Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Exam of June 2016, Mathematical Statistics 3rd year

346 views

Published on

My second chance exam

Published in: Education
  • Be the first to comment

  • Be the first to like this

Exam of June 2016, Mathematical Statistics 3rd year

  1. 1. Universit´e Paris-Dauphine Ann´ee 2015-2016 L3 - Statistique (1) : Estimation Examen de rattrapage de Juin 2016 - Dur´ee 2h00 - Documents non autoris´es On rappelle que — la loi normale N(µ, σ2 ) a pour densit´e fµ,σ2 (x) = e−(x−µ)2 /(2σ2 ) √ 2πσ — la loi de Poisson P(λ) a pour densit´e fλ(n) = λn n! e−λ 1N(n — la loi Exponentielle E(λ) a pour densit´e fλ(x) = λe−λx 1x>0 — la loi Beta(α, β) a pour densit´e fa,b(x) = xa−1 (1 − x)b−1 1x∈(0,1)Γ(a + b) Γ(a)Γ(b) — la loi Gamma Γ(α, β) a pour densit´e fα,β(x) = βα Γ(α) xα−1 exp{−βx}1x>0 Exercice 1 (5 pts) Dans cet exercice il vous est demand´e de donner la bonne r´eponse, seules les r´eponses justifi´ees seront valid´ees. Il n’y a pas de points n´egatifs. 1 Un mod`ele statistique est associ´e au vecteur (X1, . . . , Xn) en supposant que les Xi sont iid de densit´e f(x; β) = xβI]0,1](x)/(β + 1). Un estimateur sans biais de β est donn´e par (a) 1 − n−1 ( n i=1 log(Xi)) (b) 1 − (n − 1) ( n i=1 log(Xi))−1 (c) 1 − n ( n i=1 log(Xi))−1 (d) 1 − (n + 1) ( n i=1 log(Xi))−1 2 Si X1, . . . , Xn et Y1, . . . , Yn sont des ´echantillons iid al´eatoires de lois P(λ) et P(1/λ), respectivement, l’estimateur du maximum de vraisemblance de λ associ´e `a l’ensemble des observations (x1, . . . , xn, y1, . . . , yn) est donn´e par (a) ˆλ = log{¯y/¯x} (b) ˆλ = {¯x + ¯y + (¯x + ¯y)2 + 4}/2 (c) ˆλ = √ ¯x¯y (d) ˆλ = {¯x − ¯y + (¯x − ¯y)2 + 4}/2 (e) ˆλ = {¯y − ¯x + (¯y − ¯x)2 + 4}/2 3 Si X1, . . . , Xn est un ´echantillon iid de loi Beta(1, 1/λ), l’estimateur du maximum de vraisemblance de λ associ´e `a l’´echantillon (x1, . . . , xn) est donn´e par (a) ˆλ = −n n i=1 log{1 − xi} (b) ˆλ = 1 1 − ¯x (c) ˆλ = − n i=1 log{1 − xi}/n (d) ˆλ = −n log { n i=1(1/xi)} . 4 ´Etant donn´e X1, . . . , Xn un ´echantillon iid de loi E(λ), on observe (Z1, . . . , Zn) = (I(X1 ≤ δ), . . . , I(Xn ≤ δ)), avec δ connu. Si z1 = 1 et (z2, . . . , zn) = (0, . . . , 0), l’estimateur du maximum de vraisemblance de λ est donn´e par : (a) ˆλ = − log{n−1 n }/δ (b) ˆλ = (n−1)δ n (c) ˆλ = log{δ} n−1 (d) ˆλ = n+1 δ (e) ˆλ = 0 . 5 ´Etant donn´e X1, . . . , Xn un ´echantillon iid de loi de densit´e f(x; λ) = exp{−(log{x} − λ)2}/ √ 2πx sur R∗ +, on observe un ´echantillon iid (X1, . . . , Xn) issu de f. L’estimateur du maximum de vraisemblance de λ est donn´e par : (a) ˆλ = − log{ n i=1 xi/n} (b) ˆλ = 1 n n i=1 xi − 1 2 (c) ˆλ = 1 n−1 n i=1 log{xi} (d) ˆλ = 1 n n i=1 log{xi} 1
  2. 2. Exercice 2 (2 pts) Disposant uniquement d’un g´en´erateur al´eatoire de loi de Bernoulli B(p) avec 0 < p < 1, construire un g´en´erateur al´eatoire de loi de Bernoulli B(q) avec 0 < q < 1. 1 Exercice 3 (8 pts) Soit θ ∈ R+ et Z ∼ N(0, θ), o`u V(Z) = θ. 1. Montrer que, si fθ la densit´e de X = eZ, fθ(x) = e− (log(x))2 2θ x √ 2πθ I(0,∞)(x) . On dira que X suit une loi log-normale de param`etre d’´echelle θ. 2. Soient θ > 0, n ∈ N∗ et X1, . . . , Xn un n−´echantillon de mˆeme loi log-normale de param`etre d’´echelle θ et donc de densit´e fθ. (a) Ce mod`ele est-il un mod`ele exponentiel ? (b) Calculer l’information de Fisher I1(θ) pour ce mod`ele, apport´ee par une seule obser- vation. En d´eduire l’information de Fisher apport´ee par l’´echantillon X1, . . . , Xn. 2 (c) Trouver l’estimateur du maximum de vraisemblance ˆθn de θ. (d) ˆθn est-il sans biais ? (e) ˆθn est-il un estimateur efficace de θ ? 3 3. On consid`ere maintenant que Z ∼ N(µ, θ), o`u V(Z) = θ. On note fµ,θ la densit´e de X = eZ. On admet que fµ,θ = e− (log(x)−µ)2 2θ x √ 2πθ I(0,∞)(x) . Soient X1, . . . , Xn un n−´echantillon de mˆeme loi que X (donc de densit´e fµ,θ). (a) Trouver les estimateurs du maximum de vraisemblance ˜µn de µ et ˜θn de θ. On admettra que les conditions du second ordre sont v´erifi´ees. (b) L’estimateur ˜θn est-il sans biais ? (c) L’estimateur ˜µn est-il sans biais ? 4. On consid`ere `a nouveau X1, . . . , Xn un n−´echantillon de mˆeme loi log-normale de param`etre d’´echelle θ. (a) Montrer que E[Xi] = eθ/2 et en d´eduire un estimateur sans biais de eθ/2. (b) Montrer que P(Xi ≥ E[Xi]) = 1 − Φ( √ θ/2) o`u Φ est la fdr de la loi N(0, 1) et en d´eduire une cons´equence pratique de l’utilisation de l’estimateur sans biais ci-dessus quand θ est grand. (c) Montrer que la m´ediane de la loi fθ ne d´epend pas de θ. 1. On pourra commencer par construire un g´en´erateur al´eatoire de loi de Bernoulli B(1/2). 2. Indication : Regarder la loi de log(X). 3. Rappel : Pour Z ∼ N(0, θ) on a E(Z4 ) = 3θ2 2
  3. 3. Exercice 4 (6 pts) Soient X1, . . . , Xn un n−´echantillon de variables al´eatoires de loi exponentielles d´ecal´ees, de densit´e fθ,λ(x) = λe−λ(x−θ) 1[θ,+∞[(x) 1. On suppose θ connu. On choisi comme loi a priori pour λ une loi Gamma Γ(a, b). (a) Donner la distribution a posteriori de λ sachant l’´echantillon X1, . . . , Xn. (b) Calculer la moyenne a posteriori ˆλn pour cet a priori. (c) ˆλn converge-t-il en probabilit´e vers λ ? 2. On suppose maintenant que λ est connu mais θ est inconnu. On choisi comme loi a priori pour θ une loi exponentielle E(β). (a) Donner la distribution a posteriori de θ sachant l’´echantillon X1, . . . , Xn. (b) Calculer la moyenne a posteriori ˆθn pour cet a priori. (c) ˆθn converge-t-il en probabilit´e vers θ ? French – English Lexicon bay´esien(ne) – Bayesian ´echantillon – sample famille exponentielle – exponential family fdr — pdf loi a posteriori – posterior distribution loi a priori – prior distribution statistique exhaustive – sufficient statistic vraisemblance – likelihood efficace – efficient 3

×