Probabilités : Chapitre 4 Exercices

Exercices : Variables aléatoires à densité

Exercice 1:
Déterminer si les fonctions suivantes sont des densités de probabilité et si oui déterminer la fonction
de répartition de la VAR associée à cette densité.
( 
0 si t < 0 0 si t < 0
1. g(t) = −2t 2. u(t) = 3 2
4te si t > 0  e−t/2 1 − e−t/2


si t > 0
2

0 si t < 0
3. f (t) = 1 −t On pensera au changement de variable u = e−t .
 e ln(1 + et ) si t > 0
2 ln 2

Exercice 2: 
0 si t ∈]1;
/ 2]
Soit f la fonction définie sur R par : f (t) = a
√ si t ∈]1; 2]
t−1
Déterminer a pour que f soit une densité de probabilité

Exercice 3:
Déterminer si les fonctions suivantes sont les fonctions de répartition d’une variable à densité. Si oui,
en donner une densité.
1

0 si x < 0 2. ∀x ∈ R, F (x) = 1 −
1. F (x) =  x 2 −x
 1 + ex
1 − 1 + e si x > 0
2

Exercice 4: (
0 si x < 0
Soit X une VAR dont la fonction de répartition F est définie par : F (x) = 2
1 − e−x /2 si x > 0
Montrer que X est une variable à densité et déterminer une densité de X.

Exercice 5:
Calculer, si elle existe, l’espérance de la variable X dont une densité est :
( 
0 si t < 0 0 si t < 1
1. g(t) = 2. h(t) = 4 ln t
4te−2t si t > 0  si t > 1
t3

Exercice 6: 
 4 (1 − x)1/3 si 0 6 x 6 1
On considère la fonction f définie par : f (x) = 3
0 sinon
1. Montrer que f est la densité d’une variable aléatoire Y .
2. Déterminer la fonction de répartition F de la variable Y . Construire sa représentation graphique
dans un repère orthonormal.
3. Calculer l’espérance de la variable Y .
4. Calculer la probabilité de l’événement [0, 488 < Y 6 1, 2]

Probabilités : Chapitre 4 Exercices Page 1 Variables aléatoires à densité

 Exercice 7:
Reprendre l’exercice 5 et calculer, si elle existe, la variance de la variable aléatoire associée aux densités
données.

Exercice 8:
Soit X une VAR qui suit une loi uniforme sur [a; b]. Montrer que X admet une variance et la calculer.

Exercice 9:
On suppose que la distance en mètres parcourue par un javelot suit une loi normale. Au cours d’un
entrainement, on constate que :
– 10% des javelots atteignent plus de 75 mètres.
– 25% des javelots parcourent moins de 50 mètres.
Calculer la longueur moyenne parcourue par un javelot ainsi que l’écart-type de cette longueur.
On donne au dos la table de valeurs de la fonction de répartition de la loi N (0, 1).

Exercice 10:
Soit X une variable aléatoire suivant la loi exponentielle E(λ).
√
1. Déterminer la loi de la variable aléatoire Y = X.
2. Déterminer une densité de X 2 .
3. Déterminer une densité de X 3 .

Exercice 11:
Soit X une variable aléatoire à densité dont la fonction de répartition F est strictement croissante.
Déterminer la loi de la variable aléatoire Y = F (X).

Exercice 12:
Soit X une variable aléatoire dont une densité est la fonction f définie sur R par :
(
e−|x| si − ln 2 6 x 6 ln 2
f (x) =
0 sinon

1. Déterminer la fonction de répartition F de X.

2. On pose Y = |X|. Déterminer la fonction de répartition G de Y puis montrer que Y est une variable
à densité et donner une densité de Y .

Exercice 13:
Soit X une VAR admettant une densité f . On suppose que X prends ses valeurs dans R+ . Soit Y = [X]
(partie entière de X)
1. Déterminer la loi de Y .
2. a) Montrer que E(Y ) existe si et seulement si E(X) existe.
b) Montrer que si E(X) existe alors : E(Y ) 6 E(X) 6 E(Y ) + 1.

Probabilités : Chapitre 4 Exercices Page 2 Variables aléatoires à densité

 Exercice 14:
Après enquête, on estime que le temps de passage à une caisse, exprimé en unités de temps, est une
variable aléatoire T dont une densité de probabilité est donnée par la fonction f définie par :
(
xe−x si x > 0
f (x) =
0 si x < 0

1. Rappeler la définition d’une densité de probabilité d’une variable aléatoire X suivant une loi expo-
nentielle de paramètre λ = 1. Donner la valeur de l’espérance et de la variance de X.
2. Utiliser la question précédente pour vérifier que f est bien une densité de probabilité, puis montrer
que T admet une espérance que l’on déterminera.
Quel est le temps moyen de passage en caisse ?
3. a) Démontrer que la fonction de répartition de T , notée FT est définie par :
(
0 si x < 0
FT (x) = −x
1 − (x + 1)e si x > 0

b) Montrer que la probabilité que le temps de passage en caisse soit inférieur à deux unités(de temps)
2e − 3
sachant qu’il est supérieur à une unité est égale à .
2e
4. Un jour donné, trois clients A, B, C se présentent simultanément devant deux caisses libres. Par
courtoisie, C décide de laisser passer A et B et de prendre la place du premier d’entre eux qui aura
terminé. On suppose que les variables TA et TB correspondant au temps de passage en caisse de A
et B sont indépendantes.
a) M désignant le temps d’attente du client C exprimer M en fonction de TA et TB .
b) Montrer que la fonction de répartition de la variable aléatoire M est donnée par :
(
0 si t < 0
P (M 6 t) =
1 − (1 + t)2 e−2t si t > 0

c) Prouver que M est une variable à densité et expliciter une densité de M.

Probabilités : Chapitre 4 Exercices Page 3 Variables aléatoires à densité

Probabilités : Chapitre 4 Exercices Page 4 Variables aléatoires à densité
 Correction
Exercice 1:
1. (i) On remarque tout d’abord que g est bien une fonction positive car 0 > 0 et pour t > 0,
4te−2t > 0.
(ii) La fonction nulle est continue sur ] − ∞; 0[ et par produit de fonctions continues, la fonction
t → 4te−2t est continue sur ]0; +∞[. Donc g est continue sur R∗ .
De plus lim g = 0 = lim+
g = g(0) donc g est en fait continue sur R.
0
− 0
(Dans notre théorème il suffit que la fonction soit continue sauf éventuellement en un nombre
fini de points donc nous ne sommes pas obligés de vérifier la continuité de g en 0.)
Z 0
(iii) Comme g est nulle sur ] − ∞; 0[, l’intégrale g(t) dt est convergente et vaut 0.
−∞
Z +∞
Sur [0; +∞[, g est continue donc l’intégrale g(t) dt ne pose problème qu’en +∞.
0
Soit A > 0, par intégration par parties :
Z A Z A
−2t −2t A
2e−2t dt = −2Ae−2A − e−2A + 1
 
4te dt = −2te 0
+
0 0

Z +∞
−2A −2A
Or lim − 2Ae −e + 1 = 1 donc l’intégrale g(t) dt est convergente et vaut 1.
A→+∞ 0
Z +∞
En conclusion g(t) dt est convergente et vaut 1.
−∞
g est une densité de probabilité.
Z x
Soit X une VAR de densité g. Notons G sa fonction de répartition. Par définition G(x) = g(t) dt.
−∞
Z x
Si x < 0 alors G(x) = 0 dt = 0.
−∞
Z 0 Z x
Si x > 0 alors G(x) = 0 dt + 4te−2t dt = 0 − 2xe−2x − e−2x + 1 = 1 − (2x + 1)e−2x . (Inutile de
−∞ 0
refaire le calcul, il a été fait dans le point (iii).)
(
0 si x < 0
G(x) =
1 − (2x + 1)e−2x si x > 0
2. (i) On remarque tout d’abord que u est bien une fonction positive car 0 > 0 et pour t > 0,
3 −t/2
2
e 1 − e−t/2 > 0.
2
(ii) La fonction nulle est continue sur ] − ∞; 0[ et par produit de fonctions continues, la fonction
3
2
t → e−t/2 1 − e−t/2 est continue sur ]0; +∞[. Donc u est continue sur R∗ .
2
De plus lim u = 0 = lim u = u(0) donc u est en fait continue sur R.
0− 0+
Z 0
(iii) Comme u est nulle sur ] − ∞; 0[, l’intégrale u(t) dt est convergente et vaut 0.
−∞
Z +∞
Sur [0; +∞[, u est continue donc l’intégrale u(t) dt ne pose problème qu’en +∞.
0
Soit A > 0 :
A
3 −t/2
Z

2 A
1 − e−t/2 dt = (1 − e−t/2 )3 0 = (1 − e−A/2 )3

e
0 2

Probabilités : Chapitre 4 Exercices Page 5 Variables aléatoires à densité

 Z +∞
−A/2 3
Or lim (1 − e ) = 1 donc l’intégrale u(t) dt est convergente et vaut 1.
A→+∞ 0
Z +∞
En conclusion u(t) dt est convergente et vaut 1.
−∞
u est une densité de probabilité.
Z x
Soit X une VAR de densité u. Notons U sa fonction de répartition. Par définition U(x) = u(t) dt.
Z x −∞

Si x < 0 alors U(x) = 0 dt = 0.

−∞
Z 0 Z x
3 −t/2
2
Si x > 0 alors U(x) = 0 dt + e 1 − e−t/2 dt = (1 − e−x/2 )3 . (Inutile de refaire le calcul,
−∞ 0 2
il a été fait dans le point (iii).)
(
0 si x < 0
U(x) = −x/2 3
(1 − e ) si x > 0
3. (i) On remarque tout d’abord que f est bien une fonction positive car 0 > 0 et pour t > 0,
1 −t
e ln(1 + et ) > 0.
2 ln 2
(ii) La fonction nulle est continue sur ] − ∞; 0[ et par produit de fonctions continues, la fonction
1 −t
t→ e ln(1 + et ) est continue sur ]0; +∞[. Donc f est continue sur R∗ .
2 ln 2
f est donc continue sur R∗ .
Z 0
(iii) Comme f est nulle sur ] − ∞; 0[, l’intégrale f (t) dt est convergente et vaut 0.
−∞
Z +∞
Sur [0; +∞[, f est continue donc l’intégrale f (t) dt ne pose problème qu’en +∞.
0
Soit A > 0, grâce au changement de variable u = e−t (qui nous donne t = − ln(u) et donc
1
dt = − du) :
u
Z A Z e−A Z e−A 
1 −1 −1
  
1 −t t 1 1+u
e ln(1 + e ) dt = u ln 1 + du = ln du
0 2 ln 2 2 ln 2 1 u u 2 ln 2 1 u
Z e−A
−1
= (ln(1 + u) − ln(u)) du
2 ln 2 1
−1
[(1 + u) ln(1 + u) − (1 + u) − u ln(u) + u]e1
−A
=
2 ln 2
−1
(1 + e−A ) ln(1 + e−A ) − 1 − e−A ln(e−A ) − 2 ln 2 + 1


=
2 ln 2
(1 + e−A ) ln(1 + e−A ) Ae−A
=1− −
2 ln 2 2 ln 2
Z +∞
(1 + e−A ) ln(1 + e−A ) Ae−A
Or lim 1 − − = 1 donc l’intégrale f (t) dt est convergente
A→+∞ 2 ln 2 2 ln 2 0
et vaut 1. Z +∞
En conclusion f (t) dt est convergente et vaut 1.
−∞
f est une densité de probabilité.
Z x
Soit X une VAR de densité f . Notons F sa fonction de répartition. Par définition F (x) = f (t) dt.
Z x −∞

Si x < 0 alors F (x) = 0 dt = 0.

−∞

Probabilités : Chapitre 4 Exercices Page 6 Variables aléatoires à densité

 0 x
1 −t (1 + e−x ) ln(1 + e−x ) xe−x
Z Z
Si x > 0 alors F (x) = 0 dt+ e ln(1 + et ) dt = 1 − − . (Inutile
−∞ 0 2 ln 2 2 ln 2 2 ln 2
de refaire le calcul, il a été fait dans le point (iii).)

0 si x < 0
F (x) = −x −x −x
1 − (1 + e ) ln(1 + e ) − xe si x > 0
2 ln 2 2 ln 2

Exercice 2:
(i) On remarque tout d’abord que pour que f soit bien une fonction positive il faut que a > 0 car 0 > 0
a
et pour t ∈]1; 2], √ > 0 ⇔ a > 0.
t−1
a
(ii) La fonction nulle est continue sur ] − ∞; 1]∪]2; +∞[ et la fonction t → √ est continue sur ]1; 2]
t−1
pour toute valeur de a.
Quelle que soit la valeur de a, f est continue sur R \ {1; 2}.
Z 1 Z +∞
(iii) Comme f est nulle sur ] − ∞; 1]∪]2; +∞[, les intégrales f (t) dt et f (t) dt sont convergentes
−∞ 2
et valent 0. Z 2
Sur ]1; 2], f est continue donc l’intégrale f (t) dt ne pose problème qu’en 1.
1
Soit 1 < A 6 2, :
a 2  √ √
Z
2
√
dt = 2a t − 1 A = 2a − 2a A − 1
A t−1
√
Z 2
Or lim 2a − 2a A − 1 = 2a donc l’intégrale f (t) dt est convergente et vaut 2a.
A→1 1
Z +∞
En conclusion f (t) dt est convergente et vaut 2a.
−∞

1
Pour que f soit une densité de probabilité il faut donc que a = .
2

Exercice 3:
1. (i) La fonction nulle est continue sur ] − ∞; 0[ et par produit de fonctions continues, la fonction
 x 2 −x
x→1− 1+ e est continue sur ]0; +∞[. Donc F est continue sur R∗ .
2
De plus lim F = 0 = lim+
F = F (0) donc F est en fait continue sur R.
0
− 0
(ii) Pour les même raisons que la continuité sur R∗ , F est de classe C 1 su R∗ .
(iii) Sur ] − ∞; 0[, F est constante donc croissante.
 x  −x  x 2 −x x x  −x
Sur ]0; +∞[, F ′ (x) = − 1 + e + 1+ e = 1+ e . Donc pour x > 0,
2 2 2 2
F ′ (x) > 0 et donc F est croissante sur ]0; +∞[.
F est croissante sur ] − ∞; 0[ et sur ]0; +∞[ et comme F est continue sur R, F est croissante
sur R.
 x 2 −x
(iv) lim F (x) = lim 0 = 0 et grâce aux croissances comparées, lim 1+ e = 0 donc
x→−∞ x→−∞ x→+∞ 2
lim F (x) = 1.
x→+∞

F est bien la fonction de répartition d’une variable à densité X.

Probabilités : Chapitre 4 Exercices Page 7 Variables aléatoires à densité

 
0 si x < 0
Une densité de X est par exemple f (x) = x  x  −x .
 1+ e si x > 0
2 2
Il suffit de prendre la dérivée de F pour obtenir une densité.
2. (i) La fonction x → 1 + ex est de classe C ∞ sur R et ne s’annule pas sur R. Donc F est de classe
C ∞ sur R et donc en particulier continue sur R.
(ii) Pour les même raisons que la continuité sur R, F est de classe C 1 su R.
ex
(iii) Pour tout réel x, F ′ (x) = . Donc pour x ∈ R, F ′ (x) > 0 et donc F est croissante sur
(1 + ex )2
R.
1
(iv) lim F (x) = lim 1 − = 1 − 1 = 0 et lim F (x) = 1 − 0 = 1.
x→−∞ x→−∞ 1 + ex x→+∞

F est bien la fonction de répartition d’une variable à densité X.

ex
Une densité de X est par exemple f (x) = .
(1 + ex )2

Exercice 4:
(i) La fonction nulle est continue sur ] − ∞; 0[ et par produit de fonctions continues, la fonction x →
2
1 − e−x /2 est continue sur ]0; +∞[. Donc F est continue sur R∗ .
De plus lim F = 0 = lim
+
F = F (0) donc F est en fait continue sur R.
0
− 0
(ii) La fonction nulle est de classe C 1 sur ] − ∞; 0[ et par produit de fonctions de classe C 1 , la fonction
2
x → 1 − e−x /2 est de classe C 1 sur ]0; +∞[. Donc F est de classe C 1 sur R∗ .
X est donc une variable à densité.
Pour obtenir une densité il suffit de dériver(F là où F est dérivable.
0 si x < 0
Une densité de X est par exemple f (x) = −x2 /2
.
xe si x > 0

Exercice 5:
Z 0
1. Comme t → t g(t) est nulle sur ] − ∞; 0[, l’intégrale t g(t) dt est absolument convergente et vaut
−∞
0. Z +∞
Sur [0; +∞[, t → |t g(t)| est continue donc l’intégrale |t g(t)| dt ne pose problème qu’en +∞.
0
Soit A > 0, par intégration par parties :
Z A Z A Z A Z A
2 −2t 2 −2t A −2t 2 −2A
4te−2t dt
 
|t g(t)| dt = 4t e dt = −2t e 0
+ 4te dt = −2A e +
0 0 0 0
Z A
Dans l’exercice 1 on a calculé : 4te−2t dt = −2Ae−2A − e−2A + 1
0
Z A
Donc t g(t) dt = −2A2 e−2A − 2Ae−2A − e−2A + 1.
0
Z +∞
2 −2A −2A −2A
Or lim −2A e −2Ae −e +1 = 1 donc l’intégrale t g(t) dt est absolument convergente
A→+∞ 0
et vaut 1. Z +∞
En conclusion t g(t) dt est absolument convergente et vaut 1.
−∞

X admet donc une espérance et E(X) = 1.

Probabilités : Chapitre 4 Exercices Page 8 Variables aléatoires à densité

 Z 1
2. Comme t → t h(t) est nulle sur ] − ∞; 1[, l’intégrale t h(t) dt est absolument convergente et vaut
−∞
0. Z +∞
Sur [1; +∞[, t → |t h(t)| est continue donc l’intégrale |t h(t)| dt ne pose problème qu’en +∞.
1
Soit A > 1, par intégration par parties :
A A  A Z A
4 ln(t) 4 ln(t) 4 4 ln(A) 4
Z Z
|t h(t)| dt = 2
dt = − + 2
dt = − − +4
1 1 t t 1 1 t A A
Z +∞
4 ln(A) 4
Or lim − − + 4 = 4 donc l’intégrale t h(t) dt est absolument convergente et vaut
A→+∞ A A 1
4. Z +∞
En conclusion |t h(t)| dt est convergente et vaut 4.
−∞

X admet donc une espérance et E(X) = 4.

Exercice 6:
1. (i) Pour x 6∈ [0; 1] on a f (x) = 0 > 0 et si x ∈ [0; 1], (1 − x) > 0 donc f (x) > 0.
f est bien une fonction à valeurs positives.
(ii) f est bien continue sur ] − ∞; 0[ et sur ]1; +∞[ car f est la fonction nulle sur ces intervalles.
Sur ]0; 1[ f est la composée de fonction continues donc f est continue.
f est donc continue sur R \ {0; 1}.
Z 0 Z +∞
(iii) Les intégrales f (x) dx et f (x) dx sont convergentes car f est nulle sur ces intervalles
−∞ 1
et ces intégrales valent 0.
Z 1
Sur [0; 1] la fonction f est continue donc l’intégrale f (x) dx est convergente. De plus :
0
Z 1 1
f (x) dx = −(1 − x)4/3 0 = 1

0

Z +∞ Z +∞
Donc f (x) dx est convergente et f (x) dx = 1
−∞ −∞
f est bien une densité de probabilité.
Z x
2. Par définition F (x) = f (t) dt.
−∞
Z x
• Si x < 0, F (x) = 0 dt = 0.
−∞
Z 0 Z x Z x
4
• Si 0 6 x 6 1, F (x) = f (t) dt + f (t) dt = (1 − t)1/3 dt = 1 − (1 − x)4/3 .
3
Z 0 −∞ Z 1 0 Z x 0 Z 1
4
• Si x > 1, F (x) = f (t) dt + f (t) dt + f (t) dt = (1 − t)1/3 dt = 1.
−∞ 0 1 0 3

0
 si x < 0
F (x) = 1 − (1 − x) 4/3
si 0 6 x 6 1

1 si x > 1


Probabilités : Chapitre 4 Exercices Page 9 Variables aléatoires à densité

 1.0

0.5

−1 1
Z +∞
3. Pour les mêmes raisons qu’à la question 1, l’intégrale xf (x) dx est absolument convergente donc
−∞
Y admet une espérance et :
Z +∞ Z 1
4
E(Y ) = xf (x) dx = x(1 − x)1/3 dx
−∞ 0 3
Z 1  1
 4/3 1
 4/3 3 7/3 3
= −x(1 − x) 0
+ (1 − x) dx = − (1 − x) =
0 7 0 7

3
E(Y ) =
7
4. P (0, 488 < Y 6 1, 2) = F (1, 2) − F (0, 488) = 1 − 1 + (1 − 0, 488)4/3 = (0, 512)4/3 = 0, 4096

Exercice 7:
1. On a déjà vu que X admet une espérance et que E(X) = 1. Montrons maintenant que X admet un
moment d’ordre 2. Z 0
2
t → t g(t) est nulle sur ] − ∞; 0[, l’intégrale t2 g(t) dt est absolument convergente et vaut 0.
−∞
Z +∞
2 2
Sur [0; +∞[, t → |t g(t)| = t g(t) est continue donc l’intégrale t2 g(t) dt ne pose problème
0
qu’en +∞.
Soit A > 0, par intégration par parties :
Z A Z A A A
3
Z Z
2 3 −2t 3 −2t A 2 −2t 3 −2A
4t2 e−2t dt
 
t g(t) dt = 4t e dt = −2t e 0
+ 6t e dt = −2A e +
0 0 0 2 0

Z A
On a déjà calculé dans l’exercice 5 : 4t2 e−2t dt = −2A2 e−2A − 2Ae−2A − e−2A + 1.
0
Z A
3 3
Donc t2 g(t) dt = −2A3 e−2A − 3A2 e−2A − 3Ae−2A − e−2A + .
0 2 2
3 3 3
Or lim − 2A3 e−2A − 3A2 e−2A − 3Ae−2A − e−2A + = .
A→+∞ 2 2 2
Z +∞
3
Donc t2 g(t) dt converge absolument et E(X 2 ) = .
−∞ 2
3 1
On a donc V (X) = E(X 2 ) − E(X)2 = − 1 =
2 2

Probabilités : Chapitre 4 Exercices Page 10 Variables aléatoires à densité

 2. On a déjà vu que X admet une espérance et que E(X) = 4. Montrons maintenant que X admet un
moment d’ordre 2. Z 1
2
Comme t → t h(t) est nulle sur ] − ∞; 1[, l’intégrale t2 h(t) dt est absolument convergente et
−∞
vaut 0. Z +∞
2 2
Sur [1; +∞[, t → |t h(t)| = t h(t) est continue donc l’intégrale t2 h(t) dt ne pose problème
1
qu’en +∞.
Soit A > 1 :
A A
4 ln(t)
Z Z
2
A
dt = 2(ln(t))2 1 = 2(ln(A))2

t h(t) dt =
1 1 t
Z +∞
Or lim 2(ln(A))2 = +∞ donc l’intégrale t2 h(t) dt est divergente.
A→+∞ 1
X n’admet donc pas de moment d’ordre 2 et donc X n’admet pas de variance.

Exercice 8:
On rappelle qu’une densité d’une variable aléatoire X qui suit une loi uniforme sur [a; b] est :

 1

si x ∈ [a; b]
f (t) = b − a
0 sinon

a+b
On sait déjà que X admet une espérance et que E(X) = .
2
Montrons que X admet un moment d’ordre 2. Z a Z +∞
2
2
t → t f (t) est nulle sur ] − ∞; a[ et sur ]b; +∞[ donc les intégrales t f (t) dt et t2 f (t) dt sont
−∞ b
convergentes et valent 0. Z b
2
De plus t → t f (t) est continue sur [a; b] donc t2 f (t) dt est convergente.
a
X admet donc un moment d’ordre 2 et :
b  3 b
t2 1 t b3 − a3 b2 + ab + a2
Z
2
E(X ) = dt = = =
a b−a b − a 3 a 3(b − a) 3
car b − a = (b − a)(b + ab + a2 ) (division euclidienne).
3 3 2

X admet donc une variance et

b2 + ab + a2 (a + b)2
V (X) = E(X 2 ) − E(X 2 ) = −
3 4
2 2 2 2
4(b + ab + a ) − 3(a + 2ab + b ) a2 − 2ab + b2
= =
12 12
(b − a)2
=
12

Exercice 9:
Notons X la VAR égale à la distance parcourue par le javelot. D’après l’énoncé, X suit une loi normale
de paramètres m et σ.
Le but de cet exercice est de trouver m et σ.
L’énoncé nous dit que :

P (X > 75) = 0, 1 et P (X < 50) = 0, 25

Probabilités : Chapitre 4 Exercices Page 11 Variables aléatoires à densité

 X−m
On sait d’après le cours que lorsque X suit une loi normale de paramètres m et σ alors X ∗ =
σ
suit une loi normale de paramètres 0 et 1.
X −m 75 − m 75 − m
   
Or P (X > 75) = P (X − m > 75 − m) = P > = P X∗ > = 1−
σ σ σ
75 − m
 
Φ .
σ
75 − m 75 − m
   
On a donc 1 − Φ = 0, 1 ⇔ Φ = 0, 9.
σ σ
75 − m
D’après la table de valeurs on a donc ≈ 1, 28.
σ
50 − m
 
De même P (X < 50) = Φ = 0, 25.
σ
Dans la tableon ne trouve
 pas la valeur 0,25 donc  on va utiliser une astuce : Φ(−t) = 1 − Φ(t).
 petite 
50 − m m − 50 m − 50
On a donc Φ = 0, 25 ⇔ 1 − Φ = 0, 25 ⇔ Φ = 0, 75.
σ σ σ
m − 50
On déduit de la table de valeur que ≈ 0, 67.
σ
Il nous faut donc maintenant résoudre le système :
75 − m


 ≈ 1, 28 
75 − m ≈ 1, 28σ

m ≈ 58, 59
σ ⇔ ⇔
m − 50 m − 50 ≈ 0, 67σ σ ≈ 12, 82

 ≈ 0, 67
σ

La longueur moyenne parcourue par le javelot est 58, 69 et l’écart type est 12, 82.

Exercice 10:
On rappelle que la fonction de répartition d’une VAR X qui suit un loi exponentielle de paramètre λ
est donnée par :
(
0 si x < 0
F (x) =
1 − e−λx si x > 0
√
1. Notons G la fonction de répartition de Y . Par définition G(x) = P (Y 6 x) = P ( X 6 x).
√
• Si x < 0, P ( X 6 x) = 0.
√ 2
• Si x > 0, P ( X 6 x) = P (X 6 x2 ) = F (x2 ) = 1 − e−λx
(
0 si x < 0
On a donc G(x) = −λx2
.
1−e si x > 0
On montre facilement que G est continue sur R et de classe C 1 sur R∗ donc G est la fonction de
répartition d’une variable à densité et une densité de Y est par exemple :
(
0 si x < 0
g(x) = 2
2λxe−λx si x > 0

2. On pose Z = X 2 et on note H la fonction de répartition de Z.

Par définition H(x) = P (Z 6 x) = P (X 2 6 x).
• Si x < 0, P (X 2 6 x) = 0.
√ √ √ √ √ √
• Si x > 0, P (X 2 6 x) = P (− x 6 X 6 x) = F ( x) − F (− x) = 1 − e−λ x car F (− x) = 0.
(
0 si x < 0
On a donc H(x) = √
−λ x
.
1−e si x > 0

Probabilités : Chapitre 4 Exercices Page 12 Variables aléatoires à densité

 H est continue sur R et de classe C 1 sur R∗ donc Z est une variable à densité et une densité de Z
est par exemple : 
0 si x 6 0
h(x) = λ √
 √ e−λ x si x > 0
2 x
3. On note T la fonction de répartition de X 3 .
Par définition T (x) = P (X 3 6 x).
• Si x < 0, P (X 3 6 x) = 0.
1/3
• Si x > 0, P (X 3 6 x) = P (X 6 x1/3 ) = F (x1/3 ) = 1 − e−λx .
(
0 si x < 0
On a donc T (x) = −λx1/3
.
1−e si x > 0
T est continue sur R et de classe C 1 sur R∗ donc X 3 est une variable à densité et une densité de X 3
est par exemple : 
0 si x 6 0
t(x) = λ −λx1/3
 e si x > 0
3x2/3

Exercice 11:
F est strictement croissante d’après les hypothèses de l’énoncé et est continue sur R car c’est la fonction
de répartition d’une variable à densité. Donc d’après le théorème de bijection monotone, F réalise une
bijection de R sur ]lim F ; lim F [=]0; 1[.
−∞ +∞
On note G fonction de répartition de la VAR Y = F (X).
Par définition G(x) = P (Y 6 x) = P (F (X) 6 x).
• Si x < 0 alors G(x) = 0 (il est impossible d’avoir F (X) < 0)
• Si x > 1 alors G(x) = 1 car l’événement [F (X) 6 1] est certain.
• Si 0 6 x 6 1 alorsG(x) = P (X 6 F −1 (x)) = F (F −1 (x)) = x.
0 si x < 0

On a donc G(x) = x si 0 6 x 6 1 .

1 si x > 1

On reconnait ici la fonction de répartition d’une VAR qui suit une loi uniforme sur [0; 1].
F (X) suit une loi uniforme sur [0; 1].

Exercice 12: Z x
1. Par définition F (x) = P (X 6 x) = f (t) dt.
Z x −∞

• Si x < − ln 2 alors F (x) = 0 dt = 0.

−∞
• Si − ln 2 6 x < 0 alors
− ln 2 x
1
Z Z
 x
F (x) = 0 dt + e−(−t) dt = et − ln 2 = ex −
−∞ − ln 2 2
• Si 0 6 x 6 ln 2 alors
Z − ln 2 0 x
1 3
Z Z
−(−t)
 0 x
e−t dt = et − ln 2 + −e−t 0 = 1 − − e−x + 1 = − e−x

F (x) = 0 dt + e dt +
−∞ − ln 2 0 2 2
• Si x > ln 2 alors
Z − ln 2 Z 0 Z ln 2 Z x
−(−t) −t
 0 ln 2
0 dt = et − ln 2 + −e−t 0 = 1

F (x) = 0 dt + e dt + e dt +
−∞ − ln 2 0 ln 2

Probabilités : Chapitre 4 Exercices Page 13 Variables aléatoires à densité

 

 0 si x < − ln 2
1


ex −

 si − ln 2 6 x < 0
On a donc F (x) = 3 2

 − e−x si 0 6 x 6 ln 2
2



1

si x > ln 2
2. Par définition G(x) = P (Y 6 x) = P (|X| 6 x).
• Si x < 0 alors G(x) = 0
• Si x > 0 alors P (|X| 6 x) = P (−x 6 X 6 x) = F (x) − F (−x).
3 1
Donc si x > ln 2, G(x) = 1 − 0 = 1 et si 0 6 x 6 ln 2 alors G((x) = − e−x − e−x + = 2(1 − e−x )
 2 2
0
 si x < 0
−x
On a donc G(x) = 2(1 − e ) si 0 6 x 6 ln 2 .

1 si x > ln 2

On montre facilement que G est une fonction continue sur R et de classe C 1 sur R \ {0, ln 2}.
Y est donc bien une variable à densité et une densité de Y est par exemple
(
2e−x si x ∈ [0; ln 2]
g(x) =
0 sinon

Exercice 13:
1. Y (Ω) = N et pour tout k ∈ N :
Z k+1
P (Y = k) = P ([X] = k) = P (k 6 X < k + 1) = f (t) dt
k

2. a) On a ici une équivalence à démontrer donc on va montrer les deux implications.

•⇒:
X Z k+1
Si E(Y ) existe alors k f (t) dt est convergente.
k
Z +∞
On veut montrer que tf (t) dt est convergente car on sait que f est nulle sur ] − ∞; 0[ donc
Z 0 0

tf (t) dt est convergente et vaut 0.

−∞
Z +∞ +∞ Z
X k+1
Or on remarque que s’il y a convergence : tf (t) dt = tf (t) dt. Montrons donc plutôt
0 k=0 k
+∞ Z
X k+1
que tf (t) dt est convergente.
k=0 k
Z k+1 Z k+1
On a ∀t ∈ [k; k + 1], tf (t) 6 (k + 1)f (t) = kf (t) + f (t) donc tf (t) dt 6 k f (t) dt +
Z k+1 k k

f (t) dt.
k
X Z k+1 XZ k+1 Z +∞
On sait que k f (t) dt converge et de plus f (t) dt converge car f (t) dt con-
k k 0
verge et vaut 1.
XZ k+1 Z +∞
Donc tf (t) dt est convergente et ainsi tf (t) dt est convergente.
k 0

Probabilités : Chapitre 4 Exercices Page 14 Variables aléatoires à densité

 X admet donc une espérance.
•⇐:
XZ k+1
Si E(X) existe alors tf (t) dt est convergente.
k
Z k+1 Z k+1 X Z k+1
Or on a k f (t) dt 6 tf (t) dt donc k f (t) dt est convergente et ainsi Y admet
k k k
une espérance.
b) Supposons que E(X) existe (alors E(Y ) existe). On a vu que
Z k+1 Z k+1 Z k+1 Z k+1
k f (t) dt 6 tf (t) dt 6 k f (t) dt + f (t) dt
k k k k
+∞
X Z k+1 +∞ Z
X k+1 +∞ Z
X k+1 +∞ Z
X k+1
⇒ k f (t) dt 6 tf (t) dt 6 k f (t) dt + f (t) dt
k=0 k k=0 k k=0 k k=0 k
⇒E(Y ) 6 E(X) 6 E(Y ) + 1

Exercice 14: ECRICOME 2007

1. Une densité d’une variable aléatoire suivant une loi exponentielle de paramètre 1 est
(
0 si x < 0
g(t) =
e−x si x > 0

De plus on a E(X) = 1 et V (X) = 1.

2. La fonction f est nulle sur ] − ∞; 0[ donc sur cet intervalle c’est une fonction continue et positive.
Sur ]0; +∞[ f est le produit de deux fonction continue sur ce même intervalle donc f est continue
sur ]0; +∞[. De plus sur cet intervalle x est positif et l’exponentielle est toujours positive, donc f est
positive sur cet intervalle.
De plus lim
+
f = lim f = 0 = f (0) donc f est continue en 0.
0 − 0
Ainsi f est une fonction continue et positive sur R.
Z +∞
Il nous reste à étudier la convergence et la valeur de l’intégrale f (x) dx. Or on remarque que
Z +∞ Z +∞ −∞

f (x) dx = xg(x) dx et comme on sait que X admet un espérance on peut affirmer que
−∞ Z +∞ −∞
l’intégrale f (x) dx est convergente et vaut E(X) = 1.
−∞
Donc f est bien une densité de probabilité.
Z +∞ Z +∞
Si E(T ) existe, on a E(T ) = xf (x) dx = x2 g(x) dx. Comme on sait que X admet une
−∞ −∞
variance, on peut donc dire que X admet un moment d’ordre 2 et donc T admet une espérance.
D’après la formule de Kœnig,

E(T ) = E(X 2 ) = V (X) + E(X)2 = 2

Ainsi le temps moyen de passage en caisse est de deux unités de temps.

Z x
3. a) Par définition de la fonction de répartition FT (x) = f (t) dt.
−∞
Z x
• Si x < 0, FT (x) = 0 dt = 0
−∞

Probabilités : Chapitre 4 Exercices Page 15 Variables aléatoires à densité

 Z x Z 0 Z x
• Si x > 0, FT (x) = f (t) dt = 0 dt + te−t dt. Donc
−∞ −∞ 0
Z x Z x
−t
FT (x) = te dt = [−te−t ]x0 + e−t dt = −xe−x − e−x + 1
0 0

On a donc bien (
0 si x < 0
Ft (x) =
1 − (x + 1)e−x si x > 0
b) On veut calculer
P ([T > 1] ∩ [T 6 2])
P[T >1] (T 6 2) =
P (T > 1)
P (1 6 T 6 2) FT (2) − FT (1)
= =
1 − P (T 6 1) 1 − FT (1)
−2 −1
−3e + 2e 2e − 3
= −1
= en multipliant en haut et en bas par e2
2e 2e
4. a) Le client C pourra passer en caisse dès que le plus rapide de A ou B aura fini. Donc le temps
d’attente de C correspond au plus petit temps de passage entre A et B :
M = min(TA , TB )

b) Les temps de passage TA et TB n’étant jamais négatifs, lorsque t ∈] − ∞; 0[, P (M 6 t) = 0.

Si t ∈ R+ , alors
P (M 6 t) = 1 − P (M > t) = 1 − P ([TA > t] ∩ [TB > t])
= 1 − P ([TA > t]) × P ([TB > t]) car les temps de passage des clients sont indépendants
= 1 − (1 − FTA (t))(1 − FTB (t))
= 1 − (t + 1)e−t × (t + 1)e−t
= 1 − (t + 1)2 e−2t
Dons on a bien (
0 si t < 0
P (M 6 t) =
1 − (t + 1)2 e−2t si t > 0
c) Notons H la fonction de répartition de M. (H(t) = P (M 6 t))
Il nous faut montrer que H est une fonction continue sur R et C 1 sur R sauf peut être en un
nombre fini de point pour pouvoir affirmer que M est une variable à densité.
• Sur ] − ∞ : 0[, H est la fonction nulle donc c’est une fonction C 1 .
• Sur ]0; +∞[, les fonction t → (1 + t)2 et t → e−t sont C 1 donc H est de classe C 1 sur cet
intervalle.
• Il nous reste à étudier la continuité en 0. On a lim H = 0 et lim
+
H = 1 − 1 = 0 = H(0) donc
− 0 0
H est bien continue en 0.
Ainsi H est une fonction continue sur R et de classe C 1 sur R∗ .
M est donc bien une variable à densité.
Pour obtenir une densité de M, il faut dériver H et compléter aux points où H n’est pas dérivable.
Une densité de M est donc le fonction suivante :
(
0 si t < 0
h(t) = −2t
2t(1 + t)e si t > 0

Probabilités : Chapitre 4 Exercices Page 16 Variables aléatoires à densité