Cette page contient 16 exercices.
Processus aléatoires : exercices corrigés de mathématiques de seconde année, pour les classes de MP, MPI, PC et PSI.
Exercice 1 — Un jeton et quatre cases
| (Oral Centrale 2018) Soit quatre cases numérotées de {1} à {4}. À l’étape {n=0}, un jeton est placé sur la case {1}. Si à l’étape {n}, il se trouve sur la case {k\in\{2,3,4\}}, il va en {k-1}; sinon, il va au hasard sur une des cases {2,3,4}. On note {X_{n}} la variable aléatoire donnant la case à la date {n} et {U_{n}} la colonne des {P(X_{n}=i)} pour {1\leq i\leq 4}.
|
-
La fonction positions(n) renvoie la liste des positions de l’étape {0} à l’étape {n}.
from random import * def positions(n): pos = 1 listpos = [1] for k in range(n): if pos > 1: pos -= 1 else: pos = randint(2,4) listpos.append(pos) return listposOn écrit ensuite une fonction trace(n) représentant la liste de ces positions :
import matplotlib.pyplot as plt def trace(n): listpos = positionsn) plt.clf() plt.plot(listpos,'o-') plt.show()Voici les tracés pour {n=10}, {n=50} et {n=100}:


On peut conjecturer que pour {n} « assez grand » : {\begin{array}{l}\mathbb{P}(X_n=4)\le \mathbb{P}(X_n=3)\\[6pts]\qquad\le \mathbb{P}(X_n=2)\le \mathbb{P}(X_n=1)\end{array}}On écrit frequences(d,n) donnant les fréquences pour {n} dates à partir de la date {d}.def frequences(d,n): listpos = positions(d+n-1)[d::] freqs = [0]*4 for k in range(n): freqs[listpos[k]-1] += 1 return [freqs[k]/n for k in range(4)]Voici quelques résultats obtenus avec cette fonction
>>> frequences(0,1000) [0.324, 0.323, 0.231, 0.122] >>> frequences(0,10000) [0.3353, 0.3352, 0.2211, 0.1084] >>> frequences(1000,10000) [0.3351, 0.3352, 0.2219, 0.1078]
On peut donc raisonnablement penser que: {\begin{array}{l}\displaystyle\lim_{n\to+\infty}\mathbb{P}(X_n=1)=\displaystyle\lim_{n\to+\infty}\mathbb{P}(X_n=2)=\dfrac{1}{3}\\\\\displaystyle\lim_{n\to+\infty}\mathbb{P}(X_n=3)=\dfrac{2}{9},\quad\displaystyle\lim_{n\to+\infty}\mathbb{P}(X_n=4)=\dfrac{1}{9}\end{array}}
-
Pour simplifier, on pose {U_n=(a_n,b_n,c_n,d_n)^{T}}.
Avec le système complet d’événements {(X_n=1),(X_n=2),(X_n=3),(X_n=4)} on trouve respectivement : {\begin{array}{l}\mathbb{P}(X_{n+1}\!=\!1)\!=\!\displaystyle\sum_{k\!=\!1}^{4}\mathbb{P}(X_{n}\!=\!k)\,\mathbb{P}_{(X_{n}\!=\!k)}(X_{n+1}\!=\!2)\\[12pts]\qquad\!=\!\mathbb{P}(X_{n}\!=\!2)\end{array}}
{\begin{array}{l}\mathbb{P}(X_{n+1}\!=\!2)\!=\!\displaystyle\sum_{k\!=\!1}^{4}\mathbb{P}(X_{n}\!=\!k)\,\mathbb{P}_{(X_{n}\!=\!k)}(X_{n+1}\!=\!2)\\[9pts]\qquad\!=\!\dfrac{1}{3}\mathbb{P}(X_{n}\!=\!1)+\mathbb{P}(X_{n}\!=\!3)\end{array}} {\begin{array}{l}\mathbb{P}(X_{n+1}\!=\!3)\!=\!\displaystyle\sum_{k\!=\!1}^{4}\mathbb{P}(X_{n}\!=\!k)\,\mathbb{P}_{(X_{n}\!=\!k)}(X_{n+1}\!=\!3)\\[9pts]\qquad\!=\!\dfrac{1}{3}\mathbb{P}(X_{n}\!=\!1)+\mathbb{P}(X_{n}\!=\!4)\end{array}} {\begin{array}{l}\mathbb{P}(X_{n+1}\!=\!4)\!=\!\displaystyle\sum_{k\!=\!1}^{4}\mathbb{P}(X_{n}\!=\!k)\,\mathbb{P}_{(X_{n}\!=\!k)}(X_{n+1}\!=\!3)\\[9pts]\qquad\!=\!\dfrac{1}{3}\mathbb{P}(X_{n}\!=\!1)\end{array}}Ces résultats se résument en l’égalité matricielle : {U_{n+1}=AU_{n}\text{\ avec\ }A=\dfrac{1}{3}\begin{pmatrix}0&3&0&0\\ 1&0&3&0\\ 1&0&0&3\\ 1&0&0&0 \end{pmatrix}}
-
On diagonalise {A}. On trouve :
{\begin{array}{rl}\chi_{A}(\lambda)&=\dfrac{1}{81}\begin{vmatrix}3\lambda&-3&0&0\\ -1&3\lambda&-3&0\\ -1&0&3\lambda&-3\\ -1&0&0&3\lambda\end{vmatrix}\\\\&=\lambda^4+\dfrac{1}{27}\begin{vmatrix}-1&-3&0\\-1&3\lambda&-3\\-1&0&3\lambda\end{vmatrix}\\\\&=\lambda^4+\dfrac{1}{27}(-9\lambda^2-9-9\lambda)\\\\&=\lambda^4-\dfrac{1}{3}(\lambda^2+\lambda+1)\end{array}}NB: on peut trouver {\chi_{A}} plus vite, car c’est le déterminant d’une matrice-compagnon.
On ne trouve pas mieux que la factorisation : {\chi_{A}(\lambda)=\dfrac{1}{3}(\lambda-1)(3\lambda^3+3\lambda^2+2\lambda+1)}Le fait que {\lambda=1} soit valeur propre n’est pas étonnant ({A} est stochastique).
La matrice {A-I_3=\dfrac{1}{3}\begin{pmatrix}-3&3&0&0\\ 1&-3&3&0\\ 1&0&-3&3\\ 1&0&0&-3 \end{pmatrix}} est de rang {3}, donc {E_A(1)} est une droite.
Un vecteur directeur de {E_A(1)} est {\varepsilon_1=(3,3,2,1)}.
On finit la diagonalisation de {A} avec Python :
>>> A = np.array([[0,3,0,0],[1,0,3,0] [1,0,0,3],[1,0,0,0]])/3 >>> [a,b,c,d] = np.linalg.eigvals(A); >>> np.round([a,b,c,d],5) array([ 1.+0.j, -0.71806+0.j, -0.14097+0.66659j, -0.14097-0.66659j]) >>> np.abs([a,b,c,d]); array([1., 0.71805717, 0.68133369, 0.68133369])
Il y a donc quatre valeurs propres distinctes :{\begin{array}{l}a=1,\quad b\approx -0.71806\\\\c\approx -0.14097+i\,0.66659,\quad d=\overline{c}\end{array}}Les valeurs propres {\lambda_2,\lambda_3,\lambda_4} vérifient {\left|\lambda_i\right|\lt 1} (habituel pour une matrice stochastique). Voici le calcul en Python d’une matrice de diagonalisation (l’ordre des valeurs propres reste le même) :
>>> P = np.linalg.eig(A)[1]; P array([[ 0.62554324+0.j , 0.75285378+0.j , 0.65750284+0.j , 0.65750284-0.j ], [ 0.62554324+0.j , -0.54059205+0.j , -0.09268911+0.43828503j , -0.09268911-0.43828503j], [ 0.41702883+0.j , 0.13722474+0.j , -0.49825765-0.12357132j , -0.49825765+0.12357132j], [ 0.20851441+0.j , -0.34948647+0.j , -0.06655608-0.3147137j , -0.06655608+0.3147137j ]])On vérifie que {P} est une matrice de passage vers une réduite diagonale {D} de {A}.
>>> D = np.linalg.inv(P).dot(A).dot(P); np.round(D,5) array([[ 1. -0.j , 0. + 0.j , 0. -0.j , 0. + 0.j ], [ 0. -0.j , -0.71806 + 0.j , -0. -0.j , -0. + 0.j ], [ 0. +0.j , 0. - 0.j , -0.14097 + 0.66659j , 0. +0.j ], [ 0. -0.j , 0. - 0.j , 0. +0.j , -0.14097 - 0.66659j]])Ainsi {A=PDP^{-1}} donc {A^n=PD^nP^{-1}}.
De plus {D^n=\begin{pmatrix}1&0&0&0\\0&b^n&0&0\\0&0&c^n&0\\ 0&0&0&d^n\end{pmatrix}}.
Donc {D^n} tend vers {\Delta=\begin{pmatrix}1&0&0&0\\0&0&0&0\\0&0&0&0\\ 0&0&0&0\end{pmatrix}}.
Posons {B=\displaystyle\lim_{n\to+\infty}A^n=P\Delta P^{-1}}.
On forme {\Delta} et on calcule {B} avec Python :
>>> Delta = np.diag([1,0,0,0]) >>> B = P.dot(Delta).dot(np.linalg.inv(P)) >>> np.real(B) # éliminer les parties imaginaires (nulles de toutes façons) array([[0.33333333, 0.33333333, 0.33333333, 0.33333333], [0.33333333, 0.33333333, 0.33333333, 0.33333333], [0.22222222, 0.22222222, 0.22222222, 0.22222222], [0.11111111, 0.11111111, 0.11111111, 0.11111111]])Ainsi {B=\displaystyle\lim_{n\to+\infty}A^n=\Big(\varepsilon_1\mid\varepsilon_1\mid\varepsilon_1\mid\varepsilon_1\Bigr)}.
Pour tout {n\in\mathbb{N}^*}, on a {U_{n}=AU_{n-1}}.
On en déduit l’égalité : {U_n=A^nU_0}.
Ainsi {\displaystyle\lim_{n\to+\infty}U_n=BU_0=B\begin{pmatrix}1\\0\\0\\0\end{pmatrix}=\dfrac{1}{9}\begin{pmatrix}3\\3\\2\\1\end{pmatrix}}.
Pour justifier de façon théorique les résultats numériques précédents, on peut avancer les explications suivantes :
- La suite {n\mapsto A^n} converge vers {B=P\Delta P^{-1}} qui est rang {1} (comme {\Delta}).
-
On a {\Delta^2=\Delta} donc {B^2=B}.
{B} est une matrice de projection sur une droite. -
On a {A\varepsilon_1=\varepsilon_1}, donc {A^n\varepsilon_1=\varepsilon_1}.
À la limite, on trouve : {B\varepsilon_1=\varepsilon_1}.
Les colonnes de la matrice de projection {B} sont donc colinéaires à {\varepsilon_1}.
Mais {A} est stochastique (suivant les colonnes).
Cela reste vrai pour les {A^n} donc pour {B}.
Les colonnes de {B} sont donc égales à {\varepsilon_1}.
-
La variable {Y_n(i)} mesure le nombre de fois où le jeton se trouve dans la case n°{i}, entre la date {0} et la date {n} (comprises). On pourrait réutiliser notre fonction fréquences, mais on va réécrire une fonction Y plus simple :
def Y(n): listpos = positions(n) y = [0]*4 for k in range(n): y[listpos[k]-1] += 1 return yVoici quelques exemples d’utilisation :
>>> Y(9) # de la date 0 à la date 9 [4, 4, 1, 1] >>> Y(99) # de la date 0 à la date 99 [34, 33, 22, 11] >>> Y(999) # de la date 0 à la date 999 [337, 336, 215, 112]
Expérimentalement, le résultat est donc le suivant :
{\begin{array}{ll}\displaystyle\lim_{n\to+\infty}\dfrac{Y_n(1)}{n}=\dfrac{1}{3},&\displaystyle\lim_{n\to+\infty}\dfrac{Y_n(2)}{n}=\dfrac{1}{3}\\\\\displaystyle\lim_{n\to+\infty}\dfrac{Y_n(3)}{n}=\dfrac{2}{9},&\displaystyle\lim_{n\to+\infty}\dfrac{Y_n(4)}{n}=\dfrac{1}{9}\end{array}}
Exercice 2 — Deux suites de tirages monocolores
| (Oral Mines-Ponts 2018) Dans une urne (proportion {p\in\,]0,1[} de boules blanches, et le reste en boules noires, on effectue des tirages successifs avec remise. On note {X_1,X_2} les longueurs des deux premières suites monocolores. Par exemple, si on tire {B,B,B,N,N,B,\ldots} alors {X_1=3} et {X_2=2}.
|
On note {B_k} (resp. {N_k}) l’événement la {k}-ième boule est blanche (resp. noire).
Plus généralement, on note :{B_{[i,j]}=\displaystyle\bigcap_{k=i}^{j}B_k\;\text{et}\;N_{[i,j]}=\displaystyle\bigcap_{k=i}^{j}N_k}Pour {p\in[0,1[}, soit {Z_p} une v.a.r. suivant {\mathcal{G}(p)}.
-
La loi de {X_1} :
En utilisant le système complet d’événements {B_1,N_1}, et pour tout {n\ge1} : {\begin{array}{l}\mathbb{P}(X_1=n)\\\\\quad=\mathbb{P}\big(B_1\cap (X_1=n))+\mathbb{P}(N_1\cap (X_1=n)\big)\\\\\quad=\mathbb{P}(B_{[1,n]}\cap N_{n+1})+\mathbb{P}(N_{[1,n]}\cap B_{n+1})\\\\\quad=p^nq+q^np\end{array}}On remarque qu’on peut écrire : {\mathbb{P}(X_1=n)=p\,\mathbb{P}(Z_q=n)+q\,\mathbb{P}(Z_p=n)}On en déduit l’espérance de {X_1} : {\begin{array}{l}E(X_1)=\displaystyle\sum_{n=1}^{+\infty}n\,\mathbb{P}(X_1=n)\\\\\quad=p\displaystyle\sum_{n=1}^{+\infty}n\,\mathbb{P}(Z_q=n)+q\displaystyle\sum_{n=1}^{+\infty}n\,\mathbb{P}(Z_p=n)\\\\\quad=p\,E(Z_q)+q\,E(Z_p)=\dfrac{p}{q}+\dfrac{q}{p}\end{array}}On calcule de même l’espérance de {X_1^2} : {\begin{array}{l}E(X_1^2)=\displaystyle\sum_{n=1}^{+\infty}n^2\,\mathbb{P}(X_1=n)\\\\\quad=p\displaystyle\sum_{n=1}^{+\infty}n^2\,\mathbb{P}(Z_q=n)+q\displaystyle\sum_{n=1}^{+\infty}n^2\,\mathbb{P}(Z_q=n)\\\\\quad=p\,E(Z^2_q)+q\,E(Z^2_p)\end{array}}Mais si {Z_p\leadsto\mathcal{G}(p)} alors :{E(Z_p^2)=E^2(Z_p)+V(Z_p)=\dfrac{1+q}{p^2}}On en déduit la variance de {X_1}: {\begin{array}{rl}V(X_1)&=E(X_1^2)-E^2(X_1)\\\\&=p\,\dfrac{1+p}{q^2}+q\,\dfrac{1+q}{p^2}-\Big(\dfrac{p}{q}+\dfrac{q}{p}\Bigr)^2\\\\&=\dfrac{p}{q^2}+\dfrac{q}{p^2}-2\end{array}}Remarques :
-
On note {E(X_1)=\varphi\Big(\dfrac{q}{p}\Bigr)=\varphi\Big(1-\dfrac{1}{p}\Bigr)} où : {\forall\,x>0,\;\varphi(x)=\dfrac{1}{x}+x}Pour tout {x>0}, on a {\varphi'(x)=1-\dfrac{1}{x^2}}.
Ainsi {\varphi} décroît sur {]0,1[} et croît sur {]1,+\infty[}.
Le minimu de {\varphi} est donc {\varphi(1)=2}.
Ainsi {\min E(X_1)=2}, obtenu pour {p=\dfrac{1}{2}}.
- De même {\min V(X_1)=2}, obtenu pour {p=\dfrac{1}{2}}.
- Si on échange {p} et {q}, {E(X_1)} et {V(X_1)} restent inchangés : c’est logique compte tenu de la symétrie du problème.
-
On note {E(X_1)=\varphi\Big(\dfrac{q}{p}\Bigr)=\varphi\Big(1-\dfrac{1}{p}\Bigr)} où : {\forall\,x>0,\;\varphi(x)=\dfrac{1}{x}+x}Pour tout {x>0}, on a {\varphi'(x)=1-\dfrac{1}{x^2}}.
-
Loi du couple {(X_1,X_2)} :
Pour tout {(m,n)\in\mathbb{N}^*\times\mathbb{N}^*}, on a : {\begin{array}{l}\mathbb{P}(X_1=m, X_2=n)\\\\\quad=\mathbb{P}\big(B_1\cap (X_1=m,X_2=n)\big)\\\\\qquad+\mathbb{P}\big(N_1\cap(X_1=m,X_2=n)\big)\\\\\quad=\mathbb{P}(B_{[1,m]}\cap N_{[m+1,m+n]}\cap B_{m+n+1})\\\\\qquad+\mathbb{P}(N_{[1,m]}\cap B_{[m+1,m+n]}\cap N_{m+n+1})\\\\\quad=p^{m+1}q^n +q^{m+1}p^n\end{array}}La loi de {X_2} :
-
Par sommation dans la marge :
{\begin{array}{rl}\mathbb{P}(X_2=n)&=\displaystyle\sum_{m=1}^{+\infty}\mathbb{P}(X_1=m, X_2=n)\\\\&=\displaystyle\sum_{m=1}^{+\infty}\bigl(p^{m+1}q^n +q^{m+1}p^n\bigr)\\\\&=q^n\dfrac{p^2}{1-p}+p^n\dfrac{q^2}{1-q}\\\\&=p^2q^{n-1}+q^2p^{n-1}\end{array}}Remarque : pour se rassurer, on vérifie que :{\begin{array}{rl}\displaystyle\sum_{n=1}^{+\infty}\mathbb{P}(X_2=n)&=p^2\dfrac{1}{1-q}+q^2\dfrac{1}{1-p}\\\\&=p+q=1\end{array}}Cette fois-ci on peut écrire : {\mathbb{P}(X_2=n)=p\,\mathbb{P}(Z_p=n)+q\,\mathbb{P}(Z_q=n)}On en déduit l’espérance de {X_2} : {\begin{array}{l}E(X_2)=\displaystyle\sum_{n=1}^{+\infty}n\,\mathbb{P}(X_2=n)\\\\\quad=p\displaystyle\sum_{n=1}^{+\infty}n\,\mathbb{P}(Z_p=n)+q\displaystyle\sum_{n=1}^{+\infty}n\,\mathbb{P}(Z_q=n)\\\\\quad=p\,E(Z_p)+q\,E(Z_q)=2\end{array}}(vous je sais pas, mais moi je trouve ça dingue comme résultat). - Ensuite, on trouve l’espérance de {X_2^2} : {\begin{array}{l}E(X_2^2)=\displaystyle\sum_{n=1}^{+\infty}n^2\,\mathbb{P}(X_2=n)\\\\\quad=p\displaystyle\sum_{n=1}^{+\infty}n^2\,\mathbb{P}(Z_p=n)+q\displaystyle\sum_{n=1}^{+\infty}n^2\,\mathbb{P}(Z_q=n)\\\\\quad=p\,E(Z^2_p)+q\,E(Z^2_q)\end{array}}On en déduit la variance de {X_2} : {\begin{array}{rl}V(X_2)&=E(X_2^2)-E^2(X_2)\\\\&=p\,\dfrac{2-p}{p^2}+q\,\dfrac{2-q}{q^2}-4\\\\&=2\Bigl(\dfrac{1}{p}+\dfrac{1}{q}-3\Bigr)\end{array}}Ici, {\min V(X_2)=2}, obtenu pour {p=\dfrac{1}{2}}..
- Si on échange {p,q}, alors {V(X_2)} reste inchangée (logique par symétrie du problème).
-
Par sommation dans la marge :
Exercice 3 — Promenade aléatoire sur ℤ
| (Oral Mines-Ponts 2018) Soit {(X_{n})_{n\geq 1}} des v.a.r. indépendantes telles que{\begin{cases}X_i(\Omega)\!=\!\{-1,1\}\\\mathbb{P}(X_{i}\!=\!1)\!=\!\mathbb{P}(X_{i}\!=\!-1)\!=\!\dfrac{1}{2}\end{cases}}
|
-
-
Pour revenir en {0} à l’instant {n}, il faut avoir fait autant de pas à droite qu’à gauche.
Si {n} est impair, on a donc {\mathbb{P}(S_n=0)=0}. -
Pour revenir en {0} à l’instant {n=2p}, il faut avoir fait {p} pas à droite (donc {p} à gauche).
Il y a {\dbinom{2p}{p}} façons de choisir les pas à droite.
On peut donc écrire : {\mathbb{P}(S_n=0)=\dfrac{1}{2^{2p}}\dbinom{2p}{p}}.
-
Pour revenir en {0} à l’instant {n}, il faut avoir fait autant de pas à droite qu’à gauche.
-
Pour {k\in\mathbb{N}}, on note: {E_k=\displaystyle\bigcup_{n\ge1}(S_{n}\geq k)}.
L’événement {E_k} dit que l’une au moins {S_n} a atteint ou dépassé la valeur {k}.-
Pour tout entier {k\ge1}, on a : {\mathbb{P}(E_k)=\dfrac{1}{2}\Bigl(\mathbb{P}_{(X_1=1)}(E_k)+\mathbb{P}_{(X_1=-1)}(E_k)\Bigr)\ (\star)}Mais si {X_1=1}, dire que {E_k} est réalisé c’est dire qu’une somme {X_2+\cdots+X_n} au moins a atteint ou dépassé {k-1}: les {X_i} étant de même loi (et indépendantes), cette probabilité conditionnelle vaut clairement {\mathbb{P}(E_{k-1})}.
Avec le même raisonnement, on trouve : {\mathbb{P}_{(X_1=-1)}(E_k)=\mathbb{P}(E_{k+1})}Ainsi, pour tout {k\ge1}, on a: {\begin{array}{l}\mathbb{P}(E_k)=\dfrac{1}{2}\Bigl(\mathbb{P}(E_{k-1})+\mathbb{P}(E_{k+1})\Bigr)\\\\\text{\ donc\ }q_{k}=\dfrac{1}{2}(q_{k-1}+q_{k+1})\end{array}}
-
La relation précédente nous dit que {(q_{k})_{k\ge0}} est une suite arithmétique.
Mais les {q_k} sont dans {[0,1]}, donc cette suite arithmétique ne peut qu’être constante.
Si on applique l’égalité {(\star)} avec {k=1}, on trouve: {\mathbb{P}(E_1)=\dfrac{1}{2}\Bigl(\mathbb{P}_{(X_1=1)}(E_1)\!+\!\mathbb{P}_{(X_1=-1)}(E_1)\Bigr)\ (\star)}Mais {\mathbb{P}_{(X_1=1)}(E_1)=1}: en effet si {X_1=1}, {E_1} est automatiquement réalisé.
De même, en reprenant un raisonnement précédent, {\mathbb{P}_{(X_1=-1)}(E_1)=\mathbb{P}(E_2)}.
On a donc obtenu : {q_1=\dfrac{1}{2}(1+q_2)}.
Ainsi {q_1=\dfrac{1}{2}(1+q_1)} donc {q_1=1}.
Finalement, on a {q_k=1} pour tout {k\in\mathbb{N}}.
-
Pour tout entier {k\ge1}, on a : {\mathbb{P}(E_k)=\dfrac{1}{2}\Bigl(\mathbb{P}_{(X_1=1)}(E_k)+\mathbb{P}_{(X_1=-1)}(E_k)\Bigr)\ (\star)}Mais si {X_1=1}, dire que {E_k} est réalisé c’est dire qu’une somme {X_2+\cdots+X_n} au moins a atteint ou dépassé {k-1}: les {X_i} étant de même loi (et indépendantes), cette probabilité conditionnelle vaut clairement {\mathbb{P}(E_{k-1})}.
-
On applique ce qui précède à{Y_k=-X_k}.
Ainsi, pour tout {k \in \mathbb{N}} : {\begin{array}{l}\mathbb{P}\Big(\displaystyle\bigcup_{n\in\mathbb{N}^{*}}(-S_{n}\geq k)\Big)=1\\\\\text{\ donc\ }\mathbb{P}\Big(\displaystyle\bigcup_{n\in\mathbb{N}^{*}}(S_{n}\leq - k)\Big)=1\end{array}}
Ceci entraîne en particulier : {\forall k\in \mathbb{Z}, \mathbb{P}\Big(\displaystyle\bigcup_{n\in\mathbb{N}^{*}}(S_{n}\leq k)\Big)=1}Pour tout {k\in \mathbb{Z}}, on franchit presque sûrement l’abscisse {k} (vers la droite ou la gauche).
-
Soit {E} l’événement : La suite {(S_{n})} prend une infinité de fois la valeur {k}.
Par l’absurde, supposons que {E} non quasi certain.
On se souvient que {E=\displaystyle\bigcap_{p\in \mathbb{N}^*}\left(\displaystyle\bigcup_{n\geq p}(S_n= k)\right)}.
On note {\Delta=\overline{E}} et pour {p\in \mathbb{N}^*}, on pose :{\Delta_p=\displaystyle\bigcap_{n\geq p}(S_n\ne k)\text{\ et \ }\Delta=\displaystyle\bigcup_{p\in \mathbb{N}^*}\Delta_p}Ainsi {\mathbb{P}(\Delta)>0}, donc : {\exists\,p_0,\;\mathbb{P}(\Delta_{p_0})>0}.
A priori :{\Delta_{p_0}=\displaystyle\bigcap_{n\geq p_0}\Big((S_n\leq k-1)\cup(S_n\geq k+1)\Big)}On montre que :{\begin{array}{l}\Delta_{p_0}=\Big(\!\displaystyle\bigcap_{n\geq p_0}(S_n\!\leq\! k\!-\!1)\!\Big)\cup \Big(\!\displaystyle\bigcap_{n\geq p_0}(S_n\!\geq\! k\!+\!1)\!\Big)\\\\\quad=\Delta_{p_0,1}\cup \Delta_{p_0,2}\end{array}}Soit {\omega\in\Delta_{p_0}}; on peut supposer {S_{p_0}(\omega)\leq k-1}.
Par l’absurde, s’il existait un entier {n>{p_0}} tel que {S_{n}(\omega)\geq k+1}, alors comme on se déplace par pas de 1, il existerait {m} compris entre {p_0} et {n} tel que {S_m(\omega)= k} ce qui est absurde.
Ainsi : {\forall n\geq p_0, \ S_n(\omega)\leq k-1} et {\omega\in \Delta_{p_0, 1}}.
De même, si {S_{p_0}(\omega)\geq k+1}, alors {\omega\in \Delta_{p_0, 2}}.
Il en résulte {\Delta_{p_0}=\Delta_{p_0,1}\cup \Delta_{p_0,2}} : l’un au moins de ces deux événements est donc de probabilité strictement positive.
Supposons, quitte à intervertir, que {\mathbb{P}(\Delta_{p_0,1})>0} et donnons nous {\omega} dans {\Delta_{p_0,1}}.
Pour tout {n\in [[ 1,p_0]]}, on a :{S_n(\omega) \leq {p_0}} car {S_n} est à valeurs dans {[[ -n,n]]}.
Donc pour tout entier {n} : {S_n(\omega)\leq \max\{k-1,p_0\}=K}Il en résulterait :{\Delta_{p_0,1}\subset \displaystyle\bigcap_{n\geq1}\left(S_n\leq K\right)=\overline{\displaystyle\bigcup_{n\geq1}\left(S_n\geq K\!+\!1\right)}}On aurait alors :{\mathbb{P}\Bigl(\displaystyle\bigcup_{n\geq1}\left(S_n\geq K\!+\!1\right)\Bigr)\leq 1\!-\!\mathbb{P}(\Delta_{p_0,1})\lt 1}Mais ce serait absurde de par la question 3.
Il en résulte que presque sûrement, la suite {(S_{n})} prend une infinité de fois la valeur {k}.
Cette page contient 16 exercices. La suite est réservée aux abonnés.
- avoir une souscription active sur mathprepa
- et être connecté au site
Pour poursuivre votre exploration, vous pouvez :
- revenir à la page d’accueil
- ou tester la page d’extraits libres


On peut conjecturer que pour