Académique Documents
Professionnel Documents
Culture Documents
Correction TD4 Proba Stat Estim Ponc Param EX1 Ex2 2021 2022
Correction TD4 Proba Stat Estim Ponc Param EX1 Ex2 2021 2022
Correction TD4 Proba Stat Estim Ponc Param EX1 Ex2 2021 2022
Probabilités et Statistiques
Estimation ponctuelle des paramètres
Exercice 1 —
Réponse:
Les v.a. X1 et Xn sont des statistiques qui prennent leurs valeurs dans R. Le
paramètre m prend aussi ses valeurs dans R =⇒ X1 et Xn sont des estimateurs
de m.
E(X1 ) = m doncPnX1 est un estimateur
Pn sans biaisP
de m.
n
E(Xn ) = E n1 k=1 Xk = n1 k=1 E (Xk ) = n1 k=1 m = m donc Xn est un
estimateur sans biais de m.
Réponse:
On a :
n
! n
!
1X 1 X
= V ar Xk = 2 V ar Xk .
n n
k=1 k=1
Ainsi :
σ2
R(Xn , m) = .
n
Conclusion :R(Xn , m) ≤ R(X1 , m) donc Xn est préférable à X1 .
2
3. Montrer que Xn est un estimateur biaisé de m2 .
1
Réponse:
2
La v.a Xn est une statistique à valeurs dans [0, +∞[. De même, le paramètre
2
m2 prend ses valeurs dans [0, +∞[. Ainsi Xn est un estimateur de m2 .
!2 !2
n n
h 2 i 1 X 1 X
E Xn =E 2 Xk = 2 E Xk
n n
k=1 k=1
n
1 X 2 X
= 2E Xk + Xk Xj
n
k=1 j̸=k
1 X
= 2 nE[X12 ] + E[Xk Xj ]
n
j̸=k
1 X
= 2 nE[X12 ] + E[Xk ]E[Xj ]
n
j̸=k
1 X
= 2 nE[X12 ] + m2
n
j̸=k
1
= 2 nE[X12 ] + n(n − 1)m2
n
1
E[X12 ] − m2 + n.m2
=
n
σ2
= m2 + .
n
h 2 i 2
E Xn ̸= m2 donc Xn est un estimateur biaisé de m2 .
2
Exercice 2 —
Soit (Xi )i≥1 une suite de variables aléatoires réelles indépendantes
p et identique-
ment distribuées (i.i.d.) telles que E(X12 ) < +∞ et σ = V ar(X1 ) > 0.
Pn
Soit Vn = n1 i=1 Xi2 − (Xn )2 .
1. Montrer que Vn est un estimateur fortement convergent biaisé de V ar(X1 ).
Réponse:
La v.a. Vn est une statistique car elle s’écrit uniquement en fonction de l’échantillon
(X1 , . . . , Xn ).
Pour montrer que c’est un estimateur de σ 2 = V ar(X1 ), il faut s’assurer qu’elle
á valeurs dans R+ puisque σ 2 > 0. Nous avons deux façons de montrer ceci.
1ère façon :
n n n
1X 2 1X 2 1X
Vn = Xi − (Xn )2 = Xi − Xi .(Xn )
n i=1 n i=1 n i=1
" n n
#
1 X 2 X
= X − Xi .(Xn )
n i=1 i i=1
" n n
! n n
#
1 X
2
X X
2
X
2
= Xi − Xi .(Xn ) − (Xn ) + (Xn )
n i=1 i=1 i=1 i=1
Or
n n n
X 1X X
(Xn )2 = n(Xn )2 = n(Xn ). Xi = (Xn )Xi .
i=1
n i=1 i=1
Ainsi :
" n n
! n n
#
1 X X X X
Vn = Xi2 − Xi .(Xn ) − (Xn ) + 2
(Xn ) 2
n i=1 i=1 i=1 i=1
" n n
! n n
#
1 X X X X
= Xi2 − Xi .(Xn ) − (Xn )Xi + (Xn )Xi
n i=1 i=1 i=1 i=1
" n n n
#
1 X X X
= Xi2 −2 (Xn )Xi + (Xn ) 2
n i=1 i=1 i=1
" n #
1 X 2
= Xi − Xn ≥0
n i=1
n−1
On remarque ici que V n = n σn .
2ème façon :
Ici, nous allons utiliser le résultat de convexité généralisée suivant :
3
Theorem 1 Si f : IP7→ R est convexe et si x1 , . . . , xn ∈ I et si les réels positifs
n
α1 , . . . , αn vérifient i=1 αi = 1 alors
n
! n
X X
f αi xi ≤ αi f (xi ) .
i=1 i=1
n
!2 n
1X X 1 2
xi ≤ xi .
n i=1 i=1
n
c’est-à-dire que la suite (Un ) converge presque sûrement (p.s) vers E(X12 ).
4
Conclusion:
La suite Vn converge presque sûrement vers E(X12 ) − E 2 (X1 ) = σ 2 . Ainsi, Vn
est un estimateur fortement convergent de σ 2 .