Sorbonne Université, Master 1 MU4MA015, Statistique, 2023-2024

Cours : A. Guyader TD : A. Ben-Hamou, A. Godichon et M. Sangnier

Correction du TD 2

Exercice 1
1. On a
n
1X 1

E X n) = E(Xi ) = m et E Zn ) = E(Xn ) + E(Xn−1 ) = m,
n 2
i=1

les deux estimateurs sont donc sans biais pour l’estimation de m.

2. Le risque quadratique d’un estimateur m
b de m est donné par

R(m, b − m)2 + Var(m).

b m) = (E(m) b

On compare les risques quadratiques des deux estimateurs. On a

n n
!
1X 1 X
R(X n , m) = 0 + Var(X n ) = Var Xi = 2 Var(Xi ) (par indépendance)
n n
i=1 i=1
1 σ2
= Var(X1 ) = ;
n n
1 σ2
R(Zn , m) = 0 + Var(Xn + Xn−1 ) = .
4 2
Pour tout n ≥ 3, pour tout m ∈ R, on a R(X n , m) < R(Zn , m), l’estimateur X n est donc préférable
à Zn au sens du risque quadratique. Ne pas oublier de comparer les risques quadratiques pour toutes
les valeurs possibles du paramètre inconnu, ici m ∈ R.
3. Le risque de l’estimateur (stupide) Wn est égal à m2 donc il est préférable à X n pour des valeurs
√
de paramètre extrêmes |m| ≤ σ/ n. Ainsi, X n n’est pas toujours préférable à Wn = 0, ce qui
montre bien la limite de la méthode consistant à comparer les risques des estimateurs pour toutes
les valeurs possibles du paramètre (c’est-à-dire uniformément). Remarquons tout de même que cet
effet s’estompe avec n tendant vers l’infini.

Petit rappel
Lorsqu’une suite Un converge en loi vers une variable U , avec des fonctions de répartition FUn et FU
continues sur R, nous avons pour −∞ ≤ a ≤ b ≤ +∞, avec les conventions usuelles F (−∞) = 0 et
F (+∞) = 1 pour toute fonction de répartition :

P (a ≤ Un ≤ b) = FUn (b) − FUn (a) −−−→ FU (b) − FU (a).

n→∞

Lorsque U ∼ N (0, 1) (ce qui est souvent le cas), il suffit de prendre (pour β ∈ [0, α]) b = Φ−1 (1 − β) (le
(1 − β)-quantile de N (0, 1)) et a = Φ−1 (α − β) (le α − β-quantile). On obtient alors :

P (a ≤ Un ≤ b) → 1 − β − (α − β) = 1 − α.
On a donc une infinité de possibilité, conduisant à une infinité d’intervalles de confiance. L’option la plus
classique est de choisir β = α/2, autrement dit b = Φ−1 (1 − α/2) et a = −Φ−1 (1 − α/2) = Φ−1 (α/2) (on
considère donc le quantile d’ordre 1 − α/2 de la loi N (0, 1)). On vérifie de nouveau que :

P (a ≤ Un ≤ b) → 1 − α/2 − α/2 = 1 − α.

On aurait aussi très bien pu choisir β = α (i.e. b = Φ−1 (1 − α) et a = Φ−1 (0) = −∞) ou β = 0 (i.e.
b = Φ−1 (1) = ∞ et a = Φ−1 (α)).

Exercice 2
1. Comme EX1 = θ et Var X1 = θ, le théorème de la limite centrale appliqué aux variables Xi i.i.d. de
carré intégrable donne √
n(θbn − θ) ⇝ N (0, θ).

2. Pour toute fonction g dérivable en tout θ > 0, nous pouvons appliquer la méthode Delta :
√
n(g(θbn ) − g(θ)) ⇝ N (0, θ(g ′ (θ))2 ).

Pour “stabiliser la variance”, choisissons g de sorte que, pour tout θ > 0,

θ(g ′ (θ))2 = 1.
√ √
Ceci incite à choisir g comme une primitive de θ 7→ 1/ θ, ainsi g(θ) = 2 θ convient. Avec ce choix,
nous trouvons
√ √
 q 
n 2 θn − 2 θ ⇝ N (0, 1),
b

ce qui « stabilise » bien la variance asymptotique, toujours égale à 1 quel que soit θ > 0. On en
déduit que
√ √
  q  
P −2 ≤ n 2 θbn − 2 θ ≤ 2 −−−→ Cte ≥ 0.95,
n→∞

ce qui implique que "  q 2 q 2 #

1 1
max 0, θbn − √ ; θbn + √
n n
est un intervalle de confiance asymptotique à 95% pour θ.
3. On a vu que √
n(θbn − θ) ⇝ N (0, θ).
Par le théorème de continuité et le lemme de Slutsky (voir TD 1, Exercice 7), on a donc

√ θbn − θ
n q ⇝ N (0, 1).
θbn

un intervalle de confiance asymptotique à 95% pour θ est donc

 q q 
θ θb
θbn − 2 √ n ; θbn + 2 √ n  .
b
n n
 4. Les intervalles précédents ne sont valables qu’asymptotiquement, c’est-à-dire lorsque n tend vers
l’infini, or dans ce cas, on a pour la borne supérieure du premier intervalle :
q q
2
θ θbn
q
1 b n 1
θbn + √ = θbn + 2 √ + ≈ θbn + 2 √ ,
n n n n

qui correspond à la borne supérieure du second intervalle. Le fait que θbnqtende presque sûrement
√
vers θ > 0 assure bien que 1/n est asymptotiquement négligeable devant θbn / n :

1/n 1 1 p.s.
= √ × q −−−→ 0.
√
q
n n→∞
θbn / n θbn

Bref, la méthode de stabilisation de la variance n’apporte rien de plus qu’un simple plug-in, lequel
ne requiert aucun calcul de primitive.

Exercice 3
1. Les Xi suivent une loi normale N (0, θ2 ). On sait donc que Var(Xi ) = E(Xi2 ) = θ2 = τ . Pour estimer
τ , on propose l’estimateur suivant :
n
1X 2
τb = Xi .
n
i=1

Pn  Xi 2
On a alors nb
τ
τ
= i=1 θ . Or comme pour tout i, Xθi ∼ N (0, 1) et comme les v.a. Xi sont i.i.d.,
on en déduit que
nb
τ
∼ χ2 (n).
τ
Cette caractérisation de la loi de τb suffit, cependant on peut remarquer qu’une loi du χ2 (n) est aussi
une loi γ( n2 , 12 ). Ainsi,
τ nb
τ n n 
τb = ∼γ , .
n τ 2 2τ

2. On note Fχ2n la f.d.r. de la loi du χ2 (n) et Fχ−1

2 la fonction quantile (qui est ici l’inverse de Fχ2
n
car
n
cette dernière est une bijection). On peut alors écrire :
 
nbτ
P Fχ−1 2 (α/2) ≤ ≤ F −1
χ2n
(1 − α/2) = 1 − α,
n τ

donc
!
nbτ nbτ
P −1 ≤ τ ≤ −1 = 1 − α.
Fχ2 (1 − α/2) Fχ2 (α/2)
n n

En posant

nb
τ nbτ
S1 = et S2 = −1 ,
Fχ−1
2 (1− α/2) Fχ2 (α/2)
n n
 on en déduit que P(τ < S1 ) = P(τ > S2 ) = α/2 :
   

nb
τ −1 nbτ
P τ < S1 = P τ < −1 = P Fχ2 (1 − α/2) <
Fχ2 (1 − α/2) n τ
n

= 1 − Fχ2n Fχ−1


2 (1 − α/2) = α/2.
n
   
nb τ −1 nbτ
= Fχ2n Fχ−1



P τ > S2 = P τ > −1 = P Fχ2 (α/2) > 2 (α/2) = α/2.
Fχ2 (α/2) n τ n
n

3. Les Xi suivent une loi normale et admettent donc des moments à tous les ordres, en particulier à
l’ordre 4. Les v.a. Xi2 sont donc dans L2 et satisfont le TCL :

√ n1 ni=1 Xi2 − θ2
P
√ τb − τ
np = n p ⇝ N (0, 1).
Var(X12 ) Var(X12 )

De plus, Var(X12 ) = θ4 Var((X1 /θ)2 ) = 2θ4 = 2τ 2 car la variance d’une χ2 (1) est égale à 2.
On peut alors construire un IC asymptotique pour τ . La convergence en loi vue plus haut donne, en
notant Φ la fonction de répartition de la N (0, 1),

√ τb − τ
 
−1 −1
P −Φ (1 − α/2) ≤ n √ ≤ Φ (1 − α/2) → 1 − α,
2τ 2
c’est-à-dire,
 
P 1 − Φ−1 (1 − α/2)/ n/2 ≤ τb/τ ≤ 1 + Φ−1 (1 − α/2)/ n/2 → 1 − α,
p p

on encore
!
τb τb
P p ≤τ ≤ p → 1 − α.
1 + Φ−1 (1 − α/2)/ n/2 1 − Φ−1 (1 − α/2)/ n/2

4. On a Fχ−1 −1
2 (α/2) ≃ 3.25, Fχ2 (1 − α/2) ≃ 20.48 et Φ
−1 (1 − α/2) ≃ 2. L’intervalle non asymptotique
n n
(question 2) associé est [0.97, 6.16] (environ), alors que l’intervalle asymptotique est [1.05, 18.95]
(environ). On remarque que l’intervalle de confiance asymptotique est différent de l’intervalle de
confiance non asymptotique. Ceci est normal car n = 10 est trop petit pour que l’approche asymp-
totique soit valide (la convergence n’a pas eu lieu).
Remarque : On préférera l’IC non-asymptotique car il a été construit avec la vraie loi, et est donc
plus précis.
5. Dans les deux cas, on raisonne de manière non-asymptotique car on souhaite que l’approche soit
valable pour n = 10.

Première option Par un raisonnement  similaire à celui de la question 2 (en remplaçant 1 − α/2
par 1 − α et α/2 par 0), F −1nb
τ
(1−α)
, ∞ est un intervalle de confiance de niveau 1 − α pour τ . Ainsi,
χ2
n
on construit le test
T =1   =1 3F −1 ,
χn2 (1−α)
]0,3]∩ −1nbτ
,∞=∅ τb> n
F 2 (1−α)
χn

qui est bien de niveau α.

 Deuxième

option Construisons le test directement. On cherche donc cα ≥ 0 tel que supτ ≤3 P τb >
cα = α. Or nous avons :
 

nbτ ncα
sup P τb > cα = sup P >
τ ≤3 τ ≤3 τ τ
 
ncα
= 1 − inf Fχ2n
τ ≤3 τ
= 1 − Fχ2n (ncα /3).

Nous choisissons donc cα de sorte que 1 − Fχ2n (ncα /3) = α, c’est -à-dire, cα = 3n−1 Fχ−1
2 (1 − α).
n
Finalement, le test rejetant H0 si τb > 3n−1 Fχ−1
2 (1 − α) est de niveau α. Pour n = 10, et α = 5%,
n
nous avons 3n−1 Fχ−1
2 (1 − α) ≃ 5.49. Ainsi H0 est acceptée lorsque τ
b = 4.
n
De plus, la p-valeur est donnée par

α0 = inf{α ∈ [0, 1], tel que H0 est rejetée au niveau α}.

Or, nous avons

H0 est rejetée au niveau α ⇔ τb > 3n−1 Fχ−1

2 (1 − α)
n

⇔ nb
τ /3 > Fχ−1
2 (1 − α)
n

⇔ Fχ2n (nb
τ /3) > 1 − α
⇔ α > 1 − Fχ2n (nb
τ /3),

donc α0 = 1−Fχ2n (nb τ (ω)/3). Pour les valeurs numériques plus haut, cela donne α0 = 1−Fχ210 (40/3) ≃
0.2. En particulier, on retrouve bien que le test accepte H0 pour α = 0.05.

Exercice 4
1. (a) La v.a. Yn est bien définie sur l’événement { ni=1 Xi > 0} qui est de probabilité 1 car les Xi
P
sont strictement positifs p.s. (la loi de Xi ne charge pas 0 car elle est absolument continue par
rapport à la mesure de Lebesgue). Ainsi, Yn est bien définie p.s.
(b) Les v.a. Xi suivent une loi exponentielle E(θ). On a ainsi E(X1 ) = 1/θ. Et la loi des grands
nombres appliquée aux Xi (i.i.d. et intégrables) montre que X n converge p.s. vers 1/θ > 0. Par
le théorème de continuité, Yn = 1/X n converge p.s. vers θ. Cela indique que Yn = 1/X n est un
estimateur consistant et donc raisonnable de θ.
Comme nous le verrons plus tard, ce dernier correspond à l’estimateur par la méthode des mo-
ments.
√
(c) Comme VarX1 = 1/θ2 < ∞, le TCL donne que n(X n − EX1 ) ⇝ N (0, VarX1 ) c’est-à-dire
√
n(X n − 1/θ) ⇝ N (0, 1/θ2 ). A présent, on utilise la méthode delta avec la fonction x 7→ 1/x,
qui est bien dérivable sur R∗+ de dérivée en 1/θ égale à −1/(1/θ)2 = −θ2 :
√
n(Yn − θ) ⇝ N (0, (−θ2 )2 /θ2 )

donc √
n(Yn − θ) ⇝ N (0, θ2 ).
1), comme les Xi sont indépendantes et puisque
(d) D’après les propriétés de la loi Gamma (cf. TDP
chaque Xi est de loi E(θ) = γ(1, θ), nous avons ni=1 Xi ∼ γ(n, θ). On en déduit E(Yn ), Var(Yn )
 et E[(Yn − θ)2 ] :
n n
! !
1 θn n−1
X X Z
E(Yn ) = E n/ Xi = nE 1/ Xi =n x exp(−θx)dx
R+ x Γ(n)
Z i=1 i=1
nθ nθ nθ
= un−2 exp(−u)du = Γ(n − 1) = ,
Γ(n) R+ Γ(n) n−1
en posant u = θx et en reconnaissant sous la dernière intégrale la densité de la γ(n − 1, 1), au
facteur Γ(n − 1) près. On obtient de la même manière :
n2 θ 2 n2 θ 2
E(Yn2 ) = Γ(n − 2) = ,
Γ(n) (n − 1)(n − 2)
nθ 2
n2 θ 2 n2 θ 2
 
Var(Yn ) = E(Yn2 ) − E(Yn ) =2
−= ,
(n − 1)(n − 2)
n−1 (n − 1)2 (n − 2)
2
n2 θ 2

2 2 nθ
R(Yn , θ) = E[(Yn − θ) ] = (E(Yn ) − θ) + Var(Yn ) = −θ +
n−1 (n − 1)2 (n − 2)
θ 2 n2 + n − 2
= .
n − 2 (n − 1)2
où l’on remarque d’ores et déjà que le terme entre parenthèses et strictement supérieur à 1 dès
lors que n > 1.
p.s.
2. (a) Les propriétés asymptotiques de Zn sont similaires à celles de Yn : comme n−1
n → 1 et Yn → θ,
p.s. √ 2
on a bien sûr Zn → θ. De plus, comme n(Yn − θ) ⇝ N (0, θ ), nous avons
√ √ √ √ √
n(Zn − θ) = n(Yn − θ) − n(Yn − Zn ) = n(Yn − θ) − Yn / n ⇝ N (0, θ2 ),
√
où nous avons utilisé le lemme de Slutsky car Yn / n converge en probabilité vers 0 (constante).
(b) On calcule le risque de Zn :
n−1
E(Zn ) = E(Yn ) = θ (estimateur sans biais)
n
n−1 2 θ2
 
Var(Zn ) = Var(Yn ) =
n n−2
θ2
R(Zn , θ) = E[(Zn − θ)2 ] = 0 + Var(Zn ) = .
n−2
On voit facilement que le risque quadratique de Zn est inférieur à celui de Yn (pour toute valeur de
2 +n−2
θ, puisque n(n−1) 2 > 1), l’estimateur Zn est donc un peu meilleur au sens du risque quadratique.
√
3. Puisque √ n (Zn − θ) ⇝ N (0, 1), nous avons :
θ2
√
P −Φ−1 (1 − α/2) ≤ n(Zn /θ − 1) ≤ Φ−1 (1 − α/2) → 1 − α.

On obtient un intervalle de confiance asymptotique en réorganisant les termes des inégalités :

 
Zn Zn
P √ ≤ θ ≤ √ → 1 − α.
1 + Φ−1 (1 − α/2)/ n 1 − Φ−1 (1 − α/2)/ n
4. Pour tout θ > 0, par le même raisonnement que ci-dessus, un intervalle de confiance unilatère de
niveau asymptotique 1 − α pour θ est (en prenant comme convention ]a, b] = ∅ pour b ≤ a)
 
0, Zn .
−1
1 + Φ √n(α)
 Le lien entre intervalles de confiance (asymptotiques) et tests (asymptotiques) assure donc que le
test consistant à rejeter H0 ssi
 
Zn =∅
[1, +∞[∩ 0, −1
1 + Φ √n(α)

est de niveau asymptotique α. Dit autrement, on rejette H0 ssi

Φ−1 (α)
Zn < 1 + √ .
n
√
Remarque 1 : en mettant le test sous cette dernière forme, on a supposé que 1+Φ−1 (α)/ n > 0, or
à n fixé petit ceci n’est pas toujours vrai puisque pour les valeurs de α courantes (i.e. inférieures à 1/2,
par exemple α = 5%), on a Φ−1 (α) < 0 (par exemple Φ−1 (0.05) ≈ −1, 64), donc pour n < Φ−1 (α)2
√
(par exemple n < Φ−1 (0.05)2 ≈ 2.7), il est clair que 1 + Φ−1 (α)/ n < 0 et le passage à la dernière
forme n’est pas licite. Néanmoins, il faut bien garder à l’esprit que tout ce qu’on dit n’est valable
√
que pour n → ∞, or quel que soit α ∈]0, 1[ on a bien asymptotiquement 1 + Φ−1 (α)/ n > 0, donc
le passage à la dernière expression est correct. Quoi qu’il en soit, si on veut éviter toute discussion,
il suffit de garder le test sous la forme : rejet de H0 ssi
Zn
Φ−1 (α)
< 1.
1+ √
n

# confiance soit vrai sous H0 . On

Remarque 2 : pour construire un test, il suffit que #l’intervalle de
Zn
aurait donc très bien pu écrire que pour tout θ ≥ 1, 1, Φ−1 (α)
est un intervalle de confiance de
1+ √
n
niveau asymptotique 1 − α pour θ sous H0 , et construire le test par intersection avec [1, +∞[, ce qui
serait revenu au même.
5. Sous H0 : θ = 1, on sait d’après ci-dessus que
√
n(Zn − 1) ⇝ N (0, 1),

donc un intervalle de confiance bilatère de niveau asymptotique 1 − α pour la valeur 1 est

Φ−1 (1 − α/2) Φ−1 (1 − α/2)

 
Zn − √ , Zn + √
n n

et le test consistant à rejeter H0 ssi 1 n’est pas dans cet intervalle est de niveau asymptotique α, ce
qui revient à dire que l’on rejette H0 ssi

Φ−1 (1 − α/2)
|Zn − 1| > √ .
n

Remarque : comme dans l’exemple du Pile ou Face vu en cours, on peut noter que l’intervalle
de confiance n’a en soi aucun intérêt (un intervalle de confiance de longueur minimale, i.e. 0, et de
niveau de confiance maximale, i.e. 100%, est tout simplement {1}), mais que le test qui en découle
est, lui, pertinent.

Exercice 5
1. (a) On a pour tout x ∈ R :



n  0
n
si x < 0
x 2n

2
Rx

FX(n) (x) = P X(n) ≤ x = P X1 ≤ x = θ2 0 sds = θ si 0 ≤ x ≤ θ

1 sinon.

Ainsi, la fonction de répartition de X(n) est continue et C 1 par morceaux sur R. La loi de
X(n) est donc absolument continue par rapport à la mesure de Lebesgue sur R. Une densité est
donnée par la dérivée (p.p.) de cette fonction de répartition, c’est-à-dire,

2nx2n−1
fX(n) (x) = 1[0,θ] (x).
θ2n
(b) On calcule :
θ
2ns2n−1
Z

2n
E X(n) = 2n
s
ds = θ;
0 θ 2n +1
Z θ
2 2ns2n−1 2n 2
s2


E X(n) = 2n
ds = θ ;
0 θ 2n + 2
2
2n (2n + 1)2 − 2n(2n + 2) 2



2n 2 2n
Var X(n) = θ − θ = θ
2n + 2 2n + 1 (2n + 2)(2n + 1)2
n
= θ2 .
(n + 1)(2n + 1)2

(c) Comme X(n) est à valeurs dans [0, θ], on a X(n) ≤ θ p.s. Ainsi, Pour tout ϵ > 0 :
(



0 si ϵ > θ
P |X(n) − θ| > ϵ = P θ − X(n) > ϵ = P X(n) < θ − ϵ = θ−ε

2n
θ2n
sinon.

P
Dans tous les cas P |X(n) − θ| > ϵ → 0 quel que soit ϵ > 0, ce qui prouve que X(n) → θ.
(d) Pour tout ϵ > 0, P |X(n) − θ| > ϵ = rn avec r ∈ [0, 1[. Ainsi n≥1 P |X(n) − θ| > ϵ < ∞ et

P

p.s.
par le Lemme de Borel-Cantelli, X(n) −→ θ.
2. Les Xi sont des v.a. bornées, elles sont donc intégrables. Leur moment d’ordre 1 est

2 θ 2 2θ3
Z
2θ
E(X1 ) = 2 x dx = 2 = .
θ 0 3θ 3
p.s. p.s.
On peut donc appliquer la LFGN (Xi i.i.d.) et on obtient X n → 2θ/3. Comme 3X n /2 → θ, alors
P
3X n /2 → θ et la suite de v.a. 3X n /2 est un estimateur consistant de θ.
3. Pour comparer plus précisément les estimateurs X(n) et 3X n /2, on va calculer leurs risques quadra-
tiques. D’une part, nous avons

3

E 3X n /2 = E X1 = θ.
2
 2 !
2 θ 3
Z

9 91 9 2θ
Var 3X n /2 = Var(X n ) = Var(X1 ) = 2
x dx −
4 4n 4n θ 0 3
!
2 θ 3 2θ 2 9 2θ4 4θ2
Z       
9 9 2 1 4
= x dx − = − = θ −
4n θ2 0 3 4n 4θ2 9 4n 2 9
θ2
= ,
8n
 θ2
donc R(3X n /2, θ) = 8n . D’autre part,
 2

2 2n n
R(X(n) , θ) = E(X(n) ) − θ + Var(X(n) ) = θ−θ + θ2
2n + 1 (n + 1)(2n + 1)2
θ2 θ2
= ∼ .
(n + 1)(2n + 1) n→∞ 2n2
8n
Pour tout θ > 0, on a R(X(n) , θ)/R(3X n /2, θ) = (n+1)(2n+1) , l’estimateur X(n) est donc préférable
à 3X n /2 au sens du risque quadratique dès que n ≥ 3.
4. On construit un IC non-asymptotique pour θ à partir de l’estimateur X(n) (le meilleur au sens du
risque quadratique). Rassemblons ce que nous savons de X(n) :


P 0 ≤ X(n) = 1,


P X(n) ≤ θ = 1,

x2n
∀x ∈ [0, θ] : P X(n) ≤ x = 2n .
θ

Première option On cherche cα ≥ 0 et dα ≥ 0, ainsi qu’un intervalle de la forme

 
X(n) − cα , X(n) + dα ,

tels que  

P θ ∈ X(n) − cα , X(n) + dα = 1 − α. (1)
Or,
 


P θ ∈ X(n) − cα , X(n) + dα = P θ − dα ≤ X(n) ≤ θ + cα
= FX(n) (θ + cα ) − FX(n) (θ − dα )
θ − dα 2n
 
=1− .
θ

Il suffit donc que dα = θ 1 − α1/2n pour avoir l’égalité (1). Par ailleurs, la valeur de cα n’importe

pas tant que cα ≥ 0. Puisque l’on désire un intervalle de confiance le plus court possible, on peut
prendre cα = 0. Ainsi, l’intervalle recherché devient :
h  i
X(n) − cα , X(n) + dα , = X(n) , X(n) + θ 1 − α1/2n ,
 

qui n’est pas un intervalle de confiance puisque la borne de droite dépend de θ. Toutefois,
 h  i   
P θ ∈ X(n) , X(n) + θ 1 − α1/2n = P X(n) ≤ θ ≤ X(n) + θ 1 − α1/2n
 
= P X(n) ≤ θ ≤ X(n) α−1/2n .

On obtient donc l’intervalle de confiance de niveau 1 − α pour θ :

h i
X(n) , X(n) α−1/2n .

Remarque : On  aurait obtenu directement ce résultat en cherchant un intervalle de la forme

X(n) cα , X(n) dα , avec cα ∈ [0, 1] et dα ≥ 1. Il faut laisser parler son expérience !
 Deuxième option

x2n
∀x ∈ [0, θ] : P x ≤ X(n) ≤ θ = 1 − 2n .
θ

Ainsi, pour α ∈]0, 1[, en choisissant x = θα1/(2n) , on obtient x ∈]0, θ[, puis :
 
P θα1/(2n) ≤ X(n) ≤ θ = 1 − α.

En réordonnant les inégalités, on en déduit :

 
P X(n) ≤ θ ≤ X(n) α−1/(2n) = 1 − α,

d’où un intervalle de confiance pour θ de niveau 1 − α donné par X(n) , X(n) α−1/(2n) .
 

5. A partir de l’IC précédent, on peut construire un test de niveau α pour l’hypothèse H0 : θ = 1.

/ [X(n) , X(n) α−1/(2n) ], on accepte H0 sinon.
La règle de décision est la suivante : on rejette H0 si 1 ∈
Ainsi,

on rejette H0 ⇐⇒ 1 < X(n) ou X(n) α−1/(2n) < 1

⇐⇒ 1 < X(n) ou (X(n) )2n < α.

Il s’ensuit que, pour une réalisation x(20) de X(n) (pour n = 20), la p-valeur vaut
(
 2n 0 si 1 < x(20)
α0 = inf α ∈]0, 1[ : 1 < x(20) ou (x(20) ) <α =
(x(20) )2n sinon.

Dit autrement, α0 = (x(20) )2n 1x(20) ≤1 . En particulier, si l’on observe x(20) = 0.85, on obtient α0 =
0.8540 ≃ 1.510−3 . On rejette donc H0 au niveau 0.05.

Exercice 6
1. On remarque que la densité est obtenue par translation : fθ (x) = gθ (x − θ), où la densité
−1 u
gθ (u) = θ−1 e−θ 1u≥0

est la densité d’une loi exponentielle de paramètre θ−1 . Ainsi Xi − θ est de loi E(1/θ) = γ(1, 1/θ)
donc Xi /θ − 1 ∼ E(1). Ceci peut aussi se vérifier par la formule de transfert : pour toute fonction
ϕ : R → R borélienne bornée,
Z +∞
E(ϕ(Xi /θ − 1)) = ϕ(x/θ − 1)θ−1 e−(x/θ−1) dx
θ
Z +∞
= ϕ(u)e−u du,
0

où on a utilisé le changement de variable u = x/θ − 1. On reconnaît bien la densité de la loi E(1).

2. Nous avons pour tout x, comme les Xi sont i.i.d.,




n
P X(1) ≤ x = 1 − P X(1) > x = 1 − P X1 > x ,


Pour calculer P X1 > x , on peut faire un calcul direct avec un changement de variable, ou on peut
utiliser X1 /θ − 1 ∼ E(1) comme expliqué à la question 1 :
 1−x/θ


e pour x/θ − 1 ≥ 0
P X1 > x = P X1 /θ − 1 > x/θ − 1 =
1 pour x/θ − 1 < 0

Finalement, nous obtenons

1 − en(1−x/θ)


pour x ≥ θ
P X(1) ≤x = . (2)
0 pour x < θ

3. Calculons E[(X(1) − θ)2 ]. Comme la fonction de répartition de X(1) est continue et C 1 par morceaux
sur R, la loi de X(1) est absolument continue par rapport à la mesure de Lebesgue sur R. Une
densité est donnée par la dérivée de cette fonction de répartition, puis on peut calculer E[(X(1) − θ)2 ]
par intégration. On propose ici une autre solution, plus rapide et utilisant directement (2) avec une
R +∞ classique (Fubini) et la formulation suivante de l’espérance d’une v.a. positive : ∀Y ≥ 0,
petite astuce
E[Y ] = 0 P(Y > y)dy. Ainsi,
Z ∞ Z ∞
2 2 √
E[(X(1) − θ) ] = P((X(1) − θ) > s)ds = P(X(1) > s + θ)ds (car X(1) − θ ≥ 0 p.s.)
Z0 ∞ √
Z ∞0
= e−n s/θ ds = 2(θ/n)2 ue−u du = 2(θ/n)2 ,
0 0
√
où on a utilisé le changement de variable u = n s/θ et l’espérance de la loi exponentielle de
paramètre 1. Ainsi, on a finalement

R(X(1) , θ) = 2(θ/n)2

et X(1) converge vers θ en moyenne quadratique.

4. Pour construire un intervalle de confiance, rassemblons ce que nous savons sur la variable aléatoire
X(1) :

∀x ≥ θ : P X(1) ≤ x = 1 − en(1−x/θ) ,

P(θ ≤ X(1) ) = 1.

On a ainsi pour tout x ≥ θ :

P θ ≤ X(1) ≤ x = P X(1) ≤ x − P X(1) ≤ θ = 1 − en(1−x/θ) .

Pour α ∈]0, 1], en choisissant x = θ(1 − (ln α)/n), on obtient x ≥ θ, puis :

P θ ≤ X(1) ≤ θ(1 − (ln α)/n) = 1 − α.

En réordonnant les inégalités, il vient :

X(1)
 
P ≤ θ ≤ X(1) = 1 − α.
1 − (ln α)/n
h i
X(1)
Ainsi, un intervalle de confiance de niveau 1 − α pour θ est donné par 1−(ln α)/n , X(1) .

Exercice 7
1. Le nombre Nn s’écrit Nn = ni=1 1(Xi = 0). Pour tout i = 1, . . . , n, la v.a. 1(Xi = 0) suit une loi
P
de Bernoulli de paramètre P(Xi = 0).
(a) En supposant les Xi i.i.d., on sait alors que Nn suit une loi B(n, P(X = 0)). On en déduit que
E(Nn /n) = P(X = 0) donc que pb1 = Nn /n est un estimateur sans biais de P(X = 0). Son
risque quadratique est alors égal à sa variance :

R(b p1 ) = (1/n)P(X = 0)(1 − P(X = 0)).

p1 , P(X = 0)) = Var(b

Par ailleurs, la suite Nn /n (Xi i.i.d. et de carré intégrable) satisfait le TCL :

√ Nn /n − P(X = 0)
np ⇝ N (0, 1).
P(X = 0)(1 − P(X = 0))

(b) Une première solution consiste à adopter une démarche asymptotique : on utilise la convergence
p.s.
précédente, la LFGN Nn /n → P(X = 0), et le théorème de Slutsky pour obtenir :

√ Nn /n − P(X = 0)
np ⇝ N (0, 1).
Nn /n(1 − Nn /n)

On calcule alors facilement l’IC asymptotique de niveau 1 − α :

 
P Nn /n − ϵn ≤ P(X = 0) ≤ Nn /n + ϵn → 1 − α

pour
Φ−1 (1 − α/2) Nn /n(1 − Nn /n)
p
ϵn = √
n
Une deuxième solution est de construire un IC en utilisant l’inégalité de Hoeffding :
2
P(|Nn /n − P(X = 0)| ≥ x) ≤ 2e−2nx ,

ce qui donne l’intervalle de confiance de niveau 1 − α

" r r #
1 1
Nn /n − ln(2/α), Nn /n + ln(2/α) .
2n 2n

2. (a) On utilise la fonction caractéristique d’une loi de Poisson. A savoir,

E eitY1 = exp(λ1 (eit − 1)) E eitY2 = exp(λ2 (eit − 1)),

   
et
h i  (⊥⊥) 
=⇒ E eit(Y1 +Y2 ) = E eitY1 eitY2 = E eitY1 E eitY2 = exp((λ1 + λ2 )(eit − 1)),
   

où l’on reconnaît la fonction caractéristique d’une loi de Poisson de paramètre λ1 + λ2 .

p.s.
(b) Il estime λ par X n puis exp(−λ) par pb2 = exp(−X n ). La LFGN nous indique que X n → λ
p.s.
et, en composant par la fonction x 7→ exp(−x) (continue), on obtient pb2 = exp(−X n ) →
exp(−λ) = P(X = 0).
Pour calculer le biais et la variance de pb2 , il faut calculer sa loi (car on ne peut pas se servir
de la linéarité ou bilinéarité). En passant par les fonctions caractéristiques, nous savons que la
somme de deux v.a. indépendantes de lois respectives P(λ1 ) et P(λ2 ) est une loi de Poisson
P(λ1 + λ2 ). Par récurrence, ni=1 Xi ∼ P(nλ).
P
 On a alors :
∞
X (nλ)k exp(−nλ)
p2 ) = E(exp(−X n )) =
E(b exp(−k/n)
k!
k=0
∞
X (e−1/n nλ)k
= exp(−nλ)
k!
k=0
= exp(−λn(1 − e−1/n )) −−−→ exp(−λ).
n→∞

Le biais de pb2 est donc

 
p2 ) − e−λ = e−λ exp{−λ(n(1 − e−1/n ) − 1)} − 1 ,
E(b

qui est non nul car 1 − e−1/n ̸= 1/n. Comme n(1 − e−1/n ) − 1 = −1/(2n) + o(1/n), l’équivalent
asymptotique du biais est donné par
λ
p2 ) − e−λ ∼ e−λ
E(b .
2n
De même,
∞
X (nλ)k exp(−nλ)
p22 ) = E(exp(−2X n )) =
E(b exp(−2k/n)
k!
k=0
= exp(−λn(1 − e−2/n )) −−−→ exp(−2λ).
n→∞

Sa variance est donnée par :

p2 ) = E(b
Var(b p2 )2 = exp(−λn(1 − e−2/n )) − exp(−2λn(1 − e−1/n ))
p22 ) − E(b
   
= exp(−2λ) exp(2λ/n + o(1/n)) − 1 − exp(λ/n + o(1/n)) − 1
   
2λ λ
= exp(−2λ) 1 + + o(1/n) − 1 − 1 + + o(1/n) − 1
n n
λ
∼ e−2λ .
∞ n
(c) Le risque quadratique de pb2 est d’après ce qui précède :
λ
R(b
p2 , exp(−λ)) = Var(b p2 ) − e−λ )2 ∼ e−2λ .
p2 ) + (E(b
∞ n
Le risque quadratique de pb1 est

e−λ (1 − e−λ )
p1 , e−λ ) =
R(b .
n
Ainsi,
p1 , e−λ )
R(b e−λ (1 − e−λ ) 1 − e−λ
∼ = .
p2 , e−λ ) ∞
R(b λe−2λ λe−λ
On peut montrer que pour tout λ > 0, 1 − e−λ − λe−λ > 0 par une étude de fonction, ce qui
indique que pb2 est meilleur que pb1 au sens du risque quadratique. Il faut cependant noter que
pb1 ne suppose aucune connaissance sur la loi des Xi , tandis que pb2 suppose et exploite le fait
que les Xi sont des variables de Poisson.