Académique Documents
Professionnel Documents
Culture Documents
L2 M - Statistiques - 2011-2012
Correction TD 2.
où on a utilisé dans la dernière inégalité l’indépendance des variables aléatoires Yi . Donc,
l’inégalité suivant est valide pour tout entier N
N
Y
P (X = ∞) ≤ (1 − p) = (1 − p)N .
i=1
Si on fait tendre N vers +∞, on obtient donc la relation pour tout x ∈ [0, 1[:
∞
X 1
kxk−1 = .
(1 − x)2
k=1
1
3. varX = E(X 2 ) − (E(X))2 = E(X 2 ) − 1/p2 . De plus,
∞
X
E(X 2 ) = k 2 (1 − p)k−1 p
k=1
Le calcul de cette somme est analogue à la question précédente en calculant f 00 (x). On trouve
∞
X 2 1
k 2 (1 − p)k−1 = − 2,
p3 p
k=1
Finalement,
1−p
varX = .
p2
Exercice 2: On commence par rappeller le résultat suivant, dont la preuve se fait par
récurrence sur n.
Lemma 1. Soient A1 , A2 , . . . An , n évenements. (Rappel: un evenement est une partie de Ω).
On suppose ces evenements sont disjoints deux à deux, ce qui signifie P (Ai ∩ Aj ) = 0 pour tout
i 6= j ∈ {1, . . . n}. Alors, !
[n n
X
P Ai = P (Ai ).
i=1 i=1
2. Exactement n − 1 variables parmi Y1 , . . . , Yk−1 valent 1. Cela signifie qu’il existe un sous
ensemble A de {1, . . . k − 1}, de cardinal n − 1 tel que Yi = 1 pour i ∈ A, et Yi = 0 pour
i 6∈ A.
Notons P l’ensemble des sous parties de {1, . . . k − 1} de cardinal n − 1. Alors,
P (N = k) = P (∃A ∈ P, ∀i ∈ A, Yi = 1, ∀i 6∈ A, Yi = 0, Yk = 0) .
[∀i ∈ A1 , Yi = 1, ∀i 6∈ A1 , Yi = 0, Yk = 0] et [∀i ∈ A2 , Yi = 1, ∀i 6∈ A2 , Yi = 0, Yk = 0]
2
Puisque les Yi suivent une loi de Bernouilli de paramètre p,
X X
P (N = k) = pn−1 × (1 − p)(k−1)−(n−1) × p = pn (1 − p)k−n .
A∈P A∈P
Donc, !
50
X
p0 = P Xi ≥ 2 .
i=1
P50
Notons X la variable aléatoire X = i=1 Xi . Il s’agit d’une somme de variable aléatoire indépendantes
de Bernouilli de même paramètre. Donc X ∼ B(50, 0.02). Donc,
p0 = 1 − P (X < 2)
= 1 − (P (X = 0) + P (X = 1))
50 50
= 1− 0.020 0.9850 + 0.021 0.9849
0 1
= 1 − 0.9850 − 0.9849
' 0.264229
Remarque: lorsque X ∼ B(n, p) avec n grand et p petit, une solution souvent plus rapide pour
calculer des probabilités est d’approximer X par une loi de Poisson. De manière générale on peut
utiliser le lemme suivant:
Lemma 3. Soit λ ∈ R et (pn )n≥1 une suite de réels de [0, 1] telle que limn→+∞ pn = 0 et
limn→+∞ npn = λ. Soit, pour chaque n ∈ N? la variable aléatoire Xn ∼ B(n, pn ). Alors, pour tout
k ∈ N? ,
e−λ λk
lim P (Xn = k) = .
n→+∞ k!
3
De manière plus précise, l’inégalité suivante donne une vitesse de convergence:
∞ −npn
(npn )k
P (Xn = k) − e
X
2
k! ≤ npn .
k=0
Ce lemme nous dit la chose suivante. Si X ∼ B(n, p) avec n grand et p petit, et si Y ∼ P(np),
alors pout tout ensemble A,
P (X ∈ A) ' P (Y ∈ A)
De plus, l’erreur est majorée par |P (X ∈ A) − P (Y ∈ A)| ≤ np2 .
Généralement, on accepte l’approximation quand n ≥ 50 et p < 0.1. En particulier,ici, on
peut appliquer ce raisonnement avec n = 50 et p = 0.02. Donc, si Y suit une loi de Poisson de
paramètre 1,
P (X ≥ 2) ' P (Y ≥ 2) = 1 − 2e−1 .
Utilisant le lemme, l’erreur commise est majorée par |P (X ≥ 2) − P (Y ≥ 2)| ≤ 0.02. En fait,
numériquement, 1 − 2e−1 ' 0.264241, ce qui montre que l’approximation est très bonne.
Exercice 4:
1. Soit X ∼ B(n, θ). La loi de Y est donnée par Y (Ω) et P (Y = k) pour tout k ∈ Y (Ω). Puisque
X(Ω) = {0, . . . , n}, on a également Y (Ω) = {0, . . . , n}. De plus, pour k ∈ Y (Ω),
P (Y = k) = P (n − X = k)
= P (X = n − k)
n
= θn−k (1 − θ)n−(n−k)
n−k
n n−k
= θ (1 − θ)k
k
(b) Dans le calcul suivant, nous effectuons un changement d’indice à la 2ème ligne et nous
utilisons le résultat de la question précédente à la 3ème.
x
X n−x−1
X
Prob(1 − θ, n, x) + Prob(θ, n, n − x − 1) = b(i, n, 1 − θ) + b(i, n, θ)
i=0 i=0
Xx Xn
= b(i, n, 1 − θ) + b(n − i, n, θ)
i=0 i=x+1
Xx Xn
= b(i, n, 1 − θ) + b(i, n, 1 − θ)
i=0 i=x+1
Xn
= b(i, n, 1 − θ)
i=0
Xn
= P (Y = i)
i=0
= 1
Exercice 5:
4
1. Puisque X ∼ P(0.8t), alors E(X) = varX = 0.8t. Donc, puisque varX = E[X 2 ] − (E(X))2 ,
Y = 400t − 100X 2 .
3. On cherche t tel que E(Y ) est maximal. Une étude de la fonction t 7→ 320t − 64t2 donne t = 5/2.
Pour une période de 2.5 heures, le profit moyen vaut donc 400 euros.