Académique Documents
Professionnel Documents
Culture Documents
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