X – MAP 

PC  – Lundi  mai  – Ve eurs de variables aléatoires

Corrigé des que ions non abordées en PC
Igor Kortchemski – [Link]@[Link]
Corrigé des exercices non traités sur http:// [Link]/ ˜ kortchem/ MAP un peu après la PC.

 Lois conditionnelles
Exercice 4. Soit (X, Y ) un couple de variables aléatoires réelles à densité sur R tel que :
– X suit une loi Γ (, λ) (de densité fX (x) = λ xe−λx 1x≥ ),
– la loi conditionnelle de Y sachant X e la loi uniforme sur le segment [, X] (ou, en d’autres termes, la densité
conditionnelle de Y sachant que X = x e fY |X=x (y) = x 1<y<x ).
() Déterminer la densité de (X, Y ) ainsi que la loi de Y .
() Calculer la densité conditionnelle de X sachant Y .
() Calculer les quantités suivantes :

(a) E [Y |X], (d) E [E [Y |X]],

(b) E [X|Y ],
(c) E [X + XY |Y ], (e) E [XY ] (on pourra utiliser le fait que E [X  ] = 
λ
).

Corrigé :
() Par définition,
f(X,Y ) (x, y)
fY |X=x (y) = ,
fX (x)
où f(X,Y ) e la densité de (X, Y ). On en déduit que

f(X,Y ) (x, y) = fY |X=x (y) · fX (x) = λ e−λx 1<y<x .

La loi de Y e alors à densité, de densité fY donnée par

Z Z ∞
fY (y) = f(X,Y ) (x, y)dx = λ e−λx dx1y> = λe−λy 1y> .
R y

Ainsi, Y suit une loi exponentielle de paramètre λ.

() Par définition, fX|Y =y (x) e donné par

f(X,Y ) (x, y)
fX|Y =y (x) = = λe−λx+λy 1<y<x .
fY (y)

() (a) On a E [Y |X] = Ψ (X), avec

Z Z x
y x
Ψ (x) = E [Y |X = x] = yfY |X=x (y)dy = dy 1x> = 1x> .
R  x 
X
Ainsi, E [Y |X] = .

Pour des que ions, demande d’explications etc., n’hésitez pas à m’envoyer un mail.


 (b) On a E [X|Y ] = Ψ (Y ) avec
Z Z ∞
Ψ (y) = E [X|Y = y] = xfX|Y =y (x)dx = λe λy
1y> xe−λx dx.
R y

Pour calculer cette intégrale, on fait le changement de variable u = x − y, de sorte que

Z∞

 
Ψ (y) = 1y> (u + y)λe−λu du = + y 1y> .
 λ

Ainsi, E [X|Y ] = λ +Y.
(c) On a

E [X + XY |Y ] = E [X|Y ] + E [XY |Y ] = E [X|Y ] + Y E [X|Y ] = (Y + )( + Y ).
λ
(d) On sait que E [E [Y |X]] = E [Y ]. Comme Y suit une loi exponentielle de paramètre λ, on a donc
E [E [Y |X]] = /λ.
X
(e) Pour simplifier le calcul, l’idée e d’écrire E [XY ] = E [E [XY |X]]. En effet, E [XY |X] = XE [Y |X] =  , donc

X E [X  ] 
" #
E [XY ] = E = = .
  λ

 Ve eurs gaussiens
Exercice 5. Soit X = (X, X, X) un ve eur gaussien centré de matrice de covariance

  


Γ =   


  
 

() Que peut-on dire de X et de (X , X ) ?

() Quelle e la loi de (X , X ) ?
() Montrer que pour tout a ∈ R le ve eur (X , X + aX ) e un ve eur gaussien.
() En choisissant a de sorte que X et X + aX soient indépendants, calculer E [X |X ].

Corrigé :
() On voit que pour i =  et i =  on a Cov(X Xi ) = . Donc X e indépendant du ve eur gaussien (X , X ).
 
 
() Le ve eur gaussien (X , X ) e centré, de matrice de covariance Γ =  .
 
() Tout combinaison de linéaire de X et de X + aX e une combinaison linéaire de X et de X , donc e une
variable gaussienne car (X , X ) e un ve eur gaussien. Donc le ve eur (X , X + aX ) e gaussien (centré).
() Comme le ve eur (X , X + aX ) e gaussien (centré), X et X + aX sont indépendants si et seulement si
Cov(X , X + aX ) = . Or

Cov(X , X + aX ) = E [X (X + aX )] − E [X ] E [X + aX ] = E [X ] + aE [X X ] =  + a.


 En prenant a = −, on en déduit que X − X et X sont indépendants.
Pour calculer E [X |X ], l’idée e de choisir α, β pour avoir X = α(X − X ) + βX : en écrivant X =
−  (X − X ) +  X , on obtient donc :

    
 
E [X |X ] = − E [X − X |X ] + E X |X = − E [X − X ] + X = X .
    


Exercice 6. Soit X une variable aléatoire de loi normale N (, ). Pour a > , on pose Ya = X 1|X|<a − X 1|X|≥a.
() Montrer que Ya e une variable aléatoire normale N (, ).
() Montrer qu’il exi e un unique réel a >  tel que Cov(X, Ya ) = . Les variables aléatoires X et Ya sont-elles alors
indépendantes ? Le ve eur (X, Ya ) e -il un ve eur gaussien ?

Corrigé :
() On applique la méthode de la fon ion muette. Soit h : R → R continue bornée. On calcule E [h(Ya )]. En
remarquant que E [h(Ya )] = h(X)1|X|<a + h(−X)1|X|≥a , en utilisant la linéarité de l’espérance, la formule de
transfert et le changement de variable y = −x :

 
h i Z Z
E h(Ya) = h(x) √ x
dx + h(−x) √ x
dx
−
|x|≤a πe  |x|≥a πe− 
 
Z Z
= h(x) √ x
dx + h(x) √ x
dx
−
|x|≤a πe  |x|≥a πe− 
= E [h(X)] .

Donc Ya et X ont la même loi, d’où le résultat.

() On a E [Ya ] = E [X] = , et par linéarité de l’espérance

E [Ya X] = E X  1|X|<a − E X  1|X|≥a .

h i h i

Or E X  1|X|<a + E X  1|X|≥a = E [X  ] = . Ainsi, Cov(X, Ya ) =  si et seulement si E X  1|X|<a = /. On voit

h i h i h i

aisément que a 7→ E X  1|X|<a e

h i
ri ement croissante, vaut  en  et tend vers  en +∞. Il exi e donc un
unique réel a >  tel que Cov(X, Ya ) =  (numériquement, a ' .).
Si X et Ya étaient indépendantes, le ve eur (X, Ya ) serait à densité et donc on aurait P (X = Ya ) = . Or
P (X = Ya ) = P (|X| < a) > . Donc X et Ya ne sont pas indépendantes. En particulier, (X, Ya ) n’e pas un ve eur
gaussien.


 

 Plus appliqué (hors PC)

E xercice 8. (Erreurs dans la mesure de la position d’une étoile & Loi de Herschel ()) Pour repérer une étoile on
utilise deux nombres, l’ascension droite x (équivalent sur la sphère céle e de la longitude terre re) et la déclinaison y


(équivalent sur la sphère céle e de la lattitude terre re). À cause des erreurs de mesure, on modélise l’ascension droite
par une variable aléatoire réelle X et la déclinaison par une variable aléatoire réelle Y .
Déterminer f(X,Y ) , la densité de (X, Y ), en faisant les hypothèses naturelles suivantes :
() fX = fY = f (densité de probabilité commune f , de classe C  ) ;
() X et Y sont indépendantes ;
() Il exi e une fon ion g de classe C  telle que f(X,Y ) (x, y) = g x + y  pour tous x, y (commenter cette hypothèse).
 

Corrigé :
Tout d’abord, l’hypothèse () signifie qu’on suppose que le repère choisi e artbitraire et que le faire tourner
d’un certain angle ne devrait pas affe er la densité de probabilité.
Pour tous x, y ∈ R on a f(X,Y ) (x, y) = fX (x) fY (y) = f (x)f (y) = g(x + y  ). En dérivant par rapport à x, on obtient
f 0 (x) f (y) = xg 0 (x + y  ), de sorte que et on a donc

f 0 (x) g 0 (x + y  ) f 0 (y)

=   = .
xf (x) g(x + y ) yf (y)

Cela signifie que le quotient de gauche e égal à une con ante c :

f 0 (x) d 
=c =⇒ (ln f (x)) = cx =⇒ f (x) = k ecx /
xf (x) dx
R
où k e une con ante . On veut que f soit une densité, c.-à-d. une fon ion positive telle R
f (x) dx = , donc k > 
q
|c|
et c < , avec k = π .
On en déduit que X e une variable aléatoire gaussienne centrée de de variance /c.

Complément. Maxwell a utilisé cet argument en  pour trouver la loi de di ribution de la vitesse v = (vx , vy , vz )
d’une molécule dans un gaz parfait à l’équilibre thermodynamique. C’e donc la généralisation évidente de ce qui
précède au cas où on a trois dimension : on trouve
/
a a
  
fv (vx , vy , vz ) = exp − (vx + vy + vz ) .
π 
m
Par des considérations physiques, on a a = kT où m e la masse de la moécule, k e la con ante de Boltzmann et T
la température absolue du gaz. On a donc une variance égale à

kT /m

c.-à-d. proportionnelle à la température, ce qui e cohérent avec la physique : si on identifie une gaussienne de
variance nulle avec une masse de Dirac, on retrouve qu’à température nulle, il n’y a aucune dispersion des vitesses,
tandis que si la température augmente, on s’attend à avoir des écarts par rapport à la vitesse moyenne (qui e
nulle) de plus en plus grands. Faire l’hypothèse que les trois composantes de la vitesse sont indépendantes e assez
discutable.


E xercice 9. (Pale ) On considère le jeu de la courte paille entre deux joueurs. Une troisième personne choisit un
bâton puis elle le coupe en deux. Elle présente alors les deux morceaux aux joueurs en cachant la différence de longueur
dans sa main. Le premier joueur choisit un morceau et le second prend l’autre. Celui qui a le morceau le plus long gagne.
La longueur U du bâton e supposée suivre la loi uniforme sur [, ] et les deux morceaux finaux ont pour longueur
X = U V et Y = U ( − V ) avec V de loi uniforme sur [, ] indépendante de U .


() Calculer E [X] et Var(X).
() Donner la loi de − ln(U ). En déduire sans calcul que ξ = − ln(X) suit la loi Γ (, ). Déterminer la loi de X.
() Quelle e la loi de (X, Y ) (faire attention au domaine image du changement de variables) ? Les longueurs des
morceaux sont-elles indépendantes ? Comparer les lois de (Y , X) et de (X, Y ). Le jeu e -il équitable ? Retrouver la
densité de X.

Corrigé :
() Puisque U et V sont indépendantes, E [X] = E [U V ] = E [U ] E [V ] = /. De même, E [X  ] = E [U  ] E [V  ] =
/ et Var(X) = / − / = /.
() On sait que − ln(U ) suit la loi exponentielle de paramètre  (voir Exercice  () ou paragraphe .. du
poly). La variable aléatoire ξ e donc la somme de deux variables exponentielles de paramètre  et suit donc
une loi Γ (, ), de densité xe−x 1x> . Pour déterminer la loi de X, on utilise la méthode de la fon ion muette.
Soit h : R → R une fon ion continue bornée. On calcule E [h(X)] avec le théorème de transfert puis avec le
changement de variable x = e−z :
h i Z∞ Z
−ξ −z −z
E [h(X)] = E h(e ) = h(e )ze dz = − φ(x) ln(x)dx.
 

Donc X e à densité, de densité −1<x< ln(x).

() On utilise la méthode de la fon ion muette. Soit h : R → R une fon ion conitbue bornée. D’après le
théorème de transfert :
Z Z 
E [h(X, Y )] = E [h(U V , U ( − V )] = h(uv, u( − v))dudv.
 

On a donc envie de faire le changement de variable x = uv et y = u( − v). Par ailleurs  < u, v <  si et
seulement si  < x + y <  et x, y > . Ainsi, l’application (u, v) 7→ (uv, u( − v)) e un C  difféomorphisme de
], [ sur {(x, y) ∈], [: x + y < }, de matrice jacobienne
 
 v u 

 − v −u 

et donc de jacobien |u|. On a donc

Z Z 
dudv
E [h(X, Y )] = h(uv, u( − v))u ·
u
Z 
1x>,y>,x+y<
= h(x, y) dxdy.
R  x+y
1x>,y>,x+y<
Le couple (X, Y ) e donc à densité, de densité donnée par f(X,Y ) (x, y) = x+y .
Comme cette quantité ne peut pas se mettre sous forme du produit d’une fon ion de x par une fon ion de y.
Les variables aléatoires X et Y ne sont donc pas indépendantes. Cependant, la fon ion f(X,Y ) e symétrique
en ces variables, de sorte que (X, Y ) et (Y , X) ont la même loi, ce qui entraı̂ne que
 − P (X = Y )  − 
P (X < Y ) = P (Y < X) = =
 
si bien que le jeu e équitable. On retrouve la densité de X en intégrant par rapport à y :
Z Z Z −x
dy dy
fX (x) = f(X,Y ) (x, y)dy = 1x> 1<y<−x = 1<x< = −1<x< ln(x)
R R x + y  x +y



Exercice 10. (Simulation d’une loi de Poisson) Soit (Un)n≥ une suite de variables aléatoires indépendantes de loi
uniforme, et soit λ > . On pose En = − ln(Un )/λ pour tout n ≥  et Tn = E + · · · + En .
() Identifier la loi de (Ei )≤i≤n , puis la loi de Tn comme une loi (presque) classique.
() On pose N = min{n ≥  : U U · · · Un+ < e−λ }. Montrer que N suit une loi de Poisson de paramètre λ.

Corrigé :
() Soit  ≤ i ≤ n. Si x ≤ , on a P (Ei ≤ x) = , et pour x ≥  on a
 
P (Ei ≤ x) = P Un ≥ e−λx =  − e−λx .

Donc Ei suit une loi exponentielle de paramètre λ. Par ailleurs, d’après le principe de composition, les va-
riables aléatoires (Ei )≤i≤n sont indépendantes.
Ainsi, Tn suit la loi Γ (n, λ) comme somme de n variables aléatoires exponentielles indépendantes de même
paramètre λ > .
() Soit n ≥  un entier. Comme les événements {N = n} et {T ≤ , T ≤ , . . . , Tn+ > } sont égaux, on a, en utilisant
le théorème de transfert :

P (N = k) = P (E ≤ , E + E ≤ , . . . , E + · · · + En ≤ , E + · · · + En+ > )

Z
= 1x ≤,x +x ≤,...,x +···+xn ≤,x +···+xn+ > λn+ e−λ(x +···+xn+ ) dx · · · dxn
],∞[n+

L’application (x , . . . , xn+ ) 7→ (x , x + x , . . . , x + · · · + xn+ ) e un C  difféomorphisme de ], ∞[n+ sur {(y , . . . , yn+ ) ∈
], ∞[n+ : y < y < · · · < yn+ } de jacobien . Le changement de variable yi = x + · · · + xi donne
Z
P (N = k) = λn+ e−λyn+ dy · · · dyn+
<y <···<yn ≤,yn+ >
Z
−λ n
= e λ dy · · · dyn
<y <···<yn ≤
Z
= e−λ λn y dy · · · dyn
<y <···<yn ≤
y
Z
−λ n
= e λ dy · · · dyn
<y <···<yn ≤ 
ynn−
Z
−λ n
= e λ dyn (par récurrence)
<yn ≤ (n − )!
λn
= e−λ ,
n!
ce qui conclut.


 Pour aller plus loin (hors PC)

Exercice 11. (Pale ) Soient X et Y√deux√variables aléatoires indépendantes de lois respe ives Γ (α, λ) et Γ (α+/, λ),
avec α >  et λ > . On pose (V , W ) = ( XY , Y ). Déterminer la loi de (V , W ).
R∞

On rappelle que la densité de la loi Γ (a, λ) e (c.f. Se ion .. du poly) Γ (a) λa xa− e−λx 1x> avec Γ (a) =  za− e−z dz.


 Corrigé : Comme X et Y sont indépendantes, la loi de (X, Y ) a pour densité (x, y) 7→ fX (x)fY (y), où fX et fY
désignent les densités de X et Y . On utilise alors la méthode de la fon ion muette :
h √ √ i
E [h(V , W )] = E h( XY , Y )
Z
√ √
= h( xy, y)f(X,Y ) (x, y)dxdy

ZR
√ √
= h( xy, y)fX (x)fY (y)dxdy
R
λα+/
Z
√ √ dxdy
= h( xy, y)(xy)α−/ e−λ(x+y) √ .
Γ (α)Γ (α + /) ],∞[  x
√ √
On considère le changement de variable v = xy, w = y qui e un C  difféomorphisme de ], ∞[ dans lui-même.
Le calcul du déterminant de la matrice jacobienne donne

dxdy
dvdw = √ .
 x

Ainsi, avec y = w et x = v  /w ,

λα+/ 
Z
−λ(w + v  )
E [h(V , W )] = h(v, w)v α− e w dvdw.
Γ (α)Γ (α + /) ],∞[

Ainsi, (V , W ) e à densité et sa densité e donnée par

λα+/ 
−λ(w + v  )
f(V ,W ) (v, w) = v α− e w 1
v>,w> .
Γ (α)Γ (α + /)


Exercice 12. Soient X et Y deux variables aléatoires indépendantes telles que E [|X|p ] < ∞, E [|Y |p ] < ∞ pour un certain
p ≥  et E [Y ] = . Montrer E [|X + Y |p ] ≥ E [|X|p ].
Indication. On pourra montrer que g : y 7→ E [|X + y|p ] e convexe et utiliser l’exercice  de la PC , qui dit que
lorsque X et Y sont indépendants, on a E [F(X, Y )] = E [G(Y )] où G e la fon ion définie par G(y) = E [F(X, y)] pour tout
y ∈ R.

Corrigé :
Tout d’abord, on sait qu’à x fixé la fon ion fx (y) = |x + y|p e convexe. Ainsi, pour a < b et  ≤ λ ≤ , fx (λa + ( −
λ)b) ≤ λfx (a) + ( − λ)fx (b). En remplaçant x par X, en prenant l’espérance et utilisant la linéarité de l’espérance, on
obtient que g(λa + ( − λ)b) ≤ λg(a) + ( − λ)g(b), de sorte que g e convexe.
Ensuite, par indépendance (deuxième partie de l’indication), on a E [|X + Y |p ] = E [g(Y )]. D’après l’inégalité de
Jensen, g(E [Y ]) ≤ E [g(Y )]. Or E [Y ] =  et donc

E [|X|p ] = g() = g(E [Y ]) ≤ E [g(Y )] = E [|X + Y |p ] .

Exercice 13. Soient X, . . . , Xn des variables aléatoires exponentielles indépendantes de même paramètre λ >  avec
n ≥ . On pose Sn = X + · · · + Xn .
() Identifier la loi de Sn comme une loi (presque) classique.
() Trouver la densité conditionnelle de X sachant que Sn = t.


 () En déduire la valeur de l’espérance conditionnelle de X sachant Sn . Pouvait-on prévoir ce résultat ?

Corrigé :
() Sn suit la loi Γ (n, λ) comme somme de n variables aléatoires exponentielles indépendantes de même paramètre
λ > .
() On commence par déterminer la loi jointe (X , Sn ) par la méthode de la fon ion muette. Soit h : R → R une
fon ion continue bornée et on calcule E [X , Sn ]. Pour simplifier les calculs, on remarque que Sn = X +Y avec
Y indépendante de X et qui suit une loi Γ (n − , λ). Donc

E [h(X , Sn )] = E [h(X , X + Y ]
λn− n− −λy
Z
= h(x, x + y)λe−λx · y e dxdy.
],∞[ (n − )!

L’application (x, y) 7→ (x, x + y) e un C  difféomorphisme de ], ∞[ sur {(u, v) ∈], ∞[ : u < v}, de jacobien .
On fait alors changement de variable u = x et v = x + y :

λn
Z
E [h(X , Sn )] = h(u, v) (v − u)n− e−λv 1v>u> dudv.
R (n − )!

Donc (X , Sn ) e à densité, de densité donnée par

λn
f (u, v) = (v − u)n− e−λv 1v>u> .
(n − )!

La densité conditionnelle de X sachant que Sn = t vaut donc

λn
(n−)!
(t − u)n− e−λt 1t>u> (t − u)n−
fX |Sn =t (u) = = (n − ) 1t>u>
λn
t n− e−λt t n−
(n−)!

() On a donc
t t
n− n−
Z Z Z
n−
E [X |Sn = t] = ufX |Sn =t (u)du = n− u(t − u) du = n− (t − u)u n− du
R t  t 
n− n!
n− t t t
= n− t · − =
t n− n n

Ainsi,
Sn
E [X |Sn ] = .
n
Retrouvons ce résultat en utilisant la symétrie du problème. Par symétrie, on a E [X |Sn ] = E [X |Sn ] = · · · =
E [Xn |Sn ] = Ψ (Sn ). Alors

nΨ (Sn ) = E [X |Sn ] + E [X |Sn ] + · · · + E [Xn |Sn ] = E [X + · · · Xn |Sn ] = E [Sn |Sn ] = Sn .
Sn
Donc E [X |Sn ] = n .


Exercice 14. Soit (X, Y ) un couple de variables aléatoires réelles à densité sur R. On suppose que X et Y sont indépendantes.
() Montrer que E [X|Y ] = E [X].
() Plus généralement, montrer que E [h(X, Y )|X] = Φ(X), avec Φ(x) = E [h(x, Y )].


 Corrigé :
() Par définition, E [X|Y ] = Ψ (Y ), avec
f(X,Y ) (x, y)
Z
Ψ (y) = x dx.
R fY (y)
Or X et Y sont indépendantes, donc f(X,Y ) (x, y) = fX (x)fY (y). On en déduit que
Z
Ψ (y) = xfX (x)dx = E [X] .
R

Donc E [X|Y ] e une variable aléatoire con ante qui vaut E [X].
() Par définition, E [h(X, Y )|X] = Φ(X) avec

f(X,Y ) (x, y)
Z Z
Φ(x) = h(x, y) dy = h(x, y)fY (y)dy = E [h(x, Y )] .
R fX (x) R

E xercice 15. (Réarrangement croissant de variables uniformes) Soient X , . . . , Xn des variables aléatoires indépendantes
de même loi uniforme  sur [, ]. L’exercice  de la PC  montre qu’il exi e une permutation aléatoire σ telle que
P Xσ () < · · · < Xσ (n) =  et que la loi de σ e uniforme sur l’ensemble des permutations de longueur n. On pose

(Y , . . . , Yn ) = (Xσ () , . . . , Xσ (n) ).

() Déterminer la loi de (Y , . . . , Yn ).

() Déterminer la loi de (Y /Y , . . . , Yn− /Yn ).

Corrigé :
() Soit f : [, ]n → R une fon ion continue bornée. On a, en notant Sn l’ensemble des permutations de
{, , . . . , n},
XZ
E [f (Y , . . . , Yn )] = f (xσ , . . . , xσn ) dx . . . dxn
σ ∈Sn {≤xσ <...<xσn ≤}
Z
= n! f (x , . . . , xn ) dx . . . dxn .
{≤x <...<xn ≤}

La loi de (Y , . . . , Yn ) e donc à densité, de densité donnée par

n! 1{≤x <...<xn ≤} dx . . . dxn .

() Soit maintenant g : ], [n− → R une fon ion continue bornée. On a
" !# Z !
Y Yn− x xn−
E g ,..., = n! g ,..., dx . . . dxn .
Y Yn {<x <...<xn <} x xn

Alors φ : (x , . . . , xn ) ∈ { < x < . . . < xn < } 7→ xx , . . . , xxn− , xn ∈ ], [n e un C  -difféomorphisme de jacobien
 
 n
égal à (x . . . xn )− . Ainsi, d’après la formule de changements de variables puis le théorème de Fubini-Tonelli,
on a
" !# Z
Y Yn−
E g ,..., = n! g(u , . . . , un− )u u . . . un−
n− n−
un du . . . dun
Y Yn ],[n
Z
= (n − )! g(u , . . . , un− )u u . . . un−
n−
du . . . dun− .
],[n−


 Donc la loi de (Y /Y , . . . , Yn− /Yn ) e

(n − )! u u . . . un−

n−
1],[n− (u , . . . , un− ) du . . . dun− .

Remarque : les variables Y /Y , . . . , Yn− /Yn sont donc indépendantes, et chaque Yi /Yi+ e de loi
iy i− 1],[ (y)dy.


E xercice 16. (Réarrangement croissant de lois exponentielles) Soient λ , . . . , λn > . On considère des variables aléatoires
(Ei )≤i≤n indépendantes telles que Ek suit une loi exponentielle de paramètre λk . On note E() ≤ E() ≤ · · · ≤ E(n) les va-
riables aléatoires (Ei )≤i≤n réarrangées dans l’ordre croissant.
() Montrer que E() suit une loi exponentielle de paramètre λ + · · · + λn .
 
() Montrer que P E() < E() =  (ainsi le minimum des variables e atteint une unique fois presque sûrement).
λk
() On note N = min{ ≤ i ≤ n : Ei = E() }. Montrer que N et E() sont indépendants, et que P (N = k) = λ +···+λn pour
tout  ≤ k ≤ n.

Corrigé :
 
() Si x < , on a P E() ≥ x = . Si x ≥ , on a

  n
Y Pn
P E() ≥ x = P (E ≥ x, . . . , En ≥ x) = P (Ei ≥ x) = e− i= λi .
i=

Donc E() suit une loi exponentielle de paramètre λ + · · · + λn .

() On remarque que l’événement {E() < E() } contient l’événement {∀i, j ∈ {, , . . . , n} tel que i , j on a Xi , Xj }.
Il suffit donc de montrer que ce dernier événement e de probabilité  ou, de manière équivalente, que son
complémentaire e de probabilité nulle. Pour cela, on adapte l’argument de l’exercice  () de la PC  : on a
  X  
P ∃i, j ∈ {, , . . . , n} : i , j et Ei = Ej ≤ P Ei = Ej .
i,j∈{,,...,n},i,j

Or, d’après le théorème de transfert, en notant fk la densité de Ek , pour i , j,

P Ei = Ej = E 1Ei =Ej
  h i
Z
= dx dx · · · dxn f (x )f (x ) · · · fn (xn )1xi =xj
n
ZR
= dxdyfi (x)fj (y)1x=y

ZR Zx
= dxfi (x) fj (y)dy
R x
= .

D’où le résultat.
 
() Calculons pour un entier  ≤ k ≤ n et t ≥  la quantité P E() > t, N = k en remarquant les événements


 {E() > t, N = k} et {Ek > t, Ej > Ek pour tout j , k} sont égaux :
   
P E() > t, N = k = P Ek > t, Ej > Ek pour tout j , k
Z n
1xk >t,xj >xk pour tout i,k λi e−λi xi dxi
Y
=
],∞[n i=
Z
= 1xk >t λk e −(λ +···+λk )xk
dxk
],∞[
λk
= e−t(λ +···+λn ) · .
λ + · · · + λn
λk
En prenant t = , on trouve que P (N = k) = λ +···+λ , ce qui permet d’identifier la loi de N , et en réinje ant
 n
dans l’égalité précédente on voit que
   
P E() > t, N = k = P E() > t P (N = k) .

Ceci étant valable pour tout t ∈ R (il n’y a rien à faire si t < ) et  ≤ k ≤ n, on en déduit que E() et N sont
indépendants.


E xercice 17. (Processus de Poisson) Soit (Xn , n ≥ ) une suite de variables aléatoires indépendantes définies sur (Ω, A, P),
de même loi exponentielle de paramètre . On pose T =  et pour tout n ≥ , Tn = X + . . . + Xn . Pour tout t ≥ , on pose

Nt = max{n ≥  : Tn ≤ t}.

() Soit n ≥ . Calculer la loi du n-uplet (T , . . . , Tn ).

() En déduire la loi de Nt pour tout t > .
() Pour n ≥  et t > , on définit sur Ω une nouvelle mesure de probabilité Qn,t par la formule

P(A ∩ {Nt = n})

Qn,t (A) = pour tout A ∈ A.
P(Nt = n)

Calculer la loi du n-uplet (T , . . . , Tn ) sous la mesure de probabilité Qn,t .

Corrigé :
() Soit f : Rn+ → R, une fon ion continue bornée. On a
Z
E(f (T , . . . , Tn )) = f (x , x + x , . . . , x + x + . . . + xn )e−(x +x +...+xn ) dx . . . dxn .
Rn+

Or φ : (x , . . . , xn ) ∈ (R∗+ )n 7→ (x , x + x , . . . , x + x + . . . + xn ) ∈ { < t < . . . < tn } e un C  -difféomorphisme de

jacobien égal à  donc d’après la formule du changement de variables,
Z
E(f (T , . . . , Tn )) = f (t , t , . . . , tn )e−tn 1{<t <...<tn } dt . . . dtn ,
Rn+

ce qui signfie que la loi de (T , . . . , Tn ) a pour densité e−tn 1{<t <...<tn } par rapport à la mesure de Lebesgue sur
Rn .


() Soit n ∈ N. On remarque que P(Nt = n) = P(Tn ≤ t, Tn+ > t) (car avec probabilité  la suite (Tn )n≥ e
croissante). On en déduit d’après la que ion () que pour n ≥ ,
Z
P(Nt = n) = e−tn+ 1{<t <...<tn <tn+ } 1{tn ≤t} 1{tn+ >t} dt . . . dtn dtn+
Rn+
+
Z Z ∞
= 1{<t <...<tn ≤t} dt . . . dtn e−tn+ dtn+
Rn+ t
n
t −t
= e ,
n!
où la deuxième égalité e une conséquence du théorème de Fubini-Tonelli. Et l’on a
Z∞
P(Nt = ) = P(T > t) = P(X > t) = e−x dx = e−t .
t

On voit que Nt suit la loi de Poisson de paramètre t (c’e en fait ce qu’on avait déjà démontré à la que ion
() de l’exercice ).
n,t
() Notons EQ l’espérance – c’e -à-dire l’intégrale au sens de Lebegue – par rapport à la mesure de probabilité
Qn,t . Alors, pour tout fon ion continue bornée F : R → R on a

n,t E[F 1{Nt =n} ]

EQ [F] = . ()
P(Nt = n)

En effet, la formule de l’énoncé donne la version ensembli e (définition des probabilités Qn,t (A)) et () e
la version fon ionnelle pour des variables aléatoires. Comme d’habitude en théorie de la mesure, on passe
du point de vue ensembli e au point de vue fon ionnel par approximation par des fon ions étagées. Plus
précisément, par définition,

P(A ∩ {Nt = n})

Qn,t (A) = pour tout A ∈ A.
P(Nt = n)

On en déduit que
n,t E[F 1{Nt =n} ]
EQ [F] =
P(Nt = n)

i= ai 1Bi ,
Pk
pour toute fon ion étagée F. En effet, si Fn = alors

k
n,t n,t
ai EQ [1Bi ]
X
EQ [F] =
i=
k
X
= ai Qn,t (Bi ) (linéarité de l’espérance)
i=
k
X P(Bi ∩ {Nt = n})
= ai (par définition de Qn,t )
P(Nt = n)
i=
k
E[1Bi ∩{Nt =n} ]
l’espérance de 1Bi ∩{Nt =n} )
X
= ai (la probabilité de Bi ∩ {Nt = n} e
P(Nt = n)
i=
E[( ki= ai 1Bi )1{Nt =n} ]
P
= (linéarité de l’espérance)
P(Nt = n)
E[F 1{Nt =n} ]
= (par définition de F).
P(Nt = n)


On en déduit ensuite que
n,t E[F 1{Nt =n} ]
EQ [F] =
P(Nt = n)
pour toute fon ion mesurable positive F en appliquant le théorème de convergence monotone, et on arrive à
().
Ainsi, si f : Rn → R e une fon ion continue bornée, en prenant pour F la fon ion F = f (T , . . . , Tn ) on
trouve que
n,t E[f (T , . . . , Tn )1{Nt =n} ]
EQ [f (T , . . . , Tn )] = . ()
P(Nt = n)
Revenons à la que ion, et trouvons la loi du n-uplet (T , . . . , Tn ) sous la mesure de probabilité Qn,t en
utilisant la méthode de la fon ion muette. On a

E(f (T , . . . , Tn )1{Nt =n} )

= E(f (T , . . . , Tn )1{Tn ≤t,Tn+ >t} )
Z
= f (t , . . . , tn )1{tn ≤t,tn+ >t} )e−tn+ 1{<t <...<tn <tn+ } dt . . . dtn dtn+
R+n+
Z Z ∞
= f (t , . . . , tn )1{<t <...<tn <t} dt . . . dtn e−tn+ dtn+ dtn+
Rn+ t
Z
= e−t f (t , . . . , tn )1{<t <...<tn <t} dt . . . dtn ,
Rn+

où la troisième égalité e une conséquence du théorème de Fubini-Tonelli. Donc, en utilisant (),

n,t E(f (T , . . . , Tn )1{Nt =n} )

EQ (f (T , . . . , Tn )) =
P(Nt = n)
Z
n!
= f (t , . . . , tn )1{<t <...<tn <t} dt . . . dtn ,
t n Rn+

ce qui signifie que la loi de (T , . . . , Tn ) sous Qn,t a pour densité n! t −n 1{<t <...<tn <t} par rapport à la mesure de
Lebesgue sur Rn .
Remarque : une adaptation de l’exercice  (en replaçant les variables uniformes sur [, ] par des variables
uniformes sur [, t]) montre que la loi de (T , . . . , Tn ) sous Qn,t a la même loi que le réarrangement croissant de
n variables aléatoires indépendantes et uniformes sur [, t].


