Exercice1 :

1. Afin de vérifier que f ( X ,Y ) ( x, y ) est une densité, on l’intègre par rapport à x

et y sur tout leur domaine

1 1 1 x=1
æ 3 2ö æ 2 3 2ö
òò ç 2 xy + y ÷ dxdy = ò ç x y + xy ÷ dy
0 0è
2 ø 0è
2 ø x=0
y=1
1
æ 3 ö æ y 2 y3 ö
= ò ç y + y 2 ÷dy = çç + ÷÷ = 1
0è
2 ø è 2 2 ø y=0
La fonction f ( X ,Y ) ( x, y ) est bien une densité.
2. La densité marginale f X ( x ) de X est
1
æ 3 ö 1
ò çè 2 xy + 2 y ÷dy = x + , 0 < x < 1
2

0 ø 2
3. On trouver la densité conditionnelle fY / X = x ( y ) à l’aide de la relation
f ( x, y )
fY / X = x ( y ) = ( X ,Y )
f X (x )
Ainsi
4 xy + 3 y 2
fY / X = x ( y ) = ,0 < y < 1
2x +1
4. Calculons l’espérance conditionnelle E (Y / X = x ) :

1
E (Y / X = x ) = ò yfY / X = x ( y )dy
0
y =1
4 xy + 3 y 2 1 æ4 3 3 4ö 16 x + 9
1
=òy dy = ç xy + y ÷ =
0
2x + 1 2x + 1 è 3 4 ø y = 0 12(2 x + 1)
ù 25 3 é
5. Soit z = E (Y / X = x ) . Puisque x Î ]0,1[ , alors le domaine de Z est ú , ê .
û 36 4 ë
a. La fonction de répartition de Z est
æ 16 X + 9 ö æ 12 z - 9 ö æ 12 z - 9 ö
FZ ( z ) = P(Z £ z ) = Pçç £ z ÷÷ = Pç X £ ÷ = FX ç ÷,
è 12(2 X + 1) ø è 16 - 24 z ø è 16 - 24 z ø
et sa fonction de densité f Z ( z ) =
3 25 3
, <z<
64(2 - 3 z )
3
36 4
b. L’espérance de Z est
æ 3 ö
1
E (Z ) = E (E (Y / X )) = E (Y ) = ò yç y + y 2 ÷dy =
17
0 è
2 ø 24

1/1
Exercice2

1. Le calcul de l’espérance de X donne

+¥ +¥ x = +¥
æ x 2 ö par partie æ x2 ö æ x2 ö pq
m1 = E ( X ) = ò x expçç - ÷÷dx = - x expçç - ÷÷
x
+ ò expçç - ÷÷dx =
0
q è 2q ø è 2q ø x=0 0 è 2q ø 2
2m 21
Alors q = et par la suite, l’estimateur des moments de q est donc
p
~ 2M 21 2X 2
q MM = =
p p
2. La vraisemblance d’un échantillon de n variables aléatoires X i est

æ n 2ö
ç å xi ÷
1 æ n ö
L(q , x ) = n çç Õ xi ÷÷ expç - i =1 ÷
q è i =1 ø ç 2q ÷
ç ÷
è ø
et la log-vraisemblance correspondante
n
1 n 2
l (q , x ) = ln L(q , x ) = -n ln q + å ln xi - åx i
i=1 2q i =1
Dérivons-la par rapport à q
¶ -n 1 n
l (q , x ) = + 2 å x 2i
¶q q 2q i =1
Donc
¶ -n 1 n 1 n 2
l (q , x ) = + 2 å x 2i = 0 Û q 0 = åx i
¶q q 2q i =1 2n i =1
Et
¶2 1 n 2
l (q , x ) =
n
- 3 å
n 1
x i = 2 - 3 2nq 0 = - 2 = -
n n
<0
¶q q 0 q0 i =1 q0 q0 q0
2 0 2 2
æ 1 n 2ö
ç åx i ÷
è 2n i=1 ø
~
On obtient alors l’estimateur du maximum de vraisemblance q MV de q suivant
1 n
~
å
q MV =
2
Xi
2n i=1
3. Nous savons que X / 2 suit une loi exponentielle de paramètre 1 / q . Son espérance vaut
2

donc q et celle de l’estimateur

1 n æX ö
( )
2
~
E q MV = å E çç i ÷÷ = q
n i =1 è 2 ø
L’estimateur est sans biais.
4. La variance de l’estimateur vaut

2/2
 ( ) 1 n æ X ö q2
2
~
V q MV = 2 åV çç i ÷÷ =
n i =1 è 2 ø n

Et on vérifie facilement que la borne de Cramér-Rao pour un estimateur non biaisé de q

est
q2
BCR =
n
L’estimateur atteint donc la borne de Cramér-Rao ( BCR =
q2
n
( )
~
= V q MV ). Il n’en existe
pas d’autres avec une variance inférieure, et ceci quelle soit la valeur de n

3/3