Vous êtes sur la page 1sur 6

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercic

Enonc e de lexercice 1

Cursus Int egr e 2004-2005

Q1 On note la fonction de r epartition de la loi N (0, 1). Exprimer la loi de Yi en fonction de . Q2 Les param` etres m et 2 sont-ils identiables ?

Corrig e de lexercice 1

ensae.net
Yi = 1 0 si lemprunteur i rembourse son cr edit si lemprunteur i est d efaillant P (Yi 0) = P m Yi m m = 1 m = puisque la distribution de la loi normale est sym etrique. Ainsi Yi B 1, m B 1, m = B 1, 2m 2 En revanche, le rapport
m

On dispose dobservations Yi relatives au comportement de remboursement ou de no remboursement demprunteurs :

An de mod eliser ce ph enom` ene, on suppose lexistence dune variable al eatoire Yi norma e de remboursement de lindividu desp erance m et de variance 2 , quon appellera capacit telle que : 1 si Yi 0 Yi = 0 si Yi < 0

Rappels de statistique math ematique Enonc e et corrig e des travaux dirig es n1

Q1 Par d enition Yi N (m, 2 ), Y m N (0, 1) donc i et par suite

Guillaume Laco te
vBureau

E03

B Guillaume.Lacote@ensae.fr
http://ensae.no-ip.com/SE222/

Q2 Le couple (m, 2 ) nest clairement pas identiable, car

Version du 20050421-15h38, r evis ee le 21 avril 2005

lest (en vertu du th eor` eme de factorisation).


Version du 20050421-15h38, r evis ee le 21 avril 2005

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercice 2

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercic

Enonc e de lexercice 2

Q1 Montrer que

Q2 Calculer la probabilit e pour que le syst` eme ne tombe pas en panne avant la date t. En d eduire la loi de la dur ee de vie Z du syst` eme. Calculer la probabilit e pour que la panne du syst` eme soit due ` a une d efaillance de la machine 1. ees de vie Z1 , ...Zn . Q3 On dispose de n syst` emes S1 , ..., Sn identiques dont on observe les dur (a) Ecrire le mod` ele statistique correspondant et la vraisemblance des observations. A-t-on susamment dinformation pour estimer 1 et 2 ?

(b) Si on observe ` a la fois les dur ees de vie des syst` emes et la cause de la d efaillance (machine 1 ou 2), ecrire le mod` ele statistique correspondant et la vraisemblance des observations. A-t-on alors susamment dinformation pour estimer 1 et 2 ? Q4 Dans cette question, on consid` ere un seul syst` eme S utilisant une machine de type 1 et une machine de type 2, mais on suppose que lon dispose dun stock de n1 machines de type 1, de n1 n2 1 1 dur ees de vie X1 , ..., X1 , et dun stock de n2 machines de type 2, de dur ees de vie X2 , ..., X2 . Quand une machine tombe en panne, on la remplace par une machine du m eme type, tant que le stock de machines de ce type nest pas epuis e. Quand cela arrive, on dit que le syst` eme S lui-m eme est en panne. On note toujours Z la dur ee de vie du syst` eme. a la premi` ere question (pas de stock). Le cas n1 = n2 = 0 correspond donc ` (a) Donner la loi de la somme de n variables ind ependantes qui suivent une loi exponentielle de m eme param` etre .
i et en d eduire P (Z t) en fonction de certaines lois gamma, (b) Ecrire Z en fonction des Xj dont on pr ecisera les param` etres.

Q2 On a successivement enition de Z P(Z > t) = P(X1 > t X2 > t) par d ependance = P(X1 > t)P(X2 > t) par ind = e(1 +2 )t Donc Z suit une loi E (1 + 2 ). Par d enition P(X2 > X1 ) =
+ (v>u) .1 e 1 u

=
0

e2 t 1 e1 t dt 1 1 + 2

On note alors N le nombre de machines (des deux types) sorties du stocks quand le syst` eme tombe en panne, et Z0 la dur ee ecoul ee avant la premi` ere panne dune machine. On note Zi la dur ee ecoul ee entre la i-` eme panne et la (i + 1)-` eme panne. La dur ee de vie totale du syst` eme est donc :
N

Z=
i=0

Zi

La (N + 1)-` eme panne est donc la panne fatale au syst` eme.


Version du 20050421-15h38, r evis ee le 21 avril 2005

Q3 (a) Il sagit de n observations i.i.d de loi E (1 + 2 ). n 2 Mod` ele : {R+ , E (1 + 2 )n , (1 , 2 ) R+ } P n (1 +2 ) Zi Vraisemblance : Ln = (1 + 2 ) e Bien entendu seule la somme (1 + 2 ) est identiable.

Version du 20050421-15h38, r evis ee le 21 avril 2005

ensae.net ensae.net
(c) Montrer que les variables Zi sont i.i.d. et donner leur loi. On pourra utiliser (apr` es lavoir d emontr e) le r esultat suivant : Si X est une variable al eatoire de loi exponentielle de param` etre , alors P (X s + t|X s) = P (X t) = et (on dit que X est sans m emoire). Un syst` eme S fonctionne en utilisant deux machines de types di erents. Les dur ees de vie X1 et X2 des deux machines suivent des lois exponentielles de param` etres 1 et 2 . Les variables ees ind ependantes. al eatoires X1 et X2 sont suppos X E () x R, P(X > x) = exp(x) (d) Pr eciser lensemble des valeurs possibles pour la variable N et en donner la loi.

ependantes. Calculer E (Z |N ) en fonction de N, 1 (e) On admet que N et les Zi sont ind 2 . Donner lexpression de E (Z ) en fonction de E (N ), 1 et 2 .

Corrig e de lexercice 2

Q1 Si X E (), alors x > 0, P(X > x) = x exp(t)dt = ex La r eciproque sobtient par d erivation de l egalit e pr ec edente : x R, f (x) existe et vaut ex R+ (x), donc toute variable al eatoire r eelle v eriant lin egalit e pr ec edente admet une densit e qui celle de E ().

2 e2 v dudv

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercice 2

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1


n1 i=0 n2 j =0 j X2 o` u( n1 i=0

Exercic

xk1 ex x>0 . Q4 (a) La loi (k, ) admet pour densit e f (x) = (k 1)! En particulier, toute loi E () est une loi (1, ). On a en outre : la somme de deux variables ind ependantes de lois (k, ) et (l, ) suit une loi (k + l, ) . Cette propri et e se prouve par r ecurrence sur k : 1 soit U (k, ) et V (1, ) ; alors W = U + V a pour densit e:

ensae.net ensae.net
(b) Cette fois, on dispose de la variable suppl ementaire Si = P(Z > t | Si = 1) = P(X2 > X1 > t) =

(X2 >X1 ) .

Alors

(b) On a Z = min 1, 2 ). Donc

i X1 ,

i X1 )

(n1 + 1, 1 ) et (

n2 i=0

i X2 )

(n

(u>v>t) 1 e +

1 u

2 e2 v dudv

R R +

n1

n2

P (Z t) = P

1 e1 u du 2 e2 v dv 2 e
2 v

i X1 t

et

i X2 t

i=0

n1

i=0 n2

1 v

dv

= P =

i X1 t

i X2 t

par ind ependance

1 exp((1 + 2 )t) 1 + 2

i=0 +

i=0

1 1 x (1 x)n1 dx e n1 !

2 2 x (2 x)n2 dx e n2 !

2 De m eme, P(Z > t | Si = 0) = 1 exp((1 + 2 )t) +2 Les densit es correspondantes sen d eduisent (au signe pr` es) par d erivation selon t :

(c) Si X

E (), alors :

P(X s + t|X t) =

Ln =

{1 e

(1 +2 )zi

{2 e

(1 +2 )zi

si =1

si =0

1 n2 (1 +2 ) = n 1 2 e

Pn

i=1 zi

P(X s + t) P(X t) exp((s + t)) = exp(t) = es = P(X s)

o` u n1 = |{i / si = 1}| et n2 = |{i / s2 = 1}| = n n1 . Le couple (1 , 2 ) est donc identiable, et on peut donc envisager destimer ` a la fois 1 et 2 .
k

Cette propri et e caract erise la loi exponentielle. 0 0 , X2 ) E (1 + 2 ) En loccurence, Z0 = min(X1 Supposons que la premi` ere panne ait lieu au temps t (donc Z0 = t) ; supposons (sans pe de g en eralit e) quelle touche une machine de type 1. On a alors :
1 0 0 , X2 )|X2 > t) (Z1 |Z0 = t S0 = 1) = (min(X1

fW (w) =

k uk1 eu ev dudv u+v =w (k 1)! + k uk1 eu e(wu) du = (k 1)! 0 k+1 w + k1 k+1 w = e e u du = (k 1)! k! 0

1 o` u X1 d esigne le temps de fonctionnement dune nouvelle machine de type 1 (et suit do 0 d esigne le temps jusqu` a la premi` ere panne de lancienne machine une E (1 )), et X2 type 2. 0 0 Or (X2 |X 2 > t) suit une loi E (2 ) (la loi exponentielle est sans m emoire), et on a nouveau E ( 1 + 2 ) (Z1 |Z0 = t S0 = 1)

Un raisonnement similaire dans le cas dune panne de type 2 montre que la loi de Z1 ind ependante de Z0 et S0 : Zi E (1 + 2 )(i.i.d)

de sorte que W (k + 1, ). Ainsi la somme de n 1 variables ind ependantes qui suivent une loi exponentielle de m eme param` etre suit une loi (n, ).
1

Elle se montre aussi a ` laide des fonctions caract eristiques.


Version du 20050421-15h38, r evis ee le 21 avril 2005

(d) Remarque : Attention ` a la convention de lexercice : il y a (n1 + 1) machines de type 1 : sont en stock, et une est d ej` a pr esente dans le syst` eme. Il y a donc panne g en erale qua le stock est epuis e pour un type de machine, et quen plus la derni` ere machine m eme type tombe en panne. On a min(n1 , n2 ) N n1 + n2 1. En outre N ne peut prendre la valeur k min(n1 , n2 , n1 + n2 1 que dans deux cas :
Version du 20050421-15h38, r evis ee le 21 avril 2005

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercice 3

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercic

Enonc e de lexercice 3
Ecrire la vraisemblance et d eterminer une statistique exhaustive pour un echantillon de n observations i.i.d. de lois : Q1 loi de Poisson de param` etre : P (X = k ) = e , k IN k!
k

exp(

n i=1

log(xi ))

Do` u une statistique exhaustive :


n

S (x1 , ..., xn ) =
i=1

log(xi ), min xi
2

Q3 Cette fois le param` etre du mod` ele est (, ) = R+ . On a Q2 loi de Pareto de param` etres et avec > 1, > 0 de densit e: 1 f (x) = x
[;+[ (x)

Ln (x) = n n
i=1

xi

exp
i=1

x i

Dans ce cas, on ne peut exhiber de statistique exhaustive autre que T (X1 , . . . , Xn ) (X1 , . . . , Xn ). En revanche, si on estimait uniquement ( constante connue), alors T (x) n i=1 xi serait une statistique exhaustive.
Version du 20050421-15h38, r evis ee le 21 avril 2005

Version du 20050421-15h38, r evis ee le 21 avril 2005

ensae.net ensae.net
les n1 machines de types 1 sont sorties du stock, (k n1 ) machines de type 2 sont sorties du stock, et la derni` ere machine de type 1 tombe en panne (rappelons quil y a (n1 + 1) machines de type 1). cas sym etrique en echangeant type 1 et type 2. 1 2 Notons p1 = 1 et p2 = 1 . Une nouvelle panne a une probabilit e p1 de concerner +2 +2 une machine de type 1, p2 de type 2. On a alors n1 n1 kn1 n2 n2 kn2 k n1 , n2 , P(N = k ) = p1 Ck p1 p2 + p 2 Ck p2 p1
n1 n1 kn1 Ainsi, si par exemple n1 k < n2 , on a P(N = k ) = p1 Ck p1 p2 .

Q3 loi de Weibull de param` etre et avec > 0, > 0 de densit e: f (x) = x1 ex

[0;+[ (x)

Q4 loi uniforme sur [0, ] avec > 0 inconnu.

Corrig e de lexercice 3

(e) On a

E (Z |N = n) = E

Zi

i=0

= (n + 1)E (Z1 ) n+1 = 1 + 2

Q1 Rappel : la statistique T est dite exhaustive ssi la loi conditionnelle P (X |T (X )) est ind pendante de . Th eor` eme de factorisation : T est exhaustive ssi g , h : (R R) / x R, p (x) = g (T (x)) h(x)

Or E (Z ) = E (E (Z |N )), donc nalement E (Z ) = E (N ) + 1 1 + 2

epend de mais pas h. o` u g d On retrouve les statistiques exhaustives en ecrivant la vraisemblance du mod` ele et en appliqua le th eor` eme de factorisation.

Dans le cas pr esent le param` etre du mod` ele est = R. On a pour x Rn Ln (x) = en Do` u une statistique exhaustive : S (x1 , ..., xn ) = 1
n

Pn

i=1

xi

n i=1 n i=1

xi !

xi .

Q2 Le param` etre du mod` ele etant (, ) = R2 , on a Ln (x) = n


[,+] (min xi )

R+ (min xi ) i

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercice 4

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercic

Q4 La densit e2 de la loi U[0,] est

Enonc e de lexercice 4

En toute rigueur le mod` ele U[0,] R+ nest pas domin e (il ny a pas une unique mesure qui domine toutes les probabilit es U[0,] ). Mais pour tout M > 0, le sous-mod` ele U[0,] ]0,M ] est domin e (par la mesure particuli` ere quest la probabilit e de ele : elle est donc telle que U[0,M ] ). On exhibe donc ici une statistique T (X ) qui est exhaustive pour tout sous-mod` M, ]0, M ], la loi de X |T (X ) ne d epend pas de et donc > 0, la loi de X |T (X ) ne d epend pas de et donc T (X ) est bien exhaustive dans le mod` ele originel.
Version du 20050421-15h38, r evis ee le 21 avril 2005

est une statistique exhaustive pour . Q1 Montrer que : P (Yn = yn , ..., Y1 = y1 ) =


2

ensae.net ensae.net
fU[0,] (x) = 1

Q2 Montrer que la loi conditionnelle de Yn sachant Rn1 = rn1 est une Bernoulli de param` etre n rn1 1

x0 x

et on a donc

Ln (x1 , . . . , xn ) =

1 n 1 = n

et en d eduire que la vraisemblance est proportionnelle ` a:


n

x1 ,...,xn 0 x1 ,...,xn min xi 0 max xi

i=1

( i + 1 + ri1 )1yi

et une statistique exhaustive est donc T (x) = maxi 1,n xi

Q3 Montrer que lexpression (1) se r e ecrit :

1 ( 1)! n ( n 1 + rn )!

Q4 En d eduire que Rn est une statistique exhaustive pour .

On veut compter le nombre de poissons dans un lac ferm e. Pour cela, on tire un poisson au hasard, on le marque et on le remet dans le lac. On tire un second poisson. Sil est d ej` a marqu e, on en prend note et on le remet dans le lac. Sinon, on le marque ` a son tour et on le remet dans le lac. Et ainsi de suite. On tire n poissons selon la proc edure ci-dessus. Au n-i` eme tirage, lobservation consiste en une ej` a marqu e, 0 sinon. Par d enition, on a variable al eatoire Yn qui vaut 1 si le poisson est d Y1 = 0. Le but de lexercice est de montrer que :
n

Corrig e de lexercice 4
Q1 On applique n 1 fois la formule du conditionnement P(A B ) = P(A|B )P(B ) : Ici : P(Yn = yn , . . . , Y1 = y1 ) = P(Yn = yn |Yn1 = yn1, . . . , Y1 = y1 ) P(Yn1 = yn1, . . . , Y1 = y1 ) . . . (par r ecurrence) P (Yn = yn |Yn1 = yn1 , . . . , Y1 = y1 ) P (Yn1 = yn1 |Yn2 = yn2 , ..., Y1 = y1 ) P (Y 1 = y 1 )

Rn =
i=1

Yi

. . .

P (Yn = yn |Yn1 = yn1 , . . . , Y1 = y1 ) P (Yn1 = yn1 |Yn2 = yn2 , ..., Y1 = y1 ) P (Y1 = y1 )

Q2 Soit p le nombre de poissons distincts qui ont et e tir es au cours des n premiers tirages. Supposo que Rn = rn : il y a eu rn retirages dun poisson d ej` a tir e au moins une fois, donc p + rn = Ainsi apr` es n 1 tirages le nombre de poissons distincts tir es est n 1 rn1 , et la proport de poissons qui ont et e tir es (et sont donc marqu es) est
n1rn1

= . . .

Version du 20050421-15h38, r evis ee le 21 avril 2005

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercice 4

Ensae SE222

Enonc e et corrig e des travaux dirig es n 1

Exercic

Q3 On a successivement
n

3 Ce facteur aurait bien entendu une inuence pour le calcul de linformation de Fisher ou du maximum de vraisemblance.

ensae.net ensae.net
Par cons equent Or i 1, n , (yi = 1):( (i 1 ri1 ))1yi = 1, donc = 1 n 1 P (Yn = yn |Rn1 = rn1 ) = n 1 rn1
yn

n 1 rn1

1yn

( (i 1 ri1 ))

8 < :

1in yi = 1

8 < :

1in yi = 0

Donc dapr` es le r esultat pr ec edent la vraisemblance s ecrit P(Y1 = y1 , . . . , Yn = yn ; )


n

1 = n

( ji )

8 > > > < > > > :

P(Yi = yi |Yi1 = yi1 , . . . , Y1 = y1 )

1in ji = i 1 ri1 yi = 0

i=1 n

P (Yi = yi |Ri1 = ri1 , Yi1 = (ri1 yi1 y1 ) , Yi2 = yi2 , . . . , Y1 = y1 )

i=1 n

Or : i i 1 ri1 associe au nombre de tirages le nombre de poissons distincts tir es. Do eme poisson tir e est un nouve restreinte ` a I0 = {i n / yi = 0} (lensemble des i tels que le i-i` poisson pas encore marqu e), cest une bijetion de I0 sur (1), (i0 ) o` u i0 = max I0 . Donc ( ji ) = ( j )
8 > > > < > > > :

P(Yi = yi |Ri1 = ri1 ) car la loi de Yi |Ri1 , Yi1 , . . . , Y1 ne d epend pas de Y1 , . . . , Yi1 P (Yi = yi |Yi1 = yi1 , . . . , Y1 = y1 ) i 1 ri1
yi

i=1 n

i=1 n

1in ji = i 1 ri1 yi = 0

1j (i0 )

=
i=1 n

i + 1 + ri1

1yi

/ I0 et donc yj = 1 de sorte que Remarquons enn que par d enition de i0 , j > i0 , j de sorte que (i0 ) = n 1 rn et en d enitive la vraisemblance est proportionnelle ` a 1 n ( j ) =
1j n1rn (1)! 1 n (n1+rn )!

=
i=1

1 (i 1 ri1 )yi ( i + 1 + ri1 )1yi

(i0 ) = i0 1 ri0 = (i0 + (j i0 )) 1 (ri0 + (j i0 )) = j 1 ri0 +(j i0 ) = j 1 rj

qui est proportionnel ` a


n 1 i=1 (

i + 1 + ri1 )1yi

Q4 On a alors l(y, ) = g (Rn (y )) h(y ) o` u h(y ) =


i=1

yi par le facteur n qui ne d epend pas de et na donc pas dincidence sur la i=1 (i 1 ri1 ) d etermination dune statistique exhaustive (dapr` es le th eor` eme de factorisation). 3

(i 1 Ri1 (y ))yi

i=1

( i + 1 + ri1 )

1yi

1 n

qui est ind ependant de , et ( (i 1 ri1 ))1yi g (Rn (y )) = ( 1)! 1 n ( n 1 + Rn (y ))!

i=1

qui ne d epend de y quau travers de Rn (y ). Donc dapr` es le th eor` eme de factorisation Rn est une statistique exhaustive. Ainsi pour estim le nombre de poissons dans le lac, la connaissance de tous les tirages est superue et le s nombre total de poissons tir es plus dune fois sut.

Version du 20050421-15h38, r evis ee le 21 avril 2005

10

Version du 20050421-15h38, r evis ee le 21 avril 2005

Vous aimerez peut-être aussi