Académique Documents
Professionnel Documents
Culture Documents
M1TRC/Section 1, 2 & 3
Exercice1:
Soit X une variable aléatoire suivant une loi de Poisson } ( ) :
E X = E (X) =
X est un estimateur sans biais de
2 2
2. Montrer que X n’est pas un estimateur sans biais de : Est-il asymptôtiquement sans biais?
2 2 V (X)
E X =V X +E X = + E (X)2 = + 2
6= 2
n n
2 2
X est un estimateur biaisé de :
2 2 2 2 2 2
n; =E X = + = (le biais de X )
n n
2
lim n; = lim =0
n!+1 n!+1 n
2 2
Donc X est un estimateur asymptôtiquement sans biais de :
2 2
3. Déterminer a; b et c de sorte que T = aX + bX + c soit un estimateur sans biais de :
2
= E (T )
2
= E aX + bX + c
2
= aE X + bE X + c
2
=a + +b +c
n
1
Exercice2:
Soit (X1 ; X2 ; :::; Xn ) un échantillon d’un loi normale de moyenne et de variance (1 ) où
2 ]0; 1[ est un paramètre inconnu. On considère les estimateurs de :
1X 1X 2
n n
T1 = Xi ; T2 = X
n i=1 n i=1 i
8 8
< E (T1 ) = E (X) = < E (T2 ) = E (X 2 ) = V (X) + E (X)2 = (1 )+ 2
=
V (X) (1 ) et V (X 2 ) 2 2 1 2
: V (T1 ) = = ! 0 : V (T2 ) = = ! 0
n n n!+1 n n n!+1
V (T2 )
Soit =
V (T1 )
V (T2 )
? 1 () ?1
V (T1 )
2 2 1 2
() n ?1
(1 )
n
() 2 (1 + ) ? 1
() P ( ) = 2 2 + 2 1?0
Le polynôme P ( ) = 2 2 + 2 1 = 0 a pour solution f[ 1 = 1:36603] ; [ 2 = 0:366 03]g :
Comme le paramètre est positif, alors:
P ( ) < 0 pour 2 (0; 2 ) ce qui implique que < 1 (V (T2 ) < V (T1 )) : T2 est meilleur que T1 :
P ( ) > 0 pour 2 ( 2 ; +1[ ce qui implique que > 1 (V (T2 ) > V (T1 )) : T1 est meilleur
que T2 :
2
Exercice3:
On suppose que les variables aléatoires Xi i = 1; n sont indépendantes et suivent toutes une
loi uniforme sur (0; 2 )
1P n
On note: X= Xi et Mn = max Xi
n i=1 1 i n
où 8
Zx > 0
< x Si x < 0
FX (x) = fX (t) dt = Si 0 x < 2
>
: 2
1 1 Si x 2
D’où 8
0 >
Si x < 0
>
x n <
FMn (x) = (FX (x))n = Si 0 x < 2
>
> (2 )n
: 1 Si x 2
fn = 2n n+1
E M nE (Mn ) = () n = : On déduit que: n =
n+1 2n
fn sans biais de ; lequel est meilleur?
1. En calculant les variances des estimateurs X et M
2
V (X)
V X = =
n 3n
3
R n R2 n+1
f2
E M = 2
(Mn2 ) = 2
x2 fMn (x) dx = 2
nE x dx
n n
IR
n
(2 )n 0
2
n+1 n (2 )n+2 (n + 1)2 2
= =
2n (2 )n n + 2 n (n + 2)
fn = E M
f2 fn
2 (n + 1)2 2 2
2
V M n E M = =
n (n + 2) n (n + 2)
fn
V M 2
3n 3 fn est le meilleur estimateur.
= 2 = 1: M
V X n (n + 2) (n + 2)
4
Exercice4:
1 jxj
Soit une variable aléatoire X de densité:f (x; ) = exp ; x 2 IR
2
où est un paramètre inconnu strictement positif.
2
1. Montrer que Z = jXj (1=2) (loi exponentielle de paramètre 1=2) :
2
FZ (z) = P (Z z) = P jXj z ; z>0
z z z
=P jXj =P X
2 2 2
z z
= FX FX
2 2
E (jXj) = E Z = E (Z) = 2=
2 2 2
et
2 2
2
V (jXj) = V Z = V (Z) = 4=
2 4 4
2. On dispose d’un échantillon iid X1 ; ; Xn de X:
i=1 i=1
2 2n
1X
n
l ( ) = ln L ( ; x) = n ln 2 n ln jxi j
i=1
5
1 X
n
@ n
l ( ) = 0 () + 2 jxi j = 0
@ i=1
et on a:
1X 2 X
n n
@2 n n 2n n
= jxi j et l( ) = jxi j = = <0
n i=1 @ 2 =
2 3
i=1
2 3 2
1X
n
Donc eM V = jXi j est l’EMV de :
n i=1
6
Exercice5:
Soit X une variable aléatoire de loi de Pareto P ;a de paramètres > 0 et a > 1 et X1 ; X2 ; ; Xn
un n-échantillon de X (n > 2) : La densité d’une loi de Pareto est donnée par:
a
fa (x; ) = +1
; x>a
x
X
1. Montrer que Y = ln suit une loi exponentielle de paramètre :
a
X
FY (y) = P (Y y) = P ln y ; y>0
a
= P (X aey ) = FX (aey )
La densité de la variable aléatoire Y est:
@ @ a
fY (y) = FY (y) = FX (aey ) = aey fa (aey ; ) = aey +1
= e y
; y>0
@y @y y
(ae )
Donc Y ( )
et Log-vraisemblance l ( ) s’écrit:
X
n
l ( ) = ln L ( ; a; x) = n ln + n ln a ( + 1) ln xi
i=1
@ n X
n
l ( ) = 0 () + n ln a ln xi = 0
@ i=1
et on a:
n @2 n
= et l( ) = <0
X
n
@ 2 =
2
ln xi n ln a
i=1
Donc l’EMV de est:
bM V = n
X
n
ln Xi n ln a
i=1
n Pn Xi
3. Montrer que bM V s’écrit sous la forme bM V = ; où Zn = ln : Véri…er que Zn
Zn i=1 a
est une variable aléatoire de loi Gamma de paramètres n et : (Zn (n; ))
bM V = n n n n n
= = = =
X
n X
n X
n X
n X
n
Xi Zn
ln Xi n ln a ln Xi ln a (ln Xi ln a) ln
i=1 i=1 i=1 i=1 i=1
a
7
X
n
Xi X
n X
n X
n
Avec Zn = ln = Yi = ( )= (1; ) = (n; ) (i:e Zn (n; )) :
i=1
a i=1 i=1 i=1
2 n2
E bM V = 2
(n 1) (n 2)
et par la suite, on a:
n2
V bM V = 2
(n 1)2 (n 2)
n 1b n 1
L’estimateur bM V est biaisé. bn = MV = est un estimateur sans biais de et de
n Zn
variance
2 2
n 1
V bn = V bM V =
n (n 2)
B (n) ( )
estimateurs sans biais de , on dé…nit l’e¢ cacité relative de bn comme étant e bn :=
V bn
Calculez e bn : L’estimateur bn est-il e¢ cace? Est-il asymptôtiquement e¢ cace?
0 2 2
B (n) ( ) ( ) =In ( ) 1= n= n 2
e bn := = = 2 =
V bn V bn n
(n 2)
n 2
e bn := 6= 1, l’estimateur bn n’est pas e¢ cace. Mais il est asymptôtiquement e¢ cace
n
n 2
car e bn := !1
n n!+1
8
Exercice6:
2
1. Soit X une variable aléatoire de loi normalerN(0; ) où un paramètre réel
2
strictement positif. Montrer que E (jXj) =
R
E (jXj) = jxj p21 exp 2
1
2 x2 dx
IR
R
+1
= p2 x exp( 1
2 x2 )dx
2 2
0
R
+1
= p2 ( 2
)( 1
2 x) exp( 1
2 x2 )dx
2 2
0
+1
= p2 ( 2
) exp( 1
2 x2 )
2 2 0 r
2 2
= p2 ( 2
) (0 1) = p2 =
2 2
On constater que: ! r
1X
n
2
E (jXj) = E jXi j =
n i=1
Alors r !
1X
n
E jXi j =
2 n i=1
r
1P n
D’où Tn = jXi j est un estimateur sans biais de .
2 n i=1
9
Exercice7:
(x )
Soit X une variable aléatoire de densité: f (x; ; ) = e 1] ; +1[ (x) ; ( > 0)
FZ (z) = P (Z z)
= P ( (X ) z) ; z > 0
z
=P X +
z
= FX +
Donc Z (1)
E (Z) = 1 E ( (X )) = 1
()
V (Z) = 1 V ( (X )) = 1
(E (X) )=1
() 2
V (X) = 1
En déduire que:
1 1
E (X) = + et V (X) = 2
des moments.
11