Licence d’Etude Fondamentale E.G.

Série 1 - Echantillonnage et estimation

A.U. 2023-2024

Exercice 1
On considère la fonction f définie sur R par f (x) = −0, 75x2 + 0, 75.
1. Vérifier que f est bien une densité de probabilité sur [−1; 1].
2. Soit X une variable aléatoire de densité f . Calculer la probabilité P(0 < X < 0, 5).
1. f (x) = 0, 75 1 − x2 . Donc le signe de f est celui de 1 − x2 . Vous saviez déjà le déterminer en

classe de seconde, soit en factorisant (identité remarquable), soit directement. f est nulle pour x = −1
et x = 1 et positive entre ces valeurs (négative partout ailleurs). Donc f est bien positive sur I.
f est une fonction polynomiale de degré 2 . Elle est donc continue sur R.
Intégrons. Pour cela, il faut déterminer une primitive.
1
x3
Z 1  
3 2 3 3
− x + dx = x−
−1 4 4 4 3 −1

Ainsi 34 1 − 13 − −1 + 13 = 34 × 43 = 1 Par conséquent, f est indiscutablement une fonction de





densité !
2. Nous cherchons P(0 < X < 0, 5).
0,5
x3 0, 53
Z 0,5     
3 2 3 3 3
P(0 < X < 0, 5) = − x + dx = x− = 0, 5 − = 0, 34375
0 4 4 4 3 0 4 3

Exercice 2
Soit la fonction suivante, où λ est un réel strictement positif

0 si x < 0
f (x) =
λ e−λ x si x ⩾ 0

Démontrer qu’il s’agit d’une densité de probabilité.

Étape 1 : montrons que f est positive. Pour tout réel x, la fonction exponentielle est strictement posi-
tive. Comme λ > 0, alors f > 0.
Étape 2 : montrons qu’elle est continue. Lorsque x < 0, f est une fonction constante, donc continue.
Lorsque x ⩾ 0, f est une composée de deux fonctions : une linéaire (d’expression −λ x ) et une expo-
nentielle, toutes deux continues. De plus, f (0) = 0. Donc f est continue en 0 . II s’ensuit que f est
continue sur R.
Étape 3 : intégrons ! Dans un premier temps, nous intégrerons f entre 0 et un réel x > 0. Lorsque

1
x < 0, il est évident que l’intégrale est nulle.
Z x Z x
f (x)dx = λ e−λ x dx
0 0
1 −λ x x
Z x  
⇔ f (x)dx = λ − e
0 λ 0
!
e−λ x 1
Z x
⇔ f (x)dx = λ − +
0 λ λ
Z x
⇔ f (x)dx = −e−λ x + 1
0

Dans un second temps, nous examinons le cas ou x tend vers l’infini. Nous avons une composition de
limites. Rappelons que λ > 0.

lim −λ x = −∞ et lim ex = 0
x→+∞ x→−∞

Par composition : limx→+∞ e−λ x = 0 Par conséquent :

Z x
lim λ e−λ x dt = 1
x→+∞ 0

L’aire délimitée par la courbe représentative de f et par l’axe des abscisses est égale à 1. Les trois
conditions sont remplies. La fonction f est bien une densité de probabilité sur R.
Remarque : il s’agit de la densité de la loi exponentielle.

Exercice 3 Soit X une variable aléatoire dont la fonction de densité est

(
c 1 − x2 −1 < x < 1


f (x) =
0 sinon.

1. Calculer la valeur de c.
2. Quelle est la fonction de répartition de X ?
3. Calculer E(X).

1. Pour calculer la valeur de c, on se sert du fait que l’intégrale de la fonction de densité sur tout
son domaine est égale à 1 .
x=1
x3
Z 1 
4
Z ∞
2


f (x)dx = c 1 − x dx = c x − = c=1
−∞ −1 3 x=−1 3

et donc c = 3/4.
2. Considérons le cas pour lequel −1 < x < 1
t=x
t3 x2
Z x   
3 3 1
F(x) = P(X < x) = f (t)dt = t− = x 1− + .
−1 4 3 t=−1 4 3 2

2
 Par conséquent, la fonction de répartition est


  0 2 si x ⩽ −1
3 x 1
F(x) =
 4x 1 − 3 + 2 si |x| < 1
1 si x ⩾ 1


3. Z 1
3
Z ∞
x − x3 dx = 0.


E(X) = x f (x)dx =
−∞ 4 −1
Ce résultat est évident car on intègre une fonction impaire (x f (x)) sur un domaine centré sur
0.

Exercice 4 (Loi Normale centrée réduite).

Soit X une variable aléatoire suivant la loi normale centrée réduite. Calculer

(i) P(0 ⩽ X ⩽ 1, 42) (ii) P(−0, 73 ⩽ X ⩽ 0) (iii) P(−1, 37 ⩽ X ⩽ 2, 01)

(iv) P(0, 65 ⩽ X ⩽ 1, 26) (v) P(−1, 79 ⩽ X ⩽ −0, 54) (vi) P(X ⩾ 1, 13)
(vii) P(|X|⩽ 0, 5).

Utilisez une table de la loi normale et les formules suivantes pour trouver ces probabilités.
En général, on pose P(X ⩽ t) = F(t) (1) P(X ⩽ t) = F(t)
(2) P(X ⩾ t) = 1 − P(X ⩽ t) = 1 − F(t)
(3) P(X ⩽ −t) = P(X ⩾ t) = 1 − P(X ⩽ t) = 1 − F(t)
(4) P (t1 ⩽ X ⩽ t2 ) = P (X ⩽ t2 ) − P (X ⩽ t1 ) = F (t2 ) − F (t1 )
(5) P(−t ⩽ X ⩽ t) = 2F(t) − 1
(6) F (t1 ) = F (t2 ) ⇐⇒ t1 = t2 .

Exercice 5 (Loi Normale).

X suit la loi normale N (20; 5), calculer les probabilités suivantes
P(X ⩽ 28), P(X ⩾ 28), P(X ⩾ 12), P(X ⩽ 12) et P(12 ⩽ X ⩽ 28).

28−20
1. P(X ⩽ 28) = P X−20


5 ⩽ 5 = P(Z ⩽ 1, 6) où Z suit une loi N(0; 1), donc
P(X ⩽ 28) = F(1, 6) ≃ 0, 9452.
2. P(X ⩾ 28) = 1 − P(X ⩽ 28) = 1 − F(1, 6) ≃ 0, 0548.
12−20
3. P(X ⩽ 12) = P X−20


5 ⩽ 5 = P(Z ⩽ −1, 6) où Z suit une loi N(0; 1), donc
P(X ⩽ 12) = 1 − P(Z ⩽ −1, 6) = 1 − F(−1, 6) = 1 − (1 − F(1, 6)) = F(1, 6) ≃ 0, 9452.
4. P(X ⩾ 12) = 1 − P(X ⩽ 12) = 1 − 0, 9452 ≃ 0, 0548.
5. P(12 ⩽ X ⩽ 28) = P 12−20 ⩽ X−20 28−20


5 5 ⩽ 5 = P (−1, 6 ⩽ Z ⩽ 1, 6) où Z suit une loi N(0; 1),
donc
P(12 ⩽ X ⩽ 28) = F(1, 6) − F(−1, 6) = 1 − (1 − F(1, 6)) = 2F(1, 6) − 1 ≃ 2 × 0, 9452 − 1 ≃
0, 8904.

3
Exercice 6 (Approximation d’une loi binomiale par une loi normale).
Utiliser une approximation par une loi normale pour calculer les probabilités suivantes à 1% près où
X suit une loi B(50; 0, 4) : P(15 ⩽ X ⩽ 25), P(X ⩽ 20) et P(X ⩾ 18).
Lorsqu’on a une variable aléatoire X qui suit une loi binomiale B(n, p) avec n grand et p ni trop
p La moyenne (µ) de la loi
petit ni trop grand, on peut utiliser une approximation par une loi normale.
normale est donnée par µ = np et l’écart type (σ ) est donné par σ = np(1 √ − p).
Dans votre cas, X suit une loi B(50, 0, 4), donc µ = 50 × 0, 4 = 20 et σ = 50 × 0, 4 × 0, 6 ≈ 3, 464.
Les probabilités que vous avez demandées peuvent maintenant être approchées en utilisant la distri-
bution normale.

(i) P(15 ⩽ X ⩽ 25) :

 
15 − µ 25 − µ
P(15 ⩽ X ⩽ 25) ≈ P ⩽Z⩽
σ σ
 
15 − 20 25 − 20
≈P ⩽Z⩽
3, 464 3, 464
Vous pouvez utiliser une table de la distribution normale standard pour trouver cette probabilité. (ii)
P(X ⩽ 20) :  
20 − µ
P(X ⩽ 20) ≈ P Z ⩽
σ
 
20 − 20
≈P Z⩽
3, 464
Vous pouvez également utiliser une table de la distribution normale standard pour trouver cette pro-
babilité.
(iii) P(X ⩾ 18) :
 
18 − µ
P(X ⩾ 18) ≈ P Z ⩾
σ
 
18 − 20
≈P Z⩾
3, 464
Utilisez une table de la distribution normale standard pour trouver cette probabilité.
Assurez-vous de vérifier les conditions d’application de l’approximation normale, en particulier lorsque
n est grand.

Exercice 7 (Loi Khi-deux).

2
Soit X une variable aléatoire de loi X(n)
1. Pour n = 13
(a) Calculer P(5 < X < 24.73).
(b) Déterminer les valeurs des quantiles u1 et u2 si P (X < u1 ) = 0, 995 et P (X > u2 ) = 0, 05
2. Quelle est la valeur de la propabilité (a) si n = 50 (Utiliser une loi approchée de X).
2
1.(a). X ∼ X(13)
Donc, P(5 < X < 24, 73) = 0, 975 − 0, 025 = 0, 95 (A l’aide de la table de la distribution de X 2 avec
n = 13 degré de liberté).
(b) Déterminons les valeurs de u1 et u1 . P (X < u1 ) = 0, 995, donc u1 = 3, 565 P (X > u2 ) = 0, 05,

4
donc 1 − P (X < u2 ) = 0, 05, alors P (X < u2 ) = 1 − 0, 05 = 0, 95 D’où u2 = 5, 8919.
2. Puisque n = 40 > 30, donc la loi X402 peut être approximé par la loi normale, avec

√ √ √ √
Y = 2Y − 2n − 1 = 2X − 79 ∼ N(0, 1)

Donc √ √ p √
P(5 < X < 24, 3) = P( 2 × 5 − 79 < Y < 2 × 24, 73 − 79)
= P(1, 85 ⩽ Y ⩽ 5, 75)
= F(5, 75) − F(1, 85) = 0, 032.

Exercice 8 (Loi student).

Soit X une variable aléatoire qui suit une loi de student à v = 10 degré de liberté
1. Calculer les probabilités P(X < −1, 093) et P(0, 541 < X < 2, 228).
2. Quand v = 60, donner une loi approchée de la variable aléatoire X et calculer P(|X| < 1, 65).
1.
P(X < −1, 093) = P(X > 1, 093)
= 1 − P(X < 1, 093)
= 1 − 0, 85 = 0, 15
P(0, 541 < X < 2, 228) = P(X < 2, 228) − P(X < 0, 541)
= 0, 975 − 0, 7 = 0, 275.
2. n = 60 > 30 donc si X ∼ T (60) alos X ∼ N(0, 1) Donc

P(|X| < 1, 65) = P(−1, 65 ⩽ X ⩽ 1, 65)

= 2F(1, 65) − 1
= 2 × 0, 9505 − 1
P(|x| < 1, 65) = 0, 901.

Bon courage