VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

Exercice 92. Soit a ∈ R. A quelle condition sur a existe-t-il une variable aléatoire Exercice 97. Dans un jeu vidéo, chaque fruit a 1% de chance de repousser (ins-
X à valeurs dans N ∗ et une constante ca telles que : tantanément) au bout de chaque minute après avoir été cueilli par le joueur, et ce
ca indépendamment de tout le reste.
P (X = k) = a 1. En moyenne, en combien de temps un fruit repousse-t-il ?
k
2. Combien de temps le joueur doit-il attendre pour avoir une probabilit´e d’au
Dans le cas où X existe, à quelle condition X est d’espérance finie ? Exprimer alors
moins 90% qu’un fruit qu’il a cueilli ait repoussé ?
l’espérance.
3. On considère un arbre avec 4 fruits. Le joueur les cueille tous, puis revient voir
Exercice 93. Soit X une variable suivant la loi binomiale B(n, p). Quelle loi suit l’arbre une demi-heure plus tard.
X − n? Quelle est la probabilité qu’au moins un fruit ait repoussé ?
4. En moyenne, combien de fruits ont repoussé sur cet arbre ?
Exercice 94.
1. Montrer qu’il existe une variable X à valeurs dans N∗ telle que Exercice 98. Montrer que X est d’espérance finie si et seulement si |X| est d’es-
1 pérance finie.
P (X = n) = . Montrer que dans ce cas |E(X)| ≤ E(|X|).
n(n + 1)
2. Etudier l’existence de l’espérance et de la variance de cette variable. Exercice 99. On lance deux dés à 6 faces. On note D1 le résultat du premier dé et
3. Calculer la fonction génératrice de cette variable et retrouver les résultats de D2 le résultat du second. On pose X = max(D1 , D2 ) et Y = min(D1 , D2 ).

la question 2. 1. Quelle est la loi de X ? Calculer son espérance.

2. Calculer E(X + Y ) et en déduire E(Y ).
Exercice 95. On considère un jeu de 52 cartes. Pour chacune des situations sui- 3. Calculer E(XY ) et en déduire Cov(X, Y ).
vantes, donner la loi de la variable aléatoire X.
1. On tire une carte au hasard et X est la hauteur de la carte (un as vaut 1, un Exercice 100. Soient X une variable aléatoire discrète à valeurs réelles. On appelle
valet vaut 11 etc...). fonction de répartition la fonction FX : R −→ R définie par FX (t) = P (X ≤ t).
2. On tire 5 cartes avec remise, X est le nombre de trèfles. 1. Montrer que FX est croissante.
3. On tire successivement les cartes avec remise jusqu’à obtenir l’as de coeur et 2. Montrer lim FX (t) = 0 et lim FX (t) = 1. (Utiliser la continuité monotone).
X est le nombre de cartes tirées. t→−∞ t→+∞

4. On tire successivement les cartes sans remise jusqu’à obtenir l’as de coeur et 3. Montrer que FX est continue à droite en tout point.
X est le nombre de cartes tirées.
Exercice 101. Soit X et Y deux variables indépendantes suivants une loi géomé-
Exercice 96. Soit λ > 0 et X une variable aléatoire suivant la loi P(λ). trique de paramètres respectifs p et q.
1. Calculer la probabilité de l’évènement 1. Pour n ∈ N, calculer P (X > n).
 "X est impair".
0 si X est impair 2. Quelle est la loi de Z = min(X, Y ) ?
Soit Y la variable définie par Y = .
X
2 si X est pair
2. Montrer que Y est une variable aléatoire discrète. Exercice 102. Soient X et Y deux variables aléatoires à valeurs dans N telles que :
3. Déterminer la loi de Y . 1
4. Y est-elle d’espérance finie ? Si oui calculer E(Y ). ∀ i, j ∈ N2 , P (X = i, Y = j) = .
e2i+1 j!

1
VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

1. Calculer les lois de X et Y . Exercice 107. Soit X une variable aléatoire discrète à valeurs dans N, on note GX
2. Quelle est la loi de Z = X + 1 ? En déduire E(X) et V (X). sa fonction génératrice.
3. Calculer E(Y ) et V (Y ). 1. Rappeler pourquoi GX est bien définie en 1 et −1.
GX (1) + GX (−1)
4. X et Y sont-elles indépedantes ? 2. Montrer que P (X est pair ) = et P (X est impair ) =
2
5. Calculer P (X = Y ). GX (1) − GX (−1)
2
Exercice 103. Soient X et Y deux variables aléatoires à valeurs dans N telles que :
Exercice 108. Soit X une variable aléatoire donc la fonction génératrice est définie
2
2 a(i + j) par GX (t) = aet +1 .
∀ i, j ∈ N , P (X = i, Y = j) = .
2i+j 1. Calculer a.
1. Quelle est la valeur de a ? 2. Quelle est la loi de X ? Calculer son espérance et sa variance.
2. Calculer les lois de X et Y .
3. Calculer E(X) et E(Y ). Exercice 109. On considère n dés à 8 faces. Chaque dé comporte une face 0, trois
4. Les variables X et Y sont-elles indépendantes ? faces 1, trois faces 2 et une face 3. On note Xi le résultat du lancer du i−ème dé.
On note Sn la somme des résultats des n dés.

Exercice 104. Sans utiliser la fonction génératrice, montrer que pour deux variables 1. Quelle est la loi de Xi ? Calculer sa fonction génératrice.
aléatoires X et Y indépendantes : 2. Calculer la fonction génératrice de Sn et en déduire sa loi.
1. Si X ∼ B(n, p) et Y ∼ B(m, p) alors X + Y ∼ B(m + n, p).
Exercice 110.
2. Si X ∼ P(λ) et Y ∼ P(µ)) alors X + Y ∼ P(λ + µ).
1. Soit (Xn )n∈N une suite de variables aléatoires indépendantes et de même loi
qui admettent une variance. Soit a ∈ R+∗ , retrouver :
Exercice 105. Soit X une variable aléatoire discrète à valeurs dans N . ∗

Montrer que X suit une loi géométrique de paramètre p si et seulement si 

 X1 + . . . + Xn



V (X1 )
∀ n ∈ N∗ , P (X = n) = pP (X ≥ n). P  − E(X1 ) ≥ a ≤
n na2
Exercice 106. Dans un pays, on observe que chez les nouveaux-nés, les garçons 2. On effectue des tirages avec remises dans une urne contenant 3 boules rouges
prédominent : 70% des naissances donnent des garçons, et seulement 30% des filles. et 2 boules noires. A partir de combien de tirages peut-on garantir à 95% que
Pour inverser cette tendance, le gouvernement prend la mesure suivante : chaque la proportion de boules noires tirées est comprise entre 0.35 et 0.45 ?
couple doit avoir un et un seul fils. Ainsi, chaque couple donne naissance à un nouvel
enfant, tant qu’il n’a eu que des filles, et s’arrête au premier garçon obtenu.
Exercice 111. On utilise un dé cubique équilibré (6 faces ). Déterminer le nombre
1. On choisi un couple uniformément au hasard dans la population, quelle est la de lancers nécessaires pour pouvoir affirmer avec un risque d’erreur inférieur à
loi de la variable X désignant son nombre total d’enfants (après naissancedu 1
5%que la fréquence d’apparition du « 6 » au cours de ces lancers différera de
fils) ? 6
1
2. Supposons que le pays contient N couples ; on note X1 , . . . , XN leur nombre to- d’au plus .
tal d’enfants respectif. Exprimer la proportion P de garçons parmi ces enfants 100
N
en fonction des Xi . Exercice 112. (inspiré de E3A 2021) Soient (Xn )n ∈ N une suite de variables
3. Quel est le comportement de PN lorsque N −→ +∞ ? Commenter. aléatoires définies comme par :

2
VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

• X0 et X1 sont indépendantes et suivent chacune une loi de Poisson de para-

mètres respectifs λ et µ.
• pour n ≥ 2, Xn = Xn−1 + Xn−2
1. Quelle loi suit X2 ?
2. Montrer que X2 et X1 ne sont pas indépendantes.
3. Soit (yn ) la suite définie par y0 = 0, y1 = 1 et yn = yn−1 + yn−2 pour n ≥ 2.
Montrer que Xn = yn X1 + yn−1 X0 .
4. Montrer que Xn admet une espérance et calculer la en fonction de λ, µ et (yn ).
5. Montrer que Xn admet une variance et calculer la en fonction de λ, µ et (yn ).
6. Soient n ≥ 2 et m ≥ 2 deux entiers. Montrer que Xn et Xm ne sont pas
indépendantes

Exercice 113. (Mines Ponts Oral ) Soit X et Y deux variables aléatoires indé-
pendantes suivant chacune une loigéométrique
 de paramètres respectifs p et q.
X 1
Quelle est la probabilité que A = soit diagonalisable ?
0 Y

Exercice 114. (Centrale-1 2022) On dit qu’une variable X suit la loi R si :

1
X(Ω) = {−1, 1}, P (X = 1) = P (X = −1) = .
2
1
1. Si X suit la loi R, préciser la loi de la variable aléatoire (X + 1).
2
2. Calculer l’espérance et la variance d’une variable suivant la loi R.
3. Soient X et Y deux variables aléatoires réelles indépendantes suivant chacune
la loi R. Déterminer la loi de leur produit XY .
Dans la suite, n est un entier naturel non nul et mi,j (1 ≤ i, j ≤ n sont n2 variables
aléatoires mutuellements indépendantes suivant toutes la loi R. On note Mn =
(mi,j )1≤i,j≤n et on pose τn = T r(Mn ) et δn = det(Mn ).
4. Calculer l’espértance et la variance de la variable τn .
5. Calculer l’espérance de la variable δn .
6. Démontrer que la variance de la variable δn est égale à n!. (On pourra déve-
lopper δn et raisonner par récurrence)
7. Dans le cas particulier n = 2, on admet qu’une matrice P est nilpotente si et
seulement si det(P ) = T r(P ) = 0.
Calculer la probabilité de l’événement "M2 est nilpotente".
8. Toujours dans le cas n = 2, calculer la probabilité de l’évènement M2 ∈ Gl2 (R).

3
VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

Correction 92. On remarque d’abord que ca > 0 sinon tous les événements
X ca sont de ce qui nous donne bien la somme voulue.
probabilité nulle. Pour que la variable existe il faut que la série ( ) converge n
2. On étudie la convergence de la série ( ). Or cette série est de terme
P
ka n(n + 1)
k∈N∗
et soit de somme 1. 1
X 1 général et donc elle diverge (critère de Riemann).
D’après le critère de Riemann la série ( ) converge si et seulement si a > 1. n+1
ka X n’est donc pas d’espérance finie et n’admet pas non plus de variance.
k∈N∗
Il existe donc une variable X si et seulement si a > 1 et dans ce cas : 3. Soit t ̸= 0, on étudie :
1
 P (X = n + 1)tn+1 
 
ca =  = |t| n −−−−−→ |t|
ζ(a) 
 P (X = n)tn  n + 2 n→+∞
pour que la somme fasse 1.
X ca k
Cette variable X est d’espérance finie si la série ( ) converge donc toujours et donc RX = 1. On a donc pour t ∈ ]−1, 1[ :
ka
k∈N∗ +∞ n +∞ n+1
d’après Riemann, si et seulement si a − 1 > 1 c’est à dire a > 2. Et dans ce cas :
X t X t 1
GX (t) = − = − ln(1 − t) − (− ln(1 − t) − t)
X ca k ζ(a − 1) n=1
n n=1 n + 1 t
E(X) = = ca ζ(a − 1) = .
k a ζ(a) ln(1 − t)
∗
k∈N = − ln(1 − t) + + 1.
t
Correction 93. Comme X est à valeurs dans J0, nK, on a n − X aussi à valeurs En dérivant sur ]−1, 1[ on trouve :
dans J0, nK.
Pour k ∈ J0, nK on a : 1 1 ln(1 − t) t + ln(1 − t)
G′X (t) = − − =− −−−−→ +∞
1 − t (1 − t)t t2 t2 t→1−
P (n − X = k) = P (X = n − k)
La fonction génératrice n’est donc pas dérivable en 1 et alors X n’admet pas
 
n
= pn−k (1 − p)n−(n−k) d’espérance.
n−k
 
n
= (1 − p)k (1 − (1 − p))n−k . Correction 95.
k 4
On voit alors que n − X ∼ B(n, 1 − p). 1. Pour toute hauteur on a 4 cartes qui la réalisent on a donc P (X = k) = =
52
1
Correction 94. pour tout k ∈ J1, 13K.
13
1. Pour montrer l’existence d’une telle variable il suffit de montrer que 1
+∞ N 2. A chaque tirage on a une probabilité de d’obtenir un trèfle. On répète donc
X 1 X 1 4
= 1. Pour cela on pose SN = = 1 les sommes 5 expériences de Bernoulli et on compte le nombre de succès. X suit donc une
n=1
n(n + 1) n=1
n(n + 1) 1
partielles. On a donc : loi B(5, .
4)
N
X 1 XN
1 1 3. X est le rang du premier succès lors d’une répétition d’expériences de Bernoulli
SN = = − 1 1
n(n + 1) n n + 1 de paramètre . On a donc X ∼ G( ).
n=1 n=1 52 52
XN
1
N
X +1
1 1 4. Comme les tirages se font sans remise, X correspond à la position de la dame
= − =1− −−−−−→ 1 de coeur dans une permutation aléatoire du jeu de carte. On en déduit alors
n n=2 n N + 1 N →+∞
n=1 que X ∼ U(J1, 52K).

4
VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

Correction 96. 3. Au bout de 30 minutres un fruit a repoussé avec une probabilité q = P (X ≤

+∞ 30) = 1 − 0.9930 .
1. On a "X impair" = (X = 2k + 1) et cette union est disjointe donc :
S
k=0
On répète ici 4 expériences indépendantes de Bernoulli de paramètre q et donc
le nombre Y de fruits ayant repoussé sur l’arbre suit une loi B(4, q). La proba-
+∞
X +∞
X λ2k+1 1 − e−2λ bilité qu’au moins 1 fruit ait repoussé est donc :
P (X impair ) = P (X = 2k + 1) = e−λ = e−λ sh(λ) = .
(2k + 1)! 2
k=0 k=0 P (Y ≥ 1) = 1 − P (Y = 0) = 1 − (1 − q)4 ≈ 70%.
2. Y (Ω) ⊂ N qui est dénombrable. De plus, (Y = n) est bien un événement. 4. Le nombre de fruits moyens ayant repoussés au bout de 30 minutes est :
3. On calcule d’abord P (Y = 0) en remarquant que (Y = 0) = (X = 0) ∪
(X impair ). On a donc : E(Y ) = 4 × q ≈ 1.04.

1 − e−2λ 1 + 2e−λ − e−2λ

P (Y = 0) = e−λ + = .
2 2 Correction 98. On sait que X est d’espérance finie si et seulement si la série
( xP (X = x)) est absolument convergente.P Or par positivité de la probabilité cette
P
Soit n ∈ N∗ on a :
série converge absolument si et seulement ( |x|P (X = x)) converge absolument.
λ2n Le théorème de transfert indique que ceci est équivalent à |X| est d’espérance finie.
P (Y = n) = P (X = 2n) = e−λ
(2n)! Par converge absolue on peut appliquer l’inégalité triangulaire sur la somme et
donc :
4. Si X est d’espérance finie on a : X  X X
|E(X)| =  xP (X = x) ≤ |xP (X = x)| = |x| P (X = x) = E(|X|).
 
+∞ +∞ +∞
X X λ2n e−λ X λ2n λe−λ
E(X) = nP (Y = n) = e−λ n = = sh(λ)
n=1 n=1
(2n)! 2 n=1 (2n − 1)! 2
Correction 99.
1. Les variables D1 et D2 suivent toutes deux une loi uniforme sur J1, 6K. Soit
Correction 97. k ∈ J1, 6K.
1. On compte le rang du premier succès lors d’une répétition d’expérience de On calcule P (X ≤ k) = P (D1 ≤ k ∩ D2 ≤ k) = P (D1 ≤ k)P (D2 ≤ k) =
Bernoulli de paramètre 1% donc X ∼ G(0.01). En moyenne le fruit repousse P (D1 ≤ k)2 car D1 et D2 sont indépendantes et de même loi.
1 k
au bout de E(X) = = 100 minutes. On a P (D1 ≤ k) = et on remarque que cette égalité est vraie pour k = 0.
0.01 6
2. On cherche ici le plus petit entier t ∈ N∗ tel que l’événement (X ≤ t) soit Et donc enfin :
réalisé avec une probabilité d’au moins 90%. On résout alors : k2 (k − 1)2 2k − 1
P (X = k) = P (X ≤ k) − P (X ≤ k − 1) = 2
− = .
P (X ≤ t) ≥ 0.9. 6 62 36

Or P (X ≤ t) = 1 − P (X > t) = 1 − (1 − p)t = 1 − 0.99t . Donc : 6

2k − 1 161
On calcule enfin l’espérance de X :E(X) = .
P
k =
k=1 36 36
P (X ≤ t) ≥ 0.9 ⇐⇒ 1 − 0.99t ≥ 0.9
2. On remarque que X + Y = D1 + D2 et donc E(X + Y ) = E(D1 ) + E(D2 ) =
ln(0.1) 7
⇐⇒ 0.99t ≤ 0.1 ⇐⇒ t ≥ ≈ 229.1 2 = 7.
ln(0.99) 2
161 91
On a donc t = 230 ce qui donne 3h50. On a alors E(Y ) = E(X + Y ) − E(X) = 7 − = .
36 36

5
VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

3. Pareillement on a XY = D1 D2 et par indépendance on a : On a donc P (Z > n) = (1 − p)n (1 − q)n pour tout n ∈ N.

On calcule maintenant pour n ∈ N∗ :
72 49
E(XY ) = E(D1 )E(D2 ) = = . P (Z = n) = P (Z > n − 1) − P (Z > n) = (1 − p)n−1 (1 − q)n−1 − (1 − p)n (1 − q)n
22 4
= (1 − p)n−1 (1 − q)n−1 (1 − (1 − p)(1 − q))
49 161 91 1225
Enfin Cov(X, Y ) = E(XY ) − E(X)E(Y ) = − = . = ((1 − p)(1 − q))n−1 (1 − (1 − p)(1 − q))
4 36 36 1296
On a donc Z ∼ G(u) avec u = 1 − (1 − p)(1 − q) = p + q − pq.
Correction 100.
Correction 102.
1. Soit a ≤ b. On a alors (X ≤ a) ⊂ (X ≤ b). On a donc :
1. On calcule les lois marginales :
P (X ≤ a) ≤ P (X ≤ b) +∞ +∞ +∞
X X 1 1 X 1 1
P (X = i) = P (X = i, Y = j) = = = i+1 .
et donc FX (a) ≤ FX (b). j=0 j=0
e2i+1 j! e2i+1 j=0 j! 2
2. Par monotonie de FX et comme FX est bornée on a l’existence de limites finies +∞
X +∞
X 1
+∞
1 X 1 1
en ±∞. P (Y = j) = P (X = i, Y = j) =
e2i+1 j!
=
ej! i=0 2i+1
=
ej!
.
+∞ i=0 i=0
On a Ω = (X ≤ n). Par théorème de continuité croissante comme les
S
n=0 2. Z(Ω) = N∗ et :
événements (X ≤ n) sont croissants en n on a :
1 1 1
P (Z = n) = P (X = n − 1) = = ( )n−1
1 = P (Ω) = lim P (X ≤ n) = lim FX (n) = lim FX (t). 2n 2 2
n→+∞ n→+∞ t→+∞
1
Donc Z ∼ G( ).
+∞ 2
1
On raisonne de même pour lim FX (t) avec ∅ = On a alors E(X) = E(Z) − E(1) = 1 − 1 = 1.
T
(X ≤ −n).
t→−∞ n=0
2
3. Soit a ∈ R et an une suite strictement décroissante tendant vers a. 1− 1

Pour n ∈ N, on pose l’évenement An T = (a < X ≤ an ). La suite An est une Et V (X) = V (Z) = 1

2
= 2.
22
suite décroissante pour l’inclusion et An = ∅. 3. Y suit une loi de Poisson de paramètre 1 donc E(Y ) = V (Y ) = 1.
n∈N
On a alors P (An ) −−−−→ 0. 4. On a pour tout (i, j), P (X = i, Y = j) = P (X = i)P (Y = j) donc X et Y
n→∞
Or P (An ) = FX (an ) − FX (a) car An ∪ (X ≤ a) = (X ≤ an ) et cette union est sont indépendantes.
disjointe. 5. On a :
On a donc FX (an ) − FX (a) −−−−→ 0 ce qui montre la continuité à droite de +∞
n→∞
X
FX . P (X = Y ) = P (X = k, Y = k)
k=0
+∞
Correction 101.
X 1
=
e2k+1 k!
1. On a déja vu que P (X > n) = (1 − p)n . k=0
+∞
2. On calcule d’abord P (Z > n) = P (X > n ∩ Y > n) = P (X > n)P (Y > n) par 1 X ( 12 )k 1 1 1
= = e2 = √ .
indépendance des variables X et Y . 2e
k=0
k! 2e 2 e

6
VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

Correction 103. 1. S est à valeurs dans J, n + mK. Soit k ∈ J, n + mK on a :

+∞ X
X +∞ m m
1. On a P (X = i, Y = j) = 1.
X X
P (S = k) = P (S = k, Y = j) = P (X = k − j, Y = j)
i=0 j=0 j=0 j=0
+∞ X
+∞
X a(i + j) m m    
On résout alors : = 1. =
X X
P (X = k − j)P (Y = j) =
n
pk−j (1 − p)n−k+j
m j
p (1 − p)m−j
i=0 j=0
2i+j k − j j
j=0 j=0
Or :
m     
k n+m−k
X n m k n+m−k n + m
+∞ X
+∞ +∞
+∞ X +∞ +∞ = p (1 − p) = p (1 − p)
X (i + j) X i X i X 1 j=0
k−j j k
=2 =2
i=0 j=0
2i+j i=0 j=0
2i+j i=0
2i j=0 2j
en utilisant l’identité de Vandermonde.
+∞
X i 1 2. S est à valeurs dans N. Soit k ∈ N on a : on a :
=2 =2 = 8.
i=0
2i−1 (1 − 12 )2
+∞
X +∞
X
P (S = k) = P (S = k, Y = j) = P (X = k − j)P (Y = j)
1
On trouve alors a = . j=0 j=0
8 k k
λk−j −µ µj e−λ−µ X k!
2. On a pour i ∈ N :
X
= e−λ e = λk−j µj
j=0
(k − j)! j! k! j=0 k!(k − j)!
 
+∞ +∞ +∞ +∞ k  
X X a(i + j) a 1 X j  X e−λ−µ X k k−j j e−λ−µ
P (X = i) = P (X = i, Y = j) = = i i + = λ µ = (λ + µ)k .
j=0 j=0
2i+j 2 j=0
2j
j=0
2 j
k! j=0 j k!
a i+1
= (2i + 2) = i+2 . Donc S ∼ P(λ + µ).
2i 2

De même par symétrie on a : P (Y = j) =

j+1
. Correction 105. =⇒ On a P (X = n) = p(1−p)n−1 = pP (X > n−1) = pP (X ≥
2j+2 n) d’après ce qu’on a fait précédemment.
3. On a E(X) = E(Y ) et : ⇐= On a P (X ≥ n) = 1 − P (X < n) = 1 − P (X = 1) − . . . − P (X = n − 1). Donc
pour tout n on a :
+∞ +∞ +∞
X j + 1 X (j − 1)j 1 X (j − 1)j 1 2 P (X = n) = p(1 − P (X = 1) − . . . − P (X = n − 1))
E(X) = j j+2 = j+1
= 3 j−2
= 3 1 3 = 2.
2 2 2 2 2 (1 − 2)
j=0 j=2 j=0 = p(1 − p − p(1 − p) − . . . − p(1 − p)n−2 )
n−2
X (1 − p) − (1 − p)n−1
1 = p(1 − p − p (1 − p)k ) = p(1 − p − p )
̸ 0. Donc X et Y ne sont
4. P (X = 0, Y = 0) = 0 et P (X = 0)P (Y = 0) = ( )2 = p
4 k=1
pas indépendantes. = p(1 − p)n−1 .

Correction 104. On note S = X + Y . Correction 106.

7
VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

N 1. Xi est à valeurs dans J0, 3K et :

1. On a PN = car il y a N garçons parmi ces enfants.
X1 + . . . + XN
1 3
2. Quand N → +∞, la loi faible des grands nombres dit que (PN )−1 se rapproche P (Xi = 0) = P (Xi = 1) =
8 8
de E(X1 ) avec une grande probabilité.
1 3 1
Or E(X1 ) = . Donc quand N → ∞ on a PN proche de 0.7. On garde alors P (Xi = 2) = P (Xi = 3) = .
0.7 8 8
la même proportion de garçons d’une génération sur l’autre ! 1 3 3 1 1 (t + 1)3
On a donc GXi (t) = + t + t2 + t3 = (1 + 3t + 3t2 + t3 ) = .
8 8 8 8 8 8
Correction 107. 2. Comme les variables Xi sont indépendantes on a :
1. Pour tout t ∈ [−1, 1] on a |P (X = n)tn | ≤ P (X = n) qui est le terme gé- n
(t + 1)3n
nérale
P n d’une série numérique convergente. On a donc convergence normale de
Y
GSn (t) = GXi (t) =
t P (X = n) sur [−1, 1] et en particulier GX est définie en −1 et 1. i=1
8n
+∞ +∞ 3n  
2. On a Xpair =
S
(X = 2n) donc P (Xpair) =
P
P (X = 2n). 1 X 3n k
= n t
n=0 n=0 8 k
+∞ +∞ k=0
X X
D’autre part GX (1) + GX (−1) = (1 + (−1)n )P (X = n) = 2P (X = Par unicité du développement en série entière on a donc pour tout k ∈ J0, 3nK :
n=0 k=0
2k) = 2P (Xpair).
   
3n 1 3n 1 k 1
On raisonne de même pour Ximpair P (Sn = k) = = ( ) (1 − )3n−k
k 8n k 2 2
1
Correction 108. Sn suit donc une loi binomiale B(3n, ).
+∞ 2
1. On calcule GX (1) = ae2 . Or GX (1) = P (X = n) = 1. Donc a = e−2 et
P
n=0 Correction 110.
2
GX (t) = et −1
. 1. Reprendre la démonstration de la loi faible des grands nombres.
2
2. On écrit le DSE de et −1
: 2. On note Xi la variable aléatoire qui vaut 1 si la boule tirée au i-ème tirage
+∞ 2n est noire et 0 sinon. Les Xi sont indépendantes et suivent une loi de Bernoulli
2
−1
X t B(0.4). On a E(X1 ) = 0.4 et V (X1 ) = 0.4 × 0.6 = 0.24.
et = e−1
n! Sn
n=0 La proportion de boules noires est et donc on cherche n tel que :
n
Sn
1 P (0.35 < < 0.45) ≥ 0.95
Par unicité on a donc P (X = 2n) = et P (X = 2n + 1) = 0 pour tout n. n
en!
On calcule GX (t) = 2te
′ t2 −1 2 2
et G”X (t) = 2et −1 + 4t2 et −1 . Et donc : Sn Sn
Or P (0.35 < < 0.45) = P (| − E(X1 )| > 0.05)
n n
E(X) = G′X (1) = 2 Sn 0.24
= 1 − P (| − E(X1 )| ≥ 0.05) ≥ 1 − .
n (0.05)2 n
V (X) = G”X (1) + G′X (1) − G′X (1)2 = 6 + 2 − 4 = 4. On résout donc :
0.24 0.24
1− 2
≥ 0.95 ⇐⇒ n ≥ = 1920
Correction 109. (0.05) n (0.05)3

8
VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

A partir de 1920 tirages on peut garantir à plus de 95% que la proportion de 6. On calcule Cov(Xn , Xm ) = Cov(yn X1 + yn−1 X0 , ym X1 + ym−1 X0 ) :
boules noires tirées sera entre 0.35 et 0.45.
Cov(Xn , Xm ) = yn ym V (X1 ) + yn−1 ym−1 V (X0 ) + (yn ym−1 + yn−1 ym )Cov(X0 , X1 )
Correction 111. On note Xi la variable aléatoire qui vaut 1 si le chiffre donné par 7 = yn ym V (X1 ) + yn−1 ym−1 V (X0 ) = yn y
le dé au i-ème tirage est 6 et 0 sinon. Les Xi sont indépendantes et suivent une loi
1 1 5 par indépendance de X0 et X1 . Donc la covariance est non nulle et X0 et X1
de Bernoulli B( ). On a E(X1 ) = et V (X1 ) = .
6 6 36 ne sont pas indépendantes.
Sn
La proportion de 6 est et donc on cherche le plus petit n tel que :
n  
a 1
Sn 1 1 Correction 113. On a d’abord diagonalisable si et seulement si a ̸= 0 ,
P (| − |≥ ) ≤ 0.05 0 b
n 6 100
b ̸= 0 et
 a ̸= b.
Sn 1 1 V (X1 ) X 1
Or P (| − |≥ )≤ n . On résout alors : Donc est diagonalisable en ω si X(ω) ̸= Y (ω). On calcule donc :
n 6 100 0 Y
1002

5 × 1002 50000 P (X ̸= Y ) = 1 − P (X = Y )
≤ 0.05 ⇐⇒ n ≥ ≈ 277777.78
36n 36 × 0.05 +∞
X
A partir de 277778 tirages on peut garantir avec un risque inférieur à 5% que la =1− P (X = k ∩ Y = k)
1 1 k=1
proportion de 6 tirés différera de d’au plus . +∞
6 100 X
=1− P (X = k)P (Y = k) par indépendance
Correction 112. k=1
1. La propriété du cours nous dit que X2 ∼ P(λ + µ) car X0 et X1 sont indépen- +∞
X
dantes. =1− p(1 − p)k−1 q(1 − q)k−1
k=1
2. On a P (X2 = 0 ∩ X1 = 1) = 0 et P (X2 = 0)P (X1 = 1) = e−λ−µ × (µe−µ ) ̸= 0.
1 qp
3. On montre ce résultat par double récurrence. Pour n = 0 et n = 1 c’est clair. = 1 − qp =1−
1 − (1 − p)(1 − q) p + q − qp
Soit n ≥ 0 tel que Xk = yk X1 + yk−1 X0 pour tout k = n et k = n + 1.
On a donc :

Xn+1 = Xn + Xn−1 = yn X1 + yn−1 X0 + yn−1 X1 + yn−2 X0 Correction 114.

1
= (yn + yn−1 )X1 + (yn−1 + yn−2 )X0 = yn+1 X1 + yn X0 . 1. Soit Y = (X + 1). On a Y (Ω) = {0, 1} et :
2
4. Comme les variables X0 et X1 sont d’espérance finie la variable yn X1 +yn−1 X0
1 1
est d’espérance finie et : P (Y = 0) = P (X = −1) = et P (Y = 1) = P (X = 1) =
2 2
E(Xn ) = E(yn X1 + yn−1 X0 ) = yn E(X1 ) + yn−1 E(X0 ) = yn λ + yn−1 µ
1
Donc Y ∼ B( ).
5. Comme les variables X0 et X1 admettent un variance la variable yn X1 +yn−1 X0 2
est d’espérance finie et de plus comme yn X1 et yn−1 X0 sont indépendantes : 1 1
2. On sait que E(Y ) = et V (Y ) = et X = 2Y − 1.
2 4
V (Xn ) = V (yn X1 + yn−1 X0 ) = yn2 V (X1 ) + yn−1
2
V (X0 ) = yn2 λ + yn−1
2
µ Donc E(X) = 2E(Y ) − 1 = 0 et V (X) = 4V (Y ) = 1.

9
VARIABLES ALEATOIRES DISCRETES Exercices Chapitre 11

3. On note Z = XY . Alors Z(Ω) = {−1, 1} et : avec ∆1,i le mineur correspondant de la matrice Mn+1 . On a donc :
X
2
P (Z = −1) = P ((X = 1 ∩ Y = −1) ∪ (X = −1 ∩ Y = 1)) E(δn+1 ) = E( (−1)i+1 mi,1 ∆1,i )(−1)j+1 mj,1 ∆1,j )
1≤i,j≤n+1
= P (X = 1 ∩ Y = −1) + P (X = −1 ∩ Y = 1) X
1 1 1 = (−1)i+j E(mi,1 mj,1 ∆1,i ∆1,j )
= P (X = 1)P (Y = −1) + P (X = −1)P (Y = 1) = + = 1≤i,j≤n+1
4 4 2
Or mi,1 mj,1 et ∆1,i ∆1,j sont indépendantes si i ̸= j et dans ce cas
1 la E(mi,1 mj,1 ∆1,i ∆1,j ) = E(mi,1 mj,1 )E(∆1,i ∆1,j ) = 0 car d’après la 3.
En utilisant l’indépedance de X et Y . De même on a P (Z = 1) = .
2 E(mi,1 mj,1 ) = 0 . On a alors :
On a alors Z qui suit la loi R. X
2
4. Par linéarité de l’espérance on a : E(δn+1 )= (−1)i+i E(m2i,1 )E(∆21,i )
1≤i≤n+1
n n
Or E(∆21,i ) = V (Mn ) = n! et m2i,1 = 1 presque surement donc :
X X
E(τn ) = E( mi,i ) = E(mi,i ) = n × 0 = 0.
i=1 i=1 2
E(δn+1 ) = (n + 1)n! = (n + 1)!
Pour la variance on utilise l’indépendance des variables mi,j et donc : Enfin V (δn+1 ) = E(δn+1
2
) − E(δn+1 )2 = (n + 1)! − 0 = (n + 1)!.
n n
7. On a donc M2 nilpotent si et seulement si δ2 = 0 ∩ τ2 = 0 et alors :
X X
V (τn ) = V ( mi,i ) = V (mi,i ) = n × 1 = n. P (M2 ∈ N2 ) = P (δ2 = 0 ∩ τ2 = 0)
i=1 i=1
= P (m1,1 m2,2 − m1,2 m2,1 = 0 ∩ m1,1 + m2,2 = 0)
5. On developpe le determinant par rapport à la première colonne : = P (m1,1 m2,2 − m1,2 m2,1 = 0|m1,1 + m2,2 = 0)P (m1,1 + m2,2 = 0)

n
Or P (m1,1 m2,2 − m1,2 m2,1 = 0|m1,1 + m2,2 = 0) = P (−m21,1 − m1,2 m2,1 =
X 1
δn = (−1)i+1 mi,1 ∆1,i 0) = P (m1,2 m2,1 = −1) = .
i=1
2
1 1
Et P (m1,1 + m2,2 = 0) = 2 × = .
avec ∆1,i le mineur correspondant de la matrice Mn . 4 2
1
Par lemme des coalitions mi,1 et ∆1,i sont indépendantes et donc : Donc P (M2 ∈ N2 ) = .
4
n n 8. On a P (M2 ∈ Gl2 (R)) = P (δ2 ̸= 0) = 1 − P (δ2 = 0) et
X X
E(δn ) = (−1)i+1 E(mi,1 ∆1,i ) = (−1)i+1 E(mi,1 )E(∆1,i ) = 0. P (δ2 = 0) = P (m1,1 m2,2 = m1,2 m2,1 ).
i=1 i=1
Or a = m1,1 m2,2 et b = m1,2 m2,1 suivent toutes deux une loi R d’après la 3.
6. On raisonne par récurrence sur n. et sont indépendantes par le lemme des coalitions. On a donc :
Si n = 1 le résultat est clair. P (a = b) = P (a = 1 ∩ b = 1) + P (a = −1 ∩ b = −1)
Pour n ≥ 1, on suppose que V (δn ) = n!.
= P (a = 1)P (b = 1) + P (a = −1)P (b = −1)
On développe δn+1 par rapport à la première colonne :
1 1 1
= 2+ 2 = .
n+1
X 2 2 2
δn+1 = (−1)i+1 mi,1 ∆1,i 1
i=1 Enfin on a donc P (M2 ∈ Gl2 (R)) = .
2

10