Université de Haute-Alsace Jeudi 27 mai 2010 Master de Mathématiques Durée 3 heures Examen de probabilité Exercice 1 Etudier la convergence en loi, quand n tend vers l’infini, des trois suites de probabilités sur R : δ , où (an ) est une suite quelconque de réels a) µn = n1 δan + n−1 n 0 b) νn = U0,n c) ρn = N (mn , σn2 ) , où (mn ) est une suite convergeant vers un réel m et (σn ) est une suite de réels strictement positifs convergeant vers 0. Solution a) Si f est une application continue et bornée de R dans R Z 1 n−1 f dµn = f (an ) + f (0), n n expression qui converge vers f (0), ce qui prouve que la suite (µn ) converge en loi vers la mesure de Dirac en 0. b) La fonction caractéristique ϕn de νn est donnée par Z Z 1 n itx itx e dx. ϕn (t) = e dνn (x) = n 0 1 On a ϕn (0) = 1 ; et pour t 6= 0 ϕn (t) = itn (eit − 1), qui converge vers 0. La suite (ϕn ) convergeant vers une application non continue, la suite (νn ) ne peut converger en loi. c) Si f est une application continue et bornée de R dans R R R R R 2 y2 n) z2 √1 f dρn = σ √1 2π f (x) exp(− (x−m f (σ z+m ) exp(− )dx = σ √1 2π f (y+mn ) exp(− 2σ )dz. n n 2 )dy = 2σ 2 2 2π n n n n R R 2 Le théorème de convergence dominée montre que la suite ( f dρn ) converge vers √12π f (m) exp(− z2 )dz = f (m), ce qui prouve que la suite (µn ) converge en loi vers la mesure de Dirac en m. Exercice 2 Soit (Xn )n≥1 une suite indépendante de variables aléatoires réelles, à valeurs dans l’intervalle [0, 1], définies sur un espace probabilisé (Ω, F, P ), ces variables ayant toutes pour densité l’application h(x) = 2x1[0,1] . Pour tout entier n ≥ 1 on pose Un = max(X1 , ..., Xn ) et Wn = n(1 − Un ). a) Montrer que la variable Un admet pour densité sur R l’application x → gn (x) = 2nx2n−1 1[0,1] (x). b) Calculer EUn , V Un et lim V Un . n→+∞ c) Prouver que la suite (Un )n≥1 converge en probabilité vers la variable constante égale à 1. d) Montrer que pour tout réel y ≥ 0 on a lim 1[0,n] (y)(1 − ny )2n+1 = e−2y . n→+∞ e) Montrer que la suite (Wn )n≥1 converge en loi vers la loi exponentielle E2 . 1 Solution a) Soit Fn la fonction de répartition de Un . La variable Un étant à valeurs dans [0, 1], on a - si t < 0 Fn (t) = P (Un ≤ t) = 0 - si t ≥ 1 Fn (t) = P (Un ≤ t) = 1 - si 0 ≤ t ≤ 1 Z t Fn (t) = P (Un ≤ t) = P (max(X1 , ..., Xn ) ≤ t) = P (X1 ≤ t, ..., Xn ≤ t) = (2 xdx)n = t2n . 0 ∞ c On constate que l’application Fn est continue, et C sur {0, 1} . On en déduit que la variable Un admet pour densité l’application gn (x) = 2nx2n−1 1[0,1] (x). b) On a R1 2n - EUn = 2n 0 xx2n−1 dx = 2n + 1 R 1 2 2n−1 2n 2 - EUn = 2n 0 x x dx = +2 ³ 2n ´2n 2 2n n - V Un = − = . 2n + 2 2n + 1 (n + 1)(2n + 1)2 De façon évidente la suite (V Un ) tend vers 0. c) On a £ ¤2 E(Un − 1)2 = E Un − EUn ) + (EUn − 1) = V Un + (EUn − 1)2 . Puisque lim V Un = 0 et lim EUn = 1, la suite (Un ) converge vers 0 dans L2 ; elle converge donc vers 0 n→∞ n→∞ en probabilité. d) Pour n ≥ y 1[0,n] (y)(1 − ny )2n+1 = (1 − ny )2n+1 dont le logarithme est (2n + 1) ln(1 − ny ). L’application 1 ϕ(x) = ln(1 + x) ayant pour dérivée ϕ0 (x) = 1+x , l’expression (2n + 1) ln(1 − ϕ(− ny ) − ϕ(0) y y ) = − (2n + 1) n n − ny − 0 tend vers −2yϕ0 (0) = −2y. Il en résulte que lim 1[0,n] (y)(1 − ny )2n+1 = e−2y . n→∞ e) On sait que si une variable aléatoire X admet sur R une densité f , la variable Y = aX + b, a 6= 0, 1 admet la densité x → |a| f ( x−b ). La variable Wn = n(1 − Un ) = −nUn + n admet par conséquent pour a densité l’application R3x→ 1 x−n 2n y y gn ( )= (1 − )2n−1 1[0,n] (y)(1 − ). | − n| −n n n n La question précédente montre que 2n y y (1 − )2n−1 1[0,n] (y)(1 − ) = 2e−2y 1[0,+∞[ (y). n→∞ n n n lim Puisque la convergence ponctuelle des densités entraîne la convergence en loi, la suite (Wn ) converge en loi vers la loi exponentielle E2 . Exercice 3 On désigne par P l’ensemble des probabilités µ sur R vérifiant Z Z 2 x dµ(x) = 1 et xdµ(x) = 0. R R Soit T l’application qui à un élément µ de P associe la probabilité T µ définie de la façon suivante : si X et Y sont des variable aléatoires réelles indépendante de loi commune µ ∈ P, T µ est la loi de la √ . variable X+Y 2 2 a) Montrer que l’image de T est contenue dans P. b) Montrer que si (Xi ), i ∈ [1..2m ], est une suite indépendante de variables aléatoires de loi µ ∈ P, la m P m probabilité T m µ est la loi de la variable 2− 2 2i=1 Xi . c) Montrer que pour tout élément µ ∈ P la suite (T m µ) converge en loi vers la loi γ = N (0, 1). d) Monter que la loi γ est le seul élément de P invariant par T . e) Soit (Xn )n≥1 une suite indépendante de variables aléatoires réelles de même loi µ ∈ P. On suppose que 2 la variable X1√+X a même loi que la variable X1 . Montrer que les variables Xn suivent une loi normale. 2 Solution a) si¡ X et¢ Y sont des variable aléatoires réelles indépendante de loi commune µ ∈ P √ √ - E X+Y = EX+EY =0 2 ¢ 2 ¡ X+Y V X+V Y =1 - V √2 = 2 ce qui prouve que T est une application de P dans P. b) Montrons la propriété par récurrence. Par hypothèse la propriété est vraie pour m = 1. ¡ ¢ Supposons la vérifiée pour un entier m. Par définition de T , T m+1 (µ) = T T m (µ) est la loi d’une √ , où X et Y sont des variable aléatoires réelles indépendante de loi commune T m (µ). somme X+Y 2 Soit (Xi ), i ∈ [1..2m+1 ], une suite indépendante de variables aléatoires de loi µ ∈ P. Par hypothèse de m P m+1 m P m récurrence, T m (µ) est la loi de la variable X = 2− 2 2i=1 Xi . La variable Y = 2− 2 ¡2i=2m +1 ¢Xi possède la même loi que X, et le couple (X, Y ) = est indépendant. Par définition T m+1 (µ) = T T m (µ) est la loi de la variable m+1 m P2m m P2m+1 2X 2− 2 i=1 Xi + 2− 2 i=2 X +Y m +1 Xi − m+1 √ √ Xi . = =2 2 2 2 i=1 c) Soit (Xn )n≥1 une suite indépendante de variables aléatoires réelles de même loi µ ∈ P. La question m P m précédente a montré que la probabilité T m (µ) est la loi de la variable 2− 2 2i=1 Xi . La variance de la Pm m P m somme 2i=1 Xi étant 2m , le théorème limite central entraîne la convergence en loi de la suite 2− 2 2i=1 Xi vers la loi normale N (0, 1). d) Si µ est élément de P invariant par T , on a pour tout m ≥ 1 T m (µ) = µ. La question précédente montre immédiatement que µ = N (0, 1). e) L’hypothèse se traduit par T (µ) = µ, autrement dit que µ est élément de P invariant par T . Exercice 4 Soit (Ω, F, P ) un espace probabilisé et (Xn )n≥1 une suite indépendante de variable aléatoires de carré intégrable. On suppose qu’il existe une P constante A ∈ R telle que pour tout n ≥ 1, V (Xn ) ≤ A. Pour chaque entier n ≥ 1, on pose Sn = n1 ni=1 (Xi − E(Xi )). a) Soit δ > 0, Montrer que P (|Sn | ≥ δ) ≤ nδA2 . P 1 b) Soit ϕ : N∗ → N∗ une application strictement croissante telle que n≥1 ϕ(n) < +∞. Montrer que pour tout δ > 0 il existe une partie Ωδ de probabilité 1 telle que pour tout ω ∈ Ωδ , l’ensemble des ¯ mesurable ¯ entiers n ≥ 1 pour lesquels ¯Sϕ(n) (ω)¯ ≥ δ est fini. En déduire que la sous suite (Sϕ(n) )n≥1 converge presque sûrement vers 0. Solution a) Par l’inégalité de Bienaymé-Tchebychev n 1 1 X V (Xi − E(Xi ))/δ 2 ≤ 2 nA/δ 2 = A/nδ 2 . P (|Sn | ≥ δ) ≤ V (Sn )/δ = 2 n i=1 n 2 3 b) Puisque P (|Sϕ(n) | ≥ δ) ≤ on a X A , ϕ(n)δ 2 P (|Sϕ(n) | ≥ δ) < ∞. n≥∞ Posons An = {|Sϕ(n) | ≥ δ} ; le lemme de Borel-Cantelli implique l’égalité P (limAn ) = 0. L’événement Ωδ = (limAn )c est de probabilité égale à 1. Comme limAn = {ω ∈ Ω ∀n ≥ 1 ∃p ≥ n ω ∈ Ap }, on a Ωδ = {ω ∈ Ω ∃n ≥ 1 ∀p ≥ n ω 6= Ap }, ¯ ¯ ce qui entraîne que l’ensemble des entiers n ≥ 1 pour lesquels ¯Sϕ(n) (ω)¯ ≥ δ est fini. On a donc montré que ∀δ > 0 ∀ω ∈ Ωδ ∃n ≥ 1 ∀p ≥ n |Sϕ(p) (ω)| < δ, ce qui signifie que la suite (Sϕ(n) )n≥1 converge vers 0 sur l’ensemble Ωδ , donc presque sûrement. Exercice 5 X On considère le modèle statistique (Ω, F, (P0 , P1 )) → (]0, +∞[, (Q0 , Q1 )), avec (P0 )X = Q0 = f m et (P1 )X = Q1 = gm, où m désigne la restriction à ]0, +∞[ de la mesure de Lebesgue, f et g les applications de ]0, +∞[ dans ]0, +∞[ définies par f (x) = e−x et g(x) = 2e−2x . a) Montrer que pour tout réel k ≥ 0 l’ensemble {kf = g} est fini. b) Donner explicitement un test ϕ de Neyman-Pearson de taille 0, 1 de H0 : la loi suivie est Q0 contre H1 : la loi suivie est Q1 . Déterminer la puissance de ce test. c) On pose a = ln(10), et on considère le test déterministe de H0 contre H1 de région de rejet l’intervalle I = [a, +∞[, i.e. le test ψ = 1I . Déterminer la taille et la puissance de ce test. d) Comparer les puissances des tests ϕ et ψ . Pourquoi pouvait-on prévoir le résultat ? Solution a) L’ensemble {kf = g} = {x > 0 : ke−x = 2e−2x } = {x > 0 : e−x = k/2} est de cardinal 0 ou 1. b) La question a) montre qu’il existe un test déterministe ϕ de H0 contre H1 , de région de rejet de la forme {kf ≤ g}, i.e. ϕ = 1{kf ≤g} . Ce test est de taille 0, 1 si Q0 ({kf ≤ g}) = 0, 1. Comme {kf ≤ g} = {x > 0 : k/2 ≤ e−x } = {x > 0 : ln(k/2) ≤ −x} = {x > 0 : x ≤ ln(2/k)}, ce qui suppose que 0 < k < 2, la région de rejet est de la forme ]0, K], avec K = ln(2/k). Le réel Kest déterminé par Z K 0, 1 = Q0 (]0, K]) = e−x dx = 1 − e−K , 0 soit K = − ln(0, 9). La région de rejet de H0 est l’intervalle ]0, − ln(0, 9)], et ϕ = 1]0,− ln(0,9)] La valeur correspondante de k est donnée par ln(2/k) = − ln(0, 9), soit k = 2 × 0, 9 = 0, 18. La puissance du test s’écrit Z Z K ϕdQ1 = Q1 (]0, K]) = 2e−2x dx = 1 − e2 ln(0,9) = 1 − 0, 92 = 0, 09. ]0,+∞[ 0 4 c) La taille du test ψ est Z Z +∞ ψdQ0 = Q0 ([a, +∞[) = ]0,+∞[ e−x dx = e− ln(10) = 0, 1. ln(10) d) La puissance du test ψ est Z Z ψdQ1 = Q1 ([a, +∞[) = ]0,+∞[ +∞ 2e−2x dx = e−2 ln(10) = 0, 01. ln(10) La puissance du test ψ est inférieure à celle du test ϕ, ce qui est conforme au fait que le test ϕ est un test de Neyman-Pearson, donc un test UPP au seuil 0, 1. Loi δa a ∈ R B(n, p) n ∈ N∗ p ∈ [0, 1] Pλ λ > 0 Gp 0 < p < 1 Gp∗ 0 < p < 1 Loi Ua,b a < b Eλ λ > 0 T r(a) a > 0 N (m, σ 2 ) m ∈ R, σ > 0 Support {a} [0..n] N N N∗ Support [a, b] [0, ∞ [ [−a, a] R Densité Cnk pk (1 − p)n−k e−λ λn /n! p(1 − p)n p(1 − p)n−1 Densité (b − a)−1 1[a,b] λe−λx 1[0,+∞[ 1 (1 − |x| ) a a (x−m)2 1 √ exp{− 2σ2 } σ 2π 5 Espérance a np λ (1 − p)/p 1/p Espérance (a + b)/2 λ−1 0 m Variance 0 np(1 − p) λ (1 − p)/p2 (1 − p)/p2 Variance (b − a)2 /12 λ−2 a2 6 2 σ