BCPST 951/952/953 Pour le 24 février 2015 D12M Problème Le but de ce problème est d'utiliser des intervalles de conance pour obtenir des approximations numériques de certaines intégrales. Partie 1 : approximations de 1. π On s'intéresse dansZ cette question à une fonction f continue et non constante sur l'intervalle 1 [0, 1]. on note I = f (t) dt. 0 1.a 1.b 1.c Soit X une variable aléatoire suivant la loi uniforme sur l'intervalle [0, 1]. On pose Y = f (X). Justier que Y admet une espérance et que E(Y ) = I . Justier également que Y admet une variance non nulle σ 2 . La fonction f étant supposée dénie comme une fonction Python, écrire une fonction Python qui simule la variable aléatoire Y . Soit (Yk ) une suite de variables aléatoires mutuellement indépendantes de même loi que Y . On introduit : n Mn = et : 2. 1X Yk n k=1 v u n u1 X Sn = t (Yk − Mn )2 n k=1 Donner, en fonction de Mn , Sn et n, un intervalle de conance de niveau de conance 95% pour I . On va ici utiliser le résultat précédent pour chercher des approximations de π . 2.a 2.b √ 4 1 − x2 dx = π (on pourra utiliser un changement de variable). 0 √ On prend alors f (x) = 4 1 − x2 . Ecrire une fonction Python qui prend en paramètre d'entrée un entier n et qui retourne les bornes d'un intervalle de conance pour π de niveau de conance 95% Montrer que Z 1 Utiliser cette fonction pour les valeurs n = 10k avec k ∈ {2, 3, 4, 5, 6, 7} et donner à chaque fois l'encadrement de π obtenu. Commenter ces résultats. On va à présent tenter d'améliorer la précision de nos encadrements en utilisant une autre variable aléatoire. On reprend la fonction f de la question 2.b et les notations de la question 1 et on pose Z = 21 f (X) + f (1 − X) . 3.a Quelle est la loi de 1 − X ? 3.b En déduire que E(Z) = π . 1 3.c Reprendre la méthode de la question 2 et l'appliquer à la fonction g(x) = f (x) + f (1 − x) 2 pour obtenir de nouveaux intervalles de conance avec les mêmes valeurs de n. Commenter. 3.d Tracer les graphes des fonctions f et g et expliquer pourquoi la méthode est plus ecace avec g qu'avec f (s'intéresser qualitativement aux variances respectives de Y et Z ) 2.c 3. page 1 sur 2 TSVP Partie 2 : approximation d'une intégrale généralisée On souhaite dans cette partie obtenir des valeurs approchées de J = Z +∞ e−x dx. 3 0 1. 2. 3. 4. 5. 6. Justier que l'intégrale J est convergente. Soit λ > 0 et soit X une variable aléatoire suivant la loi exponentielle de paramètre λ. Quelle fonction hλ faut-il choisir pour que E(hλ (X)) = J ? Justier qu'alors hλ (X) admet une variance. Ecrire une fonction Python qui prend en entrée un réel strictement positif lam et qui simule une variable aléatoire de loi exponentielle de paramètre lam. En prenant λ = 1 et en simulant n = 10 000 000 variables aléatoires indépendantes de même loi que hλ (X), donner un intervalle de conance pour J à un niveau de conance 0.95%. On se demande à présent quel paramètre λ va donner l'intervalle de conance le plus ecace. 5.a Avec n = 10 000, représenter graphiquement l'amplitude de l'intervalle de conance en fonction de la valeur de λ, pour des valeurs de λ entre 0.5 et 5. 5.b En fonction des résultats obtenus, aner l'intervalle de recherche pour trouver une valeur de λ qui semble optimale à 0.1 près. 5.c Utiliser cette valeur de λ pour déterminer un intervalle de conance pour J avec n = 10 000 000. Commenter. La bibliothèque scipy.integrate de Python propose la fonction quad qui fournit une valeur approchée de l'intégrale d'une fonction sur un intervalle donné, ainsi qu'une majoration de l'erreur commise lors de cette approximation. Exécuter le code suivant : >>> >>> >>> >>> 7. from scipy . integrate import quad from numpy import inf from math import exp quad ( lambda x : exp ( - x **3) ,0 , inf ) Confronter le résultat avec votre intervalle de conance. On souhaite ici estimer la probabilité que l'intervalle de conance ne contienne pas la valeur exacte de J (on prendra la valeur numérique obtenue à la question précédente comme valeur exacte de J , l'erreur de l'approximation fournie par Python étant très inférieure aux amplitudes de nos intervalles de conance). Ecrire une fonction Python qui produit 10 000 intervalles de conance pour n = 1000 et avec la valeur de λ trouvée au 5.b, et qui évalue la probabilité que l'intervalle de conance ne contienne pas J . Quelle valeur s'attend-on à trouver ? Le résultat est-il conforme à cette prévision ? page 2 sur 2 FIN