Vous êtes sur la page 1sur 41

3

PROBABILITES
Exercice 3.1.
On cherche `a evaluer le nombre N de lions dAsie, esp`ece en voie de
disparition, encore en vie dans la foret de Gir. Pour cela, on capture dabord,
en une seule fois, m lions (avec m N ) que lon tatoue avant de les relacher
dans la nature, et on admet que pendant toute la duree de letude il ny a ni
dec`es ni naissance, puis on utilise lune des deux methodes suivantes . . .
Premi` ere m ethode
On capture successivement, au hasard (donc avec equiprobabilite) et avec
remise en liberte apr`es lobservation du sujet, n lions. Soit Yn le nombre de
lions tatoues parmi eux.
1. Determiner la loi de Yn . En deduire que 1 Yn est un estimateur sans biais
nm
et convergent de . 1
N
2. Pourquoi ne peut-on pas prendre nm comme estimateur de N ?
Yn
m(n + 1)
3. On pose Bn = . Calculer lesperance de Bn et montrer que Bn
Yn + 1
est un estimateur asymptotiquement sans biais de N .
Seconde m ethode
On se donne n N . On capture egalement, un par un, des lions de Gir au
hasard et avec remise en liberte apr`es lobservation du sujet.
On note Xn , la variable aleatoire egale au nombre de lions quil a ete juste
necessaire de capturer pour en obtenir n tatoues.
On pose D1 = X1 , et pour tout i de [[2, n]], Di = Xi Xi1 . On admet que
les Di sont des variables independantes deux-`a-deux.
86 ESCP-Europe 2012 - Oral

4. a) Pour tout i de [[2, n]], que represente concr`etement Di ?


b) Determiner, pour tout i de [[2, n]], la loi de Di , son esperance et sa
variance. En deduire lesperance et la variance de Xn .
c) On pose An = m Xn . Montrer que An est un estimateur sans biais et
n
convergent de N et determiner son risque quadratique.
5. a) Pour n assez grand, par quelle loi peut-on approcher la loi de la variable
fn = Xn ?
aleatoire X
n
b) On a tatoue m = 200 lions, puis capture 450 lions, pour obtenir n = 50
lions marques. On note lecart-type de A50 . On a pu prouver que 6 100.
Determiner en fonction de , un intervalle de conance pour N au seuil de
conance 0, 9 (on rappelle que (1, 64) 0.95).

Solution :
m
1. La probabilite de succ`es `a chaque capture vaut m , donc Yn , B(n, ).
N N
( Yn ) 1 Yn 1
Comme E = : est un estimateur sans biais de .
nm N nm N
De plus :
( ) 1 n m (1 m ) = (1 m ) 1
V Yn = 1 V (Y ) =
n 0.
nm (nm)2 (nm)2 N N N nmN n
Linegalite de Bienayme-Tchebiche permet darmer que cet estimateur est
convergent.
2. Comme P (Yn = 0) = 0, nm aurait une probabilite non nulle de ne pas
Yn
etre deni : aussi ne peut-on pas le choisir comme estimateur.
3. Par le theor`eme de transfert :
( )

n
m(n + 1) n ( m )k ( m )nk
E(Bn ) = k N 1
k=0
k+1 N
( )

n n + 1 ( m )k ( )nk
= m 1 m
k=0
k+1 N N
( )
n + 1 ( m )k+1 (
n )nk
=N 1 m
k=0
k+1 N N
( )
n + 1 ( m )k (
n+1 )n+1k
=N 1 m ,
k=1
k N N
soit, en utilisant la formule du binome :
( ( )n+1 )
E(Bn ) = N 1 1 m N . Ainsi Bn est un estimateur asympto-
N n
tiquement sans biais de N .
Probabilites 87

4. a) Pour tout i [[2, n]], Di represente le nombre de lions supplementaires,


a partir du (i 1)`eme lion tatoue obtenu, quil faut capturer pour obtenir un
`
i`eme lion tatoue (qui a pu etre dej`
a recapture), nous sommes donc dans le
schema geometrique . . .
b) Ainsi Di () = N et Di suit la loi geometrique de param`etre m . Ainsi :
N
N (N m)
E(Di ) = N et V (Di ) =
m m2

n
Or Xn = Di . Donc, par independance :
i=1
nN (N m)
E(Xn ) = nN et V (Xn ) =
m m2
N (N m)
c) On a E(An ) = N et V (An ) = . Ainsi An est un estimateur
n
sans biais de N , convergent et de risque quadratique egal `a V (An ).
5. a) En utilisant le theor`eme de la limite centree :
Xn (nN/m) mXn nN
= , N (0, 1)
N (N m) nN (N m)
n
m
Ainsi, pour n assez grand, on peut approcher la loi de Xn par la loi normale
n
( N N (N m) )
N ,
m nm2
b) Ici n = 50, m = 200, Xn = 450. On pose = (An ). On consid`ere que :
An N , N (0, 1).

En utilisant cette approximation, pour tout t > 0 :
( )
P An N 6 t = (t) (t) = 2(t) 1
( An N )
Donc : P 6 t > 0.9 (t) > 0.95 t > 1.64

Comme 6 100, (An t 6 N 6 An + t) (An 100t 6 N 6 An + 100t).
Si lon prend I = [An 164, An + 164], alors :
( )
P (N I) = P An N 6 1.64 > 0.9

Comme A50 = 1800, il vient I = [1636, 1964].
Exercice 3.2.
Une urne contient initialement n boules numerotees depuis 1 jusqu`a n, avec
n > 2. On vide lurne en extrayant toutes les boules une `a une, au hasard et
sans remise.
1. Pour i compris entre 1 et n, on note Xi la variable aleatoire qui vaut 1 si
la boule obtenue au i`eme tirage porte le numero i et 0 dans le cas contraire.
Quelle est la loi de Xi ?
88 ESCP-Europe 2012 - Oral

2. En deduire lesperance du nombre de fois o`


u il y a concidence entre le rang
du tirage et le numero de la boule obtenue, lorsque lon vide lurne.
3. Pour k compris entre 1 et n, on dit que le resultat du k`eme tirage est
un record si la boule obtenue `a ce tirage porte un numero strictement
superieur `a tous les numeros obtenus jusqualors. (par convention, le resultat
du premier tirage sera toujours considere comme un record).
a) Combien existe-t-il de facons de vider lurne et pour lesquelles il ny a
quun seul record ? Pour lesquelles il y a n records ?
b) Montrer que pour p et q entiers naturels, on a la relation suivante :
(p) (p + 1) (p + q ) (p + q + 1)
+ + + =
( ) p p p p+1
n
(o`
u m est le nombre de parties `a m elements dun ensemble `a n elements).
4. Soit k xe entre 2 et n et j xe entre k et n. Combien existe-t-il de facons
de vider lurne, pour lesquelles la k`eme boule obtenue porte le numero j et le
k`eme tirage constitue un record ?
5. Combien existe-t-il de facons de vider lurne pour lesquelles le k`eme tirage
est un record ? En deduire la probabilite que le k`eme tirage soit un record.
Pouvait-on avoir ce resultat directement ?
6. Pour k compris entre 1 et n, soit Yk la variable aleatoire qui prend la valeur
1 si le resultat du k`eme tirage est un record et 0 sinon. Determiner la loi de
Yk . Soit R le nombre aleatoire de records obtenus lorsque lon vide lurne.
Determiner lesperance de R.

Solution :
1. Parmi tous les n! tirages possibles, il sut de compter ceux pour lesquels
on a obtenu i au i`eme tirage : il y en a (n1)!. Donc, Xi suit la loi de Bernoulli
de param`etre 1/n.
n
2. On a : N = Xi ( nombre de concidences). Par linearite de lesperance,
i=1
on a : E(N ) = n 1 = 1.
n
3. a) Le premier tirage etant considere comme un record, sil ny a eu quun
seul record, cest que la boule numero n est sortie au premier tirage. Ensuite,
peu importe ce qui se passe. Il y a donc (n 1)! facons de vider lurne pour
lesquelles il ny a quun record.
Sil y eu n records, cela signie qu`a chaque tirage, on a obtenu un numero
superieur `a celui obtenu au tirage precedent ; la seule possibilite est davoir
tire les boules par ordre croissant, donc un seul tirage convient.
Probabilites 89

b) La formule demandee :
(p) (p + 1) (p + q ) (p + q + 1)
+ + + =
p p p p+1
sobtient, par exemple, par recurrence en utilisant la formule de Pascal.
4. Si le k`eme tirage est un record avec le numero j sorti, cela signie quau
cours des (k 1) tirages precedents, on na obtenu que des numeros inferieurs
ou egaux `a j 1.
si j < k, cest impossible ;
(j 1)
si j > k il y a facons de choisir les boules sorties lors des (k 1)
k1
premiers tirages (elles doivent avoir toutes un numero compris entre 1 et
j 1), (k 1)! facons de les ordonner, puis une facon de placer la boule j
en place k, et la n est une permutation quelconque des boules restantes.
Finalement, il y a :
(j 1)
(k 1)!1(n k)!
k1
facons convenables de vider lurne
(on pourrait simplier, mais ce nest pas interessant pour la question suiv-
ante).
5. Par la question precedente, le nombre de facons davoir un record au k`eme
tirage est egal `a :
n (j 1) ( )
n
(n k)!(k 1)! = (n k)!(k 1)! k
j=k k 1
et la probabilite demandee est donc :
( )
(n k)!(k 1)! n
k = 1
n! k
On peut retrouver ce resultat directement avec le raisonnement suivant :
dire que le k`eme tirage est un record, cest dire que le plus grand des k premiers
resultats est le dernier, cest donc dire quen ordonnant k nombres deux `a
deux distincts le plus grand est le dernier. La probabilite est donc de 1 .
k
6. La variable aleatoire Yk suit la loi de Bernoulli de param`etre 1 . La variable
k
n n n
1.
aleatoire R est egale `a Yk et E(R) = E(Yk ) = n
k=1 k=1 k=1
k

Exercice 3.3.
1. On consid`ere la fonction g denie sur R par g(x) = 2 .
(ex + ex )
Montrer que g est une fonction densite de probabilite.
90 ESCP-Europe 2012 - Oral

Dans la suite, on note X une variable aleatoire definie sur un espace


probabilise (, A, P ) admettant g pour densite (on dit que X suit la loi
dEuler).
2. Determiner la fonction de repartition FX de X.
3. Montrer que X admet des moments de tous ordres et calculer son
esperance.
4. On pose Y = eX .
a) Montrer que Y est une variable aleatoire `a densite et determiner une
densite de Y .
b) La variable aleatoire Y admet-elle une esperance ?
5. On consid`ere une suite de variables aleatoires (Yn )nN denies sur le meme
espace probabilise (, A, P ), independantes et suivant toutes la meme loi que
Y . Pour n N , on pose Mn = sup(Y1 , Y2 , . . . , Yn ).
a) Determiner la fonction de repartition de Mn .
b) Pour n > 1, on pose Zn = n . Montrer que la suite (Zn )nN converge
Mn
en loi vers une variable aleatoire dont on donnera la loi.

Solution :
1. La fonction g est continue sur R et positive. De plus, en abregeant :
+ + [ ]+
x
g(x)dx = 2 e dx = 2 x
Arc tan(e ) = 2 ( 0) = 1.
2x 2
e + 1
g est bien une densite de probabilite.
2. De la meme facon, pour tout reel t :
[ ]t
FX (t) = 2 Arc tan(ex ) = 2 Arc tan(et ).

3. a) Soit n > 1, et hn : x 7 xn g(x). La fonction hn est continue sur R.
au voisinage de +, hn (x) 2 xn ex = o(1/x2 ),

au voisinage de , |hn (x)| 2 |x|n ex = o(1/x2 ).

(on aurait pu invoquer la parite de la fonction g)
Ainsi la convergence (absolue) de lintegrale sur R de hn est acquise et X
admet des moments de tous ordres.
b) La fonction h1 est impaire dintegrale sur R convergente, donc E(X) = 0.
4. a) On a Y () = ]0, +[ et pour y > 0, (Y 6 y) = (eX 6 y) = (X 6
ln y) A, donc Y est une variable aleatoire et :
Probabilites 91

Pour y > 0, P (Y 6 y) = P (X 6 ln(y)) = 2 Arc tan(y). Ainsi :



{
0 si y < 0
FY (y) = 2 Arc tan(y) si y > 0

FY est de classe C par morceaux, donc Y est une variable aleatoire `a densite
1

et une densite fY de Y sobtient par exemple par derivation sur R et en


faisant un choix arbitraire en 0 {
:
0 si y < 0
fY (y) = 2 1 si y > 0
1 + y2
b) Il est clair que Y nadmet pas desperance, puisque yfY (y) C au
+ y
voisinage de + et donc dej`a lintegrale yfY (y) dy diverge.


n
5. a) On a : [Mn 6 x] = [Yi 6 x], ce qui montre que Mn est une
i=1
variable aleatoire, clairement `a valeurs dans R+ . De plus, pour x > 0, par
independance des (Yi ), on a :

n ( )n
P (Mn 6 x) = P (Yi 6 x) = 2 Arc tan(x) .
i=1
{
( 0 )n si x < 0
Donc : FMn (x) = 2 Arc tan(x) si x > 0

b) On a Zn () = ]0, +[ et ( pour x > 0 :)n ( )n
P (Zn > x) = P (Mn 6 ) = n 2 n
Arc tan( ) = 2 x
( Arc tan( ))
x x 2 n
car pour t > 0, on a Arc tan t + Arc tan = 1
( )tn 2
Donc : P (Zn > x) = 1 2 Arc tan( x ) = exp(n ln(1 2 Arc tan( x )))
n n
2 x 2
Or : n ln(1 Arc tan( )) n Arc tan( ) x 2x
n (n) n (n)
2x
Donc x > 0, lim P (Zn 6 x) = 1 e et comme Zn est `a valeurs dans
n
R , ceci prouve que Zn tend en loi vers la loi exponentielle de param`etre 2 .
+

Exercice 3.4.
Une urne contient n boules numerotees de 1 `a n et k boules bleues non
numerotees. Les boules sont tirees avec remise jusqu`a ce quune boule bleue
soit tiree. Au cours de ces tirages, on denit le nombre R de repetitions de
la mani`ere suivante :
au debut, R = 0. Ensuite, on ajoute 1 `a R d`es que lon obtient une boule
numerotee qui avait ete dej`
a tiree precedemment.
92 ESCP-Europe 2012 - Oral

1. Determiner les probabilites des evenements suivants :


A1 = la premi`ere boule tiree est la boule numero 1 .
A2 = la premi`ere boule tiree est une boule portant un numero strictement
superieur `a 1 .
A3 = la premi`ere boule tiree est une boule bleue .
2. On note A0 levenement la boule numero 1 nest jamais tiree lors du
jeu . En utilisant la formule des probabilites totales avec les evenements
precedents, montrer que P (A0 ) = k .
k+1
3. On note X le nombre de fois o` u lon a tire la boule 1 au cours du jeu. En
utilisant un raisonnement analogue `a celui de la question precedente, montrer
que E(X) = 1 .
k
4. On denit la variable aleatoire Y par :
{
Si X > 1, alors Y = X 1
Si X = 0, alors Y = 0
(Y est donc le nombre de repetitions de la boule numerotee 1.)
1
Montrer que E(Y ) = (m 1)P (X = m) puis que E(Y ) = .
m1 k(k + 1)
Soit r un entier naturel. On recherche la valeur minimale de k (en fonction
de n et r) de mani`ere `
a ce que le nombre moyen t de repetitions soit inferieur
ou egal `
a r.
5. Montrer que t = nE(Y ).

6. En deduire que la valeur minimale recherchee est k0 = n + 1 1 .
r 4 2

Solution :
1. On a clairement : P (A1 ) = 1 et P (A ) = n 1 . La probabilite que
2
n+k n+k
le jeu sarrete d`es la premi`ere etape vaut P (A3 ) = k .
n+k
2. Les evenements A1 , A2 , A3 forment une partition de lensemble . De plus,
les evenements A0 et A1 sont incompatibles. Si la premi`ere boule tiree est
une boule bleue, le jeu sarrete et A3 A0 . Les tirages etant independants,
PA2 (A0 ) = P (A0 ).
Ainsi, dapr`es la formule des probabilites totales :
3
P (A0 ) = P (Ai )PAi (A0 ) = P (A1 )0 + P (A2 )PA2 (A0 ) + P (A3 )1
i=1
= n 1 P (A0 ) + k
n+k n+k
Probabilites 93

Soit : n + k n + 1 P (A0 ) = k , do`


u P (A0 ) = k .
n+k n+k k+1
3. On utilise la decomposition selon les evenements A1 , A2 , A3 . Ainsi :
E(X) = E(X|A1 )P (A1 ) + E(X|A2 )P (A2 ) + E(X|A3 )P (A3 )
= (E[X] + 1)P (A1 ) + E(X)P (A2 ) + 0,
E(X) + 1 n 1 ( )
soit : E(X) = + E(X), do`u : E(X) 1 n = 1 et
n+k n+k n+k n+k
E(X) = . 1
k
4. Dapr`es la denition, Y = max{0, X 1}. Ainsi :



E(Y ) = kP (Y = k) = kP (Y = k) = kP (X = k + 1)
k=1 k=1 k=1


= (m 1)P (X = m), soit :
m=2


E(Y ) = (m 1)P (X = m) = E(X) P (X = m) = E(X) P (A0 )
m=1 m=1

= 1 k = 1
k k+1 k(k + 1)
5. Pour i [[1, n]], en notant Yi le nombre de repetitions de la boule numerotee
i, on a clairement, par symetrie, E(Yi ) = E(Y ). Ainsi :
( n ) n
t=E Yi = E(Yi ) = nE(Y ).
i=1 i=1

6. Finalement, t 6 r nE(Y ) 6 r n 6 r rk 2 +rkn 6 0.


k(k + 1)

Soit, comme k est entier, k > n+11 .
r 4 2

Exercice 3.5.
Soit (, A, P ) un espace probabilise. Soient > 0 et X, X1 , . . . , Xn des
variables aleatoires independantes de meme loi uniforme sur [0, ].
1. Montrer que ln X admet une esperance et calculer son esperance m.
( )1
2. Pour tout n N , on pose Yn = X1 Xn n .
a) Montrer que la suite (ln Yn )nN converge en probabilite vers m.
b) En deduire que (Yn )nN converge en probabilite vers em .
3. Soit Mn = max Xi . Calculer, pour tout x R, P (Mn 6 x).
1in

4. En deduire que (Mn )nN converge en probabilite vers une variable


aleatoire constante C que lon determinera en fonction de .
94 ESCP-Europe 2012 - Oral

5. a) Donner, pour tout reel x, la nature de la serie P (Mn 6 x).
nN
b) Montrer que pour tout , la suite (Mn ())nN converge.
c) Soit > 0. Montrer que P ( lim Mn 6 ) = 0.
n+

Solution :
1. La variable aleatoire X admet pour densite 1 1[0,] . De plus, pour a > 0,
a
ln x dx converge. Ainsi, dapr`es le theor`eme de transfert :
0
[ ]
m = E(X) = ln x 1 dx = 1 x ln x x 0 = ln 1.
0

2. a) Dapr`es la loi faible des grands nombres, la suite de variables aleatoires
(1 n )
ln Yi n converge en probabilite vers m. Soit :
n i=1
> 0, lim P (| ln Yn m| > ) = 0
n+

b) Soient , > 0. Notons 0 = min{ln(1 + em ), ln(1 em )}.


Dapr`es la question precedente, il existe n0 N tel que pour tout n > n0 ,
P (| ln Yn m| > 0 ) 6( . Par suite : )
P (|Yn em | 6 ) = P ln(1 em ) 6 ln(Yn ) m 6 ln(1 + em )
> P (| ln Yn m| 6 0 ) > 1 .
Soit, P (|Yn em | > ) 6 .
Ainsi, la suite (Yn )n converge en probabilite vers em .
3. Dapr`es la denition de Mn , la positivite et lindependance des (Xi ),
Si x 6 0, P (Mn 6 x) = 0.
Si x > , P (Mn 6 x) = 1.
Si x [0, ],

n ( x )n
P (Mn 6 x) = P ( i [[1, n]], Xi 6 x) = P (Xi 6 x) = 1 dx

( )n i=1 0
= x .

4. Soit C la variable aleatoire denie par P (C = ) = 1. Soit > 0. On a :
P (|Mn C| > ) = P (|Mn | > ) = P ( Mn > )
= P (Mn 6 ) 0.
n
Ainsi, la suite (Mn )n converge en probabilite vers la variable aleatoire
constante egale `a .
Probabilites 95

5. a) Dapr`es la question 3., la serie de terme general P (Mn 6 x) converge si


et seulement si x 6 .
b) La suite (Mn ()) etant croissante et majoree par , elle converge.
c) En utilisant la question precedente :

P ( lim Mn 6 ) = P ( n N, Mn 6 ) = P ( {Mn 6 })
n nN
6 P (Mk 6 ), pour tout entier naturel k.
Or, dapr`es les questions precedentes, lim P (Mk 6 ) = 0, soit :
k
P ( lim Mn 6 ) = 0.
n

Exercice 3.6.
Soient X1 , . . . , Xn , . . . des variables aleatoires, denies sur le meme espace
probabilise, independantes qui suivent toutes la loi de Poisson de param`etre
1. Pour tout n N , on note Sn = X1 + + Xn . Soit M un nombre reel tel
que M > 0.
1. Donner la loi de Sn , son esperance et sa variance. Justier la convergence en
( )
loi de la suite Sn n nN vers une variable aleatoire N dont on precisera
n
la loi.
2. a) Pour tout n N et tout k [[1, n]], montrer que :
k (
) ( 2)
1 i 6 exp k .
i=0 n 2n

b) On note n la partie enti`ere de M n. Montrer quil existe n1 N tel
que :
n > n1 = n > n + 1.
Dans toute la suite on se place dans le cas o` u n > n1 .
( )
3. Soit la variable aleatoire Yn = h Sn n , o`
u la fonction reelle h est denie
n
par :
{
h(x) = x si x [M, 0]
0 sinon
a) Montrer que :
n ( n+1 )
E(Yn ) = e n nnn .
n n! (n n 1)!
b) Puis que :
n n+ 2 1 n n+ 2 n 1 2

E(Yn ) 6 e n 6 E(Yn ) + e n e 2n .
n! n!
96 ESCP-Europe 2012 - Oral

4. En etudiant la serie de terme general un = ln(an+1 ) ln(an ), montrer


n n+ 2 1
la convergence de la suite de terme general an = e n vers une limite
n!
K > 0.
5. En admettant que E(Yn ) converge vers E(h(N )) quand n tend vers +,
montrer que :
2 2
M2 M2 M2
1 e 6 K 6 1 e + K e 2 .
2 2
1
En deduire que : n! 2 nn+ 2 en .
n

Solution :
1. Sn suit la loi de Poisson de param`etre n, desperance n et de variance n.
( )
Dapr`es le theor`eme central limite, la suite Sn n n converge en loi vers N
n
qui suit la loi normale centree reduite.
2. a) Dapr`es linegalite de convexite 1 x 6 ex , on a : (tout est positif) :
k ( ) (
i ) = exp ( k(k + 1) ) 6 exp ( k 2 ).
k i k
1 i 6 e n = exp
i=0 n i=0 i=0 n 2n 2n

b) Comme n 6 M n, pour avoir n > n +1 il sut que nM n1 > 0.
Cette inequation du second degre en n poss`ede un coecient dominant
positif donc elle est vraie au voisinage
de +.

On peut aussi dire que n = M n M n = o(n)
() ()

3. a) Par theor`eme de transfert, sous reserve de convergence de la serie, on


a: {
( k n ) en nk
+ (k n) k n si k n [M, 0]
E(Yn ) = h , or h = n n .
k=0 n k! n 0 sinon

n [M, 0] k [n M n, n] k [n , n].
Et : k n
n
Donc la serie converge (il ny a quun nombre ni de termes non nuls) et,
comme [n n , n] N (dapr`es la condition n > n1 ), on a :
n en nk = en ( nk+1 nk )
n n
E(Yn ) = k
k=nn n k! n k=nn k! (k 1)!
n ( n+1 )
= e n nnn
n n! (n n 1)!
b) La premi`ere inegalite est evidente dapr`es legalite ci-dessus. Pour la
seconde on utilise 2. a) avec k = n :
Probabilites 97

k (
) ( 2)
nnk n!
n+1 = 1 i 6 exp k .
(n k 1)! n i=0 n 2n
Do`
u:
nnn n+1 ( 2 )
6n exp n .
(n n 1)! n! 2n
4. Le calcul donne :
( ) ) ( )
un = n+1+ 1 ln(n+1)(n+1)ln((n+1)! (n+ 1 ) ln nnln(n!)
( 2) ( ) (2 ) ( )
un = n+1+ 1 ln(n+1)1ln(n+1) n+ 1 ln n = n+ 1 ln 1+ 1 1
2 2 2 n
( 1 )( 1 1 1 1 ) 1 1 1
= n+ + 3 + o( 3 ) 1 = + o( 2 )
2 n 2n2 3n n 12n2 n () 12n2

Ainsi, par la r`egle de Riemann un converge ; la suite ln(an ) converge donc
par telescopage ; ainsi (an ) a une limite K strictement positive (cest une
exponentielle).
5. On passe `a la limite quand n tend vers linni dans lencadrement 3. b) en
utilisant :
2 2
lim n = M , dapr`es M n 1 < n 6 M n.
n+ 2n 2
2
n M2
2n
Donc lim e = e 2 .
n+
lim E(Yn ) = E(h(N )) (admis) et par le theor`eme de transfert :
n+
+ 2 0 2 2
x2 x2 M2
E(h(N )) = e
h(x) dx = e
x dx = 1 e
2 M 2 2
M2 M2
1 e 2 6 K 6 1 e 2 + K e M2 .
2

2 2
Lencadrement obtenu est valable pour tout M > 0. En faisant tendre M
vers + on a K = 1 , do`u lequivalence dapr`es le resultat de la question
2
4.
Exercice 3.7.
Soit a et c deux param`etres reels avec c > 0. Pour n entier superieur
ou egal `a 2, soit x1 , . . . , xn des reels xes non tous nuls. On consid`ere n
variables aleatoires Y1 , . . . , Yn mutuellement independantes telles que pour
tout i [[1, n]], Yi suit une loi normale avec E(Yi ) = axi et V (Yi ) = c.
Pour tout i [[1, n]], on note yi une realisation de Yi et fYi la densite continue
sur R de Yi .
Soit F la fonction denie sur R R+ , `
a valeurs reelles, telle que :
( n )
F (a, c) = ln fYi (yi ) .
i=1
98 ESCP-Europe 2012 - Oral

1. Montrer que F est de classe C 2 sur R R+


.

2. Montrer que F admet sur R R+ a, b


un unique point critique (b c) que lon
determinera.

n
n
3. a) Montrer que pour tout a R, on a : (yi axi )2 > (yi b
axi )2 .
i=1 i=1
b) En deduire que pour tout (a, c) R R+ , on a : F (a, c) F (b
a, b
c) 6 0.
Conclure.
n n n
4. On pose : sn = x2i , An = 1 xi Yi et Cn = 1 (Yi An xi )2 .
i=1 sn i=1 n i=1
a) Que representent b
a et b
c pour An et Cn ?
b) Calculer E(An ) et V (An ).
c) On admet que la denition et les proprietes de la covariance de deux
variables aleatoires discr`etes sappliquent aux variables aleatoires `a densite.
Montrer que pour tout i [[1, n]], on a : Cov(Yi , An ) = xi c.
sn
En remarquant que pour tout i [[1, n]], la variable aleatoire (Yi An xi ) est
centree, calculer E(Cn ).

Solution :
( )
1. On a : fYi (yi ) = 1 exp 1 (yi axi )2 , donc
2 c 2c
n
F (a, c) = n ln(2c) 1 (y axi )2
2 2c i=1 i
Les fonctions polynomiales sont de classe C 2 sur R et les fonctions c 7 1/c
, donc F est de classe C sur R R .
et c 7 ln c sont de classe C 2 sur R+ 2 +

n n
2. F (a, c) = 1 xi yi a sn et F (a, c) = n + 12 (yi axi )2 .
a c i=1 c c 2c 2c i=1
1
n
Lunique point critique (b a, b
c) est donne par : b
a = x y et b c =
sn i=1 i i
1 (y b
n
axi )2 .
n i=1 i

n
n
n
n
3. a) (yi axi )2 (yi b
axi )2 = 2a xi yi + a2 sn + 2b
a xi yi b
a2 sn
i=1 i=1 i=1 i=1

n n
donc (yi axi )2 (yi b
axi )2 = sn (a b
a)2 > 0, car sn > 0.
i=1 i=1

n
n
Bilan : pour tout a R, (yi axi )2 > (yi b
axi )2 .
i=1 i=1
Probabilites 99
( )
b) Compte tenu de lexpression de b a, b
c, on a : F (b c) = n 1 + ln(2b c) . La
2
question a) permet decrire :
( ( c )) n ( (c) b )
F (a, c) F (b c) = n 1 + ln b
a, b 12 (yi axi )2 6 n 1 + ln b c 60
2 c 2c i=1 2 c c
(car u > 0 = ln u 6 u 1).
Bilan : (a, c) R R+ , F (a, c) F (b
a, b
c) 6 0. Le couple (b a, b
c) est le point
de R R en lequel F admet un maximum global.
+

4. a) Les reels b
a et b
c sont les realisations des variables aleatoires An et Cn
respectivement.
n
b) E(An ) = 1 x (axi ) = sn a = a.
sn i=1 i sn
n
Par independance des Yi , on a : V (An ) = 12 x2 c = c .
sn i=1 i sn
c) i [[1, n]],
( n )
Cov(Yi , An ) = Cov Yi , 1 xi Yi = 1 Cov(Yi , xi Yi ) = xi c.
sn i=1 sn sn
n ( ) n
Dautre part, E(Cn ) = 1 E (Yi An xi )2 = 1 V (Yi An xi ).
n i=1 n i=1
Or :
x2i c 2xi 2 c
V (Yi An xi ) = V (Yi ) + x2i V (An ) 2xi Cov(Yi , An ) = c +
sn sn
x2i c
=c .
sn
Par suite :
n (
x2 c )
E(Cn ) = 1 c i = n1c
n i=1 sn n

Exercice 3.8.
Soit 1 , 2 , . . . , n , . . . une suite de variables de Bernoulli independantes telles
que :
pour tout n N , P (n = +1) = P (n = 1) = 1/2.
( )
1. Calculer lesperance E (1 + 2 + + n )2 en fonction de n.
2. Soit a ]0, 1[ xe.
a) Montrer linegalite P (|1 + 2 + + n | > an) 6 21 .
a n
b) Montrer que
n ( )
1 n
P (|1 + 2 + + n | > an) = n 1{|2n|an}
2 =0
u 1{|2n|an} = 1 si satisfait |2 n| > an et 0 sinon.
o`
100 ESCP-Europe 2012 - Oral
n ( )
c) Montrer que lim 1 n 1
{|2n|>an} = 0.
n+ 2n =0

3. Soit N une variable aleatoire suivant la loi de Poisson, de param`etre > 0,


independante de la suite (n )n1 . Calculer, en fonction de , lesperance :
(( N
+1 )2 )
E n .
n=1

Solution :
1. On a E(k ) = 0 et V (k ) = 1. Dapr`es lhypoth`ese dindependance :
V (1 + + n ) = V (1 ) + + V (n ) = n
et, puisque les variables
( aleatoires )sont centrees :
E (1 + + n )2 = V (1 + + n ) = n.
2. a) Dapr`es linegalite de Bienayme-Tchebychev :
V (1 + + n )
P (|1 + + n | > an) 6 = 21 .
a 2 n2 a n
b) Si parmi les variables aleatoires 1 , . . . , n il y en a exactement qui
( )valant 1), alors on a : 1 + + n = (n ) = 2 n.
valent 1 (les autres
n
Comme il y a facons de choisir les places des 1 et que les evenements
du type {1 = 1, . . . , n = 1} sont tous de probabilite 1/2n , on en deduit
que :
( )
1 n
P (1 + + n = 2 n) = n
2
Par suite :
n
P (|1 + + n | > an) = P (1 + + n = 2 n) 1{|2n|an}
n ( )
=0
n
= 1n 1{|2n|an} .
2 =0
c) Dapr`es la question precedente, quand n tend vers linni, la limite de
cette expression vaut 0.
3. Suivant les valeurs de N , nous avons en vertu de lindependance de N et
de la suite (n ), la decomposition :
( N+1 ) ( ( k+1
)2 )
(( k+1
)2 )
E ( n )2 = E n 1{N =k} = E n P (N = k)
n=1 k=0 n=1 k=0 n=1
((
k )2 )
k
Par ailleurs, comme E n = V (n ) = k, on obtient :
n=1 n=1
(( N
+1 )2 )
n
E n = (n + 1) e = + 1.
n=1 n=0 n!
Probabilites 101

Exercice 3.9.
Soit n > 1 un entier naturel. Soit (, A, P ) un espace probabilise. Soient
X et Y deux variables aleatoires reelles denies sur (, A, P ) telles que
X() = [[1, n + 1]] et Y () = [[1, n + 1]].
Pour tout (i, j) [[1, n + 1]]2 , on pose
ai,j = P ((X = j) (Y = i)) et bi,j = P(X=j) (Y = i).
1. Dans cette premi`ere partie, on suppose quil existe un reel tel que :
( )( )
n n
(i, j) [[1, n + 1]] , ai,j = i 1 j 1 .
2

a) Calculer la valeur de .
b) Determiner les lois marginales de X et de Y .
c) Montrer que les variables X et Y sont independantes.
d) Soit Z = X 1. Reconnatre dans la loi de Z une loi usuelle. En deduire
lesperance et la variance de X.
2. On note B Mn+1 (R) la matrice dont le coecient de la i`eme ligne et j `eme
colonne est bi,j .
a) Calculer la dimension de limage et celle du noyau de B.
b) Calculer B p , pour tout entier p N .
c) Determiner lensemble des valeurs propres de B. La matrice B est-elle
diagonalisable ?
3. On suppose `a present que : {
(i, j) [[1, n + 1]]2 , ai,j = si |i + j n 2| = 1 .
0 sinon
a) Determiner .
b) Determiner les lois marginales de X et de Y . Les variables X et Y
sont-elles independantes ?
c) On note B Mn+1 (R) la matrice dont le coecient de la i`eme ligne et

j `eme colonne est bi,j . Ecrire B dans le cas particulier n = 4.

Solution :
1. a) Pour que les (ai,j ) denissent une loi conjointe, il faut que pour tout
n+1
n+1 ( n ) n+1
n+1 ( n )
(i, j) [[1, n + 1]]2 , ai,j > 0 et 1 = ai,j = i 1 j=1 j 1 .
i=1 j=1 i=1
n ( )
n n n n
En utilisant la formule p = 2 , on trouve : 1 = .2 .2 . Ainsi,
p=0
2n
=2 .
102 ESCP-Europe 2012 - Oral

b) On a X() = [[1, n + 1]] et pour tout j [[1, n + 1]],



n+1 ( ) n+1
( n ) ( )
n n n
P (X = j) = ai,j = j 1 i1 =2 j1 .
i=1 i=1
Par symetrie, Y suit la meme loi (X 1 et Y 1 suivent la loi B(n, 1/2)).
c) Pour tout (i, j) [[1, n + 1]]2
( : ) ( )
n n
P (X = j)P (Y = i) = 2n j 1 2n i 1 = P (X = j Y = i).
Les variables X et Y sont donc independantes.
d) On la dit : Z , B(n, 1/2). On en deduit :
E(X) = E(Z + 1) = E(Z) + 1 = n + 1 et V (X) = V (Z + 1) = V (Z) = n .
2 4
2. a) Comme X et Y sont independantes, pour tout (i, j) [[1, n + 1]]2 ,
( )
n
bi,j = P(X=j) (Y = i) = P (Y = i) = 2n i 1 .
On en deduit lecriture de la matrice B. On remarque en particulier que
toutes les colonnes de B sont identiques. Par suite, Im(B) est de dimension
1. Par le theor`eme du rang, Ker(B) est de dimension n.
b) On pose B 2 = [ci,j ]. Pour tout (i, j) [[1, n + 1]]2 , on a :

n+1
2n
( n )( n )
n+1
n
(
n
)
ci,j = bi,k bk,j = 2 i1 k1 =2 i 1 = bi,j
k=1 k=1
Do` u : B 2 = B. Par suite, pour tout p N , B p = B.
c) La question precedente montre que P (X) = X 2 X est un polynome
annulateur de B. Les seules valeurs propres possibles pour B sont donc 0 et
1. Comme E0 = Ker(B) est de dimension n > 0, 0 est bien valeur propre de
B. On remarque dautre part que comme B 2 = B, on a BX = X, o` u X est
le vecteur correspondant `a la premi`ere colonne de B. Ainsi, 1 est egalement
valeur propre de B et E1 = Ker(B In+1 ) est de dimension au moins egale `a
1. Il sensuit que dim(E0 )+dim(E1 ) > n+1, donc dim(E0 )+dim(E1 ) = n+1.
Ainsi, la matrice B est diagonalisable.
On peut aussi dire que B ne vaut ni 0 ni I, donc represente un projecteur
non trivial.
n+1
n+1
3. a) Pour tout (i, j) [[1, n + 1]]2 , on doit avoir ai,j > 0 et 1 = ai,j =
i=1 j=1
u N designe le nombre de couples (i, j) [[1, n + 1]] tel que |i + j
N , o` 2

n 2| = 1. Facilement N = 2n, donc = 1 .


2n

n+1
b) j [[1, n + 1]], P (X = j) = ai,j .
i=1
Si j [[2, n]], on a donc P (X = j) = an+3j,j + an+1j,j = + = 1 .
n
Dautre part, P (X = 1) = P (X = n + 1) = 1 .
2n
Probabilites 103

On remarque que P (X = 1)P (Y = 1) = 1 2 alors que P (X = 1Y = 1) = 0.


4n
Ainsi, X et Y ne sont pas independantes.

0 0 0 1/2 0
0 0 1/2 0 1

c) La matrice B secrit : B = 0 1/2 0 1/2 0

1 0 1/2 0 0
0 1/2 0 0 0

Exercice 3.10.
Pour tout entier naturel n, on denit lensemble
Dn des densites de probabilite
+
f : R R+ nulles sur R et telles que xn f (x)dx converge. On note
0

+
alors mn (f ) la valeur de cette integrale. On note enn : D = Dk
k=0

1. Soit n un entier naturel. Determiner tous les couples de reels positifs (, )


tels que :
f1 et f2 Dn = f1 + f2 Dn
2. a) Soit f Dn .
Montrer que pour tout entier k tel que 0 6 k 6 n, on a :
f Dk et 0 < mk (f ) 6 1 + mn (f ).
{
2 1 si x > 0
b) Soit la fonction c : x R 7 x2 + 1 . Montrer que
0 si x 6 0
c D0 \ D 1 .
Dans toute la suite, on note T : D1 D0 , lapplication definie pour tout
f D0 par T (f )(x) = x f .
m1 (f )
3. On note fE, la densite de probabilite dune loi exponentielle de param`etre
> 0, nulle sur R et continue sur R+ . Montrer que fE, D et calculer
T (fE, ).
4. Soit et deux reels positifs tels que + = 1 et f, g D1 . Exprimer
T (f + g) en fonction de T (f ) et de T (g).
Soit f0 D . On denit pour tout entier n > 0 : fn+1 = T (fn ).
5. Dans le cas general, exprimer fn en fonction de f0 et mn (f ) puis calculer
et reconnatre fn lorsque f0 est la fonction fE, .
6. Soit X et Y deux variables aleatoires continues de densites respectives
f D1 pour X et T (f ) pour Y .
On note F et G leurs fonctions de repartition respectives.
104 ESCP-Europe 2012 - Oral

Comparer F et G. Dans quelle portion du plan est situe lensemble des points
{(F (t), G(t)), t R} ?

Solution :
+
1. Comme > 0 et > 0, la seule condition `a realiser est f1 +f2 = 1.
0
Les couples solutions sont : (, 1 ), [0, 1] et (Dn , +, .) nest pas un
espace vectoriel sur R.
2. a) Soit f Dn . Comme pour x > 1, on a k 6 n = xk f (x) 6 xn f (x),
lexistence
du moment dordre n entrane celle du moment dordre k.
+
On a f (x)dx = 1, donc il existe un intervalle non vide [a, b] R+ sur
0 b +
lequel f > 0 et 0 < x f (x) dx 6
k
xk f (x) dx, donc mk > 0. Enn :
+ a
1 0+
xk f (x)dx 6 f (x)dx + xk f (x)dx
0 0 + 1
+
6 f (x)dx + xn f (x)dx.
0 0
Donc 0 < mk 6 1 + mn .
b) La fonction c : x 7 2 2 1 1R+ (x) est continue et positive et :
x +1
+ +
c(x)dx = 2 dx = [ 2 Arc tan x]+ = 1.
0 2 0
x +1
+
En revanche xc(x) 2 1 et lintegrale xc(x) dx diverge, donc
(+) x
c D0 , mais c
/ D1 .
3. On a f D1 = m1 > 0 : T (f ) est bien deni et on verie aisement que
T (f ) appartient bien `a D0 .
Or fE, : x 7 ex 1R+ est continue et positive sur R+ .
( )
Soit k N, xk fE, (x) = o 12 au voisinage de +, do` u lexistence de mn .
x
Donc fE, D et comme m1 = 1 : T (fE, ) = 2 xex 1R+ .

4. Soit > 0 et > 0 tels que + = 1 et f, g D1 . On a :
m1 (f ) m1 (g)
T (f + g) = T (f ) + T (g)
m1 (f ) + m1 (g) m1 (f ) + m1 (g)

5. On a : f1 = x f . Soit n > 0, on suppose que f = xn f ; alors


m1 (f ) 0 n
mn (f ) 0
Probabilites 105
+ +
m1 (fn ) = xfn (x)dx = xn+1 f (x)dx = mn + 1(f ) et :
0 0 mn (f ) 0 mn (f )
fn+1 =
xmn (f )

xn f = xn+1 f .
mn+1 (f ) mn (f ) 0 mn+1 (f ) 0
Pour la loi exponentielle de param`etre :
+ +
mn (f ) = n
x e x
dx = n 1 un eu du = n!n .
0 0
n
et fn (x) = x ex 1[0,+[ (x), qui est une densite de la loi (, n + 1)
n!
6. Soit f D1 , x
x
F (x) = 1R+ (x) f (t)dt et T (f ) D0 , G(x) = 1R+ (x) t f (t)dt.
m 1 (f )
0
x 0

Si x 6 m1 (f ), on a :F (x) G(x) = m1 t f (t)dt > 0 car 0 6 t 6 x 6


0
m1
m1 .
Si x > m1 (f ) > 0, on a :
+ +
( ) ( 1 )
F (x) G(x) = 1 f (t)dt [m1 tf (t)dt]
m1
+ x x

= t m1 f (t)dt > 0. Do` u F > G.


x
m1
On a ainsi : t R, 0 6 G(t) 6 F (t) 6 1 : la courbe est situee dans le
triangle de sommets O, A, B, avec A : (1, 0) et B : (1, 1).

Exercice 3.11.
Une grenouille se deplace par bonds mutuellement independants de longueur


fixe 1 en restant dans un plan muni dun rep`ere orthonorme (O, i , j ).
On note (Xn , Yn ) ses coordonnees apr`es n bonds et Dn = Xn2 + Yn2 sa
distance `a lorigine. Au depart de lhistoire elle est en O, donc : X0 = Y0 = 0.
1. Dans cette question uniquement, la grenouille reste sur la droite (O,i)
(donc n > 0, Yn = 0). Elle fait des bonds xi = Xi Xi1 , (i > 1) successifs
vers la droite (i.e. tels que xi = 1) avec la probabilite constante p [0, 1] ou
dans lautre sens (i.e. xi = 1) avec la probabilite q = 1 p.
a) Calculer la probabilite quelle soit revenue `a son point de depart apr`es
2n bonds.
b) Determiner la loi de la variable aleatoire Dn .
c) Determiner deux reels a et b tels que zi = axi + b suive une loi de
n
Bernoulli pour tout i > 1. On note Zn = zi . Exprimer Xn ` a laide de Zn
i=1
puis calculer les moments dordre 1 et 2 des variables aleatoires Zn et Xn .
106 ESCP-Europe 2012 - Oral

2. La grenouille senhardit : elle eectue des bonds dans une direction




quelconque. On note n langle que fait le n`eme saut avec laxe (O i ). On
suppose que pour tout n, n suit la uniforme sur [0, 2].
a) Exprimer Xn et Yn en fonction des i , 1 6 i 6 n et calculer leurs
moments dordre 1 et 2.
{
2 2
E(Xn1 Yn1 cos(n )) = E(Xn1 Yn1 sin(n )) = 0
b) Montrer que :
E(Yn1 cos2 (n ) sin(n )) = E(Xn1 cos(n ) sin2 (n )) = 0
c) En deduire Cov(Xn , Yn ) et Cov(Xn2 , Yn2 ). Les variables Xn et Yn sont-
elles independantes ?

Solution :
1. a) [X2n = 0] signie quil y a eu n sauts `a droite et n `a gauche. Donc par
application du schema binomial : ( )
2n
P (X2n = 0) = n pn q n = 2n! pn q n
n!n!
b) On a Xn () [[n, n]] , et [Xn = k] est realise si et seulement si le
nombre de sauts `a droite (nsd) est egal au nombre de sauts `a gauche (nsg)
+k, et comme nsg + nsd = n on en deduit : nsg = n k et nsd = n + k .
2 2
Ces 2 quantites doivent
{ (etre des entiers do`
u:
) n+k nk
n
P (Xn = k) = n+k p 2 q 2 si k et n de meme parite
2
0 sinon
Par consequent Dn () [[0, n]]{et( : )
n n2 n2
n p q si n pair
P (Dn = 0) = P (Xn = 0) = 2 .
0 si n impair
Pour 0 < k 6 n : P (Dn = k) = P (Xn = k) + P (Xn = k), soit par
symetrie des coecients binomiaux :
{( )
n ( n+k nk nk n+k )
P (Dn = k) = n+k p 2 q 2 +p 2 q 2 si k et n de meme parite
2
0 sinon
c) axi + b prend les valeurs b a et b + a, on peut donc prendre a = b = 1
2
et zi = axi + b suit alors la loi de Bernoulli de param`etre p.
n n
On a Xn = xi = (2zi 1) = 2Zn n avec Zn , B(n, p). Ainsi :
i=1 i=1
E(Xn ) = 2E(Zn ) n = 2np n ; V (Xn ) = 4V (Zn ) = 4npq
n
n
2. a) On a Xn = cos(i ) et Yn = sin(i ). Par le theor`eme de transfert :
i=1 i=1
Probabilites 107
2
E(cos(i )) = 1 cos()d = 0 et de meme E(sin( )) = 0. Do`
u:
i
0
2
n N, E(Xn ) = E(Yn ) = 0
De meme : 2
2
2
V (cos(i )) = E(cos (i )) = 1 2
cos ()d = 1 (1+cos(2)) d = 1 ;
0
2 4 0
2
do`u, par independance V (Xn ) = n . De la meme facon V (Yn ) = n
2 2
2 2
b) Les variables aleatoires Xn1 Yn1 et Xn1 Yn1 sont des fonctions des
i pour i [[1, n 1]], donc sont independantes de n . Ainsi :
{ 2 2
E(Xn1 Yn1 cos(n )) = E(Xn1 Yn1 )E(cos(n )) = 0
2
E(Xn1 Yn1 sin(n )) = 0
2
1 [ ]2
2
On a : E(cos (n ) sin(n )) = cos2 sin d = 1 cos3 ) 0 = 0, et
2 0 6
2
de la meme facon : E(cos(n ) sin (n )) = 0. Donc encore par independance :
E(Yn1 cos2 (n ) sin(n )) = 0 et E(Xn1 cos(n ) sin2 (n )) = 0.
c) On a :
n
Cov(Xn , Yn ) = Cov(cos(i ), sin(j )) = Cov(cos(i ), sin(i ))
1i,jn 2
i=1

Or Cov(cos i , sin i ) = E(cos i sin i ) = 1 cos sin d = 0 et donc


2 0
Cov(Xn , Yn ) = 0.
( )
On a : E(Xn2 Yn2 ) = E (Xn1 + cos(n ))2 (Yn1 + sin(n ))2
On developpe, on utilise la linearite de lesperance, lindependance de n avec
Xn1 et Yn1 , et les resultats precedents. Il reste :
E(Xn2 Yn2 ) = E(Xn12 2
Yn1 ) + n 1 + E(cos2 (n ) sin2 (n ))
2
= E(Xn12 2
Yn1 ) + n 1 + 1 , et en sommant :
2 8
n(n 1) n(2n 1)
E(Xn2 Yn2 ) = +n=
4 8 8
Cov(Xn , Yn ) = E(Xn Yn ) E(Xn )E(Yn ) = n = 0
2 2 2 2 2 2
8
Si les variables Xn et Yn etaient independantes il en serait de meme de Xn2 et
de Yn2 , or celles-ci sont correlees, donc Xn et Yn ne sont pas independantes.

Exercice 3.12.
Soit X une variable aleatoire prenant un nombre ni de valeurs x1 , x2 , . . . , xn
avec les probabilites respectives p1 , p2 , . . . , pn .
On denit la fonction X sur R par :
t R , X (t) = 1 ln(E(etX ))
t
108 ESCP-Europe 2012 - Oral

o`
u E designe loperateur esperance.
1. Montrer que X est ainsi bien denie sur R et prolongeable par continuite
en 0, en posant X (0) = E(X).
On note encore X la fonction ainsi prolongee.
2. Demontrer que X est derivable en 0 et calculer X (0) `a laide de la
variance de X.
3. a) Montrer que pour tout u 6 0, on a : eu 6 1 + u + 1 u2 .
2
b) Montrer que si X ne prend que des valeurs negatives ou nulles, on a :
t > 0, X (t) 6 E(X) + t E(X 2 )
2
4. a) Pour tout i [[1, n]], on note fi la fonction t 7 etxi . Montrer que la
famille (f1 , . . . , fn ) est libre.
b) En deduire que deux variables discr`etes nies X et Y ont la meme loi
si et seulement si les fonctions X et Y sont egales.
5. Montrer que si X et Y sont des variables discr`etes nies independantes,
alors X+Y = X + Y .
6. Montrer que X est impaire si et seulement si X est une variable
symetrique, cest-`a-dire telle que X et X ont la meme loi.

Solution :
1. etX ne prend que des valeurs strictement positives (en nombre ni) donc
son esperance existe et est strictement positive, ce qui prouve que X est
bien denie sur R .

n
On a E(etX ) = etxi pi . Or : etxi = 1 + txi + o(t), donc
i=1

n
n
n
n
E(etX ) = etxi pi = pi + txi pi + o(t) = 1 + txi pi + o(t)
i=1 i=1 i=1 i=1
Ainsi :
n n
X (t) = 1 ln(1 + txi pi + o(t)) 1 txi pi
t i=1 (t0) t i=1
n
et X (t) xi pi = E(X).
(t0) i=1

2. On poursuit les developpements asymptotiques :


n n n
E(etX ) = etxi pi = 1 + txi pi + 1 t2 x2i pi + o(t2 )
i=1 i=1 2 i=1
2
E(X ) 2
= 1 + E(X)t + t + o(t2 )
2
Probabilites 109

2
et avec ln(1 + u) = u u + o(u2 ), il vient :
2
1 E(X 2 ) 2
X (t) = ln(1 + E(X)t + t + o(t2 ))
t 2
E(X 2 ) E(X)2
= E(X) + t + o(t)
2
Ainsi X est derivable en 0, avec X (0) = 1 V (X).
2
3. a) la fonction u 7 eu 1 u 1 u2 est de classe C sur R et
2
f (u) = eu 1 u, f (u) = eu 1 6 0. Avec f (0) = 0, on en deduit
que f est positive sur R et comme f (0) = 0, f est bien negative sur R .
b) On peut donc ecrire dans ce cas :
txi
E(etX ) = e pi 6 (1 + t xi + 1 t2 x2i )pi = 1 + tE(X) + 1 t2 E(X 2 )
2 2
et donc :
X (t) 6 1 ln(1 + tE(X) + 1 t2 E(X 2 )) 6 E(X) + t E(X 2 ))
t 2 2
Car on sait que ln(1 + u) 6 u.
4. a) Lapplication f 7 f est un endomorphisme de lespace des fonctions
de classe C sur R et lapplication t 7 etxi est propre pour la valeur propre
xi , do`u la liberte demandee.
b) Si X et Y ont meme loi, il est clair que X = Y .
Reciproquement supposons que X et Y soient discr`etes nies telles que
X = Y . Quitte `a ajouter des valeurs prises avec une probabilite nulle, on
peut supposer que X() = Y () = {x1 , . . . , xn } et on pose pi = P (X =

n
n
xi ), qi = P (Y = xi ). On a alors t = 0, etxi pi = etxi qi , resultat bien
i=1 i=1
entendu valable pour t = 0. La liberte precedente donne i, pi = qi : X et Y
ont meme loi.
5. Si X et Y sont independantes, il en est de meme de etX et etY et :
E(et(X+Y ) ) = E(etX etY ) = E(etX )E(etY )
Do`u, par passage au logarithme : X+Y = X + Y .
6. X impaire X (t) = X (t), or le retour `a la relation de denition
donne : X (t) = X (t)
Donc X impaire X = X X et X ont meme loi (resultat 4.
b)).
Exercice 3.13.
On note V P (, ) la loi de Pareto de param`etres > 0, > 0 et 0 , cest-`a-
( )+1
dire la loi de densite f denie par : f (x) = si x > , et f (x) = 0
x
sinon.
110 ESCP-Europe 2012 - Oral

Un phenom`ene economique suit une loi V P (, ), etant connu et un


param`etre que lon veut estimer. On dispose pour cela dun echantillon
(X1 , . . . , Xn ) de variables aleatoires independantes suivant cette loi.

n ( )
On pose T = b = n.
ln Xi et
i=1 T
( )
1. Soit X une variable aleatoire suivant la loi V P (, ) et Y = ln X .

a) Determiner la fonction de repartition FX de X .
b) Determiner, lorsquelles existent, lesperance et la variance de X .
c) Montrer que Y suit une loi dont on precisera les param`etres.
2. Quelle est la loi de T ? En donner une densite.
b
3. Calculer lesperance et la variance de .
b un estimateur
4. Deduire de c1 sans biais de . Lestimateur c1 est-il
convergent ?

b )
n(
5. On admet que la suite de variables aleatoires n 7 Zn =

converge en loi vers la loi normale centree reduite N (0, 1), et on rappelle
que la fonction de repartition de la loi normale centree reduite verie
(1, 96) 0,975.
En utilisant la loi N (0, 1) comme approximation de la loi de Zn , donner, en
fonction de n (suppose assez grand) et de la valeur observee 0 de ,b un
intervalle de conance `a 95% de .

Solution :
( )
1. a) Pour x 6 , FX (x) = 0 et pour x > , FX (x) = 1
x
b) La variable aleatoire X admet une esperance si et seulement si > 1 et
dans ce cas : E(X) = .
1
De meme, la variable aleatoire X admet une variance si et seulement si > 2
et alors : V (X) = 2 .
( 2)( 1)2
c) La variable aleatoire Y prend ses valeurs dans R+ et :
x > 0, FY (x) = P (X 6 .ex ) = FX (.ex ) = 1 ex
Donc Y suit la loi exponentielle de param`etre , cest-`a-dire la loi de
param`etres 1 et 1.

Probabilites 111

2. La variable aleatoire T est la somme de n variables aleatoires independantes


de meme loi ( 1 , 1), donc T suit la loi ( 1 , n). Une densite fT de T est

donnee par :
x n1 n
t 6 0, fT (x) = 0, t > 0, fT (x) = e x
(n 1)!
3. On a b = , donc sous reserve dexistence :
n
T +
+
b =
E() n fT (x) dx = n ex xn2 n1 dx

x n1 0 (n 2)!
On reconnat lintegrale dune densite dune variable suivant la loi ( 1 , n1),

ce qui prouve que lesperance existe et vaut :
b = n
E()
n1
En procedant de la meme facon on montre que b admet un moment dordre
2 2
2 valant n , donc une variance valant : V () b = n2 2
(n 1)(n 2) (n 1)2 (n 2)
b1 = n 1
2
4. b verie E( b1 ) = et V (b1 ) = . Cette variance est de
n n2
b
limite nulle lorsque n tend vers linni, donc 1 est un estimateur sans biais
et convergent de .
5. En approchant la loi de Z par la loi normale centree reduite, on obtient :

n(b )
P (1, 96 6 6 1, 96) = 0, 95

Cest-` a-dire : P (
n b66

n b = 0, 95
)
n + 1, 96 n 1, 96
On obtient donc comme intervalle de conance pour , au niveau de conance
0, 95 :
[ ]
n n
0 , 0
n + 1, 96 n 1, 96
Exercice 3.14.
Soit et deux reels strictement positifs et f la fonction denie sur R par
{
1 x
f (x) = x e si x > 0
0 sinon
1. Montrer que f est une fonction de densite.
On note X une variable aleatoire admettant f pour densite. On dit alors que
X suit la loi W (, ))
2. Calculer la fonction de repartition F de X, ainsi que la fonction r denie
f (x)
sur R+ par r(x) = .
1 F (x)
112 ESCP-Europe 2012 - Oral

3. Dans cette question, on suppose que > 1 et que X suit la loi W (, ).


a) Montrer que la fonction r est strictement croissante sur R+ et verie
r(0) = 0
b) Montrer que la variable aleatoire Y = r(X) suit la loi W ( , ) avec
1 + 1 = 1. Exprimer en fonction de , .

4. Reciproquement, on suppose que la fonction r verie les deux proprietes :
la fonction est continue, strictement croissante sur R+ et verie r(0) = 0,
la variable aleatoire Y = r(X) suit la loi W ( , ), avec > 1.
Montrer que X suit la loi W (, ), le lien entre (, ) et ( , ) etant donne
dans la question precedente.

Solution :
1. La fonction f est continue sur R+ et sur R . Elle est positive sur R et
+ +
[ ]
t1 ex dt = ex 0 = 1

f (t)dt =
0

2. Pour x 6 0, on a F (x) = 0 et pour x > 0,


x
[ ]x
t1 ex dt = ex 0 = 1 ex

F (x) =
0
f (x)
Et donc, pour x > 0 : r(x) = = x1
1 F (x)
3. a) On suppose que > 1, ce qui fait que la fonction f est continue sur R.
Par la question precedente, r(x) = x1 est strictement positive sur R+ ,
verie r(0) = 0 et r (x) = ( 1)x2 > 0 sur R+ .
b) Posons Y = r(X). La fonction de repartition G de Y est nulle sur R
et pour x > 0 : G(x) = P (Y 6 x) = P (r(X) 6 x) = P (X 6 r1 (x)) =
F (r1 (x))
puisque la fonction r est bijective strictement croissante sur R+ .
( )1/(1)
On montre aisement que r1 (x) = x . Ainsi :

{
0 si x 6 0
(
G(x) = 1 exp ( x /(1) )
) sinon
()/(1)
On a donc = et = . On verie que lon a bien : 1 + 1 = 1.
1 ()
x
4. Notons R : x 7 r(t)dt. Cette fonction est de classe C 1 sur R+ et
0
R (x) = r(x). Ainsi :
Probabilites 113

F (x)
r(x) = = R (x) = d (ln(1F (x)) et R(x) = ln(1F (x))+K.
1 F (x) dx
La condition initiale donne K = 0 et :
F (x) = 1 eR(x) ()
Par stricte croissance de r, pour x > 0 :

1 e x = P (r(X) 6 x) = P (X 6 r1 (x))
et donc :

F (x) = P (X 6 x) = 1 e (r(x)) ()
En utilisant les relations () et (), il vient :
( 1 )1/
R(x) = (r(x)) = (R (x)) , soit R (x)R(x)1/ =

En integrant, il vient, comme R(0) = 0 :
1 1
11/ =
1
R 1/ x
1
1

Comme 1 + 1 = 1, cela est equivalent `a : R1/ (x) = 1
1/
x et
( )
R(x) = 1 x
1/
( )
On termine en utilisant la relation () : F (x) = 1 eR(x) = 1 exp(x ).

Exercice 3.15.
Soit (An )n une suite devenements dunespace e (, A, P ). On note
( probabilis
)
pn = P (An ). On note B levenement Ak .
n1 kn
On rappelle que cet evenement est en fait :
B = { | appartient `a une innite des An }.

1. On suppose que la serie P (Ak ) converge. Montrer que P (B) = 0.
k

2.
On suppose que les evenements (An ) sont independants et que la serie
P (An ) est divergente.
n
( )
a) Montrer que levenement B est egal `a Ak , o`
u M designe
n1 kn
levenement contraire de levenement M .
( m )
b) Exprimer P Ak en fonction des pk .
k=n

c) Montrer que la serie ln(1 pk ) est divergente.
k

d) En deduire que P (B) = 1.


114 ESCP-Europe 2012 - Oral

3. Soit un reel strictement positif et (Xn ) une suite de variables aleatoires


independantes telles que pour tout n, Xn suit la loi de Bernoulli de param`etre
1 .
n
a) Montrer que lim E(Xn ) = 0.
n+

b) On suppose que 0 < < 1. Montrer quavec une probabilite egale `a 1,


lensemble {n | Xn = 1} contient une innite delements.
c) On suppose que > 1. Montrer quavec une probabilite egale `a 1,
lensemble {n | Xn = 1} est ni.

Solution :

m

1. Pour tout entier m, on a : Ak = Ak .
n=1 kn k=m


La serie P (An ) est convergente. Donc lim P (Ak ) = 0.
m+ k=m
Or P (A B) = P (A) + P (B) P (A B) 6 P (A) + P (B), donne par une
recurrence simple P (Am Am+1 . . .An ) 6 P (Am )+P (Am+1 )+ +P (An )
et par passage `a la limite par -additivite :
( )

P Ak 6 P (Ak )
k=m k=m
(
m )
ce qui montre que P (B) = lim P Ak = 0.
m n=1 kn

( )
2. a) Les r`egles de de Morgan donnent immediatement Ak =
n1 kn

An .
n1 kn

b) Par independance des evenements (An ) et donc de leurs complementaires


:
(
m )
m
m
P Ak = P (Ak ) = (1 pk )
k=n k=n k=n

c) Deux cas :

si (pn ) ne tend pas vers 0, alors ln(1 pn ) ne tend pas vers 0 et la serie
ln(1 pn ) diverge grossi`erement.
si lim pn = 0, alors, ln(1 pn ) pn , et par hypoth`ese de la question,
n+
la serie pn diverge. On conclut par le theor`eme dequivalence des series `a
termes positifs ou nuls.

Dans les deux cas, la serie ln(1 pn ) diverge vers .
Probabilites 115

(
m )
m
d) Comme ln (1 pk ) = ln(1 pk ), par continuite de la fonction
k=n k=n

m

exponentielle, il vient : lim (1 pk ) = (1 pk ) = 0. Ainsi,
m+ k=n
( ) k=n
P Ak = 0.
kn
( )
Comme la suite Ak n
est decroissante, pour tout m, on a :
kn

m
Ak = Ak
n=1 kn km
(
) (
)
et donc, P Ak = 0, ce qui entrane que P Ak = 1.
k=1 kn k=1 kn

3. a) De mani`ere evidente E(Xn ) = P (Zn = 1) = 1 qui tend vers 0 lorsque


n
n tend vers +
Pour les deux questions suivantes, on pose : An = [Xn = 1]. Les variables
aleatoires (Xn ) etant independantes, les evenements (An ) le sont aussi.

b) La serie P (An ) diverge. Par la question 2, P (B) = 1, ce qui
signie que les evenements [Xn = 1] sont realises inniment souvent avec
la probabilite 1.

c) La serie P (An ) converge. Par la question 1, P (B) = 0, ce qui
signie que les evenements [Xn = 1] sont realises inniment souvent avec
une probabilite de 0, ou quils ne sont realises quun nombre ni de fois avec
la probabilite 1.

Exercice 3.16.
1. On consid`ere la fonction f denie sur R par t 7 f (t) = 1 exp(|t|).
2
Montrer que f est la densite de probabilite dune variable aleatoire X dont
on determinera la fonction de repartition, lesperance et lecart-type.
2. Soient X1 et X2 deux variables aleatoires independantes, de meme loi que
X. Determiner une densite g de Y = X1 + X2 . Quelles sont les valeurs de
lesperance et de lecart-type de Y ?
3. a) Donner une densite de la variable aleatoire X1 X2 .
b) On eectue independamment lune de lautre, deux mesures de la masse
dun meme objet. On suppose que lerreur commise `a chaque fois suit la loi
de X.
Soit a reel positif. Quelle est la probabilite que les deux mesures eectuees
ne di`erent pas de plus de a ?
116 ESCP-Europe 2012 - Oral

c) Pour quelles valeurs de a linegalite de Bienayme-Chebychev donne-t-elle


une information sur cette probabilite ?

Solution :
1) La fonction f est continue sur R, positive.
+ +
On a : f (t) dt = 2 et dt = 1, donc f est une densite.

2 0
Si F est la fonction de repartition de X, on a :
x
Si x 6 0, F (x) = 1 et dt = 1 ex
2 2
Si x > 0, par symetrie, F (x) = 1 F (x) = 1 1 ex .
2
La convergence (absolue) de lintegrale denissant lesperance est banale
et, par symetrie, lesperance est nulle.
Enn la variance est egale au moment dordre 2 et :
+ +
V (X) = 1 t2 e|t| dt = t2 et dt = (3) = 2

2 0
2) Une densite g de Y est donnee, par convolution, par :
+
g(x) = 1 e|t| e|xt| dt

4
x 0 +
2tx x
Pour x < 0, 4g(x) = e dt + e dt + ex2t dt
x 0
u : g(x) = 1 (1 x)ex
Do`
4
0 x +
2tx x
Tandis que pour x > 0 : 4g(x) = e dt + e + ex2t dt
0 x
Do`u : g(x) = 1 (x + 1)ex .
4
On peut donc ecrire :
x R, g(x) = 1 (1 + |x|)e|x|
4
Par linearite de lesperance : E(Y ) = 0 et, par independance :
V (Y ) = V (X1 ) + V (X2 ) = 4.
3) a) La variable X2 a meme loi que X2 , donc, toujours par independance,
X1 X2 a meme loi que Y = X1 + X2 .
b) Soit X1 lerreur aleatoire commise lors de la premi`ere mesure et X2
celle commise lors de la seconde. On cherche la probabilite de levenement
|X1 X2 | 6 a, cest-`a-dire a 6 X1 X2 6 a. On peut donc ecrire :
a a
p = P (a 6 X1 X2 6 a) = g(x) dx = 1 (x + 1)ex dx
a
2 0
Probabilites 117

Une integration par parties donne la solution et :


( )
p = 1 2 (a + 2)ea
2
c) Linegalite de Bienayme-Chebychev donne une indication d`es que la
largeur de lintervalle considere est egale au moins `a deux fois lecart-type de
Y , cest-`a-dire pour a > 2.

Exercice 3.17.
On note la densite continue sur R de la loi normale centree reduite et
la fonction de repartition correspondante. On dira quune variable aleatoire
reelle positive X suit la loi LN (, ), R, R+ si sa fonction de
repartition FX est donnee par :
{ (
1 ((ln x) )) si x > 0
FX (x) =
0 si x 6 0
1. On suppose que X suit la loi LN (, ), et on pose Y = ln X. Determiner
la fonction de repartition FY de Y .
2. Soit X1 et X2 deux variables aleatoires independantes, respectivement de
lois LN (1 , 1 ), LN (2 , 2 ). Determiner la loi du produit X1 X2 .
3. Soit Z est une variable aleatoire de loi LN (, ). Montrer que pour tout
c, R+ , la variable aleatoire cZ est de loi LN ( , ), o`
u on precisera les

valeurs de et .
4. Soit p ]0, 1[ et q = 1 p. On denit X1 , . . . , Xn des variables aleatoires
independantes de meme loi denie par :
P (Xi = e) = p, P (Xi = 1) = q = 1 p.

n
a) Quelle est la loi de Sn = (ln Xi ) ?
i=1
b) Montrer que lorsque n tend vers +, la fonction de repartition de la
(
n ) 1
p n
variable aleatoire Tn = e Xi n converge en tout point de R+ vers
i=1
une limite que lon determinera.

Solution :
( )
1. On a : x R, P (Y 6 x) = P (ln X 6 x) = P (X 6 ex ) = 1 (x ) .

Donc Y suit la loi N (, ).
X1 X2 = eY1 +Y2 . Par stabilite et independance,
2. Si on pose Yi = ln Xi , on a
Y1 +Y2 suit la loi N (1 + 2 , 12 + 22 ). Par suite X1 X2 suit la loi LN (1 +
2 , 12 + 22 ).
118 ESCP-Europe 2012 - Oral

3. On a ln (cZ ) = ln c + ln Z = ln c + T.
Soit t R, on a :
( ) ( )
P (T + ln c 6 t) = P T 6 1 (t ln c) = T 1 (t ln c)

(1( 1 )) ( )
= (t ln c) = 1 (t ln c ) .


( 1 )
Donc cZ suit la loi LN + ln c, .

4. a) ln Xi suit la loi B(p). Par suite Sn suit la loi B(n, p).
b) On a :
( n )
t R+ , P (Tn 6 t) = P ep n ( Xi )1/ n 6 t
i=1
S np
= P (p n + 1 Sn 6 ln t) = P ( n 6 ln t)
n n
( Sn np )
Or converge en loi vers une variable suivant la loi normale centree
npq n
reduite, donc :
Sn np ln t ) = ( ln t )
lim P (Tn 6 t) = lim P ( 6
n n npq pq pq

Exercice 3.18.
Dans cet exercice, toutes les variables aleatoires sont denies sur le meme
espace probabilise (, A, P ).
Soit X une variable aleatoire `a valeurs dans N telle que P (X > n) > 0 pour
tout n N.
On appelle taux de panne de X la suite reelle (xn )nN des probabilites
conditionnelles denies par :
( )
n N, xn = P(Xn) X = n .

1. a) Verier que P (Y = n) = 1 denit bien une loi de probabilite


n(n + 1)
sur N .
(On pourra determiner deux reels a et b tels que, pour tout n N , on ait :
1 = a+ b .)
n(n + 1) n n+1
b) Determiner le taux de panne de la variable aleatoire Y .
2. Dans le cas general, montrer que :

n1
n N , P (X > n) = (1 xk ) = (1 x0 )(1 x1 ) . . . (1 xn1 )
k=0
puis exprimer pn = P (X = n) en fonction des xk .
3. Determiner les lois de variables `a valeurs dans N ayant un taux de panne
constant pour n > 0.
Probabilites 119

4. Soit X une variable aleatoire `a valeurs dans N, de taux de panne (xn )nN , et
(Uk )kN une suite de variables aleatoires independantes de meme loi uniforme
sur [0, 1].
Soit Z denie par : {
, Z() = { 0 } si k N, Uk () > xk
min k N / Uk () 6 xk sinon
Montrer que Z est une variable aleatoire et determiner sa loi.

Solution :
1 n
1. a) n N , pn = = 1 1 > 0 et pk = 1 1 1.
n(n + 1) n n+1 k=1
n + 1 n+
On a donc bien aaire `a une loi de probabilite sur N .
b) Le taux de panne (yn ) est donne par y0 = 0 et comme pour tout n > 1 :
p (
P (Y > n) = lim
1 1 ) = lim ( 1 1 ) = 1
p+ k=n k k+1 p+ n p+1 n
il vient :
1
yn =
n(n+1)
= 1
1 n+1
n

2. On a : 1 = P(Xn) (X > n) = P(Xn) (X > n + 1) + P(Xn) (X = n), ce


qui donne :
P [(X > n + 1) (X > n)] P (X > n + 1)
1 xn = =
P (X > n) P (X > n)
do`
u:

n1
P (X > n)
(1 xk ) = = P (X > n)
k=0 P (X > 0)
puis :

n1
pn = P (X > n) P (X > n + 1) = xn (1 xk )
k=0

3. Condition necessaire : si X est `a valeurs dans N , de taux de panne


(xn )nN constant egal `a x, alors p0 = x0 = 0 et par la question precedente,
pn = x(1 x)n1 donc X , G(x).
Condition susante : Si X , G(p), on a p0 = 0 et P (X > 0) = 1, do`u

x0 = 0 puis, pour tout n N :
k1
+
pq n1
P (X = n) = pq n1 , P (X > n) = pq = = q n1 > 0
k=n
1 q
do`
u:
P (X = n)
xn = =p
P (X > n)
120 ESCP-Europe 2012 - Oral

{ } (
+ )
4. Soit A = / k N, Uk () > xk = Uk > xk .
k=0
Par independance des Uk et xk [0, 1], on a :
(
n ) n
n
P (Uk > xk ) = P (Uk > xk ) = (1 xk ) = P (X > n + 1) 0
k=0 k=0 k=0 n+
do`
u P (A) = 0, par limite monotone, et donc Z est denie presque partout.
On a Z() N et, par independance des Uk de loi uniforme sur [0, 1] :
(( n1
) )
n1
P (Z = n) = P (Uk > xk ) (Un 6 xn ) = P (Un 6 xn ) P (Uk > xk )
k=0 k=0

n1
= xn (1 xk ) = pn
k=0
Conclusion : Z suit la meme loi que X.

Exercice 3.19.
1. Montrer que pour tout x R+ , on a 1 x 6 ex .
2. On dispose dune urne vide au depart. Le premier jour, une personne met
une boule numerotee 1 dans lurne, la tire, note son numero et la remet
dans lurne ( !). Ensuite, `a chaque nouvelle journee, elle ajoute une boule qui
porte le numero du jour considere, elle tire alors une boule au hasard, note
le numero de cette boule et la remet dans lurne. Le processus se poursuit
indeniment . . .
a) Soient N et E1 , E2 , . . . , E une famille de evenements independants.
Montrer que lon a

( ) P (Ei )
P Ei 6 e i=1 .
1i
o`
u E est levenement contraire de levenement E.
b) On note Ak levenement la boule numerotee 10 sort lors du k`eme tirage.
Que vaut la probabilite de Ak ?
c) Quelle est la probabilite que la boule 10 sorte au moins une fois `a partir
du n`eme tirage, o`
u n est un entier positif xe ?
d) Quelle est la probabilite que la boule numerotee 10 sorte une innite de
fois ?
e) Calculer la probabilite que le 10 sorte une innite de fois de suite.
3. On suppose cette fois que la personne remplit lurne de sorte quil y ait
dans lurne n2 boules, numerotees de 1 `a n2 , le n`eme jour (elle met donc une
boule numerotee 1 le premier jour, trois boules numerotees 2, 3, 4 le deuxi`eme
Probabilites 121

jour, cinq boules le troisi`eme, . . . ). Comme `a la question precedente, elle tire


alors une boule, note son numero et la remet immediatement dans lurne.
a) Soient N et E1 , E2 , . . . , E une famille de evenements . Montrer
(
que lon a : P Ei ) 6 P (Ei ).
16i6 i=1
b) Quelle est la probabilite que le nombre 10 sorte une innite de fois ?

Solution :
1. Banal, par inegalite de convexite ou etude de la fonction associee.
2. a) Comme les evenements consideres sont independants, en utilisant la
question 1, il vient :

( )
P (Ei )
P Ei = P (Ei ) = (1 P (Ei )) 6 eP (Ei ) = e i=1 .
1i 1 1 1
b) Il est clair que :
P (Ak ) = 0 si 1 6 k < 10 et P (Ak ) = 1 si k > 10.
k

+
c) Ceci correspond `a la probabilite de levenement Ak . Passons `a
k=n
levenement contraire, on obtient :
( ) ( )
P Ak = lim P Ak .
kn + nkl
Or dapr`es la question 2 a), on a :
( ) ( l
) (

)
P Ak 6 exp P (Ak ) = exp 1/k 0
nk +
k=n k=sup(n,10)
( ) ( +
)
Do`
uP Ak = 0 et par suite, P Ak = 1.
kn k=n
d) Levenement le 10 sort une innite de fois secrit au moyen de
lintersection decroissante des evenements precedents. Cest donc :
( + )) ( +
)
P ( Ak = lim P Ak = 1
n1 k=n n+ k=n
Le 10 sort donc presque s
urement une innite de fois.
( +
)
e) Ici levenement considere correspond `a la reunion croissante : Ak
n1 k=n
et on a :
( ( +
)) ( +
)
P Ak = lim P Ak 6 lim P (An ) = 0.
n1 k=n n+ k=n n+
122 ESCP-Europe 2012 - Oral

La probabilite que le 10 sorte une innite de fois de suite est donc nulle.

La formule de Poincare P (A B) = P (A) + P (B) P (A B) implique
3. a)
P (A B) 6 P (A) + P (B). On obtient ensuite linegalite souhaitee par
recurrence.
b) Dans ce cas, on a : P (Ak ) = 0 si 1 6 k < 10 et P (Ak ) = 12 si k > 10.
k
Avec la majoration donnee en 3. a), on obtient en passant `a la limite :
( +
) + 1
P Ak 6 2,
k=n k=n k
do`u:
( + ) ( +
) 1
+
P ( Ak ) = lim P Ak 6 lim =0
n1 k=n n+ k=n n+ k=n k 2

puisque le reste dune serie convergente tend vers 0.


Cette fois la probabilite que le 10 sorte une innite de fois est nulle.

Exercice 3.20.
Soit (, B, P ) un espace probabilise. On note E lensemble des variables
aleatoires X `a densite denies sur cet espace, `a valeurs dans [1, 1] et centrees
(i.e. telles que lesperance E(X) existe et vaut 0).
1. Soit X E.
a) Montrer que, pour tout R, la variable aleatoire eX admet une
esperance.
b) Montrer que, pour tout a R et tout > 0, on a :
( )
P (X > a) 6 ea E eX
c) Lensemble E est-il un espace vectoriel ?
2. Soit > 0 et soit X E.
a) Pour tout n N, montrer que : (2n)! > 2n n!.
1 (
) 2
b) En deduire que : e +e 6e2 .
2
( ) (
c) Montrer que, pour tout x [1, 1], on a : ex 6 1 e + e + x e
) 2 2
e .
d) Deduire des questions precedentes que :
( ) 2 ( ) 2
E eX 6 e 2 et E eX 6 e 2 .
a2
3. Montrer que, pour tout a > 0 et tout X E, on a : P (|X| > a) 6 2 e 2 .
4. Soient X1 , . . . , Xn des variables aleatoires independantes qui appartiennent
a E. Montrer que :
`
Probabilites 123

( n ) a2
a > 0, n N , P 1 Xi > a 6 2 e 2 .
n i=1

Solution :
1. a) Soit f une densite de X nulle
en dehors de [1, 1]. Par le theor`eme de
transfert il sut que lintegrale ex f (x) dx converge, ce qui est banalement
R
le cas car la fonction `a integrer est nulle en dehors de [1, 1].
( )
b) Linegalite est evidente pour = 0 car alors ea E eX = 1.
Pour > 0, dapr`es linegalite de Markov appliquee `a la variable positive
eX , on a :
( ) E(eX )
P (X > a) = P eX > ea 6 .
ea
c) Non : si X suit une loi uniforme sur [1, 1], alors X E mais 2X / E,
car cette variable aleatoire prend ses valeurs entre 2 et 2 . . . .
(2n)!
2. a) Pour n > 1, = (n + 1)(n + 2) . . . (2n) et les n facteurs sont minores
n! n
par 2, donc (2n)! > 2 n! et le resultat est banal au rang 0.
b) On a par simplications des sommations de series :
1 (e + e ) = 2n 6 2n = e 2
+ + 2

2 n
n=0 (2n)! n=0 2 n!

c) Cette relation secrit : ex 6 x + 1 e + 1 x e , soit encore, en posant


2 2
t = x + 1 [0, 1] :
2
e[t.1+(1t).(1)] 6 te + (1 t)e ,
inegalite qui est vraie dapr`es la convexite de la fonction u 7 eu sur [1, 1].
( ) ( )
[On peut aussi etudier la fonction : x 7 ex 1 e + e x e e
2 2
associee, dont la derivee seconde est evidemment strictement positive sur
[1, 1]. Comme (1) = (1) = 0, il nest meme pas necessaire detudier le
signe de . . . ]
d) Dapr`es 2. b) et 2. c), on a :
1 1
( X ) ( 2 ) 2
E e = e f (x) dx 6
x
e 2 + x (e e ) f (x) dx = e 2 + 0
1 1
2
( ) 2
Comme X E on peut remplacer X par X ce qui donne : E eX 6 e 2 .
3. On peut ecrire, pour tout > 0 :
P (|X| > a) = P (X > a) + P (X 6 a) = P (X > a) + P (X > a)
6 ea E(eX ) + ea E(eX )
124 ESCP-Europe 2012 - Oral

2
6 2ea e 2
a2
et en prenant = a : P (|X| > a) 6 e 2


n
4. De la meme facon, on remarque que 1 X E. Donc, pour tout > 0,
n i=1 i
comme `a la question precedente, on a :
( n ) ( n )
P 1 | Xi | > a = P 1 | Xi | > a
n i=1 n i=1 n
a
n
n
6e n [E(exp( X )) + E(exp( X ))]
n i=1 i n i=1 i
a [ n n ]
6e n E(e n Xi )+ E(e n Xi ) (par independance)
i=1 i=1
a
n 2
a 2
6 2e n e 2n2 = 2e n e 2n
i=1
2 2
Pour conclure il sut donc de trouver > 0 tel que a + 6 a ,
n 2n 2
( )2
soit a 6 0. On doit prendre : = a n.
n
Probabilites 125