Documente Academic
Documente Profesional
Documente Cultură
Exercice 9 [ 03825 ] [Correction] (b) Calculer la fonction caractéristique d'une variable X suivant une loi de
Soient X et Y deux variables aléatoires prenant pour valeurs a1 , . . . , an avec Bernoulli de paramètre p.
Même question avec une loi binomiale de paramètres n et p.
P(X = ai ) = P(Y = ai ) = pi .
(c) Soient X une variable aléatoire réelle et x0 un entier. Vérier
On suppose que les variables X et Y sont indépendantes. Z 2π
1
Montrer que P(X = x0 ) = ϕX (u)e−iux0 du.
n 2π 0
pi (1 − pi ).
X
P(X 6= Y ) =
i=1 En déduire
ϕX = ϕY =⇒ X et Y suivent la même loi.
m inférieur à (n + 1)p puis devient décroissante ensuite. On peut donc armer Exercice 2 : [énoncé]
X(Ω) = Y (Ω) = J0 ; nK. Pour k ∈ J0 ; nK,
m = (n + 1)p .
n k
(b) La fonction f est dérivable avec P(X = k) = p (1 − p)n−k
k
f 0 (x) = (m − nx)xm−1 (1 − x)n−m−1 . donc
n n−k
La fonction f est donc croissante sur [0 ; m/n] et décroissante sur [m/n ; 1]. P(Y = k) = P(X = n − k) = p (1 − p)k .
k
(c) Si m ∈ [np ; (n + 1)p] alors m/(n + 1) ≤ p ≤ m/n et puisque f est croissante
sur [0 ; m/n] La variable aléatoire Y suit une loi binomiale de taille n et de paramètre q = 1 − p.
f (m/(n + 1)) ≤ f (p) ≤ f (m/n)
ce qui conduit à l'encadrement demandé.
Exercice 3 : [énoncé]
(d) Si m ∈ [(n + 1)p − 1 ; np] alors m/n ≤ p ≤ (m + 1)/(n + 1) et par Compte tenu de l'expérience modélisée, on peut armer que la variable X suit
décroissance de f sur [m/n ; 1], on obtient une loi binomiale de paramètres n et p.
m+1 m
.
b m, n, ≤ b(m, n, p) ≤ b m, n, n k
n+1 n P(X = k) = p (1 − p)n−k .
k
(e) Quand n → +∞, on a m = (n + 1)p ∼ np → +∞ et
De plus, pour k ∈ J0 ; nK, si l'événement (X = k) est réalisé, il y a n − k questions
n − m ∼ n(1 − p) → +∞ ce qui permet d'écrire simultanément pour lesquelles l'étudiant répond au hasard avec une probabilité 1/4 de réussir :
√ √
n! ∼ 2πnnn e−n , m! ∼ 2πmmm e−m et
n−k
j n−k−j
1 3
P(Y = j | X = k) = avec j ∈ J0 ; n − kK.
(n − m)! ∼ 2π(n − m)(n − m)n−m en−m .
p
j 4 4
(a) Z(Ω) ⊂ {0, 1} et P(Z = 0) = P(X = 0, Y = 0). Par indépendance Exercice 7 : [énoncé]
Soient A, B deux évènements de l'espace probabilisé (Ω, P).
P(Z = 0) = P(X = 0)P(Y = 0) = (1 − p)(1 − q).
Supposons les fonctions indicatrices 1A et 1B indépendantes. On a
On en déduit que Z suit une loi de Bernoulli de paramètre
P(1A = 1, 1B = 1) = P(1A = 1)P(1B = 1)
r = 1 − (1 − p)(1 − q) = p + q − pq .
ce qui se relit
(b) Numérotons les cibles de 1 à n et dénissons les variables aléatoires Xi et Yi P(A ∩ B) = P(A)P(B).
déterminant si la cible i est touchée par l'un ou l'autre des deux archers. Ces
variables sont indépendantes, Xi suit une loi de Bernoulli de paramètre p et Inversement, supposons les évènements A et B indépendants. On sait qu'alors
Yi de paramètre q . La variable Zi = max(Xi , Yi ) détermine si une cible a été
touchée au moins une fois. Le nombre de cibles touchées au moins une fois est P(A ∩ B) = P(A)P(B), P(A ∩ B) = P(A)P(B), .
donc n
P(A ∩ B) = P(A)P(B) et P(A ∩ B) = P(A)P(B).
Zi .
X
N=
i=1 Ceci se relit
Les variables Zi étant indépendantes, la variable N suit une loi binomiale de
paramètres n et r = p + q − pq . P(1A = 1, 1B = 1) = P(1A = 1)P(1B = 1),
(c) Le nombre M de cibles épargnées et M = n − N . La loi suivie est binomiale P(1A = 0, 1B = 1) = P(1A = 0)P(1B = 1),
de paramètre n et 1 − r = (1 − p)(1 − q). P(1A = 1, 1B = 0) = P(1A = 1)P(1B = 0) et
P(1A = 0, 1B = 0) = P(1A = 0)P(1B = 0).
Exercice 6 : [énoncé]
Soient A ⊂ {x1 , . . . , xn } et B ⊂ {y1 , . . . ym }. On a On en déduit que les variables aléatoires 1A et 1B sont indépendantes.
! !
Y =y .
[ [
(X = A) ∩ (Y = B) = X=x ∩
x∈A y∈B Exercice 8 : [énoncé]
La réponse est négative en général.
En développant Supposons que X et Y suivent des lois de Bernoulli de paramètre 1/2.
(X = A) ∩ (Y = B) =
[
(X = x) ∩ (Y = y). On a
(x,y)∈A×B
P(X + Y = 2) = P(X = 1)P(Y = 1) = 1/4
N = 20
Exercice 16 : [énoncé] C = 0
Puisque for i in range(1000):
n k C = C + simul(N)
P(X = k) = p (1 − p)n−k print(C/1000)
k
l'espérance de Y est donnée par (b) On peut prendre Ω = {1, 2}2N muni de la tribu discrète et de la probabilité
n uniforme pour modéliser la succession de 2N choix de l'un ou l'autre paquet.
1 n k (c) La variable XN prend ses valeurs dans J1 ; N K. Pour k ∈ J1 ; N K, on a XN = k
p (1 − p)n−k .
X
E(Y ) =
k=0
k+1 k lorsque N fois le paquet 1 a été choisi et N − k fois le paquet 2, le dernier
choix étant fait dans le paquet 1. On a aussi XN = k dans la situation
Or symétrique. On en déduit :
n+1 n+1 n
=
2N − (k + 1) 1
k+1 k+1 k P(XN = k) = 2 × × 2N −k
N −1 2
donc
n
1 X n+1 k
(le coecient binomial correspond au positionnement des N − 1 valeurs 1
E(Y ) = p (1 − p)n−k dans les 2N − (k + 1) positions possibles (le dernier 1 étant en position
n+1 k+1
k=0 2N − k ).
puis par glissement d'indice (d) La formule se vérie en exprimant les coecients binomiaux sous forme
factorielle (le cas k = N ) étant traité à part).
1
n+1
X n + 1 (e) On somme la formule qui précède et on simplie sachant
E(Y ) = pk (1 − p)(n+1)−k
p(n + 1) k N N
k=1 X X
P(XN = k) = 1, P(XN = k + 1) = 1 − P(XN = 1)
et enn par la formule du binôme avec un terme manquant k=1 k=1
N
1 − (1 − p)n+1 et (k + 1)P(XN = k + 1) = E(XN ) − P(XN = 1).
X
E(Y ) = .
p(n + 1) k=1
On conclut
2N − 1 2N − 2
Exercice 17 : [énoncé] E(XN ) = (2N − 1)P(XN = 1) = .
22N −2 N − 1
Or
Exercice 18 : [énoncé] Xk X
k
Pour k ∈ J1 ; nK, notons Ek l'ensemble des valeurs prises par la variable E (X1 + · · · + Xk )2 = E(Xi Xj )
X1 + · · · + Xk et considérons E la réunion des Ek : la variable Y prend ses valeurs i=1 j=1
dans E . k
X X
Par dénition de l'espérance = E(Xi2 ) + 2 E(Xi )E(Xj )
i=1 1≤i<j≤k
yP(Y = y).
X
E(Y ) = = kE(X 2 ) + k(k − 1)E(X)2
y∈E
et donc
La famille des (N = k) pour k allant de 1 à n est un système complet E Y 2 = E X 2 E(N ) + E(X)2 E N (N − 1) .
d'événements et donc n [ Enn, par la formule de Huygens, on conclut
(Y = y) = (Y = y, N = k)
V(Y ) = E Y 2 − E(Y )2
k=1
avec = E X 2 E(N ) − E(X)2 E N + E(X)2 E(N 2 ) − E(N )2
(Y = y, N = k) = (X1 + · · · + Xk = y, N = k).
= V(X)E(N ) + E(X)2 V(N ).
Par indépendance
P(Y = y, N = k) = P(X1 + · · · + Xk = y)P(N = k) Exercice 19 : [énoncé]
Pour λ ∈ R, introduisons Z = λX + Y . On a V(Z) ≥ 0 avec
et donc
n
V(Z) = λ2 V(X) + 2λ Cov(X, Y ) + V(Y ).
XX
E(Y ) = yP(X1 + · · · + Xk = y)P(N = k) Si V(X) = 0, on a nécessairement Cov(X, Y ) = 0 pour que V(Z) soit positif pour
y∈E k=1 tout λ ∈ R.
Si V(X) 6= 0, on a nécessairement ∆ = 4 Cov(X, Y )2 − 4V (X)V(Y ) ≤ 0 pour que
n
!
yP(X1 + · · · + Xk = y) P(N = k).
X X
= V(Z) soit positif pour tout λ ∈ R.
k=1 y∈E Dans les deux cas, on obtient
Puisque E contient l'ensemble Ek des valeurs prises par X1 + · · · + Xk , Cov(X, Y ) ≤ V(X)V(Y ).
p
X
yP(X1 + · · · + Xk = y) = E(X1 + · · · + Xk )
y∈E Exercice 20 : [énoncé]
= E(X1 ) + · · · + E(Xk ) = kE(X) (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
puis de succès dans une série de n épreuves indépendantes ayant chacune la
n
E(Y ) = E(X)
X
kP(N = k) = E(X)E(N ). probabilité p de réussir. La variable X1 suit une loi binomiale de paramètres
k=1
n et p = 1/3.
(b) V(X1 ) = np(1 − p) = 2n/9 et V(X2 ) = 2n/9 car X1 , X2 , X3 suivent les Exercice 23 : [énoncé]
mêmes lois. Par stricte croissance de l'exponentiel, l'événement X − np > nε équivaut à
Puisque X1 + X2 = n − X3 , V(X1 + X2 ) = V(n − X3 ) = V(X3 ) = 2n/9. l'événement
exp λ(X − np − nε) ≥ 1.
(c) Sachant
V(X1 + X2 ) = V(X1 ) + 2 Cov(X1 , X2 ) + V(X2 ) L'inégalité de Markov appliquée à la variable Y = exp λ(X − np − nε) permet
Exercice 25 : [énoncé]
Exercice 22 : [énoncé] On a
E(Y ) = α2 E (X − µ)2 + 2αE(X − µ) + σ 2 = (α2 + 1)σ 2 .
Rappelons
E(X) = np et V(X) = np(1 − p). L'inégalité de Markov appliquée à la variable positive Y donne
Considérons la variable aléatoire E(Y )
P(Y ≥ a) ≤ .
a
Y = X − np = X − E(X).
Pour a = σ 2 (α2 + 1)2 ,
Par l'inégalité de Markov 1
E(|Y |) P(Y ≥ a) ≤ .
P |Y | ≥ na ≤
1 + α2
nε Or
donc (X ≥ µ + ασ) = α(X − µ) + σ ≥ (α2 + 1)σ
X E(|Y |)
.
P − p ≥ ε ≤
et donc
n nε
(X ≥ µ + ασ) ⊂ (Y ≥ a)
Or E(|Y |) ≤ E(Y 2 ) avec E(Y 2 ) = V(X) = np(1 − p) donc
p
puis
1
p
P(X ≥ µ + ασ) ≤ .
X p(1 − p)
. 1 + α2
P − p ≥ ε ≤
√
n ε n