Variables Aléatoires PDF

[http://mp.cpgedupuydelome.
fr] édité le 5 mai 2016 Enoncés 1
Variables aléatoires a) Reconnaître la loi de Z = X + Y .

b) Calculer espérance et variance de Z.
Loi binomiale
Exercice 5 [ 04118 ] [Correction]
Exercice 1 [ 03369 ] [Correction] Un archer tire sur n cibles. À chaque tir, il a la probabilité p de toucher la cible et
Une variable aléatoire réelle X suit une loi binomiale de taille n et de paramètre les tirs sont supposés indépendants. Il tire une première fois sur chaque cible et on
p ∈ ]0 ; 1[. Pour quelle valeur de k, la probabilité pk = P(X = k) est-elle note X le nombre de cibles atteintes lors de ce premier jet. L’archer tire ensuite
maximale ? une seconde fois sur les cibles restantes et l’on note Y le nombre de cibles touchés
lors de cette tentative. Déterminer la loi de la variable Z = X + Y .
Soit X une variable aléatoire binomiale de paramètres n et p avec p ∈ ]0 ; 1[. On Indépendance de variables aléatoires
note
b(k, n, p) = P(X = k)
a) Pour quelle valeur m de k, le coefficient b(k, n, p) est-il maximal ? Soient X et Y deux variables aléatoires finies sur un espace Ω. On suppose
b) Étudier la monotonie de la fonction f : x 7→ xm (1 − x)n−m sur [0 ; 1].
∀(x, y) ∈ X(Ω) × Y (Ω), P(X = x, Y = y) = P(X = x) P(Y = y)
c) Vérifier que si m ∈ [np ; (n + 1)p] alors

m
m Montrer que les variables X et Y sont indépendantes.
b m, n, ≤ b(m, n, p) ≤ b m, n,
n+1 n
d) Proposer en encadrement analogue pour m ∈ [(n + 1)p − 1 ; np]. Exercice 7 [ 03973 ] [Correction]
e) On donne la formule de Stirling Montrer que deux évènements sont indépendants si, et seulement si, leurs
√ fonctions indicatrices définissent des variables aléatoires indépendantes.
n! ∼ 2πnnn e−n
Donner un équivalent simple de b(m, n, p).
Deux variables aléatoires indépendantes X et Y suivent des lois binomiales de
Exercice 3 [ 03975 ] [Correction] tailles n et m et de même paramètre p. Peut-on identifier la loi suivie par la
Une variable aléatoire X suit une loi binomiale de taille n et de paramètre p. variable aléatoire Z = X + Y ?
Quelle est la loi suivie par la variable Y = n − X ?

Exercice 4 [ 04125 ] [Correction] Soient X et Y deux variables aléatoires réelles indépendantes.
Un étudiant résout un QCM constitué de n questions offrant chacune quatre Les variables aléatoires X + Y et X − Y sont-elles indépendantes ?
réponses possibles. Pour chaque question, et indépendamment les unes des autres,
il a la probabilité p de savoir résoudre celle-ci. Dans ce cas il produit la bonne
réponse. Si en revanche, il ne sait pas résoudre la question, il choisit Exercice 10 [ 03825 ] [Correction]
arbitrairement l’une des quatre réponses possibles. On note X la variable aléatoire Soient X et Y deux variables aléatoires prenant pour valeurs a1 , . . . , an avec
déterminant le nombre de questions qu’il savait résoudre et Y le nombre de
questions qu’il a correctement résolues parmi celles où il a répondu « au hasard ». P(X = ai ) = P(Y = ai ) = pi
Diffusion autorisée à titre entièrement gratuit uniquement - dD

[http://mp.cpgedupuydelome.fr] édité le 5 mai 2016 Enoncés 2
On suppose que les variables X et Y sont indépendantes. b) Soit Y la variable aléatoire déterminant le nombre d’analyses effectuées dans
Montrer que le deuxième protocole.
n
X Exprimer l’espérance de Y en fonction de n, N et p.
P(X 6= Y ) = pi (1 − pi )
i=1
c) Comparer les deux protocoles pour les valeurs N = 1 000, n = 10 et p = 0,01.
Exercice 11 [ 03981 ] [Correction] Exercice 15 [ 03847 ] [Correction]

Soient X une variable aléatoire définie sur un espace probabilisé fini (Ω, P) et f Dans cet exercice, les variables aléatoires sont toutes supposées prendre leurs
une application définie sur X(Ω). valeurs dans Z.
À quelle condition les variables aléatoires X et f (X) sont-elles indépendantes ? On appelle fonction caractéristique d’une variable aléatoire X l’application
ϕX : R → C définie par
ϕX (u) = E eiuX

Espérance
a) Vérifier que ϕX est 2π-périodique et de classe C ∞ .
Exercice 12 [ 03833 ] [Correction] Calculer ϕX (0). Comment interpréter ϕ0X (0) et ϕ00X (0) ?
Soit X une variable aléatoire réelle sur un espace probabilisé fini. Établir b) Calculer la fonction caractéristique d’une variable X suivant une loi de
Bernoulli de paramètre p.
2
E (X) ≤ E X 2

Même question avec une loi binomiale de paramètres n et p.
c) Soient X une variable aléatoire réelle et x0 un entier. Vérifier

Z 2π
1
Soit X une variable aléatoire prenant ses valeurs dans {0, 1, . . . , N }. P(X = x0 ) = ϕX (u)e− iux0 du
2π 0
Établir
N −1
X En déduire
E(X) = P(X > n)
ϕX = ϕY =⇒ X = Y
n=0
d) Soient X et Y deux variables aléatoires indépendantes. Vérifier
Exercice 14 [ 03839 ] [Correction] ϕX+Y = ϕX ϕY

On se propose d’analyser le sang d’une population de N individus pour y déceler
l’éventuelle présence d’un virus dont on sait qu’il affecte une personne donnée e) Exploiter ce résultat pour retrouver la fonction caractéristique d’une variable
avec la probabilité p indépendamment des autres. aléatoire suivant une loi binomiale.
On dispose pour cela de deux protocoles :
Protocole 1 :
On analyse le sang de chacun des N individus.
Protocole 2 :
Soit p ∈ ]0 ; 1[ et (Xk )k∈N∗ une suite de variables aléatoires mutuellement
On regroupe les individus par groupe de n (on suppose N divisible par n). On
indépendantes vérifiant
rassemble la collecte de sang des individus d’un même groupe et on teste
l’échantillon. Si le résultat est positif, on analyse alors le sang de chacun des
P(Xk = 1) = p et P(Xk = −1) = 1 − p
individus du groupe.
a) Préciser la loi de la variable aléatoire X égale au nombre de groupes positifs. a) Calculer l’espérance de Xk .

b) On pose Exercice 21 [ 03838 ] [Correction]

n
Y Soit X une variable aléatoire binomiale de taille n et de paramètre p ∈ ]0 ; 1[.
Yn = Xk Calculer l’espérance de la variable
k=1
1
En calculant de deux façons l’espérance de Yn , déterminer pn = P(Yn = 1). Y =
X +1
c) Quelle est la limite de pn quand n → +∞.

Exercice 17 [ 03987 ] [Correction] Dans une urne contenant n boules blanches et n boules rouges, on prélève
Soient X et Y deux variables aléatoires indépendantes à valeurs dans J1 ; nK. successivement et sans remise les boules. On note X le nombre de tirages juste
nécessaire à l’obtention de toutes les boules rouges.
a) Exprimer E(X) en fonction de P(X ≥ k).
a) Déterminer la loi de X.
b) On suppose les variables X et Y uniformes.
b) Calculer son espérance et sa variance
Déterminer l’espérance de min(X, Y ) puis de max(X, Y ).
Déterminer aussi l’espérance de |X − Y |.
On munit l’ensemble Sn des permutations de J1 ; nK de la probabilité uniforme.
Exercice 18 [ 03992 ] [Correction] Pour chaque s ∈ Sn , on pose X(s) le nombre de points fixes de s.
Soient X et Y deux variables aléatoires réelles sur un espace probabilisé fini Calculer l’espérance et la variance de X.
(Ω, P).
On suppose
∀k ∈ N, E(X k ) = E(Y k ) Exercice 24 [ 03984 ] [Correction]
Soient X1 , . . . , Xn des variables mutuellement indépendantes suivant une même
Montrer que X et Y suivent les mêmes lois. loi d’espérance m et de variance σ 2 .
a) On pose
n
Calcul d’espérances et de variances X̄n =
1X
Xi
n i=1
Calculer espérance et variance de X̄n .
Soit X une variable aléatoire à valeurs dans {0, 1, . . . , n} telle qu’il existe a ∈ R
vérifiant b) On pose
n
n 1 X 2
P(X = k) = a Vn = Xi − X̄n
k n − 1 i=1
Calculer l’espérance et la variance de X. Calculer l’espérance de Vn .
Exercice 20 [ 03837 ] [Correction] Covariance

Une urne contient n boules blanches et n boules rouges. On tire simultanément n
boules dans celle-ci et on note X le nombre de boules rouges obtenues lors de ce Exercice 25 [ 03993 ] [Correction]
tirage. Soit X et Y deux variables aléatoires réelles sur l’espace probabilisé (Ω, P).
Quelle est la loi de X, son espérance, sa variance ? Montrer p
|Cov(X, Y )| ≤ V(X) V(Y )

Exercice 26 [ 03994 ] [Correction] Exercice 31 [ 03982 ] [Correction]

Soit X et Y deux variables aléatoires réelles sur l’espace probabilisé (Ω, P) avec [Sondage] Une population de personnes présente une propriété donnée avec une
V(X) > 0. proportion inconnue p ∈ ]0 ; 1[.
Déterminer a, b ∈ R tels que la quantité On choisit un échantillon de n personnes et l’on pose Xi = 1 si le i-ème individu
présente la propriété étudiée, 0 sinon. On considère que les variables aléatoires Xi
2
E [Y − (aX + b)] ainsi définies sont indépendantes et suivent toute une loi de Bernoulli de
paramètre p.
soit minimale.
a) Quelle est la loi suivie par
Sn = X1 + · · · + Xn ?
À un péage autoroutier n voitures franchissent au hasard et indépendamment b) Déterminer espérance et variance de Sn /n.
l’une des trois barrières de péage mises à leur disposition. On note X1 , X2 , X3 les
c) Soit ε > 0. Établir
variables aléatoires dénombrant les voitures ayant franchi ces barrières.
Sn

1
a) Déterminer la loi de X1 . P − p > ε ≤

n 4nε2
b) Calculer les variances de X1 , X2 et de X1 + X2 .
d) Pour ε = 0, 05, quelle valeur de n choisir pour que Sn /n soit voisin de p à ε
c) En déduire la covariance de X1 et X2 . près avec une probabilité supérieure à 95 % ?
Inégalités de Markov et de Bienaymé-Tchebychev Exercice 32 [ 04035 ] [Correction]

Soit Xn une variable aléatoire de loi binomiale de paramètres n et p.
Exercice 28 [ 03832 ] [Correction] Soit k ∈ N. Établir
Soient X une variable aléatoire réelle et g : R+ → R+ une fonction strictement P(Xn ≤ k) −→ 0
croissante. n→+∞
Montrer que
E (g(|X|))
∀a ≥ 0, P (|X| ≥ a) ≤ Exercice 33 [ 04042 ] [Correction]
g(a)
Soit X une variable aléatoire d’espérance µ et de variance σ 2 . Montrer
1
Exercice 29 [ 03816 ] [Correction] P (µ − ασ < X < µ + ασ) ≥ 1 −
α2
Une variable aléatoire X suit une loi du binôme de paramètre p et de taille n.
Établir pour ε > 0, p

X p(1 − p)
P − p ≥ ε ≤
√ Soit X une variable aléatoire de moyenne µ et de variance σ 2 .
n ε n
En introduisant la variable aléatoire
2
Exercice 30 [ 03834 ] [Correction] Y = [α(X − µ) + σ]
Soit X une variable aléatoire suivant une loi binomiale de taille n et de paramètre
Montrer que pour tout α > 0
p.
Montrer que pour tout λ, ε > 0 1
P (X ≥ µ + ασ) ≤
1 + α2
P (X − np > nε) ≤ E (exp(λ(X − np − nε))

[http://mp.cpgedupuydelome.fr] édité le 5 mai 2016 Corrections 5
Corrections c) Si m ∈ [np ; (n + 1)p] alors m/(n + 1) ≤ p ≤ m/n et puisque f est croissante

sur [0 ; m/n]
Exercice 1 : [énoncé] f (m/(n + 1)) ≤ f (p) ≤ f (m/n)
Par définition d’une loi binomiale ce qui conduit à l’encadrement demandé.

n k d) Si m ∈ [(n + 1)p − 1 ; np] alors m/n ≤ p ≤ (m + 1)/(n + 1) et par
pk = p (1 − p)n−k décroissance de f sur [m/n ; 1], on obtient
k

et donc pour k ≥ 1 m+1 m
b m, n, ≤ b(m, n, p) ≤ b m, n,
pk n−k+1 p n+1 n
=
pk−1 k 1−p
e) Quand n → +∞, on a m = b(n + 1)pc ∼ np → +∞ et
On en déduit n − m ∼ n(1 − p) → +∞ ce qui permet d’écrire simultanément
pk
≥ 1 ⇐⇒ k ≤ (n + 1)p √ √
pk−1 n! ∼ 2πnnn e−n , m! ∼ 2πmmm e−m et
p
En notant k0 la partie entière de (n + 1)p. La suite (pk )0≤k≤k0 est croissante et la (n − m)! ∼ 2π(n − m)(n − m)n−m en−m
suite (pk )k0 ≤k≤n est décroissante. Le maximum de pk est donc atteint en k = k0 .
On en déduit après calcul
r
m n 1
Exercice 2 : [énoncé] b m, n, ∼ ∼p
n 2πm(n − m) 2πnp(1 − p)
Rappelons
n k On obtient les mêmes équivalents pour
b(k, n, p) = p (1 − p)n−k
k
m m+1
a) Pour k ∈ J1 ; nK, on a b m, n, et b m, n,
n+1 n+1
b(k, n, p) n+1−k p et l’on peut donc conclure par encadrement
=
b(k − 1, n, p) k 1−p
1
b (m, n, p) ∼ p
donc 2πnp(1 − p)
b(k, n, p)
≥ 1 ⇐⇒ k ≤ (n + 1)p
b(k − 1, n, p)
La suite finie (b(k, n, p))0≤k≤n est donc croissante jusqu’au plus grand entier Exercice 3 : [énoncé]
m inférieur à (n + 1)p puis devient décroissante ensuite. On peut donc X(Ω) = Y (Ω) = J0 ; nK. Pour k ∈ J0 ; nK,
affirmer
n k
m = b(n + 1)pc P(X = k) = p (1 − p)n−k
k
b) La fonction f est dérivable avec
donc
0 n n−k
f (x) = (m − nx)x m−1
(1 − x) n−m−1
P(Y = k) = P(X = n − k) = p (1 − p)k
k
La fonction f est donc croissante sur [0 ; m/n] et décroissante sur [m/n ; 1]. La variable aléatoire Y suit une loi binomiale de taille n et de paramètre q = 1 − p.

Exercice 4 : [énoncé] On simplifie

Compte tenu de l’expérience modélisée, on peut affirmer que la variable X suit
une loi binomiale de paramètres n et p. n k 1 3
P(Z = k) = q (1 − q)n−k avec q = + p
k 4 4
n k
P(X = k) = p (1 − p)n−k b) On a alors
k
De plus, pour k ∈ J0 ; nK, si l’événement (X = k) est réalisé, il y a n − k questions (3p + 1)n 3n(3p + 1)(1 − p)
E(Z) = et V(Z) =
pour lesquelles l’étudiant répond au hasard avec une probabilité 1/4 de réussir : 4 16
j n−k−j
n−k 1 3
P (Y = j | X = k) = avec j ∈ J0 ; n − kK Exercice 5 : [énoncé]
j 4 4
La modélisation entraîne que la variable aléatoire X suit une loi binomiale de
a) La variable Z prend ses valeurs dans J0 ; nK. paramètres n et p :
Pour k ∈ J0 ; nK, l’événement (Z = k) peut être décomposé en la réunion
disjointe des événements n k
P(X = k) = p (1 − p)n−k avec k ∈ J0 ; nK
k
(X = j, Y = k − j) avec j ∈ {0, 1, . . . , k}
La variable aléatoire Y n’est quant à elle bien connue que lorsque le nombre
Ainsi n − X de cibles restant l’est, elle suit alors une loi de Bernoulli
k
X
P(X = j, Y = k − j)

P (Z = k) = n−k `
P (Y = ` | X = k) = p (1 − p)n−k−` avec ` ≤ n − k
j=0 `
Par probabilité composées
Par probabilités totales
P(X = j, Y = k − j) = P (Y = k − j | X = j) P(X = j) m
X
P(Z = m) = P(X = k, Y = m − k)
Ainsi k=0
k k−j n−k
X n−j 1 3 n Par probabilités composées
P(Z = k) = pj (1 − p)n−j
j=0
k−j 4 4 j m
X
P(Z = m) = P(X = k) P (Y = m − k | X = k)
Or k=0
n−j n n! k n
= =
k−j j (k − j)!(n − k)!j! j k Ceci donne
m
X n n−k m
On en déduit P(Z = m) = p (1 − p)2n−k−m
k m−k
k=0
n−k Xk k−j
n n−k 3 k 1
P(Z = k) = (1 − p) (1 − p) pj Or
k 4 j 4 n n−k n! n m
j=0 = =
k m−k k!(m − k)!(n − m)! m k
Par la formule du binôme
et donc m k

n
n−k
3 1
k n m X m 1
P(Z = k) = (1 − p)n−k (1 − p) + p P(Z = m) = p (1 − p)2n−m ×
k 4 4 m k 1−p
k=0

Par la formule du binôme Inversement, supposons les évènements A et B indépendants. On sait qu’alors
m

n m 2n−m (2 − p) n m P(A ∩ B) = P(A) P(B), P(Ā ∩ B) = P(Ā) P(B),
P(Z = m) = p (1 − p) = q (1 − q)n−m
m (1 − p)m m
P(A ∩ B̄) = P(A) P(B̄) et P(Ā ∩ B̄) = P(Ā) P(B̄)
avec q = p(2 − p).
La variable Z suit une loi binomiale. Ceci se relit
P(1A = 1, 1B = 1) = P(1A = 1) P(1B = 1),

P(1A = 0, 1B = 1) = P(1A = 0) P(1B = 1),
Exercice 6 : [énoncé]
Soient A ⊂ {x1 , . . . , xn } et B ⊂ {y1 , . . . ym }. On a P(1A = 1, 1B = 0) = P(1A = 1) P(1B = 0) et
  P(1A = 0, 1B = 0) = P(1A = 0) P(1B = 0)
!
[ [
(X = A) ∩ (Y = B) = X=x ∩ Y = y On en déduit que les variables aléatoires 1A et 1B sont indépendantes.
x∈A y∈B
En développant Exercice 8 : [énoncé]

[ La variable Z prend ses valeurs dans {0, 1, . . . , n + m}.
(X = A) ∩ (Y = B) = (X = x) ∩ (Y = y) L’événement (Z = `) est la réunion des événements (X = k, Y = ` − k) et donc
(x,y)∈A×B
n
X
Cette réunion étant disjointe P(Z = `) = P(X = k, Y = ` − k)
X k=0
P(X = A, Y = B) = P(X = x) P(Y = y)
Par indépendance
(x,y)∈A×B
P(X = k, Y = ` − k) = P(X = k) P(Y = ` − k)

et donc X X
P(X = A, Y = B) = P(X = x) P(Y = y) et donc
x∈A y∈B `
X n m
Finalement P(Z = `) = p` (1 − p)n+m−`
k `−k
k=0
P(X = A, Y = B) = P(X = A) P(Y = B)
Or, en considérant le coefficient de X ` dans le développement des deux membres
Les variables aléatoires X et Y sont donc bien indépendantes. de l’identité
(1 + X)n+m = (1 + X)n (1 + X)m
Exercice 7 : [énoncé] on obtient

`
Soient A, B deux évènements de l’espace probabilisé (Ω, P).
X n m n+m
=
Supposons les fonctions indicatrices 1A et 1B indépendantes. On a k `−k `
k=0
P(1A = 1, 1B = 1) = P(1A = 1) P(1B = 1) et finalement

n+m `
P(Z = `) = p (1 − p)n+m−`
ce qui se relit `
P(A ∩ B) = P(A) P(B) La variable aléatoire Z suit une loi binomiale de taille n + m et de paramètre p.

Exercice 9 : [énoncé] On a
La réponse est négative en général. P(f (X) = y ∩ X = x)
P (f (X) = y | X = x) =
Supposons que X et Y suivent des lois de Bernoulli de paramètre 1/2. P(X = x)
On a
Or {X = x} ⊂ {f (X) = y}, donc
P(X + Y = 2) = P(X = 1) P(Y = 1) = 1/4
et P (f (X) = y | X = x) = 1
P(X − Y = 0) = P(X = 0) P(Y = 0) + P(X = 1) P(Y = 1) = 1/2
Cependant, les variables X et f (X) étant supposées indépendantes
Or l’événement X + Y = 2 est inclus dans l’événement X − Y = 0 donc
P (f (X) = y | X = x) = P(f (X) = y)
P(X + Y = 2 ∩ X − Y = 0) = P(X + Y = 2)
Ainsi f (X) = y presque sûrement.
et l’on constate
La réciproque est immédiate et donc X et f (X) sont indépendantes si, et
P(X + Y = 2 ∩ X − Y = 0) 6= P(X + Y = 2) P(X − Y = 0) seulement si, f (X) est presque sûrement constante.
Exercice 10 : [énoncé] Exercice 12 : [énoncé]

L’événement {X = Y } se décompose en les événements incompatibles Par la formule de Huygens
{X = ai ∩ Y = ai }.
V(X) = E (X − E(X)2 = E(X 2 ) − E(X)2 ≥ 0

Par hypothèse d’indépendance
P ({X = ai ∩ Y = ai }) = P ({X = ai }) P ({Y = ai }) = p2i
donc Exercice 13 : [énoncé]

n
X Notons pn = P(X = n). On a par définition
P ({X = Y }) = p2i
i=1 N
X N
X
puis par complémentation E(X) = npn = npn
n=0 n=1
n
X
P ({X 6= Y }) = 1 − p2i Or {X = n} = {X > n − 1} \ {X > n} donc
i=1
pn = P(X > n − 1) − P(X > n)
Enfin, on conclut sachant
n
X donc
1= pi N N
X X
i=1
E(X) = nP (X > n − 1) − nP (X > n)
n=1 n=1
Exercice 11 : [énoncé] Par décalage d’indice dans la première somme

Supposons les variables aléatoires X et f (X) indépendantes. N −1 N
Soient ω ∈ Ω vérifiant P({ω}) > 0.
X X
E(X) = (n + 1) P(X > n) − nP (X > n)
Posons x = X(ω) et y = f (x). n=0 n=1

En supprimant le dernier terme assurément nul de la deuxième somme et en y a) Notons x1 , . . . , xn les valeurs (entières) prises par X. On a
ajoutant un terme nul correspondant à l’indice 0 n
X
N −1 N −1 ϕX (u) = eiuxk P(X = xk )
X X
E(X) = (n + 1) P(X > n) − nP (X > n) k=1
n=0 n=0
La fonction ϕX est alors combinaison linéaire de fonctions 2π-périodiques
Enfin, en combinant ces sommes (car xk ∈ Z) et de classe C ∞ .
n
N −1
X
X ϕX (0) = E(1) = 1, ϕ0X (0) = ixk P(X = xk ) = iE(X) et ϕ00X (0) = − E(X 2 )
E(X) = P(X > n) k=1
n=0
b) Si X suit une loi de Bernoulli de paramètre p
Exercice 14 : [énoncé] ϕX (u) = (1 − p) + peiu
Si X suit une loi binomiale de paramètres n et p

a) Dans un groupe donné, le nombre Z d’individus infectés suit une loi n
binomiale de taille n et de paramètre p. L’échantillon du groupe sera positif si X n k
ϕX (u) = p (1 − p)n−k eiku = (1 − p + peiu )n
Z ≥ 1. La probabilité qu’un échantillon de groupe soit positif est donc k
k=0
n
X c) Avec les notations qui précèdent
q= P(Z = k) = 1 − P(Z = 0) = 1 − (1 − p)n
k=1 Z 2π n
X Z 2π
ϕX (u)e− iux0 du = P(X = xk ) eiu(xk −x0 ) du
L’infection ou non d’un groupe suit une loi de Bernoulli de probabilité q. Les 0 k=0 0
groupes pouvant être considérés comme indépendants, le nombre X de
groupes infectés suit une loi binomiale de taille N/n et de paramètre q. Puisque xk − x0 est un entier
b) Le nombre Y d’analyses se déduit du nombre X de groupes infectés par la
(
2π
si xk 6= x0
Z
iu(xk −x0 ) 0
relation e du =
N 0 2π si xk = x0
Y = + nX
n
et donc
2π
L’espérance de Y est
Z
ϕX (u)e− iux0 du = 2π P(X = x0 )
0
N N N
E(Y ) = + nE(X) = (1 + nq) = (1 + n − n(1 − p)n ) Si ϕX = ϕY alors
n n n
∀x0 ∈ Z, P(X = x0 ) = P(Y = x0 )
c) Le premier protocole conduit à 1000 analyses alors que le second n’en et donc X = Y .
demande qu’en moyenne ' 196
d) Notons que X + Y prend ses valeurs dans Z comme X et Y .

ϕX+Y (u) = E eiu(X+Y ) = E eiuX eiuY = E eiuX E eiuY = ϕX (u)ϕY (u)

car les variables X et Y sont supposées indépendantes.

e) Une loi binomiale de paramètres n et p peut se comprendre comme la somme on obtient

de n loi de Bernoulli indépendantes de paramètre p. n n
Avec cet exercice, on perçoit la trace dans une situation particulière de 1 X 2 1
X (n + 1)(2n + 1)
E (min(X, Y )) = 2
(n + 1 − k) 2
k2 =
résultats beaucoup plus généraux. Il est assez fréquent d’étudier une variable n n 6n
k=1 k=1
aléatoire par la fonction caractéristique associée.
Aussi
min(X, Y ) + max(X, Y ) = X + Y
Exercice 16 : [énoncé] donc
(n + 1)(2n + 1) (n + 1)(4n − 1)
a) E(Xk ) = 1 × p + (−1) × (1 − p) = 2p − 1. E (max(X, Y )) = n + 1 − =
6n 6n
b) Par l’indépendance des variables
Encore
n 1
Y
n
min(X, Y ) = ((X + Y ) − |X − Y |)
E(Yn ) = E(Xk ) = (2p − 1) 2
k=1 donc
(n + 1)(2n + 1) n2 − 1
Aussi Yn ∈ {1, −1} et E (|X − Y |) = n + 1 − =
3n 3n
E(Yn ) = 1 × pn + (−1) × (1 − pn ) = 2pn − 1
On en déduit
1 + (2p − 1) n Notons x1 , . . . , xn les éléments de X(Ω) ∪ Y (Ω).
pn = On peut écrire
2 n
X
c) Puisque |p| < 1, pn → 1/2. ∀k ∈ N, E(X k ) = xki P(X = xi )
i=1
Considérons maintenant un polynôme Lj prenant la valeur 1 en xj et la valeur 0

Exercice 17 : [énoncé] en les xi avec i 6= j.
En notant N le degré de Lj , on peut écrire
a) En écrivant
Lj (x) = a0 + a1 x + · · · + aN xN
P(X = k) = P(X ≥ k) − P(X ≥ k + 1)
on obtient et alors
n n
n
X X
E(X) = k P(X = k) = P(X ≥ k) X
a0 + a1 E(X) + · · · + aN E(X N ) = Lj (xi ) P(X = xi ) = P(X = xi )
k=1 k=1
i=1
b) Par la propriété au-dessus
Parallèlement
n n
X X n
E (min(X, Y )) = P(X ≥ k et Y ≥ k) = P(X ≥ k) P(Y ≥ k) a0 + a1 E(Y ) + · · · + aN E(Y N ) =
X
Lj (xi ) P(Y = xi ) = P(Y = xi )
k=1 k=1
i=1
Puisque et donc
n+1−k
P(X ≥ k) = P(Y ≥ k) = P(X = xi ) = P(Y = yi )
n
Exercice 19 : [énoncé] On a
n
La valeur de a se déduit de l’identité X n−1 n 2n − 1
=
n k−1 n−k n−1
X k=1
P(X = k) = 1
en considérant le coefficient de X n−1 dans le développement de
k=0
(1 + X)n−1 (1 + X)n = (1 + X)2n−1

et l’on obtient a = 1/2n .
L’espérance de X est et donc −1
n n 2n 2n − 1 n
E(X) = n =

X n X n−1 n
E(X) = a k = an = an2n−1 = n n−1 2
k k−1 2
k=1 k=1
On calcule la variance V(X) par la relation V(X) = E(X 2 ) − E(X)2 en
et la variance est commençant par calculer E(X(X − 1)).
V(X) = E(X 2 ) − E(X)2 −1 n
2n X n−2 n
E(X(X − 1)) = n(n − 1)
Or n k−2 n−k
n n k=2
X n X n−2
E(X(X − 1)) = a k(k − 1) = an(n − 1)
k k−2 et en considérant le coefficient de X n−2 dans le développement de
k=2 k=2
donc (1 + X)n−2 (1 + X)n = (1 + X)2n−2

2 n n(n − 1) n(n + 1)
E(X ) = E(X(X − 1)) + E(X) = + =
2 4 4 on obtient
puis 2n
−1
2n − 2

n(n − 1)2
n E(X(X − 1)) = n(n − 1) =
V(X) = n n−2 2(2n − 1)
4
puis
n3
Exercice 20 : [énoncé] E(X 2 ) =
2(2n − 1)
il y a 2n

En distinguant les boules, n tirages possibles et, pour 0 ≤ k ≤ n,
et enfin
exactement nk n−k n

tirages conduisant à l’obtention de k boules rouges. On en n2
déduit V(X) =
n n 4(2n − 1)
k n−k
P(X = k) = 2n

n
L’espérance de X est Exercice 21 : [énoncé]

Puisque

2n
n
−1 X
n n
n k
E(X) = k P(X = k) = p (1 − p)n−k
n k n−k k
k=1
l’espérance de Y est donnée par
avec
n Xn n
X n n n−1 n X 1 n k
k = n E(Y ) = p (1 − p)n−k
k n−k k−1 n−k k+1 k
k=1 k=1 k=0

Or b) L’espérance de X est
n+1 n+1 n
= n
k+1 k+1 k X
E(X) = (n + k) P (X = n + k)
donc k=0
n
1 X n+1 k
E(Y ) = p (1 − p)n−k Or
n+1 k+1

k=0 n+k−1 n+k
(n + k) =n
k k
puis par glissement d’indice
donc
n+1
X
1 n+1 k n
p (1 − p)(n+1)−k (n!)2 X n + k (n!)2

E(Y ) = 2n + 1 (2n + 1)n
p(n + 1) k E(X) = n = n =
k=1 (2n)! k (2n)! n n+1
k=0
et enfin par la formule du binôme avec un terme manquant
Pour calculer la variance, commençons par calculer E(X(X + 1)).
n+1
1 − (1 − p) n
E(Y ) = X
p(n + 1) E(X(X + 1)) = (n + k)(n + k + 1) P (X = n + k)
k=0
Or
Exercice 22 : [énoncé] n+k−1 n+k+1
(n + k)(n + k + 1) = n(n + 1)
k k
a) Les valeurs prises pas X sont les éléments de {n, n + 1, . . . , 2n}. puis
Distinguons les boules. Le nombre de tirages possibles est (2n)!
(n!)2

Les tirages de n + k boules contenant toutes les boules rouges (sans pour 2n + 2 n(n + 1)(2n + 1)
E(X(X + 1)) = n(n + 1) =2
autant terminer par une boule rouge) sont au nombre de (2n)! n (n + 2)

n+k donc
n!n! n2 (2n + 1)(2n + 3)
k E(X 2 ) = E(X 2 + X) − E(X) =
(n + 2)(n + 1)
En effet, on choisit k emplacements pour les boules blanches parmi les n + k
et enfin
correspondant au début du tirage extrayant les n rouges. On positionne n2 (2n + 1)
ensuite les boules rouges dans les emplacements restants et les boules V(X) = E(X 2 ) − E(X)2 =
(n + 2)(n + 1)2
blanches dans les emplacements réservés et sur la fin du tirage. On a donc
(n!)2 n + k

P(X ≤ n + k) = Exercice 23 : [énoncé]
(2n)! k
Notons Sn (k) le sous-ensemble de Sn constitué des permutations possédant
On en déduit exactement k ∈ J0 ; nK points fixes.
n n
(n!)2 (n!)2 n + k − 1

n+k n+k−1 X 1 X
P(X = n + k) = − = E(X) = k P(X = k) = k Card Sn (k)
(2n)! k k−1 (2n)! k n!
k=0 k=0

Considérons alors a) Par linéarité de l’espérance

n
Ω = Sn × J1 ; nK = {(s, x) | s ∈ Sn et x ∈ J1 ; nK} 1X
E X̄n = E(Xi ) = m
n i=1
On observe
n
Puisque de surcroît les variables sont mutuellement indépendantes
X
k Card Sn (k) = Card {(s, x) ∈ Ω | s(x) = x}
k=0 n
1 X σ2
Puisqu’il y a autant de permutations dans Sn vérifiant s(x) = a que de V(X̄n ) = V(Xi ) =
n2 i=1 n
permutation vérifiant s(x) = b,
1 b) En développant
Card {(s, x) ∈ Ω | s(x) = x} = Card Ω = n!
n n n
! n
1 X X 1 X 2 n
et donc Vn = Xi2 − 2X̄n Xi + nX̄n2 = Xi − X̄ 2
n−1 i=1 i=1
n − 1 i=1 n−1 n
E(X) = 1
Aussi Par linéarité de l’espérance
n
1 X n
E(X(X − 1)) = k(k − 1) Card Sn (k) 1 X n
E Xi2 − E X̄n2

n! E(Vn ) =
k=0 n − 1 i=1 n−1
Considérons alors
puis
n
σ2

0 1 X 2 n
Ω = {(s, x, y) | s ∈ Sn et x, y ∈ J1 ; nK, x 6= y} E(Vn ) = σ + m2 −

+ m2
n − 1 i=1 n−1 n
On observe
et enfin
n
X E(Vn ) = σ 2
k(k − 1) Card Sn (k) = Card {(s, x, y) ∈ Ω0 | s(x) = x et s(y) = y}
k=0
Un argument d’uniformité analogue au précédent fournit Exercice 25 : [énoncé]

Pour λ ∈ R, introduisons Z = λX + Y . On a V(Z) ≥ 0 avec
Card {(s, x, y) ∈ Ω0 | s(x) = x et s(y) = y} = n!
V(Z) = λ2 V(X) + 2λ Cov(X, Y ) + V(Y )
et donc
E(X(X − 1)) = 1 Si V(X) = 0, on a nécessairement Cov(X, Y ) = 0 pour que V(Z) soit positif pour
tout λ ∈ R.
On en déduit Si V(X) 6= 0, on a nécessairement ∆ = 4Cov(X, Y )2 − 4V (X) V(Y ) ≤ 0 pour que
V(X) = E(X(X − 1)) + E(X) − E(X)2 = 1 V(Z) soit positif pour tout λ ∈ R.
Dans les deux cas, on obtient
p
|Cov(X, Y )| ≤ V(X) V(Y )


On a Puisque la fonction g est strictement croissante, les événement |X| ≥ a et
2 2
E [Y − (aX + b)] = V (Y − (aX + b)) + E (Y − (aX + b)) g(|X|) ≥ g(a) sont identiques. Or l’inégalité de Markov donne
D’une part E (g(|X)|) ≥ g(a) P (g(|X|) ≥ g(a))
2
V (Y − (aX + b)) = V(Y − aX) = a V(X) − 2a Cov(X, Y ) + V(Y ) et donc
E (g(|X|))
et donc P (|X| ≥ a) ≤
g(a)
V (Y − (aX + b)) = V(Y − aX)
2 2
Cov(X, Y ) V(X) V(Y ) − (Cov(X, Y ))
= a− V(X) + Exercice 29 : [énoncé]
V(X) V(X)
Rappelons
D’autre part E(X) = np et V(X) = np(1 − p)
2
E (Y − (aX + b)) = 0 pour b = E(Y ) − a E(X)
Considérons la variable aléatoire
On en déduit que
Y = X − np = X − E(X)

2
E [Y − (aX + b)]
est minimale pour Par l’inégalité de Markov
E(|Y |)
Cov(X, Y ) V(X) E(Y ) − Cov(X, Y ) E(X) P (|Y | ≥ na) ≤
a= et b = nε
V(X) V(X) donc
Ces valeurs de a et b réalisent une régression linéaire : elles donnent la meilleure
X E(|Y |)
P − p ≥ ε ≤
expression linéaire de Y en fonction de X. n nε
p
Or E(|Y |) ≤ E(Y 2 ) avec E(Y 2 ) = V(X) = np(1 − p) donc
Exercice 27 : [énoncé] p
X p(1 − p)
P − p ≥ ε ≤ √
n ε n
a) Chacune des n voitures a la probabilité p = 1/3 de choisir le premier péage.
Dès lors, la variable aléatoire X1 peut se comprendre comme étant le nombre
de succès dans une série de n épreuves indépendantes ayant chacune la
probabilité p de réussir. La variable X1 suit une loi binomiale de paramètres
Par stricte croissance de l’exponentiel, l’événement X − np > nε équivaut à
n et p = 1/3.
l’événement
b) V(X1 ) = np(1 − p) = 2n/9 et V(X2 ) = 2n/9 car X1 , X2 , X3 suivent les exp (λ(X − np − nε)) ≥ 1
mêmes lois.
Puisque X1 + X2 = n − X3 , V(X1 + X2 ) = V(n − X3 ) = V(X3 ) = 2n/9. L’inégalité de Markov appliquée à la variable Y = exp (λ(X − np − nε)) permet
c) Sachant alors de conclure
V(X1 + X2 ) = V(X1 ) + 2Cov(X1 , X2 ) + V(X2 ) E (exp (λ(X − np − nε)))
P (exp (λ(X − np − nε)) ≥ 1) ≤
on obtient 1
Cov(X1 , X2 ) = −n/9


On a
E(Y ) = α2 E (X − µ)2 + 2α E(X − µ) + σ 2 = (α2 + 1)σ 2

a) Sn soit une loi binomiale de paramètres n et p.
b) Puisque Sn suit une loi binomiale, E(Sn ) = np et V(Sn ) = np(1 − p). L’inégalité de Markov appliquée à la variable positive Y donne
Par conséquent
E(Y )

Sn Sn p(1 − p)
E = p et V = P(Y ≥ a) ≤
n n n a
c) Par l’inégalité de Bienaymé-Tchebychev Pour a = σ 2 (α2 + 1)2 ,
1
P(Y ≥ a) ≤

Sn Sn V(Sn /n)
P −E > ε ≤ 1 + α2
n n ε2
Or
(X ≥ µ + ασ) = α(X − µ) + σ ≥ (α2 + 1)σ

et donc
Sn p(1 − p)
P
− p > ε ≤
et donc
n nε2
(X ≥ µ + ασ) ⊂ (Y ≥ a)
Enfin, l’inégalité classique p(1 − p) ≤ 1/4 permet de conclure.
puis
d) On choisit n de sorte que 1
1/4nε2 ≤ 0, 05 P (X ≥ µ + ασ) ≤
1 + α2
La valeur n = 2000 est convenable.
Par l’inégalité de Bienaymé-Tchebychev
np(1 − p)
P (|Xn − np| ≥ ε) ≤
ε2
Choisissons ε > 0 pour que
(Xn ≤ k) ⊂ (|Xn − np| ≥ ε)
La valeur ε = np − k convient et est strictement positive pour n assez grand. On a
alors
np(1 − p)
P (Xn ≤ k) ≤ −→ 0
(np − k)2 n→+∞
Par l’inégalité de Bienaymé-Tchebychev
σ2 1
P (|X − µ| ≥ ασ) < 2
= 2
(ασ ) α
On conclut par considération d’évènement complémentaire.

Variables Aléatoires PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Variables Aléatoires PDF

Hochgeladen von

Copyright:

Verfügbare Formate

[http://mp.cpgedupuydelome.

fr] édité le 5 mai 2016 Enoncés 1

Variables aléatoires a) Reconnaître la loi de Z = X + Y .

Exercice 9 [ 03818 ] [Correction]

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Exercice 11 [ 03981 ] [Correction] Exercice 15 [ 03847 ] [Correction]

Exercice 13 [ 03835 ] [Correction]

d) Soient X et Y deux variables aléatoires indépendantes. Vérifier

Exercice 14 [ 03839 ] [Correction] ϕX+Y = ϕX ϕY

Diffusion autorisée à titre entièrement gratuit uniquement - dD

b) On pose Exercice 21 [ 03838 ] [Correction]

Exercice 22 [ 03840 ] [Correction]

Exercice 20 [ 03837 ] [Correction] Covariance

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Exercice 26 [ 03994 ] [Correction] Exercice 31 [ 03982 ] [Correction]

Inégalités de Markov et de Bienaymé-Tchebychev Exercice 32 [ 04035 ] [Correction]

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Corrections c) Si m ∈ [np ; (n + 1)p] alors m/(n + 1) ≤ p ≤ m/n et puisque f est croissante

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Exercice 4 : [énoncé] On simplifie

Diffusion autorisée à titre entièrement gratuit uniquement - dD

P(1A = 1, 1B = 1) = P(1A = 1) P(1B = 1),

En développant Exercice 8 : [énoncé]

P(X = k, Y = ` − k) = P(X = k) P(Y = ` − k)

Exercice 7 : [énoncé] on obtient

P(1A = 1, 1B = 1) = P(1A = 1) P(1B = 1) et finalement  

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Exercice 10 : [énoncé] Exercice 12 : [énoncé]

P ({X = ai ∩ Y = ai }) = P ({X = ai }) P ({Y = ai }) = p2i

donc Exercice 13 : [énoncé]

Exercice 11 : [énoncé] Par décalage d’indice dans la première somme

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Exercice 14 : [énoncé] ϕX (u) = (1 − p) + peiu

Si X suit une loi binomiale de paramètres n et p

Diffusion autorisée à titre entièrement gratuit uniquement - dD

e) Une loi binomiale de paramètres n et p peut se comprendre comme la somme on obtient

Considérons maintenant un polynôme Lj prenant la valeur 1 en xj et la valeur 0

(1 + X)n−1 (1 + X)n = (1 + X)2n−1

donc (1 + X)n−2 (1 + X)n = (1 + X)2n−2

L’espérance de X est Exercice 21 : [énoncé]

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Considérons alors a) Par linéarité de l’espérance

Un argument d’uniformité analogue au précédent fournit Exercice 25 : [énoncé]

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Exercice 26 : [énoncé] Exercice 28 : [énoncé]

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Exercice 31 : [énoncé] Exercice 34 : [énoncé]

Diffusion autorisée à titre entièrement gratuit uniquement - dD

Das könnte Ihnen auch gefallen

P(1A = 1, 1B = 1) = P(1A = 1) P(1B = 1) et finalement