Sommes de Variables Indépendantes

Sommes de variables indépendantes S6 Polytech
1. Couple de variables de Bernoulli. Soit X et Y deux variables aléatoires de

Bernoulli, dont la loi jointe est donnée par le tableau suivant :
X\Y 0 1
1
0 2
−a a + 13
1
1 b 6
− 2a
(a) Quelles valeurs sont autorisées pour a et b ?
(b) Calculer en fonction de a et b les lois marginales de X et de Y .
(c) Quelles valeurs de a et b correspondent à un couple (X, Y ) de variables indé-
pendantes ?
2. Un couple de variables à densité. Soit (X, Y ) un couple de variables aléatoires

à densité, avec (
C y e−x si 0 ≤ y ≤ x,
f(X,Y ) (x, y) =
0 sinon.
(a) Trouver la valeur de la constante C.
(b) Calculer les densités marginales de X et de Y . Quelles lois retrouve-t-on ?
(c) Calculer la covariance de X et Y . Les variables X et Y sont-elles indépen-
dantes ?
3. Lois conditionnelles. Soit X et Y deux variables aléatoires à valeurs dans Z. La

loi conditionnelle de X sachant Y est la fonction aléatoire PX|Y : Z → [0, 1], dont
les valeurs sont données par
P[X = k et Y = l]
PX|Y [k] = P[X = k|Y = l] = si Y = l.
P[Y = l]
(a) Expliciter PX|Y dans le cas où X et Y sont indépendantes.
(b) Soit W et X deux variables aléatoires indépendantes suivant des lois de Poisson
de paramètres w et x. On pose Y = W + X, et on rappelle que Y suit une loi
de Poisson de paramètre w + x. Calculer la loi conditionnelle PX|Y .
4. Somme de deux loi géométriques. Calculer la loi de la somme de deux variables

aléatoires indépendantes X et Y de lois géométriques G(p) et G(p0 ) (on distinguera
les cas p = p0 et p 6= p0 ).
5. Somme de deux lois gaussiennes. Calculer la loi de la somme de deux variables
aléatoires indépendantes X et Y , avec X ∼ N (m1 , σ12 ) et Y ∼ N (m2 , σ22 ). On
pourra se ramener au cas où m1 = m2 = 0.
6. Loi faible des grands nombres. Dans cet exercice, (Xn )n∈N est une suite de
variables aléatoires indépendantes, de même loi et centrées : E[Xn ] = 0 pour tout
n. On suppose aussi E[(Xn )2 ] = E[(X1 )2 ] = σ 2 ∈ (0, +∞) : la variance est finie et
non nulle.
X1 +X2 +···+Xn
(a) On pose Mn = n
. Calculer E[(Mn )2 ].
(b) Montrer que
σ2
P[|Mn | ≥ ε] ≤ ,
nε2
et en déduire que cette probabilité tend vers 0 pour tout ε > 0.
(c) On suppose plus généralement que les variables Xn sont indépendantes cen-
trées, et que E[(Xn )2 ] = (σn )2 , les valeurs (σn )2 des variances pouvant mainte-
nant dépendre de n. Donner une condition simple sur ces variances pour que
limn→∞ P[|Mn | ≥ ε] = 0 quelque soit la valeur de ε > 0.
7. Cumulants d’une variable aléatoire. Soit X une variable aléatoire dont les
valeurs possibles restent bornées dans un intervalle [−A, A]. On admet que dans
ce cas, on peut développer en série
"∞ # ∞
X (zX)k X E[X k ] k
zX
E[e ] = E = z ,
k=0
k! k=0
k!
cette expansion étant valable pour tout z ∈ C. On pose hX (z) = log E[ezX ].
(a) Montrer que
h0X (0) = E[X] ; h00X (0) = var(X) ; h0000 (4)
X (0) = κ (X).
(b) En déduire une preuve simple des identités var(X + Y ) = var(X) + var(Y ) et
κ(4) (X + Y ) = κ(4) (X) + κ(4) (Y ) lorsque X et Y sont deux variables indépen-
dantes.
8. Moyenne de variables aléatoires indépendantes mais pas de même loi.
Soit (Xn )n∈N∗ une suite de variables aléatoires indépendantes, telles que les lois des
variables Xn soient discrètes et données par les formules suivantes :
1
P[Xn = 0] = 1 − ;
n log(n + 1)
1
P[Xn = n] = P[Xn = −n] =
2n log(n + 1)
pour tout n ∈ N∗ .
(a) On pose Mn = X1 +···+X
n
n
. Calculer E[Xn ], var(Xn ), E[Mn ] et var(Mn ).
(b) Montrer que P[|Mn | ≥ ε] → 0 pour tout ε > 0.
(c) Soit (An )n∈N une suite d’événements indépendants :
k
Y
P[An1 ∩ An2 ∩ · · · ∩ Ank ] = P[Ani ]
i=1
S choix d’entiers n1 < n2 < · · · < nk . On s’intéresse à l’événement

pour tout
Bn0 = n≥n0 An . Montrer que
∞ ∞
!
Y X
P[Bn0 ] = 1 − (1 − P[An ]) ≥ 1 − exp − P[An ] .
n=n0 n=n0
P∞
En déduire la probabilité de Bn0 si n=1 P[An ] = +∞.
(d) Montrer que pour tout n0 et tout ε < 1, P[∀n ≥ n0 , |Mn | ≤ ε] = 0. Commenter.
9. Méthode de Monte Carlo. Soit f une fonction continue sur [0, 1]. On se donne
une suite de variables aléatoires (Xn )n∈N indépendantes et deR loi uniforme sur [0, 1].
1
Expliquer comment calculer de façon approchée l’intégrale 0 f (x) dx, en utilisant
uniquement les nombres f (X1 ), f (X2 ), . . . , f (Xn ).
10. Limites de variables de Poisson. Soit (Xn )n∈N une suite de variables aléatoires
de lois de Poisson P(λn ), avec λn → +∞ et les λn entiers.
(a) Écrire Xn comme somme de λn variables aléatoires indépendantes et de même
loi.
(b) Quelle est la limite en loi des variables Yn , où
Xn − λn
Yn = √ ?
λn
(c) Traiter aussi le cas où les paramètres λn ne sont plus supposés entiers, mais
tendent toujours vers +∞.
11. Convergence vers une loi de Poisson. Soit (Xn )n∈N une suite de variables
aléatoires de lois Xn ∼ B(n, pn ). On rappelle le critère sur les transformées de
Fourier pour la convergence en loi : Xn converge en loi vers une variable X si et
seulement si E[eiξXn ] → E[eiξX ] pour tout ξ ∈ R.
(a) Calculer E[eiξXn ].
(b) On suppose que pn = nλ . Montrer que (Xn )n∈N converge en loi vers une variable
X ∼ P(λ).
(c) Étendre le résultat précédent au cas où Xn = ni=1 An,i , avec les An,i ∼ B(pn,i )
P
variables de Bernoulli indépendantes. On demande dans ce cas des conditions
suffisantes simples sur les paramètres (pn,i )n≥i≥1 pour avoir la convergence vers
une loi de Poisson P(λ).
12. Distance entre deux probabilités discrètes. Si X et Y sont deux variables

discrètes à valeurs dans Z, on définit leur distance en variation totale par la formule
suivante :
1X
d(X, Y ) = |PX [k] − PY [k]| .
2 k∈Z
(a) Montrer qu’on a toujours d(X, Y ) ≤ 1.
(b) Si X ∼ B(p) et Y ∼ P(p), montrer que d(X, Y ) = p(1−e−p ), puis que d(X, Y ) ≤
p2 .
(c) Soient (Xn )n∈N et X des variables à valeurs dans Z. On suppose que (Xn )n∈N
converge en loi vers X. Montrer que d(Xn , X) tend vers 0. La réciproque est
elle vraie ?
(d) Soient X1 et X2 deux variables indépendantes, et Y1 et Y2 deux variables indé-
pendantes. Montrer que
d(X1 + X2 , Y1 + Y2 ) ≤ d(X1 , X2 ) + d(Y1 , Y2 ).

(e) Application : soit (Xn )n∈N une famille de variables indépendantes de lois de Ber-
noulli de paramètres (pn )n∈N , et (Yn )n∈N une famille de variables indépendantes
de lois de Poisson de mêmes paramètres (pn )n∈N . Montrer que
n
X
d(X1 + X2 + · · · + Xn , Y1 + Y2 + · · · + Yn ) ≤ (pi )2 .
i=1
Retrouver le résultat de l’exercice précédent (cette fois-ci sans utiliser le critère

de Fourier).
13. Approximation de fonctions par des polynômes. Soit f une fonction continue
sur [0, 1]. On définit une suite de polynômes
n
X n k
Pnf (x) = f xk (1 − x)n−k .
k=0
k n
(a) Soit Xn une variable aléatoire de loi B(n, p). Calculer E[f ( Xnn )].
(b) Quelle est la limite de E[f ( Xnn )] ? On pourra décomposer l’espérance en deux
parties :
Xn Xn
E 1| Xn −p|≤ε f + E 1| Xn −p|>ε f
n n n n
et utiliser la loi des grands nombres.
(c) Montrer que pour tout x ∈ [0, 1], limn→∞ Pnf (x) = f (x). Commenter.

Sommes de Variables Indépendantes

Transféré par

Droits d'auteur :

Formats disponibles

Sommes de Variables Indépendantes

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Sommes de Variables Indépendantes

Transféré par

Droits d'auteur :

Formats disponibles

Sommes de variables indépendantes S6 Polytech

1. Couple de variables de Bernoulli. Soit X et Y deux variables aléatoires de

2. Un couple de variables à densité. Soit (X, Y ) un couple de variables aléatoires

3. Lois conditionnelles. Soit X et Y deux variables aléatoires à valeurs dans Z. La

4. Somme de deux loi géométriques. Calculer la loi de la somme de deux variables

S choix d’entiers n1 < n2 < · · · < nk . On s’intéresse à l’événement

12. Distance entre deux probabilités discrètes. Si X et Y sont deux variables

d(X1 + X2 , Y1 + Y2 ) ≤ d(X1 , X2 ) + d(Y1 , Y2 ).

Retrouver le résultat de l’exercice précédent (cette fois-ci sans utiliser le critère

Vous aimerez peut-être aussi