Institut Supérieur d’Informatique 2ème LFIM et TMW 2.

Montrer que
1
et du Multimédia de Sfax Décembre 2019 E(X) = 1 − .
1+θ
Enseignant : Abdallah Ben Abdallah
3. Si trois observations x1 = 0.4, x2 = 0.7, x3 = 0.9, sont enregistrées de la variable X,
donner une estimation θ̂ de θ .
Série 5
Estimation des paramètres Exercice 3 : L’installation d’un certain hardware prend un temps aléatoire X de moyenne µ
et d’écart type σ les deux inconnus (l’unité est la minute). Un technicien installe ce hardware
Des valeurs numériques utiles : sur n ordinateurs. Soit X1 , · · · , Xn les temps des installations correspondants. Nous désignons,
respectivement, par X et S2 la moyenne et la variance de l’échantillon.
φ −1 (0.995) = 2.57, t18
−1 −1
(0.995) = 2.8784, χ18 −1
(0.995) = 37.16, χ18 (0.005) = 6.26 1. Nous supposons que σ est connu et est égal à 5 mn.
(a) Quelle est approximativement la loi et les éléments caractéristiques de la variable
où φ est la fonction de répartition de la loi normale centrée réduite N (0, 1), tn est la fonction
aléatoire
de répartition de la loi de Student de degré de liberté n et χn est la fonction de répartition de la X −µ
Z= √ ?
loi Khi2 de degré de liberté n. σ/ n
Préciser le Théorème utilisé.
Exercice 1 : Lorsque nous exécutons un code sur un ordinateur, le nombre de fois où il (b) Déterminer en fonction de n, la marge d’erreur approximatif ∆ tel que
fonctionne sans erreur suit une loi géométrique de paramètre inconnu p ∈]0, 1[. Pour 5 ordina-


teurs indépendants, un étudiant enregistre les nombres suivants d’exécutions sans erreurs : P X − ∆ ≤ µ ≤ X + ∆ = 0, 99.

3 7 5 3 2. Indication : Nous rappelons que

1. Estimer p en utilisant la méthode des moments. P − zα/2 ≤ Z ≤ zα/2 = 1 − α,

2. Si nous exécutons le code sur un nouveau ordinateur, quelle est la probabilité qu’il fonc-
avec zα/2 = φ −1 (1 − α/2).
tionne sans erreurs jusqu’à la 4 ème fois ?
(c) Avec une confiance de 99%, quelle est la taille minimale n∗ d’échantillon pour que
∆ soit plus petite que 3 mn ?
Exercice 2 : Soit X une variable aléatoire de densité de probabilité :
2. Nous supposons maintenant que σ est inconnu et que le technicien a installé le hardware
(
θ xθ −1 , x ∈ [0, 1], sur 19 ordinateurs. La moyenne observée de l’installation est x = 42mn et la variance est
f (x) =
0, sinon, s2 = 4.
(a) Quelle est approximativement la loi et les éléments caractéristiques de la variable
avec θ est un paramètre positif inconnu. aléatoire
X −µ
T= √ ?
1. Vérifier que f est bien une densité de probabilité. S/ 19

1
 (b) Déterminer un intervalle de confiance de µ avec une valeur de confiance 0,99. Indi- Corrigé de série n◦ 5
cation : Nous rappelons que


P − t1−α/2,18 ≤ Z ≤ t1−α/2,18 = 1 − α,
Exercice 1 : Lorsque nous exécutons un code sur un ordinateur, soit X le nombre de fois où il
−1 fonctionne sans erreur. Nous supposons que X suit une loi géométrique de paramètre inconnu
avec t1−α/2,18 = t18 (1 − α/2) où t18 est la fonction de répartition de la loi de Student
p ∈]0, 1[. Soit X1 , · · · , X5 un échantillon aléatoire de X et
de degré de liberté 18.
(c) Quelle est approximativement la loi et les éléments caractéristiques de la variable 1
X = (X1 + · · · + X5 )
aléatoire 5
18 2
K= S ? la moyenne de l’échantillon aléatoire. Soit encore
σ2
(d) Déterminer un intervalle de confiance de σ avec une valeur de confiance 0,99. 1 5
S2 = ∑ (Xk − X)2
5 − 1 k=1
Exercice 4 : (Exam 2010) Lorsqu’on transmet un message µ ∈ R à travers un canal de
communication d’un emplacement A vers un emplacement B, on reçoit en B le message la variance de l’échantillon. Les 5 valeurs observés de X sont 3, 7, 5, 3, 2.

R = µ +N 1. La méthode des moments implique que X et S2 sont des estimateurs de µ = E(X) = 1

et
p
1−p
σ2 = V(X) = p2
. Si nous utilisant X pour estimer p, nous obtenons p̂ une estimation
où N est une variable aléatoire normale de moyenne 0 et d’écart type σ = 2. Pour réduire les de p est donnée par
erreurs, nous avons envoyé le message µ qui est inconnu, 9 fois et nous avons reçu les valeurs 1 1
= x = (3 + 7 + 5 + 3 + 2) = 4.
suivantes p̂ 5
5, 8.5, 12, 15, 7, 9, 7.5, 6.5, 10.5 Ainsi, une estimation de p est p̂ = 0.25. Remarquons que nous pouvons utiliser l’esti-
mateur S2 pour estimer p. En effet,
1. Calculez la moyenne x de l’échantillon.
2. Donnez la loi et les éléments caractéristiques de la variable aléatoire 1
s2 = (3 − 4)2 + (7 − 4)2 + (5 − 4)2 + (3 − 4)2 + (2 − 4)2 = 4.


5−1
X −µ
Z= . Ainsi, une estimation p̂ de p est tel que
σ /3
1 − p̂
3. Déterminez un intervalle de confiance de µ avec une valeur de confiance 95%. Indica- =4
p̂2
tion : On pourra remarquer que
√
−1+ 17
c’est à dire 4 p̂2 + p̂ − 1 = 0. D’où p̂ = 8 = 0.39.
P (−1.96 < Z < 1.96) = 0.95
2. En utilisant l’estimation p̂ = 0.25 de p, la variable X suit une loi géométrique de pa-
ramètre p̂ = 0.25. Alors, si nous exécutons le code, la probabilité qu’il fonctionne sans

2
 erreurs jusqu’à la 4 ème fois est donné par 2. Nous avons

Z +∞
P(X ≥ 5) = 1 − P(X < 5) E X = x f (x)dx
−∞
= 1 − (P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4)) Z 1
= θ xθ dx
= 1 − (0.25) × (0.75)1−1 + (0.75)2−1 + (0.75)3−1 + (0.75)4−1


0
h xθ +1 i1
1 − (0.75)4 = θ
= 1 − (0.25) × θ +1 0
1 − 0.75
4 θ
= (0.75) = 0.3164 =
θ +1
1
. = 1−
1+θ

3. En utilisant la méthode des moments, la moyenne de l’échantillon X est un estimateur

1
sans biais de µ = E(X) = 1 − 1+θ . Si trois observations x1 = 0.4, x2 = 0.7, x3 = 0.9,
sont enregistrées de la variable X, alors la moyenne observée est
Exercice 2 : Soit X une variable aléatoire de densité de probabilité : 1 1 2
x = (x1 + · · · + xn ) = (0.4 + 0.7 + 0.9) = .
( n 3 3
θ xθ −1 , x ∈ [0, 1],
f (x) =
0, sinon, Alors, une estimation θ̂ de θ est donnée par

avec θ est un paramètre positif inconnu. 1 2

µ̂ = 1 − =x= .
1 + θ̂ 3

Ainsi, une estimation de θ est θ̂ = 3.

Exercice 3 :

1. Nous supposons que σ = 5mn.

1. Il est claire que f (x) ≥ 0, pour tout réel x. De plus,
(a) En utilisant le théorème de limite centrale, la variable aléatoire
Z +∞ Z 1
f (x)dx = θ xθ −1 dx X −µ
−∞ 0 Z= √
h i1 σ/ n
= xθ
0
suit la loi normale centrée réduite N (0, 1).
= 1
(b) Nous avons


Ainsi, f est bien une densité de probabilité. P X − ∆ ≤ µ ≤ X + ∆ = 0, 99

3
 est équivalent à ou encore
 

∆ ∆
 S S
P − √ ≤Z≤ √ = 0, 99 = 1 − α. P X − t0.995,18 √ ≤ µ ≤ X + t0.995,18 √ = 0.99
5/ n 5/ n 19 19

D’où α = 0.01. D’autre part, nous avons Un simple calcul numérique donne

S 2.8784 × 2
t0.995,18 √ = √


P − zα/2 ≤ Z ≤ zα/2 = 1 − α = 1.321
19 19

. Nous déduisons que l’on peut choisir, Ainsi,

P (µ ∈ [40.679, 43.321]) = 0.99,
∆
√ = zα/2 = φ −1 (1 − α/2) = φ −1 (0.995) = 2.57
5/ n c’est à dire [40.679, 43.321] est un intervalle de confiance de µ de valeur de
confiance 99%.
Ainsi,
2.57 × 5 12.85
∆= √ = √ .
n n
(c) La variable aléatoire
(c) Nous cherchons n tel que 18 2
K= S
12.85 σ2
∆ = √ ≤ 3.
n suit une loi Khi2 de degré de liberté 19 − 1 = 18.
C’est à dire n ≥ (12.85/3)2 = 18.35. Ainsi, la taille minimale n∗ d’échantillon pour
que ∆ soit plus petite que 3 mn avec une confiance de 99% est n∗ = 19. (d) Nous avons


2. Nous supposons σ est inconnu et que le technicien a installé le hardware sur 19 ordina- P χα/2,18 ≤ K ≤ χ1−α/2,18 = 1 − α = 0.99,
teurs. La moyenne et la variance des 19 installations sont x = 42mn et s2 = 4, respecti- −1 −1
où χα/2,18 = χ18 (α/2) et χ1−α/2,18 = χ18 (1 − α/2). Il est facile de voir que α =
vement.
0.01. Ainsi, nous avons
(a) La variable aléatoire  
X −µ 18
T= √ P χα/2,18 ≤ 2 S2 ≤ χ1−α/2,18 = 0.99
S/ 19 σ
suit la loi de Student de degré de liberté 19-1=18. ou encore s s !
(b) Nous avons 18S2 18S2
P ≤σ ≤ = 0.99

χ1−α/2,18 χα/2,18
P − t1−α/2,18 ≤ T ≤ t1−α/2,18 = 1 − α = 0.99
Un simple calcul numérique donne
c’est à dire α = 0.01 et ou encore
s s
18S2 18S2
 
X −µ
P −t0.995,18 ≤ √ ≤ t0.995,18 = 0.99 = 1.39, = 3.39
S/ 19 χ1−α/2,18 χα/2,18

4
 Ainsi,
P (σ ∈ [1.39, 3.39]) = 0.99,

c’est à dire [1.39, 3.39] est un intervalle de confiance de σ de valeur de confiance

99%.

1. La moyenne x de l’échantillon est donnée par

1 81
x = (5 + 8.5 + 12 + 15 + 7 + 9 + 7.5 + 6.5 + 10.5) = = 9.
9 9

2. La variable aléatoire
X −µ X −µ
Z= = √ ,
σ /3 σ/ 9
suit une loi normale centrée réduite N (0, 1).
3. Nous avons
P (−1.96 < Z < 1.96) = 0.95

ou encore  
X −µ
P −1.96 < < 1.96 = 0.95
σ /3
D’où  σ σ
P X − 1.96 < µ < X + 1.96 = 0.95
3 3
Ainsi,
P (9 − 1.3 < µ < 9 + 1.3) = 0.95,

c’est à dire [7.7, 10.3] est un intervalle de confiance de µ de valeur de confiance 95%.