Vous êtes sur la page 1sur 2

1

Université Paris I, Panthéon - Sorbonne

Première Année Master M.A.E.F. 2005 − 2006


Statistiques I
Examen de septembre 2006
Examen de 3 h 00. Tout document ou calculatrice est interdit.

1. On considère (Xk )k∈IN une suite de variables aléatoires indépendantes et identiquement distribuées
suivant la loi N (m, 1), où m ∈ IR. Soit la suite de variables (Yk )k∈IN telle que pour tout k ∈ IN∗ ,

Yk = X1 + · · · + Xk .

Soit (Y1 , . . . , Yn ), où n ∈ IN∗ un échantillon issus de (Yk )k∈IN .

(a) Déterminer la loi de Yk pour k ∈ IN∗ .


(b) Déterminer la loi du vecteur (Y1 , . . . , Yn ). Montrer que pour i 6= j, Yi n’est pas indépendante de
Yj .
(c) Déterminer le modèle statistique associé à (Y1 , . . . , Yn ).
(d) Montrer que ce modèle est exponentiel.
(e) Soit Jn la matrice de covariance de (Y1 , . . . , Yn ). Vérifier que
 
2 −1 0 0 ··· 0 0
 −1 2 −1 0 · · · 0 0 
 
 
Jn−1 = 0 −1 2 −1 · · · 0 0 .
 
 : : : : ··· : 
0 0 0 0 · · · −1 1

En déduire que m peut être estimé par un estimateur m


b (que l’on précisera) sans biais et efficace.
(f) Déterminer l’estimateur du maximum de vraisemblance de m. Est-ce un estimateur biaisé ? Est-il
convergent ? Efficace ? Quel est son risque quadratique ?
(g) Déterminer la statistique du test de rapport de vraisemblance pour le test

H 0 : m = m0 contre H1 : m 6= m0 ,

où m0 est une constante connue. On réalise une application numérique de ce test au niveau 5%
pour n = 100. On trouve que mb = m0 + 1. Accepte-t-on alors l’hypothèse H0 ?

2. Soit X une variable aléatoire dont la mesure de probabilité est absolument continue par rapport à la
mesure de Lebesgue sur IR et de densité :
1
f (x) = k · √ · II0≤x≤θ pour x ∈ IR,
x
avec k ∈ IR et θ > 0, des paramètres inconnus.

(a) Déterminer l’expression de k en fonction de θ. Calculer l’espérance et la variance de X.


2

(b) Soit une suite (Xi )i∈IN de variables aléatoires indépendantes et identiquement distribuées suivant
la même loi que X, dont on extrait un échantillon observé (X1 , . . . , Xn ). Par ailleurs, on note
X(1) ≤ X(2) ≤ . . . ≤ X(n) la statistique d’ordre associée. On désire estimer θ à partir (X1 , . . . , Xn ).
Quel est alors le modèle statistique ? Quel est la vraisemblance Lθ du modèle ?
(c) Montrer que Tbn = X(n) = max(X1 , . . . , Xn ) est une statistique exhaustive pour ce modèle.
(d) Montrer que cette statistique est minimale.
(e) Soit (x1 , . . . , xn ) ∈ IRn et le même n-uplet ordonné min(xi ) = x(1) ≤ · · · ≤ x(n) = max(xi ). Montrer
que :

IP(X(1) ≤ x(1) , . . . , X(n) ≤ x(n) ) = n! · IP(X1 ≤ x(1) ∩ X1 ≤ X2 ≤ x(2) ∩ · · · ∩ Xn−1 ≤ Xn ≤ x(n) ).

Montrer par itération sur les dérivées partielles que :


n
∂n Y
IP(X1 ≤ x(1) ∩ X1 ≤ X2 ≤ x(2) ∩ · · · ∩ Xn−1 ≤ Xn ≤ x(n) ) = f (x(i) ).
∂x(1) . . . ∂x(n) i=1

(n)
Soit Lθ la vraisemblance de (X(1) , . . . , X(n) ). Déduire de ce qui précède que :

(n)
Lθ (x(1) , . . . , x(n) ) = n! · Lθ (x1 , . . . , xn ).

(f) Déterminer la densité puis le biais de Tbn .


(g) Montrer que Tbn est une statistique exhaustive et complète.
(h) Déduire de ce qui précède un estimateur Tbn′ de θ, sans biais et uniformément de variance minimale.
P
(i) Calculer le risque quadratique de Tbn′ et en déduire que Tbn′ −→ θ, puis, que pour tout α ∈ [0, 1[,
n→+∞
P
nα (Tbn′ − θ) −→ 0.
n→+∞

(j) Déterminer explicitement un intervalle de confiance à 95% de θ en fonction de Tbn′ .