Académique Documents
Professionnel Documents
Culture Documents
Et :
1 1
8 (u; v) 2 (U; V ) ( ) ; P ([U = u] \ [V = v]) = =
4 6
2
Explications :
Cohérence :
X X 1
P ([U = u] \ [V = v]) =
4
(u;v)2(U;V )( ) (u;v)2(U;V )( )
2
= 1
car (U; V ) ( ) est l’ensemble des suites …nies de deux entiers strictement croissantes, et à valeurs dans
[j1; 4j] (voir le poster des suites).
b
Etablissons le tableau à deux entrées, permettant de donner la loi du couple, ainsi que les lois
marginales :
V !
2 3 4 L (U ) #
U#
1 1 1 1
1
6 6 6 2
1 1 1
2 0
6 6 3
1 1
3 0 0
6 6
1 1 1
L (V ) ! 1
6 3 2
c
La présence de zéros dans le coeur du tableau doit de toute urgence vous inciter à "foncer" dessus
pour introduire un contre-exemple ravageur !
En e¤et, comme P ([U = 2] \ [V = 2]) = 0 alors que P ([U = 2]) P ([V = 2]) 6= 0; cet exemple nous
montre clairement que :
U et V sont dépendantes
1
Comme 8i 2 [j1; 6j] ; P ([X = i]) = 6= 0 selon la formule des probabilités composées :
6
j+1 i j
i 1 5
8 (i; j) 2 (X; Y ) ( ) ; P ([X = i] \ [Y = j]) =
j 6 6
6
b 1 1
Comme P ([X = 1] \ [Y = 6]) = 0 alors que P ([X = 1]) P ([Y = 6]) = 6= 0;
6 6
X et Y sont dépendantes
L (X) = L (Y ) = B (n; p)
b
Cette question est purement culturelle ! En e¤et tout bon préparationnaire digne de la Saint-Jean
Academy sait parfaitement que :
B (n1 ; p) B (n2 ; p) = B (n1 + n2 ; p)
c’est ce que l’on appelle la stabilité de la loi binomiale pour la somme de deux variables indépendantes.
Appliqué à l’exercice, cela donne, comme X et Y suivent toutes deux la loi B (n; p) :
L (S) = B (2n; p)
!
]
P ([X = Y ]) = P ([X = k] \ [Y = k])
k2N
X
= P ([X = k]) P ([Y = k]) par additivite et indépendance desVAR
k2N
X 2
= (P ([X = k])) comme L (X) = L (Y )
k2N
X
1 2
= pq k
k2N
X k 1
= p2 q2
k2N
p2
=
1 q2
Conclusion :
p
P ([X = Y ]) =
1+q
Loi de U:
Nous avons : U ( ) = N et :
8k 2 N; P ([U k]) = P ([U > k]) + P ([U = k])
= P ([U k]) P ([U > k])
= P ([U > k 1]) P ([U > k])
la formule reste valable pour k = 0 car P ([U = 0]) = P ([U > 1]) P ([U > 0]) = 1 1 = 0
ce qui est cohérent puisque U ( ) = N : Ainsi tout cela entraine que 8k 2 N ; P ([U = k]) =
k 1 k
q2 q 2 donc :
k 1
8k 2 N ; P ([U = k]) = q 2 1 q2
Conclusion :
U ,!> G 1 q2
et d’après le cours :
1 q2 q2
E (U ) = et V (U ) = 2 = 2
1 q2 (1 q2 ) p2 (1 + q)
P( 1) P( 2) =P( 1 + 2)
alors :
X + Y ,! P ( + ) =) (X + Y ) + Z ,! P (( + ) + )
Conclusion :
(X + Y + Z) ,! P ( + + )
3
Comme 8 (i; j; k) 2 N ; P ([X + Y + Z = i + j + k]) 6= 0 en appliquant la formule de Bayes :
Donc :
i j k
(i + j + k)!
8 (i; j; k) 2 N3 ; P[X+Y +Z=i+j+k] ([X = i] \ [Y = j] \ [Z = k]) = i+j+k
i!j!k! ( + + )
S = X + Y ,! P ( + p)
Cherchons la loi conditionnelle de X sachant que [S = s] ; s 2 N …xé.
Comme 8s 2 N, P ([S = s]) 6= 0; par dé…nition d’une probabilité conditionnelle
P ([X = i] \ [S = s])
8i 2 [j0; sj] ; P[S=s] ([X = i]) =
P ([S = s])
P ([X = i] \ [Y = s i])
=
P ([S = s])
P ([X = i]) P ([Y = s i])
= par indépendance des VAR X et Y
P ([S = s])
i
e e p ps i
i! (s i)! s i s i
= s et comme ( + p) = ( + p) ( + p)
e ( +p) ( + p)
s!
i s i
s p
=
i +p +p
Conclusion :
8 Inégalité probabiliste
h i
2
Il su¢ t de remarquer que P ([jX Y j "]) = P (X Y ) "2 (penser à bien démontrer les deux
inclusions d’événements comme on l’a vu en cours et en TD) et d’appliquer l’inégalité de Markov à la
2
variable (X Y ) : Au passage n’oubliez pas de justi…er l’existence de l’espérance de en disant que :
2 2 2
(jXj jY j) = jXj + jY j 2 jXj jY j 0
Y ( ) = a2 ; b2
et :
]
P Y = a2 = P [X = a] [X = a]
= P ([X = a]) + P ([X = a])
1
=
2
]
P Y = b2 = P [X = b] [X = b]
= P ([X = b]) + P ([X = b])
1
=
2
Conclusion :
Y ,! U a2 ; b2
b
La dépendance des deux variables X et Y va être très vite réglée. En e¤et par exemple
] 1
P [X = b] Y = a2 = 0 alors que P ([X = b]) P Y = a2 = 6= 0:
8
Puisque X est uniforme centrée sur 0 son espérance est nulle et d’autre part :
b3 a3 a3 b3
E (XY ) = E X3 = + +
4 4 4 4
= 0
Cov (X; Y ) = 0
Nota bene : Voici encore un contre-exemple montrons que la réciproque du théorème :
est fausse.
f1; 2; 3g
f1; 2; 4g
f1; 3; 4g
f2; 3; 4g
et le tableau à deux entrées U et V est :
V !
3 4 L (U ) #
U#
1 2 3
1 4 4 4
1 1
2 0 4 4
1 3
L (V ) ! 3 4 1
Cov (U; V ) 1
(U; V ) = =
(U ) (V ) 3
2 1
8 (i; j) 2 [j1; 6j] ; P ([X = i] \ [Y = j]) =
36
Loi de X:
On rappelle que X ( ) = [j1; 6j] :
Par théorème :
6
X
8i 2 [j1; 6j] ; P ([X = i]) = P ([X = i] \ [Y = j])
j=1
X6
1
=
j=1
36
1
=
6
Conclusion :
X ,! U ([j1; 6j])
Loi de Y:
Par symétrie des rôles joués par les variables X et Y :
Y ,! U ([j1; 6j])
Finalement :
2 1
8 (i; j) 2 [j1; 6j] ; pij =
36
2
1
=
6
= pi p j
– si i = j :
– si i > j :
Loi de U:
Nous avons U ( ) = [j1; 6j] :
Par théorème :
6
X
8j 2 [j1; 6j] ; P ([U = j]) = P ([X = i] \ [U = j])
i=1
j 1
X 6
X
= pij + pjj + pij
i=1 i=j+1
j 1
X X6
7 j 1
= 0+ +
i=1
36 i=j+1
36
7 j 6 (j + 1) + 1
= +
36 36
7 j+6 j
=
36
13 2j
=
36
Indépendance de X et U:
Comme P ([X = 1] \ [U = 2]) = 0 tandis que P ([X = 1]) P ([U = 2]) 6= 0 :
]
8k 2 Z ( ) ([Z = k]) = ([Z = k] \ [X > Y ]) ([Z = k] \ [X Y ])
]
= ([X Y = k] \ [X > Y ]) ([0 = k] \ [X Y ])
= 1
]
8k 2 Z ( ) ; [Z = k] = ([Z = k] \ [X = 0]) ([Z = k] \ [X = 1])
]
= ([0 = k] \ [X = 0]) ([Y = k] \ [X = 1])
Pour k 2 N ;
k
pe
8k 2 N ; P ([Z = k]) =
k!
E (Z)
X
Z admet une espérance () kP ([Z = k]) est une SATP convergente
k
X pe k
() k ; k 2 N est une SATP convergente
k!
k
k k k 1
P pe pe
En cas de convergence E (Z) = k : Or 8k 2 N ; k et nous = pe
k 1k! k! (k 1)!
reconnaissons le terme général d’une série convergente en tant que série proportionnelle à une série
exponentielle. Ainsi Z admet une espérance qui vaut :
k
P pe
E (Z) = k
k 1 k!
= pe e
= p
V (Z)
Z admet une variance () Z (Z 1) admet une espérance
et :
X
Z (Z 1) admet une espérance () k (k 1) P ([Z = k]) est une SATP convergente
k
X pe k
() k (k 1) ; k 2 N est une SATP convergente
k!
k
X pe k
() k (k 1) ; k 2 N2 est une SATP convergente
k!
k
k
P pe
En cas de convergence E (Z (Z 1)) = k (k 1) . Or :
k 2 k!
k k 2
pe 2
8k 2 N2 ; k (k 1) = pe
k! (k 2)!
et nous reconnaissons le terme général d’une série convergente en tant que série proportionnelle à
une série exponentielle. Ainsi Z (Z 1) admet une espérance qui vaut :
k
P pe
E (Z (Z 1)) = k (k 1)
k 2 k!
2
= pe e
2
= p
2
V (Z) = E (Z (Z 1)) + E (Z) (E (Z))
2 2
= p + p ( p)
2
= p (1 p) + p
= p (1 + (1 p))
c
Comme P ([Z = 0]) 6= 0; par dé…nition :
P ([X = 1] \ [Z = 0])
P[Z=0] ([X = 1]) =
P ([Z = 0])
P ([X = 1] \ [Y = 0])
=
P ([Z = 0])
P ([X = 1]) P ([Y = 0])
= par indépendance de X et Y
P ([Z = 0])
D’où :
pe
P[Z=0] ([X = 1]) =
p (e 1) + 1
14 Loi d’un vecteur, lois marginales, loi d’une somme, loi d’un
produit
a
Déterminons L (U; V; W ) : n o
3
Tout d’abord (U; V; W ) ( ) = (u; v; w) 2 [j1; nj] j u < v < w : Et, clairement :
1
8 (u; v; w) 2 (U; V; W ) ( ) ; P ([U = u] \ [V = v] \ [W = w]) =
n
3
Explications :
| L’univers est l’ensemble des lots de 3 jetons pris parmi n.
| Chaque triplet favorable est unique, car dans chaque lot les trois numéros sont forcément di¤érents,
ce qui donne l’unicité du min du max et du terme moyen du triplet.
Loi de U:
Tout d’abord U ( ) = [j1; n 2j] :
Par théorème :
X
8u 2 U ( ) ; P ([U = u]) = P ([U = u] \ [V = v] \ [W = w])
u+1 v<w n
X 1
=
n
u+1 v<w n
3
1 X
= 1
n
u+1 v<w n
3
n (u + 1) + 1
2
=
n
3
n u
2
=
n
3
Loi de V:
Tout d’abord V ( ) = [j2; n 1j] :
Par théorème :
X
8v 2 V ( ) ; P ([V = u]) = P ([U = u] \ [V = v] \ [W = w])
f(u;w)=1 u v 1; v+1 w ng
X 1
=
n
f(u;w)=1 u v 1; v+1 w ng
3
1 X
= 1
n
f(u;w)j1 u v 1; v+1 w ng
3
v 1 n (v + 1) + 1
1 1
=
n
3
(v 1) (n v)
=
n
3
Explications :
v 1
| désigne le nombre de choix de u appartenant à l’intervalle [j1; v 1j] :
1
n (v + 1) + 1
| désigne le nombre de choix de w appartenant à l’intervalle [jv + 1; nj] sans
1
oublier, pour relier le tout, le lemme des bergers.
Loi de W:
Tout d’abord W ( ) = [j3; nj] :
Par théorème :
X
8w 2 W ( ) ; P ([W = w]) = P ([U = u] \ [V = v] \ [W = w])
1 u<v w 1
X 1
=
n
1 u<v w 1
3
1 X
= 1
n
1 u<v w 1
3
w 1
2
=
n
3
b
Pour nous …xer les idées, établissons un tableau des di¤érents triplets possibles associés aux
di¤érentes sommes et produits générés.
Triplet S T
(1; 2; 3) 6 6
(1; 2; 4) 7 8
(1; 2; 5) 8 10
(1; 3; 4) 8 12
(1; 3; 5) 9 15
(1; 4; 5) 10 20
(2; 3; 4) 9 24
(2; 3; 5) 10 30
(2; 4; 5) 11 40
(3; 4; 5) 12 60
s 6 7 8 9 10 11 12
1 1 2 2 2 1 1
P ([S = s])
10 10 10 10 10 10 10
et
t 6 8 10 12 15 20 24 30 40 60
1 1 1 1 1 1 1 1 1 1
P ([T = t])
10 10 10 10 10 10 10 10 10 10
+1
X
8k 2 N; P ([Z = k]) = P[X=i] ([Z = k]) P ([X = i])
i=0
+1
X
= 0+ P[X=i] ([Z = k]) P ([X = i])
i=k
+1
X k i k i
i 1 11 e i i k k
= avec =
k 12 12 i!
i=k
+1
X k i k
i! 11 e
=
k! (i k)! 12 12 i!
i=k
+1
kX i k
e 1 11
= posons j = i k
k! 12 (i k)! 12
i=k
+1
kX 11 j
e 12
=
k! 12 j=0
j!
k
e 11
= exp
k! 12 12
k
1
e 12
12
=
k!
Conclusion :
Z ,!> P
12
X
P ([Y = 0]) = P[X=k] ([Y = 0]) P ([X = k])
k 0
Xe k 0
k e k
=
0! k!
k 0
k
X e 1
= e
k!
k 0
1
= e exp e
Conclusion :
1
P ([Y = 0]) = exp e 1
b
Déterminons, pour commencer, la loi de Y:
Nous avons Y ( ) = N.
Toujours d’après la formule des probabilités totales :
X
8i 2 N, P ([Y = i]) = P[X=k] ([Y = i]) P ([X = k])
k 0
Xe k i
k e k
=
i! k!
k 0
X 1 k
e e ki
=
i! k!
k 0
X
Y admet une espérance () iP ([Y = i]) est une SATP convergente
i
Xi 1 k
e ki e
() ; est une série double à termes positifs cvte
k!i!
(i;k)
En cas de convergence :
XX i 1 k
e ki e
E (Y ) =
k!i!
k 0i 0
XX i 1 k
e ki e
=
k!i!
k 0i 1
k
XX e 1 ki e
=
k! (i 1)!
k 0i 1
k
XX e 1 ki 1
e
=
(k 1)! (i 1)!
k 1i 1
k
Xe 1 ki 1 e
Pour tout k 2 [j1; nj] ; ;i 1 converge en tant que série proportionnelle à la série
i
(k 1)! (i 1)!
exponentielle de paramètre k de somme :
k k k
X e 1 ki 1
e e 1 e e
=
(k 1)! (i 1)! (k 1)!
i 1
k
e
=
(k 1)!
k 1
= e
(k 1)!
X k 1
En…n la série e converge en tant que série proportionnelle à la série exponentielle de
(k 1)!
k
paramètre et de somme :
X k 1
e = e e
(k 1)!
k 1
=
k
X e 1 ki e 2
Conclusion : d’après le théorème de Fubini la série double avec (k; i) 2 (N )
k! (i 1)!
(k;i)
converge, ainsi Y admet une espérance qui vaut :
E (Y ) =
17 Espérance totale
m X
X n
a
Introduisons la suite à deux indices (Sm;n )(m;n)2N2 dé…nie par 8 (m; n) 2 N2 ; Sm;n = ak;j :
k=0 j=0
n X
X m m
X
Par inversion de l’ordre de sommation 8 (m; n) 2 N2 ; Sm;n = ak;j or 8j 2 [j0; nj] ; lim ak;j
m!+1
j=0 k=0 k=0
+1
X X
existe et est …nie égale à ak;j puisque d’après l’énoncé ak;j converge 8j 2 [j0; nj] : Donc :
k=0 k
n m
!
X X
lim Sm;n = lim ak;j selon l’algèbre des limites
m!+1 m!+1
j=0 k=0
n X
X +1
= ak;j
j=0 k=0
La limite de Sm;n quand m tend vers l’in…ni, existe et est …nie et vaut :
m X
X n n X
X +1
lim ak;j = ak;j
m!+1
k=0 j=0 j=0 k=0
soit :
+1 X
X n n X
X +1
ak;j = ak;j
k=0 j=0 j=0 k=0
b P
n
Comme S est une variable discrète …nie, par dé…nition E (S) = jP ([S = j]) et selon la formule
j=0
des probabilités totales en utilisant l’ensemble f[X = k] ; k 2 Ng comme système complet d’événements
de probabilités à priori non nulles :
n
X +1
X
E (S) = j P[X=k] ([S = j]) P ([X = k])
j=0 k=0
|P {z }
joue le rôle de ak;j qui cv 8j2[j0;nj]; k2N, et de som m e P([S=j])
donc :
+1 X
X n
E (S) = jP ([S = j] = [X = k]) P ([X = k]) par inversion des sommes selon 1:
k=0 j=0
0 1
+1
X Xn
= P ([X = k]) @ jP[X=k] ([S = j])A
k=0 j=0
+1
X
E (S) = P ([X = k]) E[X=k] (S)
k=0
n si X n
Y = max (n; X) () Y =
X si X > n
Nous avons Y ( ) = Nn :
Introduisons l’ensemble f[X n] ; [X > n]g qui est un système complet d’événements de probabilités
non nulles alors selon la formule des probabilités totales :
Si k = n
Si k n+1
a.ii n si X n
Reprenons la dé…nition de Z : Z = max (n; X) () Z =
X si X < n
Nous avons Z ( ) = [j1; nj] : Reprenons encore l’ensemble f[X n] ; [X > n]g qui est un système
complet d’événements de probabilités non nulles alors selon la formule des probabilités totales :
Si k = n :
Si k 2 [j1; n 1j] :
Soit X1 une variable aléatoire réelle indépendante de X qui suit elle aussi une loi géométrique G (p) :
Trouver les lois suivies par :
b.i
Soit X1 une variable indépendante de X et de même loi. Cherchons la loi de X1 + X. Nous
avons (X1 + X) ( ) = N2 :
k
X1
8k 2 N2 ; P ([X + X1 = k]) = P ([X = i] \ [X1 = k i])
i=1
k
X1
= P ([X = i]) P ([X1 = k i]) par ind. de X et X1
i=1
k
X1
= qi 1
p qk i 1
p
i=1
k
X1
= p2 qk 2
i=1
= (k 1) p2 q k 2
b.ii
Déterminons la loi de W = min (X; X1 ) :
Pour commencer W ( ) = N :
= pq k 1
2 qk 1
qk
b.iii
Déterminons la loi de T = min (X; X1 ) :
Pour commencer :
T( )=N (1)
0 si x<1
FX (x) =
1 P ([X > x]) = 1 qk si x 2 [k; k + 1[ ; 8k 2 N
car quand x k alors :
[X > x] [X > k] [X k + 1]
Ainsi :
1 si x<1
8x 2 R; P ([X > x]) = 1 FX (x) =
qk si x 2 [k; k + 1[ ; 8k 2 N
b.i
Soit V = max (X; Y ) ; déterminons la fonction de répartition FV de V sachant que V ( ) = N :
FV est dé…nie par 8x 2 R; FV (x) = P ([V x]) et :
0 si x<1
FV (x) = 2
1 qk si x 2 [k; k + 1[ ; 8k 2 N
car quand x 2 [k; k + 1[ ; 8k 2 N ;
P ([V x]) = P ([X x] \ [Y x])
2
= (P ([X x]))
2
= (1 P [X > x])
2
= 1 qk
avec L (X) = L (Y ) :
Loi de V:
= pq k 1
2 qk 1
qk
b.ii
Pour commencer déterminons la fonction de répartition FU de U sachant que :
U( )=N (3)
0 si x<1
FU (x) = 2
1 qk si x 2 [k; k + 1[ 8k 2 N
et comme :
8k 2 N ; P ([U k]) = P ([U = k]) + P ([U > k])
alors :
8k 2 N ; P ([U = k]) = P ([U > k 1]) P ([U > k])
Conclusion :
1 n n
8k 2 N ; P ([U = k]) = q k qk
et comme :
8k 2 N ; P ([V k]) = P ([V = k]) + P ([V < k])
alors :
8k 2 N ; P ([V = k]) = P ([V k]) P ([V k 1])
la formule reste valable pour k = 1 puisque P ([V 0]) = 0 et P ([V = 1]) = P ([V 1]) du fait de
V ( ):
Conclusion :
n n
8k 2 N ; P ([V = k]) = 1 q k 1 qk 1
20 Covariance et inégalité
a
Pour commencer :
X +Y +Z =1 =) X + Z = 1 Y
=) V (X + Z) = V (1 Y )
=) V (X + Z) = V (Y )
=) V (X) + V (Z) + 2Cov (X; Z) = V (Y )
=) 2Cov (X; Z) = (V (Y ) V (Z)) V (X)
| {z }
=) Cov (X; Z) 0
De même :
X +Y +Z =1 =) Y +Z =1 X
=) V (Y + Z) = V (1 X)
=) V (Y + Z) = V (X)
=) V (Y ) + V (Z) + 2Cov (Y; Z) = V (X)
=) 2Cov (Y; Z) = (V (X) V (Y )) V (Z)
| {z }
=) Cov (Y; Z) 0
b
Encore une fois !
X +Y +Z =1 =) X +Y =1 Z
=) V (X + Y ) = V (1 Z)
=) V (X + Y ) = V (Z)
=) V (X) + V (Y ) + 2Cov (X; Y ) = V (Z)
=) 2Cov (X; Y ) = V (Z) (V (X) + V (Y ))
c
Selon la première question :
2Cov (X; Z) = ((V (Z) V (Y )) + V (X)) =) j2Cov (X; Z)j = V (Z) V (Y ) + V (X)
| {z } | {z }
d’où :
(2Cov (Y; Z) = ((V (Z) V (X)) + V (Y ))) =) (j2Cov (Y; Z)j V (Z))
et :
2Cov (Y; Z) = ((V (Z) V (X)) + V (Y )) =) j2Cov (Y; Z)j = V (Z) V (X) + V (Y )
| {z } | {z }
donc :
Conclusion :
8
1 >
< si i=j
p
(Yi ; Yj ) = si j = i + 1
: 1+p
>
0 si j > i + 1
b
Au lieu de vous lancer dans le théorème de transfert, ce qui serait pure folie, vu la ”tête” de la
série en jeu, voici un moyen infaillible et très classique de vous en sortir.
1
Comme X et Y sont indépendantes, alors, d’après le cours, X et le sont aussi, et sous reserve
Y
X
d’existence des espérances de ces variables, alors E existe et vaut :
Y
X 1
E = E (X) E
Y Y
1
L’espérance de X ne pose aucun problème du fait de la loi géométrique. Voyons celle de :
Y
1 X1
admet une espérance () P ([Z = k]) ; k 2 N est une SATP convergente
Y k
k
X1
() pq k 1 ; k 2 N est une SATP convergente
k
k
1 X pq k 1
1 k p qk
1
En cas de convergence E = : Or 8k 2 N ; pq = et sans être connue la
Y k k q k
k 1
xk
série de terme général a été déjà étudiée dans une …che précédante, et nous avions pu conclure qu’elle
k
convergeait quand x 2 [ 1; 1[ de somme égale à ln (1 x) (c’est la série logarithmique):
1
Appliqué ici avec x = q, le résultat précédent nous permet de dire que admet une espérance qui
Y
vaut :
1 X pq k 1
E =
Y k
k 1
p
= ln (1 q)
q
Conclusion : U admet une espérance qui vaut :
1
E (U ) = E (X) E
Y
1 p
= ln (1 q)
p q
ln p
=
p 1
Il est de notoriété publique que 8x > 0; ln x x 1 en utilisant le fait que la fonction ln est concave
sur R+ .
L’interprétation géométrique est que la courbe représentative de ln est en-dessous de toutes ses tan-
gentes, elle en particulier en-dessous de celle en 1 d’équation y = x 1: C’est pour cela que :
ln p
8p 2 ]0; 1[ ; ln p < p 1 () >1
p 1
() E (U ) > 1
8 (k; n) 2 (X; Y ) ( ) ; P ([X = k] \ [Y = n]) = P[Y =n] ([X = k]) P ([Y = n])
1
= P ([Y = n])
n+1
b
Nous avons :
0 1
]
P ([X Y ]) = P@ [ [X n] \ [Y = n]A
n2Y ( )
X
= P ([X n] \ [Y = n]) par additivite de P
n2Y ( )
X
= P[Y =n] ([X n]) P ([Y = n]) par la FPC
n2Y ( )
n
!
X X
= P[Y =n] ([X = k]) P ([Y = n])
n2Y ( ) k=0
n
!
X X 1
= P ([Y = n])
n+1
n2Y ( ) k=0
X
= P ([Y = n])
n2Y ( )
3 2
Soit a 2 ]0; 1[ ; on suppose maintenant que P ([Y = n]) = (1 a) (n + 1) an ; déterminons la loi
de X:
L (X)
Pour commencer, il est clair que X ( ) = N.
Introduisons le système complet d’événements à probabilités non nulles f[Y = n] ; n 2 Ng, alors
selon la formule des probabilités totales :
X
8k 2 N; P ([X = k]) = P[Y =n] ([X = k]) P ([Y = n])
n 0
X
= 0+ P[Y =n] ([X = k]) P ([Y = n])
n k
X 1 2
= (1 a) (n + 1) an
n+1
n k
2
X
= (1 a) an (somme d’une série géo. de raison a; jaj < 1 donc cv )
n k
2 1
= (1 a) ak
1 a
k
= (1 a) a
Conclusion :
X ,! GN (1 a)
L (Y X)
Comme d’après la remarque déjà utilisée à la première question.
P[Y =n] ([X = k]) = 0 lorsque k n + 1; n 2 N alors (Y X) ( ) = N.
Conclusion :
Y X ,! GN (1 a)
0 1
]
8k 2 N; P ([Y = k]) = P@ ([Y = k] \ [N = n])A
n2N ( )
X
= P ([Y = k] \ [N = n]) par additivite de P
n2N ( )
"N # !
X X
= P Xi = k \ [N = n]
n2N ( ) i=1
" n # !
X X
= P Xi = k \ [N = n]
n2N ( ) i=1
" n #!
X X
= P Xi = k P ([N = n]) puisquelesVAR Xi et N sont ind.
n2N ( ) i=1
Espérance de Y .
X
Y admet une espérance () kP ([Y = k]) est une SATP convergente
k
X
En cas de convergence E (Y ) = kP ([Y = k]). Introduisons la suite (Sm )m2N dé…nie par :
k 0
m
X
8m 2 N; Sm = kP ([Y = k])
k=0
0 " n #!1
m
X X X
= k@ P Xi = k A P ([N = n])
k=0 n2N ( ) i=1
et comme N ( ) est un ensemble …ni, on peut sans hésiter inverser l’ordre de sommation, ce qui
donne :
m
" n #!
X X X
8m 2 N; Sm = kP Xi = k P ([N = n])
n2N ( ) k=0 i=1
m
" n #!!
X X X
= P ([N = n]) kP Xi = k
n2N ( ) k=0 i=1
n
!
X X
= P ([N = n]) Em Xi
n2N ( ) i=1
n
!!
X
en introduisant la suite Em Xi dé…nie par :
i=1 m2N
n
! m
" n #!
X X X
8m 2 N; Em Xi = kP Xi = k
i=1 k=0 i=1
P
n
qui converge vers E Xi = nE (X) car selon l’énoncé, X admet une espérance et les variables
i=1
Xi suivent la même loi que X.
Ainsi lim Sm existe et est …nie, de valeur :
m!+1
X
lim Sm = nP ([N = n]) E (X)
m!+1
n2N ( )
X
= E (X) nP ([N = n])
n2N ( )
= E (X) E (N )
l’existence de E (N ) ne posant aucun problème du fait que N est une variable discrète …nie.
Conclusion : Y admet une espérance qui vaut :
E (Y ) = E (X) E (N )
Variance de Y .
Y admet une variance () Y 2 admet une espérance
et : X
Y 2 admet une espérance () k 2 P ([Y = k]) est une SATP convergente
k
X
2 2
En cas de convergence E Y = k P ([Y = k]) : Introduisons la suite (Tm )m2N dé…nie par :
k 0
m
X
8m 2 N; Tm = k 2 P ([Y = k])
k=0
m
" n #!
X X X
2
= k P Xi = k P ([N = n])
k=0 n2N ( ) i=1
et comme N ( ) est un ensemble …ni, on peut sans hésiter inverser l’ordre de sommation, ce qui
donne :
m
" n #!
X X X
2
8m 2 N; Tm = k P Xi = k P ([N = n])
n2N ( ) k=0 i=1
m
" n #!!
X X X
2
= P ([N = n]) k P Xi = k
n2N ( ) k=0 i=1
0 !2 1
X n
X
= P ([N = n]) E0m @ Xi A
n2N ( ) i=1
0 0 !2 11
n
X
en introduisant la suite @E0m @ X i AA dé…nie par :
i=1
m2N
0 !2 1 " n #!
n
X m
X X
8m 2 N; E0m @ Xi A = 2
k P Xi = k
i=1 k=0 i=1
n 2
= nE X 2 + 2 (E (X))
2
car selon l’énoncé, X admet une variance et les variables Xi suivent la même loi que X. Ainsi
lim Tm existe et est …nie, de valeur :
m!+1
X 2
n
lim Tm = P ([N = n]) nE X 2 + 2 2 (E (X))
m!+1
n2N ( )
X 2
X
= E X2 nP ([N = n]) + (E (X)) n (n 1) P ([N = n])
n2N ( ) n2N ( )
2
= E X 2 E (N ) + (E (X)) E (N (N 1))
Finalement :
2
V (Y ) = V (X) E (N ) + (E (X)) V (N )
zzzzz