Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4
Théorie
d’échantillonnage
5 d’ estimation
Efficacité d’un estimateur : maximum de vraisemblance (exercice)
Etant donné un échantillon (x1, ..., xn) tiré en suivant la loi de poisson P avec est inconnu
Donner une statistique exhaustive pour λ.
La loi de poisson est une loi de probabilité discrète qui décrit le comportement du nombre d’évènements se
produisant dans un laps de temps fixé
L𝑥 , … , 𝑥 𝜃 = ∏ 𝑝 𝑥; 𝜆 =∏ 𝑒 =𝑒 𝜆∑ = 𝑔 𝑇 𝑥 ,…,𝑥 ℎ 𝑥 ,…,𝑥
La vraisemblance ! ∏ !
Avec ℎ 𝑥 ,…,𝑥 =∏ 𝑇 𝑥 ,…,𝑥 =∑ 𝑥 𝑔 𝑇 𝑥 ,…,𝑥 = 𝑒 𝜆 ,…,
!
𝑇 𝑥 ,…,𝑥 =∑ 𝑥 est une statistique exhaustive
32
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4
Théorie
d’échantillonnage
5 d’ estimation
Efficacité d’un estimateur : maximum de vraisemblance (exercice)
En utilisant la méthode du maximum de vraisemblance, estimer le paramètre de la loi de Bernoulli
Si x = 1
= 0, 1 et les Xi suivent une loi de Bernoulli de paramètre θ ∈ . On a 𝑓 𝑥 = 1- Si x = 0
Posons Sn = X1 + … + Xn
Ainsi Sn est le nombre de 1 dans l’échan llon et n−Sn le nombre de 0.
La vraisemblance et la log-vraisemblance s’écrivent alors :
𝐿 ,…, () = 𝜃 1−𝜃 et ln 𝐿 ,…, () = Sn ln 𝜃+ 𝑛 − 𝑆𝑛 ln 1 − 𝜃
Un calcul montre alors que le maximum est atteint en ∶
𝜃 = = ∑ 𝑋 qui est également l’estimateur de la moyenne
34
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4
Théorie
d’échantillonnage
5 d’ estimation
Estimation ponctuelle : exercice
Les éléments d’une population possèdent un caractère X qui suit une loi de densité 𝑓 𝑥 = exp −
où θ > 0. Pour étudier le paramètre θ, on a effectué une suite de n expériences indépendantes qui ont donné les réalisations
x1 , … , xn de n VA X1 , … , Xn i.i.d. de même loi que X.
1. Déterminez un estimateur 𝜃 du paramètre θ par la méthode du maximum de vraisemblance.
2. 𝜃 est-il exhaustif ?
3. Calculez la moyenne et la variance de 𝜃 . Déduisez-en un estimateur θ de θ non biaisé. Quelle est la variance de θ ?
Est-il convergent ?
4. Notons 𝐵 (θ) la borne de Cramer-Rao pour l’estimation de θ. Dans l’ensemble des estimateurs non biaisés de θ, on
définit l’efficacité relative de θ comme étant
(θ)
e(θ ) :=
θ
Calculez e(θ ). Qu’en concluez-vous
38
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4
Théorie
d’échantillonnage
5 d’ estimation
Estimation ponctuelle : exercice
1) La vraisemblance s’écrit : 𝐿 𝜃 =∏ 𝑓 𝑋 = 𝑒 ∑
Cette fonction est de classe 𝐶 en 𝜃
𝑙𝑜𝑔 𝐿 𝜃 =
𝑙𝑜𝑔 𝐿 𝜃 =
𝑙𝑜𝑔 𝐿 𝜃 =0
39
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4
Théorie
d’échantillonnage
5 d’ estimation
Estimation ponctuelle : exercice
2) On utilise le critère de factorisation de la vraisemblance 𝐿 𝜃 = ℎ 𝑋 𝑔 𝜃
Avec et La statistique 𝜃 est exhaustive
3) La forme de la densité 𝑓 est une loi normale de moyenne 𝜇 = 0 et de variance 𝜎 =
𝑋 ~ 𝑁 0, et les Xi sont indépendantes
On a On a ainsi
Comme On déduit que
Idem pour la variance
40
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4
Théorie
d’échantillonnage
5 d’ estimation
Estimation ponctuelle : exercice
On déduit que 𝜃 est un estimateur asymptotiquement sans biais et convergent
On déduit par transformation linéaire l’estimateur sans biais
On déduit aussi que 𝜃 est un estimateur sans biais et convergent
4) Calculons On a 𝑙𝑜𝑔 𝐿 𝜃
Et donc -𝔼 𝑙𝑜𝑔 𝐿 𝜃 et
On peut calculer l’efficacité
On remarque que e < 1 donc 𝜃 n’est pas efficace
Mais 𝜃 est asymptotiquement efficace puisque e ⟶ 1
41
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4
Théorie
d’échantillonnage
5 d’ estimation
Estimation d’une moyenne : estimation ponctuelle
Le chiffre d’affaire mensuel d’une entreprise suit une loi normale de moyenne µ et d’écart-type σ
inconnus. Sur les 12 derniers mois, on a observé une moyenne des chiffres d’affaires égale à 100 000 Dhs
Exercice
avec un écart-type de 20000 Dhs.
Donner une estimation de µ par intervalle de confiance au niveau 0.98
Solution
Soit Xi le chiffre d’affaire de l’entreprise le mois i.
On sait que T = (𝑋 - µ) suit une loi de Student de degré 11
A l’aide de la table de la loi de Student, on trouve tα = t0.02 = 2.718 tel que P( 𝑇 ≤ 2.718) ≥ 0.98
Donc, 𝑇 ≤ 2.718 avec proba ≥ 0.98.
ie : µ ∈ 𝑋 − 2.718 , 𝑋 + 2.718
Avec 𝑋 = 100000 et S = 20000; on obtient µ ∈ [83600.9 ; 116390. 02] avec une probabilité de 98%
48
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4
Théorie
d’échantillonnage
5 d’ estimation
Estimation d’une moyenne : estimation ponctuelle
Une entreprise comporte un grand nombre d’employés avec un système de pointage des heures d’arrivée. Chaque
Exercice
employé doit arriver à 8h. On a relevé le retard d’un échantillon de 25 employés. On a obtenu un retard moyen de
6,47 min pour un écart-type moyen 1.12 min.
A partir de ces informations, donner un intervalle de confiance au seuil de 0.9 pour l’écart-type du temps de retard.
Soit Xi le temps de retard de l’employé i. On a 𝑋 = 6.47 et s = 1.12
Solution
On cherche une estimée de σ2 = Var(Xi).
On sait que Z = suit la loi χ 24
A l’aide de la table de la loi d’un χ2, on détermine mα ≅ 13.848 et Mα ≅ 36.415 tels que
P( Z ≥ Mα ) = 0.05 et P( Z ≤ mα ) = 0.05
on obtient σ2 ∈ [ .
; .
] avec une probabilité 90%:
ie : σ ∈ [ 0.927; 1.505] avec une probabilité de 90%
50
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4
Théorie
d’échantillonnage
5 d’ estimation
Estimation d’une moyenne : estimation ponctuelle
Afin d'estimer le pourcentage d'enfants obèses ou en surcharge pondérale chez les enfants de 10 à 16 ans, on a
Exercice
constitué un échantillon de 300 enfants scolarisés dans cette tranche d‘âge. On en dénombré 45 enfants obèses ou
en surcharge pondérale.
A partir de ces informations, calculer l’intervalle de confiance à 95% de 𝜋
L'estimation ponctuelle de la proportion p est égale à : p = = 0.15 = 15%
Solution
Pour calculer l'intervalle de confiance à 95 % on peut utiliser la loi normale car les conditions d'approximation de la
loi binomiale sont vérifiées.
n > 30 et 0.1 < p < 0,9 ( np = 300x0,15=45>5 et n(1-p)=300x0.85=255 > 5)
IC(1-𝛼) = 𝑝 − 𝑧 ,𝑝 − 𝑧 = 𝑝−𝑧 ,𝑝 + 𝑧 𝑧 =𝑧 = −𝑧 = 1.96 et p =0.15
On obtient 𝜋 ∈ [11% , 19%] avec une probabilité de 95%:
54
