100% ont trouvé ce document utile (3 votes)

459 vues44 pages

Variance et lois des variables aléatoires

Transféré par

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

100% ont trouvé ce document utile (3 votes)

459 vues44 pages

Variance et lois des variables aléatoires

Transféré par

Lerrys Obiang

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

1ère année Probabilités générales - Cursus Mathématiques ENSAI

TD1 : Variables aléatoires réelles, vecteurs aléatoires

Exercice 1
ex
Soit F : R → R la fonction définie pour x ∈ R par F (x) = 2 1(−∞,0) (x) + 1[0,∞) (x).
1. Montrer que F est une fonction de répartition d’une mesure de probabilité.
2. En cas de réponse positive à la question précédante, on se donne X une v.a.r. de fonction de répartition F . La
variable X admet-elle une densité ?

Exercice 2
2
Soit X une v.a.r. de densité f (x) = xe−x /2
1(0,∞) (x).
1. Vérifier que f est une densité de probabilité.
2. La variable aléatoire Y = X 2 est-elle à densité ? Reconnaı̂tre la loi de Y .
3. Calculer l’espérance et la variance de Y .

Exercice 3
Soit X ∼ N (0, 1).
1. Déterminer les lois de eX (cette loi est appelée loi log-normale), |X| et X 2 (loi du χ2 (1)). Pour ce faire, on déterminera
les fonctions de répartition et les densités.
2. Calculer l’espérance et la variance de ces v.a.r..
3. Calculer le moment d’ordre k (k ∈ N∗ ) de X.

Exercice 4
Une v.a.r. X suit une loi de Weibull W(α, β) si sa densité est égale à :
β
fX (x) = αβxβ−1 e−αx 1R+ (x), α, β > 0.

1. Déterminer la fonction de répartition de X.

2. On suppose que X modélise la durée de vie d’un composant électronique. On appelle taux de panne de X la fonction :

fX (x)
hX (x) = , x ≥ 0.
1 − FX (x)

Expliciter hX .
3. Calculer le moment d’ordre k (k ∈ N∗ ) de X. En déduire l’espérance et la variance de X.

Exercice 5
Montrer qu’une v.a. X non identiquement nulle à valeurs positives suit une loi exponentielle si et seulement si elle est
diffuse et sans mémoire, i.e. pour tous s, t > 0 : P(X > s + t|X > s) = P(X > t).

Exercice 6
La loi bêta de 1ère espèce βI (a, b), a, b > 0, admet pour densité :
Z 1
1
f (x) = xa−1 (1 − x)b−1 1[0,1] (x), où B(a, b) = xa−1 (1 − x)b−1 dx.
B(a, b) 0

Γ(a)Γ(b)
1. Montrer que B(a, b) = Γ(a+b) pour tous a, b > 0.
2. Soit U ∼ U[0,1] . Montrer que U et U 2 suivent des lois bêta particulières dont on précisera les paramètres.
3. Calculer le moment d’ordre k (k ∈ N∗ ) de X ∼ βI (a, b).
4. En déduire l’espérance et la variance de X.

Exercice 7
Soit X ∼ N (0, 1). On s’intéresse à la v.a. X + = max(X, 0).
R
1. Que vaut R
h(x) dδ0 (x) ?
2. À l’aide de la caractérisation par des fonctions tests, montrer que la loi de X + est un mélange d’une masse de Dirac
en 0 et d’une loi à densité qu’on déterminera.
3. Déterminer l’espérance et la variance de X + .

Exercice 8
a
Soit f : R → R+ la fonction définie pour x ∈ R par f (x) = π(a2 +x2 ) où a > 0 est un paramètre.
1. Montrer que f est une densité de probabilité. La loi associée est appelée loi de Cauchy (centrée) de paramètre a > 0
et est notée C(a).
2. Soit X ∼ C(1). Montrer que X n’admet pas de premier moment.
3. Déterminer la loi de log |X|.

Exercice 9
Soit X la durée de vie, en années, d’un composant électronique. On suppose que X ∼ E(θ) (loi exponentielle), θ > 0.
En outre, l’exploitant a une politique le conduisant à changer systématiquement tout composant dont la durée de vie a
atteint 5 ans. Soit Y la durée de vie d’un composant. Déterminer la loi de Y appelée loi tronquée.

Exercice 10
Soit X ∼ E(θ). Déterminer la loi de Y = bXc où b·c est la partie entière.

Exercice 11
Soit (X, Y ) et (U, V ) deux vecteurs aléatoires de densités respectives
1 1
f (x, y) = (1 + xy)1[−1,1]2 (x, y) et g(u, v) = 1[−1,1]2 (u, v).
4 4
1. Vérifier que f et g sont bien des densités sur R2 .
2. Déterminer les densités marginales de (X, Y ) et (U, V ) notées respectivement fX , fY , gU et gV .
3. Justifier que X et U d’une part, et que Y et V d’autre part ont même loi mais que, cependant, (X, Y ) et (U, V ) ne
suivent pas la même loi.

Exercice 12 (Extrait du partiel de novembre 2016)

Soient X et Y deux variables aléatoires positives de carré intégrable définies sur un espace probabilisé (Ω, F, P) et soit
α ∈ (0, 1).
1. Sous quelle condition a-t-on E(X 2 ) = 0 ? Dans la suite une telle situation est supposée exclue.
2. En considérant la fonction λ → E[(X + λY )2 ], retrouver l’inégalité de Cauchy-Schwarz

E(XY )2 ≤ E(X 2 )E(Y 2 ).

3. Montrer que pour tout α ∈ (0, 1)

(1 − α)E(X) ≤ E(X1[αE(X),∞) (X)).
4. En déduire
E(X)2
P(X ≥ αE(X)) ≥ (1 − α)2 .
E(X 2 )

Ce document est mis à disposition selon les termes de la licence Creative Commons “Attribution
- Partage dans les mêmes conditions 4.0 International”.
1ère année Probabilités générales - Cursus Mathématiques ENSAI

TD1 : Variables aléatoires réelles, vecteurs aléatoires

Exercice 1
1. La fonction F est croissante de R dans [0, 1], continue à droite, limitée à gauche (càdlàg) — elle est en fait continue
partout sauf en 0, l’ouverture/fermeture des bornes sur les indicatrices est alors primordiale —, en limx→−∞ F (x) = 0
et limx→∞ F (x) = 1. Donc F est une fonction de répartition.
2. La fonction F est dérivable sauf en 0. Un candidat
R 0 naturelle pour la densité de X est sa dérivée : F 0 (x) = 12 ex 1(−∞,0)
1
presque partout. Par contre, on vérifie que F (x) dx = 2 6= 1, donc X n’admet pas de densité. On aurait pu aussi
remarquer que P(X = 0) = 21 contredisant ainsi le fait que X admette une densité.

Exercice 2
1. La fonction f est mesurable positive et
Z Z ∞
2 2
f (x) dx = xe−x /2
dx = [−e−x /2 ∞
]0 = 1.
R 0

2. Utilisons la méthode des fonctions tests. Soit g une fonction mesurable bornée et calculons
Z Z ∞
2
g(y)fY (y) dy = E(g(Y )) = E(g(x2 )) = g(x2 )xe−x /2 dx.
0
√ √
On fait le changement de variables y = x2 , d’où x = y et dx = dy/2 y :
Z ∞
1
g(y) e−y/2 dy.
0 2

On retrouve la densité d’une loi exponentielle de paramètre 12 .

3. On calcule à l’aide d’une intégration par partie :
Z ∞ Z ∞
1 −x/2 −x/2 ∞
E(Y ) = x e dx = [−xe ]0 + e−x/2 dx = 2.
0 2 0

De même, Z ∞ Z ∞
2 1 −x/2
2
E(Y ) = x e dx = [−x2 e−x/2 ]∞
0 + 2xe−x/2 dx = 4E(Y ) = 8.
0 2 0

D’où V(Y ) = 8 − 22 = 4.

Exercice 3
1. Soit g une fonction mesurable bornée.
— 2
e−x /2
Z
X x
E(g(e )) = g(e ) √ dx.
R 2π
On pose y = ex , x = ln y et dx = dy/y :
∞ 2
e−(ln y)
Z
E(g(eX )) = g(y) √ dy.
0 y 2π
— 2
∞
e−x /2
Z
E(g(|X|)) = g(x)2 √ dx.
0 2π
— 2
∞ Z ∞
e−x /2 e−y/2
Z
E(g(X 2 )) = 2 g(x2 ) √ dx = g(y) √ dy.
0 2π 0 2πy
Nous pouvons également tenter de caractériser ces lois à la de la fonction de répartition, même si ce n’est la méthode
la plus facile à mettre en oeuvre.
— Soit t ∈ R alors
F (t) = P(eX ≤ t) = P(X ≤ ln t) = Φ(ln t),
où Φ est la fonction de répartition d’une loi gaussienne centrée et réduite. Pour obtenir la densité, on calcule la
dérivée : 2
e−(ln t) /2
F 0 (t) = √ .
t 2π
R∞
On vérifie facilement que 0 F 0 (t) dt = F (∞) − F (−∞) = 1.
— Pour t ≤ 0, P(|X| ≤ t) = 0, sinon, pour t > 0, nous avons
F (t) = P(|X| ≤ t) = Φ(t) − Φ(−t).
Comme précédemment,
2 ∞
e−t /2
Z
F 0 (t) = 2 √ 1[0,∞) , et F 0 (t) dt = F (∞) − F (0) = 1.
2π 0

— Pour t ≤ 0, P(|X 2 | ≤ t) = 0. Pour t > 0,

√ √
F (t) = P(|X|2 ≤ t) = Φ( t) − Φ(− t).
De même,
∞
e−t/2
Z
0
F (t) = 2 √ 1(0,∞) et F 0 (t) dt = 1.
2πt 0
2. Calculons
— 2
∞ ∞
e−x /2 exp(−(x − 1)2 /2 + 1/2) √
Z Z
E(eX ) = ex √ = √ dx = e.
−∞ 2π −∞ 2π
De même,
∞ 2 ∞
e−x /2
Z Z
E(e2X ) = ex √ = exp(−(x − 2)2 /2 + 2) dx = e2 .
−∞ 2π −∞

Enfin, V(e| X|) = e2 − e = e(e − 1).

— On calcule 2 ∞
r r
e−x /2
Z
2 −x2 /2 ∞ 2
E(|X|) = 2 x √ dx = [−e ]0 = .
0 2π π π
On remarque E(X 2 ) n’est rien d’autre que la variance d’une gaussienne centrée et réduite, elle vaut donc 1.
— Ici encore, pour les mêmes raisons E(X 2 ) = 1. Nous devons alculer E(X 4 ), on fait quelque chose de plus général
à la question suivante.
3. Soit k ≥ 1, si k est impair, alors E(X k ) = 0. Soit k pair, c’est à dire k = 2m.
−x2 /2
2m − 1
Z Z Z
2m e 1 1

−x2 /2 2m−1 −x2 /2 ∞ 2
2m
E(X ) = x √ =√ x 2m−1
d −e = √ [−x e ]−∞ + √ x2m−2 e−x /2 dx.
R 2π 2π R 2π 2π R
(2m)!
Ainsi, E(X 2m ) = (2m − 1)E(X 2m−2 ) = 2m m! . Par exemple E(X 4 ) = 3 et V(X 2 ) = 1.

Exercice 4
1. Pour t ≤ 0, P(X ≤ 0) = 0. Si t > 0, alors
Z t
β β β
P(X ≤ t) = αβxβ−1 e−αx dx = [−e−αx ]t0 = 1 − e−αt .
0

2. Il vient facilement que

β
αβxβ−1 e−αx
hX (x) = = αβxβ−1 .
e−αxβ
3. Soit k ≥ 1, alors par le théorème de transfert
Z ∞
β
E(X k ) = αβxβ−1+k e−αx dx.
0
1/β
On fait le changement de variable y = αxβ d’où x = αy , c’est un C 1 -difféomorphisme de R∗+ dans lui-même et
1
1 y β −1

dx = αβ α dy. Il vient :
Z ∞ 1− 1 + k 1 −1 Z ∞
y β β y β k k k k
E(X k ) = e−y dy = α−k/β y β e−y dy = α−k/β Γ + 1 = α−k/β Γ .
0 α α 0 β β β
Exercice 5
Supposons d’abord que X suive une loi exponentielle de paramètre λ > 0. Alors

P(X > s + t) e−λ(s+t)

P(X > s + t|X > t) = = = P(X > s).
P(X > t) e−λt

Réciproquement, supposons que X soit sans mémoire. Alors, pour tout entier n ≥ 0 et t > 0 :

P(X > nt + t|X > n) = P(X > t)P(X > nt)

Ceci montre que P(X > nt) = (P(X > t))n . Maintenant, pour tout p ∈ Z et q ∈ N∗ nous obtenons

P(X > p/q) = (P(X > 1/q))p et P(X > 1) = P(X > q/q) = (P(X > 1/q))q .
p
Finalement, P(X > p/q) = (P(X > 1))p/q = e q ln P(X>1) .
Supposons un instant que P(X > 1) = 0 alors pour tout n ≥ 1, 0 = P(X > 1) = P(X > 1/n)n donc P(X > 1/n) = 0 ; il
vient alors par postivité de X que
 
[ X
P(X 6= 0) = P(X < 0) + P(X > 0) = P  {X > 1/n} ≤ P(X > 1/n) = 0
n≥1 n≥1

impliquant P(X = 0) = 1. Par conséquent si X est supposée positive et non identiquement nulle alors P(X > 1) > 0.
Enfin, X est diffuse donc sa fonction de répartition et sa queue de distribution est continue. Par densité de Q dans
R, on obtient par unicité du prolongement par continuité, que P(X > t)et ln P(X>1) pour tout t ≥ 0 et X suit une loi
exponentielle.
En fait, si X n’est pas supposée diffuse, elle suit une loi géométrique ou exponentielle suivant que P(X = 0) > 0 ou non.

Exercice 6
R∞
1. Rappelons que Γ(x) = 0
tx−1 e−t dx. Alors
Z ∞ Z ∞
Γ(a)Γ(b) = ta−1 sb−1 e−(t+s) dsdt.
0 0

En faisant le changement de variable (u, v) = (t + s, t/(t + s)) ou de manière équivalente (t, s) = (uv, u(1 − v)). Il est
clair que (t, s) = φ(u, v) = (uv, u(1 − v)) est un C 1 -difféomorphisme de (0, ∞) × (0, 1) dans (0, ∞)2 . La jacobienne
de φ est donnée par
v u
Jacφ(u, v) = ,
1 − v −u
et son déterminant est −u. D’où, par la formule du changement de variables
Z ∞Z 1 Z ∞ Z 1
Γ(a)Γ(b) = (uv)a−1 ub−1 (1 − v)b−1 e−u u dvdu = ua+b−1 e−u du v a−1 (1 − v)b−1 dv = Γ(a + b)B(a, b).
0 0 0 0

2. Il est clair que U ∼ βI (1, 1). Pour U 2 , considérons g une fonction mesurable bornée
Z 1 Z 1
2 2 dy
E(g(U )) = g(x ) dx = g(y) √ .
0 0 2 y

Il est clair que B(1/2, 1) = 2 et donc U 2 ∼ βI (1/2, 1).

3. Nous avons Qk−1
Z 1
1 B(a + k, b) `=0 (a + `)
E(X k ) = xa−1+k (1 − x)b−1 dx = = Qk−1 .
B(a, b) 0 B(a, b) `=0 (a + b + `)

a a(a+1) ab
4. Ainsi, E(X) = a+b et E(X 2 ) = (a+b)(a+b+1) si bien que V(X) = (a+b)2 (a+b+1) .

Exercice 7
R
1. Par définition si h = 1A alors h dδ0 = δ0 (A) = 1A (0) = h(0). Cette égalité est encore vraie si h est une fonction
étagée et par convergence monotone si h est une fonction mesurableRpositive. Si h est intégrable, en décomposant
h = h+ − h− en parties positives et négatives, nous obtenons encore h dδ0 = h(0).
2. Soit g une fonction mesurable bornée et calculons
2 r
e−x /2
Z Z
+ 1 1 2 −x2 /2
E(g(X )) = g(x ∨ 0) √ dx = g(0) + g(x) e 1R+ (x) dx.
R 2π 2 2 R π
q 2
Ceci montre que la loi de X + est une combinaison convexe de δ0 et de la loi de densité π2 e−x /2 1R+ (x).
3. Il suffit de remplacer g par la fonction identité :
1 ∞
r
1 h −x2 /2 i∞
Z
+ 2 −x2 /2 1
E(X ) = x e 1R+ (x) dx = √ −e =√ .
2 0 π 2π 0 2π

Exercice 8
1. La fonction f est clairement positive et
Z ∞
1
f (x) dx = arctan(x/a) = 1.
R π −∞

2. Par définition ∞
|x|
Z
E|X| = dx = ∞.
−∞ π(1 + x2 )
Pour la dernière égalité, il suffit de minorer à l’infini par une en 1/|x| qui n’est pas intégrable.
3. Soit g une fonction mesurable bornée. Alors
Z Z ∞
1 1
E(g(log |X|)) = g(log |x|) 2
dx = 2 g(log x) dx
R π(1 + x ) 0 π(1 + x2 )
Z ∞
ey
Z
1
=2 g(y) dy = g(y) 1R (y) dy.
−∞
2y
π(1 + e ) R π cosh(y) +

Exercice 9
Par définition, Y = X ∧ 5. Soit g une fonction mesurable bornée, alors
Z ∞ Z
E(g(Y )) = g(x ∧ 5)θe−θx dx = g(x)θe−θx 1[0,5] (x) dx + g(5)e−5θ .
0 R

θe−5θ
Autrement dit, Y ∼ (1 − e−5θ )h + e−5θ δ5 où h est la densité h(x) = 1
1−e−5θ [0,5]
(x).

Exercice 10
Soit g une fonction mesurable bornée. Calculons
Z ∞ ∞
X Z k+1 ∞
X
E(g(bxc)) = g(bxc)θe−θx dx = g(k) θe−θx dx = (1 − e−θ ) g(k)e−kθ .
0 k=0 k k=0

Ceci montre que Y ∼ G(e−θ ).

Exercice 11
1. Les fonctions f et g sont positives. De plus :
Z 1Z 1 1
1 1 x2 y 1 1
Z Z
1
(1 + xy) dxdy = x+ dy = 2 dy = 1,
−1 −1 4 4 −1 2 −1 4 −1
et Z
1 1
dudv = λ2 ([−1, 1]2 ) = 1.
−1,1 4 4
2. Pour calculer la loi de X il suffit d’intégrer la densité jointe par rapport à sa seconde variable :
Z 1
1 1
fX (x) = (1 + xy) dy1[−1,1] (x) = 1[−1,1] (x)
−1 4 2
Remarquons que la densité f est symétrique : f (x, y) = f (y, x). Ainsi, fY = fX .
1 1
D’un autre côté g(u, v) = 1[−1,1] (u) 1[−1,1] (v).
2
| {z 2
} | {z }
gU (u) gV (v)
3. On remarque que fU = fV = gU = gV si bien que U, V, X, Y sont identiquement distribuées. Cependant, f 6= g et
donc (X, Y ) et (U, V ) ne sont pas identiquement distribuées. Ceci montre un point important, de la loi du couple
nous pouvons toujours déduire les lois marginales ; par contre, les lois marginales ne suffisent pas en général à calculer
la loi du couple.

Exercice 12 (Extrait du partiel de novembre 2016)

1. La variable aléatoire X 2 étant positive, l’inégalité de Markov appliquée à X 2 implique que P(X = 0) = 1, autrement
dit X = 0 presque sûrement.
2. On pose g(λ) = E[(X + λY )2 ]. Il est clair que g est positive sur R. On développe le carré, on obtient

g(λ) = E(X 2 ) + 2λE(XY ) + λ2 E(Y 2 ).

Si E(Y 2 ) = 0 alors Y = 0 presque sûrement et l’inégalité de Cauchy-Schwartz est trivialement vérifiée. Supposons
donc E(Y 2 ) > 0. Puisque la fonction g est de signe constant, nous obtenons que le discriminant est négatif ou nul :
4E(XY )2 ≤ 4E(X 2 )E(Y 2 ), d’où l’inégalité annoncée. Notons que le cas d’égalité signifie que g s’annule en un seul
point λ0 et dans ce cas X + λY = 0 presque sûrement, c’est à dire X et Y sont colinéaires dans L2 .
3. Soit α ∈ (0, 1) alors puisque X est positive

E(X) = E(X1[0,αE(X)) ) + E(X1[αE(X),∞) (X)) ≤ αE(X) + E(X1[αE(X),∞) (X)),

et l’inégalité suit immédiatement.

4. En appliquant Cauchy-Schwartz au second membre de l’inégalité de la question précédente, on obtient

(1 − α)2 E(X)2 ≤ E(X1[αE(X),∞) (X))2 ≤ E(X 2 )P(X ≥ αE(X)).

L’inégalité demandée suit trivialement.

TD2 : Indépendance

Exercice 1
Soit X une v.a.r. de densité
fθ (x) = cθ x1[0,θ] (x), x ∈ R,
où θ > 0 est fixé. Soient X1 , . . . , Xn des variables aléatoires i.i.d. de même loi que X. On pose :
n
1X
Xn = Xi et Yn = max(X1 , . . . , Xn ).
n i=1

La variable X n est appelée moyenne empirique.

1. Déterminer la constante cθ et la fonction de répartion Fθ de X.
2. Calculer E(X) et V(X). En déduire E(X n ) et V(X n ).
3. Déterminer la fonction de répartition Gn de Yn et sa densité, si elle existe, gn .
4. Calculer E(Yn ) et V(Yn ).

Exercice 2
Soient X1 , . . . , Xn des v.a.r. i.i.d.. On note µ = E(X1 ) et V(X1 ) = σ 2 . La variance empirique est donnée par l’expression
n
1X
Sn2 = (Xi − X n )2 .
n i=1

Montrer que
n
1X 2 2
Sn2 = X − Xn
n i=1 i

et exprimer l’espérance de Sn2 en fonction de σ 2 . (On pourra considérer dans un premier temps µ = 0).

Exercice 3
Soient X et Y deux variables aléatoires indépendantes de loi uniforme standard U[0,1] . Déterminer les densités des variables
aléatoires suivantes U = X + Y , V = X − Y , Z = XY , T = X/Y (suggestion : on pourra commencer par déterminer les
densités des couples (U,V) et (Z,T)).

Exercice 4
Soient X et Y deux v.a.r. indépendantes de densités respectives
1 2
f (x) = √ 1(−1,1) (x) et g(y) = ye−y /2
1R∗+ (y).
π 1 − x2
Montrer que U = XY suit une loi centrée réduite. (On pourra considérer le changement de variables (x, y) → (u, v) =
(xy, y)).

Exercice 5 (Extrait du partiel de novembre 2014)

On considère deux variables aléatoires indépendantes X et Y respectivement de loi Γ(a, θ) et Γ(b, θ) avec a, b, θ > 0. On
pose
X
U = X + Y et T = .
X +Y
On donne également la densité d’une loi Γ(a, θ) :
θa −θx a−1
f (x) = e x 1R∗+ (x), x ∈ R.
Γ(a)
1. Calculer la densité du couple (U, T ).
2. En déduire que U et T sont des variables aléatoires indépendantes.
3. Identifier les lois de U et T , et montrer que T suit une loi bêta (a, b) de densité
Γ(a + b) a−1
fT (t) = t (1 − t)b−1 1[0,1] (t).
Γ(a)Γ(b)
4. Soit Z = X/Y . Déduire de ce qui précède que U et Z sont indépendantes, et calculer la densité de Z. (Attention :
si il est possible de répondre cette question sans utiliser les questions précédantes, c’est plus long)

Exercice 6 (Extrait du partiel de novembre 2016)

Soient X et Y deux variables aléatoires réelles indépendantes de lois respectives βI (a, b) et βI (a + b, c) pour a, b, c > 0.
On rappelle que la densité d’une loi βI (a, b) est donnée par
1
f (x) = 1[0,1] (x)xa−1 (1 − x)b−1 .
B(a, b)

On cherche à montrer que U = XY suit une loi βI (a, b + c). On rappelle également que
Z 1
Γ(a)Γ(b)
B(a, b) = xa−1 (1 − x)b−1 dx et B(a, b) = .
0 Γ(a + b)

1. Donner la densité du couple (X, Y ).

2. Calculer, à l’aide d’un changement de variable, la densité f(U,V ) du couple (U, V ) = (XY, Y ).
3. Justifier que la densité fU de U = XY est donnée par la forme intégrale suivante
Z 1
1 a−1
fU (u) = 1[0,1] (u)u (v − u)b−1 (1 − v)c−1 dv.
B(a, b)B(a + b, c) u

4. Conclure à l’aide d’un changement variable (unidimensionnel).

Exercice 7
Soit X = (U, V ) un vecteur aléatoire de R2 de densité fX . On considère Y = (R, Θ) ses coordonnées polaires.
1. Montrer que Y admet une densité fY que l’on explicitera en fonction fX .
2. Application : Les véhicules spatiaux désirant s’arrimer à la Station Spatiale Internationale (ISS) s’appuient sur le
système de guidage GPS pour la phase d’approche de la station. Cependant, à faible distance de l’ISS, les signaux
émits par la constellation des satellites qui consistuent le système GPS sont fortement perturbés par des phénomènes
de réflexions multiples sur la structure métallique de la station. L’onde électromagnétique reçue par le récepteur GPS
du véhicule spatial se présente donc comme la superposition de deux ondes en quadrature dont les amplitudes U et
V sont des variables√aléatoires gaussienne N (0, σ 2 ) supposées indépendantes (pour des raisons d’isotropie). L’étude
de l’amplitude R = U 2 + V 2 de l’onde reçue est de première importance pour assurer un guidage fiable lors de la
manoeuvre d’arrimage.
(a) À l’aide de la question 1, expliciter la densité du couple (R, Θ).
(b) Montrer que R et Θ sont indépendantes.
(c) Reconnaı̂tre la loi de Θ.
(d) Donner la densité de R. Cette loi s’appelle loi de Rayleigh.
(e) Calculer l’espérance et la variance de R.

Exercice 8 (Extrait du partiel de novembre 2016)

Soient X et Y deux variables √ aléatoires indépendantes
√ de même loi N (0, 1). Soit φ le C 1 -difféomorphisme de R∗+ × [0, 2π)
dans R∗ défini par φ(u, v) = ( u cos(v), u sin(v)). On pose (U, V ) = φ−1 (X, Y ). On se propose d’étudier la loi du couple
2

(U, V ).
1. Soit g : R2 → R une fonction borélienne positive. Exprimer E(g ◦ φ−1 (X, Y )) en fonction des densités de X et Y
notées fX et fY respectivement.
2. À l’aide du changement de variable (x, y) = φ(u, v), montrer que

e−u/2
Z
1
E(g(U, V )) = g(u, v) 1R+ (u) 1(0,2π) (v) dudv.
R2 2 2π

3. Les variables aléatoires U et V sont-elles indépendantes ?

4. Déterminer les lois de U et de V .
5. Déterminer la loi de 1 − exp(−U/2).
6. Proposer une procédure permettant de simuler des paires de nombres aléatoires distribués selon une loi normale
centrée réduite dans le plan à partir d’une source de nombres aléatoires de loi uniforme. Cette méthode est appelée
méthode de Box-Müller.
Exercice 9 (Extrait de l’examen de janvier 2009)
Soit (X, Y ) ∈ R2 un vecteur aléatoire de densité f définie pour pour tout (x, y) ∈ R2 par

f (x, y) = K exp(6xy − 2x2 − 5y 2 )

1. Déterminer K.
2. Déterminer les lois marginales.
3. Les variables X et Y sont-elles indépendantes ?

Exercice 10
Soit Y ∼ E(θ) et ε une variable aléatoire indépendante de loi de Rademacher symétrique, i.e. P(ε = 1) = 1−P(ε = −1) = p
avec p = 1/2. Montrer que la variable aléatoire Z = εY est à densité et la déterminer. Cette loi est appelée loi exponentielle
symétrique.

Exercice 11
Soit X une variable aléatoire de loi de Cauchy C(1) dont la densité est donnée par
1
f (x) = , x ∈ R.
π(1 + x2 )

1. Montrer que 1/X suit une loi de Cauchy C(1).

2. Si Y, Z sont deux variables aléatoires indépendantes de loi N (0, 1), montrer que Y /Z suit une loi de Cauchy C(1).

Exercice 12
Soient X1 et X2 deux v.a.r. indépendantes de lois exponentielles de paramètres λ1 , λ2 > 0.
1. Déterminer les lois de m := min(X1 , X2 ) et M := max(X1 , X2 ).
2. Supposant que λ1 = λ2 montrer que m et M − m sont indépendantes.

Exercice 13
Un singe tape au hasard sur un clavier une lettre ou un symbole et recommence une infinité de fois de façon indépendante.
Montrer que, presque sûrement, il aura tapé en entier Les Misérables de Victor Hugo sans aucune faute de frappe. N’a-t-on
pas un résultat plus fort encore ?

TD2 : Indépendance

Exercice 1
R
1. La fonction fθ est positive, il s’agit de trouver cθ telle que f dλ = 1. D’où
Z θ
1 = cθ x dx = cθ θ2 /2 =⇒ cθ = 2/θ2 .
0

On déduit la fonction de répartition Fθ pour t ∈ [0, θ]

t
t2
Z
2
Fθ (t) = x dx = .
θ2 0 θ2

Pour t < 0, Fθ (t) = 0 et pour t > θ, Fθ (t) = 1.

2. On calcule Z θ Z θ
2 2 2
E(X) = x2 dx = θ, et E(X 2 ) = x3 dx = θ2 /2.
θ2 0 3 θ 0

Aussi, V(X) = θ2 /18.

Nous avons facilement que E(X n ) = E(X) et par indépendence des Xn , V(X n ) = V(X)/n.
3. Soit t ∈ [0, θ], alors par indépendence
n
Gn (t) = P(max(X1 , . . . , Xn ) ≤ t) = [P(X ≤ t)] = Fθ (t)n .

Pour t < 0, Gn (t) = 0 et pour t ≥ θ, Gn (t) = 1. Un bon candidat pour la densité de Yn est G0n (t) = nfθ F (t)n−1 =
2n−1
2n xθ2n 1[0,θ] (x). Cette fonction est positive et

θ 2n θ
x2n−1
Z
x
2 = 2n = 1.
0 θ2n 2nθ2n 0

Ainsi, gn = G0n est la densité de Yn .

2n−1
4. Nous avons gn (x) = 2n xθ2n 1[0,θ] (x), ainsi
θ
x2n
Z
2n
E(Yn ) = 2n dθ = θ,
0 θ2n 2n + 1
et
θ
x2n+1
Z
n 2
E(Yn2 ) = 2n dx = θ .
0 θ2n n+1
Finalement :
n(2n + 1)2 − 4n2 (n + 1) 2 n2 θ
V(Yn ) = θ = .
(2n + 1)2 (n + 1) (2n + 1)2 (n + 1)

Exercice 2
Il suffit de développer le carré :
n n n
1X 2 2 X 2 1X 2 2
Sn2 = Xi − X n Xi + X n = Xi − X n .
n i=1 n i=1
n i=1

Avec les notations de l’exercice,

n
1X 2 n−1 2
E(Sn2 ) = E(Xi2 ) − E(X n ) = µ2 + σ 2 − V(X n ) − µ2 = σ .
n i=1 n

On peut montrer (et on montrera, c’est une application de la LGN) que Sn2 converge presque sûrement vers σ 2 , cependant,
en moyenne Sn2 sous-estime la variance théorique : on dit que Sn2 est un estimateur consistant biaisé. Les logiciels donnent
n
en général la variance non biaisée n−1 Sn2 .

Exercice 3
Soit g une fonction mesurable bornée sur R2 . Notons que par indépendance, f(X,Y ) (x, y) = 1[0,1]2 (x, y). Calculons
Z 1 Z 1
E(g(X + Y, X − Y )) = g(x + y, x − y) dxdy.
0 0

On pose (u, v) = φ(x, y) = (x + y, x − y). C’est un changement de variable linéaire, inversible. L’application φ est en
particulier un C 1 -difféomorphisme de R2 . L’image de [0, 1]2 par φ est le carré ABCD où A = (0, 0), B = (1, −1),
C = (2, 0) et D = (1, 1). On notera ∆ ce carré. La formule du changement de variable donne :
Z Z
g(x + y, x − y) dxdy = g(u, v)|det Dφ−1 (u, v)| dudv.
[0,1]2 ∆

Or 1 1

−1 1
Dφ (u, v) = 2
1
2 =⇒ |det Dφ−1 (u, v)| =
2 − 21 2
La densité jointe de (U, V ) est donc f(U,V ) (u, v) = 21 1∆ .
On calcule la densité de U en intégrant f(U,V ) par rapport à v :
Z Z u Z 2−u
1 1 1
fU (u) = 1∆ (u, v)dv = 1[0,1] (u) dv + 1[1,2] (u) dv = u1[0,1] (u) + (2 − u)1[1,2] (u).
R 2 2 −u 2 −2+u

De façon similaire,
Z Z 2+v Z 2−v
1 1 1
fV (v) = 1∆ (u, v)du = 1[−1,0] (v) du + 1[0,1] (v) du = (1 + v)1[−1,0] (v) + (1 − v)1[0,1] (v).
R 2 2 −v 2 v

Pour les variables Z et T nous procédons de la même façon :

Z Z
E(g(XY, X/Y ) = g(xy, x/y) dxdy = g(z, t)|det Dφ−1 (z, t)| dzdt,
[0,1]2 ∆
√ p
où φ(x, y) = (xy, x/y) = (z, t) et φ−1 (z, t) = ( zt, z/t) = (x, y). L’image de [0, 1]2 par φ est un peu plus subtile. Soit
y ∈ (0, 1] fixé, on remarque que φ([0, 1] × {y}) = {(xy, x/y) : x ∈ [0, 1]}. Autrement l’image est un segment de droite (c’est
linéaire en la paramétrisation) d’extrêmités les points (0, 0) et (y, 1/y). Ainsi, φ([0, 1] × (0, 1]) est la réunion de toutes les
segments issus de l’origine et dont l’autre extrêmité parcourt la courbe de l’hyperbole sur (0, 1]. Finalement, ∆ = φ((0, 1)2 )
est le domaine de R2 délimité par l’hyperbole y → 1/y, l’axe des ordonnés et la droite issue de l’origine et de pente 1.
On remarque que φ est un C 1 difféomorphisme de (0, 1)2 dans ∆ = (0, 1) × (0, ∞). De plus,
√ √
√z
!
√t 1
Dφ−1 (z, t) = 2 1 z 2 √t
z =⇒ |det Dφ−1 (z, t)| = .
√ − 2t t
√ 2t
2 zt

Finalement, en utilisant Fubini, en intégrant par tranches verticales

Z Z 1 Z 1/z
−1 1
g(z, t)|det Dφ (z, t)| dzdt = dtdz,
∆ 0 z 2t
1
si bien que f(Z,T ) (z, t) = 2t 1[0,1] (z)1[z,1/z] (t).
Commençons par la densité de Z, on obtient
Z 1/z
1
fZ (z) = 1[0,1] (z) dt = − ln(z)1[0,1] (z).
z 2t

Remarquons au passage que Z 1

− ln(z) dz = [−z ln(z) + z]10 = 1.
0
On calcule la loi de T également en découpant le domaine en deux
Z 1/t
1 1 1 1
fT (t) = 1[0,1] (t) + 1[1,∞] (t) dt = 1[0,1] (t) + 2 1[1,∞] (t).
2 2t 0 2 2t

Exercice 4
Soit h : R2 → R+ mesurable positive, par indépendance de X et Y
Z
1 2
E(h(XY, Y )) = h(xy, y)1(−1,1) (x) √ 1R+ (y)ye−y /2 dxdy
2 π 1 − x2
ZR Z v
v 2
= h(u, v) √ e−v /2 dudv
2
π v −u 2
R∗
+ −v
Z Z ∞ 2
ve−v /2
= h(u, v) √ dvdu
R |u| π v 2 − u2

La densité de XY est donnée par

∞ 2
ve−v /2
Z
L(u) = √ dv.
|u| π v 2 − u2
√
On pose t = v2 − u2 , on obtient dt = √ v dv et donc
v 2 −u2

2 ∞ 2
e−u /2 e−u /2
Z
2
L(u) = e−t /2
dt = √ .
π 0 2π
Ainsi, XY suit une loi normale N (0, 1).

Exercice 5 (Extrait du partiel de novembre 2014)

1. La densité du couple (X, Y ) est donnée par

θa+b
f(X,Y ) (x, y) = xa−1 y b−1 e−θ(x+y) 1R∗+ ×R∗+ (x, y).
Γ(a)Γ(b)

Soit g une fonction mesurable bornée, calculons :

Z ∞Z ∞
E(g(U, T )) = g(x + y, x/(x + y))f(X,Y ) (x, y) dxdy.
0 0

On fait le changement de variable (u, v) = φ(x, y) = (x + y, x/(x + y)). On calcule φ−1 (u, v) = (uv, u(1 − v)) = (x, y).
On note que φ est un C 1 -difféomorphisme de R∗+ × R∗+ dans R∗+ × (0, 1) puis on calcule

v u
Dφ−1 (u, v) = =⇒ |det Dφ−1 (u, v)| = | − uv − u + uv| = u.
(1 − v) −u

Finalement,

1 ∞
θa+b
Z Z
E(g(U, V )) = g(u, v) (uv)a−1 ub−1 (1 − v)b−1 e−θu u dudv =
0 0 Γ(a)Γ(b)
Z 1Z ∞
θa+b
ua+b−1 e−θu v a−1 (1 − v)b−1 dudv
0 0 Γ(a)Γ(b)
Z 1Z ∞
θa+b 1
= ua+b−1 e−θu v a−1 (1 − v)b−1 dudv
0 0 Γ(a + b) B(a, b)

2. De la question précédente, on observe que la densité de (U, V ) est à variable séparées, elle s’écrit comme le produit
de deux densités unidimensionelles.
3. On reconnaı̂t la loi bêta pour V et la loi Γ(a + b, θ) pour U .
X Z V
4. On remarque que V = X+Y = Z+1 où de manière équivalente Z = 1−V . Il est clair que puisque U et V sont
indépendentes, U est indépendante de toute transformation de V d’où Z et U sont indépendantes. Si g est mesurable
bornée, nous avons en posant z = v/(1 − v), dv = dz/(z + 1)2
1 ∞
v a−1 (1 − v)b−1 z a−1
Z Z
E(g(Z)) = g(v/(1 − v)) dv = g(z) dz.
0 B(a, b) 0 (z + 1)a+b

Exercice 6 (Extrait du partiel de novembre 2016)

1. On a
xa−1 (1 − x)b−1 y a+b−1 (1 − y)c−1
f(X,Y ) (x, y) = 1[0,1]2 (x, y) .
B(a, b)B(a + b, c)
2. Soit h : R → R+ mesurable positive,
1 1
xa−1 (1 − x)b−1 y a+b−1 (1 − y)c−1
Z Z
E(h(XY, Y )) = h(xy, y) dxdy
0 0 B(a, b)B(a + b, c)
Z 1Z v u a−1
1 u b−1 a+b−1 dudv
= h(u, v) 1− v (1 − v)c−1
B(a, b)B(a + b, c) 0 0 v v v
Z 1Z v
1 dudv
= h(u, v)ua−1 (v − u)b−1 v −2 (1 − v)c−1
B(a, b)B(a + b, c) 0 0 v
Z 1Z 1
1
= h(u, v)ua−1 (v − u)b−1 v −2 (1 − v)c−1 dvdu
B(a, b)B(a + b, c) 0 u

On reconnaı̂t la densité annoncée en intégrant par rapport à v.

v−u
3. On pose w = 1−u .

Exercice 7
1. On fait le changement de variable (u, v) = (r cos(θ), r sin(θ)).
2. (a) C’est l’application de la question 1 pour (U, V ) un couple de gaussiennes indépendantes.
(b) Remarquer que la densié de (R, θ) est à variables séparées (s’écrit comme un produit de densité).
(c) C’est une loi uniforme sur [0, 2π).
(d) Soit on intègre la marginale, soit on utilise l’indépendance pour identifier la densité marginale.
(e) C’est des IPP en faisant apparaı̂tre à certains endroit l’intégrale d’une densité gaussienne.

Exercice 8 (Extrait du partiel de novembre 2016)

1. On a par indépendance Z
−1
E(g ◦ φ (X, Y )) = g(φ−1 (X, Y ))fX (x)fY (y) dxdy
R2

2. On calcule √ !
cos(v)
√
2 u
− u sin(v) 1
Dφ(u, v) = sin √ =⇒ |det Dφ(u, v)| = .
√v u cos(v) 2
2 u

La formule du changement de variable implique

∞ 2π
e−u
Z Z
E(g(U, V )) = g(u, v) dvdu.
0 0 4π

3. La densité de (U, V ) est à variables séparées si bien que U et V sont indépendantes.

4. Nous avons U ∼ E(1/2) et V ∼ U([0, 2π]).
5. Par un changement de variable unidimensionel
∞ 1
e−u/2
Z Z
E(g(1 − e−U/2 )) = g(1 − e−u/2 ) du = g(t) dt.
0 2 0

2
On obtient 1 − e−U /2
∼ U([0, 1]).
6. On est capable de simuler W, Z indépendantes et uniformes sur [0, 1], alors φ(−2 ln(1 − W ), 2πZ) est une gaussienne
bivariée.

Exercice 9 (Extrait de l’examen de janvier 2009)

1. Puisque f est positive, calculons à l’aide Fubini :
Z Z
2 2 3 1
exp(6xy − 2x − 5y ) dxdy = exp[−2(x − y)2 ] exp[− y 2 ] dxdy
R2 R2 2 2
1√ √
Z Z
2 2
= e−y /2 e−2(x−3y/2) dxdy = 2π 2π = π.
R R 2

D’où K = 1/π.
2. Nous avons : 2 2
e−y /2 e−y /2
Z Z
2
fY (y) = f (x, y) dx = e−2(x−3y/2) dx = √ .
R π R 2π
Un calcul très simllaire en choisissant l’autre décomposition de Gauss pour la forme quadratique conduit à la densité
de X.
3. Les variables X et Y sont clairement dépendantes car la densités du couple ne s’écrit pas comme le produit des
densités.

Exercice 10
Soit g une fonction mesurable bornée, alors
Z ∞ Z 0 Z
1
E(g(εY )) = P(ε = 1) g(y)θe−θy dy + P(ε = −1) g(y)θe−θ|y| dy = g(y) θe−θ|y| dy.
0 −∞ R 2

Exercice 11
1. Il s’agit de faire le changement de variable y = 1/x qui est un C 1 -difféormisphe de R∗ dans lui-même :
Z Z
1 1 1
g(1/x) dx = g(y) 2 dy.
R
2
π(1 + x ) R y π(1 + y −2
Ainsi, 1/X suit encore une loi de Cauchy.
2. On fait le changement de variable (u, v) = (y, y/z) qui est un C 1 -difféormorphisme de R × R∗ dans lui-même. On
calcule
−1 1 0
Dφ (u, v) = =⇒ |det Dφ−1 (u, v)| = |u|/v 2 .
1/v −u/v 2
La formule du changement de variable donne
2
/2−u2 /2v 2
e−u |u|
Z
E(g(Y, Y /Z)) = g(u, v) dudv.
R2 2π v2
Pour calculer la loi de Y /Z il ne nous reste plus qu’à intégrer la densité de la loi jointe par rapport à u :
Z ∞
1 u2 2 1
fY /Z = 2 ue− 2 (1−1/v ) du = .
v π 0 π(1 + v 2 )

Exercice 12
1. Calculons la loi du couple (X ∧ Y, X ∨ Y ). Soit g une fonction mesurable bornée :
Z ∞Z ∞
E(g(X ∧ Y, X ∨ Y )) = g(x ∧ y, x ∨ y)λ1 λ2 e−λ1 x−λ2 y dxdy
0 0
Z Z
−λ1 x−λ2 y
= g(x, y)λ1 λ2 e 10≤x≤y dxdy + g(y, x)λ1 λ2 e−λ1 x−λ2 y 10≤y≤x dxdy.
R2+ R2+

Ainsi la densité du couple est

f (x, y) = 10≤x≤y λ1 λ2 e−λ1 x−λ2 y + e−λ2 x+λ1 y .

Nous pouvons désormais calculer la loi du min

Z ∞
λ1 λ2 e−λ1 x−λ2 y + e−λ2 x−λ1 y dy = 1R+ (x)(λ1 + λ2 )e−(λ1 +λ2 )x .

gm (x) = 1R+ (x)
x

Ainsi le minimum suit une loi E(λ1 + λ2 ).

Pour la loi du max
Z y
λ1 λ2 e−λ1 x−λ2 y + e−λ2 x−λ1 y 1y≥0 dx = 1R+ (y) λ2 e−λ2 y [1 − eλ1 y ] + λ1 e−λ1 y [1 − e−λ2 y ] .

gM (y) = 2
0

2. Calculons la loi de (m, M − m) en repartant de la densité jointe de (X, Y ) car nous ne connaissons pas la densité de
(m, M ) mais seulement celles de ses marginales :
Z Z
2 −λ(s+t)
E(g(m, M − m)) = g(s, t − s)210≤s≤t λ e dsdt = g(u, v)2λ2 e−2λu−λv dudv
R2 R2+

d’où l’on déduit l’indépedance des deux variables (1s≤t a disparu).

Exercice 13
On note A l’ensemble des caractères et symboles disponibles et on désigne par m = (x1 , . . . , xn0 ) la suite de caractères
et symboles qui correspond aux Misérables. On désigne par Xi le i-ième caractère ou symbole tapé par le singe. La suite
(Xi )i≥1 est i.i.d. et X1 suit une loi uniforme sur A.
On note A l’événement “le singe écrit les Misirables sans faute de frappe”. Mathématiquement, A = {∃k ∈ N∗ :
(Xk+1 , Xk+2 , . . . , Xk+n0 ) = m}. Son complémentaire s’écrit

A{ = {∀k ∈ N∗ , (Xk , . . . , Xk+n0 ) 6= m}.

En posant
B = {∀k ∈ N∗ , (Xkn0 +1 , Xkn0 +2 , . . . , X(k+1)n0 ) 6= m}
et
B1 = {∀k ∈ {1, . . . , n}, (Xkn0 +1 , Xkn0 +2 , . . . , X(k+1)n0 ) 6= m},
nous obtenons, A{ ⊂ B ⊂ Bn . Nous avons évidemment P(A{ ) ≤ P(B) ≤ P(Bn ). Par indépendance,
n n0 n
Y
n 1
P(Bn ) = P((Xkn0 +1 , Xkn0 +2 , . . . , X(k+1)n0 ) 6= m) = P((Xkn0 +1 , Xkn0 +2 , . . . , X(k+1)n0 ) 6= m) = 1 − .
N
k=1

Il vient alors P(A{ ) = 0 d’où P(A) = 1.

TD3 : Fonctions caractéristiques

Exercice 1
Déterminer la fonction caractéristique de X dans les cas suivants :
1. PX = δa , a ∈ R ;
2. PX = 21 (δ−1 + δ1 ) ;
3. X ∼ B(n, p) ;
4. PX = n≥1 2−n δn ;
P

5. X ∼ P(Θ) ;
6. X ∼ U[−1,1] ;
7. X admet pour densité fX (x) = (1 − |x|)1[−1,1] , x ∈ R ;
8. pour tout B ∈ B(R), Z
1 1
PX (B) = 1B (0) + 1B (x) dx;
2 4 [−1,1]

9. X ∼ E(Θ).

Exercice 2
Soit X ∼ N (0, 1). Déterminer la fonction caractéristique de Y = X + = max(X, 0).

Exercice 3
Soient X1 et X2 deux v.a. indépendantes de loi B(n, p) et B(m, p) où p ∈ (0, 1). Montrer à l’aide des fonctions ca-
ractéristiques que X1 + X2 suit une binomiale B(n + m, p).

Exercice 4 (Extrait du partiel de novembre 2016)

Soient X1 , · · · , Xn , n ≥ 1, des variables aléatoires réelles indépendantes et identiquement distribuées selon une loi normale
de moyenne µ et de variance σ 2 > 0. Montrer en utilisant les fonctions caractéristiques que
X1 + · · · + Xn − nµ
√ ∼ N (0, 1).
σ n

La loi normale est dite α-stable d’indice α = 2.

Exercice 5 (Extrait de l’examen de février 2017)

Soient X et Y deux variables aléatoires indépendantes et de même loi N (0, σ 2 ), σ > 0.
1. Montrer que X + Y et X − Y sont indépendantes et de même loi que l’on précisera.
2. Déterminer la loi de X/Y .

Exercice 6 (Extrait du partiel de novembre 2013)

On rappelle la densité et la fonction caractéristique d’une loi de Cauchy C(1)
1
f (x) = , x ∈ R, φ(t) = e−|t| , t∈R
π(1 + x2 )

1. Soit X ∼ C(1), que peut-on dire de son espérance ? de sa variance ? Justifier.

2. Montrer que si X1 , . . . , Xn sont des variables aléatoires indépendantes de loi de Cauchy C(1) alors (X1 + · · · + Xn )/n
suit également une loi de Cauchy C(1). (Une telle loi est dite 1-stable).

Exercice 7
Soient (Xk )k≥1 une suite de v.a. i.i.d. et N une v.a. à valeurs
Pdans N indépendante de la suite (Xk )k≥1 . On suppose que
n
E(X12 ) < ∞ et E(N 2 ) < ∞. Pour tout n ≥ 1, on note Sn = k=1 Xk .
1. Calculer E(SN ) et V(SN ).
2. Calculer la foncton caractéristique de SN et retrouver les résultats de la questions précédantes.
Exercice 8 (Extrait de l’examen de janvier 2017)
On considère X1 , X2 , X3 et X4 quatre variables aléatoires réelles indépendantes de même loi N (0, 1). On pose Y =
X1 X2 + X3 X4 .
1. Montrer que la fonction caractéristique de X1 X2 vaut
1
t → φX1 X2 (t) = E(eitX1 X2 ) = √ .
1 + t2

2. En déduire la fonction caractéristique de Y .

3. Soit Z une variable aléatoire de densité x → e−|x| /2 par rapport à la mesure de Lebesgue sur R. Calculer sa fonction
caractéristique.
4. Conclure.

TD3 : Fonctions caractéristiques

Exercice 1
On calcule facilement :
1. φX (t) = eta ;
2. φX (t) = cos(t) ;
3. φX (t) = (peit + (1 − p))n ;
eit
4. φX (t) = 2−eit ;
−λ(1−eit )
5. φX (t) = e ;
sin(t)
6. φX (t) = t ;
2(1−cos(t))
7. φX (t) = t2 ;
1 1 sin(t)
8. φX (t) = 2 + 2 t ;
θ
9. φX (t) = it−θ .

Exercice 2
On calcule
∞
Z r
1 1 2 itx−x2 /2
φX (t) = + e dx.
02 2 π
R∞q2 itx −x2 /2
R∞q2 itx −x2 /2
Notons φ(t) = 0 πe e dx. Alors φ est C 1 et sa dérivée est φ0 (t) = 0 π ixe e dx. Une intégration par
partie donne " #∞
∞
r Z r r
0 2 itx −x2 /2 2 itx −x2 /2 2
φ (t) = −i e e −t e e dx = i − tφ(t).
π 0 π π
0
Il s’agit donc de résoudre
Rt une EDO linéaire du premier ordre avec second membre constant. L’équation homogène a pour
2
solution φ(t) = ke− 0 s ds = ke−t /2 .
2
Pour l’équation avec second membre, on applique la méthode de la variation de la constante. On pose y(t) = k(t)e−t /2
puis on calcule
r r
2 0 0 −t2 /2 −t2 /2 −t2 /2 0 2 t2 /2
i = y (t) + ty(t) = k (t)e − tk(t)e + tk(t)e =⇒ k (t) = i e .
π π
Ainsi, la solution de l’EDO avec secod membre est de la forme
" r Z t #
2 2 2
φ(t) = e−t k + i ex /2 dx .
π 0
q R
2 2
2 t 2
Comme φ(0) = 1, on trouve k = 1 et donc φ(t) = e−t /2
+ ie−t π 0
ex /2
dx.

Exercice 3
On rappelle que φX1 (t) = (1 − p + peit )n et que les fonctions caractéristiques caractérisent la loi. Par indépendance,

φX1 +X2 (t) = E(eitX1 eitX2 ) = E(eitX1 )E(eitX2 ) = (1 − p + peit )n+m ,

où l’on reconnait la fonction caractéristique d’une B(n + m, p). Remarquons qu’il est primordiale que le paramètre p soit
identique pour les deux variables aléatoires.

Exercice 4 (Extrait du partiel de novembre 2016)

2
σ 2 /2
Si X ∼ N (0, 1) alors φX (t) = e−t . Remarquons que X1σ−µ ∼ N (0, 1) et calculons
" n #
√

X1 + · · · + Xn − nµ Y it Xi − µ 2
E exp it √ =E exp √ = φX (t/ n)n = e−t /2 .
σ n i=1
n σ
Exercice 5 (Extrait de l’examen de février 2017)
1. Soit t, s ∈ R et calculons
2
σ 2 /2 −(t−s)2 σ 2 /2 2
σ 2 −s2 σ 2
E(eit(X+Y )+is(X−Y ) ) = φ(t + s)φ(t − s) = e−(t+s) e = e−t e .
2
On reconnaı̂t le produit de deux fonctions caractéristiques d’une loi N (0, 2σ ) d’où X + Y et X − Y sont deux
variables aléatoires i.i.d. de loi N (0, 2σ 2 ).
2. En faisant le chagement de variable (x, y) = (r sin θ, r cos θ), on calcule
Z Z
1 x2 +y 2
itx/y − 2σ2 1 r2
E(e itX/Y
)= 2
e e dxdy = 2
eit tan θ re− 2σ2 drdθ.
2πσ R2 2πσ R∗+ ×(−π,π)

Il vient alors par Fubini

Z Z π/2
1 1
E(eitX/Y ) = eit tan θ dθ = eit tan θ dθ,
2π (−π,π) π −π/2
ds
par π-périodicité de la fonction tan. En posant s = tan θ si bien que θ = arctan s et dθ = 1+s2 :
Z ∞
ds
E(eitX/Y ) = eits = e−|s| .
−∞ π(1 + s2 )
On retrouve que X/Y ∼ C(1).

Exercice 6 (Extrait du partiel de novembre 2013)

1. Il est connu que si X admet un moment d’ordre 1 alors la fonction caractéristique de X est C 1 . Il est clair que
φ n’est pas dérivable en 0 donc X n’admet pas de moment d’ordre 1 : E|X| = ∞. Comme X ∈ / L1 , X ∈ / L2 par
Cauchy-Schwartz.
2. Par indépendance h X1 +···+Xn i
E eit n = φ(t),
d’où le résultat.

Exercice 7
1. On calcule par Fubini (on utilise le fait que X1 , N ∈ L1 ) et en utilisant l’indépendance de N et (Xk )k≥1 .
∞ ∞ ∞
!
X X X
E(SN ) = E 1N =n Sn = E(1N =n Sn ) = P(N = n)nE(X1 ) = E(N )E(X1 ).
n=0 n=0 n=0

De même, par Fubini (en utilisant que X1 , N ∈ L2 )

∞
X ∞
X
2
E(SN )= P(N = n)E[Sn2 ] = P(N = n)[nE(X12 ) + n(n − 1)E(X1 )E(X2 )]
n=0 n=0
= E(N )E(X12 ) + E(X1 )2 E[N (N − 1)].
Finallement,

V(Sn ) = E(Sn2 ) − E(Sn )2 = E(N )E(X12 ) + E(X1 )2 E[N (N − 1)] − E(N )2 E(X1 )2
= E(N )V(X1 ) + E(X1 )2 V(N ).
2. On note φ la fonction caracteristique de X alors par Fubini et indépendance
∞
X
ψ(t) = E[eitSN ] = P(N = n)φ(t)n = GN ◦ φ(t),
n=0

où G(s) = E(s ) est la fonction génératrice de N . Remarquons que ψ est C 2 comme la composée de deux fonctions
N

C 2 . Ainsi, SN admet un moment d’ordre 2 et :

ψ 0 (t) = φ0 (t)G0 (φ(t)) =⇒ E(SN ) = −iψ 0 (0) = −iφ0 (0)G0 (1) = E(X1 )E(N ).
De même,
ψ 00 (t) = φ00 (t)G0 (φ(t)) + [φ0 (t)]2 + G00 (φ(t))
d’où
2
E(SN ) = −ψ 00 (0) = −φ00 (0)G0 (1) − [φ0 (0)]2 G00 (1) = E(X12 )E(N ) + E(X1 )2 E[N (N − 1)].
Le calcul se termine de la même manière que la question précédante.
Exercice 8 (Extrait de l’examen de janvier 2017)
1. On note f la densité de N (0, 1). On calcule par indépendance
2 2
e−s (1+t )/2
Z Z Z
2 2 1 1
φX1 X2 (t) = E(eitX1 X2 ) E(eitsX2 )f (s) ds = e−t s /2
f (s) ds = √ q ds = √ .
R R 1 + t2 R 2π 1 + t2
1+t2

2. Les variables X1 X2 et X3 X4 sont indépendantes d’où

1
φY (t) = φX1 X2 (t)φX3 X4 (t) = .
1 + t2

3. On calcule
0 ∞
1 eitx+x 1 eitx−x
Z
1 1 1 1 1 1
φZ (t) = eitx e−|x| dx = + = − =
2 R 2 it + 1 −∞ 2 it − 1 0 2 it + 1 2 it − 1 1 + t2

4. Ceci montre que Z et Y ont la même loi.

TD4 : Vecteurs gaussiens

Exercice 1 (Extrait de l’examen de janvier 2017)

Soit (X, Y ) un vecteur gaussien centré tel que E(X 2 ) = 4, E(Y 2 ) = 1. On suppose de plus que 2X + Y et X − 3Y sont
indépendantes.
1. Que vaut la covariance Cov(2X + Y, X − 3Y ) ?
2. En déduire la covariance Cov(X, Y ).
3. Déterminer la matrice de covariance de (X, Y ).
4. Montrer que le vecteur (X + Y, 2X − Y ) est gaussien puis déterminer sa matrice de covariance.

Exercice 2
Soit (Un )n≥0 une suite de v.a.r. i.i.d. de loi normale centrée et de variance σ 2 > 0. Pour tout θ ∈ R, on définit la suite
(Xn )n≥1 par Xn = θUn−1 + Un pour tout n ≥ 2 et X1 = U1 .
Montrer que pour tout n ≥ 1, X = (X1 , . . . , Xn )∗ est une vecteur gaussien non dégénéré dont on précisera la densité,
l’espérance et la matrice de covariance.

Exercice 3
On considère X ∼ N (0, 1) et une v.a. ε indépendante de X et de loi 12 (δ−1 + δ1 ).
1. Montrer que la v.a. Y = εX est gaussienne et que les v.a. X et Y sont non corrélées.
2. Les variables X et Y sont-elles indépendantes ?
3. Le couple (X, Y ) est-il gaussien ?

Exercice 4
(Extrait du partiel de Décembre 2013)]
La fonction caractéristique d’une loi du Chi-deux à 1 degré de liberté est donnée pour t ∈ R par ψ(t) = 1/(1 − 2it)1/2 .
On considère trois v.a. indépendantes X, Y et Z de loi N (0, 1).
1. Donner la loi de la variable aléatoire U = X + Y + Z.
2. Montrer que (U, X − Y ) est un vecteur gaussien dont on précisera l’espérance et la matrice de covariance. En déduire
que U est indépendante des variables X − Y , Y − Z et Z − X.
3. Montrer que les variables aléatoires X + Y + Z, 2X − Y − Z et Y − Z sont indépendantes. Identifier les lois de
(2X − Y − Z)2 /6 et de (Y − Z)2 /2.
4. Vérifier l’égalité
1 3
(x − y)2 + (y − z)2 + (z − x)2 = (2x − y − z)2 + (y − z)2
2 2
pour tout x, y, z ∈ R et en déduire l’expression de la fonction caractéristique de V = (X − Y )2 + (Y − Z)2 + (Z − X)2 .
5. Les variables (X − Y )2 , (Y − Z)2 et (Z − X)2 sont-elles indépendantes ?

TD4 : Vecteurs gaussiens

Exercice 1 (Extrait de l’examen de janvier 2017)
1. Comme il est supposé que 2X + Y et X − 3Y sont indépendantes, nous avons Cov (2X + Y, X − 3Y ) = 0.
2. Par la question précédante, en développant la covariance on obtient

0 = Cov(2X + Y, X − 3Y ) = 2E(X 2 ) − 5Cov(X, Y ) − 3E(Y 2 ),

d’où Cov(X, Y ) = 1.
3. La matrice de covariance s’écrit donc
4 1
Σ= .
1 1
4. Le vecteur (X + Y, 2X − Y ) est gaussien par transformation linéaire du vecteur gaussien (X, Y ). Plus précisément :

X +Y 1 1 X
= .
2X − Y 2 −1 Y
| {z }
A

Il vient également que

X +Y X
E = AE = 0,
2X − Y Y
et la matrice covariance est donnée par AΣA∗ , c’est à dire

1 1 4 1 1 2 7 8
= .
2 −1 1 1 1 −1 8 13

Exercice 2
En écrivant
··· ···
 
1 0 0
   .. ..   
X1 θ
 1 . . U1
 ..   .. .. ..   .. 
=
 .  . . 1 . 0  . .
 
Xn . .. ..  Un
 .. . . 0
0 ··· 0 θ 1
Ceci montre que (X1 , . . . , Xn ) est un vecteur gaussien d’espérance nulle et de matrice de covariance :

1 0 ··· ··· 0 0 ··· 0 ···

    
1 θ 1 θ 0 0
 .. ..   ..   2 . .. .. 
θ 1
 . . 0
 1 . 0
 θ 1 + θ
 . 

.
σ 2  .. . . . ..  .. .. = . . .. .. =Σ
    
 1 . 0  .
 0 1 . 0 . . 1 + θ2 . 0 
. . ..  . .. ..  . .. ..
 .. .. . 0  .. . θ  ..

. . . θ 
0 ··· 0 θ 1 0 ··· ··· 0 1 0 ··· 0 θ 1 + θ2
| {z }
A

On vérifie facilement que det Σ = det AA∗ σ 2 > 0 et donc que la loi gaussienne est non P dégénérée. De même, Σ−1 =
−2 −1 ∗ −1 − −1 −1 n−1
σ (A ) A . Pour une formule explicite de A 1 on peut écrire A = (I + θE) = k=0 (−1)k θk E k où E est la
matrice avec des 1 sous la diagonale et des zéros partout ailleurs. Nous vérifions que cette matrice rest nilpotente d’ordre
(k) (k)
n et plus exactement E k = (ei,j ) avec ei,j = 0 sauf pour j = k + i pour lequel cela vaut 1.

Exercice 3
1. Soit g une fonction continue bornée alors par indépendance
1 1
E(g(Y )) = E(1ε=−1 g(−X) + 1ε=1 g(X)) = E(g(−X)) + E(g(X)) = E(g(X)),
2 2
car X et −X ont même loi. Ainsi, Y ∼ N (0, 1). On calcule
1 1
Cov (X, Y ) = E(XεX) = E(−X 2 ) + E(X 2 ) = 0.
2 2
2. Si X et Y étaient indépendantes, alors le couple (X, Y ) serait gaussien de moyenne nulle et de matrice de covariance
l’identité. Par conséquent,
2 2
φ(X,Y ) (s, t) = e−t /2 e−s /2 .
Or, un calcul très similaire à celui de la question précédante implique
2 2
itX+isεY e−(t−s) /2
+ e−(t+s) /2
φ(X,Y ) (s, t) = E(e )= .
2
En spécifiant s = t = 1, on obtient e−1 d’une part et (1 + e−2 )/2 d’autre part. C’est une contradiction.
3. Si (X, Y ) est gaussien alors X + Y est une variable aléatoire gaussienne. Or X + Y = (1 + ε)X et on constate que
P(X(1 + ε) = 0) = 21 . Contradiction. Remarque importante : les notions de décorrélation et d’indépendance ne
sont équivalentes que dans le cas où (X, Y ) est un vecteur gaussien ; la normalité des marginales est insuffisante.

Exercice 4 (Extrait du partiel de Décembre 2013)

1. Il est bien connu que U ∼ N (0, 1).
2. On pose
1 1 1
A= .
1 −1 0
Nous avons (U, X − Y )∗ = A(X, Y, Z)∗ si bien que (U, X − Y ) est un vecteur gaussien comme transformation linéaire
d’un vecteur gaussien. Nous E((U, X − Y )∗ ) = AE((X, Y, Z)∗ ) = 0. Et la matrice de covariance est donnée par AA∗
c’est à dire  
1 1
∗ 1 1 1 3 0
AA =  1 −1 = 
1 −1 0 0 2
1 0
Par conséquent, comme AA∗ est diagonale, on conclut que U et (X − Y ) sont indépendants. En échangeant les rôles
de X, Y et Z de manière convenable, on obtient également que U est indépendante de Y − Z et Z − X.
3. Nous avons     
X +Y +Z 1 1 1 X
2X − Y − Z  = 2 −1 −1  Y  .
Y −Z 0 1 −1 Z
| {z }
B

Calculons     
1 1 1 1 2 0 3 0 0
BB ∗ = 2 −1 −1 1 −1 1  = 0 6 0 .
0 1 −1 1 −1 −1 0 0 2
Là encore, la matrice de covariance est diagonale et (X, Y, Z) est gaussien donc les trois variables considérées sont
indépendantes.
On remarque que en lisant la matrice de covariance que 2X−Y √ −Z ∼ N (0, 1) demême que Y√ −Z
∼ N (0, 1). Leurs
6 2
2
carrés suivent une loi du χ à un degré de liberté.
4. En utilisant l’égalité et l’indépendance de 2X − Y − Z avec Y − Z :
1
φV (t) = ψ(3t)ψ(3t) =
1 − 6it
2 2 2
5. Etant donné que X − Y suit une N (0, 2), on déduit que (X−Y 2
)
∼ χ2 (1). Il en va de même pour (Y −Z)
2 et (Z−X)
2 .
1 2
Supposons l’indépendance des trois variables aléatoires alors 2 V est la somme de trois χ (1) indépendantes si bien
que φ 12 V (t) = (1−2it)−3/2 or φ 12 V (t) = φ(t/2) = (1−3it)−1 par la question précédante. On obtient une contradiction.

TD5 : Convergences

Exercice 1
Soit (Xn )n≥1 une suite de v.a. de loi
1 1
PXn = 1− δ0 + (δ−n + δn ).
n2 2n2
1. Montrer que (Xn )n≥1 converge presque sûrement vers 0.
2. Que dire de la convergence en moyenne quadratique ?

Exercice 2
1. Soit (Xn )n≥1 une suite de v.a. i.i.d. positives admettant un premier moment. On note E(X1 ) = m < ∞ et on pose
Un = Xn /n2 , n ≥ 1. La suite (Un )n≥1 converge-t-elle presque sûrement ? dans L1 ? En probabilité ? Si oui, vers
quelle limite ?
2. On suppose désormais que les v.a. Xn admettent une densité
c
f (x) = 1x>0 , x ∈ R.
π(x2 + 1)

(a) Calculer la valeur de la constante c.

(b) Est-on dans les hypothèses de la question 1 ?
(c) Parmi les résultats obtenus à la question 1, lesquels sont toujours valides et pourquoi ?

Exercice 3 (Extrait de l’examen de rattrapage de mars 2014)

Soit X une v.a. de densité fθ définie pour x ∈ R par

fθ (x) = (1 − θ)1[−1/2,0] (x) + (1 + θ)1[0,1/2] (x),

où θ ∈ R \ {−1, 1}.

1. Quelles sont les valeurs possibles de θ ?
2. Calculer l’espérance et la variance de X.
3. Soient X1 , . . . , Xn des v.a. i.i.d. de densité fθ . Soient Un et Vn les variables aléatoires définies par
n
X n
X
Un = 1(−∞,0] (Xi ) et Vn = 1(0,∞) (Xi ).
i=1 i=1

(a) Montrer que Un et Vn suivent des lois binomiales dont on précisera la valeur des paramètres. Les v.a. Un et Vn
sont-elles indépendantes.
(b) Montrer que (Un − Vn )/n tends presque sûrement vers une valeur déterministe que l’on précisera.
(c) Calculer E(Un ), E(Vn ) et en déduire la limite de E((Vn − Un )/n) quand n → ∞. Ce résultat pouvait-il se
déduire de la question précédente ?
(d) Calculer E(Un Vn ) et Cov(Un , Vn ).
(e) Montrer que V((Un − Vn )/n) tend vers 0 lorsque n → ∞. Ce résultat implique-t-il celui de la question 3b ? En
implique-t-il une forme plus faible (que l’on précisera alors) ?
(f) Pour n grand, construire un intervalle de confiance pour θ de niveau de risque 5% à partir des Xi , 1 ≤ i ≤ n,
et un autre à partir des Ui , 1 ≤ i ≤ n. Commenter. Quelle est l’utilité de supposer que n est grand ?

Exercice 4 (Extrait du rattrapage de février 2017)

Soit (Xn )n≥ une suite de variables aléatoires i.i.d. de loi de Bernoulli sur {−1, 1} de paramètre p ∈ (0, 1). Autrement dit,
P(X1 = 1) = 1 − P(X1 = −1) = p. On note Sn = X1 + · · · + Xn .
1
1. Montrer que si p 6= 2 alors (|Sn |)n≥1 tend presque sûrement vers +∞.
2. On considère désormais le cas p = 21 . Soit α > 0.
(a) Calculer E[eαX1 ] puis E[eαSn ]. En déduire que E[(cosh α)−n eαSn ] = 1.
(b) À l’aide de la loi forte des grands nombres montrer que
1/n
eαSn

1
lim = .
n→∞ (cosh α)n cosh α

En déduire que (cosh α)−n eαSn converge vers 0 p.s..

Exercice 5
Sur l’espace de Borel standard ([0, 1], B([0, 1]), λ), on considère la suite (Xn )n≥1 de v.a. définies pour ω ∈ [0, 1] par

1
Xn (ω) = √ 1(0,1/n) (ω).
ω

Montrer que (Xn )n≥1 converge en probabilité vers 0 mais ne tend pas vers 0 en moyenne quadratique.

Exercice 6 (Extrait de l’examen de rattrapage de février 2015)

On considère une machine soumise à des pannes. On note X1 l’instant de la première panne et, pour i ≥ 2, Xi le temps
de fonctionnement entre la i-ième et (i + 1)-ième panne. On note Tn l’instant de la n-ième intervention de la maintenance
(supposée être réalisée sans délai si bien que Tn = X1 + · · · + Xn ). On suppose les v.a. Xi i.i.d..
1. On note N (t) = max{n ∈ N : Tn ≤ t}, t ∈ R+ . Interpréter N (t) dans le contexte de l’énoncé et montrer que pour
tout entier n ≥ 0 et t ≥ 0, {N (t) < n} = {Tn > t}.
2. Justifier pour tout t ≥ 0 la double inégalité

TN (t) ≤ t < TN (t)+1 .

3. (a) Montrer que, pour n donné, la famille d’événements At = {N (t) < n} est décroissante en t ≥ 0 pour l’inclusion,
i.e. s ≤ t implique At ⊂ As .
(b) En déduire que si P(At ) → 0 lorsque t → ∞ alors P(∩t≥0 At ) = 0.
4. On suppose désormais que E(X1 ) = m < ∞.
(a) Montrer que pour tout n entier, Tn admet un premier moment et en déduire que P(Tn > t) → 0 lorsque t → ∞.
Que peut-on en déduire sur le nombre de pannes quand t tend vers l’infini.
(b) Montrer que Tn /n converge presque-sûrement vers une valeur à déterminer.
(c) En déduire que la suite TN (t) /N (t) converge presque-sûrement vers m lorsque t tend vers l’infini (on pourra se
contenter d’une heuristique).
(d) Montrer que pour t ∈ R+
TN (t) t TN (t)+1 1
≤ < 1+ .
N (t) N (t) N (t) + 1 N (t)
(e) En déduire que t/N (t) converge presque sûrement vers m et interpéter ce résultat dans le contexte de l’énoncé.

Exercice 7
Soit (Xn )n≥1 une suite de v.a. i.i.d. de carré intégrable. On pose m = E(X1 ) et σ 2 = V(X1 ). Pour tout entier n ≥ 1, on
pose
n n
1X 1X
Xn = Xk et Zn = (Xk − X n )2 .
n n
k=1 k=1

1. Calculer E(Zn ) ((Ce calcul a déjà été effectué dans la feuille de TD 2.).
2. Montrer que Zn converge presque sûrement vers σ 2 .

Exercice 8
On considère une suite de v.a. indépendantes (Xn )n≥1 telles que, pour n ≥ 1, P(Xn = n) = 1/n = 1 − P(Xn = 0).
1. Montrer que (Xn )n≥1 converge vers 0 en probabilité.
Pn
2. On pose Yn = n−1 k=1 Xk . La suite (Yn )n≥1 converge-t-elle vers 0 en probabilité ?
3. En utilisant le lemme de Cesàro, montrer que (Xn )n≥1 ne peut converger presque sûrement.
4. Que dire de l’application du lemme de Cesàro à la convergence en probabilité ?
Exercice 9 (Extrait du rattrapage de février 2017)
Soit (Un )n≥1 (respectivement (Yn )n≥1 ) une suite de variables aléatoires i.i.d. de loi commune la loi uniforme sur [0, 1]
(respectivement de loi de Poisson de paramètre α > 0).
1. La loi faible des grands nombres L2 s’applique-t-elle à la suite (Un )n≥1 ? Justifier.
2. Soit f : R → R une fonction continue bornée. Calculer la limite

x1 + · · · + xn
Z
lim f dx1 . . . dxn .
n→∞ [0,1]n n

On pourra montrer que cette intégrale est l’espérance d’une fonctionnelle de la suite (Un )n≥1 .
Pn
3. Montrer que Zn = k=1 Yk suit une loi de Poisson de paramètre nα.
4. Montrer que (Zn /n)n≥1 converge en probabilité vers une limite que l’on précisera.
5. En déduire, pour toute fonction f : R → R continue et bornée, la limite
X (αn)k
lim e−αn f (k/n).
n→∞ k!
k≥0

Exercice 10
Soient X1 , . . . , Xn des variables aléatoires i.i.d. de loi commune µ. On note Fn la fonction de répartition empirique associée
et définie pour n ≥ 1 et t ∈ R par
n
1X
Fn (t) = 1[Xi ,∞) (t).
n i=1

Montrer que si F est la fonction de répartition de la loi µ, alors limn→∞ Fn (t) = F (t) presque sûrement pour tout t ∈ R.

Exercice 11 (extrait de l’examen de janvier 2014)

Soit (Xn )n≥1 une suite de v.a. : on suppose Xn ∼ N (mn , σn2 ) ; on suppose également que mn → m et σn → σ quand
n → ∞.
1. Montrer que (Xn )n≥1 converge en loi vers la loi N (m, σ 2 ).
2. Que se passe-t-il si σn → 0 ?

Exercice 12
1. On considère deux v.a.r. i.i.d. X et Y définies sur (Ω, F, P). On pose Z = X − Y et on note φX (resp. φZ ) la
fonction caractéristique de X (resp. Z).
(a) Montrer que PZ = P−Z et que φZ (t) = |φX (t)|2 pour tout t ∈ R.
(b) Montrer que Z ∈ L2 si et seulement si X ∈ L2 .
2. Pour n ∈ N∗ , on définit la fonction fn par

sin2 (2πnx) x ∈ [−1, 1]

fn (x) =
0 sinon

(a) Montrer que fn est la densité d’une loi de probabilité Pn ; calculer l’espérance et la variance de Pn et calculer
φn sa fonction caractéristique.
(b) Montrer que si (Xn )n≥0 est une suite de v.a. de loi Pn , alors la suite (Xn )n≥0 convege en loi vers la loi uniforme
sur [−1, 1].
(c) A-t-on convergence de la suite (fn )n≥0 ? de la suite des variances des Xn ?
(d) Montrer que si on suppose en outre l’indépendance des Xn alors la moyenne empirique converge en probabilité
vers 0.
(e) Trouver un exemple de loi symétrique µ pour laquelle il n’existe pas de couple (X, Y ) de v.a. i.i.d. telles que
X − Y soit de loi µ.

Exercice 13 (extrait de l’examen de janvier 2015)

√
Soit (P ) la propriété suivante : si X et Y sont deux v.a.r. i.i.d. de loi commune µ, (X + Y )/ 2 est aussi de loi µ.
1. Montrer que la loi N (0, 1) vérifie (P ).
x2 dµ(x) = 1 et vérifiant (P ).
R
2. Soit µ une probabilité sur R telle que R
(a) Montrer que si X ∼ µ alors E(X) = 0.
(b) Montrer que pour tout n ≥ 1 et toute suite X1 , . . . , X2n de v.a. i.i.d. de loi µ, la v.a.
n
2
X
Yn = 2−n/2 Xi
i=1

est de loi µ.
(c) Montrer que la suite Yn converge en loi vers la loi normale centrée réduite.
(d) Identifier µ.

Exercice 14 (Extrait du rattrapage de février 2017)

Soit (Xn )n≥1 une suite variables aléatoires indépendantes et de même loi. On suppose qu’il existe (α, λ) ∈ (0, ∞)2 tels que
α
P(X1 > x) ∼x→∞ .
xλ
La fonction de répartition F d’une loi de Fréchet de paramètre (α, λ) ∈ (0, ∞)2 est donnée pour t ∈ R par
−λ
F (t) = 1(0,∞) (t)e−αt .
1
Montrer que Zn = n− λ max(X1 , . . . , Xn ) converge en distribution vers une loi de Fréchet.

Exercice 15 (extrait de l’examen de janvier 2015)

Soit (Xn )n≥1 une suite de v.a i.i.d. de loi exponentielle de paramètre λ > 0.
1. Soit δ > 0.
(a) Montrer que si δ < 1/λ alors
n
1 1
= 1 − e−λ( λ −δ) log n .
1
P max Xk < − δ
log n 1≤k≤n λ

(b) En déduire que

1 1
lim P max Xk < − δ = 0.
n→∞ log n 1≤k≤n λ
(c) Montrer que
1 1 1
P max Xk > + δ ≤ nP X1 > + δ log n .
log n 1≤k≤n λ λ
(d) En déduire que
1 1
lim P max Xk > + δ = 0.
n→∞ log n 1≤k≤n λ
(e) Conclure que la suite
1
max Xk
log n 1≤k≤n n≥1

converge en probabilité vers une limite à déterminer.

−λt
2. (a) Montrer que la fonction G(t) = e−e est la fonction de répartition d’une loi de probabilité (appelée loi de
Gumbel).
(b) Montrer que si t ∈ R alors
log n
lim P max Xk − ≤ t = G(t).
n→∞ 1≤k≤n λ
(c) En déduire que la suite de v.a.
log n
max Xk −
1≤k≤n λ n≥1

converge en loi vers une loi limite à déterminer.

Exercice 16 (Extrait de l’examen de janvier 2017)
Dans tout le problème, log désigne le logarithme naturel et on convient que log 0 = −∞.

Partie I

log(X1 )|2 ) <

Soit (Xn )n≥1 une suite de variables aléatoires positives indépendantes et identiquement distribuées satisfaisant E(|Q
2 n
∞. On pose m = E(log(X1 )) et σ = V(log(X1 )). Enfin, on définit, pour tout n ≥ 0, la variable aléatoire Yn = k=1 Xk .
1. Justifier la convergence presque-sûre de n1 log(Yn ) vers une limite que l’on précisera. En déduire la convergence
1/n
presque-sûre de Yn vers une limite que l’on précisera.
2. On définit pour tout n ≥ 0
log(Yn ) − nm
Zn = √ .
σ n
La suite (Zn )n≥1 converge-t-elle en loi ? vers quelle limite ?
√ √1
3. En déduire la convergence en loi de (e−m n
Yn n
)n≥1 vers la variable aléatoire eσΓ où Γ suit une loi normale centrée
réduite. Justifier.
Partie II

Rappel :
Une fonction f : Rd → Rd est lipschitzienne si il existe une constante k ≥ 0 telle que kf (x) − f (y)k ≤ kkx − yk.

On munit Rd de la norme euclidienne notée k · k. Soient X un ensemble et (fε )ε∈X une famille de fonction lipschitzienne
de Rd dans Rd . Pour chaque ε ∈ X, on note cε la constante de Lipschitz, i.e. :

kfε (x) − fε (y)k
cε := sup = inf k ≥ 0 : ∀(x, y) ∈ Rd × Rd , kf (x) − f (y)k ≤ kkx − yk .
x,y∈Rd :x6=y kx − yk
Soit X0 ∈ Rd de loi µ et (εn )n≥0 une suite de variables aléatoires à valeurs dans X indépendantes et identiquement
distribuées. On suppose en outre que (εn )n≥0 est indépendante de X0 . On définit la suite de vecteurs aléatoires (Xn )n≥0
par récurrence :
X0 ∼ µ et pour tout n ≥ 0 : Xn+1 = fεn (Xn ).
1. Pourquoi Xn+1 = fε ◦ fε
n
◦ · · · ◦ fε (X0 ) est-elle de même loi que X
n−1 0
en+1 = fε ◦ fε ◦ · · · ◦ fε (X0 ) ?
0 1 n

2. Pour les questions a), b) et c) suivantes, on suppose que fε0 (X0 ) − X0 ∈ L1 .

(a) Montrer que pour tout k ≥ 0 :
k−1
Y
kX
ek+1 − Xek k ≤ cε` kfεk (X0 ) − X0 k
`=0
(b) Montrer que pour tout n ≥ 0 et p ≥ 0 :
n+p−1
X k−1Y
kX
en+p − X
en k ≤ cε` kfεk (X0 ) − X0 k.
k=n `=0

(c) En déduire, sous la condition E(cε0 ) < 1, la convergence dans L1 de la suite (X

en )n≥0 (on montrera que (X
en )n≥0
1
est de Cauchy dans L ).
3. Pour les questions a),b) et c) suivantes, on suppose que fε0 (X0 ) − X0 ∈ L∞ .
(a) En utilisant l’inégalité de la question 2b), montrer que pour tout n ≥ 0 et tout δ > 0
∞ k−1
!
X Y
P(sup kX en+p − Xen k > δ) ≤ P sup ess kfε (X0 ) − X0 k∞
0
cε > δ . `
p≥0
k=n `=0

(b) En utilisant le critère de Cauchy pour les séries numériques, montrer, sous la condition E(log(cε0 )) < 0, que
P∞ Qk
la série k=0 `=0 cε` est convergente presque-sûrement et en probabilité (on pourra utiliser le résultat de la
question 1. de la partie I).
(c) En déduire que (Xen )n≥0 converge presque-sûrement. On notera X e∞ la limite.
4. En supposant les conditions de la question 3 satisfaites, montrer que (Xn )n≥0 converge en loi vers la loi de Xe∞ .
5. Parmi les conditions E(cε0 ) < 1 et E(log(cε0 )) < 0, laquelle est la plus faible ?

TD5 : Convergences

Exercice 1
1
P
1. Soit ε > 0 alors P(|Xn | ≥ ε) = n2 ainsi n≥1 P(|Xn | > ε) < ∞ et Xn converge presque sûrement vers 0 par
Borel-Cantelli.
2. On aE(Xn2 ) = 1 donc Xn ne converge pas vers 0 dans L2 .

Exercice 2
1. Soit ε > 0, l’inégalité de Markov implique
X X m
P(|Un | > ε) ≤ <∞
n2 ε
n≥1 n≥1

donc Un converge presque sûrement vers 0, a fortiori elle converge en probabilité. Enfin, E|Un | = EX1 /n2 qui tends
vers 0 quand n tends vers l’infini. Ainsi Un converge dans L1 vers 0.
R ∞ dx 1
2. (a) On calcule facilement 0 π(1+x 2 ) = 2 d’où c = 2.

(b) Pas tout à fait car si X1 est effectivement positive nous avons par contre EX1 = ∞.
(c) Clairement E|Un | = ∞ pour tout n ≥ 1 donc Un ne converge pas vers 0 dans L1 . D’autre part,
Z ∞
2dx 2 2 1
P(|Un | ≥ ε) = P(X1 ≥ n2 ε) = 2
= 1 − arctan n2 ε = arctan 2 .
n2 ε π(1 + x ) π π n ε

Ainsi, Un converge vers 0 presque sûrement et donc en probabilité.

Exercice 3 (Extrait de l’examen de rattrapage de mars 2014)

1. Une densité étant positive, on obtient que nécessairement θ ∈ [−1, 1], comme −1, 1 sont par hypothèse écartés, il
vient θ ∈ (−1, 1).
2. On calcule
0 1/2
1−θ 1+θ
Z Z
θ
E(X) = (1 − θ) x dx + (1 + θ) x dx = − + = .
−1/2 0 8 8 4

3. (a) Les variables aléatoires Un et Vn sont des sommes de Bernoulli indépendantes aussi Un ∼ B(n, P(X ≤ 0)) et
Vn ∼ B(n, P(X > 0)). On calcule

1−θ 1+θ
p = P(X ≤ 0) = , et 1 − p = P(X > 0) = .
2 2

(b) Par la loi des grands nombres Un /n et Vn /n converge respectivement vers p et 1 − p si bien que (Un − Vn )/n
converge presque sûrement vers 2p − 1 = −θ.
(c) Nous avons E(Un ) = np et E(Vn ) = n(1 − p) si bien que E((Vn − Un )/n) tends vers 1 − 2p = θ lorsque n → ∞.
En appliquant le théorème de convergence dominée, la convergence considérée pouvait se déduire de la question
précédante.
(d) Comme Un + Vn = n, E(Un Vn ) = E(nUn ) − E(Un2 ) = n2 p − np(1 − p) − n2 p2 = n(n − 1)p(1 − p). On déduit

Cov (Un , Vn ) = E(Un Vn ) − E(Un )E(Vn ) = n2 p − np(1 − p) − n2 p2 − n2 p(1 − p) = −np(1 − p).

(e) On calcule

1
V((Un − Vn )/n) = [Cov(Un − Vn , Un − Vn ) = V(Un ) + V(Vn ) − 2Cov(Un , Vn )]
n2
2np(1 − p) + 2np(1 − p) 4p(1 − p)
= = −→n→∞ 0.
n2 n

Nous avons lim E(Vn − Un )/n = θ et lim V((Vn − Un )/n) = 0, on en déduit que (Vn − Un )/n converge en
probabilité vers θ.
(f) Nous avons calculé précédemment que E(X) = θ/4 or un estimateur consistant de la moyenne est la moyenne
empirique. On peut donc considérer
n
4X
θ̂ = Xi .
n
k=1

Alors θ̂ converge presque sûrement vers θ par la loi des grands nombres et le TCL implique :
√ θ̂ − θ
n =⇒ N (0, 1).
4σ
Le problème est qu’on ne connaı̂t pas σ, l’écart-type de X, c’est en réalité une fonction de θ le paramètre
inconnu. On remplace donc σ par son estimation σ̂ :
v
u n
uX
σ̂ = t (Xi − X n )2 .
k=1

Il est facile de voir en développant le carré que σ̂ converge presque sûrement vers σ. Puis le lemme de Slutsky
implique que
√ θ̂ − θ √ θ̂ − θ σ
n = n =⇒ N (0, 1).
4σ̂ 4σ σ̂
Ceci va permettre de construire un intervalle de confiance pour θ. On note t0 = 1, 96 alors
!
√ θ̂ − θ

4t0 σ̂ 4t0 σ̂
0.95 = P −t0 ≤ n ≤ t0 = P θ̂ − √ ≤ θ ≤ θ̂ + √ .
4σ̂ n n

1−θ
Dans les questions précédentes, nous avons montré que Un /n convergeait vers p = 2 . En ce sens,
2Un V n − Un
θ̃ = 1 − = .
n n
est un estimateur consistant de θ. Encore une fois,
Un
√ n −p
n =⇒ N (0, 1),
p(1 − p)
si bien que par la delta méthode
√ f (Un /n) − f (p) √ θ̃ − θ
n 0 = − n (1−θ)2 (1+θ) =⇒ N (0, 1),
f (p)p(1 − p)
4

où f (x) = 1 − 2x. Là encore, le lemme de Slutsky permet de remplacer θ par θ̃ au numérateur. D’où
!
t0 (1 − θ̃)2 (1 + θ̃) t0 (1 − θ̃)2 (1 + θ̃)
0.95 = 0.95 = P θ̃ − √ ≤ θ ≤ θ̃ + .
4 n 4

Exercice 4 (Extrait du rattrapage de février 2017)

1. Par la loi des grands nombres, lorsque n → ∞, Sn /n converge presque sûrement vers 2p − 1. D4où l’on conclut
facilement que |Sn | ∼ |2p − 1|n et le résultat.
2. (a) Nous avons
eα + e−α
E(eαX1 ) = = cosh α.
2
Puis, par indépendance, E(eαSn ) = (cosh α)n . On en déduire très facilement que E((cosh α)−1 eαSn ) = 1, c’est
la linéarité de l’intégrale.
(b)
1/n
eαSn eαSn /n

1
n
= −→n→∞ .
(cosh α) cosh α cosh α
Comme cosh α > 1 dès que α 6= 0, pour tout α 6= 0, (cosh α)n eαSn ∼ (cosh α)−n .
(c) Si le théorème de convergence dominée était applicable alors

lim E((cosh α)−1 eαSn ) = E( lim (cosh α)−1 eαSn ) = 0,

n→∞ n→∞

ce qui contredit le résultat de la questio 2.(a).

Exercice 5
Remarquons que Xn est positive pour tout n ≥ 1. Soit ε > 0, alors
1 1
λ(Xn > ε) = λ(ω : ω < ∧ ε−1 ) ∼ .
n n
Ceci montre que Xn converge vers 0 en probabilité. Calculons d’autre part
Z 1/n
dω
E(Xn2 ) = = ∞.
0 ω
Donc Xn ne converge pas en moyenne quadratique.

Exercice 6 (Extrait de l’examen de rattrapage de février 2015)

1. Pour t ∈ R+ , N (t) est le nombre de pannes avant le temps t. Cette égalité exprime simplement le fait que le temps
de la n-ième panne est plus grand que t si et seulement si il y a eu moins de n pannes avant t.
2. Trivial.
3. (a) Soit s ≤ t alors toutes les pannes ayant eu lieu avant s ont eu lieu a fortiori avant t, c’est à dire N (s) ≤ N (t)
d’où At ⊂ As .
(b) Nous avons par décroissance que ∩t≥0 At = ∩n≥0 An ce qui implique que ∩t≥0 At est mesurable. De plus, par
continuité à droite d’une probabilité :
P(∩t≥0 At ) = lim P(An ) = 0.
n→∞

4. (a) Puisque Tn est positive, on peut calculer E(Tn ) = nm ce qui montre que Tn admet un premier moment. Par
l’inégalité de Markov,
nm
P(Tn > t) ≤ −→t→∞ .
t
De là, avec la question 1., on obtient P(N (t) < n) = P(Tn > t) d’où N (t) → ∞ lorsque t → ∞.
(b) La loi des grands nombres implique que Tn /m converge vers m presque sûrement.
TN (t)
(c) Comme N (t) tends vers l’infini, N (t) converge presque sûrement vers m par composition de limite.
(d) Ce n’est ni plus ni moins que l’inéquation de la question 2. renormalisée par N (t).
(e) Par encadrement, on obtient facilement que t/N (t) converge presque sûrement vers m lorsque t tends vers
l’infini. On a montré que le nombre moyen de pannes sur un long intervalle [0, t] est de l’ordre 1/m, c’est
inversement proportionnel au temps entre deux pannes.

Exercice 7
1. Voir le calcul effectué dans la feuille de TD 2.
2. De même, nous avons déjà montré que
n
1X 2
Zn = Xk − (X n )2 .
n
k=1
En appliquant la loi des grands nombres aux deux termes, on trouve le résultat souhaité.

Exercice 8
1. Soit ε > 0, il s’agit de calculer P(|Xn | > ε) = 1/n qui tends vers 0. D’où la convergence en probabilité.
2. Si Yn tend vers 0 en probabilité alors Yn converge vers δ0 en loi dont la fonction caractéristique est ϕδ0 (t) = 1
pour tout t ∈ R. Nous allons montrer qu’il existe t0 ∈ R tel que lim supn→∞ |ϕYn (t0 )| < 1 ce qui nous donnera la
contradiction recherchée.
À l’aide de l’indépendance des Xn , on calcule
n n n n
1 eitk/n 1 − eitk/n
h i Y Y Y
itYn Y itXk /n
ϕYn (t) = E e = E e = 1− + = 1− = zk,n (t).
k k k
k=1 k=1 k=1 k=1

Par ailleurs,

1 − eitk/n 1 − e−itk/n

2
|zk,n (t)| = 1 − 1−
k k
2(1 − cos(tk/n)) 2(1 − cos(tk/n)) 2(k − 1)
=1− + =1− (1 − cos(tk/n).
k k2 k2
De là, on considère t ∈ [−π/2; π/2] et on utilise les inégalités de convexités ln(1 + x) ≤ x pour x > −1 et cos(x) − 1 ≤
− π2 x pour x ∈ [0, π/2]. On obtient
( n 1/2 )
X 2(k − 1)
|ϕYn (t)| = exp log 1 − (1 − cos(tk/n)
k2
k=1
( n ) ( n
)
X k−1 2 1 X k−1
≤ exp (cos(tk/n) − 1) ≤ exp − |t| .
k2 π n k
k=1 k=1

En passant à la limite supérieure, le lemme de Cesàro donne, pour t ∈ [−π/2, π/2],

2
lim sup |ϕYn (t)| ≤ exp − |t| < 1.
n→∞ π
3. Supposons que (Xn )n≥1 converge presque sûrement. Alors sa limite ne peut être que 0 puisque c’est la limite de
(Xn )n≥1 en probabilité. Alors par définition, il existe N ⊂ Ω tel que P(N ) = 0 et ω ∈ N { implique (Xn (ω))n≥1 est
une suite réelle convergente. Le lemme de Cesàro implique que
n
1X
lim Yn (ω) = lim Xk (ω) = lim Xn (ω).
n→∞ n→∞ n n→∞
k=1

Ceci montre que (Yn ) converge presque sûrement vers 0 donc en probabilité vers 0. Contradiction avec la question
précédente.
4. Il n’est plus valide.

Exercice 9 (Extrait du rattrapage de février 2017)

1. La suite (Un ) est i.i.d. et U1 admet un moment d’ordre 2. Ainsi la loi faible des grands nombres cadre L2 s’applique.
2. Il est clair que
x1 + · · · + xn U1 + · · · + Un
Z
f dx1 · · · dxn = E f .
[0,1]n n n
Par la loi faible des grands nombres, nous obtenons la convergence en probabilité de
U1 + · · · + Un 1
lim = .
n→∞ n 2
La convergence en probabilité vers une constante implique la convergence en loi vers la mesure de Dirac en cette
constante. Par définition de la convergence en loi, puisque f est supposée bornée, nous avons

U1 + · · · + Un
lim E f = f (1/2)
n→∞ n
3. Rappelons la fonction caractéristique de la loi de Poissons
∞
X (αeit )k it it
φY (t) = e−α = e−α eαe = e−α(1−e ) .
k!
k=0

Ceci permet de calculer la fonction caractéristique de Zn par indépendance

it
φZn (t) = φY (t)n = e−nα(1−e ) .
On reconnaı̂t la fonction caractéristique d’une poisson de paramètre nα.
4. La loi faible des grands nombres cadre L2 implique que Zn /n converge en probabilité vers E(Y1 ) = α.
5. On remarque que
X (αn)k
e−αn f (k/n) = E(f (Zn /n)) −→n→∞ f (α),
k!
k≥0

par les mêmes arguments que pour la question 2..

Exercice 10
Il s’agit de la version simple de Glivenko-Cantelli, le vrai théorème de Glivenko-Cantelli est montrée dans le cours : pour
tout t ∈ R on veut montrer que Fn (t) converge presque sûrement vers F (t). Dans ce cas, Fn (t) converge presque-sûrement
par la loi des grands nombres vers E(1[X1 ,∞) (t)) = P(X1 ≤ t). Ceci signifie que pour tout t ∈ R, il existe un ensemble
négilgeable Nt tel que ω ∈/ Nt , limn→∞ Fn (t, ω) → F (t).

Exercice 11 (extrait de l’examen de janvier 2014)

1. Soit g une fonction continue bornée et Y ∼ N (0, 1)

E(g(Xn )) = E(g(σn Y + mn )).

Nous avons σn Y + mn converge presque sûrement vers σY + m. Comme g est continue, g(σn Y + mn ) converge
presque sûrement vers g(σY + m) et supn≥0 |g(σn Y + mn )| ≤ kgk∞ . Le théorème de convergence dominée implique

lim E(g(Xn )) = lim E(g(σn Y + mn )) = E(g(σY + m)) = E(g(X)).

n→∞ n→∞

Ceci n’est rien d’autre que la convergence en loi.

2. Lorsque σn → 0, alors la loi limite est δm . Ceci implique la convergence en probabilité de Xn vers m.

Exercice 12
1. (a) Par hypothèse PX ⊗ PY = PY ⊗ PX si bien que L(X, Y ) = L(Y, X). En notant p : R2 → R définie par
p(x, y) = x − y, il vient alors L(p(X, Y )) = L(p(Y, X)). D’où PZ = P−Z .
Par indépendance de X et Y , nous avons φZ = φX φ−X = φX φX = |φX |2 .
(b) On suppose que X ∈ L2 alors par Cauchy-Schwartz X ∈ L1 et

E(Z 2 ) = E(X 2 ) − 2E(X)E(Y ) + E(Y 2 ) = 2(E(X 2 ) − E(X)2 ) = 2V(X).

Ainsi, Z ∈ L2 .
Réciproquement, supposons Z ∈ L2 alors par le théorème de transfert et le théorème de Fubini pour les fonctions
mesurables positives Z Z Z
Z 2 dP = (x − y)2 PX (dx)PY (dy) < ∞.

Par conséquent, l’inégalité de Markov implique que (X − y) ∈ L2 pour PY -presque tout y ∈ R. Il est alors clair
que X ∈ L2 — il suffit pour cela que X − y ∈ L2 pour un seul y ∈ R.
2. (a) Il est clair que fn est positive pour tout n ≥ 1. Puis, on calcule
Z 1 Z 1
1
sin2 (2πnx) dx = 1 − cos(4πnx) dx = 1.
−1 2 −1

Soit Xn une variable aléatoire de densité fn . Notons que |Xn | ≤ 1 presque sûrement, elle admet donc des
moments de tout ordre. De plus, par parité
Z 1
E(Xn ) = x sin2 (2πnx) dx = 0.
1

Enfin, à l’aide d’une IPP

1 1 1 Z 1
1 1 x2 sin(4πnx)
Z Z
1 1 x sin(4πnx)
V(Xn ) = E(Xn2 ) = 2
x dx − 2
x cos(4πnx) dx = − + dx.
2 −1 2 −1 3 2 4πn −1 −1 4πn

À l’aide d’une seconde IPP :

Z 1 1 Z 1
sin(4πnx) x cos(4πnx) cos(4πnx)
x dx = − 2 n2
+ 2 2
dx.
−1 4πn 16π −1 −1 16π n

Finalement,
1 1
V(Xn ) = − .
3 8π 2 n2
Enfin, calculons la fonction caractéristique :

1 1 itx 1 1 itx sin(t) 1 1 itx

Z Z Z
φn (t) = e dx − e cos(4πnx) dx = − e cos(4πnx) dx.
2 −1 2 −1 t 2 −1
R1
Puis, notant In = −1
eitx cos(4πnx) dx, et intégrant deux fois par parties, on obtient :
Z 1 1 Z 1
itx sin(4πnx) itx it
e cos(4πnx) dx = e − eitx sin(4πnx) dx,
−1 4πnx −1 4πn −1
| {z }
=0
et 1
1
− cos(4πnx) itx
Z
itx it
e sin(4πnx) dx = e + In .
−1 4πn −1 4πn
Finalement,
it −eit + e−it t2
In = − + In ,
4πn 4πn 16π 2 n2
d’où
t2

t sin(t)
In 1 − =− 2 2
16π 2 n2 8π n
et
2tsin(t)
In = .
t2 − 16π 2 n2
Enfin,
t2

sin(t)
φn (t) = 1− 2 .
t t − 16π 2 n2
(b) Rappelons la fonction caractéristique de U[−1, 1] :

1 1 itx
Z
sin(t)
φ(t) = e dx = .
2 −1 t

On constate donc que limn→∞ φn (t) = φ(t) pour tout t ∈ R. Ceci montre que Xn converge en loi vers la loi
uniforme sur [−1, 1].
(c) La fonction y → sin2 (2πy) est 12 -périodique. Par ailleurs, la suite nx mod 12 est dense dans [0, 12 ) dès que x ∈
/ Q 1.
Ainsi, dès que x ∈/ Q, l’ensemble des valeurs d’adhérences de fn (x) est [0, 1]. Si x ∈ Q, la suite nx mod 12 est
périodique et l’ensemble des valeurs d’adhérence de fn (x) est fini. En fait on voit facilement que fn (x) converge
uniquement pour x = 0 mod 12 , seul cas où fn (x) ne possède qu’une valeur d’adhérence.
De plus limn→∞ V(Xn ) = 31 . Notons que cette variance limite n’est rien d’autre que la variance de la loi
uniforme sur [−1, 1].
(d) L’indépendance des Xn et le fait que Xn est de carré intégrable pour tout n implique par Bienaymé-Tchebichev
que, pour tout ε > 0, n ! P
n
1 X V(Xk ) 1
P Xk > ε ≤ k=12 2 ≤ → 0.

n n ε 3nε2
k=1

(e) Une telle loi µ symétrique admet une fonction caractéristique positive. Or, si µ est la loi uniforme sur [−1, 1],
alors µ̂(t) = sin(t)
t . En particulier, µ̂ est négative sur (−π, 0), c’est une contradiction avec la question 1.

Exercice 13 (extrait de l’examen de janvier 2015)

√
1. Si X, Y sont deux variables aléatoires gaussiennes centrées, réduites et indépendentes alors (X + Y )/ 2 est une
gaussienne et √ √
E((X + Y )/ 2) = 0 et V((X + Y )/ 2) = (V(X) + V(Y ))/2 = 1.
D’où le résultat.
2. (a) L’existence d’un moment d’ordre 1 pour X est immédiate. Par hypothèse
1
1 = E(X 2 ) = E[(X + Y )2 ] ⇐⇒ 0 = E(X)E(Y ) = E(X)2 ,
2
d’où E(X) = 0.
(b) On procède par récurrence, pour n = 1 c’est exactement l’hypothèse (P ). Supposons donc Yn ∼ µ. Alors
P2n+1
Yn+1 = Yn√+2Ỹn où Ỹn = 2−n/2 i=2n +1 Xi . En utilisant l’indépendance par paquet, nous avons que Yn et Ỹn
sont deux variables aléatoires indépendantes. Par hypothèse de récurrence, elles sont de même loi µ. La propriété
(P ) permet de conclure.
(c) C’est une application du TCL puisque les Xi sont i.i.d., admettent un second moment et E(X1 ) = 0, V(X1 ) = 1.
(d) Pour tout n ≥ 1, Yn ∼ µ et la convergence en loi précédente implique pour tout fonction g continue bornée

E(g(Z)) = lim E(g(Yn )) = E(g(Y1 )), avec Z ∼ N (0, 1).

n→∞

Donc µ est la mesure gaussienne standard.

1. C’est l’ergodicité des rotations irrationnelles : sur R/Z, on note Rα (x) = x + α mod 1 ; cette application laisse invariante la mesure de
Lebesgue, il faut alors montrer que ce système dynamique est mélangeant lorsque αnotinQ ; enfin, on peut déduire que tout ouvert est visité
par l’orbite de Rα .
Exercice 14 (Extrait du rattrapage de février 2017)
Notons Fn la fonction de répartition de Zn alors pour tout t ∈ R
−λ
Fn (t) = P(Zn ≤ t) = P(max(X1 , . . . , Xn ) ≤ n1/λ t) = F (n1/λ t)n = exp{n ln[1−P(X1 > n1/λ t)]} −→n→∞ e−αt 1[0,∞) (t).
Exercice 15 (extrait de l’examen de janvier 2015)
1. (a) De manière assez classique
n
1 1
max Xk < − δ = P (max(X1 , . . . , Xn ) ≤ (1/λ − δ) log n) = 1 − e−λ( λ −δ) log n .
1
P
log n 1≤k≤n λ

(b) Par hypothèse, 1/λ − δ > 0

n n h io n o
1 − e−λ( λ −δ) log n = exp n log 1 − e−λ( λ −δ) log n ∼n→∞ exp −ne−λ( λ −δ) log n → 0.
1 1 1

(c) Dire le maximum dépasse un certain seuil signifie qu’il existe un Xi qui le dépasse d’où le résultat.

1 1 1
P max Xk > + δ ≤ nP X1 > + δ log n .
log n 1≤k≤n λ λ

(d) Nous avons

1 1
nP X1 > + δ log n = n exp −λ + δ log n → 0.
λ λ
(e) Soit δ ∈ (0, 1/λ)

1 1 1 1 1 1
P max Xk − > δ = P max Xk < − δ + P max Xk > + δ → 0.
log n 1≤k≤n λ log n 1≤k≤n λ log n 1≤k≤n λ

2. (a) La fonction G est continue et croissante comme la composée de deux fonctions continues et décroissantes. De
plus, limt→∞ G(t) = 1 et limx→−∞ G(t) = 0.
(b) Soit t ∈ R alors
n
log n
= 1 − e−λ(t+log(n)/λ) ∼ exp −e−λt ne− log n → G(t).

lim P max Xk − ≤t
n→∞ 1≤k≤n λ

(c) Cela montre la convergence vers la la loi de Gambel puisque la suite de fonction de répartition convergence
ponctuellement vers G pour tout t ∈ R.
Des résultats de cet exercice, on obtient un nouvel estimateur du paramètre 1/λ de la loi exponentielle. Remarquons que
la largeur de l’IC associé est de l’ordre log n.

Exercice 16 (Extrait de l’examen de janvier 2017)

Partie I

1. Nous remarquons que

n
1 1X
log Yn = log Xk → E(log X1 ),
n n
k=1
2
c’est la loi forte des grands nombres cadre L . En passant à l’exponentielle qui est une fonction continue, on obtient
1/n
que Yn converge presque sûrement vers eE(log(X1 )) .
2. Il suffit d’appliquer le TCL :
log(Yn ) − nm
Zn = √ =⇒ N (0, 1).
σ n
√ √
1/ n
3. Le théorème de l’application continue implique eσZn converge en loi vers eσΓ , or eσZn = e−m n
Yn .
Partie II

1. Puisque les εn sont i.i.d. et indépendante de X0 , nous avons que L(ε0 , . . . , εn , X0 ) = L(εn , . . . , ε0 , X0 ). D’où L(Xn ) =
L(X̃n ).
2. (a) Montrer que pour tout k ≥ 0 :
n−1
Y
kX
ek+1 − X
ek k = kfε ◦ · · · ◦ fε (X0 ) − fε ◦ · · · ◦ fε (X0 )k ≤
0 k 0 k−1
εk kfεk (X0 ) − X0 k.
k=0
(b) Soient n, p ≥ 0
n+p−1
X n+p−1
X k−1Y
kX
en+p − X
en k ≤ kX̃k+1 − X̃k k ≤ cε` kfεk (X0 ) − X0 k.
k=n k=n `=0

en utilisant le caractère i.i.d. de la suite ε. On déduit

E(cε0 )n
sup EkX̃n+p − X̃n k ≤ Ekfε0 (X0 ) − X0 k.
p≥0 1 − E(cε0 )

D’où X̃ est une suite de Cauchy dans L1 .

3. (a) En utilisant la question 2b),
∞ k−1 ∞ k−1
" #
X Y X Y
sup kX
en+p − X
en k ≤ cεk kfεk (X0 ) − X0 k ≤ cεk sup ess kfεk (X0 ) − X0 k.
p≥0
k=n `=0 k=n `=0

D’où l’on déduit

∞ k−1
!
X Y
P(sup kX
en+p − X
en k > δ) ≤ P sup ess kfε (X0 ) − X0 k∞
0
cε` > δ .
p≥0
k=n `=0

(b) La question I.1. implique la convergence presque sûre

n
!n
Y
cεn −→ exp E(log cε0 ) < 1
`=0

puisque E(log cε0 ) < 0.

P∞ Qn
(c) Puisque la série k=0 `=0 cεn est presque sûrement convergente, le reste de la série tend presque sûrement
vers 0. Comme sup ess kfε0 (X0 ) − X0 k < ∞ par hypothèse, il vient que P(supp≥0 kX
en+p − Xen k > δ) tend vers
0 lorsque n → ∞. En particulier, X en converge presque sûrement vers une variable aléatoire que l’on notera
X∞ .
e
4. Puisque pour tout n ≥ 0, Xn et X en ont même loi, on obtient pour toute fonction h continue bornée

en )) −→n→∞ E(h(X
E(h(Xn )) = E(h(X e∞ )),

par convergence dominée.

5. Par l’inégalité de Jensen, nous avons E(log cε0 ) ≤ log E(cε0 ).

TD6 : Espérances Conditionelles

Exercice 1 (Extrait de l’examen de rattrapage de mars 2013)
Soit X une variable aléatoire intégrable, de fonction de répartition F, et de densité f . Soit ξ une variable aléatoire
indépendante de X de loi Pξ = δ−12+δ1 . On pose Y = X + ξ.
1. Pour tout y ∈ R, calculer E(1Y ≤y |ξ).
2. En déduire la fonction de répartition de Y .
3. La loi de Y est-elle à densité ? Si oui, la calculer.

Exercice 2 (Extrait de l’examen de janvier 2013)

Soit X = (X1 , X2 , X3 ) un vecteur gaussien de R3 de moyenne m = (1, 0, 3)∗ et de matrice de covariance
 
2 2 −2
2 5 1 .
−2 1 5

1. (a) Déterminer le noyau de Σ.

(b) La loi de X est-elle à densité par rapport à la mesure de Lebesgue sur R3 ?
(c) Quel est le support de la loi de X ?
2. Calculer l’espérance conditionnelle de X2 sachant X1 .
3. Déterminer la loi conditionnelle de X2 sachant X1 = x.

Exercice 3 (Extrait de l’examen de janvier 2014)

Soit (X, Y, Z) un vecteur gaussien de loi N (0, I3 ).
1. Montrer que (X, X + Y, X + Y + Z) est un vecteur gaussien dont on précisera la moyenne et la matrice de covariance.
2. (a) Montrer que le couple (X, X + 2Y ) admet une densité sur R2 , calculer cette densité.
(b) Calculer la densité de X + 2Y .
(c) Soit a ∈ R, calculer la densité conditionnelle de X sachant X + 2Y = a et en déduire l’espérance conditionnelle
E(X|X + 2Y ).

Exercice 4 (Extrait de l’examen de rattrapage de mai 2013)

Soient X et Y deux variables aléatoires indépendantes de même loi de densité f définie par f (x) = e−x 1R+ (x). On note
S =X +Y.
1. Déterminer la densité de la loi du couple (X, S).
2. Déterminer la loi conditionnelle de X sachant S.
3. Calculer E(X|S).

Exercice 5
Soient X1 , . . . , Xn des variables aléatoires indépendantes de loi de Poisson. Déterminer la loi de Xj sachant X1 + · · · + Xn .

Exercice 6
Soit (X, Y ) une variable aléatoire à valeurs dans R2 de carré intégrable et satisfaisant

E(X|Y ) = Y, p.s. et E(Y |X) = X p.s..

1. Montrer que E(XY ) = E(X 2 ) = E(Y 2 ).

2. En déduire la variance de X − Y puis l’égalité X = Y p.s..

Exercice 7
Soit X une variable aléatoire exponentielle de paramètre θ > 0. Déterminer E(X|X > t) pour tout t ∈ R.

Exercice 8
Soient X, Y, Z trois v.a.r. telles que
— X est une loi uniforme sur l’intervalle [0, 1] ;
— la densité de Y conditionnellement à X est donnée par

fY |X=x (y) = (y − x)e−(y−x) 1[x,∞) (y);

— la densité de Z conditionnellement à (X, Y ) est définie par

fZ|X=x,Y =y (z) = (y − x)e−z(y−x) 1R∗+ (z)1D (x, y),

où D = {(x, y) ∈ R2 : x ∈ [0, 1], y > x}.

1. Déterminer la loi jointe de (X, Y, Z).
2. Quelle est la loi de Z conditionnellement à (X, Y ) ? Calculer la loi de Z.
3. Déterminer la loi de (X, Y ) sachant Z = z.
√
4. Calculer E( Y − X|Z = z).
5. On pose U = Y − X et V = Z(Y − X). Déterminer la loi jointe de (X, U, V ).
6. X, U et V sont-elles indépendantes ?

Exercice 9 (Extrait de l’examen de janvier 2015)

Soient X1 , X2 et X3 trois v.a.r. gaussiennes centrées réduites indépendantes. On pose U = 2X1 −X2 −X3 , V = X1 +X2 +X3
et W = 3X1 + X2 − 4X3 .
1. Déterminer les lois de U, V et W . Parmi les couples suivants, lesquels sont indépendants : (U, V ), (U, W ), (V, W ) ?
2. Montrer qu’il existe a ∈ R tel que W = aU + Z où Z est indépendante de U . En déduire E(W |U ).

TD6 : Espérances Conditionelles

Exercice 1 (Extrait de l’examen de rattrapage de mars 2013)

1. Il vient immédiatement par indépendance de X avec ξ que E(1Y ≤y |ξ) = E(1X≤y−ξ |ξ) = F (y − ξ).
Plus généralement, on peut montrer que si deux variables aléatoires X et Y sont indépendantes alors pour toute
application h mesurable bornée E(h(X, Y )|Y ) = φ(Y ) où φ(y) = E(h(X, y). En effet, quitte à approcher l’application
h par une suite d’applications mesurables bornées à variables séparées, on peut supposer h = h1 × h2 . Alors, par
indépendance, φ(y) = h2 (y)E(h1 (X)). Soit alors Z une variable aléatoire Y -mesurable bornée, on calcule

E[ZE(h(X, Y )|Y )] = E[Zh2 (Y )E(h1 (X)|Y )] = E[Zh2 (Y )E(h1 (X))],

d’où E(h(X, Y )|Y ) = h2 (Y )E(h1 (X)) = φ(Y ).

F (y−1)+F (y+1)
2. Nous avons P(Y ≤ y) = E(1Y ≤y ) = E(E(1Y ≤y |ξ)) = E(F (y − ξ)) = 2 .
3. Un bon candidat pour la densité de Y est la dérivée de la fonction de répartition :

d f (y − 1) + f (y + 1)
g(y) = P(Y ≤ y) = .
dy 2
R
Il est immédiat que g est positive et que R
g(y) dy = 1 par invariance par translation de la mesure de Lebesgue.

Exercice 2 (Extrait de l’examen de janvier 2013)

Soit X = (X1 , X2 , X3 ) un vecteur gaussien de R3 de moyenne m = (1, 0, 3)∗ et de matrice de covariance
 
2 2 −2
2 5 1 .
−2 1 5

1. (a) Il s’agit de résoudre :  

 2x + 2y − 2z = 0  2x + 2y − 2z = 0
2x + 5y + z = 0 ⇐⇒ 3y + 3z = 0 .
−2x + y + 5z = 0 3y + 3z = 0
 

D’où l’on déduite y = −z et x = 2z, ainsi Ker Σ = Vect (2, −1, 1).
(b) Comme Σ n’est pas inversible, X n’est pas à densité par rapport à la mesure de Lebesgue sur R3 .
(c) La variable X est supportée par m + (Ker Σ)⊥ .
2. On remarque que V(X1 ) = 2 6= 0 puis on calcule

Cov(X2 , X1 )
a= =1
V(X1 )

E(X2 |X1 ) = E(X2 ) + (X1 − E(X1 )) = X1 − 1.

3. Le couple (X1 , X2 ) a pour matrice de covariance

2 2
Σ
e=
2 5

qui inversible, d’inverse

e −1 = 1 5 −2
(x − m)∗ Σ−1 (x − m) =
1 5 −2 x1 − 1

Σ =⇒ x1 − 1 x2 .
6 −2 2 6 −2 2 x2

Ainsi,
1 1
f(X1 ,X2 ) (x, y) = √ exp{− [5(x − 1)2 + 2y 2 − 4xy + 4y]}.
2π 6 12
Finallement,
√
f(X,Y ) (x, y) 4π 1 1 1 [y−(x−1)]2
fX2 |X1 =x (y) = = √ exp{− [5(x − 1)2 + 2y 2 − 4xy + 4y] + (x − 1)2 ]} = √ e− 6 .
fX1 (x) 2π 6 12 4 6π
On reconnaı̂t la densité d’une N (x − 1, 3).
Une autre méthode, plus éléguante, qui s’inspire de la preuve du théorème sur le conditionnement des vecteurs
gaussiens : soit a ∈ R et posons Z = X2 − E(X2 ) − a(X1 − E(X1 )) = X2 − aX1 + a. La variable Z est gaussienne et
centrée. Il se trouve que l’on peut choisir a tel Z et X1 soit indépendante. En effet, 0 = Cov (Z, X1 ) = Cov (X2 , X1 )−
aV(X1 ). Ainsi la condition d’indépendance est valide pour a = CovV(X (X1 ,X2 )
1)
= 1. Nous obtenons donc X2 = X1 −1+Z.
Remarquons V(Z) = V(X1 ) + V(X2 ) − 2Cov (X1 , X2 ) = 3. Considérons g une fonction continue bornée, alors par
indépendance de Z et X1

E(g(X2 )|X1 ) = E(g(Z + X1 − 1)|X1 ) =⇒ E(g(X2 )|X1 = x) = E(g(Z + x − 1)),

d’où l’on déduit que L(X2 ) = L(Z + x − 1) = N (x − 1, 3).

Exercice 3 (Extrait de l’examen de janvier 2014)

Soit (X, Y, Z) un vecteur gaussien de loi N (0, I3 ).
1. On pose      
1 0 0 X X
A = 1 1 0 =⇒ U =  X + Y  = A Y  .
1 1 1 X +Y +Z Z
On déduit facilement que
    
1 0 0 1 1 1 1 1 1
E(U ) = O et Σ(U ) = AA∗ = 1 1 0 0 1 1 = 1 2 2
1 1 1 0 0 1 1 2 3

2. (a) On note V = (X, X + 2Y ) alors

X 1 0
V =B avec B= .
Y 1 2
On déduit
1 0 1 1 1 1
E(V ) = 0 et Σ(V ) = BB ∗ = =
1 2 0 2 1 5
On calcule det Σ(V ) = 5 6= 0 donc V est à densité. On a de plus
1 1
fV (x, y) = exp − (5x2 − 2xy + y 2 ).
4π 8
(b) La variable X + 2Y est une gaussienne centrée de variance 5 donc
1 2
fX+2Y (y) = √ e−y /10 .
10π

(c) Par la formule de Bayes appliquées aux densités

√
fV (x, y) 5 (a − 5x)2 1 (x − a/5)2
fX|X+2Y =a (x) = = √ exp − =√ exp − ,
fX+2Y (a) 2 2π 40 2πσ 2 2σ 2

avec σ 2 = 4/5. Ainsi, la loi conditionelle de X|X + 2Y est une gaussienne de moyenne X + 2Y et de variance
4/5.

Exercice 4 (Extrait de l’examen de rattrapage de mai 2013)

1. Il s’agit de déterminer la densité du couple (X, X + Y ), soit donc g une fonction continue bornée :
Z Z ∞ Z ∞
E(g(X, X + Y ) = g(x, x + y)f (x)f (y) dxdy = g(u, v)e−u e−v+u 10≤u≤v dudv
R2 0 0
Z ∞Z ∞
= g(u, v)e−v 10≤u≤v dudv,
0 0

d’où f(X,S) (x, s) = 10≤x≤s e−s .

2. On déduit de la question précédante la loi de S : fS (s) = se−s 1s≥0 . Par la formule de Bayes

f(X,S) (x, s) 1[0,s] (x)

fX|S=s (x) = = .
fS (s) s

Ainsi L(X|S) = U([0, S]).

3. On a clairement E(X|S) = S/2.

Exercice 5
On pose
n
X X
Sn = Xj et Sn(j) = Xk .
j=1 k6=j
Pn (j)
λj , ainsi Sn ∼ P(λ) et λ(j) = λk ainsi Sn ∼ P(λ(j) ). On cherche à calculer
P
De même on pose λ = j=1 k6=j

(j)
P(Xj = `, Sn = k) P(Sn = k − `)P(Xj = `)
P(Xj = `|Sn = k) = = .
P(Sn = k) P(Sn = k)
A l’aide de la question 1., on remplace
(j)
e−λ e−λj (λ(j) )k−` λ`j k

P(Xj = `|Sn = k) = .
e−λ λk `

Il suffit de remarquer que λk = λk−` λ` , de poser p = λj /λ et de constater que 1 − p = λ(j) /λ. Ainsi :

k `
P(Xj = `|Sn = k) = p (1 − p)k−` .
`
On conclut que
λj
L(Xj |X1 + · · · + Xn ) = B X1 + · · · + Xn , .
λ1 + · · · + λn

Exercice 6
1. La formule des probabilités totales donnent

E(XY ) = E(E(XY |Y )) = E(Y E(X|Y )) = E(Y 2 ).

L’autre égalité se déduit de la même manière en inversant le rôle de X et Y .

2. On calcule
E((X − Y )2 ) = E(X 2 ) + E(Y 2 ) − 2E(XY ) = 0,
d’où X = Y presque sûrement par l’inégalité de Bienaymé-Tchebichev.

Exercice 7
Comme P(X > t) = 1t<0 + 1t≥0 e−θt pour tout t > 0. Il vient pour t < 0, E(X|X > t) = E(X) = 1/θ et pour t ≥ 0
Z ∞ Z ∞
E(X1(t,∞) (X)) −θx −θx ∞
E(X|X > t) = =e θt
xθe θt
dx = e [−xe ]t + e θt
e−θx dx = t + 1/θ.
e−θt t t

Finallement, E(X|X > t) = t ∨ 0 + 1/θ.

Exercice 8
1. La densité de la loi jointe de (X, Y, Z) est donnée par

f(X,Y,Z) (x, y, z) = fZ|X=x,y=y (z)fY |X=x (y)fX (x) = 1D (x, y)1R∗+ (z)(y − x)2 e−(z+1)(y−x)

2. À l’aide de la densité conditionelle, on remarque que L(Z|X, Y ) = E(Y − X). On calcule la loi de Z en intégrant la
loi jointe par rapport aux marginales X et Y :
Z Z 1 Z ∞
fZ (z) = f(X,Y,Z) (x, y, z) dxdy = 1R∗+ (z) (y − x)2 e−(z+1)(y−x) dydx
R2 0 x
Z ∞
1 2
= 1R+ (z)
∗ u2 (z + 1)e−(z+1)u du = 1R∗+ (z)
z+1 0 (z + 1)3

3. Toujours par la formule de Bayes

f(X,Y,Z) (x, y, z) 1
f(X,Y )|Z=z (x, y) = = 1D×R∗+ (x, y, z)(y − x)2 (z + 1)3 e−(z+1)(y−x)
fZ (z) 2
4. En utilisant la densité conditionelle
Z 1Z ∞
√ 1
E( Y − X|Z = z) = 1z>0 (z + 1)3 (y − x)5/2 e−(z+1)(y−x) dydx
2 0 x
Z ∞ Z ∞
1 u5/2 −u 1z>0 Γ(7/2) 15π
= 1z>0 (z + 1)3 7/2
e du = √ u7/2−1 e−u du = √ 1z>0 = √ .
2 0 (z + 1) 2 z+1 0 2 z+1 16 z + 1

5. Soit g une fonction continue bornée

Z
E(g(X, U, V )) = g(x, y − x, z(y − x))f(X,Y,Z) (x, y, z) dxdydz.
R3

On fait le changement de variable (t, u, v) = φ(x, y, z) = (x, y −x, z(y −x)). Nous avons φ−1 (t, u, v) = (t, u+t, v/u) =
(x, y, z). On calcule  
1 0 0
det φ−1 (t, u, v) = 1

1 0  = 1/u.
0 −v/u2 1/u

Enfin φ(D × R∗+ ) = [0, 1] × R2+ d’où

Z 1 Z ∞ Z ∞
E(g(X, U, V ) = g(t, u, v)ue−u e−v dtdudv,
0 0 0

d’où
f(X,U,V ) (x, u, v) = 1[0,1] (x) 1R+ (u)ue−u 1[0,1] (v)e−v .
| {z } | {z } | {z }
fX (x) fU (u) fV (v)

6. D’après la décomposition de la densité jointe, on obtient l’indépendance des trois variables.

Exercice 9 (Extrait de l’examen de janvier 2015)

1. On répond à toutes les questions de front. Pour cela, posons
    
U 2 −1 −1 X1
 V  = 1 1 1  X2  .
W 3 1 −4 X3
| {z }
A

Ceci montre que (U, V, W ) est un vecteur gaussien de moyenne nulle et de matrice de covariance Σ = AA∗ :
    
2 −1 −1 2 1 3 6 0 9
Σ = AA∗ = 1 1 1  −1 1 1  = 0 3 0
3 1 −4 −1 1 −4 9 0 26

Donc U ∼ N (0, 6), V ∼ N (0, 3) et W ∼ N (0, 26). Parmi ces trois couples, sauf (U, W ) n’est pas indépendant.
Cov (W,U ) 9
2. On veut trouver a ∈ R tel que Cov (W − aU, U ) = 0, c’est à dire a = V(U ) = 6 = 23 . On déduit donc

3 5 5
Z = W − U = X2 − X3 .
2 2 2
Ainsi, (U, Z) est gaussien et Cov (U, Z) = 0, ils sont indépendants. De plus, E(W |U ) = 32 U .

Ce document est mis à disposition selon les termes de la licence Creative Commons “Attribution
- Partage dans les mêmes conditions 4.0 International”.

Vous aimerez peut-être aussi

Fonction de répartition et densité probabilité
Pas encore d'évaluation
Fonction de répartition et densité probabilité
41 pages
Contrôle de Probabilités 2 : Corrigé
Pas encore d'évaluation
Contrôle de Probabilités 2 : Corrigé
5 pages
Exercices corrigés sur les probabilités
100% (2)
Exercices corrigés sur les probabilités
11 pages
Corrigés d'exercices sur l'espérance conditionnelle
100% (1)
Corrigés d'exercices sur l'espérance conditionnelle
6 pages
Exercices Corrigés sur Vecteurs Aléatoires
Pas encore d'évaluation
Exercices Corrigés sur Vecteurs Aléatoires
9 pages
Résumé de la Statistique Inférentielle
Pas encore d'évaluation
Résumé de la Statistique Inférentielle
63 pages
Estimation et Convergence en Statistique
Pas encore d'évaluation
Estimation et Convergence en Statistique
11 pages
Fonctions génératrices des moments
Pas encore d'évaluation
Fonctions génératrices des moments
17 pages
Estimation et Intervalle de Confiance
Pas encore d'évaluation
Estimation et Intervalle de Confiance
5 pages
Corrigé d'exercices sur l'estimation
100% (1)
Corrigé d'exercices sur l'estimation
11 pages
Exercices de Probabilités et Statistiques
Pas encore d'évaluation
Exercices de Probabilités et Statistiques
18 pages
Intervalles de confiance : exercices corrigés
100% (1)
Intervalles de confiance : exercices corrigés
4 pages
Loi marginale des variables aléatoires
100% (2)
Loi marginale des variables aléatoires
4 pages
Exercices de Probabilités et Statistiques
Pas encore d'évaluation
Exercices de Probabilités et Statistiques
2 pages
Estimation Statistique : Exercices Corrigés
100% (2)
Estimation Statistique : Exercices Corrigés
8 pages
Statistiques Exhaustives en Inférentielle
100% (2)
Statistiques Exhaustives en Inférentielle
10 pages
Estimateurs non biaisés et exhaustifs
100% (3)
Estimateurs non biaisés et exhaustifs
12 pages
Estimation et Risque Quadratique
100% (1)
Estimation et Risque Quadratique
31 pages
Estimation Paramétrique et Estimateurs
100% (1)
Estimation Paramétrique et Estimateurs
8 pages
Corrigés des examens de mathématiques 2005
Pas encore d'évaluation
Corrigés des examens de mathématiques 2005
31 pages
Estimation Statistique à l'ENSAE Sénégal
Pas encore d'évaluation
Estimation Statistique à l'ENSAE Sénégal
42 pages
Couples Gaussiens et Loi Normale Bivariée
Pas encore d'évaluation
Couples Gaussiens et Loi Normale Bivariée
4 pages
Exercices sur Couples de Variables Aléatoires
Pas encore d'évaluation
Exercices sur Couples de Variables Aléatoires
16 pages
Estimation paramétrique de θ pour clé USB
100% (1)
Estimation paramétrique de θ pour clé USB
13 pages
Exercices corrigés sur les variables aléatoires
75% (4)
Exercices corrigés sur les variables aléatoires
1 page
Estimation de la viscosité par IC
Pas encore d'évaluation
Estimation de la viscosité par IC
6 pages
Exercices corrigés sur l'espérance conditionnelle
100% (1)
Exercices corrigés sur l'espérance conditionnelle
10 pages
Exercices sur les Intervalles de Confiance
100% (1)
Exercices sur les Intervalles de Confiance
3 pages
Estimation de la moyenne et variance
100% (1)
Estimation de la moyenne et variance
5 pages
Estimateurs de maximum de vraisemblance
100% (1)
Estimateurs de maximum de vraisemblance
7 pages
Corrigé Examen Probabilités 3ème
0% (1)
Corrigé Examen Probabilités 3ème
4 pages
Exercices corrigés sur la convergence des suites
100% (2)
Exercices corrigés sur la convergence des suites
30 pages
Estimation paramétrique et biais
Pas encore d'évaluation
Estimation paramétrique et biais
7 pages
Exercices sur les vecteurs gaussiens
100% (9)
Exercices sur les vecteurs gaussiens
5 pages
Exercices de Probabilités Corrigés L3
100% (2)
Exercices de Probabilités Corrigés L3
17 pages
Introduction à l'inférence statistique
Pas encore d'évaluation
Introduction à l'inférence statistique
78 pages
Vecteurs Gaussiens : Concepts Clés
Pas encore d'évaluation
Vecteurs Gaussiens : Concepts Clés
9 pages
Corrigé : Espérance et martingales
Pas encore d'évaluation
Corrigé : Espérance et martingales
9 pages
Biais des estimateurs en statistique
Pas encore d'évaluation
Biais des estimateurs en statistique
2 pages
Espérance et Variance des Variables Aléatoires
100% (1)
Espérance et Variance des Variables Aléatoires
15 pages
Estimation ponctuelle et estimateurs
100% (1)
Estimation ponctuelle et estimateurs
3 pages
Exercices Corrigés sur les Variables Aléatoires
Pas encore d'évaluation
Exercices Corrigés sur les Variables Aléatoires
22 pages
Probabilités des chaînes de Markov
100% (2)
Probabilités des chaînes de Markov
25 pages
Variance et Espérance des Variables Aléatoires
100% (1)
Variance et Espérance des Variables Aléatoires
12 pages
Exercices corrigés sur processus stochastiques
57% (7)
Exercices corrigés sur processus stochastiques
2 pages
Exercices Corrigés sur Variables Aléatoires
100% (1)
Exercices Corrigés sur Variables Aléatoires
6 pages
Vecteurs Gaussiens et Loi Normale
Pas encore d'évaluation
Vecteurs Gaussiens et Loi Normale
49 pages
Convergence des variables aléatoires
100% (1)
Convergence des variables aléatoires
9 pages
Convergences en Probabilité et Loi
Pas encore d'évaluation
Convergences en Probabilité et Loi
10 pages
Estimation Paramétrique et Risque Quadratique
Pas encore d'évaluation
Estimation Paramétrique et Risque Quadratique
16 pages
Cours sur les processus stochastiques
Pas encore d'évaluation
Cours sur les processus stochastiques
62 pages
Corrigé des exercices de simulation
100% (2)
Corrigé des exercices de simulation
14 pages
Modélisation des valeurs extrêmes en stats
0% (1)
Modélisation des valeurs extrêmes en stats
3 pages
Chaînes de Markov : Irréductibilité et Récurrence
Pas encore d'évaluation
Chaînes de Markov : Irréductibilité et Récurrence
7 pages
Exercices de Probabilités et Statistiques
Pas encore d'évaluation
Exercices de Probabilités et Statistiques
10 pages
Exercices sur les variables aléatoires continues
Pas encore d'évaluation
Exercices sur les variables aléatoires continues
7 pages
Exercices sur les variables aléatoires continues
Pas encore d'évaluation
Exercices sur les variables aléatoires continues
7 pages
Densités de probabilités et variables aléatoires
Pas encore d'évaluation
Densités de probabilités et variables aléatoires
10 pages
Exercices sur les variables aléatoires continues
Pas encore d'évaluation
Exercices sur les variables aléatoires continues
7 pages
Exercices Corrigés sur la Loi Gamma
Pas encore d'évaluation
Exercices Corrigés sur la Loi Gamma
7 pages
Contrôle de Mécanique Du Solide
100% (1)
Contrôle de Mécanique Du Solide
4 pages
Coordonnées généralisées en mécanique
Pas encore d'évaluation
Coordonnées généralisées en mécanique
2 pages
Curriculum Éveil 3e Année Primaire
Pas encore d'évaluation
Curriculum Éveil 3e Année Primaire
19 pages
Mécanique analytique : Équations de Lagrange
Pas encore d'évaluation
Mécanique analytique : Équations de Lagrange
3 pages
Applications de la thermodynamique aux machines
Pas encore d'évaluation
Applications de la thermodynamique aux machines
50 pages
Rel Restr 2015 16
Pas encore d'évaluation
Rel Restr 2015 16
52 pages
Introduction à la relativité restreinte
Pas encore d'évaluation
Introduction à la relativité restreinte
64 pages
4è Année Eveil
Pas encore d'évaluation
4è Année Eveil
17 pages
Exercices d'Algèbre et Trigonométrie
Pas encore d'évaluation
Exercices d'Algèbre et Trigonométrie
4 pages
Exercices d'Algèbre 3 et Solutions
Pas encore d'évaluation
Exercices d'Algèbre 3 et Solutions
2 pages
TP1 Info Algorithme
Pas encore d'évaluation
TP1 Info Algorithme
2 pages
Travaux Dirigés en Probabilités 2021-2022
Pas encore d'évaluation
Travaux Dirigés en Probabilités 2021-2022
1 page
Introduction à l'électromagnétisme
0% (1)
Introduction à l'électromagnétisme
99 pages
Cours - USTM - 2017 Programmation Et Algorithmique
100% (1)
Cours - USTM - 2017 Programmation Et Algorithmique
186 pages
Travaux dirigés en Probabilités 2021-2022
Pas encore d'évaluation
Travaux dirigés en Probabilités 2021-2022
1 page
Premier principe de thermodynamique
Pas encore d'évaluation
Premier principe de thermodynamique
20 pages
(Jean-Pierre Ramis, Andr - Warusfel (Eds.) ) Math PDF
100% (1)
(Jean-Pierre Ramis, Andr - Warusfel (Eds.) ) Math PDF
1 022 pages
Convergence des séries alternées et études
Pas encore d'évaluation
Convergence des séries alternées et études
2 pages
Examen d'Algèbre 3 - Licence 2 MI
Pas encore d'évaluation
Examen d'Algèbre 3 - Licence 2 MI
5 pages
Exercices d'Analyse 2a - Dr Bouka
Pas encore d'évaluation
Exercices d'Analyse 2a - Dr Bouka
1 page
Exercices de Mathématiques Tle D 2022-2023
Pas encore d'évaluation
Exercices de Mathématiques Tle D 2022-2023
2 pages
Examen de Probabilités - Université MIP
Pas encore d'évaluation
Examen de Probabilités - Université MIP
2 pages
TD Estimation Tests LIME LISE 25-26
Pas encore d'évaluation
TD Estimation Tests LIME LISE 25-26
13 pages
Estimation par intervalle de confiance
Pas encore d'évaluation
Estimation par intervalle de confiance
9 pages
Sondage Stratifié pour Étudiants IFORD
Pas encore d'évaluation
Sondage Stratifié pour Étudiants IFORD
18 pages
Comprendre les Incertitudes en Mesure
Pas encore d'évaluation
Comprendre les Incertitudes en Mesure
14 pages
Inégalités de Markov et Bienaymé-Tchebychev
Pas encore d'évaluation
Inégalités de Markov et Bienaymé-Tchebychev
6 pages
Exercices Corrigés de Régression Linéaire
Pas encore d'évaluation
Exercices Corrigés de Régression Linéaire
3 pages
Statistiques Inférentielles : Exercices et Solutions
Pas encore d'évaluation
Statistiques Inférentielles : Exercices et Solutions
2 pages
Fiabilité et Statistiques des Équipements
Pas encore d'évaluation
Fiabilité et Statistiques des Équipements
9 pages
Exercices sur les Chaînes de Markov
Pas encore d'évaluation
Exercices sur les Chaînes de Markov
3 pages
Analyse Exploratoire des Données EDA
Pas encore d'évaluation
Analyse Exploratoire des Données EDA
32 pages
Estimateur en régression multiple et tests
Pas encore d'évaluation
Estimateur en régression multiple et tests
15 pages
Intervalle de confiance pour moyenne et βj
Pas encore d'évaluation
Intervalle de confiance pour moyenne et βj
4 pages
Probabilités conditionnelles et variables aléatoires
Pas encore d'évaluation
Probabilités conditionnelles et variables aléatoires
5 pages
Corrigé Six Sigma : Variance et ANOVA
Pas encore d'évaluation
Corrigé Six Sigma : Variance et ANOVA
3 pages
Statistiques et Probabilités en 11e année
Pas encore d'évaluation
Statistiques et Probabilités en 11e année
2 pages
Incertitude et écart-type en métrologie
Pas encore d'évaluation
Incertitude et écart-type en métrologie
17 pages
Master C2I2S : Théorie de l'Information
Pas encore d'évaluation
Master C2I2S : Théorie de l'Information
2 pages
Lois de Probabilité en Mécanique des Matériaux
Pas encore d'évaluation
Lois de Probabilité en Mécanique des Matériaux
52 pages
Calcul de la taille d'échantillon et répartition
Pas encore d'évaluation
Calcul de la taille d'échantillon et répartition
18 pages
Analyse des Données Quantitatives
Pas encore d'évaluation
Analyse des Données Quantitatives
46 pages
Tutoriel SPSS : Analyse et Méthodes
Pas encore d'évaluation
Tutoriel SPSS : Analyse et Méthodes
2 pages
Propriétés asymptotiques d'échantillons
Pas encore d'évaluation
Propriétés asymptotiques d'échantillons
165 pages
Méthodes Quantitatives de Prévision
100% (6)
Méthodes Quantitatives de Prévision
25 pages
Régression Linéaire avec Python
Pas encore d'évaluation
Régression Linéaire avec Python
4 pages
Corrélations et Coût du Risque
Pas encore d'évaluation
Corrélations et Coût du Risque
3 pages
QCM Économétrie : Vrai ou Faux
100% (1)
QCM Économétrie : Vrai ou Faux
3 pages
Estimation du biais avec le jackknife
Pas encore d'évaluation
Estimation du biais avec le jackknife
106 pages
Chaînes de Markov à Temps Continu
Pas encore d'évaluation
Chaînes de Markov à Temps Continu
44 pages

Variance et lois des variables aléatoires

Transféré par

Variance et lois des variables aléatoires

Transféré par

1ère année Probabilités générales - Cursus Mathématiques ENSAI

TD1 : Variables aléatoires réelles, vecteurs aléatoires

1. Déterminer la fonction de répartition de X.

Exercice 12 (Extrait du partiel de novembre 2016)

E(XY )2 ≤ E(X 2 )E(Y 2 ).

3. Montrer que pour tout α ∈ (0, 1)

TD1 : Variables aléatoires réelles, vecteurs aléatoires

On retrouve la densité d’une loi exponentielle de paramètre 12 .

— Pour t ≤ 0, P(|X 2 | ≤ t) = 0. Pour t > 0,

Enfin, V(e| X|) = e2 − e = e(e − 1).

2. Il vient facilement que

P(X > s + t) e−λ(s+t)

P(X > nt + t|X > n) = P(X > t)P(X > nt)

Il est clair que B(1/2, 1) = 2 et donc U 2 ∼ βI (1/2, 1).

Ceci montre que Y ∼ G(e−θ ).

Exercice 12 (Extrait du partiel de novembre 2016)

g(λ) = E(X 2 ) + 2λE(XY ) + λ2 E(Y 2 ).

E(X) = E(X1[0,αE(X)) ) + E(X1[αE(X),∞) (X)) ≤ αE(X) + E(X1[αE(X),∞) (X)),

et l’inégalité suit immédiatement.

(1 − α)2 E(X)2 ≤ E(X1[αE(X),∞) (X))2 ≤ E(X 2 )P(X ≥ αE(X)).

L’inégalité demandée suit trivialement.

La variable X n est appelée moyenne empirique.

Exercice 5 (Extrait du partiel de novembre 2014)

Exercice 6 (Extrait du partiel de novembre 2016)

1. Donner la densité du couple (X, Y ).

4. Conclure à l’aide d’un changement variable (unidimensionnel).

Exercice 8 (Extrait du partiel de novembre 2016)

3. Les variables aléatoires U et V sont-elles indépendantes ?

f (x, y) = K exp(6xy − 2x2 − 5y 2 )

1. Montrer que 1/X suit une loi de Cauchy C(1).

On déduit la fonction de répartition Fθ pour t ∈ [0, θ]

Pour t < 0, Fθ (t) = 0 et pour t > θ, Fθ (t) = 1.

Aussi, V(X) = θ2 /18.

Ainsi, gn = G0n est la densité de Yn .

Avec les notations de l’exercice,

Pour les variables Z et T nous procédons de la même façon :

Finalement, en utilisant Fubini, en intégrant par tranches verticales

Remarquons au passage que Z 1

La densité de XY est donnée par

Exercice 5 (Extrait du partiel de novembre 2014)

Soit g une fonction mesurable bornée, calculons :

Exercice 6 (Extrait du partiel de novembre 2016)

On reconnaı̂t la densité annoncée en intégrant par rapport à v.

Exercice 8 (Extrait du partiel de novembre 2016)

La formule du changement de variable implique

3. La densité de (U, V ) est à variables séparées si bien que U et V sont indépendantes.

Exercice 9 (Extrait de l’examen de janvier 2009)

Ainsi la densité du couple est

Nous pouvons désormais calculer la loi du min

Ainsi le minimum suit une loi E(λ1 + λ2 ).

d’où l’on déduit l’indépedance des deux variables (1s≤t a disparu).

A{ = {∀k ∈ N∗ , (Xk , . . . , Xk+n0 ) 6= m}.

Il vient alors P(A{ ) = 0 d’où P(A) = 1.

TD3 : Fonctions caractéristiques

Exercice 4 (Extrait du partiel de novembre 2016)

La loi normale est dite α-stable d’indice α = 2.

Exercice 5 (Extrait de l’examen de février 2017)

Exercice 6 (Extrait du partiel de novembre 2013)

1. Soit X ∼ C(1), que peut-on dire de son espérance ? de sa variance ? Justifier.

2. En déduire la fonction caractéristique de Y .

TD3 : Fonctions caractéristiques

φX1 +X2 (t) = E(eitX1 eitX2 ) = E(eitX1 )E(eitX2 ) = (1 − p + peit )n+m ,

Exercice 4 (Extrait du partiel de novembre 2016)

Il vient alors par Fubini

Exercice 6 (Extrait du partiel de novembre 2013)

De même, par Fubini (en utilisant que X1 , N ∈ L2 )

C 2 . Ainsi, SN admet un moment d’ordre 2 et :

2. Les variables X1 X2 et X3 X4 sont indépendantes d’où

4. Ceci montre que Z et Y ont la même loi.

TD4 : Vecteurs gaussiens

Exercice 1 (Extrait de l’examen de janvier 2017)

TD4 : Vecteurs gaussiens

0 = Cov(2X + Y, X − 3Y ) = 2E(X 2 ) − 5Cov(X, Y ) − 3E(Y 2 ),

Il vient également que    

1 0 ··· ··· 0 0 ··· 0 ···

Exercice 4 (Extrait du partiel de Décembre 2013)

Il vient également que

(b) En déduire que

(d) Nous avons