Partie 4

Probabilités
 Probabilités
14 Espaces probabilisés 309
14.1 : Loi de succession de Laplace 309
14.2 : Ruine du joueur 310
14.3 : Lemmes de Borel-Cantelli 313
14.4 : Apparition de mots dans une suite de piles ou faces 315
14.5 : Produit eulérien 318
15 Variables aléatoires discrètes 321
15.1 : Natalité 321
15.2 : Cartes à collectionner 322
15.3 : Compétition d’athlétisme 323
15.4 : Nombre de poussins 325
15.5 : Loi conjointe et lois marginales 326
15.6 : Temps de jeu à la roulette 328
15.7 : Le paradoxe de l’inspection 332
15.8 : Un jeu de pile ou face 335
15.9 : Processus de Galton-Watson 336
15.10 : Une inégalité de concentration 341
15.11 : Théorème de Weierstrass 344
 CHAPITRE

Espaces probabilisés
14
Exercice 14.1 : Loi de succession de Laplace

On dispose de N urnes, numérotées de 0 à N . L’urne k contient k boules blanches

et N − k boules noires. On choisit une urne au hasard, et, sans connaître son
numéro, on en tire un nombre n fois de suite une boule, avec remise après chaque
tirage.
1. Quelle est la probabilité que le tirage suivant donne encore une boule blanche,
sachant que, au cours des n premiers tirages, seules des boules blanches ont été
tirées ?
2. Calculer la limite de cette probabilité lorsque N tend vers l’infini.

1. Le but de cette question est de calculer une probabilité conditionnelle. Pour pouvoir
la calculer, on a besoin de savoir dans quelle urne on est en train de tirer. On tire
nécessairement dans une urne de numéro comprise entre 0 et N , il faut donc utiliser
la formule des probabilités totales.

Il est nécessaire de se ramener à des probabilités conditionnelles pour

ce calcul : on ne peut pas connaître les probabilités de tirage tant qu’on
ne connait pas l’urne dans laquelle on tire.

Pour k entre 0 et N , on note Uk l’événement : « On tire dans l’urne numéro

k. » et Bn l’événement « On a tiré n boules blanches d’affilée. »  n
k
Si l’on pioche dans l’urne k, la probabilité de tirer n boules blanches est
N
(puisque l’urne k contient k boules blanches parmi N ). Ainsi
 n
k
P(Bn |Uk ) = .
N
310 Chapitre 14 Espaces probabilisés

Par la formule des probabilités totales, on a alors

N N  n
X X k 1
P(Bn ) = P(Bn |Uk )P(Uk ) = ×
N N +1
k=0 k=0
N  n
1 X k
= ,
N +1 N
k=0
1
le terme en venant de l’équiprobabilité des différentes urnes.
N +1
Comme Bn+1 implique l’événement Bn ,
P(Bn+1 ∩ Bn ) P(Bn+1 )
P(Bn+1 |Bn ) = = ,
P(Bn ) P(Bn )
et on obtient au final
N N
1 k n+1 k n+1
P
P

N +1 N N
k=0 k=0
P(Bn+1 |Bn ) = N
= N
.
1 k n k n
P
P

N +1 N N
k=0 k=0

2. On reconnaît dans les deux sommes précédentes (au numérateur et au dénomina-

teur) des sommes de Riemann (à quelques facteurs près).

Pour n ∈ N et N ∈ N∗ , on a
N −1 
N  n n !
1 X k N 1 X k 1
= +
N +1 N N +1 N N N
k=0 k=0
Z 1
1
−→ tn dt =
N →+∞ 0 n+1
par opérations sur les limites, puisque
N −1   Z 1
1 X k
f −→ f (t)dt
N N N →+∞ 0
k=0
si f est continue sur [0, 1].
On déduit de ceci que
n+1
P(Bn+1 |Bn ) −→ .
N →+∞ n+2

Ce nombre représente la probabilité qu’une expérience (dont on ignore

la probabilité de réussite) qui a réussi n fois d’affilée réussisse une nou-
velle fois.
 Probabilités 311

Exercice 14.2 : Ruine du joueur

Deux joueurs s’affrontent lors d’une succession de parties de pile ou face. Ils
possèdent initialement un montant a et b respectivement, et à chaque victoire le
perdant donne un euro au gagnant. Le joueur A a une probabilité p de gagner à
chaque lancer. Le jeu s’arrête lorsqu’un joueur n’a plus d’argent.
On pose N = a + b, q = 1 − p, et pour a ∈ {0, . . . , N } on note pa (respectivement
qa ) la probabilité que le joueur A (respectivement B) finisse ruiné s’il commence
avec n euros.
1. Montrer que si 0 < a < N , pa = ppa+1 + qpa−1 .
2. En déduire l’expression de pa .
3. Calculer de même qa puis pa + qa . Que peut-on en déduire ?

1. Soit a ∈ {1, . . . , N −1}. Pour relier pa à pa+1 et pa−1 , on étudie l’issue de la première
partie de pile ou face : si le premier joueur gagne, on est ramené au problème avec un
montant initial de a + 1, s’il perd, avec un montant initial de a − 1.

Notons G l’événement « Le joueur A a gagné la première partie » et R l’événe-

ment « Le joueur A est ruiné avec une mise initiale de a. »
Si le joueur A gagne la première partie, il aborde la suite du jeu avec a + 1 euros.
Ainsi P(R|G) = pa+1 . De même, P(R|G) = pa−1 .
Ainsi, par la formule des probabilités totales,
pa = P(R) = P(R|G)P(G) + P(R|G)P(G) = pa+1 p + pa−1 q.

2. La suite finie (pa )06a6N satisfait une équation de récurrence double, on utilise donc
la technique vue en première année pour calculer pa .

L’équation caractéristique associée à la suite (pa )06a6N est x = px2 + q, de

discriminant 1 − 4pq = 1 − 4p(1 − p) = 4p2 − 4p + 1 = (1 − 2p)2 .
1
• Si p 6= , le discriminant est non nul et les solutions de cette équation sont
2
1 + (1 − 2p) 1−p q 1 − (1 − 2p)
= = et = 1.
2p p p 2p
Ainsi, on a (λ, µ) ∈ R2 tel que pour tout a entre 0 et N ,
 a
q
pa = λ + µ .
p
1
• Si p = , le discriminant est nul et l’équation admet 1 pour racine double.
2
Ainsi, on a (λ, µ) ∈ R2 tel que pour tout a entre 0 et N , pa = λ + µa.

Pour déterminer les constantes λ et µ, on a alors besoin de deux valeurs particulières

de pa . On utilise les cas limites.
312 Chapitre 14 Espaces probabilisés

On a p0 = 1 et pN = 0.
1
• Si p =
6 , on obtient alors le système
2

λ+µ=1
λ + µq N p−N = 0
1
En effectuant L1 − L2 , on trouve µ(1 − q N p−N ) = 1 et µ = .
1 − q N p−N
Par suite,
1 q N p−N
λ=1−µ=1− =− .
1− q N p−N 1 − q N p−N
En conclusion, on obtient donc
 a
q q N p−N − q a p−a
pa = λ + µ = .
p q N p−N − 1
1 1
• Si p = , on obtient λ = 1 et λ + µN = 0, donc µ = − , et il vient
2 N
1
pa = 1 − a.
N

3. On peut faire un calcul similaire au précédent pour trouver

pN q −N − pN −a q a−N 1 1
qa = N −N
6
si p = et qa = a sinon.
p q −1 2 N

On peut aussi remarquer que qa s’obtient à partir de pa en échangeant

les rôles de p et q, et de a et N − a.

1
On calcule alors dans le cas p 6=
2
q N p−N − q a p−a pN q −N − pN −a q a−N
pa + qa = +
q N p−N − 1 pN q −N − 1
N −N a −a
q p −q p 1 − p−a q a
= +
q N p−N − 1 1 − p−N q N
N −N
q p −1
= N −N = 1.
q p −1
1
Ceci reste vrai si p = . On en déduit que le jeu se termine de manière presque
2
sûre, c’est-à-dire que l’un des joueurs sera ruiné en temps fini avec probabilité
1.
 Probabilités 313

Contrairement au cas fini, un événement de probabilité nulle (ou 1)

n’est pas nécessairement vide (ou certain). L’événement A : « Le jeu ne
se termine pas en temps fini » est un exemple d’événement différent de
l’événement impossible, mais de probabilité 0.

Exercice 14.3 : Lemmes de Borel-Cantelli

Soit (Ω, T , P) un espace probabilisé. On considère une suite (An )n∈N d’événe-
ments et on note A l’ensemble des x ∈ Ω qui appartiennent à une infinité de
An .
1. Écrire l’ensemble A en fonction
P des An et montrer que A ∈ T .
2. On suppose que la série P(An ) converge, montrer que P(A) = 0.
On suppose maintenant les An mutuellement indépendants et que la série
+∞
P
P(An ) diverge.
n=0
3. Pour x ∈ R, montrer que 1 + x 6 ex . En déduire que pour m 6 n ∈ N,
n
! n
!
\ X
P Ak 6 exp − P(Ak ) .
k=m k=m

4. Montrer que P(A) = 1.

1. Pour écrire A en fonction des An , il faut commencer par traduire en termes de

quantificateurs la propriété appartenir à une infinité de An .

Pour traduire l’appartenance d’un x à une infinité de An , il faut se

souvenir qu’un sous-ensemble de N est infini si et seulement si il n’est
pas majoré.

On a x ∈ A si et seulement si {n ∈ N ; x ∈ An } est infini, si et seulement si il

n’est pas majoré.
On a donc x ∈ A si et seulement si ∀p ∈ N, ∃n > p, x ∈ An . On a donc
\ +∞
[
A = {x ∈ Ω, ∀p ∈ N, ∃n > p, x ∈ An } = An .
p∈N n=p

Comme pour tout n ∈ N, An ∈ T , pour tout p ∈ N,

+∞
[
An ∈ T ,
n=p
314 Chapitre 14 Espaces probabilisés

puis A ∈ T .

Pour écrire la négation de A est majoré, ne pas hésiter à repartir de A

majoré pour utiliser les règles de négation des quantificateurs.

 +∞ 
S
2. La suite Ak est clairement décroissante pour l’inclusion. On va donc
k=n n∈N
pouvoir utiliser la continuité décroissante de P.
+∞
P
D’autre part, la probabilité de cet événement est plus petite que P(Ak ) par sous-
k=n
additivité. Comme c’est le reste d’une série convergente, on trouvera le résultat cher-
ché.

Pour n ∈ N, on note
+∞
[
Dn = Ak .
k=n
Il est clair que Dn+1 ⊂ Dn , donc (Dn )n∈N est décroissante. Ainsi on a
+∞
!
\
P(Dn ) −→ P Ap = P(A).
n→+∞
p=0

D’autre part, pour n ∈ N∗ , on a, par sous-additivité de P,

∞
+∞
!
[ X
P(Dn ) = P Ak 6 P(Ak ) −→ 0
n→+∞
k=n k=n
puisque la série de terme général P(Ak ) converge.
Ainsi, par unicité de la limite, P(A) = 0.

On a donc montré que l’événement A : « x n’appartient à aucun des

An , sauf un nombre fini » a pour probabilité 1.

3. On peut étudier la fonction x 7→ ex −x−1 pour montrer qu’elle toujours positive. On

peut également appliquer la formule de Taylor avec reste intégral entre 0 et x pour
obtenir l’inégalité. On peut enfin utiliser la convexité de la fonction exponentielle.
C’est la méthode retenue ici.

Comme x 7→ ex est convexe, elle est au-dessus de ses tangentes, en particulier

de sa tangente en 0.
Cette tangente a pour équation y = exp0 (0)(x − 0) + exp(0) = x + 1, donc
pour x ∈ R, ex > 1 + x.
 Probabilités 315

Pour la suite de la question l’indépendance des An implique celle des An , donc la

probabilité du membre de gauche se réécrit comme un produit. On va donc appliquer
l’inégalité précédente à chacun des membres.

Pour k entre m et n, on a P(Ak ) = 1 − P(Ak ) 6 exp(−P(Ak )), d’après ce

qui précède (avec x = −P(Ak )).
Ainsi, comme Am , . . . , An sont indépendants (puisque Am , . . . , An le sont), on
a, en faisant le produit de ces inégalités (toutes positives) :
n
! n n n
!
\ Y Y X
P Ak = P(Ak ) 6 e−P(Ak ) = exp − P(Ak ) .
k=m k=m k=m k=m

4. On va passer à la limite n → +∞ le résultat de la question précédente pour calculer

ensuite la probabilité de A.

Comme la série de terme général P(Ak ) diverge, pour m ∈ N,

Xn
P(Ak ) −→ +∞.
n→+∞
k=m
Ainsi, d’après la question précédente,
+∞
!
\
P Ak = 0.
k=m
Or une réunion d’événements de probabilité nulle est encore de probabilité nulle
(c’est une conséquence de la sous-additivité de P), donc
+∞
!
[ +∞ \
P(A) = P Ak = 0.
m=0 k=m

En conclusion, P(A) = 1.

On a donc démontré que, dans le cas où les événements An sont indé-

pendants, P(A) = 0 ou 1. C’est une conséquence de la loi du zéro-un
de Kolmogorov, qui affirme que certains événements terminaux sont
presque sûrs ou de probabilité nulle.
316 Chapitre 14 Espaces probabilisés

Exercice 14.4 : Apparition de mots dans une suite de piles ou faces

On considère une suite de lancers indépendants d’une pièce ayant probabilité

p ∈]0, 1[ de tomber sur pile.
1. Montrer qu’on obtient presque sûrement au moins une fois pile (resp. face).
2. Montrer que pour tout n ∈ N∗ on obtient presque sûrement au moins n fois
pile (resp. face). En déduire qu’on obtient de manière presque sûre une infinité
de piles (resp. de faces).
On considère un mot m de longueur N formé de lettres P (pour pile) et F (pour
faces).
3. Pour k ∈ N, quelle est la probabilité que les lancers kN + 1 à k(N + 1) donnent
une suite de piles et faces correspondant au mot m ?
4. En déduire qu’il est presque sûr que dans la suite de piles ou faces tirés, on
trouve une infinité de fois le mot m.

1. Pour montrer qu’un événement est presque sûr (ou négligeable), on utilise très
souvent la continuité croissante ou décroissante. Ici par exemple, on peut considérer
l’événement An : « Aucun lancer jusqu’au n-ième n’a donné pile. » et l’intersection
des An correspond à l’événement A : « Aucun lancer n’a donné pile. ». Comme la suite
des An est décroissante pour l’inclusion, on peut appliquer la continuité décroissante.

Pour n ∈ N∗ , on note An l’événement « Aucun lancer jusqu’au n-ième n’a

donné pile. »
Comme les lancers sont mutuellement indépendants, on a P(An ) = (1 − p)n .
La suite (An )n∈N∗ est décroissante pour l’inclusion et en notant A l’événement
« Aucun lancer n’a donné pile. » on obtient, par continuité décroissante de P,
!
\
P(A) = P An = lim P(An ) = 0
n→+∞
n∈N∗

puisque 1 − p < 1. Par suite, P(A) = 1 et il est presque sûr d’obtenir au moins
une fois pile.
On montre de même qu’il est presque sûr d’obtenir au moins une fois face (car
p > 0).

Même si une expérience a une probabilité infime de se réaliser, lorsqu’on

la répète une infinité de fois, on obtiendra sa réalisation au moins une
fois (et en fait même une infinité de fois) de manière presque sûre.

2. On va raisonner de la même manière que dans la question précédente. Pour q > n,

on note Bq,n l’événement « Au q-ième lancer, on a obtenu strictement moins de n
 Probabilités 317

piles » et Bn « On a obtenu strictement moins de n piles. ». Comme la suite (Bq,n )q>n

est décroissante pour l’inclusion, on pourra encore appliquer la continuité décroissante.

Pour r > n, on note Br,n l’événement « Au r-ième lancer, on a obtenu stricte-

ment moins de n piles ». Si k ∈ {0, . . . , 
n −1}, le fait d’obtenir k piles parmi
r k
les r premiers lancers a pour probabilité p (1 − p)r−k , donc
k
n−1
X r 
P(Br,n ) = pk (1 − p)r−k .
k
k=0
Notons que pour k ∈ {0, . . . , n − 1}, on a
rk
 
r r! r(r − 1) . . . (r − k + 1)
= = ∼
k k!(r − k)! k! r→+∞ k!
 
r k
donc par croissance comparée, p (1 − p)r−k −→ 0 (puisque 1 − p < 1).
k r→+∞
La suite (Br,n )r>n est décroissante pour l’inclusion et en notant Bn l’événe-
ment « On a obtenu strictement moins de n piles. » on obtient, par continuité
décroissante de P,
 
\
P(Bn ) = P  Br,n  = lim P(rq,n ) = 0
r→+∞
r>n

comme somme de n termes de limite nulle. Par suite, P(Bn ) = 1 et il est

presque sûr d’obtenir au moins n fois pile.
On montre de même qu’il est presque sûr d’obtenir au moins n fois face (car
p > 0).
Pour montrer qu’ilTest presque sûr qu’on obtient une infinité de fois pile, il faut
montrer que B = Bn est de probabilité 1. Cela vient de l’inégalité de Boole, qui
n∈N∗
permet de montrer qu’une réunion dénombrable d’événements négligeables est encore
négligeable.

Comme pour tout n ∈ N∗ , Bn est négligeable, B =

S
Bn est négligeable.
n∈N∗
Ainsi B est presque sûr, et il est presque sûr d’obtenir une infinité de fois pile.
On montre de même qu’il est presque sûr d’obtenir une infinité de fois face

3. Avec l’indépendance des lancers, le calcul de cette probabilité est très simple.

Pour k ∈ N, on note Bk l’événement dont on demande de chercher la probabilité.

Soit a le nombre de P dans le mot m (qui comporte alors N − a fois la lettre
F ). Comme les lancers sont indépendants, on a
P(Bk ) = pa (1 − p)N −a .
318 Chapitre 14 Espaces probabilisés

4. Si l’on regarde les lancers par tranches de N successifs, l’apparition du mot m a une
probabilité de pa (1 − p)N −a par la question précédente. Comme c’est un réel de ]0, 1[,
on peut appliquer la question 2, en considérant chacun des N comme une expérience
de Bernoulli ayant probabilité P = pa (1 − p)N −a de réussir. Cela montrera que le
mot m apparaît une infinité de fois dans la suite des mots donnés par les lancers de
kN + 1 à k(N + 1), donc en particulier dans la suite de lancers.

Notons C l’événement « Le mot m apparaît une infinité de fois dans la suite

des mots donnés par les lancers de kN + 1 à k(N + 1). » et D l’événement « Le
mot m apparaît une infinité de fois dans la suite des lancers. » On a clairement
C ⊂ D.
P(C) correspond à la probabilité d’obtenir une infinité de réussites dans une
expérience de Bernoulli ayant probabilité P = pa (1 − p)N −a de réussir. Comme
P ∈]0, 1[, P(C) = 1 par la question 2. Par suite P(D) = 1 et D est presque
sûr.

Exercice 14.5 : Produit eulérien

On se fixe un réel s > 1 et on considère l’espace probabilisé (Ω, P(Ω), P) où

Ω = N∗ et P est définie par :
1
∀n ∈ Ω, P({n}) = ,
ζ(s)ns
ζ désignant la fonction de Riemann :
+∞
X 1
ζ(s) = s
.
n=1
n
Pour n ∈ N∗ , on désigne par An l’événement « p est multiple de n. »
1. Justifier que P est bien une probabilité et calculer P(An ) pour tout n ∈ N∗ .
2. Montrer que si P est l’ensemble des nombres premiers, les événements Ap ,
p ∈ P sont indépendants.
3. En déduire que
Y   Y  −1
1 1
P({1}) = 1− s puis ζ(s) = 1− s .
p p
p∈P p∈P

1. Pour montrer que P est une probabilité, il faut vérifier que les P({n}) sont des
réels positifs ou nuls dont la somme vaut 1.

Pour n ∈ Ω, P({n}) est un réel positif ou nul, terme général d’une série conver-
gente (par le critère de Riemann) et on a
+∞ +∞
X X 1 1 X 1
P({n}) = = = 1.
n=1
ζ(s)ns ζ(s) n=1 ns
n∈Ω
 Probabilités 319

Ainsi P définit bien une probabilité sur Ω.

On utilise ensuite la formule du cours pour calculer les probabilités cherchées.

Pour n ∈ N∗ , on a alors
+∞ +∞
X X X 1
P(An ) = P({p}) = P({kn}) =
ζ(s)(kn)s
p∈An k=1 k=1
+∞
1 X 1 1
= = s
ns ζ(s) k s n
k=1

2. Il faut ici vérifier la définition d’une famille indépendante.

L’indépendance deux à deux n’implique pas l’indépendance mutuelle.

Il est donc nécessaire de prendre n événements !

Soient p1 , . . . , pn des éléments deux à deux distincts de P, avec n ∈ N∗ . Alors

Ap1 ∩ . . . ∩ Apn est l’ensemble des multiples communs à p1 , . . . , pn , donc de
p1 · · · pn (puisque les pi sont deux à deux premiers entre eux).
Ainsi Ap1 ∩ . . . ∩ Apn = Ap1 ···pn , et, avec la première question, on obtient
1 1 1
P(Ap1 ∩ · · · ∩ Apn ) = P(Ap1 ...pn ) = = s × ··· × s
(p1 . . . pn )s p1 pn
= P(Ap1 ) . . . P(Apn ).
En conclusion, les événements Ap , p ∈ P sont indépendants.

3. On reconnaît dans le produit infini le produit de tous les (1 − P(Ap )) = P(Ap ).

On va donc utiliser l’indépendance des Ap (conséquence de l’indépendance des Ap ).
Pour passer à limite, on utilisera la continuité décroissante de P.

Notons {p1 , p2 , . . . , pn , . . . } une énumération croissante de P.

Pour n ∈ N∗ , notons En = Ap1 ∩ · · · ∩ Apn . Il est clair que En+1 ⊂ En , donc
la suite (En )n∈N est décroissante pour l’inclusion.
Les événements Ap1 , . . . , Apn étant indépendants d’après la question précé-
dente, il en est de même des événements Ap1 , . . . , Apn . Ainsi
n
Y
P(En ) = P(Ap1 ∩ · · · ∩ Apn ) = P(Ap1 ) . . . P(Apn ) = (1 − P(Api ))
i=1
n  
Y 1
= 1−
i=1
psi
Soit \
E= En .
n∈N∗
320 Chapitre 14 Espaces probabilisés

Par continuité décroissante de P, on lim P(En ) = P(E). Or E est l’évé-

n→+∞
nement « n n’est multiple d’aucun nombre premier. » On a donc E = {1}, et
1
P(E) = .
ζ(s)
Ainsi
1 1 Y 1
ζ(s) = = = .
P(E) lim P(En ) 1 − p−s
n→+∞ p∈P
 CHAPITRE

Variables aléatoires discrètes

15
Exercice 15.1 : Natalité

On suppose que dans un pays donné, tous les couples ont des enfants jusqu’à
obtenir un garçon. Le but de cet exercice est de trouver la proportion P de
garçons dans la population (en supposant que garçon et fille sont équiprobables
à la naissance).
1. Soit X le nombre d’enfants dans un couple. Donner la loi de la variable aléa-
toire X.
2. Calculer P , puis E(P ).

1. Il faut calculer les P(X = n) pour n ∈ N. Il s’agit de la répétition d’une expérience

de Bernoulli de paramètre 12 jusqu’à obtenir un succès.
On sait d’après le cours qu’il s’agit d’une loi géométrique.

On a clairement P(X = 0) = 0. Pour n ∈ N∗ , P(X = n) est la probabilité que

les n − 1 premiers enfants du couple soient des filles, et que le n-ième soit un
garçon. Ainsi
 n−1
1 1 1
P(X = n) = × = n.
2 2 2
1
X suit donc la loi géométrique de paramètre .
2

2. La variable aléatoire P s’exprime aisément en fonction de X, le calcul de son

espérance est alors une application du théorème de transfert.

Il est impossible ici de calculer directement l’espérance de P sans uti-

liser le théorème de transfert. De manière générale, la définition de
l’espérance servira plutôt dans les exercices théoriques.

1
Un couple donné a X − 1 filles et 1 garçon, par définition, donc P = .
X
322 Chapitre 15 Variables aléatoires discrètes

Par le théorème de transfert, on a alors :

  X +∞ +∞
1 1 X 1
E(P ) = E = P(X = n) = .
X n=1
n n=1
n2n
Comme la série converge (il s’agit d’une série entière usuelle), P admet bien
une espérance finie.
1
On reconnaît le développement en série entière de − ln(1−x) appliqué à x = ,
2
donc E(P ) = ln(2).

Exercice 15.2 : Cartes à collectionner

Pour fidéliser ses clients, une entreprise décide de joindre à ses produits des cartes
à collectionner de n types différents. On considère que les cartes jointes à chaque
produit suivent des lois uniformes (sur l’ensemble des n possibles) indépendantes.
On note N la variable aléatoire représentant le nombre de produits à acheter
pour avoir les n cartes. Déterminer l’espérance de N et en donner un équivalent
quand n → +∞.

Notons Ni le nombre d’achats à effectuer pour avoir i cartes différentes. On a N1 = 1

et pour i ∈ {1, . . . , n − 1}, Ni+1 − Ni représente le nombre de produits à acheter pour
avoir une carte supplémentaire différente des autres.
Ceci correspond à attendre le premier succès dans une répétition d’expériences de
Bernoulli. Cette loi est donc géométrique.

Soit i ∈ {1, . . . , n − 1}.

Pour k ∈ N∗ , P(Ni+1 − Ni = k) est la probabilité que les k − 1 premières
cartes jointes (à partir de l’instant Ni ) soient parmi les i que le collectionneur
i
possède déjà (donc avec une probabilité de ), et que la k-ième soit une des
n
n−i
n − i que le collectionneur n’a pas encore (donc avec probabilité de ). Les
n
achats étant indépendants, on a donc
 k−1  
i n−i
P(Ni+1 − Ni = n) = .
n n
n−i
Ni+1 − Ni suit donc une loi géométrique de paramètre . Ainsi Ni+1 − Ni
n
est d’espérance finie et
n
E(Ni+1 − Ni ) = .
n−i
 Probabilités 323

n−1
P
Par suite, comme N = Nn = (Ni+1 −Ni )+N1 (par télescopage), la linéarité
i=1
de l’espérance donne N d’espérance finie et on a :
n−1 n−1 n−1
X X n Xn
E(N ) = E(Ni+1 − Ni ) + E(N1 ) = +1= +1
i=1 i=1
n−i i=1
i
n
X 1
=n .
i=1
i

Là encore, le calcul direct de l’espérance était impossible. C’est en écri-

vant N en fonction de lois usuelles, dont on connaît l’espérance, qu’on
peut aboutir.

Il faut maintenant trouver un équivalent de la somme harmonique quand n → +∞,

ce qui est un grand classique. On fait une comparaison avec une intégrale.

1 1 1
Pour k ∈ N∗ , et t ∈ [k, k + 1], on a 6 6 . En intégrant, il vient
k+1 t k
Z k+1
1 dt 1
6 6 .
k+1 k t k
n
X 1
Ainsi, notant Sn = , on obtient (par la relation de Chasles) :
k
k=1
Z n+1
dt
Sn+1 − 1 6 6 Sn .
1 t
On a donc ln(n + 1) 6 Sn 6 ln(n) + 1, dont on déduit aisément que Sn ∼ ln n.
Un équivalent de E(N ) quand n → +∞ est donc n ln n.

Exercice 15.3 : Compétition d’athlétisme

Lors d’une compétition de saut en hauteur, un athlète tente de franchir des barres
successives numérotées 1, 2, . . . , n, . . . . Il n’a droit qu’à un seul essai par barre.
On suppose les sauts indépendants, et que la probabilité de réussite du n-ième
1
saut est .
n
1. On note X la variable aléatoire égale au numéro du dernier saut réussi. Calculer
la loi de X.
2. Déterminer la fonction génératrice de X.
3. Montrer que X 2 est d’espérance finie et calculer E(X) et V(X).
324 Chapitre 15 Variables aléatoires discrètes

1. Il faut calculer toutes les probabilités P(X = n) pour n ∈ N∗ .

L’événement X = n nécessite que l’athlète réussisse les n premiers sauts mais rate le
dernier. L’indépendance des sauts permet de calculer aisément cette probabilité.

Pour n ∈ N∗ , on note Sn l’événement « L’athlète a réussi le n-ième saut. »

En supposant les sauts indépendants, les événements S1 , . . . , Sn+1 sont indé-
pendants, donc les événements S1 , . . . , Sn , Sn+1 le sont également. Ainsi
P(X = n) = P(Sn+1 ∩ Sn ∩ . . . ∩ S1 ) = P(Sn+1 )P(Sn ) . . . P(S1 )
 Y n
1 1 n 1 n
= 1− = × =
n + 1 i=1 i n + 1 n! (n + 1)!

2. Le calcul de la fonction génératrice de X se fait en utilisant la définition.

Pour t ∈ R∗ , on a :
+∞ +∞ +∞  
X X n X 1 1
GX (t) = P(X = n)tn = n
t = − tn
n=1 n=1
(n + 1)! n=1
n! (n + 1)!
+∞ n +∞
X t 1 X tn+1 et − 1 − t
= − = et − 1 −
n=1
n! t n=1 (n + 1)! t
tet − et + 1
=
t
Les séries entières considérées sont bien de rayon de convergence infini puisqu’il
s’agit de combinaisons linéaires de la série exponentielle.

3. Les calculs de E(X) et de V(X) nécessitent le calcul de sommes de séries. Puisque

l’on connaît la fonction génératrice, E(X) sera alors la dérivée de cette fonction en 1,
et V(X) se calcule à partir de sa dérivée seconde.

Là encore, le calcul direct (surtout pour la variance) serait fastidieux.

On contourne le problème en utilisant les fonctions génératrices.

Notons que GX est dérivable sur R∗ (comme quotient et combinaison linéaire

de fonctions qui le sont) et pour t ∈ R∗ ,
(et + tet − et )t − (tet − et + 1) t2 et − tet + et − 1
G0X (t) = 2
= .
t t2
Comme GX est dérivable en 1, X est d’espérance finie et
E(X) = G0X (1) = e − 1.
 Probabilités 325

De même GX est deux fois dérivable sur R∗ et pour t ∈ R∗ ,

(2tet + t2 et − et − tet + et )t2 − 2t(t2 et − tet + et − 1)
G00X (t) =
t4
3 t 2 t t t
t e − t e + 2te − 2e + 2
= .
t3
Comme GX est deux fois dérivable en 1, X 2 est d’espérance finie, et
E(X(X − 1)) = G00X (1) = 2.
Par suite E(X 2 ) = 2 + E(X) = 1 + e et
V(X) = E(X 2 ) − E(X)2 = e + 1 − (e − 1)2 = −e2 + 3e.

On pouvait également utiliser le théorème de transfert pour calculer

E(X − 1) et E(X 2 − X).

Exercice 15.4 : Nombre de poussins

Une poule pond N oeufs, où N suit une loi de Poisson de paramètre λ. Chaque
oeuf éclôt avec probabilité p, et les éclosions sont des événements indépendants.
On note K la variable aléatoire donnant le nombre de poussins.
Calculer la fonction génératrice de K puis reconnaître la loi de K.

Le calcul de le fonction génératrice se fait via le calcul des P(K = k) pour k ∈ N. On

décompose ce calcul avec la formule des probabilités totales.

Pour k et n ∈ N, P(K = k|N =n) = 0 si k > n (il ne peut y avoir plus de

n k n−k
poussins que d’oeufs) et vaut p q si k 6 n, où q = 1 − p.
k
En effet, s’il y a n oeufs, la loi du nombre de poussins est la somme de n
variables de Bernoulli indépendantes (les variables représentant les éclosions ou
non de chacun des n oeufs) donc est une loi binomiale.

Attention à ne pas oublier le coefficient binomial, surtout si l’on calcule

directement cette probabilité : il faut que k oeufs éclosent (terme pk )
que n − k n’éclosent pas (terme q n−k ) et
il faut choisir parmi les n
lesquels des k oeufs vont éclore (terme nk ).
326 Chapitre 15 Variables aléatoires discrètes

Pour x ∈ ]−1, 1[, on a donc

+∞
X +∞ X
X +∞
GK (x) = P(K = k)xk = P(K = k|N = n)P(N = n)xk
k=0 k=0 n=0
+∞ X+∞ +∞ n  
n k n−k −λ λn k X −λ λn X n
X  
= p q e x = e (px)k q n−k
k n! n=0
n! k
k=0 n=k k=0
+∞ n
−λ λ
X
= e (px + q)n = e−λ eλ(px+q) = eλ(px+q−1)
n=0
n!
λp(x−1)
=e .
Notons que l’inversion des deux signes sommes est justifiée puisqu’en fai-
sant le même calcul  avec |x| au lieu de x, on obtient que la famille
n k n−k −λ λn k

p q e x est sommable.
k n! 06k6n6+∞
On reconnaît ici l’expression de la fonction génératrice d’une variable aléatoire
de Poisson de paramètre λp, donc K suit une loi de Poisson de paramètre λp.

Exercice 15.5 : Loi conjointe et lois marginales

Soit X et Y deux variables aléatoires sur un même espace probabilisé à valeurs

dans N. On suppose que la loi conjointe de (X, Y ) vérifie
∀(j, k) ∈ N2 , P(X = j, Y = k) = a(j + k)2−j−k .
1. Quelle est la valeur de a ?
2. Déterminer les lois marginales de X et Y .
3. X et Y sont elles indépendantes ?
4. Calculer P(X = Y ).

P
1. On détermine la valeur de a en utilisant la relation P(X = j, Y = k) = 1.
(j,k)∈N2
Pour calculer cette somme, on regroupe les termes à j + k constant (au vu de la
formule donnant P(X = j, Y = k)) et on va reconnaître la dérivée seconde d’une série
géométrique.

On a
X n
+∞ X X n
+∞ X +∞
X
1= P(X = j, Y = n − j) = an2−n = an(n + 1)2−n ,
n=0 j=0 n=0 j=0 n=0
 
1
la série considérée étant convergente (c’est un o par croissance com-
n2
+∞
P n
parée). On note f la somme de la série entière x sur ] − 1, 1[. On sait
n=0
 Probabilités 327

que
1
∀x ∈] − 1, 1[, f (x) = ,
1−x
et comme on peut dériver terme à terme,
+∞
X +∞
X
f 00 (x) = n(n − 1)xn−2 = n(n + 1)xn−1 ,
n=2 n=0
 
a 00 1
ce qui montre que la relation plus haut se réécrit 1 = f . D’autre part,
2 2
on calcule
1 (−2)(1 − x) 2
f 0 (x) = 2
puis f 00 (x) = − 4
=
(1 − x) (1 − x) (1 − x)3
1
et 1 = 8a, donc a = .
8

2. Pour déterminer P(X = j) à j ∈ N fixé, il suffit de sommer les P(X = j, Y = k)

pour tous les k ∈ N. On retrouve donc un calcul de série.

Pour j ∈ N, on a (avec les notations de la question précédente)

+∞
X +∞
X
P(X = j) = P(X = j, Y = k) = a(j + k)2−j−k
k=0 k=0
+∞ +∞
j X 1 X
= 2−k + k2−k
8 × 2j 8 × 2j
k=0 k=0
 
j 1 1 j 1 j+1
= j
+ j
f0 = j
+ j
= j+2 .
4×2 16 × 2 2 4×2 4×2 2
k+1
On montre de même que pour k ∈ N, P(Y = k) = k+2 .
2

Les lois de X et Y ne permettent pas de retrouver la loi conjointe

(X, Y ).

3. Si les deux variables aléatoires étaient indépendantes, on aurait

P(X = 0, Y = 0) = 0 = P(X = 0)P(Y = 0).
Or P(X = 0, Y = 0) = 0 mais P(X = 0) et P(Y = 0) sont non nulles.

Pour (j, k) = (0, 0), on a

1
P(X = j, Y = k) = 0 6= = P(X = j)P(Y = k),
16
donc X et Y ne sont pas indépendantes.
328 Chapitre 15 Variables aléatoires discrètes

4. La probabilité cherchée s’obtient en sommant les P(X = k, Y = k) pour k ∈ N, ce

qui donne encore un calcul de série.

On a, avec les notations du 1,

+∞ +∞ +∞
X X 1 X −k
P(X = Y ) = P(X = k, Y = k) = a(2k)2−2k = k4
4
k=0 k=0 k=0
 
1 0 1 1
= f = .
16 4 9

Exercice 15.6 : Temps de jeu à la roulette

Un joueur arrive au casino avec une fortune de k ∈ {0, . . . , N } et joue à la

roulette. Il a une probabilité de gagner de p ∈ ]0, 1[ 1 euro à chaque partie, en
misant un euro.
Le joueur a décidé qu’il s’arrêterait de jouer s’il a gagné tout l’argent N disponible
dans le casino, ou lorsqu’il n’aura plus d’argent. On note tk la variable aléatoire
représentant le temps de jeu du joueur (presque sûrement fini d’après l’exercice
14.2).
1. Montrer que pour n ∈ N, P(tk > N (n + 1)) 6 P(tk > N n)(1 − pN ).
En déduire que tk admet une espérance qu’on notera Tk dans la suite.
2. Justifier la relation Tk = p(1 + Tk+1 ) + q(1 + Tk−1 ), k ∈ {1, . . . , N − 1}, avec
q = 1 − p.
3. En déduire que
1 − ( pq )k
" !#
1 1
Tk = k−N si p 6=
q−p 1 − ( pq )N 2
1
et Tk = k(N − k) si p = .
2

1. Pour que le temps de jeu soit plus grand que N (n + 1), il faut qu’il soit plus grand
que N n et que les parties nN + 1 à N (n + 1) donnent une fortune restant entre 0 et
N.
La majoration demandée est de montrer que la probabilité de ce dernier événement
est plus petite que (1 − pN ), c’est-à-dire que l’événement contraire a une probabilité
plus grande que pN , la probabilité de gagner N fois d’affilée.
Pour écrire ceci rigoureusement, il faut utiliser l’indépendance des parties, en distin-
guant les cas de résultats possibles au bout de nN parties.

Notons S la fortune du joueur à l’instant nN . Les parties étant indépendantes

les unes des autres, pour x ∈ {1, . . . , N − 1}, on a
P(tk > N (n + 1) et S = x) = P(tk > N n et S = x)P(Ax ),
 Probabilités 329

où Ax désigne l’événement « Les parties N n+1 à N (n+1) donnent des résultats

tels que le joueur n’atteint ni une fortune de 0, ni une fortune de N à partir de
S = x. »
Si le joueur gagne les parties N n + 1 à N n + (N − x), l’événement Ax est
réalisé, on a donc, par croissance de P, P(Ax ) > pN −x > pN (car p ∈ ]0, 1[).
Ainsi P(Ax ) 6 1 − pN et il vient
N
X −1
P(tk > n(N + 1)) = P(tk > N (n + 1) et S = x)
x=1
N
X −1
= P(tk > N n et S = x)P(Ax )
x=1
N
X −1
6 P(tk > N n et S = x)(1 − pN )
x=1
6 P(tk > N n)(1 − pN ).

La relation précédente donne alors une majoration de P(tk > N n) par le terme
général d’une série géométrique convergente (par récurrence triviale). Il faut alors
relier l’espérance de tk avec la série de terme général P(tk > n). C’est un calcul très
classique.

Pour n ∈ N, on montre, par récurrence aisée, que P(tk > N n) 6 (1 − pN )n .

Pour l ∈ N, si l est entre N n et N (n + 1) − 1, on a clairement
P(tk > l) 6 P(tk > N n),
ainsi :
N (n+1)−1
X
06 P(tk > l) 6 N (1 − pN )n ,
l=N n
terme général d’une série convergente (car géométrique de raison 1 − pN , avec
1 − pN ∈ ]0, 1[).
La série
+∞ N (n+1)−1
X X
P(tk > l)
n=1 l=N n
converge
P donc absolument (puisque c’est une série à termes positifs) et
P(tk > l) converge (par sommation par paquets).
Par suite, on a
+∞
X +∞ X
X +∞ +∞ X
X c−1
P(tk > l) = P(tk = c) = P(tk = c)
l=0 l=0 c=l+1 c=1 l=0
+∞
X
= cP(tk = c)
c=1
330 Chapitre 15 Variables aléatoires discrètes

l’inversion des deux signes sommes étant possible car il s’agitPd’une famille
de réels positifs sommable (la première série converge). Ainsi cP(tk = c)
converge (absolument) et tk admet une espérance.

Il est important de bien retenir cette dernière formule, qui relie l’espé-
rance d’une variable aléatoire X aux P(X > n) car elle est extrêmement
classique.

2. La relation demandée relie l’espérance de tk à celle de tk+1 et tk−1 .

On étudie l’issue de la première partie : si le joueur gagne, on est ramené au problème
avec un montant initial de k+1, s’il perd, avec un montant initial de k−1. Pour pouvoir
appliquer la formule des probabilités totales, il faut se ramener aux événements tk = n,
n ∈ N.

Il faut toujours se ramener à des événements pour pouvoir utiliser les

propriétés liées au conditionnement. On utilise alors la définition de
l’espérance.

Notons G l’événement : « Le joueur gagne la première partie. »

Pour k ∈ {1, . . . , N − 1} et n ∈ N∗ , on a, par la formule des probabilités totales
P(tk = n) = P(tk = n|G)P (G) + P(tk = n|G)P (G)
= P(tk+1 = n − 1)p + P(tk−1 = n − 1)q.
Comme P(tk = 0) = 0 puisque k est entre 1 et N − 1, on en déduit que
+∞
X +∞
X
E(tk ) = nP(tk = n) = n[P(tk+1 = n − 1)p + P(tk−1 = n − 1)q]
n=1 n=1
+∞
X +∞
X
=p nP(tk+1 = n − 1) + q nP(tk−1 = n − 1)
n=1 n=1
+∞
X +∞
X
=p (n + 1)P(tk+1 = n) + q (n + 1)P(tk−1 = n)
n=0 n=0
= pE(tk+1 + 1) + qE(tk−1 + 1) = p(1 + Tk+1 ) + q(1 + Tk−1 )
d’après le théorème de transfert, toutes les séries étant convergentes (puisque
E(tk ) est finie d’après la première question).

3. Les Tk suivent une équation de récurrence double, mais pas tout à fait linéaire (il
y a un p + q = 1 qui nous ennuie).
 Probabilités 331

L’idée est d’abord de modifier légèrement la définition de Tk pour retrouver une

équation de récurrence double linéaire classique. On va ajouter à Tk un terme de la
forme αk (le fait d’ajouter 1 à chaque fois rappelle une suite arithmétique).

Soit α ∈ R. Pour k ∈ {0, . . . , N }, on pose uk = Tk + kα. Si 1 6 k 6 N − 1,

on a
puk+1 + quk−1 − uk
= pTk+1 + pα(k + 1) + qTk−1 + qα(k − 1) − Tk − αk
= pαk + pα + qαk − qα − 1 − αk = pα − qα − 1
1
6 q. On peut alors poser α =
Plaçons-nous donc dans le cas où p = , de
p−q
sorte que puk+1 + quk−1 − uk = 0.
L’équation caractéristique associée est px2 − x + q = 0, de discriminant
1 − 4pq = 1 − 4p(1 − p) = 4p2 − 4p + 1 = (1 − 2p)2
(non nul car p 6= q). Les solutions de cette équation sont donc
1 + (1 − 2p) 1−p q 1 − (1 − 2p)
= = et = 1.
2p p p 2p
On a donc (λ, µ) ∈ R2 tel que pour tout k ∈ {0, . . . , N },
 k
q
uk = λ + µ .
p
N
Comme u0 = T0 = 0 et uN = TN +αN = , (λ, µ) est solution du système
p−q

 λ + µ =0
N
q N .
 λ+µ =
p p−q
 N !
q N
En effectuant L2 − L1 , on obtient µ −1 = donc
p p−q
N N
µ=  
N
 et λ = −µ = −  
N
.
q q
(p − q) p −1 (p − q) p −1

Ainsi, pour k ∈ {0, . . . , N }, il vient :

  k    k 
q q
1  −1 + p 1  1 − p
Tk = Uk − αk = N  N − k  = k − N  N  .
 
p−q q q−p q
−1 + p 1− p

Reste à traiter le cas p = q. On ne peut alors pas trouver de α simplifiant la relation

précédente (ceci vient du fait que 1 est solution double de l’équation caractéristique).
À la manière des équations différentielles, on cherche alors vk sous la forme Tk + αk 2 .
332 Chapitre 15 Variables aléatoires discrètes

Supposons maintenant p = q.
Pour k ∈ {0, . . . , N }, on pose maintenant vk = Tk + αk 2 , avec α ∈ R à
déterminer. On a alors
pvk+1 + qvk−1 − vk
1 α 1 α
= Tk+1 + (k + 1)2 + Tk−1 + (k − 1)2 − Tk − αk 2
2 2 2 2
α 2
= (k + 2k + 1 + k − 2k + 1) − 1 − αk 2 = α − 1
2
2
1 1
et l’on pose α = 1 pour avoir vk+1 − vk + vk−1 = 0, c’est-à-dire
2 2
vk+1 − 2vk + vk−1 = 0.
L’équation caractéristique est x2 − 2x + 1 = 0, admet pour solution double
x = 1, donc on a (λ, µ) ∈ R2 tel que pour tout k ∈ {0, . . . , N }, vk = λ + µk .
Comme v0 = T0 = 0 et vN = TN + αN 2 = N 2 , on a λ = 0 et µ = N . Ainsi,
pour k ∈ {0, . . . , N }, on a
Tk = vk − k 2 = N k − k 2 = k(N − k).

C’est pour cette raison que les casinos existent : même si un joueur
arrive avec une fortune initiale k très petite, son temps de jeu est (si
p = q) en moyenne égal à k(N − k), donc très grand par rapport à k.

Exercice 15.7 : Le paradoxe de l’inspection

Dans une usine, une machine a, chaque jour, une probabilité p ∈ ]0, 1[ de tomber
en panne. Chaque fois qu’elle tombe en panne, un technicien vient la réparer
dans la soirée.
On note q = 1 − p, Xn la variable aléatoire qui vaut 1 si la machine est tombée
en panne le n-ième jour, 0 sinon, et, pour i ∈ N∗ , Ti le jour où la machine est
tombée en panne pour la i-ème fois. Les variables aléatoires Xn sont supposées
indépendantes.
On pose enfin τ1 = T1 puis pour k > 2, τk = Tk − Tk−1 le nombre de jours
écoulés entre deux pannes consécutives. On note enfin Nn le nombre de pannes
survenues entre les jours 0 et n.
1. Déterminer la loi de τ1 et montrer que les τk , k ∈ N∗ , sont indépendantes, de
même loi que τ1 .
2. Pour n ∈ N∗ . Déterminer la loi conjointe de (T1 , . . . , Tn ).
3. Un inspecteur vient le n-ième jour, n ∈ N∗ , et reste jusqu’à la prochaine panne.
Calculer la loi des variables aléatoires Vn = TNn +1 − n et Un = n − TNn .
 Probabilités 333

1. Pour montrer que des lois sont indépendantes, il faut vérifier la définition du cours.
On calcule les probabilités des événements τi = ni et (τ1 , . . . , τl ) = (n1 , . . . , nl ) en
utilisant l’indépendance des variables aléatoires Xk .

L’indépendance des variables deux à deux n’implique pas l’indépen-

dance mutuelle. Il faut bien prendre l variables aléatoires !

Soient l ∈ N∗ et n1 , . . . , nl ∈ N, et notons qk = n1 + · · · + nk pour k entre 1

et l.
L’événement A = (τ1 = n1 , . . . , τl = nl ) correspond à
Xqk +1 = . . . = Xqk +nk+1 −1 = 0 et Xqk +nk+1 = 1
pour k entre 0 et l − 1.
Les événements X1 , . . . , Xql étant indépendants, et A correspondant au succès
de l d’entre eux, on a donc
l−1
Y
P(A) = P(τ1 = n1 , . . . , τl = nl ) = ((1 − p)nk+1 −1 p) = (1 − p)ql −l pl .
k=0
D’autre part, pour i ∈ {1, . . . , l}, l’événement τi = ni correspond à
XTi−1 +1 = 0, . . . , XTi−1 +ni −1 = 0 et XTi−1 +ni = 1.
Avec l’indépendance des Xn , on a donc P(τi = ni ) = (1 − p)ni −1 p. Ainsi
P(τ1 = n1 , . . . , τl = nl ) = (1 − p)ql −l pl = (1 − p)(n1 −1)+···+(nl −1) pl
l
Y l
 Y
(1 − p)ni −1 p =

= P(τi = ni )
i=1 i=1
donc τ1 , . . . , τn sont indépendants.
On a vu plus haut que pour tout i ∈ N∗ et tout n ∈ N∗ ,
P(τi = n) = (1 − p)n−1 p.
Les τi ont donc tous même loi que τ1 , la loi géométrique de paramètre p.

2. Par définition, la loi conjointe d’un n-uplet (T1 , . . . , Tn ) est donnée par les proba-
bilités des événements P(T1 = k1 , . . . , Tn = kn ).

Soit (k1 , . . . , kn ) ∈ (N∗ )n . Notons que s’il existe i ∈ {1, . . . , n − 1} tel que
ki+1 6 ki , P(T1 = k1 , . . . , Tn = kn ) = 0 (la suite des Ti étant strictement
croissante).
334 Chapitre 15 Variables aléatoires discrètes

Supposons donc k1 < · · · < kn . On a alors, avec la question précédente :

P(T1 = k1 , . . . , Tn = kn ) = P (τ1 = k1 , τ2 = k2 − k1 , . . . , τn = kn − kn−1 )
n
Y
= P(τi = ki − ki−1 )
i=1
Yn
(1 − p)ki −ki−1 −1 p
 
=
i=1
= (1 − p)kn −n pn
par télescopage, et où l’on a noté k0 = 0 pour simplifier.

Il est parfaitement logique que le résultat ne dépende que de kn : comme

les Xk sont indépendants, la probabilité cherchée est tout simplement
la probabilité qu’il y ait eu n pannes avant l’instant kn .

3. Comme toujours, il s’agit de calculer les P(Un = k) et P(Vn = k), pour k ∈ N∗ .

Pour k ∈ N∗ , l’événement Un = k correspond à Xn = 0, . . . , Xn−k+1 = 0 et

Xn−k = 1. On a donc P(Un = k) = (1 − p)k−1 p (par l’indépendance des Xn ).
Un suit donc une loi géométrique de paramètre p.
Pour k ∈ N∗ , l’événement Vn = k correspond à Xn+1 = 0, . . . , Xn+k−1 = 0 et
Xn+k = 1. On a donc P(Vn = k) = (1 − p)k−1 p. Vn suit donc également une
loi géométrique de paramètre p.

Comme τNn +1 = Un + Vn , et comme Un et Vn sont indépendantes de

même loi que T1 , la durée moyenne entre les deux pannes qui encadrent
n est plus grande que la durée moyenne entre deux pannes. C’est le
paradoxe de l’inspection. L’inspecteur, qui arrive à l’instant n dans
l’intention de mesurer la durée moyenne entre deux pannes, enregistre
un nombre en général trop grand.
 Probabilités 335

Exercice 15.8 : Un jeu de pile ou face

On lance une infinité de fois une pièce ayant une probabilité p ∈]0, 1[ de donner
pile, les lancers étant mutuellement indépendants. On note N le nombre de lan-
cers nécessaires pour donner pile. On lance ensuite N fois la même pièce et on
note X le nombre piles obtenus.
1. Déterminer la loi de N puis la loi de X.
2. Calculer la fonction génératrice de X.
3. En déduire E(X) et V(X).

1. N suit une loi géométrique de paramètre p (premier succès dans une suite d’ex-
périences de Bernoulli indépendantes). Ensuite, lorsqu’on connaît la valeur n de N ,
X suit une loi binomiale de paramètres n et p (nombre de succès dans n expériences
de Bernoulli indépendantes), ce qui permet de déterminer la loi conditionnelle de X
sachant N = n.
On utilise ensuite la formule des probabilités totales pour déterminer la loi de X.

Soit n ∈ N∗ . Si l’on sait que N = n, X suit une loi binomiale de paramètres n

et p (nombre de succès dans n expériences de Bernoulli), donc pour k ∈ N et
n ∈ N∗ , on a

 0 sik > n
P(X = k|N = n) = n k
p (1 − p)n−k sinon.
k


N suit une loi géométrique de paramètre p (premier succès dans une suite d’ex-
périences de Bernoulli) donc en notant q = 1 − p, par la formule des probabilités
6 0,
totales, il vient, si k =
+∞ +∞  
X X n k n−k n−1
P(X = k) = P(X = k, N = n)P(N = n) = p q pq
n=1
k
n=k
+∞
X n!
= pk+1 q 2n−k−1
k!(n − k)!
n=k
+∞
X n(n − 1) . . . (n − k + 1) k+1 2n−k−1
= p q
k!
n=k
+∞
pk+1 q k−1 X
= n(n − 1) . . . (n − k + 1)(q 2 )n−k
k!
n=k
pk+1 q k−1 (k) 2
= f (q )
k!
336 Chapitre 15 Variables aléatoires discrètes

+∞
X 1
où f : x 7→ xn = (puisque q 2 ∈]0, 1[). On a donc
n=0
1−x
pk+1 q k−1 k! pk+1 q k−1
P(X = k) = × =
k! (1 − q 2 )k+1 (1 − q)k+1 (1 + q)k+1
k−1
q
= .
(1 + q)k+1
D’autre part
+∞ +∞ +∞
X X
n n−1 p X 2n
P(X = 0) = P(X = 0|N = n)P(N = n) = q pq = q
n=1 n=1
q n=1
p q2 pq q
= × = = .
q 1 − q2 (1 − q)(1 + q) 1+q

2. Le calcul de la fonction génératrice de X est un autre calcul de série.

Soit x ∈ [0, 1], avec la question précédente, on calcule

+∞ +∞
X q X q k−1
GX (x) = xk P(X = k) = + xk
1+q (1 + q)k+1
k=0 k=1
+∞  k qx
q 1 X qx q 1 1+q
= + = + × qx
1 + q q(1 + q) 1+q 1 + q q(1 + q) 1 − 1+q
k=1
q x
= +
1 + q (1 + q)(1 + q(1 − x))

3. On détermine l’espérance et la variance de X grâce aux dérivées successives de GX .

Comme GX est deux fois dérivable en 1, X 2 est d’espérance finie (et en parti-
culier X est d’espérance finie). Pour x ∈ [0, 1], on calcule
1 1 + q(1 − x) + qx 1
G0X (x) = × 2
=
1+q (1 + q(1 − x)) (1 + q(1 − x))2
puis
2q
G00X (x) =
(1 + q(1 − x))3
Ainsi, E(X) = G0X (1) = 1 et E(X(X − 1)) = G00X (1) = 2q. On en déduit que
V(X) = E(X 2 ) − E(X)2 = 2q + E(X) − 1 = 2q.
 Probabilités 337

Exercice 15.9 : Processus de Galton-Watson

On considère une famille (Xn,p )(n,p)∈N2 de variables indépendantes de même loi

X et (Zn )n∈N la suite de variables aléatoires définie par récurrence par
Zn
X
Z0 = 1 et ∀n ∈ N, Zn+1 = Xj,n+1 .
j=1

Concrètement (Zn )n∈N modélise l’évolution d’une population dont, à chaque ins-
tant n, les individus meurent en donnant naissance (de manière indépendante)
à des nombres d’enfants suivant la loi X.
On note ϕ la fonction génératrice de X, on suppose que X admet une espérance
finie que l’on note m = E[X] et que P(X = 0) + P(X = 1) < 1.
1. Montrer que ϕ est strictement croissante, dérivable et que ϕ0 est strictement
croissante sur [0, 1].
2. Pour n ∈ N, on note ϕn la fonction génératrice de Zn (définie sur [0, 1]).
Montrer que ϕn+1 = ϕn ◦ ϕ. En déduire E(Zn ).
3. Soit T la variable aléatoire représentant le plus petit entier n (ou +∞ si cet
entier n’existe pas) tel que Zn = 0 (extinction de la population). Montrer que
P(T < +∞) est le plus petit point fixe de ϕ.
4. Montrer que la population s’éteint presque sûrement si et seulement si m 6 1.

1. Par définition la fonction génératrice est une série entière définie sur [0, 1]. Elle est
donc dérivable sur son intervalle ouvert de convergence. La dérivabilité en 1 équivaut
à l’existence d’une espérance finie. On étudie ensuite la stricte croissante via le signe
de la dérivée et de la dérivée seconde.

ϕ est une série entière de rayon de convergence supérieur à 1. Elle est définie
sur [0, 1] et est de classe C ∞ sur [0, 1[. Comme X est d’espérance finie, sa
fonction génératrice ϕ est dérivable en 1. Ainsi, ϕ est définie et dérivable sur
[0, 1]. Pour x ∈ [0, 1[, on a (en dérivant terme à terme sur l’intervalle ouvert de
convergence) :
+∞
X +∞
X
ϕ0 (x) = nP(X = n)xn−1 > 0 et ϕ00 (x) = n(n − 1)P(X = n)xn−2
n=1 n=2
sinon P(X = n) = 0 pour tout n > 2 (ou 1), et P(X = 0) + P(X = 1) = 1,
ce qui est exclu.
ϕ et ϕ0 sont donc strictement croissantes sur [0, 1].

2. Les fonctions ϕn et ϕn+1 étant définies sur [0, 1], il faut d’abord vérifier que
ϕ([0, 1]) ⊂ [0, 1] pour que la formule ait un sens. On fait ensuite le calcul de la série
entière définissant ϕn+1 (t) pour t ∈ [0, 1]. Les P(Zn+1 = p) se calculent en fonction
des P(Zn = k) via la formule des probabilités totales.
338 Chapitre 15 Variables aléatoires discrètes

Comme ϕ est strictement croissante sur [0, 1], avec ϕ(0) = P(X1 = 0) > 0 et
ϕ(1) = 1, ϕ([0, 1]) ⊂ [0, 1]. On peut donc considérer la composée ϕn ◦ ϕ.
Pour t ∈ [0, 1], on calcule, par la formule des probabilités totales et sous réserve
de justifications :
+∞
X +∞ X
X +∞
p
ϕn+1 (t) = P(Zn+1 = p)t = P(Zn+1 = p|Zn = k)P(Zn = k)tp
p=0 p=0 k=0
+∞ X
X +∞
= P(Xn,1 + · · · + Xn,k = p)P(Zn = k)tp
p=0 k=0
+∞
X +∞
X
= P(Zn = k) P(Xn,1 + · · · + Xn,k = p)tp
k=0 p=0
+∞
X
= P(Zn = k)ϕn,k (t)
k=0
où ϕn,k est la fonction génératrice de Xn,1 + · · · + Xn,k , sous réserve de justi-
fication de l’inversion des deux signes sommes.
Comme Xn,1 , . . . , Xn,k est une suite indépendantes de variables aléatoires de
même loi que X, ϕn,k = ϕk . On en déduit que
+∞
X
ϕn+1 (t) = P(Zn = k)ϕ(t)k = ϕn (ϕ(t)).
k=0

Il y a des justifications à apporter pour pouvoir intervertir les deux

séries (sur k et sur p).

Il reste à justifier l’interversion des deux signes sommes dans le calcul plus haut.
Il faut montrer que la famille (P(Xn,1 + · · · + Xn,k = p)P(Zn = k)tp )(n,k)∈N2
est sommable (pour intervertir les deux signes sommes). Or c’est une famille de
réels positifs dont la somme vaut ϕn (ϕ(t)) < +∞, elle est donc sommable.
Pour en déduire l’espérance de Zn , il faut justifier la dérivabilité de ϕn en 1 et calculer
ϕ0n (1). La justification vient aisément de la dérivabilité de ϕ en 1, et par récurrence
sur n. Pour la valeur, on a E(Zn+1 ) = ϕ0n+1 (1) = ϕ0 (1)ϕ0n (ϕ(1)) = mE(Zn ), dont on
déduit que E(Zn ) = mn .

Montrons par récurrence sur n ∈ N la propriété Hn : « Zn admet une espérance

finie qui vaut mn . »
• Comme Z0 = 1, Z0 admet une espérance finie qui vaut 1 = m0 , donc on a
H0 .
 Probabilités 339

• Soit n ∈ N tel que Hn . Par hypothèse de récurrence, Zn admet une es-

pérance finie qui vaut mn , donc ϕn est dérivable en 1 = ϕ(1), de déri-
vée mn . Comme ϕ est dérivable en 1 (car X admet une espérance finie),
ϕn+1 = ϕn ◦ ϕ est dérivable en 1 comme composée de fonctions qui le sont.
Ainsi Zn+1 admet une espérance finie, qui vaut :
E(Zn+1 ) = ϕ0n+1 (1) = ϕ0 (1)ϕ0n (ϕ(1)) = mϕ0n (1) = mE(Zn ) = mn+1
donc on a Hn+1 .
En conclusion, ∀n ∈ N, Hn .

3. L’événement {T < +∞} est la réunion des {Zn = 0} pour n ∈ N. C’est une réunion
croissante, on appliquera donc la continuité croissante de P.
De plus P(Zn = 0) = ϕn (0) = ϕn (0) (par la question précédente) si n > 1. Ainsi
P(T < +∞) est la limite des P(Zn = 0) = ϕn (0), donc la limite d’une suite récurrente
définie via la fonction ϕ, donc un point fixe de ϕ.

On a {T < +∞} = ∪n∈N {Zn = 0} et pour n ∈ N, {Zn = 0} ⊂ {Zn+1 = 0} :

si la population est éteinte à l’instant n elle l’est encore à l’instant n + 1. Par
continuité croissante de P, on a (sous réserve d’existence de la limite),
P(T < +∞) = lim P(Zn = 0) = lim ϕn (0) = lim ϕn (0)
n→+∞ n→+∞ n→+∞

où ϕ = ϕ ◦ · · · ◦ ϕ, et puisque ϕn (0) = ϕ (0) par récurrence aisée sur n ∈ N∗

n n

à partir de la question précédente.

La suite (un )n∈N∗ = (ϕn (0))n∈N∗ vérifie l’équation de récurrence
∀n ∈ N, un+1 = ϕ(un ).
Comme ϕ est croissante, (un )n∈N∗ est monotone. On a u1 = ϕ(0) > 0, donc en
appliquant ϕ, qui est croissante, u2 > u1 . La suite (un )n∈N∗ est donc croissante.
Comme ϕ est à valeurs dans [0, 1], elle est majorée par 1. Par le théorème de la
limite monotone, cette suite converge.
Sa limite l est nécessairement un point fixe de ϕ (puisque ϕ est continue,
car dérivable, sur [0, 1]). De plus, si a est un point fixe de ϕ, en partant de
u0 = 0 6 a, on montre par récurrence aisée sur n ∈ N que un 6 a. Ainsi
(un )n∈N est majorée par tout point fixe de ϕ.
En conclusion, P(T < +∞) = lim un est le plus petit point fixe de ϕ.
n→+∞

4. On sait que 1 est un point fixe de ϕ. Il faut montrer que c’est le plus petit point
fixe de ϕ si et seulement si m 6 1. On traite séparément les deux implications.
I Sens direct :
Dans ce sens, on suppose que 1 est le plus petit point fixe de ϕ, et on doit montrer que
m 6 1. La fonction h : x 7→ ϕ(x) − x ne s’annule donc qu’en 1, et comme h(0) > 0,
elle est strictement positive sur ]0, 1[. Le graphe de la fonction ϕ restant au-dessus de
la droite y = x sur [0, 1], ses tangentes sont de coefficient directeur plus petit que 1.
340 Chapitre 15 Variables aléatoires discrètes

Supposons que le plus petit point fixe de ϕ soit 1. La fonction h : x 7→ ϕ(x) − x

est continue (car ϕ l’est) sur [0, 1] et ne s’annule qu’en 1. Par le théorème des
valeurs intermédiaires, elle est de signe strict constant sur [0, 1[.
On a h(0) = ϕ(0) > 0, donc ce signe est strictement positif.
ϕ(1) − ϕ(x)
On a donc ϕ(x) > x pour x ∈ [0, 1[, puis 1 − ϕ(x) < 1 − x et <1
1−x
en divisant par 1 − x > 0. En passant cette inégalité à la limite x → 1, on
trouve m = ϕ0 (1) 6 1.
I Sens réciproque :
On montre ce sens par contraposée, en montrant que si ϕ possède un point fixe a < 1,
alors m > 1. On utilise pour ce faire le théorème des accroissements finis entre les
deux points fixes.

Supposons que ϕ admette un point fixe a < 1. Comme ϕ est continue sur [a, 1],
dérivable sur ]a, 1[, on a c ∈ ]a, 1[ tel que (ϕ(1) − ϕ(a)) = ϕ0 (c)(1 − a), i.e.
ϕ0 (c) = 1 par le théorème des accroissements finis.
Comme ϕ0 est strictement croissante, on a m = ϕ0 (1) > ϕ0 (c) = 1. Par
contraposée, si m 6 1, 1 est le plus petit point fixe de ϕ.
En conclusion, la population s’éteint presque sûrement si et seulement si on a
P (T < +∞) = 1 c’est-à-dire si le plus petit point fixe de ϕ est 1, si et seulement
si m 6 1.

Ce processus a été introduit par Sir Francis Galton en 1873 pour étudier
la statistique des patronymes, et plus particulièrement de leur dispari-
tion.
 Probabilités 341

Exercice 15.10 : Une inégalité de concentration

Soit (Xn )n∈N∗ une suite de variables aléatoires discrètes indépendantes de même
loi, centrées, à valeurs dans [−1, 1].
2
1. Montrer que pour tout x ∈ R+ , ch(x) 6 ex /2 (on pourra utiliser les séries
entières).
2
En déduire que pour λ ∈ R+ et x ∈ [−1, 1], eλx 6 eλ /2 + x sh λ.
2. Montrer que si X est une variable aléatoire centrée à valeurs dans [−1, 1], on
a, pour tout λ > 0,
 2  2
λ λ
E(eλX ) 6 exp et E(e−λX ) 6 exp .
2 2

3. Montrer que pour a ∈ R, P(X > a) 6 e−λa E(eλX ) si λ > 0.

4. Montrer que pour tout n ∈ N∗ et tout a ∈ R+ , on a
n
!  2
1 X a
P √ Xi > a 6 2 exp − .
n i=1 2

1. On suit l’indication et on s’intéresse aux développements en séries entières. On

est alors amené à comparer (2n)! et 2n n!. Il faut, pour ceci, se souvenir que 2n n! est
le produit des entiers pairs entre 1 et 2n (comme dans les intégrales de Wallis par
exemple).

Pour n ∈ N∗ , on a
n
Y n
Y 2n
Y
2n n! = 2n i= (2i) 6 k = (2n)!.
i=1 i=1 k=1
Cette inégalité reste vraie pour n = 0, donc pour tout x ∈ R+ , on a :
+∞ +∞
x2n x2n
 2
X X x
ch(x) = 6 n
= exp .
n=0
(2n)! n=0 2 n! 2

La deuxième inégalité demandée revient alors à montrer que eλx 6 ch λ + x sh λ. En

1−x −λ
utilisant la définition de ch et de sh, cette inégalité devient eλx 6 1+x λ
2 e + 2 e .
On retrouve donc une inégalité de convexité.

1+x
Comme x ∈ [−1, 1], t = ∈ [0, 1]. Par convexité de la fonction exponen-
2
tielle, on a donc
1 + x λ 1 − x −λ
exp(tλ + (1 − t)(−λ)) 6 teλ + (1 − t)e−λ = e + e .
2 2
342 Chapitre 15 Variables aléatoires discrètes

et comme tλ + (1 − t)(−λ) = (2t − 1)λ = xλ, le membre de gauche est en fait

eλx . On en déduit alors que
 2
λ
eλx 6 ch λ + x sh λ 6 exp + x sh λ.
2

2. La question précédente s’applique à X, qui est à valeurs dans [−1, 1], il faut donc
simplement utiliser la croissance de l’espérance, après avoir vérifié que l’espérance
manipulée existe bien.

Même si l’énoncé ne demande pas explicitement de le montrer, il faut

toujours vérifier que les espérances existent bien. Contrairement au cas
fini, une variable aléatoire peut ne pas avoir d’espérance.

Notons que comme X est à valeurs dans [−1, 1], eλX 6 eλ donc eλX admet
une espérance, puisque pour x ∈ X(Ω) (où Ω est l’univers de définition de X),
|eλx |P(X = x) 6 eλ P(X = x), et la famille (P(X = x))x∈Ω est sommable.
Par suite, par croissance de l’espérance, et d’après la question précédente, on
a:
  2   2
λ λ
E(eλX ) 6 E exp + X sh(λ) = exp + sh(λ)E(X)
2 2
 2
λ
6 exp
2
puisque X est centrée. Comme −X vérifie les mêmes hypothèses que X, on a
également  2
λ
E(e−λX ) = E(eλ(−X) ) 6 exp .
2

3. L’inégalité demandée fait penser à une inégalité de Markov. Il faut simplement

réinterpréter l’événement X > a.

Pour a ∈ R, les événements {X > a} et {eλX > eλa } sont identiques (par
croissance d’exponentielle et de ln, et puisque λ > 0). Ainsi, par l’inégalité de
Markov, on a :
E(eλX )
P(X > a) = P(eλX > eλa ) 6 = e−λa E(eλX ).
eλa

Cette inégalité, appelée inégalité de Chernov, est très classique.

 Probabilités 343

 n
√1
P
4. Notons tout d’abord que l’événement Xi > a est la réunion des deux
n
i=1n
√ √ √
 n  
P P
événements Xi > n a (car n > 0) et (−Xi ) > n a .
i=1 i=1
Il faut alors combiner les deux questions précédentes avec l’indépendance des Xi .

D’après les deux questions précédentes, on a pour λ > 0, d’une part :

n
!
X √ √
P Xi > na 6 e− nλa E(eλ(X1 +···+Xn ) )
i=1
√
6 e− nλa
E(eλX1 . . . eλXn )
√
− nλa
6e E(eλX1 ) . . . E(eλXn )
√
 2
− nλa λ
6e exp n
2
puisque eλX1 , . . . , eλXn sont indépendantes. D’autre part, on a de même :
n
!
X √ √
P (−Xi ) > na 6 e− nλa E(eλ(−X1 −···−Xn ) )
i=1
√
6 e− nλa
E(e−λX1 . . . e−λXn )
√
6 e− E(e−λX1 ) . . . E(e−λXn )
nλa

√
 2
− nλa λ
6e exp n
2
Ainsi, par sous-additivité de P,
n
! n
! n
!
1 X X X
P √ Xi > a 6 P Xi > a + P (−Xi ) > a
n i=1 i=1 i=1
√ λ2
 
6 2 exp − nλa + n .
2
On cherche alors pour quelle valeur de λ ∈ R+ la fonction
√ λ2
f : λ 7→ − nλa + n
2
admet son minimum. f est dérivable car polynomiale,  et pour λ ∈ R  + , on a
√

0 0 a a
f (λ) = −a n+λn, donc f est positive sur √ , +∞ , négative sur 0, √ .
n n
a2
 
a a
f admet donc un minimum en √ , avec f √ =− .
n n 2
On a donc finalement (l’inégalité étant triviale si a = 0) :
n
!  2
1 X a
P √ Xi > a 6 2 exp − .
n i=1 2
344 Chapitre 15 Variables aléatoires discrètes

Cette inégalité est plus précise que l’inégalité de Bienaymé-Tchebychev,

et ne fait pas intervenir la variance des Xi (qui sont bornés entre −1
et 1 en revanche). Elle exprime le fait que la√ somme √ de ces Xi reste
concentrée (en moyenne) dans l’intervalle [− n a, n a] si a est assez
grand.

Exercice 15.11 : Théorème de Weierstrass

Pour n ∈ N∗ et x ∈ [0, 1], on se donne Xn,x une variable aléatoire suivant la loi
B(n, x). On se donne f : [0, 1] → R une fonction continue, et on note
 
Xn,x
Yn,x = f pour x ∈ [0, 1].
n

1. Montrer qu’il existe Bn (f ) ∈ R[X] tel que ∀x ∈ [0, 1], E(Yn,x ) = Bn (f )(x).
Soit ε > 0.
2. Montrer que
|Bn (f )(x) − f (x)| 6 ε + 2kf k∞ P(|Yn,x − f (x)| > ε)
puis qu’il existe η > 0 tel que
|Bn (f )(x) − f (x)| 6 ε + 2kf k∞ P(|Xn,x − nx| > nη).

3. En déduire que
kf k∞
|Bn (f )(x) − f (x)| 6 ε +
2nη 2
puis que (Bn (f ))n∈N converge uniformément vers f sur [0, 1].

1. Il s’agit d’un simple calcul d’espérance, via le théorème de transfert.

On a, par le théorème de transfert,

   X n  
Xn,x k
Yn,x = E f = f P(Xn,x = k)
n n
k=0
n   
X k n k
= f x (1 − x)n−k = Bn (f )(x)
n k
k=0
où l’on a noté
n   
X k n
Bn (f ) = f X k (1 − X)n−k ,
n k
k=0
qui est bien un polynôme à coefficients réels.
 Probabilités 345

2. Il s’agit de majorer l’espérance de Yn,x − f (x). Cette espérance est une somme
finie dans laquelle on va séparer les termes |y − f (x)| qui sont plus petits que ε (ce
qui donnera le terme en ε) des termes qui sont plus grands que ε (ce qui donnera la
probabilité).

Notons Ω l’univers de travail et A = {y ∈ Yn,x (Ω) ; |y − f (x)| > ε}. On a :

|Bn (f )(x) − f (x)| = |E(Yn,x ) − f (x)| = |E(Yn,x − f (x))|
X
= (y − f (x))P(Yn,x = y)
y∈Yn,x (Ω)
X
6 |y − f (x)|P(Yn,x = y)
y∈Yn,x (Ω)
X X
= |y − f (x)|P(Yn,x = y) + |y − f (x)|P(Yn,x = y)
y∈A y∈A
X X
6 εP(Yn,x = y) + (|y| + |f (x)|)P(Yn,x = y)
y∈A y∈A

6 εP(A) + 2kf k∞ P(A)

6 ε + 2kf k∞ P(|Yn,x − f (x)| > ε)
1
où, si y ∈ Yn,x (Ω), y = f (u) avec u ∈ Xn,x (Ω), donc |y| 6 kf k∞ .
n
Il nous faut ensuite majorer P(|Yn,x − f (x)| > ε) par P(|Xn,x − nx| > nη), où η > 0
est à déterminer.  
Xn,x
La variable Yn,x étant définie par f n , on cherche finalement un η > 0 tel que
 
Xn,x Xn,x
|f n − f (x)| > ε implique n − x > η.
C’est la contraposée de la définition du module d’uniforme continuité.

La fonction f est continue sur [0, 1], donc y est uniformément continue. On a
donc η > 0 tel que pour tout (a, b) ∈ [0, 1]2 , |a − b| < η ⇒ |f (a) − f (b)| < ε,
|f (a) −f (b)| > ε ⇒ |a − b| > η.
ou, par contraposée, 
Xn,x Xn,x
Ainsi l’événement f − f (x) > ε implique − x > η puis
n n
 
Xn,x
P(|Yn,x − f (x)| > ε) 6 P − x > η = P(|Xn,x − nx| > nη).
n
On en déduit aisément l’inégalité voulue.

3. On cherche maintenant à majorer P(|Xn,x − nx| > nη). Comme Xn,x a pour
espérance nx. Il faut donc appliquer l’inégalité de Bienaymé-Tchebychev.
346 Chapitre 15 Variables aléatoires discrètes

Comme Xn,x suit la loi binomiale de paramètre x, E(Xn,x ) = nx. Ainsi, par
l’inégalité de Bienaymé-Tchebychev, comme V(Xn,x ) = nx(1 − x), on a :
V(Xn,x )
P(|Xn,x − nx| > nη) = P(|Xn,x − E(Xn,x )| > nη) 6
(nη)2
nx(1 − x) 1
6 6
n2 η 2 4nη 2
1
puisque la fonction h : [0, 1] → R, x 7→ x(1−x) atteint son maximum en x =
  2
1 1
(sa dérivée ne s’annule qu’en ce point et h(0) = h(1) = 0) avec h = .
2 4
Au final, on a donc
kf k∞
|Bn (f )(x) − f (x)| 6 ε + .
2nη 2

On ne peut pas conclure immédiatement, il faut utiliser la définition de

la limite pour majorer le second terme par ε.

Comme
kf k∞
−→ 0,
2nη 2 n→+∞
kf k∞
on a N ∈ N tel que pour tout n > N , 6 ε.
2nη 2
Ainsi pour tout n > N et tout x ∈ [0, 1], on a |Bn (f )(x) − f (x)| 6 2ε, donc
la suite (Bn (f ))n∈N converge uniformément vers f sur [0, 1].

On peut en déduire le théorème de Weierstrass sur n’importe quel seg-

ment [a, b], en composant avec la fonction g : t 7→ a + t(b − a), qui est
une bijection de [0, 1] sur [a, b], ou sa réciproque.