[PDF] T D n 6 Information de Fisher et maximum de vraisemblance PDF TD_6

Soit X une variable aléatoire suivant une loi normale N(µ, σ) Soit (X1, ,Xn) un échantillon aléatoire de taille n de loi parente X 1 Calculer l'

désigne la tribu des Boréliens de IR, et o`u N(θ) désigne la loi normale de param `etre θ, revient `a 3 3 2 Autres expressions de l'information de Fisher

[PDF] Statistique Inférentielle Avancée

si elles proviennent d'une loi normale, tester si plusieurs échantillons proviennent de Il y a en fait un lien entre l'exhaustivité et l'information de Fisher , comme

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

Soit X une variable aléatoire suivant une loi normale N(µ, σ) Soit (X1, ,Xn) un échantillon aléatoire de taille n de loi parente X 1 Calculer l'

[PDF] MAITRISE de MATH´EMATIQUES STATISTIQUE - Login - CAS

tisfait √n(θ∗n(X) − θ0) loi −→ N(0, 1 I(θ0) ), o`u I(θ) est l'information de Fisher 1 5 Comparaison des estimateurs Efficacité Inégalité de Cramer-Rao

[PDF] Cours de Statistique de Base - Université de Nantes

1 Fonction de répartion F de la loi normale standard X ∼ N(0, 1) La table (2) La quantité I(θ) définie en (2 4), s'appelle information de Fisher En uti- lisant la

[PDF] Mesure dordre de linformation au sens de Fisher - Numdam

analogue à celle de CRAMER-RAO pour les valeurs entières de a 3) Cas de lois normales ou uniformes a) Soit X une variable aléatoire suivant une loi normale

[PDF] Cours 5 : ESTIMATION PONCTUELLE

vecteur de caractéristiques), dont la loi dépend d'un paramètre inconnu • On note échantillon sur le paramètre : une information de Fisher proche de zero Ex : Pour la distribution normale N( , s), la moyenne et la médiane empiriques

[PDF] Statistique mathématique - Laboratoire de Probabilités, Statistique

5 mai 2015 · 5 3 Information de Fisher Figure 1 1 – Densité et fonction de répartition de la loi normale centrée réduite 1 1 1 Modes de convergence

[PDF] Statistique inférentielle I - Estimation - UFR SEGMI

9 juil 2007 · La variable aléatoire X suit une loi normale d'espérance m et de variance o`u In(θ) l'information de Fisher de θ donnée par l'échantillon, est

[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

[PDF] informe de investigacion ejemplo pdf

Frédéric BertrandMagistère 2eannée - 2012/2013T. D. n o6

Information de Fisher et maximumde vraisemblance

Exercice 1. Information, efficacité et loi de Gauss. SoitXune variable aléatoire suivant une loi normaleN(;). Soit(X1;:::;Xn)un échantillon aléatoire de taillende loi parenteX.

1. Calculer l"information de FisherI()pour le paramètre.

2. Calculer l"information de FisherI(2)pour le paramètre2.

3. La statistiqueXest-elle efficace pour?

Exercice 2. Loi de Bernoulli et efficacité.

SoitXune variable aléatoire suivant une loi de BernoulliB(1;p)de paramètre

0< p <1. Nous disposons de(X1;:::;Xn), un échantillon aléatoire de taillende

loi parenteX.

1. Déterminer un estimateurTsans biais pourp. Calculer Var[T]et conclure.

2. Étudier l"efficacité de l"estimateurT.

Exercice 3. Loi de Poisson, information et efficacité. SoitXune variable aléatoire suivant une loi de Poisson de paramètre. Nous disposons de(X1;:::;Xn), un échantillon aléatoire de taillende loi parenteX.

1. Déterminer l"information de Fisher pourfournie par(X1;:::;Xn).

2. Proposer un estimateur efficace de.

Exercice 4. Loi gamma

(p;1)et efficacité. SoitXune variable aléatoire suivant une loi gamma (p;1). Nous disposons de (X1;:::;Xn), un échantillon aléatoire de taillende loi parenteX. Montrer qu"il n"existe qu"une seule fonction du paramètrepqui puisse être estimée efficacement puis calculer-la.

Exercice 5. Loi gamma

(p;r)et information de Fisher. SoitXune variable aléatoire suivant une loi gamma (p;r). Nous disposons de (X1;:::;Xn), un échantillon aléatoire de taillende loi parenteX. Déterminer l"information de Fisher pourrfournie par(X1;:::;Xn). 1 Frédéric BertrandMagistère 2eannée - 2012/2013Exercice 6. Efficacité et loi normale. SoitXune variable aléatoire suivant une loi normale (;). Nous disposons de (X1;:::;Xn), un échantillon aléatoire de taillende loi parenteX. Les statistiquesX=bnetS2n;csont-elles efficaces pourmet2?

Exercice 7. Loi uniforme et efficacité.

SoitXune variable aléatoire suivant une loi une loi uniformeU[0;]. Nous disposons de(X1;:::;Xn), un échantillon aléatoire de taillende loi parenteX.

SoitUetTles statistiques :

U(X1;:::;Xn) = 2X=2n

n X i=1X ietT(X1;:::;Xn) = sup

1>i>nXi:

1. Montrer queUetTsont deux estimateurs de.

2. Comparer les deux estimateurs.

Exercice 8. Loi de Poisson et efficacité.

SoitXune variable aléatoire suivant une loi de Poisson de paramètre. Nous disposons de(X1;:::;Xn), un échantillon aléatoire de taillende loi parenteX. Montrer que l"estimateurXest efficace pouren utilisant le fait que la loi de

Poisson appartient à la famille exponentielle.

Exercice 9. Maximum de vraisemblance et loi de Poisson. SoitXune variable aléatoire suivant une loi de Poisson de paramètre. Nous disposons de(X1;:::;Xn), un échantillon aléatoire de taillende loi parenteX. Déterminer l"estimateur du Maximum de vraisemblance bMVde. Exercice 10. Maximum de vraisemblance et loi de Bernoulli. SoitXune variable aléatoire suivant une loi de Bernoulli de paramètrep. Nous disposons de(X1;:::;Xn), un échantillon aléatoire de taillende loi parenteX. Déterminer l"estimateur du Maximum de vraisemblancebpMVdep. Exercice 11. Maximum de vraisemblance et loi normale. SoitXune variable aléatoire suivant une loi normaleN(;). Nous disposons de (X1;:::;Xn), un échantillon aléatoire de taillende loi parenteX.

1. Supposonsconnu etinconnue. Déterminer l"estimateur du Maximum de

vraisemblancebMVde. 2

Frédéric BertrandMagistère 2eannée - 2012/20132. Supposonsinconnu etconnue. Déterminer l"estimateur du Maximum de

vraisemblanceb2MVde2.

3. Supposonsinconnu etconnue. Déterminer l"estimateur du Maximum de

vraisemblancebMVde. Comparer avec le résultat de la question 3..

4. Supposonsetinconnus. Déterminer les estimateurs du Maximum de vrai-

semblancebMVdeetbMVde.

Exercice 12. Efficacité.

SoitXune variable aléatoire de densitéf(x;) =Ax 1+1 pourx>1etf(x;) = 0 sinon, avec >0. Nous disposons de(X1;:::;Xn)un échantillon aléatoire de taillende loi parente X.

1.DéterminerA.

2.Déterminer l"estimateur du Maximum de vraisemblancebMVde.

3.Calculer, après avoir justifié pourquoi ce calcul est possible, la borne de Fré-

chet. L"estimateurbMVdeest-il efficace?

Exercice 13. Contrôle de qualité.

Une chaîne de production dans une usine fabrique des pièces métalliques dont une proportioninconnue est constituée de pièces défectueuses. Pour estimer cette proportion il y a deux possibilités.

1. Un échantillon de pièces est tiré dans la production, de façon indépendante,

puis en observant le nombre de pièces défectueuses dans l"échantillon, on éla- bore une estimation de la proportion de pièces défectueuses dans la production totale.

2. On tire un échantillon de pièces dans la production, de façon indépendante,

jusqu"à obtenirrpièces défectueuses dans l"échantillon. À l"aide de la taille de l"échantillon nécessaire pour obtenirrpièces défec- tueuses, on élabore une autre estimation de la proportion de pièces défec- tueuses dans la production totale.

1. Déterminer, pour les deux schémas de tirage, la vraisemblance de l"échantillon,

ainsi que les estimateurs du maximum de vraisemblance pour le paramètre.

2. Que dire des deux estimateurs obtenus?

Exercice 14. Estimation de paramètres délicats. Nous souhaitons connaître la proportionp1de français fraudant le fisc. Une méthode naturelle serait d"effectuer un tirage sans remise dans l"ensemble des français soumis à l"impôt et de poser à chaque individu de l"échantillon la question " Fraudez-vous le fisc? ». 3

Frédéric BertrandMagistère 2eannée - 2012/2013Bien entendu il est fort probable que les individus interrogés ne répondent pas fran-

chement à cette question. C"est pourquoi le protocole alternatif suivant est suggéré. La personne interrogée par un enquêteur tire au hasard une boule dans une urne contenant une boule blanche et une boule noire. Sans révéler la couleur de la boule tirée la personne donne une réponse de la façon suivante : Si la boule est noire, la personne interrogée réponde à la question " Fraudez-vous le fisc? ». Si la boule est blanche, la personne interrogée réponde à la question " Aimez-vous

Johnny Halliday? ».

Le secret de son comportement vis-à-vis du fisc est donc conservé puisque l"enquêteur est dans l"incapacité de savoir à laquelle des deux questions la personne interrogée a répondu.

1.Soitp2la proportion de la population soumise à l"impôt appréciant Johnny

Halliday etYila variable valant 1 si la réponse de la personne est " Oui » et

0 sinon.

a.Déterminez la loi deYipuis calculer son espérance et sa variance. b.En déduire un estimateur efficacebpdep1+p2. Calculer alors la variance de cet estimateur.

2.Nous effectuons, de façon indépendante, une enquête exhaustive (tirage sans

remise), pour estimerp2.

Déterminer un estimateurbp2pour estimerp2.

3.En déduire alors un estimateur sans biaisbp1dep1. Déterminer la variance de

cette estimateur.

4.Existe-t-il une valeur dep2qui minimise la variance de l"estimateur trouvé.

Exercice 15. Expérience tronquée en fiabilité. La durée de vie moyenne d"un phénomène physique est une variable aléatoireXde densité : f(x) =1 exp x ;pourx>et 0 sinon: Pour tester la durée de vie de ce système physique, il est décidé tout d"abord d"ob- server, de manière indépendante, les durées de vieX1;:::;Xndensystèmes phy- siques. Néanmoins, pour des raisons d"économies, les observations s"arrêtent lorsque lerème tombe en panne. Nous observons donc en faitY1;:::;Yr.

1.Déterminer la fonction de répartitionF(x)de la variableX. Calculer l"espé-

rance deX.

2.Montrer que la loi de(Y1;:::;Yr)a pour densité :

f(y1;:::;yr) =n!(nr)!1 rexp 1 rX i=1(yi) + (nr)(yr)#! pour < y1< ::: < yr. 4

Frédéric BertrandMagistère 2eannée - 2012/20133.Nous posons Z la statistique définie par :

Z=rX i=1(YiY1) + (nr)(YrY1): Montrer que(Y1;Z)est une statistique exhaustive. Quelle interprétation pouvez- vous donner à cette statistique?

Exercice 16. Information de Fisher.

Soitun paramètre réel etXune variable aléatoire suivant une loi de densité de probabilité définie pourx2R: f(x;) = exp[(x)exp(x)]: Dans la suite de cet exercice,X1, ...,Xndésigne un échantillon de loi parente la loi deX.

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