Master I : Ingénierie mathématique

Exercices de Probabilités

pour les séances de TD

Anne Philippe

18 septembre 2012
Bureau 118 bâtiment 10
Laboratoire de Mathématiques Jean Leray
[email protected]
http://www.math.sciences.univ-nantes.fr/~philippe/

1
2 Anne PHILIPPE, Université de Nantes

1. Espaces de probabilités généraux

Exercice 1.1. Loi discrète. Soit λ un réel positif et soit p ∈ [0, 1]. Dans une banque, le
nombre de chèques émis par les clients en un jour est une variable aléatoire X qui suit la loi de
Poisson P(λ).
Pour chaque chèque émis, la probabilité que ce chèque soit sans provision est p. Les chèques
sont supposés avec ou sans provision indépendamment des autres.
On appelle Y le nombre de chèques émis sans provision lors d’une journée.
1) Soit (n, k) ∈ N. Calculer P (Y = k | X = n)
2) Déterminer la loi de Y et celle de X − Y .
3) Les variables X − Y et Y sont-elles indépendantes ?

Exercice 1.2. Soit (a, b) ∈ R2 , on pose

(
aex si x < 0
Fa,b (x) = 1 −x
− 2 e + b si x ≥ 0
1) Sous quelles conditions sur les paramètres (a, b) la fonction Fa,b définit une fonction de répar-
tition.
2) Existe-t-il des valeurs (a, b) pour lesquelles la fonction Fa,b est la fonction de répartition d’une
loi continue ? Si oui préciser les valeurs de (a, b) et donner la densité de la loi.
3) Sous les conditions obtenues à la question 1 , calculer l’espérance de la loi définie par la fonction
de répartition Fa,b .

Exercice 1.3. Soit (αn )n une suite de réels positifs. On considère une suite de variables
aléatoires (Xn )n∈N indépendantes telle que la loi de Xn est la loi exponentielle de paramètre αn .
La loi exponentielle de paramètre α > 0 admet pour densié
fα (x) = αe−αx IR+ (x).
1) Calculer la fonction de répartition de Xn
On pose Mn = min{X1 , · · · , Xn }.
2) Calculer la fonction de répartition de Mn
3) Quelle est la loi de Mn

Exercice 1.4. Soit X une variable aléatoire distribuée suivant la loi uniforme sur [0, 1].
1) Ecrire la fonction de répartition de X
2) Ecrire et tracer la fonction de répartition de min(X, 21 )

Exercice 1.5. Soit X une variable aléatoire de loi gaussienne standard N (0, 1).
1) Montrer que Z = eX suit une loi continue et calculer sa densité. On la note fZ . Cette loi est
appelée la loi log-normale.
2) Pour tout a ∈ [−1, 1], on note
fa (x) = fZ (x)(1 + a sin(2π log(x)) IR+ (x)
Vérifier que fa est bien une densité
3) Montrer que si Za est de densité fa , alors Za et Z ont mêmes moments, et donc que les
moments ne caractérisent pas une loi de probabilité
 Anne PHILIPPE, Université de Nantes 3

Exercice 1.6. Mélange discret/continu. On considère X une variable aléatoire distribuée

suivant la loi exponentielle de paramètre b
fb (x) = be−bx I]0,+∞[ (x).
Soit a un réel positif. On pose Ya = min(X, a)
1) Pour tout fonction mesurable positive h, calculer E(h(Ya )).
2) En déduire la loi de Ya .
3) Calculer la fonction de répartition de la variable aléatoire Ya .
4) Calculer E(Ya ).

Exercice 1.7. loi géométrique. Soit (Xn )n∈N une suite de variables aléatoires iid suivant
la loi de Bernoulli de paramètre p. On pose T = inf {n ≥ 1 : Xn = 1}
1) Quelle est la loi de T ?
2) Calculer la fonction caractéristique et la transformée de Laplace de la loi de T.
3) En déduire l’espérance et la variance de T.

Exercice 1.8. Indépendance. On suppose que le vecteur aléatoire (X, Y ) admet une den-
sité uniforme sur le demi disque défini par
{(x, y)| y > 0 et x2 + y 2 ≤ 1}.
1) Écrire la densité du couple (X, Y )
2) Écrire la matrice de covariance du vecteur aléatoire (X, Y )
3) Les variables X et Y sont elles indépendantes ?

Exercice 1.9. Loi gamma. On rappelle la loi gamma de paramètres (a, b) ∈ (R∗+ )2 (notée
Γ(a, b)) est une loi continue qui admet pour densité
ba a−1 −bx
fa,b (x) = x e I]0,+∞[ (x).
Γ(a)
La fonction Γ : a 7→ Γ(a) est définie sur R+
∗ . Pour tout a > 0, on a
Γ(a + 1) = aΓ(a).
Pour tout entier non nul, on a Γ(n) = (n − 1)!.
1) Calculer les moments (s’ils existent) de la loi gamma Γ(a, b).
2) Montrer que le carré d’une variable gaussiennne standard suit une loi gamma de paramètres
( 12 , 12 ). En déduire la valeur de Γ(1/2).

3) Calculer la transformée de Laplace La,b d’une loi gamma Γ(a, b), puis en déduire sa fonction
caractéristique ϕa,b .
4) Soit (X1 , X2 ) deux variables aléatoires indépendantes de lois respectives Γ(a1 , b) et Γ(a2 , b).
Montrer que la somme X1 + X2 suit une loi gamma de paramètres (a1 + a2 , b).

Étant données n variables aléatoires (X1 , . . . , Xn ) mutuellement indépendantes toutes de loi

gaussienne N (µ, 1),
Pn
5) Montrer que la variable aléatoire j=1 (Xj − µ)2 suit une loi Γ( n2 , 12 ). On appelle cette loi une
loi de χ2 (n).
4 Anne PHILIPPE, Uniervsité de Nantes

Exercice 1.10. Loi Beta. Soient X1 et X2 deux variables aléatoires indépendantes de lois
respectives Γ(a1 , b) et Γ(a2 , b). On pose
R = X1 /(X1 + X2 ), S = X1 + X2 et T = X1 /X2 .
1) Calculer la loi du couple (S, T ).
2) Montrer que S et T sont indépendantes.
3) En déduire la densité de T (sans expliciter la constante multiplicative)
4) En déduire que la variable aléatoire R est également indépendante de S et elle suit une loi
Beta, c’est à dire R admet pour densité
1
xa−1 (1 − x)b−1 I[0,1] (x)
β(a, b)
où Z 1
β(a, b) = xa−1 (1 − x)b−1 dx
0

Exercice 1.11. min/max d’un échantillon. Soit n variables aléatoires (X1 , . . . , Xn ) in-
dépendantes et identiquement distribuées. On note F la fonction de répartition de X1
On pose
mn = min{X1 , . . . , Xn } et Mn = max{X1 , . . . , Xn }.
1) Pour tout x ∈ R, calculer les probabilités P (Mn ≤ x) ; P (mn > x).
2) Pour tout couple (x, y) ∈ R2 , calculer P (x ≤ mn ≤ Mn ≤ y).
On suppose que la loi de X1 admet une densité f
3) Montrer que les lois de mn , Mn sont des lois continues et préciser les densités.

Exercice 1.12. min d’un échantillon de taille aléatoire. On considère une suite (Xn )n∈N
de variables aléatoires indépendantes et identiquement distribuées. On note F la fonction de ré-
partition de X1 .
On considère N une variable aléatoire indépendante de (Xn )n∈N . La loi de N est la loi géo-
métrique de paramètre p .
On pose
U = min{X1 , . . . , XN }
Calculer la fonction de répartition de la U .

´
Exercice 1.13. Échantillon réordonné d’une loi exponentielle. Soient n variables aléa-
toires (U1 , · · · , Un ) i.i.d de loi exponentielle de densité x 7→ λe−λx IR+ (x). On considère l’échantillon
réordonné (U (1) , · · · , U (n) ) défini, en l’absence d’exæquo, par
U (1) = inf{Uj |1 ≤ j ≤ n}, U (2) = inf{Uj |1 ≤ j ≤ n Uj > U (1) }, · · · ,
U (n) = sup{Uj |1 ≤ j ≤ n}.

1) Montrer que l’échantillon réordonné est défini presque sûrement.

2) Quelle est la loi de (U (1) , U (2) , · · · , U (n) ) ?

On pose V1 = U (1) et, pour j ∈ {2, · · · , n}, Vj = U (j) − U (j−1) .

3) Montrer que les variables aléatoires (V1 , V2 , · · · , Vn ) sont mutuellement indépendantes.
4) Montrer que, pour tout j ∈ {1, . . . , n}, la loi de λ(n − j + 1)Vj est une loi exponentielle de
densité e−x IR+ (x).
 Anne PHILIPPE, Université de Nantes 5

2. Vecteurs gaussiens

Exercice 2.1. Soit ρ ∈]−1/2, 1/2[ un paramètre fixé. On considère un vecteur (X1 , X2 , X3 , X4 )
gaussien, centré, de matrice de covariance
 
1 ρ 0 ρ
 ρ 1 ρ 0 
Σ=  0 ρ 1 ρ 


ρ 0 ρ 1
1) Quelle est la loi du vecteur Z = (X1 + X2 , X1 − X3 ) ?
2) Ecrire la fonction caractéristique du vecteur Z.

Exercice 2.2. Soit (X, Y ) un vecteur aléatoire dont la loi admet pour densité sur R2
1 − 1 ( 1 x2 −xy+y2 )
f (x, y) = e 2 2
4π
1) Montrer que (X, Y ) est un vecteur gaussien, préciser sa moyenne et sa matrice de variance.
2) On considère U la variable aléatoire définie par Y = X/2 + U . Montrer que U et X sont des
variables aléatoires indépendantes.

Exercice 2.3. Soit X une variable aléatoire gaussienne standard et soit ε une variable
aléatoire discrète dont la loi est définie par
P(ε = 1) = P(ε = −1) = 1/2.
On suppose que X et ε sont des variables aléatoires indépendantes.
1) Montrer que la variable aléatoire Y = εX est une variable aléatoire gausienne.
2) Calculer la covariance cov(X, Y ).
3) Les variables X et Y sont elles indépendantes ?

Exercice 2.4. On considère n variables aléatoires X1 , ..., Xn indépendantes et identiquement

distribuées
 suivant la loi gaussienne d’espérance zéro et de variance 1. Dans la suite, on note
X1
X =  ... .
 

Xn
   
a1 b1 n n
 ..   ..  X X
1) Soit a =  .  ∈ R et b =  .  ∈ Rn . On pose Z =
n
ai Xi et W = bi Xi
an bn i=1 i=1

a) Calculer la covariance entre Z et W .

b) Montrer que les variables aléatoires Z et W sont indépendantes si et seulement si
n
X
ai bi = 0.
i=1

c) Quelle est la fonction caractéristique du vecteur aléatoire (Z, W ) ?

d) Sous quelles conditions sur les vecteurs a et b, la loi du vecteur (Z, W ) admet-elle une
densité ?
√
2) Soit α ∈ R. Pour i = 1, ..., n, on pose Yi = α i + Xi .
6 Anne PHILIPPE, Uniervsité de Nantes

 
Y1
a) Quelle est la loi du vecteur Y =  ...  ?
 

Yn
 
v1
 ..  √
Soit v =  .  ∈ Rn le vecteur défini par vi = i pour tout i = 1, ..., n. On note
vn
– V le sous espace vectoriel engendré par v
– Qv la projection orthogonale sur V .
b) Montrer que la projection de Y sur V s’écrit
X √ n
2
Qv Y = α̂v avec α̂ = Yi i
n(n + 1) i=1

c) Quelle est la loi de la variable aléatoire α̂ ?

d) Montrer que (I − Qv )Y = (I − Qv )X.
e) On note || · || la norme euclidienne sur Rn . Quelle est la loi de ||(I − Qv )X||2 ?
f) En déduire la loi de
n
X √
(Yi − α̂ i)2
i=1
.

3. Convergences

Exercice 3.1. On considère (Xn )n∈N une suite de variables aléatoires indépendantes et de
même loi uniforme sur [0, 1] On pose pour tout entier n
X12 + · · · + Xn2
Tn =
X1 + · · · + Xn
1) Montrer que la suite (Tn )n converge presque sûrement. Préciser sa limite.
2) Montrer que
n→∞
E(Tn ) −−−−→ a
Préciser la valeur de la constante a
Indication : Utiliser le théorème de la convergence dominée

Exercice 3.2. On considère (εn )n une suite de variables aléatoires indépendantes et identi-
quement distribuées. On suppose que ε1 ∈ L1
n
1X
Pour tout k ≥ 1 on pose Xk = εk + aεk−1 . Montrer que la suite Xi converge presque
n i=1
sûrement lorsque n tend vers l’infini. Préciser la limite.

√ aléatoires indépendantes. Pour tout k ≥

Exercice 3.3. Soit (Xn )n≥1 une suite de variables
1, Xk suit une loi exponentielle de paramètre ak = k. (c’est-à-dire de densité ak e−ak x IR+ (x)).
On pose Sn = X1 + · · · + Xn pour tout n ≥ 1.
1) Calculer l’espérance et la variance de Xk .
2) En déduire un équivalent de l’espérance et de la variance de Sn lorsque n tend vers l’infini.
 Anne PHILIPPE, Université de Nantes 7

Sn Sn
3) Montrer que la suite converge dans L2 vers 1 et que la suite √ converge dans L2 vers
E(Sn ) n
2.
1
4) Montrer que la suite Sn2 converge presque sûrement. Préciser la limite.
n
Sn
5) En déduire que la suite √ converge presque sûrement (pensez à un encadrement de n).
n

Exercice 3.4.
1) Montrez qu’un évènement A est indépendant de lui même si et seulement si P (A) = 0 ou 1
2) Montrez qu’une variable aléatoire X est indépendante d’elle même si et seulement si elle est
presque sûrement constante.
3) Soit (Xn )n∈N une suite de variables aléatoires indépendantes qui converge presque sûrement
vers la variable aléatoire X. Montrez que X est presque sûrement constante.
Indication : Calculer la limite de E[f (Xn )g(Xn+1 )] pour f, g continues bornées.

Exercice 3.5. Soit (Xn )n∈N une suite de variables aléatoires indépendantes et identiqument
distribuées suivant la loi uniforme sur [0, 1]. Pour tout entier n, on pose Mn = max{X1 , · · · , Xn }.
1) Montrer que Mn converge dans L2 vers θ, lorsque n → +∞.
2) Montrer que Mn converge aussi presque sûrement vers θ, lorsque n → +∞.
3) Montrer que n(Mn − θ) converge en loi lorsque n → +∞. Quelle est la loi limite ?

Exercice 3.6. Soit (Xn )n∈N une suite de variables aléatoires indépendantes. Pour chaque
n ∈ N, la variable aléatoire Xn admet pour loi de probabilité :
1 1 1
P(Xn = ) = P(Xn = − n ) = .
2n 2 2
On pose
n
X
Sn = Xj ∀n ≥ 1
j=1

1) Calculer la fonction caractéristique de Xn

2) Montrer que la fonction caractéristique de Sn est égale à
1 sin(t)
φSn (t) =   ∀t ∈ R
2n sin tn
2

3) Calculer la fonction caractéristique de la loi uniforme sur [−1, 1].

4) En déduire que (Sn )n≥1 converge en loi. Préciser la loi de la limite.

Exercice 3.7. Appliquer le TCL à une suite de variables aléatoires iid suivant la loi de
Poisson de paramètre 1 pour trouver la limite de la suite
n
X 1
e−n nk
k!
k=0
8 Anne PHILIPPE, Uniervsité de Nantes

Exercice 3.8. Soit (Xn )n≥1 une suite de variables aléatoires indépendantes et identiquement
distribuées suivant la loi de Poisson de paramètre θ. On définit la suite de variables aléatoires
(Sn )n≥1 par
Xn
Sn = Xi ∀n ≥ 1.
i=1
 S − nθ 
n
1) Montrer que √ converge en loi. Préciser la limite.
Sn n≥1

√ une fonction mesurable h telle que

2) Trouver
– n(h(Sn /n) − h(θ)) converge en loi vers S
– la loi de S ne dépend pas du paramètre θ ?

Exercice 3.9. On joue à pile-face n fois. La probabilité de pile est p ∈]0, 1[. On note Sn le
nombre de pile obtenus et p̂n = Snn l’estimateur "naïf" de p.
1) Montrer que la suite de variable aléatoire p̂n (1 − p̂n ) converge presque sûrement vers p(1 − p)
2) Montrer que la suite
√ p̂n − p
np .
p̂n (1 − p̂n )
converge en loi et préciser la limite.
3) Montrer que
√ 

n p̂n 1 − p̂n − p(1 − p) .
converge en loi et préciser la limite

4. Espérance et loi conditionnelle

Exercice 4.1. Soient X1 , · · · , Xn n v.a. indépendantes. Leurs lois sont des lois de Poisson
de paramètres respectifs λ1 , · · · , λn .
Pn
1) Donner la loi de j=1 Xj .
Pn
2) Quelle est la loi de X1 conditionnellement à la somme j=1 Xj ?
Pn
3) Calculer E(X1 | j=1 Xj ).

Exercice 4.2. Les deux variables aléatoires X et Y sont positives, et la loi du vecteur (X, Y )
est donnée par
– Y a une loi de densité
f (t) = λ2 t e−λt IR+ (t)
– La loi de X conditionnellement à Y est la loi uniforme sur [0, Y ].
1) Quelle est la loi du vecteur (X, Y ) ?
2) Quelle est la loi de X ?
3) Montrer que la loi de Y conditionnellement à X a comme densité
λe−λ(t−X) I[X,+∞[ (t)
4) Calculer E(Y |X) et EY .