Sorbonne Université Année 2019/2020

M2 Statistique Premier semestre

Feuille de TD 2
Correction

Exercice 1 : (loi de Poisson) Soit X1 , . . . , Xn des variables aléatoires i.i.d suivant une loi de Poisson
de paramètre λ et
1 n 1 n
2
n i∑ ∑
Xn = Xi et Sn2 = Xi − X n
=1
n − 1 i =1

1. Montrer que X n est un estimateur sans biais et asymptotiqyuement normal de λ.

Clair.
2. Montrer que Sn2 esthun estimateur
i sans biais de λ et montrer sa normalité asymptotique.
4
On rappelle que E ( X1 − λ) = λ + 3λ2 .
On a
n
2 n

2
(n − 1)Sn2 = ∑ Xi − X n = ∑ ( Xi − λ ) + λ − X i
i =1 i =1
n n n
2
∑ i 2
∑ i ∑ λ − Xn


= ( X − λ ) + 2 ( X − λ ) λ − X n +
i =1 i =1 i =1
n n
2
∑ ( Xi − λ ) 2 + 2 ∑ ( Xi − λ ) + n


= λ − Xn Xn − λ
i =1 i =1
n
2
∑ (Xi − λ)2 + 2n



= λ − Xn Xn − λ + n Xn − λ
i =1
n
2
= ∑ ( Xi − λ ) 2 − n Xn − λ
i =1

On a donc
n
1 n
2
Sn2 = ∑
n − 1 i =1
( Xi − λ ) 2 −
n−1
Xn − λ

Donc
n
1 h i n h
2 i n 1
E Sn2 = ∑ E 2
E
 
( X i − λ ) − X n − λ = λ− λ=λ
n − 1 i =1 n−1 n−1 n−1
 Pour la normalité asymptotique, on a
!
√ 1 n L √
L
n i∑
( Xi − λ ) 2 − λ −−−−→ N 0, λ + 2λ2


n et n X n − µ −−−−→ N (0, λ)
n→+∞ n→+∞
=1

De plus,
!
√ √ n
1 n 2
n − 1 i∑
n Sn2 − λ = n ( Xi − λ ) 2 − λ −



Xn − λ
=1
n−1
! !
√ n 1 n 1 n
2
n − 1 n i∑
2
= n ( Xi − λ ) − λ − λ− Xn − λ
=1
n−1 n−1
! √
n √ 1 n n n √
2
=
n−1
n ∑
n i =1
2
( Xi − λ ) − λ −
n−1
λ−
n−1
n Xn − λ

n
Par Slutsky, comme n −1 converge vers 1,
!
n √ 1 n L
∑ ( Xi − λ ) 2 − λ −−−→ N 0, λ + 2λ2 .


n
n−1 n i =1 n→∞

√
n
De plus, n −1 λ converge vers 0. Enfin, on a

n √
2 n
√

n Xn − λ = Xn − λ n Xn − λ
n−1 n−1

avec
n
P √
L
→0 et X n − λ −−−−→ 0 et n X n − λ −−−→ N (0, λ).
n−1 n→+∞ n→∞

En appliquant Slutsky, on a donc

n √
2 L
n X n − λ −−−→ 0.
n−1 n→∞

En appliquant Slutsky, on obtient donc

√
L
n Sn2 − λ −−−−→ N 0, λ + 2λ2


n→+∞

3. Quel estimateur privilégier ? Sn2 a une plus grande variance asymptotique et on choisit
donc X n .
4. Montrer que
√ L
(a) n X√n −λ −−−−→ N (0, 1)
Xn n→+∞
√ L
(b) n X nS− λ
−−−−→ N (0, 1)
n n→+∞
√

L
(c) n g X n − g(λ) −−−−→ N (0, 1) pour un bon choix de g.
n→+∞
 Pour les deux premiers, c’est une application direct de Slutsky, en remarquant que
√ √
√ Xn − λ λ √ Xn − λ √ Xn − λ λ √ Xn − λ
n p =p n √ et n = n √
Xn Xn λ Sn Sn λ
√
Pour le le troisième, on choisit g tel que g0 (λ)2 = λ, i.e on prend g = 2 λ et on obtient

√
 q √  L
n 2 X n − 2 λ −−−−→ N (0, 1).
n→+∞

5. Déterminer les intervalles de confiance correspondant, lequel est le meilleur ? On obtient

les 3 intervalles suivants :
" p #   "q 2  q 2 #
Xn Sn 1 1
X n ± q1−α/2 √ ; X n ± q1−α/2 √ ; X n − q1−α/2 √
; X n + q1−α/2 √
n n 2 n 2 n

Ces trois intervalles sont asymptotiquement équivalents. En effet, si on on note L1 , L2 , L3

leurs longueurs respectives, on a
p
Xn Sn
L1 = L3 = 2q1−α/2 √ et L2 = 2q1−α/2 √
n n

et on a p √
L1 Xn P λ
= −−−−→ √ = 1.
L2 Sn n→+∞ λ
Soit λ0 > 0. En déduire un test de niveau α pour tester

H0 : ”λ = λ0 ” contre H1 : ”λ 6= λ0 ”.

On peut prendre n’importe lequel des intervalles précédents et rejetter H0 si λ0 n’est pas dans la
réalisation de l’intervalle.
Exercice 2 : Soit X1 , . . . , Xn un échantillon de loi uniforme sur [0, θ ].
1. Le modèle est-il régulier ? Soit x > 0, la fonction θ 7−→ 1θ 1[0,θ ] ( x ) = 1θ 1[ x,+∞[ (θ ) est
discontinue en x et le modèle n’est donc pas régulier.

2. Par la méthode des moments, proposer un estimateur de θ. Montrer sa consistance et sa

normalité asymptotique. En déduire un intervalle de confiance asymptotique de niveau
1 − α.

On a E[ X ] = θ/2 et V[ X ] = θ 2 /12, et on a donc l’estimateur θ̂n = 2X n . On a la consistance

via la LFGN et le théorème de continuité, et comme

√ θ2
 

L
n X n − θ/2 −−−−→ N 0,
n→+∞ 12
 En multipliant par 2, on obtient

√ θ2
 

L
n θ̂n − θ −−−−→ N 0, .
n→+∞ 3

Intervalle de confiance, version 1 : De plus, par Slutsky, on a

√ θ̂n − θ L
3n −−−−→ N (0, 1)
θ̂n n→+∞

et on obtient donc l’intervalle de confiance

" #
θ̂n
θ̂n ± q1−α √
3n

où q1−α est le quantile d’ordre 1 − α de la loi normale centrée réduite.

√
Intervalle de confiance version 2 : En divisant par θ/ 3 le TLC, on obtient
!
√ θ̂n L
3n −1 −−−−→ N (0, 1)
θ n→+∞

et donc " ! #
√ θ̂n 
P  3n −1  ≤ q1−α −−−−→ 1 − α.
 
 θ  n→+∞

On obtient donc l’intervalle (pour n > q21−α )

" #
θ̂n θ̂n
q 1− α ; q
1 + n 1 − √1−nα
√

3. Soit θ0 > 0, proposer un test de niveau asymptotique α pour tester

H0 : θ = θ0 contre H1 : θ 6= θ0 .

On a la zone de rejet
(  ) ( " #)
√ θ̂ − θ  θ̂n
n 0
ZR =  3n / θ̂n ± q1−α √
 > q 1− α = θ 0 ∈ .

 θ̂n  3n

4. Calculer l’estimateur du maximum de vraisemblance et calculer son risque quadratique

On a pour tout θ > 0,

n n
1 1 1
LX (θ ) = ∏ θ 1[0,θ] (X1 ) = θ n ∏ 1[X ,+∞[ (θ ) = θ n 1[X( ) ,+∞[ (θ ).
i n
i =1 i =1
 et le maximum est donc atteint en X(n) .
5. Calculer la loi limite de n θnMV − θ . Pour tout x ∈ [0, nθ ], on a par indépendance des Xi

h   i h xi h xi
P n θ − X( n ) ≥ x = P X( n ) ≤ θ − = P ∀i, Xi ≤ θ −
n n
 h x in  x n  x
= P X1 ≤ θ − = 1− −−−−→ exp − .
n θn n→+∞ θ
 
et donc n θ − X(n) converge en loi vers une loi exponentielle de paramètre θ −1 .
h i
6. Déterminer cα,n tel que X(n) , cα,n X(n) soit un intervalle de confiance de niveau 1 − α.

On a
    n
h i θ θ 1
P θ ≤ cα,n X(n) = 1 − P X(n) ≤ = 1 − P X1 ≤ = 1− n
cα,n cα,n cα,n

De plus,  
1 1 1
= α ⇔ cα,n = = exp − ln(α) .
cnα,n α1/n n

7. Calculer la médiane de X1 et en déduire un nouvel estimateur de θ. Donner sa normalité

asymptotique ainsi qu’un nouvel intervalle de confiance asymptotique.
On a x1/2 = θ/2 et on propose donc l’estimateur 2X([n/2]) . On a la convergence de X([n/2])
via le théorème du cours et donc la consistance de 2X([n/2]) . On a de plus

√  θ2
 
L

n X([n/2]) − θ/2 −−−−→ N 0,
n→+∞ 4

et on obtient en multipliant par 2 la normalité asymptotique. On obtient les intervalles de

confiances comme pour l’estimateur des moments.
8. Quel intervalle choisiriez vous ? Non seulement celui obtenu avec le maximum de
vraisemblance est plus précis quand n est grand (faire un DL pour le vérifier), mais en plus
il est non asymptotique.

Exercice 3 : (Loi de Pareto) Soit X1 , . . . , Xn des variables aléatoires i.i.d de densité de Pareto

θ
f θ (x) = 1 x ≥1 .
x θ +1

avec θ > 0.
1. On suppose θ > 1, estimer θ par la méthode des moments. A-t-on consistance ? normalité
asymptotique ?
On a Z ∞
θ θ
E [X] = dx =
1 xθ θ−1
 1
On a donc θ = 1 + E[ X1 ]−1
, et on obtient la consistance via la LFGN et le théorème de
continuité. Sans garantie sur le fait que θ soit strictement supérieure à 2, on ne peut pas
avoir la normalité asymptotique.
2. Que se passe-t-il si θ ∈ (0, 1) ?
On ne peut pas passer par E[ X ] qui n’est pas défini. Par contre on peut regarder, pour
a > 0,
 Z θ +∞ θ
E X −a =

θ +1+ a
dx =
1 x θ + a
− a. De plus, on a E X < +∞ et on peut ainsi avoir la normalité
a
 −2a 
et a donc θ = 1−E[ X − a ]
asymptotique.
3. Calculer la médiane de X et en déduire un nouvel estimateur de θ, pour tout θ > 0.
Donner sa normalité asymptotique.

On a F ( x ) = 1 − x −θ , et on obtient donc x1/2 = 21/θ . On obtient donc l’estimateur

ln 2 θ
θ̂n = . De plus, comme f ( x1/2 ) = θ +1 > 0, on a
ln( X([n/2]) ) 2 θ

2θ +2
!
√  
L 2 θ
n X([n/2]) − x1/2 −−−−→ N 0,
n→+∞ θ2

2
Soit g : x 7−→ ln 2
ln x , g est dérivable en x1/2 et g0 ( x1/2 ) = − 2θ1/θ , on obtient

√ 4θ 2
 

L
n θ̂n − θ −−−−→ N 0,
n→+∞ (ln 2)2

4. Donner l’estimateur du maximum de vraisemblance pour θ > 0. Est-il asymptotiquement

normal ?
On a pour tout θ > 0,
n
1
LX (θ ) = θ n ∏ θ +1
i = 1 Xi

et donc
n
lX (θ ) = n ln(θ ) − (θ + 1) ∑ ln ( Xi )
i =1

et
n
n n
lX0 (θ ) = − ∑ ln ( Xi ) = 0 ⇔ θ =
θ i =1 ∑i=1 ln ( Xi )
n
on obtient donc θ̂n = ∑i=1 ln( Xi )
et on a l’unicité en dressant le tableau de variation. De plus,

Z +∞ Z +∞
θ ln( x ) 1 1
E [ln ( X )] = dx = dx = .
1 x θ +1 1 x θ +1 θ
 De même,
h i Z +∞ (ln x )2 θ
Z ∞
2 ln x 2 1
E (ln x )2 = dx = dx = et V [ln X ] = .
1 x θ +1 1 x θ +1 θ2 θ2

Ainsi,
√
  −1   
−1 L 1
n θ̂nMV −θ −−−−→ N 0, 2 ,
n→+∞ θ
et donc comme g : x 7−→ x −1 est dérivable en θ −1 et g0 (θ ) = −θ 2 , on a
√  MV 
L
n θ̂n − θ −−−−→ N 0, θ 2 .


n→+∞

5. Le modèle est-il régulier ? L’estimateur du maximum de vraisemblance est-il

asymptotiquement efficace ?
Soit x > 1, l’application θ 7−→ θx −θ −1 = θ exp (−(θ + 1) ln( x )) est de classe C ∞ et

I (θ ) = V lθ0 ( X ) = V [ln( X )] = θ −2
 

qui est continue et le modèle est donc régulier et l’estimateur du maximum de

vraisemblance est asymptotiquement efficace.
Exercice 4 : lois translatées
1. Comme f est de classe C1 et comme

f θ0 ( x ) = − f 0 ( x − θ )

on a pour tout x ∈ R que f θ ( x ) est de classe C1 . De plus, on a, à l’aide d’un changement de

variable,

( f θ0 ( x ))2
Z
I (θ ) = 1 dx
R f θ ( x ) f θ (x)>0
( f 0 ( x − θ ))2
Z
= 1 f (x−θ )>0 dx
R f (x − θ )
( f 0 ( x ))2
Z
= 1 f (x)>0 dx
R f (x)
=I

2. Etudions les différents cas.

(a) Il s’agit du modèle N (θ, 1), qui est un modèle de translation de la loi N (0, 1) de densité
f (y) = exp(−y2 /2)/(2π )1/2 . Les conditions de régularité sont vérifiées puisque f est
 C1 sur R. De plus, en notant Y une variable gaussienne centrée réduite, on obtient

f 0 ( y )2
Z Z
1 dy = y2 exp(−y2 /2)/(2π )1/2 dy = EY 2 = 1 < +∞.
R f (y) f (y)>0 R

L’information de Fisher est donc I (θ ) = 1.

(b) Quel que soit x > 0 fixé, la fonction θ 7→ f θ ( x ) = θ −1 1[ x,+∞[ (θ ) est discontinue en θ = x,
donc le modèle n’est pas régulier.
(c) Il s’agit du modèle de translation de densité f (y) = c1 (1 − y2 )1[−1,1] (y). On a
Z 1
(1 − y2 )dy = 2 − 2/3 = 4/3 =⇒ c1 = 3/4.
−1

Clairement,
f (y) = (3/4)(1 − y2 )1y∈[−1,1]

est continue sur R et C1 sur R\{−1, 1}. La dérivée de f est presque partout donnée par
f 0 (y) = −(3/2)y1y∈[−1,1] donc ( f 0 (y))2 / f (y) vaut, à constante multiplicative près,
y2 /(1 − y2 )1y∈[−1,1] . Comme y 7→ (1 − y)−1 n’est pas intégrable au voisinage de 1, le
modèle n’est pas régulier.
(d) On a encore un modèle de translation et cette fois
Z 1 Z 1
(1 − y2 )2 dy = 2 (1 − 2y2 + y4 )dy = 16/15 =⇒ c2 = 15/16.
−1 0

Clairement, f (y) = c2 (1 − y2 )2 1y∈[−1,1] est C1 sur R : noter qu’il n’y a pas de problème
en ±1 puisque f 0 (y) = 2c2 (−2y)(1 − y2 )1y∈[−1,1] . Donc ( f 0 (y))2 / f (y) vaut, à constante
multiplicative près, y2 (1 − y2 )2 /(1 − y2 )2 1y∈[−1,1] = y2 1y∈[−1,1] qui est intégrable sur R.
Le modèle est régulier et l’information de Fisher vaut
Z 1
I (θ ) = 16c2 y2 dy = 16c2 2/3 = 10.
−1

Exercice 5 : (Loi exponentielle translatée) On observe un échantillon X1 , . . . , Xn dont la loi admet

la densité
f θ ( x ) = exp(−( x − θ ))1[θ,+∞[ ( x ),

où θ est un paramètre réel inconnu.

1. Rappeler la loi de n( X(1) − θ ). En déduire un intervalle de confiance pour θ de niveau
1 − α.
n(θ̂n − θ ) suit une loi exponentielle de paramètre 1. On cherche donc c > 0 tel que

Pθ [θ̂n − c ≤ θ ≤ θ̂n ] = 1 − α.
 On a, d’après ce qui précède :

Pθ [θ̂n − c ≤ θ ≤ θ̂n ] = Pθ [θ̂n − c ≤ θ ] = 1 − Pθ [n(θ̂n − θ ) ≥ nc] = 1 − e−nc = 1 − α

si on choisit c = −(log α)/n. Donc

h log α i
I1−α = θ̂n + , θ̂n
n

est un intervalle de confiance de niveau 1 − α.

2. Soit α ∈]0, 1[. On souhaite tester au niveau α

H0 : θ ≥ 0 contre H1 : θ < 0.

(a) Construire un test à partir de l’intervalle de confiance de la question 2, calculer sa

puissance et donner son allure (pour n et α fixés). Quelle est sa taille α? ?
On rejette H0 si I1−α ∩ R+ = ∅ : d’après le cours, ceci fournit un test de niveau (1 − α).
La puissance du test est donnée pour tout θ par

π (θ ) = Pθ (on rejette H0 ) = Pθ (θ̂n < 0) = Pθ ( X(1) < 0)

= P(Y(1) < −θ ) = 1 − P(Y(1) ≥ −θ ) = 1 − P(Y1 ≥ −θ )n

1 − enθ si θ ≤ 0
=
0 si θ ≥ 0.

En particulier, on remarque que le test est de taille 0, il est donc bien de niveau α, mais
cette situation ne semble pas idéale : on s’attend plutôt à π (0) = 0.05 si le test était de
taille 0.05. C’est l’objet de la suite.
(b) Proposer un autre test qui soit, lui, de taille α.
Un test logique consiste à rejeter H0 si θ̂n < cα tel que

sup{Pθ (θ̂n < cα )} = α.

θ ≥0

On cherche donc à déterminer cα . Or, en se souvenant que la variable aléatoire

E = n(θ̂n − θ ) suit une loi exponentielle de paramètre 1, on a

sup Pθ (θ̂n < cα ) = sup Pθ (n(θ̂n − θ ) < n(cα − θ ))

θ ≥0 θ ≥0
= sup P( E < n(cα − θ ))
θ ≥0
= P( E < ncα )
 car la fonction θ 7→ Pθ ( E < n(cα − θ )) est décroissante. Dès lors, on choisit cα tel que

Pθ ( E < ncα ) = (1 − e−ncα )1cα ≥0 = α

c’est-à-dire
log(1 − α)
cα = −
n
et on vérifie que cα ≥ 0. Donc la région de rejet est {θ̂n < − log(1 − α)/n}. Le test ainsi
construit est bien de taille α, c’est-à-dire

sup{Pθ (θ̂n < − log(1 − α)/n)} = α.

θ ≥0

Notons que le test proposé précédemment (via le lien avec l’intervalle de confiance)
était bien de niveau α (et même de niveau 0), mais pas de taille α.
(c) Calculer la fonction puissance du test. La représenter en fonction de θ pour n et α fixés.
La puissance du test est donnée pour tout θ par

π (θ ) = Pθ (on rejette H0 )
= Pθ (θ̂n < − log(1 − α)/n)
= Pθ (n(θ̂n − θ ) < − log(1 − α) − nθ )

1 − (1 − α)enθ si θ ≤ − log(1 − α)/n,
=
0 sinon

(d) Comment varie la puissance en fonction de α ? en fonction de n ?

La puissance du test est croissante en α pour tout θ. Ceci est le cas pour tout test
correctement calibré. Elle est décroissante en n pour θ ∈ [0, − log(1 − α)/n], mais
croissante en n pour θ < 0.

Exercice 6 : Paramétrage On considère un modèle régulier ( gθ , µ)θ ∈Θ d’information de Fisher

I (θ ) > 0. De plus, pour tout x ∈ R, la fonction θ 7−→ gθ ( x ) est de classe C1 . Soit ϕ : Θ −→ ϕ (Θ)
un C1 -difféomorphisme.
1. Montrer que pour tout x ∈ R, la fonction η :7−→ hη ( x ) = g ϕ−1 (η ) est de classe C1 et calculer
sa dérivée.
Comme on a la composée de fonctions de classe C1 , on obtient une fonction de classe C1 et
de dérivée
h0η ( x ) = ( ϕ−1 )0 (η ) g0ϕ−1 (η ) ( x )


2. En déduire l’information de Fisher du modèle hη , µ η ∈ ϕ(Θ)
.
 On a,
 2
Z h0η ( x )
I (η ) = 1hη (x)>0 dµ( x )
R hη ( x )
 2
 0 2 Z g0ϕ−1 (η ) ( x )
= ϕ −1 (η ) 1g ( x )>0 dµ ( x )
g ϕ −1 ( η ) ( x ) R ϕ −1 ( η )

 0 2  
= ϕ −1 ( η ) I ( ϕ −1 ( η )

Exercice 7 : Soit θ > 0 un paramètre inconnu. On considère la densité f θ définie pour tout x ∈ R
par
θ
f θ (x) = 1 x ≥θ .
x2
Dans ce qui suit, on considère des variables aléatoires X1 , . . . , Xn indépendantes et de densité f θ .
1. Calculer la fonction de répartition de X1 .
On a pour tout x ≥ θ,
Z x
θ θ
FX1 ( x ) = dt = 1 − .
θ t2 x
2. Calculer la médiane de X1 et en déduire un estimateur de θ. Est-il consistant ?
Asymptotiquement normal ?
On a
θ
1− = 1/2 ⇔ x = 2θ.
x
1
Ainsi, on considère l’estimateur θ̂n = X([n/2]) /2. Comme f ( x1/2 ) = 4θ > 0, on a

√  16θ 2
 
L

n X([n/2]) − 2θ −−−−→ N 0,
n→+∞ 4

et donc
√
L
n θ̂n − θ −−−−→ N 0, θ 2 .


n→+∞

3. Par la méthode des moments, proposer un estimateur. Est-il consistant ?

Asymptotiquement normal ?
On en peut pas passer par E X k quand k > 0, car ces moments n’existent pas. Par contre,
 

on peut regarder E X −1 . En effet, on a alors

 

Z +∞
h
−1
i θ 1
E X = dx =
θ x3 2θ

et on obtient donc l’estimateur

n
θ̂n = .
2 ∑in=1 Xi−1
 Par la loi des grands nombres, on a

1 n −1 P 1
∑
n i =1
Xi −−−−→
n→+∞ 2θ

et on obtient la consistance via le théorème de continuité. De plus, on a

 Z +∞ θ 1
E X −2 =

4
dx = 2
θ x 3θ

et donc V X −1 = 1
 
12θ 2
. On a donc
!
√ 2 n −1 1
 
L 1
n i∑
n Xi − −−−−→ N 0, 2 .
θ n→+∞ 3θ
=1

et donc par la méthode delta

√
 

L 1 2
n θ̂n − θ −−−−→ N 0, θ .
n→+∞ 3

4. Déterminer l’estimateur du maximum de vraisemblance θ̂n . Déterminer la loi limie de

n θ̂n − θ .
On a, via les calculs usuels, θ̂n = X(1) . On a pour tout x ≥ 0,
h   i h xi
P n X (1) − θ ≥ x = P X (1) ≥ θ +
n i
 h x n
= P X1 ≥ θ +
n
 x −n x
= 1+ −−−−→ e− θ
nθ n→+∞

 
et donc n X(1) − θ converge en loi vers une loi exponentielle de paramètre θ −1 .
5. Le modèle ( f θ )θ >0 est-il régulier ?
La fonction θ 7−→ f θ ( x ) n’est pas continue en x.
6. Pour tout e > 0, calculer
P θ̂n ≥ (1 + e)θ .
 

Grâce aux calculs précédents, on a

P θ̂n ≥ (1 + e)θ = (1 + e)−n

 

En déduire un intervalle de confiance non asymptotique de niveau 1 − α .

On a

P θ̂n ≥ (1 + e)θ = α ⇔ e = α−1/n − 1

 
 et on obtient donc h i
IC1−α (θ ) = α1/n X(1) ; X(1) .

Exercice 8 : Estimation de deux paramètres Soit Y ∼ E (λ) avec λ > 0 inconnu. Soit X = Y + θ
avec θ > 0 inconnu. On admettra que X a pour densité f θ,λ définie pour tout x par

f θ,λ ( x ) = λ exp (−λ( x − θ )) 1[θ,+∞[ ( x ).

Soient X1 , . . . , Xn des variables aléatoires i.i.d de même loi que X.

1. Calculer E[ X ] et V[Y ].
On a E[ X ] = θ + λ−1 et V[ X ] = V[Y ] = λ−2 .
2. On suppose θ "fixé", le modèle ( f λ ) avec f λ = f θ,λ est il régulier ?
Pour tout θ > 0, on a la mesure ν avec dν( x ) = 1[θ,+∞[ ( x )dµ( x ) où µ est la mesure de
Lebesgue. Puor tout x > θ, la fonction

λ 7−→ f θ,λ ( x ) = λ exp (−λ( x − θ )) 1[θ,+∞[ ( x )

est de classe C ∞ . De plus, pour tout x ≥ θ,

f λ ( X ) = ln(λ) − λ( x − θ )

et
1
f λ0 ( X ) = − (X − θ )
λ
et on obtient donc
I (λ) = E[ f λ0 ( X )2 ] = λ−2

qui est bien continue sur R∗+ . Le modèle est donc régulier.
3. On suppose λ "fixé", le modèle ( f θ ) avec f θ = f θ,λ est-il régulier ?
Pour λ > 0, on a la mesure ν avec dν( x ) = 1R+ ( x )dµ( x ). Pour tout x > 0, la fonction

θ 7−→ f θ,λ ( x ) = λ exp (−λ( x − θ )) 1[θ,+∞[ ( x ) = λ exp (−λ( x − θ )) 1[0,x] (θ )

n’est pas continue en x. En effet, f θ,λ ( x ) = λ et

lim = 0.
θ → x+

Attention ! Ce n’est pas parce qu’il y a une indicatrice qu’il y a discontinuité.

Contre-exemple : La fonction x 7−→ | x | = x1R+ − x1 R∗− est continue.
4. Déterminer l’estimateur du maximum de vraisemblance de θ.
 On a
n
∏ λ exp (−λ (Xi − θ )) 1[θ,+∞[ (Xi ) = λn exp


LX (θ ) = λθ − λnX n 1[0,x(1) ] (θ )
i =1

et la fonction θ 7−→ λn exp λθ − λnX n est clairement croissante. On obtient donc

θ̂n = X(1) .

5. Calculer la fonction de répartition de X(1) .

Pour tout t ≥ θ,
h i h i
P X (1) ≤ t = 1 − P X (1) > t
n
= 1 − ∏ P [ Xi > t ]
i =1

= 1 − (P [ Xi > t])n
= 1 − (P [Yi > t − θ ])n
= 1 − exp (−nλ (t − θ )) .

6. En déduire l’erreur quadratique moyenne de X(1) .

1ere version : version bourrin On a pour tout x ≥ θ,

f X(1) ( x ) = nλ exp (−nλ( x − θ ))

et on obtient donc
h i Z +∞
E X (1) = xnλ exp (−nλ( x − θ )) dx
θ
Z +∞
∞
= [− x exp (−nλ( x − θ ))]+
+θ exp (−nλ( x − θ )) dx
θ
 +∞
1
=θ+ − exp (−nλ( x − θ ))
nλ θ
1
= +θ
nλ
 et l’estimateur est donc biaisé. De la même façon, on a
h i Z +∞
E X(21) = x2 nλ exp (−nλ( x − θ )) dx
θ
+∞ Z ∞
2

= − x exp (−nλ( x − θ )) θ
+2 x exp (−nλ( x − θ )) dx
θ
2 h i
= θ2 + E X (1)
nλ  
2 2 1
=θ + +θ
nλ nλ

et on obtient donc h i 1
V X (1) = .
n2 λ2

2eme version : un peu plus subtile On peut remarquer X(1) = θ + Z où Z ∼ E (nλ) et on

obtient directement l’espérance et la variance.

Conclusion : On a par la décomposition biais variance

  2
EQM X(1) , θ =
n2 λ2

7. Déduire de la question 5
√  
P
n X(1) − θ −−−−→ 0.
n→+∞

Que pouvez vous en déduire ?

Via question 5 : On a pour tout e > 0
h√   i 
e

√
P n X (1) − θ ≥ e = P X (1) ≥ θ + √ = exp(− nλ) −−−→ 0.
n n→∞

Via question 6 : On a pour tout e > 0, via Markov

 
h√   i EQM X(1) , θ 2
P n X (1) − θ ≥ e ≤ n 2
≤ −−−−→ 0.
e nλ2 e2 n→+∞

On en déduit que X(1) converge en probabilité vers θ.

8. En déduire un estimateur de λ.
On a l’estimateur

−1
λ̂n = X n − θ̂n .

Remarque : L’estimateur est presque sûrement bien définie car X n = θ̂n ⇒ ∀i, j, Xi = X j ,
ce qui est un évènement de probabilité nulle.
9. Montrer que l’estimateur de λ est consistant. Pour s’aider, on admettra que si ( An ) et ( Bn )
sont deux suites de variables aléatoires convergeant en probabilités vers a et b, et
 g : I × J −→ R est une fonction continue en ( a, b), alors

P
g ( An , Bn ) −−−−→ g( a, b).
n→+∞

avec I, J des intervalles ouvert de R.

On a (LGN) X n qui converge en probabilité vers θ + λ−1 et θ̂n converge en probabilité vers
θ. De plus, la fonction g : ( x, y) 7−→ ( x − y)−1 est continue sur ( x, y) ∈ R2 , x 6= y et donc


continue en θ + λ−1 , θ . On a donc la consistance de λ̂n = g X n , θ̂n .

10. Montrer que

√
   
1 L 1
n X n − θ̂n − −−−−→ N 0, 2 .
λ n→+∞ λ
On a la décomposition

√ √ √ 
   
1 1 
n X n − θ̂n − = n Xn − θ − − n X (1) − θ .
λ λ
On a vu que le second terme converge en probabilité vers 0 et pour le premier, on a,
comme X = Y + θ,

√ √
     
1 1 L 1
n Xn − θ − = n Yn − −−−→ N 0, 2 ,
λ λ n→∞ λ

et on conclut grâce à Slutsky.

11. En déduire la normalité asymptotique de l’estimateur de λ.
On applique la delta méthode avec g : x 7−→ x −1 , et on obtient
 2 !
√
   

1 L 1 01
n g X n − θ̂n −g −−−−→ N 0, g
λ n→+∞ λ λ2

i.e
√
L
n λ̂n − λ −−−−→ N 0, λ2 .


n→+∞

12. Soit α ∈ (0, 1), en déduire un intervalle de confiance asymptotique de λ.

On a
√ λ̂n − λ L
n −−−→ N (0, 1)
λ n→∞

Version 1 : Par Slutsky (détailler comme d’habitude)

√ λ̂n − λ L
n −−−→ N (0, 1)
λ̂n n→∞

et on a donc, " #
√ λ̂n − λ
lim P −q1−α/2 ≤ n ≤ q1−α/2 = 1 − α
n→∞ λ̂n
 avec q1−α/2 le quantile d’ordre 1 − α/2 de la loi normale centrée réduite, et on obtient donc
 
λn
IC1−α (λ) = λn ± q1−α/2 √ .
n

Version 2 : Soit q1−α/2 le quantile d’ordre 1 − α/2 de la loi normale centrée réduite, on a
" ! #
√ λ̂n
lim P −q1−α/2 ≤ n −1 ≤ q1−α/2 = 1 − α
n→+∞ λ

et on obtient donc l’intervalle de confiance

" #
λn λn
IC1−α (λ) = q1−α/2 ; q
1 + √n 1 − 1√−α/2
n

13. Montrer que  

n X (1) − θ ∼ E ( λ ) .

Pour tout t ≥ 0, on a
 
h   i t
P n X (1) − θ ≤ t = P X (1) ≤ θ + = 1 − exp (−λt) .
n

ce qui et bien la fonction de répartition de E (λ).

14. Pour tout α ∈ (0, 1), donner le quantile qλ,1−α d’ordre 1 − α de la loi exponentielle de
paramètre λ.
On a

FY (t) = 1 − α ⇔ 1 − exp (−λt) = 1 − α

⇔ exp (−λt) = α
⇔ −λt = ln(α)
− ln(α)
⇔t= .
λ

15. Donner la convergence de

   
n X(1) − θ − qλ̂n ,1−α − qλ,1−α .

− ln(α)
avec qλ̂n = λ̂ .
n
 
On a n X(1) − θ ∼ E (λ) et par le théorème de continuité,

P
qλ̂n ,1−α − qλ,1−α −−−−→ 0
n→+∞
 et on obtient donc, par Slutsky

L
   
n X(1) − θ − qλ̂n ,1−α − qλ,1−α −−−−→ E (λ).
n→+∞

16. Déterminer un intervalle de confiance asymptotique de niveau 1 − α pour θ.

On a d’après la question précédente,
h     i
P n X(1) − θ − qλ̂n ,1−α − qλ,1−α ≤ qλ,1−α −−−→ 1 − α
n→∞

i.e h   i
P n X(1) − θ ≤ qλ̂n ,1−α −−−−→ 1 − α
n→+∞

i.e
qλ̂n ,1−α
 
P θ ≥ X (1) − −−−−→ 1 − α
n n→+∞

et comme X(1) ≥ θ, on obtient

qλ̂ ,1−α q
   
P X (1) − n ≤ θ ≤ X(1) = P θ ≥ X(1) − λ̂n ,1−α −−−−→ 1 − α
n n n→+∞

et on obtient donc l’intervalle de confiance asymptotique

h qλn ,1−α i  ln(α)

IC1−α (θ ) = x(1) − ; x (1) = x (1) + ;x
n nλn (1)