Académique Documents
Professionnel Documents
Culture Documents
TD : Statistique bayésienne 2
2. Vraisemblance normale
Exercice 5.
On dispose d’un câble de longueur θ. On dispose d’un mètre disposant d’une erreur de mesure distribuée
selon une loi normale d’espérance 0 et d’écart type 0.01. Un résultat d’une mesure du câble suit donc une loi
normale d’espérance θ et d’écart type 0.01.
1. On suppose que la loi a priori de la longueur du câble est une loi normale d’espérance 9 et d’écart type 1.
On mesure le câble avec le mètre et on obtient 10. Donner la loi a posteriori de θ.
2. Donner un intervalle de crédibilité à 95% pour θ.
3. Quelle est la probabilité qu’il soit de longueur inférieure à 9.99 ?
4. Toujours avec la même loi a priori, calculer le nombre de mesures nécessaires pour que l’écart type de la
loi a posteriori soit inférieur à 0.001.
Exercice 6.
Dans un usine de sachet de thé, chaque sachet de thé est supposé contenir 5.5g de thé et le processus de
remplissage a un écart type de 0.106g par sachet (on suppose que la loi est normale). On se demande s’il y a
eu une modification de la quantité moyenne de thé par sachet.
Exercice 7.
Une usine d’embouteillage de lait envisage de changer de doseuses. Le fournisseur lui assure que son nouveau
modèle est bien plus précis que celui utilisé actuellement dans l’usine.
On suppose que la contenance d’une bouteille de lait est une variable aléatoire X qui suit une loi normale
d’espérance 1.01 (le calibrage moyen n’est pas un problème, il est facilement réglable et sûr) et d’écart type
σ inconnu dû à la doseuse utilisée.
Actuellement le modèle utilisé à l’usine a un écart type de 0.02 et le fournisseur annonce un écart type de
0.01 pour son nouveau modèle.
On a pu tester le nouveau modèle sur 25 bouteilles. Sur cet échantillon de taille n = 25, les contenances
x1 , . . . , xn fournissent les données suivantes :
25
X 25
X
xi = 25.153 et x2i = 25.31156.
i=1 i=1
1
On note T la variable qui synthétise les croyances sur la valeur de la précision, τ = , de la nouvelle doseuse.
σ2
1. On vous propose d’utiliser comme loi a priori la loi Γ(8; 0.001). Qu’est-ce que cela signifie sur les croyances
a priori ? (Vous pouvez utiliser R.)
2. Déterminer la loi a posteriori de T au vu des observations.
3. Que pensez-vous des affirmations du fournisseur sur la précision du nouveau modèle de doseuse ? (Utilisez
des arguments de plusieures natures.)
9.2 9.5 9.6 10.7 11.1 11.2 11.3 11.4 12.6 13.6
1. Cadre fréquentiste
(a) Déterminer un estimateur sans biais de θ à partir de la méthode des moments.
(b) En supposant (faites moi confiance ou vérifiez-le avec R) que l’on peut approcher la loi de moyenne
empirique par une loi normale, construire un intervalle de confiance à 95% pour θ à aprtir des
données observées.
(c) Commenter.
2. Cadre bayésien.
(a) En utilisant comme a priori la pseudo loi uniforme sue R, déterminer la loi a posteriori pour une
observation de X valant x.
(b) Dans le même cadre, déterminer la loi a posteriori pour n observations.
(c) Au vu de nos observations, déduire la loi a posteriori.
(d) Déterminer un intervalle de crédibilité à 95 % le plus étroit possible.
Fiche version 2
1. Lois
• Lois Beta.
Soient α et β dans R∗+ . Soit X ∼ Beta(α, β). Alors X est une variable aléatoire de densité fX (x) = kxα−1 (1 −
1 Γ(α + β)
x)β−1 1[0,1] (x) avec k = = . Si n ∈ N∗ , on a Γ(n) = (n − 1)!. Par exemple, on a Γ(5) = 3! = 6.
B(α, β) Γ(α)Γ(β)
α αβ
De plus, on a E(X) = et V(X) = .
α+β (α + β)2 (α + β + 1)
• Lois Gamma.
Soient α et β dans R∗+ . Soit X ∼ Γ (α, β). Alors X est une variable aléatoire de densité fX (x) = kxα−1 e−βx 1R+ (x)
βα α α
avec k = .De plus, on a E(X) = et V(X) = 2 .
Γ(α) β β
• Lois de Poisson.
Soit X ∼ P(λ), avec λ ∈ R∗+ . Alors X est une variable aléatoire à valeurs dans N telle que, pour tout x ∈ N,
λx
P (X = x) = e−λ . De plus, on a E(X) = V(X) = λ.
x!
• Lois géométriques
Soit X ∼ G(p), avec p ∈]0; 1[. Alors X est une variable aléatoire à valeurs dans N telle que, pour tout x ∈ N,
1 1−p
P (X = x) = (1 − p)x−1 p. De plus, on a E(X) = et V(X) = .
p p2
• Lois exponentielles.
Soit X ∼ Exp(λ), avec λ ∈ R∗+ . Alors X est une variable aléatoire de densité fX (x) = λe−λx 1]0;+∞[ (x). De plus,
1 1
on a E(X) = et V(X) = 2 .
λ λ
• Lois normales.
1 (x−µ)2
Soit Z ∼ N (µ, σ), où σ est l’écart type de Z. La densité de Z est fZ (x) = √ e− 2σ2 .
2πσ 2