Exos (6 16) TD 4

Exercice 1 Q1
Exercice 1
Question 1
Travaux dirigés
Estimation C’est du cours !
Tout d’abord, X n est fonction de X1 , . . . , Xn donc c’est un estimateur.
ECS2 – Lycée La Bruyère, Versailles Puis
1 P n
E(X n ) =
E(Xk ) = m
n k=1
donc X n est un estimateur sans biais de m.
Année 2019/2020
www.rblld.fr Travaux dirigés Année 2019/2020 1 / 72 www.rblld.fr Travaux dirigés Année 2019/2020 2 / 72
Exercice 1 Q1 Exercice 1 Q2
Exercice 1
Question 2
De même, par indépendance de X1 , . . . , Xn ,
1 P
n σ2
V(X n ) = 2 V(Xk ) = .
n k=1 n
Pour ε > 0 donné, l’inégalité de Bienaymé-Tchebychev donne :
V(X n )
P X n − E(X n ) > ε 6 Il vient :
ε2
1 Pn 1 Pn
donc (on retrouve la LGN) : E(Xk − m)2 =
E(Tn ) = V(Xk ) = σ 2
n k=1 n k=1
σ2 2
et Tn est donc un estimateur sans biais de σ .
P X n − m > ε 6 2 −−−→ 0.
nε n→∞
Il en résulte par encadrement que

lim P X n − m > ε = 0
n→∞
et X n est donc un estimateur convergent de m.
Exercice 1 Q 3.a Exercice 1 Q 3.a
Exercice 1
Question 3.a
Pour n ∈ N, Vn est bien un estimateur car fonction du n-échantillon (X1 , . . . , Xn ).

Par ailleurs,
1 Pn 2 1P n Pn 2

Vn = (X 2 − 2Xk X n + X n ) = X 2 − 2X n Xk + nX n D’où le biais de Vn :
n k=1 k n k=1 k k=1
1P n 1 P n σ2
=
2
X 2 − nX n =
2
X 2 − X n. b(Vn ) = E(Vn ) − σ 2 = −
−−−→ 0
n k=1 k n k=1 k n n→∞
et Vn est donc un estimateur de σ 2 asymptotiquement sans biais.
Par suite,
1 Pn 2
E(Vn ) = E(Xk2 ) − E(X n )
n k=1
1 Pn
= V(Xk ) + E(Xk )2 − V(X n ) + E(X n )2
n k=1
1 Pn σ2 1 2
= (σ 2 + m2 ) − + m2 = 1 − σ .
n k=1 n n
Exercice 1 Q 3.b Exercice 2 Q1
Exercice 1 Exercice 2
Question 3.b Question 1
D’après la question précédente, Par linéarité de l’espérance,

1 Pn 1 Pn θ θ
en = 1 Vn = n Vn = 1 P (Xk − X n )2
n
V E(X n ) = E(Xk ) = =
1 − n1 n−1 n − 1 k=1 n k=1 n k=1 2 2
est un estimateur sans biais de σ 2 . En effet, et X n est donc un estimateur sans biais de θ2 .
Par suite, Tn = 2X n est un estimateur sans biais de θ :
E(Ven ) = n E(Vn ) = σ 2 .
n−1 E(Tn ) = θ.
Exercice 2
Question 2.a
Ainsi Mn admet pour fonction de répartition


Les Xi ont pour fonction de répartition commune :  0 si x < 0
x n
 FMn : x ∈ R 7−→ si 0 6 x < θ ,
 0 si x < 0  θ
1 si x > θ
F : x ∈ R 7−→ xθ si 0 6 x < θ .
 continue sur R (même en 0 et θ) et de classe C 1 sur R \ {0, θ}. La variable Mn
1 si x > θ
est donc à densité donnée par
Puis, pour x ∈ R, n n−1
x si 0 6 x 6 θ
FMn (x) = P(Mn 6 x) = P max(X1 , . . . , Xn ) 6 x fMn = FM 0
: x ∈ R 7−→ θn .
n 0 sinon
= P(X1 6 x, . . . , Xn 6 x) = P(X1 6 x) · · · P(Xn 6 x) = F (x)n
par indépendance de X1 , . . . , Xn .
La variable Mn étant presque sûrement bornée, elle admet une espérance

Z +∞ Z θ L’estimateur Tn de θ étant non biaisé, son risque quadratique est donné par
n n 2 P
E(Mn ) = tfMn (t) dt = n t n dt = θ. n 4 Pn 4 θ2 θ2
−∞ θ 0 n+1 r (Tn ) = V(2X n ) = V Xk = 2 V(Xk ) = =
n k=1 n k=1 n 12 3n
n+1
Par suite, Un = n Mn est un estimateur sans biais de θ :
par indépendance de X1 , . . . , Xn . Il converge vers 0 lorsque n → ∞, ce qui assure
n+1 que Tn est un estimateur convergent de θ.
E(Un ) = E(Mn ) = θ.
n
Exercice 2
Question 4
On peut raisonner de même pour Un :

n + 1 n + 1 2
r (Un ) = V Mn = E(Mn2 ) − E(Mn )2
n n
où Z +∞ Z θ
n n 2 Le meilleur estimateur est celui qui possède le risque quadratique le plus faible. Or
E(Mn2 ) = t 2 fMn (t) dt = n t n+1 dt = θ un équivalent de chacun d’eux montre clairement que r (Un ) = o r (Tn ) lorsque
−∞ θ 0 n+2
si bien que n → ∞. L’estimateur Un est donc meilleur estimateur de θ que Tn pour n assez
1 grand.
r (Un ) = θ2 −−−→ 0,
n(n + 2) n→∞
d’où l’on déduit que Un est un estimateur convergent de θ.
Exercice 3 Q 1.a Exercice 3 Q 1.b
Question 1.a Question 1.b
X −a
La variable Y = b a pour densité
La fonction f = fa,b est continue sur R \ {a}, positive sur R avec :
Z x 0 si x < 0
x − a x 7−→ bfa,b (a + bx) = .
∀x > a, f (t) dt = 1 − exp − −−−−→ 1. e−x si x > 0
a b x→+∞
Elle suit donc la loi exponentielle E(1).
La fonction f étant nulle sur ]−∞, a[, on en déduit la convergence de l’intégrale À ce titre, elle admet espérance et variance données par E(Y ) = V(Y ) = 1, d’où
Z +∞ l’on déduit celles de X :
f (t) dt = 1.
−∞ E(X ) = E(a + bY ) = a + b E(Y ) = a + b
Toutes les conditions sont donc réunies pour faire de f une densité de probabilité. et
V(X ) = V(a + bY ) = b2 V(Y ) = b2 .
La variable aléatoire Tn est un estimateur de a comme fonction de X1 , . . . , Xn .

La variable X de loi E(a, b) admet pour fonction de répartition D’après 1.b. et a.,
Z x b
0 si x < a E(Tn ) = a + −−−→ a
F : x ∈ R 7−→ f (t) dt = . n n→∞
−∞ b ) si x > a
1 − exp(− x−a
d’où :
Classiquement, l’indépendance de X1 , . . . , Xn donne : b2
r (Tn ) = V(Tn ) + b(Tn )2 = 2 2 −−−→ 0.
∀x ∈ R, P(Tn > x) = P(X1 > x, . . . , Xn > x) = P(X > x)n , n n→∞
Il en ressort que Tn est un estimateur asymptotiquement sans biais et convergent
d’où l’on déduit la fonction de répartition de la variable Tn : de a.

n 0 si x < a Remarque. La convergence peut s’obtenir grâce à l’inégalité de Markov appliquée
x 7−→ 1 − 1 − F (x) = .
1 − exp(−n x−ab ) si x > a à la variable positive Tn − a : pour ε > 0,
Comme la fonction de répartition caractérise la loi, la variable Tn suit donc la loi E(Tn − a) b
E(a, bn ). P(|Tn − a| > ε) = P(Tn − a > ε) 6 = −−−→ 0
ε nε n→∞
ce qui permet de conclure par encadrement.
D’après l’inégalité de Cauchy-Schwarz,

Il vient :
b
1 b2 b4
∀n ∈ N , ∗
E(Un ) = E(X ) − E(Tn ) = (a + b) − a + = 1− b. cov(Sn , Tn )2 6 V(Sn ) V(Tn ) = nb2
= −−−→ 0
n n n2 n n→∞
d’où l’on déduit par encadrement que cov(Sn , Tn ) converge vers 0 lorsque n → ∞.
Exercice 3 Q 3.c Exercice 5 Q 1.a
Question 3.c Question 1.a
Il résulte de a. que E(Un ) → b lorsque n → ∞. Ainsi Un est un estimateur

asymptotiquement sans biais de b.
Pour k ∈ J1, nK, la variable aléatoire Yk ne prend que les valeurs 0 et 1 donc suit
Par ailleurs,
S S S une loi de Bernoulli de paramètre
n n n
V(Un ) = V − Tn = V − 2 cov , Tn + V(Tn ) P(Yk = 1) = P(Xk = 0) = e−λ = θ.
n n n
b2 2 b2 Dès lors,
= − cov(Sn , Tn ) + 2 −−−→ 0. 1 Pn
n n n n→∞ E(Y n ) =
E(Yk ) = θ
Dans ces conditions, n k=1
et Y n est un estimateur sans biais de θ.
r (Un ) = V(Un ) + b(Un )2 −−−→ 0,
n→∞
ce qui assure que Un est un estimateur convergent de b.
Pour j ∈ N, on a par indépendance de X1 et X2 + · · · + Xn (lemme des coalitions) :

P(X1 = 0, X1 + · · · + Xn = j)
ϕ(j) = P[Sn =j] (X1 = 0) =
P(X1 + · · · + Xn = j)
Les variables Yk sont indépendantes, étant respectivement fonctions des Xk ,
elles-mêmes indépendantes. Dès lors, on a classiquement : P(X1 = 0, X2 + · · · + Xn = j)
=
P(X1 + · · · + Xn = j)
1 P n θ(1 − θ)
V(Y n ) = 2 V(Yk ) = . P(X1 = 0) P(X2 + · · · + Xn = j)
n k=1 n = .
P(X1 + · · · + Xn = j)
L’estimateur Y n étant sans biais, son risque quadratique r (Y n ) = V(Y n ) Comme X1 , . . . , Xn sont mutuellement indépendantes et suivent des lois de
converge donc vers 0 lorsque n → ∞. Dans ces conditions, Y n est un estimateur Poisson de paramètre λ, les variables Sn = X1 + · · · + Xn et X2 + · · · + Xn suivent
convergent de θ. aussi des lois de Poisson, de paramètres respectifs nλ et (n − 1)λ, ce qui permet
d’achever le calcul :
j
e−λ e−(n−1)λ ((n−1)λ)
j!
n − 1 j
ϕ(j) = j = .
e−nλ (nλ) j!
n
Sn
La variable Tn = ϕ(Sn ) = n−1 n est indépendante du paramètre inconnu λ et
ne dépend que du n-échantillon (X1 , . . . , Xn ). C’est donc un estimateur de θ. Par le même raisonnement,
Par ailleurs, le théorème de transfert assure que : ∞ n − 1 2k
P∞ P (nλ)k
P
∞ ∞ n − 1 k
P (nλ)k E(Tn2 ) = ϕ(k)2 P(Sn = k) = e−nλ
E(Tn ) = ϕ(k) P(Sn = k) = e−nλ k=0 k=0 n k!
k=0 k=0 n k! ∞ 1 (n − 1)2 k
k P (n−1)2 1
= e−nλ λ = e−nλ e n λ = e(−2+ n )λ .
−nλ P (n − 1)λ
∞
=e =e −nλ (n−1)λ
e −λ
=e =θ k=0 k! n
k=0 k! Par suite,
λ
puisque la série ci-dessus converge absolument et Tn est donc un estimateur sans V(Tn ) = E(Tn2 ) − E(Tn )2 = e−2λ e n − 1 .
biais de θ. L’estimateur Tn étant non biaisé, on en déduit son risque quadratique :
λ
Remarque. On peut également écrire, en utilisant la formule des probabilités r (Tn ) = V(Tn ) = e−2λ e n − 1 −−−→ 0,
n→∞
totales au SCE associé à la variable Xn :
P
∞ P∞ d’où il ressort que Tn un estimateur convergent de θ.
E(Tn ) = ϕ(k) P(Sn = k) = P[Sn =k] (X1 = 0) P(Sn = k) = P(X1 = 0) = θ.
k=0 k=0
Question 4 Question 1
Les estimateurs Y n et Tn étant sans biais, leurs risques quadratiques sont donnés
par leurs variances : La fonction fa est continue sur R \ {1}, positive sur R, avec :
θ(1 − θ) Z x
r (Y n ) = V(Y n ) = 1
n fa (t) dt = 1 − a −−−−→ 1
et a x x→+∞
r (Tn ) = V(Tn ) = θ2 (θ−1/n − 1).
d’où, sachant que fa est nulle sur ]−∞, 1[, la convergence de l’intégrale
Une rapide étude de variations montre que la fonction f : t 7−→ net/n − et − n + 1 Z +∞
est négative sur R+ , d’où l’on déduit que fa (t) dt = 1.
−∞
θ2 θ2 La fonction fa est donc une densité de probabilité.
nθ−1/n − n − θ−1 + 1 = f (λ) 6 0,
r (Tn ) − r (Y n ) =
n n
et Tn est donc meilleur estimateur de θ que Y n .
Pour (x1 , . . . , xn ) ∈ [1, +∞[n donné, on a :

Pour tout (x1 , . . . , xn , a) ∈ Rn × R∗+ , an
∀a ∈ R∗+ , h(a) = L(x1 , . . . , xn , a) =
0 si ∃i ∈ J1, nK , xi < 1 (x1 · · · xn )a+1
L(x1 , . . . , xn , a) = an .
(x1 ···xn )a+1 si ∀i ∈ J1, nK , xi > 1 et
P
n
g (a) = ln h(a) = n ln a − (a + 1) ln xk .
k=1
Exercice 6 Q 2.b Exercice 6 Q 3.a
Exercice 6
Question 3.a
On détermine sans difficulté les variations de g :
a 0 b
a +∞
La fonction de répartition de Xk est donnée par :
g Z x
0 si x < 1
−∞ −∞ x 7−→ P(Xk 6 x) = fa (t) dt =
−∞ 1 − x1a si x > 1
d’où l’on déduit celle de Yk :
qui admet donc un maximum en
n 0 si y < 0
P(Yk 6 y ) = P(Xk 6 ey ) = .
b
a=
P
n . 1 − e−ay si y > 0
ln xk
k=1 Comme celle-ci caractérise la loi de Yk , on en déduit que Yk suit la loi
exponentielle E(a).
Il en va de même de la fonction h = exp ◦g puisque la fonction exp est croissante.
Par définition,
Les variables aY1 , . . . , aYn sont indépendantes (par indépendance de X1 , . . . , Xn ) n n
Tn = = .
et suivent la loi E(1) = γ(1) d’après la question a.. Dans ces conditions, la P
n
Sn
ln Xk
variable aSn = aY1 + · · · + aYn suit la loi γ(n) i.e. admet pour densité k=1
( Le changement de variable affine u = at donne :
0 si y < 0 Z +∞ Z +∞ Z +∞
faSn : y ∈ R 7−→ y n−1 −y . n nan na
(n−1)! e si y > 0 fSn (t) dt = t n−2 e−at dt = u n−2 e−u du.
−∞ t (n − 1)! 0 (n − 1)! 0
aSn
On en déduit par transformation affine la densité suivante pour Sn = :
a On en déduit, par référence aux intégrales Γ (n − 1 > 0), la convergence absolue

0 si x < 0 de l’intégrale ci-dessous et donc, d’après le théorème de transfert, l’existence de
fSn : x ∈ R 7−→ afaSn (ax) = an Z +∞
(n−1)! x
n−1 −ax
e si x > 0 n na n
E(Tn ) = fSn (t) dt = Γ(n − 1) = a.
−∞ t (n − 1)! n−1
Exercice 6
Question 5
On montre de la même façon que Tn admet un moment d’ordre 2 égal à

n 2 a2 n 2 a2 De la question 4., on déduit que
E(Tn2 ) = Γ(n − 2) =
(n − 1)! (n − 1)(n − 2) a
b(Tn ) = −−−→ 0,
et donc une variance n − 1 n→∞
n2 ce qui montre que Tn est un estimateur asymptotiquement sans biais de a.
V(Tn ) = E(Tn2 ) − E(Tn )2 = a2 . De plus,
(n − 1)2 (n − 2)
r (Tn ) = V(Tn ) + b(Tn )2 −−−→ 0
n→∞
d’où l’on déduit que Tn est un estimateur convergent de a.
Question 1 Question 2
Déjà vu dans l’exercice 1 : d’après 1.,

1 Pn 2
Le calcul a déjà été fait dans l’exercice 1 : E(Sn2 ) = E(Xk2 ) − E(X n )
n k=1
1 P n 2 1P n Pn 2

Sn2 = (X 2 − 2Xk X n + X n ) = X 2 − 2X n Xk + nX n 1 Pn
n k=1 k n k=1 k k=1 = V(Xk ) + E(Xk )2 − V(X n ) + E(X n )2
n k=1
1P n 2
1 P n 2 σ2
= X 2 − nX n = X 2 − X n. 1 Pn 1 2
n k=1 k n k=1 k = (σ 2 + m2 ) − + m2 = 1 − σ .
n k=1 n n
On observe en particulier que E(Sn2 ) converge vers σ 2 , si bien que Sn2 est un
estimateur asymptotiquement sans biais de σ 2 .
D’après la loi des grands nombres appliquée cette fois à la suite (Xn ) de variables
Les variables
1 P
n aléatoires indépendantes et de même loi, admettant une espérance et une variance
X 2, n > 1
Tn = communes, la suite (X n )n converge en probabilité vers E(X ) = µ. Par continuité
n k=1 k 2
sont des moyennes empiriques pour la suite (Xn2 )n>1 . Les variables Xn2 étant de la fonction x 7−→ −x 2 , on en déduit que la suite (−X n )n converge en
indépendantes (car les Xn le sont), de même loi et admettant un moment d’ordre probabilité vers − E(X )2 = −µ2 .
2 (car X admet un moment d’ordre 4), la loi des grands nombres assure que (Tn ) Par théorème opératoire sur la convergence en probabilité établi en TD, on en
2
converge en probabilité vers E(X 2 ) = σ 2 + µ2 . déduit que Sn2 = Tn − X n converge en probabilité vers (σ 2 + µ2 ) − µ2 = σ 2
lorsque n → ∞.
Exercice 7 Q 3.c Exercice 8 Q1
Question 3.c Question 1
Par hypothèse, les résultats des n pesées forment un n-échantillon (X1 , . . . , Xn )

i.i.d. de loi N (m, σ 2 ), où m est le paramètre inconnu et σ = 0,1.
Dans ces conditions, la moyenne empirique
X1 + · · · + Xn
Xn =
La convergence en probabilité de S√n > 0 vers σ 2 > 0 lorsque n → ∞ établie en b. n
p √
implique, par continuité de x 7−→ x sur R+ , celle de Sn2 = Sn vers σ 2 = σ. suit également une loi normale, d’espérance m et de variance σ 2 /n. En notant
Ainsi Sn est un estimateur convergent de σ. z1−α/2 le quantile de la loi normale centrée réduite à l’ordre 1 − α2 , on a donc :
σ ∗
P X n − m 6 z1−α/2 √ = P X n 6 z1−α/2 > 1 − α.
n
En d’autres termes,
h σ σ i
X n − z1−α/2 √ , X n + z1−α/2 √
n n
est un intervalle de confiance pour m au niveau de confiance 1 − α.
Exercice 8
Question 2
L’énoncé donne n = 10 et x n = X n (ω) = 72,40. Pour avoir un intervalle au niveau

de confiance 90%, on prend α = 0,1 ; on lit dans la table de la loi normale centrée La longueur de l’intervalle de confiance obtenu précédemment est 2 √σn z1−α/2 . On
réduite le quantile correspondant z1−α/2 ' 1,65. On est ainsi conduit à l’intervalle cherche donc n tel que
de confiance [72,347; 72,453]. σ σ 2
2z1−α/2 √ 6 0,05 ⇐⇒ n > 2z1−α/2
n 0,05
ce qui donne, pour α = 0,1, n > 44.
Exercice 8 Q3 Exercice 10 Q 1.a
Question 3 Question 1.a
Pour k ∈ J1, nK, la variable Xk ne prend que les valeurs 0 et 1 donc suit une loi de
Bernoulli. On en calcule le paramètre q = P(Xk = 1) grâce à la formule des
Comme n est trop petit pour légitimer une approximation gaussienne, on n’a probabilités totales. En notant Yk la variable aléatoire donnant le résultat de
d’autre recours que l’inégalité de Bienaymé-Tchebychev. Pour ε > 0, l’expérience de Bernoulli réalisée secrètement par le k-ième individu, et en utilisant
σ2 le système complet qui lui est associé, on obtient :
P Xn − m < ε > 1 − 2.
nε q = P(Xk = 1) = P(Yk = 0) P[Yk =0] (Xk = 1) + P(Yk = 1) P[Yk =1] (Xk = 1)
σ2
Pour avoir un niveau de confiance 1 − α, on choisit donc ε tel que nε2 6 α, = (1 − α)(1 − p) + αp = (2α − 1)p + 1 − α.
c’est-à-dire ε > √σnα .
On est alors conduit à l’intervalle de confiance Remarque. Le calcul de P[Yk =1] (Xk = 1) n’est pas tout à fait immédiat : en
h σ σ i
Xn − √ ,Xn + √ introduisant la variable
nα nα
1 si la k-ième personne interrogée est favorable au projet
pour m au niveau de confiance 1 − α. Zk = ,
0 sinon
Pour α = 0,1, on obtient [72,3; 72,5].
indépendante de Yk , il vient :
P[Yk =1] (Xk = 1) = P[Yk =1] (Zk = 1) = P(Zk = 1) = p.
Exercice 10 Q 1.b Exercice 10 Q 1.c
Question 1.b Question 1.c
Pour tout n ∈ N∗ , (X1 , . . . , Xn ) est un n-échantillon de loi de Bernoulli de La formule de la question a. permet d’exprimer p en fonction de q :
paramètre q, admettant même espérance et variance. La moyenne empirique q−1+α
p=
1 P n 2α − 1
Sn = Xk ce qui conduit à définir, à partir de l’estimateur Sn de q obtenu en b., l’estimateur
n k=1
Sn − 1 + α
est donc, par théorème (à redémontrer), un estimateur sans biais et convergent de Tn =
E(X1 ) = q. 2α − 1
pour p.
Exercice 10 Q 1.c Exercice 10 Q 1.d
Exercice 10
Question 1.d
Par linéarité de l’espérance,

À n fixé, le risque quadratique
E(Sn ) − 1 + α q−1+α
E(Tn ) = = =p 1 q(1 − q) p(1 − p) α(1 − α)
2α − 1 2α − 1 r (Tn ) = V(Tn ) = V(Sn ) = = +
(2α − 1)2 (2α − 1)2 n n (2α − 1)2 n
et Tn est donc un estimateur sans biais de p.
tend vers +∞ lorsque α → 12 . Au contraire, il est minimum lorsque α → 0 ou
Par ailleurs, Tn = f (Sn ) où f : x 7−→ x−1+α
2α−1 est continue sur R. Puisque Sn est un α → 1, mais une valeur de α trop proche de 0 ou 1 fera perdre son intérêt à la
estimateur convergent de q, on en déduit que Tn est un estimateur convergent de procédure (puisque le résultat de l’expérience secrète sera presque toujours le
f (q) = p. même).
On a donc intérêt à choisir α suffisamment éloigné de 12 pour avoir un risque
quadratique modéré, mais pas trop proche de 0 ou 1 pour préserver la
confidentialité du sondage.
Exercice 10
Question 2.a
Méthode 1 : Bienaymé-Tchebychev
D’après l’inégalité de Bienaymé-Tchebychev appliquée à l’estimateur Tn sans biais
de p, il vient pour ε > 0 : On obtient ainsi l’intervalle de confiance
h 1 1 i
V(Tn ) q(1 − q) 1 In = Tn − √ , Tn + √
P |Tn − p| > ε 6 P |Tn − p| > ε 6 = 2 |2α − 1| nβ 2 |2α − 1| nβ
ε2 (2α − 1)2 n ε2
si bien qu’on aura pour p au niveau de confiance 1 − β.

P p ∈ [Tn − ε, Tn + ε] > 1 − β i.e. P |Tn − p| > ε 6 β
dès que s
q(1 − q) 1 1 q(1 − q)
6β i.e. ε >
(2α − 1)2 n ε2 |2α − 1| nβ
et en particulier lorsque ε > 1 √
2|2α−1| nβ
puisque q(1 − q) 6 14 .
Méthode 2 : théorème limite central

D’après le théorème limite central appliqué à la suite (Xn ) de variables
indépendantes et identiquement distribuées admettant une variance, la suite (Sn∗ )
converge en loi vers une variable Z de loi normale centrée réduite. Or, comme Tn
est fonction affine de Sn , On obtient ainsi l’intervalle de confiance asymptotique
√ p
n q(1 − q) h z1−β/2 z1−β/2 i
Sn∗ = Tn∗ = (Tn − p) où σ = . Jn = Tn − √ , Tn + √
σ |2α − 1| 2 |2α − 1| n 2 |2α − 1| n
En utilisant l’inégalité q(1 − q) 6 14 , il vient σ 6 2|2α−1|
1
si bien qu’en notant pour p au niveau de confiance 1 − β.
z1−β/2 le quantile d’ordre 1 − β2 de la loi normale centrée réduite,
z1−β/2 σ
P |Tn − p| 6 √ > P |Tn − p| 6 z1−β/2 √ = 1 − βn
2 |2α − 1| n n
en notant

βn = 1 − P |Tn∗ | 6 z1−β/2 −−−→ 1 − P(|Z | 6 z1−β/2 = β.
n→∞
Méthode 3 : TLC & Slutsky Le lemme de Slutsky assure alors que

√
On reprend la méthode précédente mais, plutôt que de majorer σ n √ Tn − p
p Zn = · (Tn − p) = |2α − 1| n p
q(1 − q) bn σ
σ Sn (1 − Sn )
σ= ,
|2α − 1| converge en loi vers la loi normale centrée réduite lorsque n → ∞.
on l’estime par p Par conséquent,
Sn (1 − Sn ) p
bn =
σ . Sn (1 − Sn )
|2α − 1| P(|Zn | 6 z1−β/2 ) = P |Tn − p| 6 z1−β/2 √ −−−→ 1 − β
|2α − 1| n n→∞
Puisque Sn converge en probabilité vers q (à valeurs dans ]0, 1[) lorsque n → ∞,
d’où il ressort que
σ |2α − 1| P |2α − 1| p p
= σp −−−→ σ p =1 h Sn (1 − Sn ) Sn (1 − Sn ) i
bn
σ Sn (1 − Sn ) n→∞ q(1 − q) Kn = Tn − z1−β/2 √ , Tn + z1−β/2 √
|2α − 1| n |2α − 1| n
car la fonction x 7−→ σ √|2α−1| est continue sur ]0, 1[.
x(1−x) est un intervalle de confiance asymptotique pour p au niveau de confiance 1 − β.
Exercice 10
Question 2.b
L’énoncé donne α = 16 , n = 1000, sn = Sn (ω) = 0,425 d’où tn = Tn (ω) = 0,6125. n=10^3; // nombre de simulations
Pour avoir un intervalle de confiance au niveau de confiance 95%, on choisit N=100; // nombre d’IC
β = 0,05 et on lit dans la table de la loi normale z1−β/2 ' 1,96. alpha=1/6;
p=rand(); // choix aléatoire de p
On obtient alors les intervalles de confiance :
Z=grand(N,n,’bin’,1,p); // avis des personnes interrogées
I1000 ' [0,506, 0,719], J1000 ' [0,566; 0,659] Y=grand(N,n,’bin’,1,alpha); // résultats des expériences de Bernoulli
X=Y.*Z+(1-Y).*(1-Z); // réponses obtenues
et S=sum(X,’c’)/n;
K1000 ' [0,566; 0,659]. T=(S-1+alpha)/(2*alpha-1);
r=1.96*sqrt(S.*(1-S))/abs(2*alpha-1)/sqrt(n); // rayon des IC
Remarque. L’intervalle K1000 est très légèrement plus précis que l’intervalle J1000 ,
plot2d(1:N,p*ones(1,N));
lui-même largement plus précis que l’intevalle I1000 . for k=1:N
if (abs(p-T(k))<=r(k)) then opt=’b-+’;
else opt=’r-+’; // choix de la couleur selon que l’IC contient p
end
plot([k,k],[T(k)-r(k),T(k)+r(k)],opt); // représentation de l’IC
end
Pour i ∈ J1, nK donné, la variable Di donne le temps d’attente du premier succès On a bien sûr Xn = D1 + · · · + Dn d’où :
(obtenir un poisson marqué) lors d’une répétition d’expériences de Bernoulli (le Pn N
« tirage » d’un poisson à partir du i + 1-ième) indépendantes et de même E(Xn ) = E(Di ) = n
i=1 m
paramètre de succès p = m m
N . Elle suit donc la loi géométrique G( M ). Son
espérance et sa variance sont données par : et, par indépendace des variables D1 , . . . , Dn ,
1 N 1−p N(N − m) P
n N(N − m)
E(Di ) = = et V(Di ) = = . V(Xn ) = V(Di ) = n .
p m p2 m2 i=1 m2
Exercice 11 Q 1.c Exercice 11 Q2
Question 1.c Question 2
D’après le théorème limite central appliqué à la suite (Di )i>1 de variables

aléatoires indépendantes et identiquement distribuées, admettant un moment
d’ordre 2, la variable centrée réduite associée à
1P n Xn Tn
La variable Tn = mn Xn est fonction de X1 , . . . , Xn ; c’est donc un estimateur de N, Di = =
n i=1 n m
sans biais puisque
m converge en loi vers la loi normale centrée réduite lorsque n → ∞. En notant
E(Tn ) = E(Xn ) = N z1−α/2 le quantile de niveau 1 − α2 de la loi normale centrée réduite, on a donc :
n
d’après b..
P(|Tn∗ | 6 z1−α/2 ) = P |Tn − N| 6 z1−α/2 σ(Tn ) −−−→ 1 − α.
n→∞
Sachant que σ(Tn ) 6 100, on en déduit que

Tn − 100z1−α/2 , Tn + 100z1−α/2
est un intervalle de confiance asymptotique pour N au niveau de confiance 1 − α.
Pour α = 0,9, on trouve z1−α/2 ' 1,64.
Exercice 11 Q3 Exercice 11 Q 4.a
Question 3 Question 4.a
La variable Yn compte le nombre de succès (pêcher un poisson marqué) lors d’une

succession de n épreuves de Bernoulli indépendantes de même paramètre de
Avec les données de l’énoncé, m = 200, n = 50 et Xn = 450, on obtient succès p = m m
N . Elle suit donc la loi binomiale B(n, N ). Elle admet donc espérance
l’intervalle de confiance [1636, 1964] pour N au niveau de confiance 90%. E(Yn ) = nm 1
N si bien que Un = nm Yn est un estimateur sans biais de N :
1
1 1
E(Un ) = E(Yn ) = .
nm N
Exercice 11 Q 4.b Exercice 11 Q 5.a
Question 4.b Question 5.a
D’après le théorème de transfert, la variable finie Vn admet pour espérance :

Pn m(n + 1)
E(Vn ) = P(Yn = k)
k=0 k +1

n m(n + 1) n m k
P m n−k
L’événement [Yn = 0] a une probabilité non nulle : nm
n’est donc pas une variable = 1−
Yn k=0 k +1 k N N
aléatoire bien définie.
Pn n + 1 m k+1 m n−k
=N 1−
k=0 k + 1 N N

P n + 1 m k
n+1 m n+1−k
=N 1−
k=1 k N N
m n+1
=N 1− 1− .
N
Exercice 11 Q 5.b Exercice 12
Question 5.b
D’après le théorème limite central appliqué à la suite (Xn ) de variables
indépendantes et identiquement distribuées admettant une espérance λ et une
variance λ communes,
√ Xn − λ ∗
Tn = n √ = Xn
λ
converge en loi vers la loi normale centrée réduite lorsque n → ∞.
On observe sur l’expression précédente que Par ailleurs, la loi des grands nombres donne la convergence en probabilité de la
m n+1 suite (X n ) vers E(X1 ) = λ, les variables étant à valeurs dans [0, +∞[. Par
E(Un ) = N 1 − 1 − −−−→ N, p
N n→∞ continuité de la fonction x 7−→ λ/x en λ, on en déduit que
ce qui montre que Un est un estimateur asymptotiquement sans biais de N. s r
λ P λ
−−−→ = 1.
X n n→∞ λ
Dans ces conditions, le lemme de Slutsky assure que
s
λ √ Xn − λ
Zn = Tn = n p
Xn Xn
converge en loi vers la loi normale centrée réduite.
Exercice 13
Par conséquent, si z1−α/2 est le quantile de la loi normale centrée réduite à l’ordre
D’après la loi des grands nombres appliquée à la suite (Xn )n>1 de variables
1 − α2 , on a
s aléatoires indépendantes, admettant même espérance E(Xn ) = p1 et même
Xn variance V(Xn ) = pq2 , la suite de terme général
P(|Zn | 6 z1−α/2 ) = P X n − λ 6 z1−α/2 −−−→ 1 − α
n n→∞ 1 Pn
Xn = Xk , n > 1,
Par suite, n k=1
s s
h Xn i converge en probabilité vers 1
Xn p. Ces variables sont à valeurs dans ]0, +∞[ où la
X n − z1−α/2 , X n + z1−α/2
n n fonction x 7−→ x1 est continue. Par conséquent, la suite (Yn ) = ( X1 ) converge en
n
est donc un intervalle de confiance asymptotique pour λ au niveau de confiance probabilité vers p et, par un argument similaire,
1 − α. r r
q P q
−−−→ = 1.
1 − Yn n→∞ 1−p
D’un autre côté, le théorème limite central appliqué à la suite (Xn ) de variables
aléatoires indépendantes et identiquement distribuées admettant un moment Par conséquent, si z1−α/2 est le quantile de la loi normale centrée réduite à l’ordre
d’ordre 2 assure que 1 − α2 , on a
X n − p1 √
∗
Xn = q
L
−−−→ N (0, 1). Yn 1 − Yn
q n→∞ P(|Tn | 6 z1−α/2 ) = P |Yn − p| 6 z1−α/2 √ −−−→ 1 − α
np 2 n n→∞
Par suite, √ √
Après avoir vérifié sans peine que h Yn 1 − Yn Yn 1 − Yn i
r Yn − z1−α/2 √ , Yn + z1−α/2 √
√ p − Yn q ∗ n n
Tn = n √ = X ,
Yn 1 − Yn 1 − Yn n est donc un intervalle de confiance asymptotique pour p au niveau de confiance
on déduit du lemme de Slutzky que la suite (Tn ) converge en loi vers la loi 1 − α.
N (0, 1).

Exos (6 16) TD 4

Transféré par

Droits d'auteur :

Formats disponibles

Exos (6 16) TD 4

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Exos (6 16) TD 4

Transféré par

Droits d'auteur :

Formats disponibles

Exercice 1 Q1

et X n est donc un estimateur convergent de m.

Exercice 1 Q 3.a Exercice 1 Q 3.a

Pour n ∈ N, Vn est bien un estimateur car fonction du n-échantillon (X1 , . . . , Xn ).

Exercice 1 Q 3.b Exercice 2 Q1

D’après la question précédente, Par linéarité de l’espérance,

Ainsi Mn admet pour fonction de répartition

Exercice 2 Q 2.b Exercice 2 Q3

La variable Mn étant presque sûrement bornée, elle admet une espérance

On peut raisonner de même pour Un :

Exercice 3 Q 1.a Exercice 3 Q 1.b

La variable aléatoire Tn est un estimateur de a comme fonction de X1 , . . . , Xn .

Exercice 3 Q 3.a Exercice 3 Q 3.b

D’après l’inégalité de Cauchy-Schwarz,

Exercice 3 Q 3.c Exercice 5 Q 1.a

Il résulte de a. que E(Un ) → b lorsque n → ∞. Ainsi Un est un estimateur

Exercice 5 Q 1.b Exercice 5 Q2

Pour j ∈ N, on a par indépendance de X1 et X2 + · · · + Xn (lemme des coalitions) :

Exercice 6 Q 2.a Exercice 6 Q 2.b

Pour (x1 , . . . , xn ) ∈ [1, +∞[n donné, on a :

Exercice 6 Q 2.b Exercice 6 Q 3.a

On détermine sans difficulté les variations de g :

On montre de la même façon que Tn admet un moment d’ordre 2 égal à

Déjà vu dans l’exercice 1 : d’après 1.,

Exercice 7 Q 3.a Exercice 7 Q 3.b

Par hypothèse, les résultats des n pesées forment un n-échantillon (X1 , . . . , Xn )

L’énoncé donne n = 10 et x n = X n (ω) = 72,40. Pour avoir un intervalle au niveau

Exercice 8 Q3 Exercice 10 Q 1.a

Exercice 10 Q 1.b Exercice 10 Q 1.c

Par linéarité de l’espérance,

Exercice 10 Q 2.a Exercice 10 Q 2.a

Exercice 10 Q 2.a Exercice 10 Q 2.a

Méthode 2 : théorème limite central

Exercice 10 Q 2.a Exercice 10 Q 2.a

Méthode 3 : TLC & Slutsky Le lemme de Slutsky assure alors que

Exercice 11 Q 1.a Exercice 11 Q 1.b

Exercice 11 Q 1.c Exercice 11 Q2

D’après le théorème limite central appliqué à la suite (Di )i>1 de variables

Sachant que σ(Tn ) 6 100, on en déduit que

Exercice 11 Q3 Exercice 11 Q 4.a

La variable Yn compte le nombre de succès (pêcher un poisson marqué) lors d’une

D’après le théorème de transfert, la variable finie Vn admet pour espérance :

Exercice 11 Q 5.b Exercice 12

Vous aimerez peut-être aussi