Scribd
Importer
6 vues2 pages

Statistiques : Lois, Estimations et Biais

Le document présente un examen de statistiques composé de quatre exercices indépendants, chacun abordant des concepts fondamentaux tels que la loi forte des grands nombres, le théorème central limite, et l'estimation de paramètres. Les exercices incluent des calculs de fonctions caractéristiques, des estimations de maximum de vraisemblance, et l'analyse de biais et de variance d'estimateurs. L'examen exige également la justification des étapes et la construction d'intervalles de confiance.

Transféré par

Yassin Moakher
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
6 vues2 pages

Statistiques : Lois, Estimations et Biais

Le document présente un examen de statistiques composé de quatre exercices indépendants, chacun abordant des concepts fondamentaux tels que la loi forte des grands nombres, le théorème central limite, et l'estimation de paramètres. Les exercices incluent des calculs de fonctions caractéristiques, des estimations de maximum de vraisemblance, et l'analyse de biais et de variance d'estimateurs. L'examen exige également la justification des étapes et la construction d'intervalles de confiance.

Transféré par

Yassin Moakher
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

Statistiques

Décembre 2017, Sans document, 1h30

Préambule : Le sujet est composé de quatre exercices indépendants. La qualité de la rédaction sera prise
en compte. Toutes les réponses seront données sur la copie (ne pas rendre le sujet).

Exercice 1
1. Enoncer la loi forte des grands nombres (hypothèses et résultats).
2. Enoncer le théorème central limite (hypothèses et résultats).
3. Soit X1 , . . . , Xn n variables aléatoires réelles de loi de Poisson de paramètre λ > 0. Appliquer le
théorème central limite à ce modèle.
4. Soit X1 , . . . , Xn n variables aléatoires réelles de loi uniforme sur [θ, 1 + θ] avec θ > 0.
(a) Donner la densité de X1 .
(b) Calculer l’estimateur des moments de θ.
(c) Calculer le biais de cet estimateur.
5. Soit X1 , . . . , Xn n variables aléatoires réelles indépendantes de loi N (µ, σ 2 ) avec µ ∈ R et σ 2 > 0
inconnus.
(a) Enoncer le théorème de Cochran.
(b) En déduire un intervalle de confiance de niveau 1 − α avec α ∈]0, 1[ pour µ. On prendra soin de
justifier toutes les étapes de construction de cet intervalle de confiance à partir du théorème de
Cochran.
Exercice 2
Soit X1 , . . . , Xn n variables aléatoires de loi de Bernoulli de paramètre p ∈]0, 1[.
1. Rappeler la définition de la fonction caractéristique d’une variable aléatoire réelle X.
2. Calculer la fonction caractéristique de X1 .
3. En déduire la fonction caractéristique d’une variable aléatoire Y de loi binomiale B(n, p).
4. Soit (Yn )n une suite de variable aléatoire réelle de loi binomiale B(n, pn ). On suppose que npn → λ > 0
lorsque n → ∞. On rappelle que la fonction caractéristique de la loi de Poisson de paramètre λ > 0
est donnée par
ϕ(t) = exp(λ(exp(it) − 1)).
Montrer que Yn converge en loi vers une variable aléatoire de loi de Poisson P(λ).

Exercice 3
Soit X1 , . . . , Xn un n échantillon composé de variables aléatoires réelles indépendantes et identiquement
distribuées selon la loi admettant pour densité
1
f (x) = √ 1]0,θ] (x)
2 xθ
où θ est un paramètre strictement positif que l’on cherche à estimer dans cet exercice. On considère l’esti-
mateur θb = max(X1 , . . . , Xn ).
1. θb est-il l’estimateur du maximum de vraisemblance ? Justifier.
2. Calculer la fonction de répartition de θb et en déduire la densité de θ.
b
3. Calculer le biais de θb et la variance de θ.
b En déduire son risque quadratique.
4. Montrer que n(θ − θ) b converge en loi vers une loi à préciser (indication : on pourra calculer la
fonction de répartition de n(θ − θ)).
b On en déduira un intervalle de confiance asymptotique de niveau
1 − α pour θ.

1
Exercice 4
Soit X1 , . . . , Xn n variables aléatoires réelles i.i.d de densité f inconnue. On fixe un point x dans R et on
cherche à estimer f au point x. On suppose que f est bornée par B et on se donne le noyau K : R → R+
défini par
1
K(u) = 1[−1,1] (u).
2
On considère l’estimateur de noyau K et de fenêtre h > 0 défini par
n  
1 X Xi − x
fb(x) = K .
nh h
i=1

Dans cet exercice, on s’interessera au biais de cet estimateur. On suppose que f est dérivable et que sa
dérivée vérifie :
|f 0 (x) − f 0 (y)| ≤ L|x − y|, ∀x, y ∈ R.
1. Calculer les 3 intégrales suivantes
Z Z Z
K(u) du, uK(u) du et u2 K(u) du.

2. On admettra qu’il existe τ ∈]0, 1[ tel que ∀u

f (x + uh) = f (x) + (uh)f 0 (x + τ uh).

Montrer que le biais de fb(x) vérifie


Z
b(fˆ(x)) = K(u)(uh)[f 0 (x + τ uh) − f 0 (x)] du.

3. En déduire
|b(fˆ(x))| ≤ Chα
où α est un entier positif à préciser et C est une constante réelle positive à préciser.

Vous aimerez peut-être aussi