiens si et seulement si Y’ et Z’ le sont.
2. Pn Pn
n 2
X j=1 Xj ( j=1 Xj )
Z= (Xi2 − 2Xi +
i=1
n n2
n Pn Pn Pn
( j=1 Xj )2
P
X i=1 j=1 Xi Xj i<j Xi Xj
Z=( Xi2 ) − 2 + +2
i=1
n n n2
n Pn P P
X
2 ( i=1 Xi )2 i<j Xi Xj i<j Xi Xj
Z=( Xi ) − −4 +2
i=1
n n n
n P
1 X 2 i<j Xi Xj
Z = (1 − ) Xi − 2
n i=1 n

d’ou, puisque E(Xi2 ) = 1 et E(Xi ) = 0 (Xi centree reduite) :

n P
1 X i<j E(Xi )E(Xj )
E(Z) = (1 − ) 1−2
n i=1 n

E(Z) = n − 1
3. Par independance de Y et de Z :

E(ZeiuY ) = E(Z)E(eiuY )
n
Y
E(ZeiuY ) = E(Z)E( eiuXk )
k=1
iuY n
E(Ze ) = E(Z)Φ(u)

20
4.
n
E(Xj Xk eiuY
P
iuY 1 X j<k
E(Ze ) = (1 − ) E(Xj2 eiuY ) − 2
n j=1 n
n n Qn
eiuXl )
P
iuY 1 X Y j<k E(Xj Xk l=1
E(Ze ) = (1 − ) E(Xj2 eiuXk ) − 2
n j=1 n
k=1

or :
n
Y
E(Xj2 eiuXk ) = E(Xj2 eiuXj )(E(eiuX1 ))n−1
k=1
n
Y
E(Xj Xk eiuXl ) = E(Xj eiuXj )E(Xk eiuXk )(E(eiuX1 ))n−2
l=1

De plus :
Φ(u) = E(eiuX )
0
Φ (u) = iE(XeiuX )
Φ” (u) = −E(X 2 eiuX )
donc : 0
n
−(Φ (u))2 (Φ(u))n−2
P
iuY 1 X j<k
E(Ze ) = (1 − ) −Φ” (u)(Φ(u))n−1 − 2
n i=1 n
0
(Φ (u))2 (Φ(u))n−2 n(n − 1)
E(ZeiuY ) = −(n − 1)(Φ(u))n−1 Φ” (u) + 2
n 2
d’ou, finalement : 0
E(ZeiuY ) = (n − 1)Φ(u))n−1 ((Φ (u))2 − Φ(u)Φ” (u))
0
5. Prouvons que Φ n’est jamais nulle : Supposons, par l’absurde, que Φ s’annule en u0 . Alors Φ (u0 ) = 0.
D’apres le théorème de Cauchy-Lipschitz, Φ est la fonction nulle. C’est absurde.
Donc Φ n’est jamais nulle. En divisant par Φ(u))n−1 , on obtient l’équation différentielle suivante :
0
Φ” (u)Φ(u) − (Φ (u))2 = (Φ(u))2

Donc 0
Φ 0
( ) = −1
Φ
Finalement : 0
(ln Φ(u)) = −u + B
avec B constante réelle
u2
Φ(u) = e− 2 +Bu+C

avec C constante réelle

or B = C = 0 d’apres l’exercice 5.2 donc
u2
Φ(u) = e− 2

donc X suit une loi normale centree reduite.

21
Exercice 5.9
X et Y sont des variables aleatoires iid et suivent la loi U[0,1] , D = X − Y
1. (a) Produit de convolution → fX+Y = fX ∗ fY
donc fX−Y R = fX ∗ f−Y ou f−Y (y) = fY (−y)
fX−Y = s∈R fX (u − s)fY (−s)ds
R
= s∈R 1[0,1] (u − s)1[0,1] (−s)ds, −1 ≤ s ≤ 0, u − 1 ≤ s ≤ u
s ∈ [0, 1] ⇒ u ∈ [−1, 1]
R0
fX−Y (u) = −1 1[0,1] (u − s)ds
Ru
– u ≤ 0, −1 ≤ s ≤ u, fX−Y (u) = −1 ds = 1 − u
R0
– u ≥ 0, u − 1 ≤ s ≤ 0, fX−Y (u) = u−1 ds = 1 − u
Donc fX−Y (u) = (1 − |u|)1u∈[−1,1]
(b) Loi de aD, a ≥ 0
s 1
φ : u → au φ−1 : s → (φ−1 )0 =
a a
1 |t|
fas (t) = (1 − 1t∈[−a,a] ) ← πa
a a
(a)
Z
π̂a (t) = exp(−itx)πa (x)dx
ZRa
1 |x|
= exp(−itx) (1 − )dx
−a a a
Z 0 Z a
1 x 1 x
= (1 + ) exp(−itx)dx + (1 − ) exp(−itx)dx
a −a a a 0 a
2
= 2 2 (1 − Re(exp(ita)))
a t
(b) x 7→ π1 1−cos(ax) (≥ 0) π̂a−1 1
R
ax2 (t) = 2π w
exp(iwt)π̂a (w)dw = πa (t)
−1 1
R
π̂a = πa (0) = a donc f (x)dx = aπa (0) = 1
de plus f (x) ≥ 0∀x
Donc f est une densite de probabilite.
(c)
Z
1
L̂a (w) = exp(−iwt)La (t)dt
2π
Z
1
= exp(−iwt)πaπ̂a (t)dt
2π
= πaπa (−w)
C’est des lois complementaires.

Exercice 5.10
P1 proba sur (R, BR ) ← φ1 , f1
P2 proba sur (R, BR ) ← φ2 , kφφ11 k
Soit t ∈ R
φ2 (t) = E[exp(itf2 )]
Z
= exp(ity)f2 (y)dy
R
Z
1
= exp(ity)φ1 (y)dy
kφ1 k R
Z
2π 1
= exp(ity)φ1 (y)dy
kφ1 k 2π R

22
Donc
2π
φ2 (t) = φ1 (−t), ∀t ∈ R
kφ1 k1

23
Chapitre 6
Exercice 6.1
On considere 2n+1 points repartis independamment et uniformement sur [0,1].
Soit Vn+1 le (n+1)-eme dans l’ordre croissant. Calculer la densite de Vn+1 et en deduire celle de
√ 1
Xn = 2 2n(Vn+1 − ) (1)
2
On note les points Ai . Ils suivent une loi normale centree reduite.
Soient A ∈ [0, 1], m ∈ 1, ..., n + 1 et Nn+1 l’evenement "au moins n + 1 points sont inferieurs a A".
n+1
[
P(Nn+1 ) = P( (n + i)points ≤ A)
i=1
n+1
X
= P((n + i)points ≤ A)
i=1

Puisque les evenements sont disjoints.

n+1
X
n+i
F (A) = C2n+1 An+i (1 − A)n+1−i
i=1

D’ou :
n+1
X
n+k
f (A) = C2n+1 ((n + k)An+k−1 (1 − A)n+1−k − (n + 1 − k)An+k (1 − A)n−k−1
k=1
n
X n
X
n+k−1 n+k−1 n+k n+k
= (2n + 1)C2n A (1 − A)n+1−k − (2n + 1)C2n A (1 − A)n−k−1
k=1 k=1
n
X n+1
X
n+k−1 n+k−1 n+k−1 n+k−1
= (2n + 1)[ C2n A (1 − A)n+1−k − C2n A (1 − A)n+1−k ]
k=1 k=2
n 2n+1
= (2n + 1)[C2n (A(1 − A))n − C2n (A(1 2n
− A)) ]
n
= (2n + 1)C2n (A(1 − A))n
√
Soit T : Vn+1 7→ Xn = 2 2n(Vn+1 − 12 )
Alors T −1 (x) = 2√x2n + 12

Calculons la densite de Xn :

fXn (x) = fVn+1 (T −1 (x))|(T −1 )0 (x)|

2n + 1 n x 1 1 x
= √ C2n ( √ + )n ( − √ )n
2 2n 2 2n 2 2 2 2n
2n + 1 n 1 n x2 n
= √ C2n ( ) (1 − )
2 2n 4 2n

etudier la convergence en loi de Xn quand n tend vers +∞

E[Vn+1 ] = 21 et V (Vn+1 ) = 2√12n

On s’attend donc a ce que Xn →L N (0, 1) (TCL)

24
Theoreme de Schelle :
Si fn →CS f0 Alors Xn →L X0 et f0 densite de X0

Formule de Stirling
√ :
n! ∼n→+∞ ( ne )n 2πn

2n + 1 (2n)! 1 X2
fn (X) = √ exp(n ln(1 − 2n ))
2 2n (n!)2 4n
| {z }
On note cette constante α
(2n)! 22n
(n!)2 ∼n→+∞ √
πn

2n+1 √1
α ∼n→+∞ √
2n 2π
∼n→+∞ 2π

X2 2
ln(1 − 2n ) = −X 2
2n + σ(X )

Exercice 6.4
1. demonstration par l’absurde : Sq ∃ (Xf (n) , Yf (n) ) une sous-suite de (Xn , Yn ) tq Xf (n) ⊥⊥ Yf (n) .
Pour les fonctions caractéristique il vaut :

ϕXf (n) ,Yf (n) = ϕXf (n) ϕYf (n)

L L t2 s2
Xf (n) −→ N (0, 1) et Yf (n) −→ N (0, 1), donc ϕXf (n) (t) → e− 2 et ϕYf (n) (s) → e− 2 et alors :

s2 +t2
ϕXf (n) ,Yf (n) (t, s) −→ e− 2

  
−s
2 +t2
1 p t
et e 2 = exp(− t s ) ⇒ p = 0. ABSURDE !
p 1 s
2. (a) on veut :
V (X, Y ∗ ) = I2
     
∗ X X
t X

V (X, Y ) = V (X, aX + bY ) = V (A ) = E(A X Y A ) = AE( X Y )At
Y Y Y
     
1 0 1 p 1 a 1 a + bp
= =
a b p 1 0 b a + bp a2 + 2abp + b2

on cherche a et b tq (i) a + bp = 0 et (ii) a2 + 2abp + b2 = 1 et on obtient :

1 p
b = p , a = − p ;  = ±1
1−p 2 1 − p2

pour ces valeurs on a :

(Xn , Yn∗ ) → N (0, I2 )
(b) on a
fZn∗ (x) = f Yn∗
Xn

x −1
par changement de variable avec T (x, y) = (x, y ); T (u, v) = (u, uv) :

L 1 − u2 − (uv)2
fXn ,Zn∗ (u, v) = fXn ,Yn∗ (u, uv)|u| −→ e 2 e 2 |u|
2π
Z
1 − u2 − (uv)2
fZ ∗ (v) = e 2 e 2 |u|du
2π

25
 Z Z
u − u2 (1+v2 ) u − u2 (1+v2 )
= e 2 du − e 2 du...
R 2π R− 2π
1
... =
π(1 + v 2 )
loi de Cauchy
∗
Zn −a z−a
(c) Zn = b donc fZn −→ f Zn∗ −a . soit x = b ⇒ z = xb + a. alors :
b

|b|
f Z ∗ −a (z) = fZ ∗ (xb + a)|b| =
b π(1 + (bx + a)2 )
3. cas particulier : a=b=1
4. p = 0 i.e. les lois de X et Y sont ind.

Exercice 6.6
{Xn } est une suite de variables aléatoires indépendantes, de loi N (m, σ 2 ).
∀i ∈ N ∗ , Yi =| Xi |
∀n ∈ N ∗ , Tn = mini∈Nn (Yi )

Tn → 0 p.s.?
La convergence presque sûre équivaut à avoir : P (supn≤p Tn > ) → 0, p → ∞
En plus, on a supn≤p Tn ≤ Tp , car les Tn sont décroissants avec n, les ensembles i ∈ Nn (Yi ) étant croissants
au sens de l’inclusion. Il s’agit donc là de montrer que :
P (Tp ≥ ) → 0 lorsque p → ∞.
P (Tp > ) = P (min Yi > )
= P (∀i ∈ Np , Yi > )
= P (∀i ∈ Np , |Xi | > )
= P (∀i ∈ Np , Xi >  ou Xi < −)
= [1 − P (− < Xi < )]p les (Xi ) étant i.i.d
Comme 1 − P (− < Xi < ) < 1, alors [1 − P (− < Xi < )]p → 0, p → ∞ ;
Donc Tn → 0 p.s.

α > 0 et on suppose m > 0

P (Zn > ) = P (T n > nα )
On a : n2α . exp(− 2σ1 2 .( nα + m)2 ) ≤ P (Zn > ) ≤ 2 1 
nα . exp(− 2σ 2 .( nα − m)2 )
or P (Zn > ) = [1 − P (− nα < Xi < nα )]n
Pour α = 1, loi limite
m2
P (Zn > ) → exp ( √−2 2πσ 2
. exp − 2σ 2)

Convergence de la f.d.r → Convergence en loi

m2
−2 exp(− 2σ 2)
Donc, en conclusion, on a que : Zn → exp( √
2πσ 2
) en loi.

Exercice 6.7
X+Y
X et Y variables aléatoires i.i.d On suppose σ 2 ≤ ∞. On suppose également que 2 v X, Y . Posons :
X̄ = n1 . 1≤i≤n Xi
P
√
D’après le T.C.L, nX̄ → N (m, σ 2 ) en loi.
Soient X1 , X2 , X3
, X4
X1 +X2
vµ X1 +X2 X +X
+ 32 4
2
X3 +X4 ⇒ 2
2 vµ
2 vµ
DoncPpar récurrence,
√1 ∗
2k 1≤i≤2k Xi v µ ∀k ∈ N
1
donc si k ← ∞, √ k 1≤i≤2k Xi v N (mσ 2 )
P
2
donc par unicité de la limite : µ = N (mσ 2 ).

26