Scribd
Importer
101 vues2 pages

TD Estimation

Le document présente des exercices de statistique sur l'estimation, abordant des concepts tels que les estimateurs convergents, les inégalités de Tchebychev, et les méthodes d'estimation des paramètres pour différentes lois de probabilité. Il inclut des exercices sur les estimateurs de maximum de vraisemblance (EMV) et des moments (EMM) pour des distributions comme Bernoulli, normale, et log-normale. Les exercices sont structurés pour développer la compréhension des propriétés des estimateurs et leur application dans des contextes pratiques.

Transféré par

boubaabdou064
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
101 vues2 pages

TD Estimation

Le document présente des exercices de statistique sur l'estimation, abordant des concepts tels que les estimateurs convergents, les inégalités de Tchebychev, et les méthodes d'estimation des paramètres pour différentes lois de probabilité. Il inclut des exercices sur les estimateurs de maximum de vraisemblance (EMV) et des moments (EMM) pour des distributions comme Bernoulli, normale, et log-normale. Les exercices sont structurés pour développer la compréhension des propriétés des estimateurs et leur application dans des contextes pratiques.

Transféré par

boubaabdou064
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

TRAVAUX DIRIGÉS DE STATISTIQUE 2 ESTIMATION

Dans la suite, nous considérons un échantillon (𝑿𝟏 , … , 𝑿𝒏 ) d’une variable aléatoire 𝑿.

Exercice 1. Soit 𝑇 un estimateur convergent d’un paramètre 𝜃, qui vérifie lim 𝑉𝑎𝑟(𝑇) = 0.
𝑛→∞
(Q1). Rappeler l’inégalité de Tchebychev.
(Q2). Rappeler la définition de « 𝑇 un estimateur convergent de 𝜃 ».
(Q3). On considère un nombre réel 𝜀 > 0.
(3). Montrer que |𝑇 − 𝜃| ≤ |𝑇 − 𝐸(𝑇)| + |𝐸(𝑇) − 𝜃|.
(4). En déduire que |𝑇 − 𝜃| > 𝜀 ⇒ |𝑇 − 𝐸(𝑇)| > 𝜀 − |𝐸(𝑇) − 𝜃| (𝑟1).
Dans la suite, on suppose que |𝑇 − 𝜃| > 𝜀.
(5). Comparer 𝑃(|𝑇 − 𝜃| > 𝜀) et 𝑃(|𝑇 − 𝐸(𝑇)| > 𝜀 − |𝐸(𝑇) − 𝜃|).
𝜀
(6). Déduire de (Q2) que ∃𝑁𝜀 ∈ ℕ ∶ 𝑛 > 𝑁𝜀 ⇒ |𝐸(𝑇) − 𝜃| < 2 (𝑟2).
𝜀
(7). Déduire de (𝑟1) et (𝑟2) que 𝑛 ≥ 𝑁𝜀 ⇒ |𝑇 − 𝐸(𝑇)| > 2 (𝑟3).
(8). Déduire de (𝑟1) et (𝑟3) que
𝜀
(𝑛 ≥ 𝑁𝜀 ) ⇒ ((|𝑇 − 𝐸(𝑇)| > 𝜀 − |𝐸(𝑇) − 𝜃|) ⇒ (|𝑇 − 𝐸(𝑇)| > )).
2
𝜀
(9). Ranger 𝑃 (|𝑇 − 𝐸(𝑇)| > 2) , 𝑃(|𝑇 − 𝜃| > 𝜀) et 𝑃(|𝑇 − 𝐸(𝑇)| > 𝜀 − |𝐸(𝑇) − 𝜃|)
dans l’ordre croissant.
𝜀 4
(10). Déduire de (Q1) une comparaison entre 𝑃 (|𝑇 − 𝐸(𝑇)| > 2) et 𝜀2 𝑉𝑎𝑟(𝑇).
4
(11). En déduire que 𝑃(|𝑇 − 𝜃| > 𝜀) ≤ 𝜀2 𝑉𝑎𝑟(𝑇).
(12).En déduire lim 𝑃(|𝑇 − 𝜃| > 𝜀).
𝑛→∞
(13). Quelle qualité de l’estimateur 𝑇 vient-on ainsi de déterminer ?
Exercice 2. On considère un estimateur 𝑇 de 𝜃.
(Q1). Montrer que 𝐸((𝐸(𝑇) − 𝜃)2 ) = (𝐸(𝑇) − 𝜃)2 .
(Q2). Montrer que 𝐸 ((𝑇 − 𝐸(𝑇))(𝐸(𝑇) − 𝜃)) = 0.
(Q3). Déduire de (Q1) et (Q2) que 𝐸((𝑇 − 𝜃)2 ) = 𝑉𝑎𝑟(𝑇) + (𝐸(𝑇) − 𝜃)2.
Exercice 3. Une variable aléatoire 𝑋 suit la loi de Bernoulli de paramètre 𝑝.
(Q1). Montrer que 𝑓(𝑥; 𝑝) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 .
(Q2). Montrer que 𝐿(𝑥1 , … , 𝑥𝑛 ; 𝑝) = 𝑝𝑛𝐹𝑛 (1 − 𝑝)𝑛−𝑛𝐹𝑛 .
(Q3). En déduire ln 𝐿(𝑥1 , … , 𝑥𝑛 ; 𝑝).
(Q4). Montrer alors que l’EMV de 𝑝 est 𝐹𝑛 .
(Q5). Montrer que l’EMM de 𝑝 est 𝐹𝑛 .
Exercice 4. On suppose que 𝑋 ↝ 𝒩(𝜇; 𝜎)
𝑛 𝑛 1
(Q1). Montrer que la log-vraisemblance peut s’écrire − 2 ln(𝜎 2 ) − 2 ln(2𝜋) − 2𝜎2 ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2 .
(Q2). Montrer que l’EMV de 𝜇 est 𝑋̅𝑛 .
(Q3). On remplace 𝜇 par son EMV dans la formule de la log-vraisemblance. Montrer que
l’EMV de 𝜎 2 est 𝑆̃𝑛2 .
(Q4). Montrer que l’EMM de 𝜇 est 𝑋̅𝑛 .
(Q5). Montrer que l’EMM de 𝜎 2 est 𝑆̃𝑛2 .
Exercice 5.
(Q1). On suppose que 𝑋 suit la loi de Poisson de paramètre 𝜆. Déterminer deux EMM de 𝜆.

Compilé par Dr NGOKO Augustin-A. Page 1 sur 2


TRAVAUX DIRIGÉS DE STATISTIQUE 2 ESTIMATION

(Q2). On suppose que 𝑋 suit la loi log-normale 𝐿𝑁(𝜇; 𝜎). Sa densité est alors donnée par
1 1
𝑒𝑥𝑝 (2𝜎2 (ln 𝑥 − 𝜇)2 ) si 𝑥 > 0
𝑓(𝑥; 𝑚, 𝜎) = {𝑥𝜎√2𝜋 . On montre que
0 sinon
2 𝜎
(𝜇+ ) 2
𝐸(𝑋) = 𝑒 2 et 𝐸(𝑋 2 ) = 𝑒 (2𝜇+2𝜎 ) . Déterminer les EMM de 𝜇 et de 𝜎 2 .

Exercice 6. À partir d’observations indépendantes (𝑋1 , … , 𝑋𝑛 ) d’une grandeur


économique 𝑋, on retient le modèle 𝑋𝑖 = 𝑎(1 + 𝜀𝑖 ) pour 𝑖 = 1, … , 𝑛. Déterminer l’EMV et
l’EMM de 𝑎.
Exercice 7. Le total des ventes hebdomadaires d’un produit alimentaire dans un magasin
𝑖 avec 𝑖 = 1, … , 𝑛 est une v.a. 𝑋𝑖 ↝ 𝒩(𝑚𝑖 ; 𝜎) où les valeurs des 𝑚𝑖 et 𝜎 sont connues.
Aucun 𝑋𝑖 ne dépend d’un autre.
(Q1). Une campagne publicitaire fait croitre les ventes telles que chaque 𝑚𝑖 est augmenté
de la même quantité 𝑎. On pose 𝑌𝑖 = 𝑋𝑖 − 𝑚𝑖 . Déterminer la loi de 𝑌𝑖 puis construire
un intervalle de confiance de 𝑎 au niveau de confiance 0,95.
(Q2). Une campagne publicitaire fait croitre les ventes telles que chaque 𝑚𝑖 est multiplié
par la même quantité 𝑏. Déterminer un ESB de 𝑏.
(Q3). Application avec 𝜎 = 3 et le tableau suivant
𝑚𝑖 98 101 104 99 100 102 95 97 105 103
𝑥𝑖 109 105 110 106 110 114 108 104 115 118

Exercice 8. À suivre.

Compilé par Dr NGOKO Augustin-A. Page 2 sur 2

Vous aimerez peut-être aussi