|

Exercices pour les élèves motivés : probabilités, loi binomiale et sommes de variables aléatoires (Terminale spécialité)

↩ Chapitre : Probabilités et loi binomiale (Terminale spécialité)

Introduction

Six exercices exigeants sur la loi binomiale, les sommes de variables aléatoires et l’inégalité de Bienaymé-Tchebychev, pour les élèves qui maîtrisent déjà le cours et la fiche d’exercices corrigés du chapitre : trois exercices ★★★ et trois exercices ★★★★, dont deux de niveau première année de prépa (ECG et MPSI-PCSI). Outils utilisés : loi binomiale, linéarité de l’espérance, variance d’une somme de variables indépendantes, formule V(X)=E(X^2)-E(X)^2, inégalités de Bienaymé-Tchebychev et de concentration.

Mode d’emploi : cherchez chaque exercice au moins vingt minutes avant d’ouvrir les Indications, puis cherchez encore avant de lire le Corrigé. Les exercices ★★★ sont du niveau des questions les plus difficiles du bac ; les exercices ★★★★ demandent davantage d’initiative, et les deux derniers sont du niveau d’une première année de classe préparatoire, tout en restant dans le programme du chapitre.

Exercices

Exercice 1 · La valeur la plus probable d’une loi binomiale ★★★★

Soit X une variable aléatoire suivant la loi \mathcal B(n\,;p) avec 0 < p < 1, et q=1-p. Pour 0\leqslant k\leqslant n, on note p_k=P(X=k).

  1. Montrer que, pour 0\leqslant k\leqslant n-1, \frac{p_{k+1}}{p_k}=\frac{(n-k)\,p}{(k+1)\,q}.
  2. En déduire que p_{k+1} > p_k si et seulement si k < (n+1)p-1.
  3. On suppose que (n+1)p n’est pas un entier. Montrer que la valeur la plus probable de X (le mode) est la partie entière de (n+1)p.
  4. Déterminer le mode pour n=10 et p=0{,}3, et vérifier avec les valeurs de p_2, p_3, p_4. Que se passe-t-il pour n=9 et p=0{,}3 ?
Indications

1. \binom n{k+1}=\binom nk\frac{n-k}{k+1}.

2. Les nombres p_k sont strictement positifs : comparer le quotient à 1.

3. Notons m=\lfloor(n+1)p\rfloor : la suite (p_k) croît jusqu’à quel rang, puis décroît ?

Corrigé

1. \frac{p_{k+1}}{p_k}=\frac{\binom n{k+1}p^{k+1}q^{n-k-1}}{\binom nkp^kq^{n-k}}=\frac{n!\,k!\,(n-k)!}{(k+1)!\,(n-k-1)!\,n!}\cdot\frac pq=\frac{(n-k)p}{(k+1)q}.

2. p_{k+1} > p_k\iff(n-k)p > (k+1)q\iff np-kp > kq+q\iff np-q > k(p+q)=k\iff k < (n+1)p-1, car np-q=(n+1)p-1.

3. Soit m=\lfloor(n+1)p\rfloor ; comme (n+1)p n’est pas entier, m < (n+1)p < m+1. Pour k\leqslant m-1 : k < (n+1)p-1, donc p_{k+1} > p_k. Pour k\geqslant m : k > (n+1)p-1, donc p_{k+1} < p_k. La suite croît jusqu’à p_m puis décroît :

⇝ le mode de \mathcal B(n\,;p) est \lfloor(n+1)p\rfloor.

4. (n+1)p=3{,}3 : mode 3. On a p_2\approx0{,}2335, p_3\approx0{,}2668, p_4\approx0{,}2001. Pour n=9 : (n+1)p=3 est entier, et pour k=2 on a (n-k)p=(k+1)q, soit p_3=p_2 : il y a deux modes, 2 et 3 (avec p_2=p_3\approx0{,}2668).

Exercice 2 · Faut-il répondre au hasard à un QCM ? ★★★★

Un QCM comporte 20 questions indépendantes, chacune avec 4 réponses proposées dont une seule est juste. Une bonne réponse rapporte 1 point, une mauvaise en retire k (avec k\geqslant0). Un candidat qui ne sait rien répond au hasard à toutes les questions. On note X le nombre de bonnes réponses et S sa note.

  1. Donner la loi de X, son espérance et sa variance. Exprimer S en fonction de X.
  2. Déterminer k pour que l’espérance de la note d’un candidat qui répond au hasard soit nulle.
  3. Avec cette valeur de k, calculer la variance et l’écart type de S.
  4. Calculer la probabilité qu’un tel candidat obtienne au moins 10 sur 20. Majorer aussi cette probabilité avec l’inégalité de Bienaymé-Tchebychev et comparer.
  5. Un candidat élimine à coup sûr une mauvaise réponse à chaque question et choisit au hasard parmi les trois restantes. Quelle est l’espérance de sa note ? Commenter.
Indications

1. S=X-k(20-X).

3. V(aX+b)=a^2V(X).

4. S\geqslant10 équivaut à une condition sur X ; E(S)=0, donc \{S\geqslant10\}\subset\{|S-E(S)|\geqslant10\}.

Corrigé

1. Les réponses étant indépendantes et justes avec probabilité \frac14, X\sim\mathcal B\left(20\,;\frac14\right), E(X)=5, V(X)=20\times\frac14\times\frac34=\frac{15}4. Et S=X-k(20-X)=(1+k)X-20k.

2. E(S)=(1+k)\times5-20k=5-15k=0\iff k=\frac13.

3. S=\frac43X-\frac{20}3 ; V(S)=\frac{16}9\times\frac{15}4=\frac{20}3 et \sigma(S)=\sqrt{20/3}\approx2{,}58.

4. S\geqslant10\iff\frac43X\geqslant\frac{50}3\iff X\geqslant12{,}5\iff X\geqslant13. À la calculatrice, P(X\geqslant13)\approx0{,}000\,18. Bienaymé-Tchebychev : P(S\geqslant10)\leqslant P(|S-0|\geqslant10)\leqslant\frac{20/3}{100}=\frac1{15}\approx0{,}067. La majoration est juste mais très grossière.

⇝ Avec une pénalité de \frac13 de point, répondre au hasard rapporte 0 en moyenne et presque jamais la moyenne.

5. Maintenant X\sim\mathcal B\left(20\,;\frac13\right), E(X)=\frac{20}3, et E(S)=\frac43\times\frac{20}3-\frac{20}3=\frac{20}9\approx2{,}2. Dès qu’on peut éliminer une réponse, répondre devient rentable en moyenne : le barème récompense une connaissance partielle.

Exercice 3 · Combien de jours sans anniversaire ? ★★★★

On répartit n boules au hasard dans N boîtes : chaque boule tombe dans chacune des boîtes avec la probabilité \frac1N, indépendamment des autres. Pour 1\leqslant i\leqslant N, on note Y_i la variable qui vaut 1 si la boîte i est vide et 0 sinon, et Y=Y_1+\cdots+Y_N le nombre de boîtes vides.

  1. Calculer P(Y_i=1) et E(Y_i). Les variables Y_i sont-elles indépendantes ? (Examiner le cas n=1, N=2.)
  2. En utilisant la linéarité de l’espérance, montrer que E(Y)=N\left(1-\frac1N\right)^n.
  3. Application : dans un lycée de 365 élèves, quel est en moyenne le nombre de jours de l’année où aucun élève ne fête son anniversaire ? Et le nombre moyen de jours d’anniversaire distincts ?
  4. Montrer que \lim\limits_{N\to+\infty}\left(1-\frac1N\right)^N=\frac1e, et interpréter.
Indications

1. La boîte i est vide si chacune des n boules (indépendantes) tombe ailleurs.

2. La linéarité de l’espérance ne demande pas l’indépendance.

4. Passer au logarithme et utiliser \lim\limits_{h\to0}\frac{\ln(1+h)}h=1.

Corrigé

1. P(Y_i=1)=\left(1-\frac1N\right)^n=E(Y_i) (variable de Bernoulli). Elles ne sont pas indépendantes : pour n=1, N=2, exactement une boîte est vide, donc P(Y_1=1\text{ et }Y_2=1)=0 alors que P(Y_1=1)P(Y_2=1)=\frac14.

2. E(Y)=\sum\limits_{i=1}^NE(Y_i)=N\left(1-\frac1N\right)^n.

3. N=n=365 : E(Y)=365\left(\frac{364}{365}\right)^{365}\approx134{,}1.

⇝ En moyenne, environ 134 jours sans anniversaire, donc environ 231 jours d’anniversaire distincts seulement.

4. \ln\left(1-\frac1N\right)^N=N\ln\left(1-\frac1N\right)=-\frac{\ln(1+h)}h avec h=-\frac1N\to0, donc cette quantité tend vers -1 et, par continuité de l’exponentielle, \left(1-\frac1N\right)^N\to e^{-1}. Quand on répartit N boules dans N boîtes, la proportion moyenne de boîtes vides est proche de \frac1e\approx36{,}8\,\% pour N grand (134{,}1/365\approx36{,}7\,\%).

Exercice 4 · Lettres et enveloppes : les points fixes ★★★★

Une secrétaire distraite met au hasard n lettres (n\geqslant2) dans les n enveloppes correspondantes, une par enveloppe : les n! répartitions possibles sont équiprobables. Pour 1\leqslant i\leqslant n, on note X_i la variable qui vaut 1 si la lettre i est dans la bonne enveloppe et 0 sinon, et Y=X_1+\cdots+X_n le nombre de lettres bien placées.

  1. Calculer P(X_i=1). En déduire E(Y). Remarque ?
  2. Pour i\neq j, calculer P(X_i=1\text{ et }X_j=1). Les variables X_i et X_j sont-elles indépendantes ?
  3. En développant Y^2=\left(\sum\limits_iX_i\right)^2, montrer que E(Y^2)=2, puis que V(Y)=1.
  4. Montrer que P(Y\geqslant5)\leqslant\frac1{16}.
  5. Vérifier les résultats pour n=3 en écrivant les 6 répartitions et la loi de Y.
Indications

1. Compter les répartitions où la lettre i est bien placée : les autres lettres sont réparties librement.

3. X_i^2=X_i, et Y^2=\sum\limits_iX_i^2+\sum\limits_{i\neq j}X_iX_j ; X_iX_j est une variable de Bernoulli.

4. \{Y\geqslant5\}\subset\{|Y-1|\geqslant4\}.

Corrigé

1. Si la lettre i est bien placée, les n-1 autres se répartissent de (n-1)! façons : P(X_i=1)=\frac{(n-1)!}{n!}=\frac1n. Par linéarité, E(Y)=n\times\frac1n=1, quel que soit n : en moyenne, une seule lettre est bien placée, qu’il y ait 3 lettres ou un million.

2. P(X_i=1\text{ et }X_j=1)=\frac{(n-2)!}{n!}=\frac1{n(n-1)}\neq\frac1{n^2}=P(X_i=1)P(X_j=1) : elles ne sont pas indépendantes.

3. Y^2=\sum\limits_iX_i^2+\sum\limits_{i\neq j}X_iX_j=\sum\limits_iX_i+\sum\limits_{i\neq j}X_iX_j. Par linéarité : E(Y^2)=n\times\frac1n+n(n-1)\times\frac1{n(n-1)}=2 (il y a n(n-1) couples (i,j) avec i\neq j). Donc V(Y)=E(Y^2)-E(Y)^2=2-1=1.

⇝ E(Y)=1 et V(Y)=1 pour tout n\geqslant2.

4. Si Y\geqslant5, alors |Y-1|\geqslant4. Par Bienaymé-Tchebychev, P(Y\geqslant5)\leqslant\frac{V(Y)}{4^2}=\frac1{16}, et cela quel que soit n.

5. Pour n=3, les répartitions sont 123 (Y=3), 132, 213, 321 (Y=1), 231, 312 (Y=0). Loi : P(Y=0)=\frac13, P(Y=1)=\frac12, P(Y=3)=\frac16. E(Y)=\frac12+\frac36=1, E(Y^2)=\frac12+\frac96=2, V(Y)=1.

On montre en prépa que P(Y=0) tend vers \frac1e : avec beaucoup de lettres, il y a environ 37\,\% de chances qu’aucune ne soit bien placée.

Exercice 5 · Calculer π par la méthode de Monte-Carlo ★★★★ — niveau prépa ECG

On choisit au hasard un point M(x\,;y) dans le carré [0\,;1]^2 (x et y tirés par random()). On admet que la probabilité que M soit dans le quart de disque x^2+y^2\leqslant1 est égale à son aire, p=\frac\pi4. On répète n fois l’expérience de façon indépendante et on note X le nombre de points dans le quart de disque, F_n=\frac Xn et T_n=4F_n.

  1. Donner la loi de X. Calculer E(T_n) et V(T_n).
  2. Montrer que, pour tout réel p\in[0\,;1], p(1-p)\leqslant\frac14. En déduire que V(T_n)\leqslant\frac4n.
  3. À l’aide de l’inégalité de Bienaymé-Tchebychev, déterminer une valeur de n telle que P\big(|T_n-\pi|\geqslant0{,}01\big)\leqslant0{,}05.
  4. Écrire une fonction Python estime(n) qui renvoie T_n. Combien de décimales exactes de \pi peut-on espérer avec un million de points ? Commenter l’efficacité de la méthode.
Indications

1. V(aX)=a^2V(X).

2. \frac14-p(1-p)=\left(p-\frac12\right)^2.

3. On ne connaît pas \pi : utiliser la majoration de la question 2.

4. Pour diviser l’erreur par 10, par combien faut-il multiplier n ?

Corrigé

1. X\sim\mathcal B(n\,;p) (répétitions indépendantes d’une épreuve de Bernoulli). E(T_n)=\frac4nE(X)=4p=\pi ; V(T_n)=\frac{16}{n^2}np(1-p)=\frac{16p(1-p)}n.

2. \frac14-p(1-p)=p^2-p+\frac14=\left(p-\frac12\right)^2\geqslant0. Donc V(T_n)\leqslant\frac{16}{4n}=\frac4n.

3. Bienaymé-Tchebychev : P\big(|T_n-\pi|\geqslant0{,}01\big)\leqslant\frac{V(T_n)}{0{,}01^2}\leqslant\frac{4}{n\times10^{-4}}=\frac{40\,000}n. Cette borne est \leqslant0{,}05 dès que n\geqslant800\,000.

⇝ Avec n=800\,000 points, T_n approche \pi à 0{,}01 près avec une probabilité d’au moins 95\,\%.

4.

from random import random
def estime(n) :
X = 0
for k in range(n) :
x, y = random(), random()
if x**2 + y**2 <= 1 :
X = X + 1
return 4 * X / n

L’écart type de T_n vaut \sqrt{16p(1-p)/n}\approx\frac{1{,}64}{\sqrt n}, soit environ 0{,}0016 pour n=10^6 : on obtient en général deux décimales exactes, parfois trois. L’erreur décroît comme \frac1{\sqrt n} : pour gagner une décimale, il faut 100 fois plus de points. La méthode est lente pour \pi, mais très utile pour des calculs d’aires ou de volumes en grande dimension.

En ECG, la méthode de Monte-Carlo et l’estimation par la loi faible des grands nombres font partie du programme d’informatique et de probabilités.

Exercice 6 · Mieux que Bienaymé-Tchebychev : l’inégalité de Chernoff ★★★★ — niveau prépa MPSI-PCSI

Soit X une variable aléatoire prenant un nombre fini de valeurs positives x_1,\dots,x_r.

  1. Démontrer l’inégalité de Markov : pour tout a > 0, P(X\geqslant a)\leqslant\frac{E(X)}a.
  2. Soit S\sim\mathcal B\left(n\,;\frac12\right) (nombre de piles en n lancers d’une pièce équilibrée). À l’aide de la formule du binôme (voir la fiche « élèves motivés » de dénombrement), montrer que pour tout réel t : E\left(e^{tS}\right)=\left(\frac{1+e^t}2\right)^n.
  3. En appliquant l’inégalité de Markov à e^{tS} (t > 0), montrer que P\left(S\geqslant\frac{3n}4\right)\leqslant\left(\frac{1+e^t}2\right)^ne^{-\frac{3nt}4}.
  4. Étudier la fonction g(t)=\ln\left(\frac{1+e^t}2\right)-\frac{3t}4 sur ]0\,;+\infty[. En déduire que P\left(S\geqslant\frac{3n}4\right)\leqslant\left(\frac2{3^{3/4}}\right)^n\approx0{,}877^n.
  5. Majorer P\left(S\geqslant\frac{3n}4\right) avec l’inégalité de Bienaymé-Tchebychev et comparer les deux majorations pour n=100 (la valeur exacte est environ 2{,}8\times10^{-7}).
Indications

1. E(X)=\sum x_iP(X=x_i)\geqslant\sum\limits_{x_i\geqslant a}x_iP(X=x_i).

2. E\left(e^{tS}\right)=\sum\limits_{k=0}^n\binom nk\frac1{2^n}\left(e^t\right)^k.

3. S\geqslant\frac{3n}4\iff e^{tS}\geqslant e^{3nt/4} pour t > 0.

4. g'(t)=\frac{e^t}{1+e^t}-\frac34 ; minimiser la majoration revient à minimiser g.

5. \left\{S\geqslant\frac{3n}4\right\}\subset\left\{\left|S-\frac n2\right|\geqslant\frac n4\right\}.

Corrigé

1. Les x_i étant positifs, E(X)=\sum\limits_ix_iP(X=x_i)\geqslant\sum\limits_{x_i\geqslant a}x_iP(X=x_i)\geqslant a\sum\limits_{x_i\geqslant a}P(X=x_i)=aP(X\geqslant a).

2. Par définition de l’espérance (théorème de transfert pour une variable finie) : E\left(e^{tS}\right)=\sum\limits_{k=0}^ne^{tk}\binom nk\frac1{2^n}=\frac1{2^n}\sum\limits_{k=0}^n\binom nk\left(e^t\right)^k1^{n-k}=\frac{(1+e^t)^n}{2^n}.

3. Pour t > 0, x\mapsto e^{tx} est croissante, donc P\left(S\geqslant\frac{3n}4\right)=P\left(e^{tS}\geqslant e^{3nt/4}\right)\leqslant\frac{E(e^{tS})}{e^{3nt/4}} par Markov (e^{tS} > 0).

4. La majoration s’écrit e^{ng(t)}. g'(t)=\frac{e^t}{1+e^t}-\frac34 s’annule pour 4e^t=3+3e^t, soit e^t=3, en changeant de signe de - à + : g est minimale en t=\ln3, avec g(\ln3)=\ln2-\frac34\ln3. D’où P\left(S\geqslant\frac{3n}4\right)\leqslant e^{n(\ln2-\frac34\ln3)}=\left(\frac2{3^{3/4}}\right)^n.

⇝ P\left(S\geqslant\frac{3n}4\right)\leqslant0{,}877^n : la probabilité décroît exponentiellement vite.

5. E(S)=\frac n2 et V(S)=\frac n4, donc P\left(S\geqslant\frac{3n}4\right)\leqslant P\left(\left|S-\frac n2\right|\geqslant\frac n4\right)\leqslant\frac{n/4}{n^2/16}=\frac4n. Pour n=100 : Bienaymé-Tchebychev donne 0{,}04, Chernoff donne 0{,}877^{100}\approx2{,}1\times10^{-6}, pour une valeur exacte d’environ 2{,}8\times10^{-7}. Chernoff est environ 20\,000 fois plus précise.

Ces inégalités de concentration exponentielles (Chernoff, Hoeffding) sont fondamentales en statistique et en informatique (algorithmes probabilistes, apprentissage automatique).


Pour aller plus loin

Besoin d’aide sur ce chapitre, ou envie de viser plus haut ?

Un blocage sur une notion, un contrôle à préparer — ou l’ambition d’une mention au Bac et d’une bonne prépa : Pr. Elakili, agrégé de mathématiques depuis 1991, propose des cours particuliers aux lycéens (Première, Terminale, Maths expertes), en présentiel à Casablanca, ou à distance, partout au Maroc et en France.

🎯 Objectif : réussir son Bac, viser la mention et arriver dans le supérieur avec une formation solide.

Publications similaires