Vous êtes sur la page 1sur 61

Exercices corrigs de

probabilits et statistique
Universit Paris 1 Panthon-Sorbonne
Cours de deuxime anne de licence de sciences conomiques
Fabrice Rossi
Cette uvre est mise disposition selon les termes de la licence Creative
Commons Paternit - Partage lIdentique 3.0 non transpos.
Table des matires
Table des matires iii
1 Dnombrement et quiprobabilit 1
2 Conditionnement et indpendance 9
3 Variables alatoires discrtes 17
4 Lois discrtes classiques 21
5 Variables alatoires continues 27
6 Lois continues classiques 35
7 Variable fonction dune autre variable 41
8 Couples de variables alatoires 47
volutions de ce document 55
iii
Introduction
Ce document propose des exercices corrigs illustrant le cours de probabilits
et statistique. Les corrections sont abondamment commentes pour faciliter la
comprhension et expliciter le raisonnement qui conduit la bonne solution.
On trouve ainsi la suite de lnonc dun exercice une srie de commentaires
encadrant des lments de correction. La rponse attendue lors dune valuation
est constitue de lensemble des lments de correction, lexclusion, bien
entendu, des commentaires.
v
Chapitre 1
Dnombrement et
quiprobabilit
Exercice 1.1
nonc On place dans un sac 5 billets de 5 e, 7 billets de 10 e et 10 billets
de 20 e. On choisit au hasard une poigne de 8 billets, chaque billet ayant la
mme probabilit dtre attrap.
1. Quelle est la probabilit de navoir choisi aucun billet de 5 e?
2. Quelle est la probabilit davoir obtenu uniquement des billets de 20 e?
3. Quelle est la probabilit davoir obtenu au moins un billet de chaque
valeur ?
4. On recommence lexprience en tirant les billets un par un et en remettant
le billet dans le sac aprs son tirage. Calculer les probabilits des trois
vnements ci-dessus dans cette nouvelle exprience.
Comme dans tout exercice de probabilit qui ne fait pas intervenir de variables
alatoires, on doit commencer la rsolution par la dnition de lunivers
associ lexprience. On rencontre ici une dicult classique : les billets dune
catgorie ne sont pas (facilement) discernables. On pourrait donc tre tent
de tenir compte de ce fait dans : cest en gnral une mauvaise ide. On
suppose donc les billets discernables (numrots, par exemple).
Correction
On suppose les billets discernables. On appelle c
1
, . . . , c
5
les 5 billets de
5 e, d
1
, . . . , d
7
les 7 billets de 10 e et v
1
, . . . , v
10
les 10 billets de 20 e. On
note lensemble des billets B, avec
B = c
1
, . . . , c
5
, d
1
, . . . , d
7
, v
1
, . . . , v
10
.
1
2 CHAPITRE 1. DNOMBREMENT ET QUIPROBABILIT
Lunivers de lexprience alatoire, , est constitu de tous les ensembles de
8 billets distincts, soit donc
= b
1
, . . . , b
8
[ i, b
i
B et j ,= i, b
i
,= b
j
.
La dnition de lunivers est ici trs formelle. On peut se contenter dune
dnition plus informelle, condition de bien faire ressortir dans celle-ci deux
lments cruciaux de lnonc : le nombre dlments choisis (ici 8) et la
nature du tirage. Ici, on indique quon tire une poigne de billets, ce qui
implique quil ny a pas de remise et quil ny a pas dordre. Ceci est traduit
mathmatiquement par le fait quon considre un ensemble de billets (et pas
une liste) et que les billets sont distincts. Ces deux mots cl (ensemble et
distinct) doivent imprativement apparatre dans la rponse. Il faut aussi faire
apparatre lensemble des objets dans lequel les sous-ensembles sont choisis (ici,
B).
Il faut maintenant dnir la probabilit sur . Comme dans de nombreuses
situations, on fait une hypothse naturelle dquiprobabilit, ce qui transforme
le calcul dune probabilit en celui de la taille dun ensemble.
Correction
Les billets tant quiprobables, on suppose que la probabilit est uniforme
que et donc que pour tout vnement A, sa probabilit P(A) est donne
par
P(A) =
[A[
[[
.
On sait que [[ est donn par C
8
22
car il sagit de lensemble des sous-ensembles
de cardinal 8 de lensemble B qui est lui mme de cardinal 22.
Notons quil est important de justier brivement le choix de la probabilit
uniforme (comme cest fait ici) et de rappeler le mode de calcul des probabilits
dans cette situation.
Une fois lexprience dcrite par son univers et la probabilit associe,
on peut passer aux questions proprement dites. En gnral, les solutions
obtenues en sattaquant directement aux questions sans passer par la phase de
modlisation sont totalement fausses.
Correction
Soit lvnement A = navoir aucun billet de 5 e. Il est clair que A
peut aussi sexprimer
A = avoir uniquement des billets de 10 e et de 20 e.
3
On cherche donc les sous-ensembles de 8 billets distincts choisis dans B

,
lensemble des 17 billets de 10 e et 20 e. On en dduit alors que [A[ = C
8
17
,
puis que
P(A) =
C
8
17
C
8
22
=
17!
9!8!
14!8!
22!
=
17 16 10
22 21 15
0, 076
Notons que le rsultat attendu est simplement celui qui fait apparatre les
formules explicites pour les C
p
n
. La simplication du rsultat et la valeur
numrique approche ne doivent pas tre fournies en gnral.
On peut interprter le rsultat sous forme dun tirage squentiel. Il est clair
en eet que la probabilit de tirer un unique billet qui ne soit pas de 5 e est
de
17
22
. Si on tire ensuite un deuxime billet sans remettre le premier, il ne
reste plus que 21 billets, dont seulement 16 ne sont pas de 5 e. La probabilit
de ne pas tomber sur un billet de 5 e devient donc
16
21
, puis
15
20
et ainsi de
suite jusqu
10
15
pour le huitime billet. En formalisant ce raisonnement et en
sappuyant sur la notion de probabilits conditionnelles, on peut retrouver le
rsultat sur P(A). Il est cependant beaucoup plus simple de dterminer la taille
de A en sappuyant sur des proprits connues.
Notons quil ne faut surtout pas chercher dterminer la composition de
la poigne de billets ne contenant pas de billets de 5 e au risque de perdre
beaucoup de temps. Cet exercice se direncie donc dautres exercices dans
lesquels on tudie une partie complexe de en la dcomposant en parties
plus simples. Ici, on sintresse toujours des sous-ensembles de taille huit,
mais on change lensemble dont ils sont des parties : on passe de B tout entier
(lensemble des 22 billets) un sous-ensemble de B. On procde exactement de
la mme faon pour la question suivante.
Correction
Soit lvnement D = obtenir uniquement des billets de 20 e. On
cherche ainsi les sous-ensembles de taille 8 billets choisis dans lensemble des
10 billets de 20 e. On donc [D[ = C
8
10
et
P(D) =
C
8
10
C
8
22
=
10!
8!8!
14!8!
22!
1, 41 10
4
.
La troisime question se traite dune faon assez dirente car elle ncessite de
rcrire lvnement.
4 CHAPITRE 1. DNOMBREMENT ET QUIPROBABILIT
Correction
Soit lvnement
E = obtenir au moins un billet de chaque valeur.
On tudie son complmentaire F = E quon dcompose en deux sous-
vnements disjoints :
F
1
= obtenir des billets dune seule valeur
F
2
= obtenir des billets de deux valeurs.
F
1
est en fait lvnement
F
1
= obtenir uniquement des billets de 20 e = D,
car il ny a pas assez de billets de 5 e et de 10 e pour obtenir une poigne
de 8 billets compose uniquement de lune ou lautre des valeurs. On sait
dj que [F
1
[ = C
8
10
. On dcompose F
2
en trois sous-ensembles disjoints :
G
5
= obtenir des billets de 10 e et de 20 e, et pas de 5 e,
G
10
= obtenir des billets de 5 e et de 20 e, et pas de 10 e,
G
20
= obtenir des billets de 5 e et de 10 e, et pas de 20 e.
On remarque que
G
20
= navoir aucun billet de 20 e.
En eet, comme il y a strictement moins de 8 billets de 5 e et de 10 e, ne
pas obtenir de billet de 20 e implique dobtenir au moins un billet de 5 e et
au moins un billet de 10 e. Daprs le raisonnement de la premire question,
on a donc [G
20
[ = C
8
12
.
On remarque aussi que
G
5
= aucun billet de 5 e uniquement des billets de 20 e.
Daprs la question 1, [aucun billet de 5 e[ = C
8
17
, alors que daprs la
question 2, [uniquement des billets de 20 e[ = C
8
10
. On a donc
[G
5
[ = C
8
17
C
8
10
.
Un raisonnement similaire conduit
[G
10
[ = C
8
15
C
8
10
.
Finalement, on a
[F[ = [F
1
[ +[G
5
[ +[G
10
[ +[G
20
[
= C
8
10
+C
8
17
C
8
10
+C
8
15
C
8
10
+C
8
12
= C
8
17
+C
8
15
+C
8
12
C
8
10
5
On a donc
P(E) = 1 P(F) = 1
C
8
17
+C
8
15
+C
8
12
C
8
10
C
8
22
0, 902.
Cette question est beaucoup plus complexe que les prcdentes et peut conduire
des solutions fausses de faon malheureusement assez naturelle. Il est frquent
par exemple de confondre les vnements G
5
et A. Or, dans G
5
, on considre les
poignes qui ne contiennent pas de billet de 5 e mais qui contiennent aussi au
moins un billet de 10 e et au moins un billet de 20 e. Lvnement A est moins
restrictif car il demande seulement de ne pas avoir de billet de 5 e. On peut
donc obtenir une poigne ne contenant que des billets de 20 e. Pour trouver
[G
5
[, on doit donc enlever de A les poignes ne contenant que des billets de 20
e.
Une autre erreur classique consiste essayer de construire les rsultats
de lexprience qui constituent lvnement tudi. Cette stratgie fonctionne
trs bien dans certaines situations, mais elle est parfois dlicate mettre en
uvre. Dans la question prcdente, on tudie donc des sous-ensembles de
8 billets contenant au moins un billet de chaque valeur. Pour obtenir un tel
sous-ensemble, on peut donc choisir un billet de 5 e (soit 5 possibilits), un
billet de 10 e (7 possibilits), un billet de 20 e (10 possibilits) et enn 5
billets quelconques parmi les 19 billets restants (soit donc C
5
19
possibilits). Les
choix tant indpendants, on obtient 5 7 10 C
5
19
faons de construire une
poigne de 8 billets.
Le problme est quon construit de cette faon plusieurs fois les mmes
poignes, ce qui revient les compter plusieurs fois. Si on choisit par exemple les
billets (c
1
, d
1
, v
1
) puis la poigne c
2
, c
3
, d
2
, d
3
, v
2
, on obtient la mme poigne
que si on commence par choisir (c
2
, d
2
, v
2
) puis la poigne c
1
, c
3
, d
1
, d
3
, v
1
.
En fait 5 7 10 C
5
19
= 4 069 800 alors que C
8
22
= 319 770 : on compte donc
de trs nombreuses fois les mmes poignes. Il faudrait ainsi trouver un moyen
dviter ces constructions redondantes, ce qui est assez complexe. La meilleure
solution reste alors la technique de dcomposition utilise dans la correction.
Le traitement de la question 4 ncessite lintroduction dun nouvel univers.
Comme indiqu plus haut, cette tape est indispensable pour obtenir des
rsultats corrects.
Correction
Le tirage tant maintenant squentiel, on obtient une liste de billets. De
plus, comme les billets sont remis dans le sac, on peut obtenir plusieurs fois
le mme. Lunivers est donc le produit cartsien B
8
, soit
= (b
1
, . . . , b
8
) [ i, b
i
B.
6 CHAPITRE 1. DNOMBREMENT ET QUIPROBABILIT
Comme dans la dnition du premier univers, on attend ici des expressions cl
importantes : liste (par opposition ensemble et pour tenir compte de lordre
dans le tirage) et plusieurs fois le mme (par opposition distinct et pour
traduire la remise entre chaque tirage).
On introduit ensuite la probabilit sur .
Correction
Comme dans les questions prcdents, on utilise la probabilit uniforme
sur , ce qui demande le calcul du cardinal de cet ensemble. Comme cest
un produit cartsien, on a
[[ = [B[
8
= 22
8
.
Le calcul des trois probabilits se fait ensuite assez facilement en utilisant les
mmes raisonnements que dans la premire exprience, avec les adaptations
ncessaires au mode de tirage.
Correction
On considre lvnement A = navoir aucun billet de 5 e. Comme
pour la question 1, il sagit de trouver les tirages ne contenant que des
billets de 10 e et de 20 e. On cherche donc les listes de 8 billets choisis
dans B

, lensemble des billets de 10 e et de 20 e. On a donc clairement


[A[ = [B

[
8
= 17
8
. Donc
P(A) =
17
8
22
8
0, 127.
De mme, lvnement D = obtenir uniquement des billets de 20 e se
traite comme la question : il sagit de trouver des listes de 8 billets choisis
parmi les 10 billets de 20 e. On a clairement 10
8
listes de ce type, ce qui
conduit
P(D) =
10
8
22
8
1, 82 10
3
.
Enn, lvnement
E = obtenir au moins un billet de chaque valeur,
se traite par dcomposition exactement comme dans la question 3. En
utilisant les mmes notations, on cherche donc la taille de son complmentaire
F en passant par F
1
et F
2
. Une dirence avec la question 3 est quon peut
obtenir ici des listes de 8 billets contenant uniquement des billets de 5 e, ou
uniquement des billets de 10 e car on remet les billets. On dcompose donc
7
F
1
en trois sous-vnements disjoints :
H
5
= obtenir uniquement des billets de 5 e,
H
10
= obtenir uniquement des billets de 10 e,
H
20
= obtenir uniquement des billets de 20 e.
Dans chaque cas, on cherche des listes constitues uniquement des billets dun
catgorie, ce qui conduit un ensemble contenant k
8
listes si on considre k
billets. On a donc
[H
5
[ = 5
8
,
[H
10
[ = 7
8
,
[H
20
[ = 10
8
.
Le calcul des cardinaux de G
5
, G
10
et G
20
se fait selon les mmes principes
que dans la question 3 : on compte dabord le nombre de listes ne contenant
pas de billets de la valeur non souhaite, puis on enlve au total le nombre
de listes composes uniquement dun type de billet. On obtient ainsi :
[G
5
[ = (7 + 10)
8
. .
pas de 5 e
7
8
..
uniquement des 10 e
10
8
..
uniquement des 20 e
,
[G
10
[ = (5 + 10)
8
5
8
10
8
,
[G
20
[ = (5 + 7)
8
5
8
7
8
.
Finalement, on a
[F[ = [H
5
[ +[H
10
[ +[H
20
[ +[G
5
[ +[G
10
[ +[G
20
[,
= 17
8
+ 15
8
+ 12
8
5
8
7
8
10
8
,
ce qui donne
P(E) = 1 P(F) = 1
17
8
+ 15
8
+ 12
8
5
8
7
8
10
8
22
8
0, 820.
Chapitre 2
Conditionnement et
indpendance
Exercice 2.1
nonc On considre le jeu suivant : le joueur lance dabord un d non truqu.
Il tire ensuite un jeton dans une urne choisie en fonction du rsultat du d.
Lurne A est choisie quand le d donne 1, 2 ou 3, lurne B quand on obtient 4
ou 5 et lurne C quand on obtient 6. Les urnes contiennent les jetons suivants :
urne A : deux jetons rouges, trois jetons bleus ;
urne B : deux jetons bleus, quatre jetons verts ;
urne C : un jeton vert, un jeton rouge.
1. Quelle est la probabilit dobtenir un jeton rouge par ce procd ?
2. On obtient un jeton vert. Quelle est la probabilit que ce jeton soit issu
de lurne B?
3. On obtient un jeton bleu. Quelle est la probabilit que le lancer du d ait
donn 3 ?
4. Quelle est la probabilit de ne pas obtenir un jeton vert, sachant que le
lancer du d a donn 3 ou 6 ?
5. Est-ce que lvnement choisir dans lurne C et lvnement obtenir
un jeton rouge sont indpendants ? Justiez votre rponse.
La rsolution de lexercice passe comme toujours par une premire phase
de modlisation dans laquelle on traduit lnonc sous forme dhypothses
mathmatiques.
Correction
On considre les vnements R, Bl et V qui correspondent respectivement
lobtention dun jeton rouge, bleu ou vert la n de lexprience. On
9
10 CHAPITRE 2. CONDITIONNEMENT ET INDPENDANCE
considre aussi les vnements A, B et C correspondant respectivement
lutilisation des urnes dsignes par les mmes lettres.
Comme le d utilis nest pas truqu, on suppose que la probabilit sur
lensemble des faces du d 1, . . . , 6 est uniforme. Daprs lnonc, on a
P(A[le d donne 1, 2 ou 3) = 1,
P(A[le d donne 4, 5 ou 6) = 0.
La probabilit conditionnelle sur P(A[le d donne 1, 2 ou 3) est la traduction
naturelle de la relation dterministe (cest--dire non alatoire) entre rsultat
du lancer de d et le choix de lurne. De faon gnrale, on traduit un nonc
de la forme si U alors V en P(V [U) = 1.
Correction
Comme les vnements {le d donne 1, 2 ou 3} et {le d donne 4, 5 ou 6}
sont disjoints et que leur union forme lunivers tout entier (du point de vue
du lancer du d), on peut appliquer la loi des probabilits totales. On a donc
P(A) =P(A[le d donne 1, 2 ou 3)P(le d donne 1, 2 ou 3)
+P(A[le d donne 4, 5 ou 6)P(le d donne 4, 5 ou 6).
On a donc aprs simplication
P(A) = P(le d donne 1, 2 ou 3) =
[1, 2, 3[
[1, 2, 3, 4, 5, 6[
=
1
2
.
De la mme faon, on obtient
P(B) =
1
3
,
P(C) =
1
6
.
On peut obtenir les probabilits des trois vnements A, B et C dune autre
faon en sappuyant sur la notion de variable alatoire, voir le chapitre 3. Dans
tous les cas, il est indispensable de sappuyer sur des proprits connues et des
dnitions prcises. Ici, on utilise la loi des probabilits totales. On commence
donc par indiquer que les hypothses de celle-ci sont remplies (vnements
disjoints et dont lunion est lunivers), puis on applique la loi. On ne peut pas
se contenter de donner directement le rsultat de cette application.
11
Correction
Considrons le tirage dun jeton dans lurne A. Lunivers correspondant

A
scrit

A
= r
1
, r
2
, b
1
, b
2
, b
3
,
o r
1
et r
2
sont les jetons rouges, et b
1
, b
2
, et b
3
les jetons bleus. Les jetons
sont supposs discernables pour faciliter lanalyse. En labsence dhypothse
particulire sur les urnes et les jetons, on suppose que la probabilit sur
A
,
P
A
, est uniforme. On a donc
P
A
(R) = P
A
(r
1
, r
2
) =
[r
1
, r
2
[
[r
1
, r
2
, b
1
, b
2
, b
3
[
=
2
5
.
De la mme faon, on trouve
P
A
(Bl) =
3
5
,
P
A
(V ) = 0.
On a donc
P(R[A) =
2
5
,
P(Bl[A) =
3
5
,
P(V [A) = 0.
Un raisonnement similaire permet de calculer les autres probabilits condi-
tionnelles comme par exemple P(Bl[B) que nous utiliserons pour rpondre
aux questions.
On note ici un passage de P
A
P(.[A) : il sagit de lutilisation directe de
la notion de probabilit conditionnelle. Quand on travaille dans lurne A, on
fait implicitement lhypothse que lvnement A a eu lieu. Toute lanalyse
conduite sur lurne A, en particulier son univers
A
et la probabilit associe
P
A
, nest donc valide que conditionnellement lvnement A. Les probabilits
quon obtient sont donc des probabilits conditionnelles.
La modlisation tant termine, on peut passer la rsolution des questions.
Correction
Pour obtenir la probabilit de R (obtention dun jeton rouge), on utilise
dabord la loi des probabilits totales relativement aux vnements A, B et
C. En eet, ces trois vnements sont disjoints et leur union forme lunivers
tout entier (puisquon choisit toujours une urne). On a donc
P(R) = P(R[A)P(A) +P(R[B)P(B) +P(R[C)P(C).
12 CHAPITRE 2. CONDITIONNEMENT ET INDPENDANCE
Il nous reste calculer P(R[B) et P(R[C). Or lurne B ne contient pas de
jeton rouge, ce qui donne P(R[B) = 0. En appliquant le mme raisonnement
que celui appliqu lurne A, on obtient que P(R[C) =
1
2
, car il y a deux
jetons dans lurne C dont un seul est rouge. On a donc
P(R) =
2
5

1
2
+ 0
1
3
+
1
2

1
6
=
17
60
.
Comme dans la phase danalyse, il est indispensable de bien sappuyer sur
des proprits connues des probabilits. En fait, cest encore plus crucial ici
que dans le calcul de P(A) par exemple. En eet, le recours aux probabilits
conditionnelles dans le calcul des probabilits des trois urnes est trs rigoureux,
mais on peut accepter une solution plus intuitive qui consiste simplement
traduire lvnement A en un vnement correspondant pour le lancer du d.
On peut dire en eet que
obtenir lurne A = le d donne 1, 2 ou 3,
puis calculer P(A) par simple dnombrement. Ce type de raisonnement nest
pas applicable pour la question 1 qui ncessite au contraire lutilisation de la
loi des probabilits totales.
Correction
On cherche donc calculer P(B[V ). On applique la rgle de Bayes qui
donne
P(B[V ) =
P(V [B)P(B)
P(V )
.
En appliquant toujours le mme raisonnement, on voit que P(V [B) =
4
6
=
2
3
car lurne B contient 6 jetons dont 4 sont verts. Pour calculer enn P(V ),
on applique de nouveau la loi des probabilits totales qui donne
P(V ) = P(V [A)P(A) +P(V [B)P(B) +P(V [C)P(C).
Comme lurne A ne contient pas de jeton vert, on a P(V [A) = 0. On a aussi
P(V [C) =
1
2
car lurne C contient 2 jetons dont un est vert. On a donc
P(V ) = 0
1
2
+
2
3

1
3
+
1
2

1
6
=
11
36
,
ce qui conduit
P(B[V ) =
2
3

1
3
11
36
=
8
11
.
On note deux points importants dans la solution. Il faut dabord traduire
correctement lnonc : ici on sait que V a eu lieu puisquon a obtenu un jeton
13
vert. On demande alors la probabilit de B, ce qui sous-entend quon cherche
la probabilit conditionnelle de cet vnement ou, en dautres termes, quon
cherche la probabilit de B sachant que V a eu lieu. On doit donc calculer
P(B[V ).
Cette grandeur tant inconnue, on utilise loutil classique pour se ramener
des grandeurs connues, savoir la rgle de Bayes (il faut imprativement
rappeler le nom de cette rgle pour lutiliser). Elle permet en eet de renverser
le conditionnement : on passe ici de P(B[V ) P(V [B). Or, cette deuxime
grandeur est connue puisquelle se dduit du protocole suivi dans lexprience.
La question suivante se traite exactement de la mme manire : on utilise
la rgle de Bayes et la loi des probabilits totales pour calculer les probabilits
conditionnelles recherches.
Correction
On cherche calculer P(le d donne 3[Bl). En notant 3 lvnement
sur le d, la rgle de Bayes donne
P(3[Bl) =
P(Bl[3)P(3)
P(Bl)
.
En appliquant 3 le mme raisonnement qu A, on a
P(Bl[3) =
3
5
,
car lvnement 3 conduit un tirage dun jeton dans lurne A qui en
contient 5 donc 3 sont bleus. Dautre part, comme le d nest pas truqu,
on a P(3) =
1
6
. Enn, on calcule P(Bl) par lintermdiaire de la loi des
probabilits totales, ce qui donne
P(Bl) = P(Bl[A)P(A) +P(Bl[B)P(B) +P(Bl[C)P(C).
Or, P(Bl[C) = 0 car lurne C ne contient pas de jeton bleu, et P(Bl[C) =
2
6
=
1
3
car lurne B contient 6 jetons donc 2 bleus. On a donc
P(Bl) =
3
5

1
2
+
1
3

1
3
+ 0
1
6
=
37
90
,
ce qui conduit
P(3[Bl) =
3
5

1
6
37
90
=
9
37
.
Ltude dun vnement sur le d plutt que sur lurne demande un peu
dattention : il faut en eet justier que P(Bl[3) = P(Bl[A) ce qui se fait
simplement en indiquant quon raisonne de la mme faon dans les deux cas.
14 CHAPITRE 2. CONDITIONNEMENT ET INDPENDANCE
On sait en eet que lobtention dun 3 conduit utiliser lurne A et donc
aux probabilits conditionnelles dj calcules. Il faut simplement bien faire
attention de considrer P(Bl[3) dans les calculs, et pas P(Bl[A), pour viter
toute confusion.
La question suivante est un peu plus subtile. Elle est destine tester
les connaissance sur les probabilits conditionnelles. En eet, si U et V sont
deux vnements disjoints, on pourrait croire que pour un autre vnement W,
P(W[U ou V ) est gal la somme de P(W[U) et P(W[V ), ce qui est faux en
gnral. En revanche, comme une probabilit conditionnelle est une probabilit,
on a bien
P(U ou V [W) = P(U[W) +P(U[V ),
quand U et V sont disjoints. En utilisant la rgle de Bayes ou la dnition des
probabilits conditionnelles, on peut donc calculer P(W[U ou V ), mais cest
un peu plus complexe quon pourrait le croire de prime abord.
Correction
On cherche donc P(V [D) avec
D = le d a donn 3 ou 6.
En utilisant le fait que P(V [D) = 1 P(V [D), on se ramne au calcul de
P(V [D). Or, par dnition des probabilits conditionnelles, on a
P(V [D) =
P(V D)
P(D)
=
P(V 3) +P(V 6)
P(3) +P(6)
,
la deuxime galit provenant du fait que D est lunion disjointe des deux
vnements 3 et 6 (qui dsignent respectivement lobtention dun 3 et
dun 6).
On sait que P(V 3) = 0 puisque lobtention dun 3 conduit utiliser
lurne A qui ne contient pas de jeton vert. Dautre part, en appliquant de
nouveau la dnition des probabilits conditionnelles, on a
P(V 6) = P(V [6)P(6).
Or, lobtention dun 6 conduit utiliser lurne C et donc choisir un jeton
parmi deux jetons (dont un est vert). On a donc P(V [6) =
1
2
. On en dduit
donc
P(V [D) =
0 +
1
2

1
6
1
6
+
1
6
=
1
4
,
et donc nalement que P(V [D) =
3
4
.
La dernire question est essentiellement une question de cours.
15
Correction
Deux vnements U et V sont indpendants si et seulement si P(U
V ) = P(U)P(V ). On considre donc lvnement C R. Par dnition des
probabilits conditionnelles, on a
P(C R) = P(R[C)P(C) =
1
2

1
6
.
Or, daprs la question 1, P(R) =
17
60
, donc
P(R) P(C) =
17
60

1
6
,= P(C R).
De ce fait, les deux vnements considrs ne sont pas indpendants.
Chapitre 3
Variables alatoires discrtes
Exercice 3.1
nonc On considre le jeu suivant : le joueur lance dabord un d non truqu.
Sil obtient 1, 2 ou 3, il gagne lquivalent en euros (cest--dire 1 e sil obtient 1,
par exemple). Sinon, il perd 2 e. On note X la variable alatoire correspondant
au gain du joueur (ngatif en cas de perte).
1. Donnez la loi de X et sa fonction de rpartition F
X
.
2. Calculez lesprance de X.
3. Calculez la variance de X.
On modie le jeu de la faon suivante : les gains restent les mmes pour les
rsultats 1, 2 ou 3, mais si le joueur obtient autre chose, il relance le d. Sil
obtient 3 ou moins, il gagne 3 e, sinon il perd 5 e.
1. Dcrivez formellement lunivers du nouveau jeu.
2. Donnez la loi de Y (qui dsigne de nouveau le gain du joueur) et calculez
son esprance.
3. Quelle variante du jeu est la plus avantageuse pour le joueur ?
Quand une variable alatoire est dnie de faon explicite, il est important
de bien dnir lunivers de lexprience alatoire de dpart an dviter toute
confusion. Cela sera particulirement important dans la deuxime partie de
lexercice.
Correction
Lexprience alatoire est un lancer de d dont lunivers est donc
= 1, 2, 3, 4, 5, 6,
muni dune probabilit uniforme (car le d nest pas truqu). La variable
alatoire X est donne par le tableau suivant :
1 2 3 4 5 6
X() 1 2 3 2 2 2
17
18 CHAPITRE 3. VARIABLES ALATOIRES DISCRTES
On en dduit donc que X() = 2, 1, 2, 3. La loi de X est donne par
P(X() = x) = P(X
1
(x)) pour les x X(). En utilisant le fait que
la probabilit P est uniforme, on obtient les rsultats rsums dans le tableau
suivant, dont la dernire ligne donne la loi de X :
x 2 1 2 3
X
1
(x) 4, 5, 6 1 2 3
P
X
(x)
1
2
1
6
1
6
1
6
Une fois la loi de X dtermine, les questions suivantes sont essentiellement
des questions de cours, associes la ralisation de quelques calculs.
Correction
La fonction de rpartition F
X
dnie par F
X
(x) = P(X x) est alors
F
X
(x) =
_

_
0 pour x < 2,
1
2
pour 2 x < 1,
2
3
pour 1 x < 2,
5
6
pour 2 x < 3,
1 pour x 3.
Pour calculer E(X), on applique la dnition de lesprance, savoir
E(X) =

xX()
xP
X
(x).
On obtient ainsi
E(X) = 2
1
2
+ 1
1
6
+ 2
1
6
+ 3
1
6
= 0.
Pour calculer V (X), on utilise V (X) = E(X
2
) (E(X))
2
. On a
E(X
2
) = (2)
2

1
2
+ 1
2

1
6
+ 2
2

1
6
+ 3
2

1
6
=
13
3
,
et donc V (X) =
13
3
4,33.
Pour le calcul de la variance, il est rare que le passage par la formule de
dnition, cest--dire
V (X) = E
_
(X E(X))
2
_
,
soit trs pratique. En gnral, il vaut mieux passer par la formule utilise
ci-dessus. Dans le calcul de E(X
2
), deux erreurs classiques sont viter. On
19
doit tout dabord mettre au carr les valeurs prises par X, pas les probabilits
de ces valeurs. De plus, il faut tre attentif au signe de ces valeurs : dans le
calcul ci-dessus, on a bien (2)
2
= 4 et non pas (2
2
) = 4, ce qui donnerait
un rsultat compltement faux.
La deuxime partie de lexercice est plus dlicate car lexprience ne semple
pas symtrique. La solution la plus simple pour lanalyser est de faire comme si
elle tait symtrique : on considre deux lancers de d, le deuxime tant inutile
pour la dnition de Y dans certaines situations. Cette approche sapparente
celle utilise pour faciliter le traitement de certains problmes dans lesquels on
fait comme si les objets tudis (des jetons par exemple) taient discernables
alors quils ne le sont pas.
Correction
On choisit comme univers celui dune exprience dans laquelle on lance
toujours deux fois le d. On a donc
= 1, 2, 3, 4, 5, 6 1, 2, 3, 4, 5, 6,
muni de la probabilit uniforme.
La variable alatoire Y est alors donne par le tableau suivant en fonction
du rsultat de lexprience = (u,v) :
(u,v) 1 2 3 4 5 6
1 1 1 1 1 1 1
2 2 2 2 2 2 2
3 3 3 3 3 3 3
4 3 3 3 5 5 5
5 3 3 3 5 5 5
6 3 3 3 5 5 5
On constate que Y () = 5, 1, 2, 3. Pour tout y Y (), on doit dtermi-
ner Y
1
(y) pour calculer la probabilit de cet vnement et ainsi la loi de
Y . Daprs le tableau, on a
Y
1
(5) =4, 5, 6 4, 5, 6,
Y
1
(1) =1 1, 2, 3, 4, 5, 6,
Y
1
(2) =2 1, 2, 3, 4, 5, 6,
Y
1
(3) =(3 1, 2, 3, 4, 5, 6) (4, 5, 6 1, 2, 3) .
En utilisant le fait que la probabilit sur est uniforme, on obtient le tableau
suivant qui rsume la loi de Y :
y 5 1 2 3
P
Y
(y)
9
36
=
1
4
6
36
=
1
6
6
36
=
1
6
6
36
+
9
36
=
5
12
20 CHAPITRE 3. VARIABLES ALATOIRES DISCRTES
Comme dans la premire partie de lexercice, une fois la loi de Y dtermine,
le reste nest que calcul...
Correction
On a
E(Y ) = 5
1
4
+ 1
1
6
+ 2
1
6
+ 3
5
12
=
1
2
.
Comme E(Y ) > E(X), on gagne en moyenne plus la deuxime variante
qui est donc plus avantageuse pour le joueur.
Chapitre 4
Lois discrtes classiques
Exercice 4.1
nonc Pour amliorer la sret de fonctionnement dun serveur informatique,
on envisage dintroduire de la redondance, cest--dire davoir plusieurs exem-
plaires des composants importants. On peut raliser les oprations suivantes :
on utilise trois alimentations de 300 Watts chacune : le serveur peut
continuer fonctionner avec une alimentation en panne car il consomme
au maximum 500 Watts.
on place les quatre disques durs en conguration RAID 5 : le serveur peut
continuer fonctionner avec un disque dur en panne.
On suppose que la probabilit de panne dune alimentation est p et que celle
dune panne de disque dur est q. On suppose en outre que tous les composants
sont indpendants.
1. Soit un serveur avec alimentations redondantes : calculer la probabilit
de panne du serveur en supposant quaucun autre composant que les
alimentations ne peut tomber en panne.
2. Soit un serveur avec disques durs RAID 5 : calculer la probabilit de
panne du serveur en supposant quaucun autre composant que les disques
dur ne peut tomber en panne.
3. Si p = q, quelle solution de redondance est la plus intressante ?
Cet exercice consiste avant tout en la modlisation dun problme rel au
moyen doutils probabilistes classiques. Il faut donc reconnatre dans lnonc
les hypothses qui permettent de se ramener des modles connus.
Correction
Comme un composant possde ici deux tats (en panne ou pas), on consi-
dre cet tat comme une variable de Bernoulli, ltat de panne correspondant
au succs de la variable.
21
22 CHAPITRE 4. LOIS DISCRTES CLASSIQUES
Donc, ltat de lalimentation i est reprsent par une variable A
i
distri-
bue selon B(p) une variable alatoire Bernoulli qui vaut 1 si lalimentation
est en panne.
Cette modlisation est trs frquente et trs classique. chaque fois quon
rencontre une grandeur alatoire qui peut prendre deux valeurs, on est en fait
en prsence dune variable de Bernoulli. La valeur reprsenter par 1 dpend de
ce quon veut faire dans la suite. Ici, on doit compter le nombre de composants
en panne pour savoir si lordinateur continue de fonctionner. Il est donc naturel
de reprsenter par 1 la panne plutt que le bon fonctionnement.
Correction
Lalimentation globale est constitue de trois alimentations A
1
, A
2
et
A
3
. Comme les alimentations sont des variables de Bernoulli indpendantes
de mme paramtre p, le nombre dalimentation en panne, qui est la somme
A
1
+A
2
+A
3
est une variable de loi Binomiale B(3, p).
De nouveau, nous utilisons ici une modlisation trs classique. Pour justier
lutilisation dune loi Binomiale, il faut rappeler les proprits importantes
suivantes : on compte les succs de variables de Bernoulli indpendantes et de
mme paramtre. Si les variables ne sont pas indpendantes ou si elles ont des
paramtres dirents, le rsultat nest pas une loi Binomiale. Notons aussi que
compter les succs ou faire la somme des variables est exactement la mme
chose et quon peut donc utiliser la justication la plus adapte au contexte.
Correction
Le serveur est en panne si deux au moins des alimentations sont en panne.
On note A lvnement panne de lalimentation globale . On a donc
P(A) = P(A
1
+A
2
+A
3
2),
= P(A
1
+A
2
+A
3
= 2) +P(A
1
+A
2
+A
3
= 3),
= C
2
3
p
2
(1 p) +C
3
3
p
3
,
= p
2
(3 2p),
en utilisant les proprits de la loi Binomiale.
La deuxime question est exactement la mme que la premire mais avec des
paramtres numriques lgrement dirents...
Correction
Comme pour les alimentations, on modlise les disques durs par des
variables D
j
de Bernoulli B(q), indpendantes. Le nombre de disques en
23
panne est alors une variable de loi Binomiale B(4,q). Le serveur est en panne
si au moins deux des disques sont en panne, lvnement correspondant D
tant de probabilit
P(D) = P
_
_
4

j=1
D
j
2
_
_
,
= P
_
_
4

j=1
D
j
= 2
_
_
+P
_
_
4

j=1
D
j
= 3
_
_
+P
_
_
4

j=1
D
j
= 4
_
_
= C
2
4
q
2
(1 q)
2
+C
3
4
q
3
(1 q) +C
4
4
q
4
,
= q
2
(6(1 q)
2
+ 4q(1 q) +q
2
),
= q
2
(3q
2
8q + 6).
Pour choisir la meilleure solution, on compare les probabilits de panne en
supposant que p = q. On a ainsi
P(A) P(D) = p
2
(3 2p) p
2
(3p
2
8p + 6),
= p
2
(3p
2
+ 6p 3).
Le signe de cette dirence est alors celui de f(p) = 3p
2
+6p3. La drive
de f est f

(p) = 6(1 p) qui sannule en p = 1 et qui est donc positive


sur lintervalle [0, 1]. La fonction est donc croissante sur cet intervalle. Or,
f(1) = 0 (et f(0) = 3. Donc, sur lintervalle [0, 1], f(p) 0. La probabilit
de dfaillance des alimentations est donc toujours infrieure celle des
disques durs et il est donc plus intressante dutiliser une redondance sur les
alimentations.
On pourrait considrer que lapproche choisie pour valuer lintrt de la
redondance est un peu nave. En eet, un ordinateur classique comprend
ncessairement une alimentation et un stockage prenne de type disque dur.
De ce fait, on devrait normalement tudier lordinateur comme un ensemble
comportant un sous-systme redondant (par exemple les disques durs) et un
sous-systme non redondant (ici lalimentation), puis calculer la probabilit de
panne et comparer les deux solutions.
Il savre en fait que lapproche propose dans lexercice donne un rsultat
identique celui de lapproche plus complexe. Considrons le cas dun ordinateur
avec une alimentation redondante et un unique disque dur. On sintresse
lvnement lordinateur ne tombe pas en panne , ce qui scrit A D avec
les notations de la correction. En supposant les sous-systmes indpendants,
on a
P(A D) = P(A)P(D) = (1 P(A))(1 P(D)).
24 CHAPITRE 4. LOIS DISCRTES CLASSIQUES
En utilisant les rsultats de la correction pour A et les hypothses pour D, on
a donc
P(A D) = (1 p
2
(3 2p))(1 q).
Un raisonnement similaire conduit la probabilit suivant dans le cas dun serveur
aux disques durs redondants et lalimentation unique :
P(A D) = (1 p)(1 q
2
(3q
2
8q + 6)).
Si on suppose maintenant que p = q, on voit apparatre dans les deux expres-
sions un facteur (1 p) commun quon peut donc supprimer dans lanalyse.
On se retrouve ainsi comparer P(A) et P(D) dans le cas de redondance
pour les deux sous-systmes. Or, il sagit de la comparaison des probabilits
des complmentaires des vnements tudis dans la correction. On obtient
donc exactement les mmes conclusion que dans cette correction : il est plus
intressant de rendre les alimentations redondantes.
Exercice 4.2
nonc Un magasin spcialis reoit en moyenne 4 clients par jour, le nombre
de clients tant distribu selon une loi de Poisson. Calculer la probabilit que
le magasin soit visit le mercredi par :
1. aucun client ;
2. 5 clients ;
3. au moins 6 clients.
Correction
On note C la variable alatoire donnant le nombre de clients reus par
jour dans le magasin. Par hypothse, C est distribue selon une loi de Poisson
de paramtre et telle que E(C) = 4. Or, on sait que si C T(), E(C) = ,
donc = 4.
La phase de modlisation traditionnelle consiste ici traduire les hypothses de
lnonc exprimes en franais en hypothses mathmatiques. Ici, lnonc fait
une hypothse indirecte sur le paramtre de la loi de Poisson en indiquant les-
prance de la variable. Une simple phrase de justication permet de transformer
cette hypothse sur lesprance en une hypothse sur la valeur de . Le reste
lexercice est alors trs simple et consiste essentiellement en une application
des proprits lmentaires de la loi de Poisson.
25
Correction
Comme C T(4), on a
P(C = 0) = e
4
4
0
0!
= e
4
0.0183.
En appliquant de nouveau la formule de la loi de Poisson, on a
P(C = 5) = e
4
4
5
5!
0.156.
Enn, pour calculer P(C 6), on note que
C 6 = C 5 =
5
_
k=0
C = k,
car C prend seulement des valeurs entires. On a donc
P(C 6) = 1
5

k=0
P(C = k) = 1 e
4
5

k=0
4
k
k!
0.215.
Seule la dernire question demande un peu de rexion, puisquil faut crire
lvnement C 6 en terme dvnements de la forme C = k qui sont les
seuls dont on connat les probabilits (grce la loi de la variable C). Comme
la variable alatoire est discrte, un vnement de la forme C A scrit
sous forme de lunion disjointe des vnements C = a pour toutes les valeurs
a A. Pour viter davoir crire une somme innie pour C 6, on utilise
le complmentaire de cet vnement, ce qui donne la correction propose.
Chapitre 5
Variables alatoires continues
Exercice 5.1
nonc Soit la fonction f dnie par
f(x) =
_
ax
2
+b si x [0,1]
0 sinon
1. quelles conditions sur a et b la fonction f est-elle la densit dune
variable alatoire continue ?
2. On suppose que a et b vrient les conditions dtermines la question
prcdente. Soit X une variable alatoire de densit f. On suppose que
P(X 0.5) =
1
8
. En dduire a et b.
3. Calculer E(X) et V (X) en utilisant les valeurs de a et b obtenues la
question prcdente.
Correction
Pour que f soit une densit, il faut que pour tout x, f(x) 0 et que
_

f(x)dx = 1. On commence par la premire condition. Comme f est


nulle en dehors de lintervalle [0,1], il sut de considrer le cas x [0,1]
pour lequel on doit avoir ax
2
+b 0.
Pour les deux conditions, on peut en gnral se focaliser uniquement sur les
intervalles pour lesquels la fonction propose nest pas nulle.
Correction
On remarque que f(0) = b, et il faut donc que b 0. Si a = 0, il ny a
pas dautre condition ncessaire pour assurer la positivit.
La drive de f est donne par f

(x) = 2ax. Sur lintervalle [0,1], le


signe de f

est donc celui de a. Si a > 0, f est croissante sur [0,1] et on a


27
28 CHAPITRE 5. VARIABLES ALATOIRES CONTINUES
donc f(x) b pour tout x [0,1]. De ce fait, la condition b 0 est encore
susante pour assurer f(x) 0. Si a < 0, f est dcroissante sur [0,1], et
donc a donc f(x) f(1) = a + b pour tout x [0,1]. On doit donc avoir
a +b 0.
En rsum si b 0 et si a b, alors f est positive (le cas a b inclus
en particulier le cas a 0).
Calculons maintenant
_

f(x)dx = 1. Daprs les proprits classiques


de lintgrale, on a
_

f(x)dx =
_
0

f(x)dx +
_
1
0
f(x)dx +
_

1
f(x)dx.
Comme f est nulle en dehors de [0,1], on a donc
_

f(x)dx =
_
1
0
f(x)dx.
Il faut toujours justier (brivement) la rduction de lintervalle dintgration.
On peut cependant se contenter dcrire directement la deuxime galit, avec
la justication qui la prcde.
Correction
La fonction x ax
2
+ b admet comme primitive possible la fonction
x
a
3
x
3
+bx. On a donc
_
1
0
ax
2
+b dx =
_
a
3
x
3
+bx
_
1
0
=
a
3
+b.
On doit donc avoir
a
3
+ b = 1 (en plus de b 0 et si a b). Comme
b = 1
a
3
, on a doit donc avoir 1
a
3
0, soit a 3. De plus a + b 0
devient a + 1
a
3
0, soit a
3
2
.
Finalement, f est une densit si et seulement si a
_

3
2
, 3

et b = 1
a
3
.
Il ny a pas de dicult majeure dans lanalyse qui prcde, mais il faut tout de
mme tre attentif dans le calcul de la primitive (il faut bien faire la primitive
deux termes de la somme ax
2
+ b et ne pas crire seulement
1
3
ax
3
+ b, par
exemple). De mme, lanalyse des conditions sur a et b doit tre ralise avec
soin an de ne pas oublier une condition lors des transformations. Ici, on a bien
conserv la condition qui donne une intgrale de 1, puis on a utiliser les deux
conditions dingalits pour obtenir deux bornes sur a. On a donc conserv
trois conditions, comme il le fallait.
29
Correction
On sait que P(X 0,5) =
_

0,5
f(x)dx. Comme f est nulle en dehors de
[0,1], et en utilisant la primitive dtermine la question prcdente, on a
P(X 0,5) =
_

0,5
f(x)dx,
=
_
1
0,5
f(x)dx,
=
_
a
3
x
3
+bx
_
1
0,5
,
=
a
3
+b
a
3

1
8
b
1
2
,
= 1
a
24

b
2
.
Une erreur courante dans lanalyse prcdente consiste confondre densit
f et fonction de rpartition F. On sait en eet que, par dnition, si F
X
est la fonction de rpartition de X, P(X 0,5) = 1 F
X
(0,5) (on a utilis
la continuit de X pour saranchir de problmes aux bornes de intervalles).
Si on confond f et F, on peut tre tent dcrire (ce qui est faux !) que
P(X 0,5) = 1 f(0,5) = 1
a
4
b. On obtient alors un rsultat totalement
dirent dans la suite (et, insistons sur ce point, faux).
Correction
En utilisant les rsultats de la premire question, on a donc deux quations
deux inconnues :
a
3
+b = 1,
1
a
24

b
2
=
1
8
.
En utilisant b = 1
a
3
dans la deuxime quation, on obtient
1
a
24

1
2
+
a
6
=
1
8
,
ce qui donne a = 3, puis b = 0 (et donc f(x) = 3x
2
sur [0,1]). On remarque
que les valeurs de a et b sont compatibles avec les ingalits tablies la
question 1 et donc quon obtient bien une densit.
La dernire vrication est trs importante. On pourrait en eet supposer
par exemple que P(X 0.5) =
1
16
. Des calculs similaires ceux eectus
ci-dessus donnent a =
7
2
. Or, cette valeur nest pas acceptable daprs les
30 CHAPITRE 5. VARIABLES ALATOIRES CONTINUES
contraintes obtenues la question 1. Lhypothse P(X 0.5) =
1
16
entre donc
en contradiction avec lhypothse sur la densit de X. Ce nest pas le cas avec
lhypothse P(X 0.5) =
1
8
!
Correction
On sait que E(X) =
_

xf(x)dx. ce qui donne ici (en tenant compte


de la nullit de f en dehors de [0,1]) :
E(X) =
_
1
0
x 3x
2
dx,
=
_
1
0
3x
3
dx,
=
_
3
4
x
4
_
1
0
=
3
4
,
en utilisant le fait que x
3
4
x
4
est une primitive de x 3x
3
.
Pour calculer V (X), on utilise la relation V (X) = E(X
2
) (E(X))
2
.
Comme E(X
2
) =
_

x
2
f(x)dx, on a
E(X
2
) =
_
1
0
3x
4
dx,
=
_
3
5
x
5
_
1
0
=
3
5
,
en utilisant le fait que x
3
5
x
5
est une primitive de x 3x
4
. On a donc
V (X) =
3
5

9
16
=
3
80
.
Exercice 5.2
Soit une fonction F dnie de la faon suivante :
F(x) =
_

_
0 si x 2
a(x +b)
2
si x ] 2,0]
cx +d si x ]0,1]
e si x > 1
1. Donner les conditions que doivent vrier les nombres rels a, b, c, d et e
pour que F soit la fonction de rpartition dune variable alatoire relle
absolument continue.
31
2. On suppose que F est la fonction de rpartition de X, une variable
alatoire relle absolument continue (et donc que les conditions tablies
la question prcdente sont vries). On suppose que P(X 1) = 0.
En dduire les valeurs des rels a, b, c, d et e. quelle loi classique la
fonction ainsi obtenue correspond elle ?
3. On suppose maintenant que F est la fonction de rpartition de Y , une
variable alatoire relle absolument continue (et donc que les conditions
tablies la premire question sont vries). On suppose de plus que
P(Y [1; 0,5]) =
5
8
. En dduire les valeurs des rels a, b, c, d et e.
4. Calculer E(Y ) et V (Y ) pour la variable Y dcrire la question prcdente.
Correction
On vrie dans un premier temps les conditions sur les limites. On
constate que lim
x
F(x) = 0, comme cela doit tre le cas. On constate
dautre part que lim
x
F(x) = e, ce qui impose e = 1.
Le traitement des conditions limites est en gnral la partie la plus facile de
lanalyse dune fonction de rpartition. On conseille donc de commencer par
cette partie.
Correction
Comme F doit tre la fonction de rpartition dune variable alatoire
absolument continue, il faut que F soit continue sur R tout entier. On
constate que sur chaque intervalle de sa dnition, F est continue, car elle
est soit constante, soit ane, soit quadratique. Il faut donc simplement
vrier que F est continue aux bornes de ces intervalles.
Par continuit de x a(x + b)
2
, on a lim
x2
a(x + b)
2
= a(b 2)
2
.
Pour que F soit continue en 2, il faut donc que a(b 2)
2
= F(2) = 0.
De mme, par continuit de x cx +d, on a lim
x0
cx +d = d. Pour
que F soit continue en 0, il faut donc que d = F(0) = ab
2
.
Enn, on a lim
x1
e = e = 1. Pour que F soit continue en 1, il faut donc
que F(1) = c +d = 1.
En rsum, F est continue si et seulement si :
a(b 2)
2
= 0
d = ab
2
c +d = 1
Le raisonnement prsent au dessus est typique dune dmonstration de conti-
nuit pour une fonction dnie par morceaux. Pour que la fonction soit continue,
il faut en eet quelle soit continue sur chaque morceau, mais aussi que tout
32 CHAPITRE 5. VARIABLES ALATOIRES CONTINUES
se passe bien chaque transition entre deux morceaux. Pour analyser ces
points, on sappuie sur la continuit de la fonction sur chaque intervalle, en
faisant comme si la dnition sur lintervalle sappliquait aussi aux bornes.
Dans lexemple ci-dessus, on considre par exemple quil y a deux dnitions
pour la valeur de F en 0, la vraie dnition (donne par a(x +b)
2
valu en
0) et la dnition obtenue en calculant la limite de la formule sur lautre
intervalle (ici la limite en 0 de cx +d). La continuit est garantie si les deux
dnitions ne sont pas contradictoires, cest--dire si elles donnent la mme
valeur.
Correction
On vrie enn que F est croissante. Comme F est continue (avec les
conditions tablies ci-dessus), il sut de vrier que F est croissante sur
chaque intervalle. Cest vident pour les intervalles o elle est constante.
Pour lintervalle ] 2,0], F

(x) = 2a(x + b). Pour que F soit croissante il


faut donc que 2a(x +b) 0 pour tout x ] 2,0]. Or, nous avons vu que
a(b 2)
2
= 0, ce qui implique soit a = 0, soit b = 2 (soit les deux). Si a = 0,
F est identiquement nulle sur ] 2,0] et est donc croissante. Si a , = 0, alors
b = 2. Dans ce cas, on ne peut pas avoir a < 0. En eet cela impliquerait
F(0) = 4a < 0 ce qui est impossible pour une fonction de rpartition. On
doit donc avoir a > 0 et donc F

(x) = 2a(x + 2) 0 sur ] 2,0], soit F


croissante sur cet intervalle.
Sur lintervalle ]0,1], F

(x) = c et F est donc croissante si et seulement si


c 0. En combinant toutes les conditions, on trouve que F est une fonction
de rpartition si et seulement si :
a(b 2)
2
= 0
d = ab
2
c +d = 1
e = 1
c 0
a 0
Lanalyse de croissance est souvent la phase la plus dlicate. La mthode
gnrale de rsolution consiste calculer les drives sur chaque intervalle
et sassurer de leur positivit. Il est important de sappuyer sur lanalyse
de continuit ce moment car une fonction peut trs bien tre croissante
(strictement) sur chacun de ses intervalles de dnition sans tre croissante
globale si elle nest pas continue.
33
Correction
On suppose maintenant que P(X 1) = 0. Par dnition de la fonction
de rpartition, on a donc F(1) = 0 = a(b 1)
2
. Ceci nest possible que si
a = 0 ou b = 1. Or, si b = 1, la condition a(b 2)
2
= 0 devient a = 0. De ce
fait, on doit ncessairement avoir a = 0. Dans cette situation, la valeur de b
nimporte plus. En revanche, d = ab
2
devient d = 0, ce qui implique c = 1.
On obtient donc
a b c d e
0 quelconque 1 0 1
La fonction F devient alors beaucoup plus simple et est donne par
F(x) =
_

_
0 si x 0
x si x ]0,1]
1 si x > 1
On reconnat la fonction de rpartition de la loi uniforme sur lintervalle
[0,1].
Correction
On suppose maintenant que P(Y [1; 0,5]) =
5
8
. On a
5
8
= P(Y [1; 0,5])
= P(Y ] 1; 0,5]) car Y est une variable alatoire continue
= F(0,5) F(1) par dnition dune fonction de rpartition
=
c
2
+d a(b 1)
2
Comme dans la question prcdente, on tudie dabord la condition a(b
2)
2
= 0. Si a = 0, on a aussi d = ab
2
= 0 (et la valeur de b nimporte plus).
Daprs la condition c +d = 1, on a c = 1. Lquation sur P(Y [1; 0,5])
ne peut alors pas tre satisfaite car
c
2
+d a(b 1)
2
=
1
2
.
Donc a > 0, ce qui impose b = 2 et d = 4a. En remplaant dans lquation
sur P(Y [1; 0,5]), on obtient
5
8
=
c
2
+ 3a.
En utilisant c +d = 1 = c +4a, on obtient
c
2
= 1 2a puis, a =
1
8
puis d =
1
2
et c =
1
2
. En rsum
a b c d e
1
8
2
1
2
1
2
1
34 CHAPITRE 5. VARIABLES ALATOIRES CONTINUES
Correction
Pour calculer lesprance et la variance de Y , on doit dterminer sa
densit f
Y
, cest--dire la drive de F. On obtient directement :
f
Y
(y) =
_

_
0 si y 2
1
4
(y + 2) si y ] 2,0]
1
2
si y ]0,1]
0 si y > 1
On a alors
E(Y ) =
_

yf
Y
(y)dy
=
_
2

yf
Y
(y)dy +
_
0
2
yf
Y
(y)dy +
_
1
0
yf
Y
(y)dy +
_

1
yf
Y
(y)dy
=
_
0
2
y
4
(y + 2)dy +
_
1
0
y
2
dy
=
_
y
3
12
+
y
2
4
_
0
2
+
_
y
2
4
_
1
0
=
(2)
3
12

(2)
2
4
+
1
4
=
1
12
On calcule V (Y ) en utilisant la relation V (Y ) = E(Y
2
) E(Y )
2
. On a
E(Y
2
) =
_

y
2
f
Y
(y)dy
=
_
0
2
y
2
4
(y + 2)dy +
_
1
0
y
2
2
dy
=
_
y
4
16
+
y
3
6
_
0
2
+
_
y
3
6
_
1
0
=
(2)
4
16

(2)
3
6
+
1
6
=
1
2
et donc V (Y ) =
71
144
.
Chapitre 6
Lois continues classiques
Exercice 6.1
nonc On remplit un verre de volume 20 cl dune quantit alatoire deau
choisie uniformment entre 0 et 20 cl :
1. quelle est la probabilit dobtenir moins de 5 cl deau ?
2. on vide 5 verres ainsi remplis dans une trs grande bassine. Quelle quantit
moyenne deau obtient-on dans la bassine ?
Correction
Soit V la variable alatoire correspondant la quantit deau dans un
verre. Par hypothse, V suit une loi uniforme sur lintervalle [0, 20].
La seule dicult de modlisation est de bien comprendre quon travaille ici
avec une variable alatoire continue et pas avec une variable discrte. En eet,
il ny a pas de raison de supposer que la quantit deau est ncessairement un
entier, par exemple.
Correction
On cherche P(V 5). Par dnition de la fonction de rpartition, on a
P(V 5) = F
V
(5). Or, pour une variable uniforme sur [0, 20], on a
F
V
(5) =
5 0
20 0
=
1
4
,
qui est donc la probabilit recherche.
Quand on vide 5 verres remplis alatoirement, V
1
, . . . , V
5
, on obtient la
quantit alatoire V
1
+ +V
5
. Par linarit de lesprance, on a
E(V
1
+ +V
5
) = E(V 1) + +E(V
5
).
35
36 CHAPITRE 6. LOIS CONTINUES CLASSIQUES
Les variables tant toutes uniformes sur [0, 20], elles sont toutes desprance
0+20
2
= 10. La quantit moyenne deau obtenue dans la bassine est de donc
5 10 = 50 cl.
Il est important de rappeler la proprit utilise ici pour calculer la quantit
moyenne deau, savoir la linarit de lesprance. On note en particulier que
cette proprit ne ncessite pas lindpendance entre les variables alatoires.
Exercice 6.2
nonc On suppose que la dure de vie dun disque dur est distribue selon une
loi exponentielle. Le fabricant veut garantir que le disque dur a une probabilit
infrieure 0.001 de tomber en panne sur un an. Quelle dure de vie moyenne
minimale doit avoir le disque dur ?
Correction
On appelle D la variable alatoire donnant la dure de vie du disque dur.
D suit une loi exponentielle de paramtre . Le fabricant veut garantir que
P(D 1) 0.001.
Comme P(D a) = F
D
(a) par dnition, on obtient lingalit
1 exp( 1) 0.001,
en appliquant la formule classique pour la fonction de rpartition dune
variable de loi exponentielle. On a alors
1 exp() 0.001,
0.999 exp(),
ln(0.999) , en utilisant la croissance de ln
ln(0.999),
1
ln(0.999)

1

, en utilisant la dcroissance de
1
x
999,5
1

.
Or, comme D suit une loi exponentielle, son esprance est
1

. La dure de
vie moyenne du disque dur doit donc tre dau moins 999,5 ans !
Cet exercice est une simple application des proprits de la loi exponentielle et
de la dnition de la fonction de rpartition. Il faut simplement tre attentif dans
la manipulation des ingalits pour bien obtenir une minoration de lesprance
et donc de la dure de vie.
37
Exercice 6.3
nonc Daprs une tude rcente, la taille des femmes franaises est distribue
selon une loi normale de moyenne m = 1,58 et dcart-type = 0,06. Pour
produire un stock de vtements, un fabricant souhaite utiliser cette loi.
1. Il commence par dterminer un intervalle de la forme [m a, m + a]
(donc symtrique autour de la moyenne) contenant en moyenne 90 %
(environ) des tailles des femmes franaises : calculer a.
2. Il en dduit trois tailles, S, M et L, correspondant respectivement aux
intervalles [m a, m a/3], [m a/3, m + a/3] et [m + a/3, m + a].
Calculer le pourcentage de la production qui doit tre aect chaque
taille.
Correction
Soit T la variable alatoire reprsentant la taille dune femme. Par
hypothse, T suit une loi normale A(1,58; 0,06
2
). On cherche a > 0 tel que
P(T [ma,m+a]) = 0,9.
Dans cet exercice, il ny pas dtape de modlisation car la loi de la variable
dintrt est donne explicitement, avec la valeur de ses paramtres. La tra-
duction de lnonc se limite donc exprimer mathmatiquement lvnement
tudi et donner les hypothses sur cet vnement.
Correction
Soit la variable Y =
Tm

. On sait que Y suit une loi normale standard


A(0; 1
2
). De plus, on a
ma T m+a,
a T m a,


T m

.
Donc P(T [m a, m + a]) = 0,9 est quivalent a P(Y [
a

,
a

]) = 0,9.
Cherchons donc tel que P(Y [, ]) = 0,9.
On utilise ci-dessus la manipulation classique permettant de se ramener une
variable alatoire distribue selon une loi normale standard pour laquelle on
dispose dune table. La technique consiste appliquer lvnement dni sur la
variable dorigine (ici T) les transformations qui conduisent la variable centre
et rduite (ici Y ). On transforme ainsi lvnement sur T en un vnement sur
Y pour lequel on pourra appliquer la table.
38 CHAPITRE 6. LOIS CONTINUES CLASSIQUES
Correction
On sait que
P(Y [, ]) = F
Y
() F
Y
(),
car Y est une variable alatoire continue. De plus, par symtrie de la loi
normale standard, on F
Y
() = 1 F
Y
(), et ainsi
P(Y [, ]) = 2F
Y
() 1.
De ce fait, chercher tel que P(Y [, ]) = 0,9 est quivalent chercher
tel que F
Y
() =
1+0,9
2
= 0,95.
La table ne donne que la fonction de rpartition de la loi normale. Il faut donc
se ramener une quation portant sur cette fonction. On utilise dabord le
fait que pour toute variable alatoire continue (cest faux pour une variable
discrte), on a
P(X [a, b]) = F
X
(b) F
X
(a).
Ensuite, on applique la proprit de symtrie de la loi normale pour se dbar-
rasser du terme ngatif (le terme F
Y
()).
Correction
La lecture de la table de la loi normale donne :
F
Y
(1,64) = 0,9495,
F
Y
(1,65) = 0,9505.
Pour avoir un intervalle lgrement plus grand que celui recherch par le
fabricant, on choisit = 1,65. Si on pose a = = 0,06 1,65 = 0,099, on
a donc
P(T [ma, m+a]) = P(T [1,481; 1,679]) 0,9
Il faut tre attentif linversion de la relation dans le calcul nal de a. On
a en eet trouv grce la table, mais ce nest pas la grandeur recherche
puisque lvnement tudi est Y [
a

,
a

] alors quon ajust la probabilit de


Y [, ]. On doit donc faire
a

= , ce qui donne a.
Le reste de lexercice est une application de la mme stratgie de centrage et
de rduction de T, mais avec une utilisation inverse de la table : lvnement
tudi est x et on doit calculer sa probabilit. On a intrt conserver la
formule a = pour simplier les calculs.
39
Correction
tudions le premier intervalle. On a
ma T m
a
3
,
a T m
a
3
,


T m


a
3
,
Y

3
,
et donc
P
_
T
_
ma, m
a
3
__
= P
_
Y
_
,

3
__
,
= F
Y
_

3
_
F
Y
(),
= 1 F
Y
_

3
_
1 +F
Y
(), par symtrie
= 0,9505 F
Y
_
1,65
3
_
, selon lanalyse prcdente
= 0,9505 0,7088, par lecture dans la table
= 0,2417.
On a de la mme faon
P
_
T
_
m
a
3
, m+
a
3
__
= P
_
Y
_

3
,

3
__
,
= F
Y
_

3
_
F
Y
_

3
_
,
= 2F
Y
_

3
_
1,
= 2 0,7088 1,
= 0,4176.
Enn :
P
_
T
_
m+
a
3
, m+a
__
= P
_
Y
_

3
,
__
,
= F
Y
() F
Y
_

3
_
,
= 0,9505 0,7088,
= 0,2417,
40 CHAPITRE 6. LOIS CONTINUES CLASSIQUES
ce dernier rsultat tant vident par symtrie de la loi normale autour de sa
moyenne.
On calcule enn les pourcentages partir de ces probabilits. La produc-
tion totale correspond 90% de la population et on doit donc diviser les
probabilits obtenues par cette valeur. On obtient alors
% de S =
0,2417
0,90
27%
% de M =
0,4176
0,90
46%
% de L =
0,2417
0,90
27%
Lexercice se termine par un pige classique : comme le fabricant se contente
de cibler 90 % de la population, les probabilits dobtenir les direntes tailles
ne donnent pas directement les pourcentages de la production. On doit passer
par un ratio pour obtenir ces pourcentages.
Chapitre 7
Variable fonction dune autre
variable
Exercice 7.1
nonc On suppose que la variable alatoire X suit la loi uniforme sur len-
semble
X() = 3, 2, 1, 4.
1. Donner la loi de X.
2. Calculer E(X) et V (X).
On dnit la variable alatoire Y = 2X + 1.
3. Donner Y () et la loi de Y .
4. Calculer E(Y ) de deux faons direntes.
Reprendre les deux questions prcdentes pour la variable Z = (X + 1)
2
.
Correction
Par hypothse, la loi de X est uniforme et la probabilit davoir X = x
pour tout lment x de X() est donc constante. De ce fait, cette probabilit
est de
1
|X()|
=
1
4
. La loi de X est donc rsume par le tableau suivant
x 3 2 1 4
P
X
(x)
1
4
1
4
1
4
1
4
On applique ici directement les rsultats de cours sur la loi uniforme pour une
variable alatoire discrte ( ne pas confondre avec le cas continu).
41
42 CHAPITRE 7. VARIABLE FONCTION DUNE AUTRE VARIABLE
Correction
Lesprance de X est donne par
E(X) =

xX()
xP
X
(x),
=
1
4

xX()
x,
=
1
4
(3 2 + 1 + 4),
= 0.
Il faut toujours mentionner au moins une fois la formule qui dnit lesprance
pour pouvoir lutiliser dans une solution.
Correction
Pour calculer la variance, on utilise la formule V (X) = E(X
2
) (E(X))
2
dont le deuxime terme est nul. On sait aussi que pour toute fonction ,
E((X)) =

xX()
(x)P
X
(x).
On a donc
V (X) = E(X
2
),
=

xX()
x
2
P
X
(x),
=
1
4
((3)
2
+ (2)
2
+ 1
2
+ 4
2
),
= 7.
Le rappel de la proprit gnrale qui permet de calculer E((X)) nest pas
ncessaire pour le calcul de E(X
2
) mais il est conseill car il permet de ne pas
faire lerreur frquente qui consiste mettre les probabilits au carr plutt
que les valeurs de x.
Correction
Considrons Y = 2X + 1. Le tableau suivant donne la valeur de Y pour
toutes les valeurs possibles de X :
x 3 2 1 4
2x + 1 5 3 3 9
43
On a donc Y () = 5, 3, 3, 9.
Comme Y est une variable discrte, sa loi est dtermine par les proba-
bilits P
Y
(y) pour tout y Y (). Or, P
Y
(y) = P
X
_
y1
2
_
car Y = 2X + 1
et donc X =
Y 1
2
. De plus, pour tout y ,
y1
2
puisquon a dans Y () les
images par Y des valeurs de X(). De ce fait, pour tout y , P
X
_
y1
2
_
=
1
4
.
Donc la loi de Y est la loi uniforme sur Y ().
On applique ci-dessus les proprits classiques pour la loi dune variable alatoire
obtenue comme fonction dune autre variable, Y = f(X). On sait en eet que
pour sous-ensemble A de Y (),
P
Y
(A) = P
X
(Y
1
(A)),
o Y
1
est dni par
Y
1
(A) = x X() [ f(x) A.
Dans le cas dune variable alatoire discrte qui nous intresse ici, il sut de
considrer les ensembles A rduits une seule valeur, ce qui conduit la solution
propose. Notons que celle-ci est simple car la transformation Y = 2X + 1 est
bijective. La variable Z sera lgrement plus complexe tudier.
Correction
Pour calculer E(Y ), on peut appliquer en fait trois rsultats dirents.
On sait que pour tout et dterministes, et toute variable alatoire X,
E(X +) = E(X) +. Ici on a donc
E(Y ) = 2E(X) + 1 = 1.
On peut aussi appliquer le rsultat rappel ci-dessus la fonction (x) =
2x + 1. On a donc
E(Y ) = E((X)),
=

xX()
(x)P
X
(x),
=
1
4

xX()
(2x + 1),
=
1
4
(5 3 + 3 + 9),
= 1.
44 CHAPITRE 7. VARIABLE FONCTION DUNE AUTRE VARIABLE
Enn, on peut appliquer la dnition de lesprance Y , ce qui donne
E(Y ) =

yY ()
yP
Y
(y),
=
1
4

yY ()
y,
=
1
4
(5 3 + 3 + 9),
= 1.
Quand on demande dobtenir une esprance par deux mthodes direntes,
cest en gnral quon veut que le calcul soit ralis une fois avec la dnition de
lesprance (troisime calcul ci-dessus) et une autre fois en sappuyant sur une
proprit classique de lesprance comme sa linarit (utilise dans le premier
calcul) ou la formule pour E((X)), applique trs rgulirement (deuxime
calcul dans la correction).
Correction
On tudie maintenant Z = (X + 1)
2
. On calcule Z() au moyen du
tableau suivant qui donne les valeurs de Z en fonction des valeurs de X :
x 3 2 1 4
(x + 1)
2
4 1 4 25
On constate que Z() = 1, 4, 25. Pour calculer la loi de Z on doit dter-
miner Z
1
(z) pour tout z Z(). Le tableau suivant rsume ce calcul et la
loi de Z obtenue ainsi, en appliquant la proprit P
Z
(z) = P
X
(Z
1
(z)) :
z 1 4 25
Z
1
(z) 2 3, 1 4
P
Z
(z) = P
X
(Z
1
(z))
1
4
1
2
1
4
On utilise ici le fait que la loi de X sur X() est uniforme et donc que la
probabilit dun ensemble A est donne par le ratio entre le cardinal de A et
celui de X(). On remarque que le calcul est lgrement plus complexe que
celui de Y car la fonction x (x + 1)
2
nest pas injective : les deux valeurs
distinctes 3 et 1 que peut prendre X sont toutes deux transformes en la
valeur 4 pour Z. De ce fait, la loi de Z sur Z() nest pas uniforme.
45
Correction
Pour calculer E(Z), on peut appliquer le rsultat classique Z = (X)
avec (x) = (x + 1)
2
, ce qui donne
E(Z) = E((X)),
=

xX()
(x)P
X
(x),
=
1
4

xX()
(x + 1)
2
,
=
1
4
(4 + 1 + 4 + 25),
=
17
2
.
On peut aussi utiliser la dnition de lesprance, ce qui donne
E(Z) =

zZ()
zP
Z
(z),
=
1
4
1 +
1
2
4 +
1
4
25,
=
17
2
.
Contrairement au cas de la variable Y , les deux approches utilises ci-dessus
conduisent des calculs lgrement dirents. Dans le deuxime calcul, on a
dj factoris les valeurs identiques de Z, cest pourquoi la probabilit de
4 est de
1
2
. Dans le premier cas, on travaille du point de vue de X et tous les
probabilits sont de
1
2
. Mais comme on transforme les valeurs de X en valeurs
de Z, on obtient deux fois la valeur 4, ce qui conduit bien entendu au mme
rsultat nal.
Chapitre 8
Couples de variables alatoires
Exercice 8.1
nonc Soit un couple de variables alatoires (X, Y ) tel que X() = 2, 0, 1
et Y () = 1, 1, 2 dont la loi jointe est donne par le tableau suivant :
P(X = x, Y = y) y = 1 y = 1 y = 2
x = 2 0,2 0,2
x = 0 0,1 0,1 0,05
x = 1 0,2 0 0,1
1. Donner lunique valeur possible pour en justiant brivement la rponse.
2. Calculer les lois marginales de X et de Y .
3. Montrer que X et Y ne sont pas indpendantes.
4. Calculer la loi conditionnelle de X sachant Y = 1. En dduire E(X[Y =
1).
5. Calculer lesprance conditionnelle de X sachant que Y ,= 2.
6. Calculer E(XY ) et en dduire Cov(X,Y ).
7. On pose Z = X +Y . Calculer la loi de Z, puis E(Z) et V (Z).
Correction
On sait que P(X X(), Y Y ()) = 1 et que
P(X X(), Y Y ()) =

xX()

yY ()
P(X = x, Y = y).
Donc la somme des probabilits contenues dans le tableau doit tre gale
1. On constate que la somme est ici 0,95 +. Donc = 0,05.
47
48 CHAPITRE 8. COUPLES DE VARIABLES ALATOIRES
La justication propose est assez dtaille. On peut se contenter de dire que la
somme des probabilits doit tre gale 1, puisque cest une proprit majeure
des tableaux utiliss pour donner les lois de couple de variables alatoires
discrtes.
Correction
La loi marginale de X est donne par
P(X = x) =

yY ()
P(X = x, Y = y).
Un simple calcul donne les rsultats rsums dans le tableau suivant
x 2 0 1
P(X = x) 0,45 0,25 0,3
De la mme faon, on obtient la loi de Y donne par
y 1 1 2
P(Y = y) 0,5 0,3 0,2
On se contente ici de justier les calculs dans un des deux cas, par symtrie. Il
est utile de vrier que la somme des probabilits de la loi obtenue pour chaque
variable est bien 1.
Correction
Les variables X et Y sont indpendantes si et seulement si pour tout x et
y, P(X = x, Y = y) = P(X = x)P(Y = y). Or, on remarque dans le tableau
que P(X = 1, Y = 1) = 0, alors que P(X = 1) P(Y = 1) = 0,3 0,3 ,= 0.
Les deux variables ne sont donc pas indpendantes.
Pour les questions dindpendance, on doit toujours rappeler la dnition
puis essayer de lappliquer. Quand on cherche comme ici montrer que les
variables ne sont pas indpendantes, il sut de trouver un contre-exemple,
cest--dire une valeur pour chaque variable telles que la probabilit du couple
soit dirente du produit des probabilits de chaque variable. Si on cherche
montrer lindpendance, on doit au contraire vrier que toutes les paires de
valeurs satisfont lgalit demande.
49
Correction
On utilise la dnition de la loi conditionnelle, P(X = x[Y = 1) =
P(X=x,Y =1)
P(Y =1)
, ce qui conduit immdiatement la loi rsume dans le tableau
suivant
x 2 0 1
P(X = x[Y = 1)
0,2
0,3
=
2
3
0,1
0,3
=
1
3
0
0,3
= 0
Lesprance conditionnelle est obtenue en appliquant la dnition, cest--dire
E(X[Y = 1) =

xX()
xP(X = x[Y = 1),
= 2
2
3
+ 0
1
3
+ 1 0,
=
4
3
.
On se contente ici dappliquer les dnitions et de faire des calculs lmentaires.
La question suivante est lgrement plus complexe puisquil faut considrer un
conditionnement qui ne sexprime pas sous la forme Y = y.
Correction
On doit dabord calculer P(X = x[Y ,= 2) =
P(X=x,Y =2)
P(Y =2)
. Or, Y ,= 2 =
Y = 1 Y = 1, avec une union disjointe. Donc
P(X = x, Y ,= 2) = P(X = x, Y = 1) +P(X = x, Y = 1),
ainsi que P(Y ,= 2) = P(Y = 1) +P(Y = 1), cest--dire
P(X = x[Y ,= 2) =
P(X = x, Y = 1) +P(X = x, Y = 1)
P(Y = 1) +P(Y = 1)
.
En appliquant cette formule, on obtient la loi conditionnelle rsume dans le
tableau suivant
x 2 0 1
P(X = x[Y ,= 2)
0,4
0,8
=
1
2
0,2
0,8
=
1
4
0,2
0,8
=
1
4
On en dduit lesprance conditionnelle souhaite par le calcul suivant
E(X[Y ,= 2) =

xX()
xP(X = x[Y ,= 2),
= 2
1
2
+ 0
1
4
+ 1
1
4
,
=
3
4
.
50 CHAPITRE 8. COUPLES DE VARIABLES ALATOIRES
Comme dans lexercice 2.1, la dicult de lanalyse vient essentiellement de la
tentation dinventer des proprits fausses en gnralisant des proprits
vraies. En particulier, ici, on pourrait tre tenter de croire que la probabilit
P(X = x[Y , = 2) est gale la probabilit 1 P(X = x[Y = 2). Or, cest en
gnral faux. Dans le cas prsent, si on considre par exemple x = 2, on a
1 P(X = 2[Y = 2) = 1
P(X = 2, Y = 2)
P(Y = 2)
,
= 1
0,05
0,2
,
=
3
4
,
alors que P(X = 2[Y ,= 2) =
1
2
. En fait, on a bien
1 P(X = x[Y = 2) = P(X ,= x[Y = 2),
mais ce nest pas utile pour calculer P(X = 2[Y ,= 2) !
Correction
On calcule E(XY ) en appliquant la proprit classique : pour toute
fonction , on a
E((X,Y )) =

xX()

yY ()
(x,y)P(X = x, Y = y).
Le tableau suivant donne les calculs intermdiaires xyP(X = x, Y = y) :
P(X = x, Y = y) y = 1 y = 1 y = 2
x = 2 0,2 2 = 0,4 0,2 2 = 0,4 0,05 4 = 0,2
x = 0 0,1 0 = 0 0,1 0 = 0 0,05 0 = 0
x = 1 0,2 1 = 0,2 0 1 = 0 0,1 2 = 0,2
On obtient ainsi E(XY ) = 0,2.
Comme dans la plupart des questions de calcul, il est important de rappeler la
dnition de ce quon calcule et les proprits utilises, comme nous lavons
fait ci-dessus. On procde de la mme faon pour la suite de la question, en
rappelant la dnition de la covariance et de lesprance dune variable seule.
51
Correction
On sait que Cov(X, Y ) = E(XY ) E(X)E(Y ). On calcule donc E(X)
et E(Y ) en utilisant les dnitions de ces esprances :
E(X) =

xX()
xP(X = x)
= 2 0,45 + 0 0,25 + 1 0,3
= 0,6.
De la mme faon
E(Y ) = 1 0,5 + 1 0,3 + 2 0,2
= 0,2.
On obtient nalement Cov(X, Y ) = 0,2 (0,6) 0,2 = 0,08.
Correction
tudions maintenant Z = X +Y . Le tableau suivant donne les valeurs
prises par Z en fonction de celles de X et Y :
z = x +y y = 1 y = 1 y = 2
x = 2 3 1 0
x = 0 1 1 2
x = 1 0 2 3
On a donc Z() = 3, 1, 0, 1, 2, 3. Pour calculer la loi de Z = f(X,Y ),
on doit dterminer f
1
(z) pour tout z Z() puis calculer la probabilit
de f
1
(z) partir de la loi jointe de X et Y , en utilisant la proprit
P(Z = z) = P((X,Y ) f
1
(z)). On obtient les rsultats suivants :
P(Z = 3) = P(X = 2, Y = 1) = 0,2
P(Z = 1) = P((X,Y ) (2, 1), (0, 1)) = 0,1 + 0,2 = 0,3
P(Z = 0) = P((X,Y ) (2, 0), (1, 1)) = 0,05 + 0,2 = 0,25
P(Z = 1) = P(X = 0, Y = 1) = 0,1
P(Z = 2) = P((X,Y ) (0, 2), (1, 1)) = 0,05 + 0 = 0,05
P(Z = 3) = P(X = 1, Y = 2) = 0,1
On utilise la proprit classique qui caractrise la loi dune variable dnie
comme fonction dautres variables partir de la fonction rciproque (ici f
1
)
et de la loi jointe des autres variables.
52 CHAPITRE 8. COUPLES DE VARIABLES ALATOIRES
Correction
Comme Z = X +Y et que lesprance est linaire, on a
E(Z) = E(X) +E(Y ) = 0,6 + 0,2 = 0,4.
De plus, on sait que
V (X +Y ) = V (X) +V (Y ) + 2Cov(X,Y ).
On calcule donc les variances de X et Y . On a
E(X
2
) = (2)
2
0,45 + 0
2
0,25 + 1
2
0,3
= 2,1,
et
E(Y
2
) = (1)
2
0,5 + 1
2
0,3 + 2
2
0,2
= 1.6.
Donc V (X) = E(X
2
) (E(X))
2
= 1,74 et V (Y ) = 1,56. On obtient nale-
ment
V (Z) = 1,74 + 1,56 + 2 (0,08) = 3,14.
Notons que lesprance et la variance de Z qui sont obtenues ici au moyen de
proprits de ces deux grandeurs pourraient aussi tre calcules directement
partir de la loi de Z. Quelle que soit loption choisie, il faut rappeler les
proprits et dnitions utilises.
Annexes
53
volutions de ce document
La dernire version de ce document se trouve sur la page http://apiacoa.
org/teaching/statistics/index.fr.html.
23/04/2012 : version 0.0.1
premire version diuse avec deux exercices corrigs
26/04/2012 : version 0.0.2
ajout dun exercice sur les variables alatoires discrtes ;
ajout dun exercice sur les lois Bernoulli et Binomiale.
27/04/2012 : version 0.0.3
ajout dun exercice sur la loi de Poisson ;
ajout dun exercice sur la loi uniforme ;
ajout dun exercice sur la loi exponentielle ;
ajout dun exercice sur la loi normale.
28/04/2012 : version 0.0.4
ajout dun exercice sur les variables fonction dautres variables ;
ajout dun exercice sur les couples de variables.
05/04/2013 : version 0.0.5
ajout dun exercice sur les variables alatoires continues (densit).
05/04/2013 : version 0.0.6
ajout dun exercice sur les variables alatoires continues (fonction de
rpartition).
55