Sorbonne Université Année 2020/2021
L3 Deuxième semestre
Examen de statistique
Exercice 1 : (2 points) Questions de cours :
1. Donner la définition du biais et de l’erreur quadratique moyenne d’un estimateur.
2. Soit θ ∈ R et ˆ θ
nun estimateur admettant un moment d’ordre 2. Montrer que EQM ˆ θ
n, θ
= B θ ˆ
n, θ
2+ V θ ˆ
n.
Exercice 2 : (4 points) Dans chacun des cas suivant, donner la normalité asymptotique de ˆ θ
n: 1. θ > 0, ˆ θ
n=
1Xn
et
√ n
X
n− 1 θ
L−−−−→
n→+∞
N
0, 1 θ
2. Fait et refait, on a
√ n θ ˆ
n− θ
L−−−−→
n→+∞
0, θ
2. 2. θ > 0, ˆ θ
n=
1X3n
et
√ n
X
n− θ
−1/3 L−−−−→
n→+∞
N ( 0, 1 )
On a g ( x ) = x
−3et donc g
0( x ) = − 3x
−4et en particulier g
0( θ
−1/3) = − 3θ
4/3et donc
√ n θ ˆ
n− θ
L−−−−→
n→+∞
0, 9θ
8/3.
Exercice 3 : Soit θ > 0. On considère une variable aléatoire X ayant pour densité f
θ( x ) = 2e
2θe
−2x1
x≥θDans tout ce qui suit, on considère X
1, . . . , X
ndes variablles aléatoires i.i.d de même loi que X.
1. Montrer que E [ X ] = θ +
12et V [ X ] =
14.
Version 1 : Pour tout t < 2, la fonction génératrice des moments est définie par G
X( t ) = e
2θZ
+∞θ
2e
x(t−2)dx = e
2θ2 t − 2
h
e
x(t−2)i
+∞ θ= − 2
t − 2 e
θtOn a G
X0( t ) =
−t−2θ2e
θt+
( 2t−2)2
e
θt, et donc E [ X ] = G
0X( 0 ) = θ +
12. De plus, on a G
00X( t ) = − 2θ
2t − 2 e
θt+ 2θ ( t − 2 )
2e
θt
+ 2θ
( t − 2 )
2e
θt
− 4
( t − 2 )
3e
θt
et donc E X
2= θ
2+ θ +
12. Ainsi V [ X ] =
14. Version 2 : A l’aide d’une IPP, on a
E [ X ] = e
2θZ
+∞θ
2xe
−2xdx = e
θ− xe
−2x+∞θ
+
Z
+∞θ
e
−2xdx
= e
2θθe
−2θ+ 1 2 e
−2θ= θ + 1 2 De la même façon,
E X
2= e
2θZ
+∞θ
x
22e
−2xdx = e
2θ− x
2e
−2x+∞θ
+ 2
Z
+∞θ
xe
−2xdx
= θ
2+ E [ X ]
= θ
2+ θ + 1 2 . 2. Par la méthode des moments, donner un estimateur ˆ θ
nde θ.
On a ˆ θ
n= X
n− 1/2.
3. L’estimateur ˆ θ
nest-il consistant ?
Par la LGN, on a X
nqui converge en probabilité vers θ + 1/2, et donc θ ˆ
n−−−−→
Pn→+∞
θ.
4. L’estimateur ˆ θ
nest-il asymptotiquement normal ? Par le TLC, on a
√ n X
n− θ − 1/2
L−−−−→
n→+∞
N
0, 1 4
ce qui se réécrit directement,
√ n θ ˆ
n− θ
L−−−−→
n→+∞
N
0, 1 4
5. Montrer que l’estimateur du maximum de vraisemblance est X
(1)= min
i=1,...,nX
i. On a
L
X( θ ) = e
2nθ2
ne
−2nXn∏
n i=11
θ≤Xiet
∏
n i=11
θ≤Xi= 1 ⇔ ∀ i, θ ≤ X
i⇔ θ ≤ X
(1)et on a donc la vraisemblance
L
X( θ ) = e
2nθ2
ne
−2nXn1
θ≤X(1)qui est strictement croissante ] 0, X
(1)] et nulle sur ] X
(1), + ∞ [ et le maximum est donc atteint en X
(1).
6. Montrer que la fonction de répartition F
Xde x est définie pour tout x par
F
X( x ) =
( 1 − e
−2(x−θ)si x ≥ θ
0 sinon.
Si x < θ, P [ X ≤ x ] = 0. Si x ≥ θ, F
X( x ) = e
2θZ
xθ
2e
−2xdx = e
2θ− e
−2x+ e
−2θ= 1 − e
−2(x−θ)7. En déduire la consistance de X
(1). On a
P h
X
(1)≤ x i
= 1 − P h X
(1)> x i
= 1 − P [∀ i, X
i> x ] . Par indépendance, on a
P [∀ i, X
i> x ] =
∏
n i=1P [ X
i> x ] = ( P [ X > x ])
n= e
−2n(x−θ)et donc P h
X
(1)≤ x i
= 1 − e
−2n(x−θ). On a donc pour tout e > 0, comme X
(1)≥ θ, P h
X
(1)− θ ≥ e
i = P h X
(1)− θ ≥ e
i = P h X
(1)≥ θ + e
i = e
−2ne−−−−→
n→+∞