Lien de la note Hackmd

Exemple

1. $H_0:m=m_0$ contre
   $H_1:m=m_1$ ou
   $X$ suit une loi
   $\mathcal{N}(m,1)$ et
   $m_0\le m_1$
2. A. N.:
   $m_0=1$ et
   $m_1=2$
3. Calculer
   $\alpha$
4. Calculer
   $\beta$

Solution

Determiner la statistique de NP

$$\begin{array}{rl}\frac{L(X_1,\dots ,X_n,2)}{L(X_1,\dots ,X_n,1)}& =\frac{{\mathrm{\Pi }}_{i=1}^n\frac{1}{\sqrt{2\pi }}{e}^{-\frac{(X_i-2{)}^2}{2}}}{{\mathrm{\Pi }}_{i=1}^n\frac{1}{\sqrt{2\pi }}{e}^{-\frac{(X_i-1{)}^2}{2}}}\\ & =e^{\frac{1}{2}[-\sum X_i^2-4X_i+4+\sum X_i^2-2X_i+1]}\\ & =e^{\frac{1}{2}\sum _{i=1}^n(1X_i-3)}\\ & =e^{\sum _{i=1}^n{X}_i}\times \underset{c}{\underbrace{e^{-\frac{3n}{2}}}}\end{array}$$

Passons au log

$$\log (T)=\sum _{i=1}^n{X}_i+\log (c)$$

L'hypothese

$H_0$ est rejetee lorsque

$$\begin{gathered} \begin{array}{rl}T& >S_{\alpha }\\ \log (T)& >\log (S_{\alpha })\\ \sum X_i+\log (c)& >\log (S_{\alpha })\end{array} \\ \boxed{{\displaystyle \sum X_i>\log (S_{\alpha })-\log (c)}} \\ \sum X_i>C_{\alpha } \end{gathered}$$

On veut calculer

$\alpha$:

$$\begin{array}{rl}\alpha & =P(\text{rejeter }{H}_0|H_0\text{ vraie})\\ & =P(\sum X_i>C_{\alpha }|m=1)\end{array}$$

On veut se ramener a la loi centree-reduite:

$$\begin{array}{rl}\alpha & =P(\underset{{\overline{X}}_n}{\underbrace{\frac{\sum X_i}{n}}}>\frac{C_{\alpha }}{n}|m=1)\\ & =P({\overline{X}}_n>\frac{C_{\alpha }}{n}|m=1)\\ & =P(\sqrt{n}({\overline{X}}_n-1)>\frac{\sqrt{n}(C_{\alpha }-1)}{n})\end{array}$$

Sous l'hypothese

$H_0$:

$Z_n=\sqrt{n}({\overline{X}}_n-1)\sim \mathcal{N}(0,1)$

Par definition, qu'est-ce que ce nombre ? On rejette combien a droite ?

C'est un quantile au niveau

$1-\alpha$

$$\sqrt{n}(\frac{C_{\alpha }}{n}-1)=Z_{1-\alpha }$$

ou

$Z_{1-\alpha }$ designe le quantile de

$\mathcal{N}(0,1)$ au niveau

$1-\alpha$.

Maintenant on veut exprimer

$\beta$.

De quoi on a besoin pour determiner

$\beta$ ?

$$\begin{array}{rl}\beta & =P(\text{Accepter }{H}_0|H_1\text{ vraie})\\ & =P(\sum X_i\le C_{\alpha }|m=2)\end{array}$$

On veut exprimer

$C_{\alpha }$ en fonction de

$Z_{1-\alpha }$.

$$\begin{gathered} \begin{array}{rl}\sqrt{n}(\frac{C_{\alpha }}{n}-1)& =Z_{1-\alpha }\\ \frac{C_{alpha}}{n}-1& =\frac{Z_{1-\alpha }}{\sqrt{n}}\\ \frac{C_{\alpha }}{n}=\frac{Z_{1-\alpha }}{\sqrt{n}}+1\end{array} \\ \boxed{{\displaystyle C_{\alpha }=n(\frac{Z_{1-\alpha }}{\sqrt{n}}+1)=\sqrt{n}{Z}_{1-\alpha }+n}} \end{gathered}$$

Avant de continuer, essayons de trouver

$C_{\alpha }$ dans le cas ou

$\alpha =1\mathrm{\%}$ et dans le cas ou

$\alpha =5\mathrm{\%}$

Avant de calculer

$\beta$, on trouve les

$C_{\alpha }$.

$$\begin{array}{cc}\alpha =5\mathrm{\%}& C_{\alpha }=1,64\sqrt{n}+n\\ \alpha =1\mathrm{\%}& C_{\alpha }=2,33\sqrt{n}+n\end{array}$$

Si

$n=100$,

$\alpha =1\mathrm{\%}$, alors

$C_{\alpha }=123,3$ et pour

$\alpha =5\mathrm{\%}$,

$C_{\alpha }=116,4$.

Maintenant on peut calculer

$\beta$.

$$\begin{array}{rl}\beta & =P(\text{Ne pas rejeter }{H}_0|H_0|\text{ fausse})\\ & =P(\sum X_i<C_{\alpha }|m=2)\\ & =P({\overline{X}}_n<\frac{C_{\alpha }}{n}|m=2)\\ & =P(\sqrt{n}({\overline{X}}_n-2)<\sqrt{n}(\frac{C_{\alpha }}{n}-2)|m=2)\end{array}$$

Sous l'hypothese

$(H_1)$

$$\begin{gathered} Z_n=\sqrt{n}({\overline{X}}_n-2)\sim \mathcal{N}(0,1) \\ \boxed{{\displaystyle \beta =P(Z_n<\sqrt{n}(\frac{C_{\alpha }}{n}-2))}} \end{gathered}$$

Pour

$\alpha =5\mathrm{\%}$ et

$n=100$:

$$\begin{gathered} \begin{array}{rl}\sqrt{n}(\frac{C_{\alpha }}{n}-2)& =10(1,164-2)\\ & =-8,36\end{array} \\ \beta =P(Z_n<-8,36)=3\times {10}^{-17} \end{gathered}$$

scipy.stats.norm.cdf(-8.36)

• norm: loi normale
• cdf: cumulative distribution function

Pourquoi

$\beta$ est aussi petit ?

Parce que

$\alpha$ est tres grand par rapport a

$n$

Faisons la meme chose pour

$n=25$ et

$\alpha =1\mathrm{\%}$

Test du rapport de vraisemblance generalise (GLR)

• $H_0:\theta \in A$ contre
  $H_1:\theta \in B$
• $T=\frac{L(X_1,\dots ,X_n{\hat{\theta }}_1^{MV})}{L(X_1,\dots ,X_n{\hat{\theta }}_0^{MV})}$
• $T=\frac{\underset{\theta \in B}{sup}L(X_1,\dots ,X_n\theta )}{\underset{\theta \in A}{sup}L(X_1,\dots ,X_n\theta )}$
• Rejet de
  $(H_0)$ ssi
  $T>S_{\alpha }$ ou
  $S_{\alpha }$ est un seuil qui depend du niveau de confiance de
  $\alpha$

Comment on le traduit ?

$H_0:m\in \{0\}$

$H_1:m\in \mathbb{R}\setminus \{0\}$

Test de comparaison de 2 moyennes

• Deux populations
• Deux echantillons independants suffisamment grand
  $(X_1,\dots ,X_{n_1})$ et
  $(Y_1,\dots ,Y_{n_1})$
• Statistique

$$Z=\frac{{\overline{X}}_{n_1}-{\overline{Y}}_{n_2}}{\sqrt{(\frac{S_{n+1}^2}{n_1}+\frac{S_{n_2}^2}{n_2})}}$$

• $H_0:m_1=m_2$ contre
  $H_1:m_1\ne m_2$
• $H_0:m_1=m_2$ contre
  $H_1:m_1>m_2$
• $H_0:m_1=m_2$ contre
  $H_1:m_1<m_2$

Principe de Neyman Pearson

1. Determination d'un model statistique
2. Determination d'hypotheses
3. Determination d'une statistique de test
4. Determination de la forme de la region critique
5. Determination des valeurs critiques
6. Conclusion: rejet ou non de l'hypothese
7. Calcul de la puissance du test

Hypotheses simples

• $H_0:\theta ={\theta }_0$
• $H_1:\theta ={\theta }_1$

Exemple

Premier exemple

La variable aleatoire

$X$ suit une loi

$\mathcal{N}(m,1)$. Nous voulons tester

$H_0:m=0$ contre

$H_1:m\ne 0$

Solution

Qu'est-ce que le maximum de vraisemblance ?

C'est ce qui maximise la fonction de vraisemblance en fonction de

$\theta$

Maximum de vraisemblance pour une loi normale ?

$$L(x_1,\dots ,x_n,m)={\mathrm{\Pi }}_{i=1}^n\frac{1}{\sqrt{2\pi }}{e}^{-\frac{(x_i-m{)}^2}{2}}$$

Il n'y a pas de

$\sigma$ car

$\sigma =1$

$$L(x_1,\dots ,x_n,m)={\mathrm{\Pi }}_{i=1}^n\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{(x_i-m{)}^2}{2{\sigma }^2}}$$

On a une fonction

$f\Rightarrow \log (f^{\prime })$?

Prenons un exemple:

$$\begin{gathered} \begin{array}{rl}f(x)& =x^2-2x\\ f^{\prime }(x)& =2x-2\\ \log (f^{\prime }(x))& =\log (2x-2)\\ \log (f^{\prime }(x))=0& \iff 2x-2=1\\ & \iff \boxed{{\displaystyle x=\frac{3}{2}}}\end{array} \\ \begin{array}{rl}f(x)& =x^2-2x\\ \log (f(x))& =\log (x^2-2x)\\ (\log (f(x)){)}^{\prime }& =\frac{2x-2}{x^2-1}\\ (\log (f(x)){)}^{\prime }=0& \iff \boxed{{\displaystyle x=1}}\end{array} \end{gathered}$$

Ce n'est pas le meme resultat

La formule du maximum de vraisemblance est:

$$T=\frac{L(X_1,\dots ,X_n,\hat{\theta })}{L(X_1,\dots ,X_n,{\theta }_0)}$$

Avec

$\hat{\theta }$ l'estimateur du maximum de vraisemblance de

$\theta$.

On cherche

$\overline{X}$.

$$\begin{gathered} \begin{array}{rl}T& =\frac{L(X_1,\dots ,X_n,\overline{X})}{L(X_1,\dots ,X_n,0)}\text{car }m=0\\ & =e^{-\frac{1}{2}[\sum _{i=1}^n(X_i-\overline{X}{)}^2-\sum _{i=1}^n{X}_i^2]}\\ & =e^{-\frac{1}{2}[e\sum _{i=1}^n{X}_i+n{\overline{X}}^2]}\\ & =e^{-\sum _{i=1}^n{X}_i-\frac{n}{2}{\overline{X}}^2}\end{array} \\ \log (T)=-\sum X_i-\frac{n}{2}{\overline{X}}^2 \end{gathered}$$

$(H_0)$ rejetee

$si$

$T>S_{\alpha }$

$$\begin{array}{rl}\log (T)& >\log (S_{\alpha })\\ -\sum X_i-\frac{n{\overline{X}}^2}{2}& >\log (S_{\alpha })\\ \sum _{i=1}^n{X}_i+\frac{n{\overline{X}}^2}{2}& <\log (S_{\alpha })\end{array}$$

Proposition
Sous des hypotheses techniques, en notant

${\hat{\theta }}_n$ l'estimateur du maximum de vraisemblance.

$\sqrt{nI({\theta }_0({\hat{\theta }}_n{\theta }_0))}$ converge en loi vers

$\mathcal{N}(0,1)$

Nous dirons que l'estimateur du maximum de vraisemblance est normal asymptotiquement efficace ou NAE.

Nous supposerons que les hypotheses techniques evoquees sont verifiees.

Theoreme de Wilks
Sous l'hypothese

$H_0$,

$R_n:=2\log (T_n)$ converge en loi vers une loi

${\chi }^2(1)$

En revenant a nos calculs:

$$2(\sum _{i=1}^n{X}_i+n{\overline{X}}^2)\sim {\chi }^2(1)$$
:::

Second exemple

• La variable aleatoire
  $X$ suit une loi
  $\epsilon (\lambda )$
• $H_0:\lambda =1$ contre
  $H_1:\lambda >1$