École des Mines de Nancy Denis Villemonais, [email protected] Année 2015-2016 FICM 1A – Probabilités TD 6. Indépendance de variables aléatoires Corrigé Exercice 1. (*) Soient A1 , A2 , . . . , An des événements d’un espace de probabilités (Ω, F, P) et X1 , . . . , Xn les variables aléatoires à valeurs dans {0, 1}, définies par ( 1 si ω ∈ Ai Xi (ω) = 1Ai (ω) = 0 sinon. Montrer que les événements A1 , . . . , An sont indépendants si et seulement si les variables aléatoires X1 , . . . , Xn sont indépendantes. Solution. Pour toute suite x1 , . . . , xn ∈ {0, 1}, (x ) n) P(X1 = x1 , . . . , Xn = xn ) = P(A1 1 , . . . , A(x n ), (1) (0) où A1 = A1 et A1 = Ac1 . Or, d’après l’exercice 5 du TD 1, nous savons que les événements (x ) (x ) A1 , . . . , An sont indépendants si et seulement si les événements A1 1 , . . . , An n sont indépendants pour toute suit x1 , . . . , xn ∈ {0, 1}, c’est-à-dire si et seulement si, pour toute suit x1 , . . . , xn ∈ {0, 1}, P(X1 = x1 , . . . , Xn = xn ) = n Y (xi ) P(Ai ), i=1 c’est-à-dire si et seulement si, pour toute suit x1 , . . . , xn ∈ {0, 1}, P(X1 = x1 , . . . , Xn = xn ) = n Y P(Xi = xi ). i=1 Les variables aléatoires X1 , . . . , Xn étant discrètes à valeurs dans {0, 1}, nous en déduisons que cette dernière relation est vérifiée pour toute suit x1 , . . . , xn ∈ {0, 1} si et seulement si les variables aléatoires X1 , . . . , Xn sont indépendantes. En définitive, les événements A1 , . . . , An sont indépendants si et seulement si les variables aléatoires X1 , . . . , Xn sont indépendantes. Exercice 2. Soient X et Y deux variables aléatoires exponentielles indépendantes de paramètres respectifs λX > 0 et λY > 0. 1. Donner la loi du couple (X, Y ). 2. Donner la loi de T = inf(X, Y ). 1 Solution. 1. X et Y étant indépendantes, la loi du couple (X, Y ) est P(X,Y ) = PX ⊗ PY . Comme PX et PY ont pour densité respectives fX (x) = 1x≥0 e−x/λX /λX et fY (y) = 1y≥0 e−y/λY /λY , on en déduit que P(X,Y ) est une loi absolument continue, de densité f(X,Y )(x,y) = fX (x)fY (y) = 1x≥0, y≥0 e−x/λX −y/λY . λX λY 2. Calculons la fonction de répartition FT de T . On a, par indépendance de X et Y , pour tout t ≥ 0, FT (t) := P(T ≤ t) = P(X ≤ t ou Y ≤ t) = 1 − P(X > t et Y > t) = 1 − e−t/λX e−t/λY = 1 − e−(1/λX +1/λY )t . On en déduit que T est une v.a. exponentielle de paramètre 1/(1/λX + 1/λY ) = λX λY . λX + λY Exercice 3. Soient X1 , . . . , Xn des variables aléatoires mutuellement indépendantes telles que, pour tout i ∈ {1, . . . , n}, Xi est de loi gaussienne de moyenne mi ∈ R et de variance σi2 ≥ 0. Montrer que, pour toute famille a1 , . . . , an ∈ R, la variable aléatoire Y = a1 X 1 + · · · + an X n est une variable aléatoire gaussienne, dont on donnera la moyenne et la variance. Solution. Nous allons calculer la fonction caractéristique de Y , notée ϕY , et reconnaître la fonction caractéristique d’une loi gaussienne, ce qui nous permettra de conclure. Pour tout u ∈ R, nous avons, par indépendance mutuelle des variables aléatoires X1 , . . . , Xn puis d’après l’expression de la fonction caractéristique d’une variable aléatoire gaussienne réelle, ϕY (u) = E ei(ua1 X1 +···+uan Xn ) n Y = E eiuai Xi i=1 = n Y 2 2 a2 /2 i eiuai mi −σi u i=1 2 a2 u2 /2 iu(a1 m1 +···+an mn )+σ12 a21 +···+σn n =e . On reconnaît l’expression de la fonction caractéristique d’une loi normale de moyenne a1 m1 + · · · + an mn et de variance σ12 a21 + · · · + σn2 a2n . Étant donné que la fonction caractéristique d’une variable aléatoire caractérise sa loi, nous en déduisons que Y est de loi N (a1 m1 + · · · + an mn , σ12 a21 + · · · + σn2 a2n ) 2 Exercice 4. Soit (X, Y ) un vecteur aléatoire de loi absolument continue dont la densité f est donnée sur R2 par √ 3 1 2 2 exp − (4x + 2xy + y ) , ∀(x, y) ∈ R2 . f (x, y) = 2π 2 1. Déterminer la loi de X et celle de Y . Aide : On se souviendra avec profit que, pour tout m ∈ R et tout σ > 0, (x−m)2 1 √ e− 2σ2 , 2πσ est la densité d’une variable d’une loi gaussienne N (m, σ). 2. Les variables aléatoires réelles X et Y sont-elles indépendantes ? Solution. 1. Le couple (X, Y ) admettant f comme densité, X admet pour densité la fonction fX définie sur R par Z Z √ 1 3 2 2 exp − (4x + 2xy + y ) dλ1 (y). fX (x) = f (x, y)λ1 (dy) = 2 R R 2π Donc, pour tout x ∈ R, √ Z 3 1 3x2 2 fX (x) = exp − (y + x) − dλ1 (y) 2π R 2 2 √ Z 1 3 − 3x2 2 e 2 exp − (y + x) dλ1 (y). = 2π 2 R D’après l’aide, la fonction y ∈ R 7→ √12π exp − 21 (y + x)2 est la densité d’une loi N (−x, 1) donc son intégrale sur R vaut 1, donc √ 3x2 3 fX (x) = √ e− 2 . 2π Par conséquent, X admet pour densité la fonction fX définie sur R par √ 3x2 3 ∀x ∈ R, fX (x) = √ e− 2 . 2π Remarquons que la v.a. X suit une loi gaussienne centrée de variance 1/3. Le calcul de la loi de Y est analogue. Le couple (X, Y ) admettant f comme densité, Y admet pour densité la fonction fY définie sur R par Z fY (y) = f (x, y) dλ1 (x) R Z √ 3 1 2 2 exp − (4x + 2xy + y ) dλ1 (x) = 2 R 2π √ Z 3 4 y 2 3y 2 exp − (x + ) − dλ1 (x) = 2π R 2 4 8 √ Z 3 − 3y2 4 y 2 8 = e exp − (x + ) dλ1 (x) 2π 2 4 R 3 D’après l’aide, la fonction x ∈ R 7→ √22π exp − 42 (x + y4 )2 est la densité sur R d’une loi gaussienne N (−y/4, 1/2) donc son intégrale vaut 1. Par conséquent, Y admet pour densité la fonction fY définie sur R par √ 3y 2 3 fY (y) = √ e− 8 , ∀y ∈ R. 2 2π Remarquons que la v.a. Y suit une loi gaussienne centrée de variance 4/3. 2. Remarquons que f (0, 0) 6= fX (0)fY (0) mais que cela ne suffit pas pour conclure sur l’indépendance ou non des variables X et Y . La fonction f et la fonction (x, y) 7→ fX (x)fY (y), étant continues sur R2 et non égales en (0, 0), on peut trouver ε > 0 tel que f (x, y) 6= fX (x)fY (y), ∀(x, y) ∈] − ε, ε[2 . Étant donné que λ2 (] − ε, ε[2 ) = 4ε2 > 0, les variables aléatoires X et Y ne sont pas indépendantes. car le produit tensoriel fX ⊗ fY de leur densité diffère de f la densité du couple sur un ensemble non négligeable pour la mesure λ2 . Exercice 5. Soient X et Y deux v.a. indépendantes de loi uniforme sur [0, 1]. On pose U = inf(X, Y ) et V = sup(X, Y ). 1. Calculer la loi de X + Y . 2. (a) Calculer la fonction de répartition de V et en déduire que cette v.a. admet une densité que l’on explicitera. (b) Même question pour la variable U . 3. Montrer que T = U/V suit une loi uniforme sur [0, 1]. Aide : On pourra montrer que, pour tout t ∈]0, 1[, P({U ≤ tV } ∩ {X ≤ Y }) = P(X ≤ tY ). Solution. 1. Les variables aléatoires X et Y étant indépendantes, de lois absolument continues de densités respectives fX (x) = 1[0,1] (x) et fY (x) = 1[0,1] (x), ∀x ∈ R, la variable aléatoire X + Y est également absolument continue, de densité Z fX+Y (x) = fX ∗ fY (x) = fX (x − t)fY (t)dλ1 (t) R Z = 1x−t∈[0,1] 1t∈[0,1] dλ1 (t) ZR = 1t∈[x−1,x] 1t∈[0,1] dλ1 (t) R = λ1 ([x − 1, x] ∩ [0, 1]). 4 Ainsi, x si x ∈ [0, 1] fX+Y (x) = 2 − x si x ∈ [1, 2] 0 sinon. 2. (a) Calculons la fonction de répartition FV de V = sup(X, Y ). Soit t ∈ R. Par définition du sup, FV (t) := P(V ≤ t) = P(X ≤ t et Y ≤ t) = P({X ≤ t} ∩ {Y ≤ t}. Alors par indépendance de X et de Y , FV (t) = P(X ≤ t) × P(Y ≤ t) = FX (t)FY (t), où FX (respectivement FY ) désigne la fonction de répartition de X (respectivement Y .) Rappelons qu’ici 0 si t < 0 FX (t) = FY (t) = t si 0 ≤ t ≤ 1 1 si 1 < t. Par conséquent, 0 si t < 0 FV (t) = t2 si 0 ≤ t ≤ 1 1 si 1 < t. La fonction FV est continue sur R et est C 1 sauf peut-être en 0 et en 1. On en déduit (Proposition 3.34 p.63) que V est de loi absolument continue. Par ailleurs, pour tout v ∈ R \ {0, 1}, FV0 (t) = 2v1]0,1[ (v). Par conséquent, la variable aléatoire réelle V admet pour densité la fonction fV définie sur R par fV (v) = 2v1]0,1[ (v). (b) Calculons la fonction de répartition FU de U = inf(X, Y ). Soit t ∈ R. Alors FU (t) = P(U ≤ t) = 1 − P(U > t) = 1 − P(X > t et Y > t) = 1 − P({X > t} ∩ {Y > t}) par définition de inf. Par indépendance de X et de Y , FU (t) = 1 − P(X > t) × P(Y > t) = 1 − (1 − FX (t))2 car P(X > t) = 1 − P(X ≤ t) = 1 − FX (t) et P(Y > t) = 1 − P(Y ≤ t) = 1 − FY (t) = 1 − FX (t). 5 Par conséquent, 0 si t < 0 FU (t) = 1 − (1 − t)2 si 0 ≤ t ≤ 1 1 si 1 < t. La fonction FU est continue sur R et est C 1 sauf peut-être en 0 et en 1. Par ailleurs, pour tout u ∈ R \ {0, 1}, par FU0 (u) = 2(1 − u)1]0,1[ (u). Par conséquent, la variable aléatoire réelle U admet pour densité la fonction fU définie sur R par fU (u) = 2(1 − u)1]0,1[ (u). 3. Posons T = U . V Remarquons que T est définie presque sûrement car Z P(V = 0) = fV (v)λ1 (dv) = 0. {0} Calculons FT la fonction de répartition de T . On peut tout d’abord remarquer que 0 < T ≤ 1 presque sûrement car 0 < U ≤ V presque sûrement. Par conséquent, ( 0 si t < 0 FT (t) := P(T ≤ t) = 1 si t > 1. Fixons t ∈]0, 1[. Alors, U FT (t) = P ≤ t = P (U ≤ tV ) V car V > 0 presque sûrement. Par conséquent, FT (t) = P({U ≤ tV } ∩ {X ≤ Y }) + P({U ≤ tV } ∩ {X > Y }) = P({X ≤ tY } ∩ {X ≤ Y }) + P({Y ≤ tX} ∩ {X > Y }) = P({X ≤ tY }) + P({Y ≤ tX}). car 0 < t < 1, X > 0 presque sûrement et Y > 0 presque sûrement (en effet, on a alors tY < Y presque sûrement et tX < X presque sûrement). Enfin, les v.a. X et Y étant indépendantes de loi uniforme sur [0, 1], le couple (X, Y ) admet pour densité la fonction f(X,Y ) définie par f(X,Y ) (x, y) = 1[0,1] (x) 1[0,1] (y) et donc Z FT (t) = Z 1x≤ty dλ2 (x, y) + [0,1]2 1y≤tx dλ2 (x, y). [0,1]2 En utilisant le théorème de Fubini-Tonelli, on obtient FT (t) = t, ∀t ∈ [0, 1]. Par conséquent, FT est la fonction de répartition d’une variable aléatoire de loi uniforme sur [0, 1]. Par suite, T suit une loi uniforme sur [0, 1]. 6 Exercice 6. Soit (Xn )n∈N une suite de variables aléatoires indépendantes de même loi, de fonction caractéristique ϕ. Soit Y une variable aléatoire réelle de loi P(λ), où λ > 0. Nous supposons que les variables aléatoires Y et Xn , n ∈ N, sont mutuellement indépendantes. Posons Y X Z= Xn , n=1 avec la convention P0 n=1 Xn = 0 (on admettra que Z est mesurable). 1. Déterminer la fonction caractéristique de Z. 2. Supposons que, pour tout n ≥ 0, Xn admet des moments de tout ordre (c’est-à-dire que X p est intégrable pour tout p ∈ N). (a) Soit p ∈ N. Est-ce que Z admet un moment d’ordre p ? (b) Déterminer, si elle existe, la variance de Z, c’est-à-dire Var(Z) = E(Z 2 ) − E(Z)2 . Solution. 1. Notons ϕZ la fonction caractéristique de Z. Fixons t ∈ R. Alors, PY itZ it n=0 Xn . ϕZ (t) = E e =E e Nous ne pouvons pas utiliser directement l’indépendance des Xn car le nombre de termes dans la somme (qui définit Z) est aléatoire. Nous allons utiliser le fait que X 1Y =p = 1 presque sûrement p∈N et que, pour p fixé, si Y (ω) = p, alors Z(ω) = ∞ X ϕZ (t) = E Pp n=1 eit Pp Xn (ω) (nombre de termes fixe). Ainsi, ! n=1 Xn 1Y =p . p=0 Nous échangeons à présent somme et espérance, cela est possible d’après le théorème de Fubini, car ! ! ∞ ∞ X X Pp it n=1 Xn E 1Y =p = E 1Y =p = 1 < ∞. e p=0 p=0 Par conséquent, ϕZ (t) = ∞ X Pp E eit n=1 Xn 1Y =p . p=0 En utilisant l’indépendance des Y et Xn , n ∈ N, on obtient, pour tout p ∈ N∗ p Pp Y E eit n=1 Xn 1Y =p = P (Y = p) E eitXn = P(Y = p)ϕ(t)p , n=1 car ϕ est la fonction caractéristique de Xn , n ∈ N. Cette relation est également vraie pour p = 0 étant donnée la convention adoptée dans l’énoncé, donc ϕZ (t) = ∞ X p=0 7 P(Y = p)ϕ(t)p Par conséquent, ϕZ (t) = ∞ X e−λ λp p=0 p! ϕ(t)p = eλ(ϕ(t)−1) , ∀t ∈ R. 2. Supposons que X0 admet des moments de tout ordre. (a) Soit p ∈ N. La variable X0 admettant des moments de tout ordre, on en déduit que ϕ, et par conséquent ϕZ est de classe C ∞ . Par conséquent, Z admet un moment d’ordre p (Proposition 8.13 pour p pair, puis pour tout p impair par l’inclusion Lp ⊂ Lp−1 ). De plus, par la proposition 8.19, E (Z p ) = (b) On a ϕ0Z = λϕ0 ϕZ et 1 (p) ϕ (0). ip Z 2 ϕ00Z = λϕ00 ϕZ + (λϕ0 ) ϕZ . Par conséquent, E(Z) = −iϕ0Z (0) = −iλϕ0 (0)ϕZ (0) = λE(X0 ). De plus, 2 E(Z 2 ) = −λϕ00 (0)ϕZ (0) − (λϕ0 (0)) ϕZ (0) = λE(X02 ) − (−iλE(X0 ))2 = λE(X02 ) + λ2 E(X0 )2 . En définitive, VarZ = λE(X02 ) + λ2 E(X0 )2 − λ2 E(X0 )2 = λE(X02 ). Exercice 7. (*) Soit (Yn )n∈N une suite de variables aléatoires à valeurs dans N, indépendantes et de même loi. 1. Montrer que ∞ X P(Yn ≥ n) = E(Y0 ) + 1. n=0 2. En déduire que la suite (Yn /n)n∈N est bornée par 1 à partir d’un certain rang avec probabilité 1 si et seulement si E(Y0 ) < ∞. Aide : on pourra définir les événements An = {Yn /n ≥ 1}, ∀n ∈ N. 3. Soit c > 0. Montrer que la suite (Yn /n)n∈N est bornée par c à partir d’un certain rang avec probabilité 1 si et seulement si E(Y0 ) < ∞. Aide : on pourra s’intéreeser à la suite de variables aléatoire indépendantes et de même loi (bYn /c + 1c/n)n∈N . 4. Montrer que la suite (Yn /n)n∈N tend vers 0 presque sûrement si et seulement si elle est bornée à partir d’un certain rang avec probabilité 1. 8 Démonstration. 1. Étant donné que les variables aléatoires Y0 , . . . , Yn , . . . ont même loi, nous avons P(Yn ≥ n) = P(Y0 ≥ n), pour tout n ∈ N. Or ∞ X P(Y0 ≥ n) = n=0 = = ∞ X ∞ X n=0 k=n ∞ X k X P(Y0 = k) P(Y0 = k) par Th. de Fubini (termes positifs) k=0 n=0 ∞ X (k + 1)P(Y0 = k) = E(Y0 + 1) = E(Y0 ) + 1, k=0 d’après le théorème du transport (que l’on peut appliquer, car Y0 est positive presque sûrement) et par linéarité de l’espérance. En définitive, ∞ X P(Yn ≥ n) = E(Y0 ) + 1. n=0 2. Pour tout n ∈ N, posons An = {Yn /n ≥ 1}. Les variables aléatoires Y1 , . . . , Yn , . . . étant indépendantes, les événements A1 , . . . , An , . . . sont indépendantes. Or, d’après la question précédente, ∞ X P(An ) < ∞ ⇐⇒ E(Y0 ) < ∞. n=0 Donc, d’après le lemme de Borel-Cantelli, un nombre fini d’événements An est réalisé avec probabilité 1 si et seulement si E(Y0 ) < ∞. En d’autres termes, Yn /n ≥ 1 est faux après un certain rang avec probabilité 1 si et seulement si E(Y0 ) < ∞. Ceci nous permet de conclure que la suite (Yn /n)n∈N est bornée par 1 à partir d’un certain rang avec probabilité 1 si et seulement si E(Y0 ) < ∞. Remarquons que, en utilisant la même démarche, on montre que, si E(Y0 ) = ∞, alors la suite (Yn /n)n∈N n’est pas bornée par 1 à partir d’un certain rang avec probabilité 1. 3. En appliquant le résultat de la question précédente à la suite de variables aléatoires indépendantes et de même loi (bYn /c+1c)n∈N , nous déduisons que la suite (bYn /c+1c/n)n∈N est bornée par 1 à partir d’un certain rang avec probabilité 1 si et seulement si E(bY0 /c + 1c) < ∞. Or, par croissance et linéarité de l’intégrale, E(bY0 /c + 1c) ≤ E(Y0 )/c + 1 ≤ E(bY0 /c + 1c) + 1, donc E(bY0 /c + 1c) < ∞ ⇐⇒ E(Y0 ) < ∞. Nous avons donc obtenu que la suite (bYn /c + 1c/n)n∈N est bornée par 1 à partir d’un certain rang avec probabilité 1 si et seulement si E(Y0 ) < ∞. Or, pour tout y ∈ N, by/c + 1c/n ≤ 1 ⇐⇒ y/c + 1 ≤ n + 1 ⇐⇒ y/n ≤ c. En conséquence, nous avons montré que la suite (Yn /n)n∈N est bornée par c à partir d’un certain rang avec probabilité 1 si et seulement si E(Y0 ) < ∞. 9 4. Si la suite (Yn /n)n∈N tend vers 0 presque sûrement, alors, pour tout ε > 0, elle est bornée par ε à partir d’un certain rang avec probabilité 1, donc elle est bornée à partir d’un certain rang avec probabilité 1. Réciproquement, supposons que la suite (Yn /n)n∈N est bornée à partir d’un certain rang avec probabilité 1. Alors il existe c > 0 telle que (Yn /n)n∈N est bornée par c à partir d’un certain rang avec probabilité 1. On en déduit, d’après la question précédente, que E(Y0 ) < ∞. Donc, pour tout ε > 0, la suite (Yn /n)n∈N est bornée par ε > 0 à partir d’un certain rang avec probabilité 1. Autrement dit, la suite (Yn /n)n∈N converge vers 0 avec probabilité 1. 10