Abdelhamid El Mossadeq
Professeur lEHTP
A. El Mossadeq
Mai 2008
1.Statistiqueetstructurestatistique
2.Fonctiondevraisemblance
2.1.Structurestatistiquediscrte
2.2.Structurestatistiquecontinue
3.Statistiquesexhaustives
4.Informationconcernantunparamtre
4.1.Matricedinformation
4.2.IngalitdeCramerRao
5.Estimateurs
6.Lestimationparlamthodedelavraisemblance
7.Lestimationponctuelle
7.1.Estimationponctuelleduneproportion
7.2.Estimationponctuelledunemoyenne
7.3.Estimationponctuelledunevariance
8.Lestimationparintervalledeconfiance
8.1.Intervalledepari
8.2.Lessondages
8.3.Intervalledeconfiancedunevariance
8.4.Intervalledeconfiancedunemoyenne
8.4.1.n30
8.4.2.n<30
9.Exercices
1
3
3
3
5
11
12
18
20
27
31
31
32
32
33
33
36
37
39
39
40
42
A. El Mossadeq
Dnition 2
Soit (X1 ; :::; Xn ) un n-chantillon issu dun ala X dni sur un espace probabilis ( ; T ;P ) valeurs dans un espace probabilisable (E; B) et soit g un ala
dni sur (E; B)n :
Lala g (X1 ; :::; Xn ) est appel une statistique.
La loi de g (X1 ; :::; Xn ) est appel une distribution dchantillonnage.
Exemple 1
>
>
>
>
2
>
>
: S
1X
(Xi
n i=1
M )2
Dnition 3
A. El Mossadeq
Remarque 1
P = fP j
g)
( ; T ; fP j
Exemple 2
>0:
p (!) =
!!
o ! 2 N.
La structure statistique associe est (N; fp j
> 0g) :
Exemple 3
>0:
> 0g) :
Dnition 4
( ; T ; fP j
g)r = (
rT
;f
rP
g)
g), la
A. El Mossadeq
2. Fonction de Vraisemblance
2.1. Structure Statistique Discrte
Dnition 5
L ( ; !) = p (!)
La fonction de vraisemblance dun r-chantillon de cette structure est dnie
r
pour tout ( ; x1 ; :::; xr ) 2
par :
L ( ; ! 1 ; :::; ! r ) =
r
Y
p (! i )
i=1
Exemple 4
L ( ; ! 1 ; :::; ! r ) =
r
Y
r
P
!i
i=1
p (! i ) =
i=1
! 1 !:::! r !
Soit (Rn ; BRn ; fP j > 0g) une structure statistique dans laquelle les probabilits P sont dnies partir de densits f .
A. El Mossadeq
L ( ; x) = f (x)
La fonction de vraisemblance dun r-chantillon de cette structure est dnie
pour tout ( ; x1 ; :::; xr ) 2
(Rn )r par :
L ( ; x1 ; :::; xr ) =
r
Y
f (xi )
i=1
Exemple 5
L ( ; x1 ; :::; xr )
r
Y
f (xi )
i=1
r
X
exp
xi
i=1
; xi > 0 ; 1
Exemple 6
Si (X1 ; :::; Xr ) est un r-chantillon issu dune variables alatoire qui suit la loi
uniforme sur lintervalle [0; ], > 0, sa fonction de vraisemlance est :
L ( ; x1 ; :::; xr )
r
Y
f (xi )
i=1
r;
xi 2 [0; ] ; 1
A. El Mossadeq
3. Statistiques Exhaustives
Soit ( ; T ;P ) un espace probabilis et T une sous-tribu de T .
Si A est un vnement de T et
la fonction caractristique de A,
P [AB]
pour tout B 2 T :
, alors :
P [A j T ] = P [A j Ai ] sur Ai
cest dire :
P [A j T ] =
r
X
i=1
P [A j Ai ]
Ai
P [A j T ] = P A j T
(B)
et comme :
P [A j T ] = u T = u (T )
alors :
P [A j T = t] = u (t)
A. El Mossadeq
Dnition 7
Dnition 8
Proposition 1
L ( ; !) = g ( ; T (!)) h (!)
Preuve 1
Supposons T exhaustif.
Si :
P [T = T (!)] = 0
il su t de prendre :
g ( ; T (!)) = 0
et :
h (!) = 0
A. El Mossadeq
Si :
P [T = T (!)] 6= 0
alors :
L ( ; !)
P [f!g \ fT = T (!)g]
P [T = T (!)] P [! j T = T (!)]
g ( ; T (!)) = P [T = T (!)]
et :
h (!) = P [! j T = T (!)]
puisque daprs lexhaustuvit, cette probabilit conditionnelle ne dpend
pas de .
Inversement, supposons que pour tout ( ; !) 2
on a :
L ( ; !) = g ( ; T (!)) h (!)
Il su t de prouver que pour tout (!; t) 2
ne dpend pas de :
E , la probabilit P [! j T = t]
En eet, supposons :
P [T = t] 6= 0
si :
T (!) 6= t
alors :
P [! j T = t]
P [f!g \ fT = tg]
P [T = t]
0
=
=
A. El Mossadeq
si :
T (!) = t
alors :
P [! j T = t]
P [f!g \ fT = tg]
P [T = t]
g ( ; T (!)) h (!)
P
g ( ; T (!)) h (!)
=
=
f!2 jT (!)=tg
h (!)
P
h (!)
f!2 jT (!)=tg
Exemple 7
Exemple 8
L ( ; !) = exp [(1
!) ln (1
<1:
) + ! ln ]
L ( ; ! 1 ; :::; ! r ) = exp
Posons :
r
X
[(1
! i ) ln (1
i=1
1X
T (! 1 ; :::; ! r ) =
!i
r i=1
8
) + ! i ln ]
A. El Mossadeq
alors :
L ( ; ! 1 ; :::; ! r )
exp
r
X
[(1
! i ) ln (1
) + ! i ln ]
i=1
=
=
) + T (! 1 ; :::; ! r ) ln ]
Proposition 2
Soit (Rn ; BRn ; fP j > 0g) une structure statistique dans laquelle les probabilits P sont dnies partir de densit f .
Une statistique T dnie sur (Rn ; BRn ; fP j > 0g) valeurs dans (Rs ; BRs )
est exhaustive pour la famille fP j 2 g si et seulement si il existe une fonction
positive g dnie sur
Rs mesurable pour tout x dans et une fonction
positive et mesurable h dnie sur Rn telle que pour tout ( ; x) 2
Rn on
ait :
L ( ; x) = g ( ; T (x)) h (x)
Preuve 2
Admis
Exemple 9
Soit (Rn ; BRn ; fP j > 0g) une structure statistique dans laquelle les probabilits P sont dnies partir de densit f .
Les familles de lois exponentielles :
" k
#
X
L ( ; x) = exp
i ( ) ai (x) + ( ) + b (x)
i=1
A. El Mossadeq
Exemple 10
>0:
Posons :
alors :
1X
T (x1 ; :::; xr ) =
xi
r i=1
L ( ; x1 ; :::; xr )
=
=
exp
r
X
i=1
xi
T est alors un rsum exhaustif pour la famille des lois exponentielles de paramtres
, > 0:
Exemple 11
1
L ( ; ; x) = p exp
2
2 R et
1
(x
2 2
>0:
)2
10
)2
A. El Mossadeq
Posons :
r
M (x1 ; :::; xr )
1X
xi
r i=1
r
S (x1 ; :::; xr )
On a :
L ( ; ; x1 ; :::; xr )
=
=
1X
[xi
r i=1
r h 2
1
S (x1 ; :::; xr ) + (M (x1 ; :::; xr )
p
r exp
2 2
2
g ; ; M (x1 ; :::; xr ) ; S 2 (x1 ; :::; xr )
puisque :
r
X
i=1
(xi
g), ce qui
D = fx 2 Rn j f ( ; x) > 0g
11
A. El Mossadeq
D = fx 2 Rn j f ( ; x) > 0g
, le vecteur alatoire :
@
ln f ( ; X)
@ j
1 j k
est centr.
Preuve 3
Puisque :
f ( ; x) dx = 1
Rn
k.
Dnition 9
@
ln f ( ; X)
@ j
1 j k
A. El Mossadeq
On la note I [X; ] :
Lorsque n = 1, I [X; ] na quun seul lment appel la quantit dinformation
de Fisher.
Pour calculer les lments de la matrice I [X; ] = [Iij ], partons de la
relation :
f ( ; x) dx = 1
Rn
n, on a :
Z
@
f ( ; x) dx = 0
@ j Rn
Sous reserve de validit des drivations sous le signe intgrale et en supposant le domaine :
D = fx 2 Rn j f ( ; x) > 0g
indpendant de , on obtient :
Z
@
f ( ; x) dx =
Rn @ j
=
Z
0
Rn
@
ln f ( ; x) f ( ; x) dx
@ j
do :
Iij
=
=
@
@
ln f ( ; X)
ln f ( ; X)
@ i
@ j
@2
E
ln f ( ; X)
@ i@ j
13
A. El Mossadeq
Remarque 2
Exemple 12
6
I [X; ; ] = 4
1
2
0 7
2 5
2
Remarque 3
I [X; ]
=
=
"
@
ln f ( ; X)
@
@2
E
ln f ( ; X)
@ 2
Proposition 4
D = fx 2 Rn j f ( ; x) > 0g
indpendant de ; pour tout
, alors :
14
g),
A. El Mossadeq
Preuve 4
Puisque :
L ( ; x1 ; :::; xr ) =
alors :
=
=
=
r
X
f ( ; xi )
i=1
@2
E
@ @
" i
@2
E
@ i@
ln L ( ; X1 ; :::; Xr )
#
r
Y
ln
f ( ; Xi )
i=1
i=1
r
Y
@
@ i@
@2
rE
@ i@
rIij [X; ]
ln f ( ; Xi )
j
ln f ( ; X)
j
Exemple 13
=
=
)2
(X
1
2
I [X1 ; :::; Xr ; ]
=
=
15
rI [X; ]
r
2
> 0: On
A. El Mossadeq
Proposition 5
ti = Ti (x1 ; :::; xr ) ; 1
D = fx 2 Rn j f ( ; x) > 0g
, la matrice :
I [X1 ; :::; Xr ; ]
I [T1 ; :::; Ts ; ]
est positive.
Elle est nulle si et seulement si T1 ; :::; Ts est un rsum exhaustif.
Preuve 5
Le changement de variables :
ti = Ti (x1 ; :::; xr ) ; 1
permet dcrire :
D (t1 ; :::; tr )
D (x1 ; :::; xr )
do :
@2
@ i@
ln L ( ; x1 ; :::; xr )
@2
ln g ( ; t1 ; :::; ts )
@ i@ j
@2
ln g ( ; ts+1 ; :::; tr j t1 ; :::; ts )
@ i@ j
Il en dcoule que :
16
A. El Mossadeq
La matrice J est positive puisquelle sobtient comme moyenne des matrices des
variances et covariances associes :
@
ln g ( ; ts+1 ; :::; tr j t1 ; :::; ts )
@ i
Elle est nulle si et seulement si la fonction :
Remarque 4
Lorsque est un paramtre rel, la quantit dinformation fournie par un rsum T dni sur un r-chantillon est majore par celle qui est fournie par le
r-chantillon :
I [T ; ]
I [X1 ; :::; Xr ; ]
Exemple 14
I [M; ] =
M est alors un rsum exhaustif pour
sidre.
et
, alors :
r
2
17
A. El Mossadeq
T =
(X1 ; :::; Xr )
V [T ]
@
E [T ]
@
I [X1 ; :::; Xr ; ]
@
ln L ( ; X1 ; :::; Xr ) =
@
Cest lingalit de Cramer-Rao.
Preuve 6
( ) [T
E [T ]]
@
Daprs ce qui prcde, la variable alatoire
ln L ( ; X1 ; :::; Xr ) est centre,
@
cest dire :
@
E
ln L ( ; X1 ; :::; Xr ) = 0
@
18
A. El Mossadeq
et donc :
E E [T ]
Par dnition :
E [T ] =
@
ln L ( ; X1 ; :::; Xr ) = 0
@
Rnr
@
E [T ]
@
(x1 ; :::; xr )
Rnr
=
=
@
L ( ; x1 ; :::; xr ) dx1 :::dxr
@
@
ln L ( ; X1 ; :::; Xr )
@
@
E (T E [T ])
ln L ( ; X1 ; :::; Xr )
@
E T
@
E [T ]
@
E (T
E [T ])2 E
"
@
ln L ( ; X1 ; :::; Xr )
@
V [T ] I [X1 ; :::; Xr ; ]
do :
2
V [T ]
@
E [T ]
@
I [X1 ; :::; Xr ; ]
@
ln L ( ; X1 ; :::; Xr ) =
@
19
( ) [T
E [T ]]
A. El Mossadeq
5. Estimateurs
Dnition 10
Soit ( ; T ; fP j
Dnition 11
Soit T un estimateur de h ( ),
variable parente X:
b (T; ) = E [T ]
h( )
E [T ] = h ( )
3. T est dit asymptoquement sans biais si :
lim E [T ] = h ( )
r!1
h ( )j
Proposition 7
lim V [T ] = 0
r!1
20
]=0
A. El Mossadeq
Preuve 7
h ( ))
r!1
alors T converge en moyenne quadratique vers h ( ), et par consquent, T converge en probabilit vers h ( ) :
Exemple 15
1X
M=
Xi
r i=1
1
r
=
=
r
X
E [Xi ]
i=1
2. La statistique :
r
S12
1X
(Xi
=
r i=1
21
)2
2
A. El Mossadeq
En eet :
E S12
"
r
1X
1
r
)2
E (Xi
i=1
r
1X
(Xi
i=1
r
X
V [Xi ]
i=1
3. La statistique :
r
S22
1X
(Xi
=
r i=1
M )2
=
=
i=1
r
X
i=1
r
X
(Xi
r
X
(Xi
) (M
)+
i=1
(Xi
)2
r
X
(M
i=1
)2
r (M
i=1
do :
"
r
X
(Xi
i=1
M)
=
=
E
(r
"
r
X
(Xi
i=1
1)
On en dduit :
E S22 =
do
S22
est bias.
22
1
r
rE (M
)2
A. El Mossadeq
4. La statistique :
S =
r
X
M )2
(Xi
i=1
En eet, puisque :
S2 =
r
r
S22
On en dduit :
E S2 =
Dnition 12
Soit T un estimateur de h ( ),
variable parente X:
R (T1 ; )
R (T2 ; )
Remarque 6
On a :
R (T; ) = V [T ] + b (T; )2
Si T un estimateur sans biais de h ( ), alors :
R (T; ) = V [T ]
23
A. El Mossadeq
Exemple 16
1X
Xi
F =
r i=1
R (X1 ; p) = V [X1 ] = p (1
p)
alors que :
R (F; p) = V [F ] =
p (1
p)
r
Remarque 7
V [T ]
1
I [X1 ; :::; Xr ; ]
Remarque 8
24
A. El Mossadeq
Dnition 13
V [T0 ] = inf V [T ]
T 2T
Dnition 14
Si :
[h0 ( )]2
inf V [T ] =
T 2T
I [X1 ; :::; Xr ; ]
1. On appelle e cacit dun estimateur T0 de T , le rapport :
[h0 ( )]2
e [T0 ] =
I [X1 ; :::; Xr ; ] V [T0 ]
2. T0 est dit e cace lorsque son e cacit est gale 1 :
e [T0 ] = 1
3. Si T1 et T2 sont deux estimateurs de T .
On dit que T1 est plus e cace que T2 si :
e [T1 ]
e [T2 ]
Proposition 8
@
ln g ( ; x) =
@
25
( ) [t
h ( )]
A. El Mossadeq
Preuve 8
(1) () (2)
Daprs la dnition de le cacit, T est e cace si et seulement si lingalit
de Cramer-Rao est une galit, donc si et seulement si :
@
ln L ( ; X1 ; :::; Xr ) =
@
( ) [T
h ( )]
(1) =) (3)
T est e cace donc :
V [T ]
[h0 ( )]2
I [X1 ; :::; Xr ; ]
[h0 ( )]2
I [T ; ]
do :
I [X1 ; :::; Xr ; ] = I [T ; ]
et par consquent T est un rsum exhaustif concernant
et on a :
@
ln g ( ; x) = ( ) [t h ( )]
@
par application de lingalit de Cramer-Rao (qui est une galit dans ce cas)
T.
(3) =) (2)
Si T est un rsum exhaustif concernant , alors daprs le thorme de factorisation :
@
@
ln L ( ; X1 ; :::; Xr ) =
ln g ( ; T ) =
@
@
26
( ) [T
h ( )]
A. El Mossadeq
Dnition 15
(x1 ; :::; xr )
7 ! L ( ; X1 ; :::; Xr )
on dit que :
^=
(X1 ; :::; Xr )
Exemple 17
r
P
!i
i=1
! 1 !:::! r !
Cette fonction atteint son maximum strict pour :
r
1X
=
!i
r i=1
27
A. El Mossadeq
est :
i=1
Exemple 18
Soit (X1 ; :::; Xr ) un r-chantillon dune variable alatoire qui suit une loi normale
de paramtres 2 R et 2 , > 0.
On suppose connu.
La fonction de vraisemlance de ce r-chantillon est :
r
1
1 X
L ( ; x1 ; :::; xr ) = p
(xi
)2
r exp
2
2 i=1
2
Cette fonction atteint son maximum strict pour :
r
1X
=
xi
r i=1
est :
Et comme :
1X
^=
Xi
r i=1
2
V [^ ] =
et :
e [^ ] = 1
^ est alors un estimateur e cace de :
28
r
2
A. El Mossadeq
Exemple 19
Soit (X1 ; :::; Xr ) un r-chantillon dune variable alatoire qui suit une loi normale
de paramtres 2 R et 2 , > 0.
On suppose connu.
Lestimateur du maximum de vraisemlance de 2 est :
r
1X
2
(Xi
)2
^ =
r
i=1
Exemple 20
Soit (X1 ; :::; Xr ) un r-chantillon dune variable alatoire qui suit une loi normale
de paramtres 2 R et 2 , > 0.
Les estimateurs du maximum de vraisemlance de et 2 sont :
8
r
X
>
1
>
>
=
Xi
>
< ^
r i=1
r
>
1X
2
>
2
>
(X
^
)
^
=
i
>
:
r
i=1
Proposition 9
Preuve 9
29
par le maxi-
A. El Mossadeq
Proposition 10
Preuve 10
@
ln L ( ; x1 ; :::; xr ) =
@
( ) [t
h ( )]
@2
ln L ( ; x1 ; :::; xr ) =
@ 2
( ) [t
h ( )]
( ) h0 ( )
et :
I [X1 ; :::; Xr ; ]
@2
ln L ( ; X1 ; :::; Xr )
E
@ 2
( ) h0 ( )
=
=
Or :
I [X1 ; :::; Xr ; ]
"
@
ln L ( ; X1 ; :::; Xr )
@
[ ( )]2 V [T ]
donc :
( ) h0 ( ) > 0
30
do, pour
A. El Mossadeq
=^:
@2
^; x1 ; :::; xr =
^ h0 ^
2 ln L
@
est strictement ngatif, ce qui assure que ^ ralise le maximum strict.
7. LEstimation Ponctuelle
Soit (X1 ; :::; Xr ) un r-chantillon issu dune variable alatoire X , et soit T
un estimateur dun paramtre , bas sur le r-chantillon (X1 ; :::; Xr ) :
Dnition 16
Si (x1 ; :::; xr ) est une ralisation du r-chantillon (X1 ; :::; Xr ) ; alors T (x1 ; :::; xr )
constitue une estimation ponctuelle de :
r-chantillon issu X .
Puisque la frquence empirique :
r
1X
F =
Xi
r i=1
f = F (x1 ; :::; xr )
constitue une estimation ponctuelle de p.
31
A. El Mossadeq
1X
M=
Xi
r i=1
1X
m = M (x1 ; :::; xr ) =
xi
r i=1
et de variance
, et (X1 ; :::; Xr )
un r-chantillon issu X:
(1) Si
S12
1X
=
(Xi
r i=1
)2
1X
s =
(xi
r i=1
2
)2
2
(2) La statistique :
1
S =
r
X
i=1
32
(Xi
M )2
. Toute ralisation :
A. El Mossadeq
s =
r
X
(xi
. Toute ralisation :
m)2
i=1
h
Lestimation par intervalle de conance consiste dterminer un intervalle ~
> 0, centr en ~ contenant avec un probabilit 1
xe a priori :
h
i
P ~
< <~+ =1
Dnition 17
;~ +
, ou au seuil :
Remarque 9
Cette nouvelle approche est souvent prfre dans la pratique car elle introduit
la notion dincertitude.
Le seuil de conance permet de sadapter aux exigences de la pratique.
33
A. El Mossadeq
p = P [X = 1]
p) soient
t= r
p (1 p)
n
peut tre considre comme une ralisation de la variable alatoire normale centre rduite :
N=r
p (1 p)
n
o F est la frquence empirique du n-chantillon :
n
1X
F =
Xi
n i=1
=2
P jN j < t1
cest dire :
t1
=2
t1
=2
2 R tel que :
=2
1
p exp
2
34
=1
t2
dt = 1
2
A. El Mossadeq
ou encore :
On dit que :
"
F 2 p
1
t1
=2
t1
=2
1
p exp
2
t2
dt = 1
2
p (1 p)
; p + t1
n
=2
p (1 p)
n
ou au seuil :
Exemple 21
"
Pour
t1
=2
p (1 p)
; p + t1
n
=2
p (1 p)
n
= 5%, on a :
t:975 = 1:96
[:42; :78]
Il en rsulte que sur les trente boules tires, le nombre de boules blanches serait
compris, 95%, entre 13 et 23.
35
A. El Mossadeq
,0
1:
p) soient suprieurs ou gaux 5, et en
N=r
f (1 f )
n
2 [0; 1], il existe t1 =2 2 R tel que :
P jN j < t1
Lintervalle :
"
t1
=2
=2
=1
f (1 f )
; f + t1
n
=2
f (1 f )
n
ou au seuil :
Exemple 22
36
A. El Mossadeq
= 5%, on a :
Pour
t:975 = 1:96
On obtient alors lintervalle :
[:504; :696]
A 95%, le candidat C serait lu.
et de variance
1) s2
(n
2
n 1 du Khi-deux (n
existe 2n 1; =2 et 2n 1;1 =2
Kn
2
n 1; =2
et
, alors la quantit :
2 [0; 1], il
h
P 2n 1; =2 <
2
n 1;1
=2
2
n 1;1
<
=2
vrient :
8
>
>
< Kn
>
>
: Kn
2
n 1; =2
2
n 1;1
=2
37
=
2
n 1.
=1
2
1
1) degrs de libert.
dans R tels que :
A. El Mossadeq
Il en rsulte que :
P
Lintervalle :
"
(n
1) s
2
n 1;1
"
<
(n
<
2
n 1; =2
=2
(n
1) s
2
n 1;1
1) s
(n
=2
1) s
2
n 1; =2
=1
ou au seuil .
=2
n 1; =2
Exemple 23
La force de rupture dun certain type de cable peut tre assimile une variable
alatoire normale.
Des essais portant sur dix cables ont donn une variance empirique s2 de 1560 N2 .
Construire un intervalle de conance, 95%, de lcart-type de cette force de
rupture.
Au seuil , lintervalle de conace de lcart-type est dni par :
"s
#
s
(n 1)
(n 1)
s;
s
2
2
n 1;1
Pour
= 5% :
8
<
:
=2
n 1; =2
2
9;:025
= 2:7
2
9;:975
= 19
[27:18 N; 72:11 N]
38
A. El Mossadeq
30
t=
m
p
n
peut tre considre comme une ralisation de la variable alatoire normale centre rduite :
M
N=
p
n
Ainsi, pour tout 2 [0; 1], il existe t1 =2 2 R tel que :
P jN j < t1
cest dire :
ou encore :
On dit que :
t1
=2
t1
=2
t1
=2
2 m
1
=2
=1
1
p exp
2
t2
dt = 1
2
1
p exp
2
t2
dt = 1
2
t1
=2 p
; m + t1
=2 p
ou au seuil :
tion s2 :
39
A. El Mossadeq
Exemple 24
m
Pour
t1
=2 p
=2 p
; m + t1
= 5%, on a :
t:975 = 1:96
[11:52; 13:48]
8.4.2. n < 30
Si X suit une loi normale de moyenne
et de variance
, alors la quantit Tn
t=
s
p
n
est une ralisation de la variable alatoire de Student (n
:
Tn
Ainsi, pour tout
o tn
1;1
=2
M
S
p
n
1;1
=2
P jTn 1 j < tn
1;1
=2
2 R tel que :
=1
vrie :
Fn
Fn
tn
1;1
=2
=1
40
1) degrs de libert
A. El Mossadeq
On dit que :
2 m
1
tn
1;1
s
; m + tn
n
=2 p
1;1
s
n
=2 p
ou au seuil :
Exemple 25
n
m
s
=
=
=
9
1040 C
16 C
m
Pour
tn
1;1
s
; m + tn
n
=2 p
1;1
= 5%, on a :
t8;:975 = 2:31
[1027:68 C; 1052:32 C]
41
s
n
=2 p
A. El Mossadeq
9. Exercices
Exercice 1
5. le paramtre
6. les paramtres
7. le paramtre
et
Solution 1
p (x) = px (1
de plus :
p)1
8
< E [X] = p
:
V [X] = p (1 p)
(a) Recherche du maximum de vraisemlance :
Considrons un r-chantillon de cette structure.
Sa fonction de vraisemblance est dnie pour tout p 2 [0; 1] et tout
(x1 ; :::; xr ) 2 f0; 1gr par :
L (p; x1 ; :::; xr ) =
r
Y
r
P
xi
p (xi ) = pi=1 (1
i=1
42
p)
r
P
i=1
xi
A. El Mossadeq
do :
r
X
ln L (p; x1 ; :::; xr ) =
xi ln p +
i=1
r
X
xi ln (1
i=1
p)
Il en rsulte que :
@
ln L (p; x1 ; :::; xr ) =
@p
r
P
xi
i=1
r
P
xi
i=1
do :
r
et comme :
@
1X
ln L (p; x1 ; :::; xr ) = 0 =) p =
xi
@p
r i=1
@2
ln L (p; x1 ; :::; xr ) < 0
@p2
donc lestimateur du maximum de vraisemblance dun r-chantillon dune
structure de Bernouilli est :
r
1X
p^ =
Xi
r i=1
E [^
p] = E [X] = p
et :
V [X]
r
p (1 p)
=
r
On en dduit que p^ est un estimateur sans biais et convergent du paramtre
V [^
p]
43
A. El Mossadeq
p)x
p (x) = p (1
de plus :
8
1
>
E [X] =
>
>
<
p
>
>
1
>
: V [X] =
p2
Considrons un r-chantillon de cette structure.
Sa fonction de vraisemblance est dnie pour tout p 2 [0; 1] et tout (x1 ; :::; xr ) 2
(N )r par :
L (p; x1 ; :::; xr ) =
do :
r
Y
r
P
p (xi ) = p (1
p)i=1
i=1
r
X
ln L (p; x1 ; :::; xr ) = r ln p +
xi
i=1
Il en rsulte que :
@
ln L (p; x1 ; :::; xr )
@p
r
p
r
r
P
xi r
r ln (1
xi
i=1
1 p
r
P
p xi
i=1
p (1
p)
do :
r
@
ln L (p; x1 ; :::; xr ) = 0 =) p = P
r
@p
i=1
44
xi
p)
A. El Mossadeq
et comme :
@2
ln L (p; x1 ; :::; xr ) < 0
@p2
donc lestimateur du maximum de vraisemblance dun r-chantillon dune
structure gomtrique est :
r
p^ = P
r
Xi
i=1
p)n
p (x) = C (n; x) px (1
de plus :
8
< E [X] = np
:
V [X] = np (1
p)
=
=
r
Y
p (xi )
i=1
"
r
Y
ln L (p; x1 ; :::; xr ) = ln
r
Y
i=1
xi
C (n; xi ) pi=1 (1
i=1
do :
r
P
C (n; xi ) +
r
X
i=1
45
xi ln p +
rn
rn
p)
r
X
i=1
r
P
xi
i=1
xi ln (1
p)
A. El Mossadeq
Il en rsulte que :
@
ln L (p; x1 ; :::; xr )
@p
r
P
xi
r
P
rn
i=1
r
P
xi
i=1
xi
rnp
p (1
p)
i=1
do :
r
@
1 X
ln L (p; x1 ; :::; xr ) = 0 =) p =
xi
@p
rn i=1
et comme :
@2
ln L (p; x1 ; :::; xr ) < 0
@p2
donc lestimateur du maximum de vraisemblance dun r-chantillon dune
structure de binomiale est :
r
1 X
p^ =
Xi
rn i=1
E [^
p]
=
=
1
E [X]
n
p
et :
V [X]
rn2
p (1 p)
=
rn
on en dduit que p^ est un estimateur sans biais et convergent de p.
V [^
p]
46
A. El Mossadeq
p (x) =
de plus :
x!
exp
8
< E [X] =
:
V [X] =
(a) Recherche du maximum de vraisemlance :
Considrons un r-chantillon de cette structure.
Sa fonction de vraisemblance est dnie pour tout
ln L ( ; x1 ; :::; xr ) =
r
Y
r
P
> 0, et tout
xi
i=1
p (xi ) =
i=1
x1 !:::xr !
ln (x1 !:::xr !) +
r
X
exp r
xi ln
i=1
Il en rsulte que :
@
ln L ( ; x1 ; :::; xr ) =
@
r
P
xi
i=1
do :
r
1X
@
ln L ( ; x1 ; :::; xr ) = 0 =) p =
xi
@
r i=1
et comme :
@2
ln L ( ; x1 ; :::; xr ) < 0
@ 2
47
A. El Mossadeq
1X
^=
Xi
r i=1
E [^ ] = E [X] =
et :
V [X]
=
r
r
On en dduit que ^ est un estimateur sans biais et convergent de .
V [^ ] =
f (x) =
de plus :
8
< 0
:
exp
si
si
x>0
8
1
>
>
E
[X]
=
>
<
>
>
1
>
: V [X] = 2
positifs, par :
L ( ; x1 ; :::; xr ) =
r
Y
f (xi ) =
i=1
exp
r
X
i=1
48
xi
A. El Mossadeq
do :
ln L ( ; x1 ; :::; xr ) = r ln
Il en rsulte que :
@
r
ln L ( ; x1 ; :::; xr ) =
@
do :
@
ln L ( ; x1 ; :::; xr ) = 0 =)
@
r
X
xi
i=1
r
X
xi
i=1
r
=P
r
xi
i=1
et comme :
@2
ln L ( ; x1 ; :::; xr ) < 0
@ 2
donc lestimateur du maximum de vraisemblance dun r-chantillon dune
structure exponentielle est :
^= r
r
P
Xi
i=1
et
1
f (x) = p exp
2
de plus :
8
< E [X] =
:
V [X] =
49
1
(x
2 2
)2
A. El Mossadeq
2 R, tout
L ( ; ; x1 ; :::; xr )
r
Y
> 0 et
f (xi )
i=1
1
p
2
1 X
(xi
2 2 i=1
exp
do :
ln L ( ; ; x1 ; :::; xr ) =
)2
r ln 2
r ln
Il en rsulte que :
8
r
X
>
@
1
>
>
(xi
L ( ; ; x1 ; :::; xr ) = 2
>
>
>
< @
1 X
(xi
2 2 i=1
)2
i=1
do :
>
>
>
@
>
>
>
: @ L ( ; ; x1 ; :::; xr ) =
8
@
>
>
L ( ; ; x1 ; :::; xr ) = 0
>
< @
>
>
>
: @ L ( ; ; x1 ; :::; xr ) = 0
@
=)
r
1 X
3
(xi
)2
i=1
8
>
>
>
>
>
>
<
>
>
>
>
>
>
:
1X
=
xi
r i=1
r
1X
=
(xi
r i=1
)2
50
A. El Mossadeq
8
r
X
>
1
>
>
^ =
Xi
>
>
r i=1
>
<
>
r
>
>
1X
>
2
>
(Xi
>
: ^ =r
i=1
^ )2
E [^ ]
E [X]
=
et :
E ^2
1
r
V [X]
2
r
On en dduit que ^ est un estimateur sans biais et convergent de , mais
^ est un estimateur biais de .
7. Soit X une variable alatoire uniforme sur lintervalle [0; ].
Sa densit de probabilit f est dnie pour tout x 2 [0; ] par :
8 1
>
si x 2 [0; ]
<
f (x) =
>
:
0 si x 2
= [0; ]
de plus :
8
>
>
E [X] =
>
<
2
>
>
>
: V [X] =
12
Considrons un r-chantillon de cette structure.
51
A. El Mossadeq
dans [0; ] :
L ( ; x1 ; :::; xr ) =
La fonction :
r
Y
f (xi ) =
1
r
i=1
! L ( ; x1 ; :::; xr )
est strictement dcroissante, donc elle atteint son maximum lorsque
est
minimum.
Et comme :
8i 2 f1; :::; rg :
donc
xi
Exercice 2
Soit X une variable alatoire dont la densit de probabilit f est dnie par :
8 1
x
>
si x > 0
< exp
f (x) =
>
:
0
si x 0
52
A. El Mossadeq
Solution 2
f (x) =
8 1
>
< exp
>
:
si
x>0
si
V [X] =
L ( ; x1 ; :::; xr )
r
Y
f (xi )
i=1
1
r
exp
r
P
xi
i=1
do :
ln L ( ; x1 ; :::; xr ) =
53
r ln
r
P
i=1
xi
A. El Mossadeq
Il en rsulte que :
@
ln L ( ; x1 ; :::; xr ) =
@
r
P
xi
i=1
2
do :
@
ln L ( ; x1 ; :::; xr ) = 0 =)
@
et comme :
1X
=
xi
r i=1
@2
ln L ( ; x1 ; :::; xr ) < 0
@ 2
donc lestimateur du maximum de vraisemblance dun r-chantillon dune
structure exponentielle est :
r
X
^= 1
Xi
r i=1
1
r
exp
r^ (x1 ; :::; xr )
L ( ; x1 ; :::; xr ) = g
o :
1
; ^ (x1 ; :::; xr ) = r exp
et :
h (x1 ; :::; xr ) = 1
54
r^ (x1 ; :::; xr )
A. El Mossadeq
3. Comme :
r
X
^= 1
Xi
r i=1
alors :
h i
E ^ = E [X] =
et :
h i V [X]
2
^
V
=
=
r
r
On en dduit que ^ est un estimateur sans biais et convergent de .
4. Calculons la quantit dinformation de F isher, I [X; ], concernant .
On a :
I [X; ]
=
=
=
=
@2
ln f ( ; X)
@ 2
@2
X
E
ln
2
@
1
2X
E
+
2
3
E
1
2
r
I [X1 ; :::; Xr ; ] = rI [X; ] = 2
h i
Calculons le cacit e ^ de ^.
On a :
h i
1
h i =1
e ^ =
I [X1 ; :::; Xr ; ] V ^
donc, ^ est e cace.
55
A. El Mossadeq
Exercice 3
Soit X une variable alatoire dont la densit de probabilit f est dnie par :
8
< 0
si x 0
x
f (x) =
: k xk 1 exp
si x > 0
1. Dterminer la constante :
2. Dterminer lestimateur du maximum de vraisemlance ^ de dun r-chantillon
de variable parente X .
3. ^ est-il un rsum exhaustif ?
4. Calculer lesprance mathmatique et la variance de ^:
Que peut-on conclure ?
5. Calculer la quantit dinformation de F isher.
En dduire que ^ est e cace.
Solution 3
uk exp udu = k!
1. Ainsi :
+1
f (x) dx
+1
Z0 +1
xk
k
uk
(k
1)!
do
1
(k
56
1)!
exp
dx
exp udu
puisque :
De plus :
E [X]
=
=
A. El Mossadeq
+1
f (x) dx = 1
1
Z
Z
+1
xf (x) dx
1
+1
et :
E X
=
=
1
xk exp
k
(k 1)!
dx
+1
x2 f (x) dx
1
+1
1
xk+1 exp
k
(k 1)!
0
k (k + 1) 2
dx
do :
V [X]
E X2
E [X]2
L ( ; x1 ; :::; xr )
r
Y
f (xi )
i=1
[(k
1
1)!]r
57
k 1
rk
(x1 :::xr )
exp
r
P
i=1
xi
A. El Mossadeq
do :
ln L ( ; x1 ; :::; xr ) =
r ln (k
1)!
k 1
ln (x1 :::xr )
rk ln
r
P
xi
i=1
Il en rsulte que :
@
ln L ( ; x1 ; :::; xr ) =
@
rk
r
P
xi
i=1
2
do :
@
ln L ( ; x1 ; :::; xr ) = 0 =)
@
et comme :
1 X
=
xi
rk i=1
@2
ln L ( ; x1 ; :::; xr ) < 0
@ 2
donc lestimateur du maximum de vraisemblance dun r-chantillon de cette
structure est :
r
X
1
^=
Xi
rk i=1
3. Pour tout ,
L ( ; x1 ; :::; xr )
[(k
1
1)!]r
[(k
1
1)!]r
(x1 :::xr )k
rk
exp
rk
(x1 :::xr )k
exp
r
P
xi
i=1
rk ^ (x1 ; :::; xr )
L ( ; x1 ; :::; xr ) = g
58
A. El Mossadeq
o :
; ^ (x1 ; :::; xr ) =
rk ^ (x1 ; :::; xr )
exp
rk
et :
h (x1 ; :::; xr ) =
1
[(k
1)!]
(x1 :::xr )k
4. Puisque :
r
X
^= 1
Xi
rk i=1
alors :
h i
E ^
et :
h i
V ^
1
E [X]
k
=
=
V [X]
rk 2
2
rk
I [X; ]
@2
E
ln f ( ; X)
@ 2
@2
E
@ 2
=
=
k
2
ln (k
1)! + (k
2X
3
k
2
59
1) ln X
k ln
A. El Mossadeq
rk
I [X1 ; :::; Xr ; ] = rI [X; ] = 2
h i
Calculons le cacit e ^ de ^.
On a :
h i
1
h i =1
e ^ =
I [X1 ; :::; Xr ; ] V ^
donc, ^ est e cace.
Exercice 4
Soit X une variable alatoire dont la densit de probabilit f est dnie par :
8
= [0; ]
>
< 0 si x 2
f (x) =
>
: 1 si x 2 [0; ]
60
A. El Mossadeq
Solution 4
de plus :
8
0
>
>
>
>
>
< x
F (x) =
>
>
>
>
>
:
1
si
si
si
8
>
>
E [X] =
>
<
2
2. Puisque le domaine D :
>
>
>
: V [X] =
12
fx 2 R jf (x) > 0g
[0; ]
[0; ]r :
L ( ; x1 ; :::; xr ) =
La fonction :
r
Y
f (xi ) =
i=1
! L ( ; x1 ; :::; xr )
61
A. El Mossadeq
est
minimum.
Et comme :
8i 2 f1; :::; rg :
Il en rsulte que
xi
F^ (u)
=
=
=
=
h
i
^
P
<u
[F (u)]r
8
0
>
>
>
>
>
< u r
>
>
>
>
>
:
1
62
si
si
si
A. El Mossadeq
f^ (u)
d
F^ (u)
du
8
>
0
>
<
>
ur 1
>
: r r
si
u2
= ]0; [
si
u 2 ]0; [
r
r+1
2
(d) Esprance mathmatique de ^ :
Z
h 2i
E ^
=
u2 f^ (u) du
ZR
ur+1
=
r r du
0
r
r+2
(e) Variance de ^ :
h i
V ^
Lestimateur ^ de
=
=
h 2i
E ^
h i2
E ^
(r + 1) (r + 2)
63
A. El Mossadeq
5. Considrons lestimateur :
T =
Alors :
E [T ]
=
=
r + 1^
r
r + 1 h^i
E
r
et :
V [T ]
=
=
2
h i
r+1
V ^
r
1
2
r (r + 2)
Exercice 5
Soit X une variable alatoire dont la densit de probabilit f est dnie par :
8
si x <
< 0
f (x) =
:
exp (
x) si x
o
64
A. El Mossadeq
Solution 5
do :
F (x) =
de plus :
8
< 0
:
2. Puisque le domaine D :
exp (
x)
si
si
8
< E [X] = + 1
:
V [X] = 1
fx 2 R jf (x) > 0g
[ ; +1[
([ ; +1[)r :
L ( ; x1 ; :::; xr )
r
Y
f (xi )
i=1
exp
r
X
xi )
i=1
La fonction :
! L ( ; x1 ; :::; xr )
est strictement croissante, donc elle atteint son maximum lorsque
mum.
65
est maxi-
A. El Mossadeq
Et comme :
8i 2 f1; :::; rg :
Il en rsulte que
xi
F^ (v)
h
i
P ^<v
P [X1 v; :::; Xr
r
Y
P [Xk v]
k=1
r
Y
(1
v]
v]
k=1
=
=
1 [1
8
< 0
:
F (v)]r
exp r (
66
v)
si
si
A. El Mossadeq
f^ (v)
=
=
d
F^ (v)
dv
8
< 0
:
r exp r (
v)
si
v<
si
v>
v) dv
1
r
1
+
r
v) dv
1
r2
(e) Variance de ^ :
h i
h 2i
^
V
=E ^
Lestimateur ^ de
h i2
1
E ^ = 2
r
5. Considrons lestimateur :
T =^
67
1
r
A. El Mossadeq
Alors :
et :
h i
E [T ] = E ^
1
=
r
h i
1
V [T ] = V ^ = 2
r
T est donc un estimateur sans biais et convergent de .
Exercice 6
Les lments dune population possdent un caractre X qui suit une loi de
P oisson de paramtre inconnu :
Une suite de r expriences a fourni les valeurs k1 ; :::; kr :
1. Dterminer lestimateur du maximum de vraisemlance ^ de
proprits de cet estimateur.
2. ^ est-il un rsum exhaustif ?
3. On dsire estimer la quantit :
= P [X = 0]
Dterminer lestimateur du maximum de vraisemlance ^ de .
Que remarquez-vous ?
Solution 6
p (x) =
de plus :
x!
exp
8
< E [X] =
:
V [X] =
68
et tudier les
A. El Mossadeq
r
Y
> 0, et tout
p (ki )
i=1
r
P
ki
i=1
k1 !:::kr !
exp r
do :
ln L ( ; k1 ; :::; kr ) =
ln (k1 !:::kr !) +
r
X
ki ln
i=1
Il en rsulte que :
@
ln L ( ; k1 ; :::; kr ) =
@
r
P
ki
i=1
do :
r
@
1X
ln L ( ; k1 ; :::; kr ) = 0 =) p =
xi
@
r i=1
et comme :
@2
ln L ( ; k1 ; :::; kr ) < 0
@ 2
donc lestimateur du maximum de vraisemblance dun r-chantillon dune
structure de Poisson est :
r
1X
^=
Xi
r i=1
69
A. El Mossadeq
E [^ ] = E [X] =
et :
V [X]
=
r
r
On en dduit que ^ est un estimateur sans biais et convergent de .
V [^ ] =
2. Pour tout ,
L ( ; x1 ; :::; xr ) =
exp r
x1 !:::xr !
Daprs le thorme de factorisation, ^ est un rsum exhaustif puisque :
L ( ; x1 ; :::; xr ) = g ( ; ^ (x1 ; :::; xr )) h (x1 ; :::; xr )
o :
g ( ; ^ (x1 ; :::; xr )) =
r^ (k1 ;:::;kr )
exp r
et :
h (x1 ; :::; xr ) =
1
x1 !:::xr !
3. On a :
= P [X = 0] = exp
Pour tout ,
r
Y
p (ki )
i=1
70
r
P
( ln )i=1
k1 !:::kr !
ki
r
A. El Mossadeq
do :
ln L ( ; k1 ; :::; kr ) =
ln (k1 !:::kr !) +
r
X
ki ln ( ln ) + r ln
i=1
Il en rsulte que :
r
P
ki
@
r
i=1
ln L ( ; k1 ; :::; kr ) =
+
@
ln
do :
@
ln L ( ; k1 ; :::; kr ) = 0 =)
@
= exp
et comme :
1X
ki
r i=1
@2
ln L ( ; k1 ; :::; kr ) < 0
@ 2
donc lestimateur du maximum de vraisemblance dun r-chantillon de cette
structure est :
!
r
X
1
^ = exp
Xi
r i=1
=
exp
Exercice 7
Soit
P [X = k] =
k 1
; k2N
71
dun r-chantillon
A. El Mossadeq
Solution 7
1. On a :
E [X]
1
X
kP [X = k]
k=1
1
X
k
k 1
k=1
=
et :
E [X (X
1)]
1
X
k (k
1) P [X = k]
k=1
1
X
k (k
1)
k 1
k=1
do :
E X2
E [X (X
(2
1)] + E [X]
1)
et :
V [X]
=
=
E [X]2
E X2
(
1)
72
A. El Mossadeq
L ( ; x1 ; :::; xr )
r
Y
p (xi )
i=1
do :
ln L ( ; x1 ; :::; xr ) =
r ln
r
X
@
ln L ( ; x1 ; :::; xr )
@
xi r
i=1
xi
r ln 1
r
P
i=1
Il en rsulte que :
r
P
r
P
xi
i=1
xi
1)
1)
i=1
do :
@
ln L ( ; x1 ; :::; xr ) = 0 =)
@
et comme :
1X
=
xi
r i=1
@2
ln L (p; x1 ; :::; xr ) < 0
@ 2
donc lestimateur du maximum de vraisemblance dun r-chantillon dune
structure gomtrique est :
r
1X
Xi
^=
r i=1
73
A. El Mossadeq
3. Puisque :
r
alors :
1X
^=
Xi
r i=1
E [^ ]
E [X]
=
et :
V [X]
r
(
1)
=
r
On en dduit que ^ est un estimateur sans biais et convergent du paramtre
dune structure gomtrique.
V [^ ]
Exercice 8
Soit X une variable alatoire qui suit une loi de Pareto dont la densit de probabilit f est dnie par :
8 a
>
si x a
<
+1
x
f (x) =
>
:
0
si x < a
o X reprsente le revenu par habitant, a le revenu minimum et ,
coe cient dpendant du type du pays o lon se place.
> 2, un
74
A. El Mossadeq
Solution 8
E [X]
=
=
et :
E X
=
=
dx
xf (x) dx
ZR+1
a
dx
x
1
Z
x2 f (x) dx
ZR+1
a
+1
a
x
2. On a :
+1
a
x
dx
a2
do :
V [X]
=
=
E X2
(
2) (
75
E [X]2
2a
1)
A. El Mossadeq
L (a; x1 ; :::; xr ) =
La fonction :
r
Y
r r
f (xi ) =
i=1
a
(x1 :::xr )
+1
a ! L (a; x1 ; :::; xr )
est strictement croissante, donc elle atteint son maximum lorsque a est maximum.
Et comme :
8i 2 f1; :::; rg : a
Il en rsulte que
xi
a
^ = min (X1 ; :::; Xr )
76
A. El Mossadeq
5. Pour dterminer la densit de probabilit de ^, commenons dabord par calculer sa fonction de rpartition.
(a) Fonction de rpartition de a
^:
Pour tout x 2 R on a :
Fa^ (x)
P [^
a < x]
P [X1 v; :::; Xr
r
Y
P [Xk x]
k=1
r
Y
(1
x]
x]
k=1
=
Ainsi :
Fa^ (x) =
[1
8
< 0
: 1
F (x)]r
a
x
si
si
fa^ (x)
d
Fa^ (x)
dv
8
>
< 0
r
>
: r a
xr +1
77
si
x<a
si
x>a
A. El Mossadeq
V [^
a]
=
=
E [^
a]2
E a
^2
r
2) (r
(r
2a
1)
Lestimateur a
^ de a est biais, mais il est asymptotiquement sans biais.
(f) Considrons lestimateur :
T =
1
r
a
^
Alors :
E [T ] = a
et :
V [T ] =
V [^
a] =
a2
r
r (r
2)
T est donc un estimateur sans biais et convergent de a.
78
A. El Mossadeq
Exercice 9
Soit X une variable alatoire dont la densit de probabilit f est dnie par :
8
>
0
si x
>
<
f (x) =
>
1
(
x)
>
:
exp
si x >
o
connu et
inconnu.
dun r-
chantillon issu X .
(b) Etudier les proprits de ^ :
(c) Dans le cas o ^ est bias, proposer un estimateur sans biais de :
5. On suppose
connu et
inconnu.
dun r-
chantillon issu de X .
(b) Etudier les proprits de ^
(c) Dans le cas o ^ est bias, proposer un estimateur sans biais de :
6. On suppose que
et
^; ^
79
^; ^
de ( ; )
A. El Mossadeq
Solution 9
f (x) dx
+1
exp
x)
dx
+1
exp tdt
=
2. On a :
E [X]
=
=
=
xf (x) dx
ZR+1
Z
exp
x)
dx
+1
( t + ) exp tdt
=
et :
E X
x2 f (x) dx
ZR+1
+1
x2
exp
x)
( t + )2 exp tdt
+2
( + )2 +
+
2
do :
V [X]
=
=
dx
E X2
2
80
E [X]2
A. El Mossadeq
4. On suppose
connu et
inconnu.
> 0,
L ( ; x1 ; :::; xr )
r
Y
f (xi )
i=1
exp
r
X
(
xi )
i=1
do :
ln L ( ; x1 ; :::; xr ) =
r ln
xi )
i=1
Il en rsulte que :
@
ln L ( ; x1 ; :::; xr )
@
r
1X
81
r
1 X
"
i=1
r
1X
i=1
xi )
#
xi )
2 R et
A. El Mossadeq
do :
r
@
ln L ( ; x1 ; :::; xr ) = 0
@
1X
=
(xi
r i=1
=)
=)
"
et comme :
r
1X
xi
i=1
)
#
@2
ln L ( ; x1 ; :::; xr ) < 0
@ 2
donc lestimateur du maximum de vraisemblance dun r-chantillon de
cette structure est :
" r
#
1X
^=
Xi
r i=1
(b) On a :
E [^ ] = E
"
r
1X
et :
V [^ ]
Xi
i=1
"
1X
Xi
r i=1
V [X]
r
5. On suppose
connu et
r
inconnu.
> 0,
82
2 R et
L ( ; x1 ; :::; xr )
A. El Mossadeq
r
Y
f (xi )
i=1
exp
r
X
(
xi )
i=1
La fonction :
! L ( ; x1 ; :::; xr )
est strictement croissante, donc elle atteint son maximum lorsque
est
maximum.Et comme :
8i 2 f1; :::; rg :
Il en rsulte que
xi
F^ (v)
h
i
^
P
<v
P [X1
83
v; :::; Xr
v]
v]
A. El Mossadeq
F^ (v)
=
=
1
1
r
Y
P [Xk
k=1
r
Y
(1
v]
k=1
=
=
F (v)]r
1 [1
8
0
>
>
<
>
>
: 1
exp r
si
si
f^ (v)
d
F^ (v)
dv
8
0
>
>
<
r
>
>
:
exp r
si
v<
si
v>
=
=
+1
v exp r
dv
+1
84
t+
exp tdt
A. El Mossadeq
2
(iv) Esprance mathmatique de ^ :
Z
h 2i
=
v 2 f^ (v) dv
E ^
R
+1
v 2 exp r (
2
=
(v) Variance de ^ :
h i
V ^
h 2i
E ^
2
v) dv
r
h i2
E ^
T =^
Alors :
E [T ]
r
h i
E ^
=
=
et :
V [T ]
=
=
h i
V ^
r2
T est donc un estimateur sans biais et convergent de .
6. On suppose que
et
85
> 0,
2 R et
A. El Mossadeq
L ( ; ; x1 ; :::; xr )
r
Y
f (xi )
i=1
exp
r
X
(
xi )
i=1
( ; ) 7 ! L ( ; ; x1 ; :::; xr )
atteint son maximum pour :
8
>
>
>
<
>
>
>
:
1X
=
xi
r i=1
(b) On a :
et :
8
^ = min (X1 ; :::; Xr )
>
>
>
<
" r
#
X
1
>
>
^
>
Xi
: ^= r
i=1
h i
E ^ =
E [^ ] = E [X]
h i r
E ^ =
86
1
r
A. El Mossadeq
>
>
>
: S=^
et
8
< E [T ] =
:
E [S] =
et
respectivement.
Exercice 10
Solution 10
= 5%, on a :
t:975 = 1:96
[:504; :696]
A 95%, le candidat C serait lu.
87
A. El Mossadeq
Exercice 11
Solution 11
"
Pour
t1
=2
p (1 p)
; p + t1
n
=2
p (1 p)
n
= 5%, on a :
t:975 = 1:96
[0:24; 0:36]
Il en rsulte que sur les 200 malades, le nombre de dcs envisager serait
compris, 95%, entre 48 et 72 dcs.
Exercice 12
Solution 12
"
t1
=2
f (1 f )
; f + t1
n
88
=2
f (1 f )
n
Pour
A. El Mossadeq
= 5%, on a :
t:975 = 1:96
[0:08; 0:22]
Il en rsulte que sur les 10000 dossiers, le nombre de dossiers incomplets serait
compris, 95%, entre 800 et 2200 dossiers.
Exercice 13
Dans une maternit, on fait le point de la proportion de lles toutes les cent
naissances.
Comment peut varier cette proportion dune fois lautre si lon admet quil nait
en moyenne 51% de lles ?
Solution 13
Construisons lintervalle de pari, pour un chantillon de taille n = 100, correspondant la probabilit dobtenir une lle p = 0:51.
Au seuil , cet intervalle est dni par :
"
Pour
t1
=2
p (1 p)
; p + t1
n
=2
p (1 p)
n
= 5%, on a :
t:975 = 1:96
[:41; :61]
Il en rsulte, qu 95%, la proportion de lles varie dune fois lautre, entre
41% et 61%.
89
A. El Mossadeq
Exercice 14
Solution 14
11
Construisons lintervalle de conance correspondant la frquence f =
des
12
cancreux parmi les fumeurs observe sur un chantillon de taille n = 600.
Au seuil , cet intervalle est dni par :
"
Pour
t1
=2
f (1 f )
; f + t1
n
=2
f (1 f )
n
= 5%, on a :
t:975 = 1:96
[0:9; 0:94]
Il en rsulte que parmi, les fumeurs, la proportion des atteints par le cancer des
poumons est comprise, 95%, entre 90% et 94%.
Exercice 15
"
>
>
100
>
X
>
>
>
xi
:
i=1
100
1 P
xj
100 j=1
90
#2
= 396
A. El Mossadeq
Solution 15
1 X
xi
100 i=1
=
=
52
et :
100
1 X
(xi
99 i=1
=
=
m)2
m
Pour
t1
=2 p
; m + t1
=2 p
= 5%, on a :
t:975 = 1:96
[51:608; 52:392]
3. Au seuil , lintervalle de conace de la variance est dni par :
"
#
(n 1) 2 (n 1) 2
s; 2
s
2
n 1;1
=2
n 1; =2
91
A. El Mossadeq
Pour
= 5% :
8
<
:
2
99;:025
'
2
100;:025
= 74:2
2
99;:975
'
2
100;:975
= 129:6
[3:06; 5:34]
Exercice 16
La force de rupture dun certain type de cable peut tre assimile une variable
alatoire normale.
Des essais portant sur dix cables ont donn une variance empirique s2 de 1560 N2 .
Construire un intervalle de conance, 95%, de lcart-type de cette force de
rupture.
Solution 16
"s
Pour
(n
2
n 1;1
1)
s;
=2
(n
1)
s
2
n 1; =2
= 5% :
8
<
:
2
9;:025
= 2:7
2
9;:975
= 19
[27:18 N; 72:11 N]
92
A. El Mossadeq
Exercice 17
Une enqute statistique eectue sur cent sujets permet de dnir, 95%,
lintervalle de conance de la moyenne :
[49:6
50:4]
[49:8
50:2]
Solution 17
[49:8; 50:2]
sachant que pour un chantillon de taille n = 100, cet intervalle est :
[49:6; 50:4]
Puisque :
t1
=2 p
=2 p
; m + t1
= [49:6; 50:4]
on en dduit :
m=
et :
49:6 + 50:4
= 50
2
n (50:4
2t1
49:6)
=2
' 2:04
Lgalit :
50:2 = m + t1
=2 p 0
n
implique :
0
n =
t1
50:2
=2
93
= 400
A. El Mossadeq
Exercice 18
Solution 18
Ici on a :
n
m
s
=
=
=
9
1040 C
16 C
m
Pour
tn
1;1
s
; m + tn
n
=2 p
1;1
s
n
=2 p
= 5%, on a :
t8;:975 = 2:31
[1027:68 C; 1052:32 C]
Exercice 19
94
A. El Mossadeq
Solution 19
= 5%; on a :
t1
=2
= 1:96
do :
t1
(ii) Pour
s
n
=2 p
20 =) n
97
= 1%; on a :
t1
=2
= 2:57
do :
t1
s
n
=2 p
20 =) n
166
Exercice 20
Une machine fabrique des rondelles dont le diamtre D est une variable guassienne.
On prlve au hasard un chantillon de huit rondelles.
Leurs diamtres ont pour mesure en mm :
Solution 20
95
A. El Mossadeq
On a :
n
1X
xi
n i=1
=
=
20:6875 mm
et
=
=
1
n
n
X
m)2
(xi
i=1
1:827 mm2
m
(a) Pour
tn
1;1
s
; m + tn
n
=2 p
est :
1;1
= 5%, on a :
t7;:975 = 2:36
do lintervalle :
[19:163; 22:212]
(b) Pour
= 1%, on a :
t7;:995 = 3:5
do lintervalle :
[18:427; 22:948]
2. Lintervalle de conance de la variance 1
est :
#
"
2
2
(n 1) s (n 1) s
; 2
2
n 1;1
=2
96
n 1; =2
s
n
=2 p
(a) Pour
= 5%, on a :
8
<
:
do lintervalle :
A. El Mossadeq
2
7;:025
= 1:69
2
7;:975
= 16
[:79931; 7:5675]
(b) Pour
= 1%, on a :
8
<
:
do lintervalle :
2
7;:005
= :989
2
7;:995
= 20:3
[0:63; 12:931]
Exercice 21
Z=0
si
X 6= Y
T =
1
(Z1 + ::: + Zn )
n
97
A. El Mossadeq
1
(Z1 + ::: + Zn )
n
6. Voyez-vous une application de ce qui prcde dans le domaine des sondages
T =
dopinion ?
Solution 21
On a :
8
< P [X = 0] = 1
:
et :
P [X = 1] =
8
< P [Y = 0] = 1
:
P [Y = 1] = P
et P respective-
P [X 6= Y ]
P [X = 0] P [Y = 1] + P [X = 1] P [Y = 0]
(1
) P + (1
98
P)
A. El Mossadeq
et :
P [Z = 1]
P [X = Y ]
P [X = 0] P [Y = 0] + P [X = 1] P [Y = 1]
(1
) (1
P) + P
) (1
P) + P
E [Z]
V [Z]
=
=
(1
de plus :
1. Puisque (X1 ; Y1 ) ; :::; (Xn ; Yn ) sont indpentants et suivent la mme loi que
T =
1
(Z1 + ::: + Zn )
n
On a :
E [T ]
E [Z]
(1
) (1
P) + P
et :
V [T ]
=
=
1
V [Z]
n
1
[(1
) (1
n
P ) + P ] [(1
99
) P + (1
P )]
A. El Mossadeq
sauf lorsque :
1
2
ou :
P =1
(a) Si :
1
ou P = 1
2
alors il su t de prendre :
S=T
(b) Si :
6=
1
et P 6= 1
2
alors il su t de prendre :
S=
1
2P
[T
(1
P )]
4. On a :
V [S]
=
=
1
(2P
1)2
V [T ]
1
[(1
n (2P 1)2
) (1
P ) + P ] [(1
)P +
(1
P )]
d
V [S]
d
=
=
1
d
[(1
2
n (2P 1) d
) (1
1
n
100
P ) + P ] [(1
)P +
(1
P )]
A. El Mossadeq
f=
1
2P
[p0
(1
P )]
N (E [T ] ; V [T ]) :
T
N (E [T ] ; V [T ])
N (E [S] ; V [S])
o :
E [S] =
et :
V [S]
V [T ]
(2P 1)2
p0 (1
n (2P
101
p0 )
1)2
A. El Mossadeq
f
o
t1
=2
[S] ; f + t1
102
=2
[S]