Département de Génie Industriel et Maintenance

Ingénieur d’état en : MIMI & GI

Promotion : 1 ère année second cycle Ingénieur
Semestre : 01
Matière : Statistique mathématique.
19/02/2022

Éxamen final
(Durée de l’épreuve : 1h30)
EXERCICE 01 (10 points) :
Le staff médical d’une grande entreprise fait ses petites statistiques sur le taux de cholestérol
de ses employés ; les observations sur 100 employés tirés au sort sont les suivantes.
taux de cholestérol en cg :(centre classe) effectif d’employés :
120 9
160 22
200 25
240 21
280 16
320 7
1. Calculer la moyenne me et l’écart-type σe sur l’échantillon.
2. Estimer la moyenne et l’écart-type pour le taux de cholestérol dans toute l’entreprise.
3. Déterminer un intervalle de confiance pour la moyenne.
4. Déterminer la taille minimum d’échantillon pour que l’amplitude de l’intervalle de confiance
soit inférieure à 10.
EXERCICE 02 (10 points) :

On considère n variables aléatoires X1 , ..., Xn indépendantes suivant la même loi de densité

[ ]
( ) x x2
2
f x; σ = 2 exp − 2 ; x > 0, σ > 0.
σ 2σ
On admettra que les premiers moments de cette loi sont
√
[ ] π
E X =σ ,
2
[ ]
E X 2 = 2σ 2 ,
√
[ ] π
E X 3 = 3σ 3 ,
2
[ ]
E X 4 = 8σ 4 .

Semestre 01 (2021-2022) 1/ 2 Pages

 1. Estimer le paramètre σ 2 par la méthode du Maximum de Vraisemblence (vérifier que
c’est bien un maximum). On note cette estimateur θ̂MV .
[ ] [ ]
2. Calculer E θ̂MV et V θ̂MV . Que peut-on dire de θ̂MV ?
3. La borne de Cramer-Rao (BCR) pour les estimateurs non biaisés d’un paramètre θ est
définie par
−1
BCR [θ] = [ 2 ]
∂ ln L(X1 , X2 , . . . Xn ; θ)
E
∂θ 2
[ ]
(a) Calculer BCR θ̂MV .
(b) On dit que l’estimateur sans biais θ̂ de θ est efficace si
[ ]
BCR(θ̂) = V θ̂ .

Que peut-on dire de l’efficacité de θ̂MV ?

4. Estimer le paramètre σ 2 par la méthode des Moments. On note cette estimateur θ̂M .
[ ]
5. Calculer E θ̂M . En déduire un estimateur sans biais de σ 2 .

Bon courage

Semestre 01 (2021-2022) 2/2 Pages

 Corrigé type
EXERCICE 01
1. On obtient, sur l’échantillon, la moyenne
n
1X
me = x = xi = 214,
n
i=1

l’écart-type v
n
t
1X 2
σe = xi − x2 = 55, 77
n
i=1
.
2. La moyenne sur l’entreprise est estimée par me . L’écart-type est estimé par :
r
100
σ̂e = 55, 77 ' 56, 05.
100 − 1

3. On en déduit, au seuil 95%, un intervalle de confiance pour la moyenne avec εα=0,05 =

1, 96: " #
σ̂e σ̂e
me − εα √ ; me + εα √ = [203.01; 224.99].
n n
Ainsi le taux moyen de cholestérol est, à un seuil de confiance 95%, située entre 203 et
225 cg
σ̂
4. L’amplitude de l’intervalle de confiance est donnée par 2εα √e . On nous demande de
n
trouver n de tel sorte que :

σ̂e σ̂e 2
 
2εα √ ≤ 10 ⇔ n ≥ 2εα .
n 10

On trouve que le plus petit n vérifiant la condition est 124.

EXERCICE 02
1. La vraisemblance de (x1 , ..., xn ) , pour les valeurs positifs, est définie par
n
Y
L(x1 , ..., xn ; θ) = f (xi ; θ)
i=1
n
xi2
" #
Y x i
= exp −
θ 2θ
i=1
Yn  X n 
2
xi xi 
 


i=1  i=1 
= exp − 
θn  2θ 
 
 
 

1
 En passant au logarithme
n
X
xi2
n
Y
i=1
ln L(x1 , ..., xn ; θ) = ln xi − n ln(θ) −
2θ
i=1

On doit maximiser cette quantité, pour cela on doit la dériver par rapport à θ et annuler
la dérivée.
n
∂ ln L(x1 , ..., xn ; θ) −n 1 X 2
= + 2 xi = 0
∂θ θ 2θ
i=1
n
1 X 2
⇔θ= xi (1)
2n
i=1

vérifiant que c’est un maximum, pour cela on doit vérifier que la deuxième dérivée est
négatif pour cette valeur de θ.
n
∂2 ln L(x1 , ..., xn ; θ) n 1 X 2
= − xi
∂θ 2 θ2 θ3
i=1
n
 
n  1 X 2 
= 2 1 − xi 
θ θn
i=1
−n
= 2 <0 ( d’après (1))
θ
d’où
n
1 X 2
θ̂MV = Xi
2n
i=1

2. • La moyenne de l’estimateur θ̂MV est

n
h i 1 X h 2i
E θ̂MV = E Xi
2n
i=1
n
1 X 2
= 2σ
2n
i=1
2
= σ = θ.

L’estimateur θ̂MV est donc un estimateur non biaisé de θ.

2
 • La variance de l’estimateur θ̂MV est
 n 
h i 1 X h i
V θ̂MV = 2 V  Xi2 
4n
 n i=1 
1 X h 2 i
= 2  V Xi 
4n
i=1
1 h 2i
= V X1
4n
1  h 4i h i
= E X1 − E2 X12
4n
1  4 
= 8σ − (2σ 2 )2
4n
σ4
= .
n

L’estimateur θ̂MV est donc un estimateur non biaisé de θ tel que

h i
lim V θ̂MV = 0,
n→∞

donc l’estimateur θ̂MV est convergent.

3. La borne de Cramer-Rao pour les estimateurs non biaisés du paramètre θ est définie par
−1
BCR [θ] =
∂2 ln L(X1 , X2 , . . . Xn ; θ)
" #
E
∂θ 2
  n
−1
  n 1 X 
= − E  2 − 3 Xi2 
θ θ
i=1
−1
n 1

= − 2 + 3 (2nθ)
θ θ
θ2
= .
n

Puisque θ̂MV est un estimateur non biaisé de θ et que V θ̂MV = BCR(θ), l’estimateur
h i

θ̂MV est un estimateur efficace de θ.

4. On a r
h i π
E X =σ
2
donc
2  h i2
θ = σ2 = E X
π
L’estimateur des moments résultant de cette dernière égalité est
 n 2
2  1 X  2 2
θ̂M = σ 2 =  Xi  = X .
π n π
i=1

3
5.
!
2 2 2 2 h i h i 2 V [X]
   
h i 2 2 2
E θ̂M =E X = E X = V X +E X = + E [X]
π π π π n
 h i   h i 
2 2  2  E X 2 + (n − 1)E2 [X] 
2  E X − E [X]
=  + E2 [X] = 
  
π n  π n



 2σ 2 + (n − 1)σ 2 π 
 
2  2 
= 
π  n 

!
2 4 + (n − 1)π
=σ
n
!  !−1 
4 + (n − 1)π  4 + (n − 1)π 
=θ ⇒ E θ̂M  = θ
n n

Donc on en déduit un estimateur non biaisé

∗ 2n 2
θ̂M = X .
4 + (n − 1)π