Module : Techniques d’estimation pour l’ingénieur Classe : 3ème année 2019 / 2020

Correction du Devoir surveillé

Exercice 1 : ( Questions du cours )

Les trois questions de cet exercice sont indépendantes :
1. Soit la fonction f définie sur R par :
(
2t si 0 < t < 1
f (t) =
0 sinon.

(a) Vérifier que f définit une densité de probabilité.

. f (t) ≥ 0 ∀t.
R +∞ R1
. −∞ f (t)dt = 0 2tdt = [t2 ]10 = 1.
Donc f est bien une densité de probabilité.

(b) Soit T une variable aléatoire de densité f. Calculer son espérance E(T ) et sa
variance V (T ).
Z −∞ Z 1
2 2
E[T ] = t.f (t)dx = 2t2 dt = [ t3 ]10 =
−∞ 0 3 3

Z 1
2 2 2 2 2 2 4 1
V [T ] = E[T ] − E[T ] = 2t3 − ( )2 = [ t4 ]10 − ( )2 = − =
0 3 4 3 4 9 18

2. Soit X une variable aléatoire qui suit une loi exponentielle de paramétre λ > 0.
Donner sans justification l’espérance de la variable aléatoire X ainsi que sa variance.
X ∼ E(λ), sa fonction de densité est défine par
(
λe−λx si x > 0
f (x) =
0 sinon.

1
 1 1
E[X] = , V [X] = 2
λ λ

3. Soient X et Y deux variables aléatoires qui suivent respectivement une loi normale
N (1, 1) et une loi normale N (2, 1). On suppose que X et Y sont indépendantes. Quelle
est la loi suivie par la variable aléatoire X − Y en justifiant votre réponse.

X ∼ N (1, 1) , Y ∼ N (2, 1)
√ √
X et Y sont indépendantes alors : X − Y ∼ N (1 − 2, 1 + 1) = N (−1, 2).
⇒ Stabilité de la loi Normale.

Exercice 2
Un ordinateur est programmé pour effectuer des calculs de comptabilité à partir des bases
de données afin d’obtenir des bilans (un par base de donnée).
On dit qu’un bilan est ”éronné” s’il y a au moins une erreur de comptabilité pour le bilan.
On définit la variable aléatoire X qui représente le nombre de bilans érronés. Lorsque le
nombre de bilans traités devient assez grand, X peut être approchée par une loi normale de
moyenne égale à 20 bilans et de variance 19, 2.

1. Calculer la probabilité pour que le nombre de bilans érronés ne dépasse pas 15.
X : ’ Nombre des bilans érronés ’
p
X ∼ N (20, 19, 2)

X − 20 15 − 20 15 − 20
P (X < 15) = P ( √ < √ ) = P (Z < √ )
19, 2 19, 2 19, 2

−5 5
= P (Z < √ ) = P (Z > √ = P (Z > 1, 141) = 0, 12714
19, 2 19, 2
où Z ∼ N (0, 1).
2. Calculer la probabilité tel que le nombre de bilans érronés soit compris entre 17 et 22.

17 − 20 22 − 20 2 −3
P (17 < X < 22) = P ( √ <Z< √ ) = P (Z < √ ) − P (Z < √ )
19, 2 19, 2 19, 2 19, 2

2
 2 3
= 1 − P (Z > √ ) − P (Z > √ )
19, 2 19, 2

= 1 − P (Z > 0, 45) − P (Z > 0, 68)

= 1 − 0, 32636 − 0, 24825 = 0, 42539

3. Trouver la valeur entière de x0 telle que P (20 − x0 ≤ X ≤ 20 + x0 ) = 0.95.

P (20 − x0 < X < 20 + x0 ) = 0, 95

P (−x0 < X − 20 < x0 ) = 0, 95

−x0 X − 20 x0
P (√ ≤ √ ≤√ ) = 0, 95
19, 2 19, 2 19, 2

x0 −x0
P (Z < √ ) − P (Z < √ ) = 0, 95
19, 2 19, 2

x0 x0
1 − P (Z ≥ √ ) − P (Z ≥ √ ) = 0, 95
19, 2 19, 2

x0
2P (Z ≥ √ ) = 0, 05
19, 2

x0
P (Z ≥ √ ) = 0, 025
19, 2

√
Par la suite √x0 = 1, 96 , d’où x0 = 1, 96 × 19, 2 = 8, 101.
19,2

Exercice 3
Au second tour de la présidentielle, les électeurs de Syldavie doivent choisir entre deux
condidats c et C1 (On suppose que tous les électeurs se prononcent). Depuis peu, les habitants

3
votent sur les bornes électroniques. On suppose que la durée de vie d’une borne (exprimée en
années) est modélisée par une variable aléatoire continue notée X de fonction de répartition :

−1 x2
(
1−e 2 θ2 si x > 0
Fθ (x) =
0 si x ≤ 0
où θ > 0 est un paramètre inconnu à estimer. Pour étudier le paramètre θ, on a effectué une
suite de n expériences indépendantes qui ont donné les réalisations x1 , , xn de n variables
aléatoires X1 , , Xn i.i.d. de même loi que X.
1. Déterminer la fonction de densité fθ de X.

 x e −x
 2

0 2θ 2 si x > 0
fθ (x) = Fθ (x) = θ2
 0 si x ≤ 0

R +∞ x2
x2 e− 2θ2 dx = θ3
pπ
2. (a) Calculer E(X). (On admettra que 0 2
).

+∞
x2 −x22
Z
E[X] = e 2θ dx
0 θ2

r r
1 π π
= 2 θ3 dx = θ
θ 2 2

(b) En déduire un estimateur T1 de θ par la méthode des moments.

n r
1X π
E[X] = Xn = Xi = θ
n i=1 2

D’où un estimateur de θ par la méthode des moments est donné par

r n r
21X 2
θ̃n = Xi = Xn
π n i=1 π

3. (a) Déterminer la fonction de vraisemblance L(x1 , xn , , xn , θ).

n
Y
L(x1 , xn , , xn , θ) = fθ (xi )
i=1

4
 n
Y xi −x2
i
= 2
e 2θ2
i=1
θ

n
1 Y −1 Pn 2
= 2n ( xi )e 2θ2 i=1 xi
θ i=1

(b) Montrer que la log-vraisemblance associée aux observations x1 , , xn s’écrit :

n n
X 1 X 2
lnL(x1 , xn , , xn , θ) = ln(xi ) − 2nln(θ) − 2 x
i=1
2θ i=1 i

n
1 Y −1 Pn 2
lnL(x1 , xn , , xn , θ) = ln( 2n ( xi )e 2θ2 i=1 xi )
θ i=1

n n
X 1 X 2
= −2nln(θ) + ln(xi ) − 2 x
i=1
2θ i=1 i

c) En déduire un estimateur T2 de θ par la méthode du maximum de vraisemblance.

n
∂ 2n 1 X 2
(lnL(x1 , xn , , xn , θ) = − + 3 x
∂θ θ θ i=1 i

n
∂ 1 1 X 2
(lnL(x1 , xn , , xn , θ) = 0 ⇐⇒ [−2n + 2 x ]=0
∂θ θ θ i=1 i

n
1 X 2
⇐⇒ −2n + 2 x =0
θ i=1 i

n
1 X 2
⇐⇒ 2 x = 2n
θ i=1 i

n
1 X 2
2
⇐⇒ θ = x
2n i=1 i

5
Donc un estimateur par la méthode de vraisemblance est donné par :
v
u n
u1 X
θn =
b t X2
2n i=1 i

On vérifie de plus que :

∂2
(lnL(x1 , xn , , xn , θ)θ=θb ≤ 0.
∂ 2θ

(d) Si on considère un échantillon de taille 100, calculer une estimation de θ par la

méthode des moments sachant que 100
P
i=1 xi = 276

r 100 r
2 1 X 2 1
θ̃n = . xi = . .276 = ...
π 100 i=1 π 100