[<] Loi conjointes, Loi marginales [>] Calcul d'espérances et variances

 
Exercice 1  5581  Correction  

Soit X une variable aléatoire réelle presque sûrement bornée.

Montrer que X admet une espérance finie.

Solution

Méthode: S’il existe une variable aléatoire Y d’espérance finie telle que |X|Y presque sûrement alors X admet une espérance finie.

Affirmer que la variable aléatoire X est presque sûrement bornée signifie qu’il existe M+ tel que |X|M presque sûrement. Puisque la variable aléatoire constante égale à M admet une espérance finie, par domination, X admet aussi une espérance finie.

 
Exercice 2  5093  Correction  

Soit X une variable aléatoire réelle admettant une variance.

  • (a)

    Justifier

    X=X1(X0)
  • (b)

    En déduire

    E(X)2E(X2)P(X0).

Solution

  • (a)

    L’égalité est vraie lorsque la valeur de la variable X est non nulle car la fonction indicatrice prend la valeur 1 et l’égalité est aussi vraie lorsque X prend la valeur nulle.

  • (b)

    Méthode: On applique l’inégalité de Cauchy-Schwarz à l’étude de l’espérance du produit des variables X et 1(X0).

    Les variables X et 1(X0) admettant chacune une variance, l’inégalité de Cauchy-Schwarz donne

    E(X1(X0))2E(X2)E(1(X0)2)

    avec

    E(X1(X0))=E(X)etE(1(X0)2)=E(1(X0))=P(X0).

    On en déduit11 1 Cela entraîne E(X)2E(X2) ce qui découle aussi de V(X)=E(X2)E(X)20.

    E(X)2E(X2)P(X0).
 
Exercice 3  5860   Correction  

Soit X une variable aléatoire réelle centrée admettant une variance. Établir

E(|X|)V(X).

Solution

Pour X,YL2, l’inégalité de Cauchy-Schwarz s’exprime

E(XY)2E(X2)E(Y2). (1)

D’une part,

V(X)=E(X2)-E(X)2=E(X2).

D’autre part, considérons Y prenant les valeurs ±1 de sorte que XY=|X|. On a

V(Y)=E(Y2)-E(Y)2E(Y2)=1

car Y2 est constante égale à 1.

L’inégalité (1) donne alors

E(|X|)V(X).
 
Exercice 4  5411    MINES (MP)Correction  

(Inégalité de Jensen)

Soient f: une fonction dérivable convexe et X une variable aléatoire réelle admettant une espérance finie.

  • (a)

    Montrer

    f(X)f(E(X))+f(E(X))(XE(X)).
  • (b)

    En déduire que si f(X) admet une espérance finie alors

    E(f(X))f(E(X)).

Solution

  • (a)

    Puisque f est dérivable et convexe, le graphe de f est au-dessus de chacune de ses tangentes. Une équation de la tangente à f en a est

    y=f(a)+f(a)(xa)

    et donc

    x,f(x)f(a)+f(a)(xa).

    L’inégalité voulue est alors conséquence de la comparaison précédente pour a=E(X).

  • (b)

    Par croissance de l’espérance puis linéarité

    E(f(X)) E(f(E(X))+f(E(X))(XE(X)))
    f(E(X))+f(E(X))(E(X)E(X)=0)=f(E(X)).
 
Exercice 5  5412     MINES (MP)Correction  

Soient X et Y deux variables aléatoires indépendantes à valeurs strictement positives et de même loi. Établir

E(XY)1.

Solution

Par indépendance,

E(XY)=E(X)E(1Y).

Par correspondance des lois,

E(X)E(1Y)=E(Y)E(1X).

Ainsi,

E(XY)=E(YX).

Or

E(XY)+E(YX)=E(XY+YX)E(2)=2

car, pour tout x,

x+1x2.

On en déduit la comparaison voulue.

 
Exercice 6  5415  Correction  

Soit X une variable aléatoire à valeurs dans . On suppose que X admet une espérance finie. Montrer

nP(Xn)n+0.

Solution

Par hypothèse, la série kP(X=k) converge et donc, pour n,

0nP(Xn) =nk=n+P(X=k)
k=n+kP(X=k)n+0

car le reste d’une série convergente est de limite nulle.

 
Exercice 7  5280     NAVALE (MP)Correction  

Soit X une variable aléatoire à valeurs dans admettant une espérance finie.

  • (a)

    Montrer que pour tout entier naturel n,

    k=0nP(X>k)=k=0nkP(X=k)+(n+1)P(X>n).
  • (b)

    En déduire une expression de E(X).

Solution

  • (a)

    Raisonnons par récurrence sur n.

    La propriété est immédiate pour n=0.

    Supposons la propriété vraie au rang n0. En isolant un terme de la somme et en employant l’hypothèse de récurrence,

    k=0n+1P(X>k) =k=0nP(X>k)+P(X>n+1)
    =k=0nkP(X=k)+(n+1)P(X>n)+P(X>n+1).

    En écrivant

    P(X>n)=P(X=n+1)+P(X>n+1)

    on poursuit le calcul afin de former la relation attendue

    k=0n+1P(X>k) =k=0nkP(X=k)+(n+1)P(X=n+1)+(n+2)P(X>n+1)
    =k=0n+1kP(X=k)+(n+2)P(X>n+1).

    La récurrence est établie.

  • (b)

    Pour tout n,

    0(n+1)P(X>n)=k=n+1+(n+1)P(X=k)k=n+1+kP(X=k).

    Le reste d’une série convergente étant de limite nulle, on obtient par encadrement

    (n+1)P(X>n)n+0.

    On en déduit

    E(X)=n=0+P(X>n)

    avec convergence de la série introduite.

 
Exercice 8  4026   

Soit X une variable aléatoire à valeurs dans .

Montrer que X admet une espérance finie si, et seulement si, la série P(X>n) converge et qu’alors11 1 Cette identité sera souvent utilisée par la suite.

E(X)=n=0+P(X>n).
 
Exercice 9  5473   Correction  

Soit X une variable aléatoire à valeurs dans admettant une variance. Établir

E(X2)=n=0+(2n+1)P(X>n).

Solution

Pour une variable aléatoire X à valeurs dans admettant une espérance finie, on sait

E(X)=n=0+P(X>n)

avec convergence de la série exprimant le second membre.

On emploie ici ce résultat pour la variable X2 et l’on écrit

E(X2)=n=0+P(X2>n)

avec convergence de la série à termes positifs exprimant le second membre.

Visualisons les premiers termes de cette somme:

E(X2) =P(X2>0)+P(X2>1)+P(X2>2)+P(X2>3)+P(X2>4)+
=P(X>0)+P(X>1)+P(X>2)+P(X>3)+P(X2>2)+

Puisque X prend ses valeurs dans ,

P(X>n)=P(X>n)

et donc

E(X2)=P(X>0)+P(X>1)+P(X>1)+P(X>1)+P(X>2)+

Par sommation par paquets, regroupons entre eux les termes égaux

E(X2)=N=0+(N2n<(N+1)2P(X2>n)).

avec, pour tout nN2;(N+1)21,

P(X2>n)=P(X2>N2)=P(X>N)

La somme comportant 2N+1 termes identiques,

N2n<(N+1)2P(X2>n)=(2N+1)P(X>N).

On en déduit

E(X2)=N=0+(2N+1)P(X>N)

avec convergence de la série exprimant le second membre.

 
Exercice 10  5283   Correction  

Soit X une variable aléatoire réelle prenant un nombre fini de valeurs.

  • (a)

    On suppose que X prend des valeurs toutes positives. Établir

    E(X)=0+P(X>t)dt.
  • (b)

    On suppose que les valeurs prises par X sont de signes quelconques. Proposer une expression de E(X) comme somme de deux intégrales.

Solution

  • (a)

    On remarque que la fonction tP(X>t) est en escalier et, par conséquent, continue par morceaux. Au surplus, celle-ci est identiquement nulle pour t assez grand11 1 Précisément, P(X>t)=0 dès que t est supérieur à la valeur maximale prise par X. et il est possible d’introduire l’intégrale étudiée. Notons x1<<xn les valeurs prises par X. Par la relation de Chasles,

    0+P(X>t)dt=k=1nxk-1xkP(X>t)dt

    en posant x0=0. Pour t dans l’intervalle [xk-1;xk[, la probabilité P(X>t) est constante égale à la somme des P(x) pour k;n. On a donc

    0+P(X>t)dt=k=1n(xk-xk-1)=knP(x).

    Ceci conduit à considérer une somme triangulaire où l’on échange les deux signes sommes,

    0+P(X>t)dt==1nk=1(xk-xk-1)P(x)==1n(x-x0)P(x)=E(X).
  • (b)

    Si X est une variable aléatoire à valeurs négatives, on obtient en considérant -X puis en réalisant le changement de variable u=-t

    E(X)=-0+P(-X>t)dt=-0+P(X<-t)dt=--0P(X<u)du.

    Si X est une variable aléatoire à valeurs de signes quelconques, on l’écrit X=X1+X2 avec X1=X1(X0) et X2=X1(X<0). On a alors

    E(X)=E(X1)+E(X2)=0+P(X1>t)dt--0P(X2<t)dt.

    Cependant, pour tout t0, (X1>t)=(X>t) tandis que (X2<t)=(X<t) pour tout t<0. On en déduit

    E(X)=0+P(X>t)dt--0P(X<t)dt.
 
Exercice 11  5852   Correction  

Soit X une variable aléatoire à valeurs dans d’espérance finie.

Établir

k=1nP(X<k)n+n.

Solution

Pour k*, on a

P(X<k)=P(X=0)++P(X=k-1).

Pour n*, en réorganisant le calcul de la somme

k=1nP(X<k) =k=0n-1i=0k-1P(X=i)=i=0n-1k=in-1P(X=i)=i=0n-1(n-i)P(X=i)
=nk=0n-1P(X=i)-i=0n-1iP(X=i).

D’une part,

i=0n-1P(X=i)n+i=0+P(X=i)=1

et donc

ni=0n-1P(X=i)n+n.

D’autre part

i=0n-1iP(X=i)n+E(X)

et donc

i=0n-1iP(X=i)=n+o(n).

On conclut

k=1nP(X<k)n+n.
 
Exercice 12  5859   Correction  

(Fonction caractéristique)

On appelle fonction caractéristique d’une variable aléatoire X prenant ses valeurs dans , l’application φX: donnée par

φX(t)=E(eitX).
  • (a)

    Vérifier que φX est définie, continue sur et 2π-périodique.

  • (b)

    Soient X et Y deux variables aléatoires indépendantes à valeurs dans . Établir

    φX+Y=φXφY.
  • (c)

    Soient X et Y deux variables aléatoires à valeurs dans . Établir

    φX=φYX et Y suivent la même loi.
  • (d)

    Application : Retrouver que la somme de deux variables aléatoires indépendantes suivant des lois Poisson suit une loi de Poisson.

Solution

  • (a)

    Pour tout t, la variable aléatoire eitX est bornée, elle admet donc une espérance et cela assure la définition φX(t). De plus, la formule de transfert donne

    φX(t)=nun(t) avec un(t)=eintP(X=n).

    Les fonctions un sont continues et la série de fonctions un converge normalement11 1 Contrairement à l’usage, n 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

    nsupt|un(t)|=nP(X=n)<+

    On en déduit que la fonction φX est continue. Aussi, cette fonction est 2π-périodique car chacune des fonctions un l’est.

  • (b)

    Notons que X+Y prend ses valeurs dans ce qui autorise à introduire sa fonction caractéristique. Pour t,

    φX+Y(t)=E(eit(X+Y))=E(eitXeitY).

    Or les variables X et Y sont indépendantes et donc eitX et eitY le sont aussi. L’espérance du produit de ses variables est alors le produit des espérances

    φX+Y(t)=E(eitX)E(eitY)=φX(t)φY(t).
  • (c)

    Remarquonq que, pour tout k,

    02πeiktdt={2π si k=00 si k*.

    Supposons φX=φY.

    Soit k. On a

    02πφX(t)e-iktdt=02πφY(t)e-iktdt.

    Or

    02πφX(t)e-iktdt=02πnei(n-k)tP(X=n)dt.

    Les fonctions vn:tei(n-k)tP(X=n) sont continues sur [0;2π] et la série vn converge normalement sur [0;2π] par des arguments analogues à ceux déjà dits: on peut intégrer terme à terme

    02πφX(t)e-iktdt=n02πei(n-k)tP(X=n)dt.

    Compte tenu du calcul initial, on simplifie la somme

    02πφX(t)e-iktdt=2πP(X=k).

    De la même façon,

    02πφY(t)e-iktdt=2πP(Y=k)

    et donc P(X=k)=P(Y=k). Puisque cela vaut pour tout k, les variables aléatoires X et Y suivent la même loi.

  • (d)

    Si X suit une loi de Poisson de paramètre λ>0,

    t,φX(t)=neinte-λλnn!=e-λn=0+(λeit)nn!=e-λeλeit.

    Si X et Y suivent des lois de Poisson indépendantes de paramètres λ et μ>0,

    φX+Y(t)=φX(t)φY(t)=e-λ-μe(λ+μ)eit.

    On reconnaît la fonction caractéristique d’une loi de Poisson de paramètre λ+μ et donc X+Y suit une telle loi.

 
Exercice 13  5856   Correction  

(Formule de Wald)

Soit (Xn)n* une suite de variables aléatoires indépendantes et identiquement distribuées suivant la loi d’une certaine variable réelle X. Soit aussi N une variable aléatoire à valeurs dans indépendante des variables Xn. On pose

S=k=1NXk.

On admet que S définit une variable aléatoire11 1 Voir sujet 4046.

On suppose X et N admettent une espérance. Établir que S admet une espérance et vérifier E(S)=E(N)E(X).

Solution

La famille (N=n)n constitue un système complet d’événements.

Pour x,

(S=x) =n(S=x,N=n)
=n(k=1NXk=x,N=n)
=n(k=1nXk=x,N=n).

Par incompatibilité puis indépendance,

P(S=x) =n=0+P(k=1nXk=x,N=n)
=n=0+P(k=1nXk=x)P(N=n).

En conduisant le calcul dans [0;+],

x|x|P(S=x)=xn=0+|x|P(k=1nXk=x)P(N=n).

Les termes étant tous positifs, on peut réorganiser le calcul de la somme

x|x|P(S=x)=n=0+x|x|P(k=1nXk=x)P(N=n).

Par la formule du transfert,

x|x|P(S=x)=n=0+E(|k=1nXk|)P(N=n).

Or

E(|k=1nXk|)k=1nE(|Xk|)=nE(X)

et donc

x|x|P(S=x)n=0+nE(|X|)P(N=n)=E(|X|)E(N)<+.

Par conséquent, la famille (|x|P(S=x))x est sommable: la variable S admet une espérance finie.

On reprend les calculs précédents sachant la sommabilité

E(S) =xxP(X=x)
=xn=0+xP(k=1nXk=x)P(N=n)
=n=0+xxP(k=1nXk=x)P(N=n)
=n=0+E(k=1nXk)P(N=n)
=n=0+nE(X)P(N=n)=nE(X)E(N).
 
Exercice 14  5851   Correction  

(Espérance conditionnelle)

Soit X une variable aléatoire sur un espace probabilisé (Ω,𝒜,P).

Pour A événement non négligeable et sous réserve d’existence, on introduit, l’espérance conditionnelle de X sachant A égale à l’espérance de X pour la probabilité conditionnelle PA:

E(XA)=xX(Ω)xP(X=xA).

On suppose que X est d’espérance finie.

  • (a)

    Justifier l’existence de E(XA) et vérifier

    E(XA)=E(1AX)P(A).
  • (b)

    Soit (Ai)iI un système complet d’événements non négligeables. Vérifier

    E(X)=iIE(XAi)P(Ai).

Solution

  • (a)

    Pour xX(Ω),

    |x|P(X=xA)=|x|P(X=xA)P(A)|x|P(X=x)P(A).

    Puisque X est d’espérance finie, la famille (xP(X=x))xX(Ω) est sommable. Par domination, la famille (xP(X=xA))xX(Ω) est sommable. On peut donc introduire l’espérance de X sachant A et, en reprenant le calcul,

    E(XA)=1P(A)xX(Ω)xP(X=xA).

    Pour x0, (X=xA)=(1AX=x) donc xP(X=xA)=xP(1AX=x). Cette égalité est aussi vraie pour x=0 et donc

    E(XA)=1P(A)xX(Ω)xP(1AX=x)=1P(A)E(1AX).
  • (b)

    Par sommation par paquets,

    E(X)=iIxAixP(X=x).

    Par probabilités composées,

    E(X)=iIxAixP(X=xAi)P(Ai)=iIE(XAi)P(Ai).
 
Exercice 15  5414     MINES (MP)Correction  

Soit (Xn)n1 une suite de variables aléatoires suivant toute la loi d’une variable X à valeurs dans . Pour n1, on pose

Rn=Card{X1,,Xn}.
  • (a)

    Soit a+. Établir

    E(Rn)a+nP(Xa).
  • (b)

    En déduire

    E(Rn)=n+o(n).
  • (c)

    On suppose que X admet une espérance finie. Montrer

    E(Rn)=n+O(n).

Solution

  • (a)

    Cas: a. Tout entier naturel est soit élément de 0;a-1 soit supérieur ou égal à a. On en déduit que

    {X1,,Xn}0;a-1({X1,,Xn}[a;+[).

    Par suite,

    Rn a+Card({X1,,Xn}[a;+[)
    a+1(X1a)++1(Xna).

    Sachant E(1(XA))=P(XA), il vient

    E(Rn)a+P(X1a)++P(Xna)=a+nP(Xa).

    Cas: a+. On introduit a=a et l’on conclut à l’aide de ce qui précède en observant

    aaetP(Xa)=P(Xa).
  • (b)

    Considérons a=n. Puisque

    P(Xn)n+0

    on obtient

    n+nP(Xn)=n+o(n)

    puis, par comparaison,

    Rn=n+o(n).
  • (c)

    La variable est X à valeurs positives. Par l’inégalité de Markov,

    P(Xa)1aE(X)

    et donc

    E(Rn)a+naE(X).

    Pour a=n, on en déduit

    E(Rn)=n+O(n).
 
Exercice 16  5855   Correction  

Soient X une variable aléatoire admettant une espérance et (An)n un système complet d’événements. Établir

E(X)=n=0+E(X1An).

Solution

Par définition,

E(X)=xxP(X=x).

Puisque (An)n est un système complet d’événements,

(X=x)=n(X=x)An.

Par incompatibilité,

P(X=x)=nP((X=x)An).

Pour x*,

(X=x)An=(X1An=x).

On a donc

xP((X=x)An)=xP(X1An=x)

et cette dernière égalité est aussi vraie lorsque x=0.

On a donc

E(X)=xnxP(X1An=x).

La famille initiale (xP(X=x))x étant sommable, la famille doublement indexée (xP(X1An=x))(x,n)× qui s’en est déduit est aussi: cela permet d’échanger les deux sommes puis conclure

E(X)=nxxP(X1An=x)=n=0+E(X1An).
 
Exercice 17  2121   Correction  

Soit X une variable aléatoire réelle admettant une espérance finie.

Montrer

E(X1|X|A)A+E(X)

Solution

Soit (xn) une suite réelle injective contenant les valeurs prises par X. Par hypothèse, il y a convergence absolue de la série

xnP(X=xn).

Considérons ensuite la série de fonctions fn avec

fn(A)={xnP(X=xn) si |xn|A0 sinon.

On remarque

E(X1|X|A)=n=0+fn(A).

On remarque aussi

fn(A)A+xnP(X=xn)et|fn(A)||xn|P(X=xn).

La série de fonctions fn converge normalement sur et, par le théorème de la double limite,

E(X1|X|A)=n=0+fn(A)A+n=0+xnP(X=xn)=E(X).
 
Exercice 18  5303    Correction  

Soit (An)n une suite d’événements d’un espace probabilisé (Ω,𝒜,P). On suppose que toutes les intersections d’une infinité d’événements choisis parmi les An sont vides et l’on introduit S la variable aléatoire à valeurs dans définie par11 1 La variable S dénombre les événements de la suite (An) qui sont réalisés. Par hypothèse, celle-ci ne prend que des «  valeurs finies  ».

S=n=0+1An.

Montrer que S admet une espérance finie si, et seulement si, la série P(An) converge et qu’alors

E(S)=n=0+P(An).

Solution

Méthode: L’espérance de la fonction indicatrice d’un événement A est la probabilité de cet événement.

Pour N, introduisons la variable

SN=n=0N1An.

Les variables SN admettent une espérance et, par linéarité,

E(SN)=n=0NE(1An)=n=0NP(An).

Si la variable S admet une espérance finie, la comparaison SNS entraîne

n=0NP(An)=E(SN)E(S).

La série à termes positifs P(An) est alors convergente car ses sommes partielles sont majorées et l’on a

n=0+P(An)E(S). (1)

Inversement, supposons la convergence de la série P(An).

Méthode: Une variable aléatoire X à valeurs dans admet une espérance finie si, et seulement si, la série P(X>k) converge et sa somme détermine alors cette espérance. Voir le sujet 4026.

Soit k. Pour tout N, on remarque l’inclusion

(SN>k)(SN+1>k) car SNSN+1.

Par continuité croissante,

P(SN>k)N+P(N(SN>k))=P(S>k).

Pour tout K, on a alors

k=0KP(S>k)=limN+k=0KP(SN>k).

Or

k=0KP(SN>k)k=0+P(SN>k)=E(SN)=n=0NP(An)n=0+P(An)

et donc

k=0KP(S>k)n=0+P(An).

La série à termes positifs P(S>k) est alors convergente car ses sommes partielles sont majorées. Ainsi, S admet une espérance finie et de plus

E(S)=k=0+P(S>k)n=0+P(An). (2)

Les comparaisons (1) et (2) se complètent alors pour produire l’égalité voulue

E(S)=n=0+P(An).
 
Exercice 19  4184      CENTRALE (MP)Correction  

Soit (Ω,𝒜,P) un espace probabilisé et (En)n une suite d’événements quelconques vérifiant

n=0+P(En)<+.

Pour X un ensemble quelconque, on note 1X la fonction indicatrice de X.

  • (a)

    Soit Z=n=0+1En (on convient Z=+ si la série diverge).

    Prouvez que Z est une variable aléatoire discrète.

  • (b)

    Soit

    F={ωΩ|ω n’appartient qu’à un nombre fini de En}.

    Prouver que F est un événement et que P(F)=1.

  • (c)

    Prouver que Z admet une espérance.

Solution

  • (a)

    La variable aléatoire prend ses valeurs dans l’ensemble dénombrable {+}.

    Pour k, on a Z(ω)=k lorsque ω appartient à exactement k événements parmi les En. Pour i1<i2<<ik, appartenir aux ensembles Ei1,,Eik et pas aux autres s’expriment comme une intersection dénombrable d’événements Eik et Ej¯: c’est donc un événement. En faisant varier les i1,,ik sur l’ensemble dénombrable des possibles, (Z=k) se comprend comme une réunion d’événements.

    Enfin, (Z=+) est aussi un événement car c’est le complémentaire de la réunion dénombrable des événements (Z=k) pour k parcourant .

  • (b)

    F est le complémentaire de (Z=+), c’est bien un événement.

    F¯ correspond à l’ensemble des ω appartenant à une infinité de En. On peut l’écrire comme l’intersection décroissante

    F¯=NnNEn.

    Par continuité décroissante

    P(F¯)=limN+P(nNEn).

    Or

    P(nNEn)nNP(En)N+0.

    On peut conclure P(F¯)=0 puis P(F)=1.

  • (c)

    Posons ZN=n=0N1En. Commençons par établir

    k,P(ZN>k)N+P(Z>k).

    Puisque ZNZN+1, on a

    (ZN>k)(ZN+1>k)

    et, par continuité croissante,

    P(ZN>k)N+P(N(ZN>k)).

    Or

    N(ZN>k)=(Z>k)

    ce qui établit la propriété voulue.

    Pour K, on a alors

    k=0KP(Z>k)=limN+k=0KP(ZN>k)

    avec

    k=0KP(ZN>k)k=0+P(ZN>k)=E(ZN)=n=0NP(En)n=0+P(En).

    La série P(Z>k) est alors convergente puisque c’est une série à termes positifs aux sommes partielles majorées. On en déduit que Z admet une espérance finie (et l’on peut montrer que celle-ci est la somme de la série des P(En)).

[<] Loi conjointes, Loi marginales [>] Calcul d'espérances et variances



Édité le 24-01-2025

Bootstrap Bootstrap 3 - LaTeXML [LOGO] - Powered by MathJax Powered by MathJax