[PDF] [PDF] TD no 7 : Information de Fisher et vraisemblance

In(λ) = na2λa−2 Exercice 2 Soient θ > −1, X une var de densité : f(x) =



Previous PDF Next PDF





[PDF] Année Universitaire 2006-2007 COURS DE STATISTIQUE

3 1 Un exemple introductif 3 2 Exhaustivité 3 3 Information de Fisher 4 L' estimation ponctuelle 4 1 Définition d'un estimateur 4 2 Propriétés d'un estimateur



[PDF] Exercices

estimateur efficace de λ, donnez sa variance et l'information de Fisher apportée par l'échantillon Solution : Comme dans l'ensemble des exercices de cette 



[PDF] Statistique Inférentielle Avancée

n ∑ i=1 xi est compl`ete dans les exemples du contrôle de qualité et des ampoules 3 5 Information de Fisher et efficacité On a dit qu'une statistique exhaustive 



[PDF] TD 3 : Information de Fisher, méthode du χ 1 Information de Fisher

17 nov 2009 · Calculer l'information de Fisher dans les mod`eles statistiques suivants en effet , l'effectif théorique pour la deuxi`eme classe par exemple est



[PDF] Cours 5 : ESTIMATION PONCTUELLE

A-2 Exemple d'estimateurs L'information de Fisher mesure l'information apportée par un échantillon sur le paramètre : une information de Fisher proche



[PDF] Maximum de Vraisemblance Information de Fisher - Site de

28 nov 2016 · Exercice: Trouver une stat exhaustive pour θ dans le modèle suivant: X1, ,Xn ∼ U([0,θ]) Page 7 Maximum de Vraisemblance Information de 



[PDF] Statistique mathématique - Laboratoire de Probabilités, Statistique

5 mai 2015 · Exemple : Soit (Xn) une suite de variables aléatoires de lois uniformes La quantité I(θ) est alors appelée information de Fisher du modèle



[PDF] TD no 7 : Information de Fisher et vraisemblance

In(λ) = na2λa−2 Exercice 2 Soient θ > −1, X une var de densité : f(x) =



[PDF] T D n 6 Information de Fisher et maximum de vraisemblance

Exercice 1 Information, efficacité et loi de Gauss Soit X une variable aléatoire suivant une loi normale N(µ, σ) Soit (X1, ,Xn) un échantillon aléatoire de taille n  

[PDF] information de fisher loi normale

[PDF] information et création numérique

[PDF] information génétique cours

[PDF] information génétique définition

[PDF] information genetique et division cellulaire

[PDF] information génétique wikipedia

[PDF] informatique 2eme année college

[PDF] informatique 3eme college

[PDF] informatique appliquée cours

[PDF] informatique de gestion pdf s4

[PDF] informatique fondamentale pdf

[PDF] informatique generale et internet

[PDF] informatique s1 smia pdf

[PDF] informe de auditoria de gestion ejemplo

[PDF] informe de auditoria de gestion ejemplos

Université de CaenM1TD n

o7 : Information de Fisher et vraisemblanceExercice 1.Soient >0,a2R,Xunevardont la loi est donnée par

P(X=k) =eaakk!; k2N;

n2Net(X1;:::;Xn)unn-échantillon deX. Ici, le paramètreaest connu etest inconnu.

Montrer que l"information de Fisher est

I n() =na2a2:

Exercice 2.Soient >1,Xunevarde densité :

f(x) =8 :1 +(x+)2six1;

0sinon,

n2Net(X1;:::;Xn)unn-échantillon deX. Ici,est un paramètre inconnu que l"on souhaite estimer à l"aide de(X1;:::;Xn).

Montrer que l"information de Fisher est

I n() =n3(1 +)2:

Exercice 3.La durée de vie en heures d"un certain type d"ampoule peut être modélisée par une

varXde densité : f(x) =(exsix0;

0sinon,

où >0est un paramètre inconnu. Soientn2Net(X1;:::;Xn)unn-échantillon deX. 1. Déterm inerl"estimateur du ma ximumde vraisem blance bnde. 2.

Calculer l"information de Fisher In().

3.

Étudier la con vergenceen loi de

pI n()(bn) n2N. On suppose quenest suffisam- ment grand pour approcher la loi depI n()(bn)à cette loi limite. En utilisant cette approximation, déterminer un intervalle de confiance pourau niveau98%.

4.Application.Un expérimentateur a évalué la durée de vie de1000ampoules de ce type. Les

résultats en heures, notés(x1;:::;x1000), donne11000 1000
P i=1x i= 95;6. Construire un intervalle de confiance pourau niveau98%correspondant à ces données.C. Chesneau1TD no7 Université de CaenM1Exercice 4.Soient2RetXunevarde densité : f(x) =8 :1p2x3=2e(x)222xsix >0;

0sinon.

1.

Mon trerque, p ourt outx >0, on a

ln(f(x)) =1 3(x): 2.

En déduire E(X)etV(X).

Exercice 5.Soient >0etXunevarde densité :

f(x) =8 :1 x(1+1 )six1;

0sinon,

n2Net(X1;:::;Xn)unn-échantillon deX. Ici,est un paramètre inconnu que l"on souhaite estimer à l"aide de(X1;:::;Xn). 1.

Mon trerque, p ourtout x1, on a

ln(f(x)) =1

2(ln(x)):

En déduireE(ln(X))etV(ln(X)).

2. Déterm inerl"estimateur du ma ximumde vraisem blance bnde. Est-il sans biais ? 3.

Calculer l"information de Fisher In().

4. Com parerIn()avecV(bn). En déduire quebnest un estimateur efficace de. Quel critère aurait-on pu utiliser pour montrer l"efficacité de bnsans calculerIn()etV(bn)?

Exercice 6.Soient >0,Xunevarde densité :

f(x) =12ejxj ; x2R; n2Net(X1;:::;Xn)unn-échantillon deX. Ici,est un paramètre inconnu que l"on souhaite estimer à l"aide de(X1;:::;Xn). 1. Déterm inerl"estimateur du ma ximumde vraisem blance bnde. 2.

Mon trerque

bnest efficace de. En déduireE(bn),V(bn)etIn(). 3.

Étudier la con vergenceen loi de

pI n()(bn) n2N.C. Chesneau2TD no7quotesdbs_dbs1.pdfusesText_1