Université de Haute-Alsace Probabilités

Département de mathématiques L3 Mathématiques

2e Contrôle
Le 17 mai 2022 de 9h00 à 12h00

Tous les documents sont interdits. La calculatrice et le téléphone portable sont également interdits et
doivent rester dans votre sac. Chaque réponse devra être clairement justifiée pour être validée. Barême
indicatif : environ un point par question.

1. Questions de cours

1. Quelle est la définition de la limite supérieure d’une suite (An )n∈N d’événements.
C’est lim supn→∞ An = ∩∞ ∞
n=0 ∪k=n Ak .
2. Enoncer précisément le 1er lemme de Borel-Cantelli. Soit (An )n∈N une suite d’événements d’un
espace probabilisé (Ω, A, P). Si la série ∞
P
n=0 P(A n ) converge alors P(lim supn→∞ An ) = 0.
3. Enoncer précisément le 2e lemme de Borel-Cantelli. Soit (An )n∈N P
une suite d’événements
∞
indépendants d’un espace probabilisé (Ω, A, P). Si la série n=0 P(An ) diverge alors
P(lim supn→∞ An ) = 1.

2. Loi faible des grands nombres sous hypothèse L2

On considère N variables aléatoires réelles i.i.d. notées X1 , . . . , XN , définies sur un espace de probabilité
(Ω, F, P). On suppose en outre que les Xi possèdent une espérance, notée m, et une variance, notée v. On
introduit alors la variable aléatoire
X1 + · · · + XN
TN = .
N
1. Montrer que E(TN ) = m.
On a par linéarité E(X1 + · · · + XN ) = E(X1 ) + · · · + E(XN ) = m + · · · + m = Nm. Et, tou-
jours par linéarité, E(TN ) = Nm/N = m.
2. Montrer que Var(TN ) = Nv . En déduire que TN converge dans L2 vers m.
La variance d’une somme de variables aléatoire est la somme des variances. Or Var(X1 /N ) =
(1/N )2 Var(X1 ) = v/N 2 . Les variables aléatoires étant toutes de même loi, et donc de
même variance, on trouve Var(TN ) = N v/N 2 = v/N .
Pour la convergence dans L2 de TN vers m il s’agit de savoir si E((TN − m)2 ) converge
vers zéro. Or, comme E(TN ) = m cette dernière quantité correspond à la variance de
TN dont on vient de dire qu’elle converge effectivement vers zéro.
3. En déduire que, pour tout ε > 0, on a l’inégalité
v
P (|TN − m| ≥ ε) ≤ .
N ε2
Ceci est obtenu par application de l’inégalité de Markov et application des questions
précédentes P(|TN − m| ≥ ε) ≤ E(|TN − m||2 )/ε2 = v/(N ε2 ).
 4. Comment se comporte l’inégalité ci-dessus lorsque N → +∞ à ε fixé ? En déduire la convergence
en probabilité de TN vers m.
Les deux termes tendent vers zéro (la probabilité d’un événement est positive), ce qui
correspond à la convergence en probabilité de TN vers m.

3. Début de marche aléatoire sur Z2

Soit (X, Y ) un couple de variables aléatoires, uniforme sur l’ensemble {(1, 0), (−1, 0), (0, 1), (0, −1)}.
1. Quelle est la loi de S = X + Y ?
Les valeurs possibles de S sont 1 = 1 + 0 = 0 + 1 et −1 = −1 + 0 = 0 − 1. Elles sont
obtenues deux fois chacune avec probabilité 1/4 + 1/4 = 1/2. La variable aléatoire S est
donc uniforme sur {−1, 1}.
2. Quelle est la loi de T = X − Y ?
On argumente de la même façon et conclue à ce que T est uniforme sur {−1, 1}
3. Quelle est la loi de (S, T ) ?
Le couple (S, T ) prend quatre valeurs différentes, chacune avec probabilité 1/4. Il s’agit
de E = {(1, 1), (1, −1), (−1, 1), (−1, −1)} un ensemble sur lequel (S, T ) est donc uniforme.
4. Les variables aléatoires S et T sont-elles indépendantes ?
Force est de constater que pour (i, j) ∈ E on a bien 1/4 = P(S = i, T = j) = P(S = i)P(T =
j) = (1/2)(1/2).

4. Brétzels
Mourad a invité 50 personnes à sa fête. Il pense que tous ne viendront pas et estime qu’il y aura autour
de 40 personnes en moyenne. On suppose aussi que les décisions de venir ou non sont individuelles et
indépendantes.
1. Représenter le nombre de personnes qui viennent par une variable aléatoire X de loi binomiale
dont on précisera les paramètres.
Pour pouvoir répondre on est amené à considérer que chaque personne choisit de
venir indépendamment des autres avec la probabilité 0, 8 = 40/50. On représente donc
X par une variable aléatoire de loi B(50; 0.8).
2. Retrouver par la méthode de votre choix l’espérance et la variance des variables aléatoires de loi
binomiale B(n, p).
On peut par exemple dire que X est la somme de n variables aléatoires de loi de
Bernoulli de paramètre p. L’espérance et la variance valent donc n fois les espérances
et variances de ces Bernoulli qui sont p×1+(1−p)×0 = p et [p×12 +(1−p)×02 ]−p2 = p(1−p).
On retrouve donc np et np(1 − p).
3. A quelle loi normale peut-on assimiler X ?
On assimile X à une loi normale de paramètres np = 40 pour le premier et np(1 − p) = 8
pour le second.
4. Combien faudra-t-il acheter de bretzels pour les invités afin que chacun en ait un (Mourad ne
compte pas dans ce calcul) avec une probabilité supérieure à 0.95 ?
On rappelle que pour Φ la fonction de répartition d’une loi normale centrée réduite, on a les valeurs
approchées suivante : Φ(1, 96) = 0, 975 et Φ(1, 65)√= 0, 95.
Au bout du compte on trouve 40 + 1.65 × 8 = 40 + 4 × 1.414 × 1.65√' 44, 7 bretzels.
La méthode consiste centrer et réduire X. On trouve Z = (X − 40)/ √ 8 de loi N (0, 1).
L’équation P(X√≤ t) = 0, 95 se réécrit sous la forme P(Z ≤ (t − 40)/ 8) = 0, 95, ce qui
donne (t − 40)/ 8 = 1.65.
 5. Loi log-normale

Soit X de loi normale centrée réduite. On rappelle que X admet pour densité
√
x ∈ R 7→ (1/ 2π) exp(−x2 /2).

On introduit Y , à valeur dans ]0, +∞[, définie par Y = exp(X). Soit ϕ une fonction réelle continue bornée.
1. Justifier que E[ϕ(Y )] est bien définie.
Comme ϕ est bornée, il existe M > 0 avec |ϕ(x)| ≤ M pour tout x. On a donc E(|ϕ(Y )|) ≤
E(M ) = M < ∞. Ainsi ϕ(Y ) possède bien une espérance.
2. Représenter E[ϕ(Y )] sous la forme d’une intégrale par rapport à la mesure de Lebesgue.
On a ϕ(Y ) = ϕ(exp(X)). Ainsi d’après le théorème du transfert on a
Z
1 2
E(ϕ(Y )) = ϕ(exp(x)) √ e−x /2 dx.
2π
R
3. À l’aide d’un changement de variable faire apparaı̂tre E[ϕ(Y )] sous la forme ϕ(t)f (t)dt où vous
spécifierez f .
On effectue le changement de variable y = exp(x) sur les domaine R pour x et ]0, +∞[
pour y. On trouve Z
1 2
E(ϕ(Y )) = ϕ(y) √ e− ln(y) (dy/y),
]0,+∞[ 2π
2
ce qui est de la forme voulue avec f (y) = 1(y > 0) × √1 e− ln(y) .
y 2π
4. Conclure quant à la loi de Y .
En vertu de la méthode de la fonction test, Y est donc une variable aléatoire à densité
de densité f .
Les questions suivantes proposent de déterminer la loi de Y par une autre méthode.

On pose Φ = FX la fonction de répartition de X.

5. Exprimer la fonction de répartition de Y en fonction de Φ et des fonctions usuelles (exponentielle,
logarithme, puissance, addition, soustraction,. . . ).
On a P(Y ≤ t) = P(exp(X) ≤ t). Si t ≥ 0, celà vaut 0. Sinon par croissance du logarithme
c’est P(X ≤ ln(t)) = Φ(ln(t)).
6. Pourquoi, au moins au niveau formel, on retrouve la densité d’une variable aléatoire (quand elle
existe) en dérivant la fonction de répartition (qui, elle, existe tout le temps).
On a, pour une variable aléatoire Z admettant une densité fR, deux relations pour
t
calculer P(Z ≤ t), à savoir P(Z ≤ t) = FZ (t) et P(Z ≤ t) = −∞ f (x)dx. On trouve
Rt
donc FZ (t) = −∞ f (x)dx qui est la relation entre une primitive FZ et sa dérivée f .
Dans plusieurs cadre, on a bien f = FZ0 soit en tout point, lorsque par exemple f est
continue, soit en presque tout point x, en général pour f ∈ L1 .
7. En appliquant ce constat à Φ, retrouver la loi de Y (au moins formellement).
On peut dériver FY . Pour t négatif on trouve 0. Pour t strictement positif on trouve
FY0 (t) = Φ0 (ln(t)) × (1/t) puisque t → 1/t est la dérivée du logarithme. Comme on peut le
vérifier, cette expression coı̈ncide exactement avec celle de f trouvée dans la première
partie.