Vous êtes sur la page 1sur 4

Universit Rennes 1 ENS Cachan Antenne de Bretagne Magistre MIT

Anne 2006/2007

Corrig feuille 7 : Estimateurs et intervalles de conance

Exercice 1 :

Soit (X1 , . . . , Xn ) un chantillon de taille n 2 de loi normale (m, 2 ) avec m R et > 0. 1. On suppose m et inconnus. On considre les estimateurs T1 et T2 de 2 . Voyons si les estimateurs sont biaiss ou pas.
E [T1 ] = = 1 n 1 n
n

n )2 ] E [(Xi X
i=1 n

E [Xi2 ]
i=1

2 n
n

n ] + E [X n ] par linarit de l'esprance E [Xi X


2 i=1 n

= 2 + m2 = 2 + m2

2 n2

E [Xi Xj ] +
i=1 j =1

1 n2

E [Xi2 ] +
i=1

1 n2

E [Xi Xj ]
i=j

2 1 2 n2 n 2 2 2 2 2 2 ( n ( + m ) + ( n n ) m ) + ( + m ) + m n2 n n2 car E [Xi Xj ] = 2 + m2 si i = j , m2 si i = j n1 2 . n

Ainsi, E [T1 ] = 2 donc T1 est un estimateur biais. n 2 Comme T2 = n 1 T1 , on en dduit que E [T2 ] = . Par consquent, T2 est un estimateur sans biais. Dans le cas o l'on privilgie les estimateurs sans biais, on utilisera donc T2 plutt que T1 . 2. On suppose m connu et inconnu. On considre un nouvel estimateur T3 de 2 . Montrons que T3 est sans biais.
E [T3 ] = = 1 n 1 n
2 n

E [(Xi m)2 ]
i=1 n

E [Xi2 ]
i=1 2 2

2 n

mE [Xi ] +
i=1 2

1 n

m2
i=1

= + m 2m + m = 2.

Aussi, T3 est un estimateur sans biais. Le choix est maintenant faire entre T2 et T3 qui sont tous les deux sans biais. Un critre pour les dpartager est de calculer les risques quadratiques et de conserver l'estimateur de risque minimal. En prenant un tout petit peu de recul, on se rend compte que dans l'estimateur T2 on considre une estimation de la moyenne alors que dans l'estimateur T3 on prend la  vraie  valeur m. Il y a donc de fortes chances que T3 soit un  meilleur  estimateur que T2 .

Exercice 2 :

Un estimateur Tn (n est la taille de l'chantillon utilis) d'un paramtre R a la loi :


P[Tn = ] = 1 1 1 ; P[Tn = n] = . n n

1. Montrons que cet estimateur n'est pas convergent (vers ) en moyenne quadratique. 1 1 On remarque que P[Tn = 0] = 1 n et P[Tn = n ] = n . Alors, E[(Tn )2 ] = (n)2 2 n . (E[(Tn ) ])n ne converge donc pas vers 0 quand n tend vers l'inni. Par consquent, Tn ne converge pas vers en moyenne quadratique. 2. Montrons qu'il est convergent en probabilit. Pour tout > 0, pour n assez grand, on a
P[|Tn | > ] = P[Tn = n ] = 1 0. n n+

Aussi, Tn converge vers en probabilit. Soit (X1 , . . . , Xn ) un chantillon de taille n de loi de Bernoulli de paramtre p. On n (1 X n ) pour le paramtre = p(1 p). considre l'estimateur Tn = X n ) converge presque srement donc en 1. D'aprs la loi forte des grands nombres, (X probabilit vers p. Par thormes d'oprations sur les limites, (Tn ) converge donc en probabilit vers p(1 p). 1 2. On montre que Ep [Tn ] = n n p(1 p). Donc Tn est un estimateur biais de p(1 p). n 3. On en dduit que n 1 Tn est un estimateur non biais de .

Exercice 3 :

Exercice 4 :

3 1 1 1 On pose T1 = 4 , T2 = 3 4 et T3 = 4 1{S =0} + 4 1{S =1} + 4 1{S =2} . T1 et T2 sont des fonctions constantes donc mesurables. D'autre part, comme S est une variable alatoire, 1{S =0} , 1{S =1} et 1{S =2} sont mesurables et, par consquent, T3 est mesurable. Ainsi, T1 , T2 et T3 sont des estimateurs. Calculons les risques minimax associs ces estimateurs. 2 1 On a RT1 (p) = E[(T1 p)2 ] = 4 p . Donc

1 RT1 (p) = . 4 p{1/4,3/4} sup

De mme, RT2 (p) =

3 4

p . Donc 3 RT2 (p) = . 4 p{1/4,3/4} sup

Enn,
RT3 (p) = E[(T3 p)2 ] 9 1 = P[S = 0] + P[S 16 16 3 2p P[S = 0] + 4 1 P[S = 2] + p2 16 1 1 P[S = 1] + P[S = 2] . 4 4

= 1] +

De plus, S suit la loi binmiale de paramtres 2 et p. Aprs calculs, on trouve


RT3 (p) = 9 5p 7p2 + p3 . 16 2 2 =
15 64 .

En particulier, RT3

1 4

9 64

et RT3
sup

3 4

Donc
15 1 < . 64 4

p{1/4,3/4}

RT3 (p) =

Finalement, T3 est l'estimateur de risque minimax parmi T1 , T2 et T3 .

Exercice 5 : Estimateur du maximum de vraisemblance


P(X = k ) =

On considre une variable alatoire discrte X dont la loi de probabilit est dnie par
k 1 pour k N = {1, 2, 3, . . .}. (1 + )k

Ici est un paramtre inconnu et strictement positif. 1. On dtermine la fonction gnratrice de X .


+ +

GX (s) =
k=1

P[X = k ]s =

1 k=1

s 1+

s . + 1 s

On en dduit l'esprance et la variance de X :


E[X ] = GX (1) = + 1 et V ar(X ) = GX (1) + GX (1) GX (1)2 = (1 + ).

2. On s'intresse l'estimateur du maximum de vraissemblance du paramtre . a. On dtermine d'abord la fonction de vraissemblance.


h(, x) = P[(X1 , . . . , Xn ) = (x1 , . . . , xn )]
n

=
i=1 n

P[Xi = xi ] par indpendance xi 1 (1 + )xi


n

= =

i=1 x1) n(

(1 + )nx

o x =
i=1

xi . n

Ensuite, l'estimateur du maximum de vraissemblance est dni de la faon suivante :


n = Argmax h(, X ).
>0

En calculant la drive partielle de h par rapport , on remarque alors qu'elle est positive pour < x 1, nulle en x 1 et ngative pour > x 1. Aussi, l'estimateur du maximum de vraissemblance n du paramtre vaut X 1. ] 1 = E[X ] 1 = , donc n est un estimateur sans biais de . b. E[n ] = E[X n converge presque srement et dans L2 vers c. D'aprs la loi des grands nombres, X + 1. Par consquent, n converge p.s. et dans L2 vers .

Exercice 6 :

Soit m la dure de vie moyenne d'un composant. Soit Xi la dure de vie d'un composant. On suppose que Xi suit la loi N (m, 702 ) et que les variables Xi sont indpendantes. On estime m par x =450 pour n = 250. X m n 70 suit la loi normale centre rduite. On cherche un intervalle de conance de niveau 0.99. Notant Y une variable alatoire de loi N (0, 1), d'aprs les tables, on a : P(|Y | > 2.576) = 0.01. Alors
m X P( 250 [2.58, 2.58]) 0.99. 70

On peut donc prendre l'intervalle de conance suivant :[438.57,461.42].

Exercice 7 :

Soit Xi de loi de Bernoulli de paramtre p (Xi vaut 1 si la pice est dfectueuse, 0 sinon). D'aprs le thorme central limite, pour n assez grand, on peut approcher la loi X n p de n par une loi normale centre rduite. Ici, n = 200. De plus, d'aprs les tables si Y suit la loi N (0, 1), on a P(|Y | > 2.576) = 0.01 et P (|Y | > 1.96) = 0.05). Pour trouver un intervalle de conance de niveau 0.99, il reste donc rsoudre l'inquation :
1/10 p | 2.576. | 200 p(1 p)
p(1p)

En passant au carr et en rsolvant l'quation du second degr en p, on trouve l'intervalle de conance [0.0576,0.1681]. On raisonne de manire analogue dans l'autre cas.