Université de Kairouan

Institut Supérieur d’Informatique et de Gestion de Kairouan

Devoir Surveillé

ANNEE 2ème Année MP en Ingénierie Economique et Financière

EPREUVE Techniques Quantitatives Appliquées
DUREE 1 Heure

Exercice: (6 pts)

1. Définir la notion d’un processus stationnaire au sens faible.

2. Définir la notion d’une variable aléatoire.

3. Soit X une v.a.r qui suit une Loi de Khi-deux de degrés de liberté v = 41 X   2

(41) .

Trouver le réel  ( > 0), tel que : P(X < ) = 0,95.

Question à choix multiple : (14 pts)

Parmi les réponses suivantes laquelle est exacte ?

1. Les processus DS et TS sont des processus :

a. Stationnaires,
b. Non stationnaires,
c. Parfois stationnaires.
2. Contrairement au test de Dickey-Fuller simple le test de Dickey-Fuller Augmenté suppose
que :
a. Les erreurs suivent un processus Bruit Blanc,
b. Les erreurs suivent un processus aléatoire quelconque,
c. Les erreurs suivent un processus gaussien.
3. Lorsque l’on traite un processus TS comme un processus DS, on introduit artificiellement
dans la série :
a. Un mouvement saisonnier court,
b. Un mouvement cyclique court,
c. Un mouvement cyclique long.
4. Une variable aléatoire est dit continue si son support est :
a. Dénombrable,
b. Fini ou infini mais dénombrable,
c. Infini.
5. Si on a deux variables aléatoires réelles indépendantes X et Y, alors la V ( X  Y ) égale:

a.  2V ( X )  V (Y )  2 Cov( X , Y ) ,

b.  2V ( X )  V (Y )  2 Cov( X , Y ) ,

1
 c.  2V ( X )  V (Y ) .
6. Une distribution statistique X est étalée à gauche si son coefficient d’asymétrie
(Skewness) est :
a. Positif,
b. Négatif,
c. Nul.
7. Une distribution statistique X est aplatie si son coefficient d’aplatissement (Kurtosis) est :
a. Nul,
b. Négatif,
c. Positif.

8. Soit Y1 et Y2 deux variables aléatoires réelles indépendantes, telles que : Y1   (2) et

2

Y2   2 (3), on peut dire :

a. Y1  Y2   N (2,3) ,
b. Y1  Y2    2 (5) ,
c. (Y1  Y2 )   2 (3) .

1
9. Si Z suit une loi de Bernoulli de paramètre    et W suit une loi Binomiale de paramètre
3
 1
  4,  , alors :
 3
1
a. E (W )  E (Z ) ,
3
b. E (W )  4 E ( Z ) ,
4
c. E (W )  E (Z )
3
10. Si Y suit la loi Normale de moyenne m  5 et de variance  2  (0, 4) 2 alors :
a. P (Y  5, 4)  0.9938 ,
b. P (Y  5, 4)  0.1587 ,
c. P (Y  5, 4)  0.8413 .

Bonne Chance

2
Table de la loi Normale N (0,1)
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.591 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.648 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.67 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.695 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.719 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.758 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.791 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.834 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.877 0.879 0.881 0.883
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.898 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.937 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.975 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.983 0.9834 0.9838 0.9842 0.9846 0.985 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.989
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.992 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.994 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.996 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.997 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.998 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.0991 0.9993 0.9995 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999

Table de la loi du Khi-deux

n  0.01 0.025 0.05 0.10 0.50 0.90 0.95 0.975 0.99 0.999
1 0.000 0.001 0.004 0.016 0.455 2.706 3.841 5.0239 6.635 10.827
2 0.02 0.0506 0.103 0.211 1.386 4.605 5.991 7.3778 9.21 13.815
3 0.115 0.2158 0.352 0.584 2.366 6.251 7.815 9.3484 11.345 16.266
4 0.297 0.4844 0.711 1.064 3.357 7.779 9.488 11.1433 13.277 18.466
5 0.554 0.8312 1.145 1.61 4.351 9.236 11.07 12.8325 15.086 20.515
6 0.872 1.2373 1.635 2.204 5.348 10.645 12.592 14.4494 16.812 22.457
7 1.239 1.6899 2.167 2.833 6.346 12.017 14.067 16.0128 18.475 24.321
8 1.647 2.1797 2.733 3.49 7.344 13.362 15.507 17.5345 20.09 26.124
9 2.088 2.7004 3.325 4.168 8.343 14.684 16.919 19.0228 21.666 27.877
10 2.558 3.247 3.94 4.865 9.342 15.987 18.307 20.4832 23.209 29.588
11 3.053 3.8157 4.575 5.578 10.341 17.275 19.675 21.92 24.725 31.264
12 3.571 4.4038 5.226 6.304 11.34 18.549 21.026 23.3367 26.217 32.909
13 4.107 5.0088 5.892 7.041 12.34 19.812 22.362 24.7356 27.688 34.527
14 4.66 5.6287 6.571 7.79 13.339 21.064 23.685 26.1189 29.141 36.124
15 5.229 6.2621 7.261 8.547 14.339 22.307 24.996 27.4884 30.578 37.698
16 5.812 6.908 7.962 9.312 15.338 23.542 26.296 28.8454 32.000 39.252
17 6.408 7.5642 8.672 10.085 16.338 24.769 27.587 30.191 33.409 40.791
18 7.015 8.2307 9.39 10.865 17.338 25.989 28.869 31.5264 34.805 42.312
19 7.633 8.9065 10.117 11.651 18.338 27.204 30.144 32.8523 36.191 43.819
20 8.26 9.5908 10.851 12.443 19.337 28.412 31.41 34.1696 37.566 45.314
21 8.897 10.2829 11.591 13.24 20.337 29.615 32.671 35.4789 38.932 46.796
22 9.542 10.9823 12.338 14.041 21.337 30.813 33.924 36.7807 40.289 48.268
23 10.196 11.6886 13.091 14.848 22.337 32.007 35.172 38.0756 41.638 49.728
24 10.856 12.4012 13.848 15.659 23.337 33.196 36.415 39.3641 42.98 51.179
25 11.524 13.1197 14.611 16.473 24.337 34.382 37.652 40.6465 44.314 52.619
26 12.198 13.8439 15.379 17.292 25.336 35.563 38.885 41.9232 45.642 54.051
27 12.878 14.5734 16.151 18.114 26.336 36.741 40.113 43.1945 46.963 55.475
28 13.565 15.3079 16.928 18.939 27.336 37.916 41.337 44.4608 48.278 56.892
29 14.256 16.0471 17.708 19.768 28.336 39.087 42.557 45.7223 49.588 58.301
30 14.953 16.7908 18.493 20.599 29.336 40.256 43.773 46.9792 50.892 59.702

3
 Correction du devoir surveillé

Exercice: (6 pts)

1. Un processus Xt est stationnaire au sens faible ou au second ordre si:

 E ( X t )   t : c’est-à-dire la moyenne de la série est constante,

 V ( X t )  E ( X t2 )   2 t : c’est-à-dire la variance de la série est finie,

 Cov( X t , X t  h )   h t , h : c’est-à-dire la covariance entre deux période est

indépendante du temps.
2. Une variable aléatoire réelle (v.a.r) X est une grandeur numérique attachée aux
résultats d’une expérience aléatoire, à chaque résultat possible de l’expérience elle
fait correspondre un nombre noté x.

3. On a X une variable aléatoire de khi-deux de degré de liberté v = 41 : X   2 (41) .

Cherchons  tel que : P ( X   )  0.95 ?

Le nombre de degré de liberté est supérieur à 30, donc on peut approximer la loi de
khi-deux par la loi normale centrée et réduite.
On trouve :

P( X   )  P( 2 X  (2  41)  1  2  (2  41)  1)  0.95

 P( N (0,1)  2  9)  0.95
 2  9  1.645    56.65

Question à choix multiple : (14 pts)

Question 1 2 3 4 5 6 7 8 9 10
réponse b b b c c b b b b c
 Exercices

Exercice 1 :

Une enquête portant sur la répartition des revenus dans un pays donné, a fait apparaitre
que 20.9% des revenus mensuels sont supérieurs à 801.62 u.m (u.m : unité monétaire) et
11.7% inférieurs à 201.61 u.m. Si on fait l’hypothèse que les revenus mensuels X sont de
distribution Normale :

1. Quel est le revenu mensuel moyen  et son écart-type  ?

2. Quel est le pourcentage de ménages ayant un revenu mensuel compris entre 410 et
650 u.m ?
3. Si l’on prélève un échantillon de taille n de la population considérée et on note X n

le revenu mensuel moyen de l’échantillon.

a. Quelles sont les caractéristiques de la distribution de X n ?

b. Quel est l’effet de la taille n sur cette distribution ?

  
c. Pour n = 25, trouver les probabilités : P X n  620 et P 428  X n  690 . 
Exercice 2 :

On considère un échantillon ( X 1 , X 2 , , X n ) de taille n (n est assez grand) extrait d’une loi

Exponentielle  ( 1 ), où θ est un paramètre strictement positif.

1. Calculer E( X n ) et V( X n ). En déduire la loi de X n .

2. Déterminer un estimateur de θ, que l’on notera ˆ .

3. Montrer que ˆ est un estimateur convergent de θ.

4. En supposant que n est assez grand, déterminer, en fonction de n, un intervalle de
confiance de θ au niveau de confiance 95%.

Exercice 3 :

Soit ( X 1 , X 2 , , X 100 ) un échantillon extrait d'une loi Normale N(m,σ2) où m est un

100
paramètre inconnu et σ2 = 4. On donne x
i 1
i  75 .

1. Déterminer un estimateur de m, que l’on notera m̂ .

2. Donner, au risque de 5 %, un intervalle de confiance pour m.
 H0 : m  1
3. Tester, au risque de 5 %, 
 H1 : m  1
4. On suppose que σ2 est inconnu déterminer au risque de 5 %, un intervalle de
confiance pour m.
 Correction des Exercices

Exercice 1 :

1. Par hypothèse on :

X  N (  ,  2 ) où X : « revenus mensuels »
X 
Alors, soit Y   N (0,1)

On a :

 X   801, 62  
P(  )  0.791
 P( X  801, 62)  0.209  P ( X  801, 62)  0.791   
  
 P( X  201, 61)  0.117  P ( X  201, 61)  0.117  P( X    201, 61   )  0.117
  

 801, 62  
 P(Y  
)  0.791
 où Y  N (0,1)
 P(Y  201, 61   )  0.117
 
 801, 62  
  0.81

 d ' apèrs la lecture de la table de la loi normale, on trouve 
 201, 61    1.19
 
   558.62 u.m X  558.62
  X  N (558.62,3002 ) et Y   N (0,1)
  300 u.m 300

2. Il s’agit de déterminer la probabilité P (410  X  650) et on trouve :

 410  58, 62 650  58, 62 

P (410  X  650)  P  Y    P (0.49  Y  0.3)
 300 300 
  (0.3)   ( 0.49)   (0.3)  (1   (0.49))  0.306
Soit 30.6% le pourcentage demandé.
3. X n : « Le revenu mensuel moyen de l’échantillon »

1 n
a. Pour tout échantillon de taille n, on a pour moyenne empirique : X n   xi
n i 1

 2 3002
Avec : E ( X n )    558.62 et V ( X n )  
n n
 b. La variance V ( X n ) mesure la dispersion de la moyenne empirique autour de la
moyenne théorique μ de la population, plus n est grand, moins cette moyenne
s’écarte de μ.
c. Pour n = 25 on trouve :
3002  X  558.62 
X n  N (558.62, ) 
d ' après le Théorème Central Limite
 25  n   N (0,1)
25  300 
P ( X n  620)  1  P( X n  620)
  X  558.62   620  558.62  
 1  P  25  n   25  
  300   300 
 1  P( N 0,1)  1.02)
 1   (1.02)  0.154

De même pour P (428  X n  690) .

Exercice 2 :

iid 1
X ( ) ;   0

 1 1 xi
 e si x  0
f ( xi ,  )   ;  0
0
 si non
E ( X )   et V ( X )   2

Remarque : on va supposer (pour toutes les questions) que la taille de l’échantillon n est grande (n > 30).

E( X n )  

1.  2
V ( X n ) 
 n
2  X  
X n  N ( , ) 
n est grand d ' après le TCL
 n n   N (0,1)
n   
1 n
2. On peut déterminer directement un estimateur de θ : ˆ  X n   xi .
n i 1
3. On a :
 E (ˆ)  E ( X n )    ˆ est un estimateur sans biais de  .

 2  ˆ est un estimateur convergent de  .
lim V ( X n )  lim 0
 n n  n

4. Intervalle de confiance de θ (θ la moyenne et non pas la variance) :

  X X   X X 
IC0.95 ( )   X n  z 0.05  n ; X n  z 0.05  n    X n  1.96  n ; X n  1.96  n 
 1
2
n 1
2
n   n n 

Exercice 3 :

X i  N  m,  2 
iid

Xi  m
  N  0,1

1
1  ( xi  m )2
f ( x)  e 2 2
; x  
2 2
E( X )  m

V ( X )    4
2

1. On peut déterminer directement un estimateur sans biais de m : mˆ  X n

 2 
2.   5% ; X n  N  m,  et  2 connue.
 n 

   
IC1 (m)   X n  z   ; Xn  z   
1 1
 2 n 2 n
AN :

 X n  0.75

n  100 2 2
 z   z0.975  1.96  0.75  1.96   m  0.75  1.96 
 1 2 10 10

  2
 IC0.95 (m)   0.358 ; 1.142

3. On test :
H0 : m  1

 H1 : m  1
Il s’agit d’un test bilatéral.
Calculons la valeur de z :
X n  m0 0.75  1
Sous H 0 : z  n   10   1.25
 2
La région critique est donnée par : RC : z  t   1.96 ou z  t   1.96
1 1
2 2

La règle de décision: on a
 RC : z  t   1.96 ou z  t   1.96
1 1
2 2

z  1.25  RC  On ne rejette pas H0 au risque de 5%.

4. Intervalle de confiance de m  est inconnu  :

 2 
  5% ; X n  N  m,  et  2 inconnue.
 n 

 S' S' 
IC1 (m)   X n  t   ; Xn  t   
1 1
 2 n 2 n
AN :

 X n  0.75

n  100  S' S '
t   t0.975  1.96  IC0.95 (m)  0.75  1.96  ; 0.75  1.96  
 1 2  10 10 

ˆ  S '