Exercices corrigés ECT : convergences et estimation

↩ Chapitre : Convergences et estimation (ECT)

Introduction

Douze exercices corrigés sur les inégalités de Markov et de Bienaymé-Tchebychev, la loi faible des grands nombres et l’estimation, de difficulté croissante : estimation ponctuelle, intervalles de confiance pour une proportion et pour la moyenne d’une loi normale, taille d’échantillon, dans l’esprit des sondages vus au lycée.

Avant de commencer

Revoir l’inégalité de Bienaymé-Tchebychev P(|X-E(X)|>\varepsilon)\leqslant\frac{V(X)}{\varepsilon^2}, les formules E(\overline X_n)=m et V(\overline X_n)=\frac{\sigma^2}n pour des variables indépendantes, et le majorant p(1-p)\leqslant\frac14 pour une loi de Bernoulli.

Exercices

Exercice 1 · Inégalité de Markov ★★★

Le nombre X de clients d’un magasin par heure est une variable positive d’espérance 20. Majorer P(X>50) à l’aide de l’inégalité de Markov.

Corrigé

Pour X\geqslant0 et a>0 : P(X>a)\leqslant\frac{E(X)}a. Ici P(X>50)\leqslant\frac{20}{50}=0{,}4. Ce majorant est valable sans connaître la loi de X, mais il est souvent grossier.

Exercice 2 · Inégalité de Bienaymé-Tchebychev ★★★

Une variable X a pour espérance 50 et pour variance 25. Majorer P(|X-50|>10) et en déduire une minoration de P(40\leqslant X\leqslant60).

Corrigé

Par Bienaymé-Tchebychev : P(|X-50|>10)\leqslant\frac{V(X)}{10^2}=0{,}25. L’événement [40\leqslant X\leqslant60]=[|X-50|\leqslant10] est le contraire, donc P(40\leqslant X\leqslant60)\geqslant0{,}75.

Exercice 3 · Somme de variables de Bernoulli ★★★

Soient X_1,\dots,X_n des variables indépendantes de même loi \mathcal{B}(p) et S_n=X_1+\dots+X_n. Calculer E(S_n) et V(S_n). Quelle est la loi de S_n ?

Corrigé

Par linéarité, E(S_n)=np. Les X_i étant indépendantes, V(S_n)=\sum V(X_i)=np(1-p). S_n compte le nombre de succès dans n épreuves de Bernoulli indépendantes : S_n\hookrightarrow\mathcal{B}(n,p).

Exercice 4 · Estimation ponctuelle ★★★

  1. Sur 1000 personnes interrogées au hasard, 540 se déclarent favorables à un projet. Donner une estimation de la proportion p de personnes favorables dans la population.
  2. On a relevé le nombre d’appels reçus par un service pendant 5 minutes : 3,1,2,4,0. On suppose que ce nombre suit une loi de Poisson de paramètre \lambda. Estimer \lambda.
Corrigé

1. On estime p par la fréquence observée : \frac{540}{1000}=0{,}54.

2. Pour une loi de Poisson, \lambda est l’espérance ; on l’estime par la moyenne de l’échantillon : \frac{3+1+2+4+0}5=2.

Exercice 5 · Moyenne empirique ★★★

Soient X_1,\dots,X_n indépendantes, de même espérance m et de même variance \sigma^2, et \overline{X}_n=\frac{X_1+\dots+X_n}n. Calculer E(\overline{X}_n) et V(\overline{X}_n).

Corrigé

Par linéarité : E(\overline{X}_n)=\frac1n\times nm=m. Par indépendance : V(\overline{X}_n)=\frac1{n^2}\sum_{i=1}^nV(X_i)=\frac{n\sigma^2}{n^2}=\frac{\sigma^2}n. La moyenne empirique a la même espérance que chaque X_i, mais une dispersion d’autant plus faible que n est grand.

Exercice 6 · Démontrer la loi faible des grands nombres ★★★

Avec les notations de l’exercice 5, montrer que pour tout \varepsilon>0 : P\big(|\overline{X}_n-m|>\varepsilon\big)\leqslant\dfrac{\sigma^2}{n\varepsilon^2}, puis que \lim\limits_{n\to+\infty}P\big(|\overline{X}_n-m|>\varepsilon\big)=0.

Corrigé

On applique Bienaymé-Tchebychev à \overline{X}_n, d’espérance m et de variance \frac{\sigma^2}n : P\big(|\overline{X}_n-m|>\varepsilon\big)\leqslant\dfrac{\sigma^2/n}{\varepsilon^2}. Ce majorant tend vers 0 et une probabilité est positive : par encadrement, la probabilité tend vers 0. C’est la loi faible des grands nombres.

Exercice 7 · Combien de lancers ? ★★★

On lance n fois un dé équilibré et l’on note F_n la fréquence d’apparition du 6. À l’aide de l’inégalité de Bienaymé-Tchebychev, déterminer un nombre n de lancers garantissant P\big(|F_n-\frac16|>0{,}01\big)\leqslant0{,}05.

Corrigé

F_n=\overline{X}_n où les X_i\hookrightarrow\mathcal{B}\big(\frac16\big) sont indépendantes, de variance \frac16\times\frac56=\frac5{36}. D’après l’exercice 6 : P\big(|F_n-\frac16|>0{,}01\big)\leqslant\dfrac{5/36}{n\times0{,}0001}. Il suffit que \dfrac{5}{36\times0{,}0001\,n}\leqslant0{,}05, soit n\geqslant\dfrac{5}{36\times0{,}000005}\approx27\,778.

Exercice 8 · Qualité de la majoration ★★★

Soit X\hookrightarrow\mathcal{U}([0,1]). Calculer exactement P\big(|X-\frac12|>0{,}4\big), puis le majorant fourni par l’inégalité de Bienaymé-Tchebychev. Commenter.

Corrigé

|X-\frac12|>0{,}4\iff X<0{,}1 ou X>0{,}9 : la probabilité exacte vaut 0{,}1+0{,}1=0{,}2. Avec V(X)=\frac1{12}, la majoration donne \dfrac{1/12}{0{,}16}\approx0{,}52. Le majorant est juste mais assez éloigné : l’inégalité est universelle, donc peu précise.

Exercice 9 · Intervalle de confiance pour une proportion ★★★

Sur un échantillon de 400 clients, 220 sont satisfaits. On utilise l’intervalle de confiance \Big[\overline{x}_n-\sqrt{\frac{1}{4n\alpha}}\,;\,\overline{x}_n+\sqrt{\frac1{4n\alpha}}\Big], obtenu par Bienaymé-Tchebychev en majorant la variance par \frac14. Donner l’intervalle de confiance au niveau 95\,\% de la proportion p de clients satisfaits.

Corrigé

\overline{x}_n=\frac{220}{400}=0{,}55 et, pour un niveau de 95\,\%, \alpha=0{,}05 : \sqrt{\frac1{4\times400\times0{,}05}}=\sqrt{0{,}0125}\approx0{,}112. L’intervalle de confiance est environ [0{,}438\,;0{,}662].

Exercice 10 · Taille d’un échantillon ★★★

Avec l’intervalle de confiance de l’exercice 9, quelle taille n d’échantillon faut-il pour que la demi-largeur de l’intervalle au niveau 95\,\% soit au plus 0{,}03 ? Comment évolue la précision quand on multiplie n par 4 ?

Corrigé

Il faut \sqrt{\frac1{4n\times0{,}05}}\leqslant0{,}03\iff\frac1{0{,}2n}\leqslant0{,}0009\iff n\geqslant\frac1{0{,}00018}\approx5555{,}6, donc n\geqslant5556. La demi-largeur est proportionnelle à \frac1{\sqrt n} : multiplier n par 4 divise la largeur par 2. Les instituts de sondage utilisent des intervalles plus fins (fondés sur la loi normale), ce qui explique des échantillons d’environ 1000 personnes.

Exercice 11 · Intervalle de confiance d’une moyenne (loi normale) ★★★

La durée d’un trajet suit la loi \mathcal{N}(m,10^2), m inconnu. Sur 25 trajets indépendants, la durée moyenne observée est \overline{x}=102 minutes. On admet que \overline{X}_{25}\hookrightarrow\mathcal{N}\big(m,\frac{10^2}{25}\big) et l’on donne \Phi(1{,}96)\approx0{,}975.

  1. Montrer que P\big(\overline{X}_{25}-3{,}92\leqslant m\leqslant\overline{X}_{25}+3{,}92\big)\approx0{,}95.
  2. En déduire un intervalle de confiance de m au niveau 95\,\%.
Corrigé

1. \overline{X}_{25} a pour écart-type \frac{10}5=2, donc Z=\frac{\overline{X}_{25}-m}2\hookrightarrow\mathcal{N}(0,1). Or |\overline X_{25}-m|\leqslant3{,}92\iff|Z|\leqslant1{,}96, de probabilité 2\Phi(1{,}96)-1\approx0{,}95.

2. Avec la valeur observée : [102-3{,}92\,;102+3{,}92]=[98{,}08\,;105{,}92].

Exercice 12 · Estimer un paramètre de Poisson ★★★

Le nombre quotidien de sinistres déclarés à un assureur suit une loi de Poisson de paramètre \lambda inconnu ; on sait seulement que \lambda\leqslant3. On observe n jours indépendants et l’on estime \lambda par la moyenne \overline{X}_n.

  1. Calculer E(\overline{X}_n) et V(\overline{X}_n).
  2. Déterminer un nombre de jours n garantissant P\big(|\overline{X}_n-\lambda|>0{,}1\big)\leqslant0{,}05.
Corrigé

1. Chaque X_i a pour espérance et variance \lambda : E(\overline{X}_n)=\lambda et V(\overline{X}_n)=\frac\lambda n.

2. Par Bienaymé-Tchebychev : P\big(|\overline{X}_n-\lambda|>0{,}1\big)\leqslant\dfrac{\lambda}{0{,}01\,n}\leqslant\dfrac3{0{,}01\,n}. Il suffit que \frac{300}n\leqslant0{,}05, soit n\geqslant6000 jours (environ 16 ans d’observations : la majoration est très prudente).


Pour aller plus loin

Besoin d’aide sur ce chapitre ?

Un blocage sur une notion, une méthode de rédaction à acquérir, un devoir ou un concours à préparer : Pr. Elakili, agrégé de mathématiques depuis 1991, plus de 20 ans d’enseignement en classes préparatoires, propose des cours particuliers, en présentiel à Casablanca, ou à distance, partout au Maroc et en France.

Publications similaires