Université de Rennes 1 L1 SVE

Probabilités et statistiques année 2015-2016

Éléments de correction de la feuille d’exercices # 3

Exercice 1 Exemple de loi discrète

Soit X une variable aléatoire discrète prenant les valeurs 2, 4, 6, ou 8. Déterminer la loi de X
sachant que :
1 1
P(X < 6) = , P(X > 6) = , P(X = 2) = P(X = 4).
3 2
On a
1
= P(X < 6) = P(X = 2 ou X = 4) = P(X = 2) + P(X = 4)
3
et comme P(X = 2) = P(X = 4), on a déduit que
1
P(X = 2) = P(X = 4) = .
6
Par ailleurs, on a
1
= P(X > 6) = P(X = 8).
2
Enfin, on a
1
P(X = 6) = 1 − P(X 6= 6) = 1 − (P(X > 6) + P(X < 6)) = .
6
On vérifie alors naturellement que

P(X = 2) + P(X = 4) + P(X = 6) + P(X = 8) = 1.

Exercice 2 Motus
Une urne contient des boules numérotées : 7 boules sont marquées du chiffre 1, 5 boules sont
marquées du chiffre 3 et 3 boules sont marquées du chiffre 5. On tire au hasard une boule de
l’urne et on note X sa marque.
1. Déterminer la loi de la variable X.
La loi de X est donnée par
7 5 3
P(X = 1) = , P(X = 3) = , P(X = 5) = .
15 15 15

2. Calculer l’espérance et la variance de X.

On a alors
7 5 3 37
E[X] = 1 × +3× +5× =
15 15 15 15
7 5 3 127
E[X 2 ] = 12 × + 32 × + 52 × =
15 15 15 15
dont on déduit var(X) = E[X 2 ] − E[X]2 ≈ 2, 4.
Exercice 3 Dé truqué
Une variable aléatoire X prend les valeurs entières k ∈ {1, 2, 3, 4, 5, 6}, avec probabilité propor-
tionnelle à k i.e. il existe une réel α > 0, tel que P(X = k) = αk.
1. Préciser la loi de X. Calculer son espérance.
La loi de X est une probabilité, on doit donc avoir
1 = P(X = 1) + P(X = 2) + . . . + P(X = 6) = α + 2α + . . . + 6α = 21α,
autrement dit, on a α = 1/21. Dès lors, l’espérance de X est donnée par
1 2 6 13
E[X] = 1 × +2× + ... + 6 × = .
21 21 21 3

2. On pose Y = 1/X. Déterminer la loi de Y .

La variable Y est à valeurs dans l’ensemble {1/6, 1/5, . . . , 1} et l’on a naturellement
k
P(Y = 1/k) = P(X = k) = .
21

Exercice 4 Nombre de piles

On lance trois pièces équilibrées. On désigne par X le nombre de piles obtenus.
1. Déterminer la loi de X.
D’après le cours, la loi de X est la loi binomiale B(3, 1/2).
2. Calculer la moyenne et la variance de X.
Toujours d’après le cours, on a alors
1 3 1 1 3
E[X] = 3 × = , var(X) = 3 × × = .
2 2 2 2 4

Exercice 5 Tu joues ou bien ?

On vous propose le jeu suivant. Pour pouvoir jouer, il faut d’abord verser 1 euro. On jette deux
dés simultanément. Si l’un des dés au moins présente un chiffre impair, on ne gagne rien. Si les
dés présentent deux chiffres pairs différents, on gagne 1 euro. Enfin, si les dés présentent deux fois
le même chiffre pair, on gagne une somme égale à la somme de ces deux chiffres, par exemple on
gagne 8 si on fait un double quatre. Joueriez-vous à ce jeu ?
Les valeurs possibles pour le gain sont {−1, 0, 3, 7, 11} et l’on a
1 3
P(X = −1) = P(au moins un dé impair) = 1 − P(deux dés pairs) = 1 − = .
4 4
6 1
P(X = 0) = P({(2, 4), (4, 2), (2, 6), (6, 2), (4, 6), (6, 4)}) = =
36 6
1 1 1
P(X = 3) = P({(2, 2)}) = , P(X = 7) = P({(4, 4)}) = P(X = 11) = P({(6, 6)}) = .
36 36 36
On a alors
3 1 1 1 1 1
E[X] = −1 × +0× +3× +7× + 11 × = − < 0.
4 6 36 36 36 6
En moyenne, le joueur est donc perdant !
Exercice 6 Génotype
Considérons deux parents hétérozygotes de génotype Aa tels que leur enfants peuvent avoir les
génotypes AA, Aa ou aa avec probabilité
1 1 1
P(AA) = , P(Aa) = , P(aa) = .
4 2 4
Supposons qu’ils aient 3 enfants.
Dans toute la suite, on suppose que les génotypes des trois enfants sont indépendants et on les
note X, Y et Z.
1. Quelle est la probabilité qu’exactement l’un d’eux ait le génotype aa ?
L’évèment A = “exactement un des enfants a le génotype aa” s’écrit comme l’union dis-
jointe des trois évènements suivant :

A = (X = aa ∩ Y 6= aa ∩ ∩Z 6= aa) t (X 6= aa ∩ Y = aa ∩ Z 6= aa)
t (X 6= aa ∩ Y 6= aa ∩ Z = aa)

La probabilité recherchée est donc

P(A) = P (X = aa ∩ Y =6 aa ∩ Z =6 aa) + P (X 6= aa ∩ Y = aa ∩ Z 6= aa)

P (X 6= aa ∩ Y =6 aa ∩ Z = aa)

⊥
= P(X = aa)P(Y =6 aa)P(Z =6 aa) + P(X 6= aa)P(Y = aa)P(Z 6= aa)
P(X 6= aa)P(Y =6 aa)P(Z = aa)

1 3 3 3 1 3 3 3 1 9
= × × + × × + × × = .
4 4 4 4 4 4 4 4 4 64

2. Quelle est la probabilité qu’au moins l’un deux ait le génotype aa ?

Si on note B l’évènement “au moins l’un des enfants a le génotype aa”, on a alors
⊥
P(B) = 1 − P(X 6= aa ∩ Y 6= aa ∩ Z 6= aa) = 1 − P(X 6= aa)P(Y 6= aa)P(Z 6= aa)

3 3 3 37
=1− × × = .
4 4 4 64

Exercice 7 Génotype, suite

Considérons les enfants de parents hétérozygotes de génotype Aa. La distribution des enfants est
celle de l’exercice précédent. On choisit de façon aléatoire 240 de ces enfants. On définit N1 , N2 , N3
le nombre d’enfants de génotype AA, Aa et aa respectivement.
1. Quelle est la loi de N1 ? N2 ? N3 ?
Ce sont des lois binomiales de paramètres n = 240 et p1 = 1/4, p2 = 1/2, et p3 = 1/4
respectivement.
2. Quel est le lien entre ces différentes variables ? Vérifier que pour k1 , k2 , k3 ∈ N,

P(N1 = k1 , N2 = k2 , N3 = k3 ) 6= P(N1 = k1 )P(N2 = k2 )P(N3 = k3 ).

La somme de ces variables vaut 240, elles ne sont donc pas indépendantes !
Exercice 8 Moments des lois usuelles
Déterminer les espérances et les variances des lois usuelles (Cf. pages 27 et 37 du polycopié).

Exercice 9 Somme de variables de Bernoulli

Soient X1 , . . . , Xn des variables indépendantes de de loi de Bernoulli B(p).
1. Déterminer la loi de X1 + X2 . En déduire la loi de X1 + . . . + Xn .
La variable S = X1 + X2 est à valeurs dans {0, 1, 2} et on a

P(S = 0) = P(X1 = 0, X2 = 0) = P(X1 = 0)P(X2 = 0) = (1 − p)2 ,

P(S = 2) = P(X1 = 1, X2 = 1) = P(X1 = 1)P(X2 = 1) = p2 ,

P(S = 1) = 1 − (P(S = 0) + P(S = 2)) = 2p(1 − p).

On reconnaît la loi binomiale B(2, p). Plus généralement, la loi de X1 + . . . + Xn est la loi
binomiale B(n, p).
2. Interpréter ce résultat en terme de jeu de pile ou face.
La loi binomiale B(n, p) est la loi du nombre de succés lorsque l’on joue n fois de suite avec
une pièce biaisée telle que P(pile) = p.

Exercice 10 Somme de variables de Poisson

Soient X1 , . . . , Xn des variables indépendantes de, où Xj suit une loi de Poisson paramètre λj .
1. Déterminer la loi de X1 + X2 . En déduire la loi de X1 + . . . + Xn .
Pour un entier positif k donné, on a
k
X k
X
P(X1 + X2 = k) = P(X1 + X2 = k, X2 = `) = P(X1 = k − `, X2 = `)
`=0 `=0

k k
X X λk−` λ`
= P(X1 = k − `)P(X2 = `) = e−λ1 1
e−λ2 2
(k − `)! `!
`=0 `=0

k
e−(λ1 +λ2 ) X k!
= λk−` λ`2
k! (k − `)!`! 1
`=0

e−(λ1 +λ2 )
= (λ1 + λ2 )k
k!
d’après la forumle du binôme. On reconnaît ainsi une loi de Poisson de paramètre λ1 + λ2 .
Plus généralement, la loi deX1 + . . . + Xn est la loi de Poisson de paramètre λ1 + . . . + λn .
2. Expliciter la loi de Xj sachant X1 + . . . + Xn = k.
Si k ≥ l sont deux entiers, on a

P(Xj = l et X1 + ... + Xn = k)
P(Xj = l | X1 + ... + Xn = k) =
P(X1 + ... + Xn = k)

P(Xj = l et X1 + X2 + ... + Xj−1 + Xj+1 + ... + Xn = k − l)

P(Xj = l|X1 +...+Xn = k) =
P(X1 + ... + Xn = k)
 Par indépendance
P(Xj = l) × P(X1 + X2 + ... + Xj−1 + Xj+1 + ... + Xn = k − l)
P(Xj = l|X1 +...+Xn = k) =
P(X1 + ... + Xn = k)
P
e−λj (λlj /l!) × e− i6=j λi (( i6=j λi )k−l /(k − l)!
P
P(Xj = l | X1 + ... + Xn = k) = Pn
e− i=1 λi (( ni=1 λi )k /k!
P

Les exponentielles se simplifient, et si l’on pose

λj
p = Pn , on obtient P(Xj = l | X1 + ... + Xn = k) = Ckl pl (1 − p)k−l .
i=1 λi

La loi de Xj sachant {X1 + ... + Xn = k} est une loi binomiale B(k, p).

Exercice 11 Passe-partout
Un trousseau de n clefs contient une seule clef ouvrant une serrure donnée. On les essaie l’une
après l’autre au hasard. Calculer la loi, l’espérance et la variance du nombre d’essais nécessaires.
Même question si, un peu éméché, on réessaie à chaque fois une clef au hasard sans avoir écarté
la précédente.
On note X le nombre d’essais nécessaires pour trouver la bonne clef. Si on élimine les mauvaises
clefs au fur et à mesure, on a naturellement P(X = 1) = n1 . Ensuite on peut écrire

P(X = 2) = P(X = 2 ∩ X > 1) = P(X = 2 | X > 1)P(X 

> 1) 
1 1 1
= P(X = 2 | X > 1) (1 − P(X = 1)) = × 1− = .
n−1 n n
De même, on a
P(X = 3) = P(X = 3 ∩ X > 2) = P(X = 3 | X > 2)P(X > 2)
= P(X = 3 | X > 2) (1 − P(X ≤ 2))
= P(X = 3| X > 2)
 (1 − P(X = 2) − P(X = 1))
1 2 1
= × 1− = .
n−2 n n
et on montre de façon similaire que P(X = k) = 1/n pour tout 1 ≤ k ≤ n. Autrement dit, la loi
de X est la loi uniforme sur {1, . . . , n}. Maintenant, si on n’élimine pas les mauvaises clefs au fur
et à mesure, on a encore P(X = 1) = n1 et en raisonnant comme plus haut

P(X = 2) = P(X = 2 ∩ X > 1) = P(X = 2 | X > 1)P(X

 > 1) 
1 1
= P(X = 2 | X > 1) (1 − P(X = 1)) = × 1 − .
n n
De même
P(X = 3) = P(X = 3 ∩ X > 2) = P(X = 3 | X > 2)P(X > 2)
= P(X = 3 | X > 2) (1 − P(X ≤ 2))
= P(X = 3 | X > 2) (1 − P(X = 2) − P(X = 1))
1 2
    
1 1 1 1 1
= × 1− − × 1− = 1− .
n n n n n n
et plus géneralement
1 k−1
 
1
P(X = k) = × 1 −
n n
On reconnaît la loi géométrique de paramètre 1/n.
Exercice 12 Ciel gris
Dans un pays très pluvieux, il pleut un jour donné avec probabilité 1 s’il n’a pas plu la veille, et
avec probabilité 1/2 s’il a plu la veille. Montrez qu’il y a en moyenne 243 jours de pluie par an.
On définit les variables Xi qui valent 1 s’il pleut le jour i et 0 sinon. D’après l’énoncé, on a

P(Xi = 1 | Xi−1 = 1) = 1/2, P(Xi = 1 | Xi−1 = 0) = 1.

365
X
P365
Le nombre de jour de pluie dans l’année est S = i=1 Xi . Par linéarité E(S) = E(Xi ). La
i=1
calcul de E(Xi ) donne :

E(Xi ) = P(Xi = 1) = P(Xi = 1 | Xi−1 = 1)P(Xi−1 = 1) + P(Xi = 1 | Xi−1 = 0)P(Xi−1 = 0),

1 1
i.e., E(Xi ) = × P(Xi−1 = 1) + P(Xi−1 = 0) = × P(Xi−1 = 1) + 1 − P(Xi−1 = 1),
2 2
ou encore
1 1
E(Xi ) = 1 −× P(Xi−1 = 1) = 1 − × E(Xi−1 ).
2 2
On a naturellement E(Xi ) = E(Xi−1 ) pour tout i, d’où E(Xi ) = 2/3 et
2
E(S) = 365 × E(X1 ) = 365 × ∼ 243.
3

Exercice 13 Exemple de variable à densité

Soit f la fonction définie par f (x) = 43 (1 − x)1/3 si x ∈ [0, 1] et f (x) = 0 sinon.
1. Montrer que f est la densité d’une variable aléatoire X.
La fonction f est positive et on a
Z Z 1
4 h i1
f (x)dx = (1 − x)1/3 dx = −(1 − x)4/3 = 1,
R 0 3 0

donc f est bien une densité de probabilité.

2. Déterminer la fonction de répartition de X et la tracer.
La fonction de répartion F (x) associée est donnée par

Z x 
 0 si x ≤ 0,

F (x) = f (u)du = Z x
4 h ix
−∞ (1 − u)1/3 du = −(1 − u)4/3 = 1 − (1 − x)4/3 .



0 3 0

Son graphe est le suivant :

 3. Calculer l’espérance de X.
D’après le cours, l’espérance de X est donnée par la formule :
Z Z 1
4
E[X] = xf (x)dx = x × (1 − x)1/3 dx.
R 0 3

En intégrant par parties, il vient

h  i1 Z 1
E[X] = x × −(1 − x)4/3 + (1 − x)4/3 dx
0 0

 1
3 7/3 3
= 0 + − × (1 − x) = .
7 0 7

Exercice 14 Maximum et minimum

Soient X1 , X2 , . . . , Xn des variables aléatoires indépendantes et de même loi. On note F leur
fonction de répartition commune. On note Y = min(X1 , X2 , . . . , Xn ) et Z = max(X1 , X2 , . . . , Xn ).
1. Exprimer les fonctions de répartition FY et FZ des variables Y et Z en fonction de F ;
On a pour tout x ∈ R :

FY (x) = P(Y ≤ x) = 1 − P(Y > x) = 1 − P(X1 > x, X2 > x, . . . , Xn > x)

⊥
= 1 − P(X1 > x)P(X2 > x) . . . P(Xn > x)
= 1 − (1 − P(X1 ≤ x)) . . . (1 − P(Xn ≤ x))
= 1 − (1 − F (x)) . . . (1 − F (x))
= 1 − (1 − F (x))n .

De la même façon, on a

FZ (x) = P(Z ≤ x) = P(X1 ≤ x, X2 ≤ x, . . . , Xn ≤ x)

⊥
= P(X1 ≤ x)P(X2 ≤ x) . . . P(Xn ≤ x)
= F (x)n .

2. Expliciter FY et FZ lorsque les Xi sont des variables de loi géométrique G(p) ;

Par définition, si X est une variable géométrique de paramètre p, alors pour tout entier
` ≥ 1 on a P(X = `) = p(1 − p)`−1 . On en déduit que pour tout entier k positif
∞
X ∞
X
P(X > k) = P(X = `) = p(1 − p)`−1 = (1 − p)k .
`=k+1 `=k+1

Autrement dit, F (k) = P(X ≤ k) = 1 − P(X > k) = 1 − (1 − p)k . On déduit ensuite

l’expression de FY et FZ grâce à la première question.
3. Expliciter la densité des Y et Z lorsque les Xi sont des variables de loi uniforme U[0,1] .
Dans le cas où les Xi sont des variables uniformes, on a simplement F (x) = x sur l’intervalle
[0, 1] et à nouveau, on en déduit facilement l’expression de FY et FZ grâce à la première
question.