Université de Sfax 2ème LFIM

Institut Supérieur d’Informatique Septembre 2019

et du Multimédia de Sfax Durée : 1 H 15 mn

Examen de Probabilités et Statistique

Session de rattrapage

Une grande importance sera attachée à la clarté et au soin de la présentation. De plus, notons

que toutes les calculatrices sont autorisées.

Nous donnons les valeurs numériques suivantes :

φ (2) = 0.9772, φ (3.09) = 0.999, φ (0.995) = 2.575, φ (1, 96) = 0.975,
−1 −1
χ14 (0.995) = 31.32, χ14 (0.005) = 4.07,
−1 −1
t14 (0.995) = 2.977, t14 (0.005) = −2.977

où φ (.) est la fonction de répartition de la loi normale centrée réduite N (0, 1), t14 (.) est la fonction

de répartition de la loi de Student de degré de liberté 14 et χ14 (.) est la fonction de répartition de la

loi Khi2 de degré de liberté 14.

Exercice 1 : (8 points) Soit X une variable aléatoire de loi uniforme sur l’intervalle [0, a], où a est
un paramètre strictement positif inconnu que nous voulons l’estimer. Pour un échantillon aléatoire

X1 , · · · , Xn de la variable aléatoire X, nous désignons X la moyenne de l’échantillon et S2 sa variance.

1. Exprimer l’espérance E(X) et la variance V(X) en fonction de a et n.

2. Montrer que U = 2X est un estimateur sans biais de a.

3. Exprimer en fonction de a et n l’erreur E (U) de l’estimateur U.

4. Le retard d’un fournisseur en une livraison d’un certain produit à une certaine entreprise

suit une loi uniforme sur l’intervalle [0, Tmax ], où le paramètre Tmax est le temps maximal de

1
 retard. Nous avons enregistrés les retards suivant pendant les dix premières livraisons (l’unité

est l’heure):

1, 2, 5, 1, 2, 5, 0, 2, 1, 1.

(a) Donner une estimation T̂max de Tmax .

(b) Quelle est la probabilité que la prochaine livraison se fait avec un retard ne dépassant

pas 3 heures?

Exercice 2 : (7 points) La taille de stockage X d’une image numérique peut être modélisée par
une variable aléatoire d’espérance µ = 5 megabytes et d’écart type σ = 0, 25 megabyte.

1. Dans cette question, nous supposons que la variable aléatoire X suit une loi normale. Soit la

variable aléatoire
X −5
Z= .
0, 25

(a) Quelle est la loi et les éléments caractéristiques de la variable Z?

(b) Quelle est la probabilité que la taille de l’image soit entre 4, 5 et 5, 5 megabytes?

2. Nous voulons stocker 60 images dans un espace de 306 megabytes. Soit T = X1 + · · · + X60

la taille totale des 60 images, X la moyenne d’échantillon.

(a) Établir l’expression de X en fonction de X1 , ..., X60 et exprimer T en fonction de X.

(b) Quelle est approximativement la loi et les éléments caractéristiques de la variable aléa-

toire
X −µ
Z = √ ?
0, 25/ 60

Préciser le Théoréme utilisé.

(c) Quelle est approximativement la probabilité pour que la taille totale des images soit plus

petite que 306 megabytes?

(d) L’espace de stockage est-il suffisent pour stocker les 60 images? Justifier.

2
Problème : (9 points) Sur le réseau internet, la latence est le délai entre le moment où une
information est envoyée et celui où elle est reçue. On suppose que la latence peut être modélisée par

une variable aléatoire normale de moyenne µ et d’écart type σ , les deux inconnus. Les connexions

internet sont parfois ralenties dû à la latence de transmission du réseau. On souhaite quantifier cette

latence, ou plus précisément obtenir une estimation par intervalle des paramètres µ et σ .

Partie 1 : Taille minimale d’échantillon L’historique nous indique que l’écart type σ est de
l’ordre de 0.15 seconde. On suppose qu’on envoie n paquets sur le réseau internet et on obtient les

latences aléatoires X1 , ..., Xn de même loi normale µ et d’écart type σ = 0.15 seconde.

1. Quelle est la loi de la variable aléatoire

X −µ
Z= √ ?
0.15/ n

2. Montrer que, pour tout α ∈]0, 1[,

P X − en (α) ≤ µ ≤ X + en (α) = 1 − α,

où en (α) = √ φ −1 (1 − α/2).
0.15
Indication : On pourra utiliser sans démonstration l’égalité
n

φ −1 (α/2) = −φ −1 (1 − α/2).

3. Déterminer nmin la taille minimale d’échantillon pour obtenir une estimation de µ avec une

marge d’erreur plus petite que 0.1 et une valeur de confiance 99%.

Partie 2 : Une estimation de µ Sur 15 paquets envoyés sur le réseau, on a obtenu une latence
moyenne de x = 0.8 seconde, avec un écart type de s = 0.1 seconde.

1. Quelle est la loi et les éléments caractéristiques de la variable aléatoire

X −µ
T= √ ?
S/ 15

3
 2. Montrer que, pour tout α ∈]0, 1[,

P(X − d(α) ≤ µ ≤ X + d(α)) = 99%,

0.1 −1
où d(α) = √ t (1 − α/2).
15 14
Indication : On pourra utiliser sans démonstration l’égalité

−1 −1
t14 (α/2) = −t14 (1 − α/2).

3. Donner un intervalle de confiance de la latence moyenne µ dans le réseau avec valeur de

confiance 99%.

Partie 3 : Une estimation de σ Sur 15 paquets envoyés sur le réseau, on a obtenu une latence
moyenne de x = 0.8 seconde, avec un écart type de s = 0.1 seconde.

1. Quelle est la loi et les éléments caractéristiques de la variable

14S2
χ= ?
σ2

2. Montrer que, pour tout α ∈]0, 1[,

P g(α)S ≤ σ ≤ h(α)S = 1 − α,

où s s
14 14
g(α) = −1
, h(α) = −1
.
χ14 (1 − α/2) χ14 (α/2)

3. Donner un intervalle de confiance de l’écart type σ de la latence dans le réseau avec valeur

de confiance 99%.

Bonne Chance

4
 Corrigé

Exercice 1 : (6 points)

1. (1.5 points) La variable aléatoire X suit une loi uniforme sur l’intervalle [0, a], donc

a
E(X) = µ =
2
a2
V(X) = σ 2 =
12

D’où, la moyenne de l’échantillon X satisfait

a
E(X) = µ =
2
σ2 a2
V(X) = =
n 12n

2. (1.5 points) L’estimateur U de paramètre a est sans biais puisque

E(U) = E(2X)

= 2E(X)

= a.

3. (1 point) L’erreur de l’estimateur U est donnée par

a2
E(U) = V(U) = V(2X) = 22 V(X) = .
3n

4. (a) (1 point) Une estimation de Tmax est

T̂max = 2x
1
= 2× (1 + 2 + 5 + 1 + 2 + 5 + 0 + 2 + 1 + 1)
10
= 4.

(b) (1 point) Notons que T le temps de retard de livraison suit une loi uniforme sur

5
 l’intervalle [0, Tmax ] et une estimation de Tmax est T̂max = 4. D’où, il est naturel de

supposer que T suit une loi uniforme sur [0, 4]. Par conséquent,

3−0 3
P(T ≤ 3) = F(3) = = .
4−0 4

Nous rappelons que la fonction de répartition d’une variable aléatoire de loi uniforme

[a, b] est donnée par

x−a
F(x) = , ∀x ∈ [a, b].
b−a

Exercice 2 : (7 points)

1. (1 point) Puisque la variable aléatoire X suit une loi normale N (5, 0.25), la variable

X −5
Z=
0.25

suit une loi normale centrée réduite N (0, 1).

2. (2 points) Nous avons

4.5 − 5 X − 5 5.5 − 5

P 4.5 ≤ X ≤ 5.5 = P ≤ ≤ ,
0.25 0.25 0.25


= P −2 ≤ Z ≤ 2 ,


= φ (2) − φ (−2) ,

= 2φ (2) − 1,

= 0.9545

3. (1 point) La moyenne de l’échantillon X1 , · · · , X60 est donnée par

1
X= (X1 + · · · + X60 ).
60

Par suite, T = X1 + · · · + X60 la taille totale des images s’exprime en fonction de X par la

relation T = 60X.

6
 4. (a) (1 point) En utilisant le Théorème de limite centrale, nous déduisons que la variable

aléatoire
X −µ
Z = √
0, 25/ 60

suit approximativement une loi normale centrée réduite N (0, 1).

(b) (1 point) Nous avons

P T < 306 = P 60X < 306 ,


= P X < 5.1
X −5 5.1 − 5

= P √ < √
0.25/ 60 0.25/ 60


' P Z < 3.09 ,


= φ (3.09) ,

= 0.999

(c) (1 point) Soit l’événement S : "l’espace de stockage est suffixant". Nous avons

P(S) = P(T < 306) = 0.999,

ce qui indique que l’espace de stockage est bien suffisant.

Problème : (9 points)

Partie 1 : Taille minimale d’échantillon

1. (1 point) La variable Z suit une loi normale centrée réduite N (0, 1).

7
 2. (1 point) Nous avons,

X −µ
P X − en (α) ≤ µ ≤ X + en (α) = P − φ −1 (1 − α/2) ≤ 0.15 ≤ φ −1 (1 − α/2) ,



√
n
= P φ −1 (α/2) ≤ Z ≤ φ −1 (1 − α/2) ,

= φ φ −1 (1 − α/2) − φ φ −1 (α/2) ,

= 1 − α/2 − α/2,

= 1 − α.

3. (1 point) La marge d’erreur étant en (α), avec α = 0.01, ce qui nous donne à la condition

0.15 −1
√ φ (0.995) ≤ 0.1
n

Connaissant que φ −1 (0.995) = 2.575, nous obtenons

√ 0.15
n ≥= × 2.575,
0.1

ce qui implique n ≥ 14.92. Ainsi, la taille minimale d’échantillon est nmin = 15.

Partie 2 : Une estimation de µ

X−µ
1. (1 point) La variable aléatoire T = √
S/ 15
suit une loi de Student de degré de liberté

n − 1 = 14.

2. (1 point) Nous avons,

−1 X −µ −1


P X − d(α) ≤ µ ≤ X + d(α) = P − t14 (1 − α/2) ≤ 0.1 ≤ t14 (1 − α/2) ,
√
15
−1 −1


= P t14 (α/2) ≤ T ≤ t14 (1 − α/2) ,
−1 −1



= t14 t14 (1 − α/2) − t14 t14 (α/2) ,

= 1 − α/2 − α/2,

= 1 − α.

8
 3. (1 point) La valeur de confiance est 0.99 = 1 − α implique que α = 0.01. D’où,

0.1 −1
d(α) = √ t14 (0.995) = 0.077
15

Puisque x = 0.8, nous aurons P(0.723 ≤ µ ≤ 0.877) = 0.99, c’est à dire [0.723, 0.877] est un

intervalle de confiance de µ de valeur de confiance 99%.

Partie 3 : Une estimation de σ

14S2
1. (1 point) La variable χ = σ2
suit une loi Khi deux de degré de liberté n − 1 = 14.

2. (1 point) Nous avons,

−1 14 2 −1


P g(α)S ≤ σ ≤ h(α)S = P χ14 (α/2) ≤ 2
S ≤ χ14 (1 − α/2) ,
σ
−1 −1



= χ14 χ14 (1 − α/2) − χ14 χ14 (α/2) ,

= 1 − α/2 − α/2,

= 1 − α.

3. (1 point) La valeur de confiance est 0.99 = 1 − α implique que α = 0.01. D’où,

g(α) = 0.67, h(α) = 1.85

Puisque s = 0.1, nous aurons P(0.067 ≤ µ ≤ 0.185) = 0.99, c’est à dire [0.067, 0.185] est un

intervalle de confiance de σ de valeur de confiance 99%.