E XAMEN S TATISTIQUE - 1SN

Lundi 15 Janvier 2018

Partiel sans document (Une feuille A4 recto-verso autorisée)

Exercice 1 : Estimation (9 points)

On considère n variables aléatoires X1 , ..., Xn indépendantes suivant la même loi discrète à valeurs dans
l’ensemble des entiers non nuls N∗ = N\ {0} définie par

P [Xi = xi ; θ] = θ (1 − θ)xi −1 , xi ∈ N∗ = {1, 2, ...

avec θ ∈]0, 1[. On admettra que la moyenne et la variance d’une telle loi appelée “loi géométrique de
paramètre θ” sont définies par E [Xi ] = 1θ et var(Xi ) = 1−θ
θ2
.

1. (2pts) Montrer que la vraisemblance de (x1 , ..., xn ) admet un unique maximum global pour une
valeur de θ que l’on déterminera. En déduire l’estimateur du maximum de vraisemblance du
paramètre θ noté θbMV .

2. (2pts) Rappeler les propriétés asymptotiques de l’estimateur θbMV . Devant la difficulté d’étudier ces
propriétés pour n fini, on propose d’estimer le paramètre a = 1θ . Quel est l’estimateur du maximum
de vraisemblance du paramètre a noté âMV ? Cet estimateur est-il sans biais et convergent ?

3. (2pts) Déterminer la borne de Cramer-Rao pour un estimateur non biaisé du paramètre a. L’estimateur
aMV est-il l’estimateur efficace du paramètre a ?
b

4. (3pts) On désire maintenant construire un estimateur Bayésien du paramètre θ. Puisque ce paramètre

vérifie la contrainte θ ∈]0, 1[, il est naturel de définir une loi a priori (appelée loi beta de paramètres
α et β) de densité
θα−1 (1 − θ)β−1
p(θ) = I]0,1[ (θ)
B (α, β)
où I]0,1[ (θ) est la fonction indicatrice sur l’intervalle ]0, 1[ (I]0,1[ (θ) = 1 si θ ∈ ]0, 1[ et I]0,1[ (θ) =
0 si θ ∈
/ ]0, 1[) et où B(α, β) est la fonction beta dont l’expression n’est pas importante dans cet
exercice.

• Montrer que la loi a posteriori de θ| x1 , ..., xn est aussi une loi beta dont on précisera les
paramètres.
• Déterminer l’estimateur du maximum a posteriori du paramètre θ noté θbMAP et étudier son
comportement lorsque n → ∞.

1
 Exercice 2 : Test Statistique (7 points)

On considère n variables aléatoires X1 , ..., Xn indépendantes suivant la même loi géométrique à

valeurs dans l’ensemble des entiers non nuls N∗ = N\ {0} définie par
P [Xi = xi ; θ] = θ (1 − θ)xi −1 , xi ∈ N∗ = N\ {0} .
avec θ ∈]0, 1[. On rappelle que la moyenne et la variance d’une loi géométrique de paramètre θ sont
définies par E [Xi ] = 1θ et var(Xi ) = 1−θ
θ2
. On considère le test d’hypothèses simples
H0 : θ = θ 0 , H1 : θ = θ1 .

1. (2pts) Déterminer la statistique du test du test de Neyman Pearson notée Tn et indiquer la région
critique de ce test pour θ1 > θ0 et θ1 < θ0 . Dans la suite de cet exercice, on supposera θ1 > θ0 .
La décision prise à l’aide du test de Neyman Pearson est-elle en accord avec la moyenne d’une loi
géométrique définie par E[Xi ] = 1θ ?
2. (1pt) Déterminer la loi approchée de la statistique Tn résultant de l’application du théorème de la
limite centrale.
3. (1pt) On note Z x  2
1 u
F (x) = √ exp − du
−∞ 2π 2
la fonction de répartition d’une loi normale N (0, 1) et F −1 son inverse. Déterminer la valeur du
seuil du test de Neyman Pearson notée Kα en fonction de n, θ0 , du risque de première espèce α et
de F −1 .
4. (1pt) Déterminer la puissance du test en fonction du seuil Kα , de n, θ1 et de F .
5. (2pts) Déterminer les courbes COR du test étudié dans cet exercice et tracer la forme de ces courbes
pour différentes valeurs de n.

Exercice 3 : Test d’adéquation (4 points)

On observe 20 réalisations d’une variable aléatoire discrète regroupées dans le tableau ci-dessous
et on se pose la question de savoir si ces observations proviennent d’une loi géométrique de paramètre
θ = 0.4 (voir définition à l’exercice précédent). Pour cela, on effectue un test du χ2 avec les 4 classes
C1 = {1}, C2 = {2}, C3 = {3} et C4 = {4, ...}

x1 = 1 x2 = 1 x3 = 3 x4 = 2 x5 = 2 x6 = 6 x7 = 3 x8 = 5 x9 = 4 x10 = 3
x11 = 2 x12 = 6 x13 = 1 x14 = 1 x15 = 2 x16 = 2 x17 = 3 x18 = 1 x19 = 2 x20 = 5

1. (1pt) Déterminer les probabilités des différentes classes notées pi , i = 1, ..., 4 en fonction de θ. On
admettra que les valeurs numériques de ces probabilités pour θ = 0.4 sont p1 = 0.4, p2 = 0.24,
p3 = 0.144 et p4 = 0.216.
2. (1pt) En déduire la valeur de la statistique du test du χ2 notée φn (on écrira l’expression de φn
sous la forme d’une somme pondérée de carrés qu’on ne cherchera pas à calculer).
3. (1pt) Quelle est la loi de φn lorsque les données xi sont issues d’une loi géométrique de paramètre
θ = 0.4 ?
4. (1pt) Pour effectuer le test du χ2 , on doit comparer la valeur de φn à un seuil. Déterminer ce seuil
en fonction de la fonction de répartition inverse d’une loi du χ2 et du risque de première espèce du
test noté α.

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∗