1 TD SERIE N◦1 : Espérance conditionelle

Exercise 1 (Voir la solution)

On lance un dé equilibré, puis une pièce de monnaie non biaisée un nombre de fois égal
au resultat du dé. Soit X le résultat du dé et Y le nombre de "Pile" amenées par la pièce
de monnaie.
1. Déterminer la loi jointe du couple (X, Y ).
2. Soit n ∈ {1, . . . , 6}. Quelle est la loi de Y sachant X = n ?
3. En déduire E[Y |X = n], puis E[Y |X].
4. Calculer E[Y ].

Exercise 2 (Voir la solution)

On lance simultanément deux dés à six faces parfaitement équilibrés, c’est à dire de
manière indépendante. On note U la variable aléatoire correspondant au résultat affiché
par le premier dé, et V la variable aléatoire correspondant au résultat affiché par le
deuxième dé. Ensuilte, on en déduit les variables aléatoires :

X = min(U, V ) et Y = max(U, V ).

1. Déterminer le tableau qui définie la loi jointe du couple (V, X), i.e. pkn = P((V, X) =
(k, n)), (k, n) ∈ {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6}.
2. Déterminer la loi marginale de V et la loi marginale de X à partir du tableau de la
question 1) précédente (tableau de la loi jointe de (V, X)), en dressant les deux tableaux
suivants :

H pk.
HH
pk. = P(V = k)
k HH PP
PP n
1
H
PP 1 ... 6
p.n PP
.. P
p.n = P(X = n) ...
.
6

3. Déterminer l’expression de la loi jointe du couple (V, X), c’est à dire pkn = P((V, X) =
(k, n)), pour (k, n) ∈ {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6},
4. Déterminer l’expression de la loi marginale de la variable aléatoire X, c’est à dire
p.n = P(X = n) ∀ n ∈ {1, 2, 3, 4, 5, 6}.
5. Déterminer l’espérance conditionnelle E[V |X = n], pour n ∈ {1, 2, 3, 4, 5, 6}.
6. En déduire l’expréssion de E[V |X].
7. Déterminer l’expression de l’espérance conditionnelle E[X|V ].
8. En déduire E[X], en utilisant le calcul de l’espérance par conditionnement.

Exercise 3 (Voir la solution)

On effectue 40 tirages avec remises dans une population de taille N = 10000 individus,
classés en trois types : 4000 du type 1, 1000 du type 2, et 5000 du type 3. Parmi les 40
individus de l’échantillon, on note X1 , X2 et X3 le nombre de ceux qui appartiennent au
type 1, au type 2 et au type 3, respectivement. Soit n un entier naturel compris entre 2
et 40. Calculer l’espérance conditionnelle de X1 sachant X1 + X2 = n.

1
Exercise 4 (Voir la solution)
Une urne contient n boules blanches et n boules rouges. On tire successivement et sans
remise n boules dans cette urne.
1) Déterminer la probabilité qu’une boule rouge figure dans ce tirage.

Exercise 5 (Voir la solution)

Une urne contient une boule blanche et une boule rouge. On tire successivement des boules
dans cette urne. A chaque boule tirée, on note la couleur de celle-ci et on la remet dans
l’urne accompagnée d’une boule de la même couleur.
1) Montrer qu’il est presque sûr que la boule rouge initiale sera tirée.

Exercise 6 (Voir la solution)

Soit N une variable aléatoire discrète à valeurs dans N, représentant le nombre de clients
fréquentant un restaurant le midi. On suppose que cette variable aléatoire N suit une loi
de Poisson de paramètre λ, et sa loi est donnée par :
λn −λ
∀ n ∈ N, P(N = n) = e .
n!
Le restaurant propose aux clients un seul menu du jour comprenant au choix :
un plat principal avec du poisson ou un plat principal avec de la viande.
Chacun des clients effectue son choix suivant la probabilité p pour "le plat poisson" et la
probabilité q = (1 − p) pour "le plat viande", c’est à dire que le choix du Client i est
représenté par une variable aléatoire Xi et suit la loi de Bernouilli de paramètre p :

Client i ⇒ Xi ∼ B(p),

et sa loi est donnée par :

P(Xi = 1) = p, où 1 représante le choix poisson par le Client i, et

P(Xi = 0) = q = (1 − p), où 0 représante le choix viande par le Client i

et que les Xi sont mutuellement indépendantes, i.e. les choix des plats par chaque client
sont indépendants.
Soit la variable aléatoire X égale au nombre de clients ayant choisi un plat de poisson,
bien évidement, parmi les N clients aléatoires qui ont fréquenté le restaurant à midi.
L’expression de la variable aléatoire X est donnée par :
N
X
X= Xi .
i=1

1. Donner la loi conditionnelle de X|N = n, et écrire l’expression de cette loi condition-

nelle (ici N est fixé à une valeur n ∈ N et écrire l’expression de P(X = k|N = n), pour
0 ≤ k ≤ n).
2. Déterminer l’espérance conditionnelle E[X|N = n], en déduire E[X|N ].
3. En déduire l’espérance E[X] par le calcul de l’espérance par conditionnement.

On souhaite calculer l’espérance E[X] avec la détermination de la loi de la variable

aléatoire X.

2
4. Déterminer la loi jointe du couple (X, N ), en donnant l’expression de :

P(X = k, N = n), 0 ≤ k ≤ n, ∀n ∈ N.

5. Déterminer ensuite la loi de la variable aléatoire X, en donnant l’expression de :

P(X = k), ∀k ∈ N.

NB : Pour k ∈ N fixé, l’évènement {X = k} = { +∞ n=k (X = k, N = n)} qui est

S
une réunion dénombrable d’évènements deux à deux disjoints.

6. Retrouver E[X], résultat de la quastion 3, en reconnaissant la loi de la variable aléa-

toire X de la question 5 précédente.

Application numérique : Le gérant constate qu’en moyenne, il y a 90 clients qui

fréquentent le restaurant à midi, et d’après un sondage effectué sur un échantillon de
10 clients qui viennent manger à midi dans ce restaurant, 6 d’entre eux ont choisis le
plat poisson.
7. Combien de plat poisson doit préparer le cuisinier de ce restaurant en moyenne pour
satifaire sa clientèle tout les midis ?

Exercise 7 (Voir la solution)

Soit X une variable aléatoire discrète de loi geometrique de parametre p ∈]0, 1[, et à
valeurs dans N∗ .
1. Donner l’expression de la loi de X, c’est à dire, pour tout k ∈ N∗ , déterminer P(X = k).
2. Soit n ∈ N∗ , déterminer P(X > n).
3. Montrer que X vérifie la propriété suivante, dite d’absence de mémoire :

∀(m, n) ∈ N∗ 2 , P(X > n + m|X > m) = P(X > n)

Soit X une variable aléatoire de loi exponentielle de parametre λ > 0, de densité :

f (x) = λe−λ x 1{x≥0} .

4. Déterminer la fonction de répartition de la varable aléatoire X.

5. Montrer que X vérifie :

∀t > 0, ∀s > 0, P(X > t + s|X > t) = P (X > s),

c’est à dire la propriété d’absence de mémoire.

6. Application : la durée de vie T en années d’une télévision suit une loi exponentielle de
moyenne 8 ans. Vous possédez une telle télévision depuis 2 ans, quelle est la probabilité
que sa durée de vie soit encore d’au moins 8 ans à partir de maintenant ?

3
2 TD SERIE N◦ 2 : Espérance conditionelle
Exercise 8 (Voir la solution)

4
3 Solutions
Solution 1 (Retour énoncé)

1. Détermination de la loi jointe du couple (X, Y ).

X ∼ U{1, 2, 3, 4, 5, 6}, et on :
1
∀n ∈ {1, 2, 3, 4, 5, 6}, P(X = n) = .
6
(Y |X = n) ∼ B(n, 1/2), et on :
Cnk
∀1 ≤ n ≤ 6, 0 ≤ k ≤ n, P(Y = k|X = n) = .
2n
Avec la formule de la probabilité composée, on a :
1 Cnk
∀1 ≤ n ≤ 6, 0 ≤ k ≤ n, P(X = n, Y = k) = P(X = n)P(Y = k|X = n) = × n .
6 2
2. La loi de Y sachant X = n suit une loi Binomiale de paramètre n etp = 1/2 : Y |X =
n ∼ B(n, 1/2).
3. Expression de l’espérance conditionnelle E[Y |X = n] :
n
E[Y |X = n] = .
2
Et cette expression est valable pour tout n ∈ {1, 2, 3, 4, 5, 6},
X
E[Y |X] = .
2
4. Calcul par l’espérance par conditionnement de E[Y ] :
E[X] 7 1 7
E[Y ] = E[E[Y |X]] = = × =
2 2 2 4
Solution 2 (Retour énoncé)
On lance deux dés non truqées à six faces numérotées de 1 à 6, et cela de façon indépen-
dantes. On note U la variable aléatoire correspondant au résultat affiché par le premier
dé, et V la variable aléatoire correspondant au résultat affiché par le deuxième dé.
On en déduit ensuilte les variables aléatoires X = min(U, V ) et V = max(U, V ).
1) Tableau définissant la loi jointe du couple (V, X).
Remarque : On pourra vérifier facilement qu’on a bien une mesure de probabilité :
6 X
X 6 6 X
X 6
pkn = P(V = k, X = n) = 1.
k=1 n=1 k=1 n=1
S6
• {V = 1, X = 1} = j=1 {V = 1, U = j}, réunion d’évènements deux à deux
disjoints, et on a :
6 6
X X 1 6
P(V = 1, X = 1) = P(V = 1, U = j) = =
j=1 j=1
36 36

Ce résultat se généralise par :

7−n
P(V = k, X = n) = , si k = n, (k, n) ∈ {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6}
36

5
 HH X
H
1 2 3 4 5 6
V HH
H
1 6/36 0 0 0 0 0
2 1/36 5/36 0 0 0 0
3 1/36 1/36 4/36 0 0 0
4 1/36 1/36 1/36 3/36 0 0
5 1/36 1/36 1/36 1/36 2/36 0
6 1/36 1/36 1/36 1/36 1/36 1/36

Table 1 – Loi jointe du couple aléatoire (V,X)

• {V = 1, X = 2} = {V = 1, min(U, V ) = 2}, c’est à dire {V = 1, min(U, 1) = 2}, qui

est un évènement impossible pour tout U ∈ {1, 2, 3, 4, 5, 6}, donc :
P(V = 1, X = 2) = 0.
Ce résultat se généralise par :
P(V = k, X = n) = 0, si n > k; (k, n) ∈ {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6}
• {V = 2, X = 1} = {V = 2, min(U, V ) = 1}, c’est à dire {V = 1, U = 1}, et on a :
1
P(V = 2, X = 1) = P(V = 2, U = 1) = .
36
Ce résultat se généralise par :
1
P(V = k, X = n) = , si n < k ≤ 6; (k, n) ∈ {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6}
36
2) Loi marginale de V et la loi marginale de X à l’aide du tableau 1 de la loi jointe du
couple (V, X) de la question précédente.
• La loi marginale de V est obtenue en effectuant la somme de toutes les colonnes du
tableau 1 de la loi jointe du couple (V, X) :
HH
pk.
H pk. = P(V = k)
k HH
H
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6

Table 2 – Loi marginale de la variable aléatoire V (loi uniforme sur {1, 2, 3, 4, 5, 6}

• La loi marginale de X est obtenue en effectuant la somme de toutes les lignes du

tableau 1 de la loi jointe du couple (V, X) :
3) Expression de la loi jointe du couple (V, X) en fonction de n, suivant les différentes
valeurs de k :

 0 si k < n
7−n
∀ n ∈ {1, 2, 3, 4, 5, 6}, pkn = P((V, X) = (k, n)) = si k = n
 136
36
si n < k ≤ 6

6
 HH n
H
1 2 3 4 5 6
p.n HHH
p.n = P(X = n) 11/36 9/36 7/36 5/36 3/36 1/6

Table 3 – Loi marginale de la variable aléatoire X

4) Calcul de la loi marginale de X : ∀ n ∈ {1, 2, 3, 4, 5, 6} :

P6
p.n = P(X = n) = P(V = k, X = n)
Pk=1
6
= k=n P(V = k, X =P n)
= P(V = n, X = n) + 6k=n+1 P(V = k, X = n)
= 7−n + 6k=n+1 36 1
P
36
(6−(n+1)+1)
= 7−n
36
+ 36
.

On a donc,
13 − 2n
∀ n ∈ {1, 2, 3, 4, 5, 6}, p.n = P(X = n) = .
36
5) Calcul de l’espérance conditionnelle E[V |X = n], pour n ∈ {1, 2, 3, 4, 5, 6}.
• Déterminons tout d’abord la loi de probabilité conditionnelle de V |X = n. Pour
n ∈ {1, 2, 3, 4, 5, 6} fixé, on a :

0 si < n
P(V = k, X = n)  7−n
pk|n = P(V = k|X = n) = si k = n
P(X = n)  13−2n
1
13−2n
si n < k ≤ 6,

• Ensuite, l’espérance conditionnelle E[V |X = n] vaut :

P6
E[V |X = n] = k=1 kP(V = k|X =P n)
= nP(V = n|X = n) + 6k=n+1 kP(V = k|X = n)
7−n
+ 6k=n+1 k 13−2n
1
P
= n 13−2n
= n(7−n)
13−2n
+ (7+n)(6−(n+1)+1)
2(13−2n)
n(7−n) (7+n)(6−n)
= 13−2n + 2(13−2n)
2 +42−7n+6n−n2
= 14n−2n 2(13−2n)
2
= 42+13n−3n
26−4n
= ϕ(n)

42 + 13n − 3n2
∀n ∈ {1, 2, 3, 4, 5, 6}, E[V |X = n] = = ϕ(n)
26 − 4n
6) Comme l’expression de E[V |X = n] est valable pour tout n ∈ {1, 2, 3, 4, 5, 6}, on a :

42 + 13X − 3X 2
E[V |X] = = ϕ(X).
26 − 4X

7) Calcul de l’espérance conditionnelle E[X|V ].

• Déterminons tout d’abord la loi conditionnelle de X|V = k pour k ∈ {1, 2, 3, 4, 5, 6}
fixé. Nous avons pour tout n ∈ {1, 2, 3, 4, 5, 6} et k ∈ {1, 2, 3, 4, 5, 6} fixé :

P(X = n, V = k)
P(X = n|V = k) =
P(V = k)

7
 D’autre part, la loi jointe du couple (X, V ) est donnée par :

 0 si n > k
7−k
P(X = n, V = k) = si n = k
 136
36
si 1 ≤ n < k

et la loi marginale de V est la loi uniforme sur {1, 2, 3, 4, 5, 6}

1
P(V = k) = ; ∀k ∈ {1, 2, 3, 4, 5, 6}
6
On a donc l’expression de la loi conditionnelle de X|V = k en fonction de k, suivant
les différentes valeurs de n :

 0 si n > k
7−k
P(X = n|V = k) = si n = k
 16
6
si 1 ≤ n < k.

• Ensuite, l’espérance conditionnelle E[X|V = k] vaut :

P6
E[X|V = k] = nP(X = n|V = k)
Pn=1
k−1
= nP(X = n|V = k) + kP(X = k|V = k)
Pn=1
k−1 1 7−k
= n=1 n 6 + k 6
k(k−1) 2
= 16 2 + 7k−k 6
2 2
= k 12−k + 14k−2k
12
2
= 13k−k12

13k − k 2
∀k ∈ {1, 2, 3, 4, 5, 6}, E[X|V = k] = = ϕ(k)
12
• Comme l’expression de E[X|V = k] est valable pour tout k ∈ {1, 2, 3, 4, 5, 6}, on a :

13V − V 2
E[X|V ] = = ϕ(V ).
12
8) Calcul de E[X] par le calcule de l’espérance par conditionnement.

E[X] = E[E[X|V ]]
2
= E[ 13V12−V ]
]−E[V 2 ]
= 13E[V 12
1 13×7
P6 2 1


= 12  2
− n=1 n × 6 
1 13×7 6(6+1)(2×6+1) 1
= 12 2
− 6
× 6
1 91 91


= 12 2
− 6
= 91
36
∼ 2, 528

Solution 3 (Retour énoncé)

On définit trois variables aléatoires X1 , X2 et X3 qui représentent le nombre d’individus
appartenant au type 1, au type 2, et au type 3, respectivement, dans l’échantillon des 40
individus tirés au hasard.
• Sachant que la proportion d’individus de type 1 dans la population est de 0.4, alors
la variable aléatoire réelle X1 suit une loi binomiale B(40, p1 ), avec p1 = 0.4,

8
 • de même, comme la proportion d’individus de type 2 dans la population est de 0.1,
alors la variable aléatoire réelle X2 suit une loi binomiale B(40, p2 ), avec p2 = 0.1,
• et comme la proportion d’individus de type 3 dans la population est de 0.5, alors la
variable aléatoire réelle X3 suit une loi binomiale B(40, p3 ), avec p3 = 0.5.
On commence par le calcul de la loi de la variable aléatoire X1 + X2 . On remarque au
passage que : X1 + X2 = 40 − X3 . Pout tout entier n ∈ {0, . . . , 40}, on a :

P(X1 + X2 = n) = P(40 − X3 = n)
= P(X3 = 40 − n)
40−n 40−n
= C40 p3 (1 − p3 )n
n 40−n
= C40 p3 (1 − p3 )n
n
= C40 ( 21 )40−n ( 21 )n

donc X1 + X2 suit un loi binomiale B(40, p), avec p = 0.5

Soit n un entier compris entre 2 et 40, alors on a :
40
X
E[X1 |X1 + X2 = n] = k P(X1 = k|X1 + X2 = n)
k=0
40
XP(X1 = k, X1 + X2 = n)
= k
k=0
P(X1 + X2 = n)
40
1 X
= k P(X1 = k, X2 = n − k, X3 = 40 − n)
P(X1 + X2 = n) k=0

Or, (X1 + X2 ) suit une loi binomiale B(40, p1 + p2 ), et on a précédement :

n
P(X1 + X2 = n) = C40 (p1 + p2 )n p40−n
3 , car p3 = 1 − (p1 + p2 )

D’autre part, (X1 , X2 , X3 ) suit une loi multinomiale de paramètre M(40, p1 , p2 , p3 ), on a :

40!
P(X1 = k, X2 = n − k, X3 = 40 − n) = pk pn−k p40−n
k!(n − k)!(40 − n)! 1 2 3

40
1 X 40!
E[X1 |X1 + X2 = n] = n 40−n k pk1 p2n−k p40−n
3
n
C40 (p1 + p2 ) p3 k=0
k!(n − k)!(40 − n)!
40
1 X
= n
k Cnk pk1 pn−k
2
(p1 + p2 ) k=0
n
1 X
= k Cnk pk1 pn−k
2
(p1 + p2 )n k=1
n
1 X n k−1 k n−k
= n
k Cn−1 p1 p2
(p1 + p2 ) k=1 k
n
n p1 X
k−1 k−1 (n−1)−(k−1)
= n
Cn−1 p1 p2
(p1 + p2 ) k=1
n−1
n p1 X
k (n−1)−k
= n
Cn−1 pk1 p2
(p1 + p2 ) k=0
n p1
=
p1 + p2

9
Application : la proportion de la population de type 1 est p1 = 0.4, et la population de
type 2 est p2 = 0.1, et on a :
n × 0.4 4
E[X1 |X1 + X2 = n] = = n
0.4 + 0.1 5

Solution 4 (Retour énoncé)

1) Dans cet exercice, on va déterminer la probabilité de l’événement contraire.

Soit Ak l’événement "la boule obtenue lors du k-ième tirage est blanche". On a :

n n − (k − 1)
P(A1 ) = et P(Ak |A1 ∩ · · · ∩ Ak−1 ) =
2n 2n − (k − 1)

Par la probabilité composée :

n n−1 1 (n!)2
P(A1 ∩ · · · ∩ An ) = × × ··· × =
2n 2n − 1 n+1 (2n)!

Et la probabilité recherchée est :

(n!)2
AC AC


P 1 ∪ ··· ∪ n =1− .
(2n)!

Solution 5 (Retour énoncé)

1) Soit An l’événement "la boule tirée au-nème tirage est blanche".

Par la probabilité composée :

P(A1 ∩ · · · ∩ An ) = P(A1 )P(A2 |A1 ) . . . P(An |A1 ∩ · · · ∩ An−1 )

avec
1 2 n
P(A1 ) = , P(A2 |A1 ) = , . . . , P(An |A1 ∩ · · · ∩ An−1 ) = .
2 3 n+1
On a donc :
1
P(A1 ∩ · · · ∩ An ) = .
n+1
Par continuité décroissante
+∞
!
\
P An = lim P(A1 ∩ · · · ∩ An ) = 0
n→+∞
n=1

Ainsi, l’événement "toutes les boules tirées sont blanches" est négligeable et l’événement
complémentaire "la boule rouge initiale est tirée" est presque sûr.

Solution 6 (Retour énoncé)

N une variable aléatoire discrète à valeurs dans N, et suit la loi de Poisson de paramètre
λ:
λn −λ
∀ n ∈ N, P(N = n) = e .
n!

10
Chacun des clients effectue son choix suivant la probabilité p pour "le plat poisson" et la
probabilité q = (1 − p) pour "le plat viande", c’est à dire que le choix du Client i est
représenté par une variable aléatoire Xi et suit la loi de Bernouilli de paramètre p :

Client i ⇒ Xi ∼ B(p),

et sa loi est donnée par :

P(Xi = 1) = p, où 1 représante le choix poisson par le Client i, et

P(Xi = 0) = q = (1 − p), où 0 représante le choix viande par le Client i

La variable aléatoire X égale au nombre de clients ayant choisi un plat de poisson, bien évi-
dement, parmi les N clients aléatoires qui ont fréquenté le restaurant à midi. L’expression
de la variable aléatoire X est donnée par :
N
X
X= Xi .
i=1

1. Loi conditionnelle de X|N = n, : l’évènement {N = n} est réalisé, dans ce cas en

reprenant la définition de la variable aléatoire X, nous avons une somme finie, c’est à
dire : n
X
X= Xi , n ∈ N
i=1

et donc, la variable aléatoire X|N = n suit la loi Binomiale de paramètre (n, p)

∀ n ∈ N, X|N = n ∼ B(n, p)

et sa loi est donnée par :

pk,n = P(X = k|N = n) = Cnk pk (1 − p)n−k , 0 ≤ k ≤ n, n ∈ N

2. Son espérance conditionnelle

E[X|N = n] = np.
Comme cette expression est valable pour tou n ∈ N, on en déduit :

E[X|N ] = N p.

3. Calcul de l’espérance E[X] par le calcul de l’espérance par conditionnement.

E[X] = E[E[X|N ]] = E[N p] = E[N ]p = λp.

4. Calcul de la loi jointe du couple (X, N ), pour tout n ∈ N et 0 ≤ k ≤ n. En utilisant la

fomule de la probabilité totale :

P(X = k, N = n) = P(N = n)P(X = k|N = n)

n
= λn! e−λ Cnk pk (1 − p)n−k

11
5. Calcul de la loi marginale de la variable aléatoire X, pour tout k ∈ N
P(X = k) = P +∞
S

{X = k, N = n}
P+∞n=k
= P(X = k, N = n))
Pn=k
+∞ λn −λ k k
= n=k n!n e Cn p (1 − p)n−k
P+∞ λ −λ n!
= n=k n! e k!(n−k)!
pk (1 − p)n−k
k (λ(1−p))n−k
= (λp) e−λ +∞
P
k! n=k (n−k)!
k P+∞ (λ(1−p)) n
= (λp)k!
e −λ
n=0 n!
k
= (λp)k!
e−λ eλ(1−p)
(λp)k −λp
= k! e
Donc la variable aléatoire X suit une loi de Poisson de paramètre λp
X ∼ P(λp).

6. Et on retrouve bien l’espérance E[X] = λp.

Application numérique : calcul du nombre de plat poisson que le cuisinier doit

préparer en moyenne tout les midis dans ce restaurant.
7. Le gérant constate qu’en moyenne, il y a 90 clients qui fréquentent le restaurant à midi
donc la variable aléatoire N suit une loi de Poisson de paramètre λ = 90.
D’après un sondage effectué sur un échantillon de 10 clients qui viennent manger à midi
dans ce restaurant, 6 d’entre eux ont choisis le plat poisson, donc la variable aléatoire
Xi suit une loi de Bernouilli de paramètre p = 0.6.
Pour satifaire sa clientèle, le cuisinier doit préparer un plat poisson à midi, en moyenne
λp fois (moyenne de la variable aléatoire X qui suit une loi de Poisson de paramètre
λp), c’est à dire 90 × 0.6 = 54 plats.
Solution 7 (Retour énoncé)

1. Loi de la variable aléatoire X ∼ G(p)

∀k ∈ N∗ , P(X = k) = p(1 − p)k−1 .

2. Calcul de P(X > n), n ∈ N∗ .

P(X > n) = 1 − P(X
P ≤ n)
= 1 − Pni=1 P(X = i)
= 1 − Pni=1 P(X = i)
= 1 − ni=1 p(1 − p)i−1
Pn−1
= 1 − p i=0 (1 − p)i
n
= 1 − p 1−(1−p)
1−(1−p)
P(X > n) = (1 − p)n .

3. Propriété dite d’absence de mémoire : ∀(m, n) ∈ N∗ 2 :

P(X>n+m,X>m) P(X>n+m)
P(X > n + m|X > m) = P(X>m)
= P(X>m)
(1−p)n+m
= (1−p)m
n
= (1 − p)
P(X > n + m|X > m) = P(X > n).

12
Soit X une variable aléatoire de loi exponentielle de parametre λ > 0, de densité :

f (x) = λe−λ x 1{x≥0} .

4. Calcul de la fonction de répartition de la varable aléatoire X.

Z x ≤ x)
F (x) = P(X
= f (u)du,
Z0 x
= λe−λ u du,
0
= [ − e−λu ]x0
F (x) = (1 − e−λx ).

5. Propriété dite d’absence de mémoire : ∀t > 0, ∀s > 0,

P(X>t+s,X>t) P(X>t+s)
P(X > t + s|X > t) = P (X>t)
= P (X>t)
1−F (t+s)
= 1−F (t)
e−λ(t+s)
= e−λt
−λs
= e
P(X > t + s|X > t) = P(X > s).

6. Application : la durée de vie T en années d’une télévision suit une loi exponentielle
de moyenne 8 ans, c’est à dire : E[T ] = λ1 d’où λ = 1/8.
La télévision marchait depuis 2 ans : la probabilité que la durée de vie de la télévision
soit encore d’au moins 8 ans à partir de maintenant est :
1
P(T > 2 + 8|T > 2) = P(T > 8) = e− 8 ×8 = e−1 = 0, 36787944117

Solution 8 (Retour énoncé)

bl

13