Université de Rouen Normandie 2020-2021

M1 MFA - AIMAF Statistiques 2

Contrôle continu de Statistiques 2

– lundi 15 mars 2021, 15h45-17h45 –

Aucun document ni appareil électronique n’est autorisé.

Exercice 1. Soit f la fonction définie par

 1
 2 − θ, x ∈] − 1, 0]
1
f (x) = + θ, x ∈]0, 1]
 2
0, ailleurs,

6 21 . θ est le paramètre d’intérêt.

où θ est un paramètre réel tel que |θ| =
a. Quelles conditions doit vérifier θ pour que f soit une densité de probabilité ?
b. On dispose d’un n-échantillon X1 , . . . , Xn indépendant de densité f . On suppose que les
conditions de la question a sont vérifiées.
(i) Écrire la vraisemblance L(x, θ).
(ii) Montrer que le modèle est exponentiel et préciser la dimension de ce modèle exponentiel.
En déduire une statistique exhaustive du modèle.
n n
1]−1,0] (Xi ) et de T2 = 1]0,1] (Xi ). En déduire un estimateur
X X
c. Calculer l’espérance de T1 =
i=1 i=1
φ sans biais de θ construit à partir des deux statistiques T1 et T2 .
d. Calculer la borne de Cramer-Rao du modèle pour le paramètre θ.
e. Calculer la variance de φ ; est-il efficace ?

Correction : la correction d’un exercice très similaire a été faite en TD.

Exercice 2. Soit (X1 , ..., Xn ) un échantillon de la loi Pθ de densité de probabilité fθ définie

pour tout x ∈ R par  
1 x−θ
fθ (x) = exp − 1[θ,+∞[ (x)
σ σ
avec θ ≥ 0 et σ > 0.
a. Supposons que θ et σ soient inconnus. Déterminer la forme d’un test de rapport de
vraisemblance pour tester (H0 ) : θ ≤ θ0 contre (H1 ) : θ > θ0 avec θ0 > 0 fixé.
b. Dans cette question, nous supposons que σ = 1.
(i) En se fondant sur la statistique X(1) := min1≤i≤n Xi , déterminer la forme de tout
test du rapport de vraisemblance de l’hypothèse (H0 ) : θ ≤ θ0 contre l’alternative
(H1 ) : θ > θ0 .
(ii) Déterminer la fonction puissance d’un tel test.
(iii) Pour α ∈]0, 1[, quel test est de niveau α ? Est-il sans biais ?
Tournez la page SVP

Correction : voir Ex4 de la fiche de TD2.

1
Exercice 3. Soit X une variable aléatoire réelle de loi de Weibull W(c, θ) de paramètres c > 0
et θ > 0 dont une densité de probabilité s’écrit
cxc−1
 c
x
fX (x) = exp − 1]0,+∞[ (x)
θ θ
et dont la fonction de répartition s’écrit
  c 
x
FX (x) = 1 − exp − 1R∗+ (x).
θ
a. Quelle est la loi de Y = X c ? Calculer son espérance et sa variance.
b. On suppose que c est connu. Soit (X1 , ..., Xn ) un échantillon iid de la loi W(c, θ). Dé-
terminer l’estimateur du maximum de vraisemblance θ̂ de θ. Est-il sans biais ? Est-il
convergent ?
c. Sur la base de l’échantillon (X1 , ..., Xn ) , on souhaite tester l’hypothèse (H0 ) : θ = θ0
contre l’alternative (H1 ) : θ = θ1 , où θ1 > θ0 > 0.
(i) Déterminer la forme de la région critique optimale pour le test ci-dessus en utilisant
la procédure de Neyman-Pearson.
(ii) Calculer la loi de la variable aléatoire Tn = θ20 ni=1 Yi où Yi = Xic .
P
(iii) Déterminer explicitement la région critique optimale pour le test ci-dessus au niveau
α = 5% lorsque θ0 = 2 et n = 10.

Correction :
a. Calculons la fonction de répartition FY de Y . Soit x ∈ R,
FY (x) = Pθ (Y ≤ x) = Pθ (X c ≤ x) = 0 si x ≤ 0.
Soit x > 0 alors FY (x) = Pθ (X ≤ x1/c ) = FX (x1/c ) = 1 − exp − xθ 1R∗+ (x). Ainsi, FY

est une fonction continue sur R et de classe C 1 par morceaux. Par conséquent, la loi de Y
admet une densité de probabilité fY par rapport à la mesure de Lebesgue sur R définie
pour tout x dans R par
1
fY (x) = e−x/θ 1R∗+ (x).
θ
Ainsi, Y est une variable aléatoire de loi exponentielle de paramètre θ. On vérifie aisément
que E(Y ) = θ et V(Y ) = θ2 .
b. Soit x = (x1 , ..., xn ) ∈ R∗n
+ et soit θ > 0. La vraisemblance du modèle s’écrit

n
!c−1 n
!
 c n Y 1X c
L(x, θ) = xi exp − xi .
θ i=1
θ i=1

D’où n n
X 1X c
log L(x, θ) = n log(c) − n log(θ) + (c − 1) log(xi ) − x
i=1
θ i=1 i
et n
∂ n 1 X c
log L(x, θ) = − + 2 x.
∂θ θ θ i=1 i
∂2
∂
log L(x, θ) = 0 si et seulement si θ = n1 ni=1 xci . De plus, ∂θ
P
Ainsi, ∂θ 2 log L(x, θ) = −n <
1
Pn c
0. Par conséquent, l’EMV pour θ est la statistique θ̂ = n i=1 Xi . D’après la question
précédente, on a Eθ (θ̂) = θ et d’après la loi forte des grands nombres, on a θ̂ converge
Pθ -ps vers Eθ (X1c ) = θ. Autrement dit, l’EMV θ̂ est (fortement) convergent.

2
c. Sur la base de l’échantillon (X1 , ..., Xn ) , on souhaite tester l’hypothèse (H0 ) : θ = θ0
contre l’alternative (H1 ) : θ = θ1 , où θ1 > θ0 > 0.
(i) D’après la procédure de Neyman-Pearson, il suffit de vérifier l’existence d’une constante
k > 0 telle que
Pθ0 (L(x, θ1 ) > kL(x, θ0 )) = α.
Or, !
 n   n
L(x, θ1 ) θ0 θ0 1 1 2 X c
= exp − − x .
L(x, θ0 ) θ1 2 θ1 θ0 θ0 i=1 i

Ainsi, comme θ1 > θ0 , il existe k̃ > 0 tel que

n
L(x, θ1 ) 2 X c
> k ⇐⇒ x > k̃.
L(x, θ0 ) θ0 i=1 i

La région critique du test UPP est alors de la forme

( n
)
∗n 2
X
c
RC = x ∈ R+ | x > k̃
θ0 i=1 i

avec un certain k̃ > 0.

(ii) Yi suit la loi E(θ) = γ(1, 1/θ)

P pour tout 1 ≤ i ≤ n. De plus, ces variables aléatoires
sont indépendantes. Donc, ni=1 Yi suit la loi γ(n, 1/θ).
Lemme : si p > 0 et si Z suit la loi γ(a, b) alors pZ suit la loi γ(a, b/p) (exercice).
On en déduit que Tn suit la loi γ(n, θ0 /(2θ)) (sous la probabilité Pθ ).

(iii) Remarquons que Tn suit la loi γ(n,  1/2) (loi

 du Chi-deux à n ddl) sous l’hypothèse
(H0 ). D’autre part, Pθ0 (RC) = Pθ0 Tn > k̃ = α = 0.05. Ainsi, il suffit de choisir k̃
égal au quantile inférieur 18.3 (voir table statistique) d’ordre 0.95 de la loi du Chi-deux
à n = 10 ddl. Finalement, la region critique du test UPP de niveau α est
( 10
)
X
RC = (x1 , ..., x10 ) | xci > 18.3 .
i=1