Sylvain Rondy Exercices BZ

TD 13 : lois à densité usuelles

De la pratique des changements de variables aléatoires

Vous constaterez, dans ce TD, ce que je vous ai déjà dit en vous présentant les chapitres qui
allaient venir : la star pour les VA à densité, c’est la fonction de répartition. Don’t forget it !

Exercice 1 : valeur absolue d’une VA

Soit X une variable aléatoire suivant la loi N (0, 1) et soit Φ sa fonction de répartition. On pose
Y = | X | et on admet que Y est une variable aléatoire à densité. Exprimer la fonction de
répartition FY de Y en fonction de Φ et en déduire une densité de Y.

Exercice 2 : carré d’une VA

1) Rappeler l’expression intégrale ainsi que la valeur du moment d’ordre 2 d’une variable
1
aléatoire suivant la loi N 0, .
2 ( )
 a x 2e − x si x ≥ 0
2

2) Soit f la fonction définie par : f (x) =  . Déterminer a pour que f soit

 0 si x < 0.
une densité (on utilisera la première question, ainsi que la parité de f pour le calcul de
+∞
l’intégrale ∫ f ( t )dt .
0
3) La vitesse de propagation d'une molécule au sein d'un gaz est une variable aléatoire X de
densité f et de fonction de répartition F (que l’on ne demande pas d’exprimer explicitement)
On pose Y = X 2 et on admet que Y est une variable aléatoire à densité. Déterminer la fonction
de répartition FY de Y en fonction de F, puis en déduire une densité fY de Y.

Exercice 3 : exponentielle d’une VA

On désigne par λ un réel strictement positif.
 λ2 x e − λx si x ≥ 0
On considère la fonction h définie sur ℝ par : h (x) = 
 0 si x < 0
1) En se référant à une loi exponentielle (on évite une IPP), montrer la convergence de
+∞
l’intégrale ∫0 h( x ) dx puis donner sa valeur.
2) Montrer que h peut être considérée comme la densité d’une variable aléatoire X.
3) On pose Y = e X et on admet que Y est une variable aléatoire à densité.
Déterminer la fonction de répartition FY de la variable aléatoire Y en fonction de celle de X,
notée FX , et en déduire une densité fY de Y.

Exercice 4 : log d’une VA

Soit X une variable aléatoire à valeurs dans ℝ*+ , et suivant la loi exponentielle de paramètre λ
(avec λ > 0). On pose Y = ln X et on admet que Y est une variable aléatoire à densité.
Déterminer la fonction de répartition FY de Y et en déduire une densité de Y.
Sylvain Rondy Exercices BZ

Exercice 5 : inverse d’une VA

On considère une variable aléatoire réelle X, définie sur un espace probabilisé (Ω, A, P), et qui
1
suit la loi uniforme sur ]0, 1]. On pose Y = et on admet que Y est une VA à densité.
X
Déterminer la fonction de répartition de la variable aléatoire Y et en déduire une densité de Y.

Exercice 6 : min et max de deux VA

Trois personnes A, B et C entrent à 9 heures dans une agence bancaire.
A et B se dirigent vers les deux guichets disponibles et se font servir tandis que C attend que
l’un de ces deux guichets se libère pour se faire servir.
On note XA , XB et XC les variables aléatoires égales aux temps, comptés en heures, passés
respectivement par A, B et C à un guichet.
On admet que XA , XB et XC sont définies sur le même espace probabilisé (Ω, A, P ), qu’elles
sont indépendantes et qu’elles suivent toutes les trois la loi exponentielle de paramètre λ > 0.
On note Y = min (XA , XB ) et Z = max (XA , XB ) et on admet que Y et Z sont aussi des variables
aléatoires définies sur (Ω, A, P ).
1) a) Montrer que : ∀x ≥ 0, P(Y > x) = e –2λx.
b) En déduire que Y suit une loi exponentielle et donner son paramètre.
c) Exprimer la probabilité que le client C accède à un guichet avant 9 heures et demie ?
2) Montrer que : ∀x ≥ 0, P(Z ≤ x) = (1 – e –λx) 2.

Exercice 7 : partie entière d’une VA

On considère une variable aléatoire X suivant la loi exponentielle de paramètre λ > 0. On pose
Y =  X  + 1 . Reconnaître la loi de Y.

Exercice 8 : toujours la partie entière mais en plus costaud

Soit X une variable aléatoire dont une densité est la fonction h définie par :
λ2 x e − λx si x ≥ 0
h (x) =  (voir exercice 3)
 0 si x < 0
1) Déterminer la fonction de répartition FX de X.
2) On pose Y =  X  et on admet que Y est une variable aléatoire.
Donner Y(Ω) puis déterminer la loi de Y.

Exercice 4 (TD 12) : log d’une VA

2
 si x ≥ 1
On considère la fonction f définie sur ℝ par : f (x) =  x3 .
0 sinon
1) (question corrigée dans le TD 12) Montrer que f peut être considérée comme une fonction densité
de probabilité.
On considère maintenant une variable aléatoire X définie sur un espace probabilisé (Ω, A, P),
admettant f comme densité. On note FX la fonction de répartition de X.
2) (question corrigée dans le TD 12) La variable aléatoire X admet-elle une espérance ? Une
variance ?
 λe − λx si x ≥ 0
3) Soit λ un réel strictement positif et h la fonction définie par h ( x ) =  .
0 si x < 0
Vérifier que h est une densité. Ben oui ! C’est une densité de loi exponentielle de paramètre λ .
4) On pose Y = ln X . Déterminer la fonction de répartition G de Y puis reconnaître la loi de Y.
Sylvain Rondy Exercices BZ

Corrigé du TD 13

Exercice 1
Il faut connaître par cœur l’égalité suivante, valable seulement pour x positif ou nul :
(X ≤ x) = (−x ≤ X ≤ x)
Pour x < 0 , on a bien sûr FY ( x ) = P (Y ≤ x ) = P ( X ≤ x ) = 0 (puisqu’une valeur absolue ne peut pas
prendre une valeur inférieure à un réel strictement négatif).
Pour x ≥ 0 , on applique l’égalité donnée plus haut (qu’il n’est pas nécessaire de démontrer : elle est
maintenant au programme de la classe de seconde !), ce qui donne :
FY ( x ) = P (Y ≤ x ) = P ( X ≤ x ) = P ( − x ≤ X ≤ x ) = Φ ( x ) − Φ ( − x ) = Φ ( x ) − (1 − Φ ( x ) ) = 2Φ ( x ) − 1
En résumé :
 2Φ ( x ) − 1 si x ≥ 0
FY ( x ) = 
0 si x < 0

Pour obtenir une densité, notée fY , de Y, on dérive là où c’est possible, donc pas en 0 (en effet, on n’a
aucune certitude en ce point puisque la fonction FY est définie par morceaux et le "raccord" entre ces
deux morceaux a lieu en 0 : la situation pourrait donc bien être identique à celle de la valeur absolue,
avec un point anguleux d’abscisse 0 et, en conséquence, FY qui ne serait pas dérivable).
On sait qu’on pourra donner une valeur quelconque positive à fY ( 0 ) pour compléter sa définition :
c’est pourquoi on dit "une" densité et pas "la" densité car chacun peut choisir la valeur qu’il veut, et
quelle que soit la valeur choisie, on ne changera pas les probas calculées puisque l’on ne change pas la
valeur d’une intégrale en changeant la valeur de la fonction intégrée en un, deux ou quelques points,
d’où cette liberté. Cela dit, je vous conseille, lorsque c’est possible de prendre une valeur qui va bien
et pas une valeur fantaisiste.
 2 − x2 / 2
2φ ( x ) = e si x > 0
Après dérivation, on obtient : fY ( x ) =  2π (noter bien la disparition du
0 si x < 0

"supérieur ou égal", transformé en "supérieur strict" car on n’avait pas le droit, a priori, de dériver en 0.
2 2
Pour finir, on pose (comme conseillé) fY ( 0 ) = = et on a une densité de Y définie par :
2π π
 2 − x 2 /2
 e si x ≥ 0
fY ( x ) =  2π (noter bien le retour du signe "supérieur ou égal")
0 si x < 0

 2 − x 2 /2
 e si x > 0
On aurait pu poser fY ( 0 ) = 0 , ce qui donnait une autre densité : fY ( x ) =  2π , mais
0 si x ≤ 0

c’est moins bien d’avoir l’inégalité stricte là où la densité est non nulle.
Sylvain Rondy Exercices BZ

π
Les chercheurs d’embêtements auraient pu poser fY ( 0 ) = et auraient eu comme densité :
e2
 2 − x 2 /2
 2π e si x > 0

fY ( x ) = 0 si x < 0 , ce qui n’est pas malin, malin !!!
π
 si x = 0
 e 2

Exercice 2
x2 − (
x−m)
2
+∞
1) Le moment d’ordre 2 d’une variable suivant la loi N (m, σ 2 ) est ∫ −∞ σ 2π
e 2σ 2 dx donc, si Z

( 12 ) , son moment d’ordre 2 est :

suit la loi N 0,
x2
−
1
+∞ x2 2× +∞ x 2 − x2
E (Z 2 ) = ∫ e 2 dx =∫ e dx
−∞ 1 −∞ π
2π
2
1 1
De plus, avec Koenig-Huygens inversé, on a : E ( Z 2 ) = V ( Z ) + ( E ( Z ) ) =
2
+0= .
2 2
+∞ x 2 − x2 1
On obtient donc ∫ −∞ π
e dx = , soit encore :
2
+∞ π
∫ −∞ x 2 e− x dx =
2

2) • La fonction f présentée est bien positive (nulle sur ℝ*− et positive sur ℝ + si et seulement si
a ≥ 0 (puisque x 2 ≥ 0 et puisque la fonction exp est strictement positive sur ℝ ).
• Sur ℝ*− , la fonction f est continue comme fonction nulle.
Sur ℝ + , la fonction x ֏ e− x2 est continue en tant que composée de x ֏ − x 2 continue sur ℝ +
et à valeurs dans ℝ − par x ֏ e x qui est continue sur ℝ donc sur ℝ − .
Enfin, f est le produit de deux fonctions continues sur ℝ + .
Bilan : f est continue sur ℝ sauf peut-être en 0.
• On déduit de la première question, par parité de la fonction x ֏ x 2 e − x2 , que
+∞ π π +∞
∫ 0 x 2 e− x dx = 4 (la moitié de 2 ), ce qui signifie que l’intégrale ∫ 0 f ( x )dx converge et vaut
2

a π 0
(car f ( x ) = a x 2 e − x 2 ). Comme l’intégrale ∫ f ( x ) dx converge et vaut 0 (car f est nulle sur
4 −∞

ℝ*− ), on a finalement :
+∞ a π +∞ 4
∫ −∞ f ( x )dx = 4 . Si l’on veut ∫ −∞ f ( x )dx = 1 , il faut choisir a = π
(qui est bien positif).

4
Conclusion : f est une densité si et seulement si a = .
π

3) Il faut connaître également par cœur l’égalité valable seulement pour x positif ou nul :
(
( X 2 ≤ x) = − x ≤ X ≤ x )
Sylvain Rondy Exercices BZ

Pour x < 0 , on a bien sûr FY ( x ) = P (Y ≤ x ) = P ( X 2 ≤ x ) = 0 (un carré ne peut pas prendre des valeurs
strictement négatives).
Pour x ≥ 0 , on a, d’après l’égalité écrite deux lignes plus haut :
(
FY ( x ) = P (Y ≤ x ) = P ( X 2 ≤ x ) = P − x ≤ X ≤ x = F ) ( x ) − F (− x )
Ici, il faut faire attention (comme toujours quand on remplace une quantité par l’une de ses
expressions) : X est à valeurs dans ℝ + (car la densité f est nulle sur ℝ*− ), donc on a F − x = 0 . ( )
Il reste : ∀x ≥ 0 , FY ( x ) = F ( x)
( )
 F x si x ≥ 0
Bilan : FY ( x ) = 
0 si x < 0
On ne connaît pas F mais en tant que primitive de f qui est continue sauf peut-être en 0, on sait que F
est de classe C 1 sauf peut-être en 0. Les maniaques feront remarquer qu’en fait f est continue en 0
(c’est vrai) donc que F est de classe C 1 sur ℝ , c’est vrai aussi, mais on s’en fiche… De toute façon, la
fonction racine carrée n’est pas dérivable en 0 mais dérivable seulement sur ℝ*+ donc on ne dérive pas
en 0. On obtient après dérivation :
x e ( ) si x > 0
 1
( ) ( )
1 4 2 − x 2
 f x = ×
fY ( x ) =  2 x 2 x π
0 si x < 0

 2 x −x
 e si x > 0
On a après simplification : fY ( x ) =  π .
0 si x < 0

En posant fY ( 0 ) = 0 , on finalise la définition d’une densité de Y :
 2 x −x
 e si x ≥ 0
fY ( x ) =  π
0 si x < 0


Exercice 3
1) La densité classique d’une variable aléatoire Z suivant la loi exponentielle de paramètre λ > 0 est
λ e − λx si x ≥ 0
donnée par : f ( x ) =  . On en déduit que l’espérance de Z (c’est elle qui ressemble le
0 si x < 0
plus à l’intégrale de h) est donnée par :
0 +∞ +∞
E (Z ) = ∫ 0dt + ∫ x λ e − λx dx = ∫ x λ e − λx dx
−∞ 0 0

1 +∞ 1
Comme E ( Z ) = , on en déduit ∫0 x λ e − λx dx = , soit encore (en multipliant des deux côtés par λ ) :
λ λ
+∞
∫0 λ2 xe − λx dx = 1
On voit alors que l’on vient d’établir que :
+∞
∫ 0 h ( x )dx = 1
2) • h est positive car nulle sur ℝ*− et positive comme produit de nombres positifs sur ℝ + .
• h est continue sur ℝ*− car elle y coïncide avec la fonction nulle et continue sur ℝ + avec les
mêmes arguments qu’à l’exercice 2.
Sylvain Rondy Exercices BZ

0 0
• h est nulle sur ℝ*− donc ∫ −∞ h ( x )dx = ∫ −∞ 0dx = 0 et, grâce à la question 1), on a la convergence
+∞ +∞
et la valeur de ∫ 0 h ( x )dx qui vaut 1. Finalement, on a : ∫ −∞ h ( x )dx = 1 .
Conclusion : h est une densité.

3) Comme Y = e X et X ( Ω ) = [ 0, + ∞ [ on obtient Y ( Ω ) = [1, + ∞ [ . De plus, comme la fonction

logarithme népérien est une bijection croissante de [1, + ∞ [ sur ℝ + , on a :
∀x ≥ 1 , (Y ≤ x ) = ( e X ≤ x ) = ( X ≤ ln x )
On en déduit : ∀x ≥ 1 , FY ( x ) = FX ( ln x ) .
Pour x < 1 , on a bien sûr : FY ( x ) = P ( e X ≤ x ) = 0 (car Y prend ses valeurs dans [1, + ∞ [ alors que l’on
a x < 1 ).
Conclusion :
 FX ( ln x ) si x ≥ 1
FY ( x ) = 
0 si x < 1

Remarque. Les deux mots en gras plus haut sont importants : la seule croissance de la fonction
logarithme népérien donne l’inclusion (implication en langage logique) : ( e X ≤ x ) ⊂ ( X ≤ ln x ) et la
croissance de la bijection réciproque (exp ici) donne l’autre inclusion : ( X ≤ ln x ) ⊂ ( e X ≤ x ) .
On trouve une densité fY de Y en dérivant sauf en 1 :
 1 h ln x si x > 1
 ( )
fY ( x ) =  x
0 si x < 1
En utilisant l’expression de h, on trouve alors :
 1 λ 2 ln x e −λ( ln x ) si x > 1
 ( )
fY ( x ) =  x
0 si x < 1
1
Comme e −λ ( ln x ) = eln ( x ) = x −λ = λ , il reste :
−λ

x
 λ 2 ln x
 λ+1 si x > 1
fY ( x ) =  x
0 si x < 1
On pose fY (1) = 0 , ce qui donne :
 λ 2 ln x
 λ+1 si x ≥ 1
fY ( x ) =  x
0 si x < 1

Exercice 4
Comme Y = ln X et X ( Ω ) = ℝ*+ , on a Y ( Ω ) = ℝ . De plus, comme la fonction exponentielle est une
bijection croissante de ℝ sur ℝ*+ , on a : ∀x ∈ ℝ , (Y ≤ x ) = ( ln X ≤ x ) = ( X ≤ e x ) .
On en déduit : ∀x ∈ ℝ , FY ( x ) = FX ( e x ) = 1 − e −λe x car e x > 0 : cet argument est important car la
fonction de répartition de X est nulle sur ℝ − , alors que sur ℝ*+ , on a FX ( z ) = 1 − e−λz .
On dérive pour obtenir une densité fY de Y :
∀x ∈ ℝ , fY ( x ) = λe x e−λe = λe x −λe
x x
Sylvain Rondy Exercices BZ

Exercice 5
1
Comme X suit la loi uniforme sur ] 0,1] , on a X ( Ω ) = ] 0,1] , d’où, avec Y = :
X
Y ( Ω ) = [1, + ∞ [
Comme la fonction inverse est une bijection décroissante de [1, + ∞ [ sur ] 0,1] , on a :

∀x ∈ [1, + ∞ [ , (Y ≤ x ) = ( X1 ≤ x ) = ( X ≥ 1x )
On en déduit :

(
∀x ∈ [1, + ∞ [ , P (Y ≤ x ) = 1 − P X <
1
x ) 1
( )
= 1 − P X ≤ , car X est "à densité".
x
En termes de fonction de répartition, on obtient :
∀x ∈ [1, + ∞ [ , FY ( x ) = 1 − FX
1
x() 1 1
= 1 − , car ∈ ] 0,1] et X suit la loi uniforme sur ] 0,1] .
x x
Comme Y ( Ω ) = [1, + ∞ [ , on a aussi : ∀x ∈ ]−∞,1[ , FY ( x ) = 0 .
Bilan :
 1
1 − si x ≥ 1
FY ( x ) =  x
0 si x < 1
On dérive sauf en 1 pour obtenir une densité fY de Y :
1
 si x > 1
fY ( x ) =  x 2 (encore une fois, faites attention aux signes " ≥ " et " > ").
0 si x < 1

On complète en posant fY (1) = 1 , ce qui donne :

1
 si x ≥ 1
fY ( x ) =  x 2
0 si x < 1

Exercice 6
Il faut connaître par cœur l’égalité (déjà croisée pour les VA discrètes) :
∀x ∈ ℝ , ( min ( X A , X B ) > x ) = ( X A > x ) ∩ ( X B > x )
Plus généralement, on a :
∀x ∈ ℝ , ( min ( X 1 , X 2 ,..., X n ) > x ) = ( X 1 > x ) ∩ ( X 2 > x ) ∩ ... ∩ ( X n > x )
Justification : dire que la plus petite des valeurs prises par X 1 , X 2 ,..., X n est plus grande que x, c’est
dire que X 1 , X 2 ,..., X n ont toutes pris une valeur plus grande que x, sinon le min ne serait pas plus
grand que x (il serait inférieur ou égal à x).

1) a) Pour tout réel x, on a, d’après ce qui précède : P (Y > x ) = P ( ( X A > x ) ∩ ( X B > x ) ) . Par
indépendance de X A et X B , on obtient : P (Y > x ) = P ( X A > x ) P ( X B > x ) .
Comme X A et X B , suivent la loi exponentielle de paramètre λ , leur fonction de répartition commune
1 − e− λx si x ≥ 0
est donnée par F ( x ) =  . On en déduit (événement contraire) que :
0 si x < 0
e − λx si x ≥ 0
P ( X A > x) = P( X B > x) = 1− F ( x) = 
1 si x < 0
Sylvain Rondy Exercices BZ

On remplace dans P (Y > x ) et on trouve :

( e − λx )2 = e−2λx si x ≥ 0
P (Y > x ) = P ( X A > x ) P ( X B > x ) = 
1 si x < 0

1) b) On obtient la fonction de répartition

de Y, notée FY, avec la relation
1 − e −2λx si x ≥ 0
FY ( x ) = P (Y ≤ x ) = 1 − P (Y > x ) , ce qui donne : FY ( x ) =  .
0 si x < 0
En conclusion, Y suit la loi exponentielle de paramètre 2λ .

1) c) Le client C accède à un guichet avant 9 heures et demie si et seulement si le plus rapide d’entre
A et B a terminé avant une demi-heure. Comme le temps mis par le plus rapide est Y (temps minimum),
on cherche donc P Y ≤ (
1
2 ) 1
car le temps est compté en heures. On trouve alors : P Y ≤ = 1 − e − λ .
2 ( )
2) Il faut également connaître par cœur l’égalité :
∀x ∈ ℝ , ( max ( X A , X B ) ≤ x ) = ( X A ≤ x ) ∩ ( X B ≤ x )
Plus généralement, on a :
∀x ∈ ℝ , ( max ( X 1 , X 2 ,..., X n ) ≤ x ) = ( X 1 ≤ x ) ∩ ( X 2 ≤ x ) ∩ ... ∩ ( X n ≤ x )

Justification : dire que la plus grande des valeurs prises par X 1 , X 2 ,..., X n est inférieure ou égale à x,
c’est dire que X 1 , X 2 ,..., X n ont toutes pris une valeur inférieure ou égale à x, sinon le max ne serait
pas inférieure ou égal à x (il serait plus grand).

Retour à l’exercice :
D’après ce qui précède, on a : P ( Z ≤ x ) = P ( max ( X A , X B ) ≤ x ) = P ( ( X A ≤ x ) ∩ ( X B ≤ x ) ) .
Par indépendance de X A et X B , on obtient : P ( Z ≤ x ) = P ( X A ≤ x ) P ( X B ≤ x ) = F ( x ) .
2

En remplaçant, on trouve : ∀x ≥ 0 , P ( Z ≤ x ) = (1 − e − λx ) .
2

Remarque. On a bien sûr, pour tout x < 0 , P ( Z ≤ x ) = 0 .

Exercice 7
Attention ! La partie entière transforme les variables à densité en variables discrètes.
X ( Ω ) = ℝ + donc  X  prend ses valeurs dans ℕ et comme Y =  X  + 1 , on a Y ( Ω ) = ℕ * .
par définition
de la partie entière
↓
Pour tout k de ℕ * , on a . P (Y = k ) = P (  X  + 1 = k ) = P (  X  = k − 1) = P(k −1 ≤ X < k )
Si on veut, la dernière égalité se justifie en français en écrivant que les nombres dont la partie entière
est égale à k − 1 sont les nombres de l’intervalle [ k − 1 , k [ .

On a donc : ∀k ∈ ℕ * , P (Y = k ) = FX ( k ) − FX ( k − 1) , car X est à densité.

Comme k et k − 1 sont positifs, on a, par définition de la fonction de répartition de la loi
( )
exponentielle : ∀k ∈ ℕ * , P (Y = k ) = (1 − e − λk ) − 1 − e − λ( k −1) = −e − λk + e − λ( k −1) = e− λ( k −1) − e− λk
k −1
En réécrivant : ∀k ∈ ℕ * P (Y = k ) = e− λ( k −1) (1 − e − λ ) = ( e − λ ) (1 − e−λ ) .
Comme λ > 0 , on a e− λ < 1 donc 1 − e − λ > 0 et comme de plus, la fonction exponentielle prend des
valeurs strictement positives, on a e − λ > 0 donc 1 − e − λ < 1 . Bref, on vient de montrer que
1 − e − λ ∈ ]0 ; 1[ , ce qui permet de conclure que Y suit la loi géométrique de paramètre 1 − e − λ .
Sylvain Rondy Exercices BZ

Exercice 8
x
1) On a, par définition : FX ( x ) = ∫ h ( t ) dt .
−∞
x
Si x < 0 , la fonction h est nulle sur ]−∞, x[ donc FX ( x ) = ∫ 0 dt = 0 .
−∞
0 x 0 x x x
Si x ≥ 0 , on a : FX ( x ) = ∫ h ( t ) dt + ∫ h ( t ) dt = ∫ 0 dt + ∫ h ( t ) dt = ∫ h ( t ) dt = ∫ λ2t e − λt dt .
−∞ 0 −∞ 0 0 0

On effectue une IPP en posant : u ′ ( t ) = λe − λt et v ( t ) = λt . On peut alors choisir u ( t ) = −e− λt et on a

v′ ( t ) = λ . Les fonctions u et v sont de classe C 1 sur ℝ donc sur [ 0, x ] et on peut procéder à l’IPP, ce
qui donne, toujours pour x ≥ 0 :
FX ( x ) =  −λte − λt  0 − ∫ −λ e − λt dt = − λxe − λx − e − λt  0 = −λxe − λx − ( e − λx − 1) = 1 − ( λx + 1) e − λx .
x x x
0

Bilan :
1 − ( λx + 1) e − λx si x ≥ 0
FX ( x ) = 
0 si x < 0

2) Avec Y =  X  et comme X ( Ω ) = ℝ + , on a Y ( Ω ) = ℕ et :
par définition
de la partie entière
↓
∀k ∈ ℕ , P (Y = k ) = P (  X  = k ) = P ( k ≤ X < k + 1)
Comme X est une variable aléatoire à densité, on en déduit :
∀k ∈ ℕ , P (Y = k ) = P ( k < X ≤ k + 1) = FX ( k + 1) − FX ( k )
Il reste à remplacer, ce qui n’est pas drôle du tout, étant donné l’expression de FX ( x ) . On obtient :
( )
∀k ∈ ℕ , P (Y = k ) = 1 − ( λ ( k + 1) + 1) e− λ( k +1) − (1 − ( λk + 1) e − λk )
En arrangeant un peu :
(
∀k ∈ ℕ , P (Y = k ) = − ( λ ( k + 1) + 1) e − λ( k +1) + ( λk + 1) e− λk = − ( λ ( k + 1) + 1) e− λ + λk + 1 e − λk )
Encore un peu !
(
∀k ∈ ℕ , P (Y = k ) = ( − ( λk + λ + 1) e − λ + λk + 1) e − λk = ( λk + 1) (1 − e− λ ) − λe − λ e − λk )
Exercice 4 du TD 12 (questions 3 et 4)
λe − λx si x ≥ 0
3) Soit λ un réel strictement positif et h la fonction définie par h ( x ) =  .
0 si x < 0
Vérifier que h est une densité. On dit qu’une variable aléatoire Z de densité h suit la loi exponentielle
de paramètre λ
On sait que h est une densité puisque l’on reconnaît une densité de loi exponentielle de paramètre λ .
Mais, à l’époque du TD 12 (c’était avant les événements !), on ne la connaissait pas. Faisons donc le
boulot en vérifiant les trois points traditionnels :
• h est positive sur ]−∞ ; 0[ car nulle, et, avec λ > 0 , h (x) est positif sur [ 0 ; + ∞[ .
• h est continue sur ]−∞ ; 0[ car nulle, et sur [ 0 ; + ∞[ comme fonction usuelle (proportionnelle
à une fonction exponentielle). En tout, h est continue sur ℝ , sauf peut-être en 0.
+∞
• On a fait le calcul de ∫0 h ( t ) dt dans le cours sur les intégrales impropres :
+∞
∫0 h ( t ) dt converge et vaut 1.
0 +∞
Comme ∫ −∞ h ( t ) dt = 0 car h est nulle sur ]−∞ ; 0[ , on a en tout : ∫ −∞ h ( t ) dt = 1 .
Conclusion : h est une densité.
Sylvain Rondy Exercices BZ

4) On pose Y = ln X . Déterminer la fonction de répartition G de Y puis reconnaître la loi de Y.

Comme X ( Ω ) = [1 ; + ∞[ car f est nulle sur ]−∞ ; 1[ , et comme Y = ln X , on a Y ( Ω ) = [ 0 ; + ∞[ .
On a donc déjà : ∀x < 0, FY ( x ) = P (Y ≤ x ) = 0 .
De plus, pour tout x positif ou nul, on a : FY ( x ) = P (Y ≤ x ) = P ( lnX ≤ x ) = P ( X ≤ e x ) = FX ( e x ) : la
dernière égalité se justifie par le fait que la fonction exponentielle est une bijection croissante de ℝ
sur ℝ*+ .
 FX ( e x ) si x ≥ 0
En résumé, on a : FY ( x ) = 
0 si x < 0
On dérive sauf en 0 (où l’on n’a aucune certitude sur la dérivabilité de FY et on obtient une densité
fY de Y :
 car e ≥1
x

↓
e x f e x 2
fY ( x ) =  ( ) = ex × = 2e −2 x si x > 0
(e )
3
x

0 si x < 0
On complète la définition de fY en posant par exemple fY ( 0 ) = 2 et on trouve :
 2e −2 x si x ≥ 0
fY ( x ) = 
0 si x < 0
Ceci montre que Y suit la loi exponentielle de paramètre 2.