Solutions - Université de Bretagne-Sud
Transcription
Solutions - Université de Bretagne-Sud
U NIVERSITÉ DE B RETAGNE -S UD ENSIBS : Modélisation Aléatoire Solutions des Travaux Dirigés 1 : Calcul des Probabilités Solution de l’exercice 1 Z+∞ 0 ¸ ¸ Z+∞ ·Z+∞ f ( y) d y dx = f ( y)1( y > x) d y dx 0 x 0 0 ¸ Z+∞ ·Z+∞ Z+∞ ·Z y ¸ = 1( y > x)dx f ( y)d y = dx f ( y) d y 0 0 0 0 Z+∞ = y f ( y) d y = E ( X ) P ( X > x) dx = Z+∞ ·Z+∞ 0 Solution de l’exercice 2 – 1. On conditionne : P(X > Y ) = = = = Z+∞ 0 Z+∞ 0 Z+∞ 0 P ( X > Y | Y = y) f Y ( y) d y P ( X > y) f Y ( y) d y e −λ y f Y ( y) d y E [ e−λY ] 2. Calculons : P ( X − Y > t | X > Y ) P(X − Y > t | X > Y ) = P(X > Y + t | X > Y ) = P ( X > Y + t) E [ e−λ(Y + t) ] = e −λ t = P(X > Y ) E [ e−λY ] Solution de l’exercice 3 – On note f , la densité de la loi de S = X 1 + X 2 Par définition, E [ g(S )] = Z+∞ g( s) f ( s) ds −∞ et E [ g( X 1 + X 2 )] = Z+∞ Z+∞ −∞ g( x1 + x2 ) f 1 ( x1 ) f 2 ( x2 ) dx1 dx2 . −∞ On effectue le changement de variable s = x1 + x2 et x1 = x1 dans cette dernière intégrale. On a : x2 = s − x1 et dx1 dx2 = dx1 ds. 1 ENSIBS : Modélisation Aléatoire Il vient alors : E [ g( X 1 + X 2 )] = = Z+∞ Z+∞ −∞ = g( s) f 1 ( x1 ) f 2 ( s − x1 ) dx1 ds ¸ g ( s) f 1 ( x1 ) f 2 ( s − x1 ) dx1 ds −∞ −∞ ·Z+∞ Z+∞ −∞ Z+∞ g( s)( f 1 ∗ f 2 )( s) ds. −∞ Ce qui montre que le produit de convolution f 1 ∗ f 2 est la densité de la loi de S . On peut également montrer ce résultat en conditionnant et en écrivant : Z+∞ P ( S ≤ s) = P ( X 1 + X 2 ≤ s) = P ( X 1 + X 2 ≤ s | X 1 = t) f 1 ( t) dt −∞ Z+∞ = P ( X 2 ≤ s − t) f 1 ( t) dt −∞ ¶ Z+∞ µZs− t = f 2 ( u) du f 1 ( t) dt −∞ −∞ On pose v = u + t. On a : du = dv et v varie de −∞ à s. Z s− t Zs f 2 ( u) du = f 2 (v − t) dv. −∞ −∞ Donc P ( S ≤ s) = = Z+∞ µZs −∞ = = −∞ Zs µZ+∞ Z−∞ s −∞ ¶ f 2 (v − t) dv f 1 ( t) dt ¶ f 2 (v − t) f 1 ( t) dt dv ( f 1 ∗ f 2 )(v) dv. −∞ Ce qui montre que le produit de convolution f 1 ∗ f 2 est bien la densité de la loi de S . Solution de l’exercice 4 – 1. On pose : Z = X + Y . On veut calculer la loi de Z . P ( Z = z) = P ( X + Y = z) = z X P ( X = x, Y = z − x) x =0 Or X et Y sont des v.a. indépendantes de loi de Poisson de paramètre respectif λ1 et λ2 , donc P ( Z = z) = z X P ( X = x) P (Y = z − x) = x =0 = x =0 x! z 1 X z! λ x λ z− x e−(λ1 +λ2 ) z! x=0 x!( z − x)! 1 2 {z } | ( λ1 + λ2 ) z (λ1 + λ2 ) z −(λ1 +λ2 ) e . z! Z suit donc une loi de Poisson de paramètre λ1 + λ2 . d’où P ( Z = z) = z λx X 1 2/7 e − λ1 λ2z− x ( z − x)! e − λ2 Solutions TD 1 : Rappels de Calcul des Probabilités 2. P ( X = x, X + Y = z) P ( X = x, Y = z − x) = P ( X + Y = z) P ( Z = z) x z− x −λ −λ P ( X = x) P (Y = z − x) λ1 / x! e 1 × λ2 /( z − x)! e 2 = = P ( Z = z) (λ1 + λ2 ) z / z! e−(λ1 +λ2 ) ¸x · ¸ z− x · x z− x λ1 λ2 λ2 λ1 z! z! = = x!( z − x)! (λ1 + λ2 ) z x!( z − x)! λ1 + λ2 λ1 + λ2 ¸x · ¸ z− x · λ1 λ1 1− = C zx λ1 + λ2 λ1 + λ2 ¡ ¢ On reconnaît une loi binomiale de paramètres z, λ1 /(λ1 + λ2 ) . P ( Z = z | X + Y = z) = Solution de l’exercice 5 – Pour identifier la loi de Y , on en calcule la fonction génératrice des moments. On sait que la fonction génératrice des moments caractérise la loi de la variable de manière univoque. Les v.a. X i sont indépendantes donc g Y ( t) = Calculons la fonction génératrice des X i : g X i ( t) = E ( e tX i ) = +∞ X x =0 e tx λx x! n Y i =1 g X i ( t). e −λ = e −λ t t (λ e t ) x = e−λ × eλ e = e−λ(1− e ) . x! x =0 +∞ X +∞ X xn Rappel : e x = . x=0 n! On a alors : g Y ( t) = n Y e−λ(1− e ) = e−nλ(1− e ) . t t i =1 Cette expression correspond à la fonction génératrice d’une loi de Poisson de paramètre nλ ; Y suit donc une loi de Poisson de paramètre nλ. Remarque : on pouvait également obtenir ce résultat en s’appuyant sur le résultat obtenu à la question 1 de l’exercice 4 et en effectuant une récurrence. Solution de l’exercice 6 – 1. Soit Z i la v.a. de Bernoulli telle Z i = 1 si l’électron a un effet biologique et Z i = 0 sinon. n X D’après l’énoncé, P ( Z i = 1) = p et P ( Z i = 0) = 1 − p. Z = Z i , Z est la somme de n v.a. de i =1 Bernoulli. On en déduit donc que Z i suit une loi binomiale de paramètre ( n, p) : P ( Z = k | X = n) = C nk p k (1 − p)n−k . 2. Loi de Z P ( Z = k) = +∞ X P ( Z = k | X = n) P ( X = n) n= k 3/7 ENSIBS : Modélisation Aléatoire +∞ X = n//! n= k λ k −λ e n//! X (1 − p)n−k (λ p)k −λ +∞ e k! n= k ( n − k)! = Or k!( n − k)! p k (1 − p)n−k (1 − p)n−k (λ p)k −λ p = e(1− p)λ d’où e . Z suit donc une loi de Poisson de paramètre λ p. k! n= k ( n − k)! +∞ X Solution de l’exercice 7 – 1. Pour calculer la loi de X , on conditionne puisqu’on connaît la loi de X sachant Y et la loi de Y : P ( X = x) = +∞ X P ( X = x | Y = y) P (Y = y) y= x = = = λ y −λ y! p x (1 − p) y− x e y! y= x x!( y − x)! +∞ X 1 (λ p) x [λ(1 − p)] y− x e−λ y= x x!( y − x)! +∞ X X [λ(1 − p)] y− x (λ p) x −λ +∞ e x! ( y − x)! x= y {z } | = eλ(1− p) (λ p) −λ λ(1− p) e e x! (λ p) x −λ p e x! x = = 2. Comme précédemment, on conditionne : P (Y − X = z) = +∞ X P (Y − X = z | Y = y) P (Y = y) = y= z = +∞ X P ( X = y − z | Y = y) P (Y = y) y= z X (λ p) y− z λ y −λ [(1 − p)λ] z −λ +∞ y! p y− z (1 − p) z e = e y! z! y= z ( y − z)! y= z ( y − z)! z! {z } | +∞ X = eλ p [(1 − p)λ] −λ λ p [(1 − p)λ] −(1− p)λ e e = e z! z! z = z On reconnaît une loi exponentielle de paramètre (1 − p)λ. Remarque : on pouvait également trouver ce résultat en écrivant la fonction génératrice des moments : g Y − X ( t ) = E [ e t (Y − X ) ] = E [ e t(Y − X ) | Y = y] = +∞ X E [ e t(Y − X ) | Y = y]P (Y = y) y=0 y y X X e tz P (Y − X = z | Y = y) = e tz P ( X = y − z | Y = y) z=0 z=0 4/7 Solutions TD 1 : Rappels de Calcul des Probabilités y y X X y− z y− z e tz C y p y− z (1 − p) z = C y p y− z [(1 − p) e t ] z = z=0 = z=0 [ p + (1 − p) e t ] y On a donc : ³ ´y y λ[ p + (1 − p) e t ] +∞ X t t λ [ p + (1 − p) e t ] y g Y − X ( t) = e−λ = e−λ = e−λ[1− p−(1− p) e ] = e−λ(1− p)(1− e ) y ! y ! y=0 y=0 | {z } +∞ X = eλ[ p+(1− p) e t] On reconnaît la fonction génératrice des moments d’une loi de Poisson de paramètre λ(1 − p). Solution de l’exercice 8 – 1. Espérance mathématique d’une loi géométrique E( X ) = = +∞ X x P ( X = x) = x =0 +∞ X +∞ X x (1 − p) x p x =1 x (1 − p) x−1 (1 − p) p x =1 = p(1 − p) +∞ Xh −(1 − p) x x =1 h+∞ X = − p(1 − p) (1 − p) x x =1 i′ i′ i′ h 1 −1 = − p(1 − p) 1− p −1 p = − p(1 − p) = 2 1− p (1 − p) Fonction génératrice des moments d’une loi géométrique g X ( t) = = E ( e tX ) = +∞ X e tx P ( X = x) = x =0 p +∞ Xh e tx (1 − p) x p x =0 (1 − p) e t x =0 = +∞ X p 1 − (1 − p) e t ix 2. Fonction génératrice des moments de X + Y . X et Y étant indépendantes, la fgm de X + Y est le produit des fgms. On a donc : £ ¤ £ ¤ £ ¤ £ ¤ g X +Y ( t) = E e t( X +Y ) = E e tX e tY = E e tX E e tY = g X ( t) g Y ( t). · p g X +Y ( t ) = 1 − (1 − p) e t 5/7 ¸2 . ENSIBS : Modélisation Aléatoire 3. Fonction génératrice binomiale négative de paramètres ( n, θ ) g Z ( t) = = = E ( e tZ ) = +∞ X e tz P ( X = z) z =0 +∞ X z =0 +∞ X z =0 = θn e tz C nz + z−1 θ n (1 − θ ) z £ ¤z C nz + z−1 θ n (1 − θ ) e t +∞ X z =0 £ ¤z C nz + z−1 (1 − θ ) e t On reconnaît le développement en série entière de la fonction 1/(1 − x)n au point (1 − θ ) e t . Rappel : Formule de Taylor-Mac Laurin : f ( x) = f (0) + x f ( x) + x3 x k ( k) x2 ′′ f (0) + + f (3) (0) + . . . + f (0) + · · · 2! 3! k! ème de f . où f (k) désigne la derivée k On a : ¸′ ¸(2) · · n n( n + 1) 1 1 = = , , (1 − x)n (1 − x)n (1 − x)n+1 (1 − x)n+2 · ¸(3) n( n + 1)( n + 2) 1 = , (1 − x)n (1 − x)n+3 et d’une manière générale, · ¸( k ) n( n + 1)( n + 2) . . . ( n + k − 1) ( n + k − 1)! 1 = = (1 − x)n (1 − x)n+k ( n − 1)!(1 − x)n+k On peut donc écrire : +∞ X ( n + k − 1)! x k +∞ X k 1 = = C n+k−1 x k . n (1 − x) ( n − 1)! k ! k=0 k=0 On a donc : n 4. On avait trouvé : · 1 θ g Z ( t) = θ £ ¤n = 1 − (1 − θ ) e t 1 − (1 − θ ) e t g X +Y ( t ) = · p 1 − (1 − p) e t ¸2 ¸n . . On sait que la fonction génératrice des moments définie de manière univoque la loi de probabilité de la v.a. associée. On voit donc ici que la loi de X + Y est une loi binomiale négative de paramètre (2, p). Ce résultat se généralise facilement et on a que la somme de n v.a. de loi géométrique de paramètre p suit une loi binomiale négative de paramètres ( n, p). 6/7 Solutions TD 1 : Rappels de Calcul des Probabilités Solution de l’exercice 9 – X suit une loi exponentielle donc : P ( X > x) = e−λ x . P ( X > x1 + x2 ) e−λ( x1 + x2 ) = = e−λ x2 = P ( X > x2 ). P ( X > x1 ) e−λ x1 P ( X > x1 + x2 | X > x1 ) = Ce qui démontre l’absence de mémoire de la loi exponentielle. Pour la loi de Weibull : ³ ( µ ¶ ) ´ ´ ³ t β β β−1 , t ∈ R+ , α, β > 0 . exp − X ∼ Weibull(α, β) ⇐⇒ f X ( t) = β t α α P ( X > x) = Z+∞ x On pose u( t) = ( t/α)β , u′ ( t) = f X ( t) dt = β β−1 t . αβ On a alors : P ( X > x) = Z+∞ x Donc Z+∞ x o n β β−1 dt. − t / α t exp ( ) β β α i+∞ h α = e−u( x) = e−( x/β) . u′ ( t) e−u( t) dt = − e u( t) x ¸¾ ½ ·³ x1 + x2 ´β ³ x1 ´β − , P ( X > x1 + x2 | X > x1 ) = P ( X > x1 + x2 )/P ( X > x1 ) = exp − α α expression qui dépend de x2 donc on ne peut pas dire que X “perd la mémoire”. Solution de l’exercice 10 – 1. Fonction génératrice Z+∞ de Z . α Z+∞ £ tz ¤ β βα g Z ( t) = E e = e tZ zα−1 e−β z dz = e tz zα−1 e−(β− t) z dz. Γ ( α ) Γ ( α ) 0 0 Z+∞ Γ( a ) a−1 − bu Or, I = u e du = a bµ 0 ¶ α β Γ(α) β α donc g Z ( t) = . = Γ(α) (β − t)α β− t Calcul de I – On rappelle la définition de la fonction gamma : Γ(a) = En effectuant le changement de variable u = v/ b dans I, il vient : Z+∞ 1 dv Γ(a) I= va−1 e−v = a . a − 1 b b b 0 Z+∞ 0 2. Fonction génératrice des X i . g X i ( t) = £ E e = λ = tX i Z+∞ 0 ¤ = e Z+∞ 0 −(λ− t) x λ λ− t 7/7 e tx λ e−λ x dx · −(λ− t) x ¸+∞ e dx = λ − λ− t 0 u a−1 e− t dt. ENSIBS : Modélisation Aléatoire Remarque – On pouvait trouver directement ce résultat en appliquant le résultat obtenu à la question 1 puisque la loi exponentielle de paramètre λ est la loi Gamma de paramètres (λ, 1). Les X i étant des v.a. indépendantes g S n ( t) = n Y i =1 g X i ( t) = n Y λ i =1 λ − t = µ λ λ− t ¶n . On reconnaît là, la fonction génératrice d’une loi Gamma de paramètres (λ, n). 8/7