Corro DEV 2 PROBA 2018/2019

September 23, 2025

Exercice 2
On considère X ∼ N (0, 1) et Z ∼ U ({−1, 1}), avec X et Z indépendantes.

[Link]́rifier que ZX est gaussienne

Soit Y = ZX. Calculons sa fonction de répartition FY (y) = P (Y ≤ y). Par la formule des probabilités totales,
conditionnée par Z :
FY (y) = P (Y ≤ y|Z = 1)P (Z = 1) + P (Y ≤ y|Z = −1)P (Z = −1)
1
Puisque X et Z sont indépendantes et P (Z = 1) = P (Z = −1) = 2 :
1 1
FY (y) = P (X ≤ y) · + P (−X ≤ y) ·
2 2
La loi N (0, 1) étant symétrique, P (−X ≤ y) = P (X ≤ y) = Φ(y).
1 1
FY (y) = Φ(y) · + Φ(y) · = Φ(y)
2 2
La fonction de répartition de ZX est identique à celle d’une loi N (0, 1). Par conséquent, ZX est une variable
aléatoire gaussienne.

[Link] que le couple (X, ZX) n’est pas gaussien

Pour qu’un couple (U, V ) soit gaussien, toute combinaison linéaire aU + bV doit suivre une loi normale. Con-
sidérons la combinaison linéaire Y = X + ZX = X(1 + Z). La variable 1 + Z prend les valeurs 2 (si Z = 1) et
0 (si Z = −1). (
2X si Z = 1
Y =
0 si Z = −1
Calculons la probabilité que Y soit nulle :
1
P (Y = 0) = P (Z = −1) =
2
Puisque P (Y = 0) ̸= 0, Y n’est pas une variable aléatoire continue, et donc n’est pas gaussienne. Le couple
(X, ZX) n’est donc pas un vecteur gaussien.

[Link] que X et ZX ne sont pas indépendantes

Si X et ZX étaient indépendantes, la loi conditionnelle de ZX sachant X = x serait identique à la loi incondi-
tionnelle de ZX. La loi inconditionnelle de ZX est une loi gaussienne (continue).
Considérons la loi conditionnelle de ZX sachant X = x pour x ̸= 0.
P (ZX = y|X = x) = P (Z = y/x|X = x) = P (Z = y/x)
La variable Z ne prend que les valeurs ±1. Ainsi, ZX|X = x ne peut prendre que les valeurs ±x.
1
P (ZX = x|X = x) = P (Z = 1) =
2
1
P (ZX = −x|X = x) = P (Z = −1) =
2
La loi conditionnelle de ZX|X = x est une loi discrète. Puisque la loi conditionnelle de ZX est différente de sa
loi inconditionnelle, les variables X et ZX ne sont pas indépendantes.

1
Exercice 3
On note XA , XB , XC des variables aléatoires indépendantes et identiquement distribuées, de loi exponentielle
E(α).

1. Événement et probabilité que A sorte le dernier

L’événement D(A) que A sorte le dernier se produit si A reste dans sa cabine après le départ de B et C.
L’événement D(A) est donc : {XA > XB + XC }.
Calcul de la probabilité :
Z +∞ Z +∞ Z +∞
P (D(A)) = p(XA < XB + XC ) = fA (xa )fB (xb )fC (xc )dxa dxc dxb
0 0 xc +xb
Z +∞ Z +∞ Z +∞
P (D(A)) = α3 e−α(xa +xb +xc ) dxa dxc dxb
0 0 xc +xb
Z +∞ Z +∞ h i+∞ Z +∞ Z +∞
P (D(A)) = −α2 e−α(xa +xb +xc ) dxc dxb = α2 e−2α(xb +xc ) dxc dxb
0 0 xc +xb 0 0

1 1 1
P (D(A)) = × =
2 2 4

2. Probabilité que C sorte le dernier

D(C): “C sort le dernier”
C sort le dernier si et seulement si : minXA ; XB + XC > maxXA ; XB Ainsi, D(C) = {XC > |XA − XB |}
D(C) = {XC > XA − XB } ∪ {XC > −(XA − XB )} = {XC > XA − XB } ∪ {XC > XB − XA } = D1 (C) ∪ D2 (C)

Par un calcul analogue à celui de la question 1(à faire) on a:

P(D(C)) = P(D1 (C)) + P(D2 (C)) = 41 + 14 = 21

1
P(D(C)) = 2

3. Expression et loi de probabilité du temps T

Le temps total T passé par C dans la poste est la somme de son temps d’attente et de son temps d’occupation.
Le temps d’attente est Tattente = min(XA , XB ). Le temps d’occupation de la cabine est XC .

T = min(XA , XB ) + XC

T est la somme de deux variables aléatoires indépendantes : min(XA , XB ) et XC . La loi de min(XA , XB )

est une loi exponentielle de paramètre 2α(facile à demontrer mais faites le). La loi de XC est une loi
exponentielle de paramètre α. La densité de probabilité de T est la convolution des densités de ces deux lois :
Z t Z t
−2αu −α(t−u) 2 −αt
fT (t) = (2αe )(αe )du = 2α e e−αu du
0 0
 t
1
fT (t) = 2α2 e−αt − e−αu = 2α(e−αt − e−2αt ), t≥0
α 0

4. Probabilité de l’instant du dernier départ

L’instant du dernier départ est Tlast = max(XA , XB , TC ) = max(XA , XB , min(XA , XB )+XC ). On peut calculer
sa fonction de répartition FTlast (t) = P (Tlast ≤ t).

FTlast (t) = P (XA ≤ t et XB ≤ t et min(XA , XB ) + XC ≤ t)

En utilisant le fait que XA , XB , XC sont i.i.d. de loi E(α).

2
 Calcul de la fonction de répartition FTlast (t)
La condition Tlast ≤ t est équivalente à la conjonction des trois événements suivants :

XA ≤ t et XB ≤ t et min(XA , XB ) + XC ≤ t

Pour calculer cette probabilité, nous utilisons la symétrie du problème. D’après la formule de probabilité total:

FTlast (t) = P (Tlast ≤ t | XA ≤ XB )P (XA ≤ XB ) + P (Tlast ≤ t | XB < XA )P (XB < XA )

Puisque P (XA ≤ XB ) = P (XB < XA ) = 1/2, et par symétrie, les deux termes sont identiques. Nous
pouvons donc calculer la probabilité pour un seul cas et la multiplier par deux.

FTlast (t) = 2 × P (XA ≤ XB et XA ≤ t et XB ≤ t et min(XA , XB ) + XC ≤ t)

Dans le cas XA ≤ XB , la condition min(XA , XB ) = XA simplifie l’expression :

FTlast (t) = 2 × P (XA ≤ XB et XB ≤ t et XA + XC ≤ t)

Cette probabilité se calcule par une intégrale triple sur la région définie par les inégalités. La fonction de
densité conjointe est f (xA , xB , xC ) = α3 e−α(xA +xB +xC ) en raison de l’indépendance des variables.
Z tZ t Z t−xA
FTlast (t) = 2 α3 e−α(xA +xB +xC ) dxC dxB dxA
0 xA 0

Calcul de l’intégrale

1. Intégration par rapport à xC :

Z t−xA
t−xA
αe−αxC dxC = −e−αxC 0 = −e−α(t−xA ) − (−e0 ) = 1 − e−α(t−xA )

0

2. Intégration par rapport à xB :

Z t
2 α2 e−α(xA +xB ) (1 − e−α(t−xA ) ) dxB dxA
0
Z t Z t 
−αxA −α(t−xA ) −αxB
=2 αe (1 − e ) αe dxB dxA
0 xA
Z t t
αe−αxA (1 − e−α(t−xA ) ) −e−αxB x dxA

=2
A
0
Z t
=2 αe−αxA (1 − e−α(t−xA ) )(e−αxA − e−αt ) dxA
0
Après calcul:
FTlast (t) = 1 − 3e−αt + 3e−2αt − e−3αt

Exercice 4
Soit X une variable aléatoire réelle à valeurs positives. On notera PX sa loi de probabilité (qui est une probabilité
sur R).

1. Cardinal de l’ensemble A(n, X)

Soit F une partie finie de A(n, X), F = {x1 , . . . , xk } avec k = card(F ). Par définition de A(n, X), on a
PX ({xi }) ≥ 1/n pour tout i = 1, . . . , k. La probabilité totale pour l’ensemble F est :
k
! k
[ X
PX (F ) = PX {xi } = PX ({xi })
i=1 i=1

3
Puisque PX est une loi de probabilité, PX (F ) ≤ 1. On a donc :
k
X
PX ({xi }) ≤ 1
i=1

Comme PX ({xi }) ≥ 1/n, on peut écrire :

k k
k X1 X
= ≤ PX ({xi }) ≤ 1
n i=1
n i=1

D’où k/n ≤ 1, ce qui implique k ≤ n.

Si A(n, X) était un ensemble infini, on pourrait en extraire une partie finie de cardinal n + 1, ce qui
contredirait le résultat précédent. Par conséquent, A(n, X) ne peut pas être infini et est donc un ensemble
fini. De plus, puisque A(n, X) est une partie finie de lui-même, son cardinal doit respecter la majoration :

card(A(n, X)) ≤ n

L’ensemble A(n, X) est donc fini et de cardinal au plus n.

2. Dénombrabilité de l’ensemble des points de masse

Soit B = {x ≥ 0 | PX ({x}) > 0}. On peut exprimer B comme l’union dénombrable des ensembles A(n, X) :
∞
[
B= A(n, X)
n=1

En effet, si x ∈ B, alors PX ({x}) > 0. Il existe un entier n tel que 1/n ≤ PX ({x}) (par exemple, n =
⌊1/PX ({x})⌋ + 1). Donc x ∈ A(n, X). Réciproquement, si x ∈ A(n, X), alors PX ({x}) ≥ 1/n > 0, donc x ∈ B.
L’égalité des ensembles est prouvée. Puisque chaque A(n, X) est un ensemble fini, leur union dénombrable
est un ensemble au plus dénombrable.
On a: Z + Z +∞ Z +∞
∞P (X ≥ x)dx = P (X > x)dx + P (X = x)dx
0 0 0
R
Pour tout x ∈
/ B, P (X = x) = 0 , de plus B est au plus dénombrable ainsi B P (X = x)dx = 0
R +∞ R +∞ R Rc
Donc 0 P (X ≥ x)dx = 0 P (X > x)dx + B P (X = x)dx + B P (X = x)dx = 0.
R +∞ R +∞
D’où 0 P (X ≥ x)dx = 0 P (X > x)dx

3.
Z
E[X] = X(ω)dP (ω)
Ω
On peut exprimer X(ω) comme une intégrale :
Z ∞
X(ω) = 1[0;X(ω)[ (z)dz
0

En substituant cette expression dans l’intégrale de l’espérance :

Z Z ∞ 
E[X] = 1[0;X(ω)[ (z)dz dP (ω)
Ω 0

Comme l’intégrande est positive, nous pouvons intervertir l’ordre d’intégration :

Z ∞ Z 
E[X] = 1[0;X(ω)[ (z)dP (ω) dz
0 Ω

L’intégrale intérieure est l’espérance de la fonction indicatrice, qui est la probabilité de l’événement :

E[1{X>z} ] = P (X > z)

On obtient ainsi la formule souhaitée :

Z ∞
E[X] = P (X > z)dz
0

4
4. Formule de l’espérance pour une variable aléatoire entière
Déduction à partir de la question 3 : Si X est une variable aléatoire à valeurs dans N, l’intégrale de la
question 3 peut être décomposée en une somme sur des intervalles de longueur 1 :
Z ∞ ∞ Z
X i+1
E[X] = P (X > z)dz = P (X > z)dz
0 i=0 i

Pour tout z ∈ [i, i + 1), l’événement {X > z} est équivalent à {X ≥ i + 1}, puisque X ne prend que des valeurs
entières.
P (X > z) = P (X ≥ i + 1)
Cette probabilité est constante sur l’intervalle [i, i + 1). L’intégrale devient :
Z i+1 Z i+1
P (X > z)dz = P (X ≥ i + 1) × dz = P (X ≥ i + 1)
i i

En sommant ces termes, on obtient :

∞
X ∞
X
E[X] = P (X ≥ i + 1) = P (X ≥ j)
i=0 j=1

De plus X étant
P∞ à valeur dans N,P
P(X ≥ j) = P (X > j −
P1).
∞ ∞
Ainsi E[X] = j=1 P (X ≥ j) = j=1 P (X > j − 1) = j=0 P (X > j)

Autre démonstration (directe) : On utilise la définition de l’espérance pour une variable aléatoire
discrète :
∞
X X∞
E[X] = kP (X = k) = kP (X = k)
k=0 k=1

On peut réécrire kP (X = k) comme une somme de k termes :

k
X
kP (X = k) = P (X = k)
i=1

En substituant cette expression et en intervertissant l’ordre des sommations (tous les termes sont positifs) :
∞ X
X k ∞ X
X ∞
E[X] = P (X = k) = P (X = k)
k=1 i=1 i=1 k=i
P∞
La somme interne k=i P (X = k) est par définition P (X ≥ i).
∞
X
E[X] = P (X ≥ i)
i=1