Fiche d’entraînement – Variables aléatoires discrètes infinies (ECG maths appliquées) : 10 exercices corrigés

↩ Chapitre : Variables aléatoires discrètes (ECG maths appliquées)

Fiche d’entraînement : 10 exercices corrigés pour s’exercer sur ce thème.
📘 Résumé de cours, auto-test et autres exercices : Variables aléatoires discrètes

Introduction

Bienvenue dans cette fiche d’exercices dédiée aux prépas ECG, où nous explorerons le fascinant domaine des variables aléatoires discrètes infinies. Les variables aléatoires discrètes constituent un pilier essentiel de la théorie des probabilités, mais lorsque nous introduisons l’infini dans ce contexte, de nouvelles nuances et complexités émergent. Dans cette série d’exercices, nous plongerons dans l’étude de ces variables, en examinant leurs propriétés, en résolvant des problèmes concrets et en explorant les concepts clés qui sous-tendent leur comportement. Préparez-vous à défier votre esprit analytique et à approfondir votre compréhension des probabilités avec ces exercices captivants sur les variables aléatoires discrètes infinies.

1 – Exercices classiques

Exercice 1 · Un couple de variables ★★★

On considère deux variables X et Y telles que X(\Omega)=Y(\Omega)=\mathbb{N}^* et :

    \[\forall i,j\in\mathbb{N}^*,\quad P(X=i\text{ et }Y=j)=p^{i+1}(1-p)^j+(1-p)^{i+1}p^j.\]

  1. Donner les lois de X et de Y.
  2. Montrer que X et Y admettent des espérances et expliciter E(X) et E(Y).
  3. Justifier que la variable X(X-1) admet une espérance et la calculer. En déduire V(X). Procéder de même avec Y.
  4. Si p\neq\frac12, montrer que X et Y sont dépendantes (utiliser P(X=1\cap Y=1)).
  5. Montrer que X et Y sont indépendantes lorsque p=\frac12.
Corrigé

1. On note q=1-p. Loi marginale de X : P(X=i)=\sum_{j\geqslant1}\big(p^{i+1}q^j+q^{i+1}p^j\big)=p^{i+1}\frac qp+q^{i+1}\frac pq=p^iq+q^ip. De même P(Y=j)=q^j\frac{p^2}{q}+p^j\frac{q^2}{p}=p^2q^{j-1}+q^2p^{j-1}.

Lecture : P(X=i)=p\cdot\big(qp^{i-1}\big)+q\cdot\big(pq^{i-1}\big) est un mélange de \mathcal{G}(q) (poids p) et de \mathcal{G}(p) (poids q) ; P(Y=j)=p\cdot\big(pq^{j-1}\big)+q\cdot\big(qp^{j-1}\big) mélange \mathcal{G}(p) (poids p) et \mathcal{G}(q) (poids q).

2. Les séries convergent absolument (géométriques dérivées) : E(X)=\frac pq+\frac qp et E(Y)=p\cdot\frac1p+q\cdot\frac1q=2.

3. Pour Z\hookrightarrow\mathcal{G}(r), E(Z(Z-1))=\frac{2(1-r)}{r^2}. D’où E(X(X-1))=\frac{2p^2}{q^2}+\frac{2q^2}{p^2} et V(X)=E(X(X-1))+E(X)-E(X)^2=u^2+u-4 avec u=\frac pq+\frac qp. De même E(Y(Y-1))=\frac{2q}{p}+\frac{2p}{q}=2u et V(Y)=2u+2-4=2u-2. (Pour p=\frac12 : u=2, V(X)=V(Y)=2.)

4. P(X=1,Y=1)=p^2q+q^2p=pq, alors que P(X=1)P(Y=1)=2pq\,(p^2+q^2). L’égalité équivaut à p^2+q^2=\frac12, soit 1-2pq=\frac12, soit pq=\frac14, c’est-à-dire p=\frac12. Donc si p\neq\frac12, X et Y sont dépendantes.

5. Si p=\frac12 : P(X=i,Y=j)=2\big(\frac12\big)^{i+j+1}=\big(\frac12\big)^{i+j}=P(X=i)P(Y=j) puisque P(X=i)=\big(\frac12\big)^i et P(Y=j)=\big(\frac12\big)^j : indépendantes.

Exercice 2 · Rangs d’apparition ★★★

Une urne contient des boules blanches et noires. On suppose que la probabilité de piocher une blanche vaut p\in\,]0,1[. On effectue des tirages successifs avec remise. Soit X_1 la variable aléatoire égale au rang d’apparition de la première boule blanche.

  1. Reconnaître la loi de X_1 et donner la valeur de E(X_1) et de V(X_1).
  2. Soit X_2 la variable aléatoire égale au rang d’apparition de la deuxième boule blanche. Déterminer la loi de X_2 ainsi que son espérance.
Corrigé

1. Les tirages sont indépendants, de succès « blanche » de probabilité p : X_1\hookrightarrow\mathcal{G}(p), P(X_1=k)=q^{k-1}p (k\geqslant1, q=1-p), E(X_1)=\frac1p, V(X_1)=\frac{q}{p^2}.

2. X_2=k (k\geqslant2) signifie : exactement une blanche parmi les k-1 premiers tirages, puis une blanche au k-ième : P(X_2=k)=(k-1)p^2q^{k-2}. La série \sum k(k-1)q^{k-2} converge et vaut \frac{2}{(1-q)^3}, d’où E(X_2)=p^2\cdot\frac{2}{p^3}=\frac2p (deux fois l’attente d’une blanche).

Exercice 3 · Le péage ★★★

Un péage comporte m guichets numérotés de 1 à m. Soit N la variable aléatoire égale au nombre de voitures arrivant au péage en 1 heure. On suppose que N suit une loi de Poisson de paramètre \lambda>0, que les conducteurs choisissent leur file au hasard et que ces choix sont indépendants. Soit X la variable aléatoire égale au nombre de voitures se présentant au guichet n°1.

  1. Calculer P_{(N=n)}(X=k), 0\leqslant k\leqslant n.
  2. Justifier que \displaystyle P(X=k)=\sum_{n=k}^{+\infty}P_{(N=n)}(X=k)\,P(N=n).
  3. Montrer que \displaystyle P(X=k)=e^{-\lambda}\Big(\frac1m\Big)^k\frac{\lambda^k}{k!}\sum_{n=0}^{+\infty}\frac1{n!}\Big(\lambda\Big(1-\frac1m\Big)\Big)^n.
  4. En déduire la loi de probabilité de X (on retrouvera une loi usuelle).
  5. Donner sans calcul les valeurs de E(X) et de V(X).
Corrigé

1. Sachant N=n, chacune des n voitures choisit le guichet 1 avec probabilité \frac1m, indépendamment : P_{(N=n)}(X=k)=\binom nk\big(\frac1m\big)^k\big(1-\frac1m\big)^{n-k}.

2. Formule des probabilités totales avec le système complet (N=n)_{n\in\mathbb{N}}, les termes n<k étant nuls.

3. En remplaçant et en posant n'=n-k :

    \[P(X=k)=\sum_{n\geqslant k}\frac{n!}{k!\,(n-k)!}\Big(\frac1m\Big)^k\Big(1-\frac1m\Big)^{n-k}e^{-\lambda}\frac{\lambda^n}{n!}=e^{-\lambda}\Big(\frac1m\Big)^k\frac{\lambda^k}{k!}\sum_{n'=0}^{+\infty}\frac{1}{n'!}\Big(\lambda\Big(1-\frac1m\Big)\Big)^{n'}.\]

4. La somme vaut e^{\lambda(1-1/m)}, donc P(X=k)=e^{-\lambda/m}\frac{(\lambda/m)^k}{k!} : X\hookrightarrow\mathcal{P}\big(\frac\lambda m\big). 5. E(X)=V(X)=\frac\lambda m.

Exercice 4 · Deux pièces ★★★

Soient a et b deux réels tels que 0<a<1 et 0<b<1. On effectue une suite d’expériences aléatoires consistant à jeter simultanément deux pièces de monnaie notées A et B. On suppose que ces expériences sont indépendantes et qu’à chaque expérience les résultats des deux pièces sont indépendants. On suppose que, lors d’une expérience, la probabilité que la pièce A donne « pile » est a, et que la probabilité que la pièce B donne « pile » est b. Soit X le nombre d’expériences qu’il faut réaliser avant que la pièce A donne « face » pour la première fois, et Y le nombre d’expériences qu’il faut réaliser avant que la pièce B donne « face » pour la première fois.

  1. Quelles sont les lois de probabilité de X et de Y ? Calculer E(X).
  2. Calculer la probabilité de l’événement (X=Y). Interprétation.
  3. Trouver, pour k\in\mathbb{N}, la valeur de P(X>k). En déduire les probabilités P(X>Y) et P(X\geqslant Y). Interprétation.
Corrigé

1. X=k signifie k « pile » puis un « face » pour A : P(X=k)=a^k(1-a), k\in\mathbb{N} (donc X+1\hookrightarrow\mathcal{G}(1-a)) ; de même P(Y=k)=b^k(1-b). E(X)=\frac{1}{1-a}-1=\frac{a}{1-a}.

2. Par indépendance des deux pièces : P(X=Y)=\sum_{k\geqslant0}a^k(1-a)b^k(1-b)=\frac{(1-a)(1-b)}{1-ab} : c’est la probabilité que les deux pièces donnent leur premier « face » lors de la même expérience.

3. P(X>k)=P(\text{les }k+1\text{ premiers lancers de }A\text{ donnent pile})=a^{k+1}. Puis P(X>Y)=\sum_kP(Y=k)P(X>k)=\sum_kb^k(1-b)a^{k+1}=\frac{a(1-b)}{1-ab} et P(X\geqslant Y)=P(X>Y)+P(X=Y)=\frac{1-b}{1-ab} : probabilité que la pièce B donne « face » avant (resp. au plus tard en même temps que) la pièce A.

Exercice 5 · Colis détériorés ★★★

On suppose que le nombre N de colis expédiés à l’étranger chaque jour par une entreprise suit une loi de Poisson de paramètre \lambda. Ces colis sont expédiés indépendamment les uns des autres. La probabilité qu’un colis expédié à l’étranger soit détérioré est égale à t. On s’intéresse aux colis expédiés à l’étranger un jour donné : N est le nombre de colis expédiés, X le nombre de colis détériorés, Y le nombre de colis en bon état. On a donc X+Y=N.

  1. Calculer, pour tous n,k\in\mathbb{N}, la probabilité conditionnelle P_{(N=n)}(X=k).
  2. En déduire que X suit la loi de Poisson \mathcal{P}(\lambda t).
  3. En suivant une méthode similaire, déterminer la loi de Y.
  4. Les variables X et Y sont-elles, a priori et sans calcul, indépendantes ?
  5. Calculer les probabilités P\big((X=k)\cap(Y=q)\big) et P(X=k)P(Y=q). Conclusion.
Corrigé

1. P_{(N=n)}(X=k)=\binom nkt^k(1-t)^{n-k} pour 0\leqslant k\leqslant n, et 0 sinon.

2. Comme dans l’exercice 3 : P(X=k)=\sum_{n\geqslant k}\binom nkt^k(1-t)^{n-k}e^{-\lambda}\frac{\lambda^n}{n!}=e^{-\lambda}\frac{(\lambda t)^k}{k!}e^{\lambda(1-t)}=e^{-\lambda t}\frac{(\lambda t)^k}{k!} : X\hookrightarrow\mathcal{P}(\lambda t). 3. De même, Y\hookrightarrow\mathcal{P}\big(\lambda(1-t)\big).

4. A priori, on s’attendrait à une dépendance puisque X+Y=N est aléatoire et commun aux deux.

5. P(X=k,Y=q)=P(N=k+q,\ X=k)=e^{-\lambda}\frac{\lambda^{k+q}}{(k+q)!}\binom{k+q}{k}t^k(1-t)^q=e^{-\lambda t}\frac{(\lambda t)^k}{k!}\cdot e^{-\lambda(1-t)}\frac{(\lambda(1-t))^q}{q!}=P(X=k)P(Y=q). Conclusion : X et Y sont indépendantes, propriété remarquable de la loi de Poisson.

2 – Pour aller plus loin

Exercice 6 · Première apparition de PF ★★★

On considère une pièce telle que la probabilité d’obtenir « pile » est p\in\,]0,1[\setminus\{\frac12\}, et l’on pose q=1-p. On lance indéfiniment la pièce et on note T la variable égale au nombre de lancers nécessaires pour obtenir, pour la première fois, la séquence PF.

  1. Calculer les probabilités P(T=2), P(T=3) et P(T=4).
  2. Justifier que \displaystyle\forall n\geqslant2,\ P(T=n)=\sum_{k=0}^{n-2}q^{k+1}p^{n-k-1}. En déduire que \forall n\geqslant2,\ P(T=n)=pq\,\dfrac{p^{n-1}-q^{n-1}}{p-q}.
  3. Justifier que T admet une espérance et la calculer.
Corrigé

1. P(T=2)=P(PF)=pq ; P(T=3)=P(PPF)+P(FPF)=p^2q+qpq=pq ; P(T=4)=P(PPPF)+P(FPPF)+P(FFPF)=pq\,(p^2+pq+q^2).

2. Si T=n, les n-1 premiers lancers ne contiennent pas PF et se terminent par P : ils sont de la forme F^kP^{n-1-k} avec 0\leqslant k\leqslant n-2, puis vient F. D’où P(T=n)=\sum_{k=0}^{n-2}q^kp^{n-1-k}q=\sum_{k=0}^{n-2}q^{k+1}p^{n-k-1}, et, par la somme géométrique de raison \frac qp\neq1 :

    \[P(T=n)=pq\sum_{k=0}^{n-2}q^kp^{n-2-k}=pq\,\frac{p^{n-1}-q^{n-1}}{p-q}.\]

3. Les séries \sum np^{n-1} et \sum nq^{n-1} convergent (géométriques dérivées), donc T admet une espérance et E(T)=\frac{pq}{p-q}\Big(\frac{1}{(1-p)^2}-\frac{1}{(1-q)^2}\Big)=\frac{pq}{p-q}\cdot\frac{p^2-q^2}{p^2q^2}=\frac{p+q}{pq}=\frac{1}{pq}.

Exercice 7 · Familles et garçons ★★★

On admet que l’égalité \displaystyle\sum_{n=k}^{+\infty}\binom nkx^n=\frac{x^k}{(1-x)^{k+1}} est valable pour x\in\,]-1,1[ et k\in\mathbb{N}. Soit p un réel tel que 0<p<\frac23. Dans un pays, la probabilité q_n qu’une famille ait exactement n enfants est \dfrac{p^n}2 quand n\geqslant1 ; par ailleurs, la probabilité, à chaque naissance, d’avoir un garçon est de \frac12.

  1. Calculer la probabilité q qu’une famille ait au moins un enfant. Calculer la probabilité q_0 qu’une famille n’ait aucun enfant.
  2. Soient n\in\mathbb{N}^* et k\in[\![0,n]\!]. On considère une famille de n enfants ; calculer la probabilité que cette famille ait exactement k garçons.
  3. Soit k\in\mathbb{N}^*. Calculer la probabilité qu’une famille ait exactement k garçons.
  4. Calculer la probabilité qu’une famille n’ait aucun garçon.
Corrigé

1. q=\sum_{n\geqslant1}\frac{p^n}{2}=\frac{p}{2(1-p)} et q_0=1-q=\frac{2-3p}{2(1-p)} (positif car p<\frac23).

2. Les sexes des enfants sont indépendants, chaque enfant étant un garçon avec probabilité \frac12 : P(k\text{ garçons}\mid n\text{ enfants})=\binom nk\frac{1}{2^n}.

3. Pour k\geqslant1, avec la formule admise pour x=\frac p2 : P(G=k)=\sum_{n\geqslant k}\frac{p^n}{2}\binom nk\frac1{2^n}=\frac12\cdot\frac{(p/2)^k}{(1-p/2)^{k+1}}=\frac{p^k}{(2-p)^{k+1}}.

4. P(G=0)=q_0+\sum_{n\geqslant1}\frac{p^n}{2}\cdot\frac{1}{2^n}=\frac{2-3p}{2(1-p)}+\frac{p}{2(2-p)}=\frac{2p^2-7p+4}{2(1-p)(2-p)} (on vérifie que c’est aussi 1-\sum_{k\geqslant1}P(G=k)).

Exercice 8 · Deux piles consécutifs ★★★

On joue à pile ou face avec une pièce non équilibrée dont la probabilité d’obtenir « pile » vaut p et celle de « face » vaut q (p+q=1). On lance indéfiniment la pièce et on note X le rang où apparaissent pour la première fois deux résultats « pile » consécutifs.

  1. Calculer en fonction de p et q : P(X=1), P(X=2), P(X=3), P(X=4).
  2. Montrer que : \forall n\geqslant3, P_{(P_1)}(X=n)=q\,P(X=n-2) et P_{(F_1)}(X=n)=P(X=n-1).
  3. En déduire que \forall n\geqslant3, P(X=n)=q\,P(X=n-1)+pq\,P(X=n-2).
  4. On suppose à présent que p=\frac23 et q=\frac13.
    (a) Établir que \forall n\geqslant0, P(X=n+1)=\dfrac49\Big[\Big(\dfrac23\Big)^n-\Big(-\dfrac13\Big)^n\Big].
    (b) Calculer E(X), E\big(X(X-1)\big) et V(X).
Corrigé

1. P(X=1)=0, P(X=2)=p^2, P(X=3)=P(FPP)=qp^2, P(X=4)=qp^2 (le 2e lancer doit être face, le 1er est quelconque, puis PP).

2. Sachant P_1 et n\geqslant3 : il faut F au 2e lancer (sinon X=2), puis tout recommence à partir du 3e : P_{(P_1)}(X=n)=q\,P(X=n-2). Sachant F_1, tout recommence au 2e lancer : P_{(F_1)}(X=n)=P(X=n-1).

3. Formule des probabilités totales avec (P_1,F_1) : P(X=n)=p\cdot qP(X=n-2)+q\,P(X=n-1).

4. (a) Pour p=\frac23 : u_n=P(X=n) vérifie u_n=\frac13u_{n-1}+\frac29u_{n-2}, d’équation caractéristique r^2-\frac r3-\frac29=0, de racines \frac23 et -\frac13. Avec u_1=0 et u_2=\frac49, on obtient P(X=n+1)=\frac49\Big[\big(\frac23\big)^n-\big(-\frac13\big)^n\Big].

(b) Avec \sum(n+1)r^n=\frac1{(1-r)^2} : E(X)=\frac49\Big(9-\frac{9}{16}\Big)=\frac{15}{4}. Avec \sum n(n+1)r^n=\frac{2r}{(1-r)^3} : E(X(X-1))=\frac49\Big(36+\frac{9}{32}\Big)=\frac{129}{8}. Donc V(X)=\frac{129}8+\frac{15}4-\frac{225}{16}=\frac{93}{16}.

Exercice 9 · Deux séries de tirages ★★★

On considère une urne contenant une boule noire et quatre boules blanches. On effectue l’expérience aléatoire suivante :

  • on pioche des boules de l’urne une à une avec remise jusqu’à obtenir la boule noire (que l’on remet aussi dans l’urne) ; on note N le nombre de tirages avec remise nécessaires pour obtenir la boule noire ;
  • puis, si N prend une valeur entière positive non nulle notée n, on réalise une seconde série de n tirages dans l’urne, toujours avec remise ; on note X le nombre de fois où la boule noire a été obtenue dans cette seconde série de tirages.
  1. Déterminer la loi de la variable aléatoire N. Donner son espérance.
  2. Soit k\in\mathbb{N} et n\in\mathbb{N}^*. Déterminer la probabilité conditionnelle P_{(N=n)}(X=k).
  3. Vérifier que P(X=0)=\frac49. En admettant que \displaystyle\sum_{n=k}^{+\infty}\binom nkx^n=\frac{x^k}{(1-x)^{k+1}} pour x\in\,]-1,1[ et k\in\mathbb{N}, montrer que \forall k\in\mathbb{N}^*,\ P(X=k)=\dfrac{25}{36}\Big(\dfrac49\Big)^k.
  4. Montrer que X admet une espérance E(X) et calculer E(X).
Corrigé

1. N\hookrightarrow\mathcal{G}\big(\frac15\big) : P(N=n)=\frac15\big(\frac45\big)^{n-1}, E(N)=5. 2. Sachant N=n, X\hookrightarrow\mathcal{B}\big(n,\frac15\big) : P_{(N=n)}(X=k)=\binom nk\big(\frac15\big)^k\big(\frac45\big)^{n-k} (nul si k>n).

3. P(X=0)=\sum_{n\geqslant1}\frac15\big(\frac45\big)^{n-1}\big(\frac45\big)^n=\frac{4}{25}\sum_{n\geqslant1}\big(\frac{16}{25}\big)^{n-1}=\frac{4/25}{9/25}=\frac49. Pour k\geqslant1 :

    \[P(X=k)=\Big(\frac15\Big)^{k+1}\Big(\frac54\Big)^{k+1}\sum_{n\geqslant k}\binom nk\Big(\frac{16}{25}\Big)^n=\Big(\frac14\Big)^{k+1}\frac{(16/25)^k}{(9/25)^{k+1}}=\frac{25}{36}\Big(\frac49\Big)^k.\]

4. \sum k\big(\frac49\big)^k converge et E(X)=\frac{25}{36}\cdot\frac{4/9}{(5/9)^2}=1 (cohérent avec E(X)=\frac{E(N)}{5}).

Exercice 10 · Pile puis face ★★★

On considère une pièce équilibrée. On note X la variable aléatoire qui prend la valeur k si l’on obtient pour la première fois pile puis face, dans cet ordre, aux lancers k-1 et k (k\geqslant2), X prenant la valeur 0 si l’on n’obtient jamais une telle succession.

  1. Calculer P_{(P_1)}(X=k) et justifier que P_{(F_1)}(X=k)=P(X=k-1).
  2. En déduire que \forall k\geqslant3, P(X=k)=\dfrac12P(X=k-1)+\dfrac1{2^k}.
  3. On pose, pour tout entier k\geqslant2, u_k=2^kP(X=k). Montrer que la suite (u_k)_{k\geqslant2} est arithmétique et donner la loi de X.
  4. Montrer que X a une espérance E(X), puis la calculer.
Corrigé

1. Sachant P_1, la première séquence PF se termine au lancer k si et seulement si les lancers 2,\dots,k-1 donnent pile et le k-ième face : P_{(P_1)}(X=k)=\frac{1}{2^{k-1}} (k\geqslant2). Sachant F_1, tout recommence au 2e lancer : P_{(F_1)}(X=k)=P(X=k-1).

2. Probabilités totales : P(X=k)=\frac12\cdot\frac{1}{2^{k-1}}+\frac12P(X=k-1)=\frac12P(X=k-1)+\frac1{2^k}.

3. u_k=2^kP(X=k) vérifie u_k=u_{k-1}+1, avec u_2=4\cdot\frac14=1 : u_k=k-1, donc P(X=k)=\frac{k-1}{2^k} pour k\geqslant2. Comme \sum_{k\geqslant2}\frac{k-1}{2^k}=1, P(X=0)=0.

4. \sum k(k-1)x^k=\frac{2x^2}{(1-x)^3} converge pour x=\frac12 : E(X)=\frac{2/4}{1/8}=4.


Télécharger la fiche d’exercices en PDF

Pour travailler sur papier, téléchargez la fiche au format PDF.

Pour aller plus loin

Pr. Elakili, agrégé de mathématiques et professeur en classes préparatoires depuis 25 ans, accompagne aussi quelques étudiants vers les écoles de commerce, à Casablanca et à distance. En savoir plus

Publications similaires