Lemme de Neyman-Pearson

Pour les articles homonymes, voir Pearson.

Cet article est une ébauche concernant les mathématiques.

Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.

Lemme de Neyman-Pearson

Type	Théorème
Inventeurs	Jerzy Neyman, Egon Sharpe Pearson
Nommé en référence à	Jerzy Neyman, Egon Sharpe Pearson
Formule	${\displaystyle \Lambda (x)={\frac {L(x\mid \theta _{0})}{L(x\mid \theta _{1})}}\leq \eta }$

modifier - modifier le code - modifier Wikidata

En statistique, selon le lemme de Neyman-Pearson, lorsque l'on veut effectuer un test d'hypothèse entre deux hypothèses H₀ : θ = θ₀ et H₁ : θ = θ₁, pour un échantillon ${\displaystyle \mathbf {x} =(X_{1},\ldots ,X_{n})}$, alors le test du rapport de vraisemblance, qui rejette H₀ en faveur de H₁ lorsque ${\displaystyle {\frac {{\mathcal {L}}(\mathbf {x} ,\theta _{0})}{{\mathcal {L}}(\mathbf {x} ,\theta _{1})}}\leq k_{\alpha }}$, où ${\displaystyle k_{\alpha }}$ est tel que

${\displaystyle P\left({\frac {{\mathcal {L}}({\textbf {x}},\theta _{0})}{{\mathcal {L}}({\textbf {x}},\theta _{1})}}\leq k_{\alpha }{\bigg |}H_{0}\right)=\alpha }$, est le test le plus puissant de niveau ${\displaystyle \alpha }$.

Ce lemme est nommé d'après Jerzy Neyman et Egon Sharpe Pearson dans un article publié en 1933^[1].

En pratique, la plupart du temps, le rapport de vraisemblance lui-même n'est pas explicitement utilisé dans le test. En effet, le test du rapport de vraisemblance ci-dessus est souvent équivalent à un test de la forme ${\displaystyle T\leq t_{\alpha }}$ pour une statistique ${\displaystyle T}$ plus simple, et le test est effectué sous cette forme-ci.

Démonstration

Cet article peut contenir un travail inédit ou des déclarations non vérifiées (mars 2019).

Vous pouvez aider en ajoutant des références ou en supprimant le contenu inédit. Voir la page de discussion pour plus de détails.

Théorème : La région de rejet ${\displaystyle R_{0}}$ optimale est définie par l'ensemble des points ${\displaystyle \mathbf {x} =(x_{1},\ldots ,x_{n})\in \mathbb {R} ^{n}}$ tels que

${\displaystyle {\frac {{\mathcal {L}}({\textbf {x}},\theta _{0})}{{\mathcal {L}}({\textbf {x}},\theta _{1})}}\leq k_{\alpha }}$

où la constante ${\displaystyle k_{\alpha }}$ est telle que ${\displaystyle P(\mathbf {x} \in R_{0}|\theta _{0})=\alpha }$. À noter qu'on a les relations suivantes :

${\displaystyle P\left({\textbf {D}}_{n}\in R_{0}|\theta _{0}\right)=\alpha =\int _{R_{0}}\!{\mathcal {L}}(\mathbf {x} ;\theta _{0})\ d\mathbf {x} }$

${\displaystyle P\left({\textbf {D}}_{n}\in R_{0}|\theta _{1}\right)=1-\beta =\int _{R_{0}}\!{\mathcal {L}}(\mathbf {x} ;\theta _{1})\ d\mathbf {x} }$

où ${\displaystyle D_{n}=(x'_{1},\ldots ,x'_{n})}$ est l'échantillon.

Démonstration :

Montrons tout d'abord que lorsque ${\displaystyle f_{\mathcal {X}}(.;\theta )}$ est une densité bornée, il existe toujours une constante ${\displaystyle k}$ telle que

${\displaystyle P\left({\frac {{\mathcal {L}}({\textbf {x}},\theta _{0})}{{\mathcal {L}}({\textbf {x}},\theta _{1})}}>k{\bigg |}H_{0}\right)=\alpha }$.

En effet, lorsque ${\displaystyle k=0}$, cette probabilité vaut 1. D'autre part, cette probabilité décroit monotonément et continument vers zéro, lorsque ${\displaystyle k\rightarrow \infty }$. Par conséquent, il doit exister une valeur finie de ${\displaystyle k}$, appelée ${\displaystyle k_{\alpha }}$, qui satisfait l'égalité, ${\displaystyle \forall \alpha \in ]0;1[}$.

Désignons alors par ${\displaystyle R_{0}}$, le sous-ensemble de ${\displaystyle \mathbb {R} ^{n}}$ suivant,

${\displaystyle R_{0}\triangleq \lbrace \mathbf {x} \in \mathbb {R} ^{n}{\bigg |}{\frac {{\mathcal {L}}({\textbf {x}},\theta _{0})}{{\mathcal {L}}({\textbf {x}},\theta _{1})}}\leq k_{\alpha }\rbrace }$,

et soit ${\displaystyle R}$ une autre partie de ${\displaystyle \mathbb {R} ^{n}}$, telle que ${\displaystyle P(\mathbf {x} \in R|\theta _{0})\leq \alpha }$.

Montrons que ${\displaystyle P(\mathbf {x} \in R_{0}|\theta _{1})>P(\mathbf {x} \in R|\theta _{1})}$:

${\displaystyle {\begin{aligned}P(\mathbf {x} \in R_{0}|\theta _{1})-P(\mathbf {x} \in R|\theta _{1})&=\int _{R_{0}}\!{\mathcal {L}}(\mathbf {x} ;\theta _{1})\ d\mathbf {x} -\int _{R}\!{\mathcal {L}}(\mathbf {x} ;\theta _{1})\ d\mathbf {x} \\&=\int _{R_{0}\backslash R}\!{\mathcal {L}}(\mathbf {x} ;\theta _{1})\ d\mathbf {x} -\int _{R\backslash R_{0}}\!{\mathcal {L}}(\mathbf {x} ;\theta _{1})\ d\mathbf {x} \end{aligned}}}$

${\displaystyle {\text{Or }}{\mathcal {L}}(\mathbf {x} ;\theta _{1})\geq k_{\alpha }{\mathcal {L}}(\mathbf {x} ;\theta _{0}){\text{ sur }}R_{0}{\text{ et }}{\mathcal {L}}(\mathbf {x} ;\theta _{1})<k_{\alpha }{\mathcal {L}}(\mathbf {x} ;\theta _{0}){\text{ en dehors}}}$

${\displaystyle {\begin{aligned}P(\mathbf {x} \in R_{0}|\theta _{1})-P(\mathbf {x} \in R|\theta _{1})&\geq k_{\alpha }(\int _{R_{0}\backslash R}\!{\mathcal {L}}(\mathbf {x} ;\theta _{0})\ d\mathbf {x} -\int _{R\backslash R_{0}}\!{\mathcal {L}}(\mathbf {x} ;\theta _{0})\ d\mathbf {x} )\\&\geq k_{\alpha }(\int _{R_{0}}\!{\mathcal {L}}(\mathbf {x} ;\theta _{0})\ d\mathbf {x} -\int _{R}\!{\mathcal {L}}(\mathbf {x} ;\theta _{0})\ d\mathbf {x} )\\\end{aligned}}}$

La première intégrale vaut ${\displaystyle \alpha }$ par construction, la deuxième est majorée par ${\displaystyle \alpha }$, on obtient:

${\displaystyle P(\mathbf {x} \in R_{0}|\theta _{1})-P(\mathbf {x} \in R|\theta _{1})\geq 0}$ ce qui conclut.

Notes et références

Liens externes

• cnx.org -- Neyman-Pearson criterion
• « Eléments de Statistiques », sur ulg.ac.be (consulté le 27 février 2024)

Voir aussi

• Puissance statistique
• Test F

• Portail des probabilités et de la statistique