Estim Ponctuelle

Statistiques: estimation ponctuelle
Samy Tindel
Nancy-Universit
ESIAL - Module MAP
Samy T. (IECN)
ESIAL - Estimation ponctuelle
Module MAP
1 / 50
Plan
1
Introduction
Rappel: variables alatoires usuelles
Dfinitions
Mthode des moments
Estimateurs du maximum de vraisemblance
Samy T. (IECN)
Module MAP
2 / 50
Plan
1
Introduction
Dfinitions
Mthode des moments
Samy T. (IECN)
Module MAP
3 / 50
Situation gnrique abstraite

Problme: Identification dune famille de lois { ; }
Donnes: on dispose de donnes (x1 , . . . , xn )
Hypothse fondamentale: les donnes sont issues dun n-chantillon
de loi pour
Autrement dit:
on peut crire (x1 , . . . , xn ) = (X1 (), . . . , Xn ()) pour
Un n-chantillon (X1 , . . . , Xn ) de loi
Une exprience
Reformulation du problme: estimer partir de (x1 , . . . , xn ) sous
lhypothse fondamentale.
Samy T. (IECN)
Module MAP
4 / 50
Exemple
Tirage de d: On souhaite savoir si un d est pip.
Pour cela, on sintresse la proba dobtenir 6 avec ce d.
Exprience: on lance 10 fois le d.
On pose xi = 1 si le 6 est obtenu au i me lancer, 0 sinon
, (x1 , . . . , xn ) avec n = 10.
Exemple dobservation:
(x1 , . . . , x10 ) = (0, 0, 1, 0, 0, 0, 1, 0, 0, 0)
Hypothse: (x1 , . . . , xn ) est la ralisation dun n-chantillon
(X1 , . . . , Xn ) de loi {B(p); p ]0, 1[}.
But: A partir de (x1 , . . . , xn ), donner une estimation de p
afin de savoir si p = 1/6.
Samy T. (IECN)
Module MAP
5 / 50
Type de critre considr
Pour caractriser lestimation de , on verra les critres suivants:

Convergence lorsque n (forte consistence)
Convergence en moyenne (biais)
Maximisation probabiliste (maximum de vraisemblance)
Critre bas sur la variance (risque)
Samy T. (IECN)
Module MAP
6 / 50
Plan
1
Introduction
Dfinitions
Mthode des moments
Samy T. (IECN)
Module MAP
7 / 50
Loi de Bernoulli
Notation: B(p) pour p ]0, 1[
Ensemble des valeurs: E = {0, 1}
Loi:
P(X = 0) = 1 p,
P(X = 1) = p
Utilisation:
(i) Succs dans un jeu binaire
Exemple 1: pile/face. X = 1 si pile, X = 0 sinon X B(1/2)
Exemple 2: jeu de d. X = 1 si rsultat = 3, X = 0 sinon
X B(1/6)
(ii) Rponse oui/non dans un sondage
Exemple: X = 1 si une personne approuve la loi Pcresse,
X = 0 sinon X B(p), avec p inconnu
Samy T. (IECN)
Module MAP
8 / 50
Loi Binomiale
Notation: Bin(n, p), pour n N , p ]0, 1[
Ensemble des valeurs: E = {0, 1, . . . , n}
Loi:
!
n k
P(X = k) =
p (1 p)nk ,
k
0kn
Utilisation:
(i) Nombre de succs dans une preuve de Bernoulli
rpte n fois indpendemment
Exemple: On lance un d 9 fois. X = nombre de 3 obtenus
X Bin(9, 1/6), P(X = 2) = 0.28
(ii) Comptage dun caractre dans un tirage avec remise
Exemple: lot de 1000 pantalons dont 10% dfectueux
On tire 15 pantalons avec remise.
X = nombre de pantalons dfectueux obtenus X Bin(15, 1/10)
Samy T. (IECN)
Module MAP
9 / 50
Loi gomtrique
Notation: G(p) pour p ]0, 1[
Ensemble des valeurs: E = N
Loi:
P(X = k) = p (1 p)k1 ,
k1
Utilisation:
Instant de 1er succs dans un jeu binaire
Exemple 2: jeu de d.
X = 1er jancer pour lequel rsultat = 6
X G(1/6), P(X = 5) = 0.08
Samy T. (IECN)
Module MAP
10 / 50
Loi de Poisson
Notation: P() pour R+

Ensemble des valeurs: E = N
Loi:
P(X = k) = e
Samy T. (IECN)
k
,
k!
k0
Module MAP
11 / 50
Loi de Poisson (2)

Utilisation de la
Nombre de
Nombre de
Nombre de
loi de Poisson (exemples):

clients entrant dans un magasin de 14h 17h
bus passant un arrt en 35 mn
requtes sur un serveur de minuit 6h
Rgle empirique:
Si n , p 0 et np , on approche Bin(n, p) par P().
En pratique, cette rgle est applique pour
p 0.1 et np 5
Samy T. (IECN)
Module MAP
12 / 50
Loi Exponentielle
Notation: E(), pour > 0
Ensemble des valeurs: E = R+
Densit:
fX (x ) = e x 1R+ (x )
Utilisation: Temps dattente entre

Arrive de deux clients dans un magasin de 14h 17h
Passage de deux bus un arrt sur une priode de temps
Deux requtes sur un serveur de minuit 6h
Exemple de calcul: si X E(), alors pour x 0,
P(X > x ) =
e z dz = e x
x
Samy T. (IECN)
Module MAP
13 / 50
Loi gaussienne (ou normale)

Notation: N (, 2 ) pour R et 2 > 0
Ensemble des valeurs: E = R
Densit:
!
(x )2
1
exp
fX (x ) =
2 2
2 2
Utilisation:
Phnomnes dpendant dun grand nombre de petits paramtres
Nombreux exemples en
Biologie
Physique et industrie
Economie
Problme: les primitives de fx ne sont pas directement calculables
, utilisation de tables pour les calculs de probabilit
Samy T. (IECN)
Module MAP
14 / 50
Moments pour les v.a. usuelles

Tableau rcapitulatif:
Loi
E[X ] Var(X )
B(p)
p
p(1 p)
Bin(n, p) n p n p(1 p)
1p
1
G(p)
p
p2
P()
1
1
E()
2
N (, 2 )
Samy T. (IECN)
Module MAP
15 / 50
Plan
1
Introduction
Dfinitions
Mthode des moments
Samy T. (IECN)
Module MAP
16 / 50
Modle statistique
Dfinition
On appelle modle statistique ou exprience la famille
(, A, X , E , (P ) ), o
X , E : ralisation de la v.a. X dfinie sur (, A)
ensemble des paramtres
P est une loi de proba pour tout .
Samy T. (IECN)
Module MAP
17 / 50
Modle dchantillonnage
Dfinition
On appelle modle dchantillonnage bas sur le modle statistique
A,
), o
Xn , E n , P
prcdent une famille (,
Xn , E n : ralisation de la v.a. Xn := (X1 , . . . , Xn )
A)
dfinie sur (,
ensemble des paramtres
est une loi de proba sur E n pour tout
P
, correspond un n-chantillon (X1 , . . . , Xn ) de loi P
Notation: lesprance sous la proba P se note E .
Samy T. (IECN)
Module MAP
18 / 50
Exemple
Tirage de d: on a
= {1, . . . , 6}
= {1, . . . , 6}n
E = {0, 1}
Xn = (X1 , . . . , Xn ), o (X1 , . . . , Xn ) est un n-ch. de loi B(p)
=]0, 1[
Samy T. (IECN)
Module MAP
19 / 50
Estimateur
Dfinition
Soit un modle dchantillonnage de loi { ; }.
n est un estimateur de sil existe une fonction mesurable
dn : E n telle que
n () = dn (X1 (), . . . , Xn ())
Remarques:
(1) A priori, nimporte quelle fonction de lchantillon est un
estimateur. Il faut donc reprer les fonction utiles.
(2) Un estimateur est une variable alatoire.
Samy T. (IECN)
Module MAP
20 / 50
Exemple
Tirage de d: on a n = 10, =]0, 1[ et
(X1 , . . . , Xn ) est un n-ch. de loi B(p).
Observation: (x1 , . . . , x10 ) = (0, 0, 1, 0, 0, 0, 1, 0, 0, 0).
(1) Estimateur raisonnable:
d 1 : {0, 1}n [0, 1],
(x1 , . . . , xn ) 7 xn =
n
1X
xi
n i=1
n . Sur nos donns: pn1 () = 2/10 = 0.2.

On a donc pn1 := X
Samy T. (IECN)
Module MAP
21 / 50
Exemple (2)
(2) Estimateur fantme: pour n 5,
d 2 : {0, 1}n [0, 1],
1
(x1 , . . . , xn ) 7 e x5
2
On a donc pn2 := 21 e X5 . Sur nos donns: pn2 () = 12 e 0 = 12 .

(3) Si pour une autre exprience
on a
(x1 , . . . , x10 ) = (0, 1, 0, 1, 0, 0, 1, 0, 0, 1)
alors
pn1 (
) = 4/10 = 0.4,
1
pn2 (
) = e 1 = 0.18.
2
Donc
Lestimation dpend de lobservation.
Lestimateur est une variable alatoire.
Samy T. (IECN)
Module MAP
22 / 50
Forte consistance
Dfinition
Soit n un estimateur de .
On dit que n est fortement consistant si P -presque srement,
lim n () = ,
pour tout .
Samy T. (IECN)
Module MAP
23 / 50
Biais
Dfinition
Soit n un estimateur de .
Le biais est une fonction
bn : R,
bn () = E [n ] .
Si bn () = 0 pour tout , on dit que n est sans biais.

Si limn bn () = 0 pour tout , on dit que n est
asymptotiquement sans biais.
Interprtation: si lestimateur est sans biais
, on ne se trompe pas en moyenne dans notre estimation.
Remarque: les deux dernires dfinitions
, deux critres pour savoir si un estimateur est raisonnable
Samy T. (IECN)
Module MAP
24 / 50
Plan
1
Introduction
Dfinitions
Mthode des moments
Samy T. (IECN)
Module MAP
25 / 50
Rappel: loi forte des grands nombres

Thorme
Soit (Xn ; n 1) un n-chantillon de v.a. valeurs dans R
On suppose E [|X1 |] < , E [X1 ] = m R.
Alors
n () m, quand n , pour tout
X
sauf sur un ensemble de probabilit nulle.
Dfinition
La convergence pour tout ci-dessus se nomme
convergence presque sre.
Samy T. (IECN)
Module MAP
26 / 50
Estimateurs et moyenne empirique

Proposition
On suppose que pour tout , on a E [|X1 |] < et E [X1 ] = .
n = 1 Pni=1 Xi .
Soit n = X
n
Alors n est un estimateur fortement consistant et sans biais de .

Dmonstration (consistance): Daprs loi forte grands nombres,
p.s.
n
n = X
E [X1 ] =
Samy T. (IECN)
Module MAP
27 / 50
Dmonstration
Dmonstration (biais): pour ,
n
X
n ] = E 1
Xi
E [n ] = E [X
n i=1
"
n
1X
n
=
E [Xi ] = = .
n i=1
n
Donc
bn () := E [n ] = 0,
pour tout . Lestimateur est sans biais.
Samy T. (IECN)
Module MAP
28 / 50
Exemple
Tirage de d: on a n = 10, =]0, 1[ et
(X1 , . . . , Xn ) est un n-ch. de loi B(p).
Application: si X1 B(p), on a bien Ep [X1 ] = p.
On est bien dans les conditions dapplication de la proposition.
n est f.c.s.b.
Estimateur raisonnable: pn1 = X
Estimateur fantme:
pn2 = 12 e X5 nest ni f.c. ni s.b., ni asymptotiquement s.b.
Dmonstration:
On a limn pn2 = 12 e X5 , qui nest pas dterministe
De plus,
i

1 h
1
Ep [
pn2 ] = Ep e X5 =
(1 p) + pe 1 .
2
2
Donc Ep [
pn2 ] 6= p si p 6= 1/[3 1/e].
Samy T. (IECN)
Module MAP
29 / 50
Exemple (2)
Donnes: x1 , . . . , xn avec n = 12. Unit: M.
, Chiffre daffaire journalier dune entreprise sur 12 jours ouvrables.
5.02 4.87 4.95 4.88 5.09 4.93 4.91 5.09 4.96 4.89 5.06 4.85
Modlisation: (x1 , . . . , xn ) = (X1 (), . . . , Xn ()) pour un
n-chantillon (X1 , . . . , Xn ) de loi N (, 2 )
, E = R et = R R+ . On note = (, 2 ).
Application: si X1 N (, 2 ), on a E [X1 ] = .
n est un estimateur f.c.s.b. de
Conclusion:
n = X
n () = xn = 4.95 M.
Application numrique:
n () = X
Samy T. (IECN)
Module MAP
30 / 50
Estimateurs et variance empirique

Proposition
On suppose que pour tout , on a E [X12 ] < et Var [X1 ] = .
Soit
n

1 X
n 2 .
Xi X
n = Sn2 :=
n 1 i=1
Alors n est un estimateur fortement consistant et sans biais de .
Dmonstration: Voir Td.
Remarque: Sn2 se nomme variance empirique de lchantillon.
Samy T. (IECN)
Module MAP
31 / 50
Exemples
Donnes: Chiffre daffaire entreprise, n = 12.
5.02 4.87 4.95 4.88 5.09 4.93 4.91 5.09 4.96 4.89 5.06 4.85
n-chantillon (X1 , . . . , Xn ) de loi N (, 2 )
, E = R et = R R+ . On note = ( 2 ).
Application: si X1 N (, 2 ), on a Var [X1 ] = 2 .
Samy T. (IECN)
Module MAP
32 / 50
Exemples (2)
Conclusion:
n2 = Sn2 est un estimateur f.c.s.b. de 2
1 P11
2
3
2
n2 () = Sn2 () = 11
i=1 (xi 4.95) = 6.10 10 (M) .
Remarque: Physiquement, il est prfrable de considrer Sn =
Ici, sn := Sn () = 0.078M entreprise rgulire.
Samy T. (IECN)
Module MAP
Sn2 .
33 / 50
Exemples (3)
Donnes: Nombre daccidents sur une anne pour n = 500 chauffeurs
de bus.
0
1
2 3 4 5+
Nbe. Accidents
Nbe. Chauffeurs 122 253 87 35 2 1
n-chantillon (X1 , . . . , Xn ) de loi P()
, E = N et = R+ .
Application 1: si X1 P(), on a E [X1 ] = .
On est dans les conditions dapplication de la premire proposition.
Application 2: si X1 P(), on a Var [X1 ] = .
On est dans les conditions dapplication de la deuxime proposition.
Samy T. (IECN)
Module MAP
34 / 50
Exemples (4)
Conclusion: on a exhib deux estimateurs f.c.s.b. de :
(1)
n = Xn ,
2
(1)
et
n = Sn
(1)
(2)
n () = 1.09 et n () = 0.71
Question: Comment choisir entre ces deux estimateurs?
Samy T. (IECN)
Module MAP
35 / 50
Mthode des moments

Thorme
Hypothse: il existe F : R R+ R telle que, pour tout ,
F est continue en tout point (E [X1 ], Var (X1 )).
= F (E [X1 ], Var (X1 ))
Soit

n , Sn2
n = Sn2 := F X
Alors n est un estimateur fortement consistant de .
Dmonstration:
(i) Loi forte
grands nombres
des
p.s.
2
Xn , Sn (E [X1 ], Var (X1 )).

p.s.
n , Sn2
(ii) Continuit de F F X
F (E [X1 ], Var (X1 )) = .
Samy T. (IECN)
Module MAP
36 / 50
Exemple
Donnes: Dure de vie de n = 20 ampoules identiques (heures)
0.57 0.41 0.31 1.61 0.60 1.46 1.46 1.53 0.12 0.42
1.17 0.06 1.53 1.16 1.01 1.23 0.56 0.72 1.16 0.52
n-chantillon (X1 , . . . , Xn ) de loi E()
, E = R+ et = R+ .
Application 1: si X1 E(), on a E [X1 ] = 1/.
Donc = F1 (E [X1 ]) avec F1 (u) = 1/u pour u > 0.
F1 continue sur R+ Thorme sapplique
Application 2: si X1 E(), on a Var (X1 ) = 1/2 .
Donc = F2 (Var (X1 )) avec F2 (u) = 1/u 1/2 pour u > 0.
F2 continue sur R+ Thorme sapplique
Samy T. (IECN)
Module MAP
37 / 50
Exemple (2)
Conclusion: on a exhib deux estimateurs f.c. de :
1
(1)
n = ,
Xn
1
(1)
et
n =
Sn
(1)
(2)
n () = 0.96 et n () = 1.01
Question: Comment choisir entre ces deux estimateurs?
, ncessit dautres critres de choix.
n
(1)
(1)
Remarque: on peut montrer que E [
n ] = n1 bn () =
(1)
Donc
n est asymptotiquement sans biais.
n1 (1)
(3)
De plus
n = n n est un estimateur f.c.s.b de .
Samy T. (IECN)
n1
Module MAP
38 / 50
Plan
1
Introduction
Dfinitions
Mthode des moments
Samy T. (IECN)
Module MAP
39 / 50
Vraisemblance
Dfinition
Soit (X1 , . . . , Xn ) un n-chantillon de loi { ; }.
On suppose X1 E , et soit (x1 , . . . , xn ) E n .
Si X1 est une variable alatoire discrte, on pose
L (x1 , . . . , xn ) =
n
Y
P (Xi = xi ).
i=1
Lorsque X1 admet une densit f , on pose

L (x1 , . . . , xn ) =
n
Y
f (xi ).
i=1
La fonction L se nomme vraisemblance de lchantillon (x1 , . . . , xn ).

Samy T. (IECN)
Module MAP
40 / 50
Log-vraisemblance
Dfinition
Soit (X1 , . . . , Xn ) un n-chantillon de loi { ; }.
On suppose X1 E , et soit (x1 , . . . , xn ) E n .
Soit L la vraisemblance de lchantillon (x1 , . . . , xn ).
On pose
` (x1 , . . . , xn ) = ln (L (x1 , . . . , xn )) .
La fonction ` se nomme log-vraisemblance de lchantillon
(x1 , . . . , xn ).
Samy T. (IECN)
Module MAP
41 / 50
Exemple: loi de Bernoulli

Loi: on a E = {0, 1} et pour p ]0, 1[, x E
P(X = x ) = p x (1 p)1x
Vraisemblance: on obtient Lp : E n [0, 1] avec
Lp (x1 , . . . , xn ) =
n
Y
p xi (1 p)1xi = p
Pn
x
i=1 i
(1 p)
Pn
i=1
(1xi )
i=1
Log-vraisemblance: on obtient `p : E n R avec

n
X
p
xi + n ln(1 p).
`p (x1 , . . . , xn ) = ln
1 p i=1
Samy T. (IECN)
Module MAP
42 / 50
Log-vraisemblance des lois usuelles

Loi P():
` (x1 , . . . , xn ) =
n
X
ln(xi !) + ln()
i=1
Loi E():
` (x1 , . . . , xn ) =
n
X
xi n .
i=1
n
X
xi + n ln().
i=1
Loi N (, 2 ):
n
` (x1 , . . . , xn ) = ln(2 2 )
2
Samy T. (IECN)
Pn
i=1 (xi
)2
2 2
Module MAP
43 / 50
Intuition du maximum de vraisemblance

Remarque: de manire gnrale, L (x1 , . . . , xn ) reprsente
, la proba dobtenir lchantillon (x1 , . . . , xn ) sous la loi P .
Ide: Choisir rendant lchantillon (x1 , . . . , xn ) le plus probable.
Traduction: On choisit = maximisant
L(x1 , . . . , xn ) : R+
7 L (x1 , . . . , xn )
Samy T. (IECN)
Module MAP
44 / 50
EMV: dfinition
Dfinition
On dit que est un
estimateur du maximum de vraisemblance (EMV) si
L(x1 , . . . , xn ) = sup L (x1 , . . . , xn ).
Samy T. (IECN)
Module MAP
45 / 50
EMV: caractrisation
Proposition
Pour tout (x1 , . . . , xn ) E n , supposons
L(x1 , . . . , xn ) : R+ diffrentiable et > 0.
Soit lEMV de . Alors
`
(x1 , . . . , xn ) = 0.
Samy T. (IECN)
Module MAP
46 / 50
Dmonstration
(i) 7 L (x1 , . . . , xn ) diffrentiable.
lEMV satisfait
L(x1 , . . . , xn ) = 0.
(ii) Si de plus L (x1 , . . . , xn ) est > 0, on a
` (x1 , . . . , xn ) =
L (x1 , . . . , xn )
.
L (x1 , . . . , xn )
Donc
` (x1 , . . . , xn ) = 0
et lEMV satisfait
Samy T. (IECN)
L (x1 , . . . , xn ) = 0,
`(x1 , . . . , xn ) = 0.
Module MAP
47 / 50
EMV pour les lois usuelles (1)

Loi B(p):
n
X
p
xi + n ln(1 p).
`p (x1 , . . . , xn ) = ln
1 p i=1
n .
LEMV est pn = X
Loi P():
` (x1 , . . . , xn ) =
n
X
ln(xi !) + ln()
i=1
n
X
xi n .
i=1
n = X
n .
LEMV est
Samy T. (IECN)
Module MAP
48 / 50
EMV pour les lois usuelles (2)

Loi E():
` (x1 , . . . , xn ) =
n
X
xi + n ln().
i=1
n = 1/X
n .
LEMV est
Loi N (, 2 ):
n
` (x1 , . . . , xn ) = ln(2 2 )
2
Pn
i=1 (xi
)2
2 2
n
Si 2 est connue: LEMV est
n = X
P
2
Si est connue: LEMV est
n = 2n = n1 ni=1 (Xi )2
n , B
n2 ),
Si , 2 inconnus: LEMV est (
n ,
n2 ) = (X
P
n
1
n2 =
2
avec B
i=1 (Xi Xn )
n
Samy T. (IECN)
Module MAP
49 / 50
Estimateurs pour les v.a. usuelles

Tableau rcapitulatif:
Loi
Mth. Moments EMV
n
n
B(p)
X
X
n ou Sn2
n
P()
X
X
n ou 1/Sn
n
E()
1/X
1/X
2
2
N (, ), connue
Xn
Xn
2
2
N (, ), connue
Sn
2n
n , Sn2 )
n , Bn2 )
N (, 2 )
(X
(X
Remarque: lEMV permet de choisir entre les estimateurs
dans le cas P() ou E()
n plutt que Sn2
, pour P(): X
n plutt que 1/Sn
pour E(): 1/X
Samy T. (IECN)
Module MAP
50 / 50

Estim Ponctuelle

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Estim Ponctuelle

Transféré par

Droits d'auteur :

Formats disponibles

Statistiques: estimation ponctuelle

ESIAL - Module MAP

ESIAL - Estimation ponctuelle

Rappel: variables alatoires usuelles

Mthode des moments

Estimateurs du maximum de vraisemblance

ESIAL - Estimation ponctuelle

Rappel: variables alatoires usuelles

Mthode des moments

Estimateurs du maximum de vraisemblance

ESIAL - Estimation ponctuelle

Situation gnrique abstraite

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

Type de critre considr

Pour caractriser lestimation de , on verra les critres suivants:

ESIAL - Estimation ponctuelle

Rappel: variables alatoires usuelles

Mthode des moments

Estimateurs du maximum de vraisemblance

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

Notation: P() pour R+

ESIAL - Estimation ponctuelle

Loi de Poisson (2)

loi de Poisson (exemples):

ESIAL - Estimation ponctuelle

Utilisation: Temps dattente entre

ESIAL - Estimation ponctuelle

Loi gaussienne (ou normale)

ESIAL - Estimation ponctuelle

Moments pour les v.a. usuelles

ESIAL - Estimation ponctuelle

Rappel: variables alatoires usuelles

Mthode des moments

Estimateurs du maximum de vraisemblance

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

n . Sur nos donns: pn1 () = 2/10 = 0.2.

ESIAL - Estimation ponctuelle

On a donc pn2 := 21 e X5 . Sur nos donns: pn2 () = 12 e 0 = 12 .

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

Si bn () = 0 pour tout , on dit que n est sans biais.

ESIAL - Estimation ponctuelle

Rappel: variables alatoires usuelles

Mthode des moments

Estimateurs du maximum de vraisemblance

ESIAL - Estimation ponctuelle

Rappel: loi forte des grands nombres

ESIAL - Estimation ponctuelle

Estimateurs et moyenne empirique

Alors n est un estimateur fortement consistant et sans biais de .

ESIAL - Estimation ponctuelle

pour tout . Lestimateur est sans biais.

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

ESIAL - Estimation ponctuelle

Estimateurs et variance empirique