|

Exercices corrigés MP-PSI : variables aléatoires discrètes

↩ Chapitre : Probabilités (MPSI-MP) · Probabilités (PCSI-PSI)

Introduction

Douze exercices corrigés sur les variables aléatoires discrètes, classés par difficulté croissante : lois géométrique et de Poisson, absence de mémoire, fonctions génératrices, linéarité de l’espérance, collectionneur de vignettes, loi faible des grands nombres, amincissement, temps d’attente et marche aléatoire. Tous restent dans le cadre du programme officiel de MP et de PSI.

Avant de commencer

Ces exercices s’appuient sur les résumés de cours sur les variables aléatoires discrètes (MP, PSI). Cherchez chaque exercice avant d’ouvrir le corrigé.

Exercices

Exercice 1 · Espérance et variance de la loi géométrique ★★★

Soit X\sim\mathcal{G}(p), p\in\,]0,1[, q=1-p : P(X=k)=pq^{k-1} pour k\geqslant1. Calculer E(X) et V(X).

Corrigé

Pour |x|<1, \sum_{k\geqslant1}kx^{k-1}=\frac1{(1-x)^2} et \sum_{k\geqslant2}k(k-1)x^{k-2}=\frac{2}{(1-x)^3} (dérivation des séries entières). Donc E(X)=p\sum kq^{k-1}=\frac{p}{p^2}=\frac1p et E\big(X(X-1)\big)=pq\sum k(k-1)q^{k-2}=\frac{2q}{p^2}. Ainsi V(X)=E\big(X(X-1)\big)+E(X)-E(X)^2=\frac{2q}{p^2}+\frac1p-\frac1{p^2}=\frac{q}{p^2}.

Exercice 2 · Loi de Poisson ★★★

Soit X\sim\mathcal{P}(\lambda). Calculer E(X), V(X), puis la probabilité que X soit pair.

Corrigé

E(X)=\displaystyle\sum_{k\geqslant1}k\,e^{-\lambda}\frac{\lambda^k}{k!}=\lambda e^{-\lambda}\sum_{k\geqslant1}\frac{\lambda^{k-1}}{(k-1)!}=\lambda, et de même E\big(X(X-1)\big)=\lambda^2, d’où V(X)=\lambda^2+\lambda-\lambda^2=\lambda. Enfin P(X\text{ pair})=e^{-\lambda}\displaystyle\sum_{j\geqslant0}\frac{\lambda^{2j}}{(2j)!}=e^{-\lambda}\operatorname{ch}\lambda=\frac{1+e^{-2\lambda}}{2}.

Exercice 3 · Somme de variables de Poisson indépendantes ★★★

Soient X\sim\mathcal{P}(\lambda) et Y\sim\mathcal{P}(\mu) indépendantes. Déterminer la loi de X+Y.

Corrigé

X+Y est à valeurs dans \mathbb{N} et, pour n\in\mathbb{N}, par indépendance :

    \[P(X+Y=n)=\sum_{k=0}^{n}e^{-\lambda}\frac{\lambda^k}{k!}\,e^{-\mu}\frac{\mu^{n-k}}{(n-k)!}=\frac{e^{-(\lambda+\mu)}}{n!}\sum_{k=0}^{n}\binom nk\lambda^k\mu^{n-k}=e^{-(\lambda+\mu)}\frac{(\lambda+\mu)^n}{n!}.\]

Donc X+Y\sim\mathcal{P}(\lambda+\mu).

Exercice 4 · Absence de mémoire ★★★

  1. Soit X\sim\mathcal{G}(p). Montrer que P(X>n+k\mid X>n)=P(X>k) pour tous n,k\in\mathbb{N}.
  2. Réciproquement, soit X à valeurs dans \mathbb{N}^* telle que P(X>1)\in\,]0,1[ et vérifiant cette propriété. Montrer que X suit une loi géométrique.
Corrigé

1. P(X>n)=\sum_{j>n}pq^{j-1}=q^n, et \{X>n+k\}\subset\{X>n\}, donc P(X>n+k\mid X>n)=\frac{q^{n+k}}{q^n}=q^k=P(X>k).

2. Posons u_n=P(X>n). La propriété s’écrit u_{n+k}=u_nu_k (avec u_n>0, ce que l’on vérifie par récurrence). En particulier u_n=u_1^n, et P(X=n)=u_{n-1}-u_n=u_1^{n-1}(1-u_1) : X suit la loi géométrique de paramètre 1-u_1.

Exercice 5 · Minimum de deux lois géométriques ★★★

Soient X\sim\mathcal{G}(p) et Y\sim\mathcal{G}(r) indépendantes. Déterminer la loi de Z=\min(X,Y).

Corrigé

Pour n\in\mathbb{N}, \{Z>n\}=\{X>n\}\cap\{Y>n\} et, par indépendance, P(Z>n)=(1-p)^n(1-r)^n=s^n avec s=(1-p)(1-r). Donc P(Z=n)=s^{n-1}-s^n=s^{n-1}(1-s) : Z\sim\mathcal{G}\big(1-(1-p)(1-r)\big).

Exercice 6 · Fonctions génératrices ★★★

Pour X à valeurs dans \mathbb{N}, on pose G_X(t)=E(t^X)=\sum_kP(X=k)t^k.

  1. Calculer G_X pour X\sim\mathcal{B}(n,p) et pour X\sim\mathcal{P}(\lambda).
  2. Montrer que si X et Y sont indépendantes, G_{X+Y}=G_XG_Y. Retrouver ainsi la loi de la somme de deux variables de Poisson indépendantes.
  3. Retrouver l’espérance de la loi binomiale à l’aide de G_X.
Corrigé

1. Binomiale : G_X(t)=\sum_k\binom nkp^kq^{n-k}t^k=(q+pt)^n. Poisson : G_X(t)=e^{-\lambda}\sum_k\frac{(\lambda t)^k}{k!}=e^{\lambda(t-1)}.

2. t^X et t^Y sont indépendantes, donc E(t^{X+Y})=E(t^X)E(t^Y). Pour deux lois de Poisson, G_{X+Y}(t)=e^{(\lambda+\mu)(t-1)}, qui est la fonction génératrice de \mathcal{P}(\lambda+\mu) ; la fonction génératrice caractérisant la loi, X+Y\sim\mathcal{P}(\lambda+\mu).

3. E(X)=G_X'(1)=np(q+p)^{n-1}=np.

Exercice 7 · Boîtes vides ★★★

On lance n boules, indépendamment et uniformément, dans n boîtes. Soit X le nombre de boîtes vides. Calculer E(X) et en donner un équivalent.

Corrigé

X=\sum_{i=1}^{n}\mathbf 1_{V_i}, où V_i est l’événement « la boîte i est vide ». Chaque boule évite la boîte i avec probabilité 1-\frac1n, indépendamment : P(V_i)=\big(1-\frac1n\big)^n. Par linéarité, E(X)=n\big(1-\frac1n\big)^n. Comme \big(1-\frac1n\big)^n=e^{n\ln(1-1/n)}\to e^{-1}, E(X)\sim\dfrac ne : en moyenne, environ 37\,\% des boîtes restent vides.

Exercice 8 · Le collectionneur de vignettes ★★★

Une collection comporte n vignettes ; chaque achat fournit une vignette uniformément au hasard, indépendamment des précédents. On note T_n le nombre d’achats nécessaires pour compléter la collection, et Y_k le nombre d’achats nécessaires pour obtenir une k-ième vignette nouvelle une fois que l’on en possède k-1 distinctes.

  1. Justifier que Y_k suit la loi géométrique de paramètre \frac{n-k+1}{n}.
  2. En déduire E(T_n) et un équivalent.
Corrigé

1. Lorsqu’on possède k-1 vignettes distinctes, chaque achat donne une vignette nouvelle avec probabilité \frac{n-k+1}{n}, indépendamment des autres achats : le rang du premier succès suit la loi \mathcal{G}\big(\frac{n-k+1}{n}\big).

2. T_n=Y_1+\dots+Y_n, et par linéarité E(T_n)=\displaystyle\sum_{k=1}^{n}\frac{n}{n-k+1}=n\sum_{j=1}^{n}\frac1j=nH_n\sim n\ln n. Pour n=100, il faut en moyenne environ 519 achats.

Exercice 9 · Loi faible des grands nombres ★★★

  1. Soit (X_i) une suite de variables indépendantes de même loi, d’espérance m et de variance \sigma^2, et S_n=X_1+\dots+X_n. Montrer que P\Big(\Big|\dfrac{S_n}{n}-m\Big|\geqslant\varepsilon\Big)\leqslant\dfrac{\sigma^2}{n\varepsilon^2}.
  2. Combien de lancers d’une pièce (de paramètre p inconnu) suffisent pour que la fréquence observée de « pile » soit à moins de 0{,}01 de p avec une probabilité au moins égale à 0{,}95 ?
Corrigé

1. E\big(\frac{S_n}{n}\big)=m et, par indépendance, V\big(\frac{S_n}n\big)=\frac{n\sigma^2}{n^2}=\frac{\sigma^2}{n}. On applique l’inégalité de Bienaymé-Tchebychev.

2. Ici \sigma^2=p(1-p)\leqslant\frac14. Il suffit que \dfrac{1}{4n(0{,}01)^2}\leqslant0{,}05, soit n\geqslant50\,000. (Cette majoration est grossière ; le théorème central limite donne un ordre de grandeur bien plus petit.)

Exercice 10 · Amincissement d’une loi de Poisson ★★★

Le nombre X de clients entrant dans un magasin un jour donné suit la loi \mathcal{P}(\lambda). Chaque client achète avec probabilité p, indépendamment des autres et de X ; on note Y le nombre d’acheteurs. Ainsi, sachant X=n, Y suit la loi \mathcal{B}(n,p). Déterminer la loi de Y, puis montrer que Y et X-Y sont indépendantes.

Corrigé

Pour k,l\in\mathbb{N}, avec q=1-p :

    \[P(Y=k,X-Y=l)=P(X=k+l)\binom{k+l}{k}p^kq^l=e^{-\lambda}\frac{\lambda^{k+l}}{k!\,l!}p^kq^l=\Big(e^{-\lambda p}\frac{(\lambda p)^k}{k!}\Big)\Big(e^{-\lambda q}\frac{(\lambda q)^l}{l!}\Big).\]

En sommant sur l, Y\sim\mathcal{P}(\lambda p) ; en sommant sur k, X-Y\sim\mathcal{P}(\lambda q). La loi conjointe étant le produit des lois marginales, Y et X-Y sont indépendantes.

Exercice 11 · Attendre deux piles consécutifs ★★★

On lance une pièce équilibrée jusqu’à obtenir deux « pile » consécutifs, et l’on note T le nombre de lancers.

  1. Montrer que P(T>2m)\leqslant\big(\frac34\big)^m, et en déduire que T est finie presque sûrement et admet une espérance.
  2. En conditionnant par le résultat des premiers lancers, montrer que E(T)=6.
Corrigé

1. Regroupons les lancers par paires disjointes (1,2),(3,4),\dots Si T>2m, aucune des m premières paires n’est « pile-pile » ; ces événements sont indépendants et de probabilité \frac34 chacun. Donc P(T>2m)\leqslant\big(\frac34\big)^m\to0, et E(T)=\sum_kP(T>k)\leqslant\sum_m2\big(\frac34\big)^m<+\infty.

2. Notons e=E(T). Si le premier lancer est « face » (probabilité \frac12), tout recommence après un lancer. S’il est suivi de « pile, face » (probabilité \frac14), tout recommence après deux lancers. S’il donne « pile, pile » (probabilité \frac14), T=2. D’où

    \[e=\frac12(1+e)+\frac14(2+e)+\frac14\cdot2,\qquad\text{soit}\qquad\frac e4=\frac32\qquad\text{et}\qquad e=6.\]

Exercice 12 · Retours à l’origine d’une marche aléatoire ★★★

Soit (\varepsilon_i) une suite de variables indépendantes valant 1 ou -1 avec probabilité \frac12, et S_n=\varepsilon_1+\dots+\varepsilon_n.

  1. Montrer que P(S_{2n}=0)=\dfrac{1}{4^n}\dbinom{2n}{n}, et à l’aide de la formule de Stirling, que P(S_{2n}=0)\sim\dfrac{1}{\sqrt{\pi n}}.
  2. On note N_m le nombre de retours en 0 avant l’instant 2m. Montrer que E(N_m)\to+\infty.
Corrigé

1. S_{2n}=0 si et seulement si exactement n des 2n variables valent 1 : P(S_{2n}=0)=\binom{2n}{n}\frac{1}{2^{2n}}. Par Stirling, \binom{2n}{n}=\frac{(2n)!}{(n!)^2}\sim\frac{\sqrt{4\pi n}(2n/e)^{2n}}{2\pi n(n/e)^{2n}}=\frac{4^n}{\sqrt{\pi n}}.

2. N_m=\sum_{n=1}^{m}\mathbf 1_{\{S_{2n}=0\}}, donc E(N_m)=\sum_{n=1}^{m}P(S_{2n}=0). Le terme général est équivalent à \frac{1}{\sqrt{\pi n}}, terme d’une série divergente à termes positifs : E(N_m)\to+\infty. En moyenne, la marche revient une infinité de fois à l’origine.


Pour aller plus loin

Besoin d’aide sur ce chapitre ?

Un blocage sur une notion, une méthode de rédaction à acquérir, un devoir ou un concours à préparer : Pr. Elakili, agrégé de mathématiques depuis 1991, plus de 20 ans d’enseignement en classes préparatoires, propose des cours particuliers, en présentiel à Casablanca ou en ligne.

Publications similaires