Université Hauts-de-France 3e année Licence Maths
Probabilités - Statistique
Feuille d'exercices # 1
Exercice 1. Loi d'un maximum
Soient X1 , . . . , Xn des variables aléatoires réelles i.i.d. de fonction de répartion commune notée
FX (x) := P(X1 ≤ x). On pose Mn = max1≤i≤n Xi .
1. Déterminer la fonction de répartition de Mn .
2. Dans le cas où les Xi sont des variables uniforme dans [0, 1], montrer que la suite Zn =
n(1 − Mn ) converge en loi vers une variable exponentielle de paramètre 1.
Exercice 2. Méthode de Monte-Carlo
Soient X1 , . . . , Xn des variables aléatoires i.i.d. de loi uniforme dans l'intervalle [0, 1] et soit f une
fonction (mesurable) bornée de [0, 1] dans R. On pose Yi = f (Xi ) pour 1 ≤ i ≤ n.
1. Que peut-on dire des variables Yi (indépendence, loi ) ?
2. Déterminer E[Y1 ].
3. Montrer que lorsque n tend vers l'in ni, on a la convergence presque sûre
Z 1
Y1 + . . . + Yn
lim = f (x)dx.
n→+∞ n 0
Cette méthode d'approximation d'intégrale, appelée méthode de Monte-Carlo, est très fréquem-
ment utilisée en pratique, en particulier lorsque la fonction f est irrégulière ou en grande dimension.
Exercice 3. Inégalité de Bienaymé-Tchebytchev pour p̂
Soit (Zi )i∈[1,n] une famille i.i.d de variables aléatoires suivant toute la loi de Bernoulli de paramètre
p = P(Z1 = 1)). On pose N := ni=1 Zi
P
p (rappel :
1. Véri ez que E(Z1 ) = p.
2. Véri ez que E(N ) = np
3. Véri ez que Var(Z1 ) = p(1 − p).
4. En déduire que Var(N ) = np(1 − p)
n
p̂ = n1 i=1 Zi . Montrez
P
5. Rappelons que que E(p̂) = p.
6. Montrez que
p(1 − p)
Var(p̂) =
n
7. Montrez que
p(1 − p)
P (| p̂ − p |≥ t) ≤ .
nt2
8. Montrez que la fonction p 7→ p(1 − p) admet pour maximum 1/4 sur [0, 1]. On a donc
1
P (| p̂ − p |≥ t) ≤ . (1)
4nt2
9. Soit t = 0.2 et n = 10000 que peut on dire sur la probabilité que | p̂ − p |≥ t ?
10. Toujours pour n = 10000, on va faire le raisonnement inverse : soit α := 5%. Trouvez t>0
tel que, grâce à l'inégalité (1), on soit certaine que
P (| p̂ − p |≥ t) ≤ α.
Exercice 4. Lancer de dé, LGN et TLC
On jette n foisP
de suite un dé usuel numéroté de 1 à 6, on note Xk le résultat du k ème lancer et
on pose Sn := nk=1 Xk .
a) Calculer la moyenne et la variance de X1 .
b) Quelle est la limite de Sn /n lorsque n tend vers l'in ni ?
Sn √
c) Quelle est la loi limite de √
n
− 72 n lorsque n tend vers l'in ni ?
d) On admet que si Z suit une loi normale N (0, 1) alors P(|Z| > 1, 96) = 5%. En déduire un
intervalle I tel queP(S1000 ∈ I) ' 95%.
Exercice 5. Somme de variables de Poisson et TLC
On rappelle ici que si X1 , . . . , Xn sontPdes variables de Poisson indépendantes de paramètres
n Pn
respectifs λi pour 1 ≤ i ≤ n, alors Sn = i=1 Xi suit une loi de Poisson de paramètre λ = i=1 λi .
a) Montrer que si X1 , . . . , Xn sont des variables de Poisson indépendantes de paramètre commun
λi = 1, alors
n
−n
X nk
P(X1 + . . . + Xn ≤ n) = e .
k!
k=0
Pn nk
b) À l'aide théorème limite central, en déduire que limn→+∞ e−n k=0 k! = 12 .
Exercice 6. Approximation normale
On jette 180 fois de suite un dé usuel numéroté de 1 à 6. On note X la variable aléatoire : nombre
de sorties du chire 4 sur les 180 lancers.
1. Quelle est la loi de X?
2. Ecrire le TLC dans ce contexte.
3. En déduire une valeur approchée de la probabilité pour que X soit compris entre 28 et 32.
Exercice 7. Passage à niveau
On suppose que l'intervalle de temps entre deux voitures successives à un passage à niveau peu
fréquenté suit une loi exponentielle de moyenne 30 minutes. On suppose de plus qu'il y a indé-
pendance entre les intervalles de temps séparant les instants de passage de voitures. Calculer une
valeur approchée de la probabilité qu'il y ait plus de 50 voitures qui empruntent le passage à
niveau une journée donnée.
Exercice 8.
Soit Z une variable aléatoire normale centrée réduite. Déterminer les probabilités suivantes :
P(0 ≤ Z ≤ 0.5), P(Z > 2.33),
P(0 < Z < 2.1), P(Z < −1.64),
P(1.62 ≤ Z ≤ 1.94), P(Z > −1),
P(Z ≤ −1.86), P(−2 ≤ Z ≤ −1),
P(−1.8 ≤ Z ≤ 0.94), P(−0.5 ≤ Z ≤ 0).