Map 311 - Introduction aux probabilités et à la simulation aléatoire.
PC 8 - Année 2016
Vincent Bansaye - Lucas Gerin
Méthodes d'estimation
EXERCICE 1 -(Somme normalisée)
Soit(Xi)i≥1 une suite de v.a. i.i.d. d'espérance0 et de carré intégrable. Quelle est la limite en loi
de Pn
i=1Xi pPn
i=1Xi2 ?
EXERCICE 2 -(Fonction de répartition empirique). Soit (Xk)k≥1 une suite de v.a. i.i.d.
de fonction de répartition F, que l'on suppose continue sur R. La fonction F est inconnue, on cherche à l'estimer à partir d'un échantillon.
Pour n≥1, on dénit la fonction de répartition empirique Fn associée à X1, . . . , Xn : Fn(t) = 1
n
n
X
k=1
1Xk≤t.
La fonctionFn est donc aléatoire, on va montrer qu'elle donne une bonne estimation de F.
Les fonctions de répartition empirique et théorique pour un échantillon de 30 v.a. exponentielles.
1. Démontrer que Fn converge simplement vers F : pour tout t∈R, Fn(t)→F(t) p.s.
On souhaite démontrer que la convergence est en fait uniforme. Soitε >0, et soit une subdivision1
−∞=a0 < a1 <· · ·< aK−1 < aK = +∞tels que, pour tout i,F(ai+1)−F(ai)≤ε. 2. Démontrer que si x∈[ai, ai+1],
Fn(ai)−F(ai)−ε ≤Fn(x)−F(x)≤Fn(ai+1)−F(ai+1) +ε, et conclure :
sup
t∈R
|Fn(t)−F(t)| →0 p.s.
1Au fait, pourquoi est-ce que cette subdivision existe ?
EXERCICE 3 -(Maximum de vraisemblance)
1. Pour λ >0, soit X1, . . . , Xn un échantillon de Poisson(λ). Déterminer la fonction de vrai- semblance L(x1, . . . , xn;λ), puis l'estimateur du maximum de vraisemblance (EMV) λˆn de λ. Est-ce que l'EMV est sans biais ? Est-ce qu'il converge versλ?
2. Pourθ > −1, soitX1, . . . , Xnun échantillon de densitéx7→(1+θ)xθsur[0,1]. Déterminer la fonction de vraisemblanceL(x1, . . . , xn;θ), puis l'estimateur du maximum de vraisemblance θˆn deθ. Est-ce que l'EMV est sans biais ? Est-ce qu'il converge versθ?
EXERCICE 4 -(Estimation optimale de σ2)
On considère un échantillon de n variables aléatoires indépendantes X1, . . . , Xn de loi N(0, σ2), avecσ2 inconnue. On cherche à l'estimer par un estimateur de la forme
Sc= 1 c
n
X
k=1
Xk2,
oùcest un réel positif. Pour évaluer la qualité de l'estimateur Sc, on introduit deux quantités : Le biais de Sc est le réel b(c) =E[Sc]−σ2.
Le risque quadratique est la quantité R(c) = E h
(Sc−σ2)2i . 1. Comment choisir c pour que Sc soit sans biais ?
2. Vérier que le risque quadratique peut s'écrire sous la forme suivante R(c) = Var(Sc) +b(c)2.
3. On rappelle que E[X14] = 3σ4. Comment choisir c pour que Sc soit de risque quadratique minimal ?
EXERCICE 5 -(Processus autorégressif : estimation) Soient a un réel et (Xk)k≥0 le processus déni par X0 = 0 et
Xk+1 =aXk+εk+1
où(εk)k≥1 est une suite de N(0,1)i.i.d. (en particulierεk+1 est indépendante deXk). On cherche à estimer le paramètrea à partir d'un échantillon (X1, . . . , Xn).
1. Écrire la densité de(X1, X2, X3, . . . , Xn). En déduire la fonction de vraisemblanceL(x1, . . . , xn;a), 2. Calculer l'estimateur du maximum de vraisemblance ˆan dea.