Académique Documents
Professionnel Documents
Culture Documents
Correctionstat20102011 PDF
Correctionstat20102011 PDF
Exercice 1 : Estimation
i=1 i 2
= exp − x IR+ (xi ) .
θn 2θ i=1 i i=1
On a alors n n
1
2
ln L(x1 , ..., xn ; θ) = −n ln θ + ln (xi ) − x.
i=1
2θ i=1 i
∂ ln L(x1 ,...,xn ;θ)
En étudiant le signe de ∂θ
, on obtient :
n
∂ ln L(x1 , ..., xn ; θ) −n 1
2
≥ 0 ⇐⇒ + 2 x ≥ 0,
∂θ θ 2θ i=1 i
n
1
2
⇐⇒ θ ≤ x.
2n i=1 i
1
n
La vraisemblance possède donc un maximum global unique obtenu pour θ = 2n i=1 x2i d’où
n
1
2
θMV = X .
2n i=1 i
1
2) La moyenne de l’estimateur θMV est
n
1
2
E θMV = E Xi
2n i=1
n
1
2
= 2σ
2n i=1
= σ2 = θ
L’estimateur θMV est donc un estimateur non biaisé de θ. La variance de l’estimateur θMV est
n
1
var θMV = 2
var Xi2 ,
4n i=1
1 2
= var X1 ,
4n
1 4 2
= E X1 − E X12 ,
4n
1 4
= 8σ − 4σ 4
4n
σ4
=
n
2
Estimation Bayésienne
On suppose désormais qu’on dispose d’une information a priori sur le paramètre θ résumée dans
la loi inverse-gamma IG (α, β) de densité
βα 1 β
f (θ) = exp − IR+ (θ)
Γ (α) θ α+1 θ
1) La loi a posteriori de θ| x1 , ..., xn s’écrit
f ( θ| x1 , ..., xn ) ∝ f ( x1 , ..., xn | θ) f (θ)
n
1 1
2 1 β
∝ n exp − x exp − IR+ (θ)
θ 2θ i=1 i θα+1 θ
n
1 1 1
2
∝ n+α+1 exp − x +β IR+ (λ)
θ θ 2 i=1 i
Cette densité est la densité d’une loi inverse-gamma
n
1
θ| x1 , ..., xn ∼ IG n + α, x2i + β
2 i=1
d’où
n
∂ ln [f ( θ| x1 , ..., xn )] n+α+1 1 1
2
≥ 0 ⇐⇒ − + 2 x +β ≥0
∂θ θ θ 2 i=1 i
n
1 1
2
⇐⇒ θ ≤ x +β
n + α + 1 2 i=1 i
L’estimateur θMAP se comporte donc θMV comme lorsque n → ∞. Lorsqu’on a beaucoup d’observations,
on fait confiance à ces observations et donc l’effet de la loi a priori est négligeable.
3
Méthode des Moments
1) La moyenne d’une loi de Rayleigh est
π
E [X] = σ
2
donc
2
θ = σ2 = [E [X]]2
π
L’estimateur des moments résultant de cette dernière égalité est
n 2
2 1
θM = Xi
π n i=1
4
Exercice 2 : Test de Neyman-Pearson
L(x1 , ..., xn ; θ1 )
Rejet de H0 si > kα .
L(x1 , ..., xn ; θ0 )
Mais
n
xi
L(x1 , ..., xn ; θ1 )
i=1
θ1n
exp − 2θ11 ni=1 x2i
> Sα ⇔ n n 2 > kα ,
L(x1 , ..., xn ; θ0 ) i=1 xi 1
exp − 2θ0 i=1 xi
θ0n
n
1 1
⇔ − x2i > kα′
θ0 θ1 i=1
1 1
Pour θ1 > θ0 , on a θ0
− θ1
> 0 et donc on en déduit le test équivalent
n
Rejet de H0 si Xi2 > sα .
i=1
1 1
Pour θ1 < θ0 , on a θ0
− θ1
< 0 et donc le test s’écrit
n
Rejet de H0 si Xi2 < sα .
i=1
• Si θ1 > θ0
n
x ∈ Rn x2i > sα .
i=1
• Si θ1 < θ0 n
n 2
x∈R xi < sα .
i=1
Xk2
2) Le changement de variables Yk = σ2
est bijectif de R+ dans R+ . De plus
x2k √
yk = 2
⇐⇒ xk = σ yk
σ
5
Le Jacobien de la transformation est donc
dxk σ
J= = √
dyk 2 yk
soit y
1 k
g(yk ) = exp − IR+ (yk )
2 2
Xk2
On en déduit que Yk = σ2
suit une loi du χ22 à deux degrés de liberté. La fonction caractéristique
de Tσn2 est
Tn
φ(u) = E eiu σ2
2
Xk
iu n
= E e k=1 σ 2
n
= E eiuYk
k=1
Tn
∼ χ22n
σ2
3) Le risque de première espèce α est défini par
α = P [Rejeter H0 | H0 vraie] ,
n
= P Xi2 > sα θ = θ0 ,
i=1
n
Tn sα Xi2
= P > 2 ∼ χ22n ,
σ02 σ0 i=1 σ02
sα
= G2n .
σ02
6
De la même façon
β = P [Rejeter H1 | H1 vraie] ,
n
= P Xi2 ≤ sα θ = θ1 ,
i=1
n
Tn sα
Xi2
= 1−P > 2 ∼ χ22n ,
σ12 σ1 i=1 σ12
sα
= 1 − G2n .
σ12
On voit donc que la performance du test dépend des variances σ02 et σ12 uniquement via la quantité
σ02
σ2
(la puissance dépend aussi de α bien entendu). Si on fixe σ02 et le risque α, plus σ12 est grand,
1
σ02
plus σ12
est petit et donc plus la puissance du test est grande.
7
Exercice 3 : Test d’ajustement
6
n 2
6
= Ni −
n i=1 6
1
= [4 + 4 + 4 + 1 + 0 + 9]
20
22
= = 1.1
20
La régle de décision du test du χ2 est
avec
α = P [Rejeter H0 | H0 vraie] ,
= P [φ > sα | H0 vraie] .
= P φ > sα | φ ∼ χ25 .
On sait que φ est distribuée suivant une loi du χ2K−1 sous l’hypothèse H0 , où K = 6 est le nombre
de classes. Si gn (u) est la densité d’une loi du χ2n , on pose
∞
gn (u)du = Gn(x),
x
et on obtient
α = G3 (sα ) =⇒ sα = G−1
5 (α) .
8
Pour α = 0.05, les tables de la loi du χ25 donnent
sα = 11.071
On observe que
φ < s0.05
et donc on accepte l’hypothèse que le dé est parfait avec le risque a = 0.05.
2) L’application du théorème de la limite centrale donne
1
n
Xi − E[Xi ] L
n
i=1 → N (0, 1)
var [Xi ] /n n→∞
Pour n grand, on peut donc approcher la loi de n1 ni=1 Xi par la loi normale
var [Xi ]
N E[Xi ],
n
Pour une loi uniforme sur l’ensemble {1, ..., 6} (ce qui correspond à l’hypothèse H0 ), on a
1 + ... + 6 7
E[Xi ] = =
6 2
12 + ... + 62 49 35
var [Xi ] = E[Xi2 ] − E [Xi ]2 = − = = ν2
6 4 21
donc n
1 7
n
Xi −
i=1 2
Un = √ ≃ N (0, 1)
ν/ n
où ≃ signifie asymptotiquement distribué. On en déduit
α = P [Rejeter H0 | H0 vraie] ,
2
n
1
7
= P Xi − > sα | H0 vraie ,
n i=1 2
2
ν 2
= P U > sα | H0 vraie ,
n n
n
2 2 2
= P Un > 2 sα | Un ∼ χ1 ,
n ν
= G1 2 sα
ν
On en déduit
ν 2 −1
sα = G (α) .
n 1