Contrôle de Probabilités – MDI 104

Appareils électroniques interdits

Document autorisé : 1 feuille A4
Novembre 2023

I Vecteur aléatoire
Soit (X, Y ) un vecteur aléatoire réel de densité :

∀x, y ∈ R, fX,Y (x, y) = (x + y)1[0,1]2 (x, y)

par rapport à la mesure de Lebesgue sur R2 .

I.1– Vérifier que cette fonction définit bien une densité.

I.2– Calculer les lois des variables X et Y .

Ces variables sont-elles indépendantes ?

I.3– Justifier le fait que P(X = Y ) = 0.

I.4– Calculer P(X ≤ Y ).

I.5– Calculer la loi de X sachant X ≤ Y .

I.6– Calculer la densité du vecteur (X, X + Y ).

I.7– En déduire la loi conditionnelle de X sachant X + Y = 21 .

II Données censurées
On donne les lois suivantes :

Loi exponentielle. Pour tout réel λ > 0, une loi exponentielle de paramètre λ est une
loi de densité :
f (z) = λe−λz 1]0,+∞[ (z).

1
 Loi inverse-gamma. Pour tous réels a > 0, λ > 0, une loi inverse-gamma de para-
mètres a, λ est une loi de densité :
λa 1 − λ
f (z) = e z 1]0,+∞[ (z),
Γ(a) z a+1
avec Z +∞
Γ(a) = ta−1 e−t dt.
0

On rappelle que Γ(a + 1) = aΓ(a) pour tout a > 0.

II.8– (Question préliminaire) Montrer qu’une variable aléatoire Z suivant une loi inverse-gamma
de paramètres a, λ a pour espérance :
 λ
a−1 si a > 1,
E(Z) =
+∞ sinon.

Un journal souhaite estimer le temps moyen pendant lequel un client reste abonné. Pour tout
abonné i, on note Xi la durée (en unités de temps) entre l’instant si de souscription de l’abonnement
et la résiliation. A l’instant s, le journal collecte l’historique de ses abonnés. Parmi les n clients
ayant souscrit, certains ont résilié leur abonnement, d’autres ont encore un abonnement en cours.
On définit pour tout client i = 1, . . . , n :
Yi = min(Xi , τi ),
avec τi = s − si .
Soit T une variable aléatoire réelle positive, appellée « temps de rétention ». On suppose que
pour tout t > 0, conditionnellement à T = t, les variables aléatoires X1 , . . . , Xn sont indépendantes,
de même loi exponentielle de paramètre 1/t.
II.9– Justifier le fait que la loi conditionnelle du vecteur X = (X1 , . . . , Xn ) sachant T = t a pour
densité :
n
Y 1 − xi
∀x ∈ Rn , fX|T =t (x) = e t 1R+ (xi ).
i=1
t

II.10– Justifier le fait que E(X1 |T = t) = . . . = E(Xn |T = t) = t pour tout t > 0.

II.11– Les variables aléatoires X1 , . . . , Xn sont-elles toutes observables par le journal ?

Même question pour les variables aléatoires Y1 , . . . , Yn .

II.12– Calculer P(Y1 = τ1 |T = t) en fonction de t et τ1 , avec t > 0.

II.13– Calculer P(Y1 ≤ u|T = t) pour tout u ∈ R, en fonction de t et τ1 , avec t > 0.

II.14– Montrer que la loi conditionnelle de Y1 sachant T = t a pour densité :

1 −u τ1
∀u ∈ R, fY1 |T =t (u) = e t 1[0,τ1 [ (u) + e− t 1{τ1 } (u)
t

2
 par rapport à une certaine mesure de référence ν1 que l’on précisera.

II.15– Pour tout vecteur y = (y1 , . . . , yn ), on note

D(y) = card{i = 1, . . . , n : yi < τi }

Xn
S(y) = yi .
i=1

Montrer que, conditionnellement à T = t, la loi du vecteur Y = (Y1 , . . . , Yn ) a pour densité :

 n
Y
−D(y) S(y)
fY |T =t (y) = t exp − 1[0,τi ] (yi )
t i=1

par rapport à une certaine mesure de référence ν que l’on précisera.

1
Dans toute la suite, on suppose que T suit une loi exponentielle de paramètre α > 0.

II.16– Montrer que le temps de rétention T suit une loi inverse-gamma, dont on déterminera les
paramètres.

II.17– Soit y ∈ [0, τ1 ] × · · · × [0, τn ]. Montrer que la loi conditionnelle de T sachant Y = y est une loi
inverse-gamma, dont on déterminera les paramètres.

II.18– En déduire l’espérance conditionnelle de T sachant Y = y.

II.19– On suppose dans cette question que α = 5 et que l’unité de temps est le mois. En vous
appuyant sur les informations fournies dans la Table 1, donner une estimation du temps de
rétention moyen des abonnés.

Nom Souscription Résiliation

Alice 01/01/2023 01/06/2023
Bob 01/03/2023 01/07/2023
Carlos 01/05/2023 Abonnement en cours
Daniel 01/06/2023 Abonnement en cours
Emilie 01/09/2023 01/10/2023

Table 1 – Données du journal au 01/10/2023 (le journal n’a que cinq abonnés).

III Moyenne géométrique limite

Soit U1 , U2 , . . . une suite de variables aléatoires i.i.d. de même loi uniforme sur ]0, 1[.
III.20– Déterminer la loi de la variable aléatoire − ln U1 .

3
 √
III.21– Démontrer que n
U1 U2 · · · Un converge presque sûrement quand n → +∞ vers une quantité
à calculer.

√ √
III.22– Déterminer une constante réelle c telle que (c n U1 U2 · · · Un ) n converge en loi quand n → +∞
vers une certaine variable aléatoire Z.

III.23– Déterminer la densité de Z.

IV Test de Fisher
On donne les lois suivantes :

Loi du chi-deux. Pour tout entier p ≥ 1, la loi du chi-deux à p degrés de libertés,

notée χ2 (p), est la loi suivie par la somme des carrés de p variables aléatoires i.i.d. de loi
normale centrée réduite, soit Z12 + · · · + Zp2 , avec Z1 , . . . , Zp ∼ N (0, 1) indépendantes.

Loi de Fisher. Pour tous entiers p, q ≥ 1, la loi de Fisher à p, q degrés de libertés, notée
F (p, q), est la loi du rapport
X/p
Y /q
où X ∼ χ2 (p), Y ∼ χ2 (q) et X, Y indépendantes.

Soit E un sous-espace vectoriel de dimension d de Rn , avec 1 ≤ d < n. Soit P la matrice de

la projection orthogonale sur E, qui est une matrice n × n telle que P = P T = P 2 . Soit U un
vecteur gaussien sur Rn , d’espérance nulle, et de matrice de covariance I (matrice identité). On
note X = P U et Y = (I − P )U .
 
X
IV.24– Donner la loi du vecteur .
Y

IV.25– Justifier le fait que les vecteurs aléatoires X et Y sont indépendants.

IV.26– Soit {e1 , . . . , ed } une base orthonormale de E, et soit {ed+1 , . . . , en } une base orthonormale
de l’espace supplémentaire E ⊥ . On note Vi = ⟨U, ei ⟩. Justifier que :
d
X n
X
2
∥X∥ = Vi2 2
et ∥Y ∥ = Vi2 .
i=1 i=d+1

c∥X∥2
IV.27– Montrer que, pour une certaine constance c à déterminer, le rapport ∥Y ∥2 suit une loi de
Fisher F (p, q), dont on précisera les deux paramètres (p, q).

IV.28– On souhaite détecter la présence d’un drône dans l’espace aérien. Les mesures réalisées
par les antennes du système d’observation sont représentées par des variables aléatoires

4
 i.i.d. U1 , . . . , Un de loi N (m, σ 2 ), où m et σ 2 > 0 sont des paramètres inconnus. On a m ̸= 0
si un drône est présent, et m = 0 si les antennes ne mesurent que du bruit. On pose
n
1X
Ū = Ui .
n i=1

Caractériser la loi de Ū .

IV.29– Soit P = J/n où J est la matrice n × n constituée de 1. On pose X = P U et Y = (I − P )U ,

avec U = (U1 , . . . , Un )T . Exprimer ∥X∥2 et ∥Y ∥2 en fonction de Ū et V , avec :
n
1 X
V = (Ui − Ū )2
n − 1 i=1

IV.30– Lorsque m = 0, caractériser la loi de la variable aléatoire T définie par :

Ū 2
T = .
V

IV.31– Application : On dispose de 6 antennes. On observe la valeur T = 16. En s’appuyant sur

la Figure 1, peut-on conclure qu’un drone est probablement présent ? Qu’aucun drone n’est
probablement présent ? Ou bien ne peut-on rien conclure ?

1.0

0.8

0.6

0.4

0.2

0.0
0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5 20.0

Figure 1 – Fonction de répartition d’une loi de Fisher de paramètres (1, 5)