Feuille de TD2

Exercice 1.
1. Soit X une variable aléatoire réelle de loi
θ 1
P(X = 0) = , P(X = 1) = ,
θ+1 θ+1
n ∈ N∗ et (X1 , . . . , Xn ) un n-échantillon de X. Ici, θ > 0 est un réel inconnu que l’on souhaite
estimer à l’aide de (X1 , . . . , Xn ). Déterminer un estimateur de θ par la méthode des moments.
2. Soit X une variable aléatoire réelle de densité
 1
 2θ si x ∈ [0, θ]
1
f (x, θ) = si x ∈]θ, 1]
 2(1−θ)
0 sinon,
où n ∈ N∗ et (X1 , . . . , Xn ) un n-échantillon de X. Ici, θ ∈]0, 1[ est un réel inconnu que l’on
souhaite estimer à l’aide de (X1 , . . . , Xn ). Déterminer un estimateur de θ par la méthode des
moments.

Exercice 2.
On a répertorié dans une usine le nombre d’accidents mineurs subis par le personnel dans une
journée de travail sur une période de 50 jours. Ces accidents sont survenus indépendamment les
uns des autres. Les résultats sont consignés dans le tableau suivant :
Nombre d’accidents mortels 0 1 2 3 4
Nombre de jours 21 18 7 3 1
On désigne par X le nombre d’accidents mortels. On fait l’hypothèse que X suit une loi de Poisson
de paramètre θ > 0. Soit (X1 , . . . , Xn ) un n−échantillon de X.
1. Rappeler les valeurs E(X) et Var(X).
2. Proposer deux estimateurs θbn1 et θbn2 de θ obtenus par la méthode des moments.
3. Etudier les propriétés de θbn1 (biais, convergence, efficacité).
4. Montrer que θbn2 est un estimateur biaisé de θ. En déduire un estimateur sans biais de θ.
5. Calculer la fonction de vraisemblance L(x1 , . . . , xn ; θ) associée aux observations.
6. En déduire l’estimateur θbn3 de θ par la méthode du maximum de vraisemblance.
7. Proposer plusieurs estimations du nombre d’accidents mortels θ.

Exercice 3:
Soit (X1 , . . . , Xn ) un échantillon extrait de la loi de densité
1 1 −1
f (x, θ) = x θ 1]0,1[ (x),
θ
où θ est un paramètre strictement positif.
 1. Donner la fonction de vraisemblance de l’échantillon.

2. Estimer θ par la méthode du maximum de vraisemblance.

3. Montrer que Yi = − ln Xi est à densité

1 y
g(y, θ) = exp(− )1]0,∞[ (y).
θ θ
En déduire E(Yi ) et Var(Yi ).

4. Calculer la quantité d’information de Fisher relative à θ contenue dans l’échantillon.

5. Donner une borne minimale pour la variance d’un estimateur sans biais de θ quelconque.

6. Déterminer l’estimateur du maximum de vraisemblance Tn de θ.

7. Quelles sont les propriétés de Tn (biais, convergence, efficacité).

8. Montrer que
1
Dn = −1
Xn
est un estimateur convergent de θ et comparer la variance de sa loi asymptotique à celle de
Tn .

Exercice 4.
Soit X une variable aléatoire réelle qui suit une loi de Pareto P(α, k) de densité

kαk
f (x) = 1 , où α est un réel strictement positif.
xk+1 [α,+∞[
On souhaite estimer les paramètres α et k à partir de l’échantillon de données suivantes:

1.10, 1.20, 1.58, 1.77, 3.50, 3.94, 11.80.

Si k > 1, alors X a pour espérance E(X) = kα/(k − 1).

Si k > 2, alors X a pour variance Var(X) = kα2 /((k − 1)2 (k − 2)). On donne aussi la fonction de
répartition de X:
 α k
F (x) = P(X ≤ x) = 1 − pour x ≥ α.
x
1. Ecrire la fonction de vraisemblance à partir d’un échantillon i.i.d. X1 , . . . , Xn .

2. On suppose que α est connu et égal à 1, le seul paramètre à estimer est k.

(a) Déterminer un estimateur de k par maximum de vraisemblance. Donner l’application

numérique de l’estimation.
(b) Déterminer un estimateur de k par la méthode des moments. Donner l’application
numérique de l’estimation.

3. On souhaite maintenant déterminer un estimateur de α. on définit Zn = min (X1 , . . . , Xn ).

(a) Montrer que P(Zn ≤ x) = 1 − (1 − F (x))n .

 (b) En déduire que Zn suit une loi de Pareto P(α, nk), et donner l’espérance et la variance
de Zn .
(c) A partir des résultats précédents, montrer que Zn est un estimateur biaisé de α et donner
son biais.
(d) Construire un estimateur sans biais de α, sous la condition que k est connu.

Exercice 5.
Soit X une variable aléatoire de densité:

f (x, θ) = e−(x−θ) 1[θ,∞[ (x).

1. Déterminer la fonction de répartition F de X.

2. Calculer l’espérance de X.

3. Montrer que la variance de X est égale à 1.

4. On considère un n-échantillon (X1 , . . . , Xn ) de X.

(a) Déterminer un estimateur de θ par la méthode des moments. En déduire un estimateur

sans biais de θ que l’on notera Vn .
(b) Montrer que Vn converge en probabilité vers θ.
(c) Montrer que la densité g de X(1) = min(X1 , . . . , Xn ) s’écrit:

g(x, θ) = ne−n(x−θ) 1[θ,∞[ (x).

(d) Ecrire la fonction de vraisemblance de cet échantillon.

(e) Utiliser la méthode du maximum de vraisemblance pour déterminer un estimateur de θ.
(f) En déduire un estimateur sans biais de θ. On notera Wn cet estimateur.
(g) Calculer la variance de Wn .
(h) Lequel de ces deux estimateurs Vn ou Wn choisiriez-vous pour estimer θ à partir de
données expérimentales?