Vous êtes sur la page 1sur 3

Université Mohamed I Filière : Economie et Gestion

Faculté Pluridisciplinaire Echantillonnage et estimation


NADOR Semestre III (2020/21)

TD4

Exercice 1
Dans le bus de comparer deux traitements sur des oliviers, on a choisie deux parcelles
identiques d’oliviers atteintes de fumagine ont étés traiter, la première avec un Traitement 1
et la seconde avec un Traitement 2. Les résultats de ces traitements sur oliviers sont dans le
tableau suivant :
Effet
Eradication Amélioration Sans effet
Traitement
Traitement 1 280 210 110

Traitement 2 220 90 90

Tester, au niveau a=0.05, si les deux traitements ont le même effet ou non.

Exercice 2
Soit x1, x2,…,xn un échantillon extrait d’une variable X de loi Géométrique :
f(x)=px= P[X=x] = (1-)x x=0,1,2,3,….. et 0<  <1

avec : E(X)= 1   et V(X)= 1   .


 ²
1) Déterminer un estimateur * de paramètre  suivant la méthode des moments.
n

xi
2) Justifier que la fonction de vraisemblance L( ;x)= n (1) i1 .

3) Si x >1, justifiez que  ' = x est un estimateur de maximum du vraisemblance d’une
fonction g() que l’on précisera.
4) Déterminer l’information de Fisher et borne de Cramer Rao.

5) On en déduire si  ' est un estimateur efficace ou non de g()?

6) Précisez la loi asymptotique de  ' .

P [²n > ] =p
n 2 3 6
p 11.35 16.81
=10% 9.21
p =5% 5.99 7.82 12.59
Correction

Exercice 1

Pour modélisé ce problème, la population P d’oliviers est répartie en 2


parcelles : une a reçue le traitement 1 et l’autre le traitement 2, et la variable
qualitative X représentant les modalités possibles en vers la maladie après le
traitement, il s’agit de 3 modalités à savoir : "Eradication", "Amélioration" et
"sans effet". Donc :

P ni
X Parcelle 1 Parcelle 2
Eradication 280 220 500
Amélioration 210 90 300
sans effet 110 90 200
n’j 600 400 1000

2
 500.600 
2
 500.400 
2
 200.400 
 90 
n n/
T= 
i, j
( n ij  i j )²
n =  280  1000  +  220  1000  … .+  1000 

n i n /j
500.600 500.400 200.400
n
1000 1000 1000
= 3.333 + 2 + 5 + 7.5 + 0.333 + 1.25 =19.45= t0
On a P(2(3-1)(2-1)  5,99) = 0,05 et t0=19.45 donc on rejette l’hypothèse H0 que
les deux traitements sont identiques.

Exercice 7

1) Déterminer un estimateur * de paramètre  suivant la méthode des


moments.
On pose E(X)= x  1   = x donc * = 1 .
 x+1
n
n n n xi
2) On a L( ;x)=  pxi =   (1) = 
n n
xi
(1)xi
= (1) i1 .
i 1 i 1 i 1

3) Si x >1, On a :
n
n xi
L( ;x)=   (1) =  n
xi
(1) i1 déterminer l’estimateur du maximum de
i 1
θ ˆ de .
vraisemblance n

On a : LogL (  , x )  nLog   
i 1
x i log(1   )

 LogL ( , x ) n n
x  LogL ( , x ) n n
x n nx
   i =   i =    1 =
  i 1 1     i 1 1  
n  1  
x  
 1  

 LogL (  , x ) 1  ˆ 
 =0  x  ˆ donc '= x est un estimateur de maximum du

1   ² LogL (  , x ) =
vraisemblance d’une fonction g()= car en plus  ²
n nx <0

 
 ²    1 2

4) Déterminer l’information de Fisher,


 
L’information de Fisher est In()=- E  ²Log(L(θ,x))  = - E    ²     12  = n  nE ( X2) =
n nx n
θ²     θ² (θ-1) (1  )²
 b (n ,θ ) 
2

 g '(  )  
θ = ( g '(  ) ) = 1  
2
BCR=  
I n ( ) I n ( ) n ²

5) on a V(  ' )=V( x )= V ( X ) = 1   = BCR donc il est efficace.
n n ²

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


( θ̂ ’ – g() In(θ) est asymptotiquement normale N(0,1).

1  n
Avec : ( θ̂ ’ – g() In(θ) =( x - )/
 (1  )²

Vous aimerez peut-être aussi