ECE2-B 2019-2020

Exercice 3. (☀☀)
En utilisant l’inégalité de Bienaymé-Tchebychev, montrer que :
Z x √
Feuille d’exercices n°14 : Convergence
 
2
− t2 1
∀x > 0, e dt > 2π 1 − 2
−∞ 2x
approximation
Convergence en loi
Exercice 4. (☀☀)
Soit (Xn )n∈N∗ une suite de variables aléatoires définies sur un même espace
probabilisé, indépendantes, suivant la même loi uniforme sur [0, 1].
Inégalité de Markov Pour tout n > 1, on pose :
Exercice 1. (☀)
Mn = max (X1 , X2 , . . . , Xn ) et Yn = n(1 − Mn )
On se propose de démontrer l’inégalité de Markov dans le cas particulier où
la v.a.r. considérée T est une v.a.r. à densité. On admet que Mn et Yn sont des variables aléatoires à densité.
On suppose que T est à valeur dans R+ et que T admet une espérance.
Z a Z +∞ 1. Déterminer la fonction de répartition de Mn , puis celle de Yn .
1. Soit a > 0. Démontrer que : E(T ) = t f (t) dt + t f (t) dt. 2. Montrer que la suite (Yn )n∈N∗ converge en loi vers une variable remar-
0 a
Z +∞ quable.
2. En déduire que : E(T ) > a f (t) dt.
a
3. Conclure. Exercice 5. (☀☀)
1. Soit X une v.a.r. suivant une loi exponentielle de paramètre 1.
Inégalité de Bienaymé-Tchebychev Soit Z la variable aléatoire définie par Z = − ln(X).
Déterminer la loi de Z.
Exercice 2. (☀) (extrait de EDHEC 2007)
2. On considère une suite (Xn )n∈N∗ de variables aléatoires indépendantes
Soit X une variable discrète à valeurs dans N∗ , de loi définie par :
suivant toutes la loi exponentielle de paramètre 1. On pose pour tout
P 1 1 k
+∞
n ∈ N∗ , Yn = max (Xk ) − ln(n).
 
∗
∀i ∈ N , P([X = i]) = 16k6n
k=i k 2
a) Déterminer la fonction de répartition de Yn .
On admet que X a une espérance et une variance respectivement égale à
3 11 b) Montrer que la suite de variables aléatoires (Yn )n∈N∗ converge en loi
E(X) = et V(X) = . vers Z lorsque n tend vers +∞.
2 12
1. Écrire l’inégalité de Bienaymé-Tchebychev, pour la variable X.
11
2. En déduire que P([X > 3]) 6 .
27

(☆): application directe du cours, (☀): pas de difficulté majeure, (☀☀): plus difficile, (☀☀☀): costaud 1
ECE2-B 2019-2020

Exercice 6. (☀☀) Exercice 8. (☀☀)

Soit n ∈ N∗ . On considère une variable aléatoire réelle Xn de loi exponentielle Soit n un entier naturel strictement positif. On définit la fonction fn par :
1
de paramètre , et on définit la variable aléatoire Yn , par Yn = bXn c, où bxc (  x n
n an 1 − si 0 6 x 6 n
désigne la partie entière du réel x. On rappelle que bxc est égal à l’unique ∀x ∈ R, fn (x) = n
entier k vérifiant k 6 x < k + 1. 0 sinon
1. a) Préciser les valeurs prises par Yn et déterminer la loi de Yn . 1. Déterminer an pour que fn soit une densité de probabilité.
b) Calculer l’espérance E (Yn ) et la variance V(Yn ). 2. Soit alors (Xn )n∈N∗ une suite de variables aléatoires à densité telle que
2. Pour tout n de N∗ ,
on pose Zn = Xn − Yn . Xn admette fn pour densité.
On définit ainsi une suite (Zn )n>1 de variables aléatoires réelles. a) Déterminer la fonction de répartition Fn de Xn .
a) Montrer que pour tout n ∈ N∗ ,
Zn est une variable aléatoire à densité b) Pour x ∈ R, déterminer la limite de Fn (x) lorsque n tend vers +∞.
et déterminer une densité de Zn .
c) Montrer que la suite de variables aléatoires (Xn )n∈N∗ converge en loi
b) Montrer que la suite (Zn )n>1 converge en loi vers une variable aléatoire vers une variable aléatoire Z que l’on déterminera.
U dont on donnera la loi.
3. On considère la fonction et le programme suivant :
c) Calculer l’espérance E (Zn ). Montrer que la suite (E (Zn ))n>1 admet
une limite que l’on déterminera. A-t-on lim E (Zn ) = E (U ) ? 1 function X = simulX(n)
n→+∞ 1 m = 20 000
2 Y = n ? rand()
2 n = 100
3 for k = 1:n
Exercice 7. (☀☀) 3 S = 0
4 U = n ? rand()
Soit n un entier supérieur ou égal à 2. 4 for k = 1:m
5 if U < Y then
Un groupe de n personnes portant des numéros de 1 à n tire à tour de rôle, 5 if simulX(n) <= 1 then
6 Y = U
avec remise, un numéro compris entre 1 et n dans une urne. Si l’une des 6 S = S+1
7 end
personnes a tiré son propre numéro, on recommence la série des n tirages, 7 end
8 X = Y
sinon on arrête. 8 end
9 end
On note Xn le nombre de séries de n tirages qu’il faut effectuer pour que 9 disp(S / m)
10 endfunction
chaque personne ait tiré un numéro différent du sien.
1. Montrer que Xn suit une loi géométrique dont on précisera le paramètre. a) Montrer que la fonction simulX de paramètre n simule une variable
2. Pour tout k ∈ N∗ , calculer lim P([Xn = k]). aléatoire de même loi que Xn .
n→+∞
En déduire que la suite (Xn )n∈N∗ converge en loi vers une variable aléa- b) On donne e−1 ' 0, 37.
toire X dont on précisera la loi. En utilisant la question 2, ainsi que la loi faible des grands nombres,
expliquer pourquoi le résultat affiché, après exécution du programme,
est proche de 0, 63.

(☆): application directe du cours, (☀): pas de difficulté majeure, (☀☀): plus difficile, (☀☀☀): costaud 2
ECE2-B 2019-2020

Exercice 9. (☀☀) (d’après EML 2017) 2. On exécute le programme suivant :

On considère une urne contenant initialement une boule bleue et deux boules
rouges. On effectue, dans cette urne, des tirages successifs de la façon sui- 1 n = 10
vante : on pioche une boule au hasard et on note sa couleur, puis on la 2 m = 0
replace dans l’urne en ajoutant une boule de la même couleur que celle qui 3 for i = 1:1000
vient d’être obtenue. 4 m = m + EML(n)
5 end
Pour tout k de N∗ , on note :
6 disp(m/1000)
Bk l’événement : « on obtient une boule bleue au k ème tirage », On obtient 6.657. Comment interpréter ce résultat ?
Rk l’événement : « on obtient une boule rouge au k ème tirage ».
Partie II et III
Partie I : Simulation informatique
• En Partie II, on définit la v.a.r. Y égale au rang d’apparition de la pre-
1. Recopier et compléter la fonction suivante afin qu’elle simule l’expérience mière boule bleue et la v.a.r. Z égale au rang d’apparition de la première
étudiée et renvoie le nombre de boules rouges obtenues lors des n premiers boule rouge.
tirages, l’entier n étant entré en argument.
• En Partie III, on définit, pour tout k de N∗ , la v.a.r. Xk égale à 1 si l’on
1 function s = EML(n) obtient une boule rouge au k ème tirage et égale à 0 sinon.
2 b = 1 // nb de boules bleues présentes dans l’urne On définit, pour tout n de N∗ , la v.a.r. Sn égale au nombre de boules rouges
3 r = 2 // nb de boules rouges présentes dans l’urne obtenues au cours des n premiers tirages. On démontre :
4 s = 0 // nb de rouges obtenues lors des n tirages 2 (k + 1)
∀n ∈ N∗ , ∀k ∈ J0, nK, P [Sn = k]


=
5 for k = 1:n (n + 1)(n + 2)
6 x = rand()
7 if ... then Partie IV : Étude d’une convergence en loi
8 ...
9 else On s’intéresse dans cette partie à la proportion de boules rouges obtenues
Sn
10 ... lors des n premiers tirages. On pose, pour tout n de N∗ , Tn = .
11 end n
3. Justifier, pour tout n de N∗ : ∀x < 0, P([Tn 6 x]) = 0,
12 end
et : ∀x > 1, P([Tn 6 x]) = 1.
13 endfunction
(bnxc + 1)(bnxc + 2)
4. Soit x ∈ [0, 1]. Montrer : ∀n ∈ N∗ , P([Tn 6 x]) = .
(n + 1)(n + 2)
5. En déduire que la suite de variables aléatoires (Tn )n∈N∗ converge en loi
vers une v.a.r. à densité, dont on précisera la fonction de répartition et
une densité.

(☆): application directe du cours, (☀): pas de difficulté majeure, (☀☀): plus difficile, (☀☀☀): costaud 3
ECE2-B 2019-2020

Théorème Central Limite (TCL) Exercice 12. (☀☀) (d’après EML 2006)
Exercice 10. (☀☀) 1. Soit Z une variable aléatoire suivant une loi géométrique de paramètre p.
Soit (Xn )n∈N∗ une suite de variables aléatoires indépendantes suivant la même Ainsi, pour tout k ∈ N∗ , P ([Z = k]) = p (1 − p)k−1 .
loi exponentielle de paramètre 1. a) Rappeler la valeur de E(Z) et V(Z).
∗ 1P n
∗ √
On pose, pour tout n ∈ N , Xn = Xi et Xn = n(Xn − 1). On note b) Écrire une fonction simulZ en langage Scilab, de paramètre p, qui
n i=1
simule la variable aléatoire Z.
Fn la fonction de répartition de Xn∗ .
2. Soient un entier n supérieur ou égal à 2, et n variables aléatoires indépen-
1. a) Donner l’espérance et la variance de Xn .
dantes Z1 , Z2 , . . . , Zn , suivant toutes la loi géométrique de paramètre p.
b) Montrer que Xn converge en probabilité vers 1, c’est-à-dire : On considère donc un n-échantillon (Z1 , Z2 , . . . , Zn ) de variables indépen-

dantes et de même loi que Z.
∀ε > 0, lim P Xn − 1 > ε = 0 1
n→+∞ On considère la variable aléatoire Mn = (Z1 + Z2 + · · · + Zn ) .
n
2. a) Quelle est, pour x ∈ R, la limite de Fn (x) lorsque n tend vers +∞ ? a) Déterminer l’espérance m et l’écart-type σn de Mn .
 
2 2 b) Montrer que lim P ([0 6 Mn − m 6 σn ]) existe et exprimer sa va-
b) Calculer une valeur approchée de P 1 − √ 6 Xn 6 1 + √ , n→+∞
n n Z 1
x2
pour n assez grand. leur à l’aide de e− 2 dx.
0
Si Φ la fonction de répartition de la loi normale réduite, on donne
c) Écrire une fonction simulM en Scilab, de paramètres n et p, utilisant
Φ(2) ' 0,977.
la fonction simulZ définie à la question 1.b) , qui simule la v.a.r. Mn .
d) En se référant à la loi faible des grands nombres, et en utilisant la
Exercice 11. (☀☀)
question 2.b) , écrire un programme en Scilab, utilisant la fonction
Soit (Xn )n∈N∗ une suite de variables aléatoires indépendantes, suivant toutes Z 1 x2
la loi uniforme sur [0, 1]. simulM, qui calcule et affiche une valeur approchée de e− 2 dx.
1P n √ 0
On note Tn = Xk , et Tn∗ la variable centrée-réduite associée à Tn . On rappelle que sqrt(x) calcule x en Scilab, et que π ' 3, 14.
n k=1 !2
k
1. Étudier la convergence en loi de la suite de variables (Tn∗ )n>1 . 1 x2 1 n−1 n
Z
e− e− 2 .
P
e) Justifier le résultat suivant : 2 dx = lim
2. En déduire une fonction qui simule la loi normale centrée-réduite. 0 n k=0 n→+∞
Puis, écrire une fonction de paramètres m et s qui simule une variable En déduire un second programme Z 1en Scilab qui calcule et affiche une
x2
aléatoire de loi normale d’espérance m et d’écart-type s. valeur approchée de l’intégrale e− 2 dx.
0

(☆): application directe du cours, (☀): pas de difficulté majeure, (☀☀): plus difficile, (☀☀☀): costaud 4
ECE2-B 2019-2020

Exercice 13. (☀☀) Approximation

Soit (Xn )n∈N∗ une suite de variables aléatoires indépendantes, suivant la
Exercice 15. (☀☀) (extrait de HEC 2002 - Maths III)
même loi de Poisson de paramètre 1.
n
On appelle durée de vie d’un composant électronique la durée de fonction-
∗ Xk , son espérance et sa nement de ce composant jusqu’à sa première panne éventuelle.
P
1. Pour tout n ∈ N , donner la loi de Sn =
k=1 On suppose que la durée de vie d’un composant suit la loi géométrique de
variance. 1
n nk
paramètre p = 200 .
−n · Un premier composant est mis en service à l’instant 0 et, quand il tombe
P
2. À l’aide du théorème de la limite centrée, déterminer lim e
n→+∞ k=0 k! en panne, est remplacé instantanément par un composant identique qui sera
remplacé à son tour à l’instant de sa première panne dans les mêmes condi-
Exercice 14. (☀☀) (d’après HEC 2001 - Maths III) tions, et ainsi de suite.
On réalise une suite de lancers indépendants d’une pièce de monnaie équili- Pour tout n ∈ N∗ , on note Un la variable aléatoire désignant le nombre de
brée. On associe à cette expérience une suite (Xn )n>1 de variables aléatoires pannes (et donc de remplacements) survenues jusqu’à l’instant n inclus.
indépendantes, définies sur un espace probabilisé (Ω, A, P ) et suivant toutes On admet que Un suit la loi binomiale de paramètres n et p.
1 On considère un appareillage électronique utilisant simultanément 1000 com-
la loi de Bernoulli de paramètre .
2 posants identiques fonctionnant indépendamment les uns des autres et dont
Pour tout entier n supérieur ou égal à 1, on pose Sn = X1 + · · · + Xn . 1
la durée de vie suit la même loi géométrique de paramètre p = 200 .
1. Déterminer la loi de probabilité de la variable Sn . À chaque instant, les composants en panne sont remplacés par des compo-
Quelles sont l’espérance et la variance de Sn ? sants identiques comme précédemment.
2. a) Montrer que pour tout réel ε strictement positif, on peut trouver une 1. Préciser la loi de la variable aléatoire U désignant le nombre total de
constante Kε telle que, pour tout entier n supérieur ou égal à 1, on remplacements de composants effectués jusqu’à l’instant n = 100 inclus.
Sn 1 Kε
ait l’inégalité : P − >ε 6 . 2. On désire qu’avec une probabilité de 0, 95, le stock de composants de
n 2 n
rechange soit suffisant jusqu’à l’instant n = 100 inclus.
b) Déduire de la majoration obtenue que :
À combien r peut-on évaluer ce stock ?
995
   
1 Sn 1 1 On donne : ' 22, 3 et, en désignant par Φ la fonction de répartition
∀r ∈ 0, , lim P − > r =0 2
2 n→+∞ n 2 n
de la loi normale centrée réduite, Φ(1, 65) ' 0, 95.
3. Montrer  d’autre part, à l’aidedu théorème de la limite centrée, que la
Sn 1 1
suite P − >√ admet une limite non nulle.
n 2 n n∈N∗

(☆): application directe du cours, (☀): pas de difficulté majeure, (☀☀): plus difficile, (☀☀☀): costaud 5
ECE2-B 2019-2020

Exercice 16. (☀☀) (extrait de ECRICOME 2008) k λi

e−λ
P
Table de Poisson donnant les probabilités cumulées :
Pour ce jeu de hasard, la mise pour chaque partie est de 1 euro. i=0 i!
1
L’observation montre qu’une partie est gagnée avec la probabilité , perdue
10 k λ=3 λ=4 λ=5 λ=6 λ=7
9
avec la probabilité . 0 0, 0498 0, 0183 0, 0067 0, 0025 0, 0009
10
Toute partie gagnée rapporte 3 euros. Les différentes parties sont indépen- 1 0, 1991 0, 0916 0, 0404 0, 0174 0, 0073
dantes. Une personne décide de jouer N parties (N > 2). 2 0, 4232 0, 2381 0, 1247 0, 0620 0, 0296
On note XN la variable aléatoire représentant le nombre de parties gagnées 3 0, 6472 0, 4335 0, 2650 0, 1512 0, 0818
et YN la variable aléatoire représentant le gain algébrique du joueur. 4 0, 8153 0, 6288 0, 4405 0, 2851 0, 1730
1. Donner la loi de XN ainsi que la valeur de l’espérance et de la variance 5 0, 9161 0, 7851 0, 6160 0, 4457 0, 3007
de cette variable. 6 0, 9665 0, 8893 0, 7622 0, 6063 0, 4497
7 0, 9881 0, 9489 0, 8666 0, 7440 0, 5987
2. Exprimer YN en fonction de XN .
8 0, 9962 0, 9786 0, 9319 0, 8472 0, 7291
En déduire la valeur de l’espérance et de la variance de YN .
9 0, 9989 0, 9919 0, 9682 0, 9161 0, 8305
3. La personne décide de jouer 60 parties. 10 0, 9997 0, 9972 0, 9863 0, 9574 0, 9015
On admet que l’on peut approcher X60 par une loi de Poisson. 11 0, 9999 0, 9991 0, 9945 0, 9799 0, 9467
a) Donner le paramètre de cette loi de Poisson. 12 1, 0000 0, 9997 0, 9980 0, 9912 0, 9730
b) À l’issue des 60 parties, quelle est la probabilité que le joueur perde 13 0, 9999 0, 9993 0, 9964 0, 9872
moins de 50 euros ? 14 1, 0000 0, 9998 0, 9986 0, 9943
(cette probabilité sera impérativement calculée en utilisant l’annexe si- 15 0, 9999 0, 9995 0, 9976
tuée à la fin de l’exercice) 16 1, 0000 0, 9998 0, 9990
17 0, 9999 0, 9996
18 1, 0000 0, 9999
19 1, 0000
20

(☆): application directe du cours, (☀): pas de difficulté majeure, (☀☀): plus difficile, (☀☀☀): costaud 6
ECE2-B 2019-2020

Exercice 17. (☀☀) Exercice 18. (☀☀)

On veut estimer le pourcentage p de réponses positives à un référendum. On estime à 60% la probabilité qu’une famille possède une voiture.
Pour cela, on effectue un sondage sur n personnes, et on estime p par la On admet que chaque famille possède au plus une voiture, et que chaque
fréquence relative Fn de « oui » sur les personnes sondées. famille se comporte indépendamment des autres.
On suppose les réponses données par les personnes sondées mutuellement On construit un ensemble de logements pour n famille.
indépendantes. On y adjoint un parking.
On cherche la taille minimale n de l’échantillon pour que la probabilité que On note Pn la variable aléatoire égale au nombre de familles possédant une
la fréquence relative Fn diffère de p de plus de 0, 01 soit inférieure 0, 05. voiture.
1. Étudier la fonction x 7→ x(1 − x) sur [0, 1]. 1. Expliquer pourquoi on peut approcher la loi de Pn par une loi normale,
2. Première méthode : utilisation de l’inégalité de Bienaymé-Tchebychev dont on précisera les paramètres.
a) Montrer, en utilisant l’inégalité de Bienaymé-Tchebychev, que : 2. Dans cette question, on suppose que n = 600.
a) Calculer la probabilité de ne pas satisfaire toutes les demandes de
2500
P ([|Fn − p| > 0, 01]) 6 stationnement si l’on construit 360 places de parking.
n
b) Le promoteur veut annoncer : « toute famille désirant un parking peut
b) Conclure quant à la taille minimale cherchée n de l’échantillon. en bénéficier ».
3. Seconde méthode : utilisation d’une approximation en loi Quel est le nombre de places que doit offrir le parking pour que sa
√
n publicité coure un risque limité à 2% d’être mensongère ?
a) Expliquer pourquoi on peut approcher la loi de p (Fn − p)
p(1 − p) On donne Φ(2, 06) = 0, 98.
par la loi normale centrée réduite. 3. Dans cette question, on suppose que le nombre de place de parking qu’il
b) Conclure quant à la taille minimale cherchée n de l’échantillon. est possible de construire est limité à 300.
On donne : Φ(1, 96) = 0, 975, et 982
= 9 604. Le nombre de logements, lui, n’est pas limité.
(982 = (100 − 2)2 = 1002 − 4 × 100 + 4 = 10000 − 400 + 4 = 9604) Le promoteur veut faire la même annonce que précédemment, à savoir :
4. Discuter les avantages et les inconvénients des deux méthodes. « toute famille désirant un parking peut en bénéficier ».
Quelle méthode l’institut de sondage va-t-il choisr ? Combien le promoteur doit-il construire de logements pour que sa publi-
cité coure un risque limité à 2% d’être mensongère ?

(☆): application directe du cours, (☀): pas de difficulté majeure, (☀☀): plus difficile, (☀☀☀): costaud 7