Vous êtes sur la page 1sur 26

3

´

PROBABILIT ES

Exercice 3.1.

Soit n un entier 1. Une urne contient n boules blanches et une boule rose. On effectue une succession de tirages d’une boule `a chaque fois. Si on tire la boule rose, on la remet dans l’urne avant le tirage suivant ; si on tire une boule blanche, on ne la remet pas dans l’urne. Soit X le nombre de tirages juste n´ecessaires pour qu’il n’y ait plus aucune boule blanche dans l’urne. L’exp´erience est mod´elis´ee par un espace probabilis´e ( , A, P ) .

1.

Calculer P (X = n).

2.

a)

Pour tout entier n 2, montrer que : ln(n + 1) ln 2

n

k=2

1

k

En d´eduire un ´equivalent simple de

n 1

quand n tend vers l’infini.

j=2

j

ln n.

b) Trouver de mˆeme un ´equivalent simple de

c) En d´eduire un ´equivalent simple de

n

j=2 (

1

j

n

j=2

j1

i=2

ln j

j

quand n tend vers l’infini.

1 i ) quand n tend vers l’infini.

3. Calculer P (X = n + 1), puis en donner un ´equivalent simple quand n tend vers l’infini.

4. Calculer P (X = n + 2), puis en donner un ´equivalent simple quand n tend vers l’infini.

Solution :

1. Soit B k (k 1) l’´ev´enement ⟨⟨ la k `eme boule tir´ee est blanche ⟩⟩ .

Alors [X = n] = B 1 B 2 ∩ ··· ∩ B n . Donc, par la formule des probabilit´es compos´ees on a :

P(X

= n) = P(B 1 B 2 ∩ ··· ∩ B n ) = P(B 1 )P B 1 (B 2 )P B 1 B 2 (B 3 )

=

n + 1 × n 1

n

n

× ··· ×

1

2 =

1

n + 1

2. a) Comme t

1

t

d´ecroˆıt sur R + , on a :

k + 1

1

k

k+1

dt

t

et

k

k+1

dt

t

1

k . En sommant la premi`ere in´egalit´e

de k = 1 `a k = n 1, on obtient

n

k=2

k 1 ln n ; en sommant la seconde in´egalit´e de k = 2 `a k = n on obtient,

ln(n + 1) ln 2

n

k=2

k 1 . Comme ln n ln(n + 1) ln 2 on a donc :

84

ESCP-Europe 2011 - Oral

b) La fonction x

ln x

x

n

j=2

1

j

ln n

d´ecroˆıt sur [e, +[ et donc sur [3, +[. On obtient donc de mˆeme :

n+1

4

ln t

t

dt

n

k=4

ln k

k

n

3

ln t

t

dt = 1

2 (ln n) 2

1

2 (ln 3) 2

D’o`u en calculant aussi l’int´egrale de gauche et comme ln(n + 1) ln n :

n

j=2

ln j

j

2 1 (ln n) 2

c) Par sommation d’in´egalit´es du 2. a) (k = i et n = j 1), on a :

n j=2 (

1

(ln j ln 2)

j=2

j

n

1

j

j1

i=2

1

)

i

n

j=2

1 ln(j 1)

j

1

D’apr`es les questions 2. a et 2. b, comme ln n = o ( 2 (ln n) 2 ) , on a :

n

j=2

1

j

n

j=2

1

j

(ln j ln 2) = (

n

j=2

1

j

ln j ) ln 2 (

n

j=2

1

j

)

1

2 (ln n) 2

d’o`u :

j=3 (

n

1

j

j1

i=2

1

i

)

1

2 (ln n) 2

ln j

3. L’´ev´enement [X = n + 1] est r´ealis´e lorsque la boule rose est tir´ee une seule fois lors des n + 1 premiers tirages,

mais pas au (n + 1)-i`eme rang (car sinon on r´ealise X = n), soit :

n

(X = n + 1) = k=1 [B 1 ∩ ··· ∩ B k1 B k B k+1 ∩ ··· ∩ B n+1 ]

Les ´ev`enements de la r´eunion sont incompatibles, donc :

P

n

(X = n + 1) = k=1 P(B 1 ∩ ··· ∩ B k1

B k B k+1 ∩ ··· ∩ B n+1 )

Par la formule des probabilit´es compos´ees, pour tout k ∈ {1,

, n}, on a :

P(B 1 ∩ ··· ∩ B k1 B k B k+1 ∩ ··· ∩ B n+1 )

=

P(B 1 )P B 1 (B 2 )

P B 1

B

k1 (B k )P B 1

B

k1 B k (B k+1 )

=

n + 1 × n 1

n

n

× n k + 2

1

n k + 3 × n k + 2 × n k + 1

1

2 × ··· × 2

n k

+

Donc, par simplifications en cascade :

P (X = n + 1) =

n

k=1

1

1

(n + 1)(n k + 2) =

n + 1

Donc, d’apr`es la question 2. a) :

P (X = n + 1) ln(n + 1)

n + 1

ln n

n

.

n+1

j=2

1

j .

P B 1

B

k

B

n (B n+1 )

4. L’´ev´enement [X = n + 2] est r´ealis´e lorsque la boule rose est tir´ee deux fois lors des n + 2 premiers tirages,

mais pas au (n + 2) `eme rang (car sinon on r´ealise X < n + 2). De mˆeme qu’`a la question 3, on a donc :

P (X = n + 2) = 1k<ln+1 P(B 1 ∩ ··· ∩ B k ∩ ··· ∩ B l ∩ ··· ∩ B n+2 )

=

1k<ln+1

1

(n + 1)(n + 2 k)(n + 3 l)

=

1

n + 1

2ijn+1

1

ij =

n+1

k=2

1

2 +

k

n

j=2 (

1

j

j1

i=2

1

i )

Donc, puisque le premier terme est de limite finie, donc n´egligeable devant le second :

P (X = n + 2) (ln n) 2

2n

Probabilit´es

85

Exercice 3.2.

Soit X une variable al´eatoire d´efinie sur un espace probabilis´e (Ω, A, P ) admettant une variance et dont l’esp´erance E(X ) = λ est un param`etre r´eel inconnu.

Pour n entier 1, soit (X 1 , X 2 ,

, X n ) un n-´echantillon i.i.d. de la loi de X . On pose X n = 1

n

n

i=1

X i .

On note S λ l’ensemble des statistiques U n = g n (X 1 , X 2 ,

des estimateurs sans biais de λ et qui admettent une variance not´ee V .

On admet la propri´et´e P suivante :

, X n ), o`u g n est une fonction de R n dans R, qui sont

⟨⟨ Pour tout U n de S λ , on a : cov(X n , U n X n ) = 0. ⟩⟩

On dit qu’un ´el´ement Z n de S λ est un estimateur optimal dans S λ si pour tout U n de S λ , on a : V (Z n ) V (U n ).

1. Montrer que X n est un estimateur optimal dans S λ .

2. Soit Z n un estimateur optimal dans S λ . Pour α r´eel et U n de S λ , on pose :

W n (α) = αU n + (1 α)Z n

a) Montrer que pour tout α r´eel, W n (α) est ´el´ement de S λ .

b) Calculer V (W n (α)). En d´eduire que Cov(Z n , U n Z n ) = 0.

c) Montrer que Z n = X n presque sˆurement.

3. On suppose que X suit la loi de Poisson de param`etre λ > 0, et on admet que la propri´et´e (P ) est v´erifi´ee.

Pour tout n 2, on pose : T n =

1

n 1

n

i=1 (X i X n ) 2

a) Montrer que T n est un estimateur sans biais de λ.

b) On admet sans d´emonstration l’existence de V (T n ).

Montrer que Cov(T n , X n ) = λ

n .

Solution :

1. X n s’´ecrit comme une fonction de X 1 , X 2 ,

´egale `a λ et une variance, ce qui entraˆıne que X n appartient `a S λ .

, X n : c’est un estimateur. De plus, X n admet une esp´erance

Par la propri´et´e (P), on a : cov(X n , U n ) = V (X n ).

Par l’in´egalit´e de Cauchy-Schwarz, : |cov(X n , U n )| 2 V (X n )V (U n ), donc V (X n ) V (U n ), ce qui montre que

X

n est optimal.

2.

a) Question ´evidente, par lin´earit´e de l’op´erateur esp´erance et le fait que si U et V ont un moment d’orde

deux, alors (U, V ) a une covariance.

b) Bien ´evidemment :

V (W n (α)) =

α 2 V (U n ) + (1 α) 2 V (Z n ) + 2α(1 α)cov(U n , Z n )

= α 2 V (U n Z n ) 2α(V (Z n ) cov(U n , Z n )) + V (Z n )

Or Z n ´etant optimal, il vient, pour tout α r´eel :

α 2 V (U n Z n ) 2α(V (Z n ) cov(U n , Z n )) 0 Ce trinˆome du second degr´e en α restant positif ou nul, son discriminant est n´egatif, soit :

(V (Z n ) Cov(U n , Z n )) 2 0, donc V (Z n ) = Cov(U n , Z n ), ou

Cov(Z n , U n Z n ) = 0.

c) On ´ecrit : Z n = X n + (Z n X n ) ce qui entraˆıne que

V (Z n ) = V (X n ) + V (Z n X n ) + 2 Cov(X n , Z n X n ).

Comme Z n et X n sont optimaux, il vient V (Z n X n ) + 2 Cov(X n , Z n X n ) = 0 et toujours par optimalit´e de

86

ESCP-Europe 2011 - Oral

Finalement, V (Z n X n ) = 0 et Z n X n = C p.s., donc Z n X n = 0 p.s.

3. a) En ´ecrivant X i X n = (X i λ + λ X n ), il vient :

n

n

n

i=1 (X i X n ) 2 = i=1 (X i λ) 2 + n(X n λ) 2 2n(X n λ) 2 = i=1 (X i λ) 2 n(X n λ) 2

En prenant les esp´erances :

n

E ( i=1 (X i X n ) 2 ) =

n

i=1 V (X i ) nV (X n ) = (n 1)λ

Par suite E(T n ) = λ et T n est un estimateur sans biais de λ.

b) Comme T n admet une variance, il appartient `a S λ et par la propri´et´e (P) et T n

Cov(X n , T n X n ) = 0. Donc :

Cov(T n , X n ) = λ

n

̸=

X n ,

il

vient

Exercice 3.3.

On observe le passage de v´ehicules `a un carrefour. Pour tout r´eel t 0, on note X t le nombre de v´ehicules qui passent entre les dates 0 et t, avec la convention X 0 = 0. On suppose que l’on d´efinit ainsi une famille de variables al´eatoires (X t ) tR + d´efinies sur un mˆeme espace probabilis´e (Ω, A, P ) poss´edant les propri´et´es suivantes :

E(X t ) existe pour tout t 0 et la fonction m(t) = E(X t ) est continˆument d´erivable sur R + , sa d´eriv´ee ´etant not´ee λ(t).

Le nombre de passages Y t 0 ,h se produisant entre les instants t 0 et t 0 + h, avec t 0 0 et h > 0, est une variable al´eatoire dont la loi est d´efinie par :

k N, P(Y t 0 ,h = k) = α k e α

k!

(on notera donc que α d´epend de t 0 et de h)

o`u α =

t

0

t 0 +h

λ(u)du = m(t 0 + h) m(t 0 )

1. Soit T 1 la variable al´eatoire repr´esentant la date de passage du premier v´ehicule observ´e. Calculer P (T 1 t).

En d´eduire une densit´e de T 1 en utilisant les fonctions λ et m.

2.

de temps s´eparant les passages du premier et du deuxi`eme v´ehicule. Calculer une densit´e de L 1 en fonction de t 0 , λ et m.

a) On suppose que l’on connaˆıt la date t 0 de passage du premier v´ehicule. Soit L 1 la longueur de l’intervalle

b) On suppose dans cette question que pour t 0, λ(t) = at + b, a et b ´etant des constantes positives.

D´eterminer une densit´e f 1 de L 1 dans ce cas.

3. On suppose d´esormais que pour tout t 0 : λ(t) = λ 0 , constante positive. Pour k N , soit T k la date de

passage du k-i`eme v´ehicule.

a) Calculer P (T k t) `a l’aide de la loi de Y 0,t . D´emontrer qu’une densit´e f k de T k est :

b) Calculer l’esp´erance de T k .

f k (t) = { λ 0 (λ 0 t) k1 e λ 0 t

(k 1)!

0

pour t 0

sinon

Solution :

1. On a P (T 1 t) = P(X t = 0) = P (Y 0,t ) = 0) = e α = e m(t) .

D’o`u P (T 1 < t) = 1 e m(t) et on peut prendre : f T 1 (t) = λ(t)e m(t) (bien sˆur pour t 0).

2.

D’o`u, P (L 1 t) = 1 e (m(t 0 +t)m(t 0 )) et,

a) On a : P (L 1 > t) = P(Y t 0 ,t = 0) = e (m(t 0 +t)m(t 0 )) .

f L 1 (t) = m (t 0 + t)e (m(t 0 +t)m(t 0 )) = λ(t 0 + t)e (m(t 0 +t)m(t 0 ))

Probabilit´es

87

b)

2

Dans ce cas m(t) = a t 2 + bt, ce qui donne :

f 1 (t) = (a(t 0 + t) + b) exp((a (t + t 0 ) 2

2

2

0

+ b(t + t 0 ) a t

2

bt 0 ))

f 1 (t) =

2

{ (a(t + t 0 ) + b) exp((a t 2 + (at 0 + b)t))

0

si t 0 sinon

3. a) Pour t 0, on a, P (T k t) = P(Y 0,t < k) =

k1

i=0

α i e α

i!

=

k1

i=0

On en d´eduit : f t k (t) = λ 0

k1

i=1

(λ 0 t) i1 e λ 0 t

(i 1)!

+ λ 0

k1

i=0

(λ 0 t) i e λ 0 t

i!

(λ 0 t) i e λ 0 t

i!

b) Enfin :

E(T k ) = +tf k (t)dt =

0

=

λ 0 (k 1)! +

1

0

f t k (t) = { λ 0 (λ 0 t) k1 e λ 0 t

(k 1)!

0

1)! +

k

1

(k

0

u k e u du =

λ

0

(λ 0 t) k e λ 0 t dt

si t 0

sinon

Exercice 3.4.

Soit n N . On consid`ere n variables al´eatoires mutuellement ind´ependantes X 1 , normale d’esp´erance m et de variance σ 2 .

On pose X n =

1

n

n

i=1

X i et U n =

1

σ 2

n

i=1 (X i X n ) 2 .

, X n , qui suivent une loi

M n (R) d´efinie par : a i,j = { n 1 si

1

i = j

1. Soit A = (a i,j ) 1i,jn

dont tous les coefficients sont ´egaux `a 1.

si i ̸= j . Soit B le vecteur colonne de M n,1 (R)

a) Justifier que la matrice A est diagonalisable.

b) D´eterminer les valeurs propres de A ainsi qu’une base des sous-espaces propres associ´es.

c) Justifier l’existence d’une matrice P de GL n (R) dont la derni`ere colonne est proportionnelle `a B et telle

que t P AP = D, o`u D est une matrice diagonale `a d´eterminer (on ne demande pas la matrice P ).

d) On

note t P = (p i,j ) 1i,jn .

n

Montrer que pour tout i de [[1, n 1]], j=1 p i,j = 0 et pour tout i de [[1, n]],

n

j=1

p

2

i,j = 1.

2. On note M =

On pose

X =

n 1 A et q l’application de M n,1 (R) dans R d´efinie par : X ∈ M n,1 (R), q(X) = t XMX.

x 1

.

.

.

x

n

et x n =

1

n

n

j=1 x j .

n

Montrer que q(X) = i=1 (x i x n ) 2 , puis q(X) =

n1

i=1 (

n

j=1 p i,j x j ) 2 .

3. Pour tout i de [[1, n 1]], on pose Y i =

n

j=1 p i,j X j .

a) Justifier que E(Y i ) = 0 et V (Y i ) = σ 2 .

b) On suppose que les Y i sont mutuellement ind´ependantes. Montrer que U n suit la loi Γ ( 2, n 1 ) .

2

Solution :

88

ESCP-Europe 2011 - Oral

1.

b) Si l’on note J la matrice dont tous les ´el´ements valent 1, on a A = nI J. Les valeurs propres de J

sont 0 de sous-espace propre associ´e de dimension n 1 (Ker J), et n dont le sous-espace propre associ´e est de

dimension 1 engendr´e par le vecteur B (orthogonal `a Ker J). Les valeurs propres de A sont donc n de sous-espace propre associ´e Ker J de dimension n1, et 0 de sous-espace propre associ´e Vect(B).

a) La matrice A est sym´etrique r´eelle : elle est diagonalisable dans une base orthonorm´ee.

c) La matrice D demand´ee est la matrice diagonale diag(n,

, n, 0).

n

, C n1 les

premi`eres colonnes de la matrice P , elles repr´esentent les coordonn´ees des vecteurs du noyau de J, ce qui donne

la relation :

d) La matrice P ´etant orthogonale, la relation t P P = I donne :

n

j=1 p i,j = 0.

j=1

2

p i,j

= 1. Si l’on note C 1 ,

2. L’´ecriture de l’application q donne :

q(X) =

n

i=1

x

2

i

1

n (

n

j=1 x j ) 2 =

n

i=1 (x i 1

n

n

j=1 x j ) 2

n1

n

La relation q(X) =

diagonalisation, c’est-`a-dire q(X) = t (P X)D(P X).

i=1 (

j=1 p i,j x j ) 2 est obtenue `a partir de l’´ecriture de q dans la base orthonorm´ee de

n

3.

Par ind´ependance des variables al´eatoires (X i ), il vient :

a) On a E(Y i ) = 0 par lin´earit´e de l’esp´erance et la relation

j=1 p i,j = 0.

V

(Y i ) =

n

j=1

p i,j V (Y j ) = σ 2 .

2

Enfin, on sait (encore l’ind´ependance des X i ) que les Y i suivent encore des lois normales. Elles suivent donc la loi normale centr´ee de variance σ 2 .

b) Grˆace aux questions pr´ec´edentes, on peut ´ecrire :

1

n

i=1 (X i M n ) 2 =

U n =

1

σ

2

σ 2

n1

i=1 (

n

j=1 p i,j X j ) 2 =

n1

i=1

( Y i

σ

) 2

Donc, U n est la somme des carr´es de n 1 variables al´eatoires ind´ependantes de mˆeme loi normale centr´ee r´eduite. On sait alors que : U n Γ ( 2, n 1 ) .

2

Exercice 3.5.

On consid`ere une fonction F d´efinie sur [0, +[ `a valeurs r´eelles, croissante, continue, telle que F (0) = 0 et

x+ F (x) = 1.

1. On d´efinit la suite (p n ) nN par, pour tout n N, p n = F (n + 1) F (n).

Montrer que la s´erie de terme g´en´eral p n est convergente et d´eterminer sa somme.

2.

lim

a) Soit x un r´eel fix´e dans [0, 1[. Montrer que la s´erie de terme g´en´eral F (x + n) F (n) est convergente.

+

b) On consid`ere la fonction φ d´efinie sur [0, 1[ par : φ(x) = n=0 (F (x + n) F (n)).

Montrer que φ est croissante.

c) Soient x et y deux r´eels fix´es de [0, 1[. Montrer que pour tout ε r´eel fix´e strictement positif, il existe N 0

entier positif ind´ependant de x et y tel que, pour tout N N 0 :

+

n=N |F(x + n) F(y + n)| < ε

Probabilit´es

89

3. On consid`ere d´esormais que F est la fonction de r´epartition d’une variable al´eatoire X `a valeurs dans R +

d´efinie sur un espace probabilis´e (Ω, A, P ). On consid`ere les variables al´eatoires not´ees d(X ) et X d´efinies

par, pour tout ω Ω :

d(X)(ω) = X(ω) − ⌊X(ω)et X(ω) = X(ω)o`u xd´esigne la partie enti`ere du r´eel x.

a) D´eterminer la loi de X `a l’aide des (p n ) et la fonction de r´epartition de d(X ).

b) On suppose que X suit une loi exponentielle de param`etre λ > 0. Expliciter la loi de Xet la fonction

de r´epartition de d(X ). D´eterminer une densit´e de d(X ), puis calculer les esp´erances de ces deux variables

al´eatoires.

Solution :

N

1.

que sa somme vaut 1.

2.

et que sa somme est inf´erieure `a 1.

Pour tout N N , on a n=0 p n = F (N + 1). D’apr`es les hypoth`eses, on en conclut que la s´erie converge et

a) Pour tout n N , on a : 0 F (x + n) F (n) p n . Cela montre que la s´erie consid´er´ee est convergente

b) Pour tout n N et tout r´eels x et y tels que x y, F (x + n) F (n) F (y + n) F (n) ce qui montre

que φ(x) φ(y) et donc que la fonction φ est croissante.

c) De mani`ere ´evidente, pour tout n N , |F(x + n) F(y + n)| p n . D’o`u,

+

N N, N N 0 , n=N |F(x + n) F(y + n)|

+

n=N p n

Pour tout ε > 0, la convergence de la deuxi`eme s´erie implique qu’il existe N 0 N tel que la somme consid´er´ee soit inf´erieure `a ε, d’o`u le r´esultat. On ´ecrit alors :

N

0

|φ(x) φ(y)| n=1 |F(x + n) F(y + n)| +

+

n=N 0

+1 |F(x + n) F(y + n)|

La seconde somme est inf´erieure `a ε, ind´ependamment de x et y, et par continuit´e d’une somme finie de fonctions continues, il existe δ > 0 tel que la premi`ere somme soit inf´erieure `a ε, pour |xy| < δ. Ceci montre la continuit´e de φ sur 0, 1[.

3.

a) Pour tout n N, P (X= n) = p n , et :

0

P(d(X) < x) = { φ(x)

1

si

si

si x 1

x < 0 x [0, 1[

b) Sous les hypoth`eses de cette question, pour tout n N :

P(X= n) = e λn e λ(n+1)

Donc :

φ(x) =

+

n=0 [ (1 e λ(x+n) ) (1 e λn ) ] =

+

(e λn e λ(x+n) )

n=0

+

= n=0 e λn (1 e λx ) = (1 e λx )

+

n=0 (e λ ) n = 1 e λx

1 e λ

λe

λx

Une densit´e de d(X) est donn´ee par f (x) =

On a :

E(X) =

e λ , si x [0, 1[, et 0 sinon.

1

+

n=0 (n + 1 1)e λ(n+1) )

+

n(e λn e λ(n+1) ) =

n=0

+

n=0

e λ(n+1) =

e λ

1 e λ

+

ne λn

n=0

=

et

90

ESCP-Europe 2011 - Oral

E(d(X)) = E(X) E(X) =

1 e λ

λ

= 1 (λ + 1)e λ

λ(1 e λ )

1 e λ

Exercice 3.6. Soit X une variable al´eatoire r´eelle de densit´e g et de fonction de r´epartition G. On suppose que g est une fonction paire d´efinie sur R.

1. Exprimer, pour tout r´eel x, G(x) en fonction de G(x).

2. On d´efinit la fonction g par : g (t) = {

0

si

t 0

2g(t)

si

t > 0 .

V´erifier que g est une densit´e de probabilit´e. On note X une variable al´eatoire de densit´e g .

3. Exprimer la fonction de r´epartition G de X en fonction de G.

Donner en particulier, pour 0 < a < b,

4.

G(b) G(a) en fonction de G(b) et de G(a).

1

Pour tout m de [ 2 , 1 ] et tout r´eel t, on pose :

f m (t) = 2(1 m)g(t) + (2m 1)g (t).

a) V´erifier que f m est une densit´e de probabilit´e et exprimer f m (t) en fonction de m et de g(t).

b) Soit Y m une variable al´eatoire de densit´e f m . D´eterminer la fonction de r´epartition F m de Y m , en fonction

de m et de