ENSSEA 2021/2022

M1TRC/Section 1, 2 & 3

Corrige de la serie n 3 : Estimation ponctuelle

Exercice1:
Soit X une variable aléatoire suivant une loi de Poisson } ( ) :

1. Montrer que X est un estimateur sans biais de :

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

Ce qui nous donne que:

2 a
(a 1) + +b +c=0
n
a
Alors a = 1; b = et c = 0:
n
2 X 2
Donc on déduit que T = X est un estimateur sans biais de :
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

1. Montrer que T1 et T2 sont des estimateurs sans biais et convergents de :

N.B: On donne V (X 2 ) = 2 2 1 2

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

Donc T1 et T2 sont deux estimateurs sans biais et convergents de :

2. Quel estimateur a-t-on intérêt à choisir?

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

1. Rappeler les valeurs de E (X) ; E X et V X :

a+b (b a)2
Si X U(a;b) alors E (X) = et V (X) = (a = 0; b = 2 )
2 12
Donc
2
V (X)
E (X) = ; E X = E (X) = et V X = =
n 3n
2. Déterminer la fonction de répartition de Mn :

FMn (x) = P (Mn x) = P max Xi x

1 i n
= P (X1 x; X2 x; ; Xn x)
Qn Q
n
= P (Xi x) = FXi (x) = (FX (x))n (les (Xi )i=1;n st iid)
i=1 i=1

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

1. Déterminer E (Mn ) puis un n

fn =
telle que la nouvelle variable M n Mn soit un estimateur
sans biais de
@ @
fMn (x) = FMn (x) = (FX (x))n = n (FX (x))n 1
fX (x)
@x @x
On déduit que
n n 1
fMn (x) = x ; x 2 (0; 2 )
(2 )n
Z Z2
n n (2 )n+1 2n
E (Mn ) = xfMn (x) dx = xn dx = =
(2 )n n
(2 ) n + 1 n+1
IR 0

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

La densité de la variable aléatoire Z est:

@
fZ (z) = FZ (z)
@y
@ z z
= FX FX
@z 2 2
z z
= f ; + f ; ; z>0
2 2 2 2
1 j zj 1 j zj
= exp + exp ; z>0
22 n o 2 2n2 o 2n o
1 z 1 z 1 z
= exp + exp = exp ; z>0
4 2 4 2 2 2
Donc Z (1=2) :
On déduit que:
E (Z) = 2 et V (Z) = 4

et par la suite, on conclut que: jXj = Z

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:

(a) Déterminer l’estimateur du maximum de vraisemblance eM V de :

La vraisemblance L ( ; x) s’écrit:
P
n
Y
n Yn
1 jxi j 1 jxi j=
L ( ; x) = f (xi ; ) = exp = ne
i=1

i=1 i=1
2 2n

Le domaine de dé…nition ne dépend pas de : (max L () max ln L)

et Log-vraisemblance l ( ) s’écrit:

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

(b) L’estimateur eM V est-il sans biais? est-il convergent?

!
1 Xn
E eM V = E jXi j = E (jXi j) =
n i=1
!
1 X n
V (jXi j) 2
V eM V = V jXi j = =
n i=1 n n
eM V est un estimateur sann biais de :
Comme: lim E eM V = et lim V eM V = 0, alors eM V est un estimateur
n!+1 n!+1
convergent de
(c) Calculer l’information de Fisher en au vu de X1 ; X2 ; ; Xn :
Le domaine de dé…nition ne dépend pas de :
!
2 X
n
@ 2 ln L n
In ( ) = E ( ; X) = E jXi j
@ 2 2 3
i=1
2 X
n
n n 2 n
= 2 + 3 E (jXi j) = 2 + 3 :n = 2
i=1

(d) L’estimateur eM V est-il e¢ cace?

2
e 1
V MV = = = BF : eM V est un estimateur e¢ cace de :
n In ( )

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 ( )

2. Déteminer l’estimateur du maximum de vraisemblance de ; noté bM V :

La vraisemblance L ( ; a; x) s’écrit:
Y
n Yn
a n n
a n n
a
L ( ; a; x) = fa (xi ; ) = = n = !
x +1 Y Y
n +1
i=1 i=1 i +1
xi xi
i=1 i=1

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

4. Calculez la moyenne et la variance de bM V : Déduisez-en un estimateur sans biais bn de :

Quelle est la variance de bn ? Est-il convergent?

Z
+1
n 1 1
E bM V
n
=E = nE =n (n)
zn 1e z
dz
Zn Zn z
0
n Z
+1
n
n 1 1 z (n 1) n
=n z e dz = n n 1 =
(n) (n) n 1
0

Avec le même calcul, on trouve

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)

Comme lim E bn = et lim V bn = 0, alors bn est un estimateur convergent de

n!+1 n!+1

5. Notons B (n) ( ) la borne de Cramer-Rao pour l’estimation de : Dans l’ensemble des

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

2. Soient X1 ; X2 ; ; Xn un échantillon de taille n issu de même loi que X: Déterminer

un estimateur sans biais de .

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)

1. Véri…er que Z = (X ) suit la loi exponentielle de paramètre 1 (Z (1))

FZ (z) = P (Z z)
= P ( (X ) z) ; z > 0
z
=P X +
z
= FX +

La densité de la variable aléatoire Z est:

@ @ z
fZ (z) = FZ (z) = FX +
@z @z
1 z
= f + ; ;
!
z
1 +
= e =e z ; z>0

Donc Z (1)

2. Donner E (Z) et V (Z) : En déduire E (X) et V (X) :

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

3. Soient X1 ; X2 ; ; Xn un échantillon issu de X: Estimer et par la méthode

des moments.

mk = E X k : moment théorique d’ordre k:

1P n
Mk = X k : moment empirique d’ordre k:
n i=1 i
1
m1 = E (X) = +
1
m2 = E (X 2 ) = V (X) + E (X)2 = 2 + m21
Alors
1
m1 = E (X) = +
1
m2 m21 = 2
et on déduit que: p
= m1 (m2 m21 )
1
=p
(m2 m21 )
10
 P
Comme Mk ! mk , alors les estimateurs
! de et par la méthode des moments sont:
0 1 Xn
2 1P 2
n 2
Sn2 = Xi X = Xi X
n i=1 n i=1
8 s
>
> p 1P n 2 p
>
> e
aM M = M 1 (M2 M12 ) = X X2 X =X Sn0 2 = X
0
Sn
>
> n i=1 i
<
eM M = p 1 1 1 1
>
> =s =p 0 = 0
>
>
2
(M2 M1 ) 1P n Sn2 Sn
>
> X2 X
2
: n i=1 i

11