Correction
(1) 997×996×995×994×993
1000×999×998×997×996 =CC59975 1000
=AA55997 1000
. (2) CC235C3997
1000
= 3!997!995!5!
2!1!994!3!1000! = 60×997×996×995
1000×999×998×997×996 =A23AA53997C52 1000
(3) On note 00F00 l”ev´enement que le nouveau-n´e est un fille, 00M00– il est malade. P(M | F) = P(F|MP(F))P(M) =
(1/4)(1/4000) 0,47 .
(4)EZ =EX+EY = 0 + 0 = 0, commeXetY sont ind´ep. V arZ=V aX+V arY = 1 + 1 = 2,φZ(t) =e−2t2/2= e−t2.
(5) CommeX etY sont ind´ep. de mˆeme loie−t2 =φZ(t) =φX(t)φY(t) = (φX(t))2, doncφX(t) =±e−t2/2. On a toujoursφX(0) = 1 = +e−02/2. Supposons qu’il exsite un t0 tel que φX(t0) =−e−t20/2. Mais φX(t) ´etant continue, il se trouve untentre 0 ett0 tel queφX(t) = 0. Ceci est impossible car pour toutt∈R±e−t2/26= 0. D’o`u φX(t) = +e−t2/2 pour touttr´eel, et doncX est une variable Gaussienne et Y aussi (de param`etres 0 et 1).
(6) Pour tout s > 0 Yn → 0 en probabilit´e. En effet P(|Yn| > ) = P(Xn > ns) = R∞
ns3x−41{x≥1}dx = (−x−3)
∞
ns= (ns)−3→0 quandn→ ∞.
(7) P
n≥1P(|Yn|> ) =P
n≥1(ns)−3. Cette s´erie est convergente ssi s >1/3. Alors, sis > 1/3, par le lemme de Borel Cantelli P(S
N
T
n≥N{|Yn| < }) = 1 et donc Yn → 0 p.s. Si s ≤ 1/3, comme les v.a. Y1, Y2, . . . , sont ind´ependantes, les ´ev´enements {|Yn|> }, n = 1,2, . . ., le sont aussi, par le r´eciproque du lemme de Borel Cantelli P(T
N
S
n≥N{|Yn|> }) = 1. DoncYn6→0 p.s.
(8) On remarque EX1 = R
xfX1(x)dx < ∞, EX12 = R
x2fX1(x)dx < ∞. On a EYn = (EX1)n−s, V arYn = (V arX1)n−2s. Comme cette s´erie converge dans L2 ssi P
nEYn et P
nV arYn convergent, elle converge dans L2 ssi s >1. On peut en d´eduire la convergence dansL1, en probabilit´e et p.s. car c’est la s´erie de v.a. ind´ependantes.
(9) Par le lemme de Borel-Cantelli c’est le domaine o`uP
nP(Zn= 2)<∞, cadα >1. Comme la s´erieP
nn−2Xn converge p.s., alorsP
nVn converge p.s. dans ce domaine.
(10) Par le r´eciproque du lemme de Borel-Cantelli (les v.a. Z1, . . . ´etant ind´ependantes) c’est le domaine o`u P
nP(Zn= 2) =∞, cadα∈]0,1]. Comme la s´eriePVn de termes non-n´egatives contient p.s. une infinit´e de termes
´egales `a 1, cette s´erie diverge p.s.
(11)P(a < In < Sn < b) = (min(b,1)−max(a,0))n pour tout a < b, a, b∈R. En d´erivant par rapport `a b et ensuite par rapport `a (−a) on obtient la densit´e ´enonc´ee.
(12) On prend la fonction testg:R2→Rmesurable born´ee, Eg(Sn−In, In) =
Z
g(y−x, x)n(n−1)(y−x)n−21{x∈[0,1],y∈[0,1],y−x∈[0,1]}. Soity−x=z,x=t. Le Jacobien vaut 1. Alors
Eg(Sn−In, In) = Z
g(z, t)n(n−1)zn−21{t∈[0,1],z+t∈[0,1],z∈[0,1]}dzdt.
La densit´ef(Sn−In,In)(z, t) =n(n−1)zn−21{t∈[0,1],z+t∈[0,1],z∈[0,1]}. (13) Pour tout z ∈ [0,1] R
Rn(n−1)zn−21{t∈[0,1],z+t∈[0,1],z∈[0,1]}dt == R1−z
0 (n(n−1)zn−21{z∈[0,1]})dt = n(n− 1)(1−z)zn−2. La densit´e estn(n−1)(1−z)zn−21{z∈[0,1]}.
(14)P(Sn−In≤x) =Rx
0 n(n−1)(1−z)zn−2dz=nxn−1−(n−1)xn pourx∈[0,1]. Ceci vaut 0 pourx <0 et 1 pourx >1.
P(n(1−Sn +In) < x) = P(Sn −In > 1−x/n) = 0 si x < 0 et = 1 st x > n. Si x ∈ [0, n] ceci vaut 1−n(1−x/n)n−1+ (n−1)(1−x/n)n= 1−(1−x/n)n−1(n−(n−1)(1−x/n)) = 1−(1−x/n)n−1(1 +x−x/n) = 1−(1−x/n)n−x(1−x/n)n−1.
(15) Fn(1−Sn+In)(x) converge vers la fonction (1−(x+ 1)e−x)1{x≥0} Cette fontion est bien une fonction de r´epartition, car elle est croissante, continue sur R avec les limites 0 et 1 dans −∞ et +∞ respectivement. Donc 1−Sn+In converge en loi vers la loi de fonction de r´epartition (1−(x+ 1)e−x)1{x≥0}. Sa densit´exe−x1x>0
(16) Commef(x) = exp(−x) est continue et born´ee cette limite vautR
Re−xxe−x1x>0dx=|2x=s, dx=ds/2, x= s/2|==R∞
0 e−s(s/2)(1/2)ds= 1/4.
3
Pourλ <1,nλ(1−Sn+In) =nλ−1(n(1−Sn+In)) o`un(1−Sn+In) converge en loi etnλ−1converge vers 0, donc le produit (comme l’un des termes converge vers une constante) converge en loi vers 0. Pourλ >1,P(nλ(1−Sn+In)< x) ne converge pas vers une fonction de repartition. Donc il n’y a pas de convergence en loi.
(17) Soient ((Yn, Zn))n≥1 une suite de v.a. ind´ependantes `a valeurs dans R2 de mˆeme loi, EY1 = a, EZ1 = b, EY12<∞etEZ12<∞et la matrice de covariances 2×2 de (Y1, Z1) estD. Alors la suite (Y1+···+Yn n−na,Z1+···+Zn n−nb) converge en loi vers la loi du vecteur Gaussien dansR2dont le vecteur des esp´erances est 0 et la matrice de covariances estD.
(18) Ceci converge en loi vers √
Y2+Z2 o`u (Y, Z) est un vecteur Gaussien de matrice de covariance D avec d11 = σy, d22 = σz, d12 =d21 = cyz. En effet, par le Thm de la limite centrale vectoriel pour tout g : R2 → R mesurable born´ee Eg(√
n~Vn)→Eg(Y, Z). Notamment, sif :R2 →Rtelle quef(x, y) =p
x2+y2, h:R→R une fonction mesurable born´ee, alors h◦f est mesurable born´ee. On a donc
Eh(√
nkVnk) =Eh◦f(√
n~Vn)→Eh◦f(X, Y) =Eh(p
X2+Y2).
La fonction cos(y2+z2) ´etant continue born´ee, cette limite vaut (2π)−1(σxσy−c2yz)−1/2
Z Z
R2
cos(y2+z2) exp(−(y, z)D−1(y, z)T)dydz.
(19)G(Y1+···Yn n,Z1+···Zn n) =G(a, b) +∂G(a,b)∂y Y1+···+Yn n−na+∂G(a,b)∂z Z1+···+Zn n−nb+o(kVnk).
o(kVnk) =kVnk ×f(kVnk) o`uf(x) est une fonction telle que limx→0f(x) = 0 CommekVnk →0 p.s. par la loi de grands nombres, limn→∞f(kVnk) = 0 p.s.
Alors√
no(kVnk) =√
nkVnkf(kVnk) est le produit de deux fonctions, l’une convergente en loi, l’autre convergente p.s. (donc en loi) vers la constante 0, donc le produit converge en loi vers 0.
(20) On d´eduit de (19) que cette suite converge en loi vers la v.a. ∂G(a,b)∂y Y + ∂G(a,b)∂z Z o`u (Y, Z) est le vecteur Gaussien ci-dessus. C’est une v.a. Gaussienne d’esp´erance 0 et de varianceα2σx2+β2σy2+ 2αβcyz avec α= ∂G(a,b)∂y , β= ∂G(a,b)∂z .
(21) La limite p.s. (donc en proba et en loi) vautm1/m2par la loi de grands nombres.
(22) On a G(y, z) = y/z. Donc on a une v.a. Gaussienne d’esp´erace 0 et de variance (1/m2)2(m2−(m1)2) + (−m1/m22)2(m4−(m2)2) + 2(1/m2)(−m1/m22)(m3−m2m1).
4