Académique Documents
Professionnel Documents
Culture Documents
Fatma ABDELKEFI
26 septembre 2021
θ̂1 (
. p bθ̂MVU = 0
∃θ̂MVU .. ∈ R , /
=
var (θ̂MVU (k)) est minimale, ∀k = 1, . . . , p.
θ̂p
Propriété
L’estimateur MVU n’existe pas toujours et s’il existe il est unique.
Hypothèses :
X1
On dispose d’un échantillon X = ... où Xk des v.a.r. et i.i.d. et
1
XN
x1
x = ... est une réalisation possible de X . On suppose que p < N.
xN
N
Y
2 On connaît PX ,θ ( x1 , . . . , xN ) = PXk ,θ (xk ).
| {z }
k=1
les N observations
Matrice d’information de Fisher :
Elle mesurer l’information qu’apporte X sur θ, qu’on note I(θ), de
taille p × p tels que :
∂ln(PX ,θ ) ∂ln(PX ,θ )
Iij (θ) = E ∂θi ∂θj , i, j = 1, . . . , p
N X
N
X ∂ln(PXn ,θ ) ∂ln(PXm ,θ )
Iij (θ) = E(
n=1 m=1
∂θi ∂θj
N
X ∂ln(PXn ,θ ) ∂ln(PXn ,θ )
= E( )
n=1
∂θi ∂θj
Condition de régularité :
∂ln(PX ,θ ) ∂ln(PX ,θ )
E( ∂θ ) = 0, c’est à dire E( ∂θi ) = 0, ∀i = 1, . . . , p.
∂ ∂ln(P )
Cette condition de régularité implique que : ∂θ j
E( ∂θXi ,θ ) = 0 soit
∂ ∂ln(PX )
Z
PX ,θ dx =
∂θj ∂θi !
∂ 2 ln(PX ,θ ) ∂ln(PX ,θ ) ∂ln(PX ,θ )
Z
PX ,θ + PX ,θ dx = 0. Il en résulte
∂θi ∂θj ∂θi ∂θj
que :
( d(E( θ̂)) 2
dθ )
var (θ̂) ≥ BCR avec BCR = .
I(θ)
Démonstration.
d ln(PX,θ )
Sans biais ? E( dθ ) = I(θ)E((θ̂eff − θ)) = 0 donc bθ̂eff = 0.
L’inégalité de Cauchy-Schwarz devient une égalité ssi :
d ln(PX ,θ )
dθ = α(θ)(θ̂eff − E(θ̂eff )) = α(θ)(θ̂eff − θ). Il en résulte que :
d 2 ln(PX ,θ ) d 2 ln(PX ,θ )
d θ2
= d dα(θ)
θ (θ̂eff − θ) − α(θ). Soit : E( d θ2
) = −α(θ).
1
Donc : I(θ) = α(θ) et var (θ̂eff ) = I(θ) .
Fatma ABDELKEFI (Sup’Com) Estimation 26 septembre 2021 11 / 11