You are on page 1of 6

F.

HECHNER, Master EM, parcours CAPES, Université de Strasbourg

Année 2014-2015

Fiche d’exercices numéro 4
Indications de correction.
Variables aléatoires
Exercice 1 :
1. La première chose à faire est de repérer les valeurs prises par X. C’est dit dans l’énoncé : X(Ω) =
〚1, 6〛. À présent, il faut calculer P(X = k) pour k = 1, 2, . . . , 6. Comme la probabilité d’obtenir k est
proportionnelle à k d’après l’énoncé, il existe une constante (de proportionnalité)
c telle que P(X =
P
k) = ck pour tout k ∈ 〚1, 6〛. Mais P est une probabilité, donc
P(X = k) = 1. Par conséquent,
6
P

k∈X(Ω)
6
P

P(X = k) = 1. Mais P(X = k) = ck et c ne dépend pas de k, donc

k=1
c 6×(6+1)
2

P(X = k) =

k=1

= 21α. Comme on a vu que cette somme devait valoir 1, on a c =
k
):
de X est donnée par le tableau suivant (car P(X = k) = 21
k
P(X = k)

1

2

3

4

5

6

1
21

2
21

3
21

4
21

5
21

6
21

6
P

ck = c

k=1
1
21 .

6
P

k=

k=1

On en déduit que la loi

2. Rappelons que la fonction de répartition FX est définie, pour tout x ∈ R, par FX (x) = P(X 6 x).
Compte-tenu du tableau ci-dessus récapitulant la loi de X, on obtient :

0
si x < 1




1

si 1 6 x < 2

21


3


 21 si 2 6 x < 3
6
FX (x) = 21
si 3 6 x < 4 .


10

si 4 6 x < 5

21



 15 si 5 6 x < 6


 21
1
si 6 6 x
P
3. Par définition, E(X) =
kP(X = k) (ici il n’y a pas de problème d’existence : la somme ne comporte
k∈X(Ω)

qu’un nombr fini de termes). Donc, d’après la première question, E(X) =

6
P
k=1

k
k. 21
=

1
21

6
P

k2 =

k=1

1 6.(6+1).(2∗6+1)
21
6

= 13
3 .
4. Pour calculer la variance de X, on commence par déterminer son moment d’ordre 2. D’après le théorème
6
P
P
k
k 2 P(X = k). Donc, d’après la première question, E(X2 ) =
k 2 . 21
=
de transfert, E(X2 ) =
k=1

k∈X(Ω)

1
21

6
P
k=1

k3 =

1
21 

6.(6+1)
2 

2

= 21.
2

20
On déduit alors de la formule de Kœnigs-Huygens que VarX = E(X2 ) − E(X) = 21 − 169
9 = 9 .
5. La variable Y prend les valeurs 11 , 12 ,. . ., 16 car X prend 
les valeurs 1, . . . , 6.
1
De plus, pour tout k ∈ 〚1, 6〛, P Y = k1 = P X
= k1 = P(X = k), donc la loi de X est donnée par le
tableau suivant, qui se déduit aisément de celui donnant la loi de X :

yk
P(Y = yk )

1
6
6
21

1
5
5
21

1
4
4
21

1
3
3
21

1
2
2
21

1
1
21

6. On peut soit utiliser directement le tableau précédent, soit utiliser le théorème du transfert qui donne
6
6
6 

P
P
P
1
1
1 k
6
E(Y) = E X
=
yk P(X = k) =
k P(X = k) =
k 21 = 21 . Ici, les deux raisonnements
k=1

k=1

conduisent à faire rigoureusement les mêmes calculs.
1
1
On pourra remarquer que (bien sûr ?) E X
6= E(X
)!!!
1/6

k=1

et donc E(Y) > E(X). l’événement {Y = i} est réalisé dans deux situations : soit lorsque le premier tirage amène le numéro i. Le second tirage ayant eu lieu avec remise. on peut rapidement étudier la fonction x 7−→(x − 1)(2n + 1 − x). 2n〛. il a obtenu un numéro compris entre 1 et k − 1 au premier tirage. Soit k ∈ N. Comme le tirage se fait au hasard. ce qui provoque l’arrêt du joueur.) (b) On calcule alors l’espérance de Y : E(Y) = 2n X iP(Y = i) i=1 = k−1 X iP(Y = i) + i=1 2n X k−1 X 2n k−1 X = i + i 4n2 i=1  i=k = 2n k−1X 4n2 iP(Y = i) i=k i=1 1 k−1 + 2n 4n2  2n i+ 1 X i 2n i=k   k − 1 2n(2n + 1) 1 2n(2n + 1) (k − 1)k = + − × 4n2 2 2n 2 2 (k − 1)(2n + 1) 2n + 1 (k − 1)k = + − 4n 2 4n 2n + 1 (k − 1)(2n + 1 − k) = + 2 4n (k−1)(2n+1−k) (c) On a E(Y) − E(X) = 2n+1 − 2n+1 = (k−1)(2n+1−k) . Pour trouver la valeur de k qui permet de maximiser le gain (moyen). Pour cela. E(X) = 2n+1 2 2. 2. Université de Strasbourg Année 2014-2015 Exercice 2 : 1. on a ∀i ∈ 〚1. Le résultat des (k + r) tirages réalisant {X = k} peut être représenté par 2/6 . . cette quantité est positive. × = 2n 2n 4n2 • si i > k. le dernier ayant donné une boule blanche et si au cours des k + r − 1 premiers tirages on a obtenu k boules noires et r − 1 boules blanches. On a donc ∀i ∈ 〚k. La deuxième stratégie est donc meilleure que la première. 2n 4n2 (On pouvait aussi utiliser la formule des probabilités totales comme je l’ai fait en cours. Master EM. positive si et seulement si x 6 n + 1. de dérivée 2n + 2 − 2x. Ainsi. et les tirages étant indépendants. L’événement {X = k} est réalisé si et seulement si on a effectué k + r tirages.F. . parcours CAPES. l’événement {Y = i} se réalise lorsque le joueur a forcément fait ses deux essais . Exercice 3 (Loi binomiale négative) : 1. la valeur de k qui permet de maximiser le gain moyen est k = n + 1. Par conséquent. P(Y = i) = 1 k−1 + . (a) On remarque que Y peut prendre les valeurs de 1 à 2n. 2n}. Comme k est choisi entre 1 et 2 + 4n 2 4n 2n. k − 1〛. puis a obtenu i au second. HECHNER. . De plus : • si i 6 k − 1. X suit la loi uniforme discrète sur {1. . soit lorsque le premier tirage a amené un lancer compris entre 1 et k − 1. P(Y = i) = k−1 1 k−1 . on cherche k tel que (k − 1)(2n + 1 − k) soit maximal (4n étant indépendant de k). et le second a amené i. 2 et Var(X) = 4n12−1 .

k (Autre méthode : {X = k} correspond k noires et r − 1 blanches aux k + r − 1 premiers tirages.F. (1 − q) On obtiendra donc presque sûrement r boules blanches. 2. Les deux événements étant indépendants. N } se terminant par B et comportant k fois N . ce qui arrive avec k probabilité p. Master EM. E(X) = +∞ P kP(X = k) si cette série converge absolument (c’est-à-dire si elle converge. P(A) = +∞ X P(X = k) k=0 +∞  X  k+r−1 r k = p q k k=0  +∞  X k+r−1 k = pr q k k=0 r = p r = 1. parcours CAPES. n! 4 2 n=0 n=0 3/6 . Soit A l’événement “on obtient r boules blanches”. Il y a k+r−1 listes de ce type. chacune ayant pour probabilité pr q k car les tirages se font avec remise. donc α = 4√ et β = − . Or :  +∞  X k+r−1 r k p q k k k=0  +∞  X k+r−1 k r q r k=0  +∞  X K +r K r = rp q q r K=0 q = rpr r+1 (1 − q) rq = .  kà tirer r−1 ce qui arrive avec probabilité k+r−1 q p et à tirer une blanche au dernier coup. Université de Strasbourg Année 2014-2015 une (k + r)-liste d’éléments de l’ensemble {B. en faisant le produit on arrive au même résultat qu’avec la première méthode). Exercice 4 : La suite (un ) est récurrente linéaire double. Donc k  r k P(X = k) = k+r−1 p q . La suite (un ) a 2 1 √ n √ n donc un terme général de la forme α(2 + 2) + β(2 − 2) . et pour n = 0. HECHNER. et pour 0 √ 1 1 √ n = 1. p = pr Donc E(X) existe et E(X) = r pq = r 1−p p . Comme P(X = un ) = = 1. Son équation est r2 − 4r − 4 = 0. donc les racines sont r := 2 + 2 2 et r := 2 − 2 2. u = α + β = 0. u1 = 2(α + β) + 2 2(α − β) = 1. On va calculer son terme caractéristique √ √ général. car elle est à k=0 termes positifs). l’énoncé a bien un sens. ∆ = 32. ce qui donne finalement un = 2 2 2   +∞ +∞ √ √ P P n n 1 e−λ λn √ (2 + 2 2) − (2 − 2 2) . 3.

T prend une valeur entière : T(ω) = k ∈ N. Or θk −→ 0. Il s’agit de définir P({n}). n∈N Il faut fabriquer une probabilité (même un espace probabilisé (Ω. Alors An+1 ⊂ An et An = ∅ car T prend ses valeurs dans N. On prend Ω := N. ω 6∈ {T > n} et donc ω 6∈ An . donc − ln(1 − θk ) k → +∞ θk et θk > 0. il faut vérifier que P({n}) converge et vaille 1. Mais θk pk−1 = pk − pk−1 . Comme n−1 P θk apparaît dans un produit. Et donc n→+∞ ln(1 − θk ) diverge donc. on s’en débarrasse en prenant le logarithme : ln P(T > n) = ln(1 − θk ) k=0 Comme la série de terme général P(T = n) converge (et est de somme 1 car on a une probabilité). Si θk 6 −→ 0.F. Pour montrer que Sn −→ 1. T = P(N) de sorte que ω = {n}n∈N . soit à présent une suite (θn ) d’éléments de ]0. n→+∞ n→+∞ Rappelons que si (An ) est une suite décroissante T d’événements d’intersection vide. • Supposons que θk soit un taux de panne. elles sont de même nature. 1[ telle que la série θn soit divergente. soit n∈N ω ∈ Ω. avec P(T > n) > 0 ∀n et telle que θn = P(T = n|T > n) ∀n ∈ N. Donc dès que n > k. On va montrer que ln(pn ) −→ −∞. il n’y a rien à faire car la série diverge grossièrement. ∀n ∈ N. ln P(T > n) −→ −∞. P • Réciproquement. La série de terme général k=0 ∼ On termine en se rappelant que ln(1 − x) x → 0 −x. Master EM. La première est divergente. il faut montrer que pn −→ 0. P(T = n) −→ 0. On écrit n→+∞ n P P P ln(pn ) = ln(1 − θk ) et on compare les séries θk et ln(1 − θk ). T . Université de Strasbourg Année 2014-2015 Sous réserve d’existence. En effet. +∞ X E(X) = un P(X = un ) n=0 +∞ X √ n √ n  e−λ λn 1  √ (2 + 2 2) − (2 − 2 2) n! 4 2 n=0   √ √ 1 = √ e−λ eλ(2+2 2) − eλ(2−2 2) 4 2 √ √  1  = √ eλ(1+2 2) − eλ(1−2 2) . T En ω. n∈N On cherche Sn := n P k=0 P({k}) = n P θk pk−1 avec la convention p−1 := 1. On pose k=0 ( θ0 si n = 0 P({n}) = θn pn−1 si n > 1 P Pour que P soit une probabilité. parcours CAPES. n−1 P ln(1 − θk ) → −∞. Montrons que la série de terme général θk diverge. n∈N Par conséquent. P)) et une variable aléatoire T qui est à valeurs dans N. donc les k→+∞ séries de terme général − ln(1 − θk ) et θk sont de même nature : divergentes. On pose An := {T > n}. On notera pn := n Q (1 − θn ). HECHNER. k=1 k∈N 4/6 k∈N . 4 2 = Exercice 5 : 1. n→+∞ Montrons que P(T > n) −→ 0. donc k=0 Sn = 1 − pn . et que si on a des séries de terme général positifs ∼ équivalents. On suppose donc que θk −→ 0. d’où ln P(T = n) −→ −∞. lim P(An ) = 0.

conséquent. la série θk converge et donc la suite θn n’est pas un un taux de panne donc il k n’existe pas de variable aléatoire T avec les propriétés de la définition. P – si ∀n ∈ N. Donc. P – si θn = θ constante. Xj ) = Var(Xi ) + 2 cov(Xi . mais très pénible. Il existe donc k une variable aléatoire T ayant les propriétés requises. Var(Xi ) = n1 1 − n1 = n−1 n2 . parcours CAPES. n n n P P P P P On a Var(X) = Var( Xi ) = Var(Xi ) + cov(Xi . . + Xn . E(X) = E(Xi ). D’autre part. Var(X) = n × n2 + (n − n) n2 (n−1) = 1 en prenant qui comporte n2 − n termes. HECHNER. donc k=0 k=n P P(T > n) > 0. utilisant des formules du crible. par linéarité de l’espérance. il y a (n − 1)! façons de répartir les autres. D’où le résultat. Si (θn ) est une suite constante. E(Xi ) = n1 ∀i. On a donc muni (Ω. k=0 Espérance et variance Exercice 6 (Avec des indicatrices !) : En fait le calcul direct de la loi de X est possible. si i 6= j. et P(Xi Xj = 1 1) = P({Xi = 1} ∩ {Xj = 1}) = (n−2)! = n(n−1) car si le i–ème et le j–ème quidam repartent avec leurs n!   1 chapeaux respectifs. Xi Xj est une variable aléatoire qui prend également les valeurs 0 et 1. En particulier. et P(T = n) = P({n}). ∞ +∞ P P On a P(T) = θ0 et P(T) = θk pk−1 donc P(T > n) = P(T = k) = (pn−1 − pn ) = pn−1 . Par 1 1 − n1 n1 = n2 (n−1) . T + 1 suit une loi géométrique de paramètre θ. il reste (n − 2)! façons de permuter les autres. Xj ) = E(Xi Xj ) − E(Xi )E(Xj ) = n(n−1) P n−1 1 2 Finalement. Xi Xj ∼ B n(n−1) . Vérifions que P(T = n|T > n) = θn ). i=1  = n1 : il y a n! façons de répartir les chapeaux. i<j Exercice 7 : Soit X une variable aléatoire à valeurs dans N et F sa fonction de répartition. Université de Strasbourg Année 2014-2015 On montre comme dans l’exercice précédent. Finalement. cov(Xi . Master EM. . Comme i=1 i=1 i=1 i<j i6=j   Xi ∼ B n1 . T ) d’une probabilité. La série θk diverge : c’est un taux de panne. pn > 0 et pn = 1. E(X) = n × n1 = 1. et. . Alors T est une variable aléatoire à valeurs dans N. 5/6 . On n−1 Q n aP(T = 0) = θ0 = 0 et P(T = n) = θn (1 − θk ) = θ(1 − θ) ∀n > 1. F est alors une fonction en escalier. Il s’agit à présent de construire une variable aléatoire T : Ω −→ R. . la seconde série diverge également. ou alors i6=j  P n2 − n = 2 n2 en utilisant 2 . 1[. On pose T(ω) = n pour ω = {n}. Autrement dit.F. P(T = n) P(T > n) P(T = n|T > n) = θn pn−1 pn−1 = θn = 2. n P On remarque que X = X1 + . θn = 0. On va calculer P(T = n pour n ∈ N. avec θ ∈]0. si la i–ième personne Or Xi ∼ B n1 car P(Xi = 1) = (n−1)! n! récupère son propre chapeau. Xj ). Par conséquent. que les deux suites étant à termes strictement négatifs et équivalents.

6/6 . mais P((X + Y = 1) ∩ (X − Y = 0)) = 0. X − Y = 0. n→+∞ 2. (n − 1)S2 = Xi − 2X Xi + nX .+E(X n n V (X1 )+. Comme la série de terme général kP(X = k) converge. Soit (Tn ) la P que P(X = n) = un−1 − un . alors que X ne l’est pas de X. En effet. Donc (n − 1)S2 = X2i − 2XXi + X = i=1 n P i=1 X2i i=1 i=1 i=1 2 − nX . On en déduit. HECHNER. et Rn −→ 0. On considère à présent la série de terme général suite des sommes partielles. de somme EX et n(1 − F (n)) → 0. lim n[1 − F (n)] = 0. 3. La réponse est négative. kP(X = k) > nP(X = k). P(X − Y = 0) 6= 0. En effet.. Rn := kP(X = k) est bien défini.. par linéarité de l’espérance et en utilisant le fait que E(Y2 ) = E(Y)2 + V (Y). et donc que nP(X = n) = n(un−1 − un ). on a. de sorte que Sn = u0 + u1 + · · · + un−1 − nun = Tn−1 − nun = Tn−1 − n(1 − F (n)). Donc Tn −→ EX. leur produit a une espérance et par indépendance E((X + Y)(X − Y)) = E(X + Y)E(X − Y). Or Sn est convergente. (n − 1)E(S2 ) = n P i=1 2 E(X2i ) − nE(X ) = n(VarX + µ2 ) − n VarX n  + µ2 = VarX.+V (Xn ) Var Comme les (Xi ) sont indépendantes.F. soit en développant E(X2 ) − E(Y2 ) = E2 (X) − E2 (Y) ⇒ Var(X) = Var(Y).. Ici encore la réponse est négative. parcours CAPES. Pour k > n + 1 > n. Remarquons P un . n→+∞ Exercice 8 (Introduction à l’estimation) : n) = µ+. Par linéarité de l’espérance. Exercice 9 : 1.+µ = µ. et 2X est indépendante de 0.. alors X + Y = 2X. si X est une variable aléatoire à valeurs dans N et si Y = X. Master EM. n→+∞ k>n P P comme P(X = k) > 0. Finalement. Or Xi = nX. Posons un := 1 − F (n). On a un = 1 − F (n) = 1 − P(X 6 n) par définition de F = P(X > n) X = P(X = k) car X est à valeurs dans N k>n Donc n[1 − F (n)] = +∞ P P nP(X = n). Soient Sn les sommes n∈N n∈N partielles : Sn := k(uk−1 − uk ) = u0 − u1 + 2(u1 − u2 ) + 3(u2 − u3 ) + · · · + n(un−1 − un ). on a P(X + Y = 1) 6= 0. 2.   n n n n P P 2 P P 2 2 Enfin. V (X) = = nVar n2 n2 = n .. E(X) = E(X1 )+. Comme X + Y et X − Y ont une variance. Université de Strasbourg Année 2014-2015 1. k=n+1 P k∈N son reste d’ordre n.. et donc kP(X = k) > nP(X = k) et donc k>n k>n Rn > n[1 − F (n)] > 0 car 1 > Fn > 0 et Rn → 0.