corrig
é
Préparation aux oraux – 2
Exercice 1
[TPE PC 2018]On munit M2(R) du produit scalaire défini par hA | Bi = tr(ATB).
Soit F = a b −b a ! ∈ M2(R) (a, b) ∈ R 2.
a. Montrer que F est un sous-espace vectoriel de M2(R).
b. Déterminer le projeté orthogonal de J = 1 1 1 1 !
sur F⊥. c. Calculer la distance entre J et F .
a. F = Vect(I, K) avec K = 0− 1 1 0 !
donc F est un sous-espace vectoriel de M2(R).
b. On a hI | Ii = 2, hK | Ki = 2 et hI | Ki = 0 donc√1 2I, 1 √ 2K
forme une base orthonormée de F . Le projeté orthogonal de J sur F s’écrit donc p(J) = 1
2hI | JiI + 1
2hK | JiK = I et le projeté orthogonal de J sur F
⊥ vaut donc J − p(J) = 0 1 1 0 ! . c. On a d(J, F ) = kJ − p(J)k =√1 2.
Exercice 2
[Centrale PC 2018]Soit α > 1. On pose pour tout n ∈ N∗, In(α) =
Z+∞
0
dt (1 + tα)n.
a. Montrer que In(α) est bien définie.
b. Etablir une relation de récurrence liant In(α) et In+1(α).
c. Déterminer la limite de la suite (In(α))n>1.
d. Montrer l’existence de k(α) > 0 tel que In(α)n→+∞∼ k(α)
n1/α. a. Au voisinage de +∞, 1 (1 + tα)n t→+∞∼ 1 tnα. Or l’intégrale de Riemann Z+∞ 1 dt
tnα converge car nα > α > 1, donc il en est
de même de In(α).
b. Une intégration par partie donne In(α) = " t (1 + tα)n #+∞ 0 + nα Z+∞ 0 tα (1 + tα)n+1= nα Z+∞ 0 1 + tα−1 (1 + tα)n+1 = nα(In(α) − In+1(α)) donc In+1(α) = 1 − 1 nα In(α).
c. On a donc ln(In+1(α))−ln(In(α)) = ln
I n+1(α) In(α) ∼ − 1 nα. Ainsi, la série X ln(In+1(α))−ln(In(α))
diverge ; étant à terme général négatif, ses sommes partielles divergent vers −∞, ce qui par télescopage équivaut à dire que lim
n→+∞ln(In(α)) = −∞,
puis que lim
n→+∞In(α) = 0.
d. Il s’agit de montrer que nα1I
n(α) converge vers une limite k(α) > 0, ce qui revient à prouver que la suite un =
lnn1αIn(α)converge vers une limite `(α) = lnk(α).
Or un+1−un = ln I n+1(α) In(α) +1 αln 1 + 1 n = ln 1 − 1 nα +1 αln 1 +1 n = O 1 n2
donc la sérieX(un+1−un) converge
absolument, ce qui prouve la convergence de la suite (un) vers une limite `(α) ; il suffit de poser k(α) = e`(α) pour
conclure.
Exercice 3
[Mines PC 2018]Soit T une variable aléatoire à valeurs dans N. On suppose que pour tout n ∈ N, P(T > n) > 0. On pose, pour tout n ∈ N, θn= P(T = n | T > n).
a. Montrer que les θnsont dans [0, 1[.
b. Exprimer P(T > n) en fonction des θn, puis montrer que la série
X
θndiverge.
c. Réciproquement, si (θn) est une suite d’éléments de [0, 1[ telle que la série
X
θndiverge, montrer l’existence d’une variable aléatoire T à valeurs dans N telle que P(T > n) > 0 et P(T = n | T > n) = θnpour tout n ∈ N.
a. On a P(T > n + 1) = P(T > n + 1 et T > n) = P(T > n + 1 | T > n)P(T > n) = (1 − θn)P(T > n) et puisque P(T > n + 1) > 0
on en déduit θn< 1.
b. De l’égalité ci-dessus on tire aussi P(T > n) = P(T > 0)
n−1 Y k=0 (1 − θk) = n−1 Y k=0 (1 − θk).
Si la sérieXθnconvergeait, on aurait lim θn= 0 et ainsi ln(1 − θn) ∼ −θn, ce qui prouverait que la série
X
ln(1 − θn)
converge, puis, en notant ` sa somme, que lim
n→+∞ n−1 Y k=0 (1 − θk) = e`> 0. Cependant, P(T > n) = +∞ X k=n
P(T = k) est le reste d’une série convergente, donc lim
n→+∞
P(T > n) = 0. ceci est contradictoire,
et permet d’en déduire que la sérieXθndiverge.
c. Si une telle variable aléatoire existe, alors P(T = n) = P(T > n) − P(T > n + 1) = θn n−1
Y
k=0
(1 − θk).
Posons, pour tout n ∈ N, pn= θn n−1
Y
k=0
(1 − θk). On a pn∈[0, 1] et on prouve par récurrence que 1 − n X k=0 pk= n Y k=0 (1 − θk).
les deux sériesXθnet
X
ln(1 − θn) sont de même nature (si l’une des deux converge alors lim θn= 0 et dans ce cas
ln(1 − θn) ∼ −θn) donc lim n X k=0 ln(1 − θn) = −∞, puis lim n Y k=0 (1 − θk) = 0. On en déduit que +∞ X n=0 pn= 1.
De ceci il résulte qu’il existe une variable aléatoire T à valeurs dans N telle que pour tout n ∈ N, P(T = n) = pn.
On a alors P(T > n) = +∞ X k=n pn = 1 − n−1 X k=0 pk = n−1 Y k=0 (1 − θk) > 0 et P(T > n + 1 | T > n) = P(T > n + 1) P(T > n) = 1 − θn donc P(T = n | T > n) = θn.
Exercice 4
[X PC 2018] Pour n ∈ N∗et (a1, . . . , an) ∈ (R ∗ +)non pose : D(a1, . . . , an) = a1 −1 0 · · · 0 1 a2 −1 . .. ... 0 1 a3 . .. 0 .. . . .. ... ... −1 0 · · · 0 1 an et [a1, . . . , an] = a1+ 1 a2+ 1 a3+ · · · + 1 an−1+ 1 anMontrer que pour tout n > 2 on a [a1, . . . , an] =
D(a1, . . . , an)
D(a2, . . . , an)
On raisonne par récurrence sur n. – Si n = 2 on a D(a1, a2) D(a2) =a1a2+ 1 a2 = a1+ 1 a2 = [a1, a2].
– Si n > 3, supposons le résultat acquis au rang n − 1, et développons D(a1, . . . , an) suivant la première colonne :
D(a1, . . . , an+1) = a1D(a2, . . . , an+1) − −1 0 0 · · · 0 1 a3 −1 . .. ... 0 . .. ... ... 0 .. . . .. ... ... −1 0 · · · 0 1 an .
En développant ce deuxième déterminant suivant la première ligne on obtient : D(a1, . . . , an) = a1D(a2, . . . , an) + D(a3, . . . , an)
et à l’aide de l’hypothèse de récurrence : D(a1, . . . , an) D(a2, . . . , an) = a1+ D(a3, . . . , an) D(a2, . . . , an) = a1+ 1 [a2, . . . , an] = [a1, . . . , an].
Exercice 5
[CCP PC 2018]Soit a > 0 et X une variable aléatoire telle que E(X) = V (X) = a. a. Donner un exemple de variable aléatoire vérifiant ces conditions. b. Montrer que P(X > 2a) 6 P(X − a + 1)2>(a + 1)2.
c. Montrer que P(X > 2a) 6 1
a + 1.
a. C’est le cas d’une variable suivant une loi de Poisson de paramètre a.
b. On a (X − a + 1)2>(a + 1)2 ⇐⇒ X − a + 1 > a + 1 ou X − a + 1 6 −a − 1 ⇐⇒ X > 2a ou X 6 −2. Ainsi, X > 2a =⇒ (X − a + 1)2>(a + 1)2et donc P(X > 2a) 6 P(X − a + 1)2>(a + 1)2.
c. D’après l’inégalité de Markov, P(X − a + 1)2>(a + 1)26
E((X − a + 1)2) (a + 1)2 .
Par linéarité de l’espérance,
E((X − a + 1)2) = E(X2) − 2(a − 1)E(X) + (a − 1)2= V (X) + E(X)2−2(a − 1)E(X) + (a − 1)2= a + 1 donc P(X > 2a) 6 1
a + 1.
Exercice 6
[Centrale PC 2018]Soit E un espace euclidien muni d’une base (e) = (e1, . . . , en). On considère l’endomorphisme f de E défini par :
∀x ∈ E, f (x) =
n
X
i=1
hei |xiei a. Montrer que f est un automorphisme symétrique de E.
b. Montrer que Sp(f ) ⊂ R∗+.
c. Montrer qu’il existe un automorphisme symétrique g tel que g ◦ g = f−1. g est-il unique ?
d. Soit g un automorphisme symétrique tel que g ◦ g = f−1. Montrer que (g(e1), . . . , g(en)) est une base orthonormée de E.
a. La linéarité de f résulte de la bilinéarité du produit scalaire.
(e) étant une base, f (x) = 0E ⇐⇒ ∀i ∈ ~1, n, hei|xi = 0 ⇐⇒ x ∈ Vect(e1, . . . , en)
⊥
= E⊥= {0E}. f est donc injective, puis
bijective s’agissant d’un endomorphisme en dimension finie. Enfin, hf (x) | yi =
n
X
i=1
hei |xihei|yi = hx | f (y)i donc f est un automorphisme symétrique. b. Soit λ une valeur propre de f , et x un vecteur propre associé. Alors λkxk2= hf (x) | xi =
n
X
i=1
hei |xi2>0 donc λ > 0 et puisque f est un automorphisme, λ > 0.
c. Soit (b) une base orthonormée qui diagonalise f , avec f (bi) = λibi. On définit g ∈ L(E) en posant g(bi) = √1
λibi. g est un automorphisme symétrique car sa matrice dans la base orthonormée (b) est diagonale donc symétrique, et de déterminant non nul. Et on a g ◦ g ◦ f (bi) = bidonc g ◦ g ◦ f = Id.
Notons que g n’est pas unique, par exemple parce que −g convient aussi. Plus précisément, on pourrait montrer qu’il y a exactement 2nsolutions, correspondant au choix des i∈ {−1, 1} tels que g(bi) =
i √
λibi. d. On a hg(ei) | g(ej)i = hei|g ◦ g(ej)i = hei|f
−1(e j)i. Par ailleurs, ej= f f−1(ej) = n X i=1
hei |f−1(ej)ieiet par unicité de la décomposition dans une base, hei|f−1(ej)i = δij. Ainsi, hg(ei) | g(ej)i = δij; la famille (g(ei)) est orthonormée ; c’est donc une base orthonormée puisque g est un automorphisme.
Exercice 7
[Mines PC 2018]Soit Γ : x 7→ Z+∞
0
tx−1e−tdt.
a. Déterminer le domaine de définition de Γ . b. Soit x > 0. Pour n ∈ N∗on pose Tn(x) =
Z n 0 tx−1 1 − t n n dt. Calculer Tn(x).
c. Montrer que Γ (x) = lim
n→+∞ nxn! x(x + 1) · · · (x + n). a. Pour tout x ∈ R, tx−1e−t = +∞O(e −t/2) donc l’intégrale Z+∞ 1 tx−1e−tdt converge, et tx−1e−t∼ 0 1 tx−1 donc l’intégrale Z 1 0
tx−1e−tdt converge si et seulement si x > 0. On en déduit que Γ est définie sur ]0, +∞[. b. Réalisons n intégrations par parties successives en intégrant t 7→ tx−1et en dérivant t 7→
1 −t n n pour obtenir : ∀x > 0, Tn(x) = " n X k=0 n(n − 1) · · · (n − k + 1) nk 1 − t n n−k tx+k x(x + 1) · · · (x + k) #t=n t=0 = n!n x x(x + 1) · · · (x + n)
c. Appliquons maintenant le théorème de convergence dominée, en posant fn(t) =
tx−1 1 −t n n si t 6 n 0 si t > n . les fonctions fnsont continues par morceaux, la suite (fn) converge simplement sur R
∗
+vers la fonction f : t 7→ tx−1e −t
, elle-même continue par morceaux et : ∀t > 0, |fn(t)| 6 tx−1e
−t
= φ(t). La fonction φ est continue par morceaux et intégrable sur ]0, +∞[ donc le théorème de convergence dominée s’applique : lim
n→+∞Tn(x) = Γ (x).
De la question précédente on déduit immédiatement que Γ (x) = lim
n→+∞
nxn! x(x + 1) · · · (x + n).
Exercice 8
[X PC 2020]Soit X une variable aléatoire à valeurs dans N telle que P(X , 0) > 0 et d’espérance finie. On définit une variable aléatoire b
X par : ∀k ∈ N, P(bX = k) =kP(X = k) E(X) .
a. Trouver X lorsque X et bX suivent la même loi.
b. Déterminer la loi de X lorsque X + 1 et bX suivent la même loi. a. On suppose que pour tout k ∈ N∗, P(X = k) =kP(X = k)
E(X) .
Puisque P(X , 0) > 0 il existe k ∈ N∗ tel que P(X = k) > 0. Dans ce cas, E(X) = k. Mais l’espérance ne peut prendre qu’une seule valeur, donc j , k =⇒ P(X = j) = 0. Ainsi, il existe k ∈ N∗tel que P(X = k) = 1 : X est presque surement constante.
b. On suppose que pour tout k > 1, P(X = k − 1) = k
λP(X = k) avec λ = E(X). Cette relation s’écrit aussi(k − 1)!
λk−1 P(X = k −1) =
k!
λkP(X = k) donc il existe c > 0 telle que pour tout k ∈ N, P(X = k) = c
λk
k!.
Mais X est une variable aléatoire entière donc
+∞
X
k=0
P(X = k) = 1, ce qui impose c = e−λ. Ainsi, X suit une loi de Poisson, et on a bien λ = E(X).