TD3 Stat Inf

Université de Nantes Année 2013-2014
L3 Maths-Eco
Feuille 3 : Méthodes d’estimation
1 Méthode des moments

Exercice 1 Soit X une variable aléatoire réelle de loi
a 1
P(X = 0) = , P(X = 1) = ,
a+1 a+1
n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Ici, a > 0 est un réel inconnu que l’on
souhaite estimer à l’aide de (X1 , . . . , Xn ). Déterminer un estimateur de a par la méthode
des moments.
Exercice 2 Soient X une variable aléatoire réelle de densité

1


 si x ∈ [0, a],
 2a

f (x) = 1
si x ∈]a, 1],
 2(1 − a)


0 sinon,

n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Ici, a ∈]0, 1[ est un réel inconnu que l’on

souhaite estimer à l’aide de (X1 , . . . , Xn ). Déterminer un estimateur de a par la méthode
des moments.

(θ + 1)(θ + 2)(1 − x)xθ si x ∈ [0, 1],
f (x) =
0 sinon,
n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Ici, θ > −1 est un réel inconnu que l’on

souhaite estimer à l’aide de (X1 , . . . , Xn ). Déterminer un estimateur de θ par la méthode
des moments.

1 x2 1 x2
f (x) = p √ e− 2 + (1 − p) √ e− 4 , x ∈ R.
2π 4π
n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Ici, p ∈]0, 1[ est un réel inconnu que l’on
souhaite estimer à l’aide de (X1 , . . . , Xn ). Déterminer un estimateur de p par la méthode
des moments.
1
2 Méthode du maximum de vraisemblance
Exercice 5 Soit X une variable aléatoire réelle de loi
λk −λ
P(X = k) = e , k ∈ N,
k!
n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Ici, λ > 0 est un réel inconnu que
l’on souhaite estimer à l’aide de (X1 , . . . , Xn ). Déterminer l’estimateur du maximum de
vraisemblance de λ.
Exercice 6 La hauteur maximale en mètres de la crue annuelle d’un fleuve est une variable
aléatoire réelle X de densité
( x x2
e− 2a si x > 0,
f (x) = a
0 sinon.
Soient n ∈ N∗ et (X1 , . . . , Xn ) un n-échantillon de X. Ici, a > 0 est un réel inconnu que

l’on souhaite estimer à l’aide de (X1 , . . . , Xn ).
an de a.
1. Déterminer l’estimateur du maximum de vraisemblance b
2. Application. Une crue supérieure à 6 mètres serait catastrophique. Pendant 8 ans, on
a observé les hauteurs de crue du fleuve en mètres. Les résultats sont : 2, 5 ; 2, 9 ; 1, 8 ;
0, 9 ; 1, 7 ; 2, 1 ; 2, 2 ; 2, 8. À partir de ces mesures, donner une estimation ponctuelle
de a et une estimation de la probabilité d’avoir une catastrophe une année donnée.
Exercice 7 Soit (Y1 , . . . , Yn ) un vecteur de n variables aléatoires réelles telles que, pour
tout i ∈ {1, . . . , n},
θ
Yi = α + σXi ,
i
où α > 0 et σ > 0 sont des réels connus, (X1 , . . . , Xn ) est un vecteur de n variables
aléatoires réelles indépendantes et identiquement distribuées suivant la loi Normale centrée
réduite, et θ > 0 est un réel inconnu que l’on souhaite estimer à l’aide des (Y1 , . . . , Yn ).
1. Déterminer la vraisemblance et la log-vraisemblance de (Y1 , . . . , Yn ).
2. Déterminer l’estimateur du maximum de vraisemblance θbn de θ.
3. Est-il sans biais ? Déterminer les valeurs de α pour lesquelles l’estimateur θbn converge.

(α − 1)x−α si x > 1,

f (x) =
0 sinon,
n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Le paramètre α > 2 est un réel inconnu.

1. Déterminer l’estimateur du maximum de vraisemblance α
bn de α.
2
α−2
2. On pose β = . Déterminer l’estimateur du maximum de vraisemblance βbn de
α−1
β.
Exercice 9 Soient X la variable aléatoire réelle de densité


3
 si x > 1 + θ,
f (x) = (x − θ)4
 0 sinon.
n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Ici, θ > 0 est un réel inconnu que l’on

souhaite estimer à l’aide de (X1 , . . . , Xn ).
1. Calculer E(X − θ) et E (X − θ)2 . En déduire E(X) et V(X).

2. Déduire du résultat de la question 1- un estimateur θen de θ en utilisant la méthode

des moments. Calculer son risque quadratique.
3. Calculer l’estimateur du maximum de vraisemblance θbn de θ.
4. Calculer la fonction de répartition de θbn − θ. En déduire sa densité.
5. Calculer le risque quadratique de θbn . Entre θbn et θen , quel est le meilleur estimateur
de θ lorsque n est supposé être grand ?
6. Calculer le biais de θbn , et en déduire un estimateur sans biais θbn∗ de θ. Montrer, sans
calcul intégral, que, lorsque n est supposé être grand, θbn∗ est un meilleur estimateur
de θ que θbn .
Exercice supplémentaire. Soit X1 , . . . , Xn des va i.i.d. ayant des moments d’ordre 4.

On pose
X n
Sn2 = (Xi − X̄i )2 /n
i=1
Le but de cet exercice est de calculerPle risque quadratique E((Sn2 − σ 2 )2 ) de l’estimateur

Sn2 de σ 2 = V(X1 ). On rappelle que n−1i=1 i = n(n − 1)/2.
1. Montrer que l’on peut supposer sans perte de généralité que les Xi sont centrées.
On fera cette hypothèse dans la suite.
2. Montrer que
E((Sn2 − σ 2 )2 ) = V(Sn2 ) + b2 (Sn2 )
où b(Sn2 ) = E(Sn2 ) − σ 2 .
3. Démontrer que :
n
n−1X 2 2 X
Sn2 = X − X k Xl
n2 i=1 i n2 k<l
En déduire que b(Sn2 ) = −σ 2 /n.
3
4. Montrer que
n
X X X
C( Xi2 , Xk Xl ) = 0, V( Xk Xl ) = n(n − 1)σ 4 /2
i=1 k<l k<l
En déduire que :
n−1
V(Sn2 ) = (n − 1)E(X14 ) − (n − 3)(E(X12 ))2

n 3
et calculer la valeur du risque quadratique de Sn2 .
Exercice à rendre. Soit X une variable aléatoire réelle de loi de Bernoulli de paramètre
θ, avec 0 < θ < 1. Et (X1 , . . . , Xn ) un n-échantillon de X.
1. Déterminer un estimateur de θ par la méthode des moments.
2. Déterminer l’estimateur du maximum de vraisemblance de θ.
3. Les estimateurs précédents sont-il sans biais ?
4. On cherche à estimer la variance θ(1 − θ). On propose l’estimateur V̂ = X̄(1 − X̄).
Etudier
√ le biais de cet estimateur, sa convergence presque sure et la convergence en
loi de n(V̂ − θ(1 − θ)).
5. Corriger l’estimateur V̂ pour proposer un nouvel estimateur V̂ 0 de θ(1 − θ)
√ qui est
sans biais. Etudier sa convergence presque sure et la convergence en loi de n(V̂ 0 −
θ(1 − θ)).

TD3 Stat Inf

Transféré par

Droits d'auteur :

Formats disponibles

TD3 Stat Inf

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TD3 Stat Inf

Transféré par

Droits d'auteur :

Formats disponibles

Université de Nantes Année 2013-2014

Feuille 3 : Méthodes d’estimation

1 Méthode des moments

Exercice 2 Soient X une variable aléatoire réelle de densité

n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Ici, a ∈]0, 1[ est un réel inconnu que l’on

Exercice 3 Soient X une variable aléatoire réelle de densité

n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Ici, θ > −1 est un réel inconnu que l’on

Exercice 4 Soient X une variable aléatoire réelle de densité

Soient n ∈ N∗ et (X1 , . . . , Xn ) un n-échantillon de X. Ici, a > 0 est un réel inconnu que

Exercice 8 Soient X une variable aléatoire réelle de densité

n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Le paramètre α > 2 est un réel inconnu.

Exercice 9 Soient X la variable aléatoire réelle de densité

n ∈ N∗ , et (X1 , . . . , Xn ) un n-échantillon de X. Ici, θ > 0 est un réel inconnu que l’on

2. Déduire du résultat de la question 1- un estimateur θen de θ en utilisant la méthode

Exercice supplémentaire. Soit X1 , . . . , Xn des va i.i.d. ayant des moments d’ordre 4.

Le but de cet exercice est de calculerPle risque quadratique E((Sn2 − σ 2 )2 ) de l’estimateur

En déduire que b(Sn2 ) = −σ 2 /n.

et calculer la valeur du risque quadratique de Sn2 .

Vous aimerez peut-être aussi