Académique Documents
Professionnel Documents
Culture Documents
Echantillonnage et Estimation
TD – Série 3
Exercice 1
On a: (𝑋) = 𝜇, 𝑉(𝑋) = 𝜎 2 , 𝐸. 𝐴. 𝑆
2
Donc : 𝑉(𝑋̿) = 𝐸(𝑋̅ 2 ) − (𝐸(𝑋̅))
2
Ainsi, 𝐸(𝑋̅ 2 ) = 𝑉(𝑋̿) + (𝐸(𝑋̅))
𝜎 2
Ce qui implique que 𝐸(𝑋̅ 2 ) = 𝑛 + 𝜇 2
𝜎 2
Le biais est 𝐸(𝑋̅ 2 ) − 𝜇 2 = 𝑛
𝜎2
On pose : 𝑍 = 𝑋̅ 2 − 𝑛
𝜎2
Donc : 𝐸(𝑍) = 𝐸(𝑋̅ 2 ) − 𝐸( )
𝑛
𝜎2 𝜎2
⇒ 𝐸(𝑍) = + 𝜇2 −
𝑛 𝑛
⇒ 𝐸(𝑍) = 𝜇 2
1
Exercice 2
𝑆
On a: = ∑𝑛𝑖=1 𝑋𝑖 , 𝑋̅ = 𝑛 , 𝐸(𝑋) = 𝑝 , 𝑉(𝑋) = 𝑝𝑞
∑ 𝑛
𝑆 𝑋𝑖 1 1 1
𝐸(𝑋̿) = 𝐸 (𝑛) = 𝐸 ( 𝑖=1 ) = 𝑛 𝐸(∑𝑛𝑖=1 𝑋𝑖 )=𝑛 ∑𝑛𝑖=1 𝐸(𝑋𝑖 ) = 𝑛 × 𝑛 × 𝑝 = 𝑝
𝑛
On a 𝐸(𝑋̿) = 𝑝
𝑆 ∑𝑛
𝑖=1 𝑋𝑖 1 1 1 𝑝(1−𝑝)
Et 𝑉(𝑋̿) = 𝑉 (𝑛) = 𝑉 ( ) = 𝑛2 𝑉(∑𝑛𝑖=1 𝑋𝑖 )=𝑛2 ∑𝑛𝑖=1 𝑉(𝑋𝑖 ) = 𝑛2 × 𝑛 × 𝑝𝑞 =
𝑛 𝑛
𝑝(1−𝑝)
Donc lim 𝑉(𝑋̿) = lim =0
𝑛→∞ 𝑛→∞ 𝑛
̂ =𝑿
2. Pour estimer la variance 𝝈𝟐 = 𝒑(𝟏 − 𝒑), on pose l’estimateur 𝑼 ̅ (𝟏 − 𝑿
̅)
a. Montrer que 𝑼 ̂ est un estimateur biaisé de 𝝈 𝟐
2 2
̂ ) = 𝑬(𝑿
On a : 𝐸(𝑼 ̅ (𝟏 − 𝑿
̅ )) = 𝑬(𝑿
̅−𝑿
̅ 𝟐 ) = 𝐸(𝑋̿) − 𝐸(𝑋̿) = 𝑝 − 𝑉(𝑋̿) − 𝐸(𝑋̿)
𝑝(1−𝑝) 𝑝(1−𝑝) 1
=𝑝− − 𝑝2 = 𝑝(1 − 𝑝) − = 𝑝(1 − 𝑝) (1 − 𝑛 )
𝑛 𝑛
𝑛−1 𝑛−1
= 𝑝(1 − 𝑝) = 𝜎2
𝑛 𝑛
𝑛
On pose : 𝑉̂ = 𝑈
̂×
𝑛−1
̂ × 𝑛 ) = 𝐸(𝑈
On a : E(𝑉̂ ) = 𝐸 (𝑈 ̂ ) × 𝑛 = 𝜎 2 × 𝑛−1 × 𝑛 = 𝜎 2
𝑛−1 𝑛−1 𝑛 𝑛−1
2
Exercice 3
𝜽 𝒙𝟐
√𝜽 −
Premier modèle : 𝒇(𝒙) = 𝒆 𝟐
√𝟐𝝅
𝑛
𝜽
= 𝑛 𝑙𝑜𝑔(√𝜃) − 𝑛 𝑙𝑜𝑔(√2𝜋) − ∑ 𝑥𝑖2
𝟐
𝑖=1
⇔ n − θ ∑ 𝑥𝑖2 = 0
𝑖=1
𝑛
⇔θ=
∑𝑛𝑖=1 𝑥𝑖2
𝑛
Ainsi 𝜃̂ = ∑𝑛 𝑋 2 peut-être un EMV de θ
𝑖=1 𝑖
′
𝑑2 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝜃) 𝑛 ∑𝑛 2
𝑖=1 𝑥𝑖 𝑛
= (2 𝜃 − ) = − 2𝜃2 < 0
𝑑 𝜃2 2
3
𝒙𝟐
𝟐
Deuxième modèle : 𝒇(𝒙) = ⁄ 𝟑 𝒙 𝟐 𝒆− 𝜽
√𝝅 𝜽 𝟐
𝑛 𝑛
𝟐 ∑𝑛 𝑥 2
− 𝑖=1 𝑖 2
=( 𝟑⁄ ) ∏ 𝑥𝑖 𝒆 𝜽
√ 𝝅 𝜽 𝟐
𝑖=1
𝑛 ∑𝑛 𝑥 2
𝟐 − 𝑖=1 𝑖
𝑙𝑜𝑔 𝐿(𝑥𝑖 , 𝜃) = log ( ⁄𝟑 ) + ∑𝑛𝑖=1 log 𝑥𝑖 2 + log 𝒆 𝜽
√𝝅 𝜽 𝟐
𝑛
𝟑 𝑛 ∑𝑛𝑖=1 𝑥𝑖2
𝑛
= log(2) − log (√𝝅 𝜽 ⁄𝟐 ) + ∑ log 𝑥𝑖 − 2
𝜽
𝑖=1
𝑛
𝟑⁄ ∑𝑛𝑖=1 𝑥𝑖2
= 𝑛 log 2 − 𝑛 log (√𝝅 𝜽 𝟐) + ∑ log 𝑥𝑖 2 −
𝜽
𝑖=1
𝑑 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝜃)
=0
𝑑𝜃
3 1
−𝑛 √𝜋 2 𝜃 ⁄2 ∑𝑛𝑖=1 𝑥𝑖2
⇔ 3⁄ + 2
=0
√ 𝜋 𝜃 2 𝜃
−3𝑛 1⁄2
𝜃 ∑𝑛𝑖=1 𝑥𝑖2
⇔ 2 3 + =0
𝜃 ⁄2 𝜃2
⇔ −3nθ + 2 ∑ 𝑥𝑖2 = 0
𝑖=1
2 ∑𝑛𝑖=1 𝑥𝑖2
⇔θ=
3𝑛
𝑛 2
2∑ 𝑋𝑖
Ainsi 𝜃̂ = 𝑖=1 peut-être un EMV de θ
3𝑛
′
𝑑2 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝜃) −3𝑛 ∑𝑛 2
𝑖=1 𝑥𝑖
= ( 2𝜃 + )
𝑑 𝜃2 𝜽𝟐
3𝑛 2𝜃 ∑𝑛𝑖=1 𝑥𝑖2
= 𝟐−
2𝜽 𝜃4
4
3nθ − 4 ∑ni=1 xi2
=
2θ3
2 ∑𝑛 2
𝑖=1 𝑥𝑖
2 ∑𝑛 2
3nθ−4 ∑n 2 3n −4 ∑n 2
i=1 xi 2 ∑n 2 ∑n 2
𝑖=1 𝑥𝑖 i=1 xi 3𝑛 i=1 xi i=1 xi
𝜃= , donc = =− =− <0
3𝑛 2θ3 2θ3 2θ3 θ3
Exercice 4
𝒙 − 𝒙𝟐
𝒇(𝒙) = 𝟐 𝒆 𝜽
𝜽
̂ du paramètre 𝜽
1. Calculer l’EMV 𝜽
= ( ) ∏ 𝑥𝑖 𝒆− 𝜽
𝜃
𝑖=1
∑𝑛 2
𝑖=1 𝑥𝑖
𝑙𝑜𝑔 𝐿(𝑥𝑖 , 𝜃) = 𝑛 log 2 − 𝑛 log 𝜃 + log ∏𝑛𝑖=1 𝑥𝑖 − 𝜽
𝑑 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝜃)
=0
𝑑𝜃
𝑛 ∑𝑛𝑖=1 𝑥𝑖2
⇔ − + =0
𝜃 𝜃2
𝑛
⇔ −nθ + ∑ 𝑥𝑖2 = 0
𝑖=1
∑𝑛𝑖=1 𝑥𝑖2
⇔ θ=
𝑛
∑ 𝑛 2
𝑋
Donc 𝜃̂ = 𝑖=1𝑛 𝑖 peut-être un EMV de θ
′
𝑑2 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝜃) 𝑛 ∑𝑛 2
𝑖=1 𝑥𝑖
= (− + )
𝑑 𝜃2 𝜃 𝜃2
∑𝑛 2
𝑖=1 𝑥𝑖 ∑𝑛 2
𝑖=1 𝑥𝑖
D’après l’étape précédente, θ = , donc : − <0
𝑛 𝜃3
5
∑ 𝑛 2
𝑋
Ainsi, 𝜃̂ = 𝑖=1𝑛 𝑖 est un EMV de θ
∑𝑛 2
𝑖=1 𝑋𝑖 1
On a: 𝐸(𝜃̂) = 𝐸 ( ) = 𝑛 ∑𝑛𝑖=1(𝑋𝑖2 ) = 𝜃
𝑛
Convergent?
𝑛 2
∑ 𝑋 𝜃2
On a: lim 𝑉(𝜃̂) = lim 𝑉 ( 𝑖=1𝑛 𝑖 ) = lim =0
𝑛→∞ 𝑛→∞ 𝑛→∞ 𝑛
Efficace?
1 1 1 𝜃2
On a: 𝐼(𝜃) = 𝑑 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝜃)
= 𝑛𝜃2
= = 𝑉(𝜃̂)
𝑉( ) 𝑛
𝑑𝜃 𝜃4
6
Exercice 5
𝒙𝟑 − 𝒙
𝒇(𝒙) = 𝒆 𝒕
𝟔 𝒕𝟒
(6 𝑡 4 )′ ∑𝑛𝑖=1 𝑥𝑖
⇔ −n + =0
6 𝑡4 𝑡2
24 𝑡 3 ∑𝑛𝑖=1 𝑥𝑖
⇔ −n + =0
6 𝑡4 𝑡2
− 4𝑛𝑡 3 ∑𝑛𝑖=1 𝑥𝑖
⇔ + =0
𝑡4 𝑡2
𝑛
⇔ −4nt + ∑ 𝑥𝑖 = 0
𝑖=1
∑𝑛𝑖=1 𝑥𝑖
⇔t=
4𝑛
∑ 𝑛
𝑋𝑖
Donc 𝑇̂ = 𝑖=1 peut-être un EMV de t
4𝑛
′
𝑑2 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝑡) − 4𝑛 ∑𝑛
𝑖=1 𝑥𝑖
=( + )
𝑑 𝑡2 𝑡 𝑡2
4𝑛 2𝑡 ∑𝑛𝑖=1 𝑥𝑖
= −
𝑡2 𝑡4
7
4𝑛𝑡 − 2 ∑𝑛𝑖=1 𝑥𝑖
=
𝑡3
∑𝑛𝑖=1 𝑥𝑖
= − <0
𝑡3
∑𝑛
𝑖=1 𝑋𝑖
Donc 𝑇̂ = est un EMV de t.
4𝑛
∑ 𝑛
𝑋 1
On a: 𝐸(𝑇̂) = 𝐸 ( 𝑖=1 𝑖 ) = × 4𝑛 × 𝑡 = 𝑡
4𝑛 4𝑛
Convergent?
𝑛
∑ 𝑋𝑖 1 𝑡2
On a: lim 𝑉(𝑇̂) = lim 𝑉 ( 𝑖=1 ) = lim × 𝑛 × 4𝑡 2 = lim =0
𝑛→∞ 𝑛→∞4𝑛 𝑛→∞ (4𝑛)2 𝑛→∞ 4𝑛
Efficace?
1 1 1 1 𝑡2
On a: 𝐼(𝜃) = 𝑑 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝑡)
= −4𝑛𝑡+∑𝑛
= 4𝑛 = 4𝑛 = 𝑉(𝑇̂)
𝑉( ) 𝑖=1 𝑥𝑖 )
𝑉( 𝑡2
𝑑𝑡 𝑡2