Académique Documents
Professionnel Documents
Culture Documents
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
−∞
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 )
0 si x ∈] − ∞; 0[∪]2; +∞[
(
g(x) = 3
(4x2 − x4 ) ∀x ∈ [0; 2]
16
2
Exercice 2 HEC 93 E
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
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] :
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
ZT ZT
−λu
I (T ) = cosue du ; J(T ) = sinue−λu du
0 0
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
(b) La relation I(T ) = sin T e−λ.T − λ. cos T.e−λ.T + λ − λ2 .I(T ) est équivalente à
1
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
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 ).
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
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
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 :
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
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
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
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
(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
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
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 :
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 :
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
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
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
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
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
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 −∞
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
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
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
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
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
∞
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
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 :
x − t ≥ 0 et t ≤ 0 ⇒ t ∈] − ∞; 0]∩] − ∞; x]
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
−∞
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))
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 :
35
4. Par sommation de la relation précédente, et en utilisant l’équivalent simple :
n
X 1
∼ ln n
k=1
k n→+∞
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
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
36
Nous pouvons écrire ceci de la manière suivante :
n
Y
1 − P (Sn ≤ t) = [1 − P (Ti ≤ t)]
i=1
g(t) = n.λ.e−nλ.t si t ≥ 0
g(t) = 0 sinon
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
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
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]
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
−∞ −∞
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