Université de Sousse A.

U : 2020/2021
ISSAT Sousse 1er année ING

Correction Série 1
P ROBABILIT É ET ST AT IST IQU ES

Exercice 1.
n
\ n
\
1) {mn ≥ y} = {Xi ≥ y} et {Mn < z} = {Xi < z}
i=1 i=1
n
\
2) G(y) = P {mn < y} = 1 − P { {(Xi ≥ y)} = 1 − [1 − F (y)]n et g(y) = n[1 − F (y)]n−1 f (y)
i=1
n
Y
H(z) = P {Mn < z} = P {Xi < z} = F n (z) et h(z) = nF n−1 (z)f (z).
i=1
Exercice 2.
n
X n
X
On a L(x1 , x2 , . . . , xn ; θ) = θn exp(−θ xi ) =⇒ ln(L) = nln(θ) − θ xi ,
i=1 i=1
n
∂ln(L) n X ∂ 2 ln(L) n
or = − xi , = − 2 < 0.
∂θ θ ∂θ2 θ
i=1
L’estimateur du maximum de vraisemblance est donc
n 1
Tn = n =
X Xn
Xi
i=1
n Z +∞
X 1
La v.a. Sn = Xi , suit une loi γ(n; θ) donc E(Tn ) = nE( S1n ) =n g(s)ds, où g est la
0 s
i=1
densité de SZn . Ainsi :
+∞ Z +∞
θn −θs n−2 n 1 n
E(Tn ) = n e s ds = θ θn−1 e−θs sn−2 = θ L’estima-
0 Γ(n) n − 1 Γ(n − 1) 0 n − 1
teur Tn est asymptotiquement sans biais.
Z +∞
1 1
E(Tn2 ) = n2 E( 2 ) = n2 2
g(s)ds
Sn 0 s

n2
V (Tn ) = E(Tn2 ) − E 2 (Tn ) = θ2 −→ 0 n −→ ∞
(n − 1)2 (n − 2)
donc Tn est convergent.
Exercice 3. Z +∞
1)Pour que f soit une densité, il faut que f (x; θ)dx = 1, soit ici :
−∞
Z +∞
A θ +∞
dx = A[− ] = Aθ
1 x 1+ θ1 x1/θ 1
Donc A = 1/θ.
2)
1 1
L(x1 . . . , xn ; θ) = n
θn Y 1+1/θ
xi
i=1
 n
1 X
ln(L) = −nln(θ) − (1 + ) ln(xi )
θ
i=1
n n
∂ln(L) n 1 X ∂ 2 ln(L) n 2 X
=− + 2 ln(xi ), = − ln(xi )
∂θ θ θ ∂θ2 θ2 θ3
i=1 i=1

La dérivée seconde est négative au point qui annule la dérivée première. L’estimateur du
maximum de vraisemblance est donc :
n
1X
Tn = ln(Xi )
n
i=1
Z +∞ Z +∞ Z +∞
ln(x) −1/θ
E(Tn ) = E(ln(X)) = ln(x)f (x; θ)dx = 1+1/θ
dx = [−x +∞
ln(x)]1 + x−1−1/θ dx =
1 1 θx 1
[−θx−1/θ ]1+∞ = θ. donc Tn est sans biais.
Z +∞ Z +∞
ln2 (x) −1/θ 2 +∞ ln(x)
2
E(ln (X)) = 1+1/θ
dx = [−x ln x]1 + 2θ 1+1/θ
dx = 2θE(ln(X)) = 2θ2 .
1 θx 1 θx
d’où :
2
V (Tn ) = n1 V (ln(X)) = n1 (2θ2 − θ2 ) = θn −→ 0 quand n −→ ∞.
donc Tn est aussi convergent.
2 ln(L)
3) In (θ) = E(− ∂ ∂θ 2 ) = − θn2 + θ23 nE(lnX) = − θn2 + 2 θn2 = θn2 , donc V (Tn ) = 1/In (θ) et Tn
est efficace.

Exercice 5.
1) 
0 si x ≤ 0
x
Z 
2x x

F (x; θ) = f (t; θ) (1 − ) si 0 ≤ x ≤ θ
−∞  θ
 2θ
1 si θ ≤ x
2)
2 θ x2
Z
θ
E(X) = (x − )dx =
θ 0 θ 3
Z θ
2 x3 θ2 θ2
E(X 2 ) = (x2 − )dx = V (X) =
θ 0 θ 6 18
3) On a E(X) = θ/3 donc θ = 3E(X) parsuite Tn = 3X n . Cet estimateur est sans biais par
V (X) θ2
construction. On a aussi V (Tn ) = 9V (X n ) = 9 = −→ 0 quand n −→ ∞.
n 2n
donc Tn est convergent en moyenne quadratique.
Yn
4) G(x) = P {Mn ≤ x} = P {Xi ≤ x} = F n (x) et g(x) = nF n−1 (x)f (x), soit
i=1
g(x) = n(2/θ)n xn−1 (1 − x/2θ)n−1 (1 − x/θ) pour 0 ≤ x ≤ θ et g(x) = 0 sinon.
Z θ Z θ Z θ
5) En intégrant par parties : E(Mn ) = tg(t)dt = [tG(t)]θ0 − G(t)dt = θ − G(t)dt
Z θ Z θ 0 Z 1 0 0
t t
avec G(t)dt = − ( )n (2 − )n dt = θ (1 − u)n (1 + u)n du = θIn . Ayant fait le chan-
0 0 θ θ 0
gement de variable u = 1 − t/θ. Ainsi E(Mn ) = θ(1 − In ). Comme In −→ 0. E(Mn ) −→ θ
donc l’estimateur Mn est asymptotiquement sans biais.

2
 Z θ Z θ Z θ
2 2
6)E(Mn2 ) = t g(t)dt = [t −2 G(t)]θ0
tG(t)dt = θ − 2 tG(t)dt 2

Z θ 0 Z θ 0 Z 1 0 Z 1
t n+1 t n 2 n+1 n 2
avec tG(t)dt = θ ( ) (2 − ) dt = θ (1 − u) (1 + u) du = θ (1 − u)n (1 +
0 0 Z θ θ 0 0
1
n 2 2 n
u) (1 − u)du = θ [In − u(1 − u ) du].
0
Ayant fait le changement u = 1 − t/θ. Or en faisant le changement v = 1 − u2 :
Z 1 Z 1
2 n 1 1
u(1 − u ) du = v n dv =
0 2 0 2(n + 1)
d’où :
θ2 1
E(Mn2 ) = θ2 − 2θ2 In + V (Mn ) = θ2 ( − In2 )
n+1 n+1
7) E(Mn − θ) −→ 0 et V (Mn ) −→ 0 donc Mn converge en moyenne quadratique vers θ.
8) L’estimateur Mn étant biaisé, la comparaison doit se faire avec le critère de l’erreur qua-
dratique :
θ2
EQ(Tn ) = V (Tn ) =
2n
θ2
EQ(Mn ) = E(Mn − θ)2 = [E(Mn ) − θ]2 + V (Mn ) =
n+1
EQ(Mn )
Ainsi −→ 2 et Tn et préférable à Mn .
EQ(Tn )