Exercices L12
Exercices L12
Exercices L12
1
Exercice 3 (Loi zeta). La loi zeta (aussi appelée loi de Zipf 1 ) µs de para-
mètre s > 1 est la mesure de probabilité sur N définie par
1 1
µs {n} = , n ∈ N,
ζ(s) ns
1
P
où ζ(s) = k≥1 k s .
n
\
1
= lim µs Ack .
ζ(s) n→∞
k=1
2
Corrigé. a) Comme µs est une mesure discrète,
1 X nr
Z X
E(X r ) = xr dµs = nr µs {n} =
.
N ζ(s) ns
n∈N n∈N
1
P
La série n∈N ns−r est convergente si et seulement si s − r > 1, et dans ce cas
vaut ζ(s − r). En conséquence, si 0 < r < s − 1, E(X r ) = ζ(s−r)
ζ(s) .
2
2 ζ(s − 2) h ζ(s − 1) i2
Var(X) = E(X ) − E(X) = −
ζ(s) ζ(s)
e−t X
−t
= e−nt .
1−e n≥1
d) Tout entier n ≥ 2 est multiple d’un nombre premier ; ainsi seul 1 peut
1
appartenir à l’intersection des Ack , k ≥ 1. Comme µs ({1}) = ζ(s) , l’identité
demandée découle de la monotonie d’une mesure (finie). e) Si k1 , . . . kn ≥ 1
3
sont des entiers, dire qu’un entier appartient à A1 ∩ · · · ∩ An signifie qu’il est
multiple de pk1 · · · pkn . En raisonnant comme dans la question c),
1
µs (A1 ∩ · · · ∩ An ) = ,
pk1 · · · pkn
qui est donc égal à µs (A1 ) · · · µs (An ). Les ensembles Ak , k ≥ 1, sont donc
indépendants sous µs , et donc il en va de même des complémentaires Ack , k ≥ 1.
Il ne reste plus alors qu’à appliquer la question précédente puisque
\ n Yn Yn
c c
µs Ak = µs (Ak ) = 1 − µs (Ak ) .
k=1 k=1 k=1
comme précédemment.
5
comme E(1{Y =k} ) = P(Y = k) = 21n nk . Puisque X est de loi E(1), pour tout
k = 0, 1, . . . , n,
Z Z
X x
−x
E φ = φ e dλ = (k + 1) φ(y)e−(k+1)y dλ.
1+k ]0,∞[ 1+k ]0,∞[
par rapport à la mesure de Lebesgue sur ]0, ∞[. L’espérance E(Z) peut se
calculer avec la densité précédente et le théorème de transport. Il peut aussi
1
être observé que, par indépendance, E(Z) = E(X) E 1+Y . Or E(X) = 1 et,
puisque Y est de loi B(n, 21 ),
n n+1
1 X 1 n 1 1 1 X n+1
E = =
1+Y 1 + k k 2n (n + 1) 2n `
k=0 `=1
6
Exercice 6. Soient X et Y deux variables aléatoires indépendantes de même
loi exponentielle E(1).
a) En utilisant le théorème de Fubini-Tonelli, démontrer que pour tout t > 0,
Z
e−ty d PY (y) = E e−tY .
P(X > t Y ) =
]0,∞[
1]ty,∞[ d PX = P(X > ty) = e−ty puisque X est de loi E(1), de sorte
R
Mais ]0,∞[
que Z
e−ty d PY (y) = E e−tY
P(X > t Y ) =
]0,∞[
7
(la seconde égalité résultant du théorème de transport, pour la loi de Y cette
fois). C’est le résultat annoncé. Le calcul précédent permet de déterminer la
fonction de répartition de la loi de variable aléatoire (positive) X Y : pour tout
t > 0,
X Z
P ≤ t = 1 − P(X > t Y ) = 1 − e−ty d PY (y)
Y
Z]0,∞[
= 1− e−(1+t)y d λ
]0,∞[
1
= 1− .
1+t
1
La fonction de répartition est dérivable sur ]0, ∞[, de dérivée f (x) = (1+x) 2 , qui
8
par une nouvelle application du théorème de Fubini-Tonelli. Comme
−(1+u)y 1
R
]0,∞[ y e dλ(y) = (1+u)2 , il s’ensuit que
Z
X 1
E φ = φ(u) dλ,
Y ]0,∞[ (1 + u)2
exprimant directement que la loi de X 1
Y a pour densité u 7→ (1+u)2 par rapport à
X
la mesure de Lebesgue sur ]0, ∞[. c) Il est clair que X+Y est à valeurs presque
sûres dans ]0, 1[ et
X 1
= Y
.
X +Y 1+ X
Donc, si t ∈ ]0, 1[,
X Y 1
P ≤t = P ≥ −1 .
X +Y X t
En vertu de la question précédente (X et Y sont équidistribuées), par un calcul
de primitive,
Z
Y 1 1 1
P ≥ −1 = dλ(u) = = t.
X t [ 1t −1,∞[ (1 + u)
2 1 + ( 1t − 1)
X
D’après la forme de la fonction de répartition, la loi de X+Y est uniforme sur
]0, 1[ (un très beau résultat ! ). d) Si φ, ψ : R → R sont boréliennes, positives ou
bornées,
Z
X x
E φ ψ(X + Y ) = φ ψ(x + y) e−(x+y) dλ2 (x, y)
X +Y ]0,∞[2 x+y
puisque la loi du couple (X, Y ) a pour densité e−(x+y) par rapport à la mesure
de Lebesgue λ2 sur ]0, ∞[2 . Il est possible d’effectuer, avec le théorème de
Fubini-Tonelli, des changements de variables uni-dimensionnels ; toutefois, il
est une bonne illustration de travailler en dimension 2. En effet, le changement
de variables x
h(x, y) = (u, v) = ,x + y
x+y
9
de ]0, ∞[2 dans ]0, 1[×]0, ∞[, de bijection réciproque h−1 (u, v) = (x, y) =
1
(uv, (1 − u)v) et de jacobien dét(Jh (x, y)) = − x+y , fournit
X
E φ ψ(X + Y )
X +Y
Z x 1
= φ ψ(x + y) e−(x+y) (x + y) dλ2 (x, y)
2 x+y (x + y)
Z]0,∞[
= φ(u)ψ(v) e−v v dλ2 (u, v)
]0,1[×]0,∞[
Z Z
−v
= φ(u) dλ(u) ψ(v)ve dλ(v)
]0,1[ ]0,∞[
10
prendre φ, ψ : R → R boréliennes, positives ou bornées, et écrire
E φ bXn c + 1 ψ bXn c + 1 − Xn
Xn Z
= φ bXn c + 1 ψ bXn c + 1 − Xn d P
k=1 {Xn ∈[k−1,k[}
Xn Z
= φ(k)ψ(k − Xn )d P
k=1 {Xn ∈[k−1,k[}
n Z
X 1
= φ(k) ψ(k − x)dλ(x)
n [k−1,k[
k=1
n Z
1X
= φ(k) ψ(x)dλ(x)
n [0,1[
k=1
11
Exercice 9. Montrer par un calcul direct sur les probabilités que si X1 et X2
sont deux variables aléatoires indépendantes de loi géométrique de paramètre
p1 ∈ ]0, 1[ et p2 ∈ ]0, 1[ respectivement, alors min(X1 , X2 ) suit encore une loi
géométrique G(p) dont on précisera le paramètre p. Qu’en est-il si X1 et X2
sont exponentielles de paramètre α1 > 0 et α2 > 0 ? Le démontrer sans calcul
grâce à l’Exercice 5, Leçon 8.
et de même pour X2 de loi G(p2 ). Cette description caractérise en fait les lois
géométriques (puisque P(X1 = k) = P(X1 ≥ k) − P(X1 ≥ k + 1)). Mais alors,
pour tout k ∈ N, par indépendance,
Il s’ensuit que min(X1 , X2 ) est de loi géométrique de paramètre p tel que 1−p =
(1 − p1 )(1 − p2 ). Le même raisonnement permet d’établir que si X1 et X2 sont
de loi exponentielle E(α1 ) et E(α2 ), alors
pour tout t > 0, résultat qui s’obtient donc aussi à travers le schéma de l’Exer-
cice 5, Leçon 8 quand p1 = αn1 , p2 = αn2 , k = bntc, et n → ∞.
12
b) Poser Z = min (X1 , X2 ) et M = argmin (X1 , X2 ) (par définition M = i
signifie que Z = Xi ). Démontrer que Z suit une loi exponentielle, et que
α1 α2
P(M = 1) = , P(M = 2) = .
α1 + α2 α1 + α2
13
sûrement sans ambiguïté d’après a). Ainsi P(M = 1, Z > t) = P(X2 > X1 > t).
Si ∆ = {(x1 , x2 ) ∈ R2 ; x2 > x1 > t}, d’après le théorème de transport, puis le
théorème de Fubini-Tonelli,
P(X2 > X1 > t) = P (X1 , X2 ) ∈ ∆
Z
= f dλ
Z∆ Z
−α1 x1 −α2 x2
= α1 α2 e dλ(x2 ) dλ(x1 )
]t,∞[ ]x1 ,∞[
Z
= α1 e−(α1 +α2 )x1 dλ(x1 )
]t,∞[
α1
= e−(α1 +α2 )t .
α1 + α2
Avec le même raisonnement pour i = 2,
α1
P(M = 1, Z > t) = e−(α1 +α2 )t ,
α1 + α2
α2
P(M = 2, Z > t) = e−(α1 +α2 )t .
α1 + α2
Ce résultat permet de retrouver les conclusions de la question b), les lois de
M et Z se lisant directement sur ce qui précède : en effet, M est une variable
aléatoire à valeurs (presque sûrement) dans {1, 2} et les probabilités P(M = 1)
et P(M = 2) s’obtiennent par le choix de t = 0 ; la variable aléatoire Z est à
valeurs (presque sûrement) dans ]0, ∞[ et, pour tout t > 0,
14
Exercice 11. Si X est une variable aléatoire de carré intégrable, démontrer
que
1
E [X − Y ]2
Var(X) =
2
où Y est une variable aléatoire indépendante de X et de même loi.
15
1
densité (1+x) 2 par rapport à la mesure de Lebesgue sur ]0, ∞[. En particulier
R∞ 1 1
P(Z ≥ t) = t (1+x) 2 dx = 1+t pour t ≥ 0. d) Cette question découle immé-
qui est bien la fonction de répartition de la loi de Gumbel (Exercice 5, Leçon 7).
La variance de − ln(X) est bien sûr la même que celle de ln(X), donc égale à
π2
6.
16
Exercice 14. Sur un espace probabilisé (Ω, A, P), soient X et N deux
variables aléatoires indépendantes, X suivant la loi uniforme U(−1, +1) sur
[−1, +1] et N la loi de Poisson P(θ) de paramètre θ > 0. Calculer E(X N ), et
essayer d’en donner une valeur exacte quand θ = 1.
En conclusion, E(X N ) = 12 (1 − 1
e2 ) si θ = 1.
17
Exercice 15 (Temps d’atteinte.) Soit Xn , n ∈ N, une suite de variables
aléatoires indépendantes de même loi de Bernoulli B(p) de paramètre p ∈ ]0, 1[
à valeurs dans {0, 1} ; poser T = inf{n ≥ 1 ; Xn = 1} avec inf ∅ = ∞.
a) Montrer que T < ∞ presque sûrement et calculer P(T = n) pour tout n ≥ 1.
b) Calculer E(T ) et Var(T ).
c) Définir la variable aléatoire XT et donner sa loi.
d) Démontrer que les variables aléatoires Yk = XT +k , k ≥ 1, sont indépendantes
de même loi de Bernoulli de paramètre p.
T
Corrigé. a) P(T = ∞) = P n≥1 {X n = 0} . Or, pour tout N ≥ 1, par
indépendance,
N
\ N
Y
P {Xn = 0} = (1 − p) = (1 − p)N
n=1 n=1
18
(car {T = n} ⊂ {Xn = 1}). Ainsi XT est constante égale à 1 (presque sûre-
ment). d) Soient 1 ≤ k1 < k2 < · · · < k` des entiers fixés, et soit {ε1 , . . . , ε` }
une famille de 0 et de 1, également fixée. Par définition et décomposition en le
système complet d’événements {T = n}, n ≥ 1,
P(Xn+k1 = ε1 , . . . ,Xn+k` = ε` , T = n)
= P(Xn+k1 = ε1 , . . . , Xn+k` = ε` ) P(T = n).
19