École Nationale d’Ingénieurs de Monastir

1 ère année, Génie Mécanique.

Correction : Feuille d’exercices 3

Exercice 1 : f est continue sur R sauf en 1. De plus
Z Z 2
a
f (t)dt = √ dt = 2a,
R 1 t −1

alors f est une densité si et seulement si a = 12 .

Exercice 2 :

1. La fonction f est continue par morceaux et positive. De plus, la fonction f est intégrable. Le seul problème est
en +∞ et on sait qu’on a une intégrale de Riemann
Z +∞ convergente. La fonction
Z +∞ f est une densité de probabilité
2a
d’une variable aléatoire X si et seulement si f (x)dx = 1. Mais f (x)dx = [− √ ]+∞ = 2a. Donc
1 1 x1
1
f est une densité de probabilité si et seulement si a = 2 .

2. Notons F la fonction de répartition. Puisque f est nulle sur ] − ∞, 1[, on a F (t) = 0 si t ≤ 1. Pour t > 1,
Rt
on a F (t) = 1 2x1√x dx = [− √1x ]t1 = 1 − √1t .

3. La variable aléatoire X admet une espérance si la fonction x → xf (x) est intégrable. Mais on a à une
intégrale de Riemann divergente en +∞. Donc X n’admet pas d’espérance.

Exercice 3 :

1. f est continue sur R sauf peut être en 1. De plus

4 1
Z Z
1
f (x)dx = (1 − x) 3 dx = 1,
R 3 0

Donc f est une densité de probabilité.

Rx
2. On sait que F (x) = P (Y ≤ x) = −∞ f (t)dt

3. – Si x < 0, F (x) = 0
– Si x ≥ 1, F (x) = 1
Rx Rx 1 4
– Si x ∈ [0, 1[, F (x) = −∞ f (t)dt = 34 0 (1 − t) 3 dt = 1 − (1 − x) 3
R1 1
4. On a E(Y ) = R xf (x)dx = 43 0 x(1 − x) 3 dx = ... (une intégration par parties)
R

Exercice 4 :

√
1. Soit G la fonction de répartition de Y , G(x) = P (Y ≤ x) = P ( X ≤ x).
Si x < 0 on a G(x) = 0, pour x ≥ 0
√
G(x) = P ( X ≤ x) = P (X ≤ x2 ) = F (x2 ),
2
donc g(x) = 2xf (x2 ) = 2λxe−λx χ[0,+∞[ (x).
 2. Soit H la fonction de répartition de X 2 .
Si x < 0 on a H(x) = 0, pour x ≥ 0

H(x) = P (X 2 ≤ x) = P (−x ≤ X ≤ x) = F (x) − F (−x),

donc h(x) = f (x) + f (−x) = (λe−λx + λeλx )χ[0,+∞[ (x).

3. Soit K la fonction de répartition de X 3 .

Si x < 0 on a K(x) = 0, pour x ≥ 0

1 1
K(x) = P (X 3 ≤ x) = P (X ≤ x 3 ) = F (x 3 ),
2 1
donc k(x) = 31 x− 3 f (x 3 ).

Exercice 5 : Suivez l’exemple du cours (f (x) = sin x )

Exercice 6 :

1. On va commencer par calculer P (X1 > y). Si y ≤ 0, alors P (X1 > y) = 1 (car X1 est à valeurs dans R+ ).
Si non, pour y > 0, on a Z +∞
1 −λ1 x
P (X1 > y) = e dx = e−λ1 y
y λ1
. De même,
P (X2 > y) = e−λ2 y

. Y est à valeurs positives, donc P (Y > y) = 1 si y ≤ 0. Si y > 0, alors

P (Y > y) = P (X1 > y ∩ X2 > y) = P (X1 > y)P (X2 > y) = e−(λ1 +λ2 )y ,

où on a utilisé l’indépendance de X1 et X2 . Ainsi, la fonction de répartition de Y, notée FY (y), vaut 0

si y ≤ 0 et 1 − e−(λ1 +λ2 )y si y > 0. On reconnait la fonction de répartition d’une loi exponentielle de
paramètre λ1 + λ2 . Comme la fonction de répartition caractérise la loi, on en déduit que Y suit une loi
exponentielle de paramètre λ1 + λ2 .
1 1 1 60
2. On cherche E(Y ), avec λ1 = 20 et λ2 = 30 . L’espérance de Y est donc E(Y ) = λ1 +λ2 = 5 = 12.

3. Si on pose X = max(X1 , X2 ), on cherche l’espérance de X. Il serait possible de procéder comme précédemment,

en cherchant la fonction de répartition de X (attention, X ne suit pas une loi exponentielle). Mais comme
on cherche son espérance, il y a un raisonnement plus facile. En effet, il est facile de remarquer que
X1 + X2 = X + Y ; (la somme de deux nombres est égale à la somme de leur minimum et de leur
maximum). Prenant l’espérance, on trouve E(X) = E(X1 ) + E(X2 ) − E(Y ) = 20 + 30 − 12 = 38.