Contents

CHAPITRE 8 (SUITE) – ESTIMATION PONCTUELLE DES PARAMETRES DES LOIS PAR

LA METHODE DES MOMENTS ET LA METHODE DU MAXIMUM DE
VRAISEMBLANCE .......................................................................................................... 2
8.1 - QUALITÉS D’UN BON ESTIMATEUR : 𝜽 ............................................................. 2
1. Absence de biais: .............................................................................................. 2
2. Convergence : .................................................................................................. 2
3. Efficacité : ........................................................................................................ 2
8.2 - Estimation Ponctuelle d’un paramètre : 𝜽 .................................................................. 2
8.2.1 La méthode des moments ........................................................................................ 2
8.2.2 - Méthode de Maximum de Vraisemblance ............................................................... 3
8.2.2.1 - But de la méthode .......................................................................................... 3
8.2.2.2 - Fonction de vraisemblance d’un paramètre 𝜽: L(X1, X2, … Xn, 𝜽) ...................... 3
8.2.2.3 - Linéarisation de la fonction de vraisemblance : 𝒍𝒏𝐋(𝐗𝟏, 𝐗𝟐, … , 𝐗𝒏, 𝜽) ................ 4
8.2.2.4 - Condition nécessaire ou condition de 1er ordre (c.p.o.) ....................................... 4
8.2.2.5 - Condition suffisante ou condition du 2e ordre (c.d.o.) ......................................... 4
8.2.2.6 - Exemple d’estimation ponctuelle par la méthode du maximum de vraisemblance ..... 4
Autres exercices d’applications ...................................................................................... 10

Notes de cours L2 / FIP2 Dr Mahop Page 1 of 10

CHAPITRE 8 (SUITE) – ESTIMATION PONCTUELLE DES
PARAMETRES DES LOIS PAR LA METHODE DES MOMENTS ET LA
METHODE DU MAXIMUM DE VRAISEMBLANCE

8.1 - QUALITÉS D’UN BON ESTIMATEUR : 𝜽 ̂

Voici les principales qualités que devrait avoir un estimateur :
1. Absence de biais:
On dit qu’un estimateur 𝜃̂ est non biaisé si sa valeur espérée 𝐸(𝜃̂) est égale au paramètre à
estimer. 𝜽̂ 𝑒𝑠𝑡 𝑠𝑎𝑛𝑠 𝑏𝑖𝑎𝑖𝑠 si 𝑬(𝜽̂) = 𝜽

𝜽̂ 𝑒𝑠𝑡 𝑎𝑠𝑦𝑚𝑝𝑡𝑜𝑡𝑖𝑞𝑢𝑒𝑚𝑒𝑛𝑡 𝑠𝑎𝑛𝑠 𝑏𝑖𝑎𝑖𝑠 𝑠𝑖 lim 𝑬(𝜽

̂) = 𝜽
𝑛→+∞
2. Convergence :
On dit qu’un estimateur non biaisé 𝜃̂ est convergent si sa distribution tend à se concentrer de
plus en plus autour du paramètre à estimer, lorsque la taille de l’échantillon augmente.
̂ 𝑒𝑠𝑡 𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒𝑛𝑡 𝑠𝑖 lim 𝑉(𝜃̂) = 𝟎
𝜽
𝑛→∞
3. Efficacité :
Dans la classe de tous les estimateurs non biaisés, le plus efficace est celui qui possède la plus
petite variance.
̂𝟏 𝑒𝑡 𝜽
Soient : 𝜽 ̂𝟐 si 𝑉(𝜽̂𝟐 ) ≤ 𝑉(𝜽̂𝟏 ) alors 𝜽
̂𝟐 est l’estimateur le plus efficace des deux
estimateurs de 𝜽.

̂ est l’estimateur obtenu par la méthode du maximum de vraisemblance (EMV), 𝜽

Si 𝜽 ̂ est
𝝏𝟐 𝑳𝒏(𝑳) 𝟏
̂ ) = −𝑬 ⟦
efficace si 𝑰𝒏 (𝜽 ⟧ =
𝝏𝜽𝟐 ̂
𝜽=𝜽 ̂)
𝑽(𝜽

2
𝜕 𝐿𝑛(𝐿)
Où 𝐼𝑛 (𝜃̂) = −𝐸 ⟦ 𝜕𝜃2 ⟧ est appelé la quantité d’information de Fisher.
̂
𝜃=𝜃

8.2 - Estimation Ponctuelle d’un paramètre : 𝜽

C’est la valeur de l’estimateur calculée à partir de l’échantillon spécifique qui a été observé.

8.2.1 La méthode des moments

La méthode des moments consiste à écrire l’égalité entre les moments théoriques 𝐸(𝑌 𝑟 ) et les
∑ 𝑌𝑖𝑟
moments empiriques correspondants 𝑚𝑟 = . Puis on résout l’équation pour déterminer un
𝑛
estimateur du paramètre.

Notes de cours L2 / FIP2 Dr Mahop Page 2 of 10

 𝑚𝑜𝑚𝑒𝑛𝑡 𝑚𝑜𝑚𝑒𝑛𝑡
𝑡ℎé𝑜𝑟𝑖𝑞𝑢𝑒 𝑠𝑖𝑚𝑝𝑙𝑒 𝑒𝑚𝑝𝑖𝑟𝑖𝑞𝑢𝑒 𝑠𝑖𝑚𝑝𝑙𝑒
𝑑′ 𝑜𝑟𝑑𝑟𝑒 𝑟 𝑑′ 𝑜𝑟𝑑𝑟𝑒 𝑟
⏞ 𝑟) ∑ 𝑌𝑖𝑟
𝐸(𝑌 = ⏞𝑟
𝑚 = 𝑛
𝑚𝑜𝑚𝑒𝑛𝑡 𝑚𝑜𝑚𝑒𝑛𝑡
𝑡ℎé𝑜𝑟𝑖𝑞𝑢𝑒 𝑠𝑖𝑚𝑝𝑙𝑒 𝑒𝑚𝑝𝑖𝑟𝑖𝑞𝑢𝑒 𝑠𝑖𝑚𝑝𝑙𝑒
Méthode des moments ⇔ 𝑑′ 𝑜𝑟𝑑𝑟𝑒 1 𝑑′ 𝑜𝑟𝑑𝑟𝑒 1
⏞ ∑ 𝑌𝑖
𝐸(𝑌) = ⏞1
𝑚 = = 𝑌̅
𝑛
∑ 𝑌𝑖2
⏟ 2)
𝐸(𝑌 = 𝑚
⏟2 = 𝑛
𝑚𝑜𝑚𝑒𝑛𝑡 𝑚𝑜𝑚𝑒𝑛𝑡
𝑡ℎé𝑜𝑟𝑖𝑞𝑢𝑒 𝑠𝑖𝑚𝑝𝑙𝑒 𝑒𝑚𝑝𝑖𝑟𝑖𝑞𝑢𝑒 𝑠𝑖𝑚𝑝𝑙𝑒
{ 𝑑′ 𝑜𝑟𝑑𝑟𝑒 2 𝑑′ 𝑜𝑟𝑑𝑟𝑒 2

Exemple
Soit la variable Y qui a pour distribution de probabilité f(y) donnée comme suit :
(𝑝 + 1)𝑦 𝑝 , 0≤𝑦≤1
𝑓(𝑦) = {
0, 𝑠𝑖𝑛𝑜𝑛
Soit un échantillon aléatoire (𝑌1 ; 𝑌2 ; … ; 𝑌𝑛 ) indépendamment et identiquement distribuées selon la
loi de Y. Déterminer un estimateur 𝑝̂ du paramètre p par la méthode de moments.
On sait que :
+∞ 1
𝑝 + 1 𝑝+2 1 𝑝 + 1
𝐸(𝑌) = ∫ 𝑦𝑓(𝑦)𝑑𝑦 = ∫ 𝑦(𝑝 + 1)𝑦 𝑝 𝑑𝑦 = [𝑦 ]0 =
𝑝+2 𝑝+2
−∞ 0
𝑝+1
𝐸(𝑌) =
𝑝+2
∑ 𝑌𝑖
𝑚1 = = 𝑦̅
𝑛
𝑚𝑜𝑚𝑒𝑛𝑡 𝑚𝑜𝑚𝑒𝑛𝑡
𝑡ℎé𝑜𝑟𝑖𝑞𝑢𝑒 𝑠𝑖𝑚𝑝𝑙𝑒 𝑒𝑚𝑝𝑖𝑟𝑖𝑞𝑢𝑒 𝑠𝑖𝑚𝑝𝑙𝑒
𝑑′ 𝑜𝑟𝑑𝑟𝑒 1 𝑑′ 𝑜𝑟𝑑𝑟𝑒 1
⏞ 𝑝+1 ∑ 𝑌𝑖 2𝑦̅−1
𝐸(𝑌) = ⏞1
𝑚 ⇔ 𝑝+2 = = 𝑦̅ et on obtient 𝑝̂ = estimateur de p par la
𝑛 1−𝑦̅
méthode des moments (EMM).

8.2.2 - Méthode de Maximum de Vraisemblance

8.2.2.1 - But de la méthode
Trouver une valeur de 𝜽 qui maximise la fonction de vraisemblance L. Cette valeur solution
unique du programme de maximisation sera notée 𝜽 ̂ . Le maximum de L est atteint pour 𝜽 = 𝜽̂.

8.2.2.2 - Fonction de vraisemblance d’un paramètre 𝜽: L(X1, X2, … Xn, 𝜽)

- Soit X une variable aléatoire,
- Soit un échantillon aléatoire (X1, X2, …, Xn) de n variables aléatoires indépendantes et
identiques (de même loi de distribution),
- Soit 𝜽 le paramètre à estimer,
La fonction de vraisemblance de 𝜽 est la loi conjointe du vecteur aléatoire (X1, X2, … Xn) notée :
L(X1, X2, … Xn, 𝜽)

Notes de cours L2 / FIP2 Dr Mahop Page 3 of 10

 𝑖=𝑛

𝐿(𝑋1 , 𝑋2 , … 𝑋𝑛 , 𝜽) = ∏ 𝑃(𝑋𝑖 = 𝑥𝑖 ) , 𝑠𝑖 𝑋 𝑒𝑠𝑡 𝑢𝑛 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑖𝑠𝑐𝑟è𝑡𝑒

𝑖=1

𝑖=𝑛

𝐿(𝑋1 , 𝑋2 , … 𝑋𝑛 , 𝜽) = ∏ 𝑓(𝑥𝑖 , 𝜃) , 𝑠𝑖 𝑋 𝑒𝑠𝑡 𝑢𝑛 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑒

𝑖=1

8.2.2.3 - Linéarisation de la fonction de vraisemblance : 𝒍𝒏[𝐋(𝐗 𝟏 , 𝐗 𝟐 , … , 𝐗 𝒏 , 𝜽)]

8.2.2.4 - Condition nécessaire ou condition de 1er ordre (c.p.o.)
𝝏 𝐥𝐧(𝑳)
= 𝟎 , é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒗𝒓𝒂𝒊𝒔𝒆𝒎𝒃𝒍𝒂𝒏𝒄𝒆
𝝏𝜽

8.2.2.5 - Condition suffisante ou condition du 2e ordre (c.d.o.)

𝝏𝟐 𝐥𝐧(𝑳)
] <𝟎
𝝏𝜽𝟐 𝜽=𝜽̂
8.2.2.6 - Exemple d’estimation ponctuelle par la méthode du maximum de vraisemblance
Exercice 1 :
Estimation du paramètre de la loi de poisson par la méthode du maximum de vraisemblance
Soit X une variable aléatoire qui suit une loi de Poisson de paramètre 𝜆, et on note 𝑋 ↝ 𝒫(𝜆),
si :
𝜆𝑥
𝑃(𝑋 = 𝑥) = 𝑒 −𝜆 × , 𝑎𝑣𝑒𝑐 𝜆 > 0
𝑥!

1°) Estimer 𝜆 par la méthode du maximum de vraisemblance.

2°) Montrer que l’estimateur trouvé est sans biais et convergent.

Exercice 2
– Soit une variable aléatoire X dont la loi de probabilité est donnée par la fonction suivante :
0 si x < 0
𝑓(𝑥) = { 1 - 𝛼𝑥 ;𝛼 > 0
e si x ≥ 0
𝛼
1°) Vérifier que f est une densité de probabilité. Calculer l'espérance mathématique de X.
2°) Estimer  par la méthode du maximum de vraisemblance.
3°) Montrer que cet estimateur est sans biais et Convergent.

Exercice 3 :
-Dans une population P, on définit la variable aléatoire X dont la loi de probabilité est donnée par
la densité de probabilité suivante :
2x - 𝑥 2
𝑓(x, 𝜃) = { 𝜃 e 𝜃 si x ≥ 0 ; 𝜃 > 0
0 si x < 0

Notes de cours L2 / FIP2 Dr Mahop Page 4 of 10

 On prélève un échantillon (X1, X2, X3, . . ., Xn).
1°) Vérifier que f est une densité de probabilité;
2°) Estimer par la méthode du Maximum de vraisemblance le paramètre . On notera
𝜃̂ (𝑋𝑛 ) cet estimateur.
3°) Estimer le paramètre  par la méthode des moments.
4°) Déterminer la loi de probabilité de la variable aléatoire Y = X2.
5°) Déduire de la question précédente que l'estimateur 𝜃̂ est sans biais et convergent.

Exercice 1 : Corrigé
Estimation du paramètre de la loi de poisson par la méthode du maximum de vraisemblance
Soit X une variable aléatoire qui suit une loi de Poisson de paramètre 𝜆, et on note 𝑋 ↝ 𝒫(𝜆),
si :
−𝜆
𝜆𝑥
𝑃(𝑋 = 𝑥) = 𝑒 , 𝑎𝑣𝑒𝑐 𝜆 > 0
𝑥!

1°) Estimer 𝜆 par la méthode du maximum de vraisemblance.

2°) Montrer que l’estimateur trouvé est sans biais et convergent.
Corrigé
1) On note que X suit la loi de Poisson de paramètre 𝜆 et 𝐸(𝑋) = 𝑉(𝑋) = 𝜆
a) La fonction de vraisemblance du paramètre :
𝑖=𝑛
𝜆 𝑥𝑖 𝜆 𝑥1 𝜆 𝑥2 𝜆 𝑥𝑛
𝐿(𝑋1 , 𝑋2 , . . . , 𝑋𝑛 ; 𝜆) = ∏ 𝑃(𝑋 = 𝑥𝑖 ) = ∏ [𝑒 −𝜆 ] = 𝑒 −𝜆 × 𝑒 −𝜆 × … × 𝑒 −𝜆
𝑥𝑖 ! 𝑥1 ! 𝑥2 ! 𝑥𝑛 !
𝑖=1 𝑖=1
𝑖=𝑛
𝜆 𝑥𝑖 𝜆(𝑥1+𝑥2+⋯+𝑥𝑛)
𝐿(𝑋1 , 𝑋2 , . . . , 𝑋𝑛 ; 𝜆) = ∏ 𝑃(𝑋 = 𝑥𝑖 ) = ∏ [𝑒 −𝜆 ] = 𝑒 −𝑛𝜆
𝑥𝑖 ! 𝑥1 ! 𝑥2 ! … 𝑥𝑛 !
𝑖=1 𝑖
𝑖=𝑛 𝑖=𝑛
−𝜆
𝜆 𝑥𝑖 −𝑛𝜆
𝜆∑𝑖=1 𝑥𝑖
𝐿(𝑋1 , 𝑋2 , . . . , 𝑋𝑛 ; 𝜆) = ∏ 𝑃(𝑋 = 𝑥𝑖 ) = ∏ [𝑒 ]=𝑒
𝑥𝑖 ! ∏𝑖=𝑛
𝑖=1 𝑥𝑖 !
𝑖=1 𝑖
∑𝑖=𝑛
𝑖=1 𝑥𝑖
𝜆
𝐿(𝑋𝑛 ; 𝜆) = 𝑒 −𝑛𝜆
∏𝑖=𝑛
𝑖=1 𝑥𝑖 !
𝑖=𝑛
𝜆∑𝑖=1 𝑥𝑖
b) Linéariser la fonction de vraisemblance : 𝐿𝑛(𝐿(𝑋𝑛 ; 𝜆)) = 𝐿𝑛 [𝑒 −𝑛𝜆 ∏𝑖=𝑛 ]
𝑖=1 𝑥𝑖 !

𝑖=𝑛 𝑖=𝑛
−𝑛𝜆
𝜆∑𝑖=1 𝑥𝑖
𝐿𝑛(𝐿(𝑋𝑛 ; 𝜆)) = 𝐿𝑛 [𝑒 ] = −𝑛𝜆 + (∑ 𝑥𝑖 ) 𝑙𝑛𝜆 − 𝑙𝑛 (∏ 𝑥𝑖 !)
∏𝑖=𝑛
𝑖=1 𝑥𝑖 ! 𝑖=1
𝑖=𝑛

𝐿𝑛(𝐿(𝑋𝑛 ; 𝜆)) = −𝑛𝜆 + (∑ 𝑥𝑖 ) 𝑙𝑛𝜆 − 𝑙𝑛 (∏ 𝑥𝑖 !)

𝑖=1
c) Condition nécessaire :
𝜕𝐿𝑛(𝐿) ∑ 𝑥𝑖 ∑ 𝑋𝑖
= 0 ⟺ −𝑛 + = 0 ⟹ 𝜆̂ = = 𝑋̅
𝜕𝜆 𝜆 𝑛

Notes de cours L2 / FIP2 Dr Mahop Page 5 of 10

 d) Condition suffisante :
𝝏𝟐 𝒍𝒏(𝑳) ∑ 𝑥𝑖 𝑛𝜆̂ 𝑛
] = − =− =− <0
𝝏𝝀𝟐 𝝀=𝝀̂ 𝜆̂2 𝜆̂2
⏟ 𝜆̂
̂=∑ 𝑋𝑖 ⇒∑ 𝑋𝑖 =𝑛𝜆
𝜆 ̂
𝑛

∑ 𝑋𝑖
𝑙 ′ 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑒𝑢𝑟 𝑑𝑢 𝑚𝑎𝑥𝑖𝑚𝑢𝑚 𝑑𝑒 𝑣𝑟𝑎𝑖𝑠𝑒𝑚𝑏𝑙𝑎𝑛𝑐𝑒 𝑑𝑒 𝜆 𝑒𝑠𝑡 𝑑𝑜𝑛𝑐 𝜆̂ =
𝑛

2)
∑𝑋 1 1 1
a) 𝐸(𝜆̂) = 𝐸 ( 𝑛 𝑖 ) = 𝑛 𝐸(∑𝑖=𝑛
𝑖=1 𝑋𝑖 ) = 𝑛 ∑(𝐸(𝑋𝑖 ) = 𝑛 × 𝑛. 𝜆 = 𝜆
𝐸(𝜆̂) = 𝜆, 𝑑𝑜𝑛𝑐 𝜆̂ 𝑒𝑠𝑡 𝑠𝑎𝑛𝑠 𝑏𝑖𝑎𝑖𝑠.

∑𝑋 1 1 1 𝜆
b) V(𝜆̂) = 𝑉 ( 𝑛 𝑖 ) = 𝑛2 𝑉(∑𝑖=𝑛
𝑖=1 𝑋𝑖 ) = 𝑛2 [∑ 𝑉(𝑋𝑖 )] = 𝑛2 × 𝑛𝜆 = 𝑛
𝜆
lim V(𝜆̂) = 𝑙𝑖𝑚 = 0, 𝑑𝑜𝑛𝑐 𝜆̂ 𝑒𝑠𝑡 𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒𝑛𝑡.
𝑛→+∞ 𝑛→+∞ 𝑛

Exercice2- Corrige
Soit une variable aléatoire X dont la loi de probabilité est donnée par la fonction suivante :
0 si x < 0
𝑓(𝑥) = { 1 𝑥 ;𝛼 > 0
e - 𝛼 si x ≥ 0
𝛼
1°) Vérifier que f est une densité de probabilité. Calculer l'espérance mathématique de X.
2°) Estimer  par la méthode du maximum de vraisemblance.
3°) Montrer que cet estimateur est sans biais et Convergent.
Solution - 1°) Vérification que f est une densité de probabilité (ddp)
On note que X suit la loi exponentielle de paramètre 𝛼 ; avec 𝐸(𝑋) = 𝛼 et 𝑉(𝑋) = 𝛼 2
𝑓(𝑥) ≥ 0
𝑓 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑑𝑑𝑝 𝑠𝑖 { 𝑒𝑡 ;
+∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
𝑥 𝑥 +∞
+∞ 0 +∞ 1
or 𝑓(𝑥) ≥ 0, ∀𝑥 ∈ ℝ 𝑒𝑡 ∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 0𝑑𝑥 + ∫0 (𝛼 e - 𝛼 ) 𝑑𝑥 = 0 + [−e - 𝛼 ] =1
0
donc f(x) est une ddp.
2°) Estimateur du Maximum de vraisemblance de α.
Fonction de vraisemblance : 𝐿(𝑋1 , 𝑋2 , . . . , 𝑋𝑛 ; 𝛼)
𝑖=𝑛 𝑖=𝑛
1 - 𝑥𝑖 1 𝑥1 1 𝑥2 1 𝑥𝑛
𝐿(𝑋1 , 𝑋2 , . . . , 𝑋𝑛 ; 𝛼) = ∏ 𝑓(𝑥𝑖 ; 𝛼) = ∏ [ e 𝛼] = e- 𝛼 × e- 𝛼 × …× e- 𝛼
𝛼 𝛼 𝛼 𝛼
𝑖=1 𝑖=1

1 𝑛 - 1 (𝑥1+𝑥2+⋯+𝑥𝑛)
𝑖=𝑛
∑𝑖=1 𝑥𝑖
𝐿(𝑋1 , 𝑋2 , . . . , 𝑋𝑛 ; 𝛼) = ( ) e 𝛼 = 𝛼 −𝑛 𝑒 − 𝛼
𝛼

Notes de cours L2 / FIP2 Dr Mahop Page 6 of 10

Linéarisation avec Ln
∑𝑖=𝑛 ∑𝑖=𝑛 ∑𝑖=𝑛
𝑖=1 𝑥𝑖 𝑖=1 𝑥𝑖 𝑖=1 𝑥𝑖
𝑙𝑛 𝐿 (𝑋1 ; 𝑋2 ; . . . ; 𝑋𝑛 ; 𝛼) = 𝑙𝑛 (𝑎−𝑛 𝑒 − 𝛼 ) = 𝑙𝑛𝑎−𝑛 −
= −𝑛 𝑙𝑛 𝛼 −
𝛼 𝛼
𝑖=𝑛
∑𝑖=1 𝑥𝑖
𝑙𝑛 𝐿 (𝑋1 ; 𝑋2 ; . . . ; 𝑋𝑛 ; 𝛼) = −𝑛 𝑙𝑛 𝛼 −
𝛼
Condition du 1er ordre (Equation de vraisemblance)
𝑖=𝑛
𝜕 𝑙𝑛 𝐿 𝑛 1 𝛼𝑛 ∑𝑖=𝑛
𝑖=1 𝑥𝑖 ∑𝑖=𝑛
𝑖=1 𝑥𝑖
= 0 ⇒ − + 2 ∑ 𝑥𝑖 = 0 (1) ⇒ − 2 + = 0 ⇒ 𝛼
̂ =
𝜕𝛼 𝛼 𝛼 𝛼 𝛼2 𝑛
𝑖=1
Condition du second ordre (dérivée de l’équation de vraisemblance (1))
𝑖=𝑛
𝜕 2 𝑙𝑛 𝐿 𝑛 2
2
] = 2 − 3 ∑ 𝑥𝑖 , (2)
𝜕𝛼 𝛼=𝛼̂ 𝛼̂ 𝛼̂
𝑖=1
∑𝑖=𝑛
𝑖=1 𝑥𝑖
On sait que : 𝛼̂ = ⇒ ∑𝑖=𝑛
𝑖=1 𝑥𝑖 =
𝑛𝛼̂ et on remplace dans (2), on obtient :
𝑛
2 𝑙𝑛 𝐿
𝜕 𝑛𝛼̂ − 2𝑛𝛼̂ 𝑛
2
] = 3
=− <0
𝜕𝛼 𝛼=𝛼̂ 𝛼̂ 𝛼̂²
Et l’estimateur de maximum de vraisemblance de α est :
∑ 𝑥𝑖
𝛼̂ =
𝑛

3°) Propriétés de l’estimateur 𝛼̂

∑𝑋
𝛼̂ est sans biais si 𝐸(𝛼̂) = 𝐸 ( 𝑛 𝑖 ) = 𝛼 (1) et
∑ 𝑋𝑖
𝛼̂ est convergent lim 𝑉 (𝛼̂) = lim 𝑉 ( )=0 (2)
𝑛→∞ 𝑛→∞ 𝑛

Propriétés de 𝛼̂ :
∑𝑋 1 1 1
𝐸(𝛼̂) = 𝐸 ( 𝑛 𝑖 ) = 𝑛 𝐸(∑ 𝑋𝑖 ) = 𝑛 ∑𝑖=𝑛
𝑖=1 𝐸(𝑋𝑖 ) = 𝑛 × 𝑛 × 𝐸(𝑋𝑖 )
⏟ =𝛼
𝑋𝑖 𝑠𝑢𝑖𝑡 𝑙𝑎 𝑙𝑜𝑖
𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑡𝑖𝑒𝑙𝑙𝑒 𝑑𝑒
𝑝𝑎𝑟𝑎𝑚è𝑡𝑟𝑒 𝛼
𝑒𝑡 𝐸(𝑋𝑖 )=𝛼
⇒ 𝐸(𝛼̂) = 𝛼 , 𝛼̂ est donc un estimateur sans biais de 𝛼.

∑ 𝑋𝑖 1 1 1 𝛼²
et V(𝛼̂) = 𝑉 ( ) = 𝑛2 V(∑ 𝑋𝑖 ) = 𝑛2 ∑𝑖=𝑛
𝑖=1 𝑉(𝑋𝑖 ) = 𝑛2 × 𝑛 ⏟2
𝛼 =
𝑛 𝑛
𝑋𝑖 𝑠𝑢𝑖𝑡 𝑙𝑎 𝑙𝑜𝑖
𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑡𝑖𝑒𝑙𝑙𝑒 𝑑𝑒
𝑝𝑎𝑟𝑎𝑚è𝑡𝑟𝑒 𝛼
𝑒𝑡 𝑉(𝑋𝑖 )=𝛼2
𝛼²
⇒ lim 𝑉 (𝛼̂) = lim = 0 , donc 𝛼̂ est convergent.
𝑛→∞ 𝑛→∞ 𝑛

Exercice3- Corrigé
Dans une population P, on définit la variable aléatoire X dont la loi de probabilité est donnée par
la densité de probabilité suivante :

Notes de cours L2 / FIP2 Dr Mahop Page 7 of 10

 2x - 𝑥 2
𝑓(x, 𝜃) = { 𝜃 e 𝜃 si x ≥ 0 ; 𝜃 > 0
0 si x < 0
On prélève un échantillon (X1, X2, X3, . . ., Xn).
1°) Vérifier que f est une densité de probabilité;
2°) Estimer par la méthode du Maximum de vraisemblance le paramètre . On notera
𝜃̂ (𝑋𝑛 ) cet estimateur.
3°) Estimer le paramètre  par la méthode des moments.
4°) Déterminer la loi de probabilité de la variable aléatoire Y = X2.
5°) Déduire de la question précédente que l'estimateur 𝜃̂ est sans biais et convergent.
Solution-
𝑓(𝑥) ≥ 0
X est une variable continue dont la d. d. p. 𝑠𝑖 { 𝑒𝑡
+∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = 1

2x - 𝑥 2
𝑓(x; 𝜃) = { 𝜃 e 𝜃 si x ≥ 0 ; 𝜃 > 0
0 si x < 0

1°) f est une densité de probabilité. En effet :

x 2
2x - 
   0, x  0  e  0 et f(x)  0; x  IR

2 𝑥2
+∞
+∞ 0 +∞ 2x - 𝑥 -
 ∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 0𝑑𝑥 + ∫0 𝜃 e 𝜃 𝑑𝑥 = 0 + [−e 𝜃 ] =1
0

2°) Estimateur du Maximum de vraisemblance de .

2
 2   xi
 2x - x i  n - i
L =  f(xi ,  ) =   i e   =  2   (xi ) e 
     i
i  
 

∑ 𝑥𝑖2
𝑙𝑛𝐿(𝑋𝑛 ; 𝜃) = 𝑛𝑙𝑛2 − 𝑛𝑙𝑛𝜃 + 𝑙𝑛 (∏ 𝑥𝑖 ) −
𝜃

∑ 𝑥𝑖2
𝑙𝑛𝐿(𝑋𝑛 ; 𝜃) = 𝑛𝑙𝑛2 − 𝑛𝑙𝑛𝜃 + ∑ 𝑙𝑛𝑥𝑖 −
𝜃

Notes de cours L2 / FIP2 Dr Mahop Page 8 of 10

  x i2 − n +  x i2  x i2
 Log L n
=− + i = i = 0  ˆ = i
  2  2 n
2 x i2   Xi2
2
 Log L  n  n 2n ˆ n
 = − i  = − =− 0 et ˆ(Xn ) = i
 2
 =ˆ 
2
 
3
ˆ 2
ˆ 3
ˆ 2 n
 =ˆ
Donc l’estimateur par la méthode du maximum de vraisemblance (EMV) est :
1
𝜃̂ = ∑ 𝑋𝑖2
𝑛
𝑖

3°) Estimer par la méthode des moments.

La méthode des moments consiste à égaliser les moments simples théoriques 𝐸(𝑋 𝑟 ) et les moments
∑ 𝑥𝑟
simples empiriques 𝑋̅𝑟 = 𝑖 𝑛
∑𝑋 2
On calcule E(X ) et égalisons à 𝑋̅2 = 𝑛 𝑖
2

+∞ +∞ +∞
2𝑥 𝑥²
𝐸(X²)= ∫ x²f(𝑥)dx = ∫ x² ( 𝑒 − 𝜃 ) dx = ∫ ue-u 𝜃du = 𝜃𝛤(2) = 𝜃1! = 𝜃
0 0 𝜃 ⏟0
𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑔𝑎𝑚𝑚𝑎 𝑑′𝐸𝑢𝑙𝑒𝑟
∑𝑖 𝑋𝑖2
⇒ 𝜃 = 𝐸(X²) = 𝑚2 ; et 𝜃̂ =
𝑛

Remarque : méthode d’intégration débouchant sur la fonction gamma d’Euler pour calculer
+∞
2𝑥 𝑥² 𝑥2
𝐸(X²)= ∫ x² ( 𝑒 − 𝜃 ) dx 𝑒𝑡 𝑝𝑜𝑠𝑜𝑛𝑠 𝑢 =
0 𝜃 𝜃
2
𝑥 = 𝜃𝑢
𝑒𝑡
2𝑥𝑑𝑥 𝜃𝑑𝑢
⇒ 𝑑𝑢 = ⇒ 𝑑𝑥 =
𝜃 2𝑥
𝑒𝑡
𝑥2 𝑥2
lim
{𝑥→0 𝜃 = 0 ⇒ lim 𝑢 = 0 𝑒𝑡 lim = +∞ ⇒ lim 𝑢 = +∞
𝑥→0 𝑥→+∞ 𝜃 𝑥→+∞
On remplace u dans le calcul de 𝐸(X²)
+∞ +∞ +∞ +∞
2𝑥 −𝑥 2 2𝑥 -u 𝜃𝑑𝑢
𝐸(X²)= ∫ x² ( 𝑒 ) dx = ∫ 𝜃𝑢 e (
𝜃 ) = ∫ 𝜃𝑢e du = 𝜃 ∫ 𝑢e-u du
-u
0 𝜃 0 𝜃 2𝑥 0 0
𝑝𝑜𝑢𝑟 𝑛 > 0
Rappel : la fonction gamma d’Euler est: { +∞
Γ(𝑛) = ∫0 𝑢𝑛−1 e-u du = (n − 1)!
+∞
⇒∫ 𝑢e-u du = Γ(2) = (2 − 1)! = 1! = 1
0
+∞
⇒ 𝐸(X²) = 𝜃 ∫ 𝑢e-u du = 𝜃 × 1! = 𝜃 𝑠𝑜𝑖𝑡 𝐸(X²) = 𝜃
0

Notes de cours L2 / FIP2 Dr Mahop Page 9 of 10

4°) Loi de Probabilité de Y= X²
Soient F et f respectivement la fonction de répartition et la densité de probabilité (ddp) de X.
Soient G et g respectivement la fonction de répartition et la densité de probabilité (ddp) de Y.
On a :
𝐺(𝑦)= P(Y≤y)=P(X²<y)=P(|𝑋| ≤ √𝑦) = 𝑃(−√𝑦 ≤ X≤√𝑦) = 𝐹(√𝑦) − 𝐹(−√𝑦)
′ ′ ′
⇒ 𝑔(𝑦)=𝐺 ′ (𝑦) = [𝐹(√𝑦) − 𝐹(−√𝑦)] = [𝐹(√𝑦)] − [𝐹(−√𝑦)]
𝑜𝑛 𝑠𝑎𝑖𝑡 𝑞𝑢𝑒: (𝑔𝑜𝑓)(𝑥)′ = 𝑓′ × 𝑔′(𝑓(𝑥))
𝑔(𝑦) = [(√𝑦)′ × 𝐹 ′ (√𝑦)] − [(−√𝑦)′ × 𝐹 ′ (−√𝑦)]
𝑔(𝑦) = [(√𝑦)′ × 𝑓(√𝑦)] − [(−√𝑦)′ × 𝑓(−√𝑦)]
1 1 1
⇒ 𝑔(𝑦)= [ ×f(√𝑦)] - [− × 𝑓(−
⏟ √𝑦) ] = × 𝑓(
⏟√𝑦) +0
2√𝑦 2√𝑦 2√𝑦 2
𝑓(𝑥)=0 𝑠𝑖 𝑥<0 2x - 𝑥
𝑓(𝑥)= e 𝜃 , 𝑠𝑖 𝑥≥0
𝜃
1 2√𝑦 −(√ 𝑦)2
1 𝑦
𝑔(𝑦) = × 𝑒 𝜃 = 𝑒 −𝜃
2√𝑦 𝜃 𝜃
1 − 𝑦
𝑠𝑜𝑖𝑡 𝑔(𝑦) = {𝜃 𝑒
𝜃 𝑠𝑖 𝑥 ≥ 0

0 𝑠𝑖 𝑥 < 0

Et Y suit une loi exponentielle de paramètre , avec E(Y) =  et V(Y) = θ2.

∑ 𝑋2 ∑ 𝑌 ∑ 𝑌 1
5°) Or l'estimateur de  est : 𝜃̂ = 𝑖𝑛 𝑖 = 𝑖𝑛 𝑖 = 𝑌 ⇒ 𝐸(𝜃̂) = 𝐸( 𝑖𝑛 𝑖 ) = 𝑛 × 𝑛𝜃 = 𝜃. Cet
estimateur est sans biais de .
∑ 𝑌 1 1 𝜃² 𝜎2
Par ailleurs 𝑉(𝜃̂)=V ( 𝑖 𝑖 ) = )
2 𝑉(∑𝑖 𝑌𝑖 =
2
2 × 𝑛𝜃 =
et lim 𝑉(𝜃̂) = lim =0
𝑛 𝑛 𝑛 𝑛 𝑛→∞ 𝑛→∞ 𝑛
Et l'estimateur est convergent.

Autres exercices d’applications

Déterminer des estimateurs par la méthode des moments et par la méthode du maximum de
vraisemblance pour les paramètres suivants :
a) le paramètre p de la loi de Bernoulli (p) avec un échantillon de taille n.
b) le paramètre p de la loi Binomiale (n ; p) avec un échantillon de taille n.
Calculer les estimateurs si l’échantillon observé est le suivant : (3; 6; 2; 0; 0; 3) avec un échantillon
de taille n = 10.
c) le paramètre 𝜆 de la loi de Poisson (𝜆) avec un échantillon de taille n.
d) les paramètres a et b de la loi Uniforme (a ; b) avec un échantillon de taille n.
e) le paramètre 𝜇 de la loi normale (𝜇 ; 𝜎 2 ) avec un échantillon de taille n et variance 𝜎 2 connue et
une moyenne 𝜇 inconnue.
f) le paramètre 𝜎 2 de la loi Normale (𝜇; 𝜎 2 ) avec un échantillon de taille n, avec une moyenne 𝜇
connue et une variance 𝜎 2 inconnue.
g) les paramètres (𝜇 ; 𝜎 2 ) de la loi normale (𝜇 ; 𝜎 2 ) avec un échantillon de taille n avec une moyenne
𝜇 inconnue et une variance 𝜎 2 inconnue.

Notes de cours L2 / FIP2 Dr Mahop Page 10 of 10