TD1stat

Universit´e de Rouen
Math´ematiques
Masters de Math´ematiques, AIMAF, MA et MINMACS
Ann´ee 2023-2024 Statistique 1. Fiche n◦1
Mod`eles statistiques.
Absolue continuit´e. Mesure dominante. Dans ce paragraphe, si (X,(Pθ)θ∈Θ) est un mod`ele statistique domin´e par
une mesure dominante µ, on notera, pour tout θ∈Θ, fθ=dPθ
dµ une densit´e de Pθpar rapport `a µ(dont l’existence est
assur´ee par le th´eor`eme de Radon-Nikodym). On appelle vraisemblance du mod`ele l’application d´efinie par :
L:X × Θ→R+
(x, θ)7→ fθ(x).
1. Mesure dominante dans le cas discret. Soit (X,(Pθ)θ∈Θ) un mod`ele discret c’est-`a-dire un mod`ele o`u l’espace
des observations Xest fini ou d´enombrable. Montrez que ce mod`ele est domin´e par la mesure de comptage µsur Xet
donnez l’expression d’une vraisemblance.
2. Domination d’un mod`ele d’´echantillonnage. Montrer que le mod`ele X,(Pθ)θ∈Θest domin´e si et seulement
si Xn,P⊗n
θθ∈Θl’est pour tout n∈N∗. Dans ce cas, donner l’expression d’une vraisemblance pour le mod`ele
d’´echantillonnage de taille n.
La cons´equence remarquable est que pour montrer qu’un mod`ele d’´echantillonnage P⊗n
θθ∈Θest domin´e, il suffit de
montrer que le mod`ele de base (Pθ)θ∈Θl’est. De plus, la vraisemblance du mod`ele d’´echantillonnage s’obtient directement
`a partir du mod`ele de base.
3. Mod`eles homog`enes.
(a) Montrez que pour tout θ∈Θ, la densit´e fθest strictement positive Pθ–presque-sˆurement. On pourra poser pour
tout θ∈Θ,Aθ={x∈ X;fθ(x)>0}(cet ensemble est appel´e µ-support essentiel de fθ). Donnez un exemple o`u
celle-ci n’est pas strictement positive µ–presque partout.
(b) Montrez que, pour tout θ∈Θ, fθ>0µ–presque partout si et seulement si la mesure µest ´equivalente `a chacune
des lois Pθ. Exprimez dans ce cas une densit´e de µpar rapport `a Pθ.
(c) On dit que le mod`ele (X,(Pθ)θ∈Θ) est homog`ene si
∀θ∈Θ∀θ0∈ΘPθPθ0.
Montrez qu’un mod`ele est homog`ene si et seulement s’il admet une dominante µet une vraisemblance Lassoci´ee
strictement positive µ–presque partout.
(d) Les mod`eles suivants sont-ils homog`enes : (E(θ))θ>0, (U([0, θ]))θ>0, (B(θ))θ∈]0,1[ et (B(θ))θ∈[0,1] ?
Identifiabilit´e.
4. Identifiabilit´e d’un mod`ele d’´echantillonnage. Montrer que (X,(Pθ)θ∈Θ) est identifiable si et seulement si Xn,(Pθ⊗n)θ∈Θ
l’est pour tout n∈N∗.
La cons´equence remarquable est que pour montrer qu’un mod`ele d’´echantillonnage P⊗n
θθ∈Θest identifiable, il suffit de
montrer que le mod`ele de base (Pθ)θ∈Θl’est.
5. Des crit`eres d’identifiabilit´e. On ´etudie un mod`ele (X,(Pθ)θ∈Θ). S’il est domin´e, on notera fθ=dPθ
dµ . Lorsque
X ⊂ R, on note, pour tout θ∈Θ, Fθla fonction de r´epartition de toute v.a.r. Xde loi Pθ, et ϕθsa fonction
caract´eristique.
On rappelle que pour tous θ, θ0∈Θ, Pθ=Pθ0⇔fθ=fθ0µ–presque partout ⇔Fθ=Fθ0, et ´egalement :
Pθ=Pθ0⇔ϕθ=ϕθ0. La densit´e, la fonction de r´epartition et la fonction caract´eristique, constituent donc des outils
pour montrer l’identifiabilit´e d’un mod`ele. On prendra garde que l’´egalit´e de densit´es µ-presque partout est d´elicate `a
utiliser lorsque la mesure dominante µest la mesure de Lebesgue.
Dans beaucoup de mod`eles, chaque loi Pθest identifiable au sein de la famille (Pθ)θ∈Θsimplement `a partir d’un
ou plusieurs de ses moments. En effet : θ, θ0∈Θ, Pθ=Pθ0⇒ ∀t > 0,Eθ(Xt) = Eθ0(Xt), Notons que la r´eciproque
de cette implication est en g´en´eral fausse (sauf dans certains cas, avec des hypoth`eses suppl´ementaires sur les lois, par
exemple si leur support est born´e, voir le TD de Probabilit´es et analyse stochastique sur les fonctions caract´eristiques),
mais que ce n’est pas un probl`eme pour la question de l’identifiabilit´e. L’autre int´erˆet des moments est qu’ils fournissent
ensuite des estimateurs (voir le chapitre sur l’Estimation et la m´ethode des moments).
1

(a) Soit n∈N∗. Montrer que le mod`ele {0,1}n,(B(θ)⊗n)θ∈[0,1](o`u B(θ) d´esigne la loi de Bernoulli de param`etre θ)
est identifiable, `a l’aide de tous les crit`eres ´evoqu´es ci-dessus.
(b) Faire de mˆeme avec le mod`ele ((R+)n,(E(θ)⊗n)θ∈R+∗) (o`u (E(θ) d´esigne la loi exponentielle de param`etre θ).
Attention encore une fois lorsqu’on utilise la densit´e de la loi par rapport `a la mesure de Lebesgue.
6. Un mod`ele non identifiable : le mod`ele probit. On plante une graine, et on observe son d´eveloppement `a un
instant donn´e :
Y=1 si la graine a germ´e,
0 sinon.
Pour mod´eliser la situation, on suppose l’existence d’une variable biologique Xde loi N(m, σ2), appel´ee capacit´e de
germination de la graine, telle que Y={X>0}. Calculer la loi de Y, donner le mod`ele et montrer qu’il n’est pas
identifiable. Il s’agit du mod`ele image par R+∗du mod`ele N(m, σ2)(m,σ2)∈R×R+∗.
Calcul de lois. Somme de v.a. ind´ependantes. Convolution.
7. Statistiques d’ordre. On se place sur un espace de probabilit´e (X,A,P). On consid`ere un n-´echantillon de v.a.r.
X1, . . . , Xnde mˆeme loi admettant pour densit´e fpar rapport `a la mesure de Lebesgue, et de fonction de r´epartition
F. Pour tout ω∈ X tel que X1(ω), . . . , Xn(ω) sont deux `a deux distincts, on d´efinit σωcomme la permutation de
l’ensemble {1, . . . , n}telle que Xσω(1)(ω)< Xσω(2)(ω)<··· < Xσω(n)(ω).
(a) Montrer que pour tous i, j ∈ {1, . . . , n},P(Xi=Xj) = 0 et en d´eduire que ω7→ σωest d´efinie p.s. sur X, mesurable,
et donner sa loi.
(b) Calculer P(σ(i) = k) pour tout i, k ∈ {1, . . . , n}.
(c) On note pour simplifier Xσω(i)(ω) = X(i)(ω) pour tout i∈ {1, . . . , n}.
(i) V´erifier que X(1), . . . , X(n)sont des v.a. d´efinies p.s. sur Xet que le n-uplet (X(1), . . . , X(n)), appel´e n-
´echantillon r´eordonn´e, admet une densit´e que l’on calculera.
(ii) Calculer la loi de X(1), de X(n), du couple (X(1), X(n)) et enfin de X(i)pour i∈ {2, . . . , n −1}.
8. Convolution de mesures. Soit d∈N∗et Ψ : Rd×Rd−→ Rdl’application d´efinie par Ψ(x, y) = x+y. Soit µet ν
deux mesures born´ees d´efinies sur la tribu bor´elienne de Rd. On appelle produit de convolution de µet νet on note
µ∗ν, la mesure sur Rdimage de µ⊗νpar l’application Ψ.
(a) Montrer que le produit de convolution de deux mesures de probabilit´e est une mesure de probabilit´e.
(b) Montrer que pour toute partie mesurable Hde Rd,
µ∗ν(H) = ZRd ν(H−x)dµ(x) = ZRd µ(H−y)dν(y).
(c) Montrer que ∗est une loi de composition interne commutative et associative dans l’ensemble des mesures de
probabilit´e et admet comme ´el´ement neutre δ0.
(d) Soit Xet Ydeux variables al´eatoires ind´ependantes de lois respectives µet ν. Montrer que la variable al´eatoire
X+Ya pour loi µ∗ν.
(e) En d´eduire par r´ecurrence que si X1, . . . , Xnsont des variables al´eatoires ind´ependantes de lois respectives µ1, . . . , µn
alors la v.a. Sn=Pn
i=1 Xia pour loi µ1∗ ··· ∗ µn.
9. Loi de la somme de v.a. ind´ependantes. Convolution de densit´es. On suppose dans cet exercice que X1, . . . , Xn
(n∈N∗) sont des v.a.r. ind´ependantes, et on pose Sn=Pn
i=1 Xi. L’exercice pr´ec´edent a montr´e que la loi de Snest la
convolution des lois des Xi.
(a) Convolution de lois discr`etes. On suppose de plus dans cette question que X1et X2sont `a valeurs dans N;
pour tout k∈N,pk=P(X1=k) et qk=P(X2=k). Montrer que pour tout k∈N:
P(S2=k) =
k
X
i=0
piqk−i=
k
X
i=0
pk−iqi.
(b) Exemples.
(i) Quelle est la loi de Snsi pour tout i∈ {1, . . . , n},Xisuit la loi de Bernoulli B(p) o`u p∈[0,1] ? En d´eduire
la loi de Snlorsque pour tout i∈ {1, . . . , n},Xisuit la loi binomiale B(ki, p), o`u ki∈N∗.
(ii) Quelle est la loi de Snsi pour tout i∈ {1, . . . , n},Xisuit la loi de Poisson de param`etre λi>0 ?
(iii) Quelle est la loi de la somme de nvariables g´eom´etriques G(p) (sur N∗) ? Dans un jeu de pile ou face, que
mod´elise cette loi ? Cette loi porte aussi les noms de loi de Pascal, ou loi binomiale n´egative, de param`etres
net p.
2

(c) Convolution de lois `a Lebesgue-densit´e. Dans cette question, on suppose que X1et X2sont `a densit´e par
rapport `a la mesure de Lebesgue sur R, not´ees respectivement fet g. Montrer que S2admet pour densit´e f∗g,
c’est-`a-dire la fonction d´efinie par :
∀y∈R, f ∗g(y) = ZR f(x)g(y−x)dx =ZR f(y−x)g(x)dx.
(d) Exemples.
(i) Lois normales. Quelle est la loi de Sn, si pour tout i∈ {1, . . . , n}Xisuit la loi normale N(µi, σ2
i), o`u
(µi, σ2
i)∈R×R+∗? Si µ1=··· =µn=µet σ2
1=··· =σ2
n=σ2, quelle est la loi de Xn=Sn
n?
(ii) Mˆemes questions avec les lois de Cauchy.
(e) Convolution d’une loi discr`ete et d’une loi `a densit´e. On suppose maintenant que X1est `a valeurs dans
Navec pour tout n∈N,pn=P(X1=n) et que X2admet une densit´e fpar rapport `a la mesure de Lebesgue.
Montrer que S2admet une densit´e par rapport `a la mesure de Lebesgue, qu’on d´eterminera.
(f) Exemple. Calculer la densit´e de S2lorsque X1suit la loi normale centr´ee r´eduite et X2suit la loi de Rademacher,
c’est-`a-dire : P(X2= 1) = P(X2=−1) = 1
2.
(g) Interpr´eter les questions (a),(c),(e) de cet exercice en termes de convolution de mesures et d’absolue continuit´e.
`
A noter. Dans beaucoup de cas (ceux `a Lebesgue-densit´e surtout), il est possible de calculer la fonction ca-
ract´eristique (f.c.) des lois concern´ees. Il est `a noter qu’avec la f.c., les calculs, notamment de convolution, sont souvent
plus simples. En effet, la f.c. (qui ´equivaut `a une transform´ee de Fourier) transforme la convolution en produit : si X
et Ysont deux v.a.r. ind´ependantes, ϕX+Y(t) = ϕX(t)ϕY(t) pour tout t∈R. Voir le TD de Probabilit´es et analyse
stochastique.
10. Lois Gammas. Lois exponentielles. Lois du Chi-deux. Pour a > 0, on pose Γ(a) = R∞
0e−xxa−1dx. On rappelle
que la fonction Γ est d´efinie sur R+∗; qu’elle v´erifie la relation Γ(a+ 1) = aΓ(a) pour tout a > 0 (faire une int´egration
par parties) et que pour tout n∈N∗, Γ(n) = (n−1)!.
Une variable al´eatoire r´eelle est dite v.a. gamma de param`etres aet λ(a > 0, λ > 0), not´ee G(a, λ), si sa loi a la
Lebesgue-densit´e γa,λ, o`u :
∀x∈Rγa,λ(x) = λa
Γ(a)e−λxxa−11R+(x).
(a) Soit Xune variable al´eatoire de loi G(a, λ). Calculer E(X) et Var(X). On pourra mˆeme montrer que pour tout
t > 0,E(Xt) = Γ(a+t)
λtΓ(a).
(b) Soit Xune v.a. de loi G(a, λ) et µ > 0. Montrer que µX a pour loi G(a, λ/µ).
(c) Soient Xet Ydeux v.a. ind´ependantes de lois respectives G(a, λ) et G(b, λ). On pose U=X+Y,V=X
X+Yet
W=X/Y .
(i) Montrer que le couple (U, V ) a pour densit´e de probabilit´e
f(U,V )(u, v) = λa+b
Γ(a)Γ(b)e−λuua+b−1va−1(1 −v)b−11]0,∞[×]0,1[(u, v)
(ii) En d´eduire que Uet Vsont ind´ependantes, que Z1
0
xa−1(1 −x)b−1dx =Γ(a)Γ(b)
Γ(a+b), et que Γ(1/2) = √π.
(iii) Montrer que U=X+Ya pour loi G(a+b, λ) et en d´eduire la loi de la somme Snde nvariables ind´ependantes
de lois G(a1, λ), . . . , G(an, λ).
(iv) Calculer la loi de V.La loi de Vest appel´ee loi Beta de premi`ere esp`ece de param`etres aet b.
(v) Montrer que Uet Wsont ind´ependantes et calculer la loi de W.Cette loi est appel´ee loi Beta de seconde
esp`ece.
(d) Loi exponentielle. Montrer que la loi exponentielle E(λ) correspond `a la loi G(1, λ). En d´eduire la loi de la somme
Snde nvariables ind´ependantes de loi E(λ).
(e) Loi du chi-deux. Soit X= (X1, . . . , Xn) un n-´echantillon de loi N(0,1). Montrer que la loi de la v.a. kXk2
2=
Pn
k=1 X2
kest G(n/2,1/2). Cette loi est aussi appel´ee loi du chi-deux `a ndegr´es de libert´e et est not´ee χ2(n).
11. Loi de Fisher. On suppose que Uet Vsont deux variables ind´ependantes telles que U∼χ2(m) et V∼χ2(n). Montrer
que S=U+Vet F=U/m
V/n sont ind´ependantes et d´eterminer la loi de F.Cette loi est aussi appel´e loi de Fisher de
degr´es de libert´e met n. Elle apparaˆıt lors de tests statistiques dans le mod`ele lin´eaire.
12. Loi de Student. On suppose que Xet Usont deux variables ind´ependantes telles que X∼ N(0,1) et U∼χ2(n).
Montrer que la variable T=X
√U/n admet une densit´e que l’on calculera. La loi de Test appel´ee loi de Student `a n
degr´es de libert´e.
3

Mod`eles usuels. Mod`eles exponentiels.
13. Dans chacun des cas suivants, donner le mod`ele correspondant au n-´echantillon d’observations X= (X1, . . . , Xn), et
´etudier sa domination (le cas ´ech´eant, donner les densit´es par rapport `a la mesure dominante), son identifiabilit´e, et
pr´eciser s’il est de type exponentiel (`a ne pas confondre avec les lois exponentielles...).
(a) Mod`eles discrets usuels.
(i) Xisuit la loi de Bernoulli B(θ), o`u θ∈[0,1].
(ii) Xisuit la loi uniforme U({0,1, . . . , θ}) o`u θ∈N.
(iii) Xisuit la loi de Poisson P(θ), o`u θ∈R+∗.
(b) Mod`eles `a Lebesgue-densit´e usuels.
(i) Xisuit la loi uniforme U([0, θ]) ; o`u θ∈R+∗.
(ii) Xisuit la loi normale N(m, σ2), o`u θ= (m, σ2)∈R×R+∗.
(iii) Xisuit la loi gamma G(a, λ), o`u θ= (a, λ)∈R+∗×R+∗.
14. Quelques propri´et´es des mod`eles exponentiels.
(a) Montrer que si un mod`ele est exponentiel, alors le mod`ele ´echantillonnage associ´e est encore exponentiel.
(b) Montrer que si un mod`ele est exponentiel, alors le mod`ele image par la statistique privil´egi´ee Test encore exponentiel.
(c) Montrer qu’un mod`ele domin´e est exponentiel si et seulement s’il est homog`ene et la famille {ln fθ;θ∈Θ}est
de dimension finie. Dans ce cas, une famille g´en´eratrice est donn´ee par X, T1, . . . , Tro`u T= (T1, . . . , Tr) est une
statistique privil´egi´ee.
15. Mod`eles exponentiels et statistiques d’ordre.
(a) Montrer que si (X,(Pθ)θ∈Θ) est un mod`ele exponentiel, alors le mod`ele image par les statistiques d’ordre, c’est-`a-
direcelui associ´e aux observations (X(1), . . . , X(n)), est aussi exponentiel.
(b) On consid`ere le mod`ele Rn,(P⊗n
(λ,a))(λ,a)∈R×R+∗o`u P(λ,a)admet pour densit´e x7→ λe−λ(x−a)R+(x−a).
(i) Calculer le mod`ele image par les statistiques d’ordre.
(ii) Montrer que le mod`ele image associ´e aux observations (X(2) −X(1), . . . , X(n)−X(1)) est exponentiel, et que
le param`etre λsuffit `a l’identifier.
4