Académique Documents
Professionnel Documents
Culture Documents
Exercice 2
Exercice 3
On effectue une suite de lancers indépendants d’une pièce équilibrée et l’on désigne par pn
la probabilité de ne pas avoir obtenu trois « Pile » consécutifs lors des n premiers lancers.
(a) Calculer p1 , p2 et p3 .
(b) Pour n ≥ 4, exprimer pn en fonction de pn−1 , pn−2 et pn−3 .
(c) Déterminer la limite de la suite (pn )n≥1 .
(a) Immédiatement p1 = p2 = 1 et p3 = 7/8. et
(b) Introduisons les événements
Pi = « on obtient Pile lors du i-ème lancer » et Fi = Pi
On peut former un système complet d’événement en considérant
F1 , P1 ∩ F2 , P1 ∩ P2 ∩ F3 et P1 ∩ P2 ∩ P3
En notant An l’événement
« on n’a pas obtenu trois Piles consécutifs lors des n premiers lancers »
la formule des probabilités totales donne
P(An ) = P (An | F1 ) P(F1 ) + P (An | P1 ∩ F2 ) P(P1 ∩ F2 )
+ P (An | P1 ∩ P2 ∩ F3 ) P(P1 ∩ P2 ∩ F3 )
+ P (An | P1 ∩ P2 ∩ P3 ) P(P1 ∩ P2 ∩ P3 )
Or P (An | F1 ) = P(An−1 ). En effet, le premier lancer ayant donné face « il peut être
oublié ». De même
Exercice 5
Une urne contient une boule blanche et une boule rouge.
On tire dans cette urne une boule, on note sa couleur et on la remet dans l’urne
accompagnée de deux autres boules de la même couleur puis on répète l’opération.
(a) Quelle est la probabilité que n premières boules tirées soient rouges ?
(b) Quelle est la probabilité de tirer indéfiniment des boules rouges ?
On donne la formule de Stirling
(c) Le résultat précédent reste-t-il vrai si on remet la boule accompagnée de trois autres
boules de la même couleur ?
(a) Notons An l’évènement « les n premieres boules tirées sont rouges »
2n − 1
On a P(A0 ) = 1 et P (An | An−1 ) =
2n
car si An−1 a lieu, l’urne est composée d’une boule blanche et de 2n − 1 boules
rouges lors du n-ième tirage. n
Y 2k − 1 (2n)!
Par probabilités composées P(An ) = = 2n
k=1
2k 2 (n!)2
1
(b) En vertu de la formule de Stirling P(An ) ∼ √ −→ 0
n→+∞ πn n→+∞
+∞
\
Par continuité décroissante P An = 0
n! ∼
n=0
√
n
Y 3k − 2
2πnnn e−n
Exercice 7
Soient X et Y deux variables aléatoires réelles indépendantes.
Les variables aléatoires X + Y et X − Y sont-elles indépendantes ?
La réponse est négative en général.
Supposons que X et Y suivent des lois de Bernoulli de paramètre 1/2.
On a
P (X + Y = 2) = P (X = 1)P (Y = 1) = 1/4
et
P (X − Y = 0) = P (X = 0)P (Y = 0) + P (X = 1)P (Y = 1) = 1/2
Or l’événement X + Y = 2 est inclus dans l’événement X − Y = 0 donc
P (X + Y = 2 ∩ X − Y = 0) = P (X + Y = 2)
et l’on constate
P (X + Y = 2 ∩ X − Y = 0) 6= P (X + Y = 2)P (X − Y = 0)
Exercice 8
Soient X et Y deux variables aléatoires prenant pour valeurs a1 , . . . , an avec
P (X = ai ) = P (Y = ai ) = pi
Exercice 9
Soit X une variable aléatoire réelle sur un espace probabilisé fini. Établir
2
E (X) 6 E X 2
Exercice 11
Soient X et Y deux variables aléatoires réelles sur un espace probabilisé fini
(Ω, P ). On suppose ∀k ∈ N, E(X k ) = E(Y k )
Montrer que X et Y suivent les mêmes lois.
Notons x1 , . . . , xn les éléments de X(Ω) ∪ Y (Ω).
On peut écrire
n
X
∀k ∈ N, E(X k ) = xki P (X = xi )
i=1
Considérons maintenant un polynôme Lj prenant la valeur 1 en xj et la valeur 0
en les xi avec i 6= j.
En notant N le degré de Lj , on peut écrire
Lj (x) = a0 + a1 x + · · · + aN xN
et alors
n
X
a0 + a1 E(X) + · · · + aN E(X N ) = Lj (xi )P (X = xi ) = P (X = xi )
i=1
Parallèlement
n
X
a0 + a1 E(Y ) + · · · + aN E(Y N ) = Lj (xi )P (Y = xi ) = P (Y = xi )
i=1
et donc
P (X = xi ) = P (Y = yi )
Exercice 12
Soit X une variable aléatoire binomiale de taille n et de paramètre p ∈ ]0, 1[.
1
Calculer l’espérance de la variable Y =
! X +1
n k
Puisque P (X = k) = p (1 − p)n−k
k ! !
n n + 1 n+1 n
!
X 1 n k =
l’espérance de Y est donnée par E(Y ) = p (1 − p)n−k Or k+1 k+1 k
k+1 k
k=0
n
!
1 X n+1 k
donc E(Y ) = p (1 − p)n−k
n+1 k + 1
k=0
n+1
!
1 X n+1
puis par glissement d’indice E(Y ) = pk (1 − p)(n+1)−k
p(n + 1) k
k=1
1 − (1 − p)n+1
et enfin par la formule du binôme avec un terme manquant E(Y ) =
p(n + 1)
Exercice 13
Soient X et Y deux variables aléatoires indépendantes à valeurs dans [[1, n]].
a) Exprimer E(X) en fonction de P (X > k).
b) On suppose les variables X et Y uniformes.
Déterminer l’espérance de min(X, Y ) puis de max(X, Y ).
− .de |X Y |
Déterminer aussi l’espérance
a) En écrivant P (X = k) = P (X > k) − P (X > k + 1)
Xn Xn
on obtient E(X) = kP (X = k) = P (X > k)
k=1 k=1
n+1−k
Puisque P (X > k) = P (Y > k) =
n
n n
1 X 2 1
X (n + 1)(2n + 1)
on obtient E (min(X, Y )) = (n + 1 − k) 2 k2 =
n2 n 6n
k=1 k=1
Exercice 14
Soit X une variable aléatoire à valeurs dans {0, 1, . . . , n} telle qu’il existe a ∈ R
vérifiant !
n
P (X = k) = a
k
Calculer l’espérance et la variance de X.
n
n
X
La valeur de a se déduit de l’identité P (X = k) = 1 et l’on obtient a = 1/2 .
k=0
n
! n
!
X n X n−1 n
L’espérance de X est E(X) = a k = an = an2n−1 =
k=1
k k=1
k−1 2
Exercice 15
Soient X1 , . . . , Xn des variables mutuellement indépendantes suivant une même
loi d’espérance m et de variance σ 2 .
n
1X
a) On pose X̄n = Xi Calculer espérance et variance de X̄n .
n i=1
n
1 X 2
b) On pose Vn = Xi − X̄n Calculer l’espérance de Vn .
n − 1 i=1
n
1X
a) Par linéarité de l’espérance E X̄n = E(Xi ) = m
n i=1
n
1 X σ2
Puisque de surcroît les variables sont mutuellement indépendantes V (X̄n ) = 2
V (Xi ) =
n i=1 n
b) En développant
n n
! n
1 X X 1 X 2 n
Vn = Xi2 − 2X̄n Xi + nX̄n2 = Xi − X̄ 2
n−1 i=1 i=1
n − 1 i=1 n−1 n
n
1 X n
E Xi2 − E X̄n2
Par linéarité de l’espérance E(Vn ) =
n − 1 i=1 n−1
n
σ2
1 X 2 n
σ + m2 − + m2
puis E(Vn ) =
n − 1 i=1 n−1 n
et enfin E(Vn ) = σ 2
Exercice 16
on obtient
Cov(X1 , X2 ) = −n/9
et donc
E (g(|X|))
P (|X| > a) 6
g(a)
Exercice 19
Exercice 21
[Sondage]
Une population de personnes présente une propriété donnée avec une proportion
inconnue p ∈ ]0, 1[.
On choisit un échantillon de n personnes et l’on pose Xi = 1 si le i-ème individu
présente la propriété étudiée, 0 sinon. On considère que les variables aléatoires Xi
ainsi définies sont indépendantes et suivent toute une loi de Bernoulli de
paramètre p.
a) Quelle est la loi suivie par
Sn = X1 + · · · + Xn ?
Exercice 22
Soit Xn une variable aléatoire de loi binomiale de paramètres n et p.
Soit k ∈ N. Etablir P (Xn 6 k) −−−−−→ 0
n→+∞
Soient X et Y deux variables aléatoires définies sur un même espace probabilisé (Ω, A, P ) et à valeurs dans N.
On suppose que la loi du couple (X, Y ) est donnée par :
1
∀ (i, j) ∈ N2 , P ((X = i) ∩ (Y = j)) = i+1
e 2 j!
1. Déterminer les lois de X et de Y .
2. (a) Prouver que 1 + X suit une loi géométrique et en déduire l’espérance et la variance de X.
(b) Déterminer l’espérance et la variance de Y .
3. Les variables X et Y sont-elles indépendantes ?
4. Calculer P (X = Y ).
1. ∀ (i, j) ∈ N2 , P ((X = i) ∩ (Y = j)) = .
e 2i+1 j!
X(Ω) = N.
Soit i ∈ N.
+∞
X 1 1 X 1 X 1 1
= converge et = i+1 .
e 2i+1 j! e 2i+1 j! j=0
e 2 i+1 j! 2
j>0 j>0
+∞ +∞ +∞
X X 1 1 X 1 1
Or P (X = i) = P ((X = i) ∩ (Y = j)) donc P (X = i) = = = i+1 .
j=0 j=0
e2i+1 j! e2i+1 j=0 j! 2
1
Conclusion : ∀ i ∈ N, P (X = i) = .
2i+1
Y (Ω) = N.
Soit j ∈ N.
i +∞
X 1 1 X 1 1 X 1 1 1 1
= converge (série géométrique de raison ) et = = .
e 2i+1 j! 2ej! 2 2 e 2 i+1 j! 2ej! 1 ej!
i>0 i>0 i=0 1−
2
+∞
X
Or P (Y = j) = P ((X = i) ∩ (Y = j)).
i=0
+∞ +∞ i
X 1 1 X 1 1 1 1
Donc P (Y = j) = = = = .
e2i+1 j! 2ej! i=0 2 2ej! 1 ej!
i=0 1−
2
1
Conclusion : ∀ j ∈ N, P (Y = j) = .
ej!
2. (a) On pose Z = X + 1.
Z(Ω) = N ∗ .
n−1
1 1 1
De plus, ∀ n ∈ N∗ , P (Z = n) = P (X = n − 1) = = .
2n 2 2
1
Donc Z suit une loi géométrique de paramètre p = .
2
1 1−p
Donc, d’après le cours, E(Z) = = 2 et V (Z) = = 2.
p p2
Donc E(X) = E(Z − 1) = E(Z) − 1 = 2 − 1 = 1 et V (X) = V (Z − 1) = V (Z) = 2.
C’est-à-dire E(X) = 1 et V (X) = 2.
(b) Y suit une loi de Poisson de paramètre λ = 1.
Donc, d’après le cours, E(Y ) = V (Y ) = λ = 1.
3. On a : ∀ (i, j) ∈ N2 , P ((X = i) ∩ (Y = j)) = P (X = i)P (Y = j). Donc les variables X et Y sont
indépendantes.
Exercice 24
X k +∞
X k 1
On admet, dans cet exercice, que : ∀ q ∈ N, xk−q converge et ∀ x ∈ ]−1, 1[, xk−q = .
q q (1 − x)q+1
k>q k=q
X +∞
X
1. (a) ∀ n ∈ N, ∀ t ∈ [−1, 1], |tn P (X = n)| 6 P (X = n) et P (X = n) converge ( P (X = n) = 1).
X n=0
Donc ∀ t ∈ [−1, 1], tn P (X = n) converge absolument.
On en déduit RX > 1 et aussi [−1, 1] ⊂ DGX . Au surplus, pour tout t dans [−1, 1], le théorème du
+∞
X
transfert assure que la variable aléatoire tX admet une espérance et E(tX ) = tn P (X = n) = GX (t).
n=0
GX est la fonction génératrice de X.
(b) Soit k ∈ N.
GX est la somme d’une série entière de rayon de convergence RX > 1.
Donc, d’après le cours, GX est de classe C ∞ sur ]−1, 1[ ⊂ ]−RX , RX [.
+∞
(k)
X n!
De plus, ∀ t ∈ ]−1, 1[, GX (t) = tn−k P (X = n).
(n − k)!
n=k
(k)
(k) GX (0)
En particulier, GX (0) = k!P (X = k) et donc P (X = k) = k! .
2. (a) On suppose que X suit une loi de Poisson de paramètre λ.
X X λn X (λt)n
∀t ∈ R, tn P (X = n) = tn e−λ = e−λ converge (série exponentielle) et donc
n! n!
DGX = R.
+∞
X (λt)n
De plus, ∀t ∈ R, GX (t) = e−λ = e−λ eλt = eλ(t−1) .
n=0
n!
(b) On suppose que X et Y sont indépendantes et suivent des lois de Poisson de paramètres respectifs λ1 et
λ2 .
DGX = DGY = R et, si on pose Z = X + Y , alors [−1, 1] ⊂ DGZ .
Alors, ∀ t ∈ [−1, 1], GZ (t) = E(tX+Y ) = E(tX tY ) = E(tX )E(tY ) car X et Y sont indépendantes et
donc, d’après le cours, tX et tY sont indépendantes.
Donc, d’après 2.(a), GZ (t) = eλ1 (t−1) eλ2 (t−1) = e(λ1 +λ2 )(t−1) .
On reconnaît la fonction génératrice d’une loi de Poisson de paramètre λ1 + λ2 .
Donc, d’après 1.(b), comme Z a la même fonction génératrice qu’une loi de Poisson de paramètre
λ1 + λ2 , alors Z = X + Y suit une loi de Poisson de paramètre λ1 + λ2 .
Exercice 26
On en déduit
m
E(X) = G0Tm (1) =
p
Exercice 27
Soit X une variable aléatoire suivant une loi de Poisson de paramètre λ > 0.
(a) Calculer E (X(X − 1) . . . (X − r + 1))
(b) Retrouver ce résultat par les fonctions génératrices.
+∞
(a) Par la formule de transfert E (X(X − 1) . . . (X − r + 1)) =
X k! λk
e−λ = λr
k=r
(k − r)! k!
(b) La fonction génératrice de X est
= λr eλ(t−1)
X (t) = E X(X − 1) . . . (X − r + 1)t
G(r) X
En particulier
X (1) = E (X(X − 1) . . . (X − r + 1)) = λ
G(r) r
Exercice 28
Soit X une variable aléatoire suivant une loi géométrique de paramètre p ∈ ]0 ; 1[.
(a) Calculer E (X(X − 1) . . . (X − r + 1))
(b) Retrouver ce résultat par les fonctions génératrices.
X
(a) Par la formule de transfert E (X(X − 1) . . . (X − r + 1)) = k(k − 1) . . . (k − r + 1)(1 − p)k−1 p
k=r
Or
+∞
dr
!
X 1 r!
k(k − 1) . . . (k − r + 1)x k−r
= r =
k=r
dx 1 − x (1 − x)r+1
donc
r!
E (X(X − 1) . . . (X − r + 1)) = (1 − p)r−1
pr
(b) La fonction génératrice de X est
p
pt p 1−p
G X (t) = E(t ) =
X
= +
1 − (1 − p)t p − 1 1 − (1 − p)t
En particulier
(1 − p)r−1
X (1) = E (X(X − 1) . . . (X − r + 1)) = r!
G(r)
pr
Exercice 29