E XAMEN S TATISTIQUE - 1MF2E
Vendredi 8 mars 2019
Partiel sans document (Une feuille A4 recto-verso autorisée)
Exercice 1 : Estimation (8 points)
On considère n variables aléatoires indépendantes X1 , ..., Xn suivant la même loi normale N (µ, σ12 ) et
m variables aléatoires Y1 , ..., Ym suivant la même loi normale N (µ, σ22 ), où µ ∈ R est un paramètre
inconnu et σ12 , σ22 sont deux paramètres connus. On supposera de plus que les vecteurs (X1 , ..., Xn )T et
(Y1 , ..., Ym )T sont indépendants. Une situation pratique dans laquelle on peut avoir ces deux ensembles
d’observations (X1 , ..., Xn )T et (Y1 , ..., Ym )T correspond par exemple au cas où (X1 , ..., Xn )T sont
obtenues par un premier capteur dont l’incertitude dépend de la variance σ12 et où (Y1 , ..., Ym )T sont
obtenues par un second capteur dont l’incertitude dépend de la variance σ22 . L’objectif de cet exercice est
d’étudier des estimateurs de µ basés sur les vecteurs (X1 , ..., Xn )T et (Y1 , ..., Ym )T .
1. On appelle vraisemblance conjointe de ces deux ensembles d’observations le produit des vraisem-
blances des deux échantillons (X1 , ..., Xn )T et (Y1 , ..., Ym )T notée L(x, y; µ) avec x = (x1 , ..., xn )
et y = (y1 , ..., ym ). Montrer que cette vraisemblance admet un unique maximum global pour une
valeur de µ que l’on déterminera. En déduire l’estimateur du maximum de vraisemblance (con-
jointe) du paramètre µ noté µ bMV en fonction des variables Xi et Yj et des paramètres σ12 et σ22 .
2. Montrer que
bMV = αX̄ + (1 − α)Ȳ
µ
Pn m
avec X̄ = n1 i=1 Xi , Ȳ = m 1 P
i=1 Yi , et où α ∈]0, 1[ est un paramètre qu’on exprimera en
2 2
fonction de n, m, σ1 et σ2 . L’estimateur µ
bMV est-il sans biais ? Déterminer la variance de µ
bMV et
montrer qu’elle tend vers 0 lorsque n = m et que n tend vers l’infini.
3. Déterminer la borne de Cramér-Rao pour un estimateur non biaisé du paramètre µ à partir de
l’observation des variables (X1 , ..., Xn )T et (Y1 , ..., Ym )T . L’estimateur µ
bMV est-il l’estimateur
efficace du paramètre µ ?
4. En comparant les expressions des bornes de Cramér-Rao pour σ12 = σ22 = σ 2 et pour σ12 = 2σ22 =
σ 2 , déterminer quelle situation est la plus favorable pour l’estimation du paramètre µ.
Exercice 2 : Test Statistique (7 points)
On considère n variables aléatoires X1 , ..., Xn indépendantes de densités
3
3 2 x
f (xi ; θ) = xi exp − i IR+ (x)
θ θ
avec θ > 0 et où IR+ (x) indique la fonction indicatrice sur R+ . On veut à l’aide d’observations
x1 , ..., xn , de ces variables aléatoires tester les deux hypothèses suivantes
H0 : θ = θ0 contre H1 : θ = θ1 avec θ1 > θ0
1. À l’aide du théorème de Neyman-Pearson, calculer la statistique Tn du test le plus puissant et
indiquer la région critique de ce test. On retiendra pour Tn la fonction seule des observations.
1
2. Vérifier que la loi de Yi = 2θ Xi3 est une loi du chi-deux à 2 degrés de liberté. Montrer que si Z et
T sont deux variables aléatoires indépendantes suivant des lois du chi-deux à nZ et nT degrés de
liberté, c’est-à-dire, Z ∼ χ2nZ et T ∼ χ2nT , alors on a Z + T ∼ χ2nZ +nT .
3. En utilisant les résultats de la question précédente, exprimer le seuil du test de Neyman-Pearson
en fonction du risque de première espèce α et de l’inverse de la fonction de répartition d’une loi
du chi-deux dont on prendra soin de déterminer le nombre de degrés de liberté. On notera Fν (x)
la fonction de répartition d’une loi du chi-deux à ν degrés de liberté.
4. Déterminer la puissance du test en fonction du seuil du test de Neyman-Pearson, de θ1 et de Fν ,
où ν est le nombre de degrés de liberté trouvé à la question précédente.
5. Déterminer les courbes COR associées à ce test et analyser leur comportement en fonction de θ0
et θ1 .
Exercice 3 : Test d’adéquation (5 points)
Pour tester si une variable X possède la densité
3
3 2 x
f (x; θ) = x exp − IR+ (x)
θ θ
où θ > 0 est un paramètre connu, on considère un échantillon (X1 , ..., Xn ) de la var X et teste si la loi
de Y = 2θ X 3 est une loi du chi-deux à deux degrés de liberté. En d’autres termes, on considère le test
d’hypothèses suivant :
H0 : Y ∼ χ22
H1 : non H0
Malheureusement, on n’a pu obtenir que n = 5 réalisations de la variable aléatoire X qui donnent les
valeurs suivantes de Y :
y1 = 1.1 y2 = 2.3 y3 = 5.4 y4 = 7.8 y5 = 10.2
On décide de faire un test de Kolmogorov. Un logiciel de statistique (comme Matlab) nous a permis de
calculer les valeurs de la fonction de répartition aux points yi :
F (y1 ) = 0.42 F (y2 ) = 0.68 F (y3 ) = 0.93 F (y4 ) = 0.98 F (y5 ) = 0.99
Effectuer un test de Kolmogorov avec les risques de première espèce α = 0.01 et α = 0.05 (les seuils
associés à ces valeurs de α sont S0.01 = 0.352 et S0.05 = 0.294) et répondre aux questions suivantes
1. Quelle est la statistique du test de Kolmogorov ?
2. Comment conclure au vu des résultats des tests précédents ?
3. Expliquer pourquoi on a S0.05 < S0.01 .
4. Peut-on calculer la puissance du test ? Pourquoi ?
2
LOIS DE PROBABILITÉ CONTINUES
m : moyenne σ 2 : variance F. C. : fonction caractéristique
LOI Densité de probabilité m σ2 F. C.
1
f (x) = b−a a+b (b−a)2 eitb − eita
Uniforme 2 12
x ∈ ]a, b[ it (b − a)
θν −θx ν−1
f (x) = Γ(ν) e x
Gamma ν ν 1
θ > 0, ν > 0 ν
Γ (θ, ν) θ θ2 1 − i θt
x≥0
θν − xθ 1
f (x) = Γ(ν) e xν+1
Inverse gamma
θ θ2
θ > 0, ν > 0 ν−1 si ν > 1 (ν−1)2 (ν−2)
si ν > 2 (*)
IG(θ, ν)
x≥0
Première loi 1
f (x) = 21 e−|x| 0 2
de Laplace 1 + t2
Normale (x−m)2 σ 2 t2
f (x) = √1 e− 2σ 2 m σ2 eimt− 2
2
σ 2π
N m, σ
x ν
Khi2 f (x) = ke− 2 x 2 −1
1 1
χ2ν k= ν ν 2ν
2 2 Γ ν2
ν
(1 − 2it) 2
1 ν
Γ 2, 2 ν ∈ N∗ , x ≥ 0
1
f (x) = 2
Cauchy
πλ 1 + x−α λ (-) (-) eiαt−λ|t|
cλ,α
λ > 0, α ∈ R
f (x) = kxa−1 (1 − x)b−1
Γ(a+b) a ab
Beta k= Γ(a)Γ(b) a+b (a+b)2 (a+b+1)
(*)
a > 0, b > 0, x ∈ ]0, 1[
3
LOIS DE PROBABILITÉ DISCRÈTES
m : moyenne σ 2 : variance F. C. : fonction caractéristique
pk = P [X = k] p1,...,m = P [X1 = k1 , ..., Xm = km ]
LOI Probabilités m σ2 F. C.
1
eit 1 − eitn
pk = n n+1 n2 −1
Uniforme 2 12
k ∈ {1, ..., n} n (1 − eit )
p1 = P [X = 1] = p
Bernoulli p0 = P [X = 0] = q p pq peit + q
p ∈ [0, 1] q =1−p
pk = Cnk pk q n−k
Binomiale n
p ∈ [0, 1] q =1−p np npq peit + q
B (n, p)
k ∈ {0, 1, ..., n}
n−1
pk = Cn+k−1 pn q k n
Binomiale q q p
p ∈ [0, 1] q =1−p n n 2
négative p p 1 − qeit
k∈N
n! k1 km
p1,...,m = k1 !...km ! p1 ...pm Variance :
pj ∈ [0, 1] qj = 1 − p j npj qj P
m it
n
Multinomiale npj j=1 pj e
kj ∈ {0, 1, . . . , n} Covariance :
Pm Pm
j=1 kj = n j=1 pj = 1 −npj pk
λk
Poisson pk = e−λ
exp λ eit − 1
k! λ λ
P (λ) λ>0 k∈N
pk = pq k−1
1 q peit
Géométrique p ∈ [0, 1] q =1−p
p p2 1 − qeit
k ∈ N∗