Académique Documents
Professionnel Documents
Culture Documents
X X1 2 + an
pn =
8 n!
n 0 n 0
1X 1 1 P an
= +
4 n! 8 n 0 n!
n 0
1 1
= e + ea
4 8
Finalement :
1 1
e + ea = 1
4 8
() a = ln (8 2e)
tX
8t 0; P ([X 0]) E e
1 Laplace Pierre-Simon (Marquis De) (1749 1827)
2 Symbole mathématique représentant une ou plusieurs opérations mathématiques à e¤ectuer.
3 Inégalité probabiliste
Pour commencer montrons que
Nous supposerons que la variable exp ( (X np ")) possède une espérance. Par la croissance et
la linéarité de l’opérateur E on obtient
4 Inégalité de Bienaymé-Tchebychev
1
Tout d’abord commençons par dire que Xn ,! B n; (car on e¤ectue une succession de n épreuves de
6
1
Bernoulli indépendantes et de même paramètre ): Cela nous permet de dire que Fn admet une espérance
6
et une variance et l’inégalité de Bienaymé-Tchebychev est applicable, ce qui donne
V (Fn ) V (Fn )
8" > 0; P (jFn E (Fn )j ") () 1 P (jFn E (Fn )j < ")
"2 "2
V (Fn )
() P (jFn E (Fn )j < ") 1
"2
avec
1
E (Fn ) = E (Xn )
n
n1=6
=
n
1
=
6
et
1
V (Fn ) = V (Xn )
n2
5n
=
36n2
5
=
36n
En prenant " = 0:99, l’IBT donne
1 5
P Fn < 0:99 1 2
6 36n (0:99)
5
1 2 0:99
36n (0:99)
5
=) 2 0:01
36n (0:99)
5
=) n 2
36 0:01 (0:99)
" #
5
=) n 2 +1
36 0:01 (0:99)
Or
k
e
8k N; k (k 1) : : : (k r + 1) P ([X = k]) = k (k 1) : : : (k r + 1)
k!
k r r
e
=) 8k 2 Nr ; k (k 1) : : : (k r + 1) P ([X = k]) = :
(k r)!
A ce niveau nous constatons que nous sommes en présence d’une série convergente en tant que série
proportionnelle à la série exponentielle de paramètre 2 R+ :
Conclusion : X admet un moment factoriel d’ordre r égal à
X k r
r
E (X (X 1) : : : (X r + 1)) = e
(k r)!
k r
X i
r
= e
i!
i 0
r
= e e
r
=
Or
8k 0; k (k 1) : : : (k r + 1) P ([X = k]) = k (k 1) : : : (k r + 1) q k p
= k (k 1) : : : (k r + 1) q k r
pq r
A ce niveau, je vous garantie la présence de préliminaires qui vous permettrons de conclure que
X k!
Akn xn k
= k+1
n k (1 x)
si et seulement si jxj < 1 (on parle de série dérivée d’ordre k de la série géométrie de raison
x):
Ainsi comme jqj < 1; nous constatons que nous sommes en présence d’une série convergente en tant
que série proportionnelle à la série dérivée d’ordre r dc la série géométrique de raison q:
Conclusion : X admet un moment factoriel d’ordre r égal à
X
E (X (X 1) : : : (X r + 1)) = k (k 1) : : : (k r + 1) q k r
pq r
k 0
X
= k (k 1) : : : (k r + 1) q k r
pq r
k r
X
= pq r Ark q k r
k r
r!
= pq r r+1
(1 q)
q r r!
=
pr
0 1
]
P ([Y = 1]) = P@ [X = 2k + 1]A
k 0
X
= P ([X = 2k + 1]) par additivite de P
k 0
Xe 2k+1
=
(2k + 1)!
k 0
et
0 1
]
P ([Y = 1]) = P@ [X = 2k]A
k 0
X
= P ([X = 2k]) par additivite de P
k 0
Xe 2k
=
(2k)!
k 0
Nous sommes en terrain connu avec des "séries méga-classique à trous" avec
Xe 2k+1 Xe 2k Xe k
+ =
(2k + 1)! (2k)! k!
k 0 k 0 k 0
= 1
et
0 1
Xe 2k Xe 2k+1 X( )
2k X ( )2k+1
= e @ + A
(2k)! (2k + 1)! (2k)! (2k + 1)!
k 0 k 0 k 0 k 0
X( k
)
= e
k!
k 0
2
= e
Conclusion :
2 2
1+e 1 e
P ([Y = 1]) = et P ([Y = 1]) =
2 2
= P ([X = 0]) e4
= 1
4
ce qui équivaut à dire que P ([X = 0]) = e :
Conclusion : d’après le cours
4 n
e 4
8n 2 N; P ([X = n]) = et donc X ,! P (4) avec E (X) = V (X) = 4
n!
Alors n
1
8n 2 N; u n = 1n +
4
X
et pour que un ait une chance de converger il faut que
n
1
+ !0
4
n n
1 1
ce qui entraîne que = 0 puisque ! 0: Dans ce cas la série de terme général
4 +1 4
1
converge en tant que série proportionnelle à la série géométrique de raison et
4
X 1
n
=
4 1
n 0 1
4
4
=
3
3
d’où = :
4
Conclusion : d’après le cours
n
3 1 3 1 4
8n 2 N; P ([X = n]) = et donc X ,! GN et E (X) = V (X) =
4 4 4 3 9
et
8n 1; P ([X = n]) = pP ([X n]) () P ([X n]) P ([X n + 1]) = pP ([X n])
() P ([X n + 1]) = (1 p) P ([X n])
n 1
8n 2 N ; P ([X n]) = (1 p) P ([X 1])
n 1
= (1 p) (puisque X ( ) = N =) P ([X 1]) = 1) (4)
n 1
8n 2 N ; P ([X = n]) = p (1 p) et X ,! G (p)
8n 0;
pn+1
0 (5)
(n + 1) ln (1 p)
puisque ln (1 p) 0
Examinons si la série converge. C’est l’occasion d’étudier la série logarithmique (totalement hors
programme) qui est assez récurrente en probabilités et qu’il est très important d’examiner en détail.
~ Introduisons 8n 0; 8x 2 ]0; 1[
n
X xk+1
1
Sn =
ln (1 p) (k + 1)
k=0
n+1
X xk
1
=
ln (1 p) k
k=1
n+1
X x Z
1
= tk 1 dt
ln (1 p) 0
k=1
Z x n+1
X
1
= tk 1 dt
ln (1 p) 0
k=1
Z xX n
1
= tk dt
ln (1 p) 0
k=0
Z x
1 1 tn+1
= dt
ln (1 p) 0 1 t
Z x Z x n+1
1 dt t
= dt
ln (1 p) 0 1 t 0 1 t
Z x n+1
1 x t
= [ ln (1 t)]0 dt
ln (1 p) 0 1 t
Z x n+1
1 t
= ln (1 x) dt
ln (1 p) 0 1 t
D’autre part
Z x Z x
tn+1 tn+1 1
0 dt dt car t 7! est croissante sur [0; x]
0 1 t 0 1 x 1 t
Z x
1
tn+1 dt
1 x 0
1 xn+2
1 x n+2
1 xn+2
Comme lim = 0 du fait que jxj < 1 alors le théorème d’encadrement
n!+1 1 xn+2
Z x n+1
t
lim dt = 0
n!+1 0 1 t
et donc
Z x
ln (1 x) 1 tn+1
lim Sn = lim + lim dt
n!+1 n!+1 ln (1 p) n!+1 ln (1 p) 0 1 t
ln (1 x)
= lim
n!+1 ln (1 p)
et pour x = p;
lim Sn = 1 (6)
n!+1
Selon la formule des probabilités totales associée au système complet d’événement f[X est impaire] ; [X est paire]g
= e
et
X 2k X 2k+1
P I =
(2k)! (2k + 1)!
k2N k2N
X( ) X( )
2k 2k+1
= +
(2k)! (2k + 1)!
k2N k2N
X( )
k
=
k!
k2N
= e
et
2k
e
8k 2 N ; P ([Y = k]) =
(2k)!
Notez avec joie que
X e 2
+ 2e +1
P ([Y = k]) = +e (P 1)
2
k2N
2
e + 2e +1 e +e
= +e 1
2 2
= 1
e X 2k 1
=
2 (2k 1)!
k2N
e e e
=
2 2
2
1 e
=
4
On sait que Y admet une variance si et seulement si Y 2 admet une espérance, soit si et seulement
2k
e
si la série de terme géneral k 2 converge. Or
(2k)!
2k 2k
1
k2 = (2k (2k 1) + 2k)
(2k)! 4 (2k)!
!
2k 2k
1
= + converge
4 (2k 2)! (2k 1)!
avec
X 2k X 2k
et
(2k 2)! (2k 1)!
k k
2 e +e
= e
2
2 2
1+e
=
4
D’après la formule de Huygens-Koenig
2
V (Y ) = E Y2 (E (Y ))
1 2
= (E (2Y (2Y 1)) + E (2Y )) (E (Y ))
4
1 2
= 1 e 2 + 4e 2 + 1 e 4
8 16
Selon la formule des probabilités totales associée au système complet d’événement f[X est impaire] ; [X est paire]g
et
8k 2 N; P ([Y = 2k]) = P ([Y = 2k] \ [X est impaire]) + P ([Y = 2k] \ [X est paire])
0 1
B C X
= P @[X = 2k] \ [X est impaire]A + P = 2k \ [X est paire]
| {z } 2
?
Je vous laisse cette fois-ci véri…er que la somme des probavbilités est égale à 1.
E (g (jXj))
8t 0; P ([jXj a])
g (a)
h (X) a h (X) a
< 0 =) 0
a a
l’inégalité (8) est bien véri…ée.
L’événement [h (X) a] est réalisé.
Alors 1[h(X) a] = 1: D’autre part
Nous supposerons que la variable h (X) possède une espérance, par la croissance et la linéarité de
l’opérateur E on obtient
h (X) a E (h (X)) a
8a 2 [0; [ ; E 1[h(X) a] E
a a
E (h (X)) a
8a 2 [0; [ ; P (h (X) a)
a
16 Théorème de transfert
1 X 1
D’après le théorème de transfert admet une espérance si et seulement si la série P ([X = k])
X +1 k+1
k
1
est convergente. En cas de convergence E existe et vaut
X +1
X 1
P ([X = k])
k+1
k2N
1 qk p
8k 2 N; P ([X = k]) =
k+1 k+1
p q k+1
=
qk+1
Nous sommes en présence d’une série convergente en tant que série proportionnelle à la série logarith-
1
mique de paramètre q déjà étudiée à l’exercice 9. Donc admet une espérance égale à
X +1
X p q k+1 p X q k+1
=
qk+1 q k+1
k2N k2N
p X qk
=
q k
k2N
p
= ln (1 q)
q
p
= ln p
q
p
= (ln p) q
p
= (ln p) p 1
17 Théorème de transfert
X
L’utilisation
X du théorème de transfert nous permet de dire que admet une espérance si et seulement
k
si P ([X = k]) est convergente et en cas de convergence
k
X
X k
E = P ([X = k])
k 0
X k
ke
=
k!
k 0
Xe ( )
k
=
k!
k 0
A ce niveau nous constatons que nous sommes en présence d’une série convergente en tant que série
proportionnelle à la série exponentielle de paramètre 2 R+ :
Conclusion : X admet une espérance égale à
X( )
k
X
E = e
k!
k 0
= e e
( 1)
= e
18 Espérance et antirépartition
(ROQUEIII.67) Soit X une variable aléatoire à valeurs entières positives.
a
Montrons que
n
X n
X
8n 2 N ; P (X > k) = kP (X = k) + (n + 1) P (X > n)
k=0 k=1
P
n P
n
=) P ([X > k]) = kP ([X = k]) + (n + 1) P ([X > n])
k=0 k=0
b.i
En déduire :
!
X
(X admet une espérance) () P (X > k) est convergente
k
On
X suppose que la variable aléatoire X admet une espérance notée E (X) :Montrons que la série
P (X > k) est convergente. Pour cela il su¢ t de montrer que lim (n + 1) P (X > n) = 0 soit
n!+1
k
+1
X
lim (n + 1) P (X = k) = 0. Nous avons
n!+1
k=n+1
+1
X +1
X
0 (n + 1) P (X = k) kP (X = k)
k=n+1 k=n+1
car k n + 1, et nous reconnaissons le reste d’ordre n d’une série convergente, puisque par hy-
+1
X
pothèse l’espérance existe. Ainsi lim kP (X = k) = 0 et selon le théorème d’encadrement
n!+1
k=n+1
+1
X
lim (n + 1) P (X = k) = 0: Alors en prenant l’égalité de la question précédente, par passage
n!+1
k=n+1
à la limite quand n tend vers +1 nous obtenons
n
X n
X
lim P (X > k) = lim kP (X = k) + lim (n + 1) P (X > n)
n!+1 n!+1 n!+1
k=0 k=1
Xn
= lim kP (X = k) + 0
n!+1
k=1
Xn
= lim kP (X = k)
n!+1
k=1
n
X n
X
Conclusion : comme l’espérance existe lim kP (X = k) = E (X) et donc lim P (X > k)
n!+1 n!+1
k=1 k=0
existe et est …nie égale à E (X) ; autrement dit
P
+1
P (X > k) = E (X)
k=0
X
Réciproquement, supposons que la série P (X > k) est convergente, montrons qu’il en est de
k
même pour la série de terme général kP ([X = k]) et que X admet une espérance.
Comme 8n 2 N, (n + 1) P ([X > n]) 0 l’égalité
n
X n
X
P (X > k) = kP (X = k) + (n + 1) P (X > n)
k=0 k=1
entraine que
n
X n
X n
X
8n 2 N ; 8k 2 [j0; nj] ; 0 kP ([X = k]) P ([X > k]) P ([X > k])
k=1 k=0 k=0
n
!
X
puisque la série de terme général P ([X > n]) converge. Ainsi la suite kP ([X = k])
k=0 n2N
est croissante et majorée, donc convergente, ce qui équivaut à dire que la série de terme général
kP ([X = k]) est convergente et donc que l’espérance existe. Cela nous ramène donc à la question
précédente "pour boucler la boucle" et dire que
+1
X
P ([X > k]) = E (X)
k=0
b.ii
Si l’une des deux propriétés équivalentes ci-dessus est véri…ée, on a trivialement l’égalité :
+1
X
E (X) = P (X > k)
k=0
n n k 1
pk+1 (1 p)
pk+1 k+1
=
pk n k n k
p (1 p)
k
n!k! (n k)!p
=
(k + 1)! (n k 1)!n! (1 p)
(n k) p
=
(k + 1) (1 p)
et
pk+1 (n k) p
1 () 1 (9)
pk (k + 1) (1 p)
() (n k) p (k + 1) (1 p)
() np kp k kp + 1 p
() np k + 1 p
() k n (1 + p) 1 (10)
Le problème qui se pose maintenant est de savoir si n (1 + p) 1 est un entier. La réponse est que
nous n’en savons rien, tout dépendant de p pour lequel nous n’avons aucun renseignement. C’est la raison
pour laquelle nous considèrerons la partie entière de n (1 + p) 1, notée [n0 ] où n0 = n (1 + p) 1:
Par dé…nition [n0 ] n0 < [n0 ] + 1, nous savons selon (9) et (10) que pn0 > p[n0 ] et pn0 > p[n0 ]+1 ,
mais la question est de savoir si nous avons p[n0 ] < p[n0 ]+1 ou le contraire. La réponse est simple : comme
[n0 ] n0 , par dé…nition nous avons l’équivalence
p[n0 ]+1
1 () [n0 ] n0
p[n0 ]
mo = [n (1 + p) 1] + 1
= [n (1 + p)] 1 + 1
= [n (1 + p)]
b
De même, soit X ,! P ( ) ; quelle est la valeur de k qui maximise P ([X = k]) ?
k+1
pk+1 e k!
= k
pk (k + 1)!e
=
k+1
et
pk+1
>1 () >1
pk k+1
() k 1
Un raisonnement analogue nous donne que
mo = [ ]
n
k
P ([X > k]) =
Akn
1
=
k!
Cette formule reste valable pour k = 1 puisque P ([X > 1]) = 1 du fait que X ( ) = [j2; nj] : En
revanche elle ne l’est pas pour k = n car [X > n] = ? alors que l’égalité donne
1
P ([X > n]) =
n!
8k 2 [j2; n 1j] ;
P ([X k]) = P ([X > k]) + P ([X = k])
d’où
c
L’événement [Y k] est réalisé si et seulement si toutes les boules tirées ont un numéro supérieur
ou égal à k: Il y a N k + 1 boules dont le numéro est compris entre k et N , donc
N k+1
n
8k 2 [[1; N n + 1]] P ([Y k]) =
N
n
d
Déterminons la loi de Y:
Y ( ) = [j1; N n + 1j]
Nous avons
8k 2 [j1; N nj] ; P ([Y k]) = P ([Y > k]) + P ([Y = k])
donc
En…n pour k = N n + 1;
1
P ([Y = k]) =
N
n
et la formule (11) reste encore valable.
Conclusion :
N k
n 1
8k 2 [[1; N n + 1]] P ([Y = k]) =
N
n
Tout d’abord Y ( ) = N:
Notons 8k 2 N , Bk (respectivement Nk ) l’événement : "obtenir une boule blanche (respectivement
une boule noire) lors du k èm e tirage". Alors
On dira que
n
Y ,! GN
n+b
loi géométrique sur N ou loi du nombre d’échecs qui précèdent le premier succès.
Il est clair que X = Y + 1 donc Y = X 1 et comme X admet une espérance et une variance, alors
Y en admet une aussi avec
E (Y ) = E (X) 1
1
= n 1
n+b
b
=
n
et
V (Y ) = V (X)
b
= b+n
2
n
n+b
(b + n) b
=
n2
8
>
> 0 si x < 2
>
> k
>
>
<
2
FY (x) = si x 2 [jk; k + 1j] où k 2 [j2; n 1j]
>
> n
>
>
>
> 2
:
1 si x n
Cherchons l’espérance de Y:
(valable aussi pour k = 2 car P ([Y 1]) = 0 du fait que Y ( ) = [j2; nj]) donc
k k 1
2 2
8k 2 [j2; nj] ; P ([Y = k]) =
n n
2 2
k 1
1
=
n
2
2 (k 1)
=
n (n 1)
ainsi
n
X 2k (k 1)
E (Y ) =
n (n 1)
k=2
X n
2
= k (k 1)
n (n 1)
k=2
Xn
4 k
=
n (n 1) 2
k=2
4 n+1
= par "TPG"
n (n 1) 3
4 (n + 1) n (n 1)
=
6n (n 1)
2 (n + 1)
=
3
b
Nous avons
X ( ) = [j1; n 1j]
n k+1
2
8k 2 [j1; n 1j] ; P ([X k]) =
n
2
et
8k 2 [j1; n 1j] P ([X = k]) = P ([X k]) P ([X > k])
(cette formule reste valable pour k = n 1 puisque P ([X > n 1]) = 0 du fait que
X ( ) = [j1; n 1j]): Alors
n k+1 n k
2 2
8k 2 [[1; n 1]] P ([X = k]) =
n n
2 2
n k
1
=
n
2
2 (n k)
=
n (n 1)
Les calculs de l’espérance et de la variance sont assez techniques et font appel à la série
dérivée d’ordre k de la série géométrique de raison x où jxj < 15 : f Pour éviter son emploi
nous introduirons un vecteur aléatoire (X1 ; X2 ; : : : ; Xr ) de dimension r, constitué de r vari-
ables aléatoires indépendantes, dé…ni par X1 qui est la variable associée au rang d’apparition
du premier succès et 8i 2 [j2; rj] ; Xi est la variable associée au rang d’apparition du ièm e
X r
succès sachant que i 1 ont déja été obtenus. Nous avons X = Xi où 8i 2 [j1; rj] ;
i=1
Xi ,! G (p) et par la linéarité de l’espérance que nous démontrerons dans le chapître 7 nous
pouvons écrire que
r
X
E (X) = E (Xi )
i=1
r
=
p
r
X
V (X) = V (Xi )
i=1
Xr
q
=
i=1
p2
rq
=
p2
Tout d’abord Y ( ) = N:
Calculons 8k 2 N, P ([Y = k]) : Pour cela introduisons une variable Z associée au nombre d’échecs
obtenus lors des k + r 1 premiers tirages. Il est clair que Y ,! B (k + r 1; p) : D’autre part
introduisons pour k + r 2 N ; Sk+r l’événement "obtenir un succès lors du k + rèm e essai". Ainsi
nous avons [Y = k] = [Z = k] \ Sk+r d’où
d’échecs qui précèdent le ièm e succès sachant que i 1 ont déja été obtenus. Nous avons
Xr
X= Xi où 8i 2 [j1; rj] ; Xi ,! GN (p) et par toujours par la linéarité de l’espérance nous
i=1
pouvons écrire que
r
X
E (X) = E (Xi )
i=1
rq
=
p
r
X
V (X) = V (Xi )
i=1
Xr
q
=
i=1
p2
rq
=
p2
– X ( ) = [j1; n 1j]
n
– = P2 ([j1; nj]) et j j = car les tirages sont caractérisés, par exemple, par l’emplacement
2
des boules blanches puisque toutes les boules sont tirées:
n o n k
2
8k 2 X ( ) ; [X = k] = (i1 ; i2 ) 2 [j1; nj] j i1 = k; i2 > k =) j[X = k]j = 1 =n k
1
Conclusion :
2 (n k)
8k 2 X ( ) ; P ([X = k]) =
n (n 1)
L (Y )
– Y ( ) = [j2; nj]
– reste le même.
n o k 1
2
8k 2 Y ( ) ; [Y = k] = (i1 ; i2 ) 2 [j1; nj] j i1 < k; i2 = k =) j[Y = k]j = 1=k 1
1
Conclusion :
2 (k 1)
8k 2 Y ( ) ; P ([Y = k]) =
n (n 1)
n
= Pk ([j1; nj]) et j j = car les tirages sont caractérisés, par exemple, par l’emplacement des
r
boules blanches puisque toutes les rouges sont tirées: 8k 2 X ( ) ;
r
[X = k] = f(i1 ; : : : ; ir ) 2 [j1; nj] j 1 i1 < < ix 1 k 1; ix = k; k + 1 ix+1 < < ir ng
et
k 1 n k
j[X = k]j = 1
x 1 r x
Comme les boules sont tirés au hasard, elles sont équiprobables, et nous pouvons munir l’univers de
la probabilité uniforme ce qui nous permet de dire que
k 1 n k
x 1 r x
8k 2 X ( ) ; P ([X = k]) =
n
r
28 Tirages simultanés
Tout d’abord Y ( ) = [j2; n 1j] :
n
= P3 ([j1; nj]) et j j = :
3
8k 2 Y ( ) ; [Y = k] = ffi1 ; i2 ; i3 g j 1 i1 k 1; i2 = k; k + 1 i3 ng
alors
k 1 n k
j[Y = k]j =
1 1
= (k 1) (n k)
Comme les lots sont tirés au hasard, ils sont équiprobables, et nous pouvons munir l’univers de la
probabilité uniforme ce qui nous permet de dire que
(k 1) (n k)
8k 2 Y ( ) ; P ([Y = k]) = n
3
6 (k 1) (n k)
=
n (n 1) (n 2)
=1
b.i ]
Notons GP l’événement "Pierre gagne une partie", alors GP = [X = 2n + 1] ce qui entraîne
n 0
que
X
P (GP ) = P [(X = 2n + 1)] par additivite
n 0
X 1
=
(2n + 1) (2n + 2)
n 0
X 1 1
=
2n + 1 2n + 2
n 0
1 1 1
= 1 + +
2 3 4
X ( 1)n
=
n+1
n 0
X ( 1)n+1
= série logarithmique (hors programme)
k+1
n 0
= ln2
b.ii
Nous avons
]
G( ) = 2Z (2N + 1)
n o
n 1
= ( 1) njn2N
n 1
n ( 1)
8n 1; G (n) P ([X = n]) =
n (n + 1)
n+1
( 1)
=
n+1
et nous sommes encore en présence d’une série convergente en tant que série logarithmique de
paramètre 1 2 [ 1; 1[ et
+1
X +1
X n+1
( 1)
G (n) P ([X = n]) =
n=1 n=1
n+1
+1
X n
( 1)
=
n=2
n
+1
!
X ( 1)
n
( 1)
1
=
n=1
n 1
= 1 ln 2
zzzzz