Académique Documents
Professionnel Documents
Culture Documents
TD - Série N°3
Exercice 1 :
On tire un échantillon aléatoire simple (𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 ) à partir d’une population normale de
moyenne 𝝁 et de variance 𝝈𝟐 .
1. Montrer que 𝑿̅ 𝟐 est un estimateur biaisé de 𝝁 𝟐 .
2. En déduire un estimateur sans biais de 𝝁 𝟐 .
Exercice 2 :
Soit (𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 ) un échantillon aléatoire d’une variable 𝑿 qui suit une loi de Bernoulli de
̅=𝑺 .
paramètre 𝒑 . On pose : 𝑺 = ∑𝒏𝒊=𝟏 𝑿𝒊 et 𝑿 𝒏
Exercice 3 :
Calculer l’Estimateur de Maximum de Vraisemblance (EMV) du paramètre θ pour chacun des deux
modèles suivants :
𝜽 𝒙𝟐 𝒙𝟐
√𝜽 − 𝟐 𝟐 −
1er modèle : 𝒇(𝒙) = 𝒆 𝟐 et 2ème modèle : 𝒇(𝒙) = 𝟑 𝒙 𝒆 𝜽 ; avec 𝜽 > 𝟎 .
√𝟐 𝝅
√𝝅 𝜽 𝟐
Exercice 4 :
Soit (𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 ) un échantillon aléatoire simple (EAS) d’une variable aléatoire 𝑿 de densité :
𝒙𝟐
−𝒙
𝒇(𝒙) = {𝟐 𝜽 𝒆 𝜽 , 𝑠𝑖 𝑥 ≥ 0 ; avec 𝜽 > 𝟎 . On donne : 𝑬(𝑿𝟐 ) = 𝜽 et 𝑽(𝑿𝟐 ) = 𝜽𝟐 .
𝟎 , 𝑠𝑖𝑛𝑜𝑛
1. Calculer l’EMV 𝜽̂ du paramètre 𝜽 .
̂
2. L’estimateur 𝜽 de 𝜽 est – il sans biais ? Convergent ? Efficace ?
Exercice 5 :
Soit (𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 ) un échantillon aléatoire simple (EAS) d’une variable aléatoire 𝑿 de densité :
𝒙
𝒙𝟑
𝒇(𝒙) = { 𝒆 − 𝒕 , 𝑠𝑖 𝑥 > 0 ; avec 𝒕 > 𝟎 . On donne : 𝑬(𝑿) = 𝟒 𝒕 et 𝑽(𝑿) = 𝟒 𝒕𝟐 .
𝟔𝒕𝟒
𝟎 , 𝑠𝑖 𝑥 ≥ 0
1. Calculer l’EMV 𝒕̂ du paramètre 𝒕 .
2. L’estimateur 𝒕̂ de 𝒕 est – il sans biais ? Convergent ? Efficace ?