ECE2 Exercices Cité scolaire Gambetta-Carnot

VAR À DENSITÉ

1 Densité de probabilité - Fonction de répartition - Moments

Méthode 1.1 :

Démontrer qu’une fonction f est une densité de probabilité :

On démontre successivement que :
1. f est positive sur R
2. f est continue sur R sauf éventuellement en un nombre fini de points.
Z +∞
3. f (t )d t converge et vaut 1.
−∞

Méthode 1.2 :

Déterminer la fonction de répartition d’une variable X dont f est une densité de probabilité :
Z x
On calcule F (x ) = f (t )dt en procédant par disjonction de cas suivant les valeurs de x si f est définie
−∞
par morceaux, et en utilisant la relation de Chasles.

Méthode 1.3 :

Z +∞
∗
Soit r ∈ N . Si l’intégrale x r f (x ) d x est absolument convergente alors on dit que X admet un mo-
−∞
ment d’ordre r , notée m r (X ) et on a
Z +∞
r
m r (X ) = E (X ) = x r f (x ) d x
−∞

Le moment d’ordre 1 de X est tout simplement l’espérance de X .

Exercice 1
Soit f la fonction définie sur R par


0 si x ≤ 0
 1
f (x ) = p si 0 < x ≤ 1

 2 x
0 si x > 1

1. Représenter graphiquement f .
2. Justifier que f est une densité de probabilité.
3. Déterminer et représenter graphiquement sa fonction de répartition.
4. X admet-elle une espérance ? Si oui, la calculer.

Exercice 2 0 si x < 1
Soit X une var dont une densité est définie par f (x ) = 2
 six ≥ 1
x3
1. Calculer P (X > 20).
2. Donner la fonction de répartition de X .

1
ECE2 Exercices Cité scolaire Gambetta-Carnot

3. X admet-elle une espérance ? une variance ?

Exercice 3 (Eml 2013) ¨

−t ln(t ) si 0 < t ≤ 1
On considère l’application g : [0; 1] −→ R définie, pour tout t ∈ [0; 1], par : g (t ) =
0 si t = 0
¨
−t ln t + t 1/3 si 0 < t < 1
On considère l’application f : R −→ R définie, pour tout t ∈ R par : f (t ) =
0 sinon
1. Montrer que g est continue sur [0; 1].
Z 1
2. A l’aide d’une intégration par parties, calculer, pour tout x ∈]0; 1[, l’intégrale g (t )dt .
x
Z 1 Z 1
1
3. En déduire que l’intégrale g (t )dt converge et que : g (t )dt = .
0 0
4
4. Montrer que f est continue sur ] − ∞; 1[ et sur ]1; +∞[.
Est-ce que f est continue en 1 ?
Z +∞ Z +∞
5. Etablir que l’intégrale f (t )dt converge et que f (t )dt = 1.
−∞ −∞
6. Montrer que f est une densité.
7. On admet qu’il existe une variable aléatoire X ayant f pour densité et on note F la fonction de répartition
de X .
Z1
(a) Calculer, pour tout x ∈]0; 1[, l’intégrale f (t )dt .
x
(b) Calculer F (x ) pour tout x ∈ R.
(c) Tracer l’allure de la courbe représentative de F .

Exercice 4 (Ecricome 2009)

Le nombre d’appels reçus par le standard d’une société de taxis pendant une période de durée t suit une loi
de Poisson Yt de paramètre λt , λ étant une constante strictement positive. Une origine de temps étant choisie,
on note T la variable aléatoire réelle représentant le temps d’attente du premier appel vers ce standard. Par
convention P (T ≤ t ) = 0 pour t < 0.
1. Pour tout entier naturel k , rappeler la valeur de la probabilité de l’événement [Y t = k ] , ainsi que l’espé-
rance et la variance de Yt .
2. Que peut-on dire des événements [Yt = 0]] et [T > t ] pour t > 0. En déduire la probabilité des événements
[T > t ] et [T ≤ t ]] pour t > 0.
3. Expliciter la fonction de répartition FT de T . Reconnaître la loi de T et donner son espérance et sa variance.
4. La durée, exprimée en heures, du transport
¨ d’un client par la société est une variable aléatoire U à densité
g (t ) = t e −t si t ≥ 0
dont une densité est donnée par :
g (t ) = 0 si t < 0

(a) Vérifier que g est bien une densité de probabilité.

(b) Rappeler une densité, l’espérance , la variance d’une variable suivant une loi exponentielle de para-
mètre 1.
(c) En déduire que U admet une espérance que l’on déterminera. Que représente cette espérance ?

Exercice 5
Soit λ un réel. Soit X une var dont une densité est définie par ∀t ∈ R, f (t ) = λe −|t |
1. Déterminer λ.
2. Donner la fonction de répartion de X .

2
ECE2 Exercices Cité scolaire Gambetta-Carnot

Z +∞
3. On pose ∀n ∈ N, In = x n e −x d x .
0
Justifier la convergence de l’intégrale et montrer que ∀n > 0, In = (n)!
4. En déduire E (X n ).
5. Calculer V (X ).

Méthode 1.4 :

Démontrer qu’une variable dont on a trouvé la fonction de répartition F est à densité :

On démontre successivement que :
1. F est continue sur R
2. F est de classe C 1 sur R sauf éventuellement en un nombre fini de points.
Ensuite on demande souvent d’en donner une densité : c’est la dérivée de la fonction de répartition là où
elle est dérivable ; et on attribue une valeur arbitraire ailleurs.

Exercice 6 (EML2011)
On note U une variable aléatoire suivant la loi géométrique de paramètre p.
On considère une variable aléatoire T telle que : ∀n ∈ N∗ , ∀t ∈ [0; +∞[ , P(U =n ) (T > t ) = e −n t .
1. Rappeler la loi de U , son espérance et sa variance.
p e −t
2. (a) Montrer : ∀t ∈ [0; +∞[ , P (T > t ) = .
1 − q e −t
(b) Déterminer la fonction de répartition de la variable aléatoire T .
(c) En déduire que T est une variable aléatoire à densité et en déterminer une densité.
3. On note Z = U T.

(a) Montrer : ∀n ∈ N∗ , ∀z ∈ [0; +∞[ , P(U =n ) (Z > z ) = e −z .

(b) En déduire que la variable aléatoire Z suit une loi exponentielle dont on précisera le paramètre.
(c) Montrer : ∀n ∈ N∗ , ∀z ∈ [0; +∞[ , P (U = n , Z > z ) = P (U = n) P (Z > z ) .

2 Variable fonction d’une variable aléatoire

3
ECE2 Exercices Cité scolaire Gambetta-Carnot

Méthode 2.1 :

Lorsqu’on demande la densité d’une variable aléatoire Y = g (X ) avec X à densité, il faut passer par la
recherche de la fonction de répartition de Y , déterminée à partir de celle de X connue.
Par contre si on cherche à déterminer uniquement l’espérance et/ou la variance de Y sans chercher sa
loi, on utilisera le théorème de transfert.
Il faut connaître ces situations particulières :
1. Pour Y = e X :
∀y ∈ R, P (Y ≤ y ) = P (e X ≤ y )
il faut isoler X dans l’inégalité afin de faire intervenir FX , fonction de répartition de X connue
or si y ≤ 0 l’évènement (e X ≤ y ) est impossible alors FY (y ) = 0.
Si y > 0 alors on peut écrire P (e X ≤ y ) = P (X ≤ ln y ) = FX (ln y ) où FX est la fonction de répartition
de X ; et on remplace...
2. Pour Z = X 2 :
∀z ∈ R, P (Z ≤ z ) = P (X 2 ≤ z )
il faut isoler X dans l’inégalité afin de faire intervenir FX
or si z < 0 l’évènement (X 2 ≤ z ) est impossible alors FZ (z ) = 0.
p p p p
Si z > 0 alors on peut écrire P (X 2 ≤ z ) = P (− z ≤ X ≤ z ) = FX ( z ) − FX (− z ) = ...

Exercice 7 (Classiques)
1. X est une variable aléatoire réelle suivant une loi uniforme sur ]0; 1].
(a) Donner la fonction de répartition associée FX .
(b) On pose Y = − ln X . Déterminer la fonction de répartition de Y .
(c) En déduire que Y est une variable à densité et en donner une densité.
2. X est une variable aléatoire réelle suivant une loi uniforme sur [0; 1[. Soit λ > 0.
(a) Donner la fonction de répartition associée FX .
1
(b) On pose Y = − ln(1 − X ) . Déterminer la fonction de répartition de Y .
λ
(c) En déduire que Y est une variable à densité et en donner une densité.
3. X est une variable aléatoire réelle suivant une loi exponentielle de paramètre λ.
(a) Donner la fonction de répartition associée FX .
(b) On pose Y = e X . Déterminer la fonction de répartition de Y .
(c) En déduire que Y est une variable à densité et en donner une densité.

Exercice 8
X est une variable aléatoire réelle suivant une loi exponentielle de paramètre 1.
1. Rappeler son espérance , sa variance, sa fonction de répartition.
2. On pose Y = −X + 2. Déterminer la fonction de répartition de Y .
3. En déduire que Y est une variable à densité et en donner une densité.

Exercice 9 (Loi de Laplace)

On dit qu’une variable aléatoire réelle X suit une loi de Laplace si sa densité f vérifie ∀t ∈ R, f (t ) = k e −|t |.
1. Déterminer la valeur de la constante k .
2. Calculer la fonction de répartition associée FX .
3. On pose Y = X 2 . Déterminer la fonction de répartition de Y .
4. En déduire que Y est une variable à densité et en donner une densité.

4
ECE2 Exercices Cité scolaire Gambetta-Carnot

Exercice 10 (Loi de Rayleigh)

t2
vérifieSoit f la fonction définie par : ∀t ∈ [0; +∞[, f (t ) = t e − 2 et ∀t < 0, f (t ) = 0.
1. Vérifier que f est bien une densité. On dit qu’une variable aléatoire réelle X suit une loi de Rayleigh si sa
densité est f .
2. Calculer la fonction de répartition associée FX .
3. On pose Y = X 2 . Déterminer la fonction de répartition de Y .
4. En déduire que Y est une variable à densité et en donner une densité.
( a
Exercice 11 (Loi de Pareto) si t ≥ 1
Soit f la fonction définie sur R par f (t ) = t a +1 où a est un réel strictement positif.
0 sinon
1. Montrer que f est une densité de probabilité d’une variable X .
2. Déterminer la fonction de répartition de X .
3. X a-t-elle une espérance ? Si oui, la calculer.
4. X a-t-elle une variance ? Si oui, la calculer.
5. On pose Y = ⌊X ⌋. Déterminer la loi de Y .

Exercice 12 (Edhec 2008) Z +∞

1
1. Montrer que l’intégrale d x est convergente et donner sa valeur
0 (1 + x )2
1
2. On considère la fonction f définie par : ∀x ∈ R, f (x ) = .
2 (1 + |x |)2
(a) Montrer que f est paire.
(b) Montrer que f peut être considérée comme une fonction densité de probabilité.

Dans la suite, on considère une variable aléatoire X , définie sur un espace probabilisé (Ω, A , P) admettant f
comme densité.
On note F la fonction de répartition de X .
3. On pose Y = ln (1 + |X |) et on admet que Y est une variable aléatoire à densité, elle aussi définie sur l’espace
probabilisé (Ω, A , P)

(a) Déterminer Y (Ω)

(b) Exprimer la fonction de répartition G de Y à l’aide de F.
(c) En déduire que Y admet pour densité la fonction g définie par :



 2e x f e x − 1 si x ≥ 0

g (x ) =

 0 si x < 0

(d) Montrer enfin que Y suit une loi exponentielle dont on déterminera le paramètre.

5
ECE2 Exercices Cité scolaire Gambetta-Carnot

Méthode 2.2 :

Déterminer la loi de Y = ma x (X 1 , . . ., X n ) où X 1 , . . ., X n sont indépendantes et de même loi :

1. On écrit P (Y ≤ x ) = P ((X 1 ≤ x ) ∩ · · · ∩ (X n ≤ x ))
2. On utilise l’indépendance et la même loi pour aboutir à FY (x ) = Fx (x )n
3. On applique le point précédent, c’est à dire montrer que la fonction obtenue est continue sur R et
C 1 sauf éventuellement en un nombre fini de points.
4. On dérive si on veut donner une densité.
Déterminer la loi de Y = mi n(X 1 , . . ., X n ) où X 1 , . . ., X n sont indépendantes et de même loi :
1. On écrit P (Y ≥ x ) = P ((X 1 ≥ x ) ∩ · · · ∩ (X n ≥ x ))
2. On utilise l’indépendance et la même loi pour aboutir à FY (x ) = 1 − (1 − Fx (x ))n
3. On applique le point précédent, c’est à dire montrer que la fonction obtenue est continue sur R et
C 1 sauf éventuellement en un nombre fini de points.
4. On dérive si on veut donner une densité.

Exercice 13 (Min de 2 var indépendantes)

Soient X et Y deux var à densité indépendantes de même loi uniforme sur [0; 1].
On pose I = min(X , Y ). On admet que I est une variable aléatoire à densité, et on rappelle que, pour tout
réel x , on a P (I > x ) = P ((X > x ) ∩ (Y > x )). On note FI la fonction de répartition de I .
1. Expliciter FI (x ) pour tout réel x .
2. En déduire une densité de I .
3. Calculer l’espérance et la variance de I .

Exercice 14 (Min et Max de var indépendantes)

On considère une suite de variables aléatoires réelles (X n )n ∈N∗ , mutuellement indépendantes, de même loi ex-
ponentielle de paramètre 1. On pose, pour tout n de N∗ : Tn = max(X 1 , . . ., X n ) et Un = min(X 1 , . . ., X n ).
1. Donner la fonction de répartition de X n .
2. Déterminer, pour tout n de N∗ , la fonction de répartition de Tn .
3. En déduire une densité de Tn .
4. Déterminer, pour tout n de N∗ , la fonction de répartition de Un .
5. En déduire une densité de Un .

Exercice 15 (Eml 2016)

e −t
On considère l’application f : R → R définie, pour tout t de R, par : f (t ) = .
(1 + e −t )2
1. Vérifier que la fonction f est paire.
2. Montrer que f est une densité d’une variable aléatoire réelle X .
3. Déterminer la fonction de répartition de X .
Z +∞
4. (a) Montrer que l’intégrale t f (t )dt converge.
0
(b) En utilisant l’imparité de la fonction R → R, t 7→ t f (t ), montrer que X admet une espérance et que
l’on a : E(X ) = 0.
5. On considère l’application ϕ : R → R définie, pour tout x de R, par : ϕ(x ) = ln(1 + e x ).
(a) Montrer que ϕ est une bijection de R sur un intervalle I à préciser.
(b) Exprimer, pour tout y de I , ϕ −1 (y ).
(c) On considère la variable aléatoire réelle Y définie par : Y = ϕ(X ).
Justifier : P(Y ¶ 0) = 0.

6
ECE2 Exercices Cité scolaire Gambetta-Carnot

(d) Déterminer la fonction de répartition de Y .

(e) Reconnaître alors la loi de Y et donner, sans calcul, son espérance et sa variance.
6. On considère une suite de variables aléatoires réelles (X n )n ∈N∗ , mutuellement indépendantes, de même
densité f , où f a été définie dans la partie I.
On pose, pour tout n de N∗ : Tn = max(X 1 , . . ., X n ) et Un = Tn − ln(n).
(a) Déterminer, pour tout n de N∗ , la fonction de répartition de Tn .
 −n
∗ e −x
(b) En déduire : ∀n ∈ N , ∀x ∈ R, P(Un ¶ x ) = 1 + .
n

3 Loi normale
Exercice 16 (Calcul)
Soit X une var suivant une loi N (1; 2). Calculer :
1) P (X < 1) 2) P (|X − 1| < 2) 3) P(X <1) (0 < X )

Exercice 17 (Utilisation de la table)

Soit X une variable aléatoire suivant une loi N (m, σ2 ).
Calculer l’espérance et la variance de X sachant que P (X ≤ 2) = 0.5793 et P (X > 5) = 0.2119.

Exercice 18 (Var fonction de var-transfert)

Soit X une var suivant une loi N (0; 1).
1. On pose Y = |X |. Montrer que Y est une variable aléatoire à densité, puis donner une densité de Y .
2. Montrer que Y admet une espérance et une variance et en donner la valeur.
3. On pose Z = e X .
Montrer que Z est une variable aléatoire à densité, puis donner une densité de Y .

Méthode 3.1 :

A partir des résultats sur la loi exponentielle on peut déterminer des intégrales sans les calculer grâce à la
connaissance de l’espérance et de la variance notamment :
Soit X une variable aléatoire
¨ suivant une loi exponentielle de paramètre λ. Le cours donne l’expression
0 si t < 0
d’une densité f (t ) = −λt
λe si t ¾ 0
1 1
ainsi que l’espérance E (X ) = et la variance V (X ) =
λ λ2
Z +∞ Z +∞
−λt 1
1. Par définition de la densité on a donc λe d t = 1 donc e −λt d t =
0 0
λ
Z +∞ Z +∞
1 1
2. Par définition de l’espérance on a donc t λe −λt d t = donc t e −λt d t =
0
λ 0
λ2
3. Pour la variance on travaille en 2 temps :
1 1 2
d’une part V (X ) = E (X 2 ) − E (X )2 ⇐⇒ = E (X 2 ) − ⇐⇒ E (X 2 ) =
λ2 Z +∞λ
2 λ2 Z +∞
−λt 2 2
2
d’autre part ,par théorème de transfert E (X ) = 2
t λe dt = donc t 2 e −λt d t =
λ 2 λ 3
0 0

Exercice 19
A l’aide d’une variable à densité qu’on précisera, montrer que les intégrales suivantes sont convergentes et don-
ner Zleurs valeurs :
+∞ Z +∞ Z +∞
− x2 − x2 x
e dx xe dx x 2e − 2 d x
0 0 0

7
ECE2 Exercices Cité scolaire Gambetta-Carnot

Méthode 3.2 :

A partir des résultats sur la loi normale on peut déterminer des intégrales sans les calculer grâce à la
connaissance de l’espérance et de la variance notamment comme dans cet exemple :
Soit X une variable aléatoire suivant une loi normale de paramètres µ = 0 et a 2 . Le cours donne l’expres-
t2
1 −
sion d’une densité f (t ) = p e 2a 2
a 2π
ainsi que l’espérance E (X ) = 0 et la variance V (X ) = a 2
Z +∞ t2
1 −
1. Par définition de la densité on a donc p e 2a 2 d t = 1
−∞ a 2π
la fonction f étant paire cela donne
Z +∞ t2 Z +∞ t 2 p s
1 −
2 2
a 2π π
2 p e 2a d t = 1 ⇐⇒ e 2a dt = =a
0 a 2π 0
2 2
2. Pour la variance on travaille en 2 temps :
d’une part V (X ) = E (X 2 ) − E (X )2 ⇐⇒ a 2 = E (X 2 ) − 0 ⇐⇒ E (X 2 ) = a 2
Z +∞ t2
1 −
d’autre part ,par théorème de transfert E (X 2 ) = t 2 p e 2a 2 d t = a 2 donc encore par pa-
−∞ a 2π
2
Z +∞ t
− 1 p
rité t e 2a 2 d t = a 3 2π
2

0
2

Exercice 20 (Utilisation comme outil de calcul d’intégrales - EML 2006)

1
1. Soit U une variable aléatoire à densité suivant une loi normale d’espérance nulle et de variance
2
(a) Rappeler une densité de U
Z +∞
2
(b) En utilisant la définition de la variance de U , montrer que l’intégrale x 2 e −x d x est convergente
0
Z +∞ p
2 −x 2 π
et que x e dx =
0
4
¨
∀x ≤ 0, F (x ) = 0
2. Soit F la fonction définie sur R par : 2
∀x > 0, F (x ) = 1 − e −x
(a) Montrer que la fonction F définit une fonction de répartition de variable aléatoire dont on détermi-
nera une densité f . Soit X une variable aléatoire admettant f pour densité.
p
π
(b) Montrer que X admet une espérance E (X ) et que E (X ) = .
2


(c) Déterminer, pour tout réel y , la probabilité P X 2 ≤ y . On distinguera les cas y ≤ 0 et y > 0.
(d) Montrer que la variable aléatoire X 2 suit une loi exponentielle dont on précisera le paramètre.
En déduire que X admet une variance V (X ) et calculer V (X )

Exercice 21 (th de transfert)

Soit X une variable aléatoire suivant la loi normale centrée réduite. On note Φ la fonction de répartition de X et
on définit Y = |X | .
1. Montrer que Y admet une espérance et une variance et les calculer.
2. Calculer E [X Y ].
3. On pose Z = X + Y .
(a) Montrer que Z (ω) = 0 si X (ω) ≤ 0 et Z (ω) = 2X si X (ω) ≥ 0. En déduire P (Z = 0).

8
ECE2 Exercices Cité scolaire Gambetta-Carnot

(b) Soit FZ la fonction de répartition de Z .



 0 si x < 0
1
Montrer que FZ (x ) = si x = 0
2 
Φ x si x > 0


2
(c) La variable Z admet-elle une densité ? Est-elle discrète ?

Exercice 22
Soit X une variable aléatoire réelle positive et d’espérance finie, de densité f définie sur R, continue sur R+ . On
Z +∞
veut montrer la formule E [X ] = P (X > t )dt
0
1. Vérifier cette égalité dans le cas d’une variable aléatoire suivant une loi exponentielle de paramètre λ.
2. Soit A > 0.
Z A Z A Z A
(a) Justifier l’existence de l’intégrale P (X > t )dt et montrer que P (X > t )dt [t P (X > t )]0A + t f (t )dt
0 0 0
(b) Montrer que lim t P (X > t ) = 0
t →+∞
(c) Conclure.
3. Soit X une variable aléatoire suivante la loi normale centrée-réduite, et Φ sa fonction de répartition.
Z +∞
En appliquant le résultat précédent à |X |, montrer que l’intégrale (1−Φ(t ))dt est convergente, et que
Z +∞ 0
1
(1 − Φ(t ))dt = p
0 2π