Université du littoral Côte d’Opale 2022-2023
L3 Maths Session 2
Probabilités
Examen de session 2
Jeudi 22 juin 2023
Durée : 3 heures
Documents et calculatrice interdits
Questions de cours :
1. Donner la définition de chacune des notions suivantes :
(a) une tribu,
(b) une probabilité,
(c) une variable aléatoire.
2. Soit Ω un ensemble. Démontrer que l’intersection de deux tribus sur Ω est une tribu sur Ω.
Exercice 1
Soient (E1 , T1 ), (E2 , T2 ) et (E3 , T3 ) trois espaces mesurables. Soient f : E1 → E2 et g : E2 → E3
deux applications mesurables.
1. Démontrer que pour tout A ⊂ E3 , (g ◦ f )−1 (A) = f −1 (g −1 (A)).
2. Démontrer que g ◦ f est une application mesurable.
Exercice 2
Soit (Ω, A, IP) un espace probabilisé. Montrer que, pour toute suite (An )n∈N∗ d’éléments de A, on a
∞
[ ∞
X
IP( An ) ≤ IP(An ).
n=1 n=1
Exercice 3
Soit F la fonction définie sur R par
1 3
F (x) = (x + 2)1l[−1,0[∪[1,2[ (x) + 1l[0,1[ (x) + 1l[2,+∞[ (x).
4 4
1. Montrer que F est une fonction de répartition.
Soit X une variable aléatoire définie sur un espace de probabilité (Ω, A, IP) admettant F comme
fonction de répartition.
2. Déterminer la fonction de masse de X.
3. La variable aléatoire X est-elle discrète ? Est-elle continue ?
4. Définir IPX loi de probabilité de X.
5. Calculer IPX (] − 1, 0]), IPX ([−1, 0]), IPX (] − 1, 0[) et IPX ([−1, 0[).
6. Si elle existe, calculer l’espérance de X.
7. Déterminer la fonction de répartition de la variable aléatoire Y = X − 1.
8. Si elle existe, calculer l’espérance de Y .
1
Exercice 4
Préliminaires : Soit n ∈ N∗ et soient X1 , X2 , · · · , Xn des variables aléatoires définies sur un espace
de probabilité (Ω, A, IP), mutuellement indépendantes et toutes de même loi. On note F la fonction de
répartition associée à cette loi. Considérons la variable aléatoire Mn = max(X1 , · · · , Xn ).
Déterminer la fonction de répartition de Mn en fonction de F .
Les deux parties de cet exercice sont indépendantes.
Partie A : Soit (Xn )n≥1 une suite de variables aléatoires définies sur un espace de probabilité (Ω, A, IP),
mutuellement indépendantes et suivant toutes la loi U([0, 1]). Pour tout n ≥ 1, on pose Mn =
max(X1 , · · · , Xn ) et Zn = n(1 − Mn ).
1. Soit n ∈ N∗ .
(a) Déterminer la fonction de répartition de Mn .
(b) En déduire que la variable aléatoire Mn admet une densité que l’on déterminera.
(c) Si elle existe, calculer l’espérance de Mn .
(d) Si elle existe, calculer la variance de Mn .
(e) Déterminer la fonction de répartition de Zn .
2. Etudier la convergence en loi de la suite (Zn ).
Partie B : On considère la fonction f définie sur R par
−x
f (x) = e−x−e .
Rappel : la loi exponentielle de paramètre 1 admet pour fonction de répartition la fonction G définie
sur R par
G(x) = (1 − e−x )1lR+ (x).
1. Montrer que f est une densité de probabilité.
La loi associée à cette densité est appelée loi de Gumbel
2. Déterminer la fonction de répartition associée à f .
3. Soit X une variable aléatoire définie sur un espace de probabilité (Ω, A, IP), dont la loi est la loi
exponentielle de paramètre 1. Posons V = − ln X. Démontrer que la variable aléatoire V suit
la loi de Gumbel.
4. Soit (Xn ) une suite de variables aléatoires définies sur un espace de probabilité (Ω, A, IP), mu-
tuellement indépendantes, toutes de loi exponentielle de paramètre 1. Pour tout n ≥ 1, on pose
Mn = max(X1 , · · · , Xn ) et Zn = Mn − ln n.
(a) Soit n ≥ 1. Déterminer la fonction de répartition de Zn .
(b) Montrer que la suite (Zn ) converge en loi vers la loi de Gumbel.
2
Exercice 5
Préliminaires : Soit X une variable aléatoire définie sur un espace de probabilité (Ω, A, IP).
1. Inégalité de Markov : Soit r > 0. Supposons que X admet un moment d’ordre r. Montrer que,
pour tout t > 0, on a
E(|X|r )
IP(|X| ≥ t) ≤ .
tr
2. Inégalité de Tchebychev : Supposons que X admet une variance. Montrer que, pour tout t > 0,
on a
V (X)
IP(|X − E(X)| ≥ t) ≤ .
t2
Problème : Soit (Xn ) une suite de variables aléatoires définies sur un espace de probabilité (Ω, A, IP)
et deux à deux indépendantes. Pour tout n ∈ N∗ , posons Sn = X1 + · · · + Xn .
1. Supposons les variables aléatoires Xn sont toutes de même loi et qu’elles admettent un moment
d’ordre 2. Notons m leur espérance et σ 2 leur variance. Démontrer que la suite ( Snn ) converge
en probabilité vers m.
2. Soit (pn ) une suite d’éléments de ]0, 1[. Soit (Xn ) une suite de variables aléatoires définies sur
un espace de probabilité (Ω, A, IP) et deux à deux indépendantes. On suppose que pour tout
n ∈ N∗ , Xn suit la loi de Bernoulli de paramètre pn .
(a) Soit n ∈ N∗ . Montrer que V ( Snn ) ≤ n1 .
(b) En déduire que
S n
n 1X
∀ > 0, lim IP − pk > = 0.
n→+∞ n n
k=1