TD 1

Statistiques
Master Statistique et econométrie

TD - Feuille no 1
M. Emily, V. Monbet
Master 1 - 2011
Exercice 1
Une banque accepte des rouleaux de pièces de 1 cent et donne 50 cents au client sans
compter les pièces. Supposons que dans 30% des cas le rouleau contient seulement 49
pièces, qu’il en contient 50 dans 60 % des cas et 51 dans 10%.
1. Trouver la moyenne et la variance du montant que la banque perd sur un rouleau

donné.
2. Approcher la probabilité que la banque perde plus de 25 cents sur 100 rouleaux
indépendants.
3. Approcher la probabilité que la banque perde exactement 25 cents sur 100 rouleaux
indépendants.
4. Approcher la probabilité que la banque perde de l’argent sur 100 rouleaux indépendants.
5. Combien de rouleaux la banque doit-elle collecter pour avoir 99% de chance d’avoir
une perte positive?
Exercice 2
Contre une mise d’un montant de M euros, on lance un dé dont les 6 faces sont marquées
: As, Roi, Dame, Valet, 10 et 9. Selon le résultat du lancer, le joueur gagne les sommes
suivantes (en euros) :
As Roi, Dame Valet 10,9

10 6 5 0
On note X la variable aléatoire ”gain lors d’un lancer” (sans tenir compte de la mise de
départ).
1
1. Quelle est la loi de probabilité de X? Représenter cette loi de probabilité à l’aide
d’un graphique.
2. Rappeler la définition générale de la fonction de répartition. Calculer et tracer la
fonction de répartition.
3. Quelle est la probabilité d’avoir un gain supérieur ou égal à 5 euros?
4. Calculer l’espérance mathématique et la variance de X.
5. On dit que le jeu est équilibré lorsque le gain moyen lors d’un lancer est nul (en
prenant en compte la mise initiale). Comment doit être choisie la mise pour que le
jeu soit équilibré?
Exercice 3
Soit une X variable aléatoire dont la densité est donnée par

0 si x < −1 ou x > 1
f (x) =
1 − |x| sinon
1. Représenter la fonction f à l’aide d’un graphe.
2. Vérifier que f définit bien une densité.
3. Déterminer la fonction de répartition F de X et représenter cette fonction à l’aide
d’un graphe.
4. Calculer les quantités suivantes : P (X < 0), P (X > − 43 ) et P (− 12 < X < 12 ).
5. Calculer E(X) et V ar(X).
Exercice 4
Supposons que X1 , · · · , Xn sont des variables aléatoires i.i.d. de loi Gamma dont le
paramètre de forme α et le paramètre d’échelle λ sont inconnus. La densité de probabilité
de la loi Gamma s’écrit :
λα xα−1 e−λx
f (x; α, λ) = pour x ≤ 0
Γ(α)
1. Donner la loi jointe du vecteur (X1 , · · · , Xn ).
2. Montrer que la loi Gamma est une loi de la famille exponentielle. Indiquer le nom-
bre de paramètres de la famille exponentielle. Donner l’ensemble de définition de
(X1 , · · · , Xn ).
2
Exercice 5
Supposons que X1 , · · · , Xn sont des variables aléatoires i.i.d. de loi Poisson telles que
E(Xi ) = exp(α + βti )
avec t1 , · · · , tn des constantes connues.
1. Calculer la moyenne d’une loi de Poisson de paramètre λ.
2. Donner la loi de X1 .
3. Donner la loi jointe du vecteur (X1 , · · · , Xn ).
4. Montrer que la loi de Poisson obtenue à la question précédente est une loi de la
famille exponentielle.
On rappelle que la loi de Poisson de paramètre λ est donnée par :
λx exp(−λ)
f (x; λ) = Pλ (X = x) = pour x ∈ N
x!
Exercice 6
Supposons que X1 , · · · , Xn sont des variables aléatoires i.i.d. de moyenne µ. On rappelle
que le biais d’un estimateur θ̂ de θ est défini de la façon suivante :
bθ (θ̂) = Eθ (θ̂ − θ)
Montrer que
n
1X
X̄ = Xi
n i=1
est un estimateur non biaisé de µ.
Exercice 7
Soit X une variable aléatoire telle que X ∼ Fθ et soit θ̂ un estimateur de θ. Montrer que
EMQ = V arθ (θ̂) + bθ (θ̂)2
3
Exercice 8
Supposons que X1 , · · · , Xn sont des variables aléatoires i.i.d. de loi Gauss de moyenne µ
et de variance σ 2 .
1. Montrer que
n n
2 1 X 1X
S = (Xi − X̄)2 avec X̄ = Xi
n − 1 i=1 n i=1
est un estimateur sans biais de σ 2 .
2. Rappeler quelle est la loi de la variable aléatoire
(n − 1)S 2
Y =
σ2
3. Calculer Eσ (S).
4. En déduire que S est un estimateur biaisé de σ. On remarque que ce biais tend vers
0 quand n tend vers l’infini.
Remarque - On retiendra de cet exercice, que le fait qu’un estimateur soit sans biais n’est
pas toujours une notion primordiale tant que le biais est faible et tend vers 0.
Exercice 9
Supposons que X1 , · · · , Xn sont des variables aléatoires i.i.d. de moyenne µ et de variance
σ 2 . Montrer que
n n
1 X 1X
S2 = (Xi − X̄)2 avec X̄ = Xi
n − 1 i=1 n i=1
est un estimateur consistant pour σ 2 .
Indication - On peut utiliser le lemme de Slutsky.
Exercice 10
Supposons que X1 , · · · , Xn sont des variables i.i.d. de loi uniforme sur [0, θ]. Et choisissons
θ̂ = maxi=1,··· ,n Xi . Montrer que la densité de θ̂ est
n n−1
f (x; θ) = x pour 0 ≤ x ≤ θ
θn

TD 1

Transféré par

Droits d'auteur :

Formats disponibles

TD 1

Transféré par

Informations du document

Description originale:

Titre original

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

TD 1

Transféré par

Droits d'auteur :

Formats disponibles

Statistiques

Master Statistique et econométrie

1. Trouver la moyenne et la variance du montant que la banque perd sur un rouleau

As Roi, Dame Valet 10,9

E(Xi ) = exp(α + βti )

avec t1 , · · · , tn des constantes connues.

1. Calculer la moyenne d’une loi de Poisson de paramètre λ.

3. Donner la loi jointe du vecteur (X1 , · · · , Xn ).

On rappelle que la loi de Poisson de paramètre λ est donnée par :

EMQ = V arθ (θ̂) + bθ (θ̂)2

2. Rappeler quelle est la loi de la variable aléatoire

Indication - On peut utiliser le lemme de Slutsky.

Vous aimerez peut-être aussi