Université de Rouen

Masters de Mathématiques, AIMAF et MA

Année 2022-2023 Statistique inférentielle.

Contrôle continu 1.
lundi 7 novembre 2022 13h-15h

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.

1. Estimateurs linéaires. On se place dans un modèle d’échantillonnage (P⊗n θ )θ∈Θ . On note (X1 , . . . , Xn ) une observation
de ce modèle, et on suppose que X1 est de carré intégrable sous Pθ pour tout θ ∈ Θ. On note µθ = Eθ (X1 ) et
σθ2 = Varθ (X1 ). Si U est un estimateur, Rθ (U ) désigne son risque quadratique en θ ∈ Θ.
X n
On appelle estimateur linéaire tout estimateur de la forme ai Xi où a1 , . . . , an sont des réels.
i=1
Le but de l’exercice est de déterminer le meilleur estimateur linéaire sans biais pour µθ , au sens du risque quadratique.
Il s’agit donc de déterminer un estimateur linéaire sans biais Tn (et donc de déterminer ses coefficients (ai )1≤i≤n ) tel
que pour tout estimateur linéaire sans biais Tn0 :
∀θ ∈ Θ Rθ (Tn ) ≤ Rθ (Tn0 ).
(a) Calculer la variance d’un estimateur linéaire.
(b) Calculer le risque quadratique d’un estimateur linéaire sans biais pour µθ .
(c) À quelle condition nécessaire et suffisante sur (ai )1≤i≤n un estimateur linéaire est-il sans biais pour µθ ?
Xn
(d) Montrer que si Tn = ai Xi est sans biais, alors
i=1
n n  2
X 1 X 1
a2i = + ai − .
i=1
n i=1 n

(e) En déduire qu’il existe un unique estimateur linéaire sans biais meilleur que tous les autres estimateurs linéaires
sans biais. Donner son expression en fonction de X1 , . . . , Xn et son risque quadratique.

2. Loi bêta. La loi bêta de paramètres α > 0 et β > 0 apparaı̂t naturellement dans les problèmes d’urne de Polya, et
permet de modéliser de manière assez flexible des données à support compact. Elle est notée Pα,β , et admet pour densité
par rapport à la mesure de Lebesgue la fonction fα,β définie pour tout x ∈ R par :
1
fα,β (x) = xα−1 (1 − x)β−1 1[0,1] (x),
B(α, β)
R1
où B(α, β) = 0 xα−1 (1 − x)β−1 dx. On admettra que pour tout α, β > 0, B(α, β) = Γ(α)Γ(β) Γ(α+β) , où Γ est la fonction
Gamma usuelle. On rappelle et on admet que pour tout x > 0, Γ(x + 1) = xΓ(x).
 
On suppose que (X1 , . . . , Xn ) est une observation du modèle statistique P⊗n α,β , où n ∈ N∗ .
α,β>0

r−1
Y α+k
(a) Montrer que pour tout r ∈ N∗ , Eα,β (X1r ) = .
α+β+k
k=0
 
(b) Montrer que le modèle P⊗n
α,β est identifiable.
α,β>0
(c) Montrer que ce modèle appartient à la classe exponentielle.
Dans toute la suite, on se place dans le sous-modèle P⊗n 1


α,1 α>0 . Le but est d’estimer g(α) = α.
(d) Déterminer, en expliquant la méthode et en justifiant, un estimateur fortement consistant pour g(α). Quelles sont
les difficultés posées pour l’étude de cet estimateur ?
(e) Montrer que si X1 ∼ Pα,1 , alors Y1 = − ln(X1 ) suit une loi exponentielle dont on précisera le paramètre.
(f) En déduire, en expliquant la méthode et en justifiant, un nouvel estimateur fortement consistant et sans biais pour
g(α). Calculer son risque quadratique en fonction de n et α.