Scribd
Importer
8 vues2 pages

Estimation statistique en statistique avancée

Le document présente un cours d'introduction à la statistique pour le semestre printemps 2023-2024 à l'Université de Pau et des Pays de l'Adour, axé sur l'estimation statistique. Il aborde des concepts tels que les estimateurs sans biais, la méthode des moments, et l'estimation du paramètre de la loi de Weibull à travers divers exercices. Les étudiants doivent démontrer des propriétés statistiques et déterminer des estimateurs à partir de modèles donnés.

Transféré par

El-Mehdi Farah
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
8 vues2 pages

Estimation statistique en statistique avancée

Le document présente un cours d'introduction à la statistique pour le semestre printemps 2023-2024 à l'Université de Pau et des Pays de l'Adour, axé sur l'estimation statistique. Il aborde des concepts tels que les estimateurs sans biais, la méthode des moments, et l'estimation du paramètre de la loi de Weibull à travers divers exercices. Les étudiants doivent démontrer des propriétés statistiques et déterminer des estimateurs à partir de modèles donnés.

Transféré par

El-Mehdi Farah
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Université de Pau et des Pays de l’Adour Semestre printemps 2023–2024

L3 Math Introduction à la Statistique

CC 1 - Estimation statistique

Question de cours (3pts)


Soit (Hn , (Qθ )θ∈Θ ) un modèle statistique. On note θ̂n un estimateur du véritable paramètre
inconnu θ∗ .
1. (1pt) Qu’est-ce qu’un estimateur sans biais ?
2. (2pts) Pour le modèle ({0, 1}n , (B(p)⊗n )p∈(0,1) ), montrez que l’estimateur suivant est sans biais
n
1X
X̄n = Xi .
n i=1

Exercice 1 Méthode des moments (3pts)


Soit (Rn+ , (P⊗n
a∈R,b∈R,c>0 )) un modèle statistique vérifiant pour X ∼ Pa,b,c

E[X] = a + b − c2 ; Var(X) = a − b + c2 ; E[X 4 ] = c2 .

Déterminer un estimateur de (a∗ , b∗ , c∗ ) à l’aide de la méthode des moments.

Exercice 2 Estimation du paramètre de la loi de Weibull (15pts)


Soit X une variable aléatoire réelle suivant la loi de Weibull de densité : pour tout x > 0
√
x
e− β
f (x) = √
2β x

où β est un paramètre strictement positif inconnu.


Partie 1 : Estimation classique du paramètre
1. (1pt) Écrire le modèle statistique dans le cas où les observations sont indépendantes.
2. (2pts) Montrer que pour β > 0, on a

E[X] = 2β 2 .

En déduire un estimateur β̂M M par la méthode des moments.


3. (1.5pt) Soit x1 , . . . , xn ∈ R∗+ , déterminer la vraisemblance du modèle et montrer que pour tout
β ∈ R+ ∗ :
n
∂ log Ln n 1 X√
(x1 , . . . , xn ; β) = − + 2 xi .
∂β β β i=1
On rappelle qu’on utilise la notation log pour le logarithme népérien.
4. (1.5pts) Montrer que l’estimateur du maximum de vraisemblance du modèle est
n
1 Xp
β̂M V = Xi .
n i=1

On justifiera bien le fait qu’il s’agit d’un maximum.


5. (3pts) Déterminer le biais de l’EMV, puis sans calculer explicitement le biais, montrer que
l’estimateur β̂M M est biaisé.
6. (1pt) Montrer que les estimateurs β̂M M et β̂M V sont fortement consistants.
7. (1pt) Déterminer le risque de l’EMV.
Partie 2 : Estimation à l’aide des statistiques d’ordre
8. (1.5pts) Déterminer la fonction de répartition FX de la variable X. En déduire que

FX−1 (0.5) = (β log 2)2 .

Interpréter le terme FX−1 (0.5).


9. (1.5pts) On range de manière croissante notre échantillon, et notons

X(1) ⩽ X(2) ⩽ . . . ⩽ X(n) ,

le nouveau réarrangement. Montrer que presque sûrement, ces inégalités sont strictes.
10. (1pt) À l’aide du réarrangement, déterminer un nouvel estimateur de β.

Rappel du cours de probabilité : On pourra utiliser sans preuve les résultats suivants :
1. Si X ∼ B(p) pour p ∈ [0, 1] alors E[X] = p et Var(X) = p(1 − p).
2. La Loi des Grands Nombres : Soit X une variable aléatoire possèdant un moment
d’ordre 1 et soit (Xn )n∈N une suite i.i.d. de variables aléatoires de même loi X, on a
n
1X p.s.
Xi −→ E[X].
n i=1

3. Le Théorème Central Limite : Si de plus, X possède un moment d’ordre 2 alors

√ X̄n − E[X] loi


np −→ Z ∼ N (0, 1).
Var(X)

4. Inégalité de Jensen : Soit X une variable aléatoire non constante ayant un moment
d’ordre 1, pour φ une fonction strictement convexe, si φ(X) possède un moment d’ordre 1
alors
φ(E[X]) < E[φ(X)].

Vous aimerez peut-être aussi