Aix-Marseille Université
M2 ANADEAL : Probabilités et modèles markoviens
DCC1 : Premier devoir à la maison
Exercice 1 Soit X1 , X2 , . . . , Xn un échantillon de taille n tiré d’une distribution
continue avec une fonction de répartition F (x) et une densité f (x). Les statistiques
d’ordre de cet échantillon, notées X(1) , X(2) , . . . , X(n) , représentent les valeurs triées
par ordre croissant, c’est-à-dire que X(1) ≤ X(2) ≤ · · · ≤ X(n) . Ainsi, X(r) est la
r-ème plus petite valeur de l’échantillon, appelée la r-ème statistique d’ordre.
1. Calculer la densité de la r-ème statistique d’ordre X(r) .
2. Soit X(r) et X(s) les r-ème et s-ème statistiques d’ordre d’un échantillon de
taille n (avec 1 ≤ r < s ≤ n). Démontrer que la densité jointe f(r)(s) (x, y)
pour les valeurs x ≤ y est donnée par :
n!
f(r)(s) (x, y) = F r−1 (x)f (x)[F (y) − F (x)]s−r−1
(r − 1)!(s − r − 1)!(n − s)!
· f (y)[1 − F (y)]n−s .
Exercice 2 Considérons un échantillon de taille n tiré d’une distribution continue
avec une fonction de répartition F (x). Soient X(1) , X(2) , . . . , X(n) les statistiques
d’ordre de cet échantillon, où X(1) ≤ X(2) ≤ · · · ≤ X(n) .
1. Montrer que la suite des statistiques d’ordre X(1) , X(2) , . . . , X(n) forme une
chaı̂ne de Markov.
2. Fournir un contre-exemple pour montrer que la suite des statistiques d’ordre
ne forme pas nécessairement une chaı̂ne de Markov lorsque l’échantillon est
tiré d’une distribution discrète.
Pn
Exercice 3 On considère Xn = i=1 ξi avec (ξn )n≥1 une suite de v.a.i.i.d. de
loi 1/2(δ−1 + δ1 ). On introduit Fn la fitration naturelle associée à (ξn )n≥1 . Soient
a < 0 < b des entiers, on définit Ta,b = inf{n ≥ 1 : Xn = a ou Xn = b}.
1. Que peut-on dire de (Xn )n≥1 et de Ta,b ?
2. Montrer que Ta,b est presque-sûrement fini (on pourra considérer, pour p ∈ N,
l’événement Ap = {ξp(b−a)+1 = · · · = ξp(b−a)+(b−a) = 1}).
3. Donner la loi de XTa,b .
1
Exercice 4 Dans cet exercice, vous devez simuler la probabilité de ruine pour un
joueur qui commence avec une fortune initiale i et qui joue jusqu’à atteindre la ruine
(état 0) ou le succès (état N ). Le jeu suit une chaı̂ne de Markov avec une matrice
de transition définie par :
p
si j = i + 1 (gain d’une unité),
P (i, j) = 1 − p si j = i − 1 (perte d’une unité),
1 si i = 0 ou i = N (états absorbants),
où p est la probabilité de gagner une unité à chaque jeu, 0 est l’état de ruine, et N
est l’état de succès.
1. Trouvez la formule théorique de la probabilité de ruine en fonction des pa-
ramètres p, N , et i. Cette formule devra prendre en compte le cas d’un jeu
équitable (p = 0.5) et inéquitable (p 6= 0.5).
2. Implémentez une fonction simulation_ruine(p, N, init, n_simulations)
en Python qui simule plusieurs trajectoires de la chaı̂ne de Markov pour es-
timer la probabilité de ruine via la méthode de Monte Carlo.
3. Utilisez cette fonction pour comparer les valeurs obtenues par simulation avec
les valeurs théoriques pour les paramètres suivants
— p = 0.4, N = 100, init = 50, n_simulations = 104 .
— p = 0.5, N = 1000, init = 50, n_simulations = 104 .
4. Après avoir simulé la probabilité de ruine, nous allons maintenant nous in-
téresser à la “durée du jeu”, c’est-à-dire le nombre d’étapes nécessaires avant
que le joueur atteigne un état absorbant (ruine 0 ou succès N ).
— Utilisez la même méthode que dans la partie précédente pour simuler plu-
sieurs trajectoires de la chaı̂ne de Markov, mais cette fois-ci en enregistrant
la “durée du jeu”, c’est-à-dire le nombre d’étapes avant d’atteindre un état
absorbant (ruine ou succès).
— Simulez plusieurs trajectoires et calculez la “’durée moyenne” du jeu.
— Comparez la durée moyenne simulée avec les valeurs théoriques.