ISFA Lyon 2018 - 19

L3 Actuariat [email protected]
Probabilités Avancées CC - Correction [email protected]

1 Vecteurs gaussiens Pour la covariance, on a :

Exercice 1 Cov(Y1 , Y2 ) =Cov(2X1 + 2X2 , X1 − 2X3 )

1. Une matrice est une matrice de covariance si et seulement si elle est sy- =2Var(X1 ) − 4Cov(X1 , X3 ) + 2Cov(X2 , X1 ) − 4Cov(X2 , X3 )
métrique et semi-définie positive. On a que t Σ = Σ donc la matrice est =0.
symétrique. Pour montrer qu’elle est semi-définie positive, on va calculer les
mineurs principaux. On a donc que la matrice de covariance Σ0 de Y est donnée par :
 
8 0
4 −2 0 Σ0 = .
4 −2 0 12
4 = 4, = 4 et −2 2 1 = 4.
−2 2
0 1 2 4. Le vecteur aléatoire (Y1 , Y2 ) est une vecteur aléatoire et Cov(Y1 , Y2 ) = 0
donc Y1 et Y2 sont indépendants.
Tous les mineurs sont strictement positifs donc la matrice Σ est définie posi-
5. Le vecteur gaussien X est centré donc le vecteur gaussien Y est également
tive, en particulier elle est semi-définie positive, de plus elle est symétrique,
centré. Le vecteur aléatoire Y est un vecteur gaussien centré de matrice de
on en déduit que c’est une matrice de covariance.
covariance Σ0 donc sa fonction caractéristique ϕY : R2 7→ C est donné par :
2. Un vecteur aléatoire est un vecteur gaussien si et seulement si toute com-   
  8 0 u1 
binaison linéaire de ce vecteur suit une loi normale. Soit α1 , α2 ∈ R deux − 12 u1 u2 
0 12 u2
réels. On a : ϕY (u1 , u2 ) =e
1 2 2
=e− 2 (8u1 +12u2 )
α1 Y1 + α2 Y2 =α1 (2X1 + 2X2 ) + α2 (X1 − 2X3 )
2 2
=(2α1 + α2 )X1 + 2α1 X2 − 2α2 X3 . =e−4u1 −6u2

Toute combinaison linéaire de Y est donc une combinaison linéaire de X or 2 Convergence de suites de variables aléatoires
X est un vecteur gaussien donc toute combinaison linéaire de X suit une
loi normale. On en conclut que toute combinaison linéaire de Y suit une loi Exercice 2 (Minimum
∗
d’exponentielles)
normale donc Y est un vecteur gaussien. 1. Soit n ∈ N et x ∈ R. Soit Fn la fonction de répartition de Yn , on a :

3. Pour les variances, on a : Fn (x) = P(Yn ≤ x) = 1 − P(Yn > x) = 1 − P(X1 > x, . . . , Xn > x).

Les (Xi )i∈N∗ étant iid, on a :

Var(Y1 ) =Var(2X1 + 2X2 ) = 4Var(X1 ) + 8Cov(X1 , X2 ) + 4Var(X2 ) = 8,
Var(Y2 ) =Var(X1 − 2X3 ) = Var(X1 ) − 4Cov(X1 , X3 ) + 4Var(X3 ) = 12. 1 − P(X1 > x, . . . , Xn > x) = 1 − P(X1 > x)n .

1
 Si x < 0, P(X1 > x) = 1 et donc Fn (x) = 0. Exercice 3 (Convergence d’une suite de variable aléatoire)
Si x ≥ 0, on a : 1. La fonction fXn définit une densité sur R si et seulement si elle est positive
+∞
Z et d’intégrale 1. La fonction est clairement positive, il reste juste à prouver
P(X1 > x) = e−t dt = e−x . qu’elle est d’intégrale 1. On a :
t=x
Z Z∞  +∞
−x
On trouve alors Fn (x) = 1 − (e )n = 1 − e −nx
. On a donc que la fonction n n 1
1 (x)dx = = − = 1.
de répartition de Yn est donnée par : (1 + nx)2 [0,+∞[ (1 + nx)2 1 + nx 0
x∈R x=0

Fn (x) = 1 − e−nx 1[0,∞[ (x).

On en conclut que fXn définit bien une densité sur R.
On reconnaît la fonction de répartition d’une exponentielle de paramètre n. 2. Les variables aléatoires Xn sont positives, on a donc pour tout ε > 0 :
2. Les variables aléatoires (Xi )i∈N∗ sont positives donc les variables aléatoires Z∞  +∞
(Yi )i∈N∗ sont aussi positives. On en déduit que pour tout ε > 0 : n 1 1
P (|Xn − 0| > ε) = P (Xn > ε) = 2
= − = .
(1 + nx) 1 + nx ε 1 + nε
−nε
P(|Yn | ≥ ) = P(Yn ≥ ε) = e . x=ε

Puisque ε > 0 alors |e−ε | < 1 donc la série géométrique de terme générale Pour tout ε > 0, on a que :
e−nε est sommable. On a donc :
1
→0
X X e−ε 1 + nε
P(|Yn | ≥ ε) = e−nε = < ∞.
1 − e−ε
n≥1 n≥1 donc P (|Xn − 0| > ε) → 0 donc Xn converge en probabilité vers 0.
Par le lemme de Borel-Cantelli, on en conclut que Yn converge p.s vers 0. 3. Les (Xn )n∈N∗ étant indépendant, on peut appliquer le lemme de Borel-
Cantelli qui nous dit que la suite (Xn )n∈N∗ converge presque sûrement vers
0 si et seulement si pour tout ε > 0 :
X
P (|Xn − 0| > ε) < ∞.
n≥1

On a :
X X 1
P (|Xn − 0| > ε) = .
1 + nε
n≥1 n≥1

2
 1 1 On peut maintenant appliquer l’inégalité de Tchebychev (ce qui revient à
De plus on sait que pour tout ε > 0, ∼ et la série de terme
1 + nε nε montrer la convergence dans L2 ). Pour tout ε > 0, on a :
1
générale diverge donc
nε
     
Sn Sn Sn
P − 0 ≥ ε =P −E ≥ε
nα nα nα
X 1
= +∞. Var nSαn


1 + nε ≤
n≥1
ε2
n1−2α
On en conclut, par le lemme de Borel-Cantelli, que la suite (Xn )n∈N∗ ne = 2 .
ε
converge pas presque sûrement vers 0.
1
Si α > alors n1−2α → 0 et donc pour tout ε > 0
Exercice 4 (Convergence et marche aléatoire simple) 2
1. C’est la loi des grands nombres qui donne le résultat pour n = 1. Pour tout
 
Sn
|Sn | |Sn | P −0 ≥ε →0
α ≥ 1, pour tout n ∈ N∗ , on a que α ≤ . Par conséquent, si presque nα
n n
Sn Sn Sn
sûrement → 0 alors presque sûrement α → 0. et donc converge en probabilité vers 0.
n n nα
1 3. Soit λ ≥ 0. On a, pour tout i ∈ N∗ :
2. Soit α > . On va appliquer l’inégalité de Tchebychev. On a :
2 1 1
E(eλXi ) = P(Xi = 1)eλ + P(Xi = −1)e−λ = eλ + e−λ = cosh(λ).
  n
! n n 2 2
Sn 1 1 X 1 X 1 X
E = α E(Sn ) = α E Xi = α E(Xi ) = α 0 = 0. Pour tout n ∈ N∗ , on a :
nα n n n n
i=1 i=1 i=1
n
P !
  λ Xi
Pour la variance, on utilise le fait que les Xi sont indépendants, on a donc : λSn
E e =E e i=1

n n n n
! n
X X X X Y  
Var Xi = Var (Xi ) = E(Xi2 ) − E(Xi )2 = 1−0=n = E eλXi les (Xi )i∈N∗ étant indépendants
i=1 i=1 i=1 i=1 i=1
n
Y
On a donc = cosh(λ)
 
Sn 1 n i=1
Var = 2α Var (Sn ) = 2α = n1−2α .
nα n n =cosh(λ)n .

3
 x2
4. (a) Pour tout x ≥ 0, pour tout λ > 0 et pour tout n ∈ N∗ , Sn ≥ x si et Si x = 0, on a e− 2n = 1 donc
seulement si λSn ≥ λx donc
x2
P (Sn ≥ x) ≤ e− 2n .
 
P (Sn ≥ x) = P eλSn ≥ eλx .
x2
Attention, cet argument est faux pour λ = 0. On en conclut que pour tout x ≥ 0, P (Sn ≥ x) ≤ e− 2n .
Par l’inégalité de Markov, on a : 1
5. On fixe α > . On commence par remarquer que la loi des Xi étant symé-
 E eλSn
2
trique pour tout i ∈ N∗ , la loi de Sn est symétrique pour tout n ∈ N∗ . On

λSn λx
P e ≥e ≤
eλx en déduit que pour tout x ≥ 0
=cosh(λ)n e−λx d’après la question précédente
λ2
−λx
P (Sn ≤ −x) = P (Sn ≥ x) .
≤en 2 d’après l’indication.
  λ2
On a donc que pour tout x > 0 :
On a bien P (Sn ≥ x) = P eλSn ≥ eλx ≤ en 2 −λx pour tout x ≥ 0 et
x2
pour tout λ > 0. P (|Sn | ≥ x) = P (Sn ≤ −x) + P (Sn ≥ x) = 2P (Sn ≥ x) ≤ 2e− 2n .
(b) Soit x > 0 et n ∈ N∗ . Soit f la fonction de R+∗ dans R définie par
Pour tout ε > 0, on a donc :
λ2
f : λ → n − λx. 
Sn
 2 n2α 2 2α−1
2 α − ε 2n −ε n2
P − 0 ≥ ε = P (|Sn | ≥ εn ) ≤ 2e = 2e .
La fonction f est dérivable et on a : nα

f 0 (λ) = nλ − x. 1 ε2 n2α−1
Comme α > , 2α − 1 > 0 donc la série de terme générale 2e− 2 est
i xi hx 2
sommable donc pour tout ε > 0
h
On en déduit que f est décroissante sur 0, et croissante sur ,∞
n n
x X  Sn 
donc f admet un minimum en et on a : P − 0 ≥ ε < +∞.
n nα
n≥1
x x2 x x2 x2 x2
f =n 2 −x = − =− .
n 2n n 2n n 2n Sn
Par le lemme de Borel-Cantelli, → 0 presque sûrement.
x nα
Pour x > 0, d’après la question précédente, en prenant λ = , on
n
trouve :
x2
P (Sn ≥ x) ≤ e− 2n .