Lycée Pierre de Fermat 2017/2018

MPSI 1 TD

Variables aléatoires sur un univers fini

1 Variables aléatoires
⊲ Exercice 1.1.
On lance deux dés à six faces parfaitement équilibrés. Soit X la variable aléatoire égale à la somme des points
obtenus. Donner la loi de X, sa fonction de répartition ainsi que la loi de Y = |X − 7|.
⊲ Exercice 1.2.
Une urne contient initialement une boule blanche et une boule noire indiscernables au toucher. On y effectue
des tirages successifs et, à chaque pas du tirage, on replace dans l’urne la boule tirée en ajoutant une boule
supplémentaire de la même couleur indiscernable des autres au toucher.
On désigne par Xn le nombre de boules blanches obtenues au cours des n premiers tirages.
1. Déterminer la loi de X1 , la loi de X2 .
2. Calculer P(Xn = 0) et P(Xn = n).
3. Exprimer la loi de Xn en fonction de la loi de Xn−1 . En déduire, par récurrence, la loi de Xn .
⊲ Exercice 1.3.
Une urne contient n boules numérotées 1,2,...,n. On tire deux boules au hasard simultanément. Soit X(resp. Y )
la v.a. égale au plus petit(resp. plus grand) numéro tiré. Calculer E(X), E(Y ).
⊲ Exercice 1.4.
On place trois boules au hasard dans trois tiroirs T1 , T2 , T3 . On note X le nombre de tiroirs vides et Y le nombre
de boules dans T1 . Déterminer la loi du couple (X, Y ), sa covariance, son coefficient de corrélation linéaire. X et
Y sont-elles indépendantes ?
⊲ Exercice 1.5.
Une urne contient deux jetons marqués pour l’un 2 et pour l’autre -3. On tire trois fois de suite un jeton de
l’urne en le remettant après chaque tirage. On note a, b, c les nombres obtenus respectivement à chaque tirage.
A chaque triplet obtenu, on fait correspondre l’ensemble des nombres complexes solution de l’équation

az 2 + bz + c = 0.

1. Quelle est la probabilité que l’équation admette deux solutions réelles ?

2. On note X et Y les v.a. qui à chaque triplet (a, b, c) obtenu font respectivement correspondre la somme
et le produit des solutions de l’équation. Quelles sont les lois de probabilité de X et Y ?
3. Quelle est la loi du couple (X, Y ) ?
4. Quelle est la loi de la v.a. Z = X 2 − 4Y ? Retrouver alors la probabilité que l’équation admette deux
racines réelles.
⊲ Exercice 1.6.
On donne un entier n ≥ 3. n personnes se répartissent au hasard dans les trois pièces A1 , A2 et A3 d’un
appartement, chaque pièce pouvant contenir un nombre quelconque de personnes allant de 0 à n. On désigne
par X1 , X2 et X3 les variables aléatoires prenant pour valeurs respectives le nombre de personnes situées dans
les pièces A1 , A2 et A3 .
1. (a) Donner les lois de probabilité de X1 , X2 , X3 et X1 + X2 .
(b) Calculer la variance de X1 + X2 ; en déduire la covariance et le coefficient de corrélation linéaire du
couple (X1 , X2 ).
2. (a) Donner la loi de probabilité conjointe du couple (Xi , Xj ), i 6= j.
(b) On désigne par Yn la variable aléatoire prenant pour valeurs le nombre de pièces occupées. Donner la
loi de Yn et son espérance mathématique.
⊲ Exercice 1.7.
Une urne contient n boules numérotées de 1 à n (n ≥ 2). On s’intéresse à la suite d’épreuves suivantes : on tire
au hasard une boule de l’urne, on note son numéro, puis on la remet dans l’urne. On retire alors de l’urne toutes
les boules portant un numéro strictement inférieur au numéro que l’on vient de noter. L’urne est alors prête pour
le tirage suivant.
On note Uk la v.a. égale au numéro de la boule obtenue au k-ième tirage.
1. Proposer un univers. Quel est son cardinal ?
2. Donner la loi, l’espérance et la variance de U1 .
3. Soit k ∈ N∗ . Quel est l’ensemble des valeurs prises par Uk ? Déterminer P(Uk = 1).

1
 4. Calculer pour k ∈ N∗ et 1 ≤ i, j ≤ n, P(Uk+1 = i|Uk = j). En déduire l’expression de P(Uk+1 = i) en
fonction de la famille (P(Uk = j))1≤j≤n .
5. Pour tout k ∈ N∗ , on pose uk = E(Uk ). Montrer que la suite (uk ) est une suite arithmético-géométrique.
En déduire la valeur de uk en fonction de n et k.
⊲ Exercice 1.8. Espérance et variance de la loi hypergéométrique
Une urne contient n boules dont m sont rouges (1 < m < n). On effectue k tirages d’une boule sans remise. On
définit la variable aléatoire Xi égale à 1 si la i-ème boule tirée est rouge, à 0 sinon. On note X le nombre de
boules rouges tirées.
1. Calculer l’espérance et la variance de Xi .
2. Déterminer, pour i 6= j, la loi du couple (Xi , Xj ). En déduire Cov(Xi , Xj ).
3. Calculer l’espérance et la variance de X.
⊲ Exercice 1.9.
Une v.a. X suit la loi binomiale de paramètres n et p . Y est une v.a. prenant des valeurs entières telle que la
loi conditionnelle de Y sachant (X = k), k = 0 · · · n, soit une loi binomiale de paramètres n − k et t. Montrer
que Y suit la loi binomiale de paramètres n et t(1 − p). Quelle est la loi de X + Y ?
⊲ Exercice 1.10.
Deux v.a. de loi de Bernoulli non corrélées (coefficient de corrélation linéaire nul) sont-elles indépendantes ?
⊲ Exercice 1.11.
On considère une urne contenant n boules blanches et n boules noires dans laquelle on effectue des tirages
successifs d’une boule, sans remise. On désigne par T la variable aléatoire égale au rang du premier tirage où la
couleur de la boule diffère de celle de la boule précédente.
n    
X k n+1
1. Préliminaire : Montrer que = .
p p+1
k=p
2. Préciser les valeurs prises par T .
3. Pour k ∈ N∗ , calculer P(T > k)(sans chercher à calculer P(T = k)).
Xn
4. Montrer que E(T ) = 1 + P(T > k). En déduire l’espérance de T et sa limite quand n tend vers +∞.
k=1

⊲ Exercice 1.12.
Soit N en entier au moins égal à 3 et (Xk )k∈N∗ une suite de v.a. définies sur un même espace probabilisé,
indépendantes, suivant la loi uniforme sur l’ensemble fini [[1, N ]]. Pour tout entier naturel n ≥ 1, on définit la
v.a. Sn = max (X1 , X2 , · · · , Xn ).
1. Les variables S1 , S2 , · · · sont-elles indépendantes ?
2. Pour tout entier n non nul, déterminer la loi de Sn .
3. (H.P.) Démontrer que la probabilité de l’événement ∪+∞
k=1 (Sk = N ) est égale à 1.

⊲ Exercice 1.13.
Combien
 de fois faut-il
 jeter une pièce bien équilibrée pour que la moyenne de « Pile » obtenus soit dans l’intervalle
1 1
− 0, 01; + 0, 01 avec une probabilité supérieure ou égale à 0, 96 ?
2 2
⊲ Exercice 1.14.
On lance indéfiniment un dé non pipé à six faces. A l’aide de l’inégalité de Bienaymé-Tchebychev, déterminer
la plus petite valeur de n pour laquelle on a plus d’une chance sur deux d’obtenir, en 6n lancers, une fréquence
1
d’apparition du six qui s’écarte de moins de 10−2 de la valeur .
6
⊲ Exercice 1.15. On effectue 4n lancers d’un dé tétraédrique, dont les faces sont marquées 1, 2, 3, 4. Ce dé est
1
pipé et la probabilité qu’un lancer quelconque cache la face marquée 1 vaut p avec 0 < p < 1 et p 6= .
4
On note Xn la variable aléatoire égale au nombre de fois où la face marquée 1 a été cachéee.
1. Quelle est la loi de Xn ?
2. Montrer que P(Xn = n) ≤ P(|Xn − 4np| ≥ n|1 − 4p|)
3. En déduire que lim P(Xn = n) = 0.
n→+∞

2
⊲ Exercice 1.16.
Soit p ∈]0, 1[. On considère une suite (Xi ) de v.a. mutuellement indépendantes, de même loi de Bernoulli de
paramètre p.
Xn + Xn+1 Y1 + · · · + Yn
Pour tout n ∈ N∗ , on définit Yn = et Tn = .
2 n
1. Déterminer la loi des v.a. Yn .
2. Calculer E(Tn ) et V(Tn ).
3. Montrer que, pour tout ε > 0, lim P(|Tn − p| ≥ ε) = 0.
n→+∞

⊲ Exercice 1.17. Soient (Ω, P ) un espace probabilisé et X : Ω → R une variable aléatoire ne prenant que
n ∈ N∗ valeurs différentes (x1 , . . . , xn ) ∈ Rn .
Montrer que la connaissance des moments d’ordre i de X pour i ∈ [[1, n − 1]], à savoir (E(X i ))i∈[[1,n−1]] permet
d’accéder à la loi de X.
Expliciter le cas n = 2.

Montrer que les valeurs (pi = P(X = i) i∈[[1,n]] de la loi de X peuvent être explicités en utilisant les espérances
de la base d’interpolation de Lagrange en x1 , . . . , xn .

⊲ Exercice 1.18. Mines MP 2017. Soit A = (Ai,j )(i,j)∈[[1,n]]2 une matrice dont les coefficients sont des variables
aléatoires Ai,j réelles centrées, réduites, identiquement distribuées définies sur un espace probabilisé fini (Ω, P)
et mutuellement indépendantes.
Calculer E(det(A)) et V(detA).
⊲ Exercice 1.19. Mines PSI 2017. On considère une urne contenant n boules numérotées de 1 à n, dans
laquelle on effectue n tirages successifs sans remise. On note Xk le numéro de la boule tirée à la k-ème étape.
On dit qu’il y a un pic à la k-ème étape si Xk > max(X1 , . . . , Xk−1 ). On convient qu’il y a toujours un pic au
premier tirage. On note Sn le nombre de pics au cours des n tirages.
1. Déterminer P(Sn = 1) et P(Sn = n).
2. Soit Tk la variable indicatrice de l’événement : il y a un pic au k-ème tirage. Déterminer la loi de Tk .
Donner l’espérance de Sn .

2 Couples de variables aléatoires

⊲ Exercice 2.1. Soient X et Y deux variables aléatoires de Bernoulli indépendantes de paramètres respectifs
p1 et p2 . On pose U1 = X + Y et U2 = XY .
1. Déterminer les lois, espérance et variances de U1 et U2 . Quelle est la loi du couple (U1 , U2 ) ?
2. U1 et U2 sont-elles indépendantes ?
3. Soient X1 , ..., Xn n variables aléatoires de Bernoulli de paramètres respectifs p1 ,...,pn . On pose Z =
max(X1 , ..., Xn ) et V = min(X1 , ..., Xn ). Déterminer les lois de Z et V .
⊲ Exercice 2.2. Soit Fn l’ensemble des applications de E = [[1, n]] dans lui-même (n > 3).
Soit X la v.a. qui, à f ∈ Fn associe le cardinal de Imf .
Pour tout i ∈ [[1, n]], Xi est la v.a. indicatrice de l’événement « i ∈ Imf ».
1. Quelle est la loi de Xi ?
E(X)
2. Calculer E(X). Donner un équivalent de lorsque n → +∞.
n
3. Expliciter la loi du couple (Xi , Xj ) pour (i, j) ∈ [[1, n]]2 . Montrer que
 n  n
1 2
Cov(Xi , Xj ) = 1 − 2 1 − + 1−
n n
 
V(X) 1 1
4. Calculer la variance de X et montrer que ∼ 1− .
n n→+∞ e e

3
Correction des exercices
⊲ Corrigé de l’exercice 1.1

⊲ Corrigé de l’exercice 1.2

1. X1 (Ω) = [[0, 1]].
1 1
Pour le premier tirage, la boule étant prise « au hasard », P(X1 = 0) = et P(X1 = 1) = donc
  2 2
1
X1 ֒→ B .
2
X2 (Ω) = [[0, 2]].
Pour le deuxième tirage, utilisons la formule des probabilités totales version conditionnelle en nous plaa̧nt
dans le système complet associé à la v.a. X1 ce qui est autorisé car P(X1 = 0) > 0 et P(X1 = 1) > 0 :
1
P(X2 = 0) = PX1 = 0(X2 = 0) × P(X1 = 0) + PX1 = 1(X2 = 0) × P(X1 = 1) =
| {z } | {z } | {z } | {z } 3
2 1 =0 1
= = =
3 2 2
1
P(X2 = 1) = PX1 = 0(X2 = 1) × P(X1 = 0) + PX1 = 1(X2 = 1) × P(X1 = 1) =
| {z } | {z } | {z } | {z } 3
1 1 1 1
= = = =
3 2 3 2
1
P(X2 = 2) = PX1 = 0(X2 = 2) × P(X1 = 0) + PX1 = 1(X2 = 2) × P(X1 = 1) =
| {z } | {z } | {z } | {z } 3
=0 1 2 1
= = =
2 3 2
Ainsi, X2 suit la loi uniforme sur [[0, 2]] donc 1 + X2 ֒→ U3 (loi uniforme sur [[1, 3]]).
2. Calculer P(Xn = 0) et P(Xn = n).
1
Montrons que P(Xn = 0) = = P(Xn = n) par récurrence sur n en considérant la propriété P
n+1
définie pour tout n ∈ N par
∗

1
P(n) : « P(Xn = 0) = = P(Xn = n) »
n+1
⋆ P(1) est vraie d’après la question 1.
⋆ Soit n ∈ N fixé quelconque tel que P(n) est vraie.
1
Puisque la véracité de P(n) donne P(Xn = 0) = , la formule des probabilités conditionnelles dit
n+1
1
P((Xn = 0) ∩ (Xn+1 = 0)) = P(Xn = 0)(Xn+1 = 0) × P(Xn = 0) =
| {z } | {z } | {z } n+2
= P(Xn+1 = 0) n+1 1
= =
car (Xn = 0) ⊂ (Xn+1 = 0) n+2 n+1
car sachant (Xn = 0), il y a car P(n) est vraie
1 boule blanche et n + 1 noires
De même, en se plaçant dans le système complet (Xn = k)k∈[[0,n]],
n
X
P(Xn+1 = n + 1) = P((Xn = k) ∩ (Xn+1 = n + 1)) = P((Xn = n) ∩ (Xn+1 = n + 1))
| {z }
k=0
= ∅ si k < n
1
si bien que, puisque la véracité de P(n) donne P(Xn = n) = , la formule des probabilités
n+1
conditionnelles dit
1
P((Xn = 0) ∩ (Xn+1 = 0)) = P(Xn = n)(Xn+1 = n + 1) × P(Xn = n) =
| {z } | {z } | {z } n+2
= P(Xn+1 = n + 1) n+1 1
= =
n+2 n+1
car sachant (Xn = n), il y a car P(n) est vraie
n + 1 boule blanches et 1 noires
Par conséquent, P(n + 1) est vraie.
1
Ainsi, ∀n ∈ N, P(Xn = 0) = = P(Xn+1 ).
n+1

1
 3. Xn+1 (Ω) = [[0, n + 1]].
1 1
D’après les questions précédentes, P(Xn+1 = 0) = et P(Xn+1 = n + 1) = .
n+2 n+2
Soit i ∈ [[1, n]].
En se plaçant dans le système complet (Xn = k)k∈[[0,n]] ,
n
X
P(Xn+1 = k) = P( (Xn = k) ∩ (Xn+1 = i) ) = P((Xn = i−1)∩(Xn+1 = i))+P((Xn = i)∩(Xn+1 = i))
| {z }
k=0
= ∅ si k < i − 1 ou k > i

Exprimer la loi de Xn en fonction de la loi de Xn−1 . En déduire, par récurrence, la loi de Xn .

⊲ Corrigé de l’exercice 1.3

Ω = {{i, j} | (i, j) ∈ [[1, n]] , i 6= j}.
On munit
 Ω de la probabilité uniforme (tirage « au hasard »).
n
|Ω| = .
2
X(Ω) = [[1, n − 1]]

n−i
1
2(n − i)
∀i ∈ [[1, n − 1]], P(X = i) = n = .
2
n(n − 1)

n−1
X
E(X) = iP(X = i)
i=1
n−1
X 2(ni − i2 )
=
i=1
n(n − 1)
n−1 n−1
!
2 X X
= n i− i2
n(n − 1) i=1 i=1
 
2 (n − 1)n 1
= n − (n − 1)n(2n − 1)
n(n − 1) 2 6
2
= (3n − (2n − 1))
6
n+1
=
3
Y (Ω) = [[2, n]]

i−1
1
2(i − 1)
∀i ∈ [[2, n]], P(Y = i) = = .
n
2
n(n − 1)
n
X
E(Y ) = iP(Y = i)
i=2
n
X 2(i2 − i)
=
i=2
n(n − 1)
n n
!
2 X X
= i2 − i
n(n − 1) i=2 i=2
n n
!
2 X
2
X
= i −1− i+1
n(n − 1) i=1 i=1
 
2 1 n(n + 1)
= n(n + 1)(2n + 1) −
n(n − 1) 6 2
2(n + 1)
= ((2n + 1) − 3)
6(n − 1)
2(n + 1)
=
3
⊲ Corrigé de l’exercice 1.4

⊲ Corrigé de l’exercice 1.5

⊲ Corrigé de l’exercice 1.6

⊲ Corrigé de l’exercice 1.7

2
1. Ω = {(i1 , i2 , . . . , ik ) ∈ [[1, n]]k | i1 6 i2 6 . . . 6 ik }.
Ω est en bijection avec les applications croissantes de [[1, k]] dans [[1, n]] donc (voir feuille de TD de
 
n+k−1
dénombrement) |Ω| = .
k

Il y a un problème, l’univers sur lequel nous définissons Uk n’est pas le même a priori que celui sur lequel
nous définissons Uk+1 , donc a priori les probabilités sur ces univers diffèrent également....comment lever ce
problème ? en considérant un univers infini...mais alors comment définit-on la probabilité sur cet univers ?
2. U1 ֒→ Un donc
⋆ U1 (Ω) = [[1, n]],
1
⋆ ∀i ∈ [[1, n]], P(U1 = i) = .
n
n+1 n2 − 1
On en déduit que E(U1 ) = et V(U1 ) = .
2 12

3. Soit k ∈ N∗ .
D’une part, compte tenu de l’expérience modélisée, Uk (Ω) ⊂ [[1, n]].
Par ailleurs, pour tout i ∈ [[1, n]], considérons l’issue (i, . . . , i) constituée de k tirages successifs de la boule
numéro i, alors Uk (ω) = i donc [[1, n]] ⊂ Uk (Ω).

Par conséquent, Uk (Ω) = [[1, n]].

L’événement {Uk = 1} s’écrit également

k
\
{Uk = 1} = {U1 = 1} ∩ {u2 = 1} ∩ . . . ∩ {Uk = 1} = {Xi = 1}
i=1

si bien que la formule des probabilités composées donne

k
!
\
P(Uk = 1) = P {Xi = 1}
i=1
k−1
\
= P(U1 = 1) × P{U1 = 1}(U2 = 1) ×P{U1 = 1} ∩ {U2 = 1}(U3 = 1) × . . . × P {Ui = 1}(Uk = 1)
| {z } | {z }
i=1
1 1 | {z }
= = 1
n n =
n
1
=
nk

1
Ainsi, P(Uk = 1) = .
nk
Remarque. En toute rigueur, pour pouvoir appliquer la formule des probabilités composées, il est né-
k−1
\
cessaire de vérifier que P( {Ui = 1}) 6= 0, c’est pourquoi il est plus rigoureux de prouver le résultat
i=1
ci-dessus par récirrence sur la propriété P(k) définie pour k ∈ [[1, n]] :
1
P(k) : « P(Uk = 1) = »
nk

4. Soient (i, j) ∈ [[1, n]]2 fixés quelconques.

⋆ Si i < j, les événements {Uk+1 = i} et {Uk = j} sont incompatibles donc P(Uk+1 = i, Uk = j) = 0 .

P(Uk = j)
⋆ Si i > j, P(Uk+1 = i, Uk = j) = P{Uk = j}(Uk+1 = i)P(Uk = j) = car sachant que
n−j+1
Xk = j, il s’agit de la probabilité de tirer au hasard une boule parmi n − j + 1 boules indiscernable.
En utilisant la formule des probabilités totales dans le système complet associé à la variable

3
 aléatoire Uk à savoir ({Uk = j})j∈[[1,n]],
n
X
P(Uk+1 = i) = P({Uk+1 = i} ∩ {Uk = j})
j=1
Xn
= P(Uk+1 = i, Uk = j)
j=1
i
X
= P(Uk+1 = i, Uk = j) car j > i ⇒ P(Uk+1 = i, Uk = j) = 0
j=1
i
X
= P{P(Xk = j)}(Uk+1 = i)P(Xk = j)
j=1
i
X P(Xk = j)
= en utilisant la probabilité calculée ci-dessus.
j=1
n−j+1

5.

uk+1 = E(Xk+1 )
Xn
= iP(Xk+1 = i)
i=1
n i
X X P(Xk = j)
= i
i=1 j=1
n−j +1
X P(Xk = j)
= i
n−j+1
16j6i6n
n Xn
X P(Xk = j)
= i
j=1 i=j
n−j+1
n n
X P(Xk = j) X
= i
j=1
n − j + 1 i=j
n
X P(Xk = j) (n + j)(n − j + 1)
=
j=1
n−j +1 2
n
1X
= (n + j)P(Xk = j)
2 j=1
n n
nX 1X
= P(Xk = j) + jP(Xk = j)
2 j=1 2 j=1
| {z } | {z }
=1 = E(Xk )
1 n
= uk +
2 2

Par conséquent, la suite (uk ) est une suite arithmético-géométrique solution de la relation de réucurrence
linéaire d’ordre 1 à coefficients constants et avec second membre
1 n
∀k ∈ N∗ , uk+1 = uk + (1)
2 2
La droite vectorielle des solutions de l’équstion homogène est
  
λ
λ∈R
2k k∈N∗

Une solution particulière constante est (n)k∈N∗ si bien que la droite affine des solutions de l’équation de
récurrence (1) est   
λ
+n λ∈R
2k k∈N∗

n+1
Sachant que la suite qui nous intéresse vérifie u1 = E(U1 ) = , on détermine la valeur de λ qui
2
correspond à notre suite

4
 1−n
Ainsi, ∀k ∈ N∗ , uk = + n.
2k

Remarque : lim uk = n ce qui s’interprête comme le fait que, lorsque k → +∞, la variable Uk est
k→+∞
presque sûrement constante égale à 1.

⊲ Corrigé de l’exercice 1.8

⊲ Corrigé de l’exercice 1.9

1. Par définition, puisque les lois conditionnelles sachant (X = k) pour k ∈ [[0, n]] (car X ֒→ B(n, p)) sont à
valeurs dans [[1, n − k]], Y est à valeurs dans [[0, n]].
Pour tout i ∈ [[0, n]], en utilisant le système complet associé à X, la formule des probabilités totales sous sa
forme conditionnée donne (puisque pour tout k ∈ [[0, n]], P(X = k) > 0 par définition d’une loi binomiale)
n
X
P(Y = i) = P(Y = i|X = k)P(X = k)
k=0
n−i
X
= P(Y = i|X = k)P(X = k) car loi binomiale B(n − k, t) impose une image dans [[1, n − k]]
k=0
donc i 6 n − k ⇐⇒ k 6 n − i
n−i    
X n−k i n k
= t (1 − t)n−k−i p (1 − p)n−k
i k
k=0
n−i   
X n−k n
= ti (1 − t)n−k−i pk (1 − p)n−k
i k
k=0 | {z }
(n − k)! n!
=
i!(n − k − i)! k!(n − k)!
n! (n − i)!
=
i!(n − i)! k!(n − k − i)!
  X n−i   !
n n−i k
= p (1 − p)n−k−i (1 − t)n−k−i ti (1 − p)i
i k
k=0
 
n n−i i
= (p + (1 − p)(1 − t)) t (1 − p)i
i
 
n n−i
= (1 − t(1 − p)) (t(1 − p))i
i

De plus, t ∈ [0, 1] et 1 − p ∈ [0, 1] donc t(1 − p) ∈ [0, 1].

Par conséquent, Y ֒→ B(n, t(1 − p)).

2. Sachant que X(Ω) = [[0, n]] et Y (Ω) = [[0, n]], on a (X + Y )Ω ⊂ [[0, 2n]].
Soit i ∈ [[0, 2n]] fixé quelconque.

X
P(X + Y = i) = P(X = k, Y = i − k)
k∈X(Ω)
min(i,n)
X
= P(X = k, Y = i − k) car Y (Ω) = [[0, n]]
k=0
min(i,n)
X
= P(X = k)(Y = i − k) × P(X = k)
k=0
min(i,n)    
X n − k i−k n k
= t (1 − t)n−k−(i−k) × p (1 − p)n−k
i−k k
k=0

En particulier,

5
 ⋆ si i 6 n,
i   
X n−k n
P(X + Y = i) = ti−k (1 − t)n−k−(i−k) pk (1 − p)n−k
i−k k
k=0 | {z }
(n − k)! n!
=
(i − k)!(n − i)! k!(n − k)!
i! n!
=
k!(i − k)! i!(n − i)!
  X i  
!
n i k i−k
= p t (1 − p) i−k
(1 − t)n−i (1 − p)n−i
i k
k=0
 
n i
= (p + t(1 − p)) (1 − t)n−i (1 − p)n−i
i
 
n i
= (p + t(1 − p)) (1 − p − t(1 − p)n−i
i
 
n−k
⋆ si i > n + 1, le coefficient est nul pour tout k ∈ [[0, min(i, n)]] donc P(X + Y = i) = 0.
i−k

Par conséquent, X + Y ֒→ B(n, p + t(1 − p)).

⊲ Corrigé de l’exercice 1.10

⊲ Corrigé de l’exercice 1.11

1. • Méthode 1 : récurrence sur n, p étant fixé en dehors de la récurrence. Interpréter cette relation sur le
triangle de Pascal et l’hérédité se lit sur ce triangle, elle vient de la formule de Pascal !
• Méthode 2 : interprétation combinatoire. Considérons un ensemble E de cardinal n + 1. Nous allons
dénombrer les partie de cardinal p + 1 de E de la manière suivante :
• Méthode 3 : autre approche combinatoire.
Notons, pour (r, s) ∈ N2 , SCr,s l’ensemble
 des
 applications strictement croissantes de [[1, r]] dans [[1, s]].
 s
si r 6 s
SCr,s est un esnsemble fini de cardinal r
0 si r > s

Observons alors que
n+1
a
SCp+1,n+1 = {f ∈ Sp+1,n+1 | f (p + 1) = k}
k=p+1

donc
n+1
X
|SCp+1,n+1 | = |{f ∈ Sp+1,n+1 | f (p + 1) = k}|
k=p+1

soit   n+1
n+1 X
= |{f ∈ Sp+1,n+1 | f (p + 1) = k}|
p+1
k=p+1

Or {f ∈ Sp+1,n+1 | f (p + 1) = k} est en bijection avec Sp,n (en procédant àla restriction

 de f à [[1, p]]
k−1
au départ et à [[1, k − 1]] à l’arrivée) donc {f ∈ Sp+1,n+1 | f (p + 1) = k} = de sorte que
p
  n+1
X k − 1
n+1
=
p+1 p
k=p+1

ce qui donne la formule attendue en posant le changement d’indice k ← k − 1.

2. Un choix de Ω = {(u1 , . . . , u2n ) ∈ {B, N }2n | |{i | ui = B}| = n , |{i | ui = N }| = n }
Justifions que T (Ω) = [[2, n + 1]].
— Pour tout k ∈ [[2, n + 1]],
T ((B, . . . , B , N, . . . , N , B, . . . , B )) = k
| {z } | {z } | {z }
k−1 B nN n−k+1 B
donc [[2, n + 1]] ⊂ T (Ω).
— Pour tout ω, T (ω) > 2 car il n’y a pas de changement de couleur sur un seul tirage.
— Supposons qu’il existe ω ∈ Ω telle que T (ω) = k > n + 1. Alors les k − 1 premières boules tirées sont
de la même couleur donc il existe au moins (n + 1) boules de la même couleur, ce qui est faux !

6
3. Soit k ∈ N ∗ .
• P(T > 1) = 1 car T (Ω) = [[2, n + 1]].
• Pour k > n + 1, P(T > k) = 0 car T (Ω) = [[2, n + 1]].
• Supposons que k ∈ [[2, n]].
⋆ Méthode dénombrement.
Cette méthode a du sens car on tire les 2n boules « au hasard » ce qui revient à considérer la
probabilité uniforme sur Ω.  
2n
Compte tenu du choix de l’univers Ω, |Ω| = (toutes les façons qu’il y a de choisir les n
n
emplacements des n boules rouges parmi les 2n emplacements disponibles, les positions des n
boules noires étant alors déterminées : elles sont sur les n autres emplacements).
Le nombre d’issues correspondant à l’événement (T > k) est
 
2n − k
2 ×
|{z} n
choix de la couleur | {z }
blanche ou noire choix des emplacements des n boules de
l’autre couleur sur les 2n − k derniers emplacements
 
2n − k
n
Par conséquent, P(T > k) = 2   .
2n
n
⋆ Méthode de probabilités composées.
Posons, pour tout i ∈ [[1, 2n]], Bi l’événement « le i-ième tirage amène une boule blanche ».
L’événement (T > k) s’écrit alors
a a
(T > k) = (T > k) ∩ B1 (T > k) ∩ B1 = (B1 ∩ B2 ∩ . . . ∩ Bk ) B1 ∩ B2 . . . ∩ Bk

donc P(T > k) = P(B1 ∩ B2 ∩ . . . ∩ Bk ) + P(B1 ∩ B2 . . . ∩ Bk ).

Or
P(B1 ∩ B2 ∩ . . . ∩ Bk ) = P(B1 ) PB1 (B2 ) PB1 ∩B2 (B3 ) × . . . × PB1 ∩ . . . ∩ Bk−1 (Bk )
| {z } | {z } | {z } | {z }
n n − 1 n − 2 n − k + 1
=
2n = 2n − 1 = 2n − 2 =
2n − k + 1
n! (2n − k)!
=
(n − k)! 2n!
n! (2n − k)!
On montre de même que P(B1 ∩ B2 . . . ∩ Bk ) = .
(n − k)! 2n!


 1 si k = 1,
 n! (2n − k)!
∗
Par conséquent, pour tout k ∈ N , P(T > k) = 2 si k ∈ [[2, n]] .

 (n − k)! 2n!
0 si k ∈ [[n + 1, +∞[[.


4. Sachant que T (Ω) = [[2, n + 1]],

n+1
X
E(T ) = kP(T = k)
k=2
n+1
X
= k [P(T > k − 1) − P(T > k)]
k=2
n
X n+1
X
= (i + 1)P(T > i) − kP(T > k) en posant i = k − 1
i=1 k=2
Xn Xn
= (i + 1)P(T > i) − kP(T > k) car P(T > n + 1) = 0
i=1 k=2
Xn
= 2 P(T > 1) + [(i + 1)P(T > i) − (i + 1)P(T > i)]
| {z }
i=2
=1
Xn
= 1 + P(T > 1) + P(T > i)
i=2
n
X
= 1+ P(T > i)
i=1

7
 n
X
Ainsi, E(T ) = 1 + P(T > k).
k=1

n
X
E(T ) = 1+ P(T > k)
k=1
n  
2 X 2n − k
= 1+  
2n n
k=1
n
2n−1
X j 
2
= 1+   en posant j = 2n − k
2n n
j=n
n
 
2 2n
= 1+   en utilisant la formule sommatoire de la question 1
2n n+1
n
n
= 1+2
n+1

On en déduit que lim E(T ) = 3 .

n→+∞

On peut interpréter ce résultat en disant que si on répète un grand nombre de fois l’expérience, en
moyenne, c’est lors du tirage de la troisième boule que se produit le premier changement de couleur.

⊲ Corrigé de l’exercice 1.12

1. Montrons que S1 et S2 ne sont pas indépendantes.
L’événement {S1 = 1} ∩ {S2 = 2} s’exprime en fonction des variables aléatoires X1 et X2

{S1 = 1} ∩ {S2 = 2} = {X1 = 1} ∩ {X2 = 1}

donc, compte tenu de l’indépendance des variables aléatoires X1 et X2 ,

1
P({S1 = 1} ∩ {S2 = 2}) = P(X1 = 1)P(X2 = 1) =
N2
Par ailleurs,
1
⋆ {S1 = 1} = {X1 = 1} donc P(X1 = 1) = ,
N
⋆ {S2 = 1} = {X1 = 1} ∩ {X2 = 1} donc P(X1 = 1) = P({X1 = 1} ∩ {X2 = 1}) = P(X1 = 1)P(X2 =
1
1) = 2 .
N
1 1
Par conséquent, P({S1 = 1} ∩ {S2 = 2}) = 2 tandis que P(S1 = 1)P(S2 = 2) = 3
N N
donc S1 et S2 ne sont pas indépendantes .

2. Pour tout entier n non nul, déterminer la loi de Sn .

Sn (Ω) = [[1, N ]]n .
De plus, pour tout k ∈ [[1, n]],
n
\
{Sn 6 k} = {∀i ∈ [[1, n]] , Xi 6 k} = {Xi 6 k}
i=1

si bien que, par indépendance (sous-entendu mutuelle) des variables aléatoires (Xi )16i6n ,
n
! n  n
\ Y k
P(Sn 6 k) = P {Xi 6 k} = P(Xi 6 k) =
i=1 i=1
| {z } N
k
=
N

On en déduit que, pour tout k ∈ [[1, N ]],  n  n

k k−1
⋆ si k ∈ [[2, N ]], P(Sn = k) = P(Sn 6 k) − P(Sn 6 k − 1) = − ,
 n N N
1
⋆ si k = 1, P(Sn = 1) = P(Sn 6 1) = .
N

8
 On remarque que la formule valable pour k ∈ [[2, N ]] est aussi vraie pour k = 1.
 n  n
k k−1
Ainsi, ∀k ∈ [[1, N ]] P(Sn = k) = − .
N N

3. Considérons l’événement contraire :

+∞
\
∪+∞
k=1 (Sk = N) = {Sk 6= N }
k=1

Par ailleurs, on a
+∞
\ p
\
∀p ∈ N∗ , {Sk 6= N } ⊂ {Sk < N }
k=1 k=1

si bien que, par croissance d’une probabilité,

+∞
! p
!
\ \
P {Sk < N } 6P {Sk < N } (2)
k=1 k=1

p
\
De plus, {Sk < N } = {Sp < N } :
k=1
p
\
⋆ l’inclusion {Sk < N } ⊂ {Sp < N } est immédiate,
k=1
⋆ réciproquement, pour toute issue ω ∈ {Sp < N }, max(X1 (ω), . . . , Xp (ω)) < N donc pour tout k ∈
[[1, p − 1]],
Sk (ω) = max(X1 (ω), . . . , Xk (ω)) 6 max(X1 (ω), . . . , Xp (ω)) < N
p
\
donc {Sp < N } ⊂ {Sk < N }.
k=1
Par conséquent,
p
!  p
\ N −1
P {Sk < N } = P(Sp < N ) = P(Sp 6 N − 1) =
N
k=1

En injectant dans l’inégalité (2),

+∞
!  p
∗
\ N −1
∀p ∈ N , P {Sk < N } 6
N
k=1

et en passant à la limite lorsque p → +∞ dans cette inégalité,

+∞
!
\
P {Sk < N } 6 0
k=1

+∞
!
\
Or une probabilité est toujours positive ou nulle donc P {Sk < N } =0 .
k=1

⊲ Corrigé de l’exercice 1.13

Considérons l’expérience correspondant à n > 1 jets successifs et indépendants d’une pièce équilibrée et comptons,
à l’issue de l’expérience le nombre de fois que la face « Pile » a été obtenue ce qui définit la variable aléatoire Sn .
L’univers est Ωn = {P, F }n(P pour
 « Pile », F « Face ») sur lequel nousconsidérons la loi uniforme.
1 n 1 1 n
S suit une loi binomiale B n, donc E(Sn ) = et V(Sn ) = n × × 1 − = .
2 2 2 2 4
La question de l’énoncé est la suivante : existe-t-il un N (si oui en donner un) à partir duquel, pour tout n > N ,
 
Sn 1 1
P − 6 > 0, 96
n 2 100
 
Sn E(Sn ) 1
Or E = = donc on peut reformuler la question :
n n 2
   
Sn Sn 1
∃? N ∈ N : ∀n ∈ N , n > N ⇒ P −E 6 > 0, 96
n n 100

9
Cette formulation nous suggère l’utilisation de l’inégalité de Bienaymé-Tchebychev qui dit
   

∗ ∗ Sn Sn 1 V Snn
∀n ∈ N , ∀ε ∈ R+ , P −E > 6
n n 100 ε2
 
Sn V(Sn ) 1 1
d’où, en utilisant que V = = et en particularisant ε = ,
n n 2 4n 100
 
∗ Sn 1 1 104
∀n ∈ N , P − > 6
n 2 100 4n

si bien qu’en passant à l’événement complémentaire,

   
Sn 1 1 Sn 1 1 104
∀n ∈ N∗ , P − < =1−P − > >1−
n 2 100 n 2 100 4n
   
Sn 1 1 Sn 1 1
Or − < ⊂ − 6 donc
n 2 100 n 2 100
   
Sn 1 1 Sn 1 1
P − < 6P − <
n 2 100 n 2 100

d’où  
104 Sn 1 1
1− 6P − <
4n n 2 100
donc, pour qu’un tel N existe, il suffit de vérifier que la condition

104
n > N ⇐⇒ 1 − > 0, 96
4n
Or
104 104 4
1− > 0, 96 ⇐⇒ 1− >1−
4n 4n 100
104 4
⇐⇒ 6
4n 100
106
⇐⇒ >n
16
⇐⇒ n > 62500

si bien qu’en posant N = 62500, on obtient le résultat annoncé.

Ainsi,
 en jetant plusde 62500 fois la pièce, la moyenne de « Pile » obtenus appartient à l’intervalle
1 1
− 0, 01; + 0, 01 avec une probabilité supérieure ou égale à 0, 96.
2 2

⊲ Corrigé de l’exercice 1.14

Soit n ∈ N∗ fixé.
On considère 6n lancers successifs du dé équilibré.
Pour tout i ∈ [[1, 6n]], Xi est la variable aléatoire qui vaut 1 si le i-ième lancer apporte un 6 et 0 sinon. Puisque
Xi est la fonction indicatrice d’un événement, elle suit une loi de Bernoulli de paramètre P(Xi = 1). Or le dé
1
est équilibré donc les 6 faces sont équiprobables si bien que P(Xi = 1) = .
  6
1
Par conséquent, pour tout i ∈ [[1, 6n]], Xi ֒→ B .
6
Notons, Sn la variable aléatoire correspondant au nombre de 6 obtenus sur les 6n premiers lancers. On a donc
6n
X
Sn = Xi .
i=1
Faisons l’hypothèse raisonnable que les lancers successifs sont mutuellement indépendants,
 donc
 l’hypothèse que
1
les variables aléatoires X1 , . . ., X6n sont mutuellement indépendantes, alors Sn ֒→ B 6n, .
6
Sn
Notons, Fn la variable aléatoire correspondant à la fréquence observée sur les 6n premiers lancers, Fn = .

6n
1 1 1
E(Sn ) 6n × 6 1 V(Sn ) 6n × 6 × 1 − 6 5
En particulier, E(Fn ) = = = et V(Fn ) = 2 2 = = 3 .
6n 6n 6 6 n 6n 6 n

10
L’inégalité de Bienaymé-Tchebychev appliquée à Fn pour ε = 10−2 donne

1 V(Fn ) 5 × 104
P(|Fn − | > 10−2 ) 6 =
6 (10−2 )2 63 n

5 × 104 1 1 1 1
Si 6 , alors P(|Fn − | > 10−2 ) 6 donc, en considérant l’événement contraire, P(|Fn − |) <
63 n 2 6 2 6
−2 1
10 ) > .
2
10
Par ailleurs n > 3 ⇐⇒ n > 463 donc à partir de 463 lancers, on peut affirmer avec certitude qu’on a
6 n10−4
plus d’une chance sur deux d’obtenir, en 6n lancers, une fréquence d’apparition du six qui s’écarte de moins de
1
10−2 de la valeur .
6
⊲ Corrigé de l’exercice 1.15

⊲ Corrigé de l’exercice 1.16

⊲ Corrigé de l’exercice 1.17

Notons, pour tout i ∈ [[1, n]], pi = P(X = i).
Écrivons le système linéaire correspondant au problème :


 x1 p1 + x2 p2 + ··· + xn pn = E(X)
 x21 p1
 + x22 p2 + ··· + x2n pn = E(X 2 )
.. .. .. ..


 . . . .
 n−1
x1 p1 + x2n−1 p2 + · · · + xnn−1 pn = E(X n−1 )

On obtient donc (n − 1) équations (contraintes) pour n inconnues (degrés de liberté) qui sont p1 , . . ., pn . On
serit tenté de se dire qu’il n’y pas assez d’information. En fait, il n’y a pas tout-à-fait n degrés de liberté dans la
question posée. En effet, la variable aléatoire, elle, vit dans un espace de dimension n (les applications de Ω dans
{x1 , . . . , xn }) mais l’exercice ne prétend pas qu’il est possible de déterminer X. Il demande de déterminer sa
loi, ce qui est différent. En effet, les inconnues (p1 , . . . , pn ) sont reliées par une équation supplémentaire

p1 + p2 + . . . + pn = 1


qui est une conséquence du fait que (X = i) i∈[[1,n]] est un système complet.
Ainsi, le système à étudier est


 p1 + p2 + ··· + pn = 1

 x1 p1

 + x 2 p 2 + · · · + x n p n = E(X)
x21 p1 + x22 p2 + ··· + x2n pn = E(X 2 )
 .. .. .. ..
. . . .




 n−1
x1 p1 + x2n−1 p2 + · · · + xnn−1 pn = E(X n−1 )

Il s’agit d’un système de Van der Monde dont le déterminant est

Y
D= (xj − xi )
16i<j6n

Le caractère distinct des n valeurs (xi )16i6n permet d’affirmer que D 6= 0 donc le système admet une unique
solution ce qui prouve qu’en effet, la connaissance des moments d’ordre i pour i ∈ [[1, n − 1]] suffit à caractériser
la loi de X.
De plus, l’expression explicite des pi est donnée par les formules de Cramer :

1 ··· 1 1 1 ··· 1
x1 ··· xi−1 E(X) xi+1 ··· xn
x21 ··· x2i−1 E(X 2 ) x2i+1 ··· x2n
.. .. .. .. ..
. . . . .
x1n−1 ··· n−1
xi−1 n−1
E(X n−1 ) xi+1 ··· xnn−1
∀i ∈ [[1, n]] , pi =
D

Cas n = 2.
1 1 1 1
E(X) x2 x2 − E(X) x1 E(X) E(X) − x1
p1 = = et p2 = = .
x2 − x1 x2 − x1 x2 − x1 x2 − x1

11
Cas général.
Notons (L1 , . . . , Ln ) ∈ Rn−1 [X]n la base d’interpolation de Lagrange en x1 , . . . , xn qui est caractérisée par

∀(i, j) ∈ [[1, n]]2 , Li (xj ) = δi,j

Pour tout i ∈ [[1, n]], Li (X) est la variable aléatoire 1(X=xi ) qui, comme toute fonction indicatrice d’un événement,
suit la loi de bernoulli B(pi ) donc
pi = E(1(X=xi )) = E(Li (X))
Les espérances (E(Li (X))) s’expriment en fonction des coefficients de Li et des n − 1 moments (E(X i ))i∈[[1,n−1]]
de X (car les Li sont de degrés 6 n − 1).

Ainsi, pour tout i ∈ [[1, n]], pi = E(Li (X)).

⊲ Corrigé de l’exercice 1.18

1. Les v.a. Ai,j étant centrées : E(Ai,j ) = 0.
n
!
X Y
E(detA) = E ε(σ) Ai,σ(i)
σ∈Sn i=1
n
!
X Y
= ε(σ)E Ai,σ(i) par linéarité de l’espérance
σ∈Sn i=1
X n
Y

= ε(σ) E Ai,σ(i) par indépendance mutuelle des (Ai,σ(i) )i∈[[1,n]]
σ∈Sn i=1
| {z }
=0
= 0

Ainsi, E(detA) = 0.

2. Les v.a. Ai,j étant centrées et réduites, V(Ai,j ) = E(A2i,j ) = 1.

n
!
X Y
V(detA) = V ε(σ) Ai,σ(i)
σ∈Sn i=1
n
! n n
!
X Y X Y Y
= V ε(σ) Ai,σ(i) +2 Cov ε(σ) Ai,σ(i) , ε(γ) Ai,γ(i)
σ∈Sn i=1 σ∈Sn i=1 i=1
γ∈Sn
σ6=γ

n
Y
Posons, pour tout σ ∈ Sn , Xσ = Ai,σ(i) .
i=1

X X
V(detA) = V (ε(σ)Xσ ) + 2 ε(σ)ε(γ)Cov (Xσ , Xγ )
σ∈Sn σ∈Sn
γ∈Sn
σ6=γ
X X
= ε(σ)2 V (Xσ ) + 2 ε(σ)ε(γ)Cov (Xσ , Xγ )
σ∈Sn σ∈Sn
γ∈Sn
σ6=γ
X X
= V (Xσ ) + 2 ε(σ)ε(γ)Cov (Xσ , Xγ )
σ∈Sn σ∈Sn
γ∈Sn
σ6=γ

Soient (σ, γ) ∈ Sn2 tels que σ 6= γ si bien qu’il existe k ∈ [[1, n]] : σ(k) 6= γ(k).

 
 
 Y n 
 
E(Xσ Yγ ) = EA A
 k,σ(k) k,γ(k) A A 
i,σ(i) i,γ(i) 
 i=1 
 i6=k 
| {z }
=Z

12
 or Z et Ak,σ(k) car Z est une fonction de v.a. toutes indépendantes de Ak,σ(k) d’où


E(Xσ Yγ ) = E Ak,σ(k) ×E (Z)
| {z }
=0
= 0

donc

Cov(Xσ Yγ ) = E(Xσ Yγ ) − E(Xσ )E(Yγ )

= 0−0×0
= 0

Ainsi,
X
V(detA) = V (Xσ )
σ∈Sn

De plus,
n
!
Y
V(Xσ ) = V Ai,σ(i)
i=1
 2
!  ! 
n
Y  n
Y 
= A2i,σ(i)
 
E − E Ai,σ(i) 
 
i=1  i=1 
| {z } | {z }
esp. d’un produit de v.a. indep esp. d’un produit de v.a. indep
car (Ai,σ(i) )16i6n mut. indep implique
car (A2i,σ(i) )16i6n mut. indep implique
n n
!2
Y   Y
2
= E Ai,σ(i) ) − E(Ai,σ(i) )
i=1 i=1
= 1n − (0n )2

Ainsi,
V(detA) = n!

⊲ Corrigé de l’exercice 1.19

L’univers Ω est l’ensemble des arrangements des n boules numérotées de l’urne, |Ω| = n!. On considère la
probabilité uniforme sur ces n! tirages.
(n − 1)! 1
1. (Sn = 1) =(il n’y a de pic qu’au premier tirage)= (X1 = n) donc P(Sn = 1) = P(X1 = n) = = .
n! n
1
et (Sn = n) = (X1 = 1, X2 = 2, . . . , Xn = n) =(le tirage (1, 2, . . . , n)) donc P(Sn = n) = .
n!
2. • Soit k ∈ [[1, n]]. Tk est une v.a. de Bernoulli donc il suffit de calculer P (Tk = 1) pour connaître sa loi.
Dénombrons l’ensemble des tirages présentant un pic pour le k-ième tirage.
⋆ Dénombrement 1. Le k-ième tirage apporte la boule numéro j ∈ [[k, n]], il y a alors j − 1 boules
susceptible d’être tirées avant parmi lesquelles il faut en arranger k − 1 et ensuite il faut arranger
les (n − k) boules qui restent :
n n  
X
k−1
X j−1 n!
Aj−1 × 1 × (n − k)! = (n − k)!(k − 1)! =
k−1 k
j=k j=k
| {z }
 
n
=
k
1
donc P(Tk = 1) = .
k  
n
⋆ Dénombrement 2. Il y a façons de choisir les k premières boules et seulement (k − 1)! façons
k
de les ordonner (car la k-ièmedoit
 être la plus grande), ensuite il y a (n − k)! façon d’ordonner les
n
n − k boules qui restent soit × (k − 1)! × (n − k)! façons :
k


(k − 1)! × nk (n − k)! 1
P(Tk = 1) = =
n! k

13
 1
Ainsi, P(Tk = 1) = .
k
• Notons, pour k ∈ [[1, n]], Ak,k l’ensemble des tirages présentant un pic au k-ième tirage.
Notons, pour tout i ∈ [[1, k − 1]], Ak,i l’ensemble des tirages obtenus en échangeant les boules i et k
dans les tirages de Ak,k .
Les k ensembles Ak,1 , . . ., Ak,k ont tous le même cardinal (celui de Ak,k ). De plus ils réalisent une
partition de Ω car
⋆ ils sont disjoints (les éléments de Ak,k ont un pic au k-ième donc ceux de Ak,i ont leur plus grande
valeur parmi les k premières atteinte au i-ième tirage)
⋆ leur réunion fait Ω, car pour un tirage ω donné, on regarde les k premiers numéros, on note i le
plus grand numéro obtenu parmi les k premiers et on obtient que ω ∈ Ak,i .
k
X n! |Ak,k | 1
Ainsi |Ω| = |Ak,i | = k|Ak,k | donc |Ak,k | = si bien que P(Tk = 1) = = .
i=1
k |Ω| k
n
X
Par linéarité de l’espérance, puisque Sn = Tk ,
k=1

n n
X X 1
E(Sn ) = E(Tk ) = ∼ ln n
k n→+∞
k=1 k=1

⊲ Corrigé de l’exercice 2.1

1. Résumons les lois de U1 , U2 et (U1 , U2 ) dans un tableau (où on a posé q1 = 1 − p1 et q2 = 1 − p2 ) :

0 1 loi de U1
0 q1 q2 0 (1 − p1 )(1 − p2 )
1 p1 q2 + q1 p2 0 p1 (1 − p2 ) + (1 − p1 )p2
2 0 p1 p2 p1 p2
loi de U2 1 − p1 p2 p1 p2 1
On en déduit : E(U1 ) = E(X + Y ) = E(X) + E(Y ) (par linéarité de l’espérance). Donc E(U1 ) = p1 + p2 .
De même, E(U2 ) = E(XY ) = E(X)E(Y ) car X et Y sont indépendantes. Donc E(U2 ) = p1 p2 .
Variance : en utilisant la formule de Koenig-Huygens : V (U1 ) = E(U12 ) − E(U1 )2 . Par le théorème de
transfert, on obtient : E(U12 ) = p1 + p2 + 2p1 p2 . Ainsi : V (U1 ) = p1 + p2 − p21 − p22 = p1 q1 + p2 q2 ..
Puis : V (U2 ) = E(U22 ) − E(U2 )2 . Or E(U22 ) = E(X 2 Y 2 ). Les VAR X 2 et Y 2 sont indépendantes donc il
en est de même pour X 2 et Y 2 (qui suivent en fait les mêmes lois que respectivement X et Y !). Donc
E(X 2 Y 2 ) = E(X 2 )E(Y 2 ) = p1 p2 . Ainsi, V (U2 ) = p1 p2 − p21 p22 .

2. U1 et U2 ne sont pas indépendantes. En effet, on lit dans le tableau que :

P (U1 = 0 ∩ U2 = 1) = 0, pourtant P (U1 = 0) 6= 0 et P (U2 = 1) 6= 0. Ainsi :

P (U1 = 0 ∩ U2 = 1) = 0 6= P (U1 = 0)P (U2 = 1).

3. Z(Ω) = {0, 1}. P (Z = 0) = P (X1 = 0 ∩ X2 = 0 ∩ ... ∩ Xn = 0). Puisque les Xi sont indépendantes,
on en déduit que P (X1 = 0 ∩ X2 = 0 ∩ ... ∩ Xn = 0) = P (X1 = 0)P (X2 = 0)...P (Xn = 0). Ainsi,
P (Z = 0) = (1 − p1 )(1 − p2 )...(1 − pn ). On en déduit : P (Z = 0) = 1 − (1 − p1 )(1 − p2 )...(1 − pn ).
V (Ω) = {0, 1}. P (V = 1) = P (X1 = 1 ∩ X2 = 1 ∩ ... ∩ Xn = 1). Puisque les Xi sont indépendantes,
on en déduit que P (X1 = 1 ∩ X2 = 1 ∩ ... ∩ Xn = 1) = P (X1 = 1)P (X2 = 1)...P (Xn = 1). Ainsi,
P (V = 1) = p1 p2 ...pn . On en déduit : P (V = 0) = 1 − p1 p2 ...pn .

⊲ Corrigé de l’exercice 2.2

14