Exercices : Estimations

Exercice 1:
Soit X de loi U([0; a]) et (X1 , , Xn ) un n-echantillon de X. On cherche a` estimer a. On note Xn la
moyenne empirique de X.
1. Soit Tn = 2Xn . Montrer que Tn est un estimateur sans biais de a et calculer son risque quadratique.
2. Soit Tn = max(X1 , , Xn ).
Donner la fonction de repartition de X, puis determiner celle de Tn .
En deduire une densite de Tn puis son biais et son risque quadratique.
n+1
3. Soit Tn =
Tn . Determiner son biais et son risque quadratique.
n
4. Pour de grandes valeurs de n, quelle est le meilleur estimateur de a ?

Exercice 2:
Soit X ayant une esperance m et une variance v, et soit (X1 , , Xn ) un n-echantillon de X. On appelle
n
1X 2
2
Xi Xn , o`
variance empirique de X la variable Wn =
u Xn est la moyenne empirique de X.
n i=1
1. Soit Y ayant une esperance et une variance. Exprimer E(Y 2 ) en fonction de V (Y ) et E(Y ).
2

2. Calculer E(Xn ) et V (Xn ) et en deduire E(Xn ).

3. Calculer alors E(Wn ) et en deduire un estimateur sans biais de v.

Exercice 3:
Un sericiculteur a pese 100 cocons provenant de son elevage de vers a` soie. Il a obtenu les resultats
suivants :
Poids en g
Effectif

0,64
3

0,65
5

0,66
2

0,67
6

0,68
6

0,69
10

0,70
12

0,71
10

Poids en g
Effectif

0,72
9

0,73
8

0,74
8

0,75
6

0,76
5

0,77
4

0,78
3

0,79
3

On appelle m la moyenne des poids de tous les cocons de lelevage et on suppose que le poids X dun
cocon suit une loi normale de variance 0, 0016g 2.
1. Preciser les param`etres de cette loi normale.
2. On choisit au hasard un echantillon de 100 cocons. On appelle Xi le poids du i-`eme cocon de cet
echantillon. On suppose que X1 , , X100 sont mutuellement independantes, de meme loi que X. On
100
1 X
Xi et on admet que T suit une loi normale.
pose T =
100 i=1

Preciser les param`etres de cette loi normale et determiner la variable centree reduite T associee a`
T.

3. Determiner un reel t tel que P (t 6 T 6 t) > 0, 95.

4. Montrer que P (T 0, 00784 6 m 6 T + 0, 00784) > 0, 95.
5. En deduire un intervalle de confiance pour m au niveau de confiance 0, 95 et donner une estimation
de cet intervalle.

Probabilites : Chapitre 6 Exercices

Page 1

Estimations

Exercice 4:
Lors dun sondage sur 100 personnes interrogees, 60 pensent voter pour A.
On modelise le choix par un echantillon (X1 , , X100 ) de variables independantes de meme loi de
Bernoulli de param`etre p.
On cherche `a determiner un intervalle de confiance pour p au niveau de confiance 99 %.
100
1 X
Xi .
1. Determiner lesperance et la variance de la moyenne empirique F =
100 i=1
2. On note F la variable centree reduite associee `a F .
Par quelle loi peut-on approcher celle de F ? On suppose desormais que F suit la loi N (0, 1).

3. Determiner t tel que P (t 6 F 6 t) > 0, 99 et en deduire que

P

F t

p(1 p)
6p6F +t
10

p(1 p)
10

> 0, 99

1
4. Montrer que pour tout p [0; 1], p(1 p) 6 et en deduire un intervalle de confiance pour p au
4
niveau de confiance 0, 99 puis en donner une estimation.

Probabilites : Chapitre 6 Exercices

Page 2

Estimations

Correction
Exercice 1:
1. Tn sexprime en fonction des Xi donc cest un estimateur de a. On cherche le biais de Tn donc il nous
faut calculer son esperance.
n

1X
2 Xa
E(Xi ) =
E(Tn ) = E(2Xn ) = 2
=a
n i=1
n i=1 2
On a donc b(Tn ) = E(Tn ) a = 0 et ainsi Tn est un estimateur sans biais de a.
Comme Tn est un estimateur sans biais de a, son risque quadratique est egal a` sa variance. Or comme
les Xi sont independantes on a :
!
n
n
n
4X
4 X a2
a2
2X
Xi = 2
V (Tn ) = V
V (Xi ) = 2
=
n i=1
n i=1
n i=1 12
3n

0x

si x < 0

si 0 6 x 6 a .
a

1 si x > a
Notons Gn la fonction de repartition de Tn . Par definition Gn (x) = P (Tn 6 x). Or [Tn 6 x] =
[X1 6 x] [Xn 6 x]. Donc comme les Xi sont independantes :

2. Dapr`es le cours la fonction de repartition de X est definie par F (x) =

Gn (x) = P (X1 6 x) P (Xn 6 x) = (F (x))n

0  si x < 0


x n
si 0 6 x 6 a .
On a donc Gn (x) =
a

1
si x > a

Une densite de Tn sobtient en derivant Gn l`a o`

u elle est derivable et en completant les points
manquants :

si t < 0 ou t > a
0
 
gn (t) = n t n1

si 0 6 t 6 a

a a
Pour calculer le biais de Tn il nous faut calculer son esperance. Comme la densite de Tn est nulle
en dehors de [0; a] et que t tgn (t) est continue sur [0; a], Tn admet une esperance et :
E(Tn )

n
t
a

 n1
a

Z
t
na
n an
n tn+1
=
dt = n
t dt = n
a
a 0
a n+1 0 n+1

a
na
a=
n+1
n+1
Pour les memes raison que pour lesperance, Tn admet une variance et :
Donc b(Tn ) =

(Tn )

 n1
Z
n t
n2 a2
n a n+1
2
=
t
t
dt
dt E(Tn ) = n
a a
a 0
(n + 1)2
0
 n+2 a
n2 a2
na2
n2 a2
n t

= n
a n + 2 0 (n + 1)2
n + 2 (n + 1)2
n
=
a2
(n + 2)(n + 1)2
Z

Probabilites : Chapitre 6 Exercices

Page 3

Estimations

On a donc :

a2
n
2
a
+
(n + 2)(n + 1)2
(n + 1)2
(2n + 2)a2
2a2
=
=
(n + 2)(n + 1)2
(n + 2)(n + 1)

r(Tn ) = V (Tn ) + b(Tn )2 =

na
donc E(Tn ) = a et ainsi Tn est un estimateur sans biais de a.
n+1
n
a2
a2
2

De plus comme V (Tn ) =

a
on
a
V
(T
)
=
et
donc
r(T
)
=
.
n
n
(n + 2)(n + 1)2
n(n + 2)
n(n + 2)
4. Tn et Tn sont meilleurs que Tn car ils sont des estimateurs sans biais. De plus lorsque n tend vers
+ on a :
1
1
a2

et
r(Tn ) a2 2
r(Tn )
n+
n+ 3
n
n
3. On a vu que E(Tn ) =

Donc le meilleur estimateur est Tn .

Exercice 2:
1. On sait que V (Y ) = E(Y 2 ) E(Y )2 donc on a E(Y 2 ) = V (Y ) + E(Y )2 .
2. On a :

E(Xn ) = E

1X
Xi
n i=1

1X
1X
=
E(Xi ) =
m=m
n i=1
n i=1

et comme les variables Xi sont independantes :

!
n
n
n
1X
1X
1X
v
V (Xn ) = V
Xi = 2
V (Xi ) = 2
v=
n i=1
n i=1
n i=1
n
2

Grace a` la question precedente on a donc E(Xn ) =

3. On a donc :

v
+ m2 .
n

!
n
n
1X 2
1X
2
2
E(Wn ) = E
Xi Xn
E(Xi2 ) E(Xn )
=
n i=1
n i=1
n
v

1X
2
2
=
(v + m )
+m
n i=1
n
= v + m2

v
n1
m2 =
v
n
n

n
Wn alors on a bien que Wn est un estimateur de v et de plus E(Wn ) =
Si on pose Wn =
n1
n1
E(Wn ) = v donc cest bien un estimateur sans biais.
n

Exercice 3:
1. Les param`etres dune loi normale sont son esperance et sa variance. X N (m; 0, 0016)


0, 0016
0, 0016
.
donc T N m;
2. E(T ) = m et V (T ) =
100
100
On a par definition :
T m
T m
T E(T )
=p
=
T = p
0, 004
V (T )
0, 0016/100
Probabilites : Chapitre 6 Exercices

Page 4

Estimations

3. On sait donc que T N (0, 1). Donc P (t 6 T 6 t) = (t) (t) = 2(t) 1.

On a donc
P (t 6 T 6 t) > 0, 95 2(t) 1 > 0, 95 (t) > 0, 975 t > 1, 96
On peut donc choisir t = 1, 96.
4. Dapr`es la question precedente :
T m
6 1, 96
P (1, 96 6 T 6 1, 96) > 0, 95 P 1, 96 6
0, 004
P (0, 004 1, 96 6 T m 6 0, 004 1, 96) > 0, 95
P (T 0, 00784 6 m 6 T + 0, 00784) > 0, 95


> 0, 95

5. Dapr`es la question precedente [T 0, 00784; T + 0, 00784] est un intervalle de confiance pour m au

niveau de confiance 0, 95.
Le tableau de valeurs nous permet de calculer une realisation de T : 0, 7132
Un intervalle de confiance realise est donc [0, 70536; 0, 72104].

Exercice 4:
100

1 X
1. E(F ) =
E(Xi ) = p et, comme les Xi sont independantes,
100 i=1
100
1 X
p(1 p)
V (F ) =
V (Xi ) =
.
10000 i=1
100

2. Dapr`es le theor`eme de la limite centree, comme 100 > 30, que les Xi sont independantes, suivent
toutes la meme loi et ont une variance non nulle, F suit approximativement la loi normale centree
reduite.
3. On a P (t 6 F 6 t) = (t) (t) = 2(t) 1 donc
P (t 6 F 6 t) > 0, 99 2(t) 1 > 0, 99 (t) > 0, 995 t > 2, 58
On choisit t = 2, 58.
De plus comme F = p

F p
, on a
p(1 p)/10
p

p(1 p)
P (t 6 F 6 t) = P F t
6p6F +t
10
!
p
p
p(1 p)
p(1 p)
> 0, 99
6p6F +t
On a donc bien P F t
10
10

p(1 p)
10

4. Il suffit ici detudier la fonction f : x x(1 x) sur [0; 1] et de remarquer quelle atteint son
1
1
maximum en x = et que ce maximum vaut .
2
# 
"
p 4
p

p(1 p)
p(1 p)
1
1
F t 6p6 F +t
donc :
6p6F +t
On a donc F t
10
10
20
20
!
p
p


p(1 p)
p(1 p)
1
1
P F t 6p6 F +t
>P F t
> 0, 99
6p6F +t
20
20
10
10
Donc [F 0, 129 6 p 6 F + 0, 129] est un intervalle de confiance de p au niveau de confiance 0,99.
De plus un realisation de F est dapr`es lenonce : 0, 6 donc une estimation de cet intervalle est
[0, 471; 0, 729].

Probabilites : Chapitre 6 Exercices

Page 5

Estimations