Fon Gen Mom-Combiné

Fonctions génératrices des moments [CNC-2016] Énoncé
Fonctions génératrices des moments [CNC-2016]
Soit (Ω, A, P) un espace probabilisé, par la suite, les variables aléatoires considérées sont des variables aléatoires
réelles discrètes ou à densité. Si X est une variable aléatoire sur (Ω, A, P), la fonction génératrice des moments de X,
lorsqu’elle existe, est la fonction numérique de la variable réelle t, MX : t −→ E etX , où E etX désigne l’espérance
de la variable aléatoire etX .
Partie I: Variables aléatoires discrètes finies
Soit X une variable aléatoire discrète prenant un nombre fini de valeurs x1 , · · · , xr avec les probabilités respectives
p1 , · · · , pr , où r ∈ N∗ . On définit la fonction ϕX sur R∗ par,
1
∀t ∈ R∗ , ϕX (t) = ln(MX (t))
t
1. Déterminer MZ , lorsque Z suit une loi de Bernoulli de paramètre p, p ∈ [0, 1].
(k)
2. Montrer que MX est de classe C ∞ sur R, et que pour tout entier naturel k, MX (0) = E X k .

3. (a) Montrer que ϕX est bien définie sur R∗ et prolongeable par continuité en 0. On pose ϕX (0) = E (X) et on
note encore ϕX la fonction ainsi prolongée.
(b) Démontrer que ϕX est dérivable en 0 et calculer ϕ0X (0) en fonction de la variance V (X) de X.
1
4. (a) Montrer que pour tout u 6 0, eu 6 1 + u + u2 ;
2
(b) Montrer que si X ne prend que des valeurs négatives ou nulles, alors, pour tout t > 0,
t
ϕX (t) 6 E (X) + E X 2

2
5. (a) Pour tout entier i tel que 1 6 i 6 r, on note fi la fonction définie sur R, part t 7−→ etxi . Montrer que la
famille (f1 , · · · , fr ) est libre.
(b) En déduire que deux variables discrètes finies X et Y ont la même loi si, et seulement si, les fonctions ϕX
et ϕY sont égales.
6. Montrer que si X et Y sont des variables discrètes finies indépendantes, alors,
ϕX+Y = ϕX + ϕY
7. En déduire MX , lorsque X suit une loi binomiale de paramètre s et p, s est un entier naturel non nul et
0 6 p 6 1.
8. On dit qu’une variable aléatoire réelle X est symétrique si X et −X ont la même loi.
Montrer que ϕX est impaire si, et seulement si, X est une variable aléatoire réelle symétrique.
9. On considère une suite (Xn )n>1 de variables aléatoires discrètes finies mutuellement indépendantes sur (Ω, A, P),
qui suivent la même loi que X. On note m l’espérance de X et σ son écart-type que l’on suppose strictement
positif.
n
X Sn − E (Sn )
On pose, pour tout entier naturel non nul, Sn = Xk et Sn∗ = p .
k=1
V (Sn )
(a) Montrer que, pour tout entier naturel non nul n et tout réel non nul t,
√ √
−m n n t
ϕSn∗ (t) = + ϕX √
σ σ σ n
t
(b) En déduire que lim ϕSn∗ (t) = .
n→+∞ 2
Partie II: Cas des variables aléatoires discrètes réelles infinies
elamdaoui@gmail.com 1 www.elamdaoui.com
Fonctions génératrices des moments [CNC-2016] Énoncé
Soit X une variable aléatoire discrète réelle infinie, notons IX l’ensemble des réels t pour lesquels MX existe.
10. (a) Montrer que, pour tous réels a, b, c tels que a 6 b 6 c et tout réel x, ebx 6 eax + ecx .
(b) En déduire que IX est un intervalle contenant 0.
11. Soit Y une variable aléatoire discrète réelle qui suit une loi de Poisson de paramètre λ > 0. Déterminer la
fonction génératrice des moments MY de Y .
12. On suppose que la fonction MX est définie sur un intervalle de la forme ] − a, a[, (a > 0). Notons (xn )n∈N une
énumération des valeurs de X.
Posons, pour tout n ∈ N et tout t ∈] − a, a[, un (t) = P (X = xn )etxn et xn . Soit α > 0 tel que [−α, α] ⊂] − a, a[,
et soit ρ ∈]α, a[.
(a) Montrer que, pour tout k ∈ N, tout t ∈] − α, α[ et tout n ∈ N,
k α|xn |
|u(k)
n (t)| 6 P (X = xn )(|xn |) e
(k)
où un désigne la dérivée k-ème de la fonction un .
(b) Montrer que, pour tout k ∈ N, il existe Mk > 0, pour tout t ∈] − α, α[ et tout n ∈ N,
ρ|xn |
|u(k)
n (t)| 6 Mk P (X = xn )|e .
(k)
(c) En déduire que MX est de classe C ∞ sur ] − a, a[, et que pour tout k ∈ N, E X k = MX (0)

13. En déduire l’espérance et la variance d’une variable aléatoire Y qui suit une loi de Poisson de paramètre λ > 0.
Partie III: Cas des variables aléatoires à densité
Si X est une variable aléatoire à densité, on note IX l’intervalle de R, qui contient 0, pour lequel MX existe.
14. Soient X et Y deux variables aléatoires à densité indépendantes, qui admettent respectivement des fonctions
génératrices des moments MX et MY , montrer que
∀t ∈ IX ∩ IY , MX+Y (t) = MX (t)MY (t)
15. Soit X une variable aléatoire à densité possédant une fonction génératrice des moments MX et une densité f .
On suppose que cette fonction génératrice des moments soit définie sur IX =]a, b[, (a, b) ∈ R2 , a < 0 < b, et soit
s un réel tel que, 0 < s < min(−a, b).
k!
(a) Montrer que, pour tout k ∈ N∗ et tout t ∈ R, |tk | 6 k es|t| .
s
(b) En déduire que, pour tout k ∈ N∗ , E |X|k est finie.

+∞
X tk
(c) Montrer que, pour tout t ∈] − s, s[, MX (t) = E Xk
k!
k=0
(k)
(d) En déduire que, pour tout k ∈ N, MX (0) = E Xk
Fonctions génératrices des moments [CNC-2016] Correction
Partie I: Cas particulier : variables aléatoires discrètes finies
1. Z ,→ B(p), alors etZ est finie, par le théorème du transfert, pour tout t ∈ R,
MZ (t) = P (Z = 0) + et P (Z = 1) = p et − 1 + 1

2. X est finie, alors pour tout t ∈ R la variable etX est finie, en particulier elle admet une espérance, par le théorème
du transfert, pour tout t ∈ R,
Xr X r
MX (t) = etxi P (X = xi ) = pi etxi
i=1 i=1
∞
Donc MX est de classe C sur R, comme somme de fonctions de classe C ∞ et pour tout entier naturel k,
r
(k)
X
MX (t) = xki etxi P (X = xi )
i=1
r
(k)
X
xki P (X = xi ) = E X k

En particulier MX (0) =
i=1
r
X
3. (a) La famille ([X = xi ])i∈[[1,r]] est un système complet d’événements, en particulier pi = 1. En outre pour
i=1
r
X
tous t ∈ R et i ∈ [[1, r]], on a etxi > 0, donc MX (t) = etxi P (X = xi ) > 0. Ainsi ϕX est définie sur R∗ .
i=1
Le développement limité à l’ordre 1 en 0 de MX est donné par
0
MX (t) = MX (0) + tMX (0) + ◦(t) = 1 + tE (X) + ◦(t)
Par composition ϕX (t) = E (X) + ◦(1), donc ϕX est prolongeable par continuité en 0.
(b) Le développement limité à l’ordre 2 en 0 de MX est donné par

0
00
MX (0) 2 2 E X2 2
MX (t) = MX (0) + tMX (0) + t + ◦(t ) = 1 + tE (X) + t + ◦(t2 )
2 2
Par composition
1
ϕX (t) = ln(MX (t))
t !

1 E X2 2
= ln 1 + tE (X) + t + ◦(t2 )
t 2
 !2 
E X2 2
 tE (X) + t 
2

1 E X2 2 
= tE (X) + t − + ◦(t2 )
 
t 2 2 
 
2
E X 2 − E (X)
= E (X) + t + ◦(t)
2
2
0
E X 2 − E (X) V (X)
Donc ϕX est dérivable en 0 et ϕX (0) = =
2 2
4. (a) Soit u 6 0, d’après la formule de Taylor avec reste intégral, on a
Z u
u 1 2 (u − t)2 t
e =1+u+ u + e dt
2 0 2
Z u
(u − t)2 t (u − t)2 t
La fonction t 7−→ e est continue et positive sur [u, 0], donc e dt 6 0, soit
2 0 2
1
eu 6 1 + u + u2
2
(b) Soit t > 0, comme ∀i ∈ [[1, r]] on a xi 6 0, alors
t2 2
∀i ∈ [[1, r]] , etxi 6 1 + txi + x
2 i
Par le théorème du transfert et par positivité de la probabilité
r
X
E etX etxi P (X = xi )

=
i=1
r
t2
X
6 1 + txi + x2i P (X = xi )
i=1
2
r r r
X X t2 X 2
6 P (X = xi ) + t xi P (X = xi ) + x P (X = xi )
i=1 i=1
2 i=1 i
2
t
E X2

6 1 + tE (X) +
2
Finalement, la croissance de ln et l’inégalité de convexité: ∀x > −1, ln(1 + x) 6 x, donnent
t
ϕX (t) 6 E (X) + E X 2

2
Une telle inégalité reste valable si t = 0, car ϕX (0) = E (X)
5. (a) Quitte à réordonner les xi , on peut supposer que x1 > x2 > . . . > xr . Supposons qu’il existe des réels
r
X r
X
λ1 , . . . , λr tels que λi fi = 0. Cela signifie que, quelque soit t ∈ R, alors λi fi (t) = 0, autrement
i=1 i=1
r
X r
X
dit pour tout t ∈ R : λi etxi = 0. Factorisons par etx1 : etx1 λi et(xi −x1 ) = 0. Mais etx1 6= 0 donc :
i=1 i=1
r
X
t(xi −x1 ) t(xi −x1 )
λi e = 0. Lorsque t → +∞ alors e → 0 (pour tout i > 2, car xi − x1 < 0). Donc pour
i=1
i > 2, λi et(xi −x1 ) → 0 et en passant à la limite dans l’égalité ci-dessus on trouve : λ1 = 0.
r
X
Le premier coefficients est donc nul. On repart de la combinaison linéaire qui est maintenant λi fi = 0
i=2
et en appliquant le raisonnement ci-dessus on prouve par récurrence λ1 = λ2 = · · · = λr = 0. Donc la
(b) ⇒) Si X et Y suivent la même loi, alors X (Ω) = Y (Ω) et ∀x ∈ X (Ω) , P (X = x) = P (Y = x). On tire
E (X) = E (Y ) et par le théorème du transfert pour tout t ∈ R∗ ,
X X
E etX = etx P (X = x) = etx P (Y = x) = E etY

x∈X(Ω) x∈X(Ω)
Donc les fonctions ϕX et ϕY sont égales;

⇐) Posons X (Ω) = {x1 , · · · , xn } et Y (Ω) = {y1 , · · · , ym } l’ensemble des valeures prises effectivement par
X et Y tels que x1 > · · · > xn et y1 > · · · > ym . L’hypothèse ϕX = ϕY donne
n
X m
X
txi
∀t ∈ R, e P (X = xi ) = etyj P (X = yj )
i=1 j=1
Par unicité de l’écriture n = m, xi = yi et P (X = xi ) = P (Y = yi )

6. Soit t ∈ R∗ , les deux variables etX et etY sont indépendantes, car X et Y le sont, donc

MX+Y (t) = E et(X+Y ) = E etX etY = E etX E etY

Par définition, on a
1 1 1
ln(MX+Y (t)) = ln E etX + ln E etY = ϕX (t) + ϕY (t)

ϕX+Y (t) =
t t t
Pour t = 0, on a ϕ(0) = E (X + Y ) = E (X) + E (Y ) = ϕX (0) + ϕY (0). Bref
ϕX+Y = ϕX + ϕY
s
X
7. X ,→ B(s, p), alors X = Xi , où X1 , · · · , Xs sont indépendantes et suivent la loi de Bernoulli de paramètre p.
i=1
tX1
Pour t ∈ R, les variables e , · · · , etXs sont indépendantes, donc
s
! s
tX
Y
tXi
Y s
E etXi = p et − 1 + 1

MX (t) = E e =E e =
i=1 i=1
8. ⇐) Supposons que X est une variable aléatoire réelle symétrique, alors X (Ω) = −X (Ω) et pour tout x ∈ X (Ω),
on a P (X = x) = P (X = −x).
On montre que ∀t ∈ R, E e−tX = E etX , pour le faire on fixe t ∈ R, par le théorème du transfert

X
E e−tX e−tx P (X = x)

=
x∈X(Ω)
l’application x 7−→ −x est une bijection de X (Ω) vers lui même, alors
X
E e−tX etx P (X = −x)

=
x∈X(Ω)
X
= etx P (X = x)
x∈X(Ω)
= E etX

Donc pour tout t ∈ R∗ , on a ϕX (−t) = −ϕX (t) et pour t = 0, on a E (X) = E (−X), cela entraîne
E (X) = 0, c’est-à-dire ϕX (0) = 0. On conclut alors ϕX est impaire.
⇒) Soit t ∈ R∗ , on a
1
ln E e−tX = −ϕX (−t) = ϕX (t)

ϕ−X (t) =
t
D’autre part ϕX (0) = 0, car ϕX est impaire, donc ϕ−X (0) = E (−X) = −E (X) = 0, ceci montre que
ϕX = ϕ−X . D’après la question 5b, X et −X ont la même loi
X1 − m X −m
9. (a) Soit n ∈ N∗ et t ∈ R∗ . On a E (Sn ) = nm et V (Sn ) = nσ 2 , d’autre part les variables t √ , · · · , t n√
σ n σ n
sont finies et mutullement indépendantes, et par un calcul direct
  n 
X Xi − m
t √
1 tSn∗ 1   nσ 
ϕSn∗ (t) = ln E e = ln E e i=1
  
t t  


n
!! n
!
1 Y X −m
t √i 1 Y Xi −m
t √
= ln E e nσ = ln E e nσ Par indépendance
t i=1
t i=1
n n
1 X t X√i nσ
−m 1 X −tm √
Xi
t√
= ln E e = ln e nσ E e nσ
t i=1 t i=1
n n
1 X t √−m 1X Xi
t√
= ln e nσ + ln E e nσ
t i=1 t i=1
n
−nm 1 X t
= √ +√ ϕXi √
nσ nσ i=1 nσ
√ √
−m n n t
= + ϕX √ car ∀i, ϕXi = ϕX
σ σ σ n
(b) Le développement limité à l’ordre 1 en 0 de ϕX donne

t t 1
ϕX √ = ϕX (0) + √ ϕ0X (0) + ◦ √
σ n σ n n

t V (X) 1
= E (X) + √ +◦ √
σ n 2 n
2

t σ 1
= m+ √ +◦ √
σ n 2 n

tσ 1
= m+ √ +◦ √
2 n n
puis
√ √
−m n n tσ 1
ϕSn∗ (t) = + m+ √ +◦ √
σ σ 2 n n
t
= + ◦(1)
2
t
On en déduit lim ϕSn∗ (t) = .
n→+∞ 2
10. (a) On peut écrire b = λa + (1 − λ)c, avec λ ∈ [0, 1], et par convexité de la fonction exponentielle
ebx = eλax+(1−λ)cx 6 λeax + (1 − λ)ecx 6 eax + ecx
X
(b) • 1 ∈ IX , car E e0X = P (X = x) = 1
x∈X(Ω)
• Soit a, c ∈ IX tel que a 6 c. Montrons que [a, c] ⊂ IX . D’après la question précédente, pour tout
x ∈ R, ebx 6 eax + ecx , donc ebX 6 eaX + ecX , et comme les deux variables positives admettent des
espérances, alors la variable positive ebX admet une espérance, donc b ∈ IX , ainsi l’inclusion [a, c] ⊂ IX .
On déduit IX est un intervalle de R.
X λn
11. Soit t ∈ R, la variable etX admet une espérance si, et seulement, si la série à termes positifs etn e−λ
n!
n>0
X (λet ) n
t
converge. Or la série exponentielle converge de somme eλe , donc MY est définie sur R et
n!
n>0
t
−λ
∀t ∈ R, MY (t) = eλe
12. (a) Soit k ∈ N, l’application un : t ∈] − α, α[7−→ P (X = xn )etxn est de classe C k et ,
u(k) k txn
n (t) = P (X = xn )xn e
les inégalités etxn 6 e|t||xn | 6 eα|xn | donnent

k
α|xn |
u(k)
n (t) 6 P (X = xn ) |xn | e
(b) Soit k ∈ N∗ . La fonction ψk : x ∈ R+ 7−→ xk e(α−ρ)x est continue, k

h h t 0 ρ−α +∞
k
positive, strictement décroissante sur ρ−α , +∞ et strictement
h i ψk0 (t) + 0 −
k k
croissante sur 0, ρ−α il existe Mk = ψk ρ−α > 0,
Mk
ψk
Pour k = 0, la fonction ψk : x ∈ R+ 7−→ e(α−ρ)x est décroissante 0 0
sur R+ , alors M0 = 1.
Bref pour tout t ∈] − α, α[ et tout n ∈ N,
k α|xn |
|u(k)
n (t)| 6 P (X = xn ) |xn | e = P (X = xn )ψk (|xn |) eρ|xn | 6 Mk P (X = xn )|eρ|xn | .
(c) • Pour tout n ∈ N, la fonction un est de classe C ∞ sur ]−α, α[

• Soit k ∈ N, on a pour tout n ∈ N, eρ|xn | 6 eρxn + e−ρxn et −ρ, ρ ∈ ]−α, α[, donc la série à termes
X X
positifs P (X = xn )|eρ|xn | converge et, par suite, la série u(k)
n converge normalement sur tout
n>0 n>0
segment [−a, a] inclus dans ]−α, α[
+∞
X
Donc, par le théorème de dérivation terme à terme, MX = un
n=0
est de classe C ∞ sur ]−α, α[, et
+∞
(k)
X
∀t ∈ ]−α, α[ , ∀k ∈ N, MX (t) = xkn etxn P (X = xn )
n=0
X
En particulier pour tout k ∈ N la série xkn P (X = xn ) est absolument convergente, donc X admet un
n>0
moment d’ordre k. Ainsi
(k)
MX (0) = E X k

∀k ∈ N,
t
−λ
13. Dans ce cas MY : t 7−→ eλe qui est de classe C ∞ et pour tout t ∈ R
t
MY0 (t) = λet eλe −λ
MY0 (0) = λ
t t
MY00 (t) = λ2 et eλe −λ
+ λe2t eλe −λ
MY00 (0) = λ +λ 2
Alors E (Y ) = MY0 (0) = λ et par la formule de Huygens kœnig

2
V (X) = E X 2 − E (X) = MY00 (0) − MY0 (0) = λ

14. Soit t ∈ IX ∩ IY , les deux variables etX et etY sont indépendantes, car X et Y le sont. Comme etX et etY
admettent des espérances alors, par indépendance, et(X+Y ) = etX etY admet une espérance et

MX+Y (t) = E et(X+Y ) = E etX etY = E etX E etY = MX (t)MY (t)

Remarque : Les deux applications ne sont pas forcément égales mais elles coïncident sur IX ∩ IY
X |st|k k
|st|
15. (a) Soit t ∈ R, la série à termes positifs converge de somme es|t| , donc pour tout k ∈ N∗ , 6 es|t|
k! k!
k>0
k!
ou encore |tk | 6 k es|t| .
s
(b) Soit k ∈ N∗ , d’après la question précédente
k! s|t| k!
|tk | 6 e 6 k est + e−st

∀t ∈ R, k
s s
Soit
k k! sX
e + e−sX

|X| 6 k
s
Les deux variables positives esX et e−sX admettent des espérances car −s, s ∈ ]a, b[, alors par comparaison,
k
la variable |X| admet une espérance.

k
k!
Remarque : On a aussi l’inégalité E |X| 6 k (MX (s) + MX (−s)) qui sera utilisée à la question
s
suivante
(c) Soit −∞ = a0 < a1 < · · · < ar = +∞ tels que pour tout i ∈ [[0, r − 1]] la fonction f est continue sur
]ai , ai+1 [. On va appliquer le théorème de convergence dominée sur chaque intervalle ]ai , ai+1 [.
Fixons t ∈ ]−s, s[
tk xk
k

• Pour tout k ∈ K, l’application fk : x 7−→ f (x) est continue sur ]ai , ai+1 [ et intégrable car E |X|
k!
est finie
X
• La série fk converge simplement sur ]ai , ai+1 [ de somme x 7−→ etx f (x) qui est continue sur ]ai , ai+1 [
k>0
• Pour tout k ∈ N, on a
ai+1 ai+1
t k xk
Z Z
|fk (x| dx = f (x) dx
ai ai k!
k
|t| k
6 E |X|
k!
k
|t| k!
6 (MX (s) + MX (−s))
k! sk
k
|t|
6 (MX (s) + MX (−s)) k
s
k ai+1
|t|
Z
et la série géométrique du terme général converge. Bref la série du terme général |fk (x| dx
sk ai
converge
Donc d’après le théorème de la convergence dominée, on peut intégrer terme à terme, soit
Z ai+1 Z +∞ k k
ai+1 X
t x
etx f (x) dx = f (x) dx
ai ai k!
k=0
+∞ k Z ai+1
X t
= xk f (x) dx
k! ai
k=0
Ceci vrai pour tout i ∈ [[0, r − 1]], alors on conclut par la relation de Chasles que, pour tout t ∈] −
+∞
X tk
s, s[, MX (t) = E Xk
k!
k=0
Remarque : On ne peut pas appliquer le théorème d’intégration terme à terme sur R, car f n’est pas
forcément continue par morceaux sur R
(d) MX est développable en série entier en 0, alors elle est de classe C ∞ sur ]−s, s[ et
(k)
MX (0) E Xk
∀k ∈ N, =
k! k!
Démonstrations probabilistes de la Formule de Stirling Énoncé
Démonstrations probabilistes de la Formule de Stirling
Ce problème propose deux démonstrations probabilistes de la formule de Stirling

n n √
n! ∼ 2nπ
e
Partie I: Première preuve
Soit (Xn )n∈N une suite de variables aléatoires indépendantes suivant la loi exponentielle de paramètre 1. Pour n ∈ N,
n
X Sn − n
on pose Sn = Xk et pour tout n > 1 on pose Sn∗ = √ .
n
k=0
∗
On admet que Sn converge en loi vers la loi N (0, 1)
1. Énoncer le théorème central limite
2. (a) Montrer, par récurrence sur n, que Sn est de loi Γ(n + 1, 1).
(b) En déduire que la densité de Sn∗ s’écrit gn (x) = an hn (x), avec
1 √
nn+ 2 e−n 2π
an =
n!
et n
1 −√nx x
hn (x) = √ e 1+ √ χ]−√n,+∞[
2π n
3. Montrer que Z 1 Z 1
1 x2
lim gn (x) dx = √ e− 2 dx
n→+∞ 0 2π 0
4. En utilisant le théorème de la convergence dominée, montrer que

Z 1 Z 1
1 x2
lim hn (x) dx = √ e− 2 dx
n→+∞ 0 2π 0
5. En déduire la formule de Stirling : √

n! ∼ nn e−n 2πn
Partie II: Deuxième preuve
Soit (Xn )n∈N∗ une suite de variables aléatoires indépendantes suivant la loi de poisson de paramètre 1. On pose
n
X Sn − n
Sn = Xk et Sn∗ = √
n
k=1
6. Soit X une variable aléatoire réelle qui suit une loi de Poisson de paramètre λ > 0
(a) Caractériser la loi de X
(b) Donner l’espérance, la variance et la fonction génératrice de X
7. Soit X et Y deux variables aléatoires indépendantes suivant les lois de poisson de paramètres respectifs λ et µ.
Quelle est la loi de X + Y
8. Montrer que Sn est de loi P(n).
9. Montrer que Sn∗ converge en loi vers S suivant la loi N (0, 1). En déduire que
Z +∞
∗ 1 x2
∀t ∈ R, P (Sn > t) −−−−−→ √ e− 2 dx = P (S > t)
n→+∞ 2π t
10. Soit t ∈ R∗+
Démonstrations probabilistes de la Formule de Stirling Énoncé
E Sn∗2

(a) Montrer que P (Sn∗
> t) 6
t2
(b) En utilisant le théorème de la convergence dominée, montrer que
Z +∞ Z +∞
P (Sn∗ > t) dt −−−−−→ P (S > t) dt
0 n→+∞ 0
Z +∞ Z +∞ Z +∞ Z x
x2 x2
11. On admet que e− 2 dx dt = e− 2 dt dx. Montrer que
0 t 0 0
Z +∞
1
P (S > t) dt = √
0 2π
12. Soit n ∈ N∗ . En appliquant le TCVD à la série du terme général P (Sn = k) χi0, k−n
√
h , montrer que
n
+∞
1 nn+1
Z
P (Sn∗ > t) dt = √
0 nen n!
13. En déduire la formule de Stirling
Démonstrations probabilistes de la Formule de Stirling Correction
1. Soit (Xn )n∈N une suite de variables aléatoires réelles définies sur un espace probabilisé (Ω, T, P ) indépendantes,
de même loi, possédant une espérance m = E(X) et une variance σ 2 = V(X) > 0. On pose
n
X n
X
Xi Xi − nm
i=1 Xn − m i=1
Xn = et Zn = √ = √ .
n σ/ n σ n
Alors (Zn )n>1 converge en loi vers une variable aléatoire réelle de loi N (0, 1).
2. (a) Par récurrence sur n ∈ N∗
• Pour n = 0, S0 = X0 est de loi E(1) = Γ(1, 1)
• Soit n ∈ N. Supposons que Sn est de loi Γ(n + 1, 1), c’est-à-dire de densité
 n
 x −x
e si x > 0
sn : x ∈ R 7−→ n!
0 sinon
Sn et Xn+1 sont indépendantes, donc Sn+1 = Sn + Xn+1 est une variable aléatoire à densité de densité
est définie par Z +∞
sn+1 : x ∈ R 7−→ sn (t)s(x − t) dt
−∞
(
e−x si x > 0
Avec s : x ∈ R 7−→ la densité de Xn+1 .
0 sinon
Les variables Sn et Xn+1 sont positives et indépendantes, donc pour tout x 6 0 on a sn+1 (x) = 0, et
pour tout x > 0
Z x
sn+1 (x) = sn (t)s(x − t) dt
Z0 x n
t −t −x+t
= e e dt
0 n!
xn+1 −x
= e
(n + 1)!
Récurrence achevée.
(b) Soit x ∈ R, on a:
√

Sn − n
P √ 6x = P Sn 6 n + x n
n
√
Z n+x n
= sn (t) dt
−∞
√
sur R− , donc l’intégrale précédente est nulle si x 6 − n.
sn est nulle √
Pour x > − n, on obtient par la relation de Chasles et la nullité de sn sur R− , puis par le changement de
√ t−n
variable t = n + u n: u = √
n
√
n+x n n
Sn − n
Z
t −t
P √ 6x = e dt
n 0 n!
Z x √ n
(n + u n) −(n+u√n) √
= √
e n du
− n n!
1 n
nn+ 2 e−n x
Z √
u
= √
1 + √ e−u n du
n! − n n
n+ 21 −n Z x
n √
n e u
= 1+ √ e−u n χ]−√n,+∞[ (u) du
n! −∞ n
Sn − n
Ainsi la densité de √ est la fonction
n
1 n
nn+ 2 e−n
√
x
gn : x 7−→ 1+ √ e−x n χ]−√n,+∞[ (x)
n! n
qui s’écrit gn (x) = an hn (x), avec √

1
nn+ 2 e−n 2π
an =
n!
et n
1 √ x
hn : x 7−→ √ e− nx 1 + √ χ]−√n,+∞[ (x)
2π n
Sn − n
3. Par hypothèse √ converge en loi une variable de loi N (0, 1), donc
n
Z 1 Z 1
Sn − n 1 x2
gn (x) dx = P 0 6 √ 6 1 −−−−−→ √ e− 2 dx
0 n n→+∞ 2π 0
4. • (hn ) est une suite de fonctions continues sur [0, 1]

• Pour tout x ∈ [0, 1]
√
n
1 x
hn (x) = √ e− nx 1 + √
2π n
1 −√nx+n ln 1+ √xn

= √ e
2π
1 −√nx+n √xn − x2n2 +◦( n1 )

= √ e
2π
1 − x2 +◦(1)
= √ e 2
2π
1 x2
(hn ) converge simplement vers x 7−→ √ e− 2 qui est continue sur [0, 1]
2π
x √x
• Pour tout x ∈ [0, 1] et n ∈ N∗ , par l’inégalité de convexité de l’exponentielle: 1 + √ 6 e n
n
√
n
1 x 1
|hn (x)| = √ e− nx 1 + √ 6√
2π n 2π
1
Et t 7−→ √ est continue positive et intégrable sur le segment [0, 1]
2π
D’après le théorème de convergence dominée
Z 1 Z 1
1 x2
n→+∞ 0 2π 0
5. D’après les questions 3 et 4, an −−−−−→ 1, et alors

n→+∞
√
n
X Sn − n
n
k=1
λn −λ
(a) X (Ω) = N et ∀n ∈ N, P (X = n) = e
n!
(b) E (X) = V (X) = λ et sa fonction génératrice est donnée par: : ∀t ∈ [−1, 1]

+∞ +∞
X X λn
GX (t) = E tX = tn P(X = n) = tn e−λ = eλ(t−1)
n=0 n=0
n!
7. Par indépendance,
GX+Y (t) = E tX+Y = E tX .tY = E tX .E tY GX (t)GY (t) = e(λ+µ)(t−1)

(n) n
GX+Y (0) (λ + µ) −(λ+µ)
Pour tout n ∈ N, on a P (X + Y = n) = = e . Autrement-dit X + Y ,→ P (λ + µ)
n! n!
8. Par récurrence sur n ∈ N∗
• Pour n = 1, Sn = X1 suit la loi P(1)
• Soit n ∈ N∗ . Supposons que Sn suit la loi P(n). Comme Sn et Xn+1 sont indépendantes, donc Sn+1 =
Sn + Xn+1 est une variable aléatoire suivant la loi P(n + 1)
Récurrence achevée.
9. La suite (Xn )n∈N∗ de variables aléatoires indépendantes suivant la loi de poisson de paramètre 1, cette dernière
admet une espérance et une variance qui valent 1.
Sn
−1
D’après le théorème de la limite centrée n √ converge en loi vers S suivant la loi N (0, 1). Soit Sn∗ =
1/ n
Sn − n L
√ −→ N (0, 1). En déduire que pour tout t ∈ R
n
Z +∞
∗ 1 x2
P (Sn > t) = 1 − FSn∗ (t) −−−−−→ 1 − FS (t) = √ e− 2 dx = P (S > t)
n→+∞ 2π t
10. Soit t ∈ R∗+

(a) Comme [Sn∗ > t] ⊂ Sn∗2 > t2 ⊂ Sn∗2 > t2 , on a

E Sn∗2

P (Sn∗ Sn∗2 2

> t) > P > 6
t2
Par inégalité de Markov appliquée à Sn∗2 > 0.
(b) • Pour tout n ∈ N∗ , l’application t ∈ ]0, +∞[ 7−→ P(Sn∗ > t) est continue par morceaux sur ]0, +∞[. En
effet
P (Sn∗ > t) = 1 − P (Sn∗ 6 t)

√
= 1 − P (Sn 6 t n + n)
√
= 1 − P (Sn 6 t n + n )
√
= 1 − FSn (6 t n + n )
FSn est continue par morceaux car Sn (Ω) = N et la fonction partie entière est continue par morceaux
sur R, donc par composition de fonctions continues par morceaux l’application considérée est continue
par morceaux
• D’après la question 9, une telle suite converge simplement vers une fonction continue sur ]0, +∞[.
• Pour tout n ∈ N∗ , on a bien, d’après la formule de Huygens kœing, E(Sn∗2 ) = V (Sn∗ ) + E(Sn∗ )2 = 1. On
conclut, d’après la question précédente que
(
∗ 1 si t 6 1
∀t ∈ ]0, +∞[ , P(Sn > t) 6 1
t2 si t > 1
(
1 si t 6 1
Ainsi, on a majoré les termes de la suite par la fonction ϕ : t 7−→ 1
qui est continue
t2 si t > 1
positive et intégrable sur R∗+
Par le théorème de convergence dominée, on obtient
Z +∞ Z +∞
P (Sn∗ > t) dt −−−−−→ P (S > t) dt
0 n→+∞ 0
Z +∞ Z +∞ 2
Z +∞ Z x 2

− x2 − x2
11. On admet que e dx dt = e dt dx. On a
0 t 0 0
Z +∞ Z +∞
Z +∞
1 x2
P (S > t) dt = √ e− 2 dx dt
0 0 2π t
Z +∞ Z x 2

− x2
= e dt dx
0 0
Z +∞
x2
= xe− 2 dx
0
1 h − x2 i+∞
= √ −e 2
2π 0
1
= √
2π
12. Soit n ∈ N∗
• Pour tout k ∈ N, l’application t 7−→ P (Sn = k) χh0, k−n
√
h est positive, continue par morceaux sur [0, +∞[ et
n
intégrable
X
• La série P (Sn = k) χh0, k−n
√
h converge normalement, puisque ([S = k])
n k∈N est un système complet
n
k>0
√
d’événements, donc elle converge simplement, de somme t 7−→ P (Sn > t n + n) = P (Sn∗ > t) = 1 − FSn∗ (t)
k−n
h (t) = 1 équivaut à k > n et t < √
qui est continue par morceaux sur ]0, +∞[. En effet χh0, k−n ou
√
√
n n
encore k > t n + n
• Pour k > n, on a
k−n
Z +∞ Z √
n
P (Sn = k) χh0, k−n
√
h (t) dt = P (Sn = k) dt
0 n 0
k−n
= √ P (Sn = k)
n
k − n nk −n e−n nk
= √ e ∼ √
n k! n (k − 1)!
X nk
Or la série converge
(k − 1)!
Donc, d’après le théorème de convergence dominée pour les séries,

Z +∞ Z +∞
√
P (Sn∗ > t) dt =

P Sn > t n + n dt
0 0
+∞
!
Z +∞ X
= P (Sn = k) χh0, k−n
√
h (t) dt
0 n
k=0
+∞ Z
X +∞
= P (Sn = k) χh0, k−n
√
h (t) dt
0 n
k=0
+∞ Z k−n
√
X n
= P (Sn = k) dt
k=n+1 0
+∞
X k−n
= √ P (Sn = k)
n
k=n+1
+∞
1 X nk
= √ (k − n) e−n
n k!
k=n+1
+∞
nk nk+1

1 X
= √ −
en n (k − 1)! k!
k=n+1
1 nn+1
= n
√ Par télescopage
e n n!
Ainsi
+∞
1 nn+1
Z
P (Sn∗ > t) dt = √
0 nen n!
13. Enfin
+∞
1 nn+1
Z
1
P (Sn∗ > t) dt = √ −−−−−→ √
0 nen n! n→+∞ 2π
Ce qui nous donne la formule de Stirling.
Loi de Zipf Énoncé
Loi de Zipf
+∞
X 1
On note ζ la fonction zeta de Riemann, définie par ζ(x) = x
n=1
n
Partie I: Loi de Zipf
λ
Pour s > 1 et λ ∈ R, on pose: Ps ({n}) = pour tout n ∈ N?
ns
1. Pour quelle(s) valeur(s), l’application Ps détermine-t-elle une probabilité sur (N? , P(N? )) ?
1
On prend λ = et on considère désormais l’espace probabilisé (N? , P(N? ), Ps )
ζ(s)
2. Pour m ∈ N? , on introduit l’événement: Am = mN∗ = {km , k ∈ N? }
Exprimer simplement la probabilité de l’événement Am .
3. Soit m, n ∈ N∗ . Montrer que An et Am sont indépendants si, et seulement, si m ∧ n = 1

4. Application: On note pi le i-ème nombre premier (avec i ∈ N∗ , p1 = 2, p2 = 3...) et Cn l’ensemble des entiers
divisibles par aucun des nombres premiers pi , pour 1 6 i 6 n
(a) Calculer Ps (Cn )
\
(b) Déterminer Cn
n∈N∗
(c) En déduire le développement eulérien de ζ

n −1
Y 1
lim 1− s = ζ(s)
n→+∞
i=1
pi
On écrit alors
+∞
Y −1
1
1− s = ζ(s)
i=1
pi
Partie II: Variable aléatoire
Soit s ∈ ]1, +∞[. On se donne une variable aléatoire Xs à valeurs dans N∗ de loi
n−s
∀n ∈ N∗ , P (Xs = n) =
ζ(s)
5. Pour quelles valeurs de s, la variable Xs admet une espérance et la calculer

6. Pour quelles valeurs de s, la variable Xs admet une variance et la calculer
7. Soit k ∈ N∗ . On note Bk l’événement « k divise Xs ».
(a) Calculer P (Bk )
(b) Montrer que si m et n sont premiers entre eux, alors Bn et Bm sont indépendants
1
8. Montrer que la probabilité qu’aucun carré, autre que 1, ne divise Xs est
ζ(2s)
Indication : On pourra utiliser le développement eulérien de ζ
Loi de Zipf Correction
Partie I: Loi de Zipf
+∞ +∞
X 1 X 1
1. La condition Ps (N∗ ) = Ps ({n}) = 1 détermine λ = avec ζ(s) = s
. Inversement, cette valeur
n=1
ζ(s) n=1
n
+∞
1 ∗
X
λ= convient car on a alors pour tout n ∈ N et Ps ({n}) = 1
ζ(s) n=1
2. On peut exprimer Am = {mk | k ∈ N∗ } et donc

+∞ +∞
X X λ 1
Ps (Am ) = Ps ({mk}) = s s
= s
m k m
k=1 k=1
1
3. Soit m, n ∈ N∗ . D’une part, d’après le calcul précédent, P (Am ) P (An ) = .
(mn)s
1
D’autre part An ∩ Am = Appcm(m,n) . Comme P (An ∩ Am ) = .
ppcm(m, n)s
Les événements Am et An sont indépendants si, et seulement, si ppcm(m, n) = mn, c’est-à-dire si m et n sont
premiers entre eux
4. Application:
(a) Soit p1 , · · · , pn des nombres premiers deux à deux distincts.
n
\
Apk = {m ∈ N∗ | ∀k ∈ [[1, n]] , pk |m}
k=1
Or les pk étant des nombres premiers deux à deux distincts

n
Y
(∀k ∈ [[1, n]] , pk |m) ⇐⇒ pk | m
k=1
et donc
n
\
Ap k = A Q
n
pk
k=1 k=1
On vérifie alors immédiatement

n
! ! n n
\ 1 Y 1 Y
Ps Ap k = Ps AQ
n = Q
n = = P (Apk )
pk ps
k=1 k=1 psk k=1 k k=1
k=1
Donc les (Apk )k∈N∗ sont mutuellement indépendants. Il en va donc de même de leurs complémentaires et
n
\
avec l’écriture Cn = Api , on obtient
i=1
n n
Y Y 1
Ps (Cn ) = (1 − Ps (Api )) = 1− s
i=1 i=1
pi
\
(b) L’ensemble Cn est l’ensemble des entiers non nuls qui ne sont divisibles par aucun des nombres premiers.
n∈N∗
\
Évidemment il y’a que 1 dans ce cas, et donc Cn = {1}
n∈N∗
(c) Comme la suite (Cn )n∈N∗ est décroissante, alors, en utilisant la limite monotone, on a:
!
\ 1
lim Ps (Cn ) = Ps Cn = Ps ({1}) =
n→+∞
∗
ζ(s)
n∈N
Donc
n −1
Y 1
ζ(s) = lim 1− s
n→+∞
i=1
pi
Loi de Zipf Correction
Partie II: Variable aléatoire
X
5. Xs admet une espérance si, et seulement, si la SATP nP (Xs = n) converge, c’est-à-dire si s > 2. Auquel cas
n>1
+∞
X 1 ζ(s − 1)
E (Xs ) = s−1
=
n=1
ζ(s)n ζ(s)
X
6. Xs admet une variance si, et seulement, si la SATP n2 P (Xs = n) converge, c’est-à-dire si s > 3. Auquel cas
n>1
+∞
X 1 ζ(s − 2)
E Xs2 = s−2
=
n=1
ζ(s)n ζ(s)
Par la formule de Huygens kœnig
2 ζ(s − 2)ζ(s) − ζ(s − 1)2

V (X) = E Xs2 − E (Xs ) =

ζ(s)2
7. On note Bk l’événement « k divise Xs ».

[
(a) On écrit Bk = [Xs = kn], avec les événements ([Xs = kn])n∈N∗ sont deux à deux incompatibles, alors
n∈N∗
d’après la σ-additivité
+∞ +∞ −s −s
X X n k 1
P (Bk ) = P (X = nk) = = s
n=1 n=1
ζ(s) k
(b) Supposons que m et n sont premiers entre eux, alors Bn ∩ Bm est l’événement « m et n divisent Xs ».
Comme m et n sont premiers entre eux, cela signifie exactement « mn divise Xs ». Donc
1 1 1
P (Bm ∩ Bn ) = = s s = P (Bm ) P (Bn )
(mn)s m n
Ainsi l’indépendance de Bm et Bn
8. Soit C l’événement « aucun carré ne divise Xs ». L’événement peut aussi s’écrire « aucun carré de nombre
premier ne divise Xs » et son contraire « au moins un carré de nombre premier divise Xs ». Alors
[ \
C= Bp2n , soit C = Bp2n
n∈N∗ n∈N∗
Puisque les entiers p2n sont premiers entre eux, les événements Bp2n sont mutuellement indépendants. En utilisant
le théorème de la limite monotone et le développement eulérien de la fonction ζ on arrive à
n
! n n
\ Y Y 1 1
P (C) = lim P Bp2k = lim P Bp2k = lim 1 − 2s =
n→+∞ n→+∞ n→+∞ pk ζ(2s)
k=1 k=1 k=1
Problème de révision
Fonction caractéristique
Énoncé
On considère la file d’attente à une caisse de supermarché. Il y a un serveur et un nombre places infini. Les clients
sont servis selon la discipline "premier arrivé, premier servi". On appelle "système", l’ensemble des clients en attente
et du client en service. On considère (An )n>1 la suite de variables aléatoires à valeurs dans N où An représente le
nombre de clients arrivés pendant le service du client n.
On définit la suite (Xn )n>0 comme suit

An+1 si Xn = 0
X0 = 0 et Xn+1 =
Xn − 1 + An+1 si Xn > 0
On suppose que les variables aléatoires (An )n>1 sont indépendantes et de même loi, de loi commune celle d’une variable
aléatoire A. On suppose que
• A est à valeurs entières
• P(A > n) > 0 pour tout entier n,
• A a une espérance finie, on note ρ = E[A].
Partie I: Fonction caractéristique
Dans cette section X représente une variable aléatoire quelconque à valeurs dans N. On définit sa fonction caractéris-
tique φX par
R −→ C
φX :
t 7−→ E eitX
1. Montrer que ΦX est bien définie
2. Montrer que φX est continue sur R et périodique.
3. Soit X et Y deux variables aléatoires à valeurs dans N telles que φX = φY . Montrer que X et Y ont même loi.
on pourra montrer que Z π
1
P(X = k) = φX (t)e−ikt dt
2π −π
pour tout entier k.
4. Si E[X] < +∞, montrer que φX est dérivable sur R et calculer φ0X (0).
5. Calculer la fonction caractéristique d’une variable aléatoire Z = Y − 1 où Y est de loi géométrique de paramètre
p ∈ ]0, 1[.
Partie II: Remarques préliminaires
6. Montrer, par récurrence sur n ∈ N, que Xn représente le nombre de clients dans le système au moment du départ
du client n.
7. Supposons qu’il existe M > 0 tel que P(Xn 6 M ) = 1 pour tout n > 0?
(a) Montrer que: ∀n ∈ N∗ , P(An 6 M ) = 1
(b) Déduire une contradiction
8. Montrer que pour tout n > 1, Xn+1 − Xn > −1.
9. Justifier que, pour tout n > 0, les variables aléatoires Xn et An+1 sont indépendantes.
Partie III: Convergence
Fonction caractéristique
Énoncé
10. Etablir l’identité suivante pour X une variable aléatoire à valeurs entières:
E eitX χ{X>0} = φX (t) − P(X = 0)

11. Pour tout entier n, établir la relation suivante:
φXn+1 (t) = φA (t) e−it φXn (t) + 1 − e−it P(Xn = 0)

On suppose dorénavant que 0 < ρ < 1. On admet qu’alors la suite P(Xn = 0) n>1 converge vers une
limite, notée α. On suppose que A n’est pas arithmétique, c’est-à-dire que |φA (t)| < 1 pour t ∈
/ {2kπ, k ∈
Z}.
On pose
θ : [−π, π] −→ C
0 7−→ 1
φA (t) 1 − e−it

t 7−→ α pour t 6= 0
1 − φA (t)e−it
12. Etablir le développement limité à l’ordre 1, de φA au voisinage de 0.
13. Que doit valoir α (en fonction de ρ) pour que θ soit continue en 0?
14. On fixe ε > 0. Pour tout t ∈ [−π, π]\{0}, identifier βt ∈ [0, 1[ tel que pour tout entier n suffisamment grand, on
ait l’identité suivante:
φXn+1 (t) − θ(t) ≤ βt φXn (t) − θ(t) + ε

15. Montrer que la suite de fonctions ΦXn n>1 converge simplement vers θ.
Partie IV: Application

On admet que θ est la fonction caractéristique d’une variable aléatoire à valeurs entières Y : θ(t) = E eitY pour
tout t ∈ [−π, π]. On suppose que
1
φA (t) =
1 + ρ − ρeit
16. Identifier la loi de A.
17. Montrer que φA vérifie les hypothèses requises.
18. Calculer θ et identifier la loi de Y .
Fonctions génératrices des moments

Énoncé
Soit (Ω, A, P) un espace probabilisé, par la suite, les variables aléatoires considérées sont des variables aléatoires
réelles discrètes ou à densité. Si X est une variable aléatoire sur (Ω, A, P), la fonction génératrice des moments de X,
lorsqu’elle existe, est la fonction numérique de la variable réelle t, MX : t −→ E etX , où E etX désigne l’espérance
de la variable aléatoire etX .
Partie I: Variables aléatoires discrètes finies
Soit X une variable aléatoire discrète prenant un nombre fini de valeurs x1 , · · · , xr avec les probabilités respectives
p1 , · · · , pr , où r ∈ N∗ . On définit la fonction ϕX sur R∗ par,
1
∀t ∈ R∗ , ϕX (t) = ln(MX (t))
t
1. Déterminer MZ , lorsque Z suit une loi de Bernoulli de paramètre p, p ∈ [0, 1].
(k)
2. Montrer que MX est de classe C ∞ sur R, et que pour tout entier naturel k, MX (0) = E X k .

3. (a) Montrer que ϕX est bien définie sur R∗ et prolongeable par continuité en 0. On pose ϕX (0) = E (X) et on
note encore ϕX la fonction ainsi prolongée.
(b) Démontrer que ϕX est dérivable en 0 et calculer ϕ0X (0) en fonction de la variance V (X) de X.
1
4. (a) Montrer que pour tout u 6 0, eu 6 1 + u + u2 ;
2
(b) Montrer que si X ne prend que des valeurs négatives ou nulles, alors, pour tout t > 0,
t
ϕX (t) 6 E (X) + E X 2

2
5. (a) Pour tout entier i tel que 1 6 i 6 r, on note fi la fonction définie sur R, part t 7−→ etxi . Montrer que la
(b) En déduire que deux variables discrètes finies X et Y ont la même loi si, et seulement si, les fonctions ϕX
et ϕY sont égales.
6. Montrer que si X et Y sont des variables discrètes finies indépendantes, alors,
ϕX+Y = ϕX + ϕY
7. En déduire MX , lorsque X suit une loi binomiale de paramètre s et p, s est un entier naturel non nul et
0 6 p 6 1.
8. On dit qu’une variable aléatoire réelle X est symétrique si X et −X ont la même loi.
Montrer que ϕX est impaire si, et seulement si, X est une variable aléatoire réelle symétrique.
9. On considère une suite (Xn )n>1 de variables aléatoires discrètes finies mutuellement indépendantes sur (Ω, A, P),
qui suivent la même loi que X. On note m l’espérance de X et σ son écart-type que l’on suppose strictement
positif.
n
X Sn − E (Sn )
On pose, pour tout entier naturel non nul, Sn = Xk et Sn∗ = p .
k=1
V (Sn )
(a) Montrer que, pour tout entier naturel non nul n et tout réel non nul t,
√ √
−m n n t
ϕSn∗ (t) = + ϕX √
σ σ σ n
t
(b) En déduire que lim ϕSn∗ (t) = .
n→+∞ 2
Fonctions génératrices des moments

Énoncé
Soit X une variable aléatoire discrète réelle infinie, notons IX l’ensemble des réels t pour lesquels MX existe.
10. (a) Montrer que, pour tous réels a, b, c tels que a 6 b 6 c et tout réel x, ebx 6 eax + ecx .
(b) En déduire que IX est un intervalle contenant 0.
11. Soit Y une variable aléatoire discrète réelle qui suit une loi de Poisson de paramètre λ > 0. Déterminer la
fonction génératrice des moments MY de Y .
12. On suppose que la fonction MX est définie sur un intervalle de la forme ] − a, a[, (a > 0). Notons (xn )n∈N une
énumération des valeurs de X.
Posons, pour tout n ∈ N et tout t ∈] − a, a[, un (t) = P (X = xn )etxn et xn . Soit α > 0 tel que [−α, α] ⊂] − a, a[,
et soit ρ ∈]α, a[.
(a) Montrer que, pour tout k ∈ N, tout t ∈] − α, α[ et tout n ∈ N,
k α|xn |
|u(k)
n (t)| 6 P (X = xn )(|xn |) e
(k)
où un désigne la dérivée k-ème de la fonction un .
(b) Montrer que, pour tout k ∈ N, il existe Mk > 0, pour tout t ∈] − α, α[ et tout n ∈ N,
ρ|xn |
|u(k)
n (t)| 6 Mk P (X = xn )|e .
(k)
(c) En déduire que MX est de classe C ∞ sur ] − a, a[, et que pour tout k ∈ N, E X k = MX (0)

13. En déduire l’espérance et la variance d’une variable aléatoire Y qui suit une loi de Poisson de paramètre λ > 0.
Si X est une variable aléatoire à densité, on note IX l’intervalle de R, qui contient 0, pour lequel MX existe.
14. Soient X et Y deux variables aléatoires à densité indépendantes, qui admettent respectivement des fonctions
génératrices des moments MX et MY , montrer que
∀t ∈ IX ∩ IY , MX+Y (t) = MX (t)MY (t)
15. Soit X une variable aléatoire à densité possédant une fonction génératrice des moments MX et une densité f .
On suppose que cette fonction génératrice des moments soit définie sur IX =]a, b[, (a, b) ∈ R2 , a < 0 < b, et soit
s un réel tel que, 0 < s < min(−a, b).
k!
(a) Montrer que, pour tout k ∈ N∗ et tout t ∈ R, |tk | 6 k es|t| .
s
(b) En déduire que, pour tout k ∈ N∗ , E |X|k est finie.

+∞
X tk
(c) Montrer que, pour tout t ∈] − s, s[, MX (t) = E Xk
k!
k=0
(k)
(d) En déduire que, pour tout k ∈ N, MX (0) = E Xk
Convergence
Énoncé
Toutes les variables aléatoires qui interviennent dans ce problème sont supposées définies sur un espace probabilisé
(Ω, A, P). Dans les questions 1 à 3, λ désigne un paramètre réel strictement positif, inconnu.
(Xn )n∈N∗ une suite de variables aléatoires à valeurs strictement positives, indépendantes, de même loi exponentielle
Xn
de paramètre λ. On pose pour tout n de N∗ : Sn = Xk et Jn = λSn .
k=1
∗
1. Calculer pour tout n de N , E (Sn ), V (Sn ) , E (Jn ) et V (Jn ).
2. (a) Montrer, par récurrence que, la densité fJn de Jn est donnée par
 −x n−1
 e x
si x > 0
fJn (x) = (n − 1)! si x 6 0
0


1
(b) A l’aide du théorème de transfert, établir pour tout n supérieur ou égal à 3, l’existence de E et de
Jn
1
E , et donner leur valeurs respectives.
Jn2
3. On note Φ la fonction de répartition de la loi normale centrée réduite, et uα le réel strictement positif tel que
α
Φ (uα ) = 1 − .
2
Sn √
(a) Enoncer le théorème de la limite centrée. En déduire que la variable aléatoire Nn définie par Nn = λ √ − n
n
converge en loi vers la loi normale centrée réduite.
(b) En déduire que P ([−uα 6 Nn 6 uα ]) ∼ 1 − α.
Dans les questions 4 à 6, on suppose que λ = 1.

4. On pose pour tou n de N∗ : Tn = max (X1 , X2 , ..., Xn ). Z x Z x
Pour tout n de N∗ , pour tout réel x positif ou nul, on pose : gn (x) = FTn (t) dt et hn (x) = tfTn (t) dt
0 0
(a) Exprimer hn (x) en fonction de Fn (x) et gn (x).

(b) Déterminer pour tout réel t, l’expression de FTn (t) en fonction de t.
1
Etablir pour tout n supérieur ou égal à 2, la relation : gn−1 (x) − gn (x) =FT (x)
n n
(c) En déduire que pour tout n de N∗ , pour tout réel x positif ou nul, l’expression de gn (x) en fonction de
x, FT1 (X) , FT2 (x) , ..., FTn (x).
(d) Montrer que FTn (x) − 1 est équivalent à −ne−x , lorsque x tend vers +∞.
Pn 1
(e) Déduire des questions c) et d) l’existence de E (Tn ) et montrer que E (Tn ) = .
k=1 k
5. On veut étudier dans cette question la convergence en loi de la suite de variables aléatoires (Gn )n>1 définie par
: pour tout n de N∗ , Gn = Tn − E (Tn ).
On pose pour tout n de N∗ : γn = − ln n + E (Tn ) et on admet sans démonstration que la suite (γn )n>1 est
convergente ; on note γ sa limite.
n
1
(a) Montrer que pour tout x réel et n assez grand, on a : FGn (x) = 1 − e−(x+γn ) .
n
−(x+γ)
(b) En déduire que pour tout x réel, on a : lim FGn (x) = e−e
n→+∞
−(x+γ)
(c) Montrer que la fonction FG : R → R définie par FG (x) = e−e est la fonction de répartition d’une
variable aléatoire G à densité. Conclure.
6. Soit X une variable aléatoire à densité de fonction de répartition FX strictement croissante. Déterminer la loi
de la variable alétoire Y définie par Y = FX (X).
Énoncé
Ce problème propose deux démonstrations probabilistes de la formule de Stirling

n n √
n! ∼ 2nπ
e
Soit (Xn )n∈N une suite de variables aléatoires indépendantes suivant la loi exponentielle de paramètre 1. Pour n ∈ N,
n
X Sn − n
on pose Sn = Xk et pour tout n > 1 on pose Sn∗ = √ .
n
k=0
∗
On admet que Sn converge en loi vers la loi N (0, 1)
1. Énoncer le théorème central limite
2. (a) Montrer, par récurrence sur n, que Sn est de loi Γ(n + 1, 1).
(b) En déduire que la densité de Sn∗ s’écrit gn (x) = an hn (x), avec
1 √
nn+ 2 e−n 2π
an =
n!
et n
1 −√nx x
hn (x) = √ e 1+ √ χ]−√n,+∞[
2π n
3. En utilisant le théorème central limite, montrer que
Z 1 Z 1
1 x2
lim gn (x) dx = √ e− 2 dx
n→+∞ 0 2π 0
4. En utilisant le théorème de la convergence dominée, montrer que

Z 1 Z 1
1 x2
n→+∞ 0 2π 0
5. En déduire la formule de Stirling : √

n
X Sn − n
n
k=1
(a) Caractériser la loi de X
(b) Donner l’espérance, la variance et la fonction génératrice de X
7. Soit X et Y deux variables aléatoires indépendantes suivant les lois de poisson de paramètres respectifs λ et µ.
Quelle est la loi de X + Y
8. Montrer que Sn est de loi P(n).
9. Montrer que Sn∗ converge en loi vers S = N (0, 1). En déduire que
Z +∞
1 x2
∀t ∈ R, P (Sn∗ > t) −−−−−→ √ e− 2 dx = P (S > t)
n→+∞ 2π t

Énoncé
10. Soit t ∈ R∗+
E Sn∗2

(a) Montrer que P (Sn∗ > t) 6
t2
(b) En déduire que
Z +∞ Z +∞
P (Sn∗ > t) dt −−−−−→ P (S > t) dt
0 n→+∞ 0
Z +∞ Z +∞ 2
Z +∞ Z x 2

− x2 − x2
11. On admet que e dx dt = e dt dx. Montrer que
0 t 0 0
Z +∞
1
P (S > t) dt = √
0 2π
12. En appliquant le TCVD pour les séries à la série du terme général P (Sn = k) χi0, k−n
√
h , montrer que
n
+∞
1 nn+1
Z
P (Sn∗ > t) dt = √
0 nen n!
13. En déduire la formule de Stirling
Lois exponentielle et géométrique-Convergence

Énoncé
Toutes les variables aléatoires qui interviennent dans ce problème sont supposées définies sur un espace probabilisé
(Ω, A, P). Sous réserve d’existence, on note E (X) et V (X) respectivement l’espérance et la variance d’une variable
aléatoire X, et cov (X, Y ) la covariance de deux variables aléatoires X et Y .
la fonction de répartition et une densité d’une variable aléatoire X à densité sont notées respectivement FX et fX .
Partie I: Loi géométrique
Soit p un réel de ]0, 1[ et q = 1 − p. Soit X1 et X2 deux variables indépendantes de même loi géométrique de
paramètre p (d’espérance 1/p). On pose : Y = X1 − X2 , T = max (X1 , X2 ) et Z = min (X1 , X2 ). On rappelle que
T + Z = X1 + X2 et T − Z = |X1 − X2 | = |Y |.
1. (a) Rappeler sans démonstration les valeurs respectives de V (X1 ) et de P ([X1 6 k]), pour tout k de X1 (Ω).
(b) Calculer E (X1 + X2 ), V (X1 + X2 ), E (X1 − X2 ), V (X1 − X2 ).
p
(c) Etablir la relation : P ([X1 = X2 ]) =
1+q
2. (a) Montrer que Z suit la loi géométrique de paramètre 1 − q 2 . En déduire E (Z), V (Z) et E (T ).
(b) Soit k un entier de N∗ .Justifier l’égalité : [Z = k] ∪ [T = k] = [X1 = k] ∪ [X2 = k].
En déduire la relation suivante : P (T = k) = 2P (X1 = k) − P (Z = k).

q 2q 2 + q + 2
(c) Etablir la formule : V (T ) = 2 .
(1 − q 2 )
3. (a) Exprimer pour tout j de N∗ , l’évènement [Z = j] ∩ [Z = T ] en fonction des évènements [X1 = j] et [X2 = j].
En déduire pour tout j de N∗ , l’expression de P ([Z = j] ∩ [Z = T ])
2
(b) Montrer que pour tout couple (j, `) de (N∗ ) , on a : P ([Z = j] ∩ [T − Z = `]) = 2p2 q 2j+`−2
pq |k|
(c) Montrer que pour tout k de Z, P ([X1 − X2 = k]) = (on distinguera trois cas : k = 0, k > 0 et k < 0).
1+q
(d) En déduire la loi de la variable aléatoire |X1 − X2 |.
(e) Etablir à l’aide des questions précédentes que les variables Z et T − Z sont indépendantes.
4. (a) A l’aide du résultat de la question 3e, calculer cov (Z, T ). Les variables Z et T sont-elles indépendantes ?
(b) Calculer en fonction de q, le coefficient de corrélation linéaire ρ de Z et T .
(c) Déterminer la loi de probabilité du couple (Z, T ).
(d) Déterminer pour tout j de N∗ , la loi de probabilité conditionnelle de T sachant l’évènement [Z = j].
(e) Soit j un élément de N∗ . On suppose qu’il existe une variable aléatoire Dj à valeur dans N∗ , dont la loi de
probabilité est la loi conditionnelle de T sachant l’évènement [Z = j]. Calculer E (Dj ).
Partie II: Loi exponentielle
Soit λ un réel strictement positif. Soit X1 et X2 deux variables indépendantes de même loi exponentielle
de paramètre λ (d’espérance 1/λ). On pose : Y = X1 − X2 , T = max (X1 , X2 ) et Z = min (X1 , X2 ).
5. (a) Rappeler sans démonstration les valeurs respectives de V (X1 ) et de P ([X1 6 x]), pour tout réel x.
(b) Calculer E (X1 + X2 ), V (X1 + X2 ), E (Y ), V (Y ).
6. Déterminer pour tout réel z, FZ (z) et fZ (z). Reconnaître la loi de Z et en déduire E (Z) et V (Z).
2
1 − e−λt si t > 0
7. (a) Montrer que pour tout réel t, on a : FT (t) = . Exprimer pour tout réel t, fT (t).
0 si t < 0
3 5
(b) Justifier l’existence de E (T ) et V (T ). Montrer que E (T ) = et V (T ) = 2 .
2λ 4λ
(on pourra utiliser des changements de variables affine).
√
8. On note r le coefficient de corrélation linéaire de Z et T . Montrer que r = 1/ 5.
Lois exponentielle et géométrique-Convergence

Énoncé
9. (a) Déterminer une densité de la variable aléatoire −X2 .

λ
(b) Etablir que la fonction y 7→ e−λ|y| est la densité de probabilité sur R de la variable aléatoire Y .
2
(c) Déterminer pour tout y réel, f|Y | (y). Reconnaître la loi de |Y | = T − Z.
Partie III: Convergences
(Xn )n∈N∗ une suite de variables aléatoires à valeurs strictement positives, indépendantes, de même loi exponentielle
Xn
de paramètre λ. On pose pour tout n de N∗ : Sn = Xk et Jn = λSn .
k=1
∗
10. Calculer pour tout n de N , E (Sn ), V (Sn ) , E (Jn ) et V (Jn ).
 −x n−1
 e x
si x > 0
11. (a) Montrer, par récurrence que, la densité fJn de Jn est donnée par fJn (x) = (n − 1)! si x 6 0
0


1
(b) A l’aide du théorème de transfert, établir pour tout n supérieur ou égal à 3, l’existence de E et de
J n
1
E , et donner leur valeurs respectives.
Jn2
12. On note Φ la fonction de répartition de la loi normale centrée réduite, et uα le réel strictement positif tel que
α
Φ (uα ) = 1 − .
2
Sn √
(a) Enoncer le théorème de la limite centrée. En déduire que la variable aléatoire Nn définie par Nn = λ √ − n
n
converge en loi vers la loi normale centrée réduite.
(b) En déduire que P ([−uα 6 Nn 6 uα ]) ∼ 1 − α.
Dans les questions suivantes, on suppose que λ = 1.
13. On pose pour tou n de N∗ : Tn = max (X1 , X2 , ..., Xn ). Z x Z x
∗
Pour tout n de N , pour tout réel x positif ou nul, on pose : gn (x) = FTn (t) dt et hn (x) = tfTn (t) dt
0 0
(a) Exprimer hn (x) en fonction de Fn (x) et gn (x).

(b) Déterminer pour tout réel t, l’expression de FTn (t) en fonction de t.
1
Etablir pour tout n supérieur ou égal à 2, la relation : gn−1 (x) − gn (x) = FT (x)
n n
∗
(c) En déduire que pour tout n de N , pour tout réel x positif ou nul, l’expression de gn (x) en fonction de
x, FT1 (X) , FT2 (x) , ..., FTn (x).
(d) Montrer que FTn (x) − 1 est équivalent à −ne−x , lorsque x tend vers +∞.
n 1
P
(e) Déduire des questions c) et d) l’existence de E (Tn ) et montrer que E (Tn ) = .
k=1 k
14. On veut étudier dans cette question la convergence en loi de la suite de variables aléatoires (Gn )n>1 définie par
: pour tout n de N∗ , Gn = Tn − E (Tn ). On pose pour tout n de N∗ : γn = − ln n + E (Tn ) et on admet sans
démonstration que la suite (γn )n>1 est convergente ; on note γ sa limite.
n
1
(a) Montrer que pour tout x réel et n assez grand, on a : FGn (x) = 1 − e−(x+γn ) .
n
−(x+γ)
(b) En déduire que pour tout x réel, on a : lim FGn (x) = e−e
n→+∞
−(x+γ)
(c) Montrer que la fonction FG : R → R définie par FG (x) = e−e est la fonction de répartition d’une
variable aléatoire G à densité. Conclure.
15. Soit X une variable aléatoire à densité de fonction de répartition FX strictement croissante. Déterminer la loi
de la variable alétoire Y définie par Y = FX (X).
Min, max et quotient

Énoncé
Les deux parties sont indépendantes.
Partie I
Une gare dispose de deux guichets. Trois clients notés C1 , C2 , C3 arrivent en même temps. Les clients C1 et C2
se font servir tandis que le client C3 attend puis effectue son opération dès que l’un des deux guichets se libère.
On définit X1 , X2 , X3 les variables aléatoires égales à la durée de l’opération des clients C1 , C2 ,. C3 respectivement.
Ces durées sont mesurées en minutes et arrondies à l’unité supérieure ou égale. On suppose que les variables aléatoires
X1 , X2 , X3 suivent la loi géométrique de paramètre p, p ∈ ]0; 1[ et qu’elles sont indépendantes. On note q = 1 − p.
On note A l’événement, : «C3 termine en dernier son opération ».
Ainsi l’événement A est égal à l’événement : (min (X1 , X2 ) + X3 ) > max (X1 , X2 ) . On se propose de calculer la
probabilité de A.
1. Rappeler la loi de X1 ainsi que son espérance E (X1 ) et sa variance V (X1 ). On définit la variable aléatoire ∆
par ∆ = |X1 − X2 |.
2. Calculer la probabilité P (∆ = 0).
3. Soit n un entier naturel non nul.
+∞
X
(a) Justifier : P (X1 − X2 = n) = P (X2 = k) P (X1 = n + k)
k=1
n
pq
(b) En déduire : P (∆ = n) = 2
1+q
4. (a) Montrer que ∆ admet une espérance E (∆) et la calculer.

2
(b) Montrer : E (X1 − X2 ) = 2V (X1 ). En déduire que ∆ admet une variance V (∆) et la calculer.
5. Montrer que l’événement A est égal à l’événement (X3 > ∆).

+∞
X
6. (a) En déduire : P (A) = P (∆ = k) P (X3 > k)
k=0
(b) Exprimer P (A) à l’aide de p et q.
Partie II
Dans cette partie, X est une variable aléatoire suivant la loi géométrique de paramètre p, p ∈ ]0; 1[ et Y est une
variable aléatoire suivant la loi exponentielle de paramètre λ, λ ∈ ]0; +∞[.
On note q = 1 − p.
On suppose que X et Y sont indépendantes, c’est à dire :
∀k ∈ N∗ , ∀t ∈ [0; +∞[ , P (X = k, Y 6 t) = P (X = k) P (Y 6 t)
7. Rappeler une densité de Y ainsi que son espérance et sa variance.
Y
8. On définit la variable aléatoire Z par Z = .
X
+∞
X
(a) Montrer: ∀t ∈ [0; +∞[ , P (Z > t) = P (X = k) P (Y > tk)
k=1
pe−λt
(b) En déduire : ∀t ∈ [0; +∞[ , P (Z > t) =
1 − qe−λt
(c) Montrer que la variable aléatoire Z admet une densité et déterminer une densité de Z.
Stone Weierstrass et applications
Énoncé
Soit n un entier naturel, on note [[0, n]] = {0, · · · , n}, on appelle polynôme de Bernstein de degré n les polynômes
n−k
réels Bn,k = nk X k (1 − X)

, k ∈ [[0, n]]. Dans ce problème, on voudrait démontrer le théorème de Weierstrass par
deux méthodes et donner quelques applications de ce théorème. Dans toute la suite, on identifie polynôme et fonction
polynomiale associée
Partie I: Théorème de Weierstrass
Soit f : [0, 1] −→ R continue, pour tout entier n ∈ N∗ , on pose Pn (f ) la fonction définie sur [0, 1] par,
n
X k
Pn (f )(x) = f Bn,k (x)
n
k=0
n
X
1. (a) Calculer Bn,k
k=0
(b) En déduire que, pour tout x ∈ [0, 1], 0 6 Bn,k (x) 6 1
n
X n
X n
X
2. Calculer kBn,k , k(k − 1)Bn,k puis k 2 Bn,k
k=0 k=0 k=0
3. (a) Pour tout n ∈ N∗ et tout k ∈ [[0, n]], exprimer Bn,k0

en fonction de Bn−1,k−1 et Bn−1,k
( On étudiera les trois cas : (k 6= 0 et k 6= n), (k = 0) puis (k = n))
n−1
X k + 1
∗ 0 k
(b) Etablir que, pour tout n ∈ N et tout x ∈ [0, 1], (Pn (f )) (x) = n f −f Bn−1,k (x)
n n
k=0
(c) En déduire que si f est croissante sur [0, 1], alors pour tout n ∈ N∗ , la fonction Pn (f ) est croissante sur
[0, 1].
4. Pour la suite de cette question, on se donne un réel ε > 0
n 2
X k
(a) Pour tout x ∈ [0, 1], calculer x− Bn,k (x)
n
k=0
(b) Montrer qu’il existe α > 0 tel que,
ε
pour tout (x, y) ∈ [0, 1] × [0, 1] , |x − y| 6 α ⇒ |f (x) − f (y)| 6 .
2
(On vous demande de redémontrer le théorème de Heine pour l’application f continue sur le segment [0, 1])
(c) Soit x ∈ [0, 1], on pose A = k ∈ [[0, n]] ; x − nk 6 α et B = k ∈ [[0, n]] ; x − nk > α

X k ε
i. Montrer que f (x) − f Bn,k (x) 6
n 2
k∈A

X k 2M M
ii. Montrer que f (x) − f Bn,k (x) 6 x(1 − x) 6 , avec M = sup |f (t)|
n nα2 2nα2 t∈[0,1]
k∈B
ε M
(d) En déduire que, pour tout x ∈ [0, 1], |Pn (f )(x) − f (x)| 6 + , avec M = sup |f (t)|
2 2nα2 t∈[0,1]
(e) En déduire que la suite (Pn (f ))n>0 converge uniformément vers f sur [0, 1].
5. Plus généralement, soit g : [a, b] −→ R une fonction continue, (a, b) ∈ R2 , a < b. Montrer qu’il existe une suite
de polynômes (Qn (g))n>0 qui converge uniformément vers g sur [a, b].
Partie II: Une démonstration probabiliste du théorème de Stone Weierstrass
Soit f : [0, 1] −→ R une fonction continue et n ∈ N∗

1. Soit Sn une variable aléatoire suivant une loi binomiale de paramètre n et x, x ∈ [0, 1], on pose pour out n ∈ N∗ ,
Sn
Xn =
n

Énoncé
(a) Déterminer E (Xn ) et V (Xn ) respectivement l’espérance et la variance de Xn

1
(b) Justifier que, pour tout δ > 0, P (|Xn − x| > δ) 6
4nδ 2
2. On introduit la variable aléatoire Yn = f (Xn ) et on pose pour tout x ∈ [0, 1], Cn (f )(x) = E (Yn ). Pour la suite
de cette question, on se donne un réel ε > 0.
(a) Vérifier que x 7−→ Cn (f )(x) est une fonction polynomiale définie sur [0, 1].
(b) D’après le théorème de Heine, comme f est continue sur [0, 1], alors il existe β > 0 tel que, pour tout
ε
(x1 , x2 ) ∈ [0, 1] × [0, 1], |x1 − x2 | 6 β ⇒ |f (x1 ) − f (x2 )| 6 . ( On ne vous demande pas de redémontrer
2
ce résultat).

X k k ε
i. Montrer que f (x) − f P Xn = 6
k∈[[0,n]]
n n 2
| nk −x|6β

X k k M
ii. Montrer que f (x) − f P Xn = 6 , avec M = sup |f (t)|
k∈[[0,n]]
n n 2nβ 2 t∈[0,1]
| nk −x|>β
(c) En déduire que la suite (Cn (f ))n>1 converge uniformément vers f sur [0, 1].
Partie III: Application
Dans toute la suite de ce problème, pour tout (a, b) ∈ R2 , a < b, on pose I = [a, b].
1. Soit f : I −→ R une fonction continue, on suppose que pour tout n ∈ N,
Z b
xn f (x) dx = 0
a
(a) Montrer que la fonction f est nulle sur I.

Z +∞
(b) Pour tout n ∈ N, calculer In = xn e−(1−i)x dx
0
(c) En déduire qu’il existe une fonction réelle φ, continue sur [0, +∞[ et non nulle, telle que, pour tout n ∈ N,
Z +∞
xn φ(x) dx = 0
0
Z b
2. Soit g : I −→ R continue telle que g(x) dx = 0. Montrer qu’il existe une suite (Pn )n de polynômes telle que
Z b a
Pn (x) dx = 0 et lim sup |g(t) − Pn (t)| = 0

a n→+∞ t∈[a,b]
3. Soit ϕ : I −→ R de classe C 1 . Montrer qu’il existe une suite (Pn )n de polynômes telle que lim sup |ϕ(t) − Pn (t)| =
n→+∞ t∈[a,b]
0 et lim sup |ϕ0 (t) − Pn0 (t)| = 0

n→+∞ t∈[a,b]
4. Soit ψ : I −→ R continue positive. Montrer qu’il existe une suite (Pn )n de polynômes telle que pour tout n ∈ N
et tout t ∈ I, Pn (t) > 0 et lim sup |ψ(t) − Pn (t)| = 0
n→+∞ t∈[a,b]
Énoncé
n−k
réels Bn,k = nk X k (1 − X)

, k ∈ [[0, n]]. Dans ce problème, on voudrait démontrer le théorème de Weierstrass par
n
X k
Pn (f )(x) = f Bn,k (x)
n
k=0
n
X
k=0
n
X n
X n
X
k=0 k=0 k=0

n−1
X k + 1
∗ 0 k
n n
k=0
[0, 1].
n 2
X k
n
k=0
ε
2

X k ε
n 2
k∈A

X k 2M M
n nα2 2nα2 t∈[0,1]
k∈B
ε M
2 2nα2 t∈[0,1]

Sn
Xn =
n

Énoncé

1
4nδ 2
ε
2
ce résultat).

X k k ε
k∈[[0,n]]
n n 2
| nk −x|6β

X k k M
k∈[[0,n]]
n n 2nβ 2 t∈[0,1]
| nk −x|>β
Z b
xn f (x) dx = 0
a

Z +∞
0
Z +∞
xn φ(x) dx = 0
0
Z b
Z b a

a n→+∞ t∈[a,b]
n→+∞ t∈[a,b]
0 et lim sup |ϕ0 (t) − Pn0 (t)| = 0

n→+∞ t∈[a,b]
n→+∞ t∈[a,b]
Variables aléatoires discrètes sans mémoire

Énoncé
Partie I: Étude d’une variable discrète sans mémoire.
Soit X une variable aléatoire discrète, à valeurs dans N telle que : ∀m ∈ N, P (X > m) > 0.
On suppose également que X vérifie : ∀(m, n) ∈ N × N, P(X>m) (X > n + m) = P (X > n). On pose P (X = 0) = p
et on suppose que p > 0.
1. On pose q = 1 − p. Montrer que P (X > 1) = q. En déduire que 0 < q < 1.

2. Montrer que : ∀(m, n) ∈ N × N, P (X > n + m) = P (X > m)P (X > n).
3. Pour tout n de N on pose un = P (X > n).
(a) Utiliser la relation obtenue à la deuxième question pour montrer que la suite (un )n∈N est géométrique.
(b) Pour tout n de N, exprimer P (X > n) en fonction de n et q.
(c) Établir que : ∀n ∈ N, P (X = n) = P (X > n) − P (X > n + 1).
(d) En déduire que, pour tout n de N, on a P (X = n) = q n p.
4. (a) Reconnaître la loi de la variable X + 1.

(b) En déduire E(X) et V(X).
Partie II: Taux de panne d’une variable discrète.
Pour toute variable aléatoire Y à valeurs dans N et telle que: ∀n ∈ N, P (Y > n) > 0. On définit le taux de
panne de Y à l’instant n, noté λn par : ∀n ∈ N, λn = P(Y >n) (Y = n).
P (Y = n)
5. (a) Montrer que: ∀n ∈ N, λn = .
P (Y > n)
P (Y > n + 1)
(b) En déduire que: ∀n ∈ N, 1 − λn = .
P (Y > n)
(c) Établir alors que : ∀n ∈ N, 0 6 λn < 1.
n−1
(d) Montrer par récurrence, que : ∀n ∈ N∗ , P (Y > n) =
Q
(1 − λk ).
k=0
n−1
6. (a) Montrer que : ∀n ∈ N∗ ,
P
P (Y = k) = 1 − P (Y > n).
k=0
(b) En déduire que lim P (Y > n) = 0.
n→∞
n−1
X
(c) Montrer que lim − ln(1 − λk ) = +∞
n→∞
k=0
(d) Conclure quant à la nature de la série de terme général λn .
Partie III: Caractérisation des variables dont la loi est du type de celle de X.
7. Déterminer le taux de panne de la variable X dont la loi a été trouvée à la question 3 d) de la partie 1.
8. On considère une variable aléatoire Z, à valeurs dans N, et vérifiant : ∀n ∈ N, P (Z > n) > 0. On suppose que
le taux de panne de Z est constant, c’est-à-dire que l’on a : ∀n ∈ N, λn = λ.
(a) Montrer que 0 < λ < 1.

(b) Pour tout n de N, déterminer P (Z > n) en fonction de λ et n.
(c) Conclure que les seules variables aléatoires Z à valeurs dans N, dont le taux de panne est constant et telles
que pour tout n de N, P (Z > n) > 0, sont les variables dont la loi est du type de celle de X.
Stone Weierstrass et applications [CNC-2016] Énoncé
Stone Weierstrass et applications [CNC-2016]
n−k
réels Bn,k = Cnk X k (1 − X) , k ∈ [[0, n]]. Dans ce problème, on voudrait démontrer le théorème de Weierstrass par
n
X k
Pn (f )(x) = f Bn,k (x)
n
k=0
n
X
k=0
n
X n
X n
X
k=0 k=0 k=0

n−1
X k + 1
∗ 0 k
n n
k=0
[0, 1].
n 2
X k
n
k=0
ε
2

X k ε
n 2
k∈A

X k 2M M
n nα2 2nα2 t∈[0,1]
k∈B
ε M
2 2nα2 t∈[0,1]

Sn
Xn =
n
Stone Weierstrass et applications [CNC-2016] Énoncé

1
4nδ 2
ε
2
ce résultat).

X k k ε
k∈[[0,n]]
n n 2
| nk −x|6β

X k k M
k∈[[0,n]]
n n 2nβ 2 t∈[0,1]
| nk −x|>β
Z b
xn f (x) dx = 0
a

Z +∞
0
Z +∞
xn φ(x) dx = 0
0
Z b
Z b a

a n→+∞ t∈[a,b]
n→+∞ t∈[a,b]
0 et lim sup |ϕ0 (t) − Pn0 (t)| = 0

n→+∞ t∈[a,b]
n→+∞ t∈[a,b]
Stone Weierstrass et applications [CNC-2016] Correction
1. (a) On fait appel à la formule du binôme de Newton, on obtient

n
X n
X n−k
Bn,k = Cnk X k (1 − X) =1
k=0 k=0
(b) Il est clair que pour tout x ∈ [0, 1], Bn,k (x) = Cnk xk (1 − x)n−k > 0. D’autre part, d’après la question
Xn
précédente, Bn,k (x) 6 Bn,k (x) = 1
k=0
k−1
2. • On utilise la formule kCnk = nCn−1 pour tout k ∈ [[1, n]], alors
n
X n
X n
X n−k
kBn,k = kBn,k = kCnk X k (1 − X)
k=0 k=1 k=1
Xn
k−1 k n−k
= nCn−1 X (1 − X)
k=1
n−1
X
k n−1−k
= nCn−1 X k+1 (1 − X)
k=0
n−1
= nX (X + (1 − X)) = nX
n
X
k−2
• Pour n = 1, on a bien k(k − 1)Bn,k = 0. Si n > 2, on utilise la formule k(−1)Cnk = n(n − 1)Cn−2 pour
k=0
tout k ∈ [[2, n]], alors
n
X n
X n
X n−k
k(k − 1)Bn,k = k(k − 1)Bn,k = k(k − 1)Cnk X k (1 − X)
k=0 k=2 k=2
Xn
k−2 k n−k
= n(n − 1)Cn−2 X (1 − X)
k=2
n−2
X
k n−2−k
= n(n − 1)Cn−2 X k+2 (1 − X)
k=0
n−2
= n(n − 1)X 2 (X + (1 − X)) = n(n − 1)X 2
Donc
n
X
k(k − 1)Bn,k = n(n − 1)X 2
k=0
Cette égalité est valable aussi pour n = 1

Xn
• Le polynôme k 2 Bn,k est la somme de deux précédents
k=0
n
X
k 2 Bn,k = n(n − 1)X 2 + nX
k=0
3. (a) Soit n ∈ N∗ et k ∈ [[0, n]]. On distingue trois cas

0
• Si k = 0, on a Bn,0 = (1 − X)n , donc Bn,0 = −n(1 − X)n−1 = −nBn−1,0
0
• Si k = n, on a Bn,n = X n , donc Bn,n = nX n−1 = nBn−1,n−1
• Si k =
6 0 et k 6= n, on a
0
Bn,k = kCnk X k−1 (1 − X)n−k − (n − k)Cnk X k (1 − X)n−k−1
k−1 k−1
= nCn−1 X (1 − X)n−k − nCn−1
k
X k (1 − X)n−k−1
= n (Bn−1,k−1 − Bn−1,k )
(b) Soit n ∈ N∗ , on a:
n
0
X k 0
(Pn (f )) = f Bn,k
n
k=0
n−1
0 0
X k 0
= f (0) Bn,0 +f (1) Bn,n + f Bn,k
n
k=1
n−1
k X
= −nf (0)Bn−1,0 + nf (1) Bn−1,n−1 + n (Bn−1,k−1 − Bn−1,k )
f
n
k=1
n−1
X k n−1
X k
= −nf (0)Bn−1,0 + nf (1) Bn−1,n−1 + n f Bn−1,k−1 − n f Bn−1,k
n n
k=1 k=1
n−2
X k + 1 n−1
X k
= −nf (0)Bn−1,0 + nf (1) Bn−1,n−1 + n f Bn−1,k − n f Bn−1,k
n n
k=0 k=1
n−2
X k + 1 n−1
X k
= nf (1) Bn−1,n−1 + n f Bn−1,k − n f Bn−1,k − nf (0)Bn−1,0
n n
k=0 k=1
n−1
X k + 1 n−1
X k
= n f Bn−1,k − n f Bn−1,k
n n
k=0 k=0
n−1
X k + 1
k
= n f −f Bn−1,k
n n
k=0
n−1
X
0 k+1 k
Ainsi l’égalité souhaitée, pour tout x ∈ [0, 1], (Pn (f )) (x) = n f −f Bn−1,k (x)
n n
k=0
k k+1 k k+1
(c) Si f est croissante sur [0, 1], alors pour tout k ∈ [[0, n − 1]], on a , ∈ [0, 1] et < , alors par
n n n n
croissance de f , on a f k+1 − f nk > 0. En outre, d’après la question ??, pour tout x ∈ [0, 1], on a

n
0
Bn−1,k (x) > 0 et, par suite, (Pn (f )) (x) > 0. Ceci montre que Pn (f ) est croissante sur [0, 1]
4. On fixe ε > 0
(a) Soit x ∈ [0, 1], par un calcul direct

n 2 n
k2

X k X k
x− Bn,k (x) = x2 − 2x + 2 Bn,k (x)
n n n
k=0 k=0
n n n
X xX 1 X 2
= x2 Bn,k (x) − 2 kBn,k (x) + 2 k Bn,k (x)
n n
k=0 k=0 k=0
x 1
2
= x − 2 .nx + 2 n(n − 1)x2 + nx

n n
x(1 − x)
=
n
ε
(b) Par absurde supposons que pour tout α > 0, il existe x, y ∈ [0, 1] tel que |x − y| 6 α et |f (x) − f (y)| > .
2
1 ε
Pour n ∈ N, il existe xn , yn ∈ [0, 1] tels que |xn − yn | 6 n et |f (xn ) − f (yn )| > .
2 2
[0, 1] est compact donc [0, 1] × [0, 1] est compact d’où on peut extraire de (xn , yn ) une suite convergente
(xϕ(n) , yϕ(n) ) d’où les deux suites (xϕ(n) ) et (yϕ(n) ) convergent. Posons x = lim xϕ(n) et y = lim yϕ(n) . On
a xn − yn −−−−−→ 0 donc xϕ(n) − yϕ(n) −−−−−→ 0 d’où x = y. La fonction f est continue sur [0, 1] donc
n→+∞ n→+∞
ε
f (xϕ(n) ) − f (yϕ(n) ) → f (x) − f (y) = 0. Absurde, car f (xϕ(n) ) − f (yϕ(n) ) > > 0.
2

k ε
(c) i. Par construction de A, pour tout k ∈ A, on a: f (x) − f 6 , donc
n 2
n
X k εX εX ε
f (x) − f Bn,k (x) 6 Bn,k (x) 6 Bn,k (x) =
n 2 2 2
k∈A k∈A k=0
2
k 1 k
ii. Remarquons que si k ∈ B, alors x − > α, on a alors 1 6 2 x − . On en déduit :
n α n

X k X
f (x) − f Bn,k (x) 6 2M Bn,k (x)
n
k∈B k∈B
2
2M X k
6 x− Bn,k (x)
α2 n
k∈B
n 2
2M X k
6 x − Bn,k (x)
α2 n
k=0
2M x(1 − x)
6
α2 n
M
6
2nα2
1
où la dernière inégalité vient du fait que le maximum de x 7→ x(1 − x) sur [0, 1] est atteint en et vaut
2
1
.
4
n
X
(d) Soit x ∈ [0, 1], remarquons d’abord que f (x) = f (x)Bn,k (x), [[0, n]] = A ∪ B et A ∩ B = ∅, on obtient
k=0
alors
n n
X k X
|Pn (f )(x) − f (x)| = f Bn,k (x) − f (x)Bn,k (x)
n
k=0 k=0
n
X k
= f − f (x) Bn,k (x)
n
k=0
X k
X k
= f − f (x) Bn,k (x) + f − f (x) Bn,k (x)
n n
k∈A k∈B
X k X k
6 f − f (x) Bn,k (x) + f − f (x) Bn,k (x)
n n
k∈A k∈B
ε M
6 +
2 2nα2
(e) Fixons ε > 0 et soit α le réel strictment positif donné par l’uniforme continuité. On fixe ensuite n0
suffisamment grand tel que :
M ε
∀n > n0 , 2
6
2nα 2
On a alors, pour n > n0 :
∀x ∈ [0, 1], |f (x) − Pn (f )(x)| 6 ε.
Ceci prouve bien la convergence uniforme de la suite (Pn (f ))n>0 vers f .
5. L’application
f : x ∈ [0, 1] 7−→ g (a + (b − a)x) est continue, par composition, sur [0, 1]. Posons Qn (g)(x) =

x−a
Pn (f ) , pour x ∈ [a, b], où (Pn (f )) la suite de polynômes de Bernstein associée à f converge unifor-
b−a
mément vers f sur [0, 1]. (Qn (g)) est encore une suite de fonctions polynomiales, et pour tout x ∈ [a, b], on
a:
x−a x−a [0,1]
|Qn (g)(x) − g(x)| = Pn (f ) −f 6 k Pn (f ) − f k∞
b−a b−a
Donc (Qn (g)) converge uniformément vers g sur [a, b].

6. (a) Sn ,→ B(n, x), donc E (Sn ) = nx et V (Sn ) = nx(1 − x), en conséquence, l’espérance et la variance de Xn
1 1 x(1 − x)
sont respectivement E (Xn ) = E (Xn ) = x et V (Xn ) = 2 V (Sn ) =
n n n
(b) Soit δ > 0, l’inégalité de Bienaymé Chebychev nous donne

V (Xn ) x(1 − x) 1
P (|Xn − x| > δ) 6 = 6
δ2 nδ 2 4nδ 2

k k
7. (a) On a Xn (Ω) = , k ∈ [[0, n]] et P Xn = = P (Sn = k).
n n
f (Xn ) est bient définier car f est continue sur [0, 1] et X à valeurs dans [0, 1]. Xn (Ω) est fini ; on peut
appliquer le théorème de transfert :

X k
Cn (f )(x) = E (Yn ) = f P (Sn = k)
n
k∈Sn (Ω)
n
X k
= f Cnk xk (1 − x)n−k
n
k=0
ce qui montre que x 7−→ Cn (f )(x) est une fonction polynomiale

k k ε
(b) i. Par construction de β, on a pour tout k ∈ [[0, n]] tel que − x 6 β on a : f (x) − f 6 , donc
n n 2

X k k X k k
f (x) − f P Xn = 6 f (x) − f P Xn =
n n n n
| nk −x|6β | nk −x|6β

ε X k
6 P Xn =
2 n
| nk −x|6β
n
εX k ε
6 P Xn = =
2 n 2
k=0
ii. Remarquons que [|Xn − x| > β] ⊂ [|Xn − x| > β]

X k k X k k
f (x) − f P Xn = 6 f (x) − f P Xn =
n n n n
| nk −x|>β | nk −x|>β

X k
6 2M P Xn =
n
| nk −x|>β
6 2M P (|Xn − x| > β)
V (Xn )
6 2M
β2
2M x(1 − x)
6
β2 n
M
6
2nβ 2
où la quatrième inégalité vient de l’inégalité de Bienyamé Tchebychev, vu que E (Xn ) = x et la dernière
1 1
inégalité vient du fait que le maximum de x 7→ x(1 − x) sur [0, 1] est atteint en et vaut .
2 4
(c) Soit ε > 0 et soit β > 0 obtenu du théorème de Heine. Soit x ∈ [0, 1], alors par l’inégalité triangulaire et
les inégalités des deux dernières questions, on a:
ε M
|Cn (f )(x) − f (x)| 6 +
2 2nβ 2
Avec M = sup |f (t)|. On fixe ensuite n0 suffisamment grand tel que :
t∈[0,1]
M ε
∀n > n0 , 2
6
2nβ 2
On a alors, pour n > n0 :
∀x ∈ [0, 1], |Cn (f )(x) − f (x)| 6 ε.
Ceci prouve bien la convergence uniforme de la suite (Cn (f ))n>1 vers f .
8. (a) Par linéarité de l’intégrale, pour tout polynôme P ∈ R[X], on a:

Z b
P (x) f (x) dx = 0
a
D’après théorème de Weierstrass, il existe une suite (Pn )n∈N convergeant uniformément sur [a, b] vers f .
Pour tout n ∈ N et tout x ∈ [a, b], en écrivant
2 [a,b] [a,b]
f (x) − f (x)Pn (x) = |f (x) (f (x) − Pn (x))| 6k f k∞ k f − Pn k∞
et il en résulte que la suite (f Pn )n∈N converge uniformément vers f 2 sur [a, b]. D’après le théorème
d’intégration des limites uniformes, il vient alors:
Z b Z b
2
f (x) dx = lim f (x)Pn (x) dx
a n→+∞ a
Donc Z b
2
f (x) dx = 0
a
La fonction f 2 étant continue positive sur le segment [a, b] d’intégrale nulle, donc f 2 = 0, ainsi la nullité de
f
n −(1−i)x
(b) • Convergence: Soit n ∈ N, l’application x 7−→ x e est continue sur [0, +∞[, donc In est
n −(1−i)x 1
impropre en +∞, mais x e = ◦ , donc In converge.
+∞ x2
• Calcul: Les deux fonctions x 7−→ xn+1 et x 7−→ e−(1−i)x sont de classe C 1 sur [0, +∞[ telles que
xn+1 e−(1−i)x −−−−−→ 0, alors par une intégration par parties
x→+∞
Z +∞
In+1 = xn+1 e−(1−i)x dx
0
+∞ 0
e−(1−i)x
Z
n+1
= x dx
0 −(1 − i)
−(1−i)x +∞
n + 1 +∞ n −(1−i)x
Z
e
= xn+1 + x e dx
−(1 − i) 0 1−i 0
n+1
= In
1−i
n! 1
On en déduit que In = I0 , avec I0 = , alors
(1 − i)n 1−i
n! n! (n+1)π
∀n ∈ N, In = = √ n+1 e 4
(1 − i)n+1 2
(c) Soit n ∈ N, remarquons que I4n+3 ∈ R, en conséquence

Z +∞
x4n+3 e−x sin(x) dx = 0
0
√
L’application t 7−→ 4 t est une bijection de classe C 1 de ]0, +∞[ vers lui même, donc par intégration par
changement de variable, on obtient
Z +∞
1 +∞ n − √
Z
4
√
x4n+3 e−x sin(x) dx = t e t sin
4
t dt
0 4 0
1 −√4 √
Posons alors φ : x ∈ [0, +∞[ 7−→ e x sin ( 4 x), une telle fonction répond aux contraintes demandées
4
9. D’après le théorème de Stone Weierstrass, il existe une suite de polynômes (Qn )n qui converge uniformément
vers g sur I.
Z b
Pour n ∈ N, on définit Pn : x 7−→ Qn (x) − Qn (t) dt. La suite de polynômes (Pn ) vérifie pour tout n ∈ N,
Z b a
Pn (t) dt = 0. D’autre part pour tout x ∈ I, on a

a
Z b Z b
|Pn (x) − g(x)| 6 |Qn (x) − g(x)| + Qn (t) dt 6k Qn − g k∞ + Qn (t) dt
a a
Z b Z b
cvu cvu
Or Qn −−→ g, donc k Qn − g k∞ −−−−−→ 0 et Qn (t) dt −−−−−→ g(t) dt = 0. Ainsi Pn −−→ g
I n→+∞ a n→+∞ a I
10. ϕ est de classe C 1 sur I, en particulier ϕ0 est continue sur I, d’après le théorème de Stone Weierstrass, il
existe une suiteZ de polynômes (Qn )n qui converge uniformément vers ϕ0 sur I. Pour n ∈ N, on définit Pn :
x
x 7−→ ϕ(a) + Qn (t) dt. Comme ϕ est de classe C 1 sur [a, b], alors pour tout x ∈ [a, b], on peut écrire
Z ax
ϕ(x) = ϕ(a) + ϕ0 (t) dt et on a:
a
Z x
|Pn (x) − ϕ(x)| = Qn (t) − ϕ0 (t) dt 6 (b − a) k Qn − ϕ0 k∞
a
cvu cvu
Ceci montre Pn −−→ ϕ, et comme Pn0 = Qn , alors on a aussi Pn0 −−→ ϕ0
I I
11. On peut se ramener au cas I = [0, 1], la construction des polynômes de Bernstein donnée auparavant Pn =
n
X k cvu
ψ Bn,k , montre que ∀t ∈ [0, 1], Pn (t) > 0, car ψ est positive sur I, et Pn −−→ ψ
n I
k=0
Variables sous-gaussiennes [Mines 2015] Énoncé
Variables sous-gaussiennes [Mines 2015]
Dans tout le problème, toutes les varibales considérées sont réelles et discrètes, définies sur un espace probabilisé
(Ω, A, P ).
Définition
Soit α > 0. On dit qu’une variable aléatoire X est α-sous-gaussienne si:
α2 t2

∀t ∈ R, exp(tX) admet une espérance et E (exp(tX)) 6 exp
2
On rappelle la notation
exp(t) + exp(−t)
cosh(t) =
2
et pour tout s ∈ ]1, +∞[, on note
+∞
X 1
ζ(s) = s
n=1
n
π2
et on donne ζ(2) = .
6
t2

1. Montrer que pour tout t ∈ R, on a cosh(t) 6 exp .
2
Indication : On pourra au préalable établir le développement de la fonction cosh en série entière sur R
2. Soit t ∈ R. Démontrer que si x ∈ [−1, 1], on a l’inégalité de convexité:

1+x 1−x
exp(tx) 6 exp(t) + exp(−t)
2 2
3. Soit X une variable aléatoire réelle bornée par 1 et centrée.

(a) Soit t ∈ R. Montrer que la famille (exp(tx)P (X = x))x∈X(Ω) de réels positifs est sommable.
(b) Montrer que X est 1-sous-gaussienne.
4. En déduire que, si X est une variable aléatoire bornée par α > 0 et centrée, alors elle est α-sous-gaussienne.
X
Indication : On pourra considérer la variable Y =
α
5. Soit X1 , · · · , Xn des variables aléatoires mutuellement indépendantes et α- sous-gaussiennes, et µ1 , · · · , µn des
X n
nombres réels tels que µ2i = 1.
i=1
n
X
Montrer que la variable aléatoire µi Xi est α-sous-gaussienne.
i=1
En déduire que si X est α-sous-gaussienne, alors −X est α-sous-gaussienne
6. Soit X une variable aléatoire α-sous-gaussienne et λ > 0.
(a) En appliquant l’inégalité de Markov, montrer que pour tout t > 0:
2 2
α t
P (X > λ) 6 exp − tλ
2
(b) En déduire que:

α 2 t2

P (|X| > λ) 6 2 exp − tλ
2
Variables sous-gaussiennes [Mines 2015] Énoncé
λ
(c) Pour t = , en déduire
α2
λ2

P (|X| > λ) 6 2 exp − 2
2α
7. Soit X une variable à valeurs dans N. Montrer que X admet une espérance si, et seulement, si la série
X
P (X > k) converge et que, dans ce cas :
k>1
+∞
X
E (X) = P (X > k)
k=1
Indication : On pourra considérer la famille la famille (P (X = n))(n,k)∈I de réels positifs où I = (n, k) ∈ N∗2 | n > k

8. Si X est une variable aléatoire à valeurs dans R+ , montrer que X est d’espérance finie si et seulement si la série
de terme général P (X > k) converge et que, dans ce cas :
+∞
X +∞
X
P (X > k) 6 E(X) 6 1 + P (X > k)
k=1 k=1
Indication : On pourra pour cela considérer la partie entière [X]
9. Soit X une variable aléatoire α-sous-gaussienne et β > 0.

(a) On pose η = α−2 β −2 . Montrer que pout tout entier k > 0:
2 2
β X
P exp > k 6 2k −η
2
Indication : On pourra distinguer les cas k = 1 et k > 2 et utiliser le résultat de la question 6c

2 2
β X
(b) En déduire que si αβ < 1, la variable aléatoire exp est d’espérance finie majorée par 1 + 2ζ(η)
2
10. Montrer que si X est une variable aléatoire α-sous-gaussienne, on a l’inégalité d’Orlicz:
2
X
E exp 65
4α2
1
On pourra prendre β = √ ,
α 2
Variables sous-gaussiennes [Mines 2015] Correction
+∞
X t2k
1. Soit t ∈ R, on a cosh(t) = . Or ∀k ∈ N, on a (2k)! > 2k k! ( récurrence simple ), donc par positivité de
(2k)!
k=0
t2k on obtient
+∞ +∞ 2k
t2k
2
X X t t
cosh(t) = 6 = exp
(2k)! 2k k! 2
k=0 k=0
1+x 1−x
2. La fonction exp est convexe sur R. Comme x ∈ [−1, 1], donc , ∈ [0, 1] et de somme 1. D’après
2 2
l’inégalité de Jensen

1+x 1−x 1+x 1−x
exp(tx) = exp t+ (−t) 6 exp(t) + exp(−t)
2 2 2 2
3. (a) Pour tout x ∈ X(Ω) ⊂ [−1, 1], on utilise l’inégalité précédente, on obtient:
1+x 1−x
exp(tx)P (X = x) 6 exp(t)P (X = x) + exp(−t)P (X = x)
2 2

1+x 1−x
Les deux familles exp(t)P (X = x) et exp(−t)P (X = x) de réels positifs
2 2
x∈X(Ω) x∈X(Ω)
1+X 1 1−X 1
sont sommables de sommes respectives E exp(t) = exp(t) et E exp(−t) = exp(−t),
2 2 2 2
car X est centrée. Donc la famille (exp(tx)P (X = x))x∈X(Ω) est sommable et
2
X exp(t) + exp(−t) t
exp(tx)P (X = x) 6 = cosh(t) 6 exp
2 2
x∈X(Ω)
(b) Par le théorème du transfert exp(tX) admet une espérance et

2
X t
E (exp(tX)) = exp(tx)P (X = x) 6 exp
2
x∈X(Ω)
X
4. Lorsque X est une variable aléatoire bornée par α > 0 et centrée, on pose Y = . La variable Y est bornée par
α
1 et centrée, donc elle 1-sous-gaussienne, ainsi pour tout t ∈ R
(tα)2

E (exp(tαY )) 6 exp
2
2 2
t α
Ou encore E (exp(tX)) 6 exp
2
5. Soit t ∈ R. Les variables aléatoires exp(tµ1 X1 ), · · · exp(tµn Xn ) sont mutuellement indépendantes et chacune
Yn
admet une espérance, donc exp(tµi Xi ) admet une espérance et
i=1
n
! n
Y Y
E exp(tµi Xi ) = E (exp(tµi Xi ))
i=1 i=1
n
!
α2 t2 µ2i
X
Or pour tout i ∈ [[1, n]], la variable Xi est α-sous-gaussienne E (exp(tµi Xi )) 6 exp 2 . Donc exp t µi Xi
i=1
admet une espérance et
n
!! n
!
X Y
E exp t µi Xi = E exp(tµi Xi )
i=1 i=1
n
Y
= E (exp(tµi Xi ))
i=1
n
α2 t2 µ2i
Y
6 exp
i=1
2
n
!
α2 t2 µ2 α 2 t2
X
i
6 exp = exp
i=1
2 2
Déduction: Pour X1 = X et µ1 = −1, on a −X est α-sous-gaussienne
6. (a) Soit t > 0. L’événement [X > λ] = [exp(tX) > exp(tλ)]. La variable exp(tX) est positive et admettant une
espérance. D’après l’inégalité de Markov
E (exp(tX))
P (exp(tX) > exp(tλ)) 6
exp(tλ)
2 2
t α
6 exp − tλ
2
(b) La variable −X est aussi α-sous-gaussienne et que [|X| > λ] = [X > λ] ∪ [−X > λ] où [X > λ] et [−X > λ]
sont des événements incompatibles, donc
P (|X| > λ) = P (X > λ) + P (−X > λ)

2 2
t α
6 2 exp − tλ
2
λ t2 α 2 λ2
(c) Ceci vrai pour tout t > 0. En particulier pour t = 2
, on obtient − tλ = − 2 et l’inégalité désirée
α 2 2α
7. Notons
I = (n, k) ∈ N∗2 | n > k

et considérons la famille (P (X = n))(n,k)∈I de réels positifs. Pour (n, k) ∈ ∈N∗2 , on pose
In = (n, q) ∈ N∗2 | n > q

et
Jk = (p, k) ∈ N∗2 | p > k

X
X admet une espérance, si et seulement si la série à termes positifs nP (X = n) est convergente, si et seulement
n>1
si la famille (P (X = n))(n,k)∈I est sommable, si et seulement si pour tout k ∈ N∗ la famille (P (X = n))(n,k)∈Jk
+∞
X X
est sommable de somme P(X > k) = P(X = n) et la série P(X > k) est convergente. Au quel cas, on a
n=k k>1
+∞
X X +∞
X
nP(X = n) = P(X = n) = P(X > k)
n=1 (n,k)∈I k=1
8. Les variables X et [X] sont positives et vérifient [X] 6 X < [X] + 1. Par domination, X admet une espérance si,
X
et seulement, si [X] admet une espérance si, et seulement si la série P ([X] > k) converge. Mais [[X] > k] =
[X > k], d’où l’équivalence est assurée.

Pour les inégalités, on tient compte de la croissance et la linéarité de l’espérance
E ([X]) 6 E (X) 6 E ([X]) + 1

+∞
X +∞
X
où, d’après les données, E ([X]) = P ([X] > k) = P (X > k)
k=1 k=1
9. (a) L’inégalité est triviale si k = 1: La probabilité d’un événement est inférieure ou égale à 1.
2 2 " √ √ # √ √
β X 2 ln k 2 ln k
Si k > 2, on a exp > k = |X| > et d’après la question 6 avec λ = , on a
2 β β
bien
2 2 √ √ !
β X 2 ln k
P exp >k = P |X| >
2 β

ln k −2 −2
6 2 exp − 2 2 = 2 exp ln k α β
α β
= 2k −η
Où η = α−2 β −2 .
X
(b) Lorsque αβ < 1, alors η > 1, la série de Riemann k −η converge et, par le critère de comparaison, la
k>1
X 2 2 2 2
β X β X
série ATP P exp > k converge, donc la variable aléatoire exp est une espérance
2 2
k>1
et
2 2 +∞ 2 2
β X X β X
E exp 6 1+ P exp >k
2 2
k=1
+∞
X
6 1+2 k −η = 1 + 2ζ(η)
k=1
1
10. Si X est une variable aléatoire α-sous-gaussienne. Pour β = √ , on a αβ < 1 et η = 2. D’après la question
α 2
précédente
X2 β2X 2

E exp = E exp
4α2 2
6 1 + 2ζ(2) 6 5

Fon Gen Mom-Combiné

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Fon Gen Mom-Combiné

Transféré par

Droits d'auteur :

Formats disponibles

Fonctions génératrices des moments [CNC-2016] Énoncé

Fonctions génératrices des moments [CNC-2016]

Partie I: Variables aléatoires discrètes finies

6. Montrer que si X et Y sont des variables discrètes finies indépendantes, alors,

Partie II: Cas des variables aléatoires discrètes réelles infinies

Partie III: Cas des variables aléatoires à densité

∀t ∈ IX ∩ IY , MX+Y (t) = MX (t)MY (t)

Partie I: Cas particulier : variables aléatoires discrètes finies

(b) Soit t > 0, comme ∀i ∈ [[1, r]] on a xi 6 0, alors

Donc les fonctions ϕX et ϕY sont égales;

Par unicité de l’écriture n = m, xi = yi et P (X = xi ) = P (Y = yi )

(b) Le développement limité à l’ordre 1 en 0 de ϕX donne

Partie II: Cas des variables aléatoires discrètes réelles infinies

ebx = eλax+(1−λ)cx 6 λeax + (1 − λ)ecx 6 eax + ecx

12. (a) Soit k ∈ N, l’application un : t ∈] − α, α[7−→ P (X = xn )etxn est de classe C k et ,

les inégalités etxn 6 e|t||xn | 6 eα|xn | donnent

(b) Soit k ∈ N∗ . La fonction ψk : x ∈ R+ 7−→ xk e(α−ρ)x est continue, k

(c) • Pour tout n ∈ N, la fonction un est de classe C ∞ sur ]−α, α[

Alors E (Y ) = MY0 (0) = λ et par la formule de Huygens kœnig

Partie III: Cas des variables aléatoires à densité

Démonstrations probabilistes de la Formule de Stirling

Ce problème propose deux démonstrations probabilistes de la formule de Stirling

Partie I: Première preuve

4. En utilisant le théorème de la convergence dominée, montrer que

5. En déduire la formule de Stirling : √

Partie II: Deuxième preuve

10. Soit t ∈ R∗+

13. En déduire la formule de Stirling

Partie I: Première preuve

qui s’écrit gn (x) = an hn (x), avec √

4. • (hn ) est une suite de fonctions continues sur [0, 1]

5. D’après les questions 3 et 4, an −−−−−→ 1, et alors

Partie II: Deuxième preuve

(b) E (X) = V (X) = λ et sa fonction génératrice est donnée par: : ∀t ∈ [−1, 1]

GX+Y (t) = E tX+Y = E tX .tY = E tX .E tY GX (t)GY (t) = e(λ+µ)(t−1)

10. Soit t ∈ R∗+

P (Sn∗ > t) = 1 − P (Sn∗ 6 t)

Donc, d’après le théorème de convergence dominée pour les séries,

Partie I: Loi de Zipf

3. Soit m, n ∈ N∗ . Montrer que An et Am sont indépendants si, et seulement, si m ∧ n = 1

(c) En déduire le développement eulérien de ζ

Partie II: Variable aléatoire

5. Pour quelles valeurs de s, la variable Xs admet une espérance et la calculer

Indication : On pourra utiliser le développement eulérien de ζ

Partie I: Loi de Zipf

2. On peut exprimer Am = {mk | k ∈ N∗ } et donc

Or les pk étant des nombres premiers deux à deux distincts

On vérifie alors immédiatement

Partie II: Variable aléatoire

Par la formule de Huygens kœnig

2 ζ(s − 2)ζ(s) − ζ(s − 1)2

7. On note Bk l’événement « k divise Xs ».

Partie I: Fonction caractéristique

Partie II: Remarques préliminaires

Partie III: Convergence

E eitX χ{X>0} = φX (t) − P(X = 0)

11. Pour tout entier n, établir la relation suivante:

φXn+1 (t) = φA (t) e−it φXn (t) + 1 − e−it P(Xn = 0)

12. Etablir le développement limité à l’ordre 1, de φA au voisinage de 0.

Partie IV: Application

Fonctions génératrices des moments

Partie I: Variables aléatoires discrètes finies

Partie II: Cas des variables aléatoires discrètes réelles infinies