Université Pierre et Marie Curie 2013-2014
Probabilités et statistiques - LM345 Feuille 5 (semaine du 14 au 18 octobre 2013)
Variables aléatoires : loi et espérance (suite).
1. Loi gaussienne Rappeler la densité de la loi N(µ, σ2). Soit X∼ N(µ, σ2), quelle
est la loi de Xµ
σ. Comment simuler une loi gaussienne quelconque ?
2. Soit Xune variable aléatoire. Déterminer pour quelles valeurs de λRla variable
eλX est intégrable et calculer E[eλX ]dans chacun des cas suivants :
a) Xsuit la loi uniforme sur un intervalle [a, b],
b) Xsuit la loi exponentielle de paramètre θ > 0,
c) Xsuit la loi normale N(0,1).
Solution de l’exercice 2.
a) Pour tout λR, la variable aléatoire eλX est bornée (lorsque Xsuit une loi uniforme
sur [a, b]), et donc intégrable. De plus,
E[eλX ] = Zb
a
(ba)1eλxdx = (λ(ba))1[eλx]b
a= (λ(ba))1[eλb eλa].
b)
E[eλX ] = Z+
0
θe(λθ)xdx =+si λθ,
θ
θλsi λ < θ.
c) Pour la loi normale, en faisant le changement de variable y=xλ, il vient λx
x2/2 = y2/2 + λ2/2et on trouve ainsi
1
2πZ+
−∞
eλxx2/2dx =1
2πZ+
−∞
ey2/2+λ2/2dy =eλ2/2.
3. a) Soit Xune variable aléatoire à valeurs dans N. Montrer que si X2est intégrable,
alors Xest intégrable. Ce résultat reste-t-il vrai si l’on suppose que la loi de Xadmet
une densité ?
b) Soit m1un entier. Donner un exemple d’une variable aléatoire Xà valeurs dans
Ntelle que Xksoit intégrable pour tout kcompris entre 1et met E[Xm+1] = +.
Solution de l’exercice 3.
a) En utilisant l’inégalité |x| ≤ 1 + x2valable pour tout réel xet la positivité de l’es-
pérance, on obtient que E[|X|]1 + E[X2], ce qui prouve que le résultat, sans hy-
pothèse sur la variable aléatoire réelle Xautre que l’existence d’un moment d’ordre
2. En particulier c’est vrai si Xest à densité.
1
b) Notons, pour tout s > 1, ζ(s) = Pn1
1
ns. Considérons une variable aléatoire X:
(Ω,F,P)Ntelle que pour tout n1on ait
P(X=n) = 1
ζ(m+ 2)
1
nm+2 .
Alors d’une part,
E[Xm] = 1
ζ(m+ 2) X
n1
1
n2=ζ(2)
ζ(m+ 2) <+,
donc Xadmet un moment d’ordre met, d’autre part,
E[Xm+1] = 1
ζ(m+ 2) X
n1
1
n= +,
donc Xn’admet pas de moment d’ordre m+ 1.
4. On considère la fonction f:RRdéfinie par f(t) = 1
π
1
1 + t2.
a) Montrer que fest la densité d’une mesure de probabilités sur R.
Soit Xune variable aléatoire dont la loi admet la densité f.
b) La variable aléatoire Xest-elle intégrable ?
c) Calculer la fonction de répartition de X.
d) Calculer la loi de Y= arctan(X).
La loi considérée dans cet exercice s’appelle la loi de Cauchy standard.
Solution de l’exercice 4.
a) On effectue le changement de variable t= arctan x, et, comme arctan0=1
1+arctan2,
il vient Z+
−∞
f(x)dx =1
πZπ/2
π/2
= 1.
fest donc la densité d’une probabilité.
b) x
1+x2xn’est pas intégrable au voisinage de l’infini, et donc Xn’est pas intégrable.
c) Par le changement de variable du a), on obtient
P(Xa) = Za
−∞
f(x)dx =1
πZarctan a
π/2
=1
π[arctan a+π/2].
d) Soit b[π/2, π/2]. On a, toujours par le même calcul,
P(Yb) = P(Xtan b) = Ztan b
−∞
f(x)dx =1
πZb
π/2
=b
π+1
2.
Ysuit donc la loi uniforme sur [π/2, π/2].
2
5. Soit Xune variable aléatoire qui suit la loi normale N(0,1). Montrer que pour
tout nN, la variable aléatoire Xnest intégrable et calculer E[Xn]. Vérifier que pour
tout n0,E[Xn]est le nombre de manières d’apparier npoints, c’est-à-dire le nombre
de partitions de l’ensemble {1, . . . , n}par des paires.
Solution de l’exercice 5. La densité de la loi normale centrée réduite est la fonction
f(x) = 1
2πex2
2. On sait que pour tout n1, la fonction x7→ |x|nex2
2tend vers 0
lorsque xtend vers +ou −∞. Soit n1un entier. Puisque x7→ |x|n+2ex2
2tend vers
0en l’infini, on a |x|nex2
2=O(1
x2)en +et −∞, si bien que l’intégrale R+
−∞ |x|nex2
2dx
converge. La loi normale centrée réduite admet donc des moments de tous les ordres.
Pour tout n0, posons
mn=1
2πZ+
−∞
xnex2
2dx.
Si nest impair, mnest l’intégrale d’une fonction intégrable impaire, donc mn= 0.
Ceci peut se vérifier en faisant le changement de variable y=xqui donne la relation
mn=mn.
Pour n= 0,m0est l’intégrale de la densité d’une loi de probabilités, donc m0= 1.
Soit n2un entier pair. On écrit n= 2p. Une intégration par parties donne, pour tout
R > 0,
1
2πZ+R
R
x2pex2
2dx =1
2πZ+R
R
x2p1
|{z}
u
xex2
2
| {z }
v0
dx
=1
2πhx2p1ex2
2iR
R+ (2p1) 1
2πZ+R
R
x2p2ex2
2dx.
En faisant tendre Rvers +, on trouve la relation m2p= (2p1)m2p2, qu’on résout en
m2p= (2p1)(2p3) . . . 3.1. Ce nombre est souvent noté (2p)!! et vaut (2p)!
2pp!.
Finalement, les moments de la loi normale centrée réduite sont donnés par
n1, mn=0si nest impair,
(2p)!! = (2p)!
2pp!si n= 2p.
Pour apparier npoints, il faut choisir avec lequel des n1autres éléments apparier le
premier, puis il en reste n2à apparier pour lesquels on procède de même. On obtient
la même équation de récurrence que précédemment, avec une unique possibilité si n= 2
et aucune si nest impair. Le nombre de manière d’apparier npoints est donc égal au
moment d’ordre nde la loi normale.
6. Soit θ > 0un réel. Soit Xune variable aléatoire de loi exponentielle de paramètre
θ. Montrer que pour tout entier n1, la variable aléatoire Xnest intégrable et calculer
E[Xn]. Donner une interprétation combinatoire de ce nombre lorsque θ= 1.
3
Solution de l’exercice 6. Pour n= 0, on a évidemment E[X0] = 1. Soit n1. On
intègre par parties (en dérivant le monôme et en primitivant l’exponentielle) :
E[Xn] = θZ+
0
xneθxdx =θxneθx
θ+
0
+nZ+
0
xn1eθxdx =n
θE[Xn1].
En raisonnant par récurrence, on obtient immédiatement E[Xn] = n!θn.
Pour θ= 1,E[Xn] = n!est le nombre de bijections d’un ensemble ayant néléments
dans lui même.
7. Soit λ > 0un réel. Soit Xune variable aléatoire de loi de Poisson de paramètre
λ. Montrer que pour tout entier k1, la variable aléatoire X(X1) . . . (Xk+ 1) est
intégrable et calculer son espérance. Calculer E[Xm]pour m∈ {1,2,3,4}et vérifier que
pour chacune de ces valeurs de m,E[Xm]est le nombre de partitions d’un ensemble à m
éléments lorsque λ= 1.On peut démontrer que cette assertion est vraie pour tout m1.
Solution de l’exercice 7. Yk:= X(X1) . . . (Xk+ 1) est une variable aléatoire
positive, on peut donc calculer son espérance (éventuellement infinie, auquel cas elle n’est
pas intégrable). En utilisant le fait que Yk= 0 lorsque X= 0, . . . , k 1, on obtient
E[Yk] = eλX
ik
i(i1) . . . (ik+ 1)λi
i!=eλλkX
ik
λik
(ik)! =λk<+.
On sait que les Ykpermettent de retrouver les Xkpar combinaison linéaire (famille éche-
lonnée de polynômes, même si ici Xdésigne une variable aléatoire et pas une indétermi-
née). On trouve, en identifiant les coefficients
X=Y1, X2=Y2+Y1, X3=Y3+ 3X22X=Y3+ 3Y2+Y1,
X4=Y4+ 6X311X2+ 6X=Y4+ 6Y3+ 7X26X=Y4+ 6Y3+ 7Y2+Y.
On prend maintenant les espérances et on utilise la relation E[Yk] = λkcalculée plus haut
pour obtenir les premiers moment de X:
E[X] = λ, E[X2] = λ2+λ, E[X3] = λ3+ 3λ2+λ, E[X4] = λ4+ 6λ3+ 7λ2+λ.
Pour λ= 1, on obtient
E[X]=1,E[X2] = 3,E[X3] = 5,E[X4] = 15.
On constate que pour ces 4 valeurs, E[Xm]est le nombre de partitions d’un ensemble à
méléments, et même que le coefficient devant λkest celui des partitions de cet ensemble
en ksous-ensembles. Par exemple pour m= 4, on a : pour k= 4, une seule partition
(composée de 4 singletons), pour k= 3, 6 partitions (composées d’une paire et de deux
4
singletons), pour k= 2, 7 partitions (3 composées de deux paires et 4 composées d’un
brelan et d’un singleton) et enfin pour k= 1 une seule (réduite à l’ensemble total).
8. Inégalité de Markov Soit X: (Ω,F,P)Rune variable aléatoire. Soit a > 0
un nombre réel.
a) Montrer que P(|X| ≥ a)E(|X|)
a.
b) Que peut-on dire de la proportion de la population qui gagne plus de dix fois le
salaire moyen ?
Solution de l’exercice 8.
a) On vérifie facilement que pour tout ω,a{|X(ω)|≥a}≤ |X(ω)|. Par positivité de
l’espérance, on obtient en intégrant :
aP(|X| ≥ a)E(|X|).
Il suffit de diviser par apour obtenir l’inégalité demandée.
b) En considérant que Xest le salaire, et en choisissant a= 10E(|X|), on déduit de
l’inégalité de Markov que la proportion de la population qui gagne plus de dix fois
le salaire moyen est inférieure à 1/10.
9. Montrer qu’une variable aléatoire positive dont l’espérance est nulle est nulle
presque sûrement.
Solution de l’exercice 9. Soit X: (Ω,F,P)R+une variable aléatoire réelle positive.
Il s’agit de montrer que si E[X] = 0, alors P(X > 0) = 0. Pour tout n1, définissons
un événement AnFen posant An={X1
n}. La suite d’événements (An)n1est
croissante et vérifie Sn1An={X > 0}. On en déduit que P(X > 0) est la limite des
P(X1
n)lorsque ntend vers l’infini.
En applicant l’inégalité de Markov, on obtient alors P(X1
n)nE(X)=0d’où
P(X1
n)=0pour tout net en passant à la limite, P(X > 0) = 0.
10. Soient λ, µ > 0deux réels. On considère l’ensemble Ω = N2, la tribu F=P(N2)
et, sur l’espace mesurable (Ω,F), la probabilité Pcaractérisée par
(n, m)N2,P({(n, m)}) = e(λ+µ)λn
n!
µm
m!.
Enfin, sur (Ω,F,P), on définit les deux variables aléatoires X(n, m) = net Y(n, m) = m.
a) Vérifier que P(Ω) = 1.
b) Déterminer la loi de Xet la loi de Y.
5
1 / 6 100%
La catégorie de ce document est-elle correcte?
Merci pour votre participation!

Faire une suggestion

Avez-vous trouvé des erreurs dans linterface ou les textes ? Ou savez-vous comment améliorer linterface utilisateur de StudyLib ? Nhésitez pas à envoyer vos suggestions. Cest très important pour nous !