[http://mp.cpgedupuydelome.

fr] édité le 3 novembre 2017 Enoncés 1

Inégalités de Markov et de Bienaymé-Tchebychev

Exercice 1 [ 03832 ] [Correction]

Soient X une variable aléatoire réelle et g : R + → R+ une fonction strictement

croissante.

Montrer que



E g(|X|)
∀a ≥ 0, P |X| ≥ a ≤ .
g(a)

Exercice 2 [ 03816 ] [Correction]

Une variable aléatoire X suit une loi du binôme de paramètre p et de taille n.

Établir pour ε > 0,
   p
X  p(1 − p)
P  − p ≥ ε ≤ √ .
n ε n

Exercice 3 [ 03834 ] [Correction]

Soit X une variable aléatoire suivant une loi binomiale de taille n et de paramètre

p.
Montrer que pour tout λ, ε > 0


P(X − np > nε) ≤ E exp(λ(X − np − nε)) .

Exercice 4 [ 04042 ] [Correction]

Soit X une variable aléatoire d'espérance µ et de variance σ2 . Montrer

1
P(µ − ασ < X < µ + ασ) ≥ 1 − .
α2

Exercice 5 [ 04043 ] [Correction]

Soit X une variable aléatoire de moyenne µ et de variance σ2 .

En introduisant la variable aléatoire

2
Y = α(X − µ) + σ .

Montrer que pour tout α>0

1
P(X ≥ µ + ασ) ≤ .
1 + α2

Diusion autorisée à titre entièrement gratuit uniquement - dD

[http://mp.cpgedupuydelome.fr] édité le 3 novembre 2017 Corrections 2

Corrections Exercice 4 : [énoncé]

Par l'inégalité de Bienaymé-Tchebychev

Exercice 1 : [énoncé]
σ2 1
Puisque la fonction g est strictement croissante, les événement |X| ≥ a et P |X − µ| ≥ ασ < = 2.
g(|X|) ≥ g(a) sont identiques. Or l'inégalité de Markov donne
(ασ 2 ) α


On conclut par considération d'évènement complémentaire.
E g(|X)| ≥ g(a)P g(|X|) ≥ g(a)

et donc

Exercice 5 : [énoncé]



E g(|X|)
P |X| ≥ a ≤ .
g(a) On a

E(Y ) = α2 E (X − µ)2 + 2αE(X − µ) + σ 2 = (α2 + 1)σ 2 .

Y
Exercice 2 : [énoncé] L'inégalité de Markov appliquée à la variable positive donne

Rappelons
E(Y )
E(X) = np et V(X) = np(1 − p). P(Y ≥ a) ≤ .
a
Considérons la variable aléatoire
Pour a = σ 2 (α2 + 1)2 ,
Y = X − np = X − E(X). 1
P(Y ≥ a) ≤ .
1 + α2
Par l'inégalité de Markov Or

E(|Y |)
(X ≥ µ + ασ) = α(X − µ) + σ ≥ (α2 + 1)σ


P |Y | ≥ na ≤
nε
et donc
donc
(X ≥ µ + ασ) ⊂ (Y ≥ a)
  
X  E(|Y |)
P  − p ≥ ε ≤ .
n nε puis
p 1
Or E(|Y |) ≤ E(Y 2 ) avecE(Y 2 ) = V(X) = np(1 − p) donc P(X ≥ µ + ασ) ≤ .
1 + α2
   p
X  p(1 − p)
P  − p ≥ ε ≤
  √ .
n ε n

Exercice 3 : [énoncé]
Par stricte croissance de l'exponentiel, l'événement X − np > nε équivaut à

l'événement


exp λ(X − np − nε) ≥ 1.


L'inégalité de Markov appliquée à la variable Y = exp λ(X − np − nε) permet

alors de conclure
 

E exp(λ(X − np − nε))
P exp (λ(X − np − nε) ≥ 1 ≤ .
1

Diusion autorisée à titre entièrement gratuit uniquement - dD