Scribd Logo
Importer

Bienvenue sur Scribd !

  • 8 vues

    Fiche2 TD

    Transféré par

    andy kc
    Ce document présente quatre exercices portant sur l'estimation paramétrique et la vraisemblance. Le premier exercice concerne un modèle uniforme, le deuxième un modèle gaussien, le troisième un modèle de capture-recapture et le quatrième un modèle de Poisson.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Fiche2 TD

    Transféré par

    andy kc
    8 vues3 pages
    Ce document présente quatre exercices portant sur l'estimation paramétrique et la vraisemblance. Le premier exercice concerne un modèle uniforme, le deuxième un modèle gaussien, le troisième un modèle de capture-recapture et le quatrième un modèle de Poisson.

    Description originale:

    optimisation

    Titre original

    Fiche2-TD

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document présente quatre exercices portant sur l'estimation paramétrique et la vraisemblance. Le premier exercice concerne un modèle uniforme, le deuxième un modèle gaussien, le troisième un modèle de capture-recapture et le quatrième un modèle de Poisson.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    8 vues3 pages

    Fiche2 TD

    Transféré par

    andy kc
    Ce document présente quatre exercices portant sur l'estimation paramétrique et la vraisemblance. Le premier exercice concerne un modèle uniforme, le deuxième un modèle gaussien, le troisième un modèle de capture-recapture et le quatrième un modèle de Poisson.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 3

    Master M1 IS & MFA, Nantes Université

    Statistique Inférentielle.
    Anne Philippe
    Nantes Université

    Adresses email :
    Anne.Philippe@univ-nantes.fr

    Pages web :
    http://www.math.sciences.univ-nantes.fr/~philippe

    Estimation paramétrique et vraisemblance

    Exercice 1. Modèle uniforme - suite


    Soit (X1 , . . . , Xn ) n variables aléatoires indépendantes et de même loi uniforme sur l’in-
    tervalle [0, θ]. La densité s’écrit
    1
    f (x) = I[0,θ] (x)
    θ
    Calculer l’estimateur du maximum de vraisemblance

    Exercice 2.
    On considère un n-échantillon (X1 , · · · , Xn ) d’une loi gaussienne N (µ, σ 2 ).
    1) Écrire la vraisemblance du modèle
    2) Montrer que le modèle est régulier.
    3) Quelle est l’information de Fisher dans le cas suivants :
    • σ 2 est connu, µ ne l’est pas.
    • µ est connu, σ 2 ne l’est pas.
    • Aucun des deux paramètres n’est connu.
    1
    2 Anne PHILIPPE, Nantes Université

    4) Quel est l’estimateur du maximum de vraisemblance du couple (µ, σ 2 )

    Exercice 3. Modèle de capture-recapture


    Dans un bassin, il y a un nombre inconnu N de poissons. On souhaite estimer N . Pour
    cela on capture n poissons et on les remet à l’eau après les avoir marqués. Ultérieurement
    on capture à nouveau K poissons (K ≥ n). Soit X la variable aléatoire égale au nombre
    de poissons marqués parmi les K qui viennent d’être capturés.
    1) Quelle est la loi de X ?
    2) En déduire l’estimateur du maximum de vraisemblance du paramètre N .
    3) Que pensez vous de cet estimateur ?
    4) Une autre expérience destinée à estimer N consiste à capturer les poissons les uns après
    les autres (avec remise. . .) jusqu’à la capture du premier poisson marqué. On note Y la
    variable aléatoire égale au nombre de poissons capturés.
    (a) Quelle est la loi de Y ?
    (b) Calculer son espérance et sa variance. En déduire un estimateur de N .

    Exercice 4.
    Soit X1 , . . . , Xn une suite de variables aléatoires indépendantes et identiquement distri-
    buées suivant la loi de Poisson de paramètre θ > 0.
    Les variables Xi ne sont pas observées, on observe uniquement les variables aléatoires Yi
    définies par (
    0 si Xi = 0
    Yi =
    1 si Xi > 0
    1) Ecrire la vraisemblance des observations (Y1 , ..., Yn )
    2) Montrer que l’estimateur du maximum de vraisemblance existe si et seulement si tous
    les Yi ne sont pas égaux à 1. Sous cette condition montrer qu’il est égal à − log(1 − Ȳn )
    avec n
    1X
    Ȳn = Yi
    n i=1
    .
    Comme l’estimateur n’est pas défini si Ȳn = 1, on modifie l’estimateur du MV en prenant
    une valeur arbitraire quand Ȳn = 1 c’est à dire
    (
    − log(1 − Ȳn ) si Ȳn 6= 1
    θ̂n =
    0 sinon
    3) Calculer la probabilité de l’événement [Ȳn 6= 1]
    4) Montrer que presque sûrement, l’événement [Ȳn 6= 1] est réalisé à partir d’un certain
    rang.
    Anne PHILIPPE, Nantes Université 3

    5) Montrer que θ̂n converge presque sûrement vers θ.


    6) Montrer que
    √ LOI
    n(θ̂n − θ) −−→ N (0, eθ − 1)

    Vous aimerez peut-être aussi