Correction du devoir surveill´ e de probabilit´ es (mars 2008) M.-L. Chabanol
Probl` eme 1. (Application directe du cours)
Rappels : X suit une loi g´ eom´ etrique de param` etre p ssi ∀k > 0, P (X = k) = p(1 − p)
k−1. X suit une loi exponentielle de param` etre λ ssi X a pour densit´ e λe
−λx1
R+(x).
1. Enoncer le lemme de Borel-Cantelli. ´
Soit (Ω, T , P ) un espace de probabilit´ es, et A
nune suite d’´ ev´ enements de T . Alors : – Si la s´ erie P
P(A
n) converge, P(limsup A
n) = 0.
– Si les A
nsont ind´ ependants et si la s´ erie P P(A
n) diverge, alors P(limsup A
n) = 1
2. Donner la fonction caract´ eristique d’une variable al´ eatoire suivant une loi g´ eom´ etrique de param` etre p, ainsi que la fonction caract´ eristique d’une variable al´ eatoire suivant une loi exponentielle de param` etre λ (la d´ emonstration n’est pas n´ ecessaire).
Si X suit une loi g´ eom´ etrique de param` etre p, E[e
itX] =
1−(1−p)epeit it. Si X suit une loi exponentielle de param` etre λ, E[e
itX] =
λ−itλ.
3. Soit X
nune suite de variables al´ eatoires suivant une loi g´ eom´ etrique de param` etre
µn. Calculer la fonction caract´ eristique de Y
n=
Xnn. Montrer que Y
nconverge en loi et donner sa loi limite.
E[e
itYn] = E[e
itnXn] =
µei tnn−(n−µ)ei tn
=
µ−it+o(1)µ(1+o(1)). Donc quand n tend vers +∞, la fonction ca- ract´ eristique de Y
nconverge vers la fonction caract´ eristique d’une loi exponentielle de param` etre µ : Y
nconverge donc en loi vers une loi exponentielle de param` etre µ.
Probl` eme 2. On s’int´ eresse ` a des familles qui auront deux enfants. On suppose qu’` a chaque nais- sance, les parents choisissent le pr´ enom de leur enfant au hasard uniform´ ement dans l’un des deux ensembles de pr´ enoms Ω
1= {pr´ enoms masculins} et Ω
2= {pr´ enoms f´ eminins}. On suppose de plus que Ω
1∩ Ω
2= ∅ (ils n’envisagent pas d’appeler leur enfant Claude ou Dominique, par exemple). Les naissances sont suppos´ ees ind´ ependantes, et les sexes ´ equiprobables. Enfin, apr` es chaque naissance, ils rayent le pr´ enom choisi de l’ensemble des pr´ enoms disponibles (de telle sorte que deux enfants d’une mˆ eme famille n’ont pas le mˆ eme pr´ enom). Avant leur premier enfant, Card(Ω
1) = N et Card(Ω
2) = M . On suppose N ≥ 2 et M ≥ 2.
1. Soit p un pr´ enom de gar¸ con de Ω
1. Calculer la probabilit´ e que le premier enfant s’appelle p.
La probabilit´ e cherch´ ee est P(gar¸ con)P(pr´ enom=p|gar¸ con)+P(fille)P(pr´ enom = p|fille)
=P(gar¸ con)P(pr´ enom=p|gar¸ con), soit
12N1.
2. Calculer de mˆ eme la probabilit´ e que le premier enfant s’appelle p si p est un pr´ enom de fille de Ω
2. De mˆ eme, si p est un pr´ enom de fille, la probabilit´ e que le premier enfant s’appelle p est
2M1. 3. Soient (r, s) deux pr´ enoms diff´ erents. Calculer la probabilit´ e que le premier enfant s’appelle r et le
deuxi` eme s’appelle s.
Remarque : comme dans la question pr´ ec´ edente, les pr´ enoms r et s sont fix´ es, et pas al´ eatoires.
Mais la probabilit´ e cherch´ ee d´ epend de s’ils sont dans Ω
1ou dans Ω
2. Il faut distinguer 3 cas : – Si r et s sont deux pr´ enoms de gar¸ cons, la probabilit´ e cherch´ ee est
P(pr´ enoms=(r,s)|2 gar¸ cons)P(2 gar¸ cons), puisque les autres probabilit´ es conditionnelles sont nulles. On trouve donc
4N(N−1)1.
– De mˆ eme, si r et s sont deux pr´ enoms de filles, la probabilit´ e cherch´ ee est
4M(M−1)1.
– Si p est un pr´ enom de gar¸ con et s un pr´ enom de fille, ou vice versa, la probabilit´ e cherch´ ee est
1 4M N
.
4. On suppose que “L´ ea” est un pr´ enom de Ω
2. Quelle est la probabilit´ e qu’un enfant s’appelle “L´ ea” ? La probabilit´ e que le deuxi` eme enfant s’appelle L´ ea est
P
p∈(Ω1∪Ω2)\{
Lea
}P(p, Lea) = P
p∈Ω1
1 4M N
+ P
p∈Ω2\
Lea
4M(M−1)1=
2M1(c’est la mˆ eme que la probabilit´ e que le premier enfant s’appelle L´ ea). Donc la probabilit´ e qu’un enfant s’appelle L´ ea est
1 M
.
5. Votre voisin a deux enfants. Vous apprenez que l’un d’eux s’appelle L´ ea. Quelle est la probabilit´ e qu’il ait deux filles ?
P(deux filles |L´ ea) = P(deux filles dont une s’appelle L´ ea)/P(L´ ea). Or P(deux filles dont une s’appelle L´ ea) = 2 P
s∈Ω2\{Lea} 1
4M(M−1)
=
2M1. Donc finalement la probabilit´ e qu’il ait deux filles
1
si on sait que l’un de ses enfants s’appelle L´ ea est
12(ce qui est diff´ erent de la probabilit´ e qu’il ait deux filles si on sait que l’un de ses enfants est une fille, qui est de
13...).
Probl` eme 3. Les deux parties sont ind´ ependantes.
Soit (Ω, Σ, P ) un espace probabilis´ e fix´ e et (X
1, . . . , X
k, . . .) une suite de variables al´ eatoires ind´ ependantes r´ eelles de mˆ eme loi v´ erifiant P (X
1= 1) = p et P(X
1= −1) = 1 − p. On pose S
0= 0 et S
n= P
ni=1
X
i. 1. On suppose dans cette partie p 6=
12.
(a) Soit n ∈ N
∗. Calculer P (S
n= 0).
Si n est impair, P(S
n= 0) = 0. Si n = 2k, c’est la probabilit´ e que k X
isoit ´ egaux ` a 1, et k
´
egaux ` a -1. Il y a
2kkpossibilit´ es, chacune de probabilit´ e p
k(1 − p)
k, d’o` u P (S
2k= 0) =
(2k)!(k!)2p(1 − p)
k.
(b) Montrer que la s´ erie P
n∈N
P (S
n= 0) converge. (On rappelle la formule de Stirling n! ∼
√ 2πn
nen.) Quelle est la probabilit´ e que S
ns’annule une infinit´ e de fois ? D’apr` es la formule de Stirling, P(S
2k= 0) ∼
∞√4πk 2πk
(2k)2kpk(1−p)k k2k
∼
√1πk
(4p(1 − p))
k. Or si p ∈ [0, 1] est diff´ erent de
12, |4p(1−p)| < 1. Donc la s´ erie de terme g´ en´ eral (4p(1−p))
kconverge.
D’apr` es les crit` eres de comparaison des s´ eries ` a termes positifs, puisque 0 ≤
√1πk
(4p(1 −p))
k≤ (4p(1 − p))
k, la s´ erie de terme g´ en´ eral
√1πk
(4p(1 − p))
kconverge ´ egalement, ainsi donc que la s´ erie de terme g´ en´ eral P (S
n= 0).
D’apr` es le lemme de Borel Cantelli, si on note A
nl’´ ev´ enement S
n= 0, on a P ( limsupA
n) = 0.
Ainsi la probabilit´ e que S
ns’annule une infinit´ e de fois est nulle.
2. On suppose ` a partir de maintenant p =
12. (a) V´ erifier ∀t ∈ R, E[e
tXn] = cosh(t).
E[e
tXn] =
12e
t+
12e
−t= cosh(t).
(b) En d´ eduire ∀t ∈ R, E[e
tXn] ≤ e
t22. (On pourra par exemple utiliser un d´ eveloppement en s´ erie de Taylor des deux membres de l’in´ egalit´ e.)
On a ∀t ∈ R, cosh(t) = P
n≥0 t2n
(2n)!
et e
t22= P
n≥0 t2n
2nn!
. Il suffit donc pour obtenir l’in´ egalit´ e voulue de v´ erifier pour tout n ≥ 0 2
nn! ≤ (2n)!. On peut le d´ emontrer ais´ ement par r´ ecurrence, ou remarquer (2n)! = n! Q
2ni=n+1
(i). Il y a n termes dans le produit, qui sont tous sup´ erieurs
`
a 2 si n ≥ 1. Si n = 0, on v´ erifie ais´ ement l’in´ egalit´ e.
Remarque : on a besoin de tout le d´ eveloppement de la s´ erie. A partir d’un d´ eveloppement limit´ e, on n’obtient qu’une in´ egalit´ e valide au voisinage de 0.
(c) Montrer que pour tous a > 0, n ≥ 1 et u > 0 on a P(S
n> a) ≤ e
nu22−ua(on pourra majorer P (e
uSn> e
ua) en utilisant une in´ egalit´ e de Markov...).
La fonction exp ´ etant strictement croissante, et u ´ etant strictement positif, P (S
n> a) = P (e
uSn> e
ua). D’apr` es l’in´ egalit´ e de Markov, (e
uSnest born´ ee par e
un, donc int´ egrable), P (e
uSn> e
ua) ≤
E[eeuSnua ]. Or, puisque les X
isont ind´ ependantes, E[e
uSn] = E[e
uX1]
n= cosh(u)
n. En utilisant la question pr´ ec´ edente, on obtient bien pour tout r´ eel u P (S
n> a) ≤ e
nu2 2 −ua
.
(d) En d´ eduire P(S
n> a) ≤ e
−a2n2, puis P (|S
n| > a) ≤ 2e
−a2n2.
On va choisir u de fa¸ con ` a minimiser e
nu22−ua. Il faut donc minimiser nu
2− 2ua, c’est-` a-dire choisir u =
an. On obtient alors P(S
n> a) ≤ e
−a2n2.
Enfin, P(|S
n| > a) = P (S
n> a) + P (S
n< −a). Mais X
iet −X
iont mˆ eme loi, donc S
net −S
nont mˆ eme loi, donc P(S
n< −a) = P (−S
n< −a) = P (S
n> a). FInalement, P (|S
n| > a) ≤ 2e
−a2 2n
.
(e) Soit c > 1. Utiliser le lemme de Borel-Cantelli pour montrer que avec probabilit´ e 1, S
n≤ c √
2n ln n pour tout n sauf ´ eventuellement un nombre fini d’entre eux.
On note A
nl’´ ev´ enement {S
n> c √
2n ln n}. On a donc P (A
n) ≤ e
−c2lnn, soit P (A
n) ≤ n
−c2. La s´ erie de terme g´ en´ eral n
−c2converge puisque c > 1 ; par cons´ equent, d’apr` es le lemme de Borel Cantelli, la probabilit´ e qu’une infinit´ e de A
nse produise est nulle. Remarque : on ne peut rien d´ eduire de la divergence de P
P (S
n≤ c √
2n ln n}, puisque les ´ ev´ enements ne sont pas ind´ ependants.
2
Probl` eme 4. On suppose que sur une voie d’autoroute, toutes les voitures ont la mˆ eme vitesse (qu’on prendra ´ egale ` a 1), et sont s´ epar´ ees par des distances L
1, L
2, . . . L
n, . . . compt´ ees de l’arri` ere du v´ ehicule de devant (num´ ero n − 1) ` a l’avant du v´ ehicule de derri` ere (num´ ero n). On consid` ere que le conducteur de la voiture j a un temps de r´ eaction R
j, et que son v´ ehicule a une distance de freinage (avant immobilisation) D
j: ainsi, ` a partir du moment o` u le v´ ehicule qui le pr´ ec` ede commence ` a freiner, il parcourt une distance de R
j+ D
javant de s’arrˆ eter. On suppose que les L
isont toutes distribu´ ees selon une loi de densit´ e l sur R
+, que les R
jsuivent toutes une loi de densit´ e r sur R
+, et les D
jsuivent une loi de densit´ e d sur R
+. On suppose de plus que toutes ces variables sont ind´ ependantes. On suppose (encore...) que ` a l’instant 0, le v´ ehicule num´ ero 0 s’arrˆ ete instantan´ ement (donc D
0= R
0= 0), et on cherche la probabilit´ e qu’il y ait un accident. On consid` ere pour cela qu’il ne peut y avoir d’accident qu’entre un v´ ehicule ` a l’arrˆ et et un v´ ehicule en mouvement, et qu’un conducteur qui voit le v´ ehicule qui le pr´ ec` ede freiner se mettra aussi ` a freiner le plus tˆ ot possible (c’est-` a-dire apr` es son temps de r´ eaction R
j).
1. Montrer que la probabilit´ e pour que le v´ ehicule 1 s’arrˆ ete sans collision est Z Z Z
{x+y<z}
r(x)d(y)l(z)dxdydz
Le v´ ehicule 1 a besoin d’une distance de R
1+ D
1pour s’arrˆ eter. R
1, D
1et L
1´ etant ind´ ependantes, la densit´ e du triplet est le produit des densit´ es, donc
P(1 s’arrˆ ete sans collision) = P(R
1+ D
1< L
1) = R R R
{x+y<z}
r(x)d(y)l(z)dxdydz.
2. Calculer cette probabilit´ e si les R
isuivent toutes une loi uniforme sur [r
1, r
2], les D
iune loi uni- forme sur [d
1, d
2] et les L
iune loi exponentielle de param` etre λ.
Toutes les fonctions ´ etant mesurables positives, on peut appliquer Fubini-Tonelli et obtenir R R R
{x+y<z}
r(x)d(y)l(z)dxdydz =
(r2−r 11)(d2−d1)
R
r2 r1( R
d2d1
( R
+∞x+y
λe
−λzdz)dy)dx
=
(r2−r 11)(d2−d1)
R
r2r1
( R
d2d1
e
−λ(y+x)dy)dx =
(e−λr1λ−e2(r2−r−λr2)(e1)(d−λd2−d1−e1)−λd2).
3. On note pour n ≥ 1, A
nl’´ ev´ enement “Les v´ ehicules de 1 ` a n se sont arrˆ et´ es sans collision”, B
1= {R
1+ D
1< L
1}, et B
n= {R
n+ D
n< L
n+ D
n−1} si n > 1. Justifier A
n= ∩
nk=1B
k. On fonctionne par r´ ecurrence. On a d´ ej` a vu que B
1= A
1. On suppose que A
n= ∩
nk=1B
k. On a de toute ´ evidence A
n+1⊂ A
n. De plus, si les n premiers v´ ehicules s’arrˆ etent sans collision, ` a partir du moment o` u la n-i` eme freine, celle-ci va encore avancer de D
njusqu` a l’arrˆ et, et celle de derri` ere de R
n+1+D
n+1. Elle ne rentrera pas dans celle de devant si et seulement si R
n+1+D
n+1< L
n+1+D
n. Ainsi, A
n+1= ∩
nk=1B
k. On a donc bien A
n= ∩
nk=1B
k.
4. Dans le cas o` u les D
nsont d´ eterministes ´ egaux ` a d
0(c’est-` a-dire P (D
n= d
0) = 1), exprimer P (A
n) en fonction de l et r. Montrer que s’il existe un r´ eel α > 0 tel que R
+∞α
r(x)dx > 0 et R
α0
l(x)dx > 0, alors P (∩
∞k=1B
k) = 0. Que peut-on en d´ eduire sur la probabilit´ e qu’il y ait un accident ? (On suppose qu’il y a une infinit´ e de voitures.)
On a alors B
1= {R
1+ d
0< L
1}, et si n > 1, B
n= {R
n+ d
0< L
n+ d
0} = {R
n< L
n}. Les B
isont donc ind´ ependants (remarque : si les D
nsont al´ eatoires, ce n’est a priori pas le cas), et P(A
n) = Q
nk=1
P (B
k) = P (R
1+d
0< L
1)(P (R
1< L
1))
n−1= ( R R
x+d0<y
r(x)l(y)dxdy)( R R
x<y
r(x)l(y)dxdy)
n−1. On suppose maintenant qu’il existe un r´ eel α > 0 tel que R
+∞α
r(x)dx > 0 et R
α0
l(x)dx > 0. Alors P (R
1≥ L
1) ≥ P(R
1≥ α et L
1≤ α), donc P (R
1≥ L
1) > R
+∞α
r(x)dx R
α0
l(x)dx > 0. Par cons´ equent, 0 ≤ P(R
1< L
1) < 1, et donc lim
n→∞P (R
1< L
1)
n−1= 0. Or pour tout n > 0, P (∩
∞k=1B
k) ≤ P (∩
nk=1B
k) ≤ P(R
1< L
1)
n−1. Par cons´ equent, P (∩
∞k=1B
k) = 0, et la probabilit´ e qu’il y ait un accident est donc 1.
5. On suppose dans cette question que les D
n, n ≥ 1 sont d´ eterministes, tous ´ egaux ` a d
0, que les R
isuivent une loi uniforme sur [r
1, r
2] et les L
isuivent une loi exponentielle de param` etre 1.
(a) Calculer P(A
n).
R R
x+d0<y
r(x)l(y)dxdy =
r 12−r1
R
r2 r1( R
+∞x+d0
e
−ydy) =
r 12−r1
R
r2r1
e
−x−d0= e
−d0e−rr1−e−r22−r1
, et de mˆ eme, R R
x<y
r(x)l(y)dxdy =
e−rr1−e−r22−r1
. Donc P (A
n) = e
−d0(
e−rr1−e−r22−r1
)
n.
(b) Montrer que s’il y a une infinit´ e de voitures, il y aura presque sˆ urement un accident. Soit r
0∈]r
1, r
2[. On a P(R > r
0) > 0 et P (L < r
0) > 0. D’apr` es la question 3, il y a donc presque
3
sˆ urement un accident. (On aurait aussi pu v´ erifier en utilisant le th´ eor` eme des accroissements finis 0 ≤
e−rr1−e−r22−r1
< 1 pour justifier lim
nP(A
n) = 0)
(c) On note N le num´ ero du premier v´ ehicule qui rentre dans son voisin de devant (d’apr` es la question pr´ ec´ edente, N est presque sˆ urement fini). Donner la loi de N .
P (N = 1) = 1 − P (A
1) = 1 − e
−d0e−rr1−e−r22−r1
.
Si n > 1, P (N = n) = P (A
n−1) − P(A
n) = e
−d0(
e−rr1−e−r22−r1
)
n−1(1 −
e−rr1−e−r22−r1
). Le fait que B
1joue un rˆ ole particulier fait que N ne suit pas tout-` a-fait une loi g´ eom´ etrique.
(d) On pose a = e
−d0et p = 1 −
e−rr1−e−r22−r1
. On note U = p(N − 1).
i. Calculer la fonction caract´ eristique de N . E[e
itN] = P
n≥1
e
itnP (N = n) = (1 − e
−d0e−rr1−e−r22−r1
)e
it+ P
n≥2
e
itne
−d0(
e−rr1−e−r22−r1
)
n−1(1 −
e−rr1−e−r22−r1
)
= e
it(1 − a(1 − p)) + ap
1−ee2itit(1−p)(1−p).
ii. Montrer que lorsque p tend vers 0, U converge en loi vers une variable de loi (1 − a)δ
0+ ae
−x1
R+(x)dx.
La fonction caract´ eristique de U est donc
E[e
itp(N−1)] = e
−itpE[e
itpN] = 1 − a(1 − p) + ap
1−eeitpitp(1−p)(1−p). Lorsque p tend vers 0, la fonction caract´ eristique de U converge donc vers 1 − a +
1−ita. Or si X suit une loi (1 − a)δ
0+ ae
−x1
R+(x)dx, E[e
itx] = (1 − a) + a R
+∞0
e
−x+itx= 1 − a +
1−ita. Donc U converge en loi vers une variable de loi (1 − a)δ
0+ ae
−x1
R+(x)dx.
6. Les D
nne sont plus suppos´ ees d´ eterministes. Soit > 0. Montrer que lim
n→+∞P (D
n> n) = 0.
Que peut-on en d´ eduire pour la variable
Dnn?
P (D
n> n) = P (D
1> n). Or la suite d’´ ev´ enements {D
1> n} est d´ ecroissante, donc
lim
n→+∞P(D
n> n) = P (∩
n(D
n> n)) = P(∅) = 0. Remarque : l’in´ egalit´ e de Markov fournit aussi une d´ emonstration, valide uniquement si les D
nsont int´ egrables.
On a donc pour tout > 0, lim
n→+∞P (|
Dnn| > ) = 0. Donc
Dnnconverge en probabilit´ e vers 0.
7. On suppose que les R
iet les L
isont int´ egrables d’esp´ erance respectivement ρ et λ. On note Y
n=
1 n
P
ni=1
R
i−
1nP
ni=1
L
i+
Dnn. Que peut-on dire sur la convergence de la suite de variables al´ eatoires Y
n?
Les R
isont ind´ ependantes identiquement distribu´ ees et int´ egrables : d’apr` es la loi forte des grands nombres,
Pn i=1Ri
n
converge donc presque sˆ urement vers ρ, et donc ´ egalement en probabilit´ e. De mˆ eme, les L
isont ind´ ependantes identiquement distribu´ ees et int´ egrables : d’apr` es la loi forte des grands nombres,
Pn i=1Li
n
converge donc presque sˆ urement, et a fortiori en probabilit´ e, vers λ. On a vu que
Dnnconverge en probabilit´ e vers 0. Donc Y
nconverge en probabilit´ e vers ρ − λ. Si on applique juste la loi faible des grands nombres, on trouve simplement des convergences en loi, et on a bien le droit de les ajouter car ce sont des convergences vers des constantes (d’autre part on sait aussi que la convergence en loi vers une constante implique la convergence en probabilit´ e).
8. On dit qu’un v´ ehicule n est en ´ etat de risque si P
ni=1
R
i+ D
n− P
ni=1
L
i> 0. On suppose ρ < λ.
(a) On note C
n= { P
ni=1
R
i+D
n− P
ni=1
L
i> 0}. V´ erifier que C
nest inclus dans le compl´ ementaire de A
n.
On suppose que A
nse produit, c’est -` a-dire que tous les B
nse produisent. En sommant toutes les in´ egalit´ es, on obtient alors P
ni=1
R
i+ P
ni=1
D
i< P
ni=1
L
i+ P
ni=2
D
i−1, soit P
ni=1
R
i+ D
n− P
ni=1