Université A/Mira de Béjaia 2019/2020

Faculté des Sciences Exactes

Département de Mathématiques
2ème année Licence STID.

Série N˚2 - Statistique Inférentielle

Exercice 1
On considère les modèles suivants :
• modèle de Poisson (N, P(N), {P(λ) : λ > 0}) ;
• modèle de la loi de exponentielle (R+ , BR+ , {E(λ) : λ > 0}) ;
• modèle gaussien avec σ 2 positif connu : (R, BR , {N (µ, σ 2 ) : µ ∈ R}) ;
• modèle gaussien avec µ dans R connu : (R, BR , {N (µ, σ 2 ) : σ 2 > 0}) ;
• modèle gaussien : (R, BR , {N (µ, σ 2 )} : µ ∈ R, σ 2 > 0).
1. Pour chacun de ces modèles donner l’expression d’une statistique exhaustive (éventuelle-
ment vectorielle).
2. Retrouver le résultat pour le modèle de Poisson en utilisant une autre méthode.

Exercice 2
On considère une famille exponentielle générale de statistique canonique T (X) où X est la
variable générique dans ce modèle.
1. Montrer que ni=1 T (Xi ) est une statistique exhaustive pour le modèle d’échantillonnage
P
associé.
2. Montrer que la moyenne empirique Xn est une statistique exhaustive dans un modèle
d’échantillonnage de la loi Binomiale.

Exercice 3
On considère le modèle de la loi uniforme (R+ , BR+ , {U[0, θ] : θ > 0}) et un échantillon X1 , ..., Xn
dans ce modèle. On se propose d’améliorer, si possible, l’estimateur θ = X(1) + X(n) avec
X(1) = inf Xi et X(n) = sup Xi .
1≤i≤n 1≤i≤n

1. Donner une statistique exhaustive dans ce modèle pour le paramètre θ.

2. Calculer la densité de
la loi de X(1) conditionnelle à {X(n) = xn }. En déduire l’expression
de E X(1) |X(n) = xn .
3. Déterminer alors θ̌, estimateur amélioré de θ par le théorème de Rao-Blackwell. La statis-
tique X(n) est-elle complète ? Conclure.

Exercice 4

1. On suppose qu’une v.a.r. X suit une loi exponentielle E(λ). Calculer E(X 2 ).
2. Soit t0 > 0. Écrire F (t0 ) = P(X > t0 ) sous forme d’une espérance.
 +
3. On considère le modèle de la loi exponentielle (R+ ; BR ; {E(λ) : λ > 0}). En vous inspirant
des résultats des deux questions précédentes et en utilisant à chaque fois la méthode des
moments, proposer deux autres estimateurs du paramètre λ.

Exercice 5
On considère le modèle de la loi uniforme (R+ , BR+ , {U[0, θ] : θ > 0}) et un échantillon X1 , ..., Xn
dans ce modèle. On pose X(1) = inf Xi et X(n) = sup Xi (la première et la dernière statistique
1≤i≤n 1≤i≤n
d’ordre). On considère les estimateurs suivants :

θ̂1 = X(n)
n+1
θ̂2 = X(n)
n
θ̂3 = X(1) + X(n)
θ̂4 = 2X (n) .

1. Pour chacun d’entre eux, étudier la consistance, le biais et donner l’expression de son risque
quadratique.
2. Comparer les fonctions de risque quadratique. Qu’en conclure ?

Exercice 6
+
On considère le Modèle Statistique de la loi Gamma (R+ ; BR ; {G(α; β) : α > 0; β > 0}). On
rappelle que la densité d’une v.a. X de loi G(α; β) est :

β α α−1 −βx
fα,β (x) = x e 1R+ (x).
Γ(α)

1. Calculer E(X) et V ar(X).

2. Par la méthode des moments, donner un estimateur du paramètre bidimensionnel (α, β)
du modèle, basé sur l’observation d’un échnatillon X1 , ..., Xn .
3. Déterminer des estimateurs de α et β en utilisant conjointement des estimateurs empiriques
des moments.

Exercice 7 Un agriculteur possède un champ carré dont il veut estimer la superficie.

Quand il mesure un côté de son champ, il suppose, que l’erreur expérimentale de la mesure est
une variable aléatoire de loi normale centrée et de variance σ 2 . Il réalise une première mesure de
ce côté et trouve une valeur x1 = 510 mètres. Il en déduit une superficie de s1 = 26.01 hectares. Il
réalise une deuxième mesure et trouve alors x2 = 490, d’où une valeur de la superficie s2 = 24.01.
Il abandonne ses mesures et réfléchit pour savoir quelle est la bonne façon de procéder. Doit-il
adopter comme estimation de la surface s1 , s2 , ou une estimation combinant les deux mesures,
telle que

s3 = x1 x2 = 24.99;
s1 + s2
s4 = = 25.01;
 2 
x1 + x2
s5 = = 25.
2

Faut-il recommencer ses mesures jusqu’à ce qu’il trouve deux résultats identiques, ou bien com-
biner intelligemment n mesures pour construire des estimations du type s4 ou s5 (généralisées à
ces n mesures) ?

2
 1. On se propose d’aider l’agriculteur à résoudre son problème. Préciser le modèle considéré
ainsi que la fonction q(θ) que l’on cherche à estimer. Étudier les estimateurs proposés.
On calculera notamment leurs biais, variances et risques quadratiques moyens. (Ind. si
X N (m, σ 2 ) alors V ar(X 2 ) = 2(σ 4 + 2m2 σ 2 ). A l’aide de ces calculs, aider l’agriculteur
à choisir l’estimateur qui vous semble préférable aux autres.
2. Donner les estimateurs qui généralisent s4 et s5 au cas où l’agriculteur a pu faire n mesures
du coté de son champ. Effectuer la même étude qu’à la question 1 pour ces estimateurs.
3. Donner l’estimateur du maximum de vraisemblance et l’étudier s’il est différent de ceux
considérés précédemment.

Exercice 8
Un matériel a une durée de vie modélisée par une v.a. X de fonction de répartition F . Un
étudiant en Licence de Mathématiques sait qu’il devra l’utiliser pendant un temps x0 . Il souhaite
naturellement qu’il n’y ait pas de panne durant cette période. Cet étudiant, ayant suivi le module
de Statistique Inférentielle, cherche en premier lieu à estimer la loi (en fait la f.d.r.) de cette
durée de vie, c’est à dire estimer F(x) pour tout x de R+ . Il a alors l’idée de faire fonctionner,
sur banc d’essai, n machines identiques à celle qu’il utilisera dans l’avenir. Il note x1 , ..., xn les
n temps de panne observés, qui sont donc les réalisations des v.a. X1 , ..., Xn i.i.d. de même loi
que X.
1. Par la méthode des moments il propose un estimateur de F (x), pour tout x dans R+ .
Pouvez-vous en faire autant ?
2. Son estimateur est-il consistant ? Que dire de son biais et de son risque quadratique ?
3. Se souvenant de ses cours, il sait que, pour être précis, il aurait dû, au préalable, introduire
un modèle paramétrique. Quel(s) modèle(s) pourrait-il proposer ? Que sont les observations
sous ce(s) modèle(s) ? Une estimation par maximum de vraisemblance nous donnerait-elle
quelque chose de différent dans ce modèle ?
4. Que dire alors de l’efficacité de l’estimateur proposé dans la première question ?

Exercice 9
On s’intéresse à la durée de vie X d’un matériel électronique. Il est raisonnable de considérer
que cette durée de vie est aléatoire et que sa loi soit exponentielle. En revanche, on ignore la
valeur du paramètre λ de cette loi.
1. Écrire le modèle statistique engendré par X. Donner également le modèle d’échantillonnage
associé.
2. Donner l’estimateur du maximum de vraisemblance pour une observation x1 , ..., xn d’un
échantillon X1 , ..., Xn de durées de vie de ces matériels.
3. Donner une estimation par maximum de vraisemblance de la quantité α = P(X > t0 ), où
t0 est un temps fixé.
4. Quels estimateurs de λ et de α obtient-on si on utilise la méthode des moments ?
On suppose que l’on réalise n fois cette expérience et on note K1 , ..., Kn les nombres de pannes
observées dans chaque intervalle [0, t0 ].
1. Donner le modèle statistique associé à ces observations.
2. Donner par la méthode du maximum de vraisemblance un autre estimateur du paramètre
λ, basé cette fois sur les observations K1 , ..., Kn .
3. Qu’obtient-on comme estimateur de λ si, dans ce modèle, on utilise la méthode des mo-
ments ?

3
 Exercice 10
On considère deux modèles :

• celui de la loi de Poisson (N; P(N); {P(λ) : λ > 0}) , où P(λ) désigne la loi de Poisson de
paramètre λ ;
+
• celui de la loi de exponentielle (R+ ; BR ; {E(λ) : λ > 0}), où E(λ) désigne la loi exponentielle
de paramètre λ.
Pour chacun de ces modèles, répondre à l’ensemble des questions suivantes. On considérera à
chaque fois l’observation d’un échantillon X1 , ..., Xn .
1. Rappeler l’expression de l’estimateur du maximum de vraisemblance dans ce modèle.
2. Étudier la consistance, le biais et le risque quadratique de cet estimateur.
3. Si cet estimateur est biaisé, est-il asymptotiquement sans biais ? Donner, si nécessaire, un
estimateur sans biais. L’estimateur sans biais (l’initial ou le second) est-il efficace ? Est-il
consistant ?