TDs Probabilité

Dr KONANE

14 mars 2018
Exercice 1 Soit Ω un ensemble. On appelle limite supérieure des An , et
on note lim supn An l’ensemble des éléments de Ω qui appartiennent à une
infinité de An . On appelle limite inférieure des An , et on note lim inf n An ,
l’ensemble des éléments de Ω qui appartiennent à tous les An , sauf un nombre
fini d’entre eux.
1. Déterminer les ensembles lim supn An et lim inf n An dans les cas sui-
vants :
(a) An =] − ∞, n] ;
(b) An =] − ∞, −n] ;
(c) A2n = A, A2n+1 = B ;
(d) An =] − ∞, (−1)n ].
2. Écrire les définitions de lim inf n An et lim supn An avec les quantifi-
T
cateurs
S ∀ et ∃. Les traduire en termes ensemblistes à l’aide de et
.

Exercice 2 Soit (Xn ) une suite de variables aléatoires et soient a, b deux

réels. On note Ea et Fb les événements suivants :

Ea = lim sup{Xn ≥ a} et Fb = {lim sup Xn ≥ b}.

n n

Comparer, suivant la position relative de a et b, les événements Ea et Fb .

Exercice 3 Soit (Ω, F, P) un espace probabilisé. Soit P

(An )n≥0 une suite d’évé-
nements. On note A =Slim supn An . On suppose que n P(An ) < +∞. Pour
n ≥ 1, on note Dn = +∞k=n Ak .
1. Démontrer que limn→+∞ P(Dn ) = 0 ;
2. En déduire que P(A) = 0. Interpréter ce résultat.

Exercice 4 Soit n > 1 un entier fixé. On choisit de manière équiprobable un

entier x dans {1, . . . , n}. Pour tout entier m ≤ n, on note Am l’événement
"m divise x". On note également B l’événement "x est premier avec n".
Enfin, on note p1 , . . . , pr les diviseurs premiers de n.
1. Exprimer B en fonction des Apk .
2. Pour tout m ≤ n qui divise n, calculer la probabilité de Am .
3. Montrer que les événements Ap1 , . . . , Apr sont mutuellement indépen-
dants.
4. En déduire la probabilité de B.

1
 5. Application : on note φ(n) le nombre d’éléments inversibles de Z/nZ.
Démontrer que
r  
Y 1
φ(n) = n 1− .
k=1
p k

Exercice 5 Soit (Ω, F, P) un espace probabilisé. Soit (An )n≥0 uneP

suite d’évé-
nements indépendants. On note A = lim supn An . On suppose que n P(An ) =
+∞ et on souhaite prouver que P(A) = 1.
1. Préliminaire. Justifier que pour tout x > −1, ln(1 + x) ≤ x.
2. Soient n ≤ N . On note En,N = N
T T
k=n Ak et En = k≥n Ak .


(a) Démontrer que (n étant fixé), limN →+∞ ln P(En,N ) = −∞.
(b) En déduire que P(En ) = 0.
(c) En déduire que P(A) = 1.

Exercice 6
Soient (Xi,j )1≤i,j≤n2 une suite de variables aléatoires indépendantes définies
sur un espace probabilisté (Ω, A, P). On suppose que ces variables aléatoires
ont la même loi suivante : elles sont à valeurs dans {−1, 1} avec P(Xi,j =
1) = P(Xi,j = −1) = 21 . On note M la matrice M = (Xi,j )1≤i≤j≤n2 . Quelle
est l’espérance du déterminant de M ?

Exercice 7 Soit X une variable aléatoire suivant une loi uniforme sur [a, b],
avec 0 < a < b. Donner la fonction de répartition, la densité, l’espérance et
la variance de Y = X 2 .

Exercice 8 Soit U une variable aléatoire de loi uniforme sur [0, 1]. Démon-
trer que la variable aléatoire X = − ln U suit une loi exponentielle.
R +∞ 2 R +∞ 2
Exercice 9 Pour x > 0, on pose F (x) = x e−t /2 dt et G(x) = x t12 e−t /2 dt.
1. Démontrer que G(x) =+∞ o F (x)).
2. Soit X suivant une loi normale N (0, 1). Donner un équivalent de
P (X > x) lorsque x tend vers +∞.

Exercice 10 On dit qu’une variable aléatoire T à valeurs dans R+ est sans

mémoire si elle vérifie, pour tous s, t > 0.

P (T > t + s) = P (T > t)P (T > s).

1. Vérifier qu’une variable aléatoire T vérifiant une loi exponentielle de

paramètre λ > 0, c’est-à-dire dont la densité est donnée par f (t) =
λ exp(−λt)1[0,+∞[ (t) est une variable aléatoire sans mémoire.

2
 2. Réciproquement, soit T une variable aléatoire à valeurs dans R+ sans
mémoire et vérifiant P (T > 0) > 0.
(a) On suppose qu’il existe t > 0 tel que P (T > t) = 0. Calculer
P (T > t/2n ) en fonction de P (T > t). En déduire que P (T >
0) = 0. Conclusion ?
(b) Soit α = P (T > 1). Démontrer que P (T > t) = αt pour tout
t ∈ R+ (démontrer le d’abord pour t ∈ N∗ , puis pour t ∈ Q∗+ et
enfin pour t ∈ R∗+ ).
(c) Conclure.
3. Justifier le terme "sans mémoire". On pourra calculer P (T > s+t|T >
s).

Exercice 11 Soient X0 , . . . , Xn des variables aléatoires suivant une loi uni-

forme sur [0, 1], indépendantes.
1. Soit 0 ≤ k ≤ n et soit Uk = min(X0 , . . . , Xk ). Démontrer que Uk
admet une densité que l’on déterminera.
2. Soit N une variable aléatoire suivant une loi binomiale B(n, 1/2). Dé-
montrer que U = min(X0 , . . . , XN ) admet une densité que l’on déter-
minera.

Exercice 12 Soit f la fonction définie sur R par :

a.3−x si x > 0

f (x) =
a.3x si x < 0.

1. Déterminer a pour que f soit une densité de probabilité.

2. Soit X une variable aléatoire admettant f pour densité. Déterminer
la fonction de répartition de X. Montrer que X admet une espérance
E(X) et la calculer.
3. On pose Y = 3X . Déterminer la fonction de répartition de Y . Y
admet-elle une espérance ?

Exercice 13 Le fonctionnement d’une machine est perturbé par des pannes.

On considère les variables aléatoires X1 , X2 et X3 définies par : X1 est le
temps, exprimé en heures, écoulé entre la mise en route de la machine et
la première panne. X2 (resp. X3 ), est le temps, en heures, écoulé entre la
remise en route de la machine après la première (resp. la deuxième) panne et
la panne suivante. On suppose que les variables aléatoires X1 , X2 et X3 sont
indépendantes et suivent la même loi exponentielle de paramètre 1/2.

3
 1. Quelle est la durée moyenne de fonctionnement entre deux pannes
consécutives ?
2. Soit E l’événement : "chacune des 3 périodes de fonctionnement de
la machine dure plus de 2 heures". Calculer P (E).
3. Soit Y la variable aléatoire égale à la plus grande des 3 durées de
fonctionnement de la machine sans interruption.
(a) Calculer P (Y ≤ t) pour tout t ∈ R.
(b) Déterminer une densité de Y .
R +∞
(c) Pour a < 0, calculer 0 teat dt.
(d) Démontrer que la variable aléatoire Y admet une espérance, dont
on calculera, en heures et minutes, la valeur.

Exercice 14 On considère une suite de parties indépendantes de pile ou

face, la probabilité d’obtenir "pile" à chaque partie étant égale à p, où p ∈
]0, 1[. Si n ≥ 1, on note Tn le numéro de l’épreuve amenant le n−ième pile.
Enfin, on pose A1 = T1 etAn = Tn − Tn−1 .
1. Quelle est la loi de T1 ? Donner la valeur de son espérance.
2. Soit n ≥ 2. Montrer que A1 , . . . , An sont des variables aléatoires in-
dépendantes qui suivent une même loi.

Exercice 15 Pour tout entier naturel n non nul, on considère la fonction

fn définie par
fn (x) = 1R+ (x)n2 x exp(−n2 x2 /2).
1. Montrer que fn est la densité d’une variable aléatoire.
2. Soit (Xn ) une suite de variables aléatoires telle que, pour tout en-
tier n ≥ 1, Xn admet pour densité fn . Démontrer que la suite (Xn )
converge en probabilité vers une variable aléatoire X que l’on préci-
sera.

Exercice 16 Soit (Xn ) une suite de variables aléatoires réelles définies sur
(Ω, A, P ) convergeant en probabilité vers X. Soit Y une variable aléatoire
définie sur (Ω, A, P ).
1. Soit ε > 0. Démontrer qu’il existe n0 ∈ N et M > 0 tel que

∀n ≥ n0 , P (|Xn | ≥ M ) + P (|X| ≥ M ) + P (|Y | ≥ M ) ≤ ε.

2. Démontrer que Y Xn converge en probabilité vers Y X.

3. Soit f : R → R une fonction uniformément continue. Démontrer que
(f (Xn )) converge en probabilité vers f (X).

4
 4. Soit f : R → R une fonction continue. Démontrer que (f (Xn ))
converge en probabilité vers f (X).

Exercice 17 Soit (Un ) une suite de variables aléatoires indépendantes sui-

vant toutes la loi uniforme sur [0, 1]. On note Mn = max(U1 , . . . , Un ) et
Xn = n(1 − Mn ).
1. Quelle est la fonction de répartition de Xn ?
2. Étudier la convergence en loi de la suite (Xn ).

Exercice 18 Soit n un entier naturel non-nul et soit a un réel. On considère

an
la fonction fn définie sur R par fn (x) = π(1+n2 x2 ) .

1. Déterminer a pour que fn soit une densité de variable aléatoire.

2. Soit (Xn ) une suite de variables aléatoires telle que chaque Xn admet
pour densité fn . Étudier l’existence de moments pour Xn .
3. Étudier la convergence en loi de la suite (Xn ).

Exercice 19 On dit qu’une variable aléatoire Y suit une loi de Gumbel si

−x
elle admet pour densité f (x) = e−xe .
1. Vérifier que f est une densité, et calculer la fonction de répartition de
Y.
2. Soit (Xn ) une suite de variables aléatoires indépendantes identique-
ment distribuées de loi exponentielle de paramètre 1. On pose Mn =
max(X1 , . . . , Xn ). Démontrer que la suite (Mn − ln n) converge en loi
vers Y suivant une loi de Gumbel.

Exercice 20 Soit (Xn ) une suite de variables aléatoires qui converge en loi
vers une variable aléatoire X constante égale à a. Démontrer que la suite
(Xn ) converge aussi en probabilité vers X.

Exercice 21 Soit λ > 0. Pour tout entier n ≥ λ, on fixe (Xin )i≥1 une suite
de variables aléatoires de Bernoulli de paramètre pn = λ/n. On considère
alors la variable aléatoire
1
Nn = inf{i ≥ 1; Xin = 1}.
n
Démontrer que la suite (Nn ) converge en loi vers une variable aléatoire réelle
de loi exponentielle de paramètre λ.

Exercice 22 Soit (Xn ) une suite de variables aléatoires vérifiant une loi
binomiale B(n, pn ), avec npn → λ > 0. Démontrer que (Xn ) converge en loi
vers une variable aléatoire X suivant une loi de Poisson P(λ).

5
Exercice 23 Soit (Xn ) une suite de variables aléatoires indépendants de
même loi et de carré intégrable. On note m leur espérance commune. Étudier
la convergence presque sûre de la suite
X1 X2 + X2 X3 + · · · + Xn−2 Xn−1 + Xn−1 Xn
Sn = .
n
Exercice 24 Un fournisseur d’accès à Internet met en place un point local
d’accès, qui dessert 5000 abonnés. A instant donné, chaque abonné a une
probabilité égale à 20% d’être connecté. Les comportements des abonnés sont
supposés indépendants les uns des autres.
1. On note X la variable aléatoire égale au nombre d’abonnés connectés
à un instant t. Quelle est la loi de X ? Quelle est son espérance, son
écart-type ?
2. On pose Y = X−1000
√
800
. Justifier précisément qu’on peut approcher la loi
de Y par la loi normale N (0, 1).
3. Le fournisseur d’accès souhaite savoir combien de connexions simul-
tanées le point d’accès doit pouvoir gérer pour que sa probabilité d’être
saturé à un instant donné soit inférieure à 2, 5%. En utilisant l’ap-
proximation précédente, proposer une valeur approchée de ce nombre
de connexions (on pourra utiliser une table de la loi normale).

Exercice 25 Lors de la construction d’un collège accueillant 500 élèves, il

est prévu la construction d’une cantine comprenant deux salles, chacune dis-
posant de N places. On fait l’hypothèse que chaque élève qui mange choisit au
hasard l’une des deux salles, indépendamment les uns des autres. Déterminer
la valeur de N à prévoir pour que la probabilité que chaque élève trouve une
place dans la salle qu’il a choisie soit supérieure à 0,99.

Exercice 26 Une entreprise compte 300 employés. Chacun d’eux téléphone

en moyenne 6 minutes par heures. Quel est le nombre de lignes que l’entre-
prise doit installer pour que la probabilité que toutes les lignes soient utilisées
au même instant soit au plus égale à 0,025. On pourra utiliser une approxi-
mation de la loi d’une certaine variable aléatoire.

Exercice 27 Il arrive assez souvent que le nombre de réservations pour une

liaison aérienne soit supérieur au nombre de passagers se présentant effec-
tivement le jour du vol. Cela est dû à des empêchements imprévisibles de
certains passagers et à une politique systématique de certains d’entre eux qui
réservent des places sur plusieurs vols de façon à choisir au dernier moment
celui qui leur convient le mieux (en raison de la concurrence, et selon les

6
tarifs choisis, les compagnies ne pénalisent pas les clients qui se désistent
et ne font payer effectivement que ceux qui embarquent). Pour compenser ce
phénomène, une compagnie aérienne exploitant un avion de 300 places dé-
cide de faire de la surréservation ( surbooking) en prenant pour chaque vol
un nombre n > 300 de réservations. S’il se présente plus de 300 passagers à
l’embarquement, les 300 premiers arrivés prennent leur vol et les autres sont
dédommagés financièrement.
1. On considère que les passagers sont mutuellement indépendants et que
la probabilité de désistement de chacun d’eux est 10%. On note n le
nombre de réservations prises par la compagnie pour un vol donné et
Sn le nombre (aléatoire) de passagers se présentant à l’embarquement
pour ce vol. Donner la loi de Sn , E(Sn ) et V (Xn ).
2. Le directeur commercial de la compagnie aimerait connaitre la valeur
maximale de n telle que P (Sn ≤ 300) ≥ 0, 99. En utilisant le théorème
Central-Limit (ou théorème de De Moivre-Laplace), proposez une so-
lution approchée de ce problème. On pourra s’aider d’une table de la
loi normale.

Exercice 28 En appliquant le théorème limite central à une suite de va-

riables aléatoires indépendantes (Xn ) suivant toutes une loi de Poisson P(1),
démontrer que
n
−n
X nk 1
e → .
k=0
k! 2

Exercice 29 Soient (Xn ) une P aléatoires réelles et (an ) une

Psuite de variables
suite de réels positifs tels que n an < ∞ et n P (|Xn+1 −Xn | > an ) < +∞.
Montrer que (Xn ) converge presque sûrement.

Exercice 30 Soit (Xn ) une suite de variables aléatoires indépendantes

Pn véri-
−1/2
fiant P (Xn = 1) = 1/2 et P (Xn = −1) = 1/2. On pose Sn = k=1 k Xk .
1. Calculer la fonction caractéristique de Xn .
2. En déduire la fonction caractéristique φSn de Sn .
3. Démontrer que, pour t 6= 0, φSn (t) tend vers 0.
4. Démontrer que, pour tout t ∈ R,

|φSn+p −Sn (t) − 1| ≤ |t| + 2P (|Sn+p − Sn | ≥ 1).

5. En déduire l’existence d’une sous-suite (nk )k≥1 telle que, pour tout
k ≥ 1,
P (|Snk+1 − Snk | ≥ 1) ≥ 1/4.

7
 6. Démontrer que la suite (Sn ) est presque sûrement divergente.

Exercice 31 On rappelle que si X suit une loi N (0, 1), alors

2
e−a /2
P (X > a) ∼+∞ √ .
2πa
On considère (Xn ) une suite de variables aléatoires indépendantes de loi
N (0, 1). Pour a > 0, on note Ua,n l’événement
p
Ua,n = {Xn ≥ a log n}.

1. Discuter, suivant a, la valeur de P (lim supn Ua,n ).

√
2. En déduire que lim supn→+∞ √X n
log n
= 2 presque sûrement.

Exercice 32 Lors d’une élection opposant 2 candidats, un sondage d’opinion

réalisé sur un échantillon de 1000 personnes donne 52% des voix au candidat
A, et 48% au candidat B.
1. Donner un intervalle de confiance au niveau 0,95 des intentions de
vote pour A.
2. Combien faudrait-il interroger de personnes pour qu’il y ait moins de
5% de chances que B l’emporte, si A a recueilli 52% des intentions
de vote dans le sondage ?

Exercice 33 Dans cet exercice, on survole quelques propriétés de l’estima-

tion de paramètres au programme de l’écrit du capes.
1. Soit X une variable aléatoire suivant une loi normale centrée réduite.
(a) Démontrer que pour α ∈]0, 1[, il existe un unique réel positif tα tel
que P (−tα ≤ X ≤ tα ) = 1 − α.
(b) En utilisant une table de la loi normale, donner une valeur appro-
chée pour t0,05 , t0,01 .
2. Estimation d’une proportion. Dans une population, un caractère est
présent dans une proportion p. On cherche à estimer la valeur de p.
Pour cela, on étudie un échantillon de n éléments de cette population,
et on désigne par Xn le nombre de fois où ce caractère est retrouvé
dans l’échantillon.
(a) Quelle est la loi de Xn ?
(b) On pose Zn = √Xn −np . Justifier, que, pour tous réels a < b, on a
np(1−p)

Z b
1 2
P (Zn ∈ [a, b]) → √ e−t /2 dt.
a 2π

8
 " p p #
p(1 − p) p(1 − p)
(c) On fixe α ∈]0, 1[, et on pose In = p − tα √ ; p + tα √ .
n n
Déduire des questions précédentes que limn→+∞ P (Xn /n ∈ In ) =
1 − α.
 
tα tα
(d) Vérifier que In ⊂ p − √ ; p + √ .
2 n 2 n
(e) Vérifier que
   
tα tα Xn tα Xn tα
Xn /n ∈ p − √ ; p + √ ⇐⇒ p ∈ − √ ; + √ .
2 n 2 n n 2 n n 2 n
Dans la pratique, on fait l’approximation suivante : si n ≥ 30,
np ≥ 5 et n(1 − p) ≥ 5, alors onconsidère que P (Xn /n ∈  In ) ≥
Xn tα Xn tα
1−α. On dit alors que l’intervalle − √ ; + √ est un
n 2 n n 2 n
intervalle de confiance au niveau 1 − α de p. Ceci signifie concrète-
ment (modulo l’approximation) la chose suivante : Si dans une po-
pulation un caractère est présent dans une proportion p, si lorsque
l’on observe n éléments de cette population, le caractère est pré-
 valant f = Xn /n, alors, la probabilité que p
sent avec une fréquence
tα tα
soit dans l’intervalle p − √ ; p + √ est supérieure ou égale
2 n 2 n
à 1 − α.
3. Application numérique : lors d’une élection opposant 2 candidats, un
sondage d’opinion réalisé sur un échantillon de 1000 personnes donne
52% des voix au candidat A, et 48% au candidat B.
(a) Donner un intervalle de confiance au niveau 0,95 des intentions
de vote pour A.
(b) Combien de personnes suffirait-il d’interroger pour qu’il y ait moins
de 5% de chances que B l’emporte, si A a recueilli 52% des inten-
tions de vote dans le sondage ?

Exercice 34 Une réaction lente conduit à une concentration y de produit,

donnée en fonction du temps par la relation théorique
1
y = 0, 01 − .
αt + β
L’expérience conduit au tableau de valeurs suivant :

t (sec) 0 180 360 480 600 900 1200

.
y (10−3 mole/l) 0 2, 6 4, 11 4, 81 5, 36 6, 37 6, 99

9
Déterminer par la méthode des moindres carrés des valeurs possibles pour α
et β.

Exercice 35 L’étude d’une réaction chimique en fonction du temps a donné

les résultats suivants :
Temps t (en h) 1 2 3 4 5
Concentration C (en g/L) 6, 25 6, 71 7, 04 7, 75 8, 33

Des considérations théoriques laissent supposer que la concentration C et

1
le temps t sont liés par une relation de la forme C = at+b . Donner une
estimation de la concentration après 6H.

Exercice 36 Soit X une variable aléatoire réelle et soit M ⊂ R tel que, tout
x ∈ M , P (X = x) > 0. Démontrer que M est fini ou dénombrable.

Exercice 37 Soit X une variable

aléatoire admettant un moment d’ordre 2.
Démontrer que E (X − a)2 est minimal pour a = E(X).

Exercice 38 Soit F : R → R une fonction croissante, continue à droite,

vérifiant lim−∞ F = 0 et lim+∞ F = 1. On veut démontrer qu’il existe une
variable aléatoire X dont F est la fonction de répartition. Pour u ∈]0, 1[, on
pose
G(u) = inf{x ∈ R; F (x) ≥ u}.
1. Vérifier que G est bien définie.
2. Démontrer que, pour tout x ∈ R et tout u ∈]0, 1[, F (x) ≥ u ⇐⇒ x ≥
G(u).
3. Soit U une variable aléatoire suivant une loi uniforme sur [0, 1]. Quelle
est la fonction de répartition de G(U ) ?

Exercice 39 Soit X une variable aléatoire admettant une densité f . On

suppose que X ne prend que des valeurs positives ou nulles, et que X admet
une espérance mathématique m non-nulle.
1. Démontrer que pour tout λ > 0, P (X ≥ λm) ≤ λ1 .
2. On note q le 3-ième quartile de X, c’est-à-dire le nombre q tel que
F (q) = 3/4, où F est la fonction de répartition de X. Démontrer que
q ≤ 4m.

Exercice 40 Soit X une variable aléatoire ne prenant que des valeurs posi-
tives ou nulles et admettant une espérance mathématique m non-nulle. Dé-
montrer que pour tout λ > 0, P (X ≥ λm) ≤ λ1 .

10
Exercice 41 Soit µ une mesure de probabilité sur R. Montrer que sa trans-
formée de Fourier est uniformément continue.

Exercice 42 Soit X une variable aléatoire. On souhaite démontrer que φX (1) =

1 si et seulement si PX (R\2πZ) = 0.
R
1. On suppose que φX (1) = 1. Démontrer que R (1 − cos x)dPX (x) = 0.
En déduire que PX (R\2πZ) = 0.
2. Démontrer la réciproque.
3. Démontrer que ces deux conditions sont aussi équivalentes à φX est
1-périodique.

Exercice 43 Soient X, Y deux variables aléatoires réelles indépendantes de

même loi. On suppose qu’elles possèdent un moment d’ordre 2 et on note σ 2
leur variance commune. On suppose de plus que X+Y
√
2
a même loi que X.
1. Démontrer que X est d’espérance nulle.
2. Donner un développement limité à l’ordre 2 de φX .
3. Démontrer que
  2n
t
∀n ≥ 1, ∀t ∈ R, φX = φX (t).
2n/2

4. En déduire que X suit une loi normale dont on précisera les para-
mètres.
5. Retrouver ce résultat en appliquant le théorème limite central.

Exercice 44 On considère un espace probabilisé (Ω, A, P ) et deux variables

X et Y définies sur Ω et à valeurs dans {1, . . . , n + 1}, où n est un entier
naturel supérieur ou égal à. On pose, pour tout couple (i, j) ∈ {1, . . . , n + 1}2

ai,j = P X − i, Y = j).

On suppose que :

1
 2n
, si |i + j − (n + 2)| = 1
ai,j =
 0, sinon.

1. Vérifier que lq famille (ai,j ) ainsi définie est bien une loi de probabilité
de couple.
2. Ecrire la matrice A ∈ Mn+1 (R) dont le terme général est ai,j . Vérifier
que A est diagonalisable.

11
 3. Déterminer les lois de probabilités de X et de Y .
4. pour tout couple (i, j) ∈ {1, . . . , n + 1}2 , on pose :
bi,j = P (X = i|Y = j).
Déterminer la matrice B ∈ Mn+1 (R) dont le terme général est bi,j .
Montrer que le vecteur
v = (P (X = 1), · · · , P (X = n + 1))
est un vecteur propre de B.
1
Exercice 45 Soient la fonction h(x) = e−x xa−1 1R+ (x), x ∈ R où
Γ(a + 1)
a > 0 et le domaine de R2 D = {(x, y) ∈ R2 : 0 < y < x}R
∞
On pose f (x, y) = h(x)1D (x, y). On rappelle que Γ(a) = 0 e−x xa−1 dx
1. Montrer que Γ(a + 1) = aΓ(a), ∀a > 0.
2. Montrer que f (x, y) est une densité de probabilité sur R2 .
Y
3. Calculer les espérances de variances aléatoires X, Y et sans déter-
X
Y
miner leurs lois. Les variables aléatoires X et sont-elles indépen-
X
dantes ?
Y Y
4. Déterminer la loi de X et retrouver E( ) Déterminer la loi condi-
X
tionnelle de Y sachant X = x, puis l’espérance conditionnelle de Y
sachant X = x, E(Y |X = x).
5. En déduire l’espérance conditionnelle E(Y |X), puis E(Y ).
6. Soit U la variable aléatoire indépendante du couple (X, Y ), telle que
P (U = 1) = p et P (U = 0) = 1 − p = q, 0 < p < 1.
On pose Z = U X + (1 − U )Y.
(a) Calculer E(Z) en justifiant son existence.
(b) Déterminer la loi conditionnelle de Z sachant X = x, puis l’espé-
rance conditionnelle E(Z|X).
(c) Retrouver l’expression de E(Z) trouvé précédemment.
Exercice 46 Soit X1 , . . . , Xn n variables aléatoires réelles mutuellement in-
dépendantes de loi normale N (m, 1) de moyenne m ∈ R et variance unité.
La densité de Xj , j = 1, . . . , n est donc donnée par
1 (x−m)2
f (x) = √ e− 2 , x ∈ R.
2π

12
L’objet du problème est l’étude de la somme des carrés de ces variables aléa-
toires.
1. Montrer que la fonction caractéristique des variables aléatoires Xj2 est
donnée par
m2

− m2
2 e 2(1−2it)
ϕ(t) = e 1 , t ∈ R où i est la racine carrée complexe de -1.
(1 − 2it) 2
(On admettre que pour a et c nombres complexes,

Exercice 47 On dit que la variable aléatoire X suit une loi de pareto de

paramètre α > 0 si,

∀ x ≥ 1, P (X > x) = x−α .

1. Démontrer que cette propriété caractérise effectivement la loi de X.

Montrer que X suit une loi à densité, et préciser cette densité
2. Pour quelles valeurs de α la variable X est-elle d’espérance finie ?
3. Soient X, Y deux variables aléatoires indépendantes suivant une loi
de Pareto de paramètre α. On note dP Y la loi de Y . Montrer que, si
t > 1, alors
Z ∞
t
P (XY > t) = P (X > )dPY (y).
1 y

4. En déduire que, pour tout, t ≥ 1, P (XY > t) = t−α (1 + α ln(t)).

Exercice 48 Le staff médical d’une grande entreprise fait ses petites statis-
tiques sur le taux de cholestérol de ses employés ; les observations sur 100
employés tirés au sort sont les suivantes.

taux de cholestérol en cg :(centre classe) effectif d’employés :

120 9
160 22
200 25
240 21
280 16
320 7
1. Calculer la moyenne me et l’écart-type σe sur l’échantillon.
2. Estimer la moyenne et l’écart-type pour le taux de cholestérol dans
toute l’entreprise.

13
 3. Déterminer un intervalle de confiance pour la moyenne.
4. Déterminer la taille minimum d’échantillon pour que l’amplitude de
l’intervalle de confiance soit inférieure à 10.

Exercice 49 La durée de vie en heures d’un certain type d’ampoule est une
variable aléatoire réelle X de densité

f (x) = θ2 xe−θx 1R+ (x)

Soient n ∈ N, et (X1 , . . . , Xn ) un n-échantillon de X. Ici, θ > 0 est un réel

inconnu que l’on souhaite estimer à l’aide de (X1 , . . . , Xn ).
1. Montrer que le modèle considéré appartient à la famille des modèles
exponentiels.
2. Calculer l’information de Fisher In (θ).
3. Déterminer un estimateur de θ par la méthode des moments.
4. Déterminer un estimateur θnM V par la méthode du maximum de vrai-
semblance et donner son risque quadratique.
5. Proposer un estimateur sans biais et comparer le à l’estimateur du
maximum de vraisemblance.

Exercice 50 On considère un échantillon X1 , . . . , Xn i.i.d tel que E(X1 ) =

µ et V (X1 ) = σ 2 . Ici, µ est le paramètre inconnu. On propose deux estima-
teurs de µ.
n
1X 1
X̄n = Xi , Zn = (Xn + Xn−1 ).
n i=1 2

1. Montrer que X̄n et Zn sont sans biais.

2. Qui de X̄n ou Zn choisirez vous pour estimer µ ?

Exercice 51 On considère un échantillon X1 , . . . , Xn i.i.d avec X1 de den-

sité
f (x) = θe−θx , ∀x ≥ 0
Dans cet exercice, θ est un paramètre inconnu. On propose d’estimer θ par
1 n
Yn = = Pn .
X̄n i=1 Xi

1. Calculer E(X1 ) et expliquer le choix de l’estimateur Yn .

14
 2. Prouver la convergence √en probabilité et presque sûre de Yn vers θ.
Donner la loi limite de n(Yn − θ).
3. Donner la loi de ni=1 Xi . Calculer E(Yn ), V (Yn ) et E(Yn − θ)2 .
P

4. Pour estimer θ, on propose d’utiliser

n−1
Zn = Yn
n
Calculer E(Zn ), V (Zn ) et E(Zn − θ)2 . Qui de Zn ou Yn choisirez vous
pour estimer θ ?

Exercice 52 Un statisticien observe le nombre d’ampoules défaillantes à la

sortie d’une chaine de production. Il veut estimer la probabilité de n’avoir
aucune ampoule défaillante (P (X = 0)). Pour cela, il compte le nombre Nn
de Xi , , égaux à zero. Il propose d’estimer P (X = 0) par :

Nn
P̂n =
n

1. Montrer en supposant juste les X1 , . . . , Xn i.i.d. que P̂n est un esti-

mateur sans biais de P (X = 0). Calculer son risque quadratique.
2. Quelles sont les propriétés de cet estimateur (sans biais, convergent,
exhaustif,. . . ) ?
3. Donner sa loi Limite.

Exercice 53 :∗
On désire estimer le paramètre θ ≥ 1 de la distribution d’une variable aléta-
toire X de densité de probabilité
 3θ3
 x4 , x ∈ [θ, ∞[
fθ (x) =
0 sinon


Soit (X1 , . . . , Xn ) un échantillon i.i.d de même loi que X.

1. Calculer la fonction de répartition de X, son espérance mathématique
et sa variance.
2. On veut estimer θ par la méthode du maximum de vraisemblance.
(a) Montrer que l’estimateur du maximun de vraisemblance de θ vaut
Θn = min(X1 , . . . , Xn ).
(b) Calculer sa fonction de répartition et sa densité de probabilité.

15
 (c) Calculer son espérance, en déduire un estimateur sans biais Θ∗n de
θ. Cet estimateur est-il convergent ?

Exercice 54 :∗
On dispose d’un échantillon (X1 , . . . , Xn ) i.i.d issu d’une loi exponentielle de
paramètre θ.
1. Montrer par récurrence que
Z ∞
n! = un e−u du
0

2. Déterminer la densité de probabilité de la somme de n variables expo-

nentielles indépendantes et identiquement distribuées.
3. Calculer l’estimateur du maximum de vraisemblance Θn de θ.
4. Etudier le biais de Θn .
5. En déduire un estimateur Tn sans biais.
6. Etudier la convergence de Tn et calculer l’information de Fisher rela-
tive à θ.
7. Etudier son efficacité.
8. Donner la loi de (Tn − θ).

Exercice 55 :∗
Dans une manufacture, on a voulu estimer le temps moyen nécessaire à une
machine pour complèter une tache. On a alors mesuré les temps nécessaires
pour compléter cette tâche 150 fois et on a obtenu un temps moyen de 85
minutes et un écart-type de 10 minutes.

1. Donnez un intervalle de confiance avec un niveau de confiance de 95%

pour le temps moyen necessaire à la machine pour accomplir cette tâche.
2. Si le temps moyen a été estimé entre 83 et 87 minutes, quel est le niveau
de confiance associé à cet intervalle.
3. Combien de fois doit-on mesurer les temps pour que l’intervalle de confiance
spécifies le temps moyen à 1 minute près et ceci 19 fois sur 20 ?

Exercice 56 : ∗
Un échantillon de 100 votants choisis au hasard parmi tous les votants d’un
bureau donné indique que 55% d’entre eux votent pour le candidat A.
1. Donner l’intervalle de confiance à 95% de la proportion de tous les votants
en faveur du candidat A.
2. Quelle aurait dû être la taille de l’échantillon pour conclure au niveau 95%
que le candidat A serait élu ?

16
Exercice 57 :∗
Une société fournisseur d’accès Internet qui propose une ligne téléphonique
d’aide technique souhaite estimer le temps d’attente de ses clients lors de ce
service. On suppose que Xi , la variable aléatoire décrivant le temps d’attente
avant d’obtenir un opérateur, suit une loi normale N (m; σ 2 ). La société fait
appel à vous, cadre supérieur de STAT.COM, pour réaliser un sondage. Vous
mesurez pour 100 personnes le temps d’attente. Vous trouvez une moyenne
empirique égale à 20 minutes et un écart-type empirique de 10 minutes.
1. Quel est le meilleur estimateur de m ? Quelle est sa loi ?
2. Donnez un intervalle de confiance bilatéral à 95 % de l’estimation de
m.
3. La société fournisseur d’accès Internet souhaite obtenir une estimation
de m à la minute près. Mesurer le temps d’attente vous coûte 1000
Euros comme coût fixe pour les 100 premiers appels et chaque mesure
supplémentaire d’un temps d’attente vous coûte 5 Euros. Vous coûtez
à votre employeur 500 Euros pour ce travail. Combien faut-il facturer
la société fournisseur d’accès Internet pour que STAT.COM puisse
faire 10 % de bénéfice, en supposant que σ = 10 ?

17