LEPL1108 - Mathématiques discrètes et probabilités Exercices S13

Séance 11 : Probabilités conditionnelles (fin)

Révisions (début)

Exercice 11.1 (Janvier 2020). Pièce truquée

J’ai dans ma poche deux pièces équilibrées (tombant sur pile ou face avec probabilités égales) et
une pièce truquée (d’apparence identique mais tombant sur pile avec probabilité 3/4). J’en prends
une au hasard (chaque pièce est prise avec probabilité 1/3). Je la lance et je tombe sur pile. Quelle est
la probabilité que cette pièce soit la pièce truquée ?

Solution 11.1. Soit A l’évènenement “La pièce choisie est la pièce truquée”. Soit B l’évènement “La
pièce choisie tombe sur pile”. La question est de trouver Pr[A | B ]. D’après le théorème de Bayes,

Pr[B | A] Pr[A]
Pr[A | B ] = .
Pr[B ]

Or nous savons que Pr[B | A] = 3/4, Pr[A] = 1/3 et Pr[B ] = (3/4) · (1/3) + (1/2) · (2/3) = 7/12. D’où nous
obtenons finalement Pr[A | B ] = 3/7.

Exercice 11.2 (Janvier 2022). Surréservation aérienne

La compagnie aérienne Up ! constate qu’en moyenne 10% des passagers qui ont achetés un billet
ne se présentent pas à l’embarquement, pour des raison diverses. La compagnie pratique donc la sur-
réservation : elle vend 900 billets pour son avion de 837 places. On suppose que tous les passagers se
comportent de manière indépendante. Quelle est la probabilité qu’au moins un passager soit refusé à
l’embarquement, bien qu’il ait un billet valide ? (autrement dit, que strictement plus de 837 passagers
se présentent à l’embarquement parmi les 900 ayant acheté un billet).

Solution 11.2. Le nombre de passagers se présentant à l’embarquement est une binomiale de pa-
ramètres n = 900 et p = 0, 9 (et donc q = 1 − p = 0, 1). L’espérance est np = 810 et la variance est
npq = 81, donc l’écart-type est σ = 9. On utilise l’approximation offerte par le Théorème Central Li-
mite. La probabilité de recevoir plus de 837 passagers (soit 3σ au-delà de l’espérance) est donnée
par 1 − F (3) = 0, 13%. Ici F désigne la fonction de répartition de la normale centrée réduite, telle que
donnée dans le formulaire.

Exercice 11.3. Résoudre l’équation de récurrence

v n+2 = 2(v n+1 − v n ) + n

avec la condition initiale (v 0 , v 1 ) = (1, 2) à l’aide de la fonction génératrice de (v n )n∈N .

Solution 11.3. Soit

∞
vn xn
X
f (x) :=
n=0

la fonction génératrice associée à la suite (v n )n∈N . L’équation de récurrence permet d’écrire

∞ ∞ ∞ ∞
v n+2 x n+2 − 2 v n+1 x n+2 + 2 v n x n+2 = nx n+2
X X X X
n=0 n=0 n=0 n=0

c’est-à-dire
∞
f (x) − v 1 x − v 0 − 2x( f (x) − v 0 ) + 2x 2 f (x) = x 3 nx n−1
X
n=1

1
ou, vu la condition initiale et la définition de la série formelle dérivée,

x3 x 3 + (x − 1)2
f (x)(1 − 2x + 2x 2 ) = 1 + = .
(1 − x)2 (1 − x)2

Dès lors,

x 3 + (x − 1)2
f (x) =
(1 − x)2 (1 − 2x + 2x 2 )
1 1
2 2 1 1
= + − +
1 − (1 − i )x 1 − (1 + i )x 1 − x (1 − x)2
1 X∞ 1 X∞ ∞ ∞
(1 − i )n x n + (1 + i )n x n − xn + nx n−1
X X
=
2 n=0 2 n=0 n=0 n=1
1 X∞ 1 ∞ ∞ ∞
(1 − i )n x n + (1 + i )n x n − xn + (n + 1)x n .
X X X
=
2 n=0 2 n=0 n=0 n=0

D’où p π p π
(1 − i )n + (1 + i )n ( 2 e−i 4 )n + ( 2 ei 4 )n n
³ πn ´
vn = − 1 + (n + 1) = + n = 2 2 cos + n.
2 2 4
Exercice 11.4. Vous souhaitez mener un sondage sur une question extrêmement sensible : « Mangez-
vous des légumes tous les jours ? ». Vu la sensibilité de la question, vous craignez que bon nombre de
personnes mentent, faussant les résultats de votre sondage. Pour résoudre ce problème, vous adoptez
la technique de la « réponse randomisée » et demandez à chaque sondé de suivre les consignes :
1. lancez un dé à 6 faces, et gardez le résultat du lancé secret ;
2. si le résultat est différent de 1, répondez honnêtement à la question du sondage, sinon mentez.
Cette méthode permet à chacun de répondre « je ne mange pas de légumes » tout en soutenant « en
fait, j’en mange, mais mon dé est tombé sur 1 », évitant ainsi tout jugement de valeur.

Supposons que, parmi n sondés, k répondent qu’ils mangent des légumes quotidiennement. Soient
p la probabilité de mentir des sondés ( 61 dans l’exemple ci-dessus) et π la proportion réelle de la
population qui mange des légumes quotidiennement. On propose d’estimer π en calculant

p − k/n
π̂ := .
2p − 1

1. Quelle est l’espérance de π̂ ?

2. Quelle est la variance de π̂ ?
3. Utiliser l’inégalité de Bienaymé-Tchebychev pour obtenir une borne supérieure sur la probabi-
lité que l’écart entre π̂ et π soit supérieur ou égal à un certain réel ε > 0.
4. Serait-il possible d’effectuer un sondage utile de la sorte en lançant une pièce de monnaie plu-
tôt qu’un dé et en mentant alors avec une probabilité 21 ?

Solution 11.4. 1. Pour tout i ∈ {1, . . . , n}, soit la variable indicatrice

½
1 si le sondé i dit qu’il mange des légumes quotidiennement,
X i :=
0 sinon.

2
 Pour tout i ∈ {1, . . . , n}, si A et B désignent respectivement les évènements « i mange des lé-
gumes quotidiennement » et « i dit qu’il mange des légumes quotidiennement », alors

E[X i ] = Pr[X i = 1]
= Pr[B ]
= Pr[B ∩ A] + Pr[B ∩ Ā]
= Pr[B | A] Pr[A] + Pr[B | Ā] Pr[ Ā]
= Pr[B | A] Pr[A] + Pr[B | Ā](1 − Pr[A])
= (1 − p)π + p(1 − π).
Pn
Donc, puisque k = i =1 X i ,

n n
E[k] = E[X i ] = (1 − p)π + p(1 − π) = n(1 − p)π + np(1 − π)
X X
i =1 i =1

et
p − (1 − p)π − p(1 − π)
E[π̂] = = π.
2p − 1
2. Pour tout i ∈ {1, . . . , n},

Var[X i ] = E[X i2 ] − E[X i ]2 = E[X i ] − E[X i ]2 = E[X i ](1 − E[X i ]).

Donc, puisque les variables aléatoires X 1 , . . . , X n sont indépendantes,

Pn
1 Var[k] 1 i =1 Var[X i ] 1 E[X i ](1 − E[X i ])
Var[π̂] = = = .
(2p − 1)2 n 2 (2p − 1)2 n2 (2p − 1)2 n

3. Par l’inégalité de Bienaymé-Tchebychev, pour tout réel ε > 0,

Var[π̂]
Pr[|π̂ − π| ≥ ε] ≤ → 0 si n → +∞.
ε2

4. Non, l’estimateur π̂ ne peut pas être défini si p = 21 .

Exercice 11.5. Dans le groupe multiplicatif Z∗11 , que vaut 〈2〉 ? Ce groupe est-il cyclique ?

Solution 11.5. Le calcul de 〈2〉 peut se réaliser à l’aide de la table suivante.

n 1 2 3 4 5 6 7 8 9 10
n
2 mod 11 2 4 8 5 10 9 7 3 6 1

Ce calcule montre que

〈2〉 = {2n mod 11 | n ∈ Z} = {2n mod 11 | n ∈ {1, . . . , 10}} = Z∗11 .

Le groupe Z∗11 est donc cyclique et 2 est un générateur.

Exercice 11.6 (Août 2021). Tout arbre possède au moins deux feuilles
Soit G = (N , R) un arbre. On dit qu’un nœud n ∈ N est une feuille de G si deg(n) = 1. Prouvez que
tout arbre comptant au minimum 2 nœuds possède au moins deux feuilles.
Commentaire : Il existe plusieurs approches, vous pouvez par exemple considérer un chemin de
longueur maximale sur l’arbre ou bien étudier les degrés des nœuds d’un arbre.

3
Solution 11.6. Plusieurs approches sont possibles. En voici une.
Soit c = (n 1 , n 2 , . . . , n m ) un chemin de longueur maximale dans G (ce chemin n’est pas nécessai-
rement unique, mais il en existe au moins un). On voit que deg(n 1 ) ≥ 1 puisque n 1 est adjacent à n 2 .
Si n 1 était de degré strictement supérieur à 1, il devrait exister un nœud n adjacent à n 1 et distinct
de n 2 . Si n se trouve sur le chemin défini plus haut, alors G possède un cycle, ce qui contredit le fait
que G est un arbre. Si n ne se trouve pas sur le chemin défini plus haut, alors c peut être étendu en
le préfixant par n, ce qui contredit l’hypothèse que c est un chemin de longueur maximale. On en
conclut que deg(n 1 ) = 1. Le même raisonnement s’applique à n m , et on a donc identifié deux nœuds
de degré 1.
Une autre approche : Etant donné que G est un arbre, on a |R| = |N | − 1, ce qui implique que
P
n∈N deg(n) = 2|N | − 2. Qui plus est, vu que G possède au minimum deux nœuds et qu’un arbre est
connexe, deg(n) ≥ 1 pour tout n ∈ N . L’égalité ci-dessus ne peut dès lors être satisfaite que si au moins
deux nœuds sont de degré 1.

Sélection d’exercices supplémentaires

Exercice 11.7. Soient un entier k ≥ 1 et des variables aléatoires X 1 , . . . , X k indépendantes et identi-
quement distribuées selon une loi exponentielle de paramètre λ ∈]0, +∞[, c’est-à-dire d’espérance λ1 .
En utilisant des fonctions génératrices des moments, démontrer que X := ki=1 X i a une densité de
P

probabilité  k k−1 −λx

 λ x e
si x > 0,
f k,λ : R → R : x 7→ (k − 1)!
0 si x ≤ 0.


Une variable aléatoire possédant cette densité de probabilité suit une loi d’Erlang de paramètres k et
λ. Autrement dit, X ∼ Erlang(k, λ).
Indication. Pour tout réel a > 0 et tout n ∈ N,
Z ∞
n!
I n (a) := x n e−ax dx = n+1 .
0 a
Solution 11.7. Pour tout i ∈ {1, . . . , k}, X i ∼ Erlang(1, λ) d’après la définition donc, pour tout réel t < λ,
λ
Z Z ∞
t Xi tx
M X i (t ) = E[e ] = e f 1,λ (x)dx = λ e−(λ−t )x dx = λI 0 (λ − t ) = .
R 0 λ −t
D’une part, puisque X 1 , . . . , X k sont indépendantes, pour tout réel t < λ,
k λ k
µ ¶
Y
M X (t ) = M X i (t ) = .
i =1 λ−t
D’autre part, pour tout réel t < λ,

λk ∞ λk λ k
Z Z µ ¶
M X (t ) = E[e ] = et X f k,λ (x)dx =
tX
x k−1 −(λ−t )x
e dx = I k−1 (λ − t ) = .
R (k − 1)! 0 (k − 1)! λ−t
Le résultat est démontré puisqu’une variable aléatoire réelle est entièrement définie par sa fonction
génératrice des moments.
Exercice 11.8. Dominique se rend en train sur son lieu de travail ; seulement 4 des trains circulant
le matin peuvent l’y amener. Ceux-ci sont notés respectivement Ti pour i ∈ {1, . . . , 4} et arrivent dans
l’ordre à 8h15, 8h30, 8h45 et 9h. L’on sait plusieurs choses à propos des habitudes de Dominique
et le comportement de chacun des trains en heure de pointe. Premièrement, Dominique se lève à
7h45. Etant données les tâches matinales, le temps que met Dominique afin de rejoindre son arrêt
depuis son réveil suit une loi exponentielle de moyenne 40 minutes. Deuxièmement, on a observé
que les temps pris par les trains afin de rallier le lieu de travail de Dominique suivent également une
distribution exponentielle de moyennes respectives λ1 = 20, λ2 = 18, λ3 = 15, λ4 = 18 minutes.

4
 1. Quelle est la probabilité p i que Dominique monte dans un train Ti pour tout i ∈ {1, . . . 4} ?
2. Lorsque le second train est employé, que vaut la somme moyenne du temps pris par Domi-
nique pour rejoindre son arrêt et le temps de voyage dans le train ?

Aide : l’intégrale suivante vous est gracieusement offerte ; ∀(a, b, λ) ∈ R3 , b ≥ a ≥ 0, λ > 0,

b e −a λ (1 + a λ) − e −b λ (1 + b λ)
Z
t e −λ t d t =
a λ2

Solution 11.8. 1. Nous allons travailler ici en unités temporelles exprimées en heures. Dès lors,
nous pouvons introduire la variable aléatoire X ∼ Exp(λ X = 32 ) désignant le temps s’écoulant
entre le réveil de Dominique et son arrivée à son arrêt habituel. Il vient naturellement que
· h 1 h¸ · h 1 3 h¸ · h 3 h¸ · h 5 h¸
p 1 = P X ∈ 0, p2 = P X ∈ , p3 = P X ∈ , 1 p 4 = P X ∈ 1,
2 2 4 4 4

L’on a pour rappel, ∀(a, b) ∈ R2 , b ≥ a ≥ 0,

· h h¸ Z b
P X ∈ a, b = λ X e −λX t d t
a

3 3 9 9 3 3 15
p 1 = 1−e − 4 ≃ 0.5276, p 2 = e − 4 −e − 8 ≃ 0.1477, p 3 = e − 8 −e − 2 ≃ 0.1015, p 4 = e − 2 −e − 8 ≃ 0.0697.
2. Il s’agit ici de mobiliser le concept d’espérance conditionnelle.
h h
1 3
La fonction de densité de probabilité de X , sous hypothèse que X ∈ 2, 4 , est donnée par

h (x) = λ X e −λX x
h1 3h
f h ∀x ∈ ,
X |X∈ 1 3
,
2 4
p2 2 4

De même, soit Y le temps pris

h parh le train de Dominique afin d’effectuer son trajet.
Nous pouvons écrire Y | X ∈ 21 , 43 ∼ Exp(λY = 10
3 ). Sachant donc que Dominique a employé le
second train, le temps moyen demandé équivaut à l’espérance
· h 1 3 h¸ · h 1 3 h¸ · h 1 3 h¸
τ = E X +Y |X ∈ , =E X |X ∈ , +E Y |X ∈ ,
2 4 2 4 2 4

Le premier terme se calcule grâce à la définition d’espérance et à l’aide au point 2. de l’énoncé :

· h 1 3 h¸ Z 43
E X |X ∈ , = tf h h (t ) d t
2 4 1
2
X | X ∈ 1 3
,
2 4

λ X e −a λX (1 + a λ X ) − e −b λX (1 + b λ X )
= ≃ 0.617265 ≃ 37 minutes
p2 λ2X

en remplaçant p 2 par 0.1477, λ X par 23 , a par 1

2 et b par 34 .
Tandis que le second terme vaut simplement l’espérance d’une variable aléatoire exponentielle,
à savoir l’inverse de son paramètre λY . Il vient
· h 1 3 h¸ 3
E Y |X ∈ , = λ−1
Y =
2 4 10

Au final, le temps total moyen demandé vaut 0.917265 heures, à peu près 55 minutes.