Université de Rouen

Masters de Mathématiques, AIMAF et MFA

Année 2021-2022 Statistiques 1.

Contrôle continu 2.
lundi 29 novembre 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, même si elle n’a pas été traitée, pour l’utiliser dans les questions
suivantes.

1. Estimation
de la variance dans le modèle gaussien centré. On se place dans le modèle d’échantillonnage
N (0, σ 2 )⊗n σ2 >0 , où N (0, σ 2 ) désigne la loi normale centrée de variance σ 2 . On note (X1 , . . . , Xn ) un n-échantillon
issu de ce modèle. On rappelle que la densité de X1 est, en tout x1 ∈ R :
x2
 
1
fσ2 (x1 ) = √ exp − 12 .
2πσ 2 2σ
2
Le but de cet exercice est d’étudier l’efficacité de l’estimation de σ dans ce modèle.
(a) Déterminer l’estimateur du maximum de vraisemblance, noté Vn2 , en justifiant son existence et son unicité.
(b) Montrer que Vn2 est sans biais. Calculer sa variance et en déduire son risque quadratique noté Rσ2 (Vn2 ). On pourra
utiliser, sans le redémontrer, que le moment d’ordre 4 de la loi N (0, 1) est égal à 3. On pourra également utiliser
la décomposition biais-variance, sans la redémontrer.
(c) Pour tout σ 2 > 0, calculer I1 (σ 2 ), l’information de Fisher du modèle de base (c’est-à-dire pour n = 1), et en déduire
In (σ 2 ) l’information de Fisher du modèle d’échantillonnage de taille n ∈ N∗ quelconque.
(d) Montrer que Vn2 est efficace, et en déduire, en justifiant, qu’il est de variance uniformément minimale parmi l’ensemble
des estimateurs sans biais.
(e) Montrer que Vn2 est fortement consistant.

2. Modèle uniforme. On se place dans le modèle d’échantillonnage (U([0, θ])⊗n )θ>0 . On note (X1 , . . . , Xn ) un n-
échantillon issu de ce modèle. On rappelle que la densité de X1 par rapport à la mesure de Lebesgue est, en tout
1
x1 ∈ R+ , fθ (x1 ) = 1[0,θ] (x1 ) et sa fonction de répartition est, en tout x ∈ R :
θ

 0 si x ≤ 0,
x
Fθ (x) = Pθ (X1 ≤ x) = si x ∈ [0, θ],
 θ
1 si x ≥ θ
(a) Montrer que le modèle est identifiable.
(b) Montrer que X(n) = max Xi est l’unique estimateur du maximum de vraisemblance.
1≤i≤n

(c) Montrer que X(n) est une statistique exhaustive.

(d) Pour tout θ > 0, calculer Gθ , la fonction de répartition de X(n) , et en déduire sa densité gθ .
(e) Pour tout θ > 0, calculer Eθ (X(n) ) et déterminer αn > 0 tel que Tn = αn X(n) soit sans biais pour θ.
(f) En admettant que X(n) est exhaustive complète, montrer que Tn est de variance uniformément minimale parmi
l’ensemble des estimateurs sans biais de θ.
(g) Calculer le risque quadratique de Tn , noté Rθ (Tn ), pour tout θ > 0.
(h) Estimateur biaisé uniformément meilleur. Dans la suite de cet exercice, le but est de montrer qu’il existe
un estimateur biaisé mais uniformément meilleur que Tn au sens du risque quadratique. Pour tout λ > 0, on pose
θ̂n,λ = λTn .
(i) Pour tout θ > 0, calculer le risque quadratique de θ̂n,λ , noté Rθ (θ̂n,λ ), en fonction de θ, n, λ.
(ii) Déterminer λn > 0 tel que θ̂n,λn soit de risque minimal parmi les estimateurs de la forme θ̂n,λ où λ > 0. On
pourra étudier la fonction : f : λ > 0 7→ Rθ (θ̂n,λ ).
(iii) Conclure.