MP⋆ 2024/2025 Chapitre X – Indications des exercices
Exercices du chapitre X (Probabilités discrètes) – Indications
L’icône « (A) » indique que les documents Méthodes donnent des conseils plus généraux.
La lettre « C » indique que la Banque des Cent contient ou contiendra des exercices analogues.
Probabilités, variables aléatoires
⋆ Exercice 1. (Loi hypergéométrique)
1. Trouver X(Ω), ou du moins un ensemble le contenant de manière « optimale », est facile. Noter que P est uniforme
et qu’il suffit donc de calculer card(X = k) pour avoir pk . Y parvenir par un raisonnement combinatoire (combien
y a-t-il de possibilité de tirer k joueurs dopés et ℓ − k qui ne le sont pas ?).
P
2. Calculer pk est la subtilité de la question. Pour y parvenir : noter que le terme général de cette somme (dont
k∈E
on a enlevé ce qui ne dépend pas de k) est le coefficient général d’un produit (simplifiable) de polynômes ou de
séries entières.
P
3. On a une somme de la forme k⋆ à calculer, avec un coefficient binomial caché dans ⋆. On peut la calculer
k
grâce à une formule combinatoire permettant de simplifier k · k∗ (en « éliminant » le k gênant) et de se ramener
à la formule du binôme de Newton. Autre approche : la méthode de la question suivante s’appliquerait aussi ici,
beaucoup plus facilement parce que l’espérance est linéaire au contraire de la variance.
4. Remarquer que Yi Yj suit une loi de Bernoulli, dont on déterminera le paramètre en regardant la probabilité que
les joueurs i et j soient sélectionnés (c’est un argument combinatoire classique). L’espérance d’une variable de
loi de Bernoulli est connue. Cela tombe bien : le calcul de la covariance de Yi et Yj fait intervenir des espérances
de telles variables. Écrire X en fonction des Yi etP se souvenir de la formule donnant la variance d’une somme
pour conclure. Vous aurez besoin de simplifier 1 : plutôt que de faire un calcul formel, remarquer que
1⩽i<j⩽n
cela revient à compter le nombre de choix possibles de deux éléments distincts dans J1, nK.
de l’expression de P(X = k) par leurs définitions factorielles, et réarranger
5. Remplacer les coefficients binomiaux
les termes pour voir apparaître kℓ . Pour les autres termes factoriels : trouver des équivalents simples (remarquer
que les quotients de factoriels donnent des produits avec un nombre fixe de termes, donc l’équivalent du produit
est le produit des équivalents). Interpréter le résultat en notant que quand N est très grand, un tirage avec ou
sans remise dans un ensemble à N éléments est presque équivalent, puisqu’il y a peu de chance (même avec
remise) de tirer deux fois le même élément.
⋆ Exercice 2. Remarquer que la variable donnant le nombre de lancers avant la fin de la partie suit une loi usuelle.
Exprimer la probabilité que A et B gagnent à l’aide de cette variable aléatoire. Comparer les résultats obtenus pour
répondre à la question de l’équité.
✓ Exercice 3. Je note E, G et F les variables aléatoires donnant le nombre d’enfants, de garçons et de filles.
1. L’ordre logique naturel est plutôt de regarder la probabilité d’avoir deux garçons quand on sait qu’il y a
deux enfants : s’y ramener via la formule de Bayes. Pour simplifier le dénominateur dans cette formule, vous
aurez besoin de vous ramener aux probabilités que l’énoncé permet de calculer, à savoir pk et P(E=n) (G = k),
P(E=n) (F = k). Quelle formule du cours le permet ?
La somme à calculer se ramène alors aisément à une somme de série entière usuelle via une opération analytique
de routine.
2. Inverser le conditionnement ne sert à rien ici. Noter que P(G=2) (F = 2) est égal à une autre probabilité
conditionnelle (avoir deux filles et deux garçons, c’est aussi avoir... ?) où, là, la formule de Bayes est pertinente.
✓ Exercice 4. (A C) C’est une chaîne de Markov : voir Méthodes si besoin. Utiliser la formule des probabilités totales
pour exprimer an+1 , bn+1 et cn+1 en fonction de an , bn et cn . Mettre sous forme matricielle ces relations et diagonaliser
la matrice carrée en présence afin d’en déduire la limite de ses puissances quand n → +∞.
✓ Exercice 5. (A C) C’est une chaîne de Markov. C’est très standard : voir Méthodes si besoin. Attention au fait qu’il
y a deux cas à considérer, selon que l’information communiquée à P1 soit oui ou non.
Exercice 6.
1. Immédiat.
2. Remarquer que si l’on veut qu’il n’y ait jamais « pile » trois fois de suite, en particulier il existe au moins un
« face » parmi les trois derniers lancers (pourquoi ?), c’est-à-dire les (n − 2)e, (n − 1)e et ne. Ce constat permet
d’écrire pn en fonction de pn−1 , pn−2 et pn−3 .
1
MP⋆ 2024/2025 Chapitre X – Indications des exercices
3. Mettre la relation de la question précédente sous forme matricielle, comme on l’a vu au chapitre v, ou utiliser
convenablement le lemme des noyaux. Nous sommes toutefois en difficulté pour déterminer les valeurs propres
de la matrice qui apparaît : pas grave, parce que pn s’exprimera en fonction des puissances de ces valeurs
propres ; le comportement asymptotique de ces puissances, quand n → +∞, dépend seulement de la position
de leurs modules par rapport à 1. Vous devez donc essayer, par des moyens indirects (théorème des valeurs
intermédiaires, monotonie...), de démontrer que les valeurs propres sont de module strictement inférieur à 1.
Vous aurez besoin des relations entre coefficients et racines.
Exercice 7. La probabilité de marquer r buts en k tirs est décrite par une loi usuelle. En déduire la loi de la variable
aléatoire X donnant le nombre de tirs nécessaires pour que Lionel Messire atteigne les r buts qu’il lui manque (on peut
noter que P(X = k) s’écrit à l’aide d’une probabilité conditionnelle du type P(⋆=r) (♠ = k), tandis que la probabilité
demandée dans la première partie de la question est P(♠=k) (⋆ = r) ; se demander alors comment relier ces deux
probabilités).
Autre piste : on peut aussi remarquer que c’est un temps d’attente avant d’observer un re succès. Cela permet
d’écrire X comme une somme de variables aléatoires de loi usuelle et de conclure par linéarité de l’espérance.
Exercice 8. (Urnes de Pólya)
1. Pour que la première boule blanche soit tirée au ne tirage, que faut-il avoir eu aux n − 1 premiers tirages ?
En déduire une écriture ensembliste simple de l’évènement « avoir la première boule blanche au ne tirage »,
dépendant des évènements « avoir la première boule blanche au k e tirage » pour tout k ⩽ n. Identifier ensuite
quelle formule classique est adaptée pour calculer une telle probabilité.
2. (a) Reproduire le raisonnement de la question précédente. La probabilité pn s’écrit simplement à l’aide de an
et an−1 .
(b) Cela revient à montrer que la suite (ln(an ))n⩾1 tend vers −∞. L’intérêt de procéder ainsi est qu’on sait le
faire grâce à des théorèmes sur les séries, vu que le logarithme transforme produits en sommes.
(c) Utiliser le théorème de continuité décroissante ou la σ-additivité, selon votre façon de formuler l’évènement
+∞
P
demandé. On est ramené au calcul de pn . Grâce au lien suite-série et à la question précédente, on
n=1
conclut.
Exercice 9. (A) Reconnaître une chaîne de Markov, où ((Xn = 0), (Xn = 1), (Xn = 2)) est un système complet
d’évènements. La méthode est alors classique. Voir Méthodes si besoin. Ci-dessous, je note Un le vecteur dont les
coordonnées sont P(Xn = 0), P(Xn = 1) et P(Xn = 2).
1. Remarquer que cela revient à dire que la suite (L · Un )n⩾0 est constante, où L est un vecteur ligne bien choisi.
La constance de cette suite découle alors aisément de la relation de récurrence vérifiée par la suite (Un )n⩾0 .
2. Cela revient à expliciter Un pour tout n. Vu que Un = An U0 avec A une matrice convenable, on est réduit à du
calcul de puissance matricielle : les méthodes ne manquent pas (voir Méthodes du chapitre v si besoin).
✓ Exercice 10. Remarquer que M est une matrice de rang 1 : on a vu au chapitre v que son carré se calcule immédia-
tement (revoir l’exercice 66 du chapitre v si besoin). Partant de la relation entre M 2 et M , en déduire une condition
nécessaire et suffisante simple sur X, Y et Z pour que M soit un projecteur (la positivité, ou l’indépendance, ou
les deux, permettent de simplifier la première condition naïvement trouvée). Comme vous connaissez la loi de ces
variables, le reste en découle. Approche analogue pour la diagonalisation.
⋆ Exercice 11. (Temps d’attente d’au moins un succès) On a formulé dans le cours une situation où, pour avoir
la loi d’une variable aléatoire X, il était plus intéressant de calculer P(X ⩽ k) plutôt que P(X = k). Retrouver cela,
et l’adapter (ce n’est pas tout à fait le même cas de figure).
Avec un peu de flair probabiliste, vous pouvez trouver la loi de T sans le moindre calcul (reconnaître le modèle
d’une expérience type).
⋆ Exercice 12. (Lemme de Borel-Cantelli)
1. Traduire avec quantificateurs ce que signifie l’appartenance d’un élément ω de Ω à lim sup An .
2. Noter que P(lim sup An ) est la probabilité d’une intersection : vous avez essentiellement deux résultats pour
étudier une telle probabilité. Déterminer lequel est le plus approprié. Vous serez ensuite amenés à étudier la
probabilité d’une réunion, et c’est là que vous devrez faire le lien avec la somme de la série de l’énoncé (attention
à ne pas conclure trop vite : la réunion n’a pas lieu d’être disjointe, mais une autre propriété que la σ-additivité
vous servira).
Exercice 13. (Loi du zéro-un de Borel)
1. Il suffit de savoir ce qu’est le complémentaire d’une réunion ou intersection, et d’utiliser un théorème convenable
du cours (la présence d’une limite dans le membre de droite doit aiguiller votre réflexion).
2
MP⋆ 2024/2025 Chapitre X – Indications des exercices
2. La convexité de l’exponentielle permet et sa propriété de morphisme de ramener le calcul de limite de l’énoncé
!
N
P P T
à lim P(Ak ), ce qui permet d’utiliser l’hypothèse sur P(An ). Conclure en exprimant P An
N →+∞ k=n n⩾0 k⩾n
comme un produit de probabilités : c’est là que l’hypothèse d’indépendance intervient.
Exercice 14.
X
1. Déduire de la σ-additivité que P(An ) doit converger.
n⩾0
n
k
T
2. Montrer par récurrence : ∀k ∈ J1, nK, P Ak > 1− n, par une utilisation convenable de la formule de
k=1
Moivre, et conclure.
3. Avec les notations de l’exercice 12, on demande de montrer : lim sup An ̸= ∅. Pour cela il suffit d’avoir :
P(lim sup An ) > 0. Reprendre en partie le raisonnement de l’exercice 12 pour écrire cette probabilité comme
une limite de probabilités d’évènements Bp bien choisis. Traduire alors ce que signifie, par définition, le fait que
(P(An ))n⩾0 ne converge pas vers 0, afin d’en déduire l’existence de ε > 0 tel que : ∀p ∈ N, P(Bp ) ⩾ ε. Conclure.
✓ Exercice 15. Dans un cas, la variable aléatoire comptant le nombre d’essais est clairement usuelle. Dans l’autre cas,
attention au fait que la probabilité de succès (« tomber sur la bonne clé ») change à chaque tirage, ce qui ne permet
pas de reconnaître une loi usuelle. Il faut donc calculer la loi de probabilité « à la main », en regardant ce qu’on veut
observer tirage après tirage, pour que la bonne clé soit la k e tirée (pour k ∈ J1, N K). Une fois qu’on a décomposé étape
par étape (chronologique) un évènement, comment utiliser cette décomposition pour en déduire sa probabilité ? Une
formule est naturellement appliquée à ces situations.
Exercice 16. Remarquer que cela revient à calculer l’espérance de la variable aléatoire qui, à une application de J1, nK
dans J1, pK, associe le cardinal de son image. Cette description de X (potentiellement superflue si vous avez les idées
p
1Ai , où les Ai sont des évènements bien choisis, de sorte que leur
P
claires) permet de l’écrire sous la forme : X =
i=1
probabilité d’advenir soit calculable explicitement à moindre frais (vous aurez à calculer la probabilité qu’un élément
ne soit pas dans l’image d’une application J1, nK → J1, pK en admettant que tous les choix sont équiprobables). Utiliser
alors la linéarité de l’espérance.
⋆ Exercice 17. (Espérance conditionnelle) Écrire la définition de E(X). On veut faire apparaître dans son expression
la loi conditionnelle de X sachant Ai , c’est-à-dire PAi (X = k) : songer à une formule du cours le permettant. Le
reste des calculs se poursuit sans ambage (penser à un théorème sur les familles sommables pour assurer que tous vos
calculs sont licites).
Vecteurs aléatoires
✓ Exercice 18.
1. (a) On remarque que X suit une loi usuelle.
(b) Exprimer Y en fonction de X.
2. Remarquer que X suit une loi hypergéométrique (exercice 1 : s’inspirer des indications qui y sont données).
En déduire celle de Y comme ci-dessus. On remarquera que, le nombre de boules blanches étant inférieur au
nombre de tirages, l’image de X est très petite et celle de Y aussi.
⋆ Exercice 19. (Marche aléatoire sur Z)
1. Remarquer que Sn est une somme de 1 et de −1 et qu’il en faut autant de chaque pour avoir Sn = 0.
Autre point de vue : les Xt sont « presque » des lois de Bernoulli. Se ramener effectivement à des variables de
loi de Bernoulli, et utiliser le fait que la somme de telles variables (indépendantes) soit binomiale.
2. Utiliser la formule de Stirling pour avoir un équivalent du coefficient binomial quand n → +∞. Remarquer que
0 < p(1 − p) ⩽ 14 (le cas d’égalité pouvant se produire pour une valeur de p).
3. Utiliser la linéarité de l’espérance. Les O2j suivent une loi usuelle.
4. L’hypothèse assure
P que − p) < 1, de sorte que 4p(1 − p) soit dans l’intervalle ouvert de convergence de
4p(1
1 2n n
la série entière 4 n n x qui doit vous évoquer le développement en série entière d’une fonction usuelle.
n⩾0
Conclure que E(Tn ) tend vers la somme de cette série entière.
5. Pour l’égalité : soit on raisonne par récurrence, soit on remarque que E(Tn ) est le coefficient général du produit
de Cauchy de deux séries entières dont les sommes sont connues. En développant en série entière explicitement
la somme de ce produit de Cauchy, et en utilisant l’unicité des coefficients, on obtient l’identité voulue. Le calcul
de limite découle encore une fois de la formule de Stirling.
3
MP⋆ 2024/2025 Chapitre X – Indications des exercices
Exercice 20.
1. Utiliser la linéarité de l’espérance. Pour la variance : utiliser l’indépendance des mi,j . La variance d’une variable
de loi de Rademacher se calcule trivialement à partir de la définition de la variance.
2. Écrire ce qu’est par définition le déterminant, et utiliser à la fois la linéarité de l’espérance, et l’indépendance
des mi,j , pour simplifier l’espérance d’une somme ou d’un produit. Le calcul de la variance est plus pénible mais
suit le même principe. Noter qu’en développant (δn )2 afin d’en considérer l’espérance, vous aurez des sommes
de produits de variables aléatoires indépendantes (de sorte que le produit de l’espérance soit l’espérance du
produit), sauf pour n! termes de la somme.
Exercice 21. Remarquer que cela revient à étudier la probabilité que (∆ > 0), (∆ = 0) ou (∆ < 0) se réalise, où
∆ est le discriminant du polynôme. Vous pouvez énumérer les possibilités permettant la réalisation de ces différents
évènements, en gagnant en efficacité si vous déterminez préalablement l’image des variables aléatoires b2 et 4ac. Cela
vous permettra par exemple d’observer que l’évènement (∆ = 0) ne se réalise que dans un très petit nombre de cas
(explicite) ; de même pour les deux autres (une fois que vous avez déterminé deux des évènements, déduisez-en le
dernier par passage au complémentaire ; choisissez ingénieusement, donc, l’évènement le moins complexe des deux
pour l’énumération exhaustive).
Exercice 22. Vous connaissez une caractérisation des variables aléatoires presque sûrement constantes à l’aide d’une
application dont le comportement sur les sommes de variables aléatoires est contrôlé. S’en servir ici.
Exercice 23. (A) Noter que (Sn = n) se réalise à une condition très spécifique sur Sn−1 , qui garantit la non
indépendance. Formaliser.
Ce raisonnement ne fonctionne pas pour la suite (Zn )n⩾1 . Utiliser le fait que ZZn−1
n
= Xn pour écrire un évènement
Tn
du type : (Zk = εk ), exclusivement à l’aide des Xk . Utiliser l’indépendance des Xk pour conclure.
k=1
Exercice 24. Écrire Cn = card ({X1 , . . . , Xn }) comme une somme de fonctions indicatrices bien choisies, en remar-
quant que calculer Cn (ω) revient à compter les nombres j ∈ J1, N K pour lesquels il existe i ∈ J1, nK tel que Xi (ω) = j.
Comme une fonction indicatrice est une variable de Bernoulli, son espérance se calcule grâce à son paramètre. On
détermine le paramètre d’une de ces variables de Bernoulli en raisonnant plutôt sur la probabilité de l’échec, plus
facile à obtenir par du dénombrement (possible puisque les Xi suivent une loi uniforme). Conclure par linéarité de
l’espérance.
Exercice 25.
1. Intuitivement : la σ-additivité et la propriété sur les restes de séries convergentes assurent que peu importe la
variable aléatoire X à valeurs dans N, la probabilité P(X ⩾ a) tend vers zéro quand a tend vers l’infini, ce qui
veut dire concrètement que X a tendance à rester « petit ». C’est ce qui, dans l’idée, conduit les X1 , . . . , Xn à
prendre des valeurs proches les unes des autres ; il y a donc souvent des collisions et Cn devient petit. Formaliser
cet argument en exprimant Cn à l’aide des fonctions indicatrices des évènements (Xi > a) et (Xi ⩽ a), avec a
à fixer plus tard. Utiliser la croissance et la linéarité de l’espérance. Choisir alors convenablement a pour avoir
le résultat voulu.
2. Reprendre la majoration de la première question en l’affinant. Remarquer que l’hypothèse d’espérance permet
de montrer : aP(Xi > a) = o (1) (s’inspirer de la démonstration de l’inégalité de Markov). En déduire,
a→+∞
√
pour tout ε > 0, et par un bon choix de a, une majoration du type : E(Cn ) ⩽ ⋆ε n. Conclure.
Exercice 26.
1. Remarquer qu’il est plus facile d’expliciter (vp ⩾ n) et d’en déduire sa probabilité. En déduire la loi de vp par
une manipulation analogue à celle qui permet d’avoir la loi d’une variable aléatoire à l’aide de sa fonction de
répartition.
2. Voir la question précédente.
r
Q
3. Le calcul du produit P(vpi = ni ), pour tous r et ni , découle aisément des questions précédentes (j’ai noté
i=1 r
T
p1 , . . . , pr les r premiers nombres premiers). Pour calculer P (vpi = ni ) , s’inspirer de la première question
i=1
Tr
pour écrire cette probabilité à l’aide de probabilités de la forme P (vpi ♠i ni ) avec ♠i ∈ {⩾, =}.
i=1
4. Immédiat en utilisant la définition d’une fonction génératrice et la loi explicitée à la première question. Faire
apparaître des sommes géométriques.
5. Calculer les dérivées successives de la fonction génératrice trouvée.
Exercice 27.
4
MP⋆ 2024/2025 Chapitre X – Indications des exercices
1. C’est une loi usuelle. Pour obtenir son paramètre : cela revient à déterminer la probabilité d’avoir au moins un
succès (tirer le numéro i) dans une succession d’épreuves d’indépendantes.
2. Écrire X en fonction des Xi et utiliser la linéarité de l’espérance.
3. Noter que Xi Xj est de loi usuelle. Obtenir son paramètre en calculant la probabilité que les numéros i et j
sortent dans cette série de lancers. Voici potentiellement une façon de procéder : la première question permet
d’obtenir la probabilité que i ou j ne sorte pas. Un calcul analogue permet d’avoir la probabilité qu’aucun des
deux ne sorte. Un bon usage de la formule de Moivre permet de conclure. Une fois qu’on a la loi de Xi Xj , le
calcul de la covariance est immédiat par la formule de Huygens.
4. La variance d’une somme s’exprime à l’aide de covariances, fort heureusement calculées dans la question précé-
dente.
✓ Exercice 28. (A) C’est très standard : voir Méthodes, Lois marginales et lois conjointes. La loi de N et la loi
conditionnelle de X sachant (N = n) sont usuelles. Le calcul de P(X = k) est subtilement différent pour k ⩾ 1 et
k = 0 (vous aurez un terme en trop dans une somme si vous êtes imprudents). Vous aurez besoin de la formule du
binôme négatif.
✓ Exercice 29. (A) C’est très standard : voir Méthodes, Lois marginales et lois conjointes. D’abord reconnaître en X
une loi usuelle et noter que la loi conditionnelle de Y sachant X = i est connue. On connaît alors la loi conjointe
de X et Y et on veut en déduire la loi marginale de Y : la méthode est connue. Vous aurez à simplifier la somme
k
n n−i
P 2n−k−i
i k−i (1 − p) . Pour cela, vous aurez besoin de la formule du binôme de Newton, et de la dériver plusieurs
i=0
fois (par exemple ; plusieurs approches sont possibles).
✓ Exercice 30. (A) C’est très standard : voir Méthodes, Lois marginales et lois conjointes.
Approximation, convergence
✓ Exercice 31. (Approximation de la loi uniforme continue) D’abord calculer P(Xn ⩽ nk ) avec k ∈ J0, nK. En
déduire, pour x ∈]0,1], P(Xn ⩽ x), en introduisant le plus grand entier k tel que nk ⩽ x < k+1
n . Passer à la limite.
Exercice 32. (Théorème d’approximation de Weierstraß)
1. Utiliser le théorème de transfert pour simplifier Bn (f )(x).
2. Que vaut 1An,η (x) + 1An,η (x) ? Utiliser la linéarité de l’espérance.
3. Utiliser l’uniforme continuité de f .
4. Utiliser l’inégalité de Markov ou la loi faible des grands nombres pour majorer P(An,η ).
5. Dans la deuxième question, majorer la dernière espérance non encore estimée en la ramenant à la norme infinie
de P(An,η ). Conclure avec les deux questions précédentes. Se ramener de [0,1] à un segment [a, b] quelconque
via composition par une application affine.
Exercice 33. (Problème du collectionneur)
1. Remarquer que pour tout entier k, la variable aléatoire Xk − Xk−1 correspond à un temps d’attente (avoir la
k e image sachant qu’on en a déjà k − 1). En déduire que cette variable suit une loi usuelle dont on connaît
l’espérance (attention au paramètre de succès, qui dépend de k puisqu’il dépend du nombre d’images différentes
déjà collectées). Conclure en écrivant Xn à l’aide de ces variables. Obtenir un équivalent est classique : un
changement d’indice vous ramène à une somme partielle de séries de Riemann.
2. Démontrer que les variables Xk − Xk−1 sont indépendantes et obtenir la variance de Xn en raisonnant comme
dans la question précédente. Cette variance est une combinaison linéaire de deux sommes partielles de séries de
Riemann, celle en facteur de n2 étant convergente. La majoration demandée en découle aussitôt. Utiliser alors
l’inégalité de Bienaymé-Tchebychev pour conclure.
Vous aurez besoin de « remplacer » E(Xn ) par l’équivalent obtenu à la question précédente, ce qui ne peut pas
se faire sans soin : obtenir une majoration du type |Xn − n ln(n)| ⩽ |Xn − E(Xn )| + ⋆. En déduire une inclusion
de l’évènement (Xn − n ln(n) ⩾ εn ln(n)) dans un évènement du type (Xn − E(Xn ) ⩾ ♠). Là, l’inégalité de
Bienaymé-Tchebychev s’applique et donne le résultat voulu en passant à la limite.
Exercice 34. On imite la démonstration de la loi faible des grands nombres, en appliquant l’inégalité de Bienaymé-
Tchebychev. La différence est que des covariances de Yi et Yj apparaissent et qu’il faut les simplifier. Pour cela : le
lemme des coalitions permet de conclure immédiatement si Yi et Yj n’ont pas de facteur en commun. Sinon : calculer
la covariance grâce à la formule Cov(X, Y ) = E(XY ) − E(X)E(Y ). Utiliser le fait que X 2 = X si X est de Bernoulli,
et l’indépendance des Xi pour simplifier les variables aléatoires dans les espérances. Il ne reste plus que des espérances
de variables de Bernoulli à calculer. Conclure.
5
MP⋆ 2024/2025 Chapitre X – Indications des exercices
Exercice 35. (Inégalité de Paley-Zygmund) Puisqu’on demande de comparer une probabilité à différentes espé-
rances, le problème serait plus naturel en écrivant cette probabilité comme étant elle-même une espérance aussi. On
sait faire (revoir si besoin la démonstration de l’inégalité de Markov).
Une fois que vous aurez réécrit convenablement l’inégalité demandée avec des espérances, vous devriez reconnaître
un cas particulier d’un résultat du cours.
⋆ Exercice 36. (Inégalité de Hoeffding)
1. Pour la première inégalité : pour comparer E(etX1 ) et ch(t), notons que cela revient à savoir majorer eta (avec
a ∈ R) en fonction de et et e−t . Remarquer qu’une inégalité de convexité convenablement employée le permet.
Remplacer ensuite a par X1 et prendre l’espérance. C’est ici que sert l’hypothèse que la variable est centrée.
t2
Pour la deuxième inégalité : comparer les développements en série entière de ch et t 7→ e 2 .
2. Pour se ramener à la question précédente, écrire (|Sn | ⩾ ε) en fonction d’évènements de la forme (e⋆ ⩾ ♠) et
utiliser l’indépendance des variables aléatoires (afin de « séparer les variables aléatoires »).
Noter que la question précédente suppose α = 1. Pas grave : partant d’une variable aléatoire Xi à valeurs dans
[−α, α], comment la transformer en une variable aléatoire à valeurs dans [−1,1] ?
⋆ Exercice 37. (Loi forte des grands nombres : cas particulier)
1. Utiliser l’exercice 36 et le lemme de Borel-Cantelli (exercice 12).
2. D’abord traduire avec quantificateurs le fait que lim Sn (ω) = 0 pour lier A à l’évènement de la question
n→+∞
précédente.
Fonctions génératrices
✓ Exercice 38. (A C) On sait calculer la fonction génératrice d’une somme de r variables aléatoires indépendantes.
Celle d’une variable de loi géométrique est usuelle.
Exercice 39. Montrer d’abord que si Christian ou Lionel gagne au ne lancer, alors la suite des n − 3 premiers lances
doit être de la forme Pq (FP)r Fs avec q, r, s des entiers tels que q + 2r + s = n − 3 (en remarquant qu’autrement, la
partie aurait déjà été achevée avant le ne lancer). Les trois lancers suivants dépendent selon que ce soit Christian ou
Lionel le vainqueur. !
e
P
Conclure que la probabilité cn que Christian gagne au n lancer est de la forme cn = ⋆ ♠, où ♠
q+2r+s=n−3
X de Christian, et ⋆ correspond à la probabilité
provient des probabilités que les trois derniers lancers assurent la victoire
d’avoir Pq (FP)r Fs . Calculer cn en introduisant la série génératrice cn z n et en remarquant que l’égalité ci-avant
n⩾0
permet d’écrire la somme de cette série comme un produit de trois sommes usuelles. Simplifier le tout. En déduire la
probabilité que Christian gagne en considérant z → 1 (pourquoi ?). Procéder de même pour avoir la probabilité que
Lionel gagne.
Il n’est pas difficile d’en déduire une valeur de p qui donne l’égalité entre les deux probabilités calculées.
⋆ Exercice 40. (Fonction caractéristique)
1. Utiliser le théorème de continuité d’une limite uniforme (s’il vous ennuie de ne pas avoir une somme indexée
par les entiers naturels : s’y ramener grâce à la dénombrabilité de X(Ω)). La convergence normale s’obtient en
majorant eitx P(X = x) indépendamment de t.
2. C’est exactement la même démonstration que pour les fonctions génératrices.
3. S’inspirer de la démonstration de la formule intégrale de Cauchy (exercice 26 du chapitre ix) pour exprimer
P(X = x) en fonction de ΦX . Conclure avec l’égalité ΦX = ΦY .
⋆ Exercice 41. (Formule de Wald) Dans le développement en série entière de GSN , exprimer P(SN = n) en fonction
des lois de N et X1 , . . . , Xk (à quelles conditions sur ces variables aléatoires l’évènement (SN = n) se réalise ?).
+∞
P
Utiliser un théorème sur les familles sommables afin de faire apparaître P(N = k)⋆, et remarquer que ⋆ donne la
k=1
k
P
fonction génératrice de Xi . Or on sait simplifier la fonction génératrice d’une somme vérifiant certaines hypothèses.
i=1
Conclure. On connaît ensuite le lien entre espérance et fonction génératrice.
⋆ Exercice 42. Raisonner par l’absurde. Si X et Y sont les résultats donnant les lancers des deux dés, alors GX+Y est
explicite grâce à l’hypothèse absurde, et s’exprime en fonction de GX et GY grâce à un résultat du cours. Comparer
les racines réelles non nulles de GX , GY et GX+Y (celles de GX+Y sont très bien connues, l’existence de racines réelles
6
MP⋆ 2024/2025 Chapitre X – Indications des exercices
non nulles de GX et GY nécessite en revanche un argument indirect mais classique sur le degré des polynômes) pour
avoir une absurdité.
La contradiction peut aussi provenir d’autres arguments polynomiaux.
j Exercice 43. (Théorème de Raikov)
1. On aurait envie de poser T = ln(S), chose qui n’a en général pas de sens mais peut quand même vous inspirer.
R1 Rx
Poser : T (x) = 0 ⋆dt (ou 1 ⋆dt), où ⋆ correspond à ce qui apparaîtrait si T était effectivement un logarithme
de S comme on l’entendrait pour une fonction S strictement positive.
Pour montrer que T est développable en série entière sur C : c’est là que les choses se corsent (beaucoup).
Se convaincre que cela revient à démontrer que c’est le cas de S1 . Des exercices du chapitre ix le permettent
(l’exercice 23 semble être le plus adapté, mais en vérité la formule intégrale de Cauchy, convenablement employée,
remplit mieux son office si l’on veut avoir un rayon de convergence maximal : si S1 est développable en série
entière, comment s’écrivent ses coefficients an en fonction de S ? faire la synthèse).
Vérifier ensuite que exp(T ) = S par dérivation de S exp(−T ).
2. Remarquer que GX (t)GY (t) = eλ(t−1) implique que GX et GY ne s’annulent pas. Vérifier qu’elles sont définies
sur C (faire un produit de Cauchy et isoler un terme du ne coefficient pour en déduire une majoration de
P(X = n), ou de P(Y = n), qui suffit à montrer que le rayon de convergence de ces deux séries génératrices
est infini ; on déduit de ces mêmes majorations que GX et GY sont dominées par une fonction exponentielle
sur C). Appliquer la question précédente à ces deux fonctions. Si l’on note TX et TY des fonctions telles que
GX = exp(TX ) et GY = exp(TY ), utiliser les majorations de GX et GY que vous avez dû trouver précédemment,
afin d’en déduire une majoration de Re(TX ) et Re(TY ). S’inspirer de la démonstration du théorème de Liouville
(ou de l’exercice 49, chapitre ix aussi) pour en déduire que TX et TY sont des fonctions affines. Expliciter les
coefficients de ces fonctions affines grâce à l’égalité GX (t)GY (t) = eλ(t−1) . Conclure.
Classement des exercices par thèmes
Algèbre linéaire 4, 6, 9, 10, 20
Chaîne de Markov 4, 5, 9
Continuité monotone 2, 8, 12, 13
Convergence de variables aléatoires 1, 4, 5, 6, 31, 33, 34, 37
Covariance 1, 27, 34
Dénombrement 1
« Différences petites » 32
Calcul d’espérance, de variance 1, 7, 15, 16, 18, 19, 20, 24, 25, 27, 33, 41
Fonction de répartition 11, 26, 31
Fonctions génératrices 26, 38, 39, 41, 42, 43
Fonctions indicatrices 1, 7, 16, 24, 25, 27
Formule de Bayes 3, 7
Formule des probabilités composées 2, 8, 15
Formule des probabilités totales 3, 4, 5, 9, 17, 28, 29, 30, 41
Indépendance 10, 11, 13, 20, 22, 23, 33, 34, 36, 41
Inégalité de Markov et analogues 25, 32, 33, 36, 34, 35
Lemme de Borel-Cantelli et analogues 12, 13, 14, 37
Loi binomiale 3, 7, 10, 18, 19, 29, 32
Loi de Poisson 30, 43
Loi géométrique 2, 11, 15, 28, 33, 38
Loi uniforme 1, 15, 21, 24, 30, 31, 42
Lois conjointes et marginales 28, 30
Lois non usuelles 1, 7, 18, 38
Problème d’interversion 40
Séries entières 3, 19, 28, 29, 36, 38, 39, 41
Variance : applications 22, 43
Vecteurs et matrices aléatoires 10, 20, 28, 30
