Statistique Mathematique Serie D Exercices Corriges

BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
Statistique Mathématique : Série d'exercices corrigés
Exercice 1 :
ÉNONCÉ
On considère une variable aléatoire 𝑿 normale centrée réduite 𝑿 ↝ 𝓝 𝟎, 𝟏 .
On pose 𝒀 = 𝑿
1) Déterminer le domaine des valeurs possibles de 𝒀

2) Déterminer 𝑮 𝒚 la fonction de répartition de 𝒀 en fonction de 𝑭 la fonction de répartition de 𝑿
3) En déduire la densité de probabilité de la variable 𝒀
4) Prouver que 𝑬 𝒀𝟐 est égale à l’unité
5) Prouver que la médiane de 𝒀 est le troisième quartile de la variable 𝑿
Le rappel de cours
𝑳𝒐𝒊 𝒏𝒐𝒓𝒎𝒂𝒍𝒆 𝒄𝒆𝒏𝒕𝒓é𝒆 𝒓é𝒅𝒖𝒊𝒕𝒆 𝓝 𝟎, 𝟏
𝟏 𝒛𝟐
𝑫𝒆𝒏𝒔𝒊𝒕é 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é 𝒅. 𝒅. 𝒑 : 𝒁 ↝ 𝓝 𝟎, 𝟏 ⟹ 𝒇 𝒛 = 𝒆− 𝟐
𝟐𝝅
𝑽𝒂𝒍𝒆𝒖𝒓𝒔 𝒑𝒓𝒊𝒔𝒆𝒔 𝒑𝒂𝒓 𝒍𝒂 𝒗. 𝒂 𝒁 ∶ 𝜴𝒁 = −∞, +∞
𝒛
𝟏 𝒕𝟐
𝑭𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒓é𝒑𝒂𝒓𝒕𝒊𝒕𝒊𝒐𝒏 𝒇. 𝒓 : 𝜱 𝒛 = 𝑷 𝒁 < 𝑧 = 𝒆− 𝟐 𝒅𝒕
𝟐𝝅
−∞
𝜱 −𝒛 = 𝟏 − 𝜱 𝒛
𝟏
𝜱 𝟎 =
𝟐
𝒅𝜱 𝒛
=𝒇 𝒛
𝒅𝒛
+∞
𝟏 𝒛𝟐
𝒕𝒁 𝒕𝒛 − 𝟐
𝑭𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒈é𝒏é𝒓𝒂𝒕𝒓𝒊𝒄𝒆 𝒅𝒆𝒔 𝒎𝒐𝒎𝒆𝒏𝒕𝒔 𝒇. 𝒈. 𝒎 : 𝑴𝒁 𝒕 = 𝑬 𝒆 = 𝒆 𝒆 𝒅𝒛
𝟐𝝅
−∞
+∞
𝟏 𝒛𝟐 𝒕𝟐
𝑴𝒁 𝒕 = 𝒆𝒕𝒛− 𝟐 𝒅𝒛 = 𝒆 𝟐 ; ∀ 𝒕 ∈ ℝ
𝟐𝝅
−∞
1
Adresse : 38, av de l'environnement Manouba Centre, Manouba
𝑬 𝒁 =𝟎
𝑽 𝒁 =𝟏
Corrigé
1) 𝑿 ↝ 𝓝 𝟎, 𝟏 ⟹ 𝜴𝑿 = −∞, +∞
𝒀 = 𝑿 ⟹ 𝜴𝒀 = 𝟎, +∞
2) 𝑮 𝒚 = 𝑷 𝒀 < 𝑦 = 𝑷 𝑿 < 𝑦 = 𝑷 −𝒚 < 𝑋 < 𝑦 = 𝑭 𝒚 − 𝑭 −𝒚
𝑭 𝒚 = 𝑷 𝑿 < 𝑦 𝒂𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 𝑭 𝒚 𝒆𝒔𝒕 𝒍𝒂 𝒇. 𝒓 𝒅𝒆 𝒍𝒂 𝒗. 𝒂 𝑿
𝒐𝒓 𝑭 −𝒚 = 𝟏 − 𝑭 𝒚 , 𝒅𝒐𝒏𝒄 𝑮 𝒚 = 𝑭 𝒚 − 𝟏 − 𝑭 𝒚
𝒅′ 𝒐ù 𝑮 𝒚 = 𝟐𝑭 𝒚 − 𝟏
𝒅𝑮 𝒚 𝒅𝑭 𝒚
3) 𝑺𝒐𝒊𝒕 𝒈 𝒚 𝒍𝒂 𝒅. 𝒅. 𝒑 𝒅𝒆 𝒍𝒂 𝒗. 𝒂 𝒀, 𝒐𝒓 = 𝒈 𝒚 𝒆𝒕 =𝒇 𝒚
𝒅𝒚 𝒅𝒚
𝒅𝑮 𝒚 𝒅 𝟐𝑭 𝒚 − 𝟏
𝑮 𝒚 = 𝟐𝑭 𝒚 − 𝟏 ⟹ ∀ 𝒚 ∈ 𝟎, +∞ =
𝒅𝒚 𝒅𝒚
𝒅𝑭 𝒚
⟹ ∀ 𝒚 ∈ 𝟎, +∞ 𝒈 𝒚 = 𝟐
𝒅𝒚
⟹ ∀ 𝒚 ∈ 𝟎, +∞ 𝒈 𝒚 = 𝟐𝒇 𝒚
𝟐 −𝒚𝟐
𝒅′ 𝒐ù 𝒍𝒂 𝒅. 𝒅. 𝒑 𝒅𝒆 𝒍𝒂 𝒗. 𝒂 𝒀 ∶ 𝒈 𝒚 = 𝒆 𝟐 , ∀ 𝒚 ∈ 𝟎, +∞
𝝅
𝟎 , 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔
4) 𝑬 𝒀𝟐 = 𝑬 𝑿 𝟐 = 𝑬 𝑿𝟐
𝑽 𝑿 =𝟏
𝟐
𝒐𝒓 𝑽 𝑿 = 𝑬 𝑿𝟐 − 𝑬 𝑿 ⟹ 𝑬 𝑿𝟐 = 𝟏
𝑬 𝑿 =𝟎
𝑫′ 𝒐ù 𝑬 𝒀𝟐 = 𝟏
𝟏
5) 𝑺𝒐𝒊𝒕 𝑴𝒆𝒀 𝒍𝒂 𝒗𝒂𝒍𝒆𝒖𝒓 𝒎é𝒅𝒊𝒂𝒏𝒆 𝒅𝒆 𝒍𝒂 𝒗. 𝒂 𝒀, 𝒄𝒆 𝒒𝒖𝒊 𝒅𝒐𝒏𝒏𝒆 𝑮 𝑴𝒆𝒀 = 𝟐
𝒐𝒓 𝑮 𝒚 = 𝟐𝑭 𝒚 − 𝟏 𝒅𝒐𝒏𝒄 𝒆𝒏 𝒑𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒊𝒆𝒓 𝑮 𝑴𝒆𝒀 = 𝟐𝑭 𝑴𝒆𝒀 − 𝟏
𝟏
⟹ 𝟐𝑭 𝑴𝒆𝒀 − 𝟏 =
𝟐
𝟑
⟹ 𝟐𝑭 𝑴𝒆𝒀 =
𝟐
𝟑
⟹ 𝑭 𝑴𝒆𝒀 =
𝟒
𝟑
𝑵𝒐𝒕𝒐𝒏𝒔 𝑸𝟑 𝑿 𝒍𝒆 𝒕𝒓𝒐𝒊𝒔𝒊è𝒎𝒆 𝒒𝒖𝒂𝒓𝒕𝒊𝒍𝒆 𝒅𝒆 𝒍𝒂 𝒗. 𝒂 𝑿, 𝒄𝒆 𝒒𝒖𝒊 𝒅𝒐𝒏𝒏𝒆 𝑭 𝑸𝟑 𝑿 =
𝟒
𝑪𝒐𝒎𝒎𝒆 𝒕𝒐𝒖𝒕𝒆 𝒇. 𝒓 , 𝑭 𝒓é𝒂𝒍𝒊𝒔𝒆 𝒖𝒏𝒆 𝒃𝒊𝒋𝒆𝒄𝒕𝒊𝒐𝒏 𝒔𝒖𝒓 𝜴𝑿
𝒑𝒂𝒓 𝒍𝒖𝒔𝒖𝒊𝒕𝒆 ∶ 𝑭 𝑸𝟑 𝑿 = 𝑭 𝑴𝒆𝒀 ⟺ 𝑸𝟑 𝑿 = 𝑴𝒆𝒀
2
Exercice 2 :
ÉNONCÉ
On note 𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 les gains d’une entreprise sur 𝒏 périodes successives. On admet que ces variables
sont indépendantes, ayant la même espérance mathématique 𝒎 et la même variance 𝝇𝟐 .
On pose :
𝒀𝟏 = 𝑿𝟏 ,
𝑿𝟏 + 𝑿𝟐
𝒀𝟐 = ,
𝟐
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑
𝒀𝟑 =
𝟑
𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏
𝒆𝒕 𝒀𝒏 = 𝒑𝒐𝒖𝒓 𝒏 𝒆𝒏𝒕𝒊𝒆𝒓 𝒑𝒐𝒔𝒊𝒕𝒊𝒇
𝒏
1) Que représentent les variables 𝒀𝟏 , 𝒀𝟐 , … , 𝒀𝒏 pour l’entreprise ?
2) Déterminer les espérances mathématiques des variables 𝒀𝟏 , 𝒀𝟐 , … , 𝒀𝒏
3) Calculer les variances et les écarts types des variables 𝒀𝟏 , 𝒀𝟐 , … , 𝒀𝒏
4) Calculer 𝑬 𝒀𝟐𝒊 𝒑𝒐𝒖𝒓 𝒊 = 𝟏, 𝟐, … , 𝒏
5)
i. Calculer pour les trois premiers variables 𝒀𝟏 , 𝒀𝟐 , 𝒀𝟑 les covariances entre 𝒀𝒊 et 𝒀𝒋 pour
𝒊 = 𝟏, 𝟐 𝒆𝒕 𝟑 et pour 𝒋 = 𝟏, 𝟐 𝒆𝒕 𝟑
ii. En déduire tout les coefficients de corrélation linéaire 𝝆𝒊𝒋 entre 𝒀𝒊 et 𝒀𝒋 pour 𝒊 = 𝟏, 𝟐 𝒆𝒕 𝟑
et pour 𝒋 = 𝟏, 𝟐 𝒆𝒕 𝟑
iii. Exprimer 𝒀𝒏 en fonction de 𝒀𝒏−𝟏 et de 𝑿𝒏
Corrigé
1)
𝒏
𝟏
∀ 𝒌 = 𝟏, 𝟐, … , 𝒏 ; 𝒀𝒌 = 𝑿𝒍 = 𝑿 é𝒕𝒂𝒏𝒕 𝒍𝒂 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆 𝒅𝒆 𝒍’𝒏 − é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏 𝒊. 𝒊. 𝒅
𝒌
𝒍=𝟏
𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 , 𝒆𝒍𝒍𝒆 𝒓𝒆𝒑𝒓é𝒔𝒆𝒏𝒕𝒆 𝒖𝒏𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒕𝒉é𝒐𝒓𝒊𝒒𝒖𝒆 𝒎 𝒅𝒆𝒔 𝒈𝒂𝒊𝒏𝒔 𝒅𝒆
𝒍’𝒆𝒏𝒕𝒓𝒆𝒑𝒓𝒊𝒔𝒆 𝒔𝒖𝒓 𝒍𝒆𝒔 𝒌 𝒑é𝒓𝒊𝒐𝒅𝒆𝒔. 𝑶𝒏 𝒏𝒐𝒕𝒆 𝒎 = 𝑿
2)
𝑬 𝒀𝟏 = 𝑬 𝑿𝟏 = 𝒎
3
Rappel de cour
𝒍𝒆𝒔 𝒗. 𝒂 𝑿𝒊 𝒊=𝟏,𝟐,…,𝒏 𝒔𝒐𝒏𝒕 𝒊𝒅𝒆𝒏𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒐𝒏𝒄 ∶ • 𝑬 𝑿𝟏 = 𝑬 𝑿𝟐 = ⋯ = 𝑬 𝑿𝒏 = 𝒎
• 𝜴𝑿𝟏 = 𝜴𝑿𝟐 = ⋯ = 𝜴𝑿𝒏
• 𝒇𝑿𝟏 𝒙 = 𝒇𝑿𝟐 𝒙 = ⋯ = 𝒇𝑿𝒏 𝒙
• 𝑭𝑿𝟏 𝒙 = 𝑭𝑿𝟐 𝒙 = ⋯ = 𝑭𝑿𝒏 𝒙
• 𝑴𝑿𝟏 𝒕 = 𝑴𝑿𝟐 𝒕 = ⋯ = 𝑴𝑿𝒏 𝒕
𝒏 𝒏
∀𝒍𝒆𝒔 𝒗. 𝒂 𝑿𝒊 𝒊=𝟏,𝟐,…,𝒏 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 𝒐𝒖 𝒑𝒂𝒔, 𝒐𝒏 𝒂 𝒕𝒐𝒖𝒋𝒐𝒖𝒓𝒔: 𝑬 𝑿𝒊 = 𝑬 𝑿𝒊

𝒊=𝟏 𝒊=𝟏
𝑿𝟏 + 𝑿𝟐 𝟏 𝟏
𝑬 𝒀𝟐 = 𝑬 = 𝑬 𝑿𝟏 + 𝑬 𝑿𝟐 = 𝒎+𝒎 = 𝒎
𝟐 𝟐 𝟐
𝑬 𝒀𝟐 = 𝒎
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏 𝟏
𝑬 𝒀𝒏 =𝑬 𝑿𝒊 = 𝑬 𝑿𝒊 = 𝑬 𝑿𝒊 = 𝒎= 𝒏𝒎 = 𝒎
𝒏 𝒏 𝒏 𝒏 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝒍𝒆𝒔 𝒗. 𝒂 𝑿𝒊 𝒊=𝟏,𝟐,…,𝒏 𝒔𝒐𝒏𝒕 𝒊𝒅𝒆𝒏𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒐𝒏𝒄 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏 ; 𝑬 𝑿𝒊 = 𝒎
𝑬 𝒀𝒏 = 𝒎
3)
𝑽 𝒀𝟏 = 𝑽 𝑿𝟏 = 𝝇𝟐 ⟹ 𝝇𝟐𝒀𝟏 = 𝝇𝟐
Rappel de cours
𝑽 𝒂𝑿𝟏 + 𝒃𝑿𝟐 = 𝒂𝟐 𝑽 𝑿𝟏 + 𝒃𝟐 𝑽 𝑿𝟐 + 𝟐𝒂𝒃𝑪𝒐𝒗 𝑿𝟏 , 𝑿𝟐
𝑿𝟏 𝒆𝒕 𝑿𝟐 𝟐 𝒗. 𝒂 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 ⟹ 𝑪𝒐𝒗 𝑿𝟏 , 𝑿𝟐 = 𝟎
𝑪𝒐𝒗 𝑿𝒊 , 𝒀𝒋 = 𝑪𝒐𝒗 𝑿𝒊 , 𝒀𝒋
𝒊 𝒋 𝒊 𝒋
𝒏 𝒏
𝑽 𝑿𝒊 = 𝑽 𝑿𝒊 + 𝟐 𝑪𝒐𝒗 𝑿𝒊 , 𝑿𝒋
𝒊=𝟏 𝒊=𝟏 𝟏≤𝒊<𝑗 ≤𝑛
4
𝑿𝟏 + 𝑿𝟐 𝟏 𝟏 𝟏 𝟏 𝟏 𝟏
𝑽 𝒀𝟐 = 𝑽 = 𝑽 𝑿𝟏 + 𝑿𝟐 = 𝑽 𝑿𝟏 + 𝑽 𝑿𝟐 + 𝟐 × × 𝑪𝒐𝒗 𝑿𝟏 , 𝑿𝟐
𝟐 𝟐 𝟐 𝟒 𝟒 𝟐 𝟐
𝟎
𝟏 𝟐 𝝇𝟐
⟹ 𝑽 𝒀𝟐 = 𝑽 𝑿𝟏 + 𝑽 𝑿𝟐 =
𝟒 𝟒
𝝇𝟐 𝝇
𝑽 𝒀𝟐 = ⟹ 𝝇𝟐𝒀𝟐 =
𝟐 𝟐
𝒏 𝒏
𝟏 𝟏
𝑽 𝒀𝒏 =𝑽 𝑿𝒊 = 𝟐𝑽 𝑿𝒊
𝒏 𝒏
𝒊=𝟏 𝒊=𝟏
𝑶𝒓 𝒍𝒆𝒔 𝒗. 𝒂 𝑿𝒊 𝒊=𝟏,𝟐,…,𝒏 𝒔𝒐𝒏𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 𝒅𝒐𝒏𝒄 ∀ 𝒊 ≠ 𝒋 𝑪𝒐𝒗 𝑿𝒊 , 𝑿𝒋 = 𝟎,

𝒏 𝒏 𝒏
𝒑𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 𝑽 𝑿𝒊 = 𝑽 𝑿𝒊 = 𝝇𝟐 = 𝒏 𝝇𝟐
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝟏
𝑨𝒊𝒏𝒔𝒊 𝑽 𝒀𝒏 = 𝟐
𝒏 𝝇𝟐
𝒏
𝝇𝟐 𝝇
𝑽 𝒀𝒏 = ⟹ 𝝇𝟐𝒀𝒏 =
𝒏 𝒏
4)
𝟐 𝟐
𝑬 𝒀𝟐𝟏 = 𝑬 𝑿𝟐𝟏 𝒐𝒓 𝑽 𝑿𝟏 = 𝑬 𝑿𝟐𝟏 − 𝑬 𝑿𝟏 ⟹ 𝑬 𝑿𝟐𝟏 = 𝑽 𝑿𝟏 + 𝑬 𝑿𝟏 = 𝝇𝟐 + 𝒎𝟐
𝑫′ 𝒐ù 𝑬 𝒀𝟐𝟏 = 𝝇𝟐 + 𝒎𝟐
𝟐
𝑬 𝒀𝟐𝟐 = 𝑽 𝒀𝟐 + 𝑬 𝒀𝟐
𝝇𝟐
𝑶𝒓 𝑽 𝒀𝟐 = 𝒆𝒕 𝑬 𝒀𝟐 = 𝒎
𝟐
𝝇𝟐
𝑫𝒐𝒏𝒄 𝑬 𝒀𝟐𝟐 = + 𝒎𝟐
𝟐
𝟐
𝑬 𝒀𝟐𝒏 = 𝑽 𝒀𝒏 + 𝑬 𝒀𝒏
𝝇𝟐
𝑶𝒓 𝑽 𝒀𝒏 = 𝒆𝒕 𝑬 𝒀𝒏 = 𝒎
𝒏
𝝇𝟐
𝑫𝒐𝒏𝒄 𝑬 𝒀𝟐𝒏 = + 𝒎𝟐
𝒏
5
5)
i.
𝑽 𝒀𝒊 + 𝒀𝒋 − 𝑽 𝒀𝒊 − 𝑽 𝒀𝒋
𝑽 𝒀𝒊 + 𝒀𝒋 = 𝑽 𝒀𝒊 + 𝑽 𝒀𝒋 + 𝟐𝑪𝒐𝒗 𝒀𝒊 , 𝒀𝒋 ⟹ 𝑪𝒐𝒗 𝒀𝒊 , 𝒀𝒋 =
𝟐
𝑬𝒏 𝒑𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒊𝒆𝒓 𝑪𝒐𝒗 𝒀𝒊 , 𝒀𝒊 = 𝑽 𝒀𝒊
𝑪𝒐𝒗 𝒀𝟏 , 𝒀𝟏 = 𝑽 𝒀𝟏 = 𝝇𝟐
𝝇𝟐
𝑪𝒐𝒗 𝒀𝟐 , 𝒀𝟐 = 𝑽 𝒀𝟐 =
𝟐
𝝇𝟐
𝑪𝒐𝒗 𝒀𝟑 , 𝒀𝟑 = 𝑽 𝒀𝟑 =
𝟑
𝑽 𝒀𝟏 + 𝒀𝟐 − 𝑽 𝒀𝟏 − 𝑽 𝒀𝟐
𝑪𝒐𝒗 𝒀𝟏 , 𝒀𝟐 = 𝑪𝒐𝒗 𝒀𝟐 , 𝒀𝟏 =
𝟐
𝑿𝟏 + 𝑿𝟐 𝟐 𝝇𝟐
𝑽 𝑿𝟏 + − 𝝇 −
= 𝟐 𝟐
𝟐
𝟑 𝟏 𝟑𝝇𝟐
𝑽 𝟐 𝑿𝟏 + 𝟐 𝑿𝟐 − 𝟐
=
𝟐
𝟗 𝟏 𝟑𝝇𝟐
𝑽 𝑿𝟏 + 𝑽 𝑿𝟐 −
=𝟒 𝟒 𝟐 ; 𝒄𝒂𝒓 ∀ 𝒊 ≠ 𝒋 𝑪𝒐𝒗 𝑿 , 𝑿 = 𝟎
𝒊 𝒋
𝟐
𝟗 𝟐 𝟏 𝟐 𝟑 𝟐
𝝇 + 𝟒𝝇 − 𝟐𝝇
=𝟒
𝟐
𝝇𝟐
𝑪𝒐𝒗 𝒀𝟏 , 𝒀𝟐 = 𝑪𝒐𝒗 𝒀𝟐 , 𝒀𝟏 =
𝟐
𝑽 𝒀𝟏 + 𝒀𝟑 − 𝑽 𝒀𝟏 − 𝑽 𝒀𝟑
𝑪𝒐𝒗 𝒀𝟏 , 𝒀𝟑 = 𝑪𝒐𝒗 𝒀𝟑 , 𝒀𝟏 =
𝟐
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 𝟐 𝝇𝟐
𝑽 𝑿𝟏 + − 𝝇 −
= 𝟑 𝟑
𝟐
𝟒 𝟏 𝟏 𝟒
𝑽 𝟑 𝑿𝟏 + 𝟑 𝑿𝟐 + 𝟑 𝑿𝟑 − 𝟑 𝝇𝟐
=
𝟐
6
𝟏𝟔 𝟐 𝟏 𝟐 𝟏 𝟐 𝟒 𝟐
𝝇 + 𝟗𝝇 + 𝟗𝝇 − 𝟑𝝇
= 𝟗
𝟐
𝝇𝟐
𝑪𝒐𝒗 𝒀𝟏 , 𝒀𝟑 = 𝑪𝒐𝒗 𝒀𝟑 , 𝒀𝟏 =
𝟑
𝑽 𝒀𝟐 + 𝒀𝟑 − 𝑽 𝒀𝟐 − 𝑽 𝒀𝟑
𝑪𝒐𝒗 𝒀𝟐 , 𝒀𝟑 = 𝑪𝒐𝒗 𝒀𝟑 , 𝒀𝟐 =
𝟐
𝑿𝟏 + 𝑿𝟐 𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 𝝇𝟐 𝝇𝟐
𝑽 + −
= 𝟐 𝟑 𝟐 − 𝟑
𝟐
𝟓 𝟓 𝟏 𝟓
𝑽 𝟔 𝑿𝟏 + 𝟔 𝑿𝟐 + 𝟑 𝑿𝟑 − 𝟔 𝝇𝟐
=
𝟐
𝟐𝟓 𝟐 𝟐𝟓 𝟐 𝟏 𝟐 𝟓 𝟐
𝝇 + 𝟑𝟔 𝝇 + 𝟗 𝝇 − 𝟔 𝝇
= 𝟑𝟔
𝟐
𝝇𝟐
𝑪𝒐𝒗 𝒀𝟐 , 𝒀𝟑 = 𝑪𝒐𝒗 𝒀𝟑 , 𝒀𝟐 =
𝟑
Rappel de cours
𝑪𝒐𝒗 𝒀𝒊 , 𝒀𝒋
𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 ∶ 𝝆𝒊𝒋 =
𝑽 𝒀𝒊 𝑽 𝒀𝒋
ii.
𝑪𝒐𝒗 𝒀𝒊 , 𝒀𝒊 𝑽 𝒀𝒊
𝝆𝒊𝒊 = = ⟹ 𝝆𝒊𝒊 = 𝟏 ∀ 𝒊 = 𝟏, 𝟐, 𝟑
𝑽 𝒀𝒊 𝑽 𝒀𝒊 𝑽 𝒀𝒊 𝑽 𝒀𝒊
𝝇𝟐
𝑪𝒐𝒗 𝒀𝟏 , 𝒀𝟐 𝟐 𝟐
𝝆𝟏𝟐 = = ⟹ 𝝆𝟏𝟐 =
𝑽 𝒀𝟏 𝑽 𝒀𝟐 𝝇𝟐 𝟐
𝝇𝟐 𝟐
𝝇𝟐
𝑪𝒐𝒗 𝒀𝟏 , 𝒀𝟑 𝟑 𝟑
𝝆𝟏𝟑 = = ⟹ 𝝆𝟏𝟑 =
𝑽 𝒀𝟏 𝑽 𝒀𝟑 𝝇𝟐 𝟑
𝝇𝟐 𝟑
𝝇𝟐
𝑪𝒐𝒗 𝒀𝟐 , 𝒀𝟑 𝟑 𝟔
𝝆𝟐𝟑 = = ⟹ 𝝆𝟐𝟑 =
𝑽 𝒀𝟐 𝑽 𝒀𝟑 𝝇𝟐 𝝇𝟐 𝟑
𝟐 𝟑
7
iii.
𝒏 𝒏−𝟏
𝟏 𝟏
𝒀𝒏 = 𝑿𝒊 = 𝑿𝒊 + 𝑿𝒏
𝒏 𝒏
𝒊=𝟏 𝒊=𝟏
𝟏
𝒀𝒏 = 𝒀 + 𝑿𝒏
𝒏 𝒏−𝟏
Exercice 2 :
ÉNONCÉ
On considère une grandeur 𝒙𝒕 positive telle que :
𝒚𝒕 = 𝒍𝒏 𝒙𝒕 = 𝒂𝒕 + 𝒃 + 𝒖𝒕 𝒑𝒐𝒖𝒓 𝒕 = 𝟏, 𝟐, … , 𝑻
Avec 𝒖𝒕 des termes d’erreurs indépendants, suivant la loi normale centrée réduite :
𝑬 𝒖𝒕 = 𝟎 ; 𝑽 𝒖𝒕 = 𝟏. On pose 𝜟𝒚𝒕 = 𝒚𝒕 − 𝒚𝒕−𝟏
1) Prouver que si on néglige le terme d’erreur, le paramètre 𝒂 est le taux de croissance moyen de la
grandeur 𝒚𝒕
2) Calculer l’espérance mathématique et la variance de 𝜟𝒚𝒕
𝟏
3) Prouver que le coefficient de corrélation linéaire entre 𝜟𝒚𝒕 et 𝜟𝒚𝒕−𝟏 est égale à − 𝟐
4) Calculer le coefficient de corrélation linéaire entre 𝜟𝒚𝒕 et 𝜟𝒚𝒕−𝟐
5) On suppose dans cette question que 𝒃 = 𝟎
i. Déterminer en fonction des valeurs de 𝒚𝒕 et de 𝒕 𝒑𝒐𝒖𝒓 𝒕 = 𝟏, 𝟐, … , 𝑻 l’expression de
l’estimateur de 𝒂 par les moindres carrés ordinaires
ii. Exprimer cette estimation en fonction des valeurs de 𝒙𝒕 et de 𝒕 𝒑𝒐𝒖𝒓 𝒕 = 𝟏, 𝟐, … , 𝑻
6) On suppose dans cette question que 𝒂 = 𝒃 = 𝟎
i. Déterminer la fonction de répartition de 𝒙𝒕
ii. En déduire la densité de probabilité de 𝒙𝒕
iii. Déterminer la moyenne géométrique de 𝒙𝒕 𝒑𝒐𝒖𝒓 𝒕 = 𝟏, 𝟐, … , 𝑻 en fonction de la
moyenne arithmétique des variables 𝒖𝒕
iv. En déduire l’espérance mathématique de cette moyenne géométrique
Corrigé
1) 𝜟𝒚𝒕 = 𝒚𝒕 − 𝒚𝒕−𝟏 = 𝒂𝒕 + 𝒃 + 𝒖𝒕 − 𝒂 𝒕 − 𝟏 + 𝒃 + 𝒖𝒕−𝟏
= 𝒂𝒕 + 𝒃 + 𝒖𝒕 − 𝒂𝒕 − 𝒂 + 𝒃 + 𝒖𝒕−𝟏
= 𝒂 + 𝒖𝒕 − 𝒖𝒕−𝟏
𝜟𝒚𝒕 = 𝒂 + 𝜟𝒖𝒕
8
1) En négligeant les perturbations 𝜟𝒖𝒕 ≅ 𝟎 on obtient 𝜟𝒚𝒕 ≅ 𝒂 , taux de croissance moyen de la
grandeur 𝒚𝒕
𝒚𝒕 − 𝒚𝒕−𝟏 𝜟𝒚𝒕
𝒕𝒂𝒖𝒙 𝒅𝒆 𝒄𝒓𝒐𝒊𝒔𝒔𝒂𝒏𝒄𝒆 𝒎𝒐𝒚𝒆𝒏 𝒅𝒆 𝒍𝒂 𝒈𝒓𝒂𝒏𝒅𝒆𝒖𝒓 𝒚𝒕 : = = 𝜟𝒚𝒕
𝒕− 𝒕−𝟏 𝟏
2) 𝑬 𝜟𝒚𝒕 = 𝑬 𝒂 + 𝒖𝒕 − 𝒖𝒕−𝟏 = 𝒂 + 𝑬 𝒖𝒕 − 𝑬 𝒖𝒕−𝟏

𝟎 𝟎
𝑬 𝜟𝒚𝒕 = 𝒂
𝑽 𝜟𝒚𝒕 = 𝑽 𝒂 + 𝒖𝒕 − 𝒖𝒕−𝟏 = 𝑽 𝒖𝒕 + 𝑽 𝒖𝒕−𝟏

𝟏 𝟏
𝑽 𝜟𝒚𝒕 = 𝟐
Rappel de cours
𝑾 𝒆𝒕 𝒁 𝟐 𝒗. 𝒂 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 ⟹ 𝑽 𝑾 ± 𝒁 = 𝑽 𝑾 + 𝑽 𝒁
3) 𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟏 = 𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 − 𝑬 𝜟𝒚𝒕 𝑬 𝜟𝒚𝒕−𝟏

𝒂 𝒂
𝒐𝒓 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 = 𝒂 + 𝒖𝒕 − 𝒖𝒕−𝟏 𝒂 + 𝒖𝒕−𝟏 − 𝒖𝒕−𝟐
𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 = 𝒂𝟐 + 𝒂𝒖𝒕−𝟏 − 𝒂𝒖𝒕−𝟐 + 𝒂𝒖𝒕 + 𝒖𝒕 𝒖𝒕−𝟏 − 𝒖𝒕 𝒖𝒕−𝟐 − 𝒂𝒖𝒕−𝟏 − 𝒖𝟐𝒕−𝟏 + 𝒖𝒕−𝟏 𝒖𝒕−𝟐
3) 𝑬 𝒖𝒕 = 𝑬 𝒖𝒕−𝟏 = 𝑬 𝒖𝒕−𝟐 = 𝟎
𝑪𝒐𝒗 𝒖𝒕 , 𝒖𝒕−𝟏 = 𝑬 𝒖𝒕 . 𝒖𝒕−𝟏 − 𝑬 𝒖𝒕 𝑬 𝒖𝒕−𝟏 = 𝟎 ⟹ 𝑬 𝒖𝒕 . 𝒖𝒕−𝟏 = 𝟎

𝟎 𝟎
𝑪𝒐𝒗 𝒖𝒕 , 𝒖𝒕−𝟐 = 𝑬 𝒖𝒕 . 𝒖𝒕−𝟐 − 𝑬 𝒖𝒕 𝑬 𝒖𝒕−𝟐 = 𝟎 ⟹ 𝑬 𝒖𝒕 . 𝒖𝒕−𝟐 = 𝟎

𝟎 𝟎
𝑪𝒐𝒗 𝒖𝒕−𝟏 , 𝒖𝒕−𝟐 = 𝑬 𝒖𝒕−𝟏 . 𝒖𝒕−𝟐 − 𝑬 𝒖𝒕−𝟏 𝑬 𝒖𝒕−𝟐 = 𝟎 ⟹ 𝑬 𝒖𝒕−𝟏 . 𝒖𝒕−𝟐 = 𝟎

𝟎 𝟎
𝟐
𝑽 𝒖𝒕−𝟏 = 𝑬 𝒖𝟐𝒕−𝟏 − 𝑬 𝒖𝒕−𝟏 = 𝟏 ⟹ 𝑬 𝒖𝟐𝒕−𝟏 = 𝟏
𝟎
𝑨𝒊𝒏𝒔𝒊 𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏

= 𝑬 𝒂𝟐 + 𝒂𝒖𝒕−𝟏 − 𝒂𝒖𝒕−𝟐 + 𝒂𝒖𝒕 + 𝒖𝒕 𝒖𝒕−𝟏 − 𝒖𝒕 𝒖𝒕−𝟐 − 𝒂𝒖𝒕−𝟏 − 𝒖𝟐𝒕−𝟏 + 𝒖𝒕−𝟏 𝒖𝒕−𝟐
𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 = 𝒂𝟐 − 𝒂 𝑬 𝒖𝒕−𝟐 + 𝒂 𝑬 𝒖𝒕 + 𝑬 𝒖𝒕 . 𝒖𝒕−𝟏 − 𝑬 𝒖𝒕 . 𝒖𝒕−𝟐 − 𝑬 𝒖𝟐𝒕−𝟏 + 𝑬 𝒖𝒕−𝟏 . 𝒖𝒕−𝟐

𝟎 𝟎 𝟎 𝟎 𝟏 𝟎
𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 = 𝒂𝟐 − 𝟏 𝒑𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟏 = 𝒂𝟐 − 𝟏 − 𝒂𝟐
𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟏 = −𝟏
9
𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟏 −𝟏
𝝆𝜟𝒚𝒕 ,𝜟𝒚𝒕−𝟏 = =
𝑽 𝜟𝒚𝒕 𝑽 𝜟𝒚𝒕−𝟏 𝟐×𝟐
𝑶𝒓 𝑽 𝜟𝒚𝒕−𝟏 = 𝑽 𝒂 + 𝒖𝒕−𝟏 − 𝒖𝒕−𝟐 = 𝑽 𝒖𝒕−𝟏 + 𝑽 𝒖𝒕−𝟐 = 𝟐

𝟏 𝟏
𝟏
𝑫′ 𝒐ù 𝝆𝜟𝒚𝒕,𝜟𝒚𝒕−𝟏 = −
𝟐
4) 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟐 = 𝒂 + 𝒖𝒕 − 𝒖𝒕−𝟏 𝒂 + 𝒖𝒕−𝟐 − 𝒖𝒕−𝟑

= 𝒂𝟐 + 𝒂𝒖𝒕−𝟐 − 𝒂𝒖𝒕−𝟑 + 𝒂𝒖𝒕 + 𝒖𝒕 𝒖𝒕−𝟐 − 𝒖𝒕 𝒖𝒕−𝟑 − 𝒂𝒖𝒕−𝟏 − 𝒖𝒕−𝟏 𝒖𝒕−𝟐 + 𝒖𝒕−𝟏 𝒖𝒕−𝟑
𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟐
= 𝒂𝟐 + 𝒂 𝑬 𝒖𝒕−𝟐 − 𝒂 𝑬 𝒖𝒕−𝟑 + 𝒂 𝑬 𝒖𝒕 + 𝑬 𝒖𝒕 . 𝒖𝒕−𝟐 − 𝑬 𝒖𝒕 . 𝒖𝒕−𝟑 − 𝒂 𝑬 𝒖𝒕−𝟏
𝟎 𝟎 𝟎 𝟎 𝟎 𝟎
− 𝑬 𝒖𝒕−𝟏 . 𝒖𝒕−𝟐 + 𝑬 𝒖𝒕−𝟏 . 𝒖𝒕−𝟑
𝟎 𝟎
𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 = 𝒂𝟐
𝑶𝒓 𝑬 𝜟𝒚𝒕 = 𝑬 𝜟𝒚𝒕−𝟐 = 𝒂 𝒆𝒕 𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟐 = 𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟐 − 𝑬 𝜟𝒚𝒕 𝑬 𝜟𝒚𝒕−𝟐

𝒂𝟐 𝒂 𝒂
𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟐 = 𝟎 𝒆𝒕 𝝆𝜟𝒚𝒕 ,𝜟𝒚𝒕−𝟐 = 𝟎
5)
i. 𝒚𝒕 = 𝒍𝒏 𝒙𝒕 = 𝒂𝒕 + 𝒖𝒕 ⟹ 𝒚𝒕 = 𝒍𝒏 𝒙𝒕 = 𝒂𝒕
𝒖 𝒕 = 𝒚𝒕 − 𝒚𝒕
La méthode des moindres carrés ordinaires consiste à minimiser la somme des carrés des résidus :
𝑻 𝑻 𝑻
𝒖𝟐𝒕 =𝜳 𝒂 ⟹𝜳 𝒂 = 𝒚𝒕 − 𝒚𝒕 𝟐
= 𝒚𝒕 − 𝒂𝒕 𝟐
𝒕=𝟏 𝒕=𝟏 𝒕=𝟏
𝑻 𝑻 𝑻
𝜳′ 𝒂 = 𝟐 𝒚𝒕 − 𝒂𝒕 ′
𝒚𝒕 − 𝒂 𝒕 = −𝟐𝒕 𝒚𝒕 − 𝒂𝒕 = −𝟐𝒕𝒚𝒕 + 𝟐𝒂𝒕𝟐
𝒕=𝟏 −𝒕 𝒕=𝟏 𝒕=𝟏
𝑻
′′
𝜳 𝒂 = 𝟐𝒕𝟐
𝒕=𝟏
𝜳′ 𝒂 = 𝟎
𝒂 𝒔𝒐𝒍𝒖𝒕𝒊𝒐𝒏 𝒅𝒆 𝑺
𝜳′′ 𝒂 > 0
10
𝑻
−𝟐𝒕𝒚𝒕 + 𝟐𝒂𝒕𝟐 = 𝟎 𝟏
𝒕=𝟏
𝑺 ⇔ 𝑻
𝟐𝒕𝟐 > 0 𝟐
𝒕=𝟏
𝑻 𝑻 𝑻
𝟐
𝟏 : 𝟐𝒕𝒚𝒕 − 𝟐𝒂𝒕 =𝟎⇔𝟐 𝒕𝒚𝒕 − 𝟐𝒂 𝒕𝟐 = 𝟎
𝒕=𝟏 𝒕=𝟏 𝒕=𝟏
𝑻 𝑻
𝟐
⇔𝒂 𝒕 = 𝒕𝒚𝒕
𝒕=𝟏 𝒕=𝟏
𝑻
𝒕=𝟏 𝒕𝒚𝒕
⇔𝒂= 𝑻 𝟐
𝒕=𝟏 𝒕
𝟐 : 𝟐𝒕𝟐 > 0 é𝑣𝑖𝑑𝑒𝑛𝑡𝑒

𝒕=𝟏
𝑻
𝒕=𝟏 𝒕𝒚𝒕
𝑫’𝒐ù 𝒂 = 𝑻 𝟐
𝒕=𝟏 𝒕
ii.
𝑻
𝒕=𝟏 𝒕 𝒍𝒏 𝒙𝒕
𝒂= 𝑻 𝟐
𝒕=𝟏 𝒕
6)
i.
𝒚𝒕 = 𝒍𝒏 𝒙𝒕 = 𝒖𝒕 ⇔ 𝒙𝒕 = 𝒆𝒖𝒕 , 𝒂𝒗𝒆𝒄 𝒖𝒕 ↝ 𝓝 𝟎, 𝟏
𝑵𝒐𝒕𝒐𝒏𝒔 𝑭𝑼 𝒛 = 𝑷 𝑼 < 𝑧 𝒆𝒕 𝑭𝑿 𝒛 = 𝑷 𝑿 < 𝑧
𝑳𝒆𝒔 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏𝒔 𝒅𝒆 𝒓é𝒑𝒂𝒓𝒕𝒊𝒕𝒊𝒐𝒏𝒔 𝒓𝒆𝒔𝒑𝒆𝒄𝒕𝒊𝒗𝒆𝒔 𝒅𝒆𝒔 𝒗. 𝒂 𝑼 𝒆𝒕 𝑿
𝑭𝑿 𝒛 = 𝑷 𝑿 < 𝑧 = 𝑷 𝒆𝑼 < 𝑧 𝒐𝒓 𝑳𝒏 𝒆𝒔𝒕 ↗ 𝒔𝒖𝒓 𝟎, +∞
𝒅𝒐𝒏𝒄 𝑭𝑿 𝒛 = 𝑷 𝒍𝒏 𝒆𝑼 < 𝑙𝑛 𝒛 ⇔ 𝑭𝑿 𝒛 = 𝑷 𝑼 < 𝑙𝑛 𝒛
𝒍𝒏 𝒛
𝟏 𝒖𝟐
𝑫′ 𝒐ù 𝑭𝑿 𝒛 = 𝑭𝑼 𝒍𝒏 𝒛 = 𝒆− 𝟐 𝒅𝒖
𝟐𝝅
−∞
ii.
11
′ 𝟏
𝒇𝑿 𝒛 = 𝑭′𝑿 𝒛 = 𝒍𝒏 𝒛 𝑭′𝑼 𝒍𝒏 𝒛 = 𝒇 𝒍𝒏 𝒛
𝒛 𝑼
𝑶ù 𝒇𝑿 𝒆𝒕 𝒇𝑼 𝑳𝒆𝒔 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏𝒔 𝒅𝒆𝒏𝒔𝒊𝒕é 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é 𝒓𝒆𝒔𝒑𝒆𝒄𝒕𝒊𝒗𝒆𝒔 𝒅𝒆𝒔 𝒗. 𝒂 𝑿 𝒆𝒕 𝑼
𝟐
𝟏 𝟏 − 𝒍𝒏 𝒛
𝑷𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 𝒇𝑿 𝒛 = 𝒆 𝟐 𝒐ù 𝒛 ∈ 𝜴𝑿 = 𝟎, +∞
𝒛 𝟐𝝅
iii.
𝟏 𝟏
𝑻 𝑻 𝑻 𝑻 𝑻
𝑻
𝑮𝑿 = 𝒙𝒕 = 𝒙𝒕 ⇒ 𝒍𝒏 𝑮𝑿 = 𝒍𝒏 𝒙𝒕
𝒕=𝟏 𝒕=𝟏 𝒕=𝟏
𝑻
𝟏
⇒ 𝒍𝒏 𝑮𝑿 = 𝒍𝒏 𝒙𝒕
𝑻
𝒕=𝟏
𝑻
𝟏
⇒ 𝒍𝒏 𝑮𝑿 = 𝒍𝒏 𝒙𝒕
𝑻
𝒕=𝟏
𝑻
𝟏
⇒ 𝒍𝒏 𝑮𝑿 = 𝒖𝒕
𝑻
𝒕=𝟏
𝒅′𝒐ù 𝒍𝒏 𝑮𝑿 = 𝑼
iv.
𝑻 𝑻 𝑻
𝟏 𝟏 𝟏
𝑬 𝒍𝒏 𝑮𝑿 =𝑬 𝑼 =𝑬 𝒖𝒕 = 𝑬 𝒖𝒕 = 𝑬 𝒖𝒕
𝑻 𝑻 𝑻
𝒕=𝟏 𝒕=𝟏 𝒕=𝟏 𝟎
𝑫′ 𝒐ù 𝑬 𝒍𝒏 𝑮𝑿 =𝟎
N.B :
Il est archi faux de dire que 𝑬 𝒍𝒏 𝑮𝑿 = 𝟎 ⇒ 𝑬 𝑮𝑿 = 𝒆𝟎 = 𝟏
Cependant il existe d’autres méthodes qui nous aident à calculer 𝑬 𝑮𝑿
𝒍𝒏 𝑮𝑿 = 𝑼 ⇔ 𝑮𝑿 = 𝒆𝑼
𝜶
𝒐𝒓 𝑴𝑼 𝜶 = 𝑬 𝒆𝜶𝑼 = 𝑬 𝒆𝑼 = 𝑬 𝑮𝑿 𝜶
⇒ 𝑴𝑼 𝟏 = 𝑬 𝑮𝑿
𝑪𝒂𝒍𝒄𝒖𝒍𝒐𝒏𝒔 𝒅’𝒂𝒃𝒐𝒓𝒅𝒔 𝑴𝑼 𝜶 :
12
𝑻
𝟏 𝟏
𝑴𝑼 𝜶 = 𝑴𝟏 𝜶 =𝑴 𝑻 𝜶 = 𝑴 𝒖𝒕 𝜶
𝒕=𝟏 𝒖𝒕
𝑻
𝑻 𝒕=𝟏 𝒖𝒕 𝑻 𝑻
𝒕=𝟏
𝟏 𝟐
𝜶𝟐 𝟏 𝑻
𝜶 𝜶𝟐
𝒐𝒓 𝑴𝒖𝒕 𝜶 = 𝒆𝟐 𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝒖𝒕 ↝ 𝓝 𝟎, 𝟏 ⇒ 𝑴𝒖𝒕 𝜶 = 𝒆 𝟐 = 𝒆𝟐𝑻𝟐
𝑻
𝑻 𝑻
𝜶𝟐 𝜶𝟐 𝜶𝟐 𝟏
𝑴𝑼 𝜶 = 𝒆 𝟐
𝟐𝑻 = 𝒆 𝟐
𝟐𝑻 = 𝒆 𝟐𝑻 ⇒ 𝑴𝑼 𝟏 = 𝒆𝟐𝑻
𝒕=𝟏
𝟏
𝑫′ 𝒐ù 𝑬 𝑮𝑿 = 𝒆𝟐𝑻
13

Statistique Mathematique Serie D Exercices Corriges

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Statistique Mathematique Serie D Exercices Corriges

Transféré par

Droits d'auteur :

Formats disponibles

BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191

Statistique Mathématique : Série d'exercices corrigés

1) Déterminer le domaine des valeurs possibles de 𝒀

𝑽𝒂𝒍𝒆𝒖𝒓𝒔 𝒑𝒓𝒊𝒔𝒆𝒔 𝒑𝒂𝒓 𝒍𝒂 𝒗. 𝒂 𝒁 ∶ 𝜴𝒁 = −∞, +∞

𝒑𝒂𝒓 𝒍𝒖𝒔𝒖𝒊𝒕𝒆 ∶ 𝑭 𝑸𝟑 𝑿 = 𝑭 𝑴𝒆𝒀 ⟺ 𝑸𝟑 𝑿 = 𝑴𝒆𝒀

𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 , 𝒆𝒍𝒍𝒆 𝒓𝒆𝒑𝒓é𝒔𝒆𝒏𝒕𝒆 𝒖𝒏𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒕𝒉é𝒐𝒓𝒊𝒒𝒖𝒆 𝒎 𝒅𝒆𝒔 𝒈𝒂𝒊𝒏𝒔 𝒅𝒆

𝒍’𝒆𝒏𝒕𝒓𝒆𝒑𝒓𝒊𝒔𝒆 𝒔𝒖𝒓 𝒍𝒆𝒔 𝒌 𝒑é𝒓𝒊𝒐𝒅𝒆𝒔. 𝑶𝒏 𝒏𝒐𝒕𝒆 𝒎 = 𝑿

𝒍𝒆𝒔 𝒗. 𝒂 𝑿𝒊 𝒊=𝟏,𝟐,…,𝒏 𝒔𝒐𝒏𝒕 𝒊𝒅𝒆𝒏𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒐𝒏𝒄 ∶ • 𝑬 𝑿𝟏 = 𝑬 𝑿𝟐 = ⋯ = 𝑬 𝑿𝒏 = 𝒎

• 𝜴𝑿𝟏 = 𝜴𝑿𝟐 = ⋯ = 𝜴𝑿𝒏

• 𝒇𝑿𝟏 𝒙 = 𝒇𝑿𝟐 𝒙 = ⋯ = 𝒇𝑿𝒏 𝒙

• 𝑭𝑿𝟏 𝒙 = 𝑭𝑿𝟐 𝒙 = ⋯ = 𝑭𝑿𝒏 𝒙

• 𝑴𝑿𝟏 𝒕 = 𝑴𝑿𝟐 𝒕 = ⋯ = 𝑴𝑿𝒏 𝒕

∀𝒍𝒆𝒔 𝒗. 𝒂 𝑿𝒊 𝒊=𝟏,𝟐,…,𝒏 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 𝒐𝒖 𝒑𝒂𝒔, 𝒐𝒏 𝒂 𝒕𝒐𝒖𝒋𝒐𝒖𝒓𝒔: 𝑬 𝑿𝒊 = 𝑬 𝑿𝒊

𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝒍𝒆𝒔 𝒗. 𝒂 𝑿𝒊 𝒊=𝟏,𝟐,…,𝒏 𝒔𝒐𝒏𝒕 𝒊𝒅𝒆𝒏𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒐𝒏𝒄 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏 ; 𝑬 𝑿𝒊 = 𝒎

𝑽 𝒂𝑿𝟏 + 𝒃𝑿𝟐 = 𝒂𝟐 𝑽 𝑿𝟏 + 𝒃𝟐 𝑽 𝑿𝟐 + 𝟐𝒂𝒃𝑪𝒐𝒗 𝑿𝟏 , 𝑿𝟐

𝑶𝒓 𝒍𝒆𝒔 𝒗. 𝒂 𝑿𝒊 𝒊=𝟏,𝟐,…,𝒏 𝒔𝒐𝒏𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 𝒅𝒐𝒏𝒄 ∀ 𝒊 ≠ 𝒋 𝑪𝒐𝒗 𝑿𝒊 , 𝑿𝒋 = 𝟎,

𝑬 𝒖𝒕 = 𝟎 ; 𝑽 𝒖𝒕 = 𝟏. On pose 𝜟𝒚𝒕 = 𝒚𝒕 − 𝒚𝒕−𝟏

2) 𝑬 𝜟𝒚𝒕 = 𝑬 𝒂 + 𝒖𝒕 − 𝒖𝒕−𝟏 = 𝒂 + 𝑬 𝒖𝒕 − 𝑬 𝒖𝒕−𝟏

𝑽 𝜟𝒚𝒕 = 𝑽 𝒂 + 𝒖𝒕 − 𝒖𝒕−𝟏 = 𝑽 𝒖𝒕 + 𝑽 𝒖𝒕−𝟏

3) 𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟏 = 𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 − 𝑬 𝜟𝒚𝒕 𝑬 𝜟𝒚𝒕−𝟏

𝒐𝒓 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 = 𝒂 + 𝒖𝒕 − 𝒖𝒕−𝟏 𝒂 + 𝒖𝒕−𝟏 − 𝒖𝒕−𝟐

𝑪𝒐𝒗 𝒖𝒕 , 𝒖𝒕−𝟏 = 𝑬 𝒖𝒕 . 𝒖𝒕−𝟏 − 𝑬 𝒖𝒕 𝑬 𝒖𝒕−𝟏 = 𝟎 ⟹ 𝑬 𝒖𝒕 . 𝒖𝒕−𝟏 = 𝟎

𝑪𝒐𝒗 𝒖𝒕 , 𝒖𝒕−𝟐 = 𝑬 𝒖𝒕 . 𝒖𝒕−𝟐 − 𝑬 𝒖𝒕 𝑬 𝒖𝒕−𝟐 = 𝟎 ⟹ 𝑬 𝒖𝒕 . 𝒖𝒕−𝟐 = 𝟎

𝑪𝒐𝒗 𝒖𝒕−𝟏 , 𝒖𝒕−𝟐 = 𝑬 𝒖𝒕−𝟏 . 𝒖𝒕−𝟐 − 𝑬 𝒖𝒕−𝟏 𝑬 𝒖𝒕−𝟐 = 𝟎 ⟹ 𝑬 𝒖𝒕−𝟏 . 𝒖𝒕−𝟐 = 𝟎

𝑨𝒊𝒏𝒔𝒊 𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏

𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 = 𝒂𝟐 − 𝒂 𝑬 𝒖𝒕−𝟐 + 𝒂 𝑬 𝒖𝒕 + 𝑬 𝒖𝒕 . 𝒖𝒕−𝟏 − 𝑬 𝒖𝒕 . 𝒖𝒕−𝟐 − 𝑬 𝒖𝟐𝒕−𝟏 + 𝑬 𝒖𝒕−𝟏 . 𝒖𝒕−𝟐

𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟏 = 𝒂𝟐 − 𝟏 𝒑𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟏 = 𝒂𝟐 − 𝟏 − 𝒂𝟐

𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟏 = −𝟏

𝑶𝒓 𝑽 𝜟𝒚𝒕−𝟏 = 𝑽 𝒂 + 𝒖𝒕−𝟏 − 𝒖𝒕−𝟐 = 𝑽 𝒖𝒕−𝟏 + 𝑽 𝒖𝒕−𝟐 = 𝟐

4) 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟐 = 𝒂 + 𝒖𝒕 − 𝒖𝒕−𝟏 𝒂 + 𝒖𝒕−𝟐 − 𝒖𝒕−𝟑

𝑶𝒓 𝑬 𝜟𝒚𝒕 = 𝑬 𝜟𝒚𝒕−𝟐 = 𝒂 𝒆𝒕 𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟐 = 𝑬 𝜟𝒚𝒕 . 𝜟𝒚𝒕−𝟐 − 𝑬 𝜟𝒚𝒕 𝑬 𝜟𝒚𝒕−𝟐

𝑪𝒐𝒗 𝜟𝒚𝒕 , 𝜟𝒚𝒕−𝟐 = 𝟎 𝒆𝒕 𝝆𝜟𝒚𝒕 ,𝜟𝒚𝒕−𝟐 = 𝟎

𝒕=𝟏 𝒕=𝟏 𝒕=𝟏

𝟐 : 𝟐𝒕𝟐 > 0 é𝑣𝑖𝑑𝑒𝑛𝑡𝑒

𝑵𝒐𝒕𝒐𝒏𝒔 𝑭𝑼 𝒛 = 𝑷 𝑼 < 𝑧 𝒆𝒕 𝑭𝑿 𝒛 = 𝑷 𝑿 < 𝑧

𝑳𝒆𝒔 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏𝒔 𝒅𝒆 𝒓é𝒑𝒂𝒓𝒕𝒊𝒕𝒊𝒐𝒏𝒔 𝒓𝒆𝒔𝒑𝒆𝒄𝒕𝒊𝒗𝒆𝒔 𝒅𝒆𝒔 𝒗. 𝒂 𝑼 𝒆𝒕 𝑿

𝑭𝑿 𝒛 = 𝑷 𝑿 < 𝑧 = 𝑷 𝒆𝑼 < 𝑧 𝒐𝒓 𝑳𝒏 𝒆𝒔𝒕 ↗ 𝒔𝒖𝒓 𝟎, +∞

𝒅𝒐𝒏𝒄 𝑭𝑿 𝒛 = 𝑷 𝒍𝒏 𝒆𝑼 < 𝑙𝑛 𝒛 ⇔ 𝑭𝑿 𝒛 = 𝑷 𝑼 < 𝑙𝑛 𝒛

Il est archi faux de dire que 𝑬 𝒍𝒏 𝑮𝑿 = 𝟎 ⇒ 𝑬 𝑮𝑿 = 𝒆𝟎 = 𝟏

Cependant il existe d’autres méthodes qui nous aident à calculer 𝑬 𝑮𝑿

Vous aimerez peut-être aussi