Beruflich Dokumente
Kultur Dokumente
Exercice 1 : Estimation
i=1 i 2
= exp x IR+ (xi ) .
n 2 i=1 i i=1
On a alors n n
1
2
ln L(x1 , ..., xn ; ) = n ln + ln (xi ) x.
i=1
2 i=1 i
ln L(x1 ,...,xn ;)
En etudiant le signe de
, on obtient :
n
ln L(x1 , ..., xn ; ) n 1
2
0 + 2 x 0,
2 i=1 i
n
1
2
x.
2n i=1 i
1
n
La vraisemblance possede donc un maximum global unique obtenu pour = 2n i=1 x2i dou
n
1
2
MV = X .
2n i=1 i
1
2) La moyenne de lestimateur MV est
n
1
2
E MV = E Xi
2n i=1
n
1
2
= 2
2n i=1
= 2 =
Lestimateur MV est donc un estimateur non biaise de . La variance de lestimateur MV est
n
1
var MV = 2
var Xi2 ,
4n i=1
1 2
= var X1 ,
4n
1 4 2
= E X1 E X12 ,
4n
1 4
= 8 4 4
4n
4
=
n
2
Estimation Bayesienne
On suppose desormais quon dispose dune information a priori sur le parametre resumee dans
la loi inverse-gamma IG (, ) de densite
1
f () = exp IR+ ()
() +1
1) La loi a posteriori de | x1 , ..., xn secrit
f ( | x1 , ..., xn ) f ( x1 , ..., xn | ) f ()
n
1 1
2 1
n exp x exp IR+ ()
2 i=1 i +1
n
1 1 1
2
n++1 exp x + IR+ ()
2 i=1 i
Cette densite est la densite dune loi inverse-gamma
n
1
| x1 , ..., xn IG n + , x2i +
2 i=1
dou
n
ln [f ( | x1 , ..., xn )] n++1 1 1
2
0 + 2 x + 0
2 i=1 i
n
1 1
2
x +
n + + 1 2 i=1 i
Lestimateur MAP se comporte donc MV comme lorsque n . Lorsquon a beaucoup dobservations,
on fait conance a ces observations et donc leet de la loi a priori est negligeable.
3
Methode des Moments
1) La moyenne dune loi de Rayleigh est
E [X] =
2
donc
2
= 2 = [E [X]]2
Lestimateur des moments resultant de cette derniere egalite est
n 2
2 1
M = Xi
n i=1
4
Exercice 2 : Test de Neyman-Pearson
L(x1 , ..., xn ; 1 )
Rejet de H0 si > k .
L(x1 , ..., xn ; 0 )
Mais
n
xi
L(x1 , ..., xn ; 1 )
i=1
1n
exp 211 ni=1 x2i
> S n n 2 > k ,
L(x1 , ..., xn ; 0 ) i=1 xi 1
exp 20 i=1 xi
0n
n
1 1
x2i > k
0 1 i=1
1 1
Pour 1 > 0 , on a 0
1
> 0 et donc on en deduit le test equivalent
n
Rejet de H0 si Xi2 > s .
i=1
1 1
Pour 1 < 0 , on a 0
1
< 0 et donc le test secrit
n
Rejet de H0 si Xi2 < s .
i=1
Si 1 > 0
n
x Rn x2i > s .
i=1
Si 1 < 0 n
n 2
xR xi < s .
i=1
Xk2
2) Le changement de variables Yk = 2
est bijectif de R+ dans R+ . De plus
x2k
yk = 2
xk = yk
5
Le Jacobien de la transformation est donc
dxk
J= =
dyk 2 yk
soit y
1 k
g(yk ) = exp IR+ (yk )
2 2
Xk2
On en deduit que Yk = 2
suit une loi du 22 a deux degres de liberte. La fonction caracteristique
de Tn2 est
Tn
(u) = E eiu 2
2
Xk
iu n
= E e k=1 2
n
= E eiuYk
k=1
(u) = Yk (u)
k=1
n
1
=
k=1
1 2iu
1
=
(1 2iu)n
Tn
On en deduit que 2
suit une loi du khi-deux a 2n degres de liberte
Tn
22n
2
3) Le risque de premiere espece est deni par
= P [Rejeter H0 | H0 vraie] ,
n
= P Xi2 > s = 0 ,
i=1
n
Tn s Xi2
= P > 2 22n ,
02 0 i=1 02
s
= G2n .
02
6
De la meme facon
= P [Rejeter H1 | H1 vraie] ,
n
= P Xi2 s = 1 ,
i=1
n
Tn s
Xi2
= 1P > 2 22n ,
12 1 i=1 12
s
= 1 G2n .
12
On voit donc que la performance du test depend des variances 02 et 12 uniquement via la quantite
02
2
(la puissance depend aussi de bien entendu). Si on xe 02 et le risque , plus 12 est grand,
1
02
plus 12
est petit et donc plus la puissance du test est grande.
7
Exercice 3 : Test dajustement
6
n 2
6
= Ni
n i=1 6
1
= [4 + 4 + 4 + 1 + 0 + 9]
20
22
= = 1.1
20
La regle de decision du test du 2 est
avec
= P [Rejeter H0 | H0 vraie] ,
= P [ > s | H0 vraie] .
= P > s | 25 .
On sait que est distribuee suivant une loi du 2K1 sous lhypothese H0 , ou K = 6 est le nombre
de classes. Si gn (u) est la densite dune loi du 2n , on pose
gn (u)du = Gn(x),
x
et on obtient
= G3 (s ) = s = G1
5 () .
8
Pour = 0.05, les tables de la loi du 25 donnent
s = 11.071
On observe que
< s0.05
et donc on accepte lhypothese que le de est parfait avec le risque a = 0.05.
2) Lapplication du theoreme de la limite centrale donne
1
n
Xi E[Xi ] L
n
i=1 N (0, 1)
var [Xi ] /n n
Pour n grand, on peut donc approcher la loi de n1 ni=1 Xi par la loi normale
var [Xi ]
N E[Xi ],
n
Pour une loi uniforme sur lensemble {1, ..., 6} (ce qui correspond a lhypothese H0 ), on a
1 + ... + 6 7
E[Xi ] = =
6 2
12 + ... + 62 49 35
var [Xi ] = E[Xi2 ] E [Xi ]2 = = = 2
6 4 21
donc n
1 7
n
Xi
i=1 2
Un = N (0, 1)
/ n
ou signie asymptotiquement distribue. On en deduit
= P [Rejeter H0 | H0 vraie] ,
2
n
1
7
= P Xi > s | H0 vraie ,
n i=1 2
2
2
= P U > s | H0 vraie ,
n n
n
2 2 2
= P Un > 2 s | Un 1 ,
n
= G1 2 s
On en deduit
2 1
s = G () .
n 1