Scribd
Importer
17 vues2 pages

TD3-Enoncé Estimation

Le document présente des exercices sur l'estimation ponctuelle en statistique, abordant des concepts tels que les estimateurs par la méthode des moments et le maximum de vraisemblance. Il inclut des questions sur des variables aléatoires, des échantillons de données, et des propriétés des estimateurs comme le biais et la convergence. Les exercices traitent également de la distribution des scores d'un questionnaire sur les troubles obsessionnels chez les adultes dépressifs.

Transféré par

Saif Guesmi
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
17 vues2 pages

TD3-Enoncé Estimation

Le document présente des exercices sur l'estimation ponctuelle en statistique, abordant des concepts tels que les estimateurs par la méthode des moments et le maximum de vraisemblance. Il inclut des questions sur des variables aléatoires, des échantillons de données, et des propriétés des estimateurs comme le biais et la convergence. Les exercices traitent également de la distribution des scores d'un questionnaire sur les troubles obsessionnels chez les adultes dépressifs.

Transféré par

Saif Guesmi
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

TD 2 : Estimation ponctuelle

Exercice 1 :
On considère n variables aléatoires réelles X1, X2, . . . , Xn, indépendantes et identiquement
distribuées suivant X, ayant pour fonction de densité :

, λ
xe− θ si x ∈]0, +∞[
x

fθ(x) = θ2
, 0 sinon
Pour θ un paramètre réel > 0.

1. Déterminer la valeur de λ pour laquelle fθ est bien une fonction densité de probabilité.
2. Calculer E(X).
3. En déduire un estimateur T1 du paramétre θ par la méthode des moments.
4. L’estimateur T1 est-il sans biais ?
5. Soient x1, x2, . . . , xn , n-observations de l’echantillon X1, X2, . . . , Xn
(a) Déterminer la fonction de vraisemblance L(x1, x2, . . . , xn, θ).
(b) Montrer que la log-vraisemblance associée aux observations (x1, x2, . . . , xn) s’écrit :
Σ
n
1Σ
n
ln L(x , x , . . . , x , θ) = −2n ln(θ) + ln(x ) − x
1 2 n i i
θ i=1
i=1

(c) Déterminer l’estimateur T2 du maximum de vraisemblance de θ.


(d) L’estimateur T2 est-il convergent ?

Exercice 2 :
Dans une ferme d’agrumes située au Cap bon, des données recueillies auprès du Groupement
interprofessionnel des fruits (GIF) ont montré que la teneur en vitamine C (en mg/100g),
d’une clémentine choisie au hasard peut être considérée comme la réalisation d’une variable
aléatoire normale X, de moyenne m et de variance σ2. On admet que les teneurs en vitamine

1
C des clémentines sont indépendantes les unes des autres et on les note par X1, X2, . . . , Xn.
On prend un échantillon de 4 clémentines que l’on mesure la teneur. Les mesures ont donné :
(x1, x2, x3, x4) = (48, 39, 58, 36).
1. Donner un estimateur de la moyenne m par la méthode des moments.
2. L’estimateur de la moyenne est-il sans biais ? est-il convergent ?
3. Donner un estimateur sans biais de la variance σ2, puis vérifier que son estimation
vaut 98, 25.

Exercice 3 :
√
Soit une variable aléatoire X ∼ N (m, θ), o ù θ est un paramètre inconnu à estimer. Si
1 Σn
θˆ = (Xi — m) 2 est un estimateur de θ. Cet estimateur :
n i=1
1. Est-il sans biais ?
2. Est-convergent ?

Exercice 4 :
L’inventaire de Padoue est un questionnaire portant sur les troubles obsessionnelles du com-
portement. Chez les adultes dépressifs, le score obtenu à ce questionnaire a pour moyenne
84 avec un écart type de 35. Des chercheurs s’intéressent alors aux scores moyens observés
dans un échantillon de taille 75.
1. Caractériser la distribution de la moyenne empirique du score à l’inventaire de Padoue
sur les échantillons 75 (formes et valeurs de ces paramètres).
2. Quelle est la probabilité d’observer sur un échantillon de taille 75 un score moyen
inférieur à 90.
3. En dessous de quelle valeur se trouvent 95% des scores moyens observés sur un
échantillon de taille 75.

Vous aimerez peut-être aussi