Ce document présente un exercice sur l'estimation paramétrique ponctuelle. Il s'agit d'une loi uniforme sur [1, θ] où θ est inconnu. L'estimateur de θ proposé est θ̂ = 2X̄n - 1 qui est sans biais et convergent.
0 évaluation0% ont trouvé ce document utile (0 vote)
367 vues7 pages
Ce document présente un exercice sur l'estimation paramétrique ponctuelle. Il s'agit d'une loi uniforme sur [1, θ] où θ est inconnu. L'estimateur de θ proposé est θ̂ = 2X̄n - 1 qui est sans biais et convergent.
Ce document présente un exercice sur l'estimation paramétrique ponctuelle. Il s'agit d'une loi uniforme sur [1, θ] où θ est inconnu. L'estimateur de θ proposé est θ̂ = 2X̄n - 1 qui est sans biais et convergent.
Ce document présente un exercice sur l'estimation paramétrique ponctuelle. Il s'agit d'une loi uniforme sur [1, θ] où θ est inconnu. L'estimateur de θ proposé est θ̂ = 2X̄n - 1 qui est sans biais et convergent.
Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
Télécharger au format pdf ou txt
Vous êtes sur la page 1/ 7
TD2 : Estimation paramétrique
ponctuelle & Distribution d’échantillonnage
Module : Techniques d’estimation pour l’ingénieur
Exercice N°3
Énoncé: On considère la fonction f définie sur R par ( 1 θ−1 si x ∈ [1, θ] f (x) = 0 sinon
(θ est un paramètre réel > 0).
1. Montrer que f est bien une fonction de densité de probabilité d’une
v.a. X . 2. Calculer l’espérance et la variance de X . 3. S’agit-t-il d’une loi usuelle? Si oui, laquelle? 4. On suppose que le paramètre θ est inconnu. On considère un échantillon (X1 , X2 , ..., Xn ). 4.1 Trouver, en utilisant la méthode des moments, un estimateur θ̂ de θ. 4.2 Etudier le biais et la convergence de θ̂.
1 Exercice N°3
Solution
1. • f (x) ≥ 0 , ∀x ∈ R. En effet: 1 θ >1→θ−1>0→ >0 θ−1 • f est continue ∀x ∈ R, alors
1 1 1 Z +∞ Z θ f (x)dx = = [x]θ1 = (θ − 1) = 1 −∞ 1 θ−1 θ−1 θ−1
Conclusion f est bien une densité de probabilité.
2 Exercice N°3
2. • On a :
Z +∞ E (X ) = xf (x)dx −∞ Z θ x = dx 1 θ − 1 2 θ 1 x = θ−1 2 1 1 θ+1 = (θ2 − 1) = 2(θ − 1) 2
• Et V (x) = E (X 2 ) − E (X )2 Calculons d’abord E (X 2 ),
3 Exercice N°3
Z +∞ E (X 2 ) = x 2 f (x)dx −∞ Z θ x2 = dx 1 θ−1 3 θ 1 x = θ−1 3 1 θ3 − 1 θ2 + θ + 1 = = 3(θ − 1) 3 Par la suite : V (X ) = E (X 2 ) − E (X )2 θ2 + θ + 1 (θ + 1)2 = − 3 4 (θ − 1)2 = 12 4 Exercice N°3
3. Il s’agit de la loi uniforme sur [1, θ].
4.1. La méthode des moment permet d’estimer la moyenne E (X ) par une Pn moyenne empirique X¯n = n1 i=1 Xi . Autrement dit, soit (X1 , X2 , . . . , Xn ) un échantillon aléatoire de la variable X qui suit la loi uniforme sur [1, θ], l’estimateur θ̂ de θ par la méthode des moment est :
θ̂ = 2X¯n − 1
En effet : θ+1 E (X ) = ⇒ θ = 2E (X ) − 1 ⇒ θ̂ = 2X¯n − 1 2
5 Exercice N°3
4.2 E (θ̂) = E (2X¯n − 1) n 1X = 2E [ Xi ] − 1 n i=1 1 θ+1 = 2. .n. −1 n 2 =θ D’où l’estimateur θ̂ est bien un estimateur sans biais . V (θ̂) = V (2X¯n − 1) = 4V (X¯n ) nV (X ) 4 (θ − 1)2 (θ − 1)2 =4 = = n2 n 12 3n Avec lim V (θ̂) = 0, D’où l’estimateur θ̂ est aussi un estimateur n→+∞ convergent. 6
