Université Abdelmalek Essaâdi Année universitaire : 2018/2019

Faculté des Sciences de Tétouan S.M.A. Semestre 6

Département de Mathématiques Contrôle de Probabilités 2

Corrigés

Exercice 1 :
I.-
1. L’espéarnce mathématique de la variable aléatoire X ∼ P(λ) est :
+∞ +∞
X X λk
E(X) = kP (X = k) = ke−λ
k=0 k=0
k!
+∞ +∞
−λ
X λk −λ
X λk−1
E(X) = e = λe
k=1
(k − 1)! k=1
(k − 1)!
+∞
X λk
= λe −λ
= λe−λ eλ = λ
k=0
k!
Donc E(X) = λ
La variance de la variable aléatoire X est :
V ar(X) = E(X 2 ) − E(X)2
On calcul d’abord E(X 2 ).
+∞ +∞ +∞
X X λk X −λ λk
E(X 2 ) = k 2 P (X = k) = k(k − 1)e−λ + ke
k=0 k=0
k! k=0
k!
+∞
2 −λ
X λk
E(X ) = e +λ
k=2
(k − 2)!
+∞ +∞ k
2 −λ
X λk−2 2 −λ
X λ
=λ e +λ=λ e +λ
k=2
(k − 2)! k=0
k!
2 −λ λ
= λ e e + λ = λ2 + λ
V ar(X) = λ2 + λ − λ2 = λ
Donc V ar(X) = λ
2. La fonction caractéristique de la variable aléatoire X ∼ P(λ) est :
ϕX (t) = E(eitX )
∞
X
= eitk P (X = k)
k=0
∞
X λk
= eitk e−λ
k=0
k!
∞
−λ
X (λeit )k
= e
k=0
k!
= e−λ exp(λeit )
= exp(λ(eit − 1)
Donc ϕX (t) = exp(λ(eit − 1)

1
 ? ϕ0X (t) = λieit exp(λ(eit − 1))
ϕ0X (0) = λi ⇒ E(X) = 1i ϕ0X (0) = λ
? ϕ00X (t) = λi2 eit exp(λ(eit − 1)) + (λieit )2 exp(λ(eit − 1))
ϕ00X (0) = λi2 + λ2 i2 ⇒ E(X 2 ) = i12 ϕ00X (0) = λ + λ2
Donc V ar(X) = E(X 2 ) − E(X)2 = λ + λ2 − λ2 = λ
II.- Y = X1 + X2
1. ϕY (t) = E(eitY ) = E(eit(X1 +X2 ) )
= E(eitX1 .eitX2 ) = E(eitX1 ).E(eitX2 ) (car X1 et X2 sont indépendantes).
= ϕX1 (t).ϕX2 (t) = exp(λ1 (eit − 1)). exp(λ2 (eit − 1))
Donc ϕY (t) = exp((λ1 + λ2 )(eit − 1))
D’où Y ∼ P(λ1 + λ2 )
2. Soit n, m ∈ Z+ avec m < n, on a :
P (X1 = m/Y = n) = P (X1 = m/X1 + X2 = n)
P (X1 = m, X1 + X2 = n)
=
P (Y = n)
P (X1 = m, X2 = n − m)
=
P (Y = n)
P (X1 = m).P (X2 = n − m)
= (car X1 et X2 sont indép.)
P (Y = n)
λm λn−m
e−λ1 m!1 e−λ2 (n−m)!
1
n!λm n−m
1 λ2
= n =
e−(λ1 +λ2 ) (λ1 +λ
n!
2) m!(n − m)!(λ1 + λ2 )n
m λm1 λn−m
2
= Cn
(λ1 + λ2 ) (λ1 + λ2 )n−m
m
 m  n−m
m λ1 λ1
= Cn 1− ; m = 0, 1, 2, · · · , n
λ1 + λ2 λ1 + λ2
λ1
Donc la loi conditionnelle de X1 par Y est binomiale de paramètres n et p = λ1+λ2
.
Exercice 2 :
Rx Rx
1. FX (x) = −∞ fX (t)dt = −∞ λe−λt I[0,+∞[ (t)dt
donc, pour x > 0
Rx x
FX (x) = 0 λe−λt dt = −e−λt 0 = −e−λx + 1


D’où
1 − e−λx pour x > 0

FX (x) =
0 pour x < 0
et  −λx
e pour x > 0
RX (x) = 1 − FX (x) =
1 pour x < 0
Z +∞ Z +∞
2. E(X) = xfX (x)dx = xλe−λx I[0,+∞[ (x)dx
R −∞
+∞
−∞
R +∞ −λx
= 0 xλe dx = [−xe−λx ]+∞
−λx
0 + 0
e dx
u0 = 1
 
u = x,
par parties 0
v = λe−λx , v = −e−λx

2
 h i+∞
−e−λx
E(X) = 0 + λ
0
D’où E(X) = λ1
Z +∞ Z +∞
2
E(X ) = 2
x fX (x)dx = x2 λe−λx I[0,+∞[ (x)dx
−∞ −∞
R +∞ R +∞
= 0 x λe dx = [−x2 e−λx ]+∞
2 −λx
0 +2 0 xe−λx dx
| {z }
=0
u0 = 2x
 
u = x2 ,
par parties 0
v = λe , v = −e−λx
−λx
 
 −xe−λx +∞ 1 R +∞ −λx  u0 = 1
   
2 u = x,
E(X ) = 2  + λ 0 e dx par parties 0
 −λx
λ 0 v = e−λx , v = −eλ
| {z }
=0
 h i+∞ 
1 −e−λx
2
E(X ) = 2 λ λ
= λ22
0
V ar(X) = E(X ) − E(X)2 = λ22 − λ12 = λ12
2
Z +∞
tX
3. MX (t) = E(e ) = etx fX (x)dx
−∞
Z +∞ Z +∞
tx −λx
= λe e I[0,+∞[ (x)dx = λetx e−λx dx
−∞ 0
Z +∞  (t−λ)x +∞
e
= λe(t−λ)x dx = λ
0 t−λ 0
λ λ
Donc, si t − λ < 0 ou t < λ, MX (t) = − =
t−λ λ−t
∞
X tk
4. MX (t) = E(X k )
k=0
k!
∞
λ 1 X tk t
et, on sait que = t = puisque <1
λ−t 1− λ k=0
λk λ
k! t
par identification E(X k ) = pour <1
λk λ
1 2
on retrouve E(X) = et E(X 2 ) = 2
λ λ
2 1 1
d’où V ar(X) = 2 − 2 = 2
λ λ λ
5. Absence de mémoire :

P (X > x + u, X > x)
P (X > x + u/X > x) =
P (X > x)
P (X > x + u) RX (x + u)
= =
P (X > x) RX (u)
e−λ(x+u)
= = e−λx = P (X > x)
e−λu
Réciproquement,
Soit X une v.a. absolument continue qui n’a pas de mémoire. Cherchons RX sa fonction
de survie.

3
 RX (x + u)
On a : = RX (x) où x > 0, u > 0
RX (u)
C’est-à-dire RX (x + u) = RX (x).RX (u)
ou encore ln RX (x + u) = ln RX (x) + ln RX (u)
Comme RX est décroissante et continue à droite, alors il existe λ > 0 tel que

ln RX (x) = −λx

Par conséquent, RX (x) = e−λx , pour x > 0.

Donc X ∼ Exp(λ).
6. Par récurrence, pour n = 2, S2 = X1 + X2 , comme X1 et X2 sont indépendantes, on a :
Z +∞
fS2 (x) = fX1 (t)fX2 (x − t)dt
−∞

où fX1 et fX2 sont toutes les deux celles de la loi exponentielle de paramètre λ. On a,
alors, pour x > 0,
Z +∞
fS2 (x) = λ2 e−λt e−λ(x−t) I[0,+∞[ (t)I[0,+∞[ (x − t)dt
−∞
Z +∞
= λ2 e−λx I[0,+∞[∩]−∞,x] (t)dt
−∞
Z +∞
2 −λx
=λ e I[0,x[ (t)dt
−∞

= λ2 e−λx x = g2 (x), pour x > 0.

Pour le rang n, Sn = Sn−1 + Xn et on suppose que la loi de Sn−1 est

λn−1 xn−2 e−λx

gn−1 (x) = .
(n − 2)!

Comme les variables aléatoires Sn−1 et Xn sont indépendantes, la densité de Sn est, donc,
pour x > 0,
Z +∞ n−1 n−2 −λt
λ t e
fSn (x) = λe−λ(x−t) I[0,+∞[ (t)I[0,+∞[ (x − t)dt
−∞ (n − 2)!
+∞
λn
Z
= tn−2 e−λx I[0,x] (t)dt
(n − 2)! −∞
 n−1 x
λn −λx t
= e , pour x > 0
(n − 2)! n−1 0
λn xn−1 e−λx
= = gn (x), pour x > 0
(n − 1)!
La loi de Sn est, donc, bien celle d’Erlang d’ordre n