Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
Corrigé de l’exercice 1
☞ Q1 – On a

et de même
� 2�
E Xi =

=
� ��

k∈N∗
�


��
E (Xi ) =

k∈N∗


�
e −λ λ
k!

λ
k!
k

k
= 0+λ

� �
k2

e−λ k(k − 1)

� ��

k∈N

k∈N∗
� P ��

�� � � �

k−2 


+
k∈N∗


�
e−λ


λ
�

e−λ k
k!
k
λ
e

��
�
k−1

k−1 
−λ λ

(k − 1)!


k!
�

�
l∈N
k
� �
k

P(X1 =l)

 λ  2  λ 
=  e−λ λ +  λ
 (k − 2)!   (k − 1)! 
�k≥2 �� �   k≥1
�P �� �
P
l∈N P(X1 =l) l∈N P(X1 =l)
2
= λ +λ
ce dont on tire

V (Xi ) = λ
� +∗
�
R → �R tX �
– Soit φ : ; φ est appelée la fonction génératrice de la variable aléatoire
t �→ E e i
Xi .
Alors pour t ∈ R
+∞
�
φ(t) = P (Xi = k) etk
k=0
+∞
� λk tk
= e−λ e
k=0
k!
+∞
� k
(λet )
= e−λ
k=0
k!
λ(et −1)
= e

Version du 20050421-15h38, révisée le 21 avril 2005 78

Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
En particulier, φ est de classe C +∞ .

L’idée ici est que pour ρ > 0, la série

= e−λ

= e −λ
k∈N

k∈N

= e−λ

=


�


�
t

∂t

k∈N
�

t �→

t �→ k

= E (Xi n )
�

k∈N
] − ρ, +ρ[ →
�→
convergente ; donc sur tout voisinage de 0 on peut intervertir ∂t

φ(n) (0) =
� �
∂
∂t

� ∂
t �→ e−λ
 �
� (λet )k

k∈N

kn
k!

k!

k!
�

(λet )

t k
n (λe )

λ
k!
k

k n P (Xi = k)
k
��

� 
R+∗

k∈N �
∂

� 

(0)


(λet )


k!
k
�
est normalement

et N , de sorte que

(0)

(0)

Ce résultat est en fait vrai plus généralement pour toute densité suffisamment régulière (i.e.
telle que φ soit développable en séries entières et somme de sa série) : en effet on a alors
+∞ (n)
� φ (0)
φ(t) = tn
n=0
n!

Or par ailleurs on a toujours

� �
φ(t) = E etXi
� +∞ �
� (tXi )n
= E
n=0
n!
+∞ n
� t E (Xi n )
= sous réserve que tous les moments existent
n=0
n!
+∞
� E (Xi n ) n
= t
n=0
n!

ce dont on déduit que

∀n ∈ N, φ(n) (0) = E (Xi n )

Version du 20050421-15h38, révisée le 21 avril 2005 79

Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
– Par ailleurs, on a successivement :
�
φ (t) = φ(t)λet
��

���

����
�

�
t
φ (t) = λe + 2 λe
�
φ (t) = φ(t)λet + φ (t)λet

�
� �2
= (λet + λet )φ(t)
� t �2 �

� �2 � �3
= λet + 3 λet + λet
� �2
φ (t) = λet + 6 λet + 3 λet
� � �2
� �3
�

= λet + 7 λet + 6 λet + λet

∀n ∈ N, φ(n) (t) = Pn (λet )φ(t).

�
t
φ(t) + λe + λe

φ(t)
� t �2 � t �

On a en effet P0 = (1), P1 = X puis pour tout n ∈ N

� �� � �
�
λe φ (t)

φ(t)
� �2 � �3 � �
φ(t) + λet + 3 λet + λet
� �3 � �4 �
φ (t)

Plus généralement, on montre qu’il existe une suite de polynômes (P n )n∈N ∈ R[X]N telle que

� � �
φ(n+1) (t) = Pn λet λet φ(t) + Pn λet φ (t)
� �� � � � ��
= Pn λet λet φ(t) + Pn λet λet φ(t)
= (XPn� (X) + XPn (X))(λet ) φ(t)
�

Par suite � �
�
∀n ∈ N, Pn+1 (X) = X Pn (X) + Pn (X)
�
de sorte que, en notant Pn (X) = nk=0 akn Xk

∀n ∈ N, ∀k ∈ �0, n�, akn+1 = kakn + ank−1 (avec la convention a−1

n = 0)

ce qui permet de calculer les (akn )n,k et d’en déduire E (Xi n ) = φ(n) (0). Puisque φ(0) = 1, on
peut donc facilement calculer pour tout n ∈ N ∗ le moment d’ordre n
� �
E Ti k = Pn (λ)

– Dans le cas présent on vérifie immédiatement que



 E (X) = λ

E (X 2 ) = λ (1 + λ)

 E (X 3 ) = λ (1 + 3λ + λ2 )

E (X 4 ) = λ (1 + 7λ + 6λ2 + λ3 )

☞ Q2 (a) On constate que λ�1 et λ�2 ont été obtenus par la méthode des moments, qui consiste pour
estimer λ à inverser l’expression du moment théorique d’une variable X en fonction de λ,
et de l’appliquer au moment empirique.

Version du 20050421-15h38, révisée le 21 avril 2005 80

Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
En l’occurence λ�1 (x) = x̄ est le premier moment empirique, qui converge p.s. vers le premier
moment théorique E (X1 ) = λ. Donc λ�1 est l’estimateur fondé sur le premier moment de X.

puis
�
�
�
De même λ�2 (x) = n1 ni=1 (xi − x̄)2 est le moment centré d’ordre 2 empirique, qui converge
vers le moment centré théorique d’ordre 2 V (X 1 ) = λ. Donc λ�2 est l’estimateur fondé sur
le second moment centré de X.
Les questions suivantes s’assurent que λ�1 et λ�2 sont bien des estimateurs de λ et étudient
leurs propriétés à distance (in-)finie.
(b) On a

�
E λ2 (X) =
�

1 � ��
n

n i=1
�

E Xi − X̄
� �
E λ�1 (X) = E X̄

�2 �
=

=
1�
n i=1
n
E (Xi )

n
1� � 2 �
= E Xi − 2Xi X̄ + X̄ 2
n i=1
n
1 � � 2� � � � �
= E Xi − 2E X̄ 2 + E X̄ 2
n i=1
� � � �
= E X1 2 − E X̄ 2
� � � � � � �2 �
= E X1 2 − V X̄ + E X̄
� �
� 2� 1 2
= E X1 − V (X1 ) + E (X1 )
n
� �
� 2 � 1 2
= λ +λ − λ+λ
n

n−1
= n
λ

�n � �2
Ainsi, λ�1 n’est pas biaisé mais λ�2 l’est, et on peut proposer λ�3 = n−1
1
i=1 X i − X̄
�n
(c) Première méthode : Cherchons la loi de i=1 Xi .
Une façon naturelle serait de montrer qu’une somme de variables indépendantes qui suivent
chacune un loi de Poisson de paramètre λ i suit elle-même un loi de Poisson de paramètre

Version du 20050421-15h38, révisée le 21 avril 2005 81

Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
�n
i=1 λi ; ceci se montre par récurrence soit en calculant explicitement

P (X1 + · · · + Xn = k) =

soit par convolution.

Pn
φ i=1 Xi (t) = E e

ce dont on conclut que

�
t i=1 Xi

= E Πni=1 etXi
�
= Πni=1 E etXi
= Πni=1 φXi (t)
= enλ(e −1)

�n
t
�
�

= φP(nλ) (t)

i=1
k
�

s=0
P (X1 + · · · + Xn−1 = s) · P (Xn = k − s)

Une autre façon est de calculer la fonction génératrice de la variable

connaı̂tre une fonction génératrice connue : la bijectivité

�
�n

�
i=1 Xi , et de re-

�du passage entre une densité et

une fonction génératrice permet alors de conclure que ni=1 Xi suit bien la loi dont on a
reconnu la fonction génératrice.
En l’occurence
� Pn �

par indépendance des etXi i

Xi � P(nλ).
En définitive la loi de λ�1 est caractérisée par
� n �
� � � (nλ)nk
∀k ∈ Q, P λ�1 = k = P Xi = nk = e−nλ
�

nk∈N
i=1
(nk)!

(on notera que la statistique λ�1 n’est pas entière a priori, ce qui justifie l’indicatrice).

Version du 20050421-15h38, révisée le 21 avril 2005 82

Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
Autre Méthode : On peut aussi directement calculer pour t ∈ N

P
�� n
1 �
n i=1
�
Xi =
t
n
�
= P (X1 + · · · + Xn = t)

=
�
P (X1 = x1 ∧ · · · ∧ Xn = xn )
x1 +···+xn =t
�

x1 +···+xn =t i=1
� � n

x1 +···+xn =t i=1

e
�

x1 +···+xn =t

e−nλ t

t!
−nλ t

t!
λ

e−nλ (nλ)t
t!
n
�

�
P (Xi = xi )

e−λ λxi

x1 +···+xn
xi !
−nλ x1 +···+xn
e λ
x1 ! · · · x n !
t!
x ! · · · xn !
=t 1

(1 + · · · + 1)t
car les (Xi )i sont indépendants

� �
λ�1
(d) Pour déterminer la loi limite jointe de , on serait tenté de poser Zi =
λ�2
� �
Xi
� �2 et d’appliquer le Théorème Central Limite à Z i ; la difficulté est que
Xi − X̄ � �
Xi
les Zi ne sont plus i.i.d dans ce cas, du fait de X̄. C’est pourquoi on pose Yi = ,
Xi 2
et on constate que
�� � �
√ L 0
n (Yi − E (Yi )) −−−−→ N , V (Yi )
n→+∞ 0

ce qui s’écrit
�� � � �� �� � � � � ��
√ X̄ λ L 0 V� (Xi ) � Cov �Xi , X 2
n − −−−−→ N , � i
X̄ 2 λ(1 + λ) n→+∞ 0 Cov Xi , Xi 2 V Xi 2

Version du 20050421-15h38, révisée le 21 avril 2005 83

Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
Par ailleurs on calcule successivement

Enfin, posons g : 

1
n
�n � 1 �n
i=1 Zi = g n
�

R
u
v
2

�
�

i=1 Yi , car n
→
�→
�

1
V (Xi ) = λ
� �

�n �

Alors g est de classe C ∞ , et de plus Jac g

rème de Slutsky

L
−−−−→ N
n→+∞
√
� � 1 �n
n g 1 �n
�� � �
0
0
n
n

,
i=1
i=1 Xi
1
X

−2λ 1
i
2
�

0
−g
R
u
v−u

� �
×
�
2

i=1 Xi �
2
�

u
� �
V Xi 2 = E Xi 4 − E Xi 2

� � �

λ


λ(1 + λ)
λ
=

��
� �

= λ(1 + 6λ + 4λ2 )

1
−2u 1
� �
Cov Xi , Xi 2 = E Xi 3 − E (Xi )E Xi 2
= λ(1 + 2λ)

, de sorte que

�2 1 �n
− X̄ � = n� 2

λ(1 + 2λ)
λ(1 + 2λ) λ(1 + λ)
� �2
i=1 Xi −� X̄ .

, donc d’après le théo-

� �
×
1 −2λ
0 1
��

soit �� � � �� �� � � ��
√ λ�1 λ L 0 λ λ
n − −−−−→ N ,
λ�2 λ n→+∞ 0 λ λ(1 + 2λ)

Enfin, remarquant que

� � � �� � � �
λ�1 1 0 λ�1 L λ
= n −−−−→
λ�3 0 n−1 λ�2 n→+∞ λ

il vient
�� � � �� �� � � ��
√ λ�1 λ L 0 λ λ
n − n −−−−→ N ,
λ�3 n−1
λ n→+∞ 0 λ λ(1 + 2λ)

n L
et comme par ailleurs n−1
λ −−−−→ λ on conclut que
n→+∞
�� � � �� �� � � ��
√ λ�1 λ L 0 λ λ
n − −−−−→ N ,
λ�3 λ n→+∞ 0 λ λ(1 + 2λ)
� � � � � �
� � �
(e) On a E λ∞ (X) = αE λ1 (X) + βE λ3 (X) = (α + β)λ,
donc λ�
∞ est sans biais ssi α + β = 1.

Version du 20050421-15h38, révisée le 21 avril 2005 84

Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
Par ailleurs, λ�
pour n → +∞

�
�
V λ�

�
∞ (X)
�

�
∞ est le meilleur estimateur sans biais de λ s’il est de variance minimale ; or

�
α








2
V
 � �
�
�
λ 1 (X)
�
+
�
2α(1
�
− α)Cov
�
�
λ�1 (X),
�
λ�3 (X)
�
+

V λ�1 (X) + V λ�3 (X) − 2Cov λ�1 (X), λ�3 (X) α2

� �

� � � �
� � �
(1

+2 Cov λ�1 (X), λ�3 (X) − V λ�3 (X) α

� � �
�
+ V λ3 (X)
�
−
��
α)

�
�

�
2
V

Ce polynôme de degré 2 en α a un cœfficient V λ�1 (X)+V λ�3 (X)−2Cov λ�1 (X), λ�3 (X) =
V λ1 (X) − λ3 (X) ≥ 0 en α2 , donc est maximal aux bornes et minimal au milieu des
racines, soit en

α∗ = −

= −

= −
� �
�

�
�

� �
� �
2 Cov λ�1 (X), λ�3 (X) − V λ�3 (X)
�
��

2 × V λ�1 (X) + V λ�3 (X) − 2Cov λ�1 (X), λ�3 (X)

2n (λ − λ(1 + 2λ))
2n (λ + λ(1 + 2λ) − 2λ)
2 (λ − λ − 2λ2 )
2 (λ + λ + 2λ2 − 2λ)
��
�
�
λ 3 (X)
�

= 1

∗
Ainsi, λ� � � �
∞ = λ1 , de sorte que λ1 = (x �→ x̄) = λemv est le meilleur estimateur asymptoti-
quement sans biais de λ.
�� �2 �
�
☞ Q3 (a) Rappel : l’erreur quadratique moyenne de l’estimateur θ de θ est définie comme E �
θ−θ .

– On a λ�1 = 21 (X1 + X2 ), de sorte que

�� �2 � � 2�
E λ�1 − λ = E λ�1 − λ2
1 � � 2� � ��
= E X1 + 2Cov (X1 , X2 ) + E X2 2 − λ2
4
1� �
= 2λ(1 + λ) + 2λ2 − λ2
4
λ
=
2

Version du 20050421-15h38, révisée le 21 avril 2005 85

Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
– De façon similaire

λ�2 =

� �
1
2
1
2
��

1� 2
4

de sorte que
X1 −

2
X 1 +
2
X 2
�2 �

X1 + X2 2 − 2X1 X2

E
��

Or E λ�2 = λ2 , et en outre
� 2�
E λ�2 =

=
1 �� 2
16
1 �
16
+ X2 −

X1 − X1 (X1 + X2 ) +
�

λ�2 − λ
�2 �

2
E X1 + X2 − 2X1 X2
4
X 1 +
2
(X1 + X2 )2

� 2�
X

�2 �
2
�2 �

2
+ X2 − X2 (X1 + X2 ) +

� �
= E λ�2 − 2λE λ�2 + λ2
(X1 + X2 )2

E (X1 2 + X2 2 )2 − X1 X2 (X1 2 + X2 2 ) + 4X1 2 X2 2

1 � 4
4

�
�

�
= E X1 + 2X1 2 X2 2 + X2 4 + −X1 3 X2 − X1 X2 3 + 4X1 2 X2 2
16
1 � � 4� � � � � � � �
= E X1 + 3E X1 2 E X2 2 − 4E X1 3 E (X2 ) par indépendance
8
1� �
= λ + 6λ2
8
et donc
�� �2 � � �
1 � � λ
E λ�2 − λ = 2
λ + 6λ − 2λ + λ2
8 2
3 2 1
= λ + λ
4 8

– Enfin, λ�3 = 2λ�2 et donc

�� �2 � � 2�
E λ�3 − λ = E λ�3 − λ2
� 2�
= 4E λ�2 − λ2
1
= 2λ2 + λ
2

Version du 20050421-15h38, révisée le 21 avril 2005 86

Ensae SE222 Enoncé et corrigé des travaux dirigés n ◦ 1 à 8 Séance 6

ensae.net
(b) Au sens de l’erreur quadratique moyenne, λ�1 est toujours préférable à λ�3 .
De plus,

et de façon analogue

�
�
λ2 est préférable à λ3 ⇔ E

⇔
�

�
��

2−

⇔ λ>−
2

λ2 est préférable à λ1 ⇔ E

⇔
�
λ2 − λ

⇔ λ<
3
4
3
8

��

2
1
2λ + λ −
2
�

�
�2 �

� �

λ2 +

λ2 − λ
� � �
λ

1
2
−
�
<E

�2 �

3 2 1
4
−
2 8

<E
��

3 2 1
4
1 1

�
λ + λ >0
8
��
�
λ3 − λ

λ + λ >0
�
8
�

λ>0
�2 �

cd qui est toujours vrai car λ > 0

�
λ1 − λ
�2 �

k ∂ 2 ln L
(c) On a L(k, λ) = e−λ λk! , donc ∂ ln L
∂λ
= −1 + λk et par suite
(k, λ) ∂λ
(k, λ) = − λk2 . donc
� 2 �
∂ ln L
I1 (λ) = −E (k, λ)
∂λ
+∞
� k −λ λk
= 2
e
k=0
λ k!
+∞
e−λ � λk−1
=
λ k=1 (k − 1)!
1
=
λ

de sorte que la borne FDCR est λ

2
. En particulier, λ�3 est efficace ssi 2λ2 + 12 λ = λ
2
,
c’est-à-dire jamais puisque λ > 0.

�
� �

Version du 20050421-15h38, révisée le 21 avril 2005 87