Soit une variable aléatoire à valeurs dans . On suppose qu’il existe tel que
Déterminer .
Calculer la probabilité de l’événement « prend une valeur impaire ».
Soient une variable aléatoire discrète définie sur et une application définie sur .
À quelle condition les variables aléatoires et sont-elles indépendantes?
Solution
Supposons les variables aléatoires et indépendantes.
Il existe au moins une valeur par vérifiant . En effet, la variable étant discrète est la somme des probabilités des événements valeurs . Considérons ensuite la valeur .
Or , donc
Cependant, les variables et étant supposées indépendantes
Ainsi, l’événement est presque sûr. La variable aléatoire est donc presque sûrement constante. La réciproque est immédiate et donc et sont indépendantes si, et seulement si, est presque sûrement constante.
Soit une suite de variables aléatoires discrètes à valeurs dans un ensemble et une variable aléatoire à valeurs naturelles toutes définies sur un même espace probabilisable . On définit une fonction par
Justifier que est une variable aléatoire discrète.
Solution
Les sont des ensembles au plus dénombrables et
On en déduit que l’ensemble est au plus dénombrable.
De plus, pour tout
et donc
est bien élément de la tribu .
(Fonction de répartition)
Soit une variable aléatoire discrète à valeurs réelles.
On appelle fonction de répartition de la variable , l’application définie par
Montrer que la fonction est croissante et déterminer ses limites en .
Montrer que la fonction est continue à droite en tout point.
À quelle condition la fonction est-elle continue en un point de ?
Solution
Méthode: On établit la croissance de en vérifiant, pour tous ,
Soient avec . L’événement est inclus dans et, par croissance des probabilités,
Ainsi, la fonction est croissante.
La monotonie de assure l’existence de sa limite en . Pour la calculer, nous allons prendre appui sur des suites en employant que, si est une suite de limite , alors
Méthode: Par continuité monotone, la probabilité d’une union croissante (resp. une intersection décroissante) est la limite des probabilités des événements réunis (resp. intersectés)
On remarque
et donc
On en déduit
De la même façon, on sait que admet une limite en et, puisque
on obtient
De nouveau, la croissance de assure l’existence11 1 Au surplus, on peut affirmer que la valeur est comprise entre les limites à gauche et à droite de en : . des limites à droite et à gauche de en tout point . En particulier,
Or
et donc
Ainsi, la fonction est continue à droite en tout point de .
Soit . La fonction étant déjà continue à droite en , il suffit d’étudier sa limite à gauche pour savoir si elle est continue en . Par monotonie, on sait que celle-ci existe et l’on peut la calculer en observant
ce qui donne
On en déduit que la fonction est continue à gauche en (et donc continue en ) si, et seulement si, c’est-à-dire si, et seulement si, .
(Fonction de répartition)
Soit une variable aléatoire réelle. On appelle fonction de répartition de la variable la fonction réelle définie par
Vérifier que la fonction de répartition est croissante.
Déterminer les limites de en et en .
Établir que pour tout
En déduire que deux variables aléatoires réelles ont même loi si, et seulement si, leurs fonctions de répartition sont égales.
Solution
Soient avec . On a donc, par croissance des probabilités,
La fonction est croissante.
Puisqu’elle est croissante, la fonction admet assurément des limites en et en . On peut calculer celles-ci par des suites
Par continuité croissante,
Par continuité décroissante,
Puisqu’elle est croissante, la fonction admet des limites à droite et à gauche en tout . On peut calculer celles-ci par des suites
Par continuité décroissante,
Par continuité croissante,
Par définition de la fonction de répartition, la loi de suffit à déterminer sa fonction de répartition.
Inversement, par ce qui précède, pour tout ,
Ainsi, la fonction de répartition de suffit à déterminer la loi de .
Soient un espace probabilisé et une variable aléatoire définie sur et à valeurs dans vérifiant
On définit le taux de panne de par la suite avec
Montrer que si l’on pose pour tout , on définit une loi de probabilité. Déterminer le taux de panne de .
Dans le cas général, établir
En déduire une expression de en fonction des valable pour tout .
Déterminer les variables aléatoires discrètes à taux de panne constant.
Solution
La famille est une famille de réels positifs de somme puisque
La famille est donc une distribution de probabilités: elle détermine une loi de probabilité.
On note le taux de panne de . Pour ,
et donc
Par récurrence, on établit la formule pour tout (et non seulement ).
Pour , la formule est valable puisque qu’un produit vide vaut .
Supposons la propriété vraie au rang . Par la formule des probabilités composées,
La récurrence est établie.
Pour tout ,
Une variable aléatoire à taux de panne constant vérifie
Puisque est une probabilité conditionnelle, on a . Nécessairement et pour que vérifie la condition énoncée initialement. La variable suit donc une loi géométrique de paramètre .
Inversement, supposons que suive une loi géométrique de paramètre . On a pour tout puis
Le taux de panne de est constant.
Soit une variable aléatoire à valeurs dans . On suppose que pour tout et l’on pose
Justifier
Exprimer la probabilité en fonction des termes de la suite .
En déduire la divergence de la série .
Inversement, soit une suite vérifiant
Montrer qu’il existe une variable aléatoire à valeurs dans telle et pour tout .
Solution
Pour , est une probabilité et donc . Si alors et donc . Cela est exclut par les hypothèses.
Pour , et donc
Sachant , on obtient
Puisque , il vient
Ainsi, il y a divergence de la série .
Si la suite ne tend pas vers , la série est évidemment divergente.
Si la suite tend vers alors et, par équivalence de séries à termes de signe constant, la série diverge.
Analyse: Si est une variable aléatoire solution alors
ce qui détermine entièrement la loi de .
Synthèse: Posons
On a
Vérifions aussi que la famille de somme égale à .
Introduisons
On a
En effet, la série des est divergente à terme négatifs (et l’affirmation est vraie que la suite tend vers ou non).
Aussi, et , donc
On peut alors définir une variable aléatoire à valeurs dans dont la loi est déterminée par
On observe
et
La variable aléatoire est bien solution.
(Valeur médiane)
On appelle valeur médiane d’une variable aléatoire réelle , tout réel vérifiant
Vérifier sur un exemple qu’une variable aléatoire réelle peut posséder plusieurs valeurs médianes.
Montrer que toute variable aléatoire réelle possède au moins une valeur médiane. On pourra introduire la fonction de répartition (voir le sujet 5324) de la variable .
Solution
Soit une variable aléatoire suivant une loi de Bernoulli de paramètre . Pour tout ,
Dans cet exemple toute valeur strictement comprise entre et est valeur médiane de la variable . Notons que la valeur est aussi valeur médiane puisque
De même, est encore valeur médiane11 1 En revanche, si suit une loi de Bernoulli de paramètre avec , alors admet une seule valeurs médiane qui est ou selon que ou . de .
Méthode: À l’aide d’une borne inférieure, on introduit la plus petite valeur vérifiant .
Posons
avec la fonction de répartition de la variable aléatoire . L’ensemble est une partie de non vide et minorée car
Il est alors possible d’introduire . Vérifions qu’il s’agit d’une valeur médiane de .
D’une part, par réalisation séquentielle d’une borne inférieure, il existe une suite d’éléments de qui tend vers par valeurs supérieures. La fonction de répartition étant continue à droite, on obtient22 2 En particulier, est élément de et la croissance de entraîne que est l’intervalle .
D’autre part, pour tout , on a car n’appartient pas à . On a donc
et l’on en déduit
car, par continuité monotone, la probabilité d’une réunion croissante et la limite des probabilités des événements réunis.
Finalement, est une33 3 On aurait aussi pu introduire et vérifier qu’il s’agit d’une valeur médiane de . valeur médiane de .
(Entropie d’une variable aléatoire)
Soit une variable aléatoire à valeurs dans un ensemble fini . Pour chaque valeur , on pose
On appelle entropie de la variable le réel
où l’on convient .
Vérifier que est un réel positif. À quelle condition celui-ci est-il nul?
Soient et deux variables aléatoires à valeurs dans des ensembles finis et .
On appelle entropie conjointe de et , l’entropie de la variable simplement notée .
On suppose les variables et indépendantes, vérifier
On appelle entropie de sachant la quantité
Vérifier
avec
Solution
Pour tout , on a car . On en déduit .
Si alors, par somme nulle de positifs, on a
et donc
Sachant que
on peut affirmer qu’il existe tel que .
La variable est alors presque sûrement constante.
Par définition
Or les variables et étant indépendantes
puis
On sépare la somme en deux et l’on somme tantôt d’abord en , tantôt d’abord en et l’on obtient
car
On sait
donc
On sépare la somme en deux et l’on somme le résultat sur pour obtenir
Or
avec
donc
[<] Variables aléatoires[>] Loi de Poisson
On lance indéfiniment et indépendamment un dé équilibré. Pour , on note la variable aléatoire définie par la valeur du -ième lancer. On introduit le temps d’attente du premier six:
Montrer que est une variable aléatoire discrète.
Identifier la loi de .
Soient et deux variables aléatoires indépendantes suivant des lois géométriques de paramètres et éléments de .
Calculer pour .
Identifier la loi de .
Soient des variables aléatoires indépendantes suivant des lois géométriques de paramètres .
Identifier la loi de la variable .
Solution
Pour , on a avec
On en tire
Notons que, à l’inverse, si une variable aléatoire est à valeurs dans et vérifie
pour un certain alors suit une loi géométrique de paramètre . En effet, pour tout , .
Étudions maintenant la variable .
On a immédiatement .
Pour ,
Par indépendance,
On peut réécrire
La variable suit donc une loi géométrique de paramètre .
Soient et deux variables aléatoires discrètes indépendantes.
On suppose que celles-ci suivent une même loi géométrique de paramètre .
Calculer la loi de .
Solution
Les variables et sont à valeurs dans donc est à valeurs .
Pour , on a
Par indépendance
Il ne reste plus qu’à dérouler les calculs:
Une urne contient boules numérotées de à . Avec remise, on tire les boules de cette urne une à une et l’on note la variable aléatoire égale au nombre de tirages nécessaires pour tirer une boule différente de la première.
Calculer la loi de puis identifier la loi de .
Solution
Pour , introduisons l’événement
Les forment un système complet d’événements équiprobables.
La variable prend ses valeurs dans .
Compte-tenu des conditions de l’expérience, la loi de sachant est géométrique de paramètre .
Par la formule des probabilités totales,
La variable suit une loi géométrique de paramètre .
Soit une variable aléatoire suivant une loi géométrique de paramètre .
Déterminer la loi de la variable sachant .
Quelle est son espérance?
Solution
La variable aléatoire prend ses valeurs dans avec
On en déduit
Par définition,
Pour , l’événement est impossible et donc .
Pour , l’événement contient et donc
Considérons la variable . Celle-ci prend ses valeurs dans et l’on vérifie
La variable suit une loi géométrique de paramètre . On connaît l’espérance de et l’on en déduit par linéarité l’espérance voulue.
Celle-ci est une espérance conditionnelle, généralement notée : c’est l’espérance de pour la probabilité conditionnelle .
Écrire un programme en langage Python simulant une loi géométrique de paramètre .
Solution
Une option peut être de répéter une expérience de Bernoulli jusqu’à l’obtention d’un succès.
import random def geom(p): c = 1 while (random.random() < 1 - p): c = c + 1 return c
Cela a cependant l’inconvénient de ne pas produire une réponse en temps constant.
Une alternative est d’employer que si suit une loi géométrique de paramètre alors
On peut alors choisir uniformément dans puis de rechercher tel que
ce qui donne
import random import numpy as np def geom(p): x = random.random() return np.floor(np.log(x)/np.log(1-p)) + 1
Soient et deux variables aléatoires indépendantes suivant des lois géométriques de paramètres et éléments de .
Calculer l’espérance de .
Soit et deux variables aléatoires indépendantes suivant des lois géométriques de paramètres .
Calculer .
Solution
L’événement peut être décomposé en la réunion disjointes des événements
On a donc
Par indépendance des variables et , on a
avec
On en déduit
Soient deux variables aléatoires indépendantes de même loi géométrique de paramètre . Pour , calculer
Solution
La famille des avec est un système complet d’événements et donc
Or
car les variables et sont supposées indépendantes. On en déduit
Soient des variables aléatoires indépendantes définies sur un même espace probabilisé et suivant la même loi géométrique de paramètre .
Calculer . En déduire .
Calculer la loi de .
Soit tel que . Identifier la loi de sachant .
Pour , calculer et en déduire .
Solution
Puisque les variables et prennent leurs valeurs dans ,
Par incompatibilité,
Par indépendance,
Il s’agit d’une somme géométrique de raison avec et de premier terme , on a donc
Par symétrie, car les couples et suivent la même loi. Aussi, par incompatibilité, . On a donc
On en tire
On a et, pour , on obtient par indépendance
Cela détermine la loi de la variable (à un glissement de la variable près).
Soit de sorte que l’événement ne soit pas négligeable.
Pour ,
Cas: . L’événement est impossible car . On a alors Cas: .
Par indépendance des variables et ,
La loi de sachant est uniforme sur .
Par incompatibilité,
On peut décomposer,
On factorise
Par la théorie des séries entières, on sait
On a donc
Soient trois variables aléatoires indépendantes suivant une loi géométrique de paramètre . Calculer .
Solution
La variable prend ses valeurs dans . Par incompatibilité puis indépendance
Or pour ,
ce qui se concrétise
et donc
On opère une translation d’indice et l’on transforme l’écriture pour faire apparaître le calcul d’un espérance d’un loi géométrique
L’espérance d’une loi géométrique de paramètre vaut
On conclut
Soit une variable aléatoire suivant une loi géométrique de paramètre . Calculer
Solution
Par la formule de transfert
Or pour
donc
Montrer que si est une variable aléatoire suivant une loi géométrique de paramètre alors
Inversement, établir que si une variable aléatoire à valeurs dans vérifie la propriété précédente alors celle-ci suit une loi géométrique.
Solution
Puisque suit une loi géométrique de paramètre , on sait
et alors
Inversement, supposons que soit une variable aléatoire à valeurs dans vérifiant, pour tout ,
Pour , on obtient
En posant , il vient
et donc
La suite de terme général est alors géométrique de raison et de premier terme . On en déduit
Soit . On a la réunion disjointe
et l’on en déduit
Ainsi, suit une loi géométrique de paramètre . Enfin, ne peut pas être nul car, sinon, est nul pour tout .
Soient et des variables aléatoires indépendantes suivant une même loi géométrique de paramètre . On pose
Montrer que est presque sûrement inversible.
Trouver la probabilité pour que soit diagonalisable.
Solution
Les variables et sont à valeurs dans et donc aucune ne s’annulent pas. La matrice est alors inversible car de déterminant non nul.
Si , la matrice est diagonalisable car possède deux valeurs propres distinctes. Si , la matrice n’est pas diagonalisable car possède une seule valeur propre sans être égale à une matrice scalaire. La probabilité que soit diagonalisable vaut donc
Soient et deux variables aléatoires indépendantes suivant des lois géométriques de paramètres respectifs et .
Quelle est la probabilité que la matrice réelle suivante soit diagonalisable?
(Loi de Pascal)
Soient une suite de variables aléatoires indépendantes suivant chacune une même loi géométrique de paramètre .
Pour , on étudie la variable aléatoire .
En terme de temps d’attente, comment interpréter la loi de ?
Vérifier
Établir
Solution
Chaque variable aléatoire géométrique se comprend comme le temps d’attente d’un succès lors de la répétition indépendante d’expériences de Bernoulli de paramètre . En sommant, variables géométriques indépendantes, on obtient le temps d’attente du -ième succès lors de la répétition indépendante d’épreuves de Bernoulli de paramètre .
Pour fixé, établissons l’identité par récurrence sur .
Pour ,
Supposons la propriété vraie au rang .
Au rang , l’hypothèse de récurrence donne
Par la formule du triangle de Pascal,
et donc
La récurrence est établie.
Commençons par souligner que la variable prend ses valeurs dans .
Par récurrence sur montrons
Pour , suit une loi géométrique de paramètre ce qui produit la formule.
Supposons la propriété vérifiée au rang .
On a . Les variables engagées prenant leurs valeurs dans , on a pour ,
Puisque prend uniquement des valeurs supérieures à et puisque prend des valeurs non nulles, on simplifie
Par incompatibilité puis indépendance,
Par l’identité de la question précédente employée avec au lieu de ,
La récurrence est établie.
(Loi de Pascal)
Soit une suite de variables aléatoires indépendantes et identiquement distribuées selon une loi de Bernoulli de paramètre .
Pour , on définit une variable aléatoire à valeurs dans en posant
La variable se comprend comme le temps d’attente du -ième succès.
Reconnaître la loi de lorsque .
Soit .
Pour , déterminer et en déduire .
Montrer que l’événement est négligeable.
Solution
correspond au temps d’attente du premier succès dans la répétition indépendante d’épreuves de Bernoulli indépendantes de même paramètre , suit dont une loi géométrique de paramètre .
Soit . La variable suit une loi binomiale de paramètres et . On a donc
(avec la convention que le coefficient binomial est nul lorsque ). L’événement est réalisé lorsque et . Or
Par l’indépendance11 1 Cette affirmation de bon sens peut être détaillée: l’événement s’exprime comme une réunion d’événements avec des égaux à ou et de somme égale à : ceux-ci sont tous indépendants de . des variables de la suite ,
Cas: . On obtient
Cas: . On obtient22 2 Chaque séquence comportant succès et échecs est de probabilité et il y a séquences qui se terminent par un succès.
Calculons33 3 On peut aussi inclure l’événement dans celui exprimant que les variables sont toutes nulles au delà d’un certain rang: se comprend alors comme inclus dans une réunion dénombrable d’événements négligeables. la probabilité de . Par continuité décroissante,
L’événement signifie que l’on n’a pas obtenu succès lors des premières expériences et donc
car suit une loi binomiale de paramètres et . Or, par croissance comparée,
En effet,
donc
On obtient donc : il est presque sûr d’obtenir au moins succès.
Soit une suite de variables indépendantes et identiquement distribuées selon une loi géométrique de paramètre . Pour , on pose
Calculer .
Déterminer un équivalent de lorsque tend vers l’infini.
Solution
La variable est à valeurs dans donc
Or
Par indépendance,
avec pour . On a donc par sommation géométrique
Comme au-dessus
Or
Par indépendance,
avec . On a donc
Considérons la fonction donnée par
Cette fonction est continue, décroissante et positive. Par comparaison série-intégrale,
avec convergence de l’intégrale généralisée introduite. On réalise le changement de variable . Celui-ci est légitime car la fonction est de classe et strictement croissante. On obtient
On conclut
Sur un espace probabilisé , on considère une suite de variables aléatoires telles que, pour tout , suit une loi binomiale de paramètres et . On considère aussi une variable aléatoire indépendante des variables et telle que suit une loi géométrique de paramètre .
Pour toute issue de l’univers , on pose .
Justifier que est une variable aléatoire discrète et déterminer sa loi.
On pourra employer l’identité binomiale déjà présentée dans le sujet 4085.
[<] Loi géométrique[>] Loi conjointes, Loi marginales
Soit une variable aléatoire suivant une loi de Poisson de paramètre .
Calculer
Soit une variable aléatoire suivant une loi de Poisson de paramètre .
Déterminer la probabilité que la valeur de soit pair.
Solution
L’évènement est pair est la réunion dénombrable des évènements pour . Sa probabilité vaut
Le nombre quotidien de clients entrant dans une boulangerie suit une loi de Poisson de paramètre . Chaque client a la probabilité d’acheter des croissants. Sur une journée, on note le nombre de clients ayant acheté des croissants et le nombre de ceux qui n’en ont pas achetés.
Déterminer la loi de .
Calculer la covariance de et .
Justifier que les variables aléatoires et sont indépendantes.
Soit un espace probabilisé sur lequel une variable aléatoire suit une loi de Poisson de paramètre .
Soit une variable aléatoire telle que et dont la loi conditionnée à est, pour tout , la loi binomiale de paramètre avec .
Énoncer les propriétés des lois de Poisson: , , (avec démonstration), , interprétation avec la loi binomiale.
Quelle loi suit ?
Déterminer la loi de . Les variables et sont-elles indépendantes?
Solution
, et .
Si est une suite de loi binomiale de paramètre avec alors
La variable prend ses valeurs dans . Pour ,
Les termes pour sont nuls car . On les simplifie
Par glissement d’indice et simplification des factorielles,
La variable suit une loi de Poisson de paramètre .
La variable vérifie et la loi de conditionnée à est la loi de conditionnée à c’est-à-dire une loi binomiale de paramètre . Par les calculs qui précèdent, suit une loi de Poisson de paramètre .
Pour ,
et donc
On remarque
Les variables et sont indépendantes.
Soit une variable aléatoire de Poisson de paramètre .
Pour quelle valeur de , la probabilité de l’évènement est-elle maximale?
Inversement, étant fixé, pour quelle valeur du paramètre , la probabilité de est-elle maximale?
Solution
Posons
On a
donc si alors et si alors .
La valeur maximale de est donc obtenue pour .
Il suffit d’étudier les variations de la fonction . La probabilité sera maximale si .
Soient et deux variables aléatoires indépendantes suivant des lois de Poisson de paramètres et strictement positifs.
Déterminer la loi suivie par .
Soit . Identifier la loi de pour la probabilité conditionnelle .
Soient et deux variables aléatoires indépendantes suivant des lois de Poisson de paramètres et . Pour , identifier la loi de sachant .
On souhaite modéliser le nombre d’arrivées de « clients » dans un « service » durant un laps de temps .
Pour et avec , on note l’événement
« il arrive clients dans l’intervalle de temps de »
On admet l’existence d’un espace probabilisé permettant d’étudier la probabilité de cet événement en supposant:
pour tous et tous réels , les événements et sont indépendants;
la probabilité de l’événement ne dépend que de et du réel . On note
la fonction est continue et ;
pour tout ,
on a le développement asymptotique
Cette dernière hypothèse signifie que, durant un laps de temps minime, la probabilité d’arrivée d’au moins deux clients est négligeable devant la probabilité d’arrivée d’un seul client.
Justifier que la fonction est décroissante et que
Montrer que est à valeurs strictement positives et qu’il existe un réel vérifiant
Justifier
Soit . Montrer
En déduire que la fonction est dérivable et
Obtenir l’expression de (on pourra étudier ).
On note la variable aléatoire déterminant le nombre de « clients » arrivant durant le laps de temps . Déterminer la loi de . Comment interpréter le paramètre ?
Solution
Pour , l’événement contient l’événement et donc .
Pour , l’événement est la conjonction des événements et . Par conséquent,
Par indépendance (hypothèse H1)
Or, l’hypothèse H2 donne et donc
Par l’hypothèse H3, la fonction prend la valeur 1 en 0 et est continue. Si par l’absurde cette fonction prend une valeur négative, elle s’annule en un certain . L’équation fonctionnelle obtenue ci-dessus donne par une récurrence rapide
En prenant , on obtient
En passant à limite quand tend vers l’infini, on obtient l’absurdité !
Puisqu’il est maintenant acquis que la fonction est à valeurs strictement positives, on peut introduire la fonction définie par
L’équation fonctionnelle obtenue en a) se traduit
Sachant la fonction continue, on peut affirmer que celle-ci est linéaire: il existe tel que
Ainsi,
Enfin, puisque la fonction est décroissante, le réel est nécessairement négatif ce qui permet de l’écrire avec .
Par l’hypothèse H5 avec , on obtient
Ainsi, ce qui peut encore s’écrire
Aussi, l’hypothèse H4 permet d’affirmer
et donc pour tout .
L’événement est la réunion des événements deux à deux disjoints
On en déduit par additivité et les hypothèses H1 et H2 l’identité
Cette identité fournit le développement asymptotique
car
On obtient alors
On en déduit que la fonction est dérivable et
En introduisant , on constate
Par récurrence
puis
L’événement a la probabilité de l’événement et donc
La variable suit une loi de Poisson de paramètre . L’espérance de vaut alors et le paramètre se comprend comme le nombre moyen de clients entrant par unité de temps.
[<] Loi de Poisson[>] Espérance
Soient et deux variables aléatoires à valeurs dans . On suppose que la loi conjointe de et vérifie:
Déterminer les lois des variables et .
Les variables et sont-elles indépendantes?
Soient et deux variables aléatoires à valeurs dans définies sur un même espace probabilisé .
On suppose que la loi conjointe de et vérifie
Déterminer la valeur de .
Reconnaître les lois marginales de et .
Les variables et sont elles indépendantes?
Solution
La distribution de probabilités de la loi conjointe de et est de somme donc
Or
On en déduit .
Pour ,
La variable suit donc une loi de Poisson de paramètre . Il en est de même pour .
Les variables sont indépendantes car l’on vérifie aisément
Soient et deux variables aléatoires à valeurs dans .
On suppose que la loi conjointe de et vérifie
Déterminer la valeur de .
Déterminer les lois marginales et .
Les variables et sont elles indépendantes?
Calculer .
Solution
La loi conjointe de et déterminant une probabilité
Or
car
On en déduit
Pour
et pour
Les variables ne sont par indépendantes car l’on vérifie aisément
pour .
Par probabilités totales
Soient et deux variables aléatoires à valeurs dans et .
On suppose que la loi conjointe de et vérifie
Déterminer la valeur de .
Déterminer la loi marginale de .
Sachant
Reconnaître la loi de
Les variables et sont elle indépendantes?
Solution
La loi conjointe de et déterminant une probabilité
En réordonnant les sommes et en simplifiant les zéros
On est donc amené à résoudre l’équation
ce qui conduit à la solution .
Pour ,
Pour ,
En simplifiant
Les variables ne sont par indépendantes car l’on vérifie aisément
pour .
Une urne contient un dé truqué donnant systématiquement un six. On lance une pièce équilibrée. Si l’on obtient face, on ajoute un dé équilibré dans l’urne et l’on relance la pièce. Si l’obtient pile, on tire un dé dans l’urne et on lance celui-ci. Déterminer la loi de la variable donnant la valeur du dé lancé.
Soient et deux variables aléatoires à valeurs dans .
On suppose que suit une loi de Poisson de paramètre et que la loi de pour la probabilité conditionnelle est binomiale de paramètres et .
Déterminer la loi conjointe de et .
Reconnaître la loi de .
Solution
Pour . Si alors
Si alors .
Pour
Après réorganisation et glissement d’indice
La variable suit une loi de Poisson de paramètre .
On réalise une suite de lancers indépendants d’une pièce ayant la probabilité de tomber du côté pile. On note la longueur de la première série de lancers identiques et celle de la seconde série. Par exemple, les lancers PPFFFP… et FFPPPF… correspondent à et .
Déterminer la loi de et préciser son espérance.
Déterminer la loi du couple .
Calculer l’espérance de et la comparer à l’espérance de .
À quelle condition les variables et sont-elles indépendantes?
Solution
En éliminant de l’univers des possibles l’événement négligeable où la pièce tombe toujours du même côté, la variable aléatoire prend ses valeurs dans . De même, en éliminant aussi l’événement négligeable où la deuxième succession est de longueur infinie, la variable est aussi définie à valeurs dans . On poursuit l’étude en supposant être dans l’univers probabiliste correspondant11 1 Si est un événement presque sûr d’un espace probabilisé , c’est l’événement certain de l’espace avec et la restriction de à ..
Pour , on introduit les événements:
La variable prend ses valeurs dans .
Pour , l’événement est la réunion des événements incompatibles et . On a donc
Sachant l’espérance d’une loi géométrique,
La variable prend ses valeurs dans . Pour , calculons . L’événement est réalisé dans la situation où les premiers lancers tombent du côté pile, les suivants du coté face et le -ième du coté pile et aussi dans la situation inverse où l’on échange pile et face. Par incompatibilité de ces deux situations,
et par l’indépendance des lancers,
Pour ,
puis
Par l’inégalité valable pour tous et réels, on observe
Les variables et sont indépendantes si, et seulement si,
c’est-à-dire
(1) |
Pour , on obtient la condition
qui se simplifie en
Il est donc nécessaire que .
Inversement, pour , la relation (1) est vérifiée.
Soient et deux variables aléatoires indépendantes suivant chacune des lois géométriques de paramètres et . On pose11 1 On peut aussi exprimer .
Les variables et sont-elles indépendantes?
Soit une suite de variables aléatoires indépendantes suivant chacune une loi de Bernoulli de paramètre . Soient une variable à valeurs dans indépendantes des précédentes et les variables déterminées par
Vérifier
On suppose que les variables et sont indépendantes et que la variable n’est pas presque sûrement nulle. On pose
Justifier que les et les sont tous strictement positifs.
Vérifier que
En déduire une relation de récurrence sur les termes de la suite puis identifier la loi suivie par .
Établir que suit une loi de Poisson.
[<] Loi conjointes, Loi marginales[>] Calcul d'espérances et variances
Soit une variable aléatoire réelle presque sûrement bornée.
Montrer que admet une espérance finie.
Solution
Méthode: S’il existe une variable aléatoire d’espérance finie telle que presque sûrement alors admet une espérance finie.
Affirmer que la variable aléatoire est presque sûrement bornée signifie qu’il existe tel que presque sûrement. Puisque la variable aléatoire constante égale à admet une espérance finie, par domination, admet aussi une espérance finie.
Soit une variable aléatoire réelle admettant une variance.
Justifier
En déduire
Solution
L’égalité est vraie lorsque la valeur de la variable est non nulle car la fonction indicatrice prend la valeur et l’égalité est aussi vraie lorsque prend la valeur nulle.
Méthode: On applique l’inégalité de Cauchy-Schwarz à l’étude de l’espérance du produit des variables et .
Les variables et admettant chacune une variance, l’inégalité de Cauchy-Schwarz donne
avec
On en déduit11 1 Cela entraîne ce qui découle aussi de .
Soit une variable aléatoire réelle centrée admettant une variance. Établir
Solution
Pour , l’inégalité de Cauchy-Schwarz s’exprime
(1) |
D’une part,
D’autre part, considérons prenant les valeurs de sorte que . On a
car est constante égale à .
L’inégalité (1) donne alors
(Inégalité de Jensen)
Soient une fonction dérivable convexe et une variable aléatoire réelle admettant une espérance finie.
Montrer
En déduire que si admet une espérance finie alors
Solution
Puisque est dérivable et convexe, le graphe de est au-dessus de chacune de ses tangentes. Une équation de la tangente à en est
et donc
L’inégalité voulue est alors conséquence de la comparaison précédente pour .
Par croissance de l’espérance puis linéarité
Soient et deux variables aléatoires indépendantes à valeurs strictement positives et de même loi. Établir
Solution
Par indépendance,
Par correspondance des lois,
Ainsi,
Or
car, pour tout ,
On en déduit la comparaison voulue.
Soit une variable aléatoire à valeurs dans . On suppose que admet une espérance finie. Montrer
Solution
Par hypothèse, la série converge et donc, pour ,
car le reste d’une série convergente est de limite nulle.
Soit une variable aléatoire à valeurs dans admettant une espérance finie.
Montrer que pour tout entier naturel ,
En déduire une expression de .
Solution
Raisonnons par récurrence sur .
La propriété est immédiate pour .
Supposons la propriété vraie au rang . En isolant un terme de la somme et en employant l’hypothèse de récurrence,
En écrivant
on poursuit le calcul afin de former la relation attendue
La récurrence est établie.
Pour tout ,
Le reste d’une série convergente étant de limite nulle, on obtient par encadrement
On en déduit
avec convergence de la série introduite.
Soit une variable aléatoire à valeurs dans .
Montrer que admet une espérance finie si, et seulement si, la série converge et qu’alors11 1 Cette identité sera souvent utilisée par la suite.
Soit une variable aléatoire à valeurs dans admettant une variance. Établir
Solution
Pour une variable aléatoire à valeurs dans admettant une espérance finie, on sait
avec convergence de la série exprimant le second membre.
On emploie ici ce résultat pour la variable et l’on écrit
avec convergence de la série à termes positifs exprimant le second membre.
Visualisons les premiers termes de cette somme:
Puisque prend ses valeurs dans ,
et donc
Par sommation par paquets, regroupons entre eux les termes égaux
avec, pour tout ,
La somme comportant termes identiques,
On en déduit
avec convergence de la série exprimant le second membre.
Soit une variable aléatoire réelle prenant un nombre fini de valeurs.
On suppose que prend des valeurs toutes positives. Établir
On suppose que les valeurs prises par sont de signes quelconques. Proposer une expression de comme somme de deux intégrales.
Solution
On remarque que la fonction est en escalier et, par conséquent, continue par morceaux. Au surplus, celle-ci est identiquement nulle pour assez grand11 1 Précisément, dès que est supérieur à la valeur maximale prise par . et il est possible d’introduire l’intégrale étudiée. Notons les valeurs prises par . Par la relation de Chasles,
en posant . Pour dans l’intervalle , la probabilité est constante égale à la somme des pour . On a donc
Ceci conduit à considérer une somme triangulaire où l’on échange les deux signes sommes,
Si est une variable aléatoire à valeurs négatives, on obtient en considérant puis en réalisant le changement de variable
Si est une variable aléatoire à valeurs de signes quelconques, on l’écrit avec et . On a alors
Cependant, pour tout , tandis que pour tout . On en déduit
Soit une variable aléatoire à valeurs dans d’espérance finie.
Établir
Solution
Pour , on a
Pour , en réorganisant le calcul de la somme
D’une part,
et donc
D’autre part
et donc
On conclut
(Fonction caractéristique)
On appelle fonction caractéristique d’une variable aléatoire prenant ses valeurs dans , l’application donnée par
Vérifier que est définie, continue sur et -périodique.
Soient et deux variables aléatoires indépendantes à valeurs dans . Établir
Soient et deux variables aléatoires à valeurs dans . Établir
Application : Retrouver que la somme de deux variables aléatoires indépendantes suivant des lois Poisson suit une loi de Poisson.
Solution
Pour tout , la variable aléatoire est bornée, elle admet donc une espérance et cela assure la définition . De plus, la formule de transfert donne
Les fonctions sont continues et la série de fonctions converge normalement11 1 Contrairement à l’usage, parcourt au lieu de mais cela ne change par grand chose: il suffit de séparer la somme en deux selon le signe de l’indice pour adapter les propos. sur car
On en déduit que la fonction est continue. Aussi, cette fonction est -périodique car chacune des fonctions l’est.
Notons que prend ses valeurs dans ce qui autorise à introduire sa fonction caractéristique. Pour ,
Or les variables et sont indépendantes et donc et le sont aussi. L’espérance du produit de ses variables est alors le produit des espérances
Remarquonq que, pour tout ,
Supposons .
Soit . On a
Or
Les fonctions sont continues sur et la série converge normalement sur par des arguments analogues à ceux déjà dits: on peut intégrer terme à terme
Compte tenu du calcul initial, on simplifie la somme
De la même façon,
et donc . Puisque cela vaut pour tout , les variables aléatoires et suivent la même loi.
Si suit une loi de Poisson de paramètre ,
Si et suivent des lois de Poisson indépendantes de paramètres et ,
On reconnaît la fonction caractéristique d’une loi de Poisson de paramètre et donc suit une telle loi.
(Formule de Wald)
Soit une suite de variables aléatoires indépendantes et identiquement distribuées suivant la loi d’une certaine variable réelle . Soit aussi une variable aléatoire à valeurs dans indépendante des variables . On pose
On admet que définit une variable aléatoire11 1 Voir sujet 4046.
On suppose et admettent une espérance. Établir que admet une espérance et vérifier .
Solution
La famille constitue un système complet d’événements.
Pour ,
Par incompatibilité puis indépendance,
En conduisant le calcul dans ,
Les termes étant tous positifs, on peut réorganiser le calcul de la somme
Par la formule du transfert,
Or
et donc
Par conséquent, la famille est sommable: la variable admet une espérance finie.
On reprend les calculs précédents sachant la sommabilité
(Espérance conditionnelle)
Soit une variable aléatoire sur un espace probabilisé .
Pour événement non négligeable et sous réserve d’existence, on introduit, l’espérance conditionnelle de sachant égale à l’espérance de pour la probabilité conditionnelle :
On suppose que est d’espérance finie.
Justifier l’existence de et vérifier
Soit un système complet d’événements non négligeables. Vérifier
Solution
Pour ,
Puisque est d’espérance finie, la famille est sommable. Par domination, la famille est sommable. On peut donc introduire l’espérance de sachant et, en reprenant le calcul,
Pour , donc . Cette égalité est aussi vraie pour et donc
Par sommation par paquets,
Par probabilités composées,
Soit une suite de variables aléatoires suivant toute la loi d’une variable à valeurs dans . Pour , on pose
Soit . Établir
En déduire
On suppose que admet une espérance finie. Montrer
Solution
Cas: . Tout entier naturel est soit élément de soit supérieur ou égal à . On en déduit que
Par suite,
Sachant , il vient
Cas: . On introduit et l’on conclut à l’aide de ce qui précède en observant
Considérons . Puisque
on obtient
puis, par comparaison,
La variable est à valeurs positives. Par l’inégalité de Markov,
et donc
Pour , on en déduit
Soient une variable aléatoire admettant une espérance et un système complet d’événements. Établir
Solution
Par définition,
Puisque est un système complet d’événements,
Par incompatibilité,
Pour ,
On a donc
et cette dernière égalité est aussi vraie lorsque .
On a donc
La famille initiale étant sommable, la famille doublement indexée qui s’en est déduit est aussi: cela permet d’échanger les deux sommes puis conclure
Soit une variable aléatoire réelle admettant une espérance finie.
Montrer
Solution
Soit une suite réelle injective contenant les valeurs prises par . Par hypothèse, il y a convergence absolue de la série
Considérons ensuite la série de fonctions avec
On remarque
On remarque aussi
La série de fonctions converge normalement sur et, par le théorème de la double limite,
Soit une suite d’événements d’un espace probabilisé . On suppose que toutes les intersections d’une infinité d’événements choisis parmi les sont vides et l’on introduit la variable aléatoire à valeurs dans définie par11 1 La variable dénombre les événements de la suite qui sont réalisés. Par hypothèse, celle-ci ne prend que des « valeurs finies ».
Montrer que admet une espérance finie si, et seulement si, la série converge et qu’alors
Solution
Méthode: L’espérance de la fonction indicatrice d’un événement est la probabilité de cet événement.
Pour , introduisons la variable
Les variables admettent une espérance et, par linéarité,
Si la variable admet une espérance finie, la comparaison entraîne
La série à termes positifs est alors convergente car ses sommes partielles sont majorées et l’on a
(1) |
Inversement, supposons la convergence de la série .
Méthode: Une variable aléatoire à valeurs dans admet une espérance finie si, et seulement si, la série converge et sa somme détermine alors cette espérance. Voir le sujet 4026.
Soit . Pour tout , on remarque l’inclusion
Par continuité croissante,
Pour tout , on a alors
Or
et donc
La série à termes positifs est alors convergente car ses sommes partielles sont majorées. Ainsi, admet une espérance finie et de plus
(2) |
Les comparaisons (1) et (2) se complètent alors pour produire l’égalité voulue
Soit un espace probabilisé et une suite d’événements quelconques vérifiant
Pour un ensemble quelconque, on note la fonction indicatrice de .
Soit (on convient si la série diverge).
Prouvez que est une variable aléatoire discrète.
Soit
Prouver que est un événement et que .
Prouver que admet une espérance.
Solution
La variable aléatoire prend ses valeurs dans l’ensemble dénombrable .
Pour , on a lorsque appartient à exactement événements parmi les . Pour , appartenir aux ensembles et pas aux autres s’expriment comme une intersection dénombrable d’événements et : c’est donc un événement. En faisant varier les sur l’ensemble dénombrable des possibles, se comprend comme une réunion d’événements.
Enfin, est aussi un événement car c’est le complémentaire de la réunion dénombrable des événements pour parcourant .
est le complémentaire de , c’est bien un événement.
correspond à l’ensemble des appartenant à une infinité de . On peut l’écrire comme l’intersection décroissante
Par continuité décroissante
Or
On peut conclure puis .
Posons . Commençons par établir
Puisque , on a
et, par continuité croissante,
Or
ce qui établit la propriété voulue.
Pour , on a alors
avec
La série est alors convergente puisque c’est une série à termes positifs aux sommes partielles majorées. On en déduit que admet une espérance finie (et l’on peut montrer que celle-ci est la somme de la série des ).
Soit une variable aléatoire à valeurs dans . On suppose qu’il existe vérifiant
Déterminer la loi de puis calculer son espérance et sa variance.
On suppose qu’à la roulette d’un Casino, on obtient la couleur noire avec la probabilité , la couleur rouge sinon (bref, on ne suppose pas de 0 vert…). Un joueur fortuné joue selon le protocole suivant:
il mise initialement 1 brouzouf sur la couleur noire;
s’il gagne, il arrête de jouer et empoche le double de sa mise.
s’il perd, il double sa mise et rejoue.
On suppose la fortune du joueur infinie.
Montrer que le jeu s’arrête presque sûrement. Déterminer l’espérance de gain du joueur.
On suppose toujours la fortune du joueur infinie.
Que se passe-t-il si au lieu de doubler, il décide de tripler sa mise lorsqu’il rejoue?
Le joueur n’est en fait pas si fortuné qu’il le prétend: il ne possède que brouzoufs ce qui l’autorise à ne pouvoir jouer que parties. Que devient son espérance de gain?
Solution
Notons l’évènement « le jeu dure au moins parties ». est la conjonction des évènements indépendants et le rouge sort au - ième tirage ». On en déduit
Par continuité décroissante, on obtient
L’arrêt du jeu est donc presque sûr.
Lorsque la partie s’arrête à la -ième tentative, le joueur a perdu brouzoufs et vient de gagner brouzoufs. Au total, il gagne 1 brouzouf. Son gain étant presque sûrement constant égal à 1 brouzoufs, son espérance de gain vaut 1 brouzouf.
Avec ce nouveau protocole, lorsque la partie s’arrête à la -ième tentative, le gain du joueur vaut
L’espérance de gain est
Puisque le joueur ne peut disputer que parties, son espérance de gain devient
(Loi de Pascal)
On dit qu’une variable aléatoire suit une loi de Pascal de paramètres et si
Soient des variables aléatoires indépendantes suivant toutes une loi géométrique de paramètre .
Montrer que suit une loi de Pascal de paramètres et .
En déduire l’espérance et la variance d’une loi de Pascal de paramètres et .
Solution
Raisonnons par récurrence sur .
Cas: .. Si suit une loi de Pascal de paramètres et alors
On reconnaît une loi géométrique de paramètre .
Supposons la propriété vraie au rang .
L’évènement peut se décomposer en la réunion des évènements incompatibles suivants
On en déduit par indépendance
puis
Or, par la formule du triangle de Pascal,
et donc
La récurrence est établie.
Notons qu’une résolution par les fonctions génératrices est possible avec
Par linéarité de l’espérance,
Par indépendance des variables sommées,
(Loi binomiale négative11 1 Cette loi étudie le nombre d’échecs précédant le -ième succès lors de la répétition d’épreuves de Bernoulli indépendantes de même paramètre .)
Soient , et une variable aléatoire à valeurs dans telle qu’il existe un réel pour lequel
Déterminer .
Calculer l’espérance et la variance de .
On rappelle l’identité binomiale22 2 Voir le sujet 3931. Cette identité est souvent utilisée en calcul des probabilités.:
Soit une suite de variables aléatoires indépendantes, suite une loi de Bernoulli de paramètre . On pose
Déterminer la loi de .
Calculer et .
Pour , calculer .
Solution
On a . Pour ,
Par indépendance,
On introduit la fonction génératrice11 1 Un calcul direct est possible et pas plus compliqué.
(la formule donnant vaut aussi pour ). Pour ,
On a et . On en déduit
Par définition,
Cas: . Les événements et sont indépendants:
Cas: . Les événements et sont incompatibles:
Cas: . L’événement est inclus dans :
(Problème du collectionneur)
Chez un marchand de journaux, on peut acheter des pochettes contenant chacune une image. La collection complète comporte images distinctes.
Montrer qu’il est presque sûr d’obtenir la collection complète en un nombre fini d’achats.
On limite l’étude à un espace probabilisé dans lequel la collection complète est toujours obtenue en un nombre fini d’achats. Pour , on note le nombre d’achats ayant permis d’obtenir images distinctes. En particulier, et est le nombre d’achats nécessaires à l’obtention de la collection complète.
Soit . Par quelle loi peut-on modéliser la variable ?
En déduire une expression de l’espérance de .
On lance une pièce équilibrée jusqu’à ce que celle-ci ait produit au moins une fois face et une fois pile.
Montrer qu’il est presque sûr que le jeu s’arrête.
On note le nombre de lancers avant que le jeu cesse.
Montrer que admet une espérance et déterminer celle-ci.
Solution
Le jeu dure infiniment si, et seulement si, chaque lancer produit « face » ou bien chaque lancer produit « pile ». Notons l’évènement:
« le -ième lancer donne face ». |
Par indépendance des lancers
Par continuité décroissante
De même
L’évènement « le jeu ne s’arrête pas » est donc négligeable.
est à valeurs dans .
Pour , on a si les premiers lancers sont identiques. On en déduit
On en déduit
En fait, suit une loi géométrique de paramètre .
On s’intéresse à la première apparition du motif « PF » dans un tirage infini de pile ou face, indépendants et non truqués. On note l’événement
« Le motif PF apparaît pour la première fois au rang ».
(c’est-à-dire que le P est en position et le F en position ). On pose et la variable aléatoire donnant le rang d’apparition du motif.
Écrire un programme Python calculant la moyenne d’apparition du motif. Conjecture?
Montrer que
Décrire , pour et en déduire la valeur de .
Montrer que est d’espérance finie et calculer son espérance.
On s’intéresse maintenant à la première apparition du motif « PP ». On note toujours la variable aléatoire donnant le rang de première apparition du motif et , pour .
Calculer avec Python la moyenne d’apparition du motif. Conjecture?
Montrer que , et
Montrer que est d’espérance finie et calculer son espérance.
Solution
import random as rnd def T(): n = 0 P = False PF = False while (not PF): n = n + 1 x = rnd.random() if x < 0.5: P = True elif P: PF = True else: P = False return n def repete(n): c = 0 for i in range(n): c = c + T() return c/n
L’étude numérique amène à conjecturer .
Posons l’événement
« Le motif PF n’apparaît pas ».
L’événement est exactement la réunion des événements correspondant à une succession de F de longeur suivie exlcusivement de P ainsi que de l’événement correspondant uniquement à l’obtention de . L’événement est alors négligeable car réunion dénombrable d’événements de probabilités nulles11 1 Par exemple, la probabilité de n’obtenir que des F est par continuité décroissante la limite des probabilités de commencer par F à savoir . Les autres calculs sont analogues et, de façon générale, la probabilité d’obtenir un tirage infini précis est nulle.. On en déduit que la réunion des , avec , est un événement presque sûr.
est la réunion des configurations commençant par un certain nombre de F puis se poursuivant avec des P au nombre de tel que et se poursuivant enfin par un . Chacune de ces configurations est de probabilité et donc .
La suite des est sommable donc admet une espérance et
(la somme est calculée en dérivant deux fois la série entière géométrique).
On adapte le code précédent
def T(): n = 0 P = False PP = False while (not PP): n = n + 1 x = rnd.random() if x < 0.5: if P: PP = True P = True else: P = False return n
On conjecture cette fois-ci une espérance égale à .
est la probabilité de PP et celle de FPP d’où les valeurs proposées. Pour , on considère le système complet constitué des événements commençant par F, PF et PP et l’on obtient par argument de symétrie (quand on a obtenu F, cela remet les « compteurs à zéro »)
(1) |
Commençons par vérifier que les avec constituent un système complet. Les événements sont deux à deux incompatibles et la série des converge. En sommant la relation (1) pour supérieur à , on obtient après glissement d’indice
puis
On en tire que la somme des est égale à . On peut alors calculer l’espérance de .
Pour , la fonction génératrice de en est donnée par
(2) |
On peut exprimer par une fraction rationnelle définie sur , celle-ci est dérivable en ce qui assure que admet une espérance et, par dérivation de (2),
Pour , on obtient
On en tire .
Soient et une suite de variables aléatoires indépendantes et identiquement distribuées selon une loi uniforme sur . Pour tout , on pose
Déterminer les limites de et de lorsque tend vers .
On étudie la descendance d’une variété de fleurs. À la génération , on dispose d’une fleur. À chaque génération suivante, les fleurs présentes déterminent chacune et indépendamment un nombre de descendants qui suit une loi binomiale avec . Les fleurs d’une génération disparaissent à la génération suivante.
Pour tout entier naturel , on pose la probabilité de l’événement
Il est entendu que est nul.
Calculer et montrer
Étudier la suite . Quelle est sa limite?
Écrire une fonction descendance(p) qui simule la descendance d’une fleur sur une génération (cette fonction répond 0, 1 ou 2 selon la loi ).
Écrire une fonction descendances(n,p) qui simule la descendance de la fleur sur générations.
Écrire une fonction extinction(N,p) qui renvoie la fréquence d’extinction de la descendance après générations sur un nombre de simulations. Comparer aux résultats trouvés au-dessus.
Solution
Notons la variable aléatoire donnant le nombre de descendants de la première fleur.
est la probabilité que la première fleur ne détermine pas de descendants:
Pour exprimer en fonction de , on discute selon le nombre de descendants de la première fleur.
Si la première fleur n’a pas de descendants, il est certain que la -ième génération ne comporte aucune fleur
Si la première fleur a un descendant, on a par translation de l’expérience
Si la première fleur a deux descendants, l’indépendance des générations entraîne que les générations induites par chacune des deux fleurs soient éteintes pour que soit réalisé
La formule des probabilités totales donne alors
et donc
La suite est une suite récurrente de premier terme et de fonction itératrice
Afin d’acquérir la monotonie de , on étudie le signe de
On remarque que est racine apparente et le produit des racines de cette équation du second degré suffit pour déterminer l’autre racine
On distingue alors deux cas:
Cas: . Le réel est supérieur à et la fonction est positive sur . La suite est alors croissante et majorée donc convergente. Sa limite est point fixe de dans , c’est-à-dire racine de , c’est . L’extinction est presque sûre.
Cas: . Le réel est élément de . L’intervalle étant stable par , étant élément de celui-ci et étant positive sur cet intervalle, la suite croît et est majorée par . Sa limite est alors .
from random import random def descendance(p): r = random() if r < (1-p)**2: return 0 if r - (1-p)**2 < 2* p * (1-p): return 1 return 2 def descendances(n,p): res = 1 for _ in range(n): k = 0 for i in range(res): k = k + descendance(p) res = k return res def extinction(N,p): c = 0 for _ in range(N): if descendances(20,p) == 0: c = c + 1 return c/N
L’expérimentation est conforme à la théorie.
Un joueur dispose de dés équilibrés. Il lance une première fois ceux-ci et met de côté les dés ayant donné un six. S’il en reste, les autres dés sont relancés et l’on répète l’expérience jusqu’à ce que tous les dés aient donné un six. On introduit la variable aléatoire à valeurs dans donnant le nombre de lancers nécessaires.
Soit . Calculer la probabilité de .
Justifier que l’expérience s’arrête presque sûrement.
Vérifier que la variable admet une espérance finie et donner une formule exprimant celle-ci à l’aide d’une somme finie.
On considère une suite de variables de Bernoulli indépendantes de même paramètre et l’on étudie la première apparition de deux succès consécutifs dans cette suite.
Montrer qu’il est presque sûr qu’il existe vérifiant
On note la variable aléatoire donnée par
Calculer , .
Pour , exprimer en fonction de et .
Calculer l’espérance de .
Solution
Introduisons les événements
Ces événements sont indépendants et
Par continuité décroissante
Par indépendance
Par limite d’une suite géométrique de raison , on obtient
Par conséquent, l’événement est presque sûr. Ainsi, il existe presque sûrement un rang pair en lequel il y a deux succès consécutifs. A fortiori, il est presque sûr qu’il existe un rang (pair ou impair) en lequel il y a deux succès consécutifs.
Pour , on souhaite calculer .
Pour , l’événement correspond à de probabilité .
Pour , l’événement correspond à de probabilité .
Pour , considérons le système complet d’événements
Par la formule des probabilités totales,
Or
En effet, la première épreuve étant un échec, obtenir deux succès consécutifs au rang revient maintenant à obtenir deux succès consécutifs au rang . Par un argument analogue
Enfin
car les deux succès consécutifs ont été obtenus au rang 2 et qu’ici .
Finalement, on obtient la relation de récurrence
Puisque la variable est à valeurs dans , on sait
La formule qui précède donne
En sommant, il vient
avec . On en déduit
Soit une suite de variables aléatoires indépendantes et identiquement distribuées selon la loi de Bernoulli de paramètre .
Soit . On pose
avec la convention .
On admet que définit une variable aléatoire.
Interpréter et identifier la loi de .
Établir que pour tout , .
Calculer l’espérance de .
Solution
La variable détermine le temps d’attente d’une première série de succès consécutifs dans la répétition indépendante d’une même épreuve de Bernoulli de paramètre . En particulier, est le temps d’attente d’un premier succès, suit donc une loi géométrique de paramètre .
On remarque
et
donc
L’inclusion réciproque est évidente et donc
L’événement est uniquement fonction des variables et est donc indépendants de l’événement .
Par indépendance,
Dans , on sait
En sommant les relations précédentes,
(1) |
Or
Nécessairement car sinon ce qui n’est pas compatible avec l’identité (1). Aussi,
et donc
On peut alors conclure
Dans une urne figurent boules numérotées de 1 à (avec ). Dans celle-ci on opère des tirages successifs avec remise dans l’attente d’une série de boules consécutives identiques (avec ). On admet qu’il est presque sûr que ce processus s’arrête et l’on note la variable aléatoire déterminant le nombre de tirages opérés à l’arrêt du processus.
Calculer et .
Soit , établir
En déduire que l’espérance de la variable .
Solution
Pour , on introduit l’événement:
Compte tenu de la composition de l’urne, on peut affirmer
Au surplus, les événements sont indépendants.
On observe
Par indépendance,
Aussi,
Par indépendance,
Méthode: On exprime en fonction et d’événements bien choisis.
L’événement correspond à . Par indépendance,
Puisque la variable est à valeurs dans , on sait
Cela donne
De plus, puisque le processus s’arrête presque sûrement et que la variable prend ses valeurs dans , on a
On en déduit la valeur de l’espérance de
Deux urnes sont respectivement constituées de boules blanches pour la première et de boules rouges pour la seconde (avec ).
On tire une boule dans chaque urne, on échange celles-ci et l’on recommence. On note le nombre de boules rouges figurant dans la première urne après le -ième tirage et l’on admet l’existence d’un espace probabilisé permettant l’étude de cette expérience.
Déterminer et .
Pour , on pose
Soit . Déterminer la loi de pour la probabilité conditionnelle sachant .
En déduire l’espérance de puis étudier la limite de celle-ci quand tend vers .
Solution
Par lecture de l’expérience, et .
La variable prend ses valeurs dans .
La variable prend ses valeurs dans .
Pour avoir , il faut piocher une boule rouge dans la première urne et une boule blanche dans la deuxième. Puisque ces urnes comportent respectivement boules rouges et boules blanches, il vient
(1) |
De même, on obtient
et, par complément,
On remarque que avec
Ainsi, on obtient la relation de récurrence
On reconnaît une suite arithmético-géométrique dont on peut exprimer le terme général sachant
On en déduit
sauf si où l’on observe que alterne entre et .
Pour , établir la convergence et donne la valeur de .
On lance un dé à six faces équilibré jusqu’à obtenir la valeur 6. On note la variable aléatoire donnée par le nombre de lancers effectués. Si est pair, on gagne euros. Si est impair, on perd euros. On note la variable aléatoire représentant le gain.
Écrire une fonction Python simulant la variable . Écrire aussi une fonction Python simulant la variable .
Donner la loi de .
Calculer l’espérance de
Solution
On sait que la série entière géométrique est de rayon de convergence . La série entière est donc aussi de rayon de convergence . Cela assure la convergence absolue de la série étudiée pour tout . Au surplus,
On peut anticiper que la variable suit une loi géométrique de paramètre et employer la fonction geometric de la librairie numpy.random. À défaut, on peut être plus élémentaire
import numpy.random as rd def X(): n = 1 while rd.randint(1, 7) != 6: n += 1 return n def Y(): x = X() if x % 2 == 0: return x else: return -x
est le temps d’attente dans la répétition indépendante d’une même épreuve de Bernoulli de paramètre . La variable suit donc une loi géométrique de paramètre .
Sous réserve de convergence absolue,
Il y a convergence absolue des sommes manipulées ce qui assure la sommabilité de la famille définissant l’espérance de .
Par introduction des termes d’indices pairs,
Par le calcul de la première question,
Enfin, par réduction au même dénominateur,
Soit . Pour , exprimer simplement
On lance une pièce de monnaie ayant une probabilité de faire pile. On compte le nombre de lancers nécessaires pour obtenir pile pour la première fois. Ensuite, on lance la pièce fois et l’on compte le nombre de fois où l’on obtient pile.
Déterminer la loi de .
Calculer l’espérance de .
Solution
On sait le développement en série entière
Par dérivation à l’ordre de ce développement,
La variable suit une loi géométrique de paramètre . Pour , lorsque , la variable suit une loi binomiale de paramètres et . La variable prend globalement ses valeurs dans .
Pour , la formule des probabilités totales donne
Pour , le calcul est légèrement différent11 1 À la première étape, lorsque la somme débute à au lieu de , l’égalité devient fausse pour car cela adjoint un terme. car prend seulement ses valeurs dans ,
L’espérance de vaut alors
(Fonction caractéristique)
On appelle fonction caractéristique d’une variable aléatoire prenant ses valeurs dans , l’application donnée par
Vérifier que est définie, continue sur et -périodique.
On suppose que admet une espérance. Vérifier que est de classe sur et exprimer à l’aide de .
Que peut-on dire si est de variance finie? Exprimer alors à l’aide de .
Application : Retrouver les valeurs connues de l’espérance et la variance d’une loi géométrique.
Solution
Pour tout , la variable aléatoire est bornée, elle admet donc une espérance et cela assure la définition . De plus, la formule de transfert donne
Les fonctions sont continues et la série de fonctions converge normalement11 1 Contrairement à l’usage, parcourt au lieu de mais cela ne change par grand chose: il suffit de séparer la somme en deux selon le signe de l’indice pour adapter les propos. sur car
On en déduit que la fonction est continue. Aussi, cette fonction est -périodique car chacune des fonctions l’est.
Supposons que admette une espérance:
Les fonctions introduites au-dessus sont de classe sur avec
La série de fonctions converge normalement puisque
On en déduit22 2 Encore une fois, la somme est indexée sur mais cela ne change rien. que est de classe sur avec
En particulier, .
De façon analogue, on obtient que si est de variance finie, est de classe sur et . Par la formule de Huygens,
Si suit une loi géométrique de paramètre , on obtient par sommation géométrique de raison avec
On a alors
et
On en tire
et
Soit une variable aléatoire discrète à valeurs dans .
Montrer que admet une espérance et que celle-ci est élément de .
La variable admet aussi une variance que l’on se propose de majorer.
On introduit la variable aléatoire et les quantités
Vérifier
Calculer espérance et variance de . En déduire
En exploitant les deux majorations précédentes, obtenir
Conclure
Solution
Posons . On a et la constante admet une espérance. On en déduit que admet une espérance. De plus,
et de même .
Par l’inégalité de Cauchy-Schwarz
De façon immédiate et . On en déduit
En appliquant à nouveau l’inégalité de Cauchy-Schwarz
Ce qui précède fournit
pour et . Sachant
Si alors
Si , c’est analogue et la conclusion demeure.
On a
Puisque est à valeurs dans , on a
et
On en déduit
En élevant au carré
Enfin, que soit nul ou non, on obtient
Notons que cette inégalité est une égalité lorsque suit une loi de Bernoulli de paramètre .
Pour un entier , on donne une matrice dont les coefficients sont des variables aléatoires indépendantes et identiquement distribuées selon une loi d’espérance . Pour , calculer l’espérance de .
Solution
On sait . Par la formule définissant le déterminant et la linéarité de l’espérance
Par indépendance des variables, on a pour tout ,
On en déduit
avec la matrice dont tous les coefficients sont égaux à . La poursuite des calculs donne
Soit une matrice dont les coefficients sont des variables aléatoires indépendantes et identiquement distribuées selon la loi centrée réduite.
Calculer et .
Cinq amis prennent place autour d’une table ronde et possèdent chacun deux jetons. On suppose que les jetons sont tous blancs sauf deux bleus qui sont possédés par deux voisins. À chaque tour, chacun distribue arbitrairement ses deux jetons, l’un à son camarade de droite, l’autre à son camarade de gauche. Le jeu s’arrête lorsque l’un des amis prend possession des deux jetons bleus.
Calculer le nombre moyen de tours nécessaires pour que le jeu s’arrête.
[<] Calcul d'espérances et variances[>] Moments
Soient et deux variables aléatoires . Établir
Solution
Par l’inégalité de Cauchy-Schwarz, on sait que pour toutes variables ,
Il suffit d’appliquer ce résultat aux variables et pour obtenir
Pour , on note l’écart-type de la variable .
Pour , comparer et .
Solution
Soient . On sait et
Or, par l’inégalité de Cauchy-Schwarz,
et donc
On en déduit
Soit une suite de variables aléatoires indépendantes et identiquement distribuées selon une loi de Bernoulli de paramètre .
Pour , on pose et .
Identifier la loi de .
Calculer l’espérance et la variance de .
Soit . Justifier
Solution
La variable prend ses valeurs dans et, par indépendance,
La variable suit une loi de Bernoulli de paramètre .
Notons que les variables ne sont pas indépendantes: on ne peut pas affirmer que suit une loi binomiale de paramètres et . Cependant, par linéarité,
Aussi,
alors que, par indépendance par paquets,
On en déduit
Par l’inégalité de Bienaymé-Tchebychev,
Soient et deux variables aléatoires réelles suivant toutes les deux la loi d’une variable aléatoire réelle bornée.
On suppose que suit la loi de la variable . Montrer que presque sûrement11 1 Cela signifie ..
L’univers est l’ensemble des permutations de (avec ) que l’on munit de la tribu discrète et de la probabilité uniforme. Pour , on définit une variable aléatoire sur en posant, pour tout élément de ,
Identifier la loi de la variable .
Soient distincts. Calculer .
En déduire l’espérance et la variance de la variable donnant le nombre de points fixes d’une permutation élément de .
Solution
La variable prend ses valeurs dans , elle suit donc une loi de Bernoulli. Pour déterminer son paramètre, il suffit d’évaluer .
Il y a éléments dans et, parmi ceux-ci, il y a exactement permutations fixant car ces dernières s’identifient par restriction aux permutations de . La probabilité étant uniforme,
La variable suit une loi de Bernoulli de paramètre .
Méthode: Par la formule de Huygens,
La variable prend ses valeurs dans , elle suit aussi une loi de Bernoulli. La variable prend la valeur uniquement lorsque et sont des points fixes de la permutation étudiée. Les permutations fixant s’identifient par restriction aux permutations de , il y en a exactement et
La variable suit une loi de Bernoulli de paramètre .
L’espérance d’une loi de Bernoulli étant égale à son paramètre, on obtient11 1 La covariance obtenue est positive et cela peut être attendu car, si une permutation admet pour point fixe, cela réduit les valeurs possibles pour et accroît la probabilité que soit point fixe.
La variable correspond à la somme . Par linéarité de l’espérance,
Méthode: La variance d’une somme se développe par bilinéarité de la covariance.
Par développement,
La première somme comporte termes égaux à la variance d’une loi de Bernoulli de paramètre et la seconde somme comporte égaux à la covariance précédemment calculée. On peut alors terminer le calcul
(Processus de comptage)
Un dispositif de comptage dénombre les visiteurs qui entrent dans un musée. On note et, pour tout , on introduit la variable aléatoire qui donne le nombre de visiteurs ayant passé le portail entre les instants et . On admet que la variable suit une loi de Poisson de paramètre et que les différentes variables pour sont indépendantes.
Soient avec .
Déterminer la loi de .
Calculer puis la covariance des variables aléatoires et
Quelle est la loi du couple ?
Pour , on pose . Pour , calculer la loi de probabilité de sachant que puis identifier cette loi.
On note la variable aléatoire qui prend pour valeur le plus petit entier tel qu’il soit entré au moins un visiteur entre les instants et .
Pour , exprimer l’évènement en fonction de et , puis déterminer la loi de et donner son espérance.
Solution
Par somme de variables aléatoires de Poisson indépendantes, suit une loi de Poisson de paramètre .
La variable suit une loi de Poisson de paramètre . En vertu du lemme des coalitions, les variables
sont indépendantes.
On en déduit la covariance de et
La formule proposée n’est pas symétrique en et mais cela s’explique par la condition .
Le couple prend ses valeurs dans car et prennent leurs valeurs dans .
Soit tel que . On a
Par indépendance,
Sous la condition , la variable aléatoire prend ses valeurs dans . Pour ,
On reconnaît une loi binomiale de paramètres et .
Immédiatement,
La variable prend ses valeurs dans et, par indépendance,
On reconnaît une loi géométrique de paramètre et l’on peut alors donner son espérance et sa variance
Soient et deux variables aléatoires réelles dont les carrés sont d’espérances finies.
On suppose . Déterminer minimisant la quantité
Solution
On a
D’une part
et donc
D’autre part
On en déduit que
est minimale pour
Ces valeurs de et réalisent une régression linéaire: elles donnent la meilleure expression linéaire de en fonction de .
Un signal est diffusé via un canal et un bruit vient malheureusement s’ajouter à la transmission. Le signal est modélisé par une variable aléatoire discrète réelle d’espérance et de variance connues. Le bruit est modélisé par une variable indépendante de d’espérance nulle et de variance . Après diffusion, le signal reçu est .
Déterminer pour que soit au plus proche de c’est-à-dire telle que l’espérance soit minimale.
Solution
Par la formule de Huygens
avec
et
car la covariance de et est nulle.
La quantité est minimale pour
et l’on peut alors rendre le terme nul pour
Au final
Soient des variables aléatoires discrètes réelles . On appelle matrice de covariance de la famille la matrice
Soit avec .
Exprimer la variance de en fonction de la matrice .
En déduire que les valeurs propres de la matrice sont toutes positives.
Solution
On a
Par bilinéarité
Ce calcul est aussi le résultat du produit matriciel
Soit un vecteur propre de associé à une valeur propre .
On a et, pour , donc
Soient des variables aléatoires discrètes réelles . On appelle matrice de covariance de la famille , la matrice
Montrer que cette matrice est diagonalisable et à valeurs propres positives.
Soient des variables aléatoires indépendantes suivant une loi de Poisson de paramètre .
Déterminer les fonctions génératrices de et .
En déduire la fonction génératrice de .
Calculer et .
Les variables et sont-elles indépendantes?
Trouver le minimum de la fonction .
Solution
Pour tout réel,
et
Par indépendance des variables et ,
Par linéarité,
Par indépendance,
Les variables et ne sont pas indépendantes car
Par indépendance,
Cette expression est minimale pour .
[<] Covariances[>] Inégalités de concentration
On dit qu’une variable aléatoire admet un moment d’ordre lorsque admet une espérance finie.
Soit une variable aléatoire réelle discrète admettant un moment d’ordre .
Montrer que admet un moment d’ordre pour tout .
Soient et deux variables aléatoires réelles dont les carrés sont d’espérances finies.
On suppose que la variable n’est pas presque sûrement nulle et que l’on a
Montrer qu’il existe tels que presque sûrement.
Solution
Pour , on introduit la variable aléatoire . La variable admet une espérance et, par linéarité,
Cette expression est un trinôme11 1 En effet car n’est pas presque sûrement nulle. en de discriminant
Il existe donc tel que . Or la variable est à valeurs positives et donc presque sûrement, c’est-à-dire presque sûrement.
Soient et deux variables aléatoires discrètes réelles bornées. On suppose
A-t-on nécessairement ?
Solution
La réponse est négative. Si suit une loi de Bernoulli de paramètre et si , on vérifie
alors que !
Soient et deux variables aléatoires discrètes réelles prenant chacune leurs valeurs dans . On suppose
Montrer que, pour toute fonction continue,
Solution
Par linéarité, on vérifie
Soit une fonction continue. Pour tout , le théorème de Weierstrass assure l’existence d’un polynôme tel que
On a alors
et de même
On en déduit
Cela étant vrai pour tout , on peut conclure.
(Fonction génératrice des moments)
Soit une variable aléatoire discrète réelle. On note l’ensemble des pour lesquels la variable admet une espérance finie et l’on pose
Montrer que est un intervalle contenant .
On suppose que 0 est intérieur à l’intervalle . Montrer que la variable admet des moments à tout ordre et que, sur un intervalle centré en ,
Soit une variable aléatoire discrète réelle. Sous réserve d’existence, on appelle fonction génératrice des moments de l’application
On suppose que suit une loi de Poisson de paramètre . Déterminer .
On suppose que la fonction est définie sur un intervalle .
Montrer qu’elle y est de classe et que l’on a
Solution
Soit , on a, avec convergence absolue
Si ne prend qu’un nombre fini de valeurs , l’affaire est entendue: la fonction génératrice des moments de est développable en série entière sur avec
et après permutation des sommes
Si prend une infinité de valeurs, c’est plus technique…
Notons une énumération des valeurs de . Pour
avec
Par hypothèse, la série de fonctions convergence simplement sur .
Les fonctions sont toutes de classe avec
Soit tel que .
Pour , on peut écrire
Introduisons . On peut écrire
D’une part, la fonction est définie et continue sur et de limite nulle en , elle est donc bornée ce qui permet d’introduire une constante vérifiant
D’autre part,
En vertu de la convergence en de la série définissant , on peut assurer la convergence de la série positive
La majoration uniforme
donne la convergence normale de sur .
Via convergence uniforme sur tout segment, on peut conclure que est de classe sur .
De plus, on a pour tout ordre de dérivation et avec sommabilité la relation
[<] Moments[>] Fonctions génératrices
Soit une variable aléatoire discrète à valeurs dans .
Montrer que pour tout ,
Solution
Les événements et sont identiques. La variable étant à valeurs positives, l’inégalité de Markov donne
Les événements et sont identiques. La variable étant à valeurs positives, l’inégalité de Markov donne
Par passage à l’événement contraire,
Énoncer et démontrer l’inégalité de Markov.
Application : Soit une variable aléatoire à valeurs réelles.
Montrer que pour tout réel
Solution
Soient une variable aléatoire à valeurs dans et . Posons . On remarque et par croissance et linéarité de l’espérance
ce qui constitue l’inégalité de Markov.
Par stricte croissance de l’exponentielle, on remarque
La variable aléatoire est positive et, pour , l’inégalité de Markov donne
On en déduit
Soient une variable aléatoire réelle et une fonction strictement croissante. Montrer
Solution
Soit . Par stricte croissance de , on remarque l’égalité d’événements
On applique l’inégalité de Markov à la variable aléatoire positive et l’on a
Pour , on obtient l’inégalité voulue.
Soit une variable aléatoire discrète telle que avec .
Montrer
En déduire
Solution
On remarque la comparaison d’événements
Par croissance des probabilités,
La variable est à valeurs positives. Par l’inégalité de Markov,
Or, par linéarité,
et donc
Soit une suite de variables aléatoires deux à deux indépendantes avec suivant une loi de Bernoulli de paramètre . Montrer que pour tout
Solution
Posons
Par linéarité de l’espérance,
Les variables étant deux à deux indépendantes,
car pour tout .
En appliquant l’inégalité de Bienaymé-Tchebychev, on écrit
En passant au complémentaire, on obtient
ce qui permet de conclure.
Soit une fonction continue et .
Soit une variable aléatoire suivant une loi binomiale de paramètres et et
Donner les valeurs de l’espérance et de la variance de . Justifier
On introduit la variable aléatoire et l’on pose .
Vérifier que est une fonction polynôme de la variable .
Soit . La fonction étant continue sur le segment , elle y est uniformément continue (théorème de Heine). Ceci assure l’existence d’un réel vérifiant
Au surplus, la fonction étant continue sur un segment, elle y est bornée (théorème de la borne atteinte). Ceci permet d’introduire un réel vérifiant
Avec les notations ci-dessus, établir
et
Conclure qu’à partir d’un certain rang, on a
Ce résultat constitue une démonstration « probabiliste » du théorème de Stone-Weierstrass assurant que toute fonction réelle continue sur un segment peut être uniformément approchée par une fonction polynôme.
Solution
On sait et . On en déduit
Par l’inégalité de Bienaymé-Tchebychev, on peut affirmer
On en déduit
car pour tout .
Sachant que les valeurs prises par figurent parmi les avec , la formule de transfert donne
Ainsi,
La fonction est bien une fonction polynôme.
Sachant
on obtient
et donc
Aussi, lorsque , on a
et donc
Pour assez grand, on a et alors
Avec Python, écrire une fonction S(n,p) qui simule une variable aléatoire , où suit une loi binomiale .
En déduire une fonction test(n,p) qui affiche les courbes interpolant les points , puis
Que remarque-t-on?
Soit et . Montrer que .
On considère une variable aléatoire telle que et . Montrer que est d’espérance finie et
Soit des variables aléatoires centrées indépendantes telles que, pour tout , . On pose . Montrer
Soit . Montrer
En choisissant une bonne valeur de , montrer
Commenter le résultat observé à la première question.
Solution
import random as rnd import math def S(n,p): R = 0 for k in range(n+1): if rnd.random() < p: R = R + 1 return R/n import matplotlib.pyplot as plt def test(n,p): Lk = range(1,n) LS = [S(k,p) for k in Lk] Linf = [p - math.sqrt(math.log(k)/k) for k in Lk] Lsup = [p + math.sqrt(math.log(k)/k) for k in Lk] plt.clf() plt.plot(Lk,LS) plt.plot(Lk,Linf) plt.plot(Lk,Lsup)
On remarque que la courbe expérimentale est plutôt bien encadrée.
On a
La convexité de la fonction exponentielle produit alors le résultat voulu.
La variable aléatoire est bornée donc aussi qui est alors d’espérence finie. L’inégalité au-dessus permet d’écrire la comparaison
Par croissance et linéarité de l’espérance, il vient
Enfin, la nullité de l’espérance de permet de conclure
En développant en série entière et , on remarque car on peut comparer les termes sommés respectifs.
On écrit avec et et alors
Par indépendance et l’inégalité précédente
Par l’inégalité de Markov,
ce qui donne l’inégalité voulue.
On prend
est la somme de variables de Bernoulli indépendantes. En centrant celle-ci, on peut (avec largesse) prendre et alors
Avec , on obtient
Par passage à l’opposé de , on obtient l’autre inégalité.
Soient un espace probabilisé et une variable aléatoire centrée prenant ses valeurs dans .
Par un argument de convexité, montrer que, pour tout et tout ,
Soit . Montrer que existe et
Soit . Établir
Solution
On pose et la convexité de l’exponentielle donne
ce qui produit la comparaison voulue.
La variable est bornée et donc l’est aussi et par conséquent admet une espérance. Par ce qui précède, on a la comparaison
Par croissance de l’espérance et nullité de l’espérance de
Par développement en série entière et en employant , on obtient
Par l’inégalité de Markov, on a pour tout ,
Pour , il vient
En considérant , on obtient
et l’on conclut
Soit une variable aléatoires réelle discrète admettant une variance (avec ). Montrer
Solution
Par l’inégalité de Bienaymé-Tchebychev,
On conclut par considération d’évènement complémentaire.
(Inégalité de Chernoff)
Soit une variable aléatoire discrète prenant ses valeurs dans avec . On suppose que la variable est d’espérance nulle.
Soit une fonction de classe vérifiant
Montrer que pour tout .
Soit un réel. Montrer
En déduire
Soit un réel. Montrer
En déduire
Soient et des variables aléatoires indépendantes prenant leurs valeurs dans avec . On pose la somme de ces variables et l’on introduit un réel strictement positif.
Montrer que pour tout ,
En déduire l’inégalité de Chernoff
Soient des variables aléatoires indépendantes de loi uniforme sur . On pose .
Soient et des réels strictement positifs. Établir
En déduire que pour tout ,
On admettra l’inégalité pour tout .
Solution
Soient et des réels strictement positifs. Par stricte croissance de la fonction , on a l’égalité d’événements
Par l’inégalité de Markov11 1 L’inégalité de Markov propose une majoration de . Sachant , elle peut aussi être employée pour majorer . appliquée à la variable , il vient
On peut calculer l’espérance figurant en second membre par l’indépendance des variables qui entraîne22 2 Cette affirmation se justifie aisément par le théorème d’indépendance. celle des variables :
En exploitant l’inégalité de la question précédente, on poursuit
Il reste à choisir convenablement la valeur de . Pour33 3 Le polynôme du second degré est minimal en . , on conclut44 4 Ce résultat est un cas particulier de l’inégalité de Chernoff. Voir le sujet 5007.
Soient des variables aléatoires indépendantes de loi uniforme11 1 On dit que les variables suivent une loi de Rademacher. sur . On pose .
Soit . Montrer
Établir que pour tout ,
(Inégalité de Paley-Zygmund)
Soient une variable aléatoire discrète réelle admettant une variance finie non nulle et un réel vérifiant .
Établir
En déduire
Solution
On a et donc
Par croissance de l’espérance,
Par l’inégalité de Cauchy-Schwarz,
On en déduit
En élevant au carré, on obtient
puis l’inégalité voulue.
(Inégalité de Paley-Zygmund)
Soit une variable aléatoire positive, non constante et admettant un moment d’ordre .
Établir
Solution
Soit . En réorganisant les membres, il s’agit d’établir
ce qui fait penser à l’inégalité de Cauchy-Schwarz. Introduisons la variable aléatoire . Celle-ci vérifie et l’inégalité de Cauchy-Schwarz donne
Pour conclure, il suffit alors de vérifier
(car les membres sont positifs ce qui permet de conserver l’inégalité après élévation au carré). On remarque
Par croissance de l’espérance,
et l’on conclut en réorganisant les membres.
On suppose qu’une variable aléatoire suit une loi binomiale de paramètres et . Soit . Montrer
Solution
Par croissance des probabilités,
et par l’inégalité de Markov (la variable aléatoire considérée est à valeurs positives)
Or, pour toute variable aléatoire admettant un moment d’ordre , l’inégalité de Cauchy-Schwarz donne
Ainsi,
Au final, on conclut
Notons que cette inégalité est meilleure que celle de Bienaymé-Tchebychev seulement lorsque le majorant est supérieur à (autrement dit, elle n’est pas très utile).
(Inégalité de Kolmogorov)
Soient des variables aléatoires indépendantes centrées et d’écarts-type respectifs . Pour , on pose et
Exprimer l’événement en fonction des pour .
Vérifier
On pourra considérer .
En déduire
Comparer cette inégalité avec celle de Bienaymé-Tchebychev.
Solution
Immédiatement,
Les variables et sont indépendantes et donc
Les variables étant centrées, . Ainsi,
Par linéarité, il vient
puis, par développement,
On obtient ensuite la relation voulue en réorganisant les membres.
Les événements étant deux à deux incompatibles,
Pour ,
En sommant,
Les événements étant deux à deux incompatibles
puis
Enfin, la variable est centrée et les variables sont indépendantes donc
On conclut
L’inégalité de Bienaymé-Tchebychev pour une variable centrée s’exprime
Cette inégalité permet d’écrire
L’inégalité acquise précédemment est donc meilleure.
(Inégalité de Kolmogorov)
Sur un espace probabilisé , on considère des variables aléatoires discrètes réelles indépendantes, d’espérances nulles et admettant chacune un moment d’ordre 2. Pour tout , on note la somme des variables et l’on introduit un réel strictement positif.
Pour , on introduit l’événement
Justifier l’indépendance des variables et pour tout .
Montrer
En déduire
(Inégalité de Chernoff)
Soit une variable aléatoire centrée prenant ses valeurs dans avec .
Soit un réel. Montrer
En déduire .
Montrer à l’aide d’une étude de fonction
En déduire
Soient et des variables aléatoires indépendantes prenant leurs valeurs dans avec . On pose la somme de ces variables et l’on introduit un réel strictement positif.
Montrer que pour tout
En déduire l’inégalité de Chernoff
[<] Inégalités de concentration[>] Calcul d'espérance par les fonctions génératrices
Une urne contient 4 boules rapportant points. On y effectue tirages avec remise et l’on note le score total obtenu.
Déterminer la fonction génératrice de et en déduire la loi de .
Solution
Notons les variables aléatoires fournissant les points obtenus lors des tirages.
Les variables suivent la même loi de fonction génératrice
Puisque avec indépendantes on a
En développant la somme
Ceci détermine la loi de :
suit une loi binomiale de paramètre et : cela s’explique aisément car l’expérience de chaque tirage peut être modélisée par deux tirages successifs d’une pièce équilibrée.
Calculer la fonction génératrice d’une variable aléatoire suivant une loi de Poisson de paramètre .
À l’aide de leurs fonctions génératrices, déterminer la loi suivie par la somme de deux variables aléatoires indépendantes suivant des lois de Poisson de paramètres et strictement positifs.
Soient et deux variables aléatoires à valeurs dans indépendantes. On suppose que suit une loi de Poisson de paramètre .
Montrer que suit une loi de Poisson de paramètre si, et seulement si, suit une loi de Poisson de paramètre .
Solution
Rappellons que la fonction génératrice d’une variable aléatoire suivant une loi de Poisson de paramètre est
Si et suivent des lois de Poisson de paramètres et alors, par indépendance,
Ainsi, suit une loi de Poisson de paramètre .
Inversement, supposons que suive un loi de Poisson de paramètre . On a
donc
Ainsi, suit une loi de Poisson de paramètre .
Soient et deux variables aléatoires à valeurs dans .
On suppose que les fonctions génératrices de et sont égales sur . Justifier que et suivent la même loi.
Application : Soient et .
Par les fonctions génératrices, déterminer la loi de la somme de variables indépendantes suivant chacune une même loi de Bernoulli de paramètre .
Solution
L’unicité des coefficients d’un développement en série entière donne
Si suit une loi de Bernoulli de paramètre alors pour tout .
Si sont indépendantes de même loi que alors
On reconnaît la fonction génératrice d’une loi binomiale de paramètres et (et la fonction génératrice suffit à caractériser la loi).
Soit une variable aléatoire à valeurs dans .
Pour réel convenable, on pose
Montrer que la fonction est définie et continue sur .
Justifier que la fonction est croissante et convexe sur .
Solution
Posons pour . On remarque
Puisque la série converge (et est de somme ), la série de fonctions converge normalement sur . De plus, les fonctions sont continues et l’on peut donc affirmer que la fonction somme est définie et continue sur .
Les fonctions sont croissantes et convexes sur donc la somme l’est aussi (par convergence simple).
Soit une variable aléatoire prenant ses valeurs dans de fonction génératrice . On étudie l’événement .
Identifier la loi de la variable .
Exprimer en fonction de .
Application : Calculer lorsque suit une loi de Poisson de paramètre .
Soit une variable aléatoire à valeurs dans dont la fonction génératrice est
Calculer la loi de .
Reconnaître la loi de . En déduire l’espérance et la variance de .
Solution
Pour , on a par sommation géométrique
On en déduit la loi de : prend presque sûrement ces valeurs dans avec
Presque sûrement, prend ses valeurs dans avec
La variable suit une loi géométrique de paramètre . On sait alors et .
L’égalité donne et donc et .
Deux joueurs lancent chacun deux dés équilibrés et l’on veut calculer la probabilité que les sommes des deux jets soient égales. On note et les variables aléatoires déterminant les valeurs des dés lancés par le premier joueur et et celles associées au deuxième joueur.
Montrer que .
Déterminer la fonction génératrice de la variable .
En déduire la valeur de .
Montrer par les fonctions génératrices qu’il est impossible de « truquer » deux dés cubiques et indépendants pour que la somme d’un lancer suive une loi uniforme sur
Solution
La fonction génératrice d’une variable suivant une loi uniforme sur est la fonction polynomiale
Notons et les fonctions génératices de chacun des dés.
La fonction génératrice de la somme est donnée par
Pour que , il faut et auquel cas les facteurs de degré possèdent chacune une racine réelle non nulle. Cependant
n’en possède pas!
Soit une suite de variables aléatoires indépendantes et identiquement distribuées selon une loi de Bernoulli de paramètre . Aussi, soit une variable aléatoire à valeurs dans indépendante des précédentes. On considère les variables aléatoires
Pour et dans , exprimer à l’aide de la fonction génératrice de l’expression
On suppose que suit une loi de Poisson. Montrer que les variables et sont indépendantes.
Inversement, on suppose que les variables et sont indépendantes. Montrer que suit une loi de Poisson.
Soient et deux événements indépendants d’un espace probabilisé et la variable aléatoire .
Montrer que, parmi les événements , et , il y en a au moins un de probabilité supérieure à .
(Loi de Pascal)
Soit une suite de variables aléatoires indépendantes et identiquement distribuées selon une loi de Bernoulli de paramètre .
Pour , on définit une variable aléatoire à valeurs dans en posant
La variable se comprend comme le temps d’attente du -ième succès11 1 Cette variable est directement liée à la variable du sujet 4085: ..
Pour , calculer .
Montrer que l’événement est négligeable.
Soient des variables aléatoires indépendantes suivant chacune une loi géométrique de paramètre . Montrer que et suivent la même loi.
En déduire l’espérance et la variance de .
On considère un espace probabilisé .
Soient et deux événements. Montrer
Soient et deux variables aléatoires à valeurs dans . Montrer
Solution
L’événement est la réunion des événements incompatibles et . On en déduit
Or et donc
ce qui produit l’inégalité voulue.
Soit . Si ,
Par incompatibilité,
et donc
De même, on obtient encore cette inégalité si .
Soit un espace probabilisé.
Montrer que si et sont deux événements alors
Soient et deux variables aléatoires à valeurs dans . Établir
Soient une suites variables aléatoires à valeurs dans et définies sur . On suppose que pour tout , la suite est constante à partir d’un certain rang et l’on note la valeur de cette constante.
Vérifier que définit une variable alétoire sur à valeurs dans .
Montrer que la suite des fonctions converge uniformément vers sur .
Solution
Quitte à échanger, on peut supposer . On écrit
Par incompatibilité puis croissance,
Ainsi,
Soit .
Par le résultat qui précède,
Or
Ainsi,
Méthode: définit une application de vers l’ensemble dénombrable . Pour vérifier qu’il s’agit d’une variable aléatoire discrète, il reste à observer que, pour tout , désigne un événement.
Soit . Pour ,
On en déduit
Par opérations dans la tribu (rappelons que les sont des événements), on peut affirmer que .
Soit . Pour ,
et donc
Or
car, pour chaque , la suite est constante égale à à partir d’un certain rang. Puisque les événements forment une suite croissante, on a par continuité monotone
Or
et donc
On peut alors conclure à la convergence uniforme sur de la suite de fonctions vers .
[<] Fonctions génératrices[>] Marches aléatoires
Donner le rayon de convergence de la série entière
On note la somme de cette série entière.
Rappeler le développement en série entière de la fonction exponentielle et calculer pour tout réel convenable.
Une variable aléatoire à valeurs dans vérifie avec .
Déterminer puis pour .
Rappeler les expressions de l’espérance et de la variance à l’aide de la fonction génératrice et en déduire et .
Solution
Par application de la règle de d’Alembert, .
Pour tout
et donc
détermine . On en déduit
Si est deux fois dérivable en ,
Ici, on obtient et .
(Loi binomiale négative11 1 Cette loi étudie le nombre d’échecs précédant le -ième succès lors de la répétition d’épreuves de Bernoulli indépendantes de même paramètre .)
Soient , et une variable aléatoire à valeurs dans telle qu’il existe un réel pour lequel
Calculer la fonction génératrice de .
On rappelle l’identité binomiale22 2 Voir le sujet 3931. Cette identité est souvent utilisée en calcul des probabilités.:
Déterminer la valeur de .
Calculer espérance et variance de la variable .
Soient et une variable aléatoire à valeurs naturelles dont la loi est donnée par
En employant la fonction génératrice de , déterminer et calculer l’espérance et la variance de .
Solution
On introduit la fonction génératrice de :
Puisque
on obtient
Sachant , on en tire la valeur de
On peut ensuite calculer espérance et variance
Soient , et une variable aléatoire à valeurs naturelles dont la loi est donnée par
En employant la fonction génératrice de , déterminer et calculer l’espérance et la variance de .
Solution
On introduit la fonction génératrice de :
Puisque
on obtient
Sachant , on en tire la valeur de
On peut ensuite calculer espérance et variance
Soit une variable aléatoire suivant une loi de Poisson de paramètre .
Rappeler la fonction génératrice de la variable .
Exploiter celle-ci pour calculer le moment centré d’ordre 3 de la variable .
Solution
On a
, et .
On en déduit
puis
Soit une variable aléatoire suivant une loi de Poisson de paramètre .
Calculer
Retrouver ce résultat par les fonctions génératrices.
Solution
Par la formule de transfert
La fonction génératrice de est
Celle-ci est indéfiniment dérivable sur et
En particulier
Soit une variable aléatoire suivant une loi géométrique de paramètre .
Calculer
Retrouver ce résultat par les fonctions génératrices.
Solution
Par la formule de transfert
Or
donc
La fonction génératrice de est
Celle-ci est indéfiniment dérivable sur et
En particulier
On considère une expérience aléatoire ayant la probabilité de réussir et d’échouer.
On répète l’expérience indépendamment jusqu’à obtention de succès et l’on note le nombre d’essais nécessaires à l’obtention de ces succès.
Reconnaître la loi de .
Déterminer la loi de dans le cas général .
Exprimer le développement en série entière de
Déterminer la fonction génératrice de et en déduire son espérance.
Solution
suit une loi géométrique de paramètre .
Notons la suite des variables de Bernoulli testant la réussite de chaque expérience.
L’évènement est la réunion correspond à l’évènement et soit encore
et . Par indépendance
Puisque et , on obtient
et écriture vaut aussi quand car le coefficient binomial est alors nul.
En exploitant le développement connu de , on obtient
Par définition
En isolant les premiers termes nuls et en décalant l’indexation
On en déduit
(Urnes d’Ehrenfest)
On considère deux urnes et ainsi que boules numérotées de à . Initialement, toutes les boules sont dans l’urne . À chaque pas de temps, on tire un numéro entre et selon une loi uniforme et l’on transfère la boule dans l’urne où elle n’est pas. On note le nombre de boules dans l’urne au bout de étapes. En particulier, vaut .
Déterminer la loi de et .
Pour , exprimer la loi de en fonction de celle de .
On note la fonction génératrice de la variable . Établir
Déterminer la limite de lorsque tend vers l’infini.
Solution
La variable est constante égale à .
La variable prend les valeurs ou selon que la boule tirée est la première étape est la même ou non que celle tirée à la deuxième étape. En introduisant l’événement
on obtient
Soit . Selon que la boule choisie lors de l’étape figure ou non dans l’urne , on a . Puisqu’il y a boules dans l’urne et que le tirage est uniforme
et
Par la formule des probabilités totales, on obtient
pour mais aussi pour et .
La variable prend ses valeurs dans et donc
Alors
Par glissement d’indice puis réorganisation du calcul,
On sait . Par dérivation, la relation précédente donne
et donc
La suite est arithmético-géométrique. On sait exprimer son terme général
On en déduit
ce qui est conforme à l’intuition.
(Processus de Galton-Watson11 1 Si la variable détermine le nombre d’individus d’une population et le nombre de descendants que chaque individu peut engendrer, la variable correspond à la population à la génération suivante.)
Soit une suite de variables aléatoires indépendantes et identiquement distribuées selon la loi d’une variable à valeurs dans . Soit aussi une variable aléatoire à valeurs dans indépendantes des précédentes. On étudie .
Justifier que est une variable aléatoire prenant ses valeurs dans .
Établir pour tout de .
On suppose que les variables et admettent chacune une espérance finie. Établir l’identité de Wald: .
Soient un espace probabilisé, une variable aléatoire à valeurs dans , une suite de variables aléatoires i.i.d suivant la loi de et une variable aléatoire indépendante des et à valeurs dans . Pour , on pose
Soient , et les séries génératrices de , et . Montrer
On suppose que et possèdent une espérance. Montrer que possède une espérance et la calculer.
On suppose que et ont un moment d’ordre . Montrer que possède un moment d’ordre et calculer la variance de .
On étudie la transmission du nom de famille au cours des générations dans une société patriarcale. On suppose que le nombre de descendants masculins d’un individu suit une loi de Poisson de paramètre . On note le nombre d’individus masculins au début de l’étude, le nombre de descendants à la -ième génération. On suppose que .
Écrire une fonction Python renvoyant le nombre de descendants masculins à la -ième génération.
Fixer et . Calculer une moyenne, sur un grand nombre de mesures, du nombre de descendants masculins. Comparer à .
Solution
Pour
car l’événement est la réunion disjointe des événements . Par indépendance puis réoganisation du calcul de la somme d’une famille sommable, il vient
Enfin, par indépendance, et l’on conclut .
et sont dérivables en donc aussi et alors admet une espérance:
et sont deux fois dérivables en donc aussi et alors admet un moment d’ordre 2.
Au terme des calculs,
On évite d’écrire lambda
qui est un mot clé Python.
import random as rnd import math def poisson(l): x = rnd.random() n = 0 p = math.exp(-l) while x > p: x = x - p n = n + 1 p = p * l/n return n def generation(n,l): Z = 1 for k in range(n): S = 0 for z in range(Z): S = S + poisson(l) Z = S return Z
def esperance(N): n = 10 l = 1.8 E = 0 for i in range(N): E = E + generation(n,l) E = E / N return E, l**n
car (car correspond à ) et donc .
Soient une suite de variables aléatoires i.i.d. à valeurs dans et une variable aléatoire à valeurs dans , indépendante des . On suppose que ces variables aléatoires admettent une espérance finie. On pose
Avec Python:
Pour , , et , écrire une fonction qui simule .
Vérifier que .
Pour , on pose en convenant que si pour tout .
Dans le cas où , écrire une fonction simulant la variable et l’utiliser pour vérifier que
Montrer que pour tout , .
Montrer que .
On suppose bornée mais plus nécessairement à valeurs entières.
On considère à nouveau la variable précédemment introduite, on admet que est d’espérance finie et on pose
Justifier que est d’espérance finie et que .
On montrera que
Solution
import numpy.random as rd a = -1 b = 2 lamb = 4 def S(): N = rd.poisson(lamb) res = 0 for _ in range(N): res += rd.uniform(a, b) return res
def Esp_S(n = 10_000): E = 0 for _ in range(n): E += S() return E/10_000 print(Esp_S(), (a+b)*lamb/2)
def T(alpha, beta, n = 100_000): S = 0 for k in range(1, n+1): S += rd.randint(-1, 2) if S <= alpha or S >= beta: return k return 0 def Esp_T(alpha, beta, n = 10_000): E = 0 for _ in range(n): E += T(alpha, beta) return E/10_000 alpha = -2 beta = 3 print(Esp_T(alpha, beta), 3*abs(alpha*beta)/2)
Soit .
Par la formule des probabilités totales,
La famille considérée est sommable et cela permet de réorganiser la sommation
La variable étant indépendante de ,
Or les variables sont indépendantes et donc
On conclut
L’existence des espérances assurent la dérivabilité de et en . Par composition (et parce que ), on peut affirmer que est dérivable en . Ainsi, admet une espérance finie et
On a
Les variables sont bornées. On peut donc introduire tel que soit positive pour tout . En établissant la propriété demandée pour les variables positives , on peut aisément l’étendre aux variables initiales puisque
Sans perte de généralité, on suppose désormais les variables à valeurs positives. Cela permet de manipuler des espérances définies dans . On introduit aussi tel que pour tout . On va établir
Cela revient à démontrer
Par croissance,
Or la variable est à valeurs dans et d’espérance finie donc
On en déduit
On a donc acquis
Cela se relit par linéarité
L’événement est fonction de donc indépendant de . On a alors
Par unicité des limites,
[<] Calcul d'espérance par les fonctions génératrices[>] Convergences
Soit une suite de variables aléatoires suivant chacune une loi de Bernoulli de paramètre . On suppose qu’il existe deux réels tels que
Déterminer la limite de .
Solution
Par la formule des probabilités totales,
Si la suite admet une limite finie , celle-ci doit vérifier
et donc
Considérons cette valeur. On remarque
et donc, par récurrence,
Puisque , on obtient que tend vers .
Un individu se déplace sur l’axe . À l’instant , il se positionne en et à chaque instant , il progresse d’une ou deux unités selon le résultat du lancer d’une pièce non équilibrée: s’il obtient pile (avec probabilité ), il se déplace d’une unité et, s’il obtient face, il se déplace de deux unités.
On note la probabilité que l’individu passe par l’abscisse lors de son périple.
Calculer , et .
Établir
puis exprimer en fonction de .
Solution
Pour et , introduisons les événements
et
Par lecture de l’expérience, on a immédiatement et donc . Aussi, et donc .
Il y a deux scénarios qui conduisent l’individu à passer par l’abscisse : . Par incompatibilité puis indépendance,
La famille est un système complet d’événements. Par la formule des probabilités totales,
Or et donc
La suite est une suite récurrente linéaire d’ordre d’équation caractéristique . Cette équation admet deux racines distinctes et . Le terme général de s’exprime
Les valeurs et déterminent et :
On obtient donc
Soit une suite de variables aléatoires indépendantes et identiquement distribuées selon la loi d’une variable telle que
Pour tout , on pose et .
Déterminer .
Pour , on introduit l’événement
Pour . Déterminer la probabilité conditionnelle .
Justifier
En déduire que pour tout .
Soit . Que vaut
Soit . Montrer que, presque sûrement, la suite prend une infinité de fois la valeur .
Solution
La variable suit une loi de Bernoulli de paramètre , la variable suit alors une loi binomiale de paramètres et . On obtient alors
Pour ,
Par indépendance,
Par symétrie de l’expérience,
De la même façon,
En considérant le système complet d’événements constitué de et , la formule des probabilités totales donne
La suite est une suite récurrente linéaire d’ordre d’équation caractéristique de racine double . Le terme général de la suite est donc de la forme
La suite est une suite de probabilités, elle est donc bornée et l’on en déduit . De plus, on a évidemment et donc pour tout .
Pour , on a immédiatement
Pour , on observe que et suivent la même loi pour employer le résultat qui précède
Pour , on introduit
qui mesure la probabilité que la suite prend une infinité de fois la valeur . Comme au-dessus, on établit ce qui montre que la suite est constante. Il reste à déterminer ce que l’on résout en étudiant l’événement contraire
Pour , on remarque
et
avec
Ainsi,
et de même
Par réunion dénombrable d’événements négligeables et passage à l’événement contraire, on conclut que la suite est constante égale à .
(Marche aléatoire sur )
Soit une suite de variables aléatoires indépendantes et identiquement distribuées selon une loi uniforme sur .
Pour , on pose11 1 La suite s’interprète comme une marche aléatoire sur la grille amorcée en et qui, à chaque étape, passe aléatoirement d’une case à une case voisine. ainsi que .
On note et les variables aléatoires déterminées par et l’on introduit
Les variables et sont-elles indépendantes?
Les variables et sont-elles indépendantes?
Plus généralement, établir que les variables sont indépendantes.
Calculer .
On note le nombre de pour lesquels .
Montrer que tend22 2 Autrement dit, la marche aléatoire passe en moyenne une infinité de fois par . On peut aussi montrer, et cela est plus fort, qu’il est presque sûr que la marche passe une infinité de fois par . vers lorsque tend vers .
Un pion se déplace sur des cases numérotées par les entiers naturels. Initialement, il se trouve sur la case et à chaque instant, il se déplace d’un nombre strictement positif de cases. On note la variable aléatoire donnant le nombre de cases parcourues lors de la -ème étape. On suppose que les sont indépendantes et suivent la même loi. On pose
qui donne la position du pion à l’instant ,
Enfin, on introduit .
On suppose que suit la loi de Bernoulli de paramètre .
Écrire en Python une fonction qui prend un paramètre entier et qui renvoie si le pion atteint la case et sinon.
Écrire une fonction qui, sur une trentaine d’essais, renvoie la proportion de fois où le pion atteint la case . Comparer à .
On note l’événement: « le pion atteint la case » et .
Décrire l’événement à l’aide des variable aléatoires .
Calculer pour .
En déduire
Justifier la définition de
et montrer que .
Calculer dans le cas où suit une loi de Bernoulli de paramètre et en déduire les .
On suppose que prend un nombre fini de valeurs et que les entiers tels que sont premiers entre eux dans leur ensemble. Montrer que tend vers .
Solution
import random as rnd def atteint(k,p): Y = 0 while Y < k: x = rnd.random() if x < p: Y = Y + 2 else: Y = Y + 1 if Y == k: return 1 else: return 0 def repete(k,p,N): x = 0 for i in range(N): x = x + atteint(k,p) return x/N,1/(1+p)
Si ,
Si , par incompatibilité des événements (car les prennent des valeurs strictement positives)
La famille des avec est un système complet d’événements et donc
en posant .
La suite est une suite de probabilité: elle est bornée et la série entière est de rayon de convergence au moins égale à .
Par produit de Cauchy de série absolument convergentes
On en déduit la relation proposée.
Si suit une loi de Bernoulli
Par décomposition en éléments simples
et donc
La fonction est un polynôme qui prend la valeur en :
Vérifions que ne possède pas d’autres racines que de module inférieur à .
Supposons . Si , on a par inégalité triangulaire
On en déduit pour tout compris entre et . Les indices tels que les sont non nuls étant premiers dans leur ensemble, il vient11 1 Si sont les indices pour lesquels , il suffit d’écrire avec entiers tels que . . De plus, par égalité dans l’inégalité triangulaire complexe, les ont le même argument lorsqu’ils sont non nuls. Aussi, leur somme est égale à et l’on en tire que les sont tous égaux à . Par le même argument qu’au-dessus, il vient .
est racine simple de la fraction et ses autres racines complexes sont de modules strictement supérieurs à . La décomposition en éléments simples de donne l’écriture
avec et dont la décomposition en série entière est de rayon de convergence et dont les coefficients sont donc de limite nulle. On en déduit que tend vers quand tend vers l’infini.
Une matrice est dite strictement stochastique si tous les sont strictement positifs et
Écrire une fonction stocha(n) qui renvoie une matrice strictement stochastique aléatoire de taille .
On fixe B = stoch(3).
Trouver des colonnes et de coordonnées strictement positifs telles que et .
On pose . Observer que converge vers .
Une particule se déplace aléatoire sur points numérotés de à . À l’instant , la particule reste à la place qu’elle occupe avec une probabilité ou se déplace sur les autres points avec une probabilité uniforme. On note la variable aléatoire qui donne la position de la particule à l’instant et
Montrer qu’il existe une matrice strictement stochastique telle que et expliciter celle-ci.
En déduire une expression de en fonction de , et .
Sans calculs, justifier que est diagonalisable. Expliciter ses valeurs propres et ses sous-espaces propres.
Déterminer la limite de .
Solution
On forme un tableau aléatoire de valeurs strictement positives puis on divise les coefficients par la somme de la ligne qui les contient:
import numpy as np import numpy.random as rd import numpy.linalg as alg def stocha(n): M = rd.random((n, n)) for i in range(n): S = sum(M[i, :]) M[i, :] = M[i, :] / S return M
On peut récupérer les valeurs de x et y à la main ou bien de façon plus programmée comme ci-dessous.
B = stocha(3) vp, P = alg.eig(B) x = P[:,np.where(np.isclose(vp,1.))[0]] C = B.T vp, P = alg.eig(C) y = P[:,np.where(np.isclose(vp,1.))[0]]
On vérifie l’affirmation avec une valeur de suffisante.
L = np.dot(x, y.T) / np.dot(x.T, y) print(L - alg.matrix_power(B,100))
On pourrait aussi calculer la norme euclidienne de la matrice différence puis tracer son évolution lorsque varie.
import matplotlib.pyplot as plt plt.plot([alg.norm(L - alg.matrix_power(B,k)) for k in range(100)]) plt.show()
En vertu de l’expérience
avec déterminé par .
On remarque et par récurrence .
La matrice est symétrique réelle donc diagonalisable.
Après calculs, son polynôme caractéristique est
Les sous-espaces propres de sont
Par orthodiagonalisation et sachant , on montre
Donc
Puisque la somme des coefficients de vaut ,
Soit une suite de variables aléatoires indépendantes telle que, pour tout , suit une loi de Poisson de paramètre . On suppose que la série converge.
Montrer la convergence de la série .
Montrer
En déduire que, presque sûrement, la série converge.
Établir que suit une loi de Poisson de paramètre .
Solution
La suite est nécessairement de limite nulle car la série associée converge. Pour ,
Par équivalence de séries à termes positifs, la série converge.
Soit . Par l’inégalité de Boole,
Or
car le reste d’une série convergente est de limite nulle. Par continuité monotone,
Par passage à l’événement contraire,
Cela signifie qu’il est presque sûr que la suite est nulle à partir d’un certain rang et la série est alors convergente.
Soit . L’événement est la réunion croissante des événements
Par continuité monotone,
Par indépendance,
Puisque suit une loi de Poisson de paramètre , il vient
Aussi, par passage à l’événement contraire,
On conclut
(Convergences probabilistes)
Soient une variable aléatoire réelle sur un espace probabilisé et une suite de variables aléatoires réelles sur ce même espace.
Montrer que l’ensemble des tels que tend vers constitue un événement.
On dit que la suite converge presque sûrement vers la variable lorsque
On dit que la suite converge en probabilité11 1 On définit encore d’autres types de convergence. Par exemple, dans l’espace , on introduit la convergence par . Il s’agit presque d’une convergence dans un espace normé, l’application étant une semi-norme sur : elle vérifie les axiomes définissant une norme sauf celui de séparation. Par l’inégalité de Markov, la convergence entraîne la convergence en probabilité. vers22 2 Il n’y a pas exactement unicité de la variable vers laquelle la convergence a lieu. Plus précisément, s’il y a convergence en probabilité vers deux variables et celles-ci ne sont que presque sûrement égales. la variable si, pour tout ,
Montrer que la convergence presque sûre entraîne la convergence en probabilité.
On suppose que pour tout , il y a convergence de la série de terme général . Montrer à l’aide du résultat du sujet 4000 que la suite converge presque sûrement vers la variable .
Montrer que la convergence en probabilité de vers entraîne la convergence presque sûre d’une suite extraite vers .
(Loi forte des grands nombres)
Soit une suite de variables aléatoires deux à deux indépendantes et identiquement distribuées selon une loi admettant une espérance et une variance . On pose
et l’on souhaite établir
Montrer que l’on peut supposer .
On conservera cette hypothèse dans la suite de l’étude.
Soit . Montrer
À l’aide du sujet 4381, établir que la suite extraite converge presque sûrement vers .
Pour , on pose égal à la partie entière de la racine carrée de et l’on introduit
Soit . Montrer
Conclure.
Édité le 09-06-2025
Bootstrap 3
-
LaTeXML
-
Powered by MathJax