Scribd
Importer
36 vues3 pages

Fiche5 TD

Le document présente des exercices sur la statistique inférentielle, abordant des concepts tels que la transformée de Laplace, l'estimation sans biais, et l'efficacité des estimateurs dans divers contextes statistiques. Les exercices incluent des démonstrations et des calculs concernant des lois de probabilité comme Bernoulli, Gaussienne et Poisson. Il met également en évidence des propriétés des statistiques, telles que l'exhaustivité et la totalité, ainsi que des estimations de paramètres à partir d'échantillons.

Transféré par

Yavo
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
36 vues3 pages

Fiche5 TD

Le document présente des exercices sur la statistique inférentielle, abordant des concepts tels que la transformée de Laplace, l'estimation sans biais, et l'efficacité des estimateurs dans divers contextes statistiques. Les exercices incluent des démonstrations et des calculs concernant des lois de probabilité comme Bernoulli, Gaussienne et Poisson. Il met également en évidence des propriétés des statistiques, telles que l'exhaustivité et la totalité, ainsi que des estimations de paramètres à partir d'échantillons.

Transféré par

Yavo
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

Master Ingénierie mathématique, Univ.

Nantes
Option Mathématiques et applications, ECN

Statistique Inférentielle.
Anne Philippe
Université de Nantes, LMJL

Fiche 5. Efficacité
Exercice 1.
Soit X1 , · · · , Xn des variables aléatoires indépendantes et identiquement distribuées.
On suppose que φ la transformée de Laplace de X1 est finie, c’est à dire, pour tout t ∈ R,
φ(t) = E(e−tX1 ) < +∞.
1) Quelle est la transformée de Laplace de la loi qui admet pour fonction de répartition
Fn . On la note φ̂n
2) Montrer que, pour tout t ∈ R, φ̂n (t) est un estimateur consistant (au sens de la conver-
gence presque sûre) de φ(t).
3) Montrer que pour tout t ∈ R, φ̂n (t) est un estimateur sans biais de φ(t)
4) Montrer que pour tout t ∈ R, φ̂n (t) est un estimateur de φ(t) convergent au sens L2 .
On suppose que X1 est à valeurs dans {−1, 1} et Pθ (X1 = 1) = θ ∈]0, 1[.
5) Montrer que {Pθ , θ ∈]0, 1[} est une famille exponentielle.
6) Calculer φθ la transformé de la Laplace de X1 .
7) Calculer θ̂n l’estimateur du MV de θ.
8) Montrer que l’estimateur du MV est efficace.
9) Pour t fixé, φ̂n (t) est il un estimateur efficace de φ(t) ? est il asymptotiquement efficace ?

Exercice 2.
On dispose d’un n-échantillon X1 , · · · , Xn d’une loi de Bernoulli de paramètre p ∈]0, 1[
inconnu. On veut montrer qu’il n’existe pas d’estimateur sans biais de p1 .
1) Calculer la loi conditionnelle de (X1 , ..., Xn ) sachant Sn = ni=1 Xi .
P
1
2 Anne PHILIPPE, Université de Nantes

2) Justifier que si h(X1 , ..., Xn ) est un estimateur de 1/p alors Ep (h(X1 , ..., Xn )|Sn ) est
aussi un estimateur de 1/p.
3) Montrer que si h(X1 , ..., Xn )) est un estimateur sans biais de 1/p alors Ep (h(X1 , ..., Xn )|Sn )
est aussi un estimateur sans biais de 1/p.
4) Montrer qu’il n’existe pas d’estimateur sans biais de 1/p de la forme g(Sn )
5) En déduire qu’il n’existe pas d’estimateur sans biais de 1/p

Exercice 3.
On considère un échantillon (X1 , · · · , Xn ) d’une loi gaussienne N (µ, σ 2 ). On estime σ 2
par la variance empirique modifiée
n
1 X
Sn2 = (Xj − X n )2 .
n − 1 j=1

1) Quel est son biais, son risque quadratique ?


2) Quel est parmi les estimateurs de la forme
n
X
c (Xj − X n )2
j=1

(où c > 0) celui qui minimise l’erreur quadratique ?

Exercice 4.
Montrer que les statistiques suivantes sont exhaustives et totales
— La somme pour le modèle de Poisson.
— max{X1 , . . . , Xn } pour un modèle uniforme sur [0, θ] .

Exercice 5.
On dispose d’un n-échantillon (X1 , · · · , Xn ) d’une loi de Poisson de paramètre λ > 0.
1) Montrer que X̄n est un estimateur efficace de λ
On désire estimer τ = e−kλ où k est un entier positif fixé.
2) Montrer que τ̂n = IX1 +...+Xk =0 est un estimateur sans biais de τ .
3) Cet estimateur est il efficace ?
n
X
4) Améliorez l’estimateur τ̂n en utilisant la statistique exhaustive Xj .
j=1

5) Peut on trouver un estimateur efficace de τ ?


Anne PHILIPPE, Université de Nantes 3

Exercice 6.
Soit (X1 , . . . , Xn ) une suite de longueur n, de variables aléatoires indépendantes et de
même loi de Bernoulli de paramètre p ∈]0, 1[.
1) Écrire la vraisemblance.
Pn
2) Montrer que la statistique Sn = i=1 Xi est exhaustive.
3) Montrer que la statistique Sn est totale.
4) Calculer l’estimateur du maximum de vraisemblance de p.
5) Cet estimateur peut il être amélioré à l’aide de la statistique exhaustive Sn ?
6) Est-il un estimateur efficace du paramètre p ?
7) Proposer un estimateur sans biais de pk où k est un entier connu.
8) En déduire un estimateur sans biais de variance minimale.

Vous aimerez peut-être aussi