Scribd Logo
Importer

Bienvenue sur Scribd !

  • 74 vues

    Exam Stat Mai 2018

    Transféré par

    Yasmine Maamri

    Droits d'auteur :

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

    Exam Stat Mai 2018

    Transféré par

    Yasmine Maamri
    74 vues1 page

    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 ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    74 vues1 page

    Exam Stat Mai 2018

    Transféré par

    Yasmine Maamri

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    Vous êtes sur la page 1sur 1

    ENIT Mai 2018

    Durée 2H
    Examen Statistiques
    Session principale
    Nombre de Pages : 1+tables
    Exercice 1. On dit qu'une variable aléatoire X suit la loi de poisson de paramètre α si X est
    entière (X(Ω) = N) et ∀n ∈ N,
    αn −α
    P(X = n) = e .
    n!
    1. Soit (X1 , · · · , Xn ) un échantillon de même loi que X . Montrer que l'estimateur de
    maximum de vraisemblance de α est α̂ = X n = n k=1 Xk .
    1 Pn

    2. Vérier que α̂ est sans biais et convergent.


    3. Donner un intervalle de conance pour α à 95%.

    Exercice 2. Soit X une variable aléatoire dont la densité de probabilité f est dénie pour
    x > 0 par :
    λ k−1 x
    f (x) = k
    x exp(− ),
    θ θ
    (et vaut 0 si x ≤ 0), où θ est un paramètre réel strictement positif, λ > 0 et k ∈ N∗ des
    constantes.
    On rappelle que, pour tout entier k,
    Z ∞
    xk exp(−x)dx = k!
    0
    1. Montrer que λ = (k−1)! .
    1

    2. Soit (X1 , · · · , Xn ) un échantillon de même loi que X , et soit X n = n1 nk=1 Xk sa


    P

    moyenne empirique. Montrer que l'estimateur du maximum de vraisemblance θ̂ de θ


    est θ̂ = Xkn .
    3. Montrer qu l'espérance et la variance de θ̂ sont données par
    E(θ̂) = θ et V(θ̂) = nk θ2
    .
    4. Est-ce que l'estimateur θ̂ est sans biais ? Est-il convergent ?
    5. Calculer la quantité d'information de Fisher.
    6. En déduire que θ̂ est ecace (c-à-d. optimal).

    Exercice 3. On veut étudier la proportion p de gens qui vont au cinéma chaque mois. On
    prend donc un échantillon de taille n = 100. Soit N le nombre de personnes dans l'échantillon
    qui vont au cinéma mensuellement, donc N = i=1 Xi , avec Xi = 1 si la ième personne va au
    P100
    cinéma (et 0 sinon).
    Soit X n = Nn .
    1. Donner une approximation gaussienne de la loi de X n (en la justiant).
    2. Construire un intervalle de conance pour p, de niveau de conance 1 − α (pour α ∈
    [0, 1]).
    3. Le calculer pour α = 98%.

    Vous aimerez peut-être aussi