my

Correction exercice 7 de l’épreuve de Stat-Proba IFORD voie B session 2021

Soient n ∈ N∗ et θ > 0, Y ; γ(n, θ) si elle admet pour densité de probabilité :

e
θn
fY (t) = tn−1 e−θt , t > 0.

cad
(n − 1)!
Z +∞
1. Calculons : In−1 = tn−1 e−θt dt.
0

On procède par intégration par parties en posant : u(t) = e−θt et v 0 (t) = tn−1 .

n n−1 n n−1 1
On trouve que : In = In−1 = In−2 = × × ... × I0 .
θ θ θ θ θ
AA
(n − 1)!
In−1 =
θn
1 n!
Puisque I0 = alors, In = n+1 donc, .
θ θ
2. Soient Y1 et Y2 deux v.a indépendantes telles que : Y1 ; γ(n, θ) et Y2 ; γ(1, θ).

(a) Loi de Y1 + Y2 .

Soient fY1 et fY2 respectivement la densité de Y1 et Y2 .

NS

Soit Z = Y1 + Y2 , comme
Z X et Y sont indépendantes alors, Z a pour densité fZ
donnée par : fZ (z) = fY1 (y)fY2 (z − y)dy = (fY1 ∗ fY2 ) (z) (produit de convolu-
R
tion).

θn
Z
−θ(z−y)
y n−1 e−θy 1(y > 0)dy
ME

On a donc, fZ (z) = θe 1(y < z)

R (n − 1)!
θn+1 n −θz
Ce qui donne, après calculs et simplifications : fZ (z) = z e 1R∗+ (z).
n!

θn+1 n −θz
fZ (z) = z e 1R∗+ (z)
n!
Z a donc pour densité :

1 ISSEA & IFORD

 my
On reconnait la densité de la loi gamma de paramètre n + 1 et θ.
Donc, Z = Y1 + Y2 ; γ(n + 1, θ). NB : En utilisant la méthode de
l’exercice 6, on retrouve le même résultat.

(b) Déduisons que la loi de la somme de N variables iid de loi γ(1, θ).

Par récurrence sur N .

e
Pour N = 2, on considère deux X1 et X2 v.a iid de loi γ(1, θ) alors,

cad
X1 + X2 ; γ(2, θ) d’après la question précédente.
Supposons que la propriété est vraie au rang N i.e pour N v.a iid et montrons
qu’elle est vraie pour N + 1 v.a. On considère alors : X1 , ..., XN +1 N + 1 v.a iid
N
X +1
de loi γ(1, θ), on veut montrer que : Xi ; γ(N + 1, θ).
i=1
N
X
AA
D’après l’hypothèse de récurrence, Xi ; γ(N, θ) et puisque XN +1 ; γ(1, θ),
i=1
N
X N
X +1
on déduit d’après la question 2.a que : Xi + XN +1 = Xi ; γ(N + 1, θ).
i=1 i=1

N
X
Xi ; γ(N, θ)
i=1
Ainsi, .

3. On donne : fX (t) = θtθ−1 avec 0 < t < 1.

NS

Z Z 1
θ
E(X) = tfX (t)dt = θtθ dt = .
R 0 θ+1

θ
E(X) =
θ+1
Donc, .
ME

Z  2
2 2 2 θ
D’après Koenig, V(X) = E(X ) − (E(X)) = t fX (t)dt − .
R θ+1

 2
θ θ
V(X) = −
θ+2 θ+1
Alors, .
4. Loi de Z = − log(X).

2 ISSEA & IFORD

 my
Soit z ∈ R,

On a : FZ (z) = P(Z 6 z).

X Si z < 0 alors, FZ (z) = 0.

X Si z > 0 on a :

e
FZ (z) = P(Z 6 z)

cad
= P(− log(X) 6 z)
= P(X > e−z )
= 1 − P(X 6 e−z )
Z e−z
=1− θtθ−1 dt
0
−θz
=1−e .
AA
FZ (z) = 1 − e−θz 1R+ (z)

Donc,

On reconnait la loi exponentielle de paramètre θ. Ainsi donc, Z ; E(θ).

E(Z) = θ
Comme Z ; E(θ) alors, .
NS

5. Trouvons Wn de θ.

n
Y
La vraisemblance de (X1 , ..., Xn ) s’écrit : fX1 ,...,Xn (x1 , ..., xn , θ) = fXi (xi , θ).
i=1
n
Y
On a : fX1 ,...,Xn (x1 , ..., xn , θ) = θxθ−1
i 10<xi <1 (xi ). On prend le logarithme et après
i=1
ME

les conditions de premier et de second ordre par rapport à θ, on trouve que :

n
θ̂n = − n .
X
ln(Xi )
i=1

n n
Wn = n = n
X X
ln(Xi ) Zi
i=1 i=1
On a donc : .

3 ISSEA & IFORD

 my
6. Calcul du biais.

On sait que : Biais = E(Wn ) − θ.

Comme les Xi sont iid de même loi que X, les Zi sont iid de même loi que Z.

e
X
Ainsi, puisque Z ; γ(1, θ) alors, ; γ(n, θ).
i=1

cad
n θn
Z Z
n P nθ
E(Wn ) = f n Z (t)dt = tn−1 e−θt dt = .
R t i=1 i R t (n − 1)! n−1

nθ θ
−θ =
n−1 n−1
Le biais est donc donné par :
AA
NS
ME

4 ISSEA & IFORD