Statistiques - Année 3 Semestre 6 - 2023

Chapitre 1 : Tests statistiques

Feuille de TD 1

Exercice 1 : Soit n ∈ N⋆ . On suppose que l’on dispose d’observations de

iid
loi de Bernoulli X1 , . . . , Xn ∼ Ber(p), pour un certain p ∈]0, 1[ inconnu,
définies sur un même espace de probabilité sous-jacent (Ω, A, P).
1. Rappeler la définition de la loi Ber(p) : quelle est sa fonction de
masse ? sa fonction de répartition (f.d.r.) ? Tracer la courbe représen-
tative de sa f.d.r. Rappeler l’espérance µ et la variance σ 2 de la loi
Ber(p).
2. Quelles sont les propriétés caractérisant une f.d.r. F d’une v.a.r. ?
Donner la définition des quantiles de la loi PF de f.d.r. F . Donner la
définition de la médiane pour la loi PF . Que signifie "PF est symé-
trique par rapport à 0" ? "par rapport à b ∈ R" ? Qu’est-ce que cela
implique en terme de médiane ?
3. Rappeler la définition de la loi binomiale Bin(n, p). Quelle est sa
fonction de masse ? sa f.d.r. ? son espérance ? sa variance ?
4. Tracer la f.d.r. et la fonction quantile de la loi Bin(4, 1/2).
5. Rappeler le résultat du cours sur la symétrie de la loi Bin(n, 12 ) En
déduire une médiane de la loi Bin(n, 12 ). Est-ce que cela est cohérent
avec la question précédente ?
6. Quelles commandes pouvez-vous utiliser en R/Python pour retrou-
ver la fonction de masse, la f.d.r., et la fonction quantile d’une loi
Bin(n, p) ? Pour simuler N réalisations d’une loi Bin(n, p) ?
7. Constuire un test exact de H0 ∶ p = 3/4 contre H1 ∶ p > 3/4. Détermi-
ner une expression explicite de la p-valeur de ce test.

1
 Application numérique : Reprenons l’exemple du cours. Après ré-
flexion, notre vidéaste considère qu’il ne serait intéressant de produire
de nouveaux types de contenus que si la proportion p de gens qui re-
gardent ses vidéos actuelles et seraient intéressés par ces nouveaux
contenus était supérieure à 3/4. Il refait donc un sondage parmi 100
de ses abonnés et reçoit 83 avis positifs. Calculer numériquement la
p-valeur qu’il obtient pour le test de H0 ∶ p = 3/4 contre H1 ∶ p > 3/4.
Que pouvez-vous en conclure au niveau 5% ? Mêmes questions si, à
la place de 83 avis positifs, il n’en recueille que 79 ?
Quelles commandes pouvez-vous utiliser en R/Python pour retrouver
ces p-valeurs ?
8. Constuire un test exact de H0 ∶ p = 1/2 contre H1 ∶ p ≠ 1/2. Détermi-
ner une expression explicite de la p-valeur de ce test.
Application numérique : calculer numériquement la p-valeur obtenue
si n = 100 et xn = 0.59. Que pouvez-vous en conclure au niveau 5% ?
Mêmes questions si xn = 0.61.
Quelles commandes pouvez-vous utiliser en R/Python pour retrouver
ces p-valeurs ?
9. Construire un estimateur p̂n de p grâce à la méthode des moments.
Retrouver cet estimateur grâce à la méthode du maximum de vrai-
semblance. Quelle est la loi de p̂n ? Son espérance ? Sa variance ? Est-
il sans biais ? consistant ? asymptotiquement normal ? Pour α ∈]0, 1[
construire une région de confiance asymptotique pour p de niveau
exact 1 − α.
10. Construire un test asymptotique de H0 ∶ p = 3/4 contre H1 ∶ p ≠ 3/4.
Application numérique : conclusion au niveau 5% pour n = 100 et
xn = 0.83 ? xn = 0.79 ?

2
 Exercice 2 : On considère un n-échantillon i.i.d. X = (X1 , . . . , Xn ) de
v.a.r., définies sur un même espace de probabilité sous-jacent (Ω, A, P). On
note respectivement F et PF leurs fonction de répartition et loi communes,
et F
̂n la fonction de répartition empirique associées à cet échantillon.
Dans tout l’exercice, on supposera que la loi PF est continue (= diffuse) càd
que F sera supposée continue.
1. Etude de la fonction de répartition empirique :
(a) Rappeler la définition de F
̂n .
(b) On note (X(1) , . . . , X(n) ) l’échantillon réordonné par ordre crois-
sant, et l’on supposera dans toute la suite que X(1) < . . . < X(n) ,
autrement dit, que les Xi sont deux à deux distincts. On dispose à
présent de la réalisation x = X(ω) = (x1 , . . . , xn ) d’un échantillon
de taille n = 4 :
0.66 3.51 1.92 1.05
Que valent x(1) ? x(2) ? x(3) ? x(4) ? Donner l’expression de F
̂n (ω).
Tracer sa courbe représentative sur R/Python.
2. Test d’appartenance à la famille des lois normales :
(a) On suppose que F = FN (µ,σ2 ) pour (µ, σ 2 ) ∈ R × R⋆+ inconnus. Dé-
terminer l’estimateur du maximum de vraisemblance (µ̂n , σ̂n2 ) de
(µ, σ 2 ) à partir de l’échantillon (X1 , . . . , Xn ). Comparer le résul-
tat obtenu avec les estimateurs des moments que vous connaissez
σ̂ 2
pour (µ, σ 2 ). Quelle est la loi de µ̂n ? Et celle de n σn2 ? µ̂n et
2
σ̂
√n sont-elles indépendantes ? Que pouvez-vous dire de la loi de
n −µ
µ̂√
n−1 2 ?
σ̂n
Calculer numériquement (µ̂n (ω), σ̂n2 (ω)), càd (µ̂n , σ̂n2 ) pour la réa-
lisation x = X(ω) de X donnée ci-dessus.
(b) On veut maintenant tester l’appartenance de PF à la famille des
lois normales, càd tester

H0 ∶ PF ∈ {N (µ, σ 2 ); (µ, σ 2 ) ∈ R × R⋆+ }

contre
H1 ∶ PF ∉ {N (µ, σ 2 ); (µ, σ 2 ) ∈ R × R⋆+ } .
Notons F0 ∶= {N (µ̂n , σ̂n2 )}. Nous allons en fait procéder au test de

H0 ∶ PF ∈ F0 contre H1 ∶ PF ∉ F0 .

3
 i. Construire une statistique de test et un test sur le modèle du
test de Kolmogorov-Smirnov vu en cours (attention : étant
donné que la loi N (µ̂n , σ̂n2 ) est "aléatoire", au sens où elle dé-
pend de l’observation X, la statistique ne sera pas de loi KS)
ii. Tracer sur le même graphe que celui de F ̂n (ω), la courbe re-
présentative de FN (µ̂n (ω),σ̂n2 (ω)) .
iii. Lire graphiquement la valeur de la statistique du test.
iv. La loi de cette statistique de test a été tabulée, et vous trouve-
rez en Annexe quelques-uns de ses quantiles. Effectuer le test
d’appartenance de PF à la famille des lois normales au niveau
5%.
3. Test d’appartenance à la famille des lois exponentielles :
(a) On suppose que F = Fϵ(λ) pour λ ∈ R⋆+ inconnu. Déterminer
l’estimateur du maximum de vraisemblance λ̂n de λ à partir de
l’échantillon (X1 , . . . , Xn ). Comparer le résultat obtenu avec un
estimateur des moments que vous connaissez pour λ. Calculer nu-
mériquement λ̂n (ω), càd λ̂n pour la réalisation x = X(ω) de X
donnée ci-dessus.
(b) On veut maintenant tester l’appartenance de PF à la famille des
lois exponentielles, càd tester

H0 ∶ PF ∈ {ϵ(λ); λ ∈ R⋆+ }

contre
H1 ∶ PF ∉ {ϵ(λ); λ ∈ R⋆+ } .
Notons F0 ∶= {ϵ(λ̂n )}. Nous allons en fait procéder au test de

H0 ∶ PF ∈ F0 contre H1 ∶ PF ∉ F0 .

i. Construire une statistique de test et un test sur le modèle

du test de Kolmogorov-Smirnov vu en cours (attention, même
remarque que ci-dessus).
ii. Tracer sur le même graphe que celui de F̂n (ω), la courbe re-
présentative de Fϵ(λ̂n (ω)) .
iii. Lire graphiquement la valeur de la statistique du test.
iv. La loi de cette statistique de test a été tabulée, et vous trouve-
rez en Annexe quelques-uns de ses quantiles. Effectuer le test
d’appartenance de PF à la famille des lois exponentielles au
niveau 5%.

4
 4. Les deux conclusions de ces tests vous semblent-elles cohérentes ?
Annexe : Quelques quantiles intéressants pour n = 4 :

q5% q10% q90% q95%

Stat du test d’appartenance à la loi normale 0.18 0.20 0.36 0.39
Stat du test d’appartenance à la loi expo 0.21 0.23 0.44 0.48