Vous êtes sur la page 1sur 21

Rsum de cours de probabilits pour

lagrgation interne
Table des matires
1 Espace de probabilits 2
1.1 Comment dnir "la somme" dune famille dnombrable de rels ? . . . . . . . . . . 2
1.2 Familles sommables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Familles positives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Familles de rels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Probabilits conditionnelles et indpendance . . . . . . . . . . . . . . . . . . . . . . 4
2 Variable alatoire relle 5
3 Variable alatoire discrte 6
3.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Esprance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Fonctions gnratrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.4 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4 Variable alatoire densit 9
4.1 Esprance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5 Vecteurs alatoires 10
5.1 Vecteurs alatoires discrets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5.2 Vecteurs alatoires densit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
6 Thormes limites 13
7 Exercices 15
7.1 Modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
7.2 Indpendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
7.3 Variables alatoires discrtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7.4 Variable alatoires densit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
7.5 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
7.6 Thormes limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1
A.Mizrahi
1 Espace de probabilits
1.1 Comment dnir "la somme" dune famille dnombrable de rels ?
La bonne faon de faire des probabilits est de regarder lintgrale de Lebesgue, on peut sen
passer si on se limite au cas dnombrable, dans ce cas la notion de famille sommable suft (hors
programme voir partie 1.2), si on veut y chapper on peut tout ramener des srie mais cest un peu
alambiqu. Cest toutefois ce que je prsente rapidement dans cette partie 1.1. Il est entendu que faire
la somme dun nombre ni de rels ne pose pas de problme.
Proposition 1 : Soit une bijection de N dans N, si la srie

u
n
est absolument convergente, alors
la srie de terme gnral u
(n)
est convergente et a mme somme que

u
n
.
Exemple 1 : Soit (u
n
) dnie par u
2n
=
1
n+1
et u
2n1
=
1
n
, et la bijection de N sur N dnie par
_
_
_
(3n) = 2n
(3n + 1) = 4n + 1
(3n + 2) = 4n + 3
Il est facile de voir

u
n
= 0 et on montre laide de srie entire par exemple que

u
(n)
= ln 2.
La convergence absolue est donc une condition importante pour pouvoir sommer sans tenir compte
de lordre.
Proposition 2 : Soit I un ensemble dnombrable et une bijection de N dans I, si la srie

u
(n)
est absolument convergente, alors pour toute bijection de N dans I la srie

u
(n)
est absolument
convergente et a mme somme que la prcdente.
Dnition 1 : Dans ce cas on dit que la famille (u
i
)
iI
est sommable et on note

iI
u
i
la somme de
cette srie.
Proposition 3 : Soit I ni ou dnombrable, non vide, et (I
x
)
xX
une partition nie ou dnombrable
de I. (u
i
)
iI
est sommable ssi pour tout x X la famille (u
i
)
iI
x
est sommable et si on note S
x
sa
somme la famille (S
x
)
xX
est sommable. On a alors :

xX
S
x
=

xX

iI
x
u
i
=

iI
u
i
1.2 Familles sommables
Hors programme mais cest la faon agrable de penser les choses, avec les rsultats qui prcdent
on peut sen passer.
1.2.1 Familles positives
Dnition 2 : Soit (u
i
)
iI
une famille de rels positifs, indice par I ni ou dnombrable, non
vide, cette famille est dite sommable si lensemble des sommes dun nombre nie de u
i
est ma-
jore, on appelle alors somme de la famille et on note

iI
u
i
la borne suprieur de lensemble
{

iJ
u
i
|J est une partie nie de I}.
Proposition 4 : Si (u
i
)
iI
famille positive, est sommable toute famille (u
i
)
iJ
ou J est une partie de
I est sommable et

iJ
u
i

iI
u
i
.
Proposition 5 : Une famille positive (u
i
)
iI
avec I dnombrable est sommable ssi il existe une
bijection de N dans I telle que la srie de terme gnral u
(n)
converge.
2
1.2 Familles sommables A.Mizrahi
Proposition 6 : Soit I ni ou dnombrable, non vide, et (I
x
)
xX
une partition nie ou dnombrable
de I. (u
i
)
iI
est sommable ssi pour tout x X la famille (u
i
)
iI
x
est sommable et si on note S
x
sa
somme, la famille (S
x
)
xX
est sommable. On a alors :

xX

iI
x
u
i
=

xXS
x
=

iI
u
i
Remarque 1 : Il y a un peu la mme diffrence entre intgrale gnralise et intgrabilit quentre
srie et famille sommable.
1.2.2 Familles de rels
Dnition 3 : Soit (u
i
)
iI
une famille de rels, indice par I ni ou dnombrable, non vide, cette
famille est dite sommable si (|u
i
|)
iI
est sommable, on dnie alors sa somme par :

iI
u
i
=

i{iI|u
i
>0}
|u
i
|

i{iI|u
i
<0}
|u
i
|
Proposition 7 : Si (u
i
)
iI
est sommable toute famille (u
i
)
iJ
ou J est une partie de I est sommable.
Proposition 8 : Une famille (u
i
)
iI
est sommable ssi il existe une bijection de N dans I telle que
la srie de terme gnral u
(n)
converge absolument.
Remarque 2 : Cette proposition prouve que les deux dnitions 1 et 2 de familles sommables sont
quivalentes.
Remarque 3 : (u
n
)
n

N
est sommable ssi la srie

u
n
est absolument convergente, on a alors la
somme de la srie et la somme de la famille qui sont gales.
Remarque 4 : Une des diffrences fondamentale quil y a entre famille sommable et srie est lordre,
dans une srie les lments sont ordonns, alors que lon peut regarder une famille sommable indice
par les rationnels (Q).
Proposition 9 : Soit I ni ou dnombrable, non vide, et (I
x
)
xX
une partition nie ou dnombrable
de I. Dans le cas ou la famille (u
i
)
iI
x
est sommable, on note S
x
sa somme.
La famille (u
i
)
iI
est sommable ssi pour tout x X la famille (u
i
)
iI
x
est sommable et la famille
(S
x
)
xX
est sommable. On a alors :

xX
S
x
=

xX

iI
x
u
i
=

iI
u
i
Proposition 10 : Soient I ni ou dnombrable, non vide, et (I
n
)
nN
une suite croissante de parties
de I telle que I
n
= I et (u
i
)
iI
une famille sommable alors :
lim
n

iI
n
u
i
=

iI
u
i
Preuve : Pour une famille positive, toute famille nie de I
n
est une famille nie de I donc

iI
n
u
i

iI
u
i
Soit > 0 alors il existe un J nie de I, tel que

iJ
u
i
>

iI
u
i
, et il existe un N partir duquel tout
les I
n
contiennent J. Dou le rsultat. Pour une famille quelconque, on regarde les termes positifs et les termes
ngatifs.
3
1.3 Gnralits A.Mizrahi
1.3 Gnralits
Dnition 4 : Une tribu sur un ensemble est un ensemble T de parties de qui vrie :
1. T
2. Si une partie A est dans T alors son complmentaire appartient aussi T
3. Si une famille nie ou dnombrable de parties de appartiennent T alors leur runion aussi
On appelle vnement les lments de la tribu.
Remarque 5 : Dans la thorie qui va suivre, on cherche mesurer les parties de , or pour pouvoir
construire une thorie intressante, il faut se limiter certaines parties, ces parties vont tre les l-
ments de la tribu. Une intersection nie ou dnombrable dlments dune tribu appartient la tribu.
Dnition 5 : Une probabilit sur un ensemble muni dune tribu T est une application de T dans
R
+
qui a les 2 proprits suivantes : P() = 1 et si (A
i
)
iI
est une famille nie ou dnombrable
dlments de T deux deux disjoints alors la famille (P(A
i
))
iN
est sommable et sa somme est
gale P(A
i
).
Remarque 6 : La deuxime proprit est une proprit de mesure, penser aux aires, aux volumes,
aux masses...
Proposition 11 : Proprits dune probabilit :
P() = 0, P(A) = 1 P(A), P(A B) = P(A) +P(B) P(A B).
Proposition 12 : Si (A
n
)
nN
est une famille croissante de T alors lim
n
P(A
n
) = P(
n
A
n
)
Preuve : On pose A
0
= , on a alors A
n
= (A
n
\ A
n1
) et les ensembles A
n
\ A
n1
sont disjoints deux
deux on a donc
P(A
n
) =

P(A
n
\ A
n1
) =

_
P(A
n
) P(A
n1
)
_
= lim
N
N

n=1
_
P(A
n
) P(A
n1
)
_
or
N

n=1
_
P(A
n
) P(A
n1
)
_
= P(A
N
) P(A
0
) dou P(A
n
) = limP(A
n
)
1.4 Probabilits conditionnelles et indpendance
Dnition 6 : Si B est un vnement de probabilit non nulle, et A un vnement alors on dnit la
probabilit conditionnelle de A sachant B par
P(A|B) =
P(A B)
P(B)
Proposition 13 : Si P est une probabilit sur (, T ), et B un vnement de probabilit non nulle,
alors P(.|B) dnie une nouvelle probabilit sur (, T ).
Remarque 7 : Cette proprit justie lcriture P
B
(A) = P(A|B)
Proposition 14 : Soit (A
iI
) une partition nie ou dnombrable dvnements de probabilit non
nulle, de alors P(A) =

iI
P(A A
i
) =

iI
P(A|A
i
)P(A
i
).
Dnition 7 : Deux vnements A et B sont indpendants si P(A B) = P(A)P(B).
Une famille dvnements (A
i
)
iI
sont indpendants si pour toute partie nie J de I on a
P
_

jJ
A
j
_
=

jJ
P(A
j
)
4
A.Mizrahi
Remarque 8 : Lindpendance et lindpendance deux deux sont deux notions diffrentes, lind-
pendance entraine lindpendance deux deux mais la rciproque est fausse.
Remarque 9 : Le terme indpendance est bien choisi car il permet de modliser lide non math-
matique dindpendance de deux rsultats, par exemple lorsque je lance deux ds, le rsultat de lun
est indpendant du rsultat de lautre, il ny a aucune notion mathmatique ici, mais on va modliser
le problme de tel sorte que les vnements li chacun des ds soient indpendants.
2 Variable alatoire relle
Dnition 8 : Soit (, T , P) dni comme prcdemment, (on parle dun espace de probabilit
ou dun espace probabilis). Une variable alatoire est une fonction de dans R telle que limage
rciproque de tout intervalle de R appartienne T . En thorie de lintgration on parle de fonction
mesurable .
Remarque 10 : Si T est lensemble des parties de , alors toute fonction de dans R est une
variable alatoire.
Dnition 9 : On note (X = a) pour X
1
({a}), (X I) pour X
1
(I) et (X < a) pour X
1
(]
, a[), etc . . .
Dnition 10 : (hors programme) On appelle tribu borlienne de R, et on note B
1
, la plus petite tribu
de R qui contient tous les intervalles de R.
Proposition 15 : (admis, hors programme) Pour quune fonction de dans R soit une variable ala-
toire il faut et il suft que limage rciproque de tout lment de la tribu borlienne B
1
, appartienne
T , cest en fait la bonne notion de variable alatoire.
Dnition 11 : Dans ce cas la fonction P
X
dnie sur B
1
, valeur dans [0, 1], par P
X
(A) = P(X
1
(A))
est une probabilit sur (R, B
1
), on lappelle loi de X. La loi dune variable alatoire est donc une pro-
babilit sur (R, B
1
).
Remarque 11 : Trs souvent, on travaille sur une variable alatoire, "sans la connatre", il arrive
mme frquemment que ne soit pas explicit, on connat juste la loi de la variable alatoire, et cest
sufsant. Ainsi pour modliser certains phnomnes, on peut soit utiliser un espace de probabilit,
soit utiliser une variable alatoire et travailler sur sa loi.
Proposition 16 : (admis) Soient X, Y deux variables alatoires dnies sur un mme espace de
probabilit, et un rel, alors X + Y, X, XY, max(X, Y ), min(X, Y ) sont des variables alatoires,
si de plus f est une fonction continue par morceaux de R dans R alors f X est aussi une variable
alatoire.
Dnition 12 : On appelle fonction de rpartition de la variable alatoire X la fonction F
X
dnie
sur R par F
X
(t) = P(X t).
Remarque 12 : La fonction de rpartition est bien dnie car X
1
(] , t]) appartient la tribu.
Proposition 17 : (hors programme, nonc dans toute sa gnralit) La loi dune variable alatoire
est entirement dtermine par sa fonction de rpartition. Ceci revient dire que lapplication qui a
une loi donne associe sa fonction de rpartition est injective.
5
A.Mizrahi
3 Variable alatoire discrte
3.1 Dnition
Dnition 13 : Ce sont les variables alatoires telles que X() est une partie nie ou dnombrable
de R.
Dans cette partie toutes les variables alatoires sont discrtes.
Dnition 14 : On appelle loi (de probabilit) de la variable alatoire discrte X la fonction p
X
:
X() R, p
X
(x) = P(X = x). On appelle fonction de rpartition de la variable alatoire X la
fonction F
X
dnie sur R par F
X
(t) = P(X t).
Remarque 13 : La loi est bien dnie car X
1
([x, x]) appartient la tribu. On remarque que la
fonction p
X
permet de dnir une probabilit P sur R, P(A) =

xAX()
p
X
(x).Elle correspond
la dnition 11 plus gnral de la loi dune variable alatoire relle.
Exercice 1 : On jette un d bleu et un d vert, modliser laide dun espace de probabilit les
diffrents rsultats possibles. On sintresse la somme des deux ds, comment peut-on modliser
cette somme laide dune variable alatoire X ?
Remarque 14 : F
X
(t) =

x];t]X()
P(X = x) avec une somme au sens de la dnition 1.
Proposition 18 : La fonction de rpartition F
X
dune variable alatoire discrte a les proprits
suivantes :
1. F
X
est croissante.
2. F
X
est continue droite.
3. lim

F
X
= 0
4. lim
+
F
X
= 1
5. Deux V.A.D. ont mme loi si et seulement si elles ont mme fonction de rpartition.
Preuve : La croissance est claire si t < t

alors (x t) (x t

).
La continuit droite est plus dlicate, comme F
X
est croissante il suft de montrer que pour tout point a,
limF
X
(a +
1
n
) = F
X
(a), or F
X
(a +
1
n
) = 1 P(X > a +
1
n
) et la famille (X > a +
1
n
)
n
est une suite
croissante densembles, on peut donc appliquer la proposition 12 on a :
limP(X > a +
1
n
) = P
_
(X > a +
1
n
)
_
= P(X > a)
do le rsultat. Idem pour les limites en .
5) Le sens direct est immdiat avec la remarque 14, la rciproque lest un peu moins, si F
X
= F
Y
, on
commence par remarquer que F
X
(a) F
X
(a
1
n
) = P(a
1
n
< X a), comme prcdemment laide
dun passage la limite on obtient que P(X = a) = F
X
(a) lim
n
F
X
(a
1
n
). Lgalit des fonctions de
rpartitions donne bien lgalit des lois.
3.2 Esprance
Dnition 15 : On suppose que X() = {x
i
|i I} o I est soit ni, soit gal N (ceci permet de se
ramener des sries plutt qu des familles sommables), les x
i
tant distincts deux deux. Si la srie

I
|x
i
|P(X = x
i
) converge, X possde une esprance dnie par E(X) =

iI
x
i
P(X = x
i
).
Pour N

, si la srie

|x
i
|

P(X = x
i
) est convergente, X possde un moment dordre > 0
dni par

i
x

i
P(X = x
i
). Si X possde un moment dordre 2, on dnit la variance de X par
var(X) = E((X E(X))
2
).
Remarque 15 : Si I est ni, ce ne sont pas des srie mais juste des sommes nis, les remarques du
dbut (prop. 2) sur la sommabilit montre que ces dnitions ne dpendent pas de la faon dont on
indice lensemble X().
6
3.2 Esprance A.Mizrahi
Remarque 16 : Si est ni ou dnombrable ce qui nest pas en gnral le cas pour une variable
alatoire discrte, alors lesprance de X nest autre que

X()P({}), quitte se restreindre


ce cas, les diffrentes proprits que lon va voir par la suite sont beaucoup plus simples dmon-
trer. Cest en un certain sens la bonne notion de lesprance, que lon gnralise avec la thorie de
Lebesgue.
Dnition 16 : Une variable alatoire est dite centre si elle est desprance nulle, et rduite si elle
est de variance gale 1.
Exercice 2 : Soit X une variable alatoire de loi uniforme sur {0, . . . , n}, dterminer son esprance.
Proposition 19 : Si g est une application de X() dans R alors g(X) = g X est une V.A. discrte
dont la loi est donne par
y g(X()), P(g(X) = y) =

{xX()|g(x)=y}
P(X = x)
Preuve : Soient I un intervalle de R, et F = (g X)
1
(I) = X
1
(g
1
(I)) X
1
(g
1
(I) X()) or
X() est ni ou dnombrable, donc F scrit comme une runion dnombrable dlments de la tribu,
F =
_
a
_
X()g
1
(I)
_
X
1
({a})
cest donc un lment de la tribu, car chaque X
1
({a}) est limage rciproque dun intervalle par X.
De plus

{x|g(x)=y}
P(X = x) = P
_
_
_
{x|g(x)=y}
(X
1
({x}))
_
_
= P(X
1
(g
1
({y})))
Remarque 17 : Le rsultat prcdent reste vrai si X
1
, . . . , X
n
sont n variables alatoires discrtes et
g une fonction de R
n
dans R
p
,
P
_
g(X
1
, . . . , X
n
) = (y
1
, . . . , y
p
)
_
=

{(x
1
,...,x
n
)|g(x
1
,...,x
n)
=(y
1
,...,y
p
)}
P(X
1
= x
1
, . . . , X
n
= x
n)
)
Thorme 1 : dit thorme de transfert
Soit X une variable alatoire discrte, et f une application de X() = {x
i
|i I} dans R.
Lapplication compose Y = f X est une variable alatoire qui possde une esprance ssi la srie

i
f(x
i
)P(X = x
i
) est absolument convergente et dans ce cas son esprance vaut :
E(Y ) =

iI
f(x
i
)P(X = x
i
)
Preuve : Y prend ses valeurs dans G = f(X()) qui est dnombrable. Pour y G on pose
G
y
= {x X()|f(x) = y} = f
1
({y}) X() les G
y
forment une partition de X(), et
y, P(Y = y) =

xG
y
P(X = x) donc daprs la proposition 3 ou 9 :

yf(X())
yP(Y = y) =

yf(X())
_
_

xG
y
P(X = x)f(x)
_
_
=

xX()
P(X = x)f(x)
Proposition 20 : Si X et Y possdent une esprance, il en est de mme pour X +Y et E(X +Y ) =
E(X) +E(Y ), de mme E(X) = E(X) pour tout rel et E(1) = 1.
7
3.3 Fonctions gnratrices A.Mizrahi
Preuve : Soit I un intervalle,
(X +Y )
1
(I) = {|X() +Y () I} =
_
xX()
_
X
1
({x}) Y
1
(I x)
_
ou I x = {t R|u I, t = u x}, cest donc un intervalle de R, donc (X +Y )
1
(I) scrit bien
comme une runion dnombrable dlments de la tribu, cest un lment de la tribu
On peut remarquer que pour tout x X(), P(X = x) =

yY ()
P(X = x, Y = y)
E(X) +E(Y ) =

xX()
xP(X = x) +

yY ()
yP(Y = Y ) =

(x,y)X()Y ()
(x +y)P(X = x, Y = y)
Or on peut dcouper X() Y () en une partition dnie par les valeurs prises par X +Y , cest une
partition nie ou dnombrable. X() Y () =

zZ()
{(x, y) X() Y ()|x+y = z}, ce qui donne :
E(X) +E(Y ) =

zZ()
_
_

{(x,y)X()Y ()|x+y=z}
zP(X = x, Y = y)
_
_
Or

{(x,y)X()Y ()|x+y=z}
P(X = x, Y = y) = P(Z = z) dou le rsultat annonc.
Exercice 3 : Montrer que var(X) = E(X
2
) E(X)
2
.
Remarque 18 : Le thorme 1 reste vrai si X
1
, . . . , X
n
sont n variables alatoires discrtes et g une
fonction de R
n
dans R, tq

|g(x
i
1
, . . . , x
i
p
)| P
_
(X
1
= x
i
1
) . . . (X
n
= x
i
n
)
_
converge
E(g(X
1
, . . . , X
n
)) =

(i
1
,...,i
n
)
g(x
i
1
, . . . , x
i
n
)P(X
i
1
= x
i
1
, . . . , X
i
n
= x
i
n
)
Exercice 4 : Soit X une variable alatoire de loi de Poisson de paramtre ,
_
k N, P(X = k) =
e

k
k!
_
. Calculer E(X(X 1)), en dduire var(X).
3.3 Fonctions gnratrices
Dnition 17 : Soit X une variable alatoire telle que X() soit inclus dans N, on pose pour s
[0, 1], g
X
(s) = E(s
X
) =

k
s
k
P(X = k). g
X
est appele fonction gnratrice des moments de X.
Proposition 21 : X possde une esprance ssi g
X
est drivable en 1. Dans ce cas E(X) = g

X
(1).
Preuve : Si X possde une esprance la srie

kP(X = k) converge, la srie entire

s
k
P(X = k) ainsi
que sa srie drive

ks
k1
P(X = k) sont alors normalement convergentes sur [0; 1]. g
X
est alors
drivable de drive en 1 :

kP(X = k) = E(X)
Rciproquement : Supposons que g
X
soit drivable en 1 en remarquant que

k1
i=0
x
i
=
x
k
1
x1
on a :
g
X
(s) g
X
(1)
s 1
=
1
s 1

k
(s
k
1)P(X = k) =

0i<k
s
i
P(X = k)
on a donc pour tout entier N :
N

n=0
nP(X = n) = lim
s1
N

n=0

0i<n
s
i
P(X = n) lim
s1

n=0

0i<n
s
i
P(X = n) = g

X
(1)
Exercice 5 : Dterminer la fonction gnratrice dune variable alatoire binomiale de paramtres
(n, p), P(X = k) = C
k
n
p
k
(1 p)
nk
, en dduire son esprance et sa variance.
Remarque 19 : Une fonction gnratrice dnit entirement la loi dune variable alatoire valeur
dans N, en effet pour une srie entire de rayon de convergence non nul, si f(x) =

a
n
x
n
, alors
a
n
=
1
n!
f
(n)
(0).
8
3.4 Lois usuelles A.Mizrahi
3.4 Lois usuelles
Uniforme, Bernoulli, binomiale, gomtrique, Poisson.
4 Variable alatoire densit
Dnition 18 : f : R R est une densit si f 0, intgrable sur R et
_
R
f(t) dt = 1. Une variable
alatoire X admet f pour densit si pour tout intervalle I de R, P(X I) =
_
I
f(t) dt
Exercice 6 : Soit X une variable alatoire admettant pour densit
f
X
(t) =
_
t
2
si t [0; 1]
0 sinon
Calculer , puis P(X
1
2
). Dterminer une autre densit pour X.
Dans cette partie la variable alatoire X possde la densit f
X
Dnition 19 : On appelle fonction de rpartition de X la fonction dnie sur R par
F
X
(t) = P(X t) =
_
];t]
f
X
(t) dt
. cest la mme dnition que pour les variables alatoires discrtes (df. 14)
Proposition 22 : Soit X une variable alatoire admettant f
X
pour densit, on note F
X
sa fonction
de rpartition, elle a les proprits suivantes :
1. Pour tout a < b, P(a < X b) = F
X
(b) F
X
(a).
2. lim

F
X
= 0 et lim
+
F
X
= 1.
3. F
X
est croissante, continue, et x P(X = x) = 0.
4. Si f
X
est continue en x
0
alors F
X
est drivable en x
0
et F

(x
0
) = x
0
.
5. Si F
X
est une fonction C
1
alors X admet F

X
comme densit. (Ce rsultat peut se gnraliser
F
X
est une fonction C
0
, et C
1
sur R priv dun nombre ni de points).
6. (admis) deux variables alatoires densit ayant mme fonction de rpartition, ont les mme
densits.
Exercice 7 : suite de lexercice 6
Montrer que la variable alatoire

X, possde une densit que lon dterminera. Preuve : . . .


4.1 Esprance
Dnition 20 : Si la fonction dnie sur R par x xf
X
(x) est intgrable sur R alors X possde
une esprance dnie par E(X) =
_
R
xf
X
(x) dx
Si la fonction dnie sur Rpar x x
k
f
X
(x) est intgrable sur Ralors X possde un moment dordre
k dni par
_
R
x
k
f
X
(x) dx, de mme pour la variance : varX = E
_
(X E(X))
2
_
.
Proposition 23 : (admis) Si X et Y sont deux variables alatoires densit ayant une esprance alors
X + Y et X sont deux variables alatoires qui ont une esprance, et E(X + Y ) = E(X) + E(Y ),
et E(X) = E(X).
Remarque 20 : La proprit 23 qui est au programme de lagrgation interne est un peu trange car
X +Y nest pas forcment une variable alatoire densit ou une variable alatoire discrte, et dans
ce cas lesprance (au sens de lagrgation ) nest pas dnie, bien sur lorsquon connat lintgrale de
Lebesgue il ny a plus de problme. Comme cette proprit est trs importante on comprend toutefois
quelle soit au programme.
9
4.2 Loi normale A.Mizrahi
Exercice 8 : Donner un exemple trs simple o X et Y sont densit mais pas X +Y .
Montrer que var(X) = E(X
2
) E(X)
2
.
Exercice 9 : Soit X une variable alatoire exponentielle de paramtre :
f
X
(t) =
_
e
t
si t 0
0 sinon
Dterminer lesprance de X, la probabilit P(1 < X < 1) ainsi que P(X = 1).
Proposition 24 : (admis) Soit g une application de R dans R continue par morceaux, telle que x
g(x)f
X
(x) soit intgrable sur R, alors g(X) est une variable alatoire dont lesprance est donne par
_
R
g(x)f
X
(x) dx.
Remarque 21 : On peut refaire la remarque 20. On peut facilement dmontrer ce rsultat pour une
fonction g continue bijective.
Exercice 10 : Dans lexercice 6, calculer de deux faons diffrentes E(

X).
4.2 Loi normale
Dnition 21 : On appelle variable alatoire normale ou Gaussienne de paramtre (m,
2
), une
variable alatoire admettant f
X
comme densit :
f
X
(t) =
1

2
e

(tm)
2
2
2
Remarque 22 : Il nexiste pas de primitive de f
X
qui scrive laide des fonctions usuelles.
Proposition 25 : Soit (a, b) R

R, si X est une variable alatoire normale de paramtres (m,


2
)
alors aX +b suit une loi normale de paramtre (am +b, a
2

2
).
Preuve : Il suft de regarder la fonction de rpartition puis de driver.
Proposition 26 : Soit X est une variable alatoire normale de paramtres (m,
2
), on a E(X) = m
et var(X) =
2
.
Preuve : Calculs.
5 Vecteurs alatoires
Dnition 22 : Une application de dans R
p
est un vecteur alatoire si chacune de ses composantes
est une variable alatoire.
5.1 Vecteurs alatoires discrets
Dnition 23 : Un vecteur alatoire est discret si chacune de ses composantes est une variable ala-
toire discrte.
Dnition 24 : La loi dun vecteur alatoire discret (X
1
, . . . , X
n
) est la fonction p de X
1
() . . .
X
n
() dans R telle que p(x
1
, . . . , x
n
) = P(X
1
= x
1
, . . . , X
n
= x
n
).
Dnition 25 : X
1
, . . . , X
n
sont indpendantes si quelque soit (x
1
, . . . , x
n
), les vnements
(X
i
= x
i
) sont indpendants cest dire :
P
_
n

i=1
(X
i
= x
i
)
_
=
n

i=1
P(X
i
= x
i
)
10
5.2 Vecteurs alatoires densit A.Mizrahi
Proposition 27 : Si X et Y sont des variables alatoires indpendantes ayant une esprance alors
XY a une esprance et E(XY ) = E(X)E(Y ).
Preuve : E(XY ) =

z(XY )()
zP(XY = z) =

(x,y)X()Y ()
xyP(X = x, Y = y) =

(x,y)X()Y ()
xyP(X = x)P(Y = y) =

xX()

yY ()
xyP(X = x)P(Y = y) = E(X)E(Y )
Exercice 11 : Montrer que si X et Y possdent des variances et sont indpendantes alors
var(X +Y ) = varX + varY
Dnition 26 : Soient X et Y deux variables alatoires, on dnit la covariance de X et Y
lorsquelle existe par cov(X, Y ) = E
_
(X E(X))(Y E(Y )
_
, et on dnit le coefcient de
corrlation
X,Y
lorsque X et Y ont des variances non nuls par

X,Y
=
cov(X, Y )

varX varY
Proposition 28 : cov(X, Y ) = E(XY )E(X)E(Y ), si X et Y sont indpendantes alors cov(X, Y ) =
0. La rciproque est fausse.
Exercice 12 : X suit une loi de Poisson de paramtre , et on dnit la loi de Y laide dune
probabilit conditionnelle : P(Y = k|X = n) = C
k
n
p
k
(1 p)
nk
. Calculer lesprance de XY puis
cov(X, Y ), dterminer la loi de Y .
Proposition 29 : La variance dune somme de variables alatoires indpendantes ayant une variance,
possde une variance gale la somme des variances des diffrentes variables alatoires.
Proposition 30 : Soient f
1
, . . . , f
n
: R R des fonctions et X
1
, . . . , X
n
des variables alatoires
discrtes indpendantes alors les variables alatoires f
1
X
1
, . . . , f
n
X
n
sont indpendantes.
Proposition 31 : Soient X
1
, . . . , X
n
des variables alatoires indpendantes valeur dans N, alors la
somme S
n
= X
1
+. . . +X
n
a pour fonction gnratrice le produit des fonctions gnratrices :
g
S
n
(t) =
n

k=1
g
X
k
(t)
Preuve : g
S
n
(t) = E(t
S
n
) = E(t
X
1
+...+X
n
) = E(t
X
1
. . . t
X
n
) =

n
k=1
E(t
X
1
) . . . E(t
X
n
) =

n
k=1
g
X
k
(t)
5.2 Vecteurs alatoires densit
Dnition 27 : Une fonction de R
p
dans R
+
est une densit sur R
p
si elle est intgrable sur R
p
dintgrale gale 1. Un vecteur alatoire possde la densit f si pour tout intervalle I
1
, . . . , I
p
,
P
_
(X
1
I
1
) . . . (X
p
I
p
)
_
=
_
I
1
. . .
_
I
p
f(x
1
, . . . , x
p
) dx
1
. . . dx
p
Proposition 32 : (admis) Si A est un domaine simple de R
p
et f une densit du vecteur (X
1
, . . . , X
p
),
alors P(X A) =
_
A
f(x
1
, . . . , x
p
) dx
1
. . . dx
p
.
Exercice 13 : Soit (X, Y ) un couple de V.A. ayant f pour densit, et = {(x, x)|x R}, montrer
que P((X, Y ) ) = 0.
Dnition 28 : On appelle indicatrice dun sous-ensemble A dun ensemble E, la fonction valant 1
sur A et 0 sur son complmentaire.
Proposition 33 : (admis) Comme dans la remarque 18 si g est le produit dune fonction continue de
R
p
dans R et dune indicatrice dun domaine simple de R
p
et sous rserve dintgrabilit, on a
E(g(X
1
, . . . , X
p
)) =
_
R
. . .
_
R
g(x
1
, . . . , x
p
)f(x
1
, . . . , x
p
) dx
1
. . . dx
p
11
5.2 Vecteurs alatoires densit A.Mizrahi
Dnition 29 : Soient X
1
, . . . , X
p
des variables alatoires densit, elles sont indpendantes si pour
tous intervalles I
1
, . . . , I
p
, P((X
i
I
i
)) =

P(X
i
I
i
)
Proposition 34 : Si X
1
, . . . , X
p
sont des variables alatoires densit, elles sont indpendantes
ssi la fonction dnie par f(x
1
, . . . , x
n
) = f
X
1
(x
1
)f
X
2
(x
2
) . . . f
X
p
(x
p
) est une densit du vecteur
(X
1
, . . . , X
p
).
Preuve : Supposons que ce soit une densit du vecteur, alors P((A
i
I
i
)) =
_
I
1
. . .
_
I
p
f(x
1
, . . . , x
p
) dx
1
. . . dx
p
=
_
I
1
. . .
_
I
p
f
X
1
(x
1
)f
X
2
(x
2
) . . . , f
X
p
(x
p
) dx
1
. . . dx
p
et daprs le
thorme de Fubini, ceci est gale au produit des intgrales
_
I
k
f
X
k
(x
k
) dx
k
, dou lindpendance.
rciproquement, on applique encore Fubini.
Dnition 30 : Soient X et Y deux variables alatoires, on dnit la covariance de X et Y
lorsquelle existe par cov(X, Y ) = E
_
(X E(X))(Y E(Y ))
_
, et on dnit le coefcient de
corrlation
X,Y
lorsque X et Y ont des variances non nuls par

X,Y
=
cov(X, Y )

varX varY
Proposition 35 : cov(X, Y ) = E(XY ) E(X)E(Y )
si X et Y sont indpendantes alors
cov(X, Y ) = 0. La rciproque est fausse.
Exercice 14 : Soit A le domaine du carr unit dni par
A = {(x, y) [0, 1]
2
: x y +
1
2
ou x y x +
1
2
}.
a) Dterminer
_ _
1
A
(x, y) dx dy
b) Soit (X, Y ) un couple de v.a. de densit uniforme sur A. Dterminer les lois marginales de X et
de Y .
c) Calculer P(X +Y 1)
d) Calculer Cov(X, Y ).
Proposition 36 : Soient X et Y deux variables alatoires indpendantes admettant f
X
et f
Y
comme
densit. Soient et des fonctions continues par morceaux telles que (X) et (Y ) aient une
esprance alors (X)(Y ) possde une esprance gale E((X))E((Y ))
Preuve : Fubini
Remarque 23 : En particulier, toujours dans le cas de VA indpendantes, si = = Id, on a
E(XY ) = E(X)E(Y ) et cov(X, Y ) = 0.
Proposition 37 : Soient X et Y deux variables alatoires indpendantes de lois normales, X +Y est
encore une variable alatoire normale.
Preuve : Il suft de regarder le cas ou X et Y sont de paramtre (0,
1
2
).
12
A.Mizrahi
Dterminons la fonction de rpartition de X +Y : F
F(t) = P(X +Y t) = P((X, Y ) {(x, y)|x +y t})
=
_ _
{(x,y)|x+yt}
f
(X,Y )
(x, y) dxdy
=
_ _
{(x,y)|x+yt}
f
X
(x)f
Y
(y) dxdy
=
_
[;t]
_
R
f
X
(u y)f
Y
(y) dy du
=
1

_
[;t]
_
R
e
(uy)
2
y
2
dy du
=
1

_
[;t]
e

1
2
u
2
_
R
e
2(y
1
2
u)
2
dy du
=
1

_
[;t]
e

1
2
u
2
_
R
e
2(v)
2
dv du
=
1

_
[;t]
e

1
2
u
2 1
2

2 du
=
1

2
_
[;t]
e

1
2
u
2
du
Donc la fonction de rpartition est drivable, et sa drive est la densit dune loi normale de paramtre (0, 1).
Donc X +Y suit une loi normale centre rduite.
Remarque 24 : On peut trouver une formule du mme genre dans le cas gnral, pour deux
variables alatoires densit, indpendantes, leur somme admet pour densit le produit de
convolution de deux densits :
f
X
f
Y
(t) =
_
R
f
X
(t x)f
Y
(x) dx
6 Thormes limites
Proposition 38 : Ingalit de Bienaym Tchebychev
Soit X une variable alatoire discrte ou densit ayant une esprance m et une variance
2
. On a :
> 0, P(|X m| )

2

2
Remarque 25 : Cette ingalit permet de contrler, lloignement de la variable alatoire X par
rapport sa valeur moyenne m.
Preuve : Dans le cas de VA densit.
var(X) =
_
R
(x m)
2
f
X
(x) dx

_
R\[m,m+]
(x m)
2
f
X
(x) dx

_
R\[m,m+]

2
f
X
(x) dx

2
P(X [m, m+])
13
A.Mizrahi
Dou le rsultat, dans le cas des VA densit.
Thorme 2 : Loi faible des grands nombres
Soit (X
n
) une suites de variables alatoires indpendantes et de mme loi (discrte ou densit)
ayant pour esprance m et pour variance
2
. On a :
> 0, lim
n
P(|
1
n
n

k=1
X
k
m| > ) = 0
Remarque 26 : Cela est une faon de dire que la variable alatoire dnie comme la moyenne
arithmtique de n variables alatoires indpendantes de mme loi, est trs proche pour n grand de
lesprance (cest dire une sorte de moyenne thorique) de chacune de ces variables alatoires.
Preuve : Il suft dappliquer lingalit de Bienaym Tchebychev, la variable alatoire
1
n

n
k=1
X
k
qui a
pour esprance m et pour variance

2
n
.
Thorme 3 : Loi forte des grands nombres (admis)
Soit (X
n
) une suites de variables alatoires indpendantes et de mme loi (discrte ou densit)
ayant pour esprance m. alors lensemble
A = { | lim
X
1
() +X
2
() +. . . +X
n
()
n
= m}
appartient la tribu de , de plus sa probabilit est gale 1.
Thorme 4 : Thorme de la limite centrale (admis)
Soient (X
n
) une suites de variables alatoires indpendantes, de mme loi (discrte ou densit)
ayant pour esprance m, pour variance
2
, Y une variable alatoire de loi normale centre rduite, et
Z
n
=
_
X
1
+X
2
+...+X
n
n
m

n =
X
1
+X
2
+. . . +X
n
nm

n
pour tout intervalle I on a :
lim
n
P(Z
n
I) = P(Y I)
14
A.Mizrahi
7 Exercices
7.1 Modlisation
Exercice 1 : On dispose de 3 urnes et de 3 boules. On rpartit au hasard les boules dans les urnes.
Modliser les cas suivants laide dun ensemble et dune probabilit P sur :
1) Les urnes et les boules sont distinguables (discernables).
2) Les urnes sont distinguables mais non les boules.
3) Les boules sont distinguables mais non les urnes.
4) Les boules et les urnes sont indistinguables.
Exercice 2 : On constitue une le dattente en attribuant au hasard des numros dordre n
personnes. Quelle est la probabilit que deux amis soient distants de r places (cest dire spars par
r 1 personnes). On rsoudra lexercice en utilisant trois modlisations diffrentes :
a) = {(k
1
, k
2
)|k
1
= k
2
}
b) = {{k
1
, k
2
}|k
1
= k
2
}
c) = {(k
1
, k
2
, ..., k
n
)|i, j, i = j = k
i
= k
j
}
Exercice 3 : On jette un d, et on veut modliser le nombre de jets ncessaire pour quun 6
apparaisse
a) laide dune probabilit sur N

.
b) A laide dune variable alatoire N.
c) Calculer E(N), interprtation.
Exercice 4 : Montrer quil nexiste pas de probabilit uniforme sur N.
7.2 Indpendance
Exercice 5 : (Foata-Fuchcs p66)
Soient (, P) un espace de probabilit, et A et B deux vnements de cet espace, notons , , , et
les probabilits des vnements A B, A B, A B, et A B.
a) Calculer + + +.
b) Montrer que P(A B) P(A)P(B) =
c) Montrer que |P(A B) P(A)P(B)|
1
4
.
d) Donner des exemples dgalits.
Exercice 6 : (Foata-Fuchs p59 remarque 1)
On lance deux ds, on note A lvnement le premier d donne un nombre pair, B lvnement le
deuxime d donne un nombre impair, C lvnement la parit des deux ds est la mme . Modliser
lexprience alatoire laide dune mesure de probabilit. Discuter les indpendances de A et B, de
A et C, de B et C et de A, B et C.
Exercice 7 : (Foata-Fuchs 8p63) On fait lhypothse que dans une famille les sexes des enfants sont
indpendants les uns des autres et que chaque enfant a la probabilit
1
2
dtre un garon et la
probabilit
1
2
dtre une lle.
a) Une famille a deux enfants dont lun au moins est un garon . Quelle est la probabilit pour que
les deux enfants soient des garons ?
b) Une famille a deux enfants. Lan est un garon, quelle est la probabilit pour que les deux enfants
soient des garons ?
Exercice 8 : (Il y en partout par ex Prcis )HEC Proba stat Belin (Degrave)
Un dpistage systmatique est effectu sur une population dont 0.1% des individus prsentent une
certaine affection A non apparente. Ce dpistage est dbut par un test qui donne 95% de rsultats
positifs pour les personnes atteintes par A, et 1% de rsultat positifs pour les personnes non atteintes.
15
A.Mizrahi
Quelle est la probabilit conditionnelle quune personne prise au hasard soit atteinte par A sachant
que le test a donn un rsultat positif ? soit indemne sachant que le test a donn un rsultat ngatif ?
Exercice 9 : Dress, corrig peu convainquant p 29
Devant un certain tableau clinique, on estime que 6 personnes sur 10 sont atteintes dune maladie M.
On effectue alors deux tests biologiques dont les rsultats sont indpendants (toute la difcult rside
dans la modlisation de cette hypothse). Les deux tests donnent 95% de rsultats positifs pour les
personnes atteintes par M, et 10% de rsultat positifs pour les personnes non atteintes.
a) Quelle est la probabilit que la personne soit malade si les deux tests sont positifs ?
b) Quelle est la probabilit que le deuxime test soit positif si le premier.
Exercice 10 : Harari p33 non corrig
On sintresse la transmission dune information binaire, cest dire ne pouvant prendre que deux
valeurs. On admet que le procd de transmission directe entre deux individus A et B est tel que,
lorsque A met une valeur de linformation destination de B, ce dernier reoit la valeur mise par
A avec la probabilit p, et donc lautre valeur avec la probabilit q = 1 p, on suppose que
0 < p < 1. On considre des individus successifs i
0
, i
1
, ..., i
n
avec n N. Linformation mise par i
0
est transmise i
1
, qui transmet la valeur reue i
2
, et ainsi de suite jusqu i
n
.
Entre deux individus, i
k
et i
k+1
, la transmission de linformation suit la loi dcrite plus haut. On note
p
k
la probabilit que la valeur de linformation reue par i
k
soit identique celle mise par i
0
, et on
pose p
0
= 1.
a) Exprimer p
k+1
en fonction de p
k
.
b) On rappelle que pour tudier une suite arithmtico-gomtrique du genre u
n+1
= au
n
+b on pose
v
n
= u
n
+ avec tel que (v
n
) soit une suite gomtrique. En dduire une expression de p
n
en
fonction de n et de p.
c) Dterminer lim
k
p
k
d) Dterminer un p tel que p
100
> 99, 9%
Exercice 11 : (Degrave Prcis) En fait cest un exemple trs simple de chane de Markov
Trois enfants A,B et C jouent avec une balle. Lorsque A a la balle, la probabilit quil lenvoie C
est 0,25. Lorsque B a la balle, il len voie respectivement A et a C avec les probabilits 0,75 et
0,25. C envoie toujours la balle B. On dsigne par A
n
(resp. B
n
, C
n
)les probabilits pour qu
lissue du nime lancer, ce soit A (resp. b et C) qui ait la balle.
a) Montrer quil existe une matrice carre M telle que
_
_
A
n+1
B
n+1
C
n+1
_
_
= M
_
_
A
n
B
n
C
n
_
_
b) Diagonaliser M et calculer M
n
pour n N.
c) Calculer les limites lorsque n tend vers linni des probabilits A
n
, B
n
et C
n
. On vriera que ces
limites sont indpendantes de lenfant qui avait la balle au dbut du jeu.
7.3 Variables alatoires discrtes
Exercice 12 : Soit X une variable alatoire de Poisson de paramtre :
n N, P(X = n) = e

n
n!
a) Dterminer son esprance, laide de la dnition puis de la fonction gnratrice.
b) Dterminer sa variance, laide de la dnition puis de la fonction gnratrice.
Exercice 13 : Soit T une v.a. entire dnie sur (, A, P). On suppose que n N, P(T > n) = 0
et (p, n) N
2
, P(T n +p|T n) = P(T p).
16
A.Mizrahi
a) Montrer que T suit une loi gomtrique (Ce sont les variables alatoires de la forme
P(T = n) = a
n
(1 a)).
b) Donner un exemple dexprience modlise par une telle loi.
c ) Dterminer la fonction gnratrice dune variable alatoire gomtrique, en dduire son esprance
et sa variance.
Exercice 14 : (Prcis 111 p 104)
On joue pile ou face avec une pice non quilibre. A chaque lancer la probabilit dobtenir pile est
gale
2
3
tandis que celle dobtenir face est gale
1
3
.Les lancers sont supposs indpendants. On
note X une variable alatoire modlisant le nombre de lancers ncessaires pour lobtention, pour la
premire fois, de 2 piles conscutifs. soit n N

, on note p
n
la probabilit de lvnement (X = n).
a) Expliciter les vnements (X = 2), (X = 3), (X = 4). dterminer p
1
, p
2
, p
3
, p
4
.
b) laide de la formule des probabilits totales, en distinguant deux cas selon le rsultat du premier
lancer, montrer que :
n 3; p
n
= p
n
=
2
9
p
n2
+
1
3
p
n1
c) En dduire lexpression de p
n
en fonction de n.
d) Dterminer E(X).
Exercice 15 : Soient X
1
, . . . X
n
des variables alatoires indpendantes de mme lois de Bernoulli de
paramtre p. Quelle est la loi de la somme S =

n
k=1
X
k
, quelle est lesprance de cette somme et sa
variance ? Montrer quil nexiste pas de variables alatoires Y indpendantes des X
i
telle que S Y
suivent une loi binomiale de paramtre (n 1, p). Que pensez vous de la question si on ne suppose
plus lindpendance ?
Exercice 16 : Soient X
1
, . . . X
n
, . . . des variables alatoires indpendantes de lois de Bernoulli de
paramtre p
n
telle que limnp
n
= > 0.
a) Quelle est la limite de P(X
n
= k) lorsque n tend vers linni ? Interprtation.
b) Application : La proportion de maisons touches par la foudre une anne donne est 0, 001%,
quelle est la probabilit quune assurance assurant 100 000 maisons, ait moins de 3 maisons touches
par la foudre, on prcisera les hypothses faites et on les critiquera.
Exercice 17 : Prcis p 106
Soient X et Y des variables alatoires indpendantes de mme loi uniforme sur {1, . . . , n}. Calculer
P(X = Y ), P(x Y ), dterminer la loi de X Y . Dterminer la covariance de X Y et X +Y .
7.4 Variable alatoires densit
Exercice 18 : Soit X une variable alatoire, de fonction de rpartition F
X
.
a) Montrer que si X est une variable alatoire densit alors F
X
est continue.
b) Montrer que si F
X
est continue alors P(X = a) = 0 pour tout rel a.
Exercice 19 : partout
Soit X une variable alatoire uniforme sur [a; b], dterminer son esprance et sa variance.
Exercice 20 : Soit X une variable alatoire de densit f
X
(t) = t1
[0;]
(t), avec >.
1) Dterminer une relation entre et .
2) Reprsenter f
X
et la fonction de rpartition de X : F
X
.
3) Dterminer et pour que X ait une esprance gale 2.
Exercice 21 : en partie trait dans prcis
Soit X une variable alatoire uniforme sur ] 1; 1[, dterminer la loi et lesprance de U = |X|,
V = X
2
, et W =
1
2
ln
1+X
1X
.
Exercice 22 : Une variable alatoire est dite exponentielle de paramtre si elle admet pour
densit :
f
X
(x) = e
x
1
R
+(x)
17
A.Mizrahi
Soient X et Y deux variables alatoires exponentielles indpendantes de mme paramtre, dterminer
la loi de X +Y .
Exercice 23 : Prcis p 210
Soit Z une variable alatoire de densit f
X
(t) = e
|t|
.
a) Dterminer .
b) Dterminer la loi de la variable alatoire Z = |T|.
c) Soient X et Y deux variables alatoires indpendantes de loi exponentielle de paramtre 1, dter-
miner la lois de X Y .
Exercice 24 : partout Gaultier p 51
Une variable alatoire est dite de Cauchy de paramtre a > 0 si elle admet pour densit :
f
X
(x) =
a

1
a
2
+x
2
a) Montrer que f
X
est bien une densit.
b) Montrer quune variable alatoire de Cauchy ne possde pas desprance.
c) Si X est une variable alatoire de Cauchy de paramtre a quelle est la loi de 2X.
Exercice 25 : Soient X
1
et X
2
deux v.a. indpendantes de mme loi uniforme sur [0, 1]. Dterminer
les lois des variables alatoires U = max{X
1
, X
2
} et V = min{X
1
, X
2
}. Que vaut E(| X
1
X
2
|) ?
Exercice 26 : Soit A le domaine du carr unit dni par
A = {(x, y) [0, 1]
2
: x y +
1
2
ou x y x +
1
2
}.
a) Dterminer
_ _
1
A
(x, y) dxdy
b) Soit (X, Y ) un couple de v.a. de densit uniforme sur A. Dterminer les lois marginales de X et
de Y .
c) Calculer Cov(X, Y ).
Exercice 27 : Srie Schaum p 57
La densit de probabilit jointe de (X, Y ) est f
(X,Y )
:
f
(X,Y )
(x, y) = cxy si (x, y) [0; 4] [1, 5] sinon 0
valuer c, calculer P(X 3, Y 2), dterminer la loi de X, calculer la covariance de (X, Y ).
X et Y sont-elles indpendantes ?
7.5 Loi normale
Exercice 28 : Prcis exemple 3 p 189 et p 202
Soient X une variable alatoire admettant pour densit une fonction f continue sauf en un nombre
ni de points, et (a, b) R

R, on pose Y = aX +b, montrer que Y est densit et dterminer sa


densit.
Application : Montrer que si X suit une loi normale de paramtre (m;
2
) alors X

=
1

(X m) suit
une loi normale de paramtre (0; 1).
Exercice 29 : soient X et Y deux variables alatoires indpendantes, ayant des densits f
X
et f
Y
continues sur R.
a) Dterminer la fonction de rpartition de la variable alatoire S = X +Y
b) On suppose de plus que f
X
est borne, montrer que S est une variable alatoire densit, on
donnera une forme intgrale de cette densit.
c) Si X et Y deux variables alatoires indpendantes de mme loi normale centre rduite,
dterminer la loi de X +Y .
d) Mme question si les paramtres de X et Y sont (m,
2
) et (m

,
2
).
18
A.Mizrahi
7.6 Thormes limites
Exercice 30 : Convergence en loi, de la loi hypergomtrique vers la loi binomiale.
Soit (X
k
) une suite de variables alatoires hypergomtriques de paramtres (n, M
k
, N
k
) telle que
lim
k+
M
k
= + et lim
k+
M
k
N
k
+M
k
= p ]0; 1[
montrer que :
lim
k
P(X
k
= l) = C
l
n
p
l
(1 p)
nl
interprter le rsultat.
Exercice 31 : Soient X
1
, X
2
, . . . , X
n
des variables alatoires indpendantes de loi uniforme sur
[0, A]. Il faut avoir en tte que lon ne connat pas A et quon cherche le dterminer. On pose
M =
2
n
(X
1
+. . . +X
n
) et S = max(X
1
, . . . , X
n
).
1. Dterminer lesprance et la variance de M.
2. Dterminer la loi et lesprance de S.
3. On choisit tel que T = S soit desprance A, dterminer la variance de T.
4. Sur un site de fouille, on retrouve des vis de diffrentes longueurs, tout laisse supposer que les
habitants du lieu, utilisaient un outil permettant de fabriquer des vis de longueurs variables de
1 A cm, et quils fabriquaient ces vis sans quil y ait de longueurs privilgies. On retrouve
des vis de longueurs 3,1 ;5,3 ;1,6 et 5,7 cm, comment peut-on estimer A?
Exercice 32 : de ce genre partout Prcis p 250
Une entreprise compte 300 employs, chacun deux tlphone en moyenne 6 minutes par heures.
Quel est le nombre de lignes que lentreprise doit installer pour que la probabilit que toutes les
lignes soient utilises au mme instant soit au plus gale 0,025.
Exercice 33 : Prcis p 251
Soit (X
n
) une suite de variables alatoires valeur dans N telle que pour tout k {1, . . . , n},
P(X
n
k) =
k
2
n
3
(3n 2k)
On pose Y
n
=
X
n
n
.
a) Soit x un rel donn. Dterminer la limite de la suite
[nx]
2
n
.
b) Montrer que pour tout x [0; 1] :
P(X
n
k) =
[nx]
2
n
3
(3n 2[nx])
c) en dduire la limite de (P(Y
n
x) pour tout x R.
Bibliographie :
Pour les exercices
Foata-Fuchs, calcul des probabilits, DUNOD dition 2
Degrave, Prcis de Mathmatiques HEC Probabilits et statistiques, Bral
Harari Personnaz, cours de mathmatiques 3.Probabilis, HEC Belin
Dress, Probabilits statistique Deug sciences, Dunod
Gaultier, Probabilits 70 exercices corrigs, Vuibert
Murray R. Spiegel, Probabilit et statistique, srie Schaum
Pour le cours, en plus des prcdents et particulirement le premier
Ouvrard, Probabilits 1, Cassini
Lannuzel, Probabilits et statistiques, Masson
19
A.Mizrahi
Problme de probabilit
8 fvrier 2006
Soit X une variable alatoire densit de densit f
X
, on appelle fonction caractristique de X la fonction
dnie par :
t R, (t) = E(e
itX
)
1. Gnralits
(a) Montrer que est une fonction dnie et continue sur R.
(b) Dterminer (0), et montrer que || est majore par |(0)|.
(c) Soient a = 0 et b des rels, dterminer la fonction caractristique de la variable alatoire Y =
aX +b,
Y
en fonction de celle de X.
(d) Montrer que si X admet une esprance alors est une fonction de classe C
1
, et E(X) =
1
i

(0).
(e) Montrer que si X admet un moment dordre k alors est une fonction de classe C
k
, et :

k
(X) =
1
i
k

(k)
(0)
(f) Montrer que si X possde une variance alors :
(t) = 1 +iE(X)t
1
2
E(X
2
)t
2
+o(t
2
)
(g) Soient Y et Z deux variables alatoires densit, indpendantes, montrer que :
t R,
(Y +Z)
(t) =
X
(t)
Y
(t)
2. Quelques fonctions caractristiques
(a) Dterminer la fonction caractristique dune variable alatoire uniforme sur un intervalle [a; b].
(b) Dterminer la fonction caractristique dune variable alatoire exponentielle de paramtre .
(c) Soit X une variable alatoire normale, centre, rduite, on note sa fonction caractristique, mon-
trer que t,

(t) = t(t). En dduire .


(d) Dterminer la fonction caractristique dune variable alatoire normale de paramtres m,
2
.
3. Quelques applications
(a) Dterminer lesprance et la variance dune variable alatoire normale de paramtres m,
2
.
(b) On admet le rsultat suivant trs important qui justie lappellation de fonction caractristique,
deux variables alatoires ayant la mme fonction caractristique ont mme loi (par exemple elles
ont mme fonction de rpartition)
Dterminer la loi de la somme de deux variables alatoires normales indpendantes de paramtre
(m
1
,
2
1
) et (m
2
,
2
2
).
(c) Soient (X
n
) une suite de variables alatoires densit, et X une variable alatoire densit, on
note F
n
et F les fonctions de rpartitions et
n
et les fonctions caractristiques. On admet le
rsultat suivant, la suite de fonction (F
n
) converge simplement vers F ssi la suite de fonctions
(
n
) converge simplement vers .
Dmontrer le thorme de la limite centrale, pour une suite de variables alatoires indpendantes
de mme loi exponentielle de paramtre 1.
20
Index
associativit, 2, 3
Bienaym Tchebychev, 13
binomiale, 8
Cauchy, 18
centre, 7
coefcient de corrlation, 11, 12
covariance, 11, 12
croissance, 3
densit, 9, 11
discret, 10
discrte, 6
espace de probabilit, 5
esprance, 6, 9
exponentielle, 17
famille, 2
famille croissante, 4
fonction de rpartition, 5, 9
fonction gnratrice, 8
fonction mesurable, 5
Gaussienne, 10
gomtrique, 17
hypergomtriques, 19
indicatrice, 11
indpendantes, 10, 12
indpendants, 4
loi, 5, 6, 10
Loi faible des grands nombres, 14
Loi forte des grands nombres, 14
moment, 6, 9
normale, 10
partition, 2, 3
Poisson, 8
probabilit, 4
probabilit conditionnelle, 4
rduite, 7
sommable, 2
somme, 2
srie, 3
Thorme de la limite centrale, 14
transfert, 7, 11
tribu, 4
tribu borlienne, 5
variable alatoire, 5
variance, 6, 9
vecteur alatoire, 10
vnement, 4
21