Université des Sciences et Technologies de Lille

U.F.R. de Mathématiques Pures et Appliquées

IPE Math 306 Année 2006–2007

Corrigé de l’examen du 18 janvier 2007

Ce document fournit les solutions à certaines questions du sujet avec plus ou moins
de détails (à vous de travailler pour compléter les détails qui manquent). L’exercice 4
n’est pas corrigé.

Ex 1. (4 points) Soit X une variable aléatoire réelle admettant pour densité la fonction
f dont le graphe est représenté figure 1.

−1 0 2 5 x

Fig. 1 – Graphe de la densité f

Le graphe de f présente une symétrie dont l’axe est la droite d’équation x = 2.

1) On note F la fonction de répartition de X. Que vaut F (2) ? F (2) = 12 .
2) On sait que F (−1) = 0, 19. On en déduit les probabilités suivantes :
P (X ≥ −1) = 0, 81 P (X ∈ [−1; 2]) = 0, 31 P (X ≥ 5) = 0, 19 P (X ∈ [−1; 5]) = 0, 62.
3) Ecrire la relation vérifiée par la fonction f traduisant la symétrie de son graphe.
Pour tout réel x, f (2 + x) = f (2 − x).
U.S.T. Lille I http://math.univ-lille1.fr/~ipeis U.F.R. Maths.

4) En déduire que ∀t ∈ R, F (2 + t) = 1 − F (2 − t). Pour tout réel t,

Z 2+t Z +∞
F (2 + t) = f (x) dx = 1 −
f (x) dx
−∞ 2+t
Z +∞ Z +∞
= 1− f (x + 2) dx = 1 − f (2 − x) dx
t t
Z 2−t
= 1− f (u) du = 1 − F (2 − t).
−∞

5) On suppose que X est intégrable, expliquer pourquoi E(X − 2) = 0 et en déduire

l’espérance E(X). L’égalité précédente sur la fonction de répartition F (ou sur la densité
f ) permet de montrer que X − 2 et 2 − X sont deux variables aléatoires de même loi.
Comme X est intégrable, on en déduit que Y := X − 2 et −Y := 2 − X sont intégrables
et donc ces deux variables ont la même espérance (puisqu’elles ont la même loi). Comme
E(−Y ) = −E(Y ), on conclut que E(Y ) = 0 : E(X − 2) = 0. Comme l’espérance est
linéaire, on en déduit que E(X − 2) = E(X) − 2 d’où E(X) = 2.

Ex 2. (6 points) Soit X et Y deux variables aléatoires positives telles que le couple

(X, Y ) suit la loi uniforme sur [0, 1] × [0, 2]. On se propose de calculer de plusieurs
manières l’espérance de la variable aléatoire positive Z := X + Y .
Première méthode : calcul de la fonction de répartition de Z
1) Calculer la fonction de répartition H de Z.


 0 si t<0
1 2
t si 0≤t<1


 4
1
H(t) = 4
(2t − 1) si 1≤t<2
1 2
 1 − 4 (3 − t) si 2≤t<3



1 si t≥3


2) Tracer le graphe de H. A vous de le faire ! !

3) Calculer l’espérance de Z à l’aide de la fonction de répartition H et la représenter
sur le graphe de H. Comme Z est une variable aléatoire positive :
Z +∞ Z 3
3
E(Z) = (1 − H(t)) dt = (1 − H(t)) dt = · · · = .
0 0 2

Deuxième méthode : calcul de la densité de Z

On pourra utiliser dans la suite le fait que X suit une loi uniforme sur [0, 1], Y une
loi uniforme sur [0, 2] et que X et Y sont indépendantes (sans le redémontrer).
4) Quelles sont les densités respectives f et g de X et Y ?

1
f (x) = 1[0,1] (x) et g(x) = 1[0,2] (x).
2

page 2/4
Licence http://math.univ-lille1.fr/~ipeis I.P.É. 2006–07

5) On sait, d’après le cours, que Z est une variable à densité. En calculant un

produit de convolution, donner la densité h de Z. Cette question a été traitée en cours :
on obtient 

 0 si x < 0
1
 2x si 0 ≤ x < 1


1
h(x) = 2
si 1 ≤ x < 2
1
(3 − x) si 2 ≤ x < 3


 2


0 si x ≥ 3.
6) Contrôler le résultat précédent à l’aide du résultat de la question 1. Il suffit de
vérifier que h = H 0 .
7) Calculer l’espérance de Z en utilisant la densité h.
Z +∞ Z 3
3
E(Z) = xh(x) dx = xh(x) dx = · · · = .
−∞ 0 2

Troisième méthode
8) Proposer une autre méthode pour calculer l’espérance de Z (sans avoir à calculer
la loi de Z). C’est de loin la méthode la plus simple : par linéarité de l’espérance,
E(Z) = E(X) + E(Y ) = 12 + 1 = 32 .

Ex 3. (5 points) Soit X une variable aléatoire dont la fonction de répartition est donnée
par :
FX (t) = exp(−e−t ) pour t ∈ R. (1)
1) Vérifier que FX est une fonction de répartition. La fonction FX est une fonction
continue avec une limite nulle en −∞ et une limite égale à 1 en +∞.
2) Montrer que la loi de X est à densité et donner sa densité fX . Comme Fx est
de classe C1 , elle admet une densité qui est la dérivée de FX : fX (x) = exp −t − e−t .
On définit la variable aléatoire Y := (X)+ où (x)+ := max(0, x) désigne la partie
positive d’un réel x.
3) Montrer que la fonction de répartition de Y est donnée par : Pour tout réel t,

FY (t) = P (Y ≤ t) = P (Y ≤ t , X < 0) + P (Y ≤ t , X ≥ 0).

On distingue ensuite les cas t < 0 puis t ≥ 0 pour obtenir :


0 si t < 0
FY (t) =
FX (t) si t ≥ 0.

4) Tracer sommairement le graphe de cette fonction. A vous de jouer ! !

5) La loi de la variable aléatoire Y est-elle discrète ? à densité ? Elle n’est pas
discrète car sa fonction de répartition admet un seul saut d’une hauteur différente de 1.
Elle n’est pas à densité car sa fonction de répartition n’est pas continue.

page 3/4
U.S.T. Lille I http://math.univ-lille1.fr/~ipeis U.F.R. Maths.

6) Montrer que Y est intégrable et que 0 ≤ E(Y ) ≤ 1. Indication : on pourra

utiliser l’encadrement suivant 1 − e−u ≤ u valable pour tout réel u. E(Y ) ≥ 0 car Y est
une variable aléatoire positive. Pour obtenir l’autre inégalité, il suffit d’écrire
Z +∞ Z +∞
E(Y ) = (1 − FY (t)) dt ≤ e−t dt = 1,
0 0

en utilisant l’encadrement 1 − e−u ≤ u.

Ex 4. (6 points) On considère une suite (Xn )n∈N∗ de variables aléatoires positives indé-
pendantes de loi exponentielle de paramètre 1 définies sur un même espace de probabilité
(Ω, F, P ). Pour tout entier n ∈ N∗ , on définit la variable aléatoire

Zn := max(X1 , . . . , Xn ).

1) Quelle est la fonction de répartition Fn de Zn ?

2) Soit M > 0 positif fixé, montrer que la suite ({Zn ≥ M })n∈N∗ est une suite
croissante d’événements et en déduire l’égalité ∩ {Zm ≥ M } = {Zn ≥ M }.
m≥n
3) Calculer alors la probabilité de l’événement AM := ∪ ∩ {Zm ≥ M }.
n≥1 m≥n
4) On note A := ∩ ∗ AM . Calculer sa probabilité. Que pouvez-vous en déduire sur
M ∈N
le comportement de la suite (Zn )n∈N∗ ?
5) Question facultative : Montrer qu’à t ∈ R fixé,

lim Fn (t + ln n) = FX (t),
n→+∞

où FX est la fonction de répartition définie par (1) de l’exercice 3. On dit alors que la
suite (Zn − ln n)n∈N∗ converge en loi vers X.

page 4/4