Académique Documents
Professionnel Documents
Culture Documents
Serie3 Corr Ing 23 24
Serie3 Corr Ing 23 24
FACULTÉ D’INFORMATIQUEES
Professeur Chaabane Djamal Mode de Convergence Ing.2/Secs. A-B : 1er janvier 2024
DÉBUT
Exercice 1 On considère la variable aléatoire X qui prend, de façon équipro-
bable, les valeurs sont −4, 0, 1, 3, 6. M50 est la variable aléatoire moyenne d’un
échantillon de taille 50 de la loi de X.
Calculer l’espérance, la variance et l’écart type de M50 .
Correction
Exercice 2 Soit une variable aléatoire X qui suit la loi de Bernoulli de paramètre
0.2. On considère un échantillon de n variables aléatoires suivant la loi de X. On
appelle X la variable aléatoire moyenne associée à cet échantillon. Déterminer
la taille n de l’échantillon tel que la probabilité que la moyenne X appartienne à
l ?intervalle ]0.03, 0.37[ soit supérieure à 0.95.
1
Correction
2
Correction
Exercice 4 Soit {Xn }n≥1 une suite de variables aléatoire de loi exponentielle de
paramètre n. Démontrer, en utilisant la définition, que Xn → 0 en probabilité.
Correction
Définition de la convergence en probabilité :
∞ α
e−nx
Z
−nx
P (|Xn | > ε) = P (ε < Xn ) = e dx = lim − = e−nε
ε α→+∞ n ε
Exercice 5 Soit {pn }n≥1 une suite dans [0, 1] qui tend vers 0. Soit {Xn }n≥1 une
suite de variables aléatoires de Bernoulli de paramètre pn . En utilisant la défini-
tion, montrer que {Xn }n≥1 converge vers 0 en probabilité.
Correction
3
(
1 si Xn = 1,
P (|Xn | > ε) = P (Xn > ε) =
0 si Xn = 0.
Comme Xn prend seulement les valeurs 0 ou 1, on a P (Xn = 1) = pn . Ainsi,
pour ε > 0, P (Xn > ε) = pn . En conséquence,
Exercice 6 Soit {Xn }n≥1 une suite de variables aléatoires indépendantes de loi
N (0; 1). Soit
n −Xi2
1X
Sn = Xi2 e 3
n i=1
Démontrer que Sn converge en probabilité vers une limite que l’on précisera.
Correction
2
Les Xi étant indépendantes, les Xi2 e−Xi sont aussi indépendantes. On peut donc
appliquer la loi faible des grands nombres :
n
!
1 X 2 −Xi2 2
∀ε > 0, lim P Xi e − E[Xi2 e−Xi ] > ε = 0.
n→+∞ n i=1
On calcule l’espérance voulue :
Z +∞
2
2 −X12 /3
E[X1 e ] = x2 e−x /3 fX1 (x) dx
Z−∞+∞
2 1 2
= x2 e−x /3 √ e−x /2 dx
−∞Z 2π
+∞
2
= √12π x2 e−5x /6 dx
q Z−∞ ∞
1
2
− x3
3 2
= 5 x ×q e 2× 5
dx
3
5 × 2π
−∞
q
= 35 35
4
Exercice 7 Soit {Xn }n≥1 une suite de variables aléatoire de loi binomiale de
λ
paramètre n et . En utilisant les fonctions de répartition étudier la convergence
n
en loi de {Xn }n≥1 .
Application pratique : on lance une pièce truquée 100 fois. On suppose que la
probabilité d’apparition de ”pile" est p = 0.05. Quelle est la probabilité pour
avoir 2 ”piles" sans, et avec approximation ?
Correction
Soit {Xn }n≥1 une suite de variables aléatoires de loi binomiale de paramètre
n et p. En utilisant les fonctions de répartition, étudier la convergence en loi de
{Xn }.
FXn (x) = P n ≤ x)
P(Xx
= Pk=0 P (X n = k) n−k
x n k
= k=0 k p (1 − p)
= xk=0 k!(n−k)!
n!
pk (1 − p)n−k . p = nλ
P
n
λ
x 1−
X λk n n!
= k k
k! λ n (n − k)!
k=0
1−
n
On s’intéresse à la limite en n → +∞. On réécrit alors
On a
k
λ n(n − 1) . . . (n − k + 1)
lim 1 − = 1 & lim = 1.
n→+∞ n n→+∞ nk
Donc
n
n! λ λ
lim k = 1 & lim 1 − = lim enln(1− n ) = e−λ
n→+∞ n (n − k)! n→+∞ n n→+∞
Finalement,
x
X λk
lim FXn (x) = e−λ ,
n→+∞ k!
k=0
et on reconnaît donc la distribution d’une loi de Poisson de paramètre λ.
5
Il s’agit bien de 100 épreuves de Bernoulli de paramètre 0.05. Donc, sans ap-
proximation :
100
P (X = 2) = · 0.052 · (1 − 0.05)100−2 ≈ 0.0813.
2
Avec approximation, on pose p = 0.05 et n = 100, ce qui donne λ = np = 5.
52 −5
P (X = 2) ≈ e ≈ 0.084.
2!
Exercice 8 Soit la suite de variables aléatoires Xn définie par
1 1
P(Xn = 0) = 1 − ; P(Xn = n) =
n n
1. Montrer que {Xn }n∈N converge en probabilité vers X = 0.
2. Montrer que {Xn }n∈N ne converge pas en moyenne quadratique vers X = 0.
Correction
1. On montre que {Xn }n∈N converge en probabilité vers X = 0.
Remarque 0.0.1
P (Xn = m) = 0, ∀m ̸= n et m ̸= 0.
Soit ε > 0
1
P (|Xn | > ε) = P (Xn = n) = ,
n
donc
1
E[Xn2 ] = n2 · = n → ∞, quand n → +∞
n
donc Xn ne converge pas en moyenne quadratique.
6
Exercice 9 Il arrive assez souvent que le nombre de réservations pour une liai-
son aérienne soit supérieur au nombre de passagers se présentant effectivement
le jour du vol. Cela est dû à des empêchements imprévisibles de certains passa-
gers. Pour compenser ce phénomène, une compagnie aérienne exploitant un avion
de 300 places décide de faire de la surréservation (surbooking) en prenant pour
chaque vol un nombre n > 300 de réservations. S’il se présente plus de 300 pas-
sagers à l’embarquement, les 300 premiers arrivés prennent leur vol et les autres
sont dédommagés financièrement.
1. On considère que les passagers sont mutuellement indépendants et que la
probabilité de désistement de chacun d’eux est 10%. On note n le nombre
de réservations prises par la compagnie pour un vol donné et Sn le nombre
(aléatoire) de passagers se présentant à l’embarquement pour ce vol. Don-
ner la loi de Sn , son espérance et sa variance.
2. Le directeur commercial de la compagnie aimerait connapitre la valeur
maximale de n telle que P(Sn ≤ 300) ≥ 0.99. En utilisant le théorème
de la limite centrale, proposez une solution approchée de ce problème sa-
chant que pour une variable aléatoire normale centrée réduite Y , on a
P (Y ≤ 2.4) ≥ 0.99.
Correction
1. On pose Xi la variable aléatoire qui vaut 1 si le passager i se présente à l’em-
barquement et 0 sinon. On a donc Xi ∼ B(p) avec p = 90%. Le nombre Sn
(aléatoire) de passagers se présentant à l’embarquement pour ce vol s’écrit
donc n
X
Sn = Xi ,
i=1
et donc Sn ∼ B(n, p). On a directement
7
c’est-à-dire
!
x
S − np
Z
1 − t2
P p n <x = √ e 2 dt.
np(1 − p) −∞ 2π
Avec Sn ≤ 300, cela donne √Sn −np ≤ √300−np . De plus on sait que
np(1−p) np(1−p)
√Sn −np ∼ N (0, 1). De plus, on sait que
np(1−p)
!
S − np
P p n < 2.4 ≈ 0.99.
np(1 − p)
Où Xi est une variable aléatoire binaire telle que Xi = 1 s’il y a une erreur
pour le ieme symbole ; Xi = 0 s’il n’y a pas d’erreur pour le ieme symbole ; avec
P(Xi = 1) = p.
1. Déterminez la moyenne et la variance de p̂.
8
Correction
1. Détermination de la moyenne
! et la variance de p̂ :
N N
1 X 1 X 1
On a E (p̂) = E Xk = E[Xk ] = · N p = p.
N N N
k=1 k=1
et
N
! N
1 X 1 X 1 p(1 − p)
V[p̂] = V Xk = 2 V[Xk ] = 2 · N · V[Xk ] =
N N N N
k=1 k=1
.