Université de Rouen

Masters de Mathématiques, AIMAF et MFA

Année 2021-2022 Statistiques 1.

Contrôle continu 1.
lundi 25 octobre 2021 11h-13h

Toute utilisation de document, toute utilisation d’appareil électronique (calculatrice, téléphone portable, montre connectée
etc.) est interdite pendant le contrôle continu. On accordera une attention particulière à la rédaction, dont le barème tiendra
compte significativement. Il est vivement conseillé de lire entièrement l’énoncé avant de commencer. Il est bien
sûr possible d’admettre le résultat de toute question pour l’utiliser dans les questions suivantes.

1. Modèle de Poisson. On se place dans le modèle d’échantillonnage (P(θ)⊗n )θ>0 , où P(θ) désigne la loi de Poisson de
paramètre θ. En notant (X1 , . . . , Xn ) un n-échantillon issu de ce modèle, on rappelle que pour tout x ∈ N, Pθ (X1 =
θx
x) = e−θ . Le but de cet exercice est d’étudier puis de comparer deux estimateurs de g(θ) = Pθ (X1 = 0) = e−θ .
x!
(a) Par quelle mesure ce modèle est-il dominé ? Montrer que ce modèle est identifiable.
(b) Méthode des moments.
(i) Déterminer un estimateur de g(θ) = Pθ (X1 = 0) par la méthode des moments, qu’on notera Un , et qui est
sans biais et fortement consistant. Après avoir donné l’estimateur, on justifiera ces deux propriétés.
(ii) Calculer son risque quadratique, noté Rθ (Un ), pour tous θ ∈ [0, 1] et n ∈ N∗ .
n  S
X 1 n
(c) Un autre estimateur. On pose Sn = Xi , et Tn = 1 − .
i=1
n
(i) Montrer par récurrence que Sn ∼ P(nθ), pour tout n ∈ N∗ . On remontrera tout résultat nécessaire sur les
lois de Poisson.
(ii) En déduire que Tn est sans biais pour g(θ) = e−θ .  
(iii) Montrer que son risque quadratique est Rθ (Tn ) = e−2θ eθ/n − 1 , pour tous θ ∈ [0, 1] et n ∈ N∗ . En donner
un équivalent simple quand n → +∞.
(iv) Montrer que Tn est fortement consistant. On pourra utiliser le développement limité de ln(1 + x) au voisinage
de 0 à l’ordre 1 : ln(1 + x) = x + o(x).
(d) Comparaison des estimateurs. En étudiant la fonction f : θ > 0 7→ Rθ (Un ) − Rθ (Tn ), montrer que Tn est
uniformément meilleur que Un au sens du risque quadratique, c’est-à-dire que pour tout θ > 0, Rθ (Tn ) ≤ Rθ (Un ).
On pourra écrire f (θ) = e−2θ h(θ) et étudier le signe de h sur R+ .

2. Estimation de la variance dans le modèle de Bernoulli. On se place dans le modèle d’échantillonnage de

Bernoulli (B(θ)⊗n )θ∈[0,1] . On note (X1 , . . . , Xn ) un n-échantillon issu de ce modèle. Le but de cet exercice est d’étudier
un estimateur de la variance, notée σ 2 (θ), dans le cadre de ce modèle. On rappelle que pour tout θ ∈ [0, 1], σ 2 (θ) =
Varθ (X1 ) = θ(1 − θ).
n
1X
(a) Estimateur de θ. Dans un premier temps, montrer que X n = Xi est un estimateur de θ sans biais et
n i=1
fortement consistant.
(b) Calculer le risque quadratique de X n en tant qu’estimateur de θ, noté rθ (X n ), pour tous θ ∈ [0, 1] et n ∈ N∗ .
(c) Estimateur de la variance. On s’intéresse maintenant à l’estimateur de la variance σ 2 (θ) suivant : on pose
Vn = X n (1 − X n ). Montrer que Vn est fortement consistant.
(d) Montrer que Vn − σ 2 (θ) = (X n − θ)(1 − X n − θ), et en déduire que le risque quadratique de Vn , qu’on notera Rθ (Vn ),
vérifie : Rθ (Vn ) ≤ θ(1−θ)
n , pour tous θ ∈ [0, 1] et n ∈ N∗ . Il n’est pas impossible, mais long, de calculer exactement
le risque quadratique de Vn . C’est pourquoi on se contente de le majorer ici.
(e) Calculer le biais de Vn , puis en déduire un estimateur Wn de σ 2 (θ) sans biais et fortement consistant.