Vous êtes sur la page 1sur 8

Examen de Probabilités et Statistique

Session principale

Abdallah Ben Abdallah

Université de Sfax

Institut supérieur d’informatique et multimédia de Sfax

Année universitaire 2015-2016


1

Université de Sfax 2ème LFIM


Institut Supérieur d’informatique Janvier 2016
et du Multimédia de Sfax Durée : 1 H 15 mn

Examen de Probabilités et Statistique


Session Principale
Une grande importance sera attachée à la qualité de rédaction et au soin de la présentation. Le sujet est
composé de deux exercices et un problème. Le problème est composé de trois parties qui peuvent être traiter in-
dépendament, mais il est conseillé de les traiter dans l’ordre croissant. Notons encore que toutes les calculatrices
sont autorisées.

On donne les valeurs numériques suivantes :


ϕ(0.98) = 0.8365, ϕ(2.575) = 0.995,
14 (0, 995) = 31.32, χ14 (0, 005) = 4.07,
χ−1 −1

t14 (2.977) = 0.995,


où ϕ(.) est la fonction de répartition de la loi normale centrée réduite N (0, 1), t14 (.) est la fonction de répar-
tition 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 : (6 points) Nous étudions l’angle θ sous lequel des électrons sont émis lors d’une dés-
intégration du muon1 . Le cosinus de l’angle x = cos(θ) peut être modéliser par une variable aléatoire X de
densité de probabilité (
0.5(1 + αx), −1 ≤ x ≤ 1,
f (x) =
0, sinon,

où α ∈ [−1, 1] est une paramètre inconnue que l’on veut estimer. Dans la suite X désigne la moyenne
d’échantillon X1 , ..., Xn de la variable aléatoire X.

1. Vérifier que f est bien une densitée de probabilité.

2. Montrer que l’espérance et la variance de X sont données par

α2
 
α 1
E(X) = , V(X) = 1 − .
3 3 3

3. Montrer que U = 3X est un estimateur sans biais de α.

4. Déterminer l’erreur d’estimateur E(U ) = V(U ).


1 C’est une particule élémentaire de charge négative mais avec une masse 207 fois plus grande (c’est pourquoi on l’appelle aussi

électron lourd).
2

5. Dix observations de X ont données les valeurs

0.1, 0.2, 0.15, 0.2, 0.15, 0.1, 0.1, 0.2, 0.15, 0.15.

Donner une estimation α̂ de α.

Exercice 2 : (5 points) Supposons que l’erreur d’arrondissement X lors d’un calcul par ordinateur
des racines carrées d’une certaine gamme des nombres est une variable aléatoire de loi uniforme sur l’intervalle
[−0.5, 0.5].
Nous nous intéressons à calculer la somme de 50 racines carrées de cette gamme des nombres. Soit
X1 , ..., X50 les erreurs respectifs sur les nombres considérés, X l’erreur moyenne et T l’erreur totale sur la
somme des nombres.

1. Déterminer l’espérance E(X) et la variance V(X).

2. Exprimer T en fonction de X.

3. Montrer que T suit approximativement la loi normale N (0, 5/ 6).

4. Quelle est approximativement la probabilité pour que l’erreur totale T soit plus petit que 2?

Problème : (9 points) Sur le réseau internet, la latence est le délai entre le moment où une infor-
mation 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) = 0.15
√ ϕ−1 (1 − α/2).
n
Indication : On pourra utiliser sans démonstration l’égalité

ϕ−1 (α/2) = −ϕ−1 (1 − α/2).


3

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

2. Montrer que, pour tout α ∈]0, 1[,

P(X − d(α) ≤ µ ≤ X + d(α)) = 99%,

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


15 14

−1
t14 (α/2) = −t14
−1
(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

14S 2
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) = .
χ14 (1 − α/2) χ−1
14 (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- (3 points) Si x ∈ [−1, 1], alors αx ∈ [−1, 1] car la constante α ∈ [−1, 1]. D’où, 1 + αx ≥ 0. Ainsi, la
fonction f (x) ≥ 0, pour tout x ∈ R. D’autre part, nous avons
∫ +∞ ∫ 1
f (x)dx = 0.5(1 + αx)dx
−∞ −1
h 1 2i 1
= 0.5 × x + αx
2 −1
= 0.5 × 2
= 1

Ainsi f est bien une densité de probabilité.

2- (2 points) L’espérance de X est calculée comme suit


∫ +∞
E(X) = xf (x)dx
−∞
∫ 1
= 0.5(x + αx2 )dx
−1
h1 1 3i 1
= 0.5 × x + αx
2
2 3 −1
2
= 0.5 × α
3
α
= .
3

De plus, nous avons


∫ +∞
E(X ) =
2
x2 f (x)dx
−∞
∫ 1
= 0.5(x2 + αx3 )dx
−1
h1 1 4i 1
= 0.5 × x + αx
3
3 4 −1
1
= .
3

Ainsi, la variance de X est


2
V(X) = E(X 2 ) − E(X)
1 α2 
= 1−
3 3
5

3- (2 points) Nous avons


α
E(U ) = E(3X) = 3 E(X) = 3E(X) = 3 = α.
3

D’où, U est un estimateur sans biais de α.

4- L’erreur de l’estimateur U est donnée par

σ2 1 α2 
E(U ) = V(U ) = = 1− .
n 3n 3

5- La moyenne des observations est donnée par


1
x = (0.1 + 0.2 + 0.15 + 0.2 + 0.15 + 0.1 + 0.1 + 0.2 + 0.15 + 0.15)
10
= 0.15

Ainsi, une estimation de α est α̂ = 3x = 0.45

Exercice 2 : (7 points)
1. (1.5 points) La variable aléatoire X suit la loi uniforme sur l’intervalle [−0.5, 0.5], donc l’espérance
et la variance sont données par

a+b
E(x) = = 0,
2
(b − a)2 1
V(x) = = ,
12 12

avec a = −0.5 et b = 0.5 .

2. (1 point) La variable T = X1 + · · · + X50 est la somme totale des erreurs X1 , · · · , X50 . Puisque la
moyenne d’échantillon X est donnée par

X1 + · · · + X50
X= ,
50

il s’ensuit que T = 50X.

3. (1.5 point) Utilisant le Théorème de limite centrale, nous déduisons que la variable aléatoire X
suit une loi normale N (µ, √σn ), avec n = 50, µ = E(X) = 0 et σ 2 = V(X) = 121 . Ainsi, la variable

X −0 T /50 T
Z= √ = √ = √ .
1/( 12 × 50) 1/( 12 × 50) 5/ 6)

D’où, la variable T suit une loi normale N (0, 5/ 6).
6

4. (1 point) Nous avons


 
T 2
P(T < 2) = P √ < √
5/ 6 5/ 6
' P (Z < 0.98)
= ϕ(0.98)
= 0.8365

Problème : (9 points)
Partie 1 : Taille minimale d’échantillon

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

2. (1 point) Nous avons,

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

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

= 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.
7

2. (1 point) Nous avons,

X −µ
P X − d(α) ≤ µ ≤ X + d(α) = P − t14
−1 −1
 
(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.

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


14S 2
1. (1 point) La variable χ = σ2
suit une loi Khi deux de degré de liberté n − 1 = 14.

2. (1 point) Nous avons,

14 2
= P χ−1 S ≤ χ−1
 
P g(α)S ≤ σ ≤ h(α)S 14 (α/2) ≤ 2 14 (1 − α/2) ,
σ
= χ14 −1
χ14 (1 − α/2) − χ14 χ−1

14 (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%.

Vous aimerez peut-être aussi