Aller au contenu principal
📊 L2 • Statistiques et probabilités

QCM Statistiques et probabilités L2 - Estimation et échantillonnage : 20 questions corrigées

QCM de 20 questions avec corrections détaillées sur Estimation et échantillonnage (Statistiques et probabilités). Révisez efficacement avec des explications pédagogiques pour le niveau L2. Entraînez-vous avec des explications pédagogiques détaillées.

Voir la matière
✍️ Méthode de rédaction et limites • 🎓 +2 réalisations
📝 20 questions 📊 Niveau Intermediaire ⏱️ ~30 min ✨ Jusqu'à 40 XP

🎯 Prêt à commencer ?

En révision, le corrigé s'affiche après chaque réponse. En challenge et en examen, il n'arrive qu'à la fin.

← Retour aux QCM de Statistiques et probabilités

Estimation et Échantillonnage Statistique

L'estimation statistique consiste à inférer la valeur de paramètres inconnus de la population à partir de données d'échantillon. On distingue l'estimation ponctuelle (une seule valeur) et l'estimation par intervalle (une fourchette). Un bon estimateur doit être sans biais, convergent (consistent) et efficace (variance minimale). Les méthodes d'estimation incluent les moindres carrés, le maximum de vraisemblance et les méthodes bayésiennes.

🎯 Objectifs pédagogiques

À la fin de ce chapitre, vous devez être capable de :

  • Comprendre les principes de l'estimation
  • Distinguer estimation ponctuelle et par intervalle
  • Évaluer les propriétés des estimateurs
  • Maîtriser le maximum de vraisemblance
  • Construire des intervalles de confiance

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Estimateur
Fonction des observations servant à estimer un paramètre
Biais
Différence systématique entre estimateur et paramètre
Convergence
Tendance vers le vrai paramètre quand n → ∞
Efficience
Variance minimale parmi les estimateurs sans biais
Maximum de vraisemblance
Méthode maximisant la probabilité des données observées

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Principes de l'échantillonnage
  2. Estimation ponctuelle
  3. Propriétés des estimateurs
  4. Méthode du maximum de vraisemblance
  5. Estimation par intervalle
  6. Échantillonnage stratifié et en grappes

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Ronald Fisher — Méthode du maximum de vraisemblance
Jerzy Neyman — Intervalles de confiance

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Confondre estimateur et estimation
  • Ignorer le biais au profit de la variance
  • Mal interpréter l'intervalle de confiance

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Études de marché
  • Contrôle qualité industriel

Niveau de ce chapitre : 🟡 Niveau intermédiaire

À propos de ce QCM de Statistiques et probabilités

QCM Statistiques et probabilités L2 - Estimation et échantillonnage — 20 questions. Statistiques et probabilités · Licence 2 · Économie.

Quelques raisonnements travaillés dans ce QCM

Cherchez une réponse, puis ouvrez la correction pour comparer votre raisonnement.

T est BLUE pour un coefficient : sa variance est minimale parmi les estimateurs linéaires sans biais. Un estimateur U non linéaire, sans biais, a une variance plus faible. Quelle interprétation résout cette apparente contradiction ?
  1. Le statut BLUE de T est invalidé par la variance plus faible de cet estimateur U.
  2. Le statut BLUE de T implique que U présente un biais, malgré la donnée du cas.
  3. Le statut BLUE de T est compatible avec U, qui sort de la classe linéaire comparée.
  4. Le statut BLUE de T implique que U est linéaire, malgré la donnée du cas.

Réponse : Le statut BLUE de T est compatible avec U, qui sort de la classe linéaire comparée.

BLUE garantit une variance minimale dans la classe des estimateurs linéaires sans biais du coefficient. U n’appartient pas à cette classe puisqu’il est non linéaire : sa variance plus faible ne contredit donc pas le statut de T. A étend la comparaison à une classe plus large que celle garantie. B nie sans justification l’absence de biais donnée pour U. D transforme une propriété de variance de T en propriété de linéarité de U. Le mot « meilleur » est relatif à une classe explicitement définie.

Dans un modèle normal i.i.d. de moyenne μ inconnue, variance connue 16 et n=4, l’information sur μ vaut I=4/16. Deux estimateurs sans biais T et U ont des variances 4 et 6. Quelle lecture utilise la borne et l’efficience relative de U, définie par borne/Var(U) ?
  1. T atteint la borne 4 ; l’efficience relative de U vaut 3/2, supérieure à celle de T.
  2. U atteint la borne 6 ; l’efficience relative de U vaut 1, égale à celle de T.
  3. T atteint la borne 4 ; l’efficience relative de U vaut 2/3, inférieure à celle de T.
  4. T atteint la borne 1/4 ; l’efficience relative de U vaut 1/24, inférieure à celle de T.

Réponse : T atteint la borne 4 ; l’efficience relative de U vaut 2/3, inférieure à celle de T.

Dans ce modèle normal régulier à variance connue, la borne de Cramér-Rao est 1/I=16/4=4. T l’atteint ; U a une variance plus élevée et son efficience relative, selon la convention annoncée, vaut 4/6=2/3. A inverse ce rapport et attribue une meilleure efficience à la plus grande variance. B prend la variance de U pour une borne du modèle. D confond l’information I=1/4 avec son inverse. La comparaison concerne ici des estimateurs sans biais du même paramètre.

Sous H0 : μ=10 €, des observations i.i.d. normales ont un écart-type connu de 6 €. Un échantillon de n=36 donne une moyenne de 12 €. Pour Z=(moyenne−10)/(6/√36), quelle valeur observée et quelle loi sous H0 faut-il distinguer ?
  1. Z observé vaut 2 ; sous H0, la statistique suit exactement la loi N(0,1).
  2. Z observé vaut 1 ; sous H0, la statistique suit exactement la loi N(0,1).
  3. Z observé vaut 2 ; sous H0, la statistique suit une loi de Student à 35 ddl.
  4. Z observé vaut 12 ; sous H0, la statistique suit exactement la loi N(10,36).

Réponse : Z observé vaut 2 ; sous H0, la statistique suit exactement la loi N(0,1).

L’erreur-type de la moyenne est 6/√36=1 €. Sa différence au centre nul vaut 12−10=2 €, donc Z observé vaut 2. Sous H0, la moyenne normale est centrée en 10 et ce quotient suit N(0,1), sans approximation puisque σ est connu. B réduit à tort de moitié le quotient. C utilise Student alors que la dispersion n’est pas estimée. D confond la statistique standardisée avec une observation brute. La valeur calculée sur les données et la loi de référence sont deux objets distincts.

Pour estimer θ, une suite Tn vérifie E(Tn)=θ+1/n et Var(Tn)=4/n, pour chaque entier n≥1. Ces moments sont des données de l’exercice. Quelle conclusion combine le biais à taille finie et la convergence en probabilité ?
  1. Tn est sans biais à taille finie et converge vers θ lorsque n augmente.
  2. Tn est biaisé à taille finie et ne converge pas vers θ lorsque n augmente.
  3. Tn est sans biais à taille finie et ne converge pas vers θ lorsque n augmente.
  4. Tn est biaisé à taille finie et converge vers θ lorsque n augmente.

Réponse : Tn est biaisé à taille finie et converge vers θ lorsque n augmente.

Le biais vaut E(Tn)−θ=1/n : il est positif à taille finie mais tend vers zéro. L’erreur quadratique moyenne vaut 4/n+1/n² et tend aussi vers zéro ; l’inégalité de Markov appliquée à (Tn−θ)² donne la convergence en probabilité. A et C attribuent à tort un biais égal à zéro pour chaque n. B ignore que variance et biais disparaissent ensemble. Une estimation isolée peut s’écarter de θ sans contredire cette propriété de la suite lorsque la taille augmente.