Variables à densité

Exercice 1 ESG 98
On considère la fonction f définie sur IR par :

f (x) = c (4x − x2 ) ∀x ∈ [0, 4]
0 sinon

1. Déterminer c pour que f soit une densité de probabilité d’une variable aléatoire X.
2. (a) Déterminer la fonction de répartition de X.
(b) Calculer la probabilité : P (1 < X < 3).
3. Calculer l’espérance et la variance de X.

1
4. Déterminer la densité de probabilité de la variable aléatoire Y = X 2 .
Preuve

1. Il est clair que si c ≥ 0 Zalors ∀x ∈ R, f (x) ≥ 0. De plus f est continue sur R. Reste
+∞
à imposer la condition f (t)dt = 1. Mais :
−∞
Z +∞ Z 4
f (t)dt = 1 ⇔ c(4t − t2 )dt = 1
−∞ 0

soit 4
t3

2 3
c 2t − =1 ⇒ c=
3 0 32
2. (a) La fonction de répartition de X est définie par :
Z x
F (x) = f (t)dt
−∞

Nous distinguons plusieurs cas :

• Si x < 0 alors t < 0, f (t) = 0 et bien sur F (x) = 0
• Si x ∈ [0; 4]
Z 0 Z x
3 3 1
F (x) = 0dt + (4t − t2 )dt = x2 − x3
−∞ 32 0 16 12
• Si x > 4, alors :
Z 0 Z 4 Z +∞
3 2
F (x) = 0dt + (4t − t )dt + 0dt = 1
−∞ 32 0 4

Résumons : 
 0 si x < 0
3 2 1

F (x) = x − x3 ∀x ∈ [0; 4]
 16 12
1 si x > 4


1
 11
(b) P (1 < X < 3) = F (3) − F (1) =
16
Z +∞
3. Sous reserve de convergence E(X) = tf (t)dt et dans ce cas il reste :
−∞
Z 4
3
E(X) = (4t2 − t3 )dt = 2
32 0
Z 4
3 24
De même E(X 2 ) = (4t3 − t4 )dt = et par conséquent :
32 0 5
4
V (X) = E(X 2 ) − (E(X))2 =
5
√
4. On pose Y = X.
X prend ses valeurs dans [0; 4] donc Y prend les siennes dans [0; 2] (En dehors de
cet intervalle Y = 0).
∀x ∈ [0; 2] on a :
√
P (Y ≤ x) = P ( X ≤ x) = P (X ≤ x2 ) = F (x2 )

Une densité de Y s’obtient par dérivation. Désignons la par g et :

0 si x ∈] − ∞; 0[∪]2; +∞[
(
g(x) = 3
(4x2 − x4 ) ∀x ∈ [0; 2]
16

2
Exercice 2 HEC 93 E

1. Soit la fonction f définie sur IR+ par :


6x(1 − x) si x ∈ [0, 1]
f (x) =
0 sinon
Montrer que f est une densité de probabilité.

2. Soit X la variable aléatoire à valeurs dans [0, 1] de densité de probabilité f .

(a) Déterminer la fonction de répartition F de X.
(b) Calculer l’espérance et la variance de X.
3. (a) Montrer qu’à tout élément y de l’intervalle [0, 1] on peut faire correspondre un
élément u et un seul de [0, 1] tel que :
Z u
f (x) dx = y
0

On note désormais ϕ (y) ce nombre u. De quelle fonction la fonction ϕ est-elle

la réciproque ?
(b) Montrer que ϕ est continue sur [0, 1] et dérivable sur ]0, 1[. Trouver les valeurs
3
de y de ]0, 1[ tels que ϕ0 (y) = .
4
(c) Déterminer la fonction de répartition de la variable aléatoire Z = 3X 2 − 2X 3 .
Quelle est sa loi de probabilité ?
4. On considère des variables aléatoires X1 et X2 de même loi que X. On suppose
que pour tout couple de réels (x1 , x2 ), les évènements (X1 ≤ x1 ) et (X2 ≤ x2 ) sont
indépendants. On note T = Sup(X1 , X2 ). Trouver la fonction de répartition de T .
En déduire sa densité de probabilité et son espérance.
Preuve

1. Montrons que f est une densité de probabilité.

• Il est évident que ∀x ∈ R : f (x) ≥ 0.
• f est continue Zsur R.
+∞
• Montrons que f (x)dx = 1
Z +∞ −∞ Z
1 1
6x(1 − x)dx = 3x2 − 2x3 0 = 1.

On a f (x)dx =
−∞ 0
Toutes les conditions sont réunies pour affirmer que f est une densité de probabilité.
2. (a) On sait que si F est la fonction de répartition de X alors :
Z x
∀x ∈ R : F (x) = f (t)dt
−∞

• Si x < 0 alors t < 0, f (t) = 0 et F (x) = 0

• Si 0 ≤ x ≤ 1 alors :
Z 0 Z x
F (x) = 0dt + 6t(1 − t)dt = 3x2 − 2x3
−∞ 0

3
 • Si x > 1 on a :
Z 0 Z 1 Z x
F (x) = 0dt + 6t(1 − t)dt + 0dt = 1
−∞ 0 1

Résumons : 
0 si x < 0

F (x) = 3x − 2x3 si x ∈ [0; 1]
2

1 si x > 1


(b) Vu comment est définie f , nous avons :

Z 1  1
2 3 3 4 1
E(X) = 6t (1 − t)dt = 2t − t =
0 2 0 2

De même :
Z 1
2 3 1
E(X ) = 6t3 (1 − t)dt = ⇒ V (X) =
0 10 20
Z u
3. (a) Déterminer un réel unique u ∈ [0; 1] tel que f (x)dx = y revient à prouver
0
que l’équation y = 3u2 − 2u3 admet une solution unique appartenant à [0; 1].
Posons pour tout u ∈ [0; 1] : h(u) = 3u2 − 2u3 .
L’étude des variations de h montre que cette fonction est strictement croissante.
Elle réalise une bijection de [0; 1] vers [0; 1] et y appartenant à [0; 1] admettra
un antécédent unique que nous appellerons u.
Si on pose φ(y) = u, nous définissons la réciproque de h qui n’est rien d’autre
que la restriction de F à [0; 1].
(b) φ, réciproque de h est bien évidemment continue et dérivable sur [0; 1].
3
Résolvons φ0 (y) =
4
0 1 1
Nous avons φ (y) = 0 = et :
h (φ(y)) 6φ(y) (1 − φ(y))
3
φ0 (y) = ⇔ −18(φ(y))2 + 18(φ(y)) − 4 = 0
4
Les solutions sont :
1 7
φ(y) = ⇔ y = h(1/3) =
3 27
2 20
φ(y) = ⇔ y = h(2/3) =
3 27
(c) Déterminons la fonction G de répartition de Z = 3X 2 − 2X 3 .
X prend ses valeurs dans [0; 1]. L’étude de la fonction h montre que Z prendra
ses valeurs aussi dans [0; 1].(Ailleurs la densité de Z est nulle).
Pour tout x ∈ [0; 1] :

G(x) = P (Z ≤ x) = P (3X 2 −2X 3 ≤ x) = P (h(X) ≤ x) = P (X ≤ φ(x)) = F (φ(x))

4
 Une densité g de Z s’obtient par dérivation :
1
g(x) = F 0 (φ(x))φ0 (x) = 6φ(x) (1 − φ(x)) =1
6φ(x) (1 − φ(x))

Ainsi : 
1 si x ∈ [0; 1]
g(x) =
0 sinon
Z suit une loi uniforme sur [0; 1]
4. X1 et X2 suivent la même loi que X.
∀x ∈ [0; 1] : (T ≤ x) = (X1 ≤ x) ∩ (X2 ≤ x) et par indépendance on conclut
que :
P (T ≤ x) = P (X1 ≤ x).P (X2 ≤ x)
Si H est la fonction de répartition de T : H(x) = (F (x))2 . Une densité h de T
s’obtient par dérivation donc :

12x3 (3 − 2x)(1 − x) ∀x ∈ [0; 1]
h(x) =
0 sinon

5
Exercice 3 HEC E
La roue d’une loterie est représenté
 par un disque de rayon 1 dont le centre O est pris pour
→ →
origine d’un repère orthonormé O, i , j . La roue est lancée dans le sens trigonométrique.
L’angle en radians dont elle tourne avant de s’arrêter est une variable aléatoire qu’on note
U et qui est supposée suivre une loi exponentielle de paramètre λ¿0, de densité valant
λe−λx si x ≥ 0 et 0 si x ¡ 0.La roue porte une marque M, qui au départ, est située
au point de coordonnées
(1, 0) et qui après l’arrêt de la roue est au point de coordonnées :

X = cosU ; Y = sinU
1. (a) On admet que les intégrales :
Z ∞ Z ∞
cos ue−λu du ; sin ue−λu du
0 0

sont absolument convergentes et on se propose de les calculer. Pour cela, on

pose, pour λ > 0 et T > 0 :

ZT ZT
−λu
I (T ) = cosue du ; J(T ) = sinue−λu du
0 0

A l’aide d’intégrations par parties, établir les relations :

I(T ) = sin T e−λT − λ cos T e−λT + λ − λ2 I(T )

J(T ) = − cos T e−λT + 1 − λ sin T e−λT − λ2 J(T )

(b) En déduire les limites de I(T ) et J(T ) lorsque T tend vers +∞
(c) Calculer l’espérance des variables aléatoires X et Y en fonction du paramètre
λ.
2. Un joueur gagne à cette loterie si, à l’arrêt de la roue, l’ordonnée de M vérifie la
condition :

1
Y ≥
2
.
(a) Pour quelles valeurs de U le joueur a-t-il gagné ?
(b) Calculer la probabilité q(λ) que le joueur gagne.
(c) Montrer que lorsque λ tend vers 0, q(λ) a une limite que l’on déterminera.
3. On suppose dans cette question pour simplifier que λ = 1.
(a) Calculer les espérances de X 2 , Y 2 et X.Y

(b) Calculer, pour toute valeur du nombre réel a, la variance de la variable aléatoire :

Z = X − a.Y

6
 (c) Montrer qu’il existe une valeur de a, que l’on déterminera, pour la quelle la
variance de Z est minimum.
Preuve

1. (a) On intègre par parties une première fois I(T ) et on aboutit à :

T
1 T
 Z
1 −λ.u
I(T ) = − .e cos u − sin u.e−λ.u du (1)
λ 0 λ 0
Z T
On réintègre par parties sin u.e−λ.u du :
0
Z T  T
−λ.u 1 −λ.u 1 1 1
sin u.e du = − .e sin u + I(T ) = − .e−λ.T sin T + I(T )
0 λ 0 λ λ λ
En remplaçant dans l’expression (1) on arrive à :

λ2 I(T ) = sin T.e−λ.T − λ. cos T.e−λ.T + λ − I(T )

soit après avoir ordonné :

I(T ) = sin T e−λ.T − λ. cos T.e−λ.T + λ − λ2 .I(T )

Exactement de la même façon nous justifions que :

J(T ) = − cos T e−λ.T + 1 − λ. sin T.e−λ.T − λ2 .J(T )

(b) La relation I(T ) = sin T e−λ.T − λ. cos T.e−λ.T + λ − λ2 .I(T ) est équivalente à

(1 + λ2 )I(T ) = sin T e−λ.T − λ. cos T.e−λ.T + λ

   
Comme sin T e−λ.T  ≤ e−λ.T et cos T.e−λ.T  ≤ e−λ.T , nous aurons :
λ
lim sin T e−λ.T = lim cos T e−λ.T = 0 ⇒ lim I(T ) =
T →∞ T →∞ T →∞ 1 + λ2
De la même manière on justifie que :

1
lim J(T ) =
T →∞ 1 + λ2

(c) X et Y sont des fonctions

Z +∞ de variables aléatoires. Puisque nous admettons que
Z +∞
sin T.e−λ.T dT et cos T.e−λ.T dT sont absolument convergentes, E(X)
0 0
et E(Y ) existent et :
+∞
λ2
Z
−λ.T
E(X) = λ cos T.e dT = λ lim I(T ) =
0 T →+∞ 1 + λ2
λ
E(Y ) = λ lim J(T ) =
T →+∞ 1 + λ2

7
2. (a) Cherchons les valeurs de U pour lesquelles le joueur a gagné.
1 1
Y ≥ ⇔ sin U ≥ ⇔ U ∈ [π/6 + 2kπ; 5π/6 + 2kπ]
2 2

(b) On déduit que :

  +∞ Z 5π/6+2kπ
1 X
λ.e−λ.x dx = e−λ.π/6 − e−λ.5π/6 k = 0+∞ (e−2πλ )k
 
P Y ≥ =
2 k=0 π/6+2kπ

En appliquant la formule qui donne la somme d’une série géométrique il est

immédiat que :
e−λ.π/6 − e−λ.5π/6
 
1
P Y ≥ =
2 1 − e−2πλ
Nous aurons alors :
e−λ.π/6 e−λ.5π/6
 
1
lim P Y ≥ = lim − lim
λ→0 2 λ→0 1 − e−2πλ λ→0 1 − e−2πλ

En utilisant l’équivalence 1 − e−2πλ ∼ 2πλ on trouve :

λ→0

 
1 1
P Y ≥ =
2 3

3. (a) On supposeZque λ = 1.
+∞ Z +∞
2 −.T
2
E(X ) = 2
(cos T ) .e dT et E(Y ) = (sin T )2 .e−λ.T dT existent
0 0
puisque ces intégrales sontabsolument convergentes.
On remarquera que E(X 2 ) = E(Y 2 ) + 1 et il nous suffira de calculer E(X 2 ).
Z +∞ Z +∞  
2 −.T 1 + cos 2T
2
E(X ) = (cos T ) .e dT = .e−.T dT
0 0 2
soit +∞
1 +∞
ZZ
1 −T
2
E(X ) =
e dT + cos 2T e−T dT
0 2 2 0
1 +∞
Z
1
Une double intégration par parties donne cos 2T e−T dT = et comme
Z +∞ 2 0 10
1 1
e−T dT = il vient :
2 0 2

3 2
E(X 2 ) = ; E(Y 2 ) =
5 5

Calculons E(X.Y ).

(X + Y )2 − X 2 − Y 2 E((X + Y )2 ) − E(X 2 ) − E(Y 2 )

X.Y = ⇒ E(X.Y ) =
2 2

8
 avec
Z +∞ Z +∞
2 −T
2
E(X +Y ) = 2
(cos T + sin T ) e 2 2
dT = E(X )+E(Y )+ sin 2T e−T dT
0 0

En remplaçant il restera :
Z +∞
1 1 2 1
E(X.Y ) = sin 2T e−T dT = × =
2 0 2 5 5

(b) V (Z) = V (X − aY ) = V (X) + a2 V (Y ) − 2acov(X, Y ) avec cov(X, Y ) =

E(X.Y ) − E(X).E(Y ).
Calculons :
1 1 1
• cov(X, Y ) = − =
5 4 20
3 1 7 3
• V (X) = E(X ) − (E(X))2 = − =
2
et V (Y ) =
5 4 20 20
Finalement
1
3a2 + 2a + 7


V (Z) =
20
1
V (Z) sera minimum pour a = −
3

9
Exercice 4 ESC 98
Le fonctionnement d’une machine est perturbé par des pannes. On considère les variables
aléatoires X1 , X2 , X3 , définies par :
X1 est le temps exprimé en heures, écoulé entre la mise en route de la machine et la
première panne
X2 (respectivement X3 ) est le temps exprimé en heures, écoulé entre la remise en route
de la machine après la première (resp. la deuxième) panne et la panne suivante.
Après la troisième panne l’utilisation de la machine est suspendue.
On suppose que X1 , X2 , X3 sont indépendantes et suivent la même loi exponentielle de
1
paramètre .
2
1. (a) Donner une densité de cette loi exponentielle.
(b) Déterminer la fonction de répartition de cette loi.
2. Soit E l’évènement : ” Chacune des trois périodes de fonctionnement dure plus de
deux heures”. Calculer P (E).
3. Soit Y la variable aléatoire égale à la plus grande des trois durées de fonctionnement
de la machine sans interruption.
Déterminer une densité de Y .
4. Soit a un réel strictement
Z ∞ négatif.
Montrer que : teat dt converge et donner sa valeur en fonction de a.
0

5. Montrer que Y admet une espérance et calculer sa valeur. Exprimer le résultat en

heures et minutes.
Preuve

1. (a) X1 , X2 , X3 suivent la même loi exponentielle dont une densité est :

( 1
e−1/2x six ≥ 0
f (x) = 2
0 sinon

(b) La fonction de répartition est :

• Si x < 0, t < 0 et bien sur F (x) = 0
• Si x > 0 alors
Z x
1 x −1</2t
Z
F (x) = 0dt + e dt = 1 − e−1/2x
0 2 0

2. Calcul de P (E).
E = (X1 > 2) ∩ (X2 > 1) ∩ (X3 > 1) et comme les variables sont indépendantes on
a:
Y3 3
Y
P (E) = P (Xi > 2) = [1 − P (Xi ≤ 2)]
i=1 i=1

d’où :
P (E) = (1 − F (2))3 = e−3

10
3. Il est clair que Y = Sup(Xi ) et pour tout t positif :

(Y ≤ t) = (X1 ≤ t) ∩ (X2 ≤ t) ∩ (X3 ≤ t)

et par indépendance des variables :

3
Y
P (Y ≤ t) = G(t) = P (Xi ≤ t) = (F (t))3
i=1

Une densité g de Y s’obtient par dérivation d’où :

( 3 2
−1/2t2
1−e .e−1/2t ∀t ≥ 0
g(t) = 2
0 sinon
Z x
x ax 1 1
4. teat dt = e − 2 eax + 2 et par suite :
0 a a a
Z +∞
1
teat dt = 2
0 a

5. Sous réserve de convergence, on a :

Z +∞ Z +∞
E(Y ) = tg(t)dt = tg(t)dt
−∞ 0

La question précédente justifie la convergence de cette intégrale ainsi que sa valeur.

Il vient :
11
E(Y ) = d’heures E(Y ) = 3h40mn
3

11
Exercice 5 Oral HEC 97
Le coût de la reconstruction d’une digue est donnée, en fonction de sa hauteur h par la
formule : Z +∞
W (h) = 10h + 100 (x − h)f (x)dx
h
où f est la densité de probabilité d’une variable aléatoire X suiant une loi exponentielle
de paramètre 1θ , θ étant un réel strictement positif.
1. Calculer W (h) pour tout réel positif h.
2. Montrer qu’il existe une unique de h qui minimise W (h). On notera hθ cette valeur.
3. Soit (Xi )i≥1 une suite de variables aléatoires indépendantes de même loi que X , n
un entier naturel non nul et H la variable aléatoire définie par :
n
ln(10) X
H= Xi
n i=1

(a) Calculer l’espérance et la variance de H.

(b) Que dire de H en tant qu’estimateur de hθ ?
(c) Montrer que H admet une densité de probabilité que l’on déterminera.
Solution

1. Pour h > 0, on a :
Z +∞
x
100 −
W (h) = 10h + (x − h)e θ dx
θ h
Z A
x
−
Calculons au moyen d’une intégration par parties : I = (x − h)e θ dx. On pose :
h
x x
− −
U = x − h ⇒ U 0 = 1 ; V 0 = e θ ⇒ V = −θe θ
" x #A Z A x A " x #A
− − − −
I = −θ(x − h)e θ +θ e θ dx = −(A − h)θe θ + θ −θe θ
h
h h
h
−
2
Lorsque A −→ +∞, I −→ θ e θ et :
h
−
W (h) = 10h + 100θ.e θ
2. Considérons W (h) comme une fonction de la variable h > 0. Elle est dérivable et sa
dérivée est :
h
 
1 −
W 0 (h) = 10 + 100θ − e θ 
θ

Nous aurons :
h
−
0
W (h) ≥ 0 ⇔ 1 − 10.e θ ≥ 0 ⇔ h ≥ θ.ln10
W (h) est minimal lorsque : h = θ.ln10 = hθ

12
 n
ln10 X
3. (a) On pose H = Xi où les variables Xi sont indépendantes et de même
n i=1
loi que X.
L’espérance est linéaire donc :
n
ln10 X ln10
E(H) = E(Xi ) = × (n.θ) = θ.ln10 = hθ
n i=1 n

(b)
2
(θ.ln10)2

ln10
V (H) = × (n.θ2 ) =
n n
Comme E(H) = hθ , H est un estimateur sans biais de hθ et c’est un estimateur
convergent puisque lim V (H) = 0
n→∞
n
X
(c) D’après le cours Z = Xi suivra une loi gamma de paramètres θ et n dont
i=1
une densité est la fonction φ telle que :

 0 si x ≤ 0

 x
−
e θ .xn−1
six > 0


Γ(n).θn


On conclut enfin qu’une densité ψ de H est donnée par :

n  nx 
ψ(x) = φ
ln10 ln10

13
Exercice 6 Oral HEC 97
La durée de vie d’une lampe est une variable aléatoire X suivant une loi exponentielle
de paramètre λ.L’instant à laquelle cette lampe est allumée est une variable aléatoire T
suivant la loi uniforme sur l’intervalle [0, 1].Les variables aléatoires X et T sont supposées
indépendantes et Y désigne l’instant où la lampe s’éteint.
1. Déterminer une densité de la variable aléatoire Y et vérifier qu’il s’agit bien d’une
densité.
2. Calculer l’espérance et la variance de Y .
3. On suppose λ égal à 1. Calculer la probabilité de l’événement (Y ≤ 2).
Solution

1. Densité de Y
Il est clair que Y = T + X. Désignons par f , g, et h les densités de X, T , et Y .On
sait que (cours) : Z +∞
h(x) = f (x − t)g(t)dt
−∞
La fonction à intégrer n’est pas nulle si et seulement si : x − t ≥ 0 et t ∈ [0, 1]
On se place donc dans les cas où ces deux conditions sont réunies c’est à dire :
t ∈] − ∞; x] ∩ [0; 1]
On distingue alors différents cas :
(a) x < 0.
Dans ce cas ] − ∞; x] ∩ [0; 1] = ∅ et h(x) = 0
(b) x ∈ [0; 1[ Z x
On a ] − ∞; x] ∩ [0; 1] = [0, x] et h(x) = λe−λ(x−t) dt = 1 − e−λx
0
(c) x ≥ 1 Z 1
Ici ] − ∞; x] ∩ [0; 1] = [0, 1] et h(x) = λe−λ(x−t) dt = e−λx (eλ − 1)
0
En résumé une densité h de Y est définie par :

 0 si x < 0
−λx
h(x) = 1−e pour tout x ∈ [0, 1[
e−λx (eλ − 1) lorsquex ≥ 1


Vérifions que h ainsi définie est bien une densité de probabilité.

Il est évident que :
– ∀x ∈ IR , h(x) ≥ 0
– h est continue (même en 1) Z
+∞
Il ne reste plus à vérifier que : h(x)dx = 1.
Z +∞ Z 1 −∞
Z +∞
h(x)dx = (1 − eλx )dx + e−λx (eλ − 1)dx
−∞ 0 1
Ce calcul ne présente aucune difficulté et on arrive à :
Z +∞
h(x)dx = 1
−∞

14
2. Puisque l’espérance est linéaire :
1 1
E(Y ) = E(T ) + E(X) = +
2 λ
Les variables sont indépendantes donc :
1 1
V (Y ) = V (T ) + V (X) = + 2
12 λ
3. On suppose que
Z 2λ=1
P (Y ≤ 2) = h(x)dx et il ne reste que :
−∞
Z 1 Z 2
−x
P (Y ≤ 2) = (1 − e )dx + (e − 1) e−x dx = 1 + e−2 − e−1 ≈ 0, 767
0 1

15
Exercice 7 Oral HEC
Soit a un réel strictement positif.
1. Soit f la fonction définie sur IR par :
( 1
si x ≥ 1
f (x) = ax(a+1)/a
0 si x < 1
Montrer que f est une densité de probabilité. Soit X une variable aléatoire de densité
f . Déterminer sa fonction de répartition et son espérance.
2. Soit (Xi )i∈IN ∗ une suite de variables aléatoires indépendantes de même densité f .
Pour tout n ∈ IN ∗ , on définit la variable aléatoire Tn par : Tn = min(X1 , . . . , Xn ).
Déterminer la loi de Tn et son espérance.
3. Soit la variable aléatoire Z définie par : Z = ln(X). Déterminer la loi de Z, son
espérance et sa variance.
Solution

1. Montrons que f est un densité de probabilité.

(a) ∀x ∈ IR , f (x) ≥ 0
(b) f admet un seul point de discontinuité en x = 1
Z +∞
(c) Montrons que f (x)dx = 1
Z +∞ −∞
1 +∞ 1
Z
f (x)dx = dx
−∞ a 1 1
a+
x a
1
Cette dernière intégrale converge car 1 + > 1 et on a :
a
 +∞
Z +∞
1 1  −1 
dx =  =1
a 1 1 1
a+
x a xa 1
Déterminons
Z x la fonction de répartition de X
F (x) = f (t)dt et on distingue deux cas :
−∞
– Si x < 1 alors t < 1 et f (t) = 0 d’où
 : F (x)
x = 0
Z x
 1  1
– Si x ≥ 1 , F (x) = f (t)dt = −  = 1 −
1
1 1
ta 1 xa
Calcul de l’espérance. Z +∞
Sous réserve de convergence, E(X) = x.f (x)dx.
−∞
Ici on a : Z +∞
1 1
E(X) = dx
a 1
1
xa

16
 1
Cette intégrale à un sens (donc E(X) n’existe) que si >1 ⇔ a < 1.
a
1
Si a < 1 alors : E(X) =
1−a
2. Loi de Tn .Trouvons sa fonction de répartition.
∀i , Xi (Ω) = [1; +∞[ ⇒ TT n (Ω) = [1; +∞[.
∀x ∈ [1; +∞[ , (Tn > x) = n1 (Xi > x).
Comme les variables sont indépendantes, nous aurons :
n
Y n
Y
P (Tn > x) = P (Xi > x) ⇔ 1 − P (Tn ≤ x) = [1 − P (Xi ) ≤ x]
i=1 i=1

Si on désigne par G la fonction de répartition de Tn :

 
Y 1 n 1
∀x ≥ 1 : G(x) = 1 − 1 − (1 − 1 )  = 1 − n
xa xa

Dans le cas où x < 1, G(x) = 0. Une densité g de Tn s’obtenant par dérivation, on
conclut que : 
 g(x) = 0 si x < 1
n 1

g(x) = . si x ≥ 1

 a 1+ n
x a
3. X(Ω) = [1; +∞[ ⇒ Z(Ω) = [0; +∞[.
Déterminons la fonction de réaprtition de Z.
∀x ≥ 0 , P (Z ≤ x) = P (lnX ≤ x) = P (X ≤ ex ) = F (ex ) d’où :
x
−
∀x ≥ 0 , P (Z ≤ x) = 1 − e a
1
On reconnaı̂t la fonction de répartition d’une loi exponentielle de paramètre .
a
E(Z) = a ; V (Z) = a2

17
Exercice 8 EDHEC 2000 S

1. La durée de vie d’un composant électronique est une variable aléatoire X de densité
f continue, strictement positive sur IR+ et nulle sur IR− . On note F la fonction
de répartition de X.
(a) On désigne par t et h deux réels strictement positifs. Exprimer, à l’aide de
la fonction F , la probabilité p(t, h) que le composant tombe en panne avant
l’instant t + h sachant qu’il fonctionnait encore à l’instant t.
f (t)
(b) Établir que, lorsque h est au voisinage de 0+ , p(t, h) ∼ h.
1 − F (t)
f (t)
On pose désormais, pour tout réel positif t : λX (t) = . On a bien sûr
1 − F (t)
λX (t) ≥ 0.
La fonction positive λX est appelée taux de panne du composant ou taux de panne
de X.
2. Soit X une variable aléatoire qui possède une densité continue, strictement positive
sur IR+ , nulle sur R− et de taux de panne λX .
Z t
(a) Pour tout réel strictement positif t, calculer λX (u)du puis montrer que la
0
seule connaissance de la fonction ”taux de panne” λX permet de déterminer la
fonction de répartition F de X.
(b) Déduire de la question précédente que les variables suivant des lois exponen-
tielles possèdent un taux de panne constant et qu’elles sont les seules dans ce
cas.
3. La durée de vie (en années) d’un appareil est une variable aléatoire X dont le ”taux
de panne” est la fonction λX définie par λX (t) = t3 .
(a) Quelle est la probabilité que cet appareil survive plus d’un an ?
(b) Quelle est la probabilité que cet appareil, âgé de 1 an, survive plus de 2 ans ?
Solution

1. (a) La probabilité p(t, h) que le composant tombe en panne avant l’instant t + h

sachant qu’il fonctionnait à l’instant t est :

P [(X≤t+h)∩(X≥t)] P (t ≤ X ≤ t + h)
p(t, h) = P [(X ≤ t + h)/(X ≥ t)] = P (X≥t)
= et
P (X ≥ t)
en fonction de la fonction de répartition F , nous obtenons :

F (t + h) − F (t)
p(t, h) =
1 − F (t)
(b) On peut écrire :

18
 F (t+h)−F (t)
h F (t + h) − F (t)
p(t, h) = .h et puisque lim = f (t), nous dirons
1 − F (t) h−→0 h
que :

f (t)
p(t, h) ∼ .h
1 − F (t)
Z t
2. (a) Calculons λX (u)du.
0
t
U0
Z
λX (u) se présente sous la forme − =⇒ λX (u)du = [−ln | 1 − F (u) |]t0 =
U 0
−ln(1 − F (t)). Z t
Introduisons µX (t) = λX (u)du = −ln(1 − F (t)). De cette expression on
0
isole F (t) et on trouve :

F (t) = 1 − e−µX (t)

(b) Soit X une variable aléatoire qui suit une loi exponentielle de paramètre λ > 0.
Sa densité f est définie par :

f (t) = λe−λt si t ≥ 0 ; 0 sinon.

Déterminons le ”taux de panne.
λe−λt
λX (t) = = λ.
1 − (1 − e−λt )
Le taux de panne d’une loi exponentielle est son paramètre.

Inversement supposons que pour une variable aléatoire Y le taux de panne soit
une constante K.

f (t)
λY (t) = = K =⇒ −ln(1 − F (t)) = K.t + C. On peut prendre C = 0
1 − F (t)
et l’équation −ln(1 − F (t)) = Kt implique : F (t) = 1 − e−Kt
On reconnaı̂t la fonction de répartition d’une loi exponentielle de
paramètre K.
3. (a) On suppose dans cette question que : λX (t) = t3 .
Si µX est la primitive de λX qui s’annule pour t = 0, on a montré ci dessus
que :
t4
−
F (t) = 1 − e−µX (t) . Donc dans ce cas : F (t) = 1 − e 4 et :

1
−
P (X ≥ 1) = 1 − F (1) = e 4

19
(b) La probabilité que le composant tombe en panne avant la deuxième année
sachant qu’il fonctionnnait encore après un an est :

P [(X > 2) ∩ (X > 1)] P (X > 2)

P (X > 2/X > 1) = =
P (X > 1) P (X > 1)
Avec la fonction de répartition F ceci s’écrit :

24
−
1 − F (2) e 4
P (X > 2/X > 1) = =
1 − F (1) 1
−
e 4
La probabilité cherchée est :

15
P (X > 2/X > 1) = e 4

20
Exercice 9 Oral HEC 99
On considère deux variables aléatoires réelles X et Y définies sur le même espace proba-
bilisé, suivant toutes deux la loi exponentielle de paramètre 1.
1. Soit t un réel strictement positif.
Montrer que la variable aléatoire Y − tX admet pour densité l’appliaction h définie
par :  −x
e

 si x > 0
h(x) = t+1
x/t
 e

si x ≤ 0
t+1
Y
2. En déduire une densité de la variable aléatoire Z =
X
Solution

1. Cherchons la loi de T = −tX.

X(Ω) = [0, +∞[ donc T (Ω) =] − ∞, 0]. On cherche la fonction de répartition de T
en écrivant pour tout x de ] − ∞, 0] :
x x
P (T ≤ x) = P (−tX ≤ x) = P (X ≥ − ) = 1 − P (X ≤ − )
t t
et si F désigne la fonction de répartition de X on obtient :
x
P (T ≤ x) = F (− )
t
Une densité s’obtenant par dérivation, une densité de −tX est la fonction définie
x
1
sur ] − ∞, 0] par f (x) = e t et qui vaut 0 ailleurs.
t
On peut maintenant trouver une densité de Y − tX.
Si f désigne une densité de −tX et g celle de Y , une densité de Y − tX est donnée
par Z +∞
h(x) = f (x − u)g(u)du
−∞
La fonction à intégrer n’est pas nulle si et seulement si u ≥ 0 et x − u ≤ 0. On peut
distinguer deux cas.
• Si x > 0
Z ∞ x−u x Z +∞ t+1
1 −u 1 −u(
h(x) = e t e du = e t e t du.
x t t x
Les calculs conduisent à :
e−x
h(x) =
t+1
• Si x < 0 : Z 0 Z +∞
h(x) = f (x − u)g(u)du + f (x − u)g(u)du
x 0
La première intégrale est nulle puisque g(u) = 0 si u < 0 et donc :
x
x Z +∞ t+1
1 −u( et
h(x) = e t e t du =
t 0 t+1

21
 X
2. Déduisons une densité de Z = .
Y
La variable aléatoire Z prend ses valeurs dans ]0, +∞[ d’où :

∀t > 0 P (Z ≤ t) = P (Y − tX ≤ 0

Si G est la fonction de répartition de Y − tX alors P (Z ≤ t) = G(0).

D’après la première question la fonction de répartition de Y − tX est la fonction G
définie par :  x
 t
e t si x ≤ 0


G(x) = t + 1 −x
 e
 1−
 si x > 0
t+1
On a alors :
t
∀t > 0 P (Z ≤ t) =
t+1
Une densité de Z est la fonction k définie par :

1
 ∀t > 0
k(t) = (t + 1)2
 0 sinon

22
Exercice 10 HEC E
Z +∞
1 2 /2
1. (a) Rappeler la valeur de la quantité √ e−x dx et en déduire la valeur
Z +∞ 2π −∞
2
de e−x /2 dx.
0
(b) Déterminer la constante k telle que la fonction f définie par
 −x2 /2
ke si x ≥ 0
f (x) =
0 si x < 0

soit une densité de probabilité.

2. Un barrage alimente l’irrigation d’une région donnée. La quantité d’eau de pluie
tombée en un mois en amont du barrage est une variable aléatoire X qui suit une
loi de densité f . On suppose que dans un système d’unités convenablement choisi, la
2
quantité d’eau fournie par le barrage est égale à la variable aléatoire Q = 1 − ae−bX
où b est un nombre strictement positif et a un nombre tel que 0 < a < 1.
(a) Calculer E(X) et V (X).
(b) Etudier la fonction g définie sur R+ par
2
g(x) = 1 − ae−bX

Montrer qu’elle admet une réciproque g −1 dont on précisera le domaine de

définition.
Expliciter g −1 (y) en fonction de y.
(c) Calculer E(Q) et V (Q) en fonction de a et b.
3. Exprimer la probabilité p que Q soit supérieure à une valeur fixée α à l’aide de la
fonction de réparttion Φ d’une loi normale centrée réduite, de la fonction g −1 et de
α.
Preuve

1. (a) Faisons appel à l’intégrale de Gauss :

Z +∞
2 √
e−x dx = π
−∞
Z +∞
2 /2 x
Dans e−x dx effectuons le changement de variable u = √ et alors :
−∞ 2
Z +∞ Z +∞ √
1 −x2 /2 1 2
√ e dx = √ 2e−u du = 1
2π −∞ 2π −∞
On déduit que :
Z +∞ Z +∞
√
−x2 /2 1 −x2 /2 2π
e dx = e dx =
0 2 −∞ 2

23
 (b) Il faut imposer la condition k ≥ 0 pour que ∀x ∈ R, f (x) ≥ 0.
Z +∞
Dans ces conditions f est continue et il faut enfin que f (t)dt = 1.
−∞
Z +∞ Z +∞
2
f (t)dt = 1 ⇒ k e−x /2 dx = 1
−∞ 0

et d’après a), nous aurons :

2
k=√
2π
2. (a) X admet pour densité f . Sous réserve de convergence :
Z +∞
2 2
E(X) = √ x.e−x /2 dx
2π 0
On a alors : Z A
2 2 /2
E(X) = √ lim x.e−x dx
2π A→∞ 0
c’est à dire :
2 h
−x2 /2
iA 2
E(X) = √ lim −e =√
2π A→∞ 0 2π
Z +∞
2
Pour calculer E(X 2 ) déterminons la valeur de x2 .e−x /2 dx.
Z B 0
2
Une intégration par parties de x2 .e−x /2 dx donne :
0
Z B h iB Z B
−x2 /2 −x2 /2 2 /2
2
x .e dx = −xe + e−x dx
0 0 0

Lorsque B → ∞ nous obtiendrons :

Z +∞ Z +∞
√
2 −x2 /2 −x2 /2 2π
x .e dx = e dx =
0 0 2
Il vient alors : √
22 2π
E(X ) = √ × =1
2π 2
et par conséquent
2
V (X) = E(X 2 ) − (E(X))2 = 1 −
π
2
(b) ∀x ≥ 0, on pose g(x) = 1 − ae−bx .
2
g est définie, continue, dérivable sur R+ et g 0 (x) = 2abxe−bx . Il en découle que
g est strictement croissante sur R+ et nous dressons le tableau :
x 0 +∞
0
g (x) +
1
g(x) %
0

24
 g continue et strictement croissante réalise une bijection de [0; +∞[ vers [0; 1].
Sa réciproque g −1 existe et est définie dans [0; 1[.
s  
−bx2 −1 1 a
y = 1 − ae ⇒ x = g (y) = ln
b 1−y

(c) Q est une fonction de la variable aléatoire X et d’après le cours :

Z +∞ 
2 2
 2
E(Q) = √ 1 − ae−bx e−x /2 dx
2π 0
Développons et Z +∞
2a 2 (b+1/2)
E(Q) = 1 − √ e−x dx
2π 0
p
On pose x (b + 1/2) = u et on obtient :
Z +∞
2a 2
E(Q) = 1 − √ p e−u du
2π (b + 1/2) 0

Bref :
a
E(Q) = 1 − √
2b + 1
s  
−bX 2 1 a
3. P (Q ≥ α) = P (1 − ae ≥ α) = P (X ≥ ln ) = P (X ≥ g −1 (α) que
b 1−y
nous allons écrire :
Z g −1 (α)
−1 2 2 /2
P (Q ≥ α) = 1 − P (X ≤ g (α) = 1 − √ e−x dx
2π −∞

et en faisant intervenir la fonction de répartition d’une loi normale centrée réduite :

P (Q ≥ α) = 1 − 2Φ(g −1 (α))

25
Exercice 11 Edhec 2000 S
Un sondage consiste à proposer l’affirmation « A » à certaines personnes d’une population
donnée. Le sujet abordé étant délicat, le stratagème suivant est mis en place afin de mettre
en confiance les personnes sondées pour qu’elles ne mentent pas . . .
L’enquêteur dispose d’un paquet de 20 cartes, numérotées de 1 à 20, qu’il remet à la
personne sondée. Celle-ci tire une carte au hasard et ne la montre pas à l’enquêteur. La
règle est alors la suivante :
• si la carte porte le numéro 1, la personne sondée répond ”vrai” si elle est d’accord avec
l’affirmation « A » et ’faux” sinon.
• si la carte porte un autre numéro, la personne sondée répond ”vrai” si elle n’est pas
d’accord avec l’affirmation « A » et ’faux” sinon.
Le but de l’enquête est d’évaluer la proportion p de gens de cette population qui sont
réellement d’accord avec l’affirmation « A ».
1. On interroge une personne selon ce procédé et on considère l’événement suivant,
noté V : « la personne répond ”vrai” » . On note θ = P (V ).
En utilisant la formule des probabilités totales, exprimer θ en fonction de p, puis en
déduire p en fonction de θ.
17
2. Certaines considérations théoriques laissent penser que p = .
18
1
(a) Vérifier que θ = .
10
(b) Calculer la probabilité pour qu’une personne ayant répondu ”vrai” soit d’accord
avec l’affirmation « A » .
On revient au cas général où l’on ne connaı̂t ni p, ni θ.
(c) On considère un échantillon aléatoire, de taille n, extrait de la population
considérée et on note Sn , le nombre de réponses ”vrai” obtenues. On suppose
n assez grand pour pouvoir considérer que cet échantillonnage est assimilable
à un tirage avec remise.
(d) Donner la loi de Sn ainsi que son espérance et sa variance.
Sn
(e) Montrer que , est un estimateur sans biais et convergent de θ.
n
3. Dans cette question, on suppose que l’on a réalisé un échantillon de 100 personnes
et on constate que 23 personnes ont répondu ”vrai”.
(a) Donner une estimation ponctuelle de θ et de p.
(b) Donner un intervalle de confiance à 95% de θ puis de p.
On rappelle que, si Φ désigne la fonction de répartition d’une variable X suivant
la loi normale N (0, 1), alors Φ(1, 96) = 0, 975.
Solution

1. On désigne par A1 l’évènement : extraire le numéro 1 et A1 son contraire.

{A1 , A1 } est un système complet d’évènements et d’après la formule des probabilités
totales on a :

θ = P (V ) = P (V /A1 )P (A1 ) + P (V /A1 )P (A1 ) = p1over20 + (1 − p)19/20

26
 qui après simplification s’écrit :
19 − 18p 19 − 20θ
θ = P (V ) = ⇒ p=
20 20
19 − 20θ 17
2. (a) Si dans la formule θ = on remplace p par on trouve
20 18
1
θ=
10
(b) Appelons D l’évènement : être d’accord avec l’aafirmation A. On doit calculer
P (D/V ) et on a :
P (D ∩ V ) P (V /D).P (D) p
P (D/V ) = = =
P (V ) P (V ) 20θ
Finalement
17
P (D/V ) =
36
3. (a) Il est clair que Sn suit une loi binômiale de paramètres n et θ.Ainsi :
Sn (Ω) = {0, 1, 2 . . . , n} et ∀k ∈ Sn (Ω) = Cnk θk (1 − θ)n−k
et d’après le cours
E(Sn ) = nθ et V (Sn ) = nθ(1 − θ)
Sn
(b) Posons Zn = .
n
Zn est un estimateur sans biais et convergent de θ si et seulement si :
E(Zn ) = θ et lim V (Zn ) = 0
n→∞

Calculons.
1
E(Zn ) = E(Sn ) = θ. La première condition est vraie.
n
1 θ(1 − θ)
V (Zn ) = 2 V (Sn ) = ⇒ lim V (Zn ) = 0.
n n n→∞
4. (a) Sur 100 personnes, 23 ont répondu ¡¡vrai¿¿. Sur cet échantillon l’estimation de
θ est 0,23 et celle de p se déduit de la formule :
19 − 20θ
p= ⇒ p = 0, 8
20
(b) Il s’agit de déterminer l’intervalle de confiance de la proportion θ au seuil de
confiance 1 − α = 0, 95.
On cherche dans les tables de la loi normale centrée le nombre a qui vérifie
2−α
Φ(a) = = 0, 975. On trouve a = 1, 96.
2
L’intervalle de confiance de θ est :
 
1, 96 1, 96
0, 23 − ; 0, 23 + =]0, 132; 0, 328[
20 20
19 − 20θ
La formule p = donne celui de p, à savoir :
20
]0, 6911; 0, 9089[

27
Exercice 12 ESC 2000 S
p et q désignent deux réels avec p ∈]0, 1[ et q = 1 − p.
On considère une variable aléatoire réelle X ayant pour loi :

X(Ω) = N et ∀k ∈ N, P (X = k) = pq k

.
1. Calculer E(X) et V (X).
1
2. On pose Y = .
X +1
(a) Déterminer la loi de Y .
n
X 1 xn+1
(b) Justifier l’égalité : ∀x ∈ [0, 1[, ∀n ∈ N, xi = − . En déduire
i=0
1−x 1−x
n+1 k t
xn+1
Z
∗
X t
que : ∀t ∈ [0, 1[, ∀n ∈ N , + ln(1 − t) = dx.
k=1
k 0 x−1
t
xn+1  tn+2
Z 
∗ 
 1
(c) Montrer que : ∀t ∈ [0, 1[, ∀n ∈ IN ,  dx |≤ · .
0 x−1 1−t n+2
+∞ k
X t
Prouver alors que : ∀t ∈ [0, 1[, = − ln(1 − t).
k=1
k
(d) Calculer E(Y ).
3. Soit Z une variable aléatoire réelle à valeurs dans IN telle que, pour tout k ∈ IN ,
la loi conditionnelle de Z sachant (X = k) est uniforme sur {0, 1, 2, .., k}
(a) Pour z ∈ N et k ∈ N, donner la valeur de P (Z = z/X = k).
(b) Déterminer la loi de Z (chaque probabilité sera laissée sous forme d’une somme).
(c) Calculer E(Z).
4. Soit T une variable aléatoire absolument continue à valeurs dans R+ telle que, pour
tout k ∈ N, la loi conditionnelle de T sachant (X = k) est exponentielle de paramètre
k + 1.
(a) Pour t ∈ R+ et k ∈ N, exprimer P (T ≤ t/X = k).
(b) En déduire la fonction de répartition de T .
(c) Donner alors une densité de T .
(d) A l’aide d’une intégration par parties, calculer E(T ).
Solution

+∞ ∞ ∞
X
k
X
k
X q
1. E(X) = k.p.q = p. k.q . On remplace k.q k par et on obtient :
k=0 k=0 k=0
(1 − q)2

q
E(X) =
p

28
 Calculons E(X 2 ).
∞
X p.q.(q + 1) q(q + 1)
E(X 2 ) = p. k2qk = 3
= 2
.
l=0
(1 − q) p
On a alors :
q(q + 1) q 2 q
V (X) = E(X 2 ) − (E(X))2 = 2
− 2 = 2
p p p
1
2. On pose Y = .
1+X
1 1
(a) X(Ω) = IN ⇒ Y (Ω) = {1, , , ....}
2 3
1
P (Y = = P (X = k − 1) = p.q k−1
k
Xn
(b) xi est la somme de n+1 termes consécutifs d’une suite géomtrique de raison
i=0
x d’où : n
X 1 − xn+1
i 1 xn+1
x = = −
i=0
1−x 1−x 1−x
En intégrant sur l’intervalle [0; t] nous obtenons :
n+1 k t
xn+1
Z
X t
= −ln(1 − t) − dx
k=1
k 0 1−x

que nous écrivons :

n+1 k t
xn+1
Z
X t
+ ln(1 − t) = dx
k=1
k 0 x−1

t t
xn+1 xn+1
Z Z
(c) | dx |≤ dx.
0 x−1 0 |x−1|
1
Mais comme x ∈ [0; 1[ ⇒ | x − 1 |= 1 − x. De plus la fonction x −→
1−x
est croissante sur [0; t] et nous pouvons écrire :
Z t n+1  Z t
 x  1 n+1 1 tn+2
 dx  ≤ x dx = .
0 x−1
  1−t 1−t n+2
0

Il en résulte que :
n+1 k
X t 1 tn+2
| + ln(1 − t) |≤ .
k=1
k 1−t n+2

et par conséquent lorsque n → ∞ :

n+1 k
X t
= − ln(1 − t)
k=1
k

29
 (d) Calculons E(Y ).
∞ ∞
X 1 p X qk
E(Y ) = .p.q k−1 = et en utilisant la question précédente il vient :
k=1
k q k=0
k

p
E(Y ) = − .ln(1 − q)
q

3. Z sachant (X = k) suit une loi uniforme sur {0, 1, 2, ..., k}.

(a) Pour z ∈ N et k ∈ N nous aurons :
( 1
P [(Z = z)/(X = k)] = si z ≤ k
k+1
P [(Z = z)/(X = k)] = 0 si z > k

(b) ((X = k))k∈N est un système complet d’évènements donc :

∞ ∞
X X 1
P (Z = z) = P [(Z = z)/(X = k)].P (X = k) = .p.q k
k=0 k=z
k+1
∞ ∞ ∞
!
X X X pq k
(c) E(Z) = zP (Z = z) = .
z=0 z=0 k=z
k+1
En permutant les deux symboles sigma il vient :
∞ k
!
X pq k X
E(Z) = z
k=1
k+1 z=1

et finalement
q
E(Z) =
2p
4. (a) Pour tout entier k la loi conditionnelle de T sachant X = k est la loi exponen-
tielle de paramètre k + 1 d’où :

0 si t < 0
P (T ≤ t/X = k) = −(k+1)t
1−e si t ≥ 0

(b) Comme précédemment les évènements (X = k) forment un système complet

d’évènements d’où :
∞
X ∞
X
P (T ≤ t) = P (T ≤ t/X = k).P (X = k) = pq k [1 − e−(k+1)t ]
k=0 k=0

∞
X
Après développement il reste : P (T ≤ t) = 1 − pe−t (qe−t )k c’est à dire :
k=0

p
P (T ≤ t) = 1 −
et −q

Nous venons ainsi de déterminer la fonction de répartition de la variable T .

30
 (c) Une densité f de T s’obtient par dérivation et

 0 si t ≤ 0
f (t) = pet
 t si t > 0
(e − q)2
Z +∞
(d) Sous réserve de convergence E(T ) = tf (t)dt.
0
Cette intégrale converge car au voisinage de l’infini, tf (t) ∼ pte−t et comme
Z ∞
te−t dt converge....
0 Z A
On intègre par parties I = tf (t)dt en posant :
0

et
U = pt ; V0 =
(et − q)2
Il vient : Z A
pA 1
I=− A +p dt
e −q 0 et −q
t
Dans cette intégrale on pose e = X et elle s’écrit :
Z eA
1
p dX
1 X(X − q)
1 1 1
En remplaçant par − et en faisant tendre A vers l’infini,
X(X − q) X X −q
on trouve :
p
E(T ) = − ln(1 − q)
q

Session 2001
Exercice 13 ESC S
On rappelle que si U et V sont deux variables aléatoires à densité indépendantes, de
densités respectives u et v , alors U + V est une variable à densité dont une densité w est
définie sur R par : Z +∞
∀x ∈ R, w(x) = u(t)v(x − t)t.
−∞
Les candidats devront adopter la notation suivante pour les fonctions de répartition :
FU est la fonction de répartition de U , FV est la fonction de répartition de V , et ainsi de
suite pour les différentes variables aléatoires rencontrées dans l’énoncé.
1. Soient X et Y deux variables indépendantes de même loi exponentielle de paramètre
λ > 0.
(a) Quelle est la loi de (−Y ) ?
(b) Montrer que X − Y admet pour densité la fonction h définie par :
λ −λ|z|
∀z ∈ R, h(z) = e
2

31
 (c) En déduire que la variable |X − Y | suit une loi exponentielle de paramètre λ.
2. Trois personnes A, B, C se rendent à la poste au même instant pour téléphoner. Il
n’y a que deux cabines, que prennent A et B, et C attend.
On suppose que les durées de communication téléphonique de chacun, notées XA ,
XB , XC , sont des variables aléatoires indépendantes de même loi exponentielle de
paramètre λ > 0.
(a) Vérifier que C sort le dernier de la poste si et seulement si l’événement (|XA − XB | <
XC ) est réalisé.
(b) Montrer que la variable aléatoire D = |XA − XB | − XC admet h pour densité.
En déduire la probabilité pour que C sorte le dernier.
3. (a) Soient Z et T deux variables aléatoires indépendantes qui suivent des lois
6 β.
exponentielles de paramètres respectifs α et β, avec α > 0, β > 0 et α =
Déterminer la loi de Z + T .
(b) Soit TC la variable aléatoire égale au temps total passé par C à la poste.
Déterminer la loi de la variable M = min(XA , XB ) et en déduire la loi de TC .
Preuve

1. (a) Loi de −Y .
Y suit une loi exponentielle de paramètre λ. Soit FY la fonction de répartition
de Y et F−Y celle de −Y .
−Y prendra ses valeurs dans ] − ∞; 0] et on a :

F−Y (x) = P (−Y ≤ x) = P (Y > −x) = 1 − P (Y ≤ −x) = 1 − FY (−x)

Or pour tout t ≥ 0 : FY (t) = 1 − e−λ.t donc :

F−Y (x) = 1 − 1 − eλ.x = eλ.x

∀x < 0 :

Une densité f−Y de −Y s’obtient par dérivation et donc


λ.eλ.x si x ≤ 0
f−Y (x) =
0 sinon

(b) Si u et v désignent les densités respectives de X et Y et puisque celles ci sont

indépendantes, une densité h de X − Y est donnée par
Z +∞
∀x ∈ R : h(x) = u(x − t)v(t)dt
−∞

avec comme conditions :

x − t ≥ 0 et t ≤ 0 ⇒ t ∈] − ∞; 0]∩] − ∞; x]

On distingue deux cas : • Si x < 0 alors t ∈] − ∞; x] et :

Z x
λ
h(x) = λ.e−λ(x−t) λ.eλ.t dt = eλ.x
−∞ 2

32
 • Si x > 0 alors t ∈] − ∞; 0] et :
Z 0
λ
h(x) = λ.e−λ(x−t) λ.eλ.t dt = e−λ.x
−∞ 2
Conclusion : nous résumons ces deux cas en affirm ant que :
λ λ.|z|
∀z ∈ R : h(z) = e
2
(c) Trouvons la loi de |X − Y |.
Il est clair que |X − Y | (Ω) = [0; +∞[.
Pour tout x ≥ 0 on a :
Z x
P (|X − Y | ≤ x) = P (−x ≤ X − Y ≤ x) = h(z)dz
−x

soit : Z Z x 
λ λ.z −λ.z
P (|X − Y | ≤ x) = e dz + e dz
2 −x
On trouve après calculs :

∀x ≥ 0 : P (|X − Y | ≤ x) = 1 − e−λ.x
On reconnait la fonction de répartition d’une variable qui suit une loi expo-
nentielle de paramètre λ.
2. (a) Le temps passé par chacune des personnes dans ce bureau de poste est :
• pour A : XA
• pour B : XB
• pour C : Inf (XA , XB ) + XC
Si C est la dernière personne a quitté le bureau de poste on a :
Inf (XA , XB ) + XC > XA et Inf (XA , XB ) + XC > XB
Si Inf (XA , XB ) = XA alors XC > XB − XA et si Inf (XA , XB ) = XB , on aura
XC > XA − XB c’est à dire
XC > |XA − XB |

(b) D’après la question 1)c), |XA − XB | suit une loi exponenetielle de paramètre
λ et en vertu de 1)b) D admettra h pour densité.
3. (a) Z et T suivent des lois exponentielles de paramètres respectifs α et β et sont
indépendantes. Une densité de Z + T que nous appellerons fZ+T est définie
pour tout x ≥ 0 par :
Z +∞
fZ+T (x) = fZ (x − t)fT (t)dt
−∞

avec les conditions x − t ≥ 0 et t ≥ 0 qui se résument à 0 ≤ t ≤ x.

Donc :
Z x
α.β
α.e−α(x−t) β.e−β.t dt = e−β.x − e−α.x


fZ+T (x) =
0 α−β

33
(b) Déterminons la loi de M = M in(XA , XB ).
Remarquons déja que M (Ω) = [0; +∞[. D’autre part :
∀t ≥ 0 on a : (M > t) = (XA > t) ∩ (XB > t) et comme les variables sont
indépendantes il vient :

P (M > t) = P (XA > t).P (XB > t) = (1 − P (XA ≤ t)) (1 − P (XB ≤ t))

Comme XA et XB suivent la même loi exponentielle de paramètre λ :

2
1 − P (M ≤ t) = e−λ.t ⇔ P (M ≤ t) = 1 − e−2λ.t

M suit une loi exponentielle de paramètre 2λ.

Loi de TC .
Nous avons déja vu plus haut que le temps passé par C au bureau de poste est
M in(XA , XB ) + XC .
Appliquons le résultat obtenu à la question 3)a) en posant α = 2λ et β = λ.
Une densité de TC est :

2λ e−λ.x − e−2λ.x


six ≥ 0
0 sinon

34
Exercice 14 Ecricome E 2001
Un système est constitué de n composants. On suppose que les variables aléatoires T1 , T2 , . . . , Tn
mesurant le temps de bon fonctionnement de chacun des n composants sont indépendantes,
de même loi, la loi exponentielle de paramètre λ > 0.
2.1. Calcul du nombre moyen de composants défaillants entre les instants 0 et
t.
On note Nt la variable aléatoire égale au nombre de composants défaillants entre les
instants 0 et t avec t > 0.
1. Pour tous les entiers i de {1, 2, . . . , n}, calculer la probabilité de l’événement {Ti <
t}.
2. Montrer que Nt suit une loi binômiale. Préciser ses paramètres et son espérance
E(Nt ).
3. À partir de quel instant t0 le nombre moyen de composants défaillants dépasse-t-il
la moitié du nombre de composants ?
2.2. Montage en série. On suppose que le système fonctionne correctement si tous
les composants eux-mêmes fonctionnent correctement et note Sn la variable aléatoire
mesurant le temps de bon fonctionnement du système.
1. Pour t ∈ R, exprimer l’événement {Sn > t} en fonction des événements :

{T1 > t}, {T2 > t}, . . . {Tn > t}.

2. Déterminer alors la fonction de répartition Fn , de Sn , puis définir sa densité fn .

3. Reconnaı̂tre la loi de Sn et donner sans calcul l’espérance E(Sn ) et la variance
V (Sn ) de Sn .
2.3. Montage en parallèle.
On suppose maintenant que le système fonctionne correctement si l’un au moins des
composants fonctionne correctement et note Un la variable aléatoire mesurant le temps
de bon fonctionnement du système.
1. Exprimer {Un < t} en fonction des événements {T1 < t}, {T2 < t}, . . . {Tn < t}.
2. Déterminer alors la fonction de répartition Gn de Un puis montrer que sa densité
gn est définie par :
(
n−1 −λt
gn (t) = nλ 1 − e−λt e , t>0
gn (t) = 0, t<0

3. Montrer l’existence de l’espérance E(Un ) de Un et prouver que :

n−1
1 X (−1)k k+1
E(Un ) = C
λ k=0 k + 1 n

puis, que pour tous entiers naturels n,

1
E(Un+1 ) − E(Un ) =
λ(n + 1)

35
 4. Par sommation de la relation précédente, et en utilisant l’équivalent simple :
n
X 1
∼ ln n
k=1
k n→+∞

donner un équivalent simple de E(Un ) lorsque n tend vers +∞.

Solution

2.1. Calcul du nombre moyen de composants défaillants entre les instants 0 et

t.
1. Il s’agit dans cette question de déterminer la fonction de répartition d’une loi
exponentielle de paramètre λ > 0.
Nous avons si f désigne une densité de Ti :
Z t Z t  t
−λ.x 11 λ.x
P (Ti < t) = f (x)dx = λ.e dx = λ − e
−∞ 0 λ 0

et finalement :
P (Ti < t) = 1 − e−λ.t
2. Soit Ni une variable aléatoire de Bernoulli telle que :

Ni = 1 si le i-ième composant est défaillant entre 0 et t
Ni = 0 sinon

et de paramètre p = P (Ti < t) = 1 − e−λ.t .

n
X
Il est clair que Nt = Ni . Somme de n variables de Bernoulli indépendantes, Nt
i=0
suit une loi binômiale de paramètres n et p.

E(Nt ) = n.p = n 1 − e−λ.t

n
3. Pour répondre à cette question résolvons l’équation E(Nt ) ≥ .
2
n 1 ln 2
E(Nt ) > ⇔ 1 − e−λ.t ≥ ⇒t>
2 2 λ
2.2. Montage en série.
1. Il est clair que
n
\
(Sn > t) = (Ti > t)
i=1

et on a bien sur Sn (Ω) = [0; +∞[.

2. Par indépendance des variables Ti , il vient :
n
Y
P (Sn > t) = P (Ti > t)
i=1

36
 Nous pouvons écrire ceci de la manière suivante :
n
Y
1 − P (Sn ≤ t) = [1 − P (Ti ≤ t)]
i=1

et en utilisant la question 2)1)1) :

n
Y
P (Sn ≤ t) = 1 − e−λ.t = 1 − e−nλ.t
i=1

Une densité g de Sn s’obtient par dérivation d’où :

g(t) = n.λ.e−nλ.t si t ≥ 0


g(t) = 0 sinon

3. On reconnaı̂t une loi exponentielle de paramètre nλ. Par application du cours :

1 1
E(Sn ) = et V (Sn ) =
nλ n 2 λ2
2.3. Montage en parallèle.
i=n
\
1. Il est immédiat que (Un < t) = (Ti < t) et Un (Ω) = [0; +∞[
i=1
2. Par indépendance des varaibles Ti on a :
n
Y
P (Un < t) = P (Ti < t)
i=1

et en utilisant la question 2)1)1) :

P (Un < t) = (1 − e−λ.t )n

Une densité gn s’obtient par dérivation d’où :

gn (t) = n.λ(1 − e−λ.t )n−1 e−λ.t


si t ≥ 0
gn (t) = 0 sinon

3. Sous réserve de convergence

Z +∞
E(Un ) = tgn (t)dt
−∞

et d’après la définition de gn il reste :

Z +∞
E(Un ) = tnλ.(1 − e−λ.t )n−1 e−λ.t
0

La convergence de cette intégrale est des plus classiques. En effet :

lim t2 tλ.(1 − e−λ.t )n−1 e−λ.t = 0 tλ.(1 − e−λ.t )n−1 e−λ.t = ◦(1/t2 )


t→+∞

37
 Z +∞
1
Et comme dt converge......
1 t2
Pour calculer E(Un ) on intègre par parties et on obtient :
 Z A 
−λ.t n A −λ.t n
E(Un ) = lim [t(1 − e ) ]0 − (1 − e ) dt
A→∞ 0

c’est à dire : Z +∞
E(Un ) = − (1 − e−λ.t )n dt
0
n
X
La formule du binôme donne : (1 − e −λ.t n
) = Cnp (−1)p e−λ.p.t et par suite :
p=0

n
X Z +∞
E(Un ) = − Cnp (−1)p e−λ.p.t dt
p=0 0

Z +∞
1
avec e−λ.p.t dt = si bien que
0 pλ
n
X 1
E(Un ) = − Cnp (−1)p
p=1
pλ

On effectue le changement de variable k = p − 1 et il vient :

n n−1
X 1 1 X (−1)k k+1
E(Un ) = − Cnp (−1)p = C
p=1
pλ λ k=0 k + 1 n

1
Démontrons que : E(Un+1 ) − E(Un ) = λ(n+1) .
" n n−1
#
1 X (−1)k k+1 X (−1)k k+1
E(Un+1 ) − E(Un ) = C − C
λ k=0 k + 1 n+1 k=0 k + 1 n
k+1
que nous allons écrire, compte tenu que Cn+1 = Cnk + Cnk+1 :
n
1 X (−1)k k
E(Un+1 ) − E(Un ) = C
λ k=0 k + 1 n
Z 1
1
Remplaçons maintenant par xk dx et nous arriverons à :
k+1 0
"Z n
! #
1 Z 1
1 X 1
E(Un+1 ) − E(Un ) = Cnk (−1)k xk dx = (1 − x)n dx
λ 0 k=0
λ 0
1 1
(1 − x)n+1
Z 
n 1
Mais comme (1 − x) dx = − = , on a bien :
0 n+1 0 n+1

1
E(Un+1 ) − E(Un ) =
λ(n + 1)

38
 1
4. Partons de la relation E(Uk ) − E(Uk−1 ) = et sommons pour k variant de 1 à
kλ
n. Il reste : n
1X1
E(Un ) − E(U1 ) =
λ k=2 k
1
Mais comme E(U1 ) = on arrive à
λ
n
1X1
E(Un ) =
λ k=1 k

n
X 1
Puisque ∼ ln(n) lorsque n → ∞, un équivalent simple de E(Un ) lorsque
k
k=1
1
n → ∞ est : ln(n)
λ

39
Exercice 15 Ecricome S
Soient a et b deux réels strictement positifs, X et Y deux variables aléatoires définies
sur un même espace probabilisé, indépendantes, suivant chacune une loi exponentielle de
paramètres respectifs a et b.
1. Déterminer la fonction de répartition, puis une densité, de la variable aléatoire −X.
2. Montrer que Y − X admet une densité, notée h, définie par
ab −bt ab at
h(t) = e pour t > 0 et h(t) = e pour t ≤ 0
a+b a+b
On considère la variable aléatoire Z = |X − Y |.
be−as + ae−bs
3. Soit s un réel positif. Etablir l’égalité : P (Z ≤ s) = 1 − .
a+b
(a) Montrer que Z est une variable aléatoire à densité et en donner une densité.
(b) Montrer que Z admet une espérance et la calculer.
Preuve

1. X suit une loi exponentielle de paramètre a. Soit F la fonction de répartition de X

et G celle de −X.
−X prendra ses valeurs dans ] − ∞; 0] et on a :

G(x) = P (−X ≤ x) = P (X > −x) = 1 − P (X ≤ −x) = 1 − F (−x)

Or pour tout t ≥ 0 : F (t) = 1 − e−at donc :

∀x < 0 : G(x) = 1 − (1 − eax ) = eax

Une densité g de −X s’obtient par dérivation et donc

 ax
ae si x ≤ 0
g(x) =
0 sinon

2. Notons que (Y − X)(Ω) = R.Si k est une densité de Y , une densité de Y − X sera
donné par : Z +∞
∀t ∈ R : h(t) = k(t = u)g(u)du
−∞

La fonction à intégrer n’est pas nulle si les conditions suivantes sont réalisées simul-
tanément :
t − u ≥ 0 et u ≤ 0
ce qui implique finalement :

u ∈] − ∞; t]∩] − ∞; 0]

Nous pouvons distinguer deux cas :

• Si t > 0 alors u ∈] − ∞; 0] et nous avons :
Z 0 Z 0
−b(t−u) au −bt
h(t) = be ae du = abe e(a+b)u du
−∞ −∞

40
 avec 0
Z 0 
(a+b)u 1 (a+b)u 1
e du = lim e =
−∞ A→−∞ a+b A a+b
Finalement
abe−bt
∀t > 0 : h(t) =
a+b
• Suposons maintenant : t ≤ 0. Nous aurons : u ∈] − ∞; t] et :
Z t Z 0
−b(t−u) au −bt
h(t) = be ae du = abe e(a+b)u du
−∞ −∞

avec cette fois ci :

t t
e(a+b)t
Z 
(a+b)u 1 (a+b)u
e du = lim e =
−∞ A→−∞ a+b A a+b

Concluons :
abeat
∀t ≤ 0 : h(t) = h(t) =
a+b
3. On pose Z = |X − Y | = |Y − X|.
P (Z ≤ s) = P (|Y − X| ≤ s) = P (−s ≤ Y − X ≤ s) et par conséquent :
Z s Z 0 Z s
abeat abe−bt
P (Z ≤ s) = h(t)dt = dt + dt
−s −s a + b 0 a+b

d’où :
ab  0 ab  s
P (Z ≤ s) = 1/aeat −s + −1/be−bt 0
a+b a+b
Bref :
be−as + ae−bs
P (Z ≤ s) = 1 −
a+b
4. (a) Nous venons de déterminer la fonction de répartiton de Z. Une densité f de Z
s’obtient par dérivation donc :

 ab
e−as + e−bs


si s > 0
f (s) = a+b
 0 sinon
Z +∞
(b) Sous réserve de convergence : E(Z) = sf (s)ds.
Z +∞0
1
Une intégration par parties donne se−as ds = 2 si bien que :
0 a
 
ab 1 1
E(Z) = +
a+b a2 b 2

41