Royaume du Maroc ‫المملكة المغربية‬

‫وزارة التربية الوطنية والتكوين المهني و التعليم العالي‬

Ministère de l’Education Nationale, de la Formation
Professionnelle, de l’Enseignement Supérieur et de la ‫و البحث العلمي‬
Recherche Scientifique
Université Sidi Mohamed Ben Abdellah ‫جامعة سيدي محمد بن عبد هللا‬
Faculté des Sciences Juridiques Economiques et Sociales - Fès ‫ فــاس‬- ‫كلية العلوم القانونية واالقتصادية واالجتماعي‬

Université Sidi Mohamed2ème

Benannée
Abdellah
licence – Semestre 3 – Toutes les sections
Faculté des Sciences Juridiques Economiques et Sociales-Fès
Année universitaire : 2020 – 2021
M. AIT OUDRA, S. HABIBY & T. ELMAHI

Echantillonnage et Estimation
TD – Série 3

Exercice 1

On a: (𝑋) = 𝜇, 𝑉(𝑋) = 𝜎 2 , 𝐸. 𝐴. 𝑆

̅ 𝟐 est un estimateur biaisé de 𝝁𝟐

1. Montrer que 𝑿
2
On sait que : 𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))

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

Par conséquent 𝑋̅ 2 est un estimateur biaisé de 𝜇 2 .

𝜎 2
Le biais est 𝐸(𝑋̅ 2 ) − 𝜇 2 = 𝑛

2. En déduire un estimateur sans biais de 𝝁𝟐

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

Ainsi, Z est un estimateur sans biais de 𝜇 2 .

1
Exercice 2
𝑆
On a: = ∑𝑛𝑖=1 𝑋𝑖 , 𝑋̅ = 𝑛 , 𝐸(𝑋) = 𝑝 , 𝑉(𝑋) = 𝑝𝑞

̅ est un estimateur sans biais et consistant de p

1. Montrer que 𝑿
 Montrons que 𝑿̅ est un estimateur sans biais

∑ 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

Donc 𝑋̿ est un estimateur sans biais de p.

 ̅ est un estimateur consistant de p

Montrons que 𝑿

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

Ainsi, 𝑋̿ est un estimateur consistant de p.

̂ =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

̂ est un estimateur biaisé de 𝜎 2 .

Ainsi 𝑼

̂ sans biais de 𝝈𝟐 , en fonction de 𝑼

b. Donner un estimateur 𝑽 ̂

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

Donc, 𝑉̂ est un estimateur sans biais de 𝜎 2 .

2
Exercice 3
𝜽 𝒙𝟐
√𝜽 −
Premier modèle : 𝒇(𝒙) = 𝒆 𝟐
√𝟐𝝅

 𝐿(𝑥𝑖 , 𝜃) = ∏𝑛𝑖=1 𝑓(𝑥𝑖 )

𝑛
√𝜽 𝜽
∑𝑛 2
=( ) 𝒆− 𝟐 𝑖=1 𝑥𝑖
√𝟐𝝅
𝑛 𝜽
√𝜽 ∑𝑛 2
 𝑙𝑜𝑔 𝐿(𝑥𝑖 , 𝜃) = 𝑙𝑜𝑔 ( ) + 𝑙𝑜𝑔 (𝒆− 𝟐 𝑖=1 𝑥𝑖 )
√𝟐𝝅
𝑛 𝑛 𝜽
∑𝑛 2
= 𝑙𝑜𝑔(√𝜃) − 𝑙𝑜𝑔(√2𝜋) + 𝑙𝑜𝑔 (𝒆− 𝟐 𝑖=1 𝑥𝑖 )

𝑛
𝜽
= 𝑛 𝑙𝑜𝑔(√𝜃) − 𝑛 𝑙𝑜𝑔(√2𝜋) − ∑ 𝑥𝑖2
𝟐
𝑖=1

𝑑 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝜃)

 =0
𝑑𝜃
𝑛 ∑𝑛𝑖=1 𝑥𝑖2
⇔ − =0
2𝜃 2
𝑛

⇔ 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

Donc 𝜃̂ est un EMV de θ

3
 𝒙𝟐
𝟐
Deuxième modèle : 𝒇(𝒙) = ⁄ 𝟑 𝒙 𝟐 𝒆− 𝜽
√𝝅 𝜽 𝟐

 𝐿(𝑥𝑖 , 𝜃) = ∏𝑛𝑖=1 𝑓(𝑥𝑖 )

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

−3𝑛 ∑𝑛𝑖=1 𝑥𝑖2

⇔ + =0
2𝜃 𝜃2

−3𝑛𝜃 + 2 ∑𝑛𝑖=1 𝑥𝑖2

⇔ =0
2𝜃 2
𝑛

⇔ −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

Or, on sait que :

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

Ainsi, 𝜃̂ est un EMV de θ

Exercice 4

𝒙 − 𝒙𝟐
𝒇(𝒙) = 𝟐 𝒆 𝜽
𝜽

̂ du paramètre 𝜽
1. Calculer l’EMV 𝜽

 𝐿(𝑥𝑖 , 𝜃) = ∏𝑛𝑖=1 𝑓(𝑥𝑖 )

𝑛
2 𝑛 ∑𝑖=1 𝑥𝑖 𝑛 2

= ( ) ∏ 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 2𝜃 ∑𝑛𝑖=1 𝑥𝑖2 𝑛𝜃 − 2 ∑𝑛𝑖=1 𝑥𝑖2

= 2− =
𝜃 𝜃4 𝜃3

Le signe dépend du signe de 𝑛𝜃 − 2 ∑𝑛𝑖=1 𝑥𝑖2

∑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

̂ de 𝜽 est-il sans biais ? convergent ? efficace ?

2. L’estimateur 𝜽
 Sans biais?

∑𝑛 2
𝑖=1 𝑋𝑖 1
On a: 𝐸(𝜃̂) = 𝐸 ( ) = 𝑛 ∑𝑛𝑖=1(𝑋𝑖2 ) = 𝜃
𝑛

Donc 𝜃̂ est un estimateur sans biais de 𝜃

 Convergent?
𝑛 2
∑ 𝑋 𝜃2
On a: lim 𝑉(𝜃̂) = lim 𝑉 ( 𝑖=1𝑛 𝑖 ) = lim =0
𝑛→∞ 𝑛→∞ 𝑛→∞ 𝑛

Donc 𝜃̂ est un estimateur consistant. Par conséquent il est convergent.

 Efficace?

1 1 1 𝜃2
On a: 𝐼(𝜃) = 𝑑 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝜃)
= 𝑛𝜃2
= = 𝑉(𝜃̂)
𝑉( ) 𝑛
𝑑𝜃 𝜃4

Alors 𝜃̂ est un estimateur efficace de 𝜃.

6
Exercice 5

𝒙𝟑 − 𝒙
𝒇(𝒙) = 𝒆 𝒕
𝟔 𝒕𝟒

1. Calculer l’EMV 𝒕̂ du paramètre 𝒕

 𝐿(𝑥𝑖 , 𝑡) = ∏𝑛𝑖=1 𝑓(𝑥𝑖 )

𝑛
𝑥𝑖 3 − 𝑥𝑖
=∏ 𝑒 𝑡
6 𝑡4
𝑖=1
𝑥𝑖
𝑥3
 𝑙𝑜𝑔 𝐿(𝑥𝑖 , 𝑡) = log (∏𝑛𝑖=1 6 𝑖𝑡 4 𝑒 − 𝑡 )
𝑛
𝑥𝑖 3 − 𝑥𝑖
= ∑ log 4 𝑒 𝑡
6𝑡
𝑖=1
𝑛
𝑥𝑖
= ∑ log 𝑥𝑖 3 − log(6 𝑡 4 ) −
𝑡
𝑖=1
𝑛
∑𝑛𝑖=1 𝑥𝑖
= log ∏ 𝑥𝑖 3 − 𝑛 log(6 𝑡 4 ) −
𝑡
𝑖=1
𝑑 𝑙𝑜𝑔 𝐿(𝑥𝑖 ,𝑡)
 =0
𝑑𝑡

(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

̂ de 𝒕 est-il sans biais ? convergent ? efficace ?

2. L’estimateur 𝑻
 Sans biais?

∑ 𝑛
𝑋 1
On a: 𝐸(𝑇̂) = 𝐸 ( 𝑖=1 𝑖 ) = × 4𝑛 × 𝑡 = 𝑡
4𝑛 4𝑛

Donc 𝑇̂ est un estimateur sans biais de 𝑡

 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

Donc 𝑇̂ est un estimateur consistant. Par conséquent il est convergent.

 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

Alors 𝑇̂ est un estimateur efficace de 𝑡.