My Ismail Mamouni

http ://myismail.net

Prépas MP ÉJ« AÖÞ @ øBñÓ úG ñÜØ

Préparation aux Concours (e3a-CNC-CCP)

Probabiltés Discrètes
Préambule .

Extraits Concours (2016-2023)

CNC 2023
Dans cet exercice, R désigne le corps des nombres réels et M2 (R) l’algèbre des matrices carrées d’ordre
2 à coefficients réels.
1.1. Étude de la diagonalisabilité d’une matrice de M2 (R)
 
α 1
On considère (α, β) ∈ R2 et on pose A = .
0 β
1.1.1. Justifier que si α ̸= β, alors la matrice A est diagonalisable dans M2 (R).
1.1.2. Montrer que si α = β, alors la matrice A n’est pas diagonalisable dans M2 (R).
1.2. Calcul de la probabilité qu’une matrice aléatoire soit diagonalisable dans M2 (R)
Dans cette section, X et Y désignent deux variables aléatoires indépendantes définies sur un espace
probabilisé (Ω, A, P) et suivant une loi géométrique de paramètres respectifs p1 et p2 , avec (p1 , p2 ) ∈]0, 1[2 ;
c’est-à-dire
X ,→ G(p1 ) et Y ,→ G(p2 ).
1.2.1. Pour tout k ∈ N∗ , rappeler l’expression de la probabilité P(X = k) en fonction de k et p1 .
1.2.2. Déterminer la loi de la variable aléatoire U = X + Y selon les valeurs des paramètres p1 et p2 .
On précisera d’abord l’ensemble des valeurs de la variable aléatoire U .
1.2.3. Montrer que la variable aléatoire V = min(X, Y ) suit une loi géométrique de paramètre
1 − (1 − p1 )(1 − p2 ). On pourra commencer par calculer P(V > k), pour tout k ∈ N∗ .
p1 (1 − p2 )
1.2.4. Montrer que P(X < Y ) = .
p1 + p2 − p1 p2
1.2.5. On considère la variable aléatoire discrete M : Ω −→ M2 (R), définie sur l’espace probabilisé
(Ω, A, P) par :  
X(w) 1
∀ w ∈ Ω, M (w) = .
0 Y (w)
Calculer, en fonction des paramètres p1 et p2 , la probabilité que la matrice M soit diagonalisable dans
M2 (R).
e3a 2022
1. Questions de cours

(a) Soit f une fonction continue sur le segment [a, b].

Donner, sans démonstration, la limite quand n tend vers l’infini de l’expression:

n−1  
b−aX b−a
f a+k .
n n
k=0

n−1  m
1X j
(b) Soit m ∈ N. Déterminer en fonction de m la valeur de lim .
n→+∞ n n
j=0
(c) Soit n un entier non nul. Donner, sans démonstration, l’espérance d’ une variable aléatoire qui suit
la loi uniforme sur J1, nK.

∗ ∗ ∗ ∗ ∗∗

Soient k et n deux éléments de N∗ . On dispose de k urnes contenant chacune n boules numérotées de 1

à n.
On tire une boule au hasard de chaque urne et on désigne par Xn la variable aléatoire égale au plus
grand des numéros obtenus. On suppose que les tirages sont indépendants les uns des autres.

2. Donner l’ensemble J des valeurs prises par Xn .

j k − (j − 1)k
3. Soit j ∈ J. Évaluer P (Xn ⩽ j) et prouver que l’on a P (Xn = j) = .
nk
4. Démontrer que l’espérance E (Xn ) de la variable aléatoire Xn peut s’écrire :

n−1
X
E (Xn ) = P (Xn > j)
j=0

5. Calculer E (Xn ) et en donner un équivalent lorsque n tend vers l’infini.

6. Lorsque k = 1, reconnaı̂tre la loi de Xn et vérifier la cohérence du résultat obtenu à la question précédente.

e3a 2018
Soient X et Y deux variables aléatoires indépendantes, à valeurs dans N et telles que :

∀k ∈ N, P(X = k) = P(Y = k) = p q k

où p ∈]0, 1[ et q = 1 − p.
1. Vérifier que l’on définit ainsi des lois de probabilité.
2. Justifier que la variable aléatoire X possède une espérance et la calculer.
3. Calculer P(X = Y ) et P(X < Y ).
4. Déterminer la loi de la variable aléatoire S = X + Y .
e3a 2020
Soient X et Y deux variables aléatoires indépendantes à valeurs dans N définies sur un même espace probabilisé
(Ω, A, P).
Pour |t| < 1, on définit les fonctions génératrices de X et de Y respectivement par :
1
• GX (t) = .
2−t
√
• GY (t) = 2 − 2 − t.
1. Déterminer le développement en série entière de la fonction GX .
2. Donner le terme d’ordre n ∈ N∗ du développement en série entière de la fonction t 7→ (1 + t)1/2 .
3. En déduire le développement en série entière de la fonction GY .
4. Pour tout n ∈ N, calculer P(X = n) et P(Y = n).
5. Soient S = X + Y et n ∈ N. Déterminer P(S = n).
6. Calculs d’espérances et de variances.
6.1. Justifier que la variable aléatoire X + 1 suit une loi géométrique dont on déterminera le paramètre.
6.2. En déduire l’espérance et la variance de la variable aléatoire X.
6.3. Déterminer à l’aide de la fonction génératrice GY l’espérance des variables aléatoires Y et Y (Y − 1).
6.4. En déduire la variance de la variable aléatoire Y .
6.5. S.

CCP 2021
Partie II - Généralités sur la fonction zêta

Pour tout 𝑛𝑛𝑛𝑛 ∈ ℕ∗ , on note 𝑓𝑓𝑓𝑓𝑛𝑛𝑛𝑛 la fonction définie sur ]1, +∞[ par :
1
𝑓𝑓𝑓𝑓𝑛𝑛𝑛𝑛 (𝑥𝑥𝑥𝑥) = .
𝑛𝑛𝑛𝑛 𝑥𝑥𝑥𝑥

ln n
Q9. Pour tout 𝑎𝑎𝑎𝑎 > 1 réel, démontrer que la série ∑ na converge.

Q10. Démontrer que la fonction 𝜁𝜁𝜁𝜁 est de classe 𝐶𝐶𝐶𝐶 1 sur ]1, +∞[, puis qu’elle est décroissante.

Q11. La série de fonctions ∑ fn converge-t-elle uniformément sur ]1, +∞[ ?

Q12. Déterminer la limite de 𝜁𝜁𝜁𝜁 en +∞.

Q13. Soit 𝑥𝑥𝑥𝑥 > 1. On pose :

+∞
d𝑡𝑡𝑡𝑡
𝐼𝐼𝐼𝐼(𝑥𝑥𝑥𝑥) = � .
1 𝑡𝑡𝑡𝑡 𝑥𝑥𝑥𝑥
Démontrer que :
𝐼𝐼𝐼𝐼(𝑥𝑥𝑥𝑥) ≤ 𝜁𝜁𝜁𝜁(𝑥𝑥𝑥𝑥) ≤ 𝐼𝐼𝐼𝐼(𝑥𝑥𝑥𝑥) + 1.
En déduire un équivalent de 𝜁𝜁𝜁𝜁 au voisinage de 1.

Q14. Un premier lien avec l'arithmétique : pour tout 𝑛𝑛𝑛𝑛 ∈ ℕ∗ , on note 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 le nombre de diviseurs de
1
l'entier 𝑛𝑛𝑛𝑛. On pose 𝐴𝐴𝐴𝐴 = ℕ∗ × ℕ∗ et on prend 𝑥𝑥𝑥𝑥 > 1. Justifier que la famille � � est
(ab)x (a,b)∈A
sommable et que sa somme vaut 𝜁𝜁𝜁𝜁(𝑥𝑥𝑥𝑥)2 . En déduire que :
+∞
2 (𝑥𝑥𝑥𝑥)
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛
𝜁𝜁𝜁𝜁 =� .
𝑛𝑛𝑛𝑛 𝑥𝑥𝑥𝑥
𝑛𝑛𝑛𝑛=1

On pourra considérer la réunion ⋃𝑛𝑛𝑛𝑛∈ℕ∗ 𝐴𝐴𝐴𝐴𝑛𝑛𝑛𝑛 où 𝐴𝐴𝐴𝐴𝑛𝑛𝑛𝑛 = {(𝑎𝑎𝑎𝑎, 𝑏𝑏𝑏𝑏) ∈ 𝐴𝐴𝐴𝐴 , 𝑎𝑎𝑎𝑎𝑏𝑏𝑏𝑏 = 𝑛𝑛𝑛𝑛}.
Partie III - Produit eulérien

Soit 𝑠𝑠𝑠𝑠 > 1 un réel fixé. On définit une variable aléatoire 𝑋𝑋𝑋𝑋 à valeurs dans ℕ∗ sur un espace
probabilisé (Ω, 𝒜𝒜𝒜𝒜, 𝑃𝑃𝑃𝑃) par :
1
∀𝑘𝑘𝑘𝑘 ∈ ℕ∗ , 𝑃𝑃𝑃𝑃(𝑋𝑋𝑋𝑋 = 𝑘𝑘𝑘𝑘) = .
𝜁𝜁𝜁𝜁(𝑠𝑠𝑠𝑠)𝑘𝑘𝑘𝑘 𝑠𝑠𝑠𝑠

On rappelle qu'un entier 𝑎𝑎𝑎𝑎 divise un entier 𝑏𝑏𝑏𝑏 s'il existe un entier 𝑐𝑐𝑐𝑐 tel que 𝑏𝑏𝑏𝑏 = 𝑎𝑎𝑎𝑎𝑐𝑐𝑐𝑐. On note alors 𝑎𝑎𝑎𝑎|𝑏𝑏𝑏𝑏.

1
Q15. Soit 𝑎𝑎𝑎𝑎 ∈ ℕ∗ . Démontrer que P (X ∈ a* ) = .
as

Q16. Soient 𝑎𝑎𝑎𝑎1 , 𝑎𝑎𝑎𝑎2 , … , 𝑎𝑎𝑎𝑎𝑛𝑛𝑛𝑛 dans ℕ∗ des entiers premiers entre eux deux à deux et 𝑁𝑁𝑁𝑁 ∈ ℕ∗ .
Démontrer par récurrence sur 𝑛𝑛𝑛𝑛 que :
(𝑎𝑎𝑎𝑎1 |𝑁𝑁𝑁𝑁, 𝑎𝑎𝑎𝑎2 |𝑁𝑁𝑁𝑁, … , 𝑎𝑎𝑎𝑎𝑛𝑛𝑛𝑛 |𝑁𝑁𝑁𝑁) ⟺ 𝑎𝑎𝑎𝑎1 × 𝑎𝑎𝑎𝑎2 × ⋯ × 𝑎𝑎𝑎𝑎𝑛𝑛𝑛𝑛 |𝑁𝑁𝑁𝑁.
Le résultat persiste-t-il si les entiers 𝑎𝑎𝑎𝑎1 , 𝑎𝑎𝑎𝑎2 , … , 𝑎𝑎𝑎𝑎𝑛𝑛𝑛𝑛 sont seulement supposés premiers dans leur
ensemble, c'est-à-dire lorsque leur PGCD vaut 1 ?

Q17. En déduire que si 𝑎𝑎𝑎𝑎1 , 𝑎𝑎𝑎𝑎2 , … , 𝑎𝑎𝑎𝑎𝑛𝑛𝑛𝑛 sont des entiers de ℕ∗ premiers entre eux deux à deux, alors
les événements [𝑋𝑋𝑋𝑋 ∈ 𝑎𝑎𝑎𝑎1 ℕ∗ ], … , [𝑋𝑋𝑋𝑋 ∈ 𝑎𝑎𝑎𝑎𝑛𝑛𝑛𝑛 ℕ∗ ] sont mutuellement indépendants.
On pourra noter (𝑏𝑏𝑏𝑏1 , … , 𝑏𝑏𝑏𝑏𝑟𝑟𝑟𝑟 ) une sous-famille de la famille (𝑎𝑎𝑎𝑎1 , … , 𝑎𝑎𝑎𝑎𝑛𝑛𝑛𝑛 ).

On note (𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛 )𝑛𝑛𝑛𝑛∈ℕ∗ = (2, 3, 5, 7, 11, … ) la suite croissante des nombres premiers.
Pour tout entier 𝑛𝑛𝑛𝑛 ∈ ℕ∗ , on note 𝐵𝐵𝐵𝐵𝑛𝑛𝑛𝑛 l'ensemble des 𝜔𝜔𝜔𝜔 ∈ Ω tels que 𝑋𝑋𝑋𝑋(𝜔𝜔𝜔𝜔) n'est divisible par aucun
des nombres premiers 𝑝𝑝𝑝𝑝1 , 𝑝𝑝𝑝𝑝2 , … , 𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛 .

Q18. Soit 𝑛𝑛𝑛𝑛 ∈ ℕ∗ . Déduire des questions précédentes que :

𝑛𝑛𝑛𝑛
1
𝑃𝑃𝑃𝑃(𝐵𝐵𝐵𝐵𝑛𝑛𝑛𝑛 ) = � �1 − �.
𝑝𝑝𝑝𝑝𝑘𝑘𝑘𝑘𝑠𝑠𝑠𝑠
𝑘𝑘𝑘𝑘=1

Q19. Soit 𝜔𝜔𝜔𝜔 dans ⋂𝑛𝑛𝑛𝑛∈ℕ∗ 𝐵𝐵𝐵𝐵𝑛𝑛𝑛𝑛 . Que vaut 𝑋𝑋𝑋𝑋(𝜔𝜔𝜔𝜔) ? En déduire que :
𝑛𝑛𝑛𝑛
1
𝜁𝜁𝜁𝜁(𝑠𝑠𝑠𝑠) = lim � 1 .
𝑛𝑛𝑛𝑛→+∞ 1−
𝑘𝑘𝑘𝑘=1 𝑝𝑝𝑝𝑝𝑘𝑘𝑘𝑘𝑠𝑠𝑠𝑠

1
On se propose, en application, de prouver que la série ∑ des inverses des nombres premiers
pn
1
diverge. On raisonne pour cela par l'absurde en supposant que la série ∑ converge.
pn
On pose pour tout 𝑛𝑛𝑛𝑛 ∈ ℕ∗ ,
𝑛𝑛𝑛𝑛
1
𝑢𝑢𝑢𝑢𝑛𝑛𝑛𝑛 = � 1 .
𝑘𝑘𝑘𝑘=1
1−
𝑝𝑝𝑝𝑝𝑘𝑘𝑘𝑘

Q20. Justifier que la suite (𝑢𝑢𝑢𝑢𝑛𝑛𝑛𝑛 ) converge vers un réel 𝑙𝑙𝑙𝑙 et que l'on a pour tout réel 𝑠𝑠𝑠𝑠 > 1, 𝑙𝑙𝑙𝑙 ≥ 𝜁𝜁𝜁𝜁(𝑠𝑠𝑠𝑠).
Conclure.
 CCP 2020
PARTIE III - Développements ternaires aléatoires
Dans cette partie, �𝑇𝑇�,� ����,��� est une suite de variables aléatoires discrètes réelles, mutuellement
indépendantes, définies sur un même espace probabilisé ��, 𝒜𝒜, �� et vérifiant :

�𝑛𝑛 � 1, �𝑁𝑁 � 2, 𝑇𝑇�,� ��� � �0; 1; 2�

1 2
avec ��𝑇𝑇�,� � 0� � ��𝑇𝑇�,� � 1� � et ��𝑇𝑇�,� � 2� � 1 � .
𝑁𝑁 𝑁𝑁
�
Soit 𝑁𝑁 � 2 fixé. On pose : 𝑋𝑋 � � 𝑇𝑇�,� .
�
3�
���

On admet que 𝑋𝑋� est une variable aléatoire discrète réelle définie sur ��, 𝒜𝒜, ��.
Q16. Démontrer que 𝑋𝑋� admet une espérance et une variance. Donner leur valeur en fonction de 𝑁𝑁.

Q17. Justifier que, pour tout � � 0 : lim ��|𝑋𝑋� � ��𝑋𝑋� �| � �� � 0

����
𝜀𝜀𝜀𝜀 𝜀𝜀𝜀𝜀
Q18. Soit 𝜀𝜀𝜀𝜀 > 0, démontrer que : ℙ(|𝑋𝑋𝑋𝑋𝑁𝑁𝑁𝑁 − 1| ≥ 𝜀𝜀𝜀𝜀) ≤ ℙ �|𝑋𝑋𝑋𝑋𝑁𝑁𝑁𝑁 − 𝔼𝔼𝔼𝔼(𝑋𝑋𝑋𝑋𝑁𝑁𝑁𝑁 )| ≥ � + ℙ �|𝔼𝔼𝔼𝔼(𝑋𝑋𝑋𝑋𝑁𝑁𝑁𝑁 ) − 1| ≥ � .
2 2
En déduire que, pour tout 𝜀𝜀𝜀𝜀 > 0 : lim ℙ(|𝑋𝑋𝑋𝑋𝑁𝑁𝑁𝑁 − 1| ≥ 𝜀𝜀𝜀𝜀) = 0 .
𝑁𝑁𝑁𝑁→+∞
CCP 2019
Si X est une variable aléatoire à valeurs dans  de loi de probabilité donnée par : ∀ n ∈  ,
+∞
( X = n) , la fonction génératrice de X est G=
pn P=
= X (t ) E=
(t ) = X
∑p t
n=0
n
n
.

Q2. Démontrer que l’intervalle ]−1,1[ est inclus dans l'ensemble de définition de la fonction G X .
Soient X1 et X 2 deux variables aléatoires indépendantes à valeurs dans  .
S X1 + X 2 , démontrer que pour tout t ∈ ]−1, 1[ , GS (t ) = G X1 (t ).G X 2 (t ) par deux
On pose =
méthodes : l'une utilisant le produit de Cauchy de deux séries entières et l'autre utilisant
uniquement la définition : G X (t ) = E (t X ) .

On généralise ce résultat, que l'on pourra utiliser dans la question suivante, à n variables
aléatoires mutuellement indépendantes à valeurs dans  (on ne demande pas de preuve de
cette récurrence).
Q3. Un sac contient quatre boules : une boule numérotée 0, deux boules numérotées 1 et une boule
numérotée 2.
On effectue n tirages d'une boule avec remise et on note Sn la somme des numéros tirés.
Déterminer pour tout t ∈ ]−1, 1[ , GSn (t ) et en déduire la loi de Sn .

CCP 2016  
i+ j
II.1. Démontrer que la famille est sommable et calculer sa somme.
2i+ j (i, j)∈N²

II.2. Soit X et Y deux variables aléatoires sur un même espace probabilisé à valeurs dans N.
On suppose que la loi conjointe du couple (X,Y ) vérifie :
i+ j
pour tout (i, j) ∈ N², P(X = i,Y = j)= P [(X = i) ∩ (Y = j)] = i+ j+3 .
2
II.2.a. Vérifier que la relation ci-dessus définit bien une loi conjointe.

II.2.b. Démontrer que les variables aléatoires X et Y suivent une même loi.

II.2.c. Les variables aléatoires X et Y sont-elles indépendantes?

CCP 2018
Dans cet exercice, n est un entier tel que n ≥ 2.

Q4. Question préliminaire

Soient un réel 0 < λ < 1 et ( X n )n≥1 une suite de variables aléatoires qui suivent chacune une
λ
loi binomiale de paramètres n et p = .
n
 n n −1 n − k + 1
Justifier que, pour tout entier k ≥ 1,
lim  .... 1 et déterminer
=
n→ +∞  n n n 
lim P ( X n = k ) . On convient alors d’approximer pour n ≥ 50, p ≤ 0, 01 et np < 10 la loi
n→+∞
binomiale de paramètres n et p par la loi de Poisson de paramètre λ = np.

Q5. Un examinateur interroge à l’oral du concours CCP n candidats tous nés en 1998. On
suppose que les dates de naissances des n candidats sont uniformément réparties sur les 365
jours de l’année 1998. On note X n la variable aléatoire égale au nombre de candidats qui
sont convoqués le jour de leur anniversaire. Déterminer la loi de la variable X n et donner
son espérance.

Q6. Dans le cas où l’examinateur interroge 219 candidats, donner une estimation de la probabilité
que deux étudiants soient convoqués le jour de leur anniversaire. Prendre 0,55 comme valeur
approchée de e − 0,6 .

CCP 2015 & CNC 2016

Une démonstration probabiliste du théorème de Stone-Weierstrass
Soit f : [0, 1] → R une fonction continue et n ∈ N∗ .
1. Soit Sn une variable aléatoire suivant une loi binomiale de paramètres n et x, x ∈ [0, 1], on pose, pour
Sn
tout n ∈ N∗ , Xn = .
n
(a) Déterminer E(Xn ) et V (Xn ) respectivement l’espérance et la variance de Xn .
1
(b) Justifier que, pour tout δ > 0, P (|Xn − x| ≥ δ) ≤ .
4nδ 2
2. On introduit la variable aléatoire Yn = f(Xn ) et on pose pour tout x ∈ [0, 1], Cn (f)(x) = E(Yn ). Pour la
suite de cette question, on se donne un réel ε > 0.
(a) Vérifier que x 7→ Cn (f)(x) est une fonction polynomiale définie sur [0, 1].
(b) D’après le théorème de Heine, comme f est continue sur [0, 1], alors il existe β > 0 tel que, pour
ε
tout (x1 , x2 ) ∈ [0, 1] × [0, 1], |x1 − x2 | ≤ β ⇒ |f(x1 ) − f(x2 )| ≤ . ( On ne vous demande pas de
2
redémontrer ce résultat ).
X  k  
k

ε
i. Montrer que f − f(x) P Xn = ≤
n n 2
| nk −x|≤β

X  k  
k

M
ii. Montrer que f − f(x) P Xn = ≤ , avec M = sup |f(t)|.
n n 2nβ 2 t∈[0,1]
| n −x|>β
k

(c) En déduire que la suite (Cn (f))n≥1 converge uniformément vers f sur [0, 1].
 CCP 2018

Dans cet exercice, n est un entier tel que n ≥ 2.

Q4. Question préliminaire
Soient un réel 0 < λ < 1 et ( X n )n≥1 une suite de variables aléatoires qui suivent chacune une
λ
loi binomiale de paramètres n et p = .
n
 n n −1 n − k + 1
Justifier que, pour tout entier k ≥ 1, lim  .... 1 et déterminer
=
n→ +∞  n n n 
lim P ( X n = k ) . On convient alors d’approximer pour n ≥ 50, p ≤ 0, 01 et np < 10 la loi
n→+∞
binomiale de paramètres n et p par la loi de Poisson de paramètre λ = np.

Q5. Un examinateur interroge à l’oral du concours CCP n candidats tous nés en 1998. On
suppose que les dates de naissances des n candidats sont uniformément réparties sur les 365
jours de l’année 1998. On note X n la variable aléatoire égale au nombre de candidats qui
sont convoqués le jour de leur anniversaire. Déterminer la loi de la variable X n et donner
son espérance.

Q6. Dans le cas où l’examinateur interroge 219 candidats, donner une estimation de la probabilité
que deux étudiants soient convoqués le jour de leur anniversaire. Prendre 0,55 comme valeur
approchée de e − 0,6 .

e3a 2018

Tournez la page S.V.P.

 CCP 2016
 
i+ j
II.1. Démontrer que la famille est sommable et calculer sa somme.
2i+ j (i, j)∈N²

II.2. Soit X et Y deux variables aléatoires sur un même espace probabilisé à valeurs dans N.
On suppose que la loi conjointe du couple (X,Y ) vérifie :
i+ j
pour tout (i, j) ∈ N², P(X = i,Y = j)= P [(X = i) ∩ (Y = j)] = i+ j+3 .
2
II.2.a. Vérifier que la relation ci-dessus définit bien une loi conjointe.

II.2.b. Démontrer que les variables aléatoires X et Y suivent une même loi.

II.2.c. Les variables aléatoires X et Y sont-elles indépendantes?

Autour de la fonction Digamma n−1
1
Pour tout, n ≥ 2, on pose ψ(n) = −γ + ∑ .
k=1 k
III.9. Une urne contient n boules numérotées de 1 à n.
On effectue un premier tirage d’un boule dans l’urne et on adopte le protocole suivant :
si on a tiré la boule numéro k, on la remet alors dans l’urne
avec k nouvelles boules toutes numérotées k.
Par exemple, si on a tiré la boule numéro 3, on remet quatre boules de numéro 3 dans l’urne (la boule
tirée plus 3 nouvelles boules numéro 3).

On effectue ensuite un deuxième tirage d’une boule.

On note X (respectivement Y ) la variable aléatoire égale au numéro de la boule choisie au premier

tirage (respectivement au deuxième tirage).

III.9.a. Déterminer la loi de la variable aléatoire X ainsi que son espérance E(X).

III.9.b. Déterminer
 la loi de la variable aléatoire
 Y et vérifier que pour tout entier naturel non
1 k
nul k, P(Y = k) = ψ(2n + 1) − ψ(n + 1) + .
n n+k
III.9.c. Calculer l’espérance E(Y ). On pourra utiliser, sans démonstration, que
n
k2 1−n
∑ n(n + k) = 2 + n (ψ(2n + 1) − ψ(n + 1)).
k=1
CNC 2017
Soit (Ω, A, P ) un espace probabilisé, on appelle fonction génératrice d’une variable aléatoire réelle X
P k
+∞
à valeurs dans N, lorsqu’elle existe, la fonction GX définie par: GX (t) = E(tX ) = t P (X = k).
k=0
Partie I
Quelques propriétés de la fonction génératrice et quelques exemples
1. Montrer que la fonction génératrice GX est au moins définie sur l’intervalle [-1,1].
(k)
2. Montrer que pour tout k ∈ N, GX (0) = k!P (X = k).
3. Donner l’expression de GX , en précisant le domaine de définition, dans chaque cas suivant:
a) X suit la loi de Bernoulli de paramètre p, notée B(p), où p ∈ [0, 1].
b) X suit la loi binomiale de paramètre n, p, notée B(n, p), où n ∈ N∗ , p ∈ [0, 1].
c) X suit la loi géométrique de paramètre p, notée G(p), où p ∈]0, 1[.
4. Montrer que la variable aléatoire X admet une espérance si, et seulement si, GX est dérivable en
1 et dans ce cas G0X (1) = E(X).
5. Montrer que la variable aléatoire X admet un moment d’ordre 2 si, et seulement si, GX est deux
fois dérivable en 1 et dans ce cas V (X) = G00X (1) + G0X (1) − (G0X (1))2 .
6. En déduire l’espérance et la variance d’une variable aléatoire qui suit la loi géométrique G(p) de
paramètre p, où p ∈]0, 1[.
Partie II
La fonction génératrice d’une somme de variables aléatoires
Soient n un entier naturel non nul et N une variable aléatoire telle que N (Ω) = J1, nK = {1, . . . , n}.
On suppose que pour tout k de J1, nK, P (N = k) est non nul. On considère n variables aléatoires
indépendantes (Xi )1≤i≤n , toutes de même loi qu’une variable aléatoire X, telle que X(Ω) = J1, mK,
PN
avec m un entier naturel non nul. On pose S = Xi , (en particulier, sachant que l’événement (N = h)
P
h i=1
est réalisé, h ∈ J1, nK, alors S = Xi ).
i=1
1. Montrer que pour tout k ∈ J1, nK, GX1 +...+Xk = GkX .
2. a) Soit Y une variable aléatoire réelle qui prend un nombre fini de valeurs dans Y (Ω), montrer
P
n
que E(Y ) = P (N = k)E(Y |[N = k]), où ∀k ∈ J1, nK,
k=1 P
E(Y |[N = k]) = yP ((Y = y)|[N = k]) désigne l’espérance de Y sachant l’événement
y∈Y (Ω)
[N = k] et P ((Y = y)|[N = k]) désigne la probabilité de (Y = y) sachant l’événement
[N = k].
b) Montrer que pour tout k ∈ J1, nK et pour tout réel t, E(tS |[N = k]) = GkX (t).
P
n
c) En déduire que pour tout réel t, GS (t) = P (N = k)GkX (t).
k=1
d) Montrer que GS = GN ◦ GX .
3. En déduire que E(S) = E(N )E(X).
Partie III
Application
On dispose d’un jeton non truqué à deux faces numérotées 1 et 2 et d’un dé tétraédrique (famille des
pyramides composés de quatre faces triangulaires), équilibré, dont les faces sont numérotées de 1 à 4.
On lance le jeton et on note N le numéro obtenu, puis on lance N fois le dé et pour chaque lancer, on
note le numéro de la face d’appui du dé. Soit S la somme des numéros obtenus lors de ces N lancers,
(si N = 1, le dé est lancé une seule fois et S est le numéro lu sur la face d’appui du dé).
1. a) Déterminer la loi de N .
b) Donner la loi conditionnelle de S sachant [N = k], pour k = 1, puis pour k = 2.
c) En déduire la loi de S, puis son espérance et sa variance.
PN
2. a) Identifier la variable aléatoire X telle que S = Xi , où X1 et X2 sont deux variables
i=1
aléatoires indépendantes de même loi que X.
b) Déterminer les fonctions génératrices GN et GX et en déduire la fonction génératrice GS .
c) Retrouver, en utilisant la fonction génératrice GS , la loi, l’espérance et la variance de S.
CCP 2017
Partie I - Un exemple de chaîne de Markov
Une particule possède deux états possibles numérotés 1 et 2 et peut passer de son état à l’état
1 ou 2 de façon aléatoire. On considère un espace probabilisé (Ω, F, P ) sur lequel on définit
pour tout n ∈ N, la variable aléatoire Xn égale à l’état de la particule au temps n. L’état de la
particule au temps n + 1 dépend uniquement de son état au temps n selon les règles suivantes :

• si au temps n la particule est dans l’état 1, au temps n + 1 elle passe à l’état 2 avec une
1
probabilité .
2
• si au temps n la particule est dans l’état 2, au temps n + 1, elle passe à l’état 1 avec une
1
probabilité .
4
1
On suppose que P (X0 = 1) = P (X0 = 2) = .
2
Q1. Déterminer en justifiant la loi de X1 .
On pose µn = (P (Xn = 1), P (Xn = 2)) le vecteur ligne de R2 caractérisant la loi de Xn .
Q2. Justifier la relation matricielle suivante :
 
1 1
2 2
 
∀n ∈ N, µn+1 = µn A avec A = 

.

1 3
4 4
Q3. En déduire, à l’aide de la calculatrice, la loi de X5 (on demande les résultats arrondis au
centième).
Q4. Temps de premier accès à l’état 1 : on note T la variable aléatoire égale au plus petit
entier n ∈ N tel que Xn = 1. Déterminer P (T = 1), puis P (T = k) pour tout entier k  2.
Q5. Justifier que A est diagonalisable, puis donner, sans détailler les calculs, une matrice Q
inversible à coefficients entiers telle que
 
1
A = Q diag 1, Q−1 .
4
Q6. Justifier que les applications M → QM Q−1 et M → µ0 M définies sur M2 (R) sont
continues.
Q7. En déduire la convergence de la suite de matrices (An )n∈N , puis de la suite de vecteurs
lignes (µn )n∈N . Préciser les coefficients du vecteur ligne obtenu comme limite.
La suite de variables aléatoires (Xn )n∈N est un cas particulier de variables aléatoires dont l’état
à l’instant n + 1 ne dépend que de son état à l’instant n et pas des précédents. On dit alors
que (Xn )n∈N est une chaîne de Markov. Plus généralement si (Xn )n∈N est une chaîne de Markov
prenant ses valeurs dans 1, p, la loi des variables Xn est entièrement déterminée par la donnée
de la loi de X0 et d’une matrice stochastique A de Mp (R).
Si on pose maintenant µn = (P (Xn = 1), P (Xn = 2), . . . , P (Xn = p)), l’étude du comportement
de la loi de Xn lorsque n est grand, se ramène alors à l’étude de la convergence de la suite (µn )n∈N
vérifiant la relation de récurrence µn+1 = µn A. Cela conduit à l’étude de la suite de matrices
(An )n∈N . C’est l’objet des parties suivantes.
e3a 2017

On considère un espace probabilisé (Ω, A, P ), deux réels a et b strictement positifs et une variable
aléatoire X définie sur Ω telle que X(Ω) = {0, 1, 2, 3, 4} et dont la loi est définie par :
 a

 P (X = 0) =

 100





 b

 P (X = 1) =

 100




 2
P (X = 2) =

 5





 21
 P (X
 = 3) =

 100





 1
 P (X = 4) =
10
On rappelle que la fonction génératrice d’une variable aléatoire Y est la somme de la série entière :
+∞
X
∀t ∈ [0, 1], GY (t) = P (Y = n)tn .
n=0

1) Déterminer la relation liant les réels a et b.

2) Déterminer la fonction génératrice GX de la variable aléatoire X.
3) On suppose qu’une population évolue par générations. Étant donné un entier naturel n > 1, on
note Zn la variable aléatoire qui représente le nombre d’individus de la n-ième génération. Le
nombre de descendants de chaque individu d’une génération quelconque suit la loi de la variable
aléatoire X. On pose Z0 = 1.
On admet que pour tout entier naturel n, la fonction génératrice GZn de la variable aléatoire Zn
vérifie la relation de récurrence :
GZn+1 = GX ◦ GZn
Dans cet exercice, on s’intéresse à la probabilité d’extinction de la population à long terme, ce
qu’on mesure par le comportement asymptotique de la suite (P (Zn = 0))n∈N . Pour n ∈ N, on
note wn = P (Zn = 0).
a) Soit n ∈ N, exprimer wn en fonction de la fonction génératrice GZn .
b) Pour n ∈ N, exprimer wn+1 en fonction de wn .
µ· ¸¶ · ¸ · ¸
1 1 1
c) Montrer que GX 0, ⊂ 0, , en déduire que : ∀n ∈ N, wn ∈ 0, .
2 2 2 · ¸
1
Montrer alors que la suite (wn ) est convergente vers un réel noté L(a) appartenant à 0, .
2
d) Montrer que le réel L(a) est égal au réel ` de la partie I, en déduire une approximation de
la probabilité L(a) d’extinction de la population à long terme en fonction de a.
e3a 2016

Un fabricant de produits d’entretien pour machines à café fournit deux types de produits : un
produit détartrant (produit A) et un produit dégraissant (produit B ). Ce fabricant vend les produits
conditionnés uniquement en boîtes contenant à la fois un produit A et un produit B . Cependant,
pour rendre service à ses clients qui n’ont besoin que d’un seul produit, un commerçant accepte de
vendre séparément les produits.
Pour la suite, on suppose que chaque client qui se présente chez le commerçant n’effectue qu’un
seul achat. On suppose également que les choix (du produit A ou B ) des clients sont indépendants.
On fait également l’hypothèse qu’il ne reste aucune boîte entamée au début de la journée.
On considère que chaque client qui se présente chez ce commerçant achète le produit A avec
la probabilité p ∈ ]0, 1[ et le produit B avec la probabilité 1 − p. On note X (respectivement Y ) le
nombre de produits A (respectivement de produits B ) vendus au cours de la journée. On notera Z =
max(X , Y ).
1. On considère une journée où 4 clients se sont présentés. Déterminer la loi de X , la loi de Y et les
espérances de ces deux variables aléatoires. Déterminer la loi de Z . Que représente cette variable
aléatoire ?
On suppose maintenant que le nombre de personnes se présentant chez le commerçant durant
une journée est une variable aléatoire réelle N suivant une loi de Poisson de paramètre λ.
2. Soit n un entier naturel. Quelle est la loi de X sachant que l’évènement [N = n] est réalisé ?
3. Déterminer la loi conjointe du couple (X , N ).
4. En déduire la loi de X . Donner sans calcul les valeurs de E(X ) et V(X ).
5. Démontrer que les variables aléatoires X et Y sont indépendantes.
6. En utilisant la relation N = X + Y , calculer Cov(X , N ).
7. Pour k ∈ N et x ∈ R, on note :

 k xj
S(k, x) =
j =0 j !

Exprimer P(Z ≤ k) en fonction de λ, S(k, λp) et S(k, λ(1 − p)).

8. On utilise dans cette question le langage de programmation P YTHON.
(a) Définir la fonction S(k,x) qui calcule S(k, x) à partir des valeurs de k et x données.
(b) On suppose dans cette question que p = 12 , λ = 10 et que le commerçant constate au début
de la journée qu’il lui reste exactement 5 boîtes, aucune n’étant entamée. Écrire les instruc-
tions permettant d’afficher la probabilité que le commerçant tombe en rupture de stock au
cours de la journée.