Estimation ponctuelle 24-25

Telechargé par nim red
M1-HAX710X Année : 2024-2025
Estimation Ponctuelle
Ludovic Menneteau
1
1 Généralités
Problématique 1 On considère une v.a. X: (;A;P)!(X;B)de loi PX
inconnue. On suppose que PXappartient à une famille de loi (P)2indexée
par un ensemble et entièrement spéci…ée, i.e. qu’il existe v2(v:vrai)
tel que PX=Pv:Notre objectif est d’étudier des procédures permettant à partir
de X; d’obtenir de l’information sur PXen estimant v(ou une fonction de v).
Comme vpeut prendre nimporte quelle valeur dans ;les procédures d’estimations
devront être évaluées uniformément en :
Dé…nition 2 On dit que X;B;(P)2est un modèle statistique si (X;B)
est un espace mesurable (i.e. Xest un ensemble, Best une tribu sur X) et
(P)2est une famille de probabilités sur (X;B)indéxée par un ensemble
(appelé ensemble des paramètres du modèle).
Si X: (;A;P)!(X;B)est une v.a. telle que PXappartient à (P)2(i.e.
s’il existe v2, tel que PX=Pv), on dira que Xest associée au modèle
statistique X;B;(P)2:
Dé…nition 3 Soient X;B;(P)2un modèle statistique et (Y;D), un espace
mesurable.
1. On appelle statistique à valeurs dans (Y;D)toute fonction mesurable
s:X ! Y ne dépendant pas de :
2. Soit ':  !'() une fonction telle que '()  Y:Une statistique
b':X ! Y est appelée un estimateur de ('())2si on veut utiliser b'
pour estimer '(v)quelque soit la valeur de vdans :
Notations 4 Soit X;B;(P)2un modèle statistique.
1. Pour p1;on dit que h2 Lp(P)2si h2 Lp(P)pour tout 2:
2. Soient h:X ! Ret 2:
(a) Si h2 L1(P), on dé…nit :
E(h) := ZX
h dP:
(b) Si h2 L2(P), on dé…nit :
V(h):=E(hE(h))2:
(c) Si get h2 L2(P), on dé…nit :
Cov(g; h) := E((gE(g)) (hE(h))) :
3. Soient X: (;A;P)!(X;B)une v.a. associée au modèle statistique
X;B;(P)2et 2:
2
(a) Si h2 L1(P), et si on suppose que v=; alors l’espérance de
h(X) : E(h(X)) := Rh(X)dPsera notée E(h(X)).
(b) Si h2 L2(P), et si on suppose que v=; alors la variance de
h(X) : V(h(X)) := E(h(X)) E(h(X))2sera notée V(h(X)).
(c) Si get h2 L2(P), et si on suppose que v=; alors la covariance
de g(X)et h(X) :
Cov (g(X); h (X)) := E((g(X)) E(g(X)) (h(X)) E(h(X)))
sera notée Cov(g(X); h (X)).
4. NB : Par le Théorème de transfert, il est clair que :
E(h(X)) = E(h);V(h(X)) = V(h) et Cov(g(X); h (X)) = Cov(g; h):
Dé…nition 5 Soit X;B;(P)2un modèle statistique.
Pour n1;le modèle produit
X;B;(P)2n:= Xn;Bn;Pn
2
est appelé modèle d’échantillonage (d’ordre n) associé à X;B;(P)2:
Rappels 6 Soient (X;B)est un espace mesurable et et deux mesures -
nies sur (X;B):
1. On dit que est absolument continue par rapport à et on note
si l’une des deux conditions équivalentes (par le Théorème de Radon
Nycodym) suivantes est véri…ée :
i) [N2 B et (N) = 0] )[(N) = 0] :
ii) Il existe f:X ! R+mesurable telle que =f:; i.e. pour tout B2 B :
(B) = ZX
1B(x)f(x)d (x):
On dit que fest une densité de par rapport à :
2. En général, fnest pas unique puisque toutes autre fonction mesurable
positive pp égale à fconvient aussi. On note parfois d
d la classe
d’équivalence des densités de par rapport à ; on écrira f2d
d pour dire
que fest une densité de par rapport à :
3. Si et les mesures sont dites équivalentes et on note .
Il est facile de voir que cela revient à dire que d
d contient une version f
strictement positive (et qu’alors 1
fest une version de d
d ).
3
Dé…nition 7 Soit X;B;(P)2un modèle statistique.
1. On dit que le modèle est dominé s’il existe une mesure -…nie sur
(X;B)telle que ;82 : P:
est appelée une mesure dominante du modèle.
Pour 2, on note fune version de la densité dP
d et on appelle fonc-
tion de vraisemblance du modèle par rapport à la mesure dominante
la fonction :
f: (x; )2 X 7! f(x)2R+:
2. On dit que le modèle est homogène si toutes les mesures Psont équivalentes:
Remarques 8 1) Comme les f,fdépend non seulement du modèle mais aussi
de : De plus, comme les densités, la fonction de vraisemblance nest pas unique
en tant que fonction puisque si gest une fonction dé…nie sur X telle que
pour tout 2; g (:; ) = f(:; )p:p: (en x);alors gest aussi une fonction
de vraisemblance du modèle par rapport à (fet gsont deux versions de la
même vraisemblance). Dans la suite, lorsque l’on écrit soit fla vraisemblance
(resp. la densité), il faut comprendre "une version de la vraisemblance (resp. la
densité)".
2) Sans perte de généralité, on peut supposer (si besoin) que est une probabil-
ité. En e¤et, comme est -…nie, on peut trouver fAk:k2Kgune partition
mesurable de Xtelle que Kest dénombrable et 8k2K; (Ak)2]0;1[:
Il est facile de voir que, si (pk)k2Kest une famille de réels strictement positifs
telle que Pk2Kpk= 1;la mesure
:B2 B 7! X
k2K
pk
(Ak\B)
(Ak)
est une probabilité équivalente à et peut donc être choisie comme une mesure
dominante du modèle.
Proposition 9 Soit X;B;(P)2un modèle statistique dominé par une mesure
: Alors, pour tout n1;le modèle statistique d’échantillonage X;B;(P)2n
est dominé par n:De plus si, pour 2; P=falors Pn
=f;n n
avec
f;n : (x1; :::; xn)2 Xn7! Y
1jn
f(xj):
Preuve. On suppose que P=f:.
4
Pour (B1; :::; Bn)2 Bn;
Pn
0
@Y
1jn
Bj1
A=Y
1jn
P(Bj)
=Y
1jnZBj
f(xj)d (xj)
=ZQ1jnBj0
@Y
1jn
f(xj)1
A
| {z }
:=f;n (x1;:::;xn)
dn((x1; :::; xn))
Les mesures …nies Pn
et f;n:ncoïncidant sur le système nQ1jnBj: (B1; :::; Bn)2 Bno;
elles coïncident aussi sur Bn=nQ1jnBj: (B1; :::; Bn)2 Bno:
Le résultat suivant montre que, si X;B;(P)2est un modèle dominé,
il existe des mesures dominantes particulières pouvant s’exprimer comme des
combinaisons convexes dénombrables des éléments de (P)2;ce qui aura un
intérêt pour établir certains résultats (par exemple le Théorème 21):
Théorème 10 Soit X;B;(P)2un modèle statistique dominé. Alors :
1. Il existe un sous ensemble dénombrable Ttel que :
[B2 B et 8t2T:Pt(B) = 0] =)[82 : P(B) = 0] :
2. On pose
P:= X
t2T
c(t)Pt
(c(t))t2Test une famille de nombres strictement positifs telle que
Pt2Tc(t)=1:Alors, pour tout 2et pour toute mesure dominant
le modèle, on a :
PP;
(i.e. Pest une probabilité qui domine le modèle et est dominée par ).
Pest appelée une mesure dominante privilégiée du modèle.
(NB : Pest un suprémum de (P)2pour le semi ordre partiel induit
par sur l’espace des mesures -…nies sur (X;B)):
Preuve. 1) a) Construction de l’ensemble T:
Soit 0une mesure dominante du modèle. Sans perte de généralités (c.f. la
Remarque 8-2) , on peut supposer que 0est une probabilité (une mesure bornée
su¢ rait pour l’argument que l’on va développer). Pour tout 2, on considère
fune densité de Ppar rapport à 0. Soit
C0=fff>0g:2g
5
1 / 36 100%
La catégorie de ce document est-elle correcte?
Merci pour votre participation!

Faire une suggestion

Avez-vous trouvé des erreurs dans linterface ou les textes ? Ou savez-vous comment améliorer linterface utilisateur de StudyLib ? Nhésitez pas à envoyer vos suggestions. Cest très important pour nous !