Vous êtes sur la page 1sur 7

Université Mohamed I Filière : Economie et Gestion

Faculté Pluridisciplinaire Echantillonnage et estimation


NADOR Semestre III (2020/21)

TD2

1) Exercice

Soit X une v.a. de densité : f(x,)= 2 x ; si 0 x  et f(x,)= 0 sinon.


²
1) Déterminer en utilisant la méthode des moments un estimateur du paramètre .
2) Etudier les propriétés de cet estimateur.

2) Exercice
Soit x1, x2,… xn un échantillon aléatoire simple d’une v.a. X continue de loi de probabilité donnée

par : f(x)=  1 si x1 et f(x)=0 sinon,


x

n
où  est un paramètre réel strictement supérieur à 1. Soit l’estimateur : T=1
n  Log(xi).
i1

1) Calculer l’espérance de X et en déduire un estimateur θ̂ de  en utilisant la méthode des


moments.
2) Montrer que T est un estimateur non biaisé d’une fonction g() que l’on précisera.
3) Montrer que T est un estimateur efficace.
4) Prouver que T est l’estimateur du maximum de vraisemblance de g(). En déduire un estimateur
du maximum de vraisemblance de .
5) Déterminer un intervalle de confiance bilatéral symétrique approché pour  au niveau de
confiance 0.95.

3) Exercice
Chaque semaine, MARJAN_NADOR sélectionne un échantillon de 100 clients, pour estimer le
montant moyen des dépenses de chaque client. En se fondant sur les nombreuses enquêtes
précédentes, le supermarché suppose que la dépense de chaque client est d’écart-type σ =100 Dh.
a) Si cette semaine la moyenne de l’échantillon est 450Dh, déterminer un intervalle de
confiance de =m pour α = 0.05.
b) Même question si l’écart-type, σ est inconnu et s=110 Dh.
c) Combien de clients faut-il interrogés pour que la longueur de l’intervalle de confiance de la
moyenne à 95% ne dépasse pas 20 Dh ?
4) Exercice :

L’association des commerçons de la ville de Nador ont organisé une foire pour mouvoir leurs
commerces. Pour étudier le pourcentage p des visiteurs qui ont pu acheter un produit, on a
remarqué que, dans un échantillon de taille n, T visiteurs ont pu acheter un produit à la fin leur
visite.
1) Déterminer la distribution de T.
2) Si n 100, déterminer un intervalle de confiance de p à 95%.
3) Déterminer n pour que l’erreur d’estimation ne dépasse pas 10% dans un intervalle de
confiance à 95% ? Application :
a) Déterminer n si le pourcentage est de f=20%.
b) L’approximation à la distribution normale est elle raisonnable ?

5) Exercice

A) Pour tester l’efficacité ou non d’un engrais, on choisit 200 lots de terrain de même superficie.
On a traité 100 lots avec l’engrais, et les autres ne les sont pas. Les récoltes en tonnes obtenues
100 100
pour les 100 lots traites donnent :  xi  2140 ;
i 1
x
i 1
2
i  46000 ; y  21 ; sY2  3.44 .

d) Si on suppose, pour cette question, que la variance  X2  2 , déterminez un intervalle de


confiance de la moyenne mX de X au niveau α = 0.05.
e) Déterminez un intervalle de confiance de la variance  x2 de X au niveau α = 0.05.

Rappelons que si tn suit la loi de Student et ²n suti khi-deux alors tn n  2 et  n  n


2
suivent asymptotiquement la loi normale N(0,1)pour n>30.
n n
N(0,1) α = 10%, Fn1, n2
.02 .03 .04 .05 .06 n1 n2 80 100
1.6 0.9463 0.9474 0.9495 0.9500 0.9515 80 1.448 1.426
1.6 0.9463 0.9474 0.9495 0.9500 0.9515 100 1.415 1.392
1.9 0.9719 0.9726 0.9738 0.9744 0.9750

Exercice 1) On a E(X)= 0
2 x xdx= 2 .
² 3
Donc * est solution de l’équation :

x= 2  * = 2 x .
3 3

2) On a : E(*) = 2 E( x  donc * est un estimateur non biaisé de .


3
4 4
Et : Var(*)=Var( 2 x )= Var( x )= Var(X)
3 9 9n

Or: Var(X)=E(X²) - [E(X)]²= 0
2 x x²dx – [ 2 ]² = 1 ² – [ 2 ]² =  ² .
² 3 2 3 18
4 2 ²
 Var(*)= Var(X)=  Lim Var(*)=0
9n 81 n n

par suite * est un estimateur non biaisé et convergent.


Pour l’efficacité, puisque le domaine f(x) est X()=[0,] dépend de , alors pour calculer
²Log(L(θ,x)) 
l’information de Fisher on ne peut pas utilisé la formule : In()= - E  
 θ² 

 Log(L( θ, x))  2 
Mais plutôt celle-ci : In() = E   .
 θ  

Or LogL(,x))=
n n n n
2 xi 2x
Log (  )   Log ( i )   Log ( 2 x i )  2 Log ( )   2 nLog ( )   Log ( 2 x i )
i 1 ² i 1 ² i 1 i 1

 Log(L(  , x ))   
In() = E  Log(L( θ, x))   = E( 4 n ² ) = 4 n ² .
2
2n
donc :   = = 
 θ    θ    ²  ²

1  ² 2 ²  ² 8n 1
 I n () = , or on sait que : Var(*)= = > I n () pour n >10.
4n² 81 n 4 n ² 81
Donc on peut conclure que si n ≤10, * est efficace mais dans ce cas l’échantillon n’est pas assez
grande pour considérer que * est un bon estimateur de ;
et si n >10, l’estimateur * n’est plus efficace.

Exercice 2) on a

*
Par suite : E(X)=   =x
 1  * 1

 *( x )-1)= x
par conséquent, l’estimateur * suivant la méthode des moments est :

* = x .
x 1
n
2) On a : E(T) = 1
n  E(Log(xi)),
i1

 
or E(Log(X))= 1
 Logx
x 1
dx= - 
1
 Logxdx
x 1


= - [ Logx


]1 +
x  1
1 dx (intégration par partie: f(x)=x-, et g(x)=Logx)
x 1

 
=1
  1
 dx= 1
x 1  
1
f(x)dx = 1

 E(T)= 1  T est estimateur non biaisé de g()= 1 .


 
3) La fonction de vraisemblance est donnée par :
n
 n
L( ; x)=  x  1 … xn 1 = n
i1 1
 x
i 1
i
1

n
 Log[L( ; x)]= nLog - (+1) Log(xi
i1

Log(L( θ, x))
n

θ
=n -
 Log(xi n
i1
- nT

Or X()=[0,+[ est indépendant de , donc on a :


²Log(L( θ, x)) 
In() = - E   = n² .
  θ² 

 g'() b(n,θ) 
2

 θ 
 BCR =  = 1 .
I n ( ) n²
 
D’autre part : E(Log(X))²= 
1
 ( Logx )² dx = - [ ( Logx )² ] 1 + 2
x  1 x  
1
 Logx dx= 2
x  1 ²

Ici on prend f(x)= (Logx)²  f’(x)= 2 Log ( x ) et g(x)= x-  g’(x)=  .


1
x x
 Var(Log(X))= E(Log(X))² - [E(Log(X))]²= 1 .
²
n
 Var(T) = 1
n²  E(Log(xi)),= n 1 ²
i1
=BCR
Par suite T est un estimateur efficace.
1) 4) T est un estimateur efficace et non biaisé de 1 , donc d’apres les propriétés qui dit: S’il

existe un estimateur efficace non biaisé de , alors il sera donné par la méthode du maximum

de vraisemblance, donc on peut en déduire que θ̂ ’= 1 =g(T) est l’estimateur du maximum de


T
vraisemblance de .

5) On sait que si θ̂ ’ est estimateur du maximum de vraisemblance de , alors :

( θ̂ ’ - ) In(θ) est asymptotiquement normale N(0,1).

 Or ( θ̂ ’ - ) In(θ) = ( 1 - ) n
T 
 -u< 1 - n < u/2

 n - u< 1 < u/2 + n

 ( n - u)/T<  < ( n + u)/T

3) Exercice

a) On connait l’écart-type, σ = 100 et on a n = 100; donc x suit la loi normale


N(m, ) , pour on a u/2= 1,96
n

 T= n x-m ~ N(0,1), donc : PT [ n x-m <u/2] = 1-,


 

 [ x -  u, x +  u/2] = [430,4, 469,6]


n n

b) Même question si l’écart-type, σ est inconnu et s=110 Dh., donc on utiliser la


statistique :
T= x-m n1 qui suit la loi de Student à n-1 degrés de liberté.
S

 PT [ x-m n1 <t/2] = 1-,


S

n
pour n>30 on a Tn/ , suit une loi normale N(0,1).
n2
Pour notre cas on va substituer n par n-1 ( car notre statistique T sui une loi de Student à n-1 d.l).
n n
donc pour déterminer t/2 , on utilise la formule : t/2/ = u,  t/2= u
n2 n2
n
Donc : t/2= 1,96 = 1,98 x - s t< m < x + s t/2
n2 n -1 n -1
[ x - s t, x + s t/2]=[ 450 - 21,89, 450 + 21,89].
n -1 n -1
c ) la longueur de l’intervalle de confiance à 95% est : 2  u/2
n

donc il faut que : 2  u/220  n  2 u/2
n 20
100
 n  (2 1.96)²  n  385
20
4) 1) Soit la v.a X=1 si le client acheté un produit et =0 sinon ; on sait que X suit loi de Bernouli
B(1,p), or sait aussi que T= 
X i suit une loi binomiale B(n,p).

2) on sait que la statistique f = T suit asymptotiquement une loi normale N(p, p(1  p) ), et grâce
n n

au théorème de Stutsky on a : P
f   p donc p(1  p)  
P
 f(1  f)
n n

Par suite : f ~ N(p, f(1  f) )  PT[- u< fp < u/2] = 1-. (où =0.95)
n
f(1  f)
n

L’intervalle de confiance est donc : [f - u f(1  f) , f + u/2 f(1  f) ].


n n

3) il faut que : u/2 f(1  f)  0.1 (l’erreur d’estimation ne dépasse pas 10% )
n

 n f(1  f) u/2  n f(1  f) (u/2)².


0.1 0.1

Application: 1) =0.05 et f=0.2, on a : n 61,4656  n=62.


2) on a nf=12,4>5 et n(1-f)= 49,6>5 donc l’approximation par la loi normale est raisonnable

5) Exercice :

1) Si on suppose, pour cette question, que la variance  X2  2 , déterminez un intervalle de


confiance de la moyenne mX de X pour α = 0.05.
1 100
On a x  xi =21,4
100 i1
et   2 . On sait que la statistique T= n x-m ~ N(0,1), donc :

x-m
PT [ n <u/2] = 1-0,9750,  u/2=1.96

 [ x -  u, x +  u/2] =
n n
il suffit de remplacer x ,  et u/2 par leurs valeurs pour trouver l’intervalle cherché.

2) Déterminez un intervalle de confiance de la variance  x2 de X au niveau α = 0.05.

On a m est inconnue donc on utilise la statistique :


(n-1)S ² n
T=
²

qui suit une distribution de n-1 à n-1 degrés de liberté. Par conséquent, on aura :

PT[ (n-1)ˆ ² < ²< (n-1)ˆ ² ]=1-. (voir le cours pour le détaille)
x2 x1

(n-1)S'2n (n -1)S'2n
Donc l’intervalle de confiance de ² est le suivant : [ , ].
x2 x1

Où S' 2n =
100 1 100 2
( 
99 100 i1
2

xi - x )=1,01(21,4 + 460)=486,2 (car S’²=
n
n -1
S² )

et P[n-1 =x1] =/2=0.025 et P[n-1 =x2]= 1-/2=0.975

xi  n
Or pour n>30 on a  n2  n suit une loi normale N(0,1)  u=  x=n+ u n
n n

donc x2 =n-1+u1-/2 n  1 =n-1+u0.975 n  1 = 99+1.96 99 = 118,5 (ici on remplace n par n-1)

et x1= n-1- u1-/2 n  1 = = 99 -1.96 99 = 79,5

il suffit de remplacer S 2x , x1 , x2 et n-1 par leurs valeurs dans


(n-1)S ² n (n-1)S ² n
[ , ] pour trouver l’intervalle cherché.
x2 x1

Vous aimerez peut-être aussi