TD - Les variables aléatoires discrètes - Correction ECG 1

 
Exercice 1 
Dans une urne contenant 2 boules blanches et 5 rouges, on tire 3 boules une par une sans remise.
Déterminons la loi des variables aléatoires X et Y où X représente le nombre de boules blanches tirées, et Y le nombre de boules rouges tirées.
On commence par déterminer X(Ω) et Y (Ω).
X(Ω) = J0; 2K et Y (Ω) = J1; 3K.
Soit Bi : "La boule tirée au ième tirage est blanche".
Déterminons la loi de X.

P(X = 0) = P(B1 ∩ B2 ∩ B3 )
= P(B1 ) × PB1 (B2 ) × PB1 ∩B2 (B3 ) d’après la formule des probabilités composées
5 4 3
= × ×
7 6 5
2
=
7
4
P(X = 1) = P(B1 ∩ B2 ∩ B3 ) + P(B1 ∩ B2 ∩ B3 ) + P(B1 ∩ B2 ∩ B3 ) et par suite, P(X = 1) = .
7
1
(X = 0), (X = 1) et (X = 2) réalisent une partition de Ω donc P(X = 2) = .
7
X + Y = 3.
On en déduit ainsi, sans calcul, la loi de Y .

xk 0 1 2 yk 1 2 3
P(X = xk ) 27 47 17 P(Y = yk ) 17 47 27

 
Exercice 2
On lance une pièce équilibrée une infinité de fois.
Déterminons la loi de la variable aléatoire X donnant le rang du premier pile obtenu, et valant 0 si l’on n’obtient jamais pile.
Soit Pi : "On obtient pile au ieme lancer".
Déterminons tout
T d’abord
 P(X = 0).
+∞
P(X = 0) = P n=1 Pn .
D’après le corollaire du théorème de limite monotone,
n
!
T  \
+∞
P n=1 Pn = lim P Pk .
n
k=1
Les événements (Pk )k∈N∗ sont indépendants et ainsi,
T  1
P +∞n=1 Pn = lim = 0.
n 2n
1
P(X = 1) = .
2
 TD - Les variables aléatoires discrètes - Correction ECG 1
T  
k−1
∀k ⩾ 2, P(X = k) = P i=1 Pi ∩ Pk .
1
Par indépendance, on en déduit que ∀k ⩾ 2, P(X = k) = (formule valable pour k = 1).
2k
 
Exercice 3

a
1. Déterminons une CNS sur le réel a pour que la suite (pn )n⩾1 définie par pn = définisse bien une loi.
2n
Cette suite définit bien une loi ssi ∀n ⩾ 1, pn ⩾ 0 et la série de terme général pn converge avec pour somme 1.
∀n ⩾ 1, pn ⩾ 0 ⇒ a ⩾ 0.
+∞
1 X X a
La série de terme général n converge (série géométrique avec −1 < q < 1) donc pn converge et pn = 1 − a = a.
2 n⩾1 n=1 1−
2
a
Ainsi, la suite (pn )n⩾1 définie par pn = n définisse bien une loi ssi a = 1.
2
2. Déterminons a pour que la suite a2 , 2a(1 − a) et (1 − a)2 définisse bien une loi.
Il faut que a2 ⩾ 0, 2a(1 − a) ⩾ 0 et (1 − a)2 ⩾ 0 soit a ∈ [0; 1].
De plus, a2 + 2a(1 − a) + (1 − a)2 = 1.
Ainsi, une CNS est a ∈ [0; 1].
 
Exercice 4
Dans une urne possédant n jetons numérotés de 1 à n, on tire 2 jetons, l’un après l’autre, avec remise.
On appelle X la variable aléatoire égale au plus grand des deux numéros tirés.
Déterminons la loi de X.
X(Ω) = J1; nK.
Utilisons la fonction de répartition.
∀k ∈ J1; nK,

F (k) = P(X ⩽ k)
= P((X1 ⩽ k) ∩ (X2 ⩽ k))
= P(X1 ⩽ k) × P(X2 ⩽ k) par indépendance des lancers
!2
k
=
n

2k − 1
∀k ⩾ 1, P(X = k) = F − k) − F (k − 1) = .
n2
 TD - Les variables aléatoires discrètes - Correction ECG 1
 
Exercice 5 
Soit X une variable aléatoire de loi donnée par :
x −1 0 1
1 3 6
P(X = x) 10 10 10

Déterminons la loi de Y = X 2 + 3.
Y (Ω) = {3; 4}.
yk 3 4
3 7
P(Y = yk ) 10 10

 
Exercice 6
Traçons la fonction de répartition de la variable aléatoire X de loi donnée par :

x −1 2 3
P(X = x) 13 12 16

x < −1


 0 si
1/3 si −1⩽x<1


On a F (x) = .
 5/6
 si 1⩽x<2

1 si 2⩽x


 
Exercice 7
Calculons l’espérance de la variable aléatoire X définie dans l’exercice précédent.
 TD - Les variables aléatoires discrètes - Correction ECG 1
X est une variable aléatoire discrète finie donc X admet une espérance et
3
X
E(X) = xk × P(X = xk )
k=1
7
=
6

 
Exercice 8
2k
Soit X la variable aléatoire telle que X(Ω) = N et ∀k ∈ N, P(X = k) = e−2 .
k!
Montrons que X admet une espérance X et calculons-la.
X admet une espérance ssi la série n × P(X = n) converge absolument.
n⩾0
Cette série est à termes positifs, on étudiera sa convergence.
∀n ⩾ 0,
n n
2k 2k
k × e−2 k × e−2
X X
=
k=0 k! k=1 k!
n
2k+1
e−2
X
=
k=1 (k − 1)!
n−1
2k
= 2e−2
X

k=0 k!

X 2n
La série (série exponentielle) converge donc X admet une espérance et on a :
n!
n⩾0
E(X) = 2e−2 × e2 = 2.
 
Exercice 9
Soit X une variable aléatoire de loi donnée par X(Ω) = N et
1
∀k ∈ N, P(X = k) = .
e × k!
Montrons que X admet un moment d’ordre 3 et calculons-le.
Indication : on pourra utiliser k 3 = k(k − 1)(k
X − 2) + 3k(k − 1) + k.
X admet un moment d’ordre 3 ssi la série n3 × P(X = n) CVA.
n⩾0
Il suffit d’étudier sa convergence (les termes étant strictement positifs).
 TD - Les variables aléatoires discrètes - Correction ECG 1
∀n ∈ N,
n n
k 3 × P(X = k) = k 3 × P(X = k)
X X

k=0 k=0
Xn
= (k(k − 1)(k − 2) + 3k(k − 1) + k) × P(X = k)
k=0
n n n
X 1 X 1 X 1
= k(k − 1)(k − 2) + 3k(k − 1) + k
k=0 e × k! k=0 e × k! k=0 e × k!
n n n
X 1 X 1 X 1
= k(k − 1)(k − 2) + 3k(k − 1) + k
k=3 e × k! k=2 e × k! k=1 e × k!
n n n
X 1 X 1 X 1
= +3 +
k=3 e × (k − 3)! k=2 e × (k − 2)! k=1 e × (k − 1)!

1 n−3
X 1 1 n−2
X 1 1 n−1
X 1
= +3 +
e k=0 k! e k=0 k! e k=0 k!
+∞
X 1
On sait que la série exponentielle de paramètre 1 converge et on a = e.
n=0 n!
Ainsi, X admet un moment d’ordre 3 et m3 (X) = 5.
 
Exercice 10 
Soit X une variable aléatoire de loi donnée par
x 1 2 4
P(X = x) 14 12 14
√
Montrons que Y = X admet une espérance et calculons-la.
X est une va discrète finie ; il en est donc de même pour Y .
Ainsi, Y admet une espérance et d’après le théorème de transfert,
3
X √
E(Y ) = xk P(X = xk )
k=1
√
2 3
= +
2 4
 
Exercice 11 
1
Soit X une variable aléatoire de loi donnée par X(Ω) = N∗ et ∀k ∈ N∗ , P(X = k) = .
2k
 TD - Les variables aléatoires discrètes - Correction ECG 1
Montrons que Y = e−X admet une espérance et calculons-la.
e−n P(X = n).
X
Pour cela, étudions la convergence absolue (donc ici la convergence) de
n⩾1
n n  k
1
e−k P(X = k) =
X X
∀n ⩾ 1, .
k=1 k=1 2e
1
On reconnaît ici une série géométrique convergente car −1 < < 1 et ainsi, d’après le théorème de transfert, on en déduit que Y admet une
2e
1 2e 1
espérance et E(Y ) = 1 −1 = −1= .
1 − 2e 2e − 1 2e − 1
 
Exercice 12 
Soit X une variable aléatoire de loi donné par X(Ω) = N et ∀k ∈ N, P(X = k) = e−k − e−k−1 .
1. Vérifions que la loi de X ainsi posée est bien définie.
• ∀k ∈ N, −k − 1 < −k donc e−k−1 < e−k et par suite, e−k − e−k−1 > 0
X +∞
X
• Montrons que P(X = n) converge et que P(X = n) = 1.
n⩾0 n=0
n n n
X X 1 1X 1
∀n ⩾ 0, P(X = k) = k
− .
k=0 k=0 e e k=0 ek
1
Or, la série géométrique de paramètre q = converge donc la série converge et on a :
e
+∞
1 1
X  
P(X = n) = 1 − × 1 = 1.
n=0 e 1− e
2. Montrons que la variable aléatoire Y = 2X admet une espérance et calculons-la.
2n (e−n − e−n−1 converge.
X
Y admet une espérance ssi
n⩾0
n nn  k
1X 2 k
2
 
k −k −k−1
X X
∀n ⩾ 0, 2 (e − e )= − .
k=0 k=0 e e k=0 e
2
La série géométrique de paramètre q = converge donc la série converge et donc d’après le théorème de transfert, Y admet une espérance.
e
1 1 e−1 e e−1
 
E(Y ) = 1 − × 2 = × = .
e 1− e e e−2 e−2
 
Exercice 13 
On lance indéfiniment un dé équilibré.
On considère les suites (Xn )n⩾1 et (Yn )n⩾1 de variables aléatoires définies par :
Xn = nombre de 6 obtenus aux n premiers lancers
 TD - Les variables aléatoires discrètes - Correction ECG 1
(
1 si on obtient 6 au nième lancer
Yn =
0 sinon
n
Calculons E(Yn+1 ) puis montrons par récurrence que ∀n ⩾ 1, E(Xn ) = .
6
∀n ∈ N∗ , Yn+1 (Ω) = J0; 1K.
Yn+1 est une variable aléatoire discrète finie donc elle admet une espérance et
1
E(Yn+1 ) = .
6
n
Soit P (n) : ”E(Xn ) = ”.
6
• Initialisation :
Pour n = 1, X1 désigne le nombre de 6 obtenus au premier lancer.
1
Ainsi, Y1 = X1 donc E(X1 ) = .
6
• Hérédité :
n+1
Supposons la propriété vraie à un certain rang n ⩾ 1 et démontrons qu’elle est alors vraie au rang n + 1 i.e E(Xn+1 ) = .
6
On remarque que Xn+1 = Xn + Yn+1 .
n+1
Ainsi, en utilisant H.R et la linéarité de l’espérance, on en déduit que E(Xn+1 ) = E(Xn ) + E(Yn+1 ) soit E(Xn+1 ) =
6
d’où l’hérédité.
Ainsi, d’après le principe de récurrence, la propriété est vraie pour tout n ⩾ 1.
 
Exercice 14 
Calculons la variance de la variable aléatoire X de loi donnée par :

x −1 2 3
P(X = x) 13 12 16

X étant une variable discrète finie, elle admet une variance.

• en utilisant la définition

V (X) = E(X − E(X))2

3  2
X 7
= xk − × P(X = xk )
k=1 6
89
=
36
 TD - Les variables aléatoires discrètes - Correction ECG 1
• en utilisant le théorème de Koenig-Huygens

V (X) = E(X 2 ) − (E(X))2

3
7
x2k × P(X = xk ) −
X
=
k=1 6
23 49
= −
6 36
89
=
36

 
Exercice 15 
Soient p et q des réels tels que 0 < p < 1 et q = 1 − p.
Soit X la variable aléatoire de loi donnée par X(Ω) = N∗ et ∀k ∈ N∗ , P(X = k) = q k−1 p.
Montrons que X admet une espérance X et une variance et donnons-en les valeurs.
X admet une espérance ssi la série n × P(X = n) converge absolument i.e converge.
n⩾1
n n
k × q k−1 .
X X
∀n ∈ N∗ , k × P(X = k) = p
k=1 k=1
On reconnait ici une série géométrique dérivée de paramètre q avec 0 < q < 1 convergente.
1 1
Ainsi, X admet une espérance et E(X) = p × = .
(1 − q)2 p
n2 × P(X = n) converge absolument i.e converge.
X
X admet une variance ssi X admet un moment d’ordre 2 i.e la série
n⩾1
n n n
k 2 × P(X = k) = pq k(k − 1) × q k−2 + p k × q k−1 .
X X X
∀n ∈ N∗ ,
k=1 k=0 k=0
n(n − 1) × q n−2 et la série n × q n−1 sont des séries géométriques de paramètre q avec 0 < q < 1 donc X admet un moment d’ordre
X X
La série
n⩾0 n⩾0
2 et par conséquent, X admet une variance d’après le théorème de König-Huygens.
2 1 2−p
E(X 2 ) = pq × 3 + = .
p p p2
2−p 1 1−p
V (X) = E(X 2 ) − (E(X))2 = − = .
p2 p2 p2
 
Exercice 16 
2
Soit X une variable aléatoire de loi donnée par X(Ω) = N et ∀k ∈ N, P(X = k) = .
3k+1
 TD - Les variables aléatoires discrètes - Correction ECG 1
1. Calculons P(X ⩾ 2).

P(X ⩾ 2) = 1 − P(X = 0) + P(X = 1)

2 2
=1− −
3 9
1
=
9
2. Montrons que X admet une espérance et calculons-la.
X 2
X admet une espérance ssi la série n × n+1 converge absolument i.e converge.
n⩾0 3
Or, ∀n ⩾ 0,
n n
X 2 X 2
k× = k×
k=0 3k+1 k=0 3k+1
n  k−1
2 X 1
= k×
9 k=0 3

1
La série géométrique dérivée de paramètre converge et donc X admet une espérance.
3
2 1 1
E(X) = 2 = .
9 1− 1 2

3
3. Montrons que X admet une variance et calculons-la.
n2 × P(X = n) converge absolument i.e converge.
X
Regardons si X admet un moment d’ordre 2 i.e si la série
n⩾1
n n n
2
2 1 2 1
k2 ×
X X X
∀n ⩾ 2, = k(k − 1) k−2 + k × k−1 .
k=0 3k+1
27 k=0 3 9 k=0 3
Les séries géométriques considérées convergent donc X admet un moment d’ordre 2 et donc d’après le théorème de König-Huygens, X admet
une variance.
2 2 2 1 1
V (X) = 3 + ×  2 −
27 1 − 1 9 4

3
1 − 31
1 1 1
= + −
2 2 4
3
=
4
 TD - Les variables aléatoires discrètes - Correction ECG 1
 
Exercice 17 
1
Soit a ∈ R et soit X la variable aléatoire définie définie par X(Ω) = J0; 3K, P (X = 0) = P (X = 3) = a et P (X = 1) = P (X = 2) = − a.
2
1. Déterminons les valeurs possibles de a.
1 1
On doit avoir a ⩾ 0 et − a ⩾ 0 i.e 0 ⩽ a ⩽ .
2 2
De plus, ∀a ∈ R, 2a + 1 − 2a = 1.
1
Ainsi, 0 ⩽ a ⩽ .
2
2. Justifions l’existence et calculons E(X).
X est une variable aléatoire discrète finie donc X admet une espérance et
4
X
E(X) = xk × P(X = xk )
k=1
3
=
2
3. Justifions l’existence et calculons V (X) de deux façons : une première fois en utilisant la définition de la variance et une seconde fois avec la
formule de Koenig-Huygens.
• Avec la définition :
4
(xk − E(X))2 × P(X = xk ).
X
V (X) = E(X − E(X))2 i.e V (X) =
k=1
1
V (X) = + 4a.
4
• Avec le théorème de König-Huygens :
4
x2k P(X = xk ) − (E(X))2 .
X
V (X) = E(X 2 ) − (E(X))2 i.e V (X) =
k=1
 2
5 3 1
V (X) = + 4a − = + 4a.
2 2 4
4. Quelle est la loi de Y = X(X − 1)(X − 2)(X − 3) ?
Y (Ω) = {0} et P(Y = 0) = 1.
On dit que Y suit une loi certaine.
Déterminons E(Y ) et V (Y ).
Y est une variable aléatoire discrète finie donc elle admet une espérance et une variance.
E(Y ) = 0 et V (Y ) = E(Y 2 ) − (E(Y ))2 .
Or Y 2 = Y donc V (Y ) = 0.
 TD - Les variables aléatoires discrètes - Correction ECG 1
5. On pose Z = X(X − 1). Sans déterminer la loi de Z, calculons E(Z).
X étant une variable aléatoire discrète finie, Z l’est également donc elle admet une espérance.

E(Z) = E(X 2 − X)
= E(X 2 ) − E(X) par linéarité de l’espérance
= 1 + 4a

6. Déterminons la loi de Z et retrouvons son espérance.

Z(Ω) = {0; 2; 6}
1
P(Z = 0) = P(X = 0) + P(X = 1) = .
2
1
De même, P(Z = 2) = − a et P(Z = 6) = a.
2
3
X
E(Z) = zk × P(Z = zk ) soit E(Z) = 1 + 4a.
k=1

 
Exercice 18 
Une urne contient initialement une boule blanche et une boule noire.
On effectue des tirages successifs d’une boule selon le protocole suivant :
• Si elle est noire, on arrête l’expérience
• Si elle est blanche, on la remet dans l’urne, on y ajoute une autre boule blanche et on poursuit l’expérience en effectuant un autre tirage
On réitère l’expérience et les tirages jusqu’à l’obtention de la première boule noire.
1
Soit X la variable égale au rang d’obtention de la première boule noire et Y = .
X
1
1. Précisons X(Ω) puis justifier que ∀k ∈ X(Ω), P(X = k) = .
k(k + 1)
X(Ω) = N∗ .
Soit Bi : "On tire une boule blanche au i-ème tirage".
1
P(X = 1) = .
2
k−1
!
\
∀k ⩾ 1, (X = k) = Bi ∩ Bk .
i=1
 TD - Les variables aléatoires discrètes - Correction ECG 1
On en déduit, grâce à la formule des probabilités composées,

P(X = k) = P(B1 ) × PB1 (B2 ) × . . . × Pk−1

\
(Bk )
Bi
i=1
1 2 k−1 1
= × × ... × ×
2 3 k k+1
1
= par télescopage multiplicatif (formule valable également pour n = 1)
k(k + 1)
X
2. X admet une espérance ssi la série n × P(X = n) CVA i.e converge.
n⩾1
X 1
Étudions la convergence de .
n⩾1 n + 1
1 1
∼ .
n+1 n X
Or, la série harmonique diverge donc il en est de même pour n × P(X = n).
n⩾1
X n’admet donc pas d’espérance.
3. Montrons que Y admet une espérance (on pourra utiliser
1 1 1 1
2
= − + 2 ).
k (k + 1) k+1 k k
X 1
Y admet une espérance ssi la série × P(X = n) CVA i.e converge.
n⩾1 n
∀n ⩾ 1,
n n
X 1 X 1
× P(X = k) = 2
k=1 k k=1 k (k + 1)
n
X 1 1 1
= − + 2
k=1 k + 1 k k
n n n
X 1 X 1 X 1
= − + 2
k=1 k + 1 k=1 k k⩾1 k
n+1 n n
X 1 X 1 X 1
= − + 2
k=2 k k=1 k k⩾1 k
n
1 X 1
= −1+ 2
n+1 k⩾1 k
 TD - Les variables aléatoires discrètes - Correction ECG 1
1 X 1
lim
n n+1
− 1 = 1 et la série de Riemann 2
converge (2 > 1) donc Y admet une espérance d’après le théorème de transfert.
n⩾1 n

 
Exercice 19 
Un joueur mise un euro sur un entier entre 1 et 6 puis il jette 3 dés.
• Si l’entier choisi sort respectivement 1, 2 ou 3 fois, alors le joueur gagne respectivement 2, 3 ou 4 euros
• Sinon le joueur perd sa mise
Soit X la variable aléatoire égale au gain algébrique du joueur (en prenant en compte sa mise initiale).
Soit Y = |X|.
1. Précisons X(Ω) puis déterminons la loi de X.
X(Ω) = {−1; 1; 2; 3}.
Soit Ai : "il obtient le numéro souhaité au i-ème lancer".
3
!
\ 125
P(X = −1) = P Ak soit, par indépendance des lancers, P(X = −1) = .
k=1 216
 2
15
On obtient P(X = 1) = 3 × × .
6 6
En procédant de la même façon, on obtient :
xk −1 1 2 3
P(X = xk ) 125
216
25
72
5
72
1
216

2. Calculons E(X).
X est une variable aléatoire discrète donc X admet une espérance et
17
E(X) = − < 0.
216
Ainsi, le jeu est défavorable au joueur.
3. Déterminons la loi de Y .
Y (Ω) = {1; 2; 3}.
yk 1 2 3
25 5 1
P(Y = yk ) 27 72 216

 
Exercice 20 
Une urne contient 2 boules blanches et n − 2 boules rouges (n ⩾ 2).
On tire les boules une à une sans remise jusqu’à l’obtention de la première boule blanche.
On appelle X, le rang d’apparition de la première boule blanche et Y , le nombre de boules restant dans l’urne à la fin de l’expérience.
Soit Ri : "On pioche une boule rouge au i-ème tirage".
 TD - Les variables aléatoires discrètes - Correction ECG 1
2(n − k)
1. Précisons X(Ω) puis montrons que pour tout k ∈ X(Ω), P(X = k) = .
n(n − 1)
X(Ω) = J1; n − 1K.
2
P(X = 1) = .
n
k−1
!
\
∀k ∈ J1; n − 1K, (X = k) = Ri ∩ Rk .
i=1
On en déduit, grâce à la formule des probabilités composées,

P(X = k) = P(R1 ) × PR1 (R2 ) × . . . × Pk−1

\
(Rk )
Ri
i=1
n−2 n−3 n−k 2
= × × ... × ×
n n−1 n−k+2 n−k+1
2(n − k)
= par télescopage multiplicatif
n(n − 1)

n+1
2. Montrons que E(X) = .
3
 TD - Les variables aléatoires discrètes - Correction ECG 1
X est une variable aléatoire discrète finie donc X admet une espérance et
n−1
X
E(X) = xk × P(X = xk )
k=1

2 n−1
X 2k(n − k)
= +
n k=2 n(n − 1)
n−1
2 2 X
= + k(n − k)
n n(n − 1) k=2
2 2 n−1 2 n−1
k2
X X
= + k−
n n − 1 k=2 n(n − 1) k=2
!
2 2 (n + 1)(n − 2) 2 n(n − 1)(2n − 1)
= + × − −1
n n−1 2 n(n − 1) 6
2 (n + 1)(n − 2) 2n − 1 2
= + − +
n n−1 3 n(n − 1)
2(n − 1) + n(n + 1)(n − 2) + 2 2n − 1
= −
n(n − 1) 3
3 2
n −n 2n − 1
= −
n(n − 1) 3
2n − 1
=n−
3
n+1
=
3

3. Exprimons Y en fonction de X puis E(Y ) en fonction de n.

2n − 1
On a Y = n − X donc E(Y ) = n − E(X) = .
3