Université de Toulon Éléments de statistique inférentielle

Master 1 Informatique Solution TD1 : Durée 1h30, 2014/2015

Espérance et variance
1. Soit X une v.a. Montrer que Var(X) = E[X 2 ] − (E[X])2
2. Soient X et Y deux v.a. Montrer que
Var(X + Y ) = Var(X) + V ar(Y ) + 2 Cov(X, Y )
P 
N
3. En déduire une relation pour le calcul de Var i=1 Xi pour le cas de n v.a X1 , . . . , Xn

4. Supposons que les v.a. X

Pet Y sont
 décorrélées. Qu’en déduit-on pour Var(X + Y ) ? et plus
N
généralement pour Var i=1 Xi pour un échantillon indépendant X1 , . . . , Xn ?

Solution
1.
Var(X) = E[(X − E[X])]2 (1)
= E X 2 + (E[X])2 − 2XE[X]
 
(2)
2 2
= E[X ] + (E[X]) − 2E [XE[X]] (3)
2 2
= E[X ] + (E[X]) − 2E[X]E[X] (4)
= E[X 2 ] + (E[X])2 − 2(E[X])2 (5)
2 2
= E[X ] − (E[X]) (6)

2.
Var(X + Y ) = E[(X + Y )2 ] − (E[X + Y ])2 (7)
2 2 2
= E[X + Y + 2XY ] − (E[X] + E[Y ]) (8)
2 2 2 2
= E[X ] + E[Y ] + 2E[XY ] − E[X] − E[Y ] − 2E[X]E[Y ] (9)
2 2 2 2
= E[X ] − E[X] + E[Y ] − E[Y ] + 2(E[XY ] − E[X]E[Y ]) (10)
= Var(X) + V ar(Y ) + 2 Cov(X, Y ) (11)

3. Pour le cas de n v.a, on a donc

n
! n n
X X X X
Var Xi = Cov(Xi , Xj ) = Var(Xi ) + Cov(Xi , Xj ).
i=1 i,j=1 i=1 i6=j

4. Supposons que X et Y sont décorrélées, on a donc Cov(X, Y ) = 0 et par conséquent

Var(X + Y ) = Var(X) + Var(Y )

5. Pour le cas de n v.a décorrélées, on a donc

n
! n
X X
Var Xi = Var(Xi )
i=1 i=1

Variables Aléatoires discrètes

Loi de Bernoulli : La loi de Bernoulli est une distribution de probabilité discrète pour une v.a
binaire X qui prend la valeur 1 avec la probabilité p et 0 avec la probabilité 1 − p. Elle est donc
caractérisé par le seul paramètre p et se définie ainsi

p si x = 1,
P(X = x) = (12)
1−p si x = 0,

ou d’une manière équivalente P(X = x) = px (1 − p)1−x , x ∈ {0, 1}

1
 1. Montrer que l’espérance mathématique d’une variable aléatoire de Bernoulli vaut p
2. Montrer que la variance d’une variable aléatoire de Bernoulli vaut p(1 − p).
Solution
1.
X
E[X] = xk P(X = xk ) (13)
k
= 0 × P(X = 0) + 1 × P(X = 1) (14)
= 1 × P(X = 1) (15)
= 1×p=p (16)

2. on a
X
E[X 2 ] = x2k P(X = xk ) (17)
k
= 0 × P(X = 0) + 12 × P(X = 1)
2
(18)
= 1 × P(X = 1) = p (19)

donc

Var(X) = E[X 2 ] − (E[X])2 (20)

2
= p−p (21)
= p(1 − p) (22)

3.
Loi de Binomiale : La loi Binomiale, notée B(n, p) se définissant ainsi

P (X = x) = Cnk px (1 − p)n−x , x ∈ N, (23)

peut être décrite comme la de n v.a. X1 , . . . , Xn indépendantes de Bernoulli de paramètre p

ind.
(Xi ∼ Bern(p)). Elle est donc caractérisée par deux paramètres (n, p).
n
X
Xi ∼ B(n, p). (24)
i=1

En utilisant les propriétés de l’espérance mathématique et de la variance,

1. montrer que l’espérance mathématique d’une variable aléatoire Binomiale B(n, p) vaut np
2. montrer que sa variance vaut np(1 − p).
Solution
Pn ind.
1. On a i=1 Xi ∼ B(n, p) ou Xi ∼ Bern(p), donc l’espérance d’une v.a Y de distribution
B(n, p) est donnée par
n
X
E[Y ] = E[ Xi ] (25)
i=1
n
X
= E[Xi ] (26)
i=1
Xn
= p (27)
i=1
= np (28)

2. de même pour la variance, on en trouve np(1 − p)

2
Variables Aléatoires continues
Densité exponentielle : La distribution exponentielle est très souvent utiliser pour caractériser
la durée de vie. Une variable X à valeurs dans R+ suit une loi exponentielle de paramètre λ > 0,
ssi la densité de sa loi de probabilité est de la forme

f (x; λ) = λe−λx

Soit X ∼ fX (x; λ)
1. calculer E[X]
2. calculer Var[X]
Solution
1.
Z
E[X] = xf (x; λ) d x (29)
R+
Z +∞
= xλe−λx d x (30)
0
Z +∞
= λ xe−λx d x (31)
0
(32)

puis en passant par une intégration par parties,

R +∞ R +∞
(rappel : U 0 V = [U V ]0 − V 0 U donc 0 U 0 V = [U V ]+∞ 0 − 0 V 0U )
et en prenant
U 0 = e−λx
V =x
⇒ U 0 V = xe−λx
et
−λx
U = −eλ
V0 =1
−λx
⇒ U V = xe−λx et V 0 U = −eλ
on obtient
Z +∞
E[X] = λ xe−λx d x (33)
0
Z +∞
−e−λx
 
+∞
λ xe−λx 0 −

= dx (34)
0 λ
   −λx +∞ !
e
= λ lim xe−λx − 0 − (35)
x→+∞ λ2 0
 −λx +∞ !
Règle de l’Hopital e
= λ [0 − 0] − (36)
λ2 0
 −λx +∞ !
e
= λ − (37)
λ2 0
  
1
= λ − 0− 2 (38)
λ
1
= (39)
λ
1
2. de même pour la variance, on en trouve Var(X) = λ2