Travaux dirigés de probabilités

Rémi Peyre et Frédéric Simon

Printemps 2009

Voici les énoncés des exercices que nous avons donnés en travaux dirigés dans le
cadre du cours « Probabilités » de Christophe Sabot pour les élèves de L3 de l’ÉNS Lyon
au second trimestre de l’année universitaire 2008/09. Chaque semaine, la séance de TD
aborde les thèmes traités en cours le matin même. À l’intérieur de chaque feuille, nous
avons tenté de ranger les exercices par difficulté croissante.
Afin de se repérer plus facilement dans les exercices, nous avons inséré quelques
repères dont voici la légende :
– Concernant la difficulté des questions :
– Une étoile (8) indique une question plus difficile que les autres ;
– Deux étoiles (88) indiquent une question très difficile, que ceux qui veulent
peuvent faire chez eux.
– Concernant l’intérêt pédagogique des exercices :
– Un cœur (♥) indique un résultat particulièrement intéressant du point de vue de
la culture mathématique ;
– Un carreau (♦) indique un résultat qu’il est particulièrement utile de connaître
quand on fait des probabilités.

À vos neurones !

les moniteurs
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 1 : Théorie de la mesure

19 janvier 2009

Exercice 1 (Tribus)

1. Soit F une tribu de Ω et B ⊂ Ω, pas nécessairement mesurable. Montrer que la

classe de parties de B définie par {A ∩ B, A ∈ F} est une tribu de B, que l’on appelle
tribu trace de F sur B.
2. Montrer que toute intersection dénombrable de tribus (sur un même ensemble) est
une tribu. Peut-on enlever « dénombrable » ?
3. (8) Montrer que la réunion croissante d’une suite de tribus n’est pas forcément une
tribu. (On pourra chercher un contre-exemple avec Ω = N).

Exercice 2 (Théorème d’Ulam)

Dans tout cet exercice, le recours à l’axiome du choix est autorisé.

1. Soit (X, F) un ensemble mesurable non vide. Montrer qu’il existe toujours au
moins une mesure de probabilité sur (X, F).
Dans la suite de l’exercice, on admet l’existence d’un ensemble totalement ordonné ω1 ,
non dénombrable, tel que pour tout x ∈ ω1 l’ensemble {y ∈ ω1 ; y < x} est dénombrable.
2. Montrer qu’il existe une fonction f : ω1 × ω1 −→ N telle que x < y < z ⇒
f (x, z) 6= f (y, z). À votre avis, peut-on construire une telle fonction explicitement ?
3. À partir de la fonction f , construire des ensembles Fxn , pour (x, n) ∈ ω1 × N, tels
que le tableau
Fx0 Fy0 Fz0 · · ·
Fx1 Fy1 Fz1 · · ·
(1)
Fx2 Fy2 Fz2 · · ·
··· ··· ··· ···
dont les lignes sont indexées par N et les colonnes par ω1 , vérifie les propriétés suivantes :
– Chaque ligne est constitué d’ensemble deux à deux disjoints ;
– Pour tout x ∈ ω1 , la réunion des ensembles dans la colonne d’indice x est {y ;
y > x}.
Nous allons maintenant démontrer qu’il n’existe aucune mesure de probabilité sur
(ω1 , P(ω1 )) qui soit diffuse, càd. qui donne une masse nulle à chaque singleton. Pour
cela, nous allons nous donner une probabilité µ sur (ω1 , P(ω1 )) et montrer qu’elle a

feuille 1, page 1
R. Peyre & F. Simon Travaux dirigés de probabilités

nécessairement un atome, càd. un point de masse non nulle.

4. (♦,8) Pour (εi )i∈I une famille non dénombrable de réels
P strictement positifs, mon-
trer qu’il existe nécessairement J ⊂ I dénombrable tel que i∈J εi = +∞.
5. En déduire que dans chaque ligne du tableau (1), il n’y a qu’un nombre dénom-
brable de Fxn dont la mesure par µ est non nulle.
6. Montrer qu’il existe alors une colonne du tableau (1) dans laquelle tous les Fxn sont
de µ-mesure nulle.
Soit maintenant x0 l’indice d’une colonne vérifiant la propriété de la question 6.
7. Montrer que µ({x ∈ ω1 ; x 6 x0 }) = 1.
8. En déduire l’existence d’un atome pour µ.
L’hypothèse du continu affirme que [0, 1[ est en bijection avec ω1 . K. Gödel a démontré
en 1938 que cette hypothèse ne risquait pas de créer de contradiction avec le reste de la
théorie des ensembles.
9. (♥) Montrer que, si on accepte l’hypothèse du continu, alors il n’existe aucune
mesure sur ([0, 1[, P([0, 1[)) qui étende la mesure de Lebesgue.

Exercice 3 (Nombres de Liouville)

Un réel x est qualifié de nombre de Liouville si, pour tout n > 1, il est possible de trouver
deux entiers p et q avec q > 2 tels que
p 1
x− < n. (1)
q q
J. Liouville a démontré en 1844 qu’un nombre de Liouville irrationnel est nécessairement
transcendant (càd. que ce n’est la racine d’aucun polynôme à coefficients entiers). On
notera L l’ensemble des nombres de Liouville.
1. (♥,8) Montrer le théorème de Liouville.
2. Expliquer pourquoi L est un Gδ -dense de R, càd. une intersection dénombrable
d’ouverts denses.
3. En déduire l’existence d’une infinité non dénombrable de nombres de Liouville
irrationnels.
4. (8) Donner explicitement un exemple de nombre de Liouville irrationnel.
5. Démontrer qu’en fait, L a la puissance du continu, càd. qu’on peut y injecter R.
6. Pourquoi L est-il borélien ?
7. Soit Un l’ensemble des points de [0, 1[ vérifiant (1) pour une valeur de n fixée. Pour
n > 3, majorer la mesure de Lebesgue de Un .
8. En déduire que la mesure de Lebesgue de L ∩ [0, 1[ est nulle. Expliquer pourquoi
on peut même conclure que L tout entier est de mesure nulle.
9. Soit Q∩R l’ensemble des nombres algébriques réels. Pourquoi Q∩R est-il borélien

feuille 1, page 2
R. Peyre & F. Simon Travaux dirigés de probabilités

et de mesure de Lebesgue nulle ?

10. En déduire l’existence d’un nombre transcendant qui n’est pas de Liouville.
11. (8) En utilisant l’exercice 6, définir explicitement un nombre transcendant qui
n’est pas de Liouville.

Exercice 4 (Limite projective de mesures)

Soit Ω = ]0, 1] muni de sa tribu borélienne F. Sur Ω, on définit les tribus Fn =

σ{]0, 1/i], i 6 n} pour tout n > 1.
1. Construire des mesures de probabilités Pn sur (Ω, Fn ) compatibles, i.e. Pn+1 (A) =
Pn (A) pour tout A ∈ Fn , telles qu’il n’existe aucune mesure de probabilité sur (Ω, F)
dont les restrictions aux Fn soient les Pn .

Exercice 5 (Complétion des mesures)

Soit (Ω, F, µ) un espace probabilisé. A ⊂ Ω est dit négligeable pour µ s’il existe B ⊃ A
tel que B ∈ F et µ(B) = 0. La tribu complétée de F pour µ est alors la tribu engendrée
µ
par les éléments de F et les ensembles négligeables. Nous la noterons F .
µ
1. Pour A ⊂ Ω, montrer que A ∈ F si et seulement si

sup µ(B) = inf µ(B).

B⊂A B⊃A
B∈F B∈F

µ
2. (♦) Montrer qu’il existe une unique extension de µ à F , et la décrire.

Exercice 6 (Régularité automatique)

Soit d > 1 un entier ; la tribu borélienne de Rd est notée B.

1. Montrer que tout ouvert de Rd peut s’écrire comme une union dénombrable de
compacts.
2. (♦,8) Soit P une probabilité sur (Rd , B). Montrer que pour tout B ∈ B, pour
tout ε > 0, on peut trouver un compact K et un ouvert U tels que K ⊂ B ⊂ U et
P(U ) − ε 6 P(B) 6 P(K) + ε.
3. Est-il vrai que tout borélien est réunion dénombrable de compacts, resp. intersection
dénombrable d’ouverts ?

Exercice 7 (La mesure de Lebesgue et la topologie)

On travaille sur R muni de la mesure de Lebesgue, laquelle est notée λ.

feuille 1, page 3
R. Peyre & F. Simon Travaux dirigés de probabilités

1. Un ouvert de R de mesure finie est-il forcément borné ?

2. Un borélien de mesure strictement positive est-il forcément d’intérieur non vide ?
3. Un ouvert dense de ]0, 1[ a-t-il forcément une mesure 1 ?
4. (8) Construire un borélien A de R tel que pour tout intervalle ouvert borné non vide
I on ait 0 < λ(A ∩ I) < λ(I).
Soit (dn )n>0 une suite d’éléments de ]0, 1[ et posons K0 = [0, 1]. On définit la suite
(Kn )n>0 de la manière suivante : connaissant Kn , qui est une réunion d’intervalles fer-
més disjoints, on définit Kn+1 en retirant dans chacun des intervalles de Kn un inter-
ouvert centré au même point, de longueur dn fois celle de l’intervalle. On pose
valle T
K = n Kn .
5. Que vaut λ(K) ?
6. (♥) À l’aide de la question 5, construire deux compacts de [0, 1] homéomorphes,
l’un de mesure nulle, l’autre de mesure strictement positive.

Exercice 8 (Construction d’un ensemle non borélien)

Cet exercice est donné à titre de complément culturel. Sa résolution utilise massi-
vement la théorie des ordinaux ; il est donc inutile d’essayer de faire l’exercice si vous ne
connaissez pas cette théorie.
Dans tout cet exercice, les objets construits doivent être parfaitement explicites.
On note ω1 le plus petit ordinal non dénombrable, et c un ensemble ayant la puissance du
continu, par exemple c = {0, 1}N .
1. Rappeler pourquoi ω1 est égal à l’ensemble des ordinaux dénombrables. Montrer
que tout ordinal dénombrable est isomorphe à une partie de Q pour l’ordre naturel de ce
dernier, et en déduire une surjection explicite c  ω1 .
On définit par récurrence ordinale les ensembles (Bα )α∈ω1 , qui sont des ensembles de
parties de R, par :
– B0 est l’ensemble des ouverts de R ;
– Bα+1 est l’ensemble des complémentaires des éléments de Bα ;
– Pour λ un ordinal-limite, Bλ est l’ensemble des réunions d’ensembles appartenant
à un des Bα pour α < λ.
2. (♦) Montrer qu’une partie de R est borélienne si et seulement si elle appartient à
Bα pour un α ∈ ω1 .
3. (88) Construire une surjection explicite c  B(R).
4. (♦) S’en servir pour construire une partie explicite de R qui n’est pas borélienne.
5. Dans quelle question a-t-on utilisé l’axiome du choix ? En remplaçant ω1 par ω10
défini comme le plus plus petit ordinal stable par réunion dénombrable, refaire l’exercice
sans recourir à cet axiome.

feuille 1, page 4
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 2 : Variables aléatoires

26 janvier 2009

Exercice 1 (Une distraction du savant Cosinus)

N voyageurs (N > 2) s’apprêtent à monter dans un wagon contenant N places numé-

rotées, chacun étant muni d’un billet avec réservation. Le premier passager n’est autre
que le savant Cosinus, qui, distrait comme il l’est toujours, ne regarde pas le numéro de
sa réservation et prend une place au hasard. Les passagers suivants, quand ils entrent
dans le train, s’asseyent alors à leur place réservée si celle-ci est encore libre, et sinon
prennent une place au hasard parmi celles qui restent.
1. Calculer par récurrence sur N la probabilité que le dernier voyageur à entrer finisse
assis à la place qu’il avait réservée.
2. (8) Retrouver le résultat de la question 1 par un argument direct.

Exercice 2 (Recensement des écureuils)

On veut estimer le nombre N d’écureuils dans une forêt. Pour cela on en capture k, on
leur met une petite marque sur la patte et on les relâche. Une semaine après (on suppose
qu’aucun écureuil n’est mort ou né dans l’intervalle) on en capture ` et on compte ceux
d’entr’eux qui portent la marque.
1. Calculer la probabilité qu’on trouve m écureuils marqués en fonction de N , k et `.
La loi de m est appelée loi hypergéométrique de paramètres N , k et `.
2. (♥) Calculer la valeur de N pour laquelle la probabilité d’observer une valeur m
donnée est maximale. En déduire une estimation du nombre d’écureuils dans la forêt
(le nombre d’écureuils évalué par cette méthode est appelé estimateur du maximum de
vraisemblance).

Exercice 3 (Inégalité de la moyenne)

Soient x1 , . . . , xn des entiers strictement positifs. La moyenne arithmétique des xi est

(x1 + · · · + xn )/n, et leur moyenne géométrique est (x1 x2 · · · xn )1/n .
1. (♦) Montrer que la moyenne géométrique des xi est toujours inférieure ou égale à
leur moyenne arithmétique.
2. Quels sont les cas d’égalité de la question 1 ?

feuille 2, page 1
R. Peyre & F. Simon Travaux dirigés de probabilités

Pour α > 0, on définit la α-moyenne des xi comme

r
α α
α x1 + · · · + xn


Mα (xi )16i6n = . (1)
n

3. Montrer que Mα ((xi )i ) est une fonction croissante de α, et déterminer les cas d’éga-
lité.
4. Identifier la limite de Mα ((xi )i ) quand α −→ 0.
Dorénavant on appelle M0 ((xi )i ) la limite trouvée à la question 4, et on étend la formule
(1) aux α < 0.
5. (♥) Montrer que Mα ((xi )i ) est une fonction croissante de α sur R tout entier.
6. Calculer les limites de Mα ((xi )i ) quand α −→ +∞, resp. α −→ −∞.

Exercice 4 (Densité de la mesure image)

Soit X une variable aléatoire réelle dont la loi µ possède une densité m par rapport à la
mesure de Lebesgue. On considère une fonction f : R −→ R ; le but de cet exercice est
de calculer, si elle existe, la densité de la loi de f (X).
1. On suppose f de classe C 1 avec une dérivée strictement positive. Montrer que f (X)
a une densité par rapport à la mesure de Lebesgue et la calculer.
2. Même question en supposant que f est de classe C 1 avec une dérivée strictement
négative.
3. Même question avec f (x) = |x|.
4. (♦) Même question en supposant que R est recouvert par un ensemble dénombrable
d’intervalles sur l’intérieur desquels f est C 1 et de dérivée non nulle.
La loi du χ2 (1) est la loi de X 2 quand X est√ une variable aléatoire de loi gaussienne
2
centrée réduite, i.e. de densité m(x) = e−x /2 / 2π.
5. Montrer que la loi du χ2 (1) est à densité et calculer cette densité.
6. (♦,88) Construire une fonction f de classe C 1 strictement croissante et une variable
aléatoire X à densité telles que f (X) ne soit pas à densité.

Exercice 5 (Simulation d’une variable aléatoire réelle)

Soit µ une loi de probabilité sur R et F sa fonction de répartition (avec la convention de

continuité à droite). Pour p ∈ ]0, 1[, on note
F −1 (p) = inf{x ∈ R ; F (x) > p}.

1. Si U est une variable aléatoire uniforme sur ]0, 1[, montrer que F −1 (U ) a pour loi
µ.

feuille 2, page 2
R. Peyre & F. Simon Travaux dirigés de probabilités

2. Supposons ici que µ est diffuse, càd. que les singletons sont de mesure nulle. Si X
est une variable aléatoire de loi µ, montrer que F (X) suit la loi uniforme sur ]0, 1[.
3. Imaginons que l’on sache simuler la loi uniforme sur ]0, 1[. Comment simuler une
loi exponentielle de paramètre λ ? Même question avec la loi de Cauchy γ, définie par
dγ(x) = 1/π(x2 + 1)dx.
Soit a > 1 un entier. On considère une variable aléatoire X1 de loi uniforme sur ]0, 1[,
et on définit par récurrence les Xn , n > 2, par Xn = aXn−1 − baXn−1 c, i.e. Xn est la
partie fractionnaire de aXn−1 .
4. Montrer que tous les Xn ont la même loi. En déduire que, pour tout k > 2, la loi du
vecteur aléatoire (Xm+1 , Xm+2 , . . . , Xm+k ) ne dépend pas de m.
5. (8) Soient I1 , . . . , Ik des intervalles de ]0, 1[. Montrer que, quand a −→ ∞,
h i k
P ∀n ∈ {1, . . . , k} Xn ∈ In −→
Y
|In |,
n=1

où |I| note la longueur de l’intervalle I.

6. (♥,8) Expliquer du mieux possible le fonctionnement du générateur pseudo-
aléatoire suivant (utilisé entre autres par le langage C) :
SEED = (1103515245*SEED + 12345) MOD 2**31
X = SEED/2**31,
où SEED est une valeur qui n’est jamais modifiée en-dehors des appels au générateur
aléatoire, ** note l’exponentiation et X est censé être une variable aléatoire uniforme sur
[0, 1[ dont chaque tirage est indépendant.

Exercice 6 (Mesures et moments)

√ loi semi-circulaire est la loi de probabilité σ sur R définie par dσ(x) = 1|x|62 ·
La
( 4 − x2 /2π)dx.
1. Calculer tous les moments de σ, càd. tous les xk dσ(x) pour k ∈ N? .
R

2. Montrer que toute mesure de probabilité sur R ayant les mêmes moments que σ est
nécessairement à support compact, i.e. qu’il existe un compact dans lequel toute la masse
de cette mesure est concentrée.
3. (♦) Montrer qu’une mesure de probabilité sur R à support compact (donc en parti-
culier σ) est caractérisée par la suite de ses moments.
√
Soit µ la mesure signée sur R définie par dµ(x) = 1x>0 sin( 3x1/3 )e−x dx.
1/3

R kque la valeur absolue de µ a tous ses moments finis, i.e. que pour tout
4. Montrer
k ∈ N on a x |dµ|(x) < ∞.
5. (8) Calculer tous les moments de µ, i.e. tous les xk dµ(x) pour k ∈ N.
R

6. (♥) En déduire l’existence de deux mesures de probabilité distinctes sur R dont

tous les moments sont finis et coïncident.

feuille 2, page 3
R. Peyre & F. Simon Travaux dirigés de probabilités

Exercice 7 (Événements extrêmes)

Pour N > 0, on considère N variables aléatoires indépendantes X1N , . . . , XNN de lois

uniformes sur [0, 1]. Pour p ∈ [0, 1], on note S N (p) le nombre de i tels que XiN ∈ [0, p].
1. Quelle est la loi de S N (p) ?
2. Pour q > p, déterminer la loi de S N (q) − S N (p).
3. (♦) Soient n1 , . . . , nk des entiers de somme N et p1 , . . . , pk des réels positifs de
somme 1. Calculer

P ∀j ∈ {0, . . . , k} S N (p1 + · · · + pj ) = n1 + · · · + nj .
 

La loi de (S N (p1 ), S N (p1 + p2 ) − S N (p1 ), . . . , N − S N (1 − pk )) est appelée loi

k-nomiale de paramètres N et (p1 , . . . , pk ).
4. (♦) Pour s > 0 un entier, x > 0 un réel, calculer

πs (x) = lim P[S N (x/N ) = s].

N −→∞

N πs (x) = 1, et identifier la loi qui attribue une probabilité πs (x) à

P
Vérifier que s∈
l’entier s.
N
On renumérote les XiN en les triant par ordre croissant : X(1) N
6 X(2) N
6 . . . 6 X(N ) avec
N N
{X(i) }16i6N = {Xi }16i6N .
N
5. Montrer que la loi de N X(1) converge, quand N −→ ∞, vers une loi de probabilité
limite sur R+ , et identifier cette loi. (La notion de convergence des lois utilisée ici sera la
convergence simple des fonctions de répartition).
6. (8) Pour s > 2 un entier, montrer que la loi de N X(s)
N
converge, quand N −→ ∞,
vers une loi de probabilité limite sur R+ . Calculer la densité de cette loi par rapport à la
mesure de Lebesgue.
7. (88) Sauriez-vous décrire simplement la loi limite de N X(s)
N
à partir d’une loi clas-
sique ?

feuille 2, page 4
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 3 : Indépendance
2 février 2009

Exercice 1 (Regroupement par paquets)

Soient B1 , . . . , Bn des tribus indépendantes. Soient 1 6 i1 < i2 < . . . < ik = n et notons

D1 = σ(B1 , . . . , Bi1 ), D2 = σ(Bi1 +1 , . . . , Bi2 ), . . ., Dk = σ(Bik−1 +1 , . . . , Bn ). L’objectif
de cet exercice est de montrer que D1 , . . . , Dk sont des tribus indépendantes.
1. Montrer qu’il suffit de prouver le cas k = 2.
En vertu de la question 1, on suppose maintenant k = 2.
2. Soient D1 et D2 des événements de D1 et D2 , respectivement de la forme B1 ∩ · · · ∩
Bi1 et Bi1 +1 ∩ · · · ∩ Bn pour des Bm ∈ Bm . Montrer que D1 et D2 sont indépendants.
3. Même question que la question 2, sauf que cette fois-ci D2 est un événement quel-
conque de D2 .
4. (♦) Terminer la démonstration du lemme de regroupement par paquets.

Exercice 2 (Loi du 0-1 de Kolmogorov)

Soient X1 , . . . , Xn , . . . des variables aléatoires indépendantes, et F la tribu qu’elles en-

gendrent. On définit la tribu asymptotique T associée aux à la suite des Xn comme l’en-
semble des événements ne dépendant que du comportement à l’infini de cette suite, i.e. :
\ _
T = σ(Xn ).
m>0 n>m

1. Pour A et B deux événements ne dépendant chacun que d’un nombre fini de Xn ,

donner une condition suffisante pour que A et B soient indépendants.
2. Pour A un événement ne dépendant que d’un nombre fini de Xn et B ∈ T , montrer
que A et B sont indépendants.
3. Montrer que pour tout A ∈ F, pour tout B ∈ T , A et B sont indépendants.
4. (♦) En déduire que pour tout A ∈ T , P(A) ∈ {0, 1}.

Exercice 3 (Loi β)

Soient U1 , . . . , Un n variables aléatoires indépendantes de loi uniforme sur [0, 1].

feuille 3, page 1
R. Peyre & F. Simon Travaux dirigés de probabilités

1. Montrer que presque-sûrement tous les Ui sont distincts.

Grâce à la question 1, presque-sûrement il existe une unique renumérotation des Ui en
ordre croissant : on notera {U1 , . . . , Un } = {U (1) , . . . , U (n) } avec U (1) 6 · · · 6 U (n) , et
on notera σ la permutation de {1, . . . , n} telle que U (i) = Uσ(i) .
2. Montrer que la permutation σ et le vecteur aléatoire U (·) sont indépendants.
3. Montrer que σ suit la loi uniforme sur Sn .
4. Déterminer la loi de U (·) .
5. (♥) Montrer que les U (i) sont des variables aléatoires absolument continues par
rapport à la mesure de Lebesgue et donner leurs densités.
La loi de U (i) est appelée loi β de paramètres i et n − i + 1.

Exercice 4 (Loi du χ2 )

1. (8) Soient X1 , . . . , Xn des

Pvariables aléatoires indépendantes de loi N (0, 1). Quelle
n 2
est la densité de la loi de X = i=1 (Xi ) ?

Exercice 5 (Inégalité de Hoeffding)

Si Z est une variable aléatoire réelle, on appelle log-transformée de Laplace de Z la

fonction à valeurs dans R ∪ {+∞} définie pour λ ∈ R+ par :

ΨZ (λ) = ln E[exp(λZ)].

1. (8) Pour Z une variable aléatoire à valeurs dans un intervalle borné, dériver deux
fois ΨZ et identifier, pour tout λ, cette dérivée seconde à la variance d’une variable aléa-
toire Zλ dont on décrira la loi.
2. Si Z est une variable aléatoire à valeurs dans un intervalle borné I, montrer que la
variance de Z est majorée par |I|2 /4.
3. Soit Z une variable aléatoire centrée à valeurs dans un intervalle borné I. Déduire
des questions 1 et 2 que pour tout λ ∈ R+ ,
|I|2 λ2
ΨZ (λ) 6 .
8

4. Soient Z1 , . . . , Zn des
Pnvariables ealéatoires indépendantes, telles que Zi est à valeurs
dans [ai , bi ] ; posons Z = i=1 Zi et Z = Z − E[Z]. Montrer que
n
λ2 X
ΨZe 6 (bi − ai )2 .
8 i=1

feuille 3, page 2
R. Peyre & F. Simon Travaux dirigés de probabilités

5. En déduire l’inégalité de Hoeffding sur la concentration de la mesure : avec les

notations de la question 4, on a pour tout ε > 0 :
2
 
  2ε
P |Z|e > ε 6 2 exp − Pn
2
.
i=1 (bi − ai )

feuille 3, page 3
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 4 : Lemme de Borel-Cantelli,

Fonctions caractéristiques
9 février 2009

Lemme de Borel-Cantelli

Exercice 1 (Absence de mesure canonique sur N? )

Le but de cet exercice est de montrer qu’il n’existe pas de mesure de probabilité P sur
(N? , P(N? )) telle qu’on ait P(« être divisible par n ») = 1/n pour tout n > 1. On va
raisonner par l’absurde en supposant donnée une telle probabilité pour aboutir à une
contradiction.
1. Montrer que, pour n1 , . . . , nk deux à deux premiers entre eux, les événements « être
divisible par ni », i ∈ {1, . . . , k}, sont indépendants.
2. (♥) Rappeler comment on démontre la formule d’Euler :
∞
Y 1 X 1
∀s > 0 s
= s
. (1)
p premier
1 − 1/p m=1
m

Déduire de (1) que la somme des inverses des nombres premiers diverge.
3. En considérant les événements « être divisible par p » pour tous les p premiers,
établir alors que P-presque-tout nombre a une infinité de diviseurs premiers, ce qui est
absurde.

Exercice 2 (Loi des grands nombres L4 )

Soient X1 , . . . , Xn , . . . des v.a. i.i.d. centrées admettant des moments d’ordre 4. On

note Sn = X1 + . . . + Xn .
1. Calculer E((Sn )4 ).
2. En déduire une majoration de P Sn
− E(X1 ) > ε .


n
3. (♥) Montrer que Sn
n
tend vers E(X1 ) presque-sûrement.

Exercice 3 (Nombres-univers)

feuille 4, page 1
R. Peyre & F. Simon Travaux dirigés de probabilités

Soient x ∈ [0, 1[ un réel et b > 2 un entier. On dit que x est un nombre-univers en

base b quand n’importe quelle séquence finie de chiffres b-aires peut être trouvée dans le
développement de x en base b.
1. (♦) Soit x une variable aléatoire uniforme sur [0, 1[ et 0,xb1 xb2 xb3 . . . son développe-
ment en base b. Montrer que les xbi sont i.i.d. et de loi uniforme sur {0, . . . , b − 1}.
2. Pour ` > 1 un entier, montrer que les nombres Xkb,` de développements b-aires
respectifs
Xkb,` = xbk`+1 . . . xbk`+`
sont indépendants et de loi uniforme sur {0, . . . , b` − 1} .
3. (♥) En déduire que, presque-sûrement, x est un nombre-univers en base b.
4. En déduire l’existence d’un élément de [0, 1[ qui est un nombre-univers en toute
base.
5. (88) Définir explicitement un tel nombre.

Exercice 4 (Records)

Soient X1 , X2 , . . . des v.a. i.i.d. réelles de fonction de répartition F continue. On pose

Ak = {Xk > supj<k Xj } l’évènement qui exprime que le record est battu au temps k.
1. Montrer que ∀j < k, P(Xj = Xk ) = 0.
On réordonne alors les Xi par ordre décroissant ce qui nous définit une permutation
aléatoire de {1, . . . , n}, πn (i) = j si Xi est la j-ième plus grande valeur.
2. Montrer que πn est uniformément distribuée sur les n! possibilités.
3. En déduire que P(An ) = n1 .
4. Soient m < n et im+1 , . . . , in des éléments distincts de {1, . . . , n}. Calculer
P(Am |πn (j) = ij pour m + 1 6 j 6 n). En déduire que les Ak sont indépendants.
m=1 1Am le nombre de fois que le record a été battu au temps n.
Pn
5. Soit Rn =
Montrer que Pn RPn (Am ) tend vers 1 en probabilité.
m=1

6. (8) Montrer que Rn

ln(n)
tend vers 1 presque-sûrement. (On pourra s’inspirer de l’exer-
cice 2.)

Fonctions caractéristiques

Dans tous les exercices suivants, on admettra que deux lois sur Rd qui ont la même
fonction caractéristique coïncident.

Exercice 5 (Calcul de fonctions caractéristiques)

feuille 4, page 2
R. Peyre & F. Simon Travaux dirigés de probabilités

1. Soit X de loi Γ de paramètre (α,β). Calculer la fonction caractéristique de X. (On

β α α−1 −βx
rappelle que la densité de la loi Γ de paramètre (α,β) est f (x) = Γ(α) x e si x > 0,
0 si x < 0.)
2. (♥) Soient X et Y des variables aléatoires indépendantes, respectivement de loi
Γ(α, β) et de loi Γ(δ, β). Calculer la fonction de répartition de X + Y . Que remarque-t-
on ?
3. Mêmes questions avec X et Y des variables aléatoires binomiales indépendantes
de paramètres (n, p) et (m, p).

Exercice 6 (Critère d’indépendance de variables aléatoires bornées)

1. (♥) Montrer que la fonction caractéristique d’une variable aléatoire bornée est ana-
lytique.
2. Soient X et Y deux variables aléatoires réelles bornées. Montrer que pour que X
et Y soient indépendantes, il faut et il suffit que ∀(k, l) ∈ N2 , E(X k Y l ) = E(X k )E(Y l ).

Exercice 7 (Lois stables)

Puisque la fonction caractéristique d’une mesure de probabilité sur Rd peut être

vue comme la transformée de Fourier associée à cette mesure, on peut retrouver une pro-
babilité à partir de sa fonction caractéristique par transformée de Fourier inverse. Ainsi,
si µ est une mesure de probabilité sur R de fonction caractéristique µ
R
b(ξ) = eiξx dµ(x),
la densité de µ par rapport à la mesure de Lebesgue peut formellement s’écrire :
Z +∞
dµ 1
(x) = e−iξx µ
b(ξ)dx, (1)
dx 2π −∞
b est L1 .
l’égalité (1) devenant vraie stricto sensu dès lors que µ
1. (♦) Montrer que la fonction caractéristique d’une mesure de probabilité sur Rd est
toujours continue.
Soit µ une mesure de probabilité sur R qui n’est pas une masse de Dirac. On suppose que
pour tout n > 2, si X1 , . . . , Xn sont des variables i.i.d. de loi µ, alors, pour un certain
λ(n) > 1, (X1 + · · · + Xn )/λ(n) a encore pour loi µ.
2. (8) Montrer qu’il existe une constante complexe c, de partie réelle strictement po-
sitive, telle que la fonction caractéristique de µ vaut :

exp(−cξ α ) si ξ > 0 ;
µ
b(ξ) = α
exp(−c|ξ| ) si ξ 6 0,
où α = ln n/ ln λ(n) pour n’importe quel n — remarquez que cela implique que la
connaissance d’un seul λ(n) détermine tous les autres.
Les lois µ ayant une fonction caractéristique de cette forme sont appelées lois
α-stables.

feuille 4, page 3
R. Peyre & F. Simon Travaux dirigés de probabilités

Dans les troisR questions suivantes, on suppose que µ a tous ses moments polynomiaux
finis, i.e. que |x|k dµ(x) < ∞ pour tout k > 0.
3. Déterminer la valeur de α.
4. Montrer que µ
b est deux fois dérivable en 0.
5. (♦) En déduire la loi de µ, à un paramètre réel près. Reconnaissez-vous cette famille
de lois ?
Dans les deux questions suivantes, on suppose que α = 1 et que µ est symétrique, i.e. que
si X a pour loi µ, alors −X aussi.
6. Montrer que µ
b est symétrique, i.e. que µ
b(−ξ) = µ
b(ξ) pour tout ξ.
7. (♥) En déduire la loi de µ, à un paramètre réel près. Reconnaissez-vous cette famille
de lois ?
8. (88) Notons u8 = eiπ/4 . Pour tout ξ > 0, montrer que
Z +∞
√ e−1/ξ

Re exp(−u8 x + iξx)dx = √ 3/2 .
0 2 πξ

Dans les deux questions suivantes, on suppose que α = 1/2 et que µ est portée par R+ .
9. (8) Déterminer une densité possible pour µ, à un paramètre réel près.
10. (8) Montrer que µ est nécessairement de la forme trouvée à la question 9.
Cette famille de lois s’appelle les lois de Lévy.
Soient T1 , T2 , . . . des variables aléatoires i.i.d. de loi Exp(1). Pour i > 1, on pose :
i
X −2
Pi = Ti ,
j=1

puis :
∞
X
Λ= Pi .
i=1

11. Montrer que, presque-sûrement, Λ < ∞.

12. (♥,88) Montrer que Λ suit une loi de Lévy.
13. (8) Déterminer le paramètre de cette loi de Lévy.

feuille 4, page 4
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 5 : Notions de convergence

23 février 2009

Exercice 1 (Comprendre l’énoncé d’un théorème de convergence)

Si X1 , X2 , . . . sont des v.a. i.i.d. sur Rd de loi µ, on appelle mesure empirique de µ

bN = N1 N
P
au temps N la mesure µ i=1 δXi . Le théorème de convergence des mesures
empiriques affirme alors, informellement, que « les mesures empiriques convergent µ ».
1. Donner un énoncé rigoureux formalisant la proposition entre guillemets, dans le-
quel on précisera soigneusement où on utilise quel concept de convergence.

Exercice 2 (Contre-exemples)

1. (♥) Construire des variables aléatoires X1 , X2 , . . . et Y telles que Xk converge en

loi vers Y , mais pas en probabilité.
2. (♥) Construire des variables aléatoires X1 , X2 , . . . et Y telles que Xk converge
presque-sûrement vers Y , mais pas dans L1 .
3. (♥) Construire des variables aléatoires X1 , X2 , . . . et Y telles que Xk converge vers
Y dans Lp pour tout p < ∞, mais pas presque-sûrement.

Exercice 3 (Utilisation de l’inégalité de Kolmogorov)

Soient X1 , . . . , Xn des variables aléatoires indépendantes centrées et admettant des mo-

ments d’ordre deux. On note Sk = ki=1 Xi .
P

1. En introduisant les ensembles Ek = (|Sk | > ε) ∩ ∩k−1

 
i=1 (|Si | < ε) , montrer que
pour tout ε > 0, !
k n
1 X 2
P max
X
Xi > ε 6 2 σ .
16k6n
i=1
ε i=1 Xi

Soit Xn une suite de variables aléatoires réelles

Pindépendantes centrées admettant des
∞ 2
moments d’ordre deux ; on suppose de plus que i=1 σXi < ∞.
2. On pose Am = supk∈N∗ |Sm+k − Sm |. Montrer que
  [  
1 1
Am > = sup |Sm+k − Sm | > .
n r∈N ∗ 16k6r n

feuille 5, page 1
R. Peyre & F. Simon Travaux dirigés de probabilités

3. En déduire une majoration de P(Am > n1 ).

4. Montrer alors que Sn converge presque-sûrement vers une variable aléatoire.
5. Montrer que Sn converge également dans L2 .

Exercice 4 (Critères de convergence presque-sûre)

1. Soit (Xn )n∈N une suite de variables aléatoires. Montrer que, s’il existe une série de
terme général εn > 0, convergente, telle que
∞
P(|Xn+1 − Xn | > εn ) < ∞,
X

n=0

alors la suite de variables aléatoires (Xn )n∈N converge presque-sûrement.

2. Soit (Xn )n∈N des variables aléatoires. Montrer que si X est une variable aléatoire
telle que pour tout ε > 0,
∞
P(|Xn − X| > ε) < ∞,
X

n=0

alors la suite de variables aléatoires Xn converge presque-sûrement vers X.

3. (8) Soit (Xn )n∈N une suite de variables aléatoires indépendantes qui convergent
presque-sûrement vers 0. Montrer qu’alors, on a pour tout ε > 0,
∞
P(|Xn | > ε) < ∞.
X

n=0

Exercice 5 (Convergence étroite et fonctions de répartition)

1. Soient µ et µ1 , µ2 , . . . des mesures de probabilité sur Rd muni de sa tribu borélienne.

Montrer que µk converge étroitement R vers µ si et seulement si, pour toute fonction ϕ
continue à support compact sur Rd , Rd ϕdµk −→ Rd ϕdµ.
R
k−→∞
2. (♥) Soient µ et µ1 , µ2 , . . . des mesures de probabilité sur R, et F, F1 , F2 , . . . leurs
fonctions de répartition respectives. Montrer que si les Fk convergent simplement vers F ,
alors les µk convergent étroitement vers µ.
3. Mêmes notations, et on suppose de plus que µ est diffuse. Montrer que si les µk
convergent étroitement vers µ, alors les Fk convergent simplement vers F .

Exercice 6 (Pas de théorème de Cesàro pour la convergence en probabilité)

Soit (Xn ) une suite de variables aléatoires réelles indépendantes, la fonction dePréparti-
tion de Xn étant Fn définie par 0 si x < 0 et par 1 − x+n1
sinon. On note Sn = nk=1 Xk
et Yn = Snn .

feuille 5, page 2
R. Peyre & F. Simon Travaux dirigés de probabilités

1. Montrer que Xn converge vers 0 en probabilité.

2. (8) En utilisant Mn = max16k6n Xk , montrer que Yn ne converge pas vers 0 en
probabilité.

Exercice 7 (Convergence en loi et somme)

Soient, sur le même espace probabilisé (Ω, F, P), deux suites (Xn )n∈N et (Yn )n∈N de
variables aléatoires réelles qui convergent en loi respectivement vers les variables aléa-
toires indépendantes X et Y .
1. (♦,8) Si, pour tout n ∈ N, Xn et Yn sont indépendantes, démontrer que la suite des
variables aléatoires (Xn , Yn ), n ∈ N, converge en loi vers (X, Y ).
2. (♥) Soient X et Y deux variables aléatoires réelles indépendantes de même loi de
Bernoulli (δ0 + δ1 )/2. On pose, pour tout n ∈ N∗ ,
1 1
Xn = X + et Yn = (1 − X) − .
n n
Étudier la convergence en loi des trois suites (Xn )n∈N , (Yn )n∈N et (Xn + Yn )n∈N . En
conclure que la suite des variables aléatoires (Xn , Yn ), n ∈ N∗ , ne converge pas en loi
vers (X, Y ).

Exercice 8 (Topologie sur les mesures)

Soit E un espace métrique muni des sa tribu borélienne, et C = Cb0 (E) l’espace de
Banach des fonctions continues bornées sur E munies de la norme du supremum des
valeurs absolues. On note C 0 le dual topologique de C, qu’on munit de sa topologie
faible-∗, sauf mention explicite du contraire. On note P(E) l’ensemble des mesures de
probabilité sur E.
1. Montrer que P(E) s’identifie à une partie de C 0 , et que cette partie est fermée et
contenue dans la boule-unité (pour la norme de la topologie forte) de C 0 .
2. (8) Si E est compact, montrer que C est séparable.
3. (♦) En déduire que si E est compact, P(E) muni de la convergence faible est un
compact métrisable.
4. Pour E = [0, 1], donner un exemple de métrique qui métrise la topologie faible sur
P(E).

feuille 5, page 3
R. Peyre & F. Simon Travaux dirigés de probabilités

Exercice 9 (Convergence vers une constante)

Soient E un espace métrique, (Xn )n∈N une suite de v.a. à valeurs dans E et x un point
de E ; on note également x la variable aléatoire égale à x p.s..
1. (♦) Montrer que Xn tend vers x en probabilité si et seulement si Xn tend vers x en
loi.

Exercice 10 (Théorème de Skorohod sur R)

Le but de cet exercice est de montrer le théorème suivant : soit (µn ) une suite de lois
de probabilité sur R, qui converge étroitement vers une loi de probabilité µ. On peut
alors définir, sur un même espace probabilisé, une suite de variables aléatoires (Yn ) et
une variable aléatoire Y , telles que pour chaque n la variable Yn ait pour loi µn et Y
ait pour loi µ et telles que l’on ait Yn qui converge presque-sûrement vers Y . On notera
Fn (t) = µn ((−∞, t]) et F (t) = µ((−∞, t]) les fonctions de répartition de µn et de µ.
1. (♦) On considère [0, 1] muni de la tribu borélienne et de la mesure de Lebesgue et
les variables aléatoires
Yn (s) = inf{t ∈ R, Fn (t) > s}.
On définit Y (s) de la même manière. Montrer que Yn a pour loi µn et que Y a pour loi µ.
2. (♥) Montrer que Yn (s) converge vers Y (s) en tout point où Y est continue. En
déduire que Yn converge presque-sûrement vers Y .
3. (8) Montrer que si P(Xn 6 x) → P(X 6 x) en tout point de continuité de
P(X 6 ·), alors pour toute fonction continue bornée g, E(g(Xn )) → E(g(X)).

Exercice 11 (Théorème de Slutsky)

Soient Xn et Yn deux suites de variables aléatoires réelles convergeant en loi resp. vers
une constante x et une v.a. Y .
1. (♦) Montrer que Xn + Yn converge en loi vers Y + x, et que Xn Yn converge en loi
vers xY (théorème de Slutsky).
2. (♥,8) Montrer qu’en fait, (Xn , Yn ) converge en loi vers (x, Y ), et en déduire que
pour toute fonction continue de R2 dans R, f (Xn , Yn ) converge en loi vers f (x, Y ).
Le théorème de Slutsky est souvent utilisé en statistiques quand on doit calculer
des grandeurs faisant intervenir un paramètre du modèle qu’on ne sait qu’estimer asymp-
totiquement, pour montrer que le résultat obtenu en utilisant l’estimation est asymptoti-
quement le même que si on avait utilisé le vrai paramètre.

feuille 5, page 4
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 6 : Loi des grands nombres

9 mars 2009

Exercice 1 (Convergence des mesures empiriques)

Soit µ une mesure de probabilité sur Rn . On considère une suite de variables PNaléatoires
N 1
b la mesure (aléatoire) N i=1 δXi . Le
i.i.d. X1 , X2 , . . . de loi µ, et pour N > 1 on note µ
but de cet exercice est de montrer que, presque-sûrement, µ bN converge faiblement (càd.
au sens de la convergence en loi) vers µ.
bN converge en faiblement vers
1. Rappeler comment on peut exprimer la propriété « µ
b (U ) pour U ⊂ Rn ouvert et N ∈ N.
µ » en fonction de la donnée de tous les µ N

2. Soit V un ouvert fixé de Rn ; montrer que µ

bN (V ) −→ µ(V ) presque-sûrement.
N −→∞
3. (8) Pourquoi ne peut-on pas en déduire que « presque-sûrement, pour tout ouvert
V ⊂ Rn , µ bN (V ) −→ µ(V ) » ? Montrer que par exemple, si µ est la mesure de Lebesgue
bN (Ve )−→µ(
sur [0, 1], alors presque-sûrement il existe un ouvert (aléatoire) Ve tel que µ 6 Ve ).
4. (♥) Pour X un ensemble dénombrable, montrer que l’ensemble des parties finies
de X est dénombrable.
5. (♥) Montrer qu’il existe une famille dénombrable (Vbi )i∈N d’ouverts de Rn tel que
S bU de R s’écrive comme réunion de Vi , càd. qu’il existe J ⊂ I tel que
n
tout ouvert b
U = i∈J Vi .
6. En déduire qu’il existe une famille dénombrable (Vi )i∈N d’ouverts de Rn telle
que tout ouvert U de Rn s’écrive comme limite croissante de Vi , càd. qu’il existe une
application i : N −→ N telle que U = lim%k%∞ Vi(k) .

7. (♥,8) Montrer le théorème de convergence des mesures empiriques.

Exercice 2 (Loi des grands nombres L1 )

Soit
R µ une mesure de probabilité sur R ayant un moment d’ordre 1 ; notons m =
R Pn la moyenne de µ. Soient X1 , X2 , . . . des v.a. i.i.d. de loi µ ; pour n > 1, posons
xdµ(x)
Sn = i=1 Xi et Mn = Sn /n.
1. Si µ a une variance σ 2 < ∞, montrer que E[(Sn − nm)2 ] = nσ 2 .
2. Toujours si µ a une variance finie, déduire de la question 1 que Mn converge dans
L1 vers m.

feuille 6, page 1
R. Peyre & F. Simon Travaux dirigés de probabilités

On ne suppose plus que µ a une variance finie. Pour A > 0 fixé, on pose

 −A si Xn 6 −A ;
Xn =
e Xn si −A 6 Xn 6 A ;
A si Xn > A,


et hn = Xn − X
en .
3. Pourquoi les Xn , resp. les hn , sont-ils i.i.d. ?
4. Déduire de la question 2 que
lim kMn − E[X
e1 ]kL1 6 kh1 kL1 .
n−→∞

5. Montrer que, quand A −→ ∞, kh1 kL1 −→ 0 et E[X

e1 ] −→ m.
6. (♦) En déduire que Mn converge vers m dans L1 . Ce résultat s’appelle la loi des
grands nombres L1 .

Exercice 3 (Loi des grands nombres L2 )

Soit (Xn ) une suite de variables aléatoires indépendantes admettant un moment d’ordre
deux. On suppose que :
∞
1 2
E(Xn ) → m et
X
σ < ∞.
j=1
j 2 Xj

− E(Xj ))k22 .
Pn
1. Calculer k n1 j=1 (Xj
Pn
2. À l’aide d’une intégration par parties discrète, montrer que lim n12 j=1
2
σX j
= 0.
3. En déduire que n1 nk=1 Xk converge dans L2 vers m.
P

Exercice 4 (Réciproques de la loi forte des grands nombres)

Dans tout cet exercice, pour µ une loi de probabilité sur R, on appelle
PN suite
1
des moyennes empiriques de µ la suite de variables aléatoires EN = N i=1 Xi , où
b
X1 , X2 , . . . sont i.i.d. selon µ.

R ∞ 1. (♦,8) Pour X une variable aléatoire à valeurs positives, montrer que E[X] =
x=0
P(X > x)dx (Indication : utiliser le théorème de Fubini).
2. En déduire que, si µ est une loi sur R n’ayant pas de moment d’ordre 1 et X1 , X2 , . . .
une suite de v.a. i.i.d. de loi µ, alors p.s. il existe une infinité de i ∈ N? pour lesquels
|Xi | > i (Indication : utiliser le lemme de Borel–Cantelli).
3. En déduire que, si µ est une loi de probabiité sur R n’ayant pas de moment d’ordre
1, alors presque-sûrement les moyennes empiriques E bN ne convergent vers aucune limite
finie.

feuille 6, page 2
R. Peyre & F. Simon Travaux dirigés de probabilités

4. Si X et Y sont deux variables aléatoires réelles indépendantes et que Y n’est pas

intégrable, montrer que X + Y n’est pas intégrable non plus (Indication : utiliser le
théorème de Fubini).
5. En déduire que, si µ n’a pas de moment d’ordre 1, ses moyennes empiriques EbN ne
sont pas intégrables.
6. (♥) En quoi le résultat de la question 3, resp. de la question 5, est-il une réciproque
de la loi forte des grands nombres, resp. de la loi des grands nombres L1 ?
Considérons la construction consistant à tirer au sort un p y de loi uniforme sur [−1/2,
1/2], puis à définir à partir de y la variable aléatoire 1/y | ln |y|| ; on note µ la loi de
cette dernière variable.
c
7. Montrer que µ( [−M, M ]) = o(M −1 ) quand M tend vers l’infini.
8. Montrer que néanmoins µ n’a pas de moment d’ordre 1.
9. Au fait, sauriez-vous montrer que le résultat de la question 7 est toujours vrai dès
que µ a un moment d’ordre 1 ? (Indication : utiliser l’inégalité de Markov).
10. Montrer que la fonction caractéristique de µ est réelle.
11. (8) Montrer que la fonction caractéristique de µ est dérivable en 0 et de dérivée
nulle.
12. En déduire que la loi des E
bN converge faiblement vers δ0 (Indication : utiliser le
théorème de Lévy).
13. (♥) En déduire que les E
bN convergent en probabilité vers 0.
14. (8) Décrire qualitativement le comportement de la suite des E
bN (ω) pour une réa-
lisation ω typique.

feuille 6, page 3
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 7 : Théorème-limite central,

Variables gaussiennes
30 mars 2009

Exercice 1 (Vecteurs aléatoires et opérateurs affines)

Soient n, m > 0 et Φ un opérateur affine de Rn dans Rm , défini par l’expression matri-

cielle :
Φ(x) = Ax + B,

pour A une matrice m × n et B un vecteur-colonne de taille m.

1. (♦) Soit X un vecteur aléatoire de Rn intégrable. Exprimer E[Φ(X)] en fonction
de E[X].
2. (♦) Supposons en outre que X est L2 . Exprimer la matrice de covariance de Φ(X)
en fonction de E[X] et de la matrice de covariance de X.

Exercice 2 (Contre-exemples sur les lois gaussiennes)

1. Soit X une variable aléatoire N (0, 1) et soit Z indépendante de X telle que

P(Z = 1) = P(Z = −1) = 1/2. Soit Y = ZX. Montrer que Y est de loi N (0, 1),
que X et Y sont décorrélées (càd. que leur covariance est nulle), mais que (X, Y ) n’est
pas gaussien.
2. Montrer qu’il existe X1 , X2 des variables aléatoires complexes non corrélées (ce
qui signifiera ici que leur covariance complexe est nulle) telles que la variable aléatoire
(X1 , X2 ) (vue cette fois-ci comme un quadruplet réel) soit gaussienne mais que X1 et X2
ne soient pas indépendantes.
3. (88) Montrer qu’il existe trois variables aléatoires gaussiennes X1 , X2 , X3 deux à
deux indépendantes telles que (X1 , X2 , X3 ) ne suive pas une loi gaussienne.

Exercice 3 (Densité des lois gaussiennes)

Dans cet exercice, les lois gaussiennes sont toutes implicitement supposées cen-
trées.
1. Pour n > 0, soient ξ1 , . . . , ξn des variables aléatoires réelles i.i.d. de loi N (1).
Montrer que le vecteur aléatoire X = (ξ1 , . . . , ξn ) est un vecteur gaussien et calculer sa
matrice de covariance.

feuille 7, page 1
R. Peyre & F. Simon Travaux dirigés de probabilités

2. Soit M une matrice n × n inversible. Montrer que M X est un vecteur gaussien et

calculer sa covariance.
3. Montrer que M X a une densité sur Rn et calculer cette densité.
4. (♥) Déduire des questions 2 et 3 que, si C est une matrice symétrique n × n positive
et définie, alors le vecteur gaussien Y de Rn de matrice de covariance C a une densité par
rapport à la mesure de Lebesgue, et calculer cette densité.
5. (♥,8) Si C n’est pas définie, soit r son rang ; montrer que le support de Y (càd.
le plus petit fermé contenant Y presque-sûrement) est un sous-espace strict de Rn de
dimension r, et déterminer ce sous-espace.

Exercice 4 (Introduction au mouvement brownien)

Soit µ une loi sur R ayant un moment d’ordre 2, avec R xdµ(x) = 0 etPR x2 dµ(x) = 1.
R R

Soient X1 , X2 , . . . des v.a. i.i.d. de loi µ. Pour n ∈ N, notons Sn = ni=1 Xi , et pour

t ∈ R+ , notons St = Sbtc (où btc désigne la partie entière de t). Soient 0 = t0 < t1 <
t2 < · · · < tk .
1. Pour n ∈ N, montrer que Snt1 , Snt2 − Snt1 , . . . , Sntk − Sntk−1 sont indépendants.
√
2. Pour i ∈ {1, . . . , k}, montrer que (Snti −Snti−1 )/ n converge en loi vers N (0, ti −
ti−1 ).
√ √
3. (♥) En déduire que (Snt1 / n, . . . , Sntk / n) converge ne loi vers un vecteur
gaussien dont on déterminera les paramètres (Rappel : Si µn * µ et νn * ν, alors
µn ⊗ νn * µ ⊗ ν).

Exercice 5 (Test du χ2 )

On partitionne Ω en k évènements Ai de probabilités p1 , . . . , pk > 0. On répète alors

n fois l’expérience aléatoire et on compte le nombre de réalisations respectives des Ai :
N1 , . . . , Nk .
1. Montrer que (N1 , . . . , Nk ) suit une loi multinomiale d’effectif n et de paramètres
p1 , . . . , p k .
2. Calculer Σ, la matrice de covariance de (N1 , . . . , Nk ).
3. La loi limite de (n−1 N1 , . . . , n−1 Nk ) étant dégénérée, on considère le vecteur X =
√1 (N1 − np1 , . . . , Nk − npk ). Appliquer le théorème central limite et calculer la matrice
n
de covariance Σ de la loi limite de X.
4. (♦) Montrer que (1, . . . , 1) est dans le noyau de Σ. Quelle interprétation probabiliste
donner à ce résultat ?
5. (8) Montrer que Σ est de rang n − 1. En déduire que la matrice Σ∗ obtenue en
supprimant la dernière ligne et la dernière colonne de Σ est inversible.
6. On rappelle qu’une variable aléatoire suit une loi du χ2 à p degrés de liberté quand

feuille 7, page 2
R. Peyre & F. Simon Travaux dirigés de probabilités

elle peut s’écrire comme pi=1 Zi2 où les Zi sont indépendants de loi N (0, 1). Posons
P
t
X ∗ = (X1 , . . . , Xk−1 ) et soit D2 = X ∗ (Σ∗ )−1 X ∗ ; montrer que sa loi limite est une loi
du χ2 à k − 1 degrés de liberté.
7. (♥) S’inspirer des questions précédentes pour expliquer comment on peut mettre en
place un test (appelé test du χ2 ) pour affirmer qu’un dé est vraisemblablement pipé.

Exercice 6 (Moyenne et variance empiriques)

Soient X1 , . . . , Xn des variables aléatoires réelles indépendantes de même loi µ ayant

un moment d’ordre deux. On définit les variables aléatoires suivantes, la moyenne et la
variance empiriques, par
n n
1X 1X 2
Mn = Xi et Σn = X − Mn2 .
n i=1 n i=1 i

On note X = (X1 , . . . , Xn ).
1. (8) Si µ est la loi gaussienne N (m, σ 2 ), quelle est la loi de X ? Soit C une ma-
trice orthogonale de dimension n telle que pour tout j = 1, . . . , n, on ait C1,j = √1n .
Exprimer Mn et Σn à l’aide des composantes de CX et en déduire que Mn et Σn sont
indépendantes.
On s’intéresse maintenant à la réciproque : on suppose que Mn et Σn sont indépendantes.
On supposera dans un premier temps les Xi centrées. On notera σ la variance de µ, ϕ la
transformée de Fourier de µ, Sn = nMn et Vn = nΣn .
2. (♥) Calculer E[Vn ] en fonction de σ.
3. (8) Montrer que ϕ est deux fois différentable, et calculer E[Vn exp(iuSn )] à l’aide
de ϕ, ϕ0 et ϕ00 .
4. Montrer que

∀u ∈ R E[Vn exp(iuSn )] = (ϕ(u))n E[Vn ].

5. (8) En déduire que ϕ est solution d’une équation différentielle. Montrer alors que
µ suit une loi gaussienne N (0, σ 2 ).
6. Démontrer que µ est nécessairement gaussienne même si on ne suppose plus les Xi
centrées.

Exercice 7 (Un TCL pour des variables sans moment d’ordre 2)

On note µ la loi sur R à densité dµ(x) = 1|x|>1 dx/(2x2 ).

1. Montrer que µ a un moment d’ordre p pour tout p < 1, mais qu’elle n’a pas de
moment d’ordre 1, ni a fortiori d’ordre 2.

feuille 7, page 3
R. Peyre & F. Simon Travaux dirigés de probabilités

2. Expliquer pourquoi la fonction caractéristique de µ, notée µ

b, est réelle et symé-
trique.
3. Calculer un équivalent que 1 − µ
b(ξ) quand ξ tend vers 0 par valeurs positives.
Soient X1 , X2 , . . . des v.a. i.i.d. de loi µ et α > 0 un réel ; on pose Ynα = n−α (X1 + · · · +
Xn ). Le but de l’exercice est de déterminer la convergence en loi des Ynα pour un α bien
choisi.
4. Avec ce formalisme, à quelles valeurs de α correspondent la loi des grands nombres,
resp. le théorème-limite central « ordinaire » ?
5. (♦) Exprimer la fonction caractéristique de Ynα en fonction de µ
b.
6. En déduire que, pour une valeur de α qu’on précisera, les fonctions caractéristiques
des Ybn convergent simplement vers une fonction Φ non identiquement égale à 1 dont on
donnera l’expression.
7. Pourquoi sait-on à l’avance que Φ est la transformée de Fourier d’une loi de proba-
bilité ν sur R ?
8. Calculer la mesure ν dont Φ est fonction caractéristique. Reconnaissez-vous cette-
loi ?
9. (♥) Résumer les résultats obtenus dans cet exercice sous la forme d’un « théorème-
limite central pour µ ».

feuille 7, page 4
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 8 : Statistiques
6 avril 2009

Exercice 1 (Maximum de vraisemblance)

On considère le modèle statistique consistant à tirer n variables aléatoires i.i.d. de loi µθ ,

avec θ ∈ Θ = R × R+ et µm,σ2 = N (m, σ 2 ).
1. Donner l’estimateur de maximum de vraisemblance pour θ.
2. Soit θb = (m,
b σb2 ) cet estimateur. m, b2 , est-il convergent ? sans biais ?
b resp. σ

Exercice 2 (Intervalle de confiance non asymptotique pour des gaussiennes)

Soient X1 , . . . , Xn (2 6 n  ∞) des variables i.i.d. selon une loi µ = N (m, σ 2 ) dont on

cherche à évaluer les paramètres. On définit la moyenne et la variance empiriques par
n n
1X 2 1X 2
m
b = Xi et σ
b = b 2.
X −m
n i=1 n i=1 i

1. (8) Notant X = (X1 , . . . , Xn ), soit C une matrice orthogonale de dimension n telle

que pour tout j = 1, . . . , n, on ait C1,j = √1n . Exprimer m b2 à l’aide des composantes
b et σ
de CX et en déduire que m b et σb2 sont indépendantes étant donnée µ. (Remarque : cette
question a déjà été posée en VI-1).
2. Donner les lois suivies par m b2 en fonction de (m, σ 2 ) et de n.
b et σ
3. Quelle propriété remarquable vérifie la loi de la variable aléatoire σ 2 /b
σ 2 ? En dé-
duire comment contruire un intervalle de confiance non asymptotique de niveau α arbi-
traire pour σ 2 .
√
4. (8) En considérant la variable (m
b − m)/ σ b2 , indiquer comment construire un
intervalle de confiance non asymptotique de niveau arbitraire pour m.
5. En déduire un « rectangle de confiance » non asymptotique de niveau 6 α arbitraire
pour (m, σ 2 ).
La loi de Student à k degrés de libertés (k > 1) est définie comme la loi d’une variable
T = √Z , où (Z, U ) ∼ N (0, 1) ⊗ χ2 (k).
U/k

6. (8) Déterminer la densité de la loi de Student.

7. (♥) Expliquer l’intérêt de tabuler les valeurs des lois de Student (pour k  ∞),
càd. de calculer (l’inverse de) leurs fonctions de répartition et d’éditer les résultats de ces
calculs.

feuille 8, page 1
R. Peyre & F. Simon Travaux dirigés de probabilités

8. (♥) Déterminer la limite de loi de Student à k degrés de libertés quand k −→ ∞.

En déduire un intervalle de confiance asymptotique de niveau arbitraire pour m quand
n −→ ∞. Reconnaissez-vous cet intervalle ? À quelle famille de lois (plus vaste que les
gaussiennes) s’applique-t-il ?

Exercice 3 (Intervalle de confiance non asymptotique dans un cadre non paramétrique)

Soit m la mesure de Lebesgue sur [0, 1] et F sa fonction de répartition. On considère

X1 , . . . , Xn i.i.d. selon m, et on note Fbn la fonction de répartition empirique des Xi .
1. (♥,8) Pour λ ∈ R, p ∈ [0, 1], calculer E[eλ[F (p)−F (p)] ]. En déduire que pour tout
bn

p ∈ [0, 1], pour tout a > 0,

 a 
P Fbn (p) − F (p)) > √ 6 2e−a /8 .
2

n
(Indication : c’est un avatar de l’exercice 5 de la feuille 3).
2. L’espace des fonctions càdlàg de [0, 1] dans R est muni de la norme du supremum
| · |sup . Déduire de la question 1 que pour tous a > 0 et b ∈ N? ,
 a 1
P Fbn − F sup > √ +
2
6 2be−a /8 .
n 2b

√
2 2
3. En prenant a = 3
c,
en déduire que pour tout c > 0,
√
 c  h n i 2
P F − F sup > √ 6
b n
+ 2 e−c /9 .
n 4a

On s’intéresse maintenant à une mesure de probabilité µ inconnue sur [0, 1], dont on veut
déterminer l’espérance à partir de réalisations i.i.d. X1 , . . . , Xn de µ.
4. On suppose que µ est diffuse et de support [0, 1] tout entier (càd. qu’elle ne charge
aucun point mais qu’elle charge tout ouvert non vide de [0, 1]). Soit G la fonction de
bn sa fonction de répartition empirique. Montrer que pour tout c > 0,
répartition de µ et G
√
 c  h n i 2
P G − G sup > √ 6
b n
+ 2 e−c /9 .
n 4a
(Indication : utiliser l’exercice 5 de la feuille 2).
5. On considère l’estimateur E b = (X1 + · · · + Xn )/n. Comment appelleriez-vous cet
estimateur ? Est-il convergent ? A-t-il un biais ?
6. (♦) Montrer que, si ν est une mesure de probabilité sur [0, 1] de fonction de répar-
tition H, Z 1
E[ν] = 1 − H(x)dx.
0

feuille 8, page 2
R. Peyre & F. Simon Travaux dirigés de probabilités

7. En déduire une famille d’intervalles de confiance autour de E

b dont on majorera le
niveau de façon non asymptotique.
8. Relaxer l’hypothèse selon laquelle µ est diffuse et sans atome.

Exercice 4 (Test de Mann et Whitney)

On dispose d’échantillons indépendants de deux populations différentes, que l’on note

X1 , . . . , XN et Y1 , . . . , YM , où les Xi et les Yj sont des réels, et on suppose que les lois
les ayant engendrés sont diffuses. Le but du test de Mann–Whitney est de mélanger les
deux populations en un unique ensemble de données, et à partir de considérations sur le
rang des élements d’une des deux populations de pouvoir affirmer ou infirmer l’hypothèse
que les deux populations suivent la même loi.
1. Montrer que presque-sûrement, il n’y a pas d’ex-æquo dans les populations.
2. On pose Z = (X1 , . . . , XN , Y1 , . . . YM ). On considère la statistique d’ordre de ce
vecteur et on note R le vecteur des rangs correspondants (R1 est la place de la valeur X1
dans la suite ordonnée de façon croissante). Posons
M
X M (M + 1)
UY,X = RN +j − ,
j=1
2
montrer que
N,M
1Xi <Yj .
X
UY,X =
i,j=1

3. On pose H0 l’hypothèse selon laquelle les deux échatillons sont issus de la même
loi. Montrer que sous cette hypothèse la loi de UY,X sous H0 nedépend pas de la loi
commune des individus des deux échantillons.
4. Montrer que sous H0
NM
E[UY,X ] = .
2

5. Si l’on note 1
eXi <Yj = 1Xi <Yj −1/2, montrer que, sous H0 , pour tous i 6= i0 , j 6= j 0 :

E[1 eXi <Y 0 ] = 1 ,

eXi <Yj 1
j
12
E[1 eX 0 <Yj ] = 1 ,
eXi <Yj 1
i
12
E[(1eXi <Yj ) ] = 1 .
2
4
En déduire la variance de UY,X .
6. (88) Montrer que sous l’hypothèse H0 , lorsque N et M tendent vers l’infini avec
M/N possédant une limite finie non nulle, on a la convergence suivante :
UY,X − M2N (d)
−→ N (0, 1).
Var(UY,X )1/2

feuille 8, page 3
R. Peyre & F. Simon Travaux dirigés de probabilités

7. (8) Montrer que si par exemple P[X > Y ] > 1/2, ce rapport tend presque sûrement
vers +∞.
8. En déduire une procédure de test.

Exercice 5 (Test de Neyman–Pearson)

Soit X un espace mesurable et soient µ, ν deux lois de probabilité distinctes sur X. On

considère le modèle statistique consistant à tirer une variable aléatoire x, soit selon µ,
soit selon ν, de sorte que l’espace des paramètres Θ = {µ, ν} ne contient que deux
points. On veut tester l’hypothèse que la loi utilisée pour tirer x est µ. Compte tenu de
la nature de l’espace des paramètres, l’hypothèses alternative sera donc ici réduite à la
seule mesure ν.
On note f et g les densités respectives de µ et ν par rapport à la mesure λ = µ + ν, de
sorte que f + g ≡ 1. Soit p ∈]0, 1] ; on considère le test consistant à répondre « µ » si
f > p et « ν » sinon (c’est le test de Neyman–Pearson).
1. Exprimer le niveau de confiance α du test en fonction des données.
2. Soit β la probabilité que le test échoue quand on est dans l’hypothèse alternative.
Exprimer β en fonction des données.
3. Montrer qu’on a toujours α < p/(1 − p), resp. β 6 (1 − p)/p.
β s’appelle l’erreur de deuxième espèce de notre test (par opposition à α qui est
l’« erreur de première espèce ». Dans le cas général, β est en fait une fonction de Θ1
(l’ensemble des paramètres de l’hypothèse alternative) dans [0, 1], alors que α est un
nombre (c’est le supremum du risque d’erreur sur Θ0 , l’ensemble des paramètres sur
l’hypothèse nulle). Ici Θ0 et Θ1 sont toutes les deux réduites à un point, de sorte qu’α et
β jouent en fait des rôles symétriques.
4. (♥) Montrer que le test de Neyman–Pearson est optimal : pour tout test de niveau α
ou moins, l’erreur de deuxième espèce est supérieure ou égale au β.
Dans la pratique, il peut être difficile de connaître précisément µ et ν. Dans ce
cas-là, plutôt que d’étudier directement les lois de probabilité, on va plutôt étudier leur
mesure-image par une certaine statistique de x. De plus, il arrive que même ces mesures-
là soient difficiles à déterminer, auquel cas on peut recourir à une approximation. C’est
ce que nous nous proposons de faire dans la suite de cet exercice.
On dispose d’une suite S de N bits soi-disant aléatoires (hypothèse nulle), qui a en fait
peut-être été écrite par un humain tentant de simuler le hasard (hypothèse alternative).
Comme, d’après les psychologues, l’être humain n’a en fait pas une très bonne idée du
hasard, on se demande s’il existe un test fiable permettant de trancher entre le hasard
véritable et le pseudo-hasard des humains.
Pour s une suite finie de bits de longueur 6 N , de longueur `(s), on note #(s)
b le nombre
de fois que s apparaît dans S.

feuille 8, page 4
R. Peyre & F. Simon Travaux dirigés de probabilités

a de fois où deux chiffres

On appelle taux d’alternance de la suite de bits la proportion b
consécutifs sont distincts, i.e.

#(01)
b + #(10)
b
a= .
N −1
b

a − 12 ) sous l’hypothèse nulle.

5. Déterminer la loi-limite de N 1/2 (b
6. Il paraît que le taux d’alternance des êtres humains tentant de simuler le hasard
est en général nettement supérieur à 1/2. Une expérience réelle sur 22 participants avec
N = 64 a donné les résultats suivants pour le taux d’alternance sous l’hypothèse Θ1 :
Eθ1 [ba] = 0,538 et Varθ1 [ba] = 0,112. En admettant que la loi de ba est gaussienne (ce
qui est clairement faux en pratique), calculer la réponse du test de Neyman–Pearson en
a pour p = 1/2. Évaluer avec une calculatrice les valeurs de α et
fonction de la valeur de b
β pour ce test.
Soit k > 0 un (petit) entier. Appelons statistique de prévisibilité à l’ordre k le nombre :
1 X
2
pbk = #(s1)
b − #(s0)
b .
N −k
`(s)=k

7. Que mesure pb0 ? Exprimer b

a en fonction de pb0 et pb1 .
8. (8) Montrer que sous l’hypothèse nulle, on a exactement E[b
pk ] = 1.
9. (88) Montrer que, quand N −→ ∞, la loi de pbk converge vers la loi χ2 (2k )/2k .
10. (♥) Quel sens donneriez-vous à pbk ? Pourquoi attend-on d’un mauvais simulateur
que, pour k valant quelques unités, pbk ait tendance à être de l’ordre de grandeur de N ?
11. L’expérience dont nous parlions précédemment a donné, pour k = 2, Eθ1 [b p2 ] =
1,628. En admettant que la loi de pb2 sous l’hypothèse alternative est proportionnelle à
un χ2 (4) (ce qui est pour le coup à peu près raisonnable), refaire la question 6 avec la
statistique de test pb2 .
12. Entre les deux tests évoqués, lequel choisiriez-vous pour discerner un générateur
véritablement aléatoire d’un être humain ?
Remarquez que notre expérience ne nous permettait pas réellement de connaître
a et pbk sous θ1 : en fait, on s’est servi d’estimateurs à partir de l’expérience
les lois de b
effectuée pour déterminer les paramètres de ces lois. Cette technique est courante en
statistiques : quand un des paramètres du modèle n’est pas connu parfaitement, mais peut
être estimé avec une bonne précision, alors, si de petites variations de ce paramètre ont
une faible influence sur le résultat, on fait souvent comme si ce paramètre était exactement
égal à sa valeur estimée.

feuille 8, page 5
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 9 : Espérance conditionnelle

27 avril 2009

Exercice 1 (Statistiques bayésiennes)

L’autre jour, un de mes amis est revenu d’un voyage enchanteresque dans un pays scan-
dinave. Malheureusement, il avait oublié de quel pays il s’agissait. Il y avait donc cinq
possibilités qui étaient le Danemark, la Finlande, l’Islande, la Norvège et la Suède. Je lui
ai posé deux questions pour le savoir :
1. La langue du pays ressemblait-elle à l’allemand ?
2. Tu m’as dit t’être baigné dans la mer : était-ce la Baltique ?
Il m’a donné, pour chaque question, une réponse qui était « oui », « non » ou « je ne sais
pas ». Je me pose la question de statistiques suivante : comment deviner le pays dans
lequel il est allé à partir de ses réponses ?
1. Les réponses attendues pour les questions sont les suivantes :

pays Q1 Q2
Danemark oui non
Finlande non oui
Islande non non
Norvège oui non
Suède oui oui

En définissant une distance sur l’espace des couples de réponses, donner un algorithme
« naïf » pour deviner le pays visité.
2. Soyons un peu plus fin : en fait, les gens se trompent parfois dans leurs réponses.
Admettons que, pour un pays donné, les deux réponses soient indépendantes. La façons
dont les gens répondent en fonction du pays est la suivante :

Q1 Q2
pays oui nsp non oui nsp non
Danemark 70% 25% 5% 25% 20% 55%
Finlande 10% 40% 50% 50% 35% 15%
Islande 20% 40% 40% 5% 20% 75%
Norvège 60% 25% 15% 10% 25% 65%
Suède 60% 25% 15% 60% 30% 10%

En calculant la probabilité d’obtenir une paire de réponses données en fonction du pays,

déterminer l’estimateur du maximum de vraisemblance du pays visité par mon ami.

feuille 9, page 1
R. Peyre & F. Simon Travaux dirigés de probabilités

3. (♥) Encore plus fort : je connais les statistiques de tourisme de chacun des cinq pays.
Le Danemark est visité annuellement par 2 000 000 touristes, la Finlande par 2 800 000
touristes, l’Islande 700 000, la Norvège 3 500 000 et la Suède 3 000 000. Construire un
modèle probabiliste qui modélise le pays visité par mon ami et les réponses qu’il donne.
Calculer alors la loi de probabilité du pays conditionnellement aux réponses données, et
en déduire l’estimateur bayésien du pays visité par mon ami.
4. Aller jouer quelques parties sur [Link] et commenter l’effica-
cité des méthodes bayésiennes :-)

Exercice 2 (Espérance conditionelle et indépendance)

Soient X ∈ L1 (Ω, A, P) et deux sous tribus A1 et A2 telles que la tribu engendrée par
A1 et σ(X) soit indépendante de A2 . On note B la tribu engendrée par A1 et A2 .
1. Montrer que si A est de la forme A1 ∩ A2 avec A1 ∈ A1 et A2 ∈ A2 , alors on a
E(1A X) = E(1A E(X|A1 )).
2. Rappeler quel argument nous permet alors d’affirmer que E(X|B) = E(X|A1 ).
Comment interprétez-vous ce résultat ?
3. (♦) En déduire que si A1 et A2 sont deux sous-tribus indépendantes et que X est
A1 -mesurable et L1 , alors E(X|A2 ) ≡ E(X).
4. (♦) Montrer que la réciproque est également vraie : si A1 et A2 sont deux sous-
tribus telle que pour tout X A1 -mesurable et L1 on ait E(X|A) ≡ E(X), alors A1 et A2
sont indépendantes.

Exercice 3 (Espérance conditionelle par rapport à la somme)

Soit XP
n une suite de variables aléatoires réelles indépendantes et de même loi µ. Soit
Sn = nj=1 Xj .
1. Montrer que E(X1 |Sn ) = E(Xi |Sn ) pour tout 1 6 i 6 n.
2. En déduire E(X1 |Sn ).
3. Soit An = σ(Sn+j |j ∈ N). Utiliser la question 2 de l’exercice 2 pour calculer
E(X1 |An ).

Exercice 4 (Calcul d’espérance conditionelle)

1. Soit Y une variable aléatoire exponentielle de paramètre 1. Calculer E(Y |Y ∧ t).

Exercice 5 (Une égalité presque sûre)

1. Soit Y ∈ L2 (Ω, A, P). On suppose que E(Y |X) = f (X) et E(Y 2 |X) = f (X)2 ,

feuille 9, page 2
R. Peyre & F. Simon Travaux dirigés de probabilités

pour une certaine fonction f mesurable. Montrer que Y = f (X) P-p.s..

Exercice 6 (Variables à densité)

Soit (X, Y ) un couple de variables aléatoires réelles de densité f (x, y) par rapport à la
mesure de Lebesgue sur R2 .
1. Soit g une fonction borélienne bornée. Calculer E(g(Y )|X).
2. Soit (X, Y ) de loi uniforme sur [0, 1]2 et S = X + Y . Calculer la densité de X
conditionellement à S = s.

Exercice 7 (Loi conditionnelle)

Dans tout cet exercice, les espérances conditionnelles ne sont pas considérées
modulo l’égalité presque-sûre. Il faudra implicitement rajouter « pour tout choix d’espé-
rance conditionnelle » (ou parfois « pour un choix ») dans les questions chaque fois que
nécessaire.
Soit (Ω, F, P) un espace de probabilité et soit B une sous-tribu de F. Pour A ∈ F,
notons P[A|B] = E[1A |B].
1. On suppose dans un premier temps que (Ω, F) est isomorphe à (N, P(N)) en tant
qu’espace mesurable. Montrer qu’on a p.s. l’égalité suivante entre fonctions sur Ω

P[{ω}|B] = 1.
X

ω∈Ω

2. En déduire qu’on peut définir une famille (Pω )ω∈Ω de mesures de probabilité sur
(Ω, F), qui soit B-mesurable (càd. que pout tout A ∈ F l’application ω 7→ Pω [A] est
B-mesurable), et telle que pour tout A ∈ F on ait Pω [A] = P[A|B](ω) (en tant que
fonctions de ω). Montrer que cette famille est unique à équivalence presque-sûre près.
3. (♥,88) Si (Ω, F) est un espace polonais non dénombrable muni de sa tribu boré-
lienne, montrer qu’il est isomorphe à {0, 1}N muni de sa tribu borélienne (pour la topo-
logie produit).
À partir de maintenant, on suppose que (Ω, F) est {0, 1}N muni de sa tribu borélienne.
4. (8) Montrer que, si on se donne une application p de l’ensemble {0, 1}(N) des
suites finies d’éléments de {0, 1} dans [0, 1], telle que p() = 1 et pour toute suite s,
p(s) = p(s0) + p(s1), alors il existe une mesure de probabilité P sur {0, 1}N telle que P
attribue la masse p(s) à l’ensemble des éléments de {0, 1}N commençant par s (que l’on
notera sΩ), et que cette mesure est unique.
5. Montrer que p.s.,
P[Ω|B] = 1 et ∀s ∈ {0, 1}(N) P[sΩ|B] = P[s0Ω|B] + P[s1Ω|B] .


feuille 9, page 3
R. Peyre & F. Simon Travaux dirigés de probabilités

6. (♥) En déduire qu’il existe une unique (à équivalence p.s. près) famille (Pω )ω∈Ω
de mesures de probabilité sur (Ω, F), qui soit B-mesurable (càd. que pout tout A ∈ F
l’application ω 7→ Pω [A] est B-mesurable), et telle que pour tout A ∈ F on ait Pω [A] =
P[A|B](ω). Quand F = σ(X) pour une v.a. X, Pω (à noter l’abus de langage puisque la
fonction ω 7→ Pω n’est définie qu’à équivalence p.s. près) est appelée loi conditionnelle
de P sachant que X = X(ω).
7. (♥) L’espérance sous la loi conditionnelle est-elle la même chose que l’espérance
conditionnelle ?

Exercice 8 (Vecteurs gaussiens et espérance conditionelle)

Soit (X, Y, Z) un vecteur gaussien à valeurs dans R3 . On suppose que Var(X) > 0,
Var(Y ) > 0 et que E[X] = E[Y ] = E[XY ] = 0.
1. (8) Montrer que E[Z | X, Y ] = E[Z | X] + E[Z | Y ] − E[Z] p.s..
2. Montrer que E[X | XY ] = 0 p.s., resp. E[Y | XY ] = 0 p.s..
3. En déduire E[Z | XY ].

Exercice 9 (Comment gâcher une bonne soirée)

ATTENTION ! L’exercice suivant est réputé pour engendrer des débats houleux et
stériles quand on en discute avec des non-probabilistes. . .
Dans tout cet exercice, on est implicitement censé modéliser les situations de ma-
nière réaliste.
Je sais que ma voisine a deux enfants.
1. Supposons que je sache que l’aînée est une fille. Quelle est la probabilité que l’autre
enfant soit également une fille ?
2. (♥) Supposons que je sache que ma voisine a au moins une fille. Quelle est la
probabilité que ma voisine ait en fait deux filles ?
3. (♥) Supposons que je sache que parmi les enfants de ma voisine, il y a une fille
appelée Mathilde. Quelle est la probabilité que l’autre enfant soit également une fille ?
(On fera l’hypothèse que la proportion de filles appelées Mathilde est très faible et on
négligera les termes d’ordre inférieur).

feuille 9, page 4
R. Peyre & F. Simon Travaux dirigés de probabilités

Feuille 10 : Martingales
4 mai 2009

Exercice 1 (Étude de la convergence d’une martingale)

Soient X1 , X2 , . . . des variables aléatoires indépendantes telles que

pour tout n > 1, P[Xn = 0] = 1 − 1/n et P[Xn = 1] = P[Xn = −1] = 1/(2n).
On définit par récurrence M0 := 0, et
(
Xn si Mn−1 = 0
Mn :=
nMn−1 |Xn | sinon.

On pose Fn = σ(Xk , 1 6 k 6 n), la tribu engendrée par X1 , . . . Xn (pour n > 1), et

F0 := {∅, Ω}.
1. Montrer que pour tout n > 0, E[|Mn |] < ∞.
2. Montrer que (Mn )n est une martingale.
3. Soit A := {Il existe une infinité de n tels que Xn = 0, Xn+1 = 1}. Montrer que
P[A] = 1.
4. Prouver que limn Mn > 1.
5. Calculer P[Mn 6= 0 | Fn−1 ].
6. Etudier la convergence en probabilité de Mn .
7. Etudier la convergence presque sûre de Mn .
8. En considérant E[|Mn | | Fn−1 ], établir une relation de récurrence pour E[|Mn |].
9. Etudier la convergence dans L1 (Ω, F, P) de Mn .

Exercice 2 (Variation quadratique)

Soient X1 , X2 , . . . des variables indépendantes, chacune étant L2 et centrée.

1. Montrer que
n
X 2 n
E[Xi2 ]
X
Xi −
i=1 i=1
est une martingale pour la filtration naturelle associée aux Xi .

Exercice 3 (Fonction harmonique)

feuille 10, page 1

R. Peyre & F. Simon Travaux dirigés de probabilités

On considère la marche aléatoire biaisée sur Z, càd. une chaîne de Markov sur Z telle
que P(Xn+1 = i + 1|Xn = i) = p et P(Xn+1 = i − 1|Xn = i) = 1 − p, pour un
p ∈]1/2, 1[.
1. Déterminer quelles sont les fonctions f : Z −→ R telles que f (Xn ) soit une
martingale.
Ces fonctions sont appelées fonctions harmoniques pour la marche aléatoire biai-
sée.
Je fais un combat de fleuret contre un ami qui est plus fort que moi : à chaque assaut il
a une probabilité p ∈]1/2, 1[ de faire la touche (il n’y a pas de double touche en fleuret).
La règle est que le premier qui a k touches d’avances a gagné. Ayant été chanceux, je me
retouve à mener par ` touches d’avance (0 6 ` < k).
2. Quelle est ma probabilité de remporter le duel ? Application numérique avec p =
60%, k = 3 et ` = 1.

Exercice 4 (Inégalité de Doob)

Soit (Mn )n∈N une martingale qui stationne presque-sûrement ; on note M∞ la valeur
terminale de la martingale. On pose également

M∗ (ω) = sup |Mn (ω)|.

N
n∈

Le but de l’exercice est de borner E[M∗2 ] en fonction de E[M∞

2
]. On supposera ici que
2
Mn est uniformément bornée par une variable L .
1. (♦) Montrer que |Mn | est une sous-martingale.
2. Montrer que pour tout A > 0, E[1M∗ >A |M∞ |] > AP(M∗ > A).
3. (♥) Montrer que si X est une v.a. positive,
Z ∞
E[X ] = 2
2
xP(X > x)dx.
0

4. (8) En déduire l’inégalité de Doob :

E[M∗2 ] 6 4E[M∞
2
] (1)

(Indication : utiliser l’inégalité de Cauchy–Schwarz).

5. (88) Montrer que la constante 4 dans (1) ne peut pas être améliorée.

feuille 10, page 2