Académique Documents
Professionnel Documents
Culture Documents
Exemples de statistiques :
1
• ∑ni=1 Xi , X1 .Xn , n−1 ∑ni=1 (Xi − Xn )2 sont des statistiques.
• La moyenne empririque Xn := 1n ∑ni=1 Xi est une statistique
1
• La variance empirique σn2 := n−1 ∑ni=1 (Xi − Xn )2 est une statistique
• Si la moyenne m est connue alors la v.a. Sn2 := 1n ∑ni=1 (Xi − m)2 est une statistique
• La proportion (fréquence empirique) fn d’unités possèdant un caractère donné C est une
statistique qui s’ecrit : fn := 1n ∑ni=1 1{Xi =C}
• θ X1 n’est pas une statistique.
5.4 Propriétés des estimateurs 37
Exemples d’estimateurs :
• Modèle de Bernouilli θ = p. Dans ce cas, les v.a. X13+1 et Xn sont des estimateurs de p.
• Modèle Gaussien.
1. Cas où la moyenne m est connnue : θ = σ 2
– Les v. a. σn2 et Sn2 sont des estimateurs de θ = σ 2 .
2. Cas où θ = (m, σ 2 )
– Si on prend g(θ1 , θ2 ) = θ1 , Xn est un estimateur de θ1 = m
– Si on prend g(θ1 , θ2 ) = θ2 :
-La v. a. Sn2 n’est plus une statistique car elle dépend du paramètre inconnu m.
-La v.a σn2 est toujours un estimateur de θ2 = σ 2 .
• On dit qu’une suite de variables aléatoires (Xn )n≥1 converge presque sûrement (ou
presque partout) (p.s. (ou p.p.) vers une variable aléatoire X ssi pour presque tout
w ∈ Ω,
lim X( w) = X(w) .
n→+∞
• On dit qu’une suite de variables aléatoires (Xn )n≥1 converge en loi vers une variable
aléatoire X ssi
∀A ⊂ R, lim PXn (A) = PX (A) .
n→+∞
Proposition 5.4.3
On considère deux suites de variables aléatoires (Xn )n≥1 et (Yn )n ge1 telles que :
• La suite (Xn )n≥1 converge en loi vers une variable aléatoire X,
• la suite (Yn )n≥1 converge en loi ou en presque tout point dans R vers une variable aléatoire Y .
On a alors : Xn + a et a.Xn convergent en loi respectivement vers X + a et a.X.
38 Chapter 5. Estimation ponctuelle de paramètres
∀θ ∈ Θ, Eθ (Z) = g(θ ) .
∀θ ∈ Θ, R(Z1 , θ ) ≤ R(Z2 , θ ) .
Quand on observe la taille t d’un individu, on estime son sexe en choisissant le θ ∈ Θ = {F, H} qui
(t−µθ )2
−
1 2σ 2
maximise a vraisemblance θ 7→ √
σθ 2π
e . θ
La moyenne empirique (Xn )n = n1 ∑ni=1 Xi d’une suite (Xi )i≤1 de variables aléatoires réelles
indépendantes et identiquement distribués (i.i.d.) intégrables converge presque sûrement vers
l’espérance commune des Xi lorsque n tend vers l’infini, i.e.,
√
n
Autrement dit, la v.a. σ (Xn − E(X1 )) converge en loi vers la loi normale centrée réduite
N (0, 1).
p
Pour toute suite (Xi )i≥1 de v.a.r. , i.i.d. , telles que E(X12 ) < +∞ et σ = Var(X1 ) > 0,
soit (X1 , . . . , Xn ) un n-échantillon de moyenne commune m = E(X1 ) et de variance commune
0 < σ 2 = Var(X1 ) < +∞. Nous obtenons, à partir de la LGN et du TLC, les résultats suivants.
1 n
Sn2 := ∑ (Xi − m)2
n i=1
Exercice :
Traiter l’exercice 3 du TD.