A NNALES DE L ’I. H. P., SECTION B
F RANÇOISE M ARTIN
D ANIEL V AGUELSY
Introduction à la statistique mathématique. IV.
Propriétés asymptotiques du modèle statistique
Annales de l’I. H. P., section B, tome 5, n
o4 (1969), p. 357-384
<http://www.numdam.org/item?id=AIHPB_1969__5_4_357_0>
© Gauthier-Villars, 1969, tous droits réservés.
L’accès aux archives de la revue « Annales de l’I. H. P., section B » (http://www.elsevier.com/locate/anihpb) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une infraction pénale. Toute copie ou impression de ce fichier doit conte- nir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
Introduction à la
statistique mathématique.
IV. Propriétés asymptotiques
du modèle statistique
Mme
Françoise
MARTIN(1)
A. Faculté des Sciences de Paris
M. Daniel VAGUELSY
(2)
Attaché de Recherche.
Poincaré, Vol. V, n° 4, 1969, p. 357-384.
Section Calcul des Probabilités et Statistique.
LE
.MODÈLE STATISTIQUE ASYMPTOTIQUE
Le modèle
statistique asymptotique
trouve sonorigine
dans l’étudedu
comportement
desstratégies (estimateurs, tests) quand
le nombre : des observationsaugmente
indéfiniment.Plusieurs
types
deproblèmes peuvent
se poser. Dans le cas de l’estima- tion parexemple :
a)
Chercher des conditionsgénérales
d’existence d’un estimateur conver-gent,
b)
Trouver la loi limite d’un estimateur donné pourutiliser,
dès que (’) Institut Henri Poincaré (Probabilités), 5, rue Pierre-Curie, Paris(~) Centre universitaire expérimental de Vincennes.
358 FRANÇOISE MARTIN ET DANIEL VAGUELSY
la taille de l’échantillon est assez
grande,
cette loi limite commeapproxi- mation,
c)
Chercher lesprocédures asymptotiquement optimales.
Ce sont les
questions b)
etc) qui
se trouvent leplus
souvent traitées dansla littérature.
Entrent en
particulier
dans cettecatégorie
les études consacrées aucomportement asymptotique
du maximum devraisemblance,
et cellesconsacrées à la recherche d’estimateurs
asymptotiquement
normaux etoptimaux (B.
A. N. estimators : bestasymptoticaly
normalestimators).
Les
principales
référencesbibliographiques
sur cesujet
se trouventdans
[4], [l2], [1 ], [15].
Ce
qui
suit est consacré à une étudegénérale
dupoint a).
Nous donnerons tout d’abord les définitions de convergence
qui géné-
ralisent celles habituellement
utilisées, puis
nous introduirons la notion deséparation
d’une famille de mesuresqui
nouspermettra
de donner des conditions nécessaires de convergence.Après
un résultat concernant lescouples
de mesuresasymptotiquement étrangères
nous étudieronsquelques réciproques.
Le dernierparagraphe
est consacré à uneapplication
desrésultats
précédents
à la démonstration d’une condition nécessaire etsuffisante de convergence des
probabilités
aposteriori.
Nous considérons comme connus les
principaux résultats
concernantles
martingales.
Onpeut
les trouver dans[7], [I1 ].
IV .1.
DÉFINITION
DUMODÈLE.
NOTATIONS1.1. Le modèle
statistique asymptotique
est défini par la donnée de :- un espace mesurable
(Q, j~) :
espace desobservations,
- un ensemble ordonné filtrant à droite
I,
- une famille
croissante ( /;,
de sous-tribus de~,
telle que :-- un espace mesurable
(8,
espace desparamètres,
- une transition de
probabilité P~.
Nous
noterons P={P03B8,
8 E0398}
la famille desprobabilités
correspon- dantes sur(Q, d),
et, pour touti~I, Pi={P03B8i, A~0398}
la famille des restrictions à(Q, di)
desprobabilités Pe.
ASYMPTOTIQUES STATISTIQUE
De
plus
nous supposerons quel’application
8 -~‘Pe
estinjective :
- un espace
mesurable (D, ~) :
espace desdécisions,
- une
application
mesurable h :(8, J~) -~ (D, ~), qui
identifie leproblème
considéré.Nous noterons
ht
la transition déterministe associée àl’application
mesurable
h, qui
est définie par :1.2. Nous
appellerons procédure statistique
une famillede transitions de
probabilité adaptée à ~ ~~,
c’est-à-dire une famille indexée par 1 de transitions deprobabilité S~
de(Q, di)
dans(D, ~).
Nous noterons
alors,
pour touti E I, fl;g
la transitioncomposée qui
est définie par :1.3. Cas
particuliers.
a) Supposons
que D= ~ 0, 1}. L’application h
définit alors uneparti-
tion
mesurable ( Oo, O1 ~
de O. On dit dans ce cas que l’on a unproblème
de test. Une
procédure statistique {S03A9iD, i~I}
est alors entièrement déter- minée par leprocessus {03A6i, i~I} adapté
à à valeurs dans[0, 1],
défini par :On dit que
{ ~~,
i est une fonction de test(ou plus simplement
untest) adaptée
de80
contreOi.
b) Supposons
maintenant que,l’espace
des décisions étantquelconque,
la
procédure statistique {S03A9iD, i~I}
soitdéterministe,
c’est-à-direqu’il
existe un
processus {03C3i,
iadapté
à valeurs dans(D, D),
tel que :
On dit alors que le
processus {03C3i,
i est un estimateuradapté.
360 FRANÇOISE MARTIN ET DANIEL VAGUELSY
IV. 2. CONVERGENCE DES
PROCÉDURES
Une
procédure statistique {S03A9iD, i~I}
étant une famille detransitions,
nous considérons deux sortes de convergence, soit celles de familles de
v. a. r. sur
(Q, j~)
de la soit celles des familles demesures sur
(D, ~)
de la.),
Mais de
plus, quel
que soit le mode de convergenceconsidéré,
nousnous
imposerons
lalimite,
définie àpartir
de la transitionht.
Nous allonsdonc définir des notions de
procédures
« consistantes ».Nous supposerons désormais que D est un espace
topologique séparé,
et
que ~
est sa tribu borélienne.2 .1.
Convergence
des V. A. R.Si( . , ç~.
DÉFINITIONS 2.1. -
(Cl)
Laprocédure statistique {S03A9iD, i~I}
seradite fortement presque sûrement consistante
pour .9
si :(CI).
Laprocédure statistique {S03A9iD, i~I}
sera dite presque sûrement consistantepour .9
si :c’est-à-dire si :
(C2).
Laprocédure statistique {S03A9iD, i~I}
sera dite consistante en normeL 1 pour .9
si :c’est-à-dire, puisque d) x
1 et en vertu de la définition des si :PROPRIÉTÉS ASYMPTOTIQUES DU MODÈLE STATISTIQUE
(C3).
Laprocédure statistique {S03A9iD, i~I}
seradite
consistante enprobabilité pour .9
si :c’est-à-dire si :
RELATIONS ENTRE LES DÉFINITIONS PRÉCÉDENTES.
Il est clair que
(CI)
==>(CI).
Deplus,
pour tout les v. a. r.~ S1( . , d),
étant uniformément bornées par1,
sontéqui-intégrables
dans chacun des espaces
~, pO),
et par suite(C2) ~ (C3).
Enfin si l’ensemble filtrant 1 admet une
partie
cofinaleinnombrable,
alors on a : .
2. 2.
Convergence
des mesuresII ~(8, . .).
DÉFINITION 2.2.
- Étant
donné ~ c xD,
Jf@ ~),
laprocédure
statistique {S03A9iD, i~I}
sera dite F-consistantepour .9
si :c’est-à-dire si :
Il est clair que, si ~’ c ~ c x
D,
YtO ~),
alors si uneprocé-
dure
statistique
est~ -consistante,
elle est aussi ~’-consistante pour ~.Remarque.
- Nous n’avons pas considéré la convergence forte desprobabilités II~(e, . )
vers la mesureponctuelle ~h~e~,
pourchaque 0e0,
définie par :362 FRANÇOISE MARTIN ET DANIEL VAGUELSY ’
La raison en est que la condition
précédente implique :
Nous aurions donc une définition
beaucoup plus exigente
que(C2).
CAS PARTICULIERS.
a) Supposons
que les éléments de ~ soient des fonctions constantesen
0,
autrement ditprenons ~
c~).
- Si ~ =
~),
alors la ~ -consistancepour ~ équivaut
à laconvergence
faible,
pour tout8 E O,
des mesuresII1(e, . )
vers~h~e~.
Maiscomme cette condition
implique :
(Y 8 E 8), h(8)
Ed),
lim(en
normeA, P03B8))Si(., d)
= 1elle est aussi
beaucoup trop
forte.- Si D est un espace
métrique complet séparable,
et si IF =b(D) (espace
des fonctionsnumériques
continues bornées surD),
alors la~ -consistance
pour .9
estéquivalente
à la convergence enloi,
pour tout 8 E8,
des mesuresIZ~(8, . )
vers~h~e>..
- Si ~ =
Ct’k(D) (espace
des fonctionsnumériques
continues àsupport compact
surD),
on retrouve la convergence étroite.b) Supposons
quel’espace topologique
8 soitmétrisable,
et que p soitune distance
compatible
avec satopologie.
Soit p > 1. Si nous prenonsF={[03C1(h(03B8), d)]p},
alors la F-consistancepour P
d’uneprocédure
sta-tistique {S03A9iD, i~I}
s’écrit :c)
Dans le cadredécisionnel,
soit1(0, d)
une fonction de coût. Si nousprenons ~ _ ~ 1(9, d) ~
alors la ~ -consistancepour ~
d’uneprocédure
statistique {S03A9iD,
i s’écrit :où
R(S, 0)
=JD 1(0, . )drli(8, . )
est lerisque
de lastratégie Si
en 0. Remar-quons
qu’il
est engénéral préférable
deprendre pour ~
une famille de fonctions de coût.Remarque.
- Onpeut
construire un sous-ensemble ~ deyoo(8
xD,
Jf @D)
tel que, pour touteprocédure statistique,
la F-consis- tance et la consistance en normeL1 pour P
soientéquivalentes.
PROPRIÉTÉS ASYMPTOTIQUES MODÈLE STATISTIQUE
En
effet,
pour toutd E D,
soitrd
l’ensemble desvoisinages
ouverts de d.A tout
associons la fonction
f
Eyoo(8
xD,
Yt @~)
définie par :La famille ff ainsi obtenue convient.
2.3. Cas d’un
problème
de test.Dans ce cas D =
{ 0, 1}. Soit {80,
lapartition
mesurable de 8 induite parl’application
h. un testadapté
deOo
contreO1 (cf. (1. 3. a)).
Dans ce cas le mode de convergence leplus
utilisé est celuide la définition
(C2), qui
s’écrit ici :où :
Nous dirons alors i est un test
adapté
consistant en moyenne de8o
contreO1.
Dans le cas d’un
problème
de test, on utilise souvent untype
de conver- genceplus faible,
et essentiellement lié au critèrestatistique (convergence
des tests de seuil
ce),
défini de la facon suivante :Étant
donnéa E ]o, 1],
un testadapté { ~;,
deOo
contreOi
sera dit consistant en moyenne au seuil (x si :2.4. Consistance des estimateurs
adaptés.
Nous allons maintenant
interpréter
les différents modes de convergence que nous venons d’introduire dans le cas d’uneprocédure statistique
déterministe associée à un estimateur
adapté (cf. (1.
3 .b)).
364 FRANÇOISE MARTIN ET DANIEL VAGUELSY
PROPOSITION 2.4.1. -
Étant
donné uneprocédure statistique
déter-ministe associée à un estimateur les
propositions
suivantes sontéquivalentes :
a)
Laprocédure statistique
S est fortement presque sûrement consis- tante pourb) (do E O),
lim(Pg-p. s.)a;
=h(0).
I
Démonstration. - En
remarquant qu’une procédure statistique
déter-ministe ne
prend
que les valeurs 0 ou1,
laproposition a)
estéquivalente
à :Or :
Donc la
proposition a)
est encoreéquivalente
à :D’où le résultat.
PROPOSITION 2.4.2. -
Étant
donné uneprocédure statistique
déter-ministe associée à un estimateur
adapté {03C3i, i~I},
lespropositions
suivantes sontéquivalentes :
a)
Laprocédure
S est consistante enprobabilité pour b) (d8 E O),
lim(en proba. P8)
o-, =h(0).
I
Démonstration. Comme les définitions
(C2)
et(C3)
sontéquivalentes,
la
proposition a)
s’écrit(cf. (2 .1)) :
Or,
comme :on a:
Par suite la
proposition a)
est encoreéquivalente
à :d’où le résultat.
PROPRIÉTÉS ASYMPTOTIQUES MODÈLE STATISTIQUE
On voit facilement que, étant donné ~ c x
D,
la~ -consistance
pour .9
d’uneprocédure statistique
déterministe setraduit,
pour l’estimateur
adapté correspondant {03C3i, i~I}, par:
En
particulier,
si D estmétrisable,
p étant une distancecompatible
avecsa
topologie,
etsi,
étant donné p >1, F={[03C1(h(03B8), d)]P },
alors lasistance
pour .9
d’uneprocédure statistique
déterministe estéquivalente
à la convergence, pour tout 0 E
8,
en norme dansj~, Pe)
de l’esti-mateur
adapté correspondant
versh(0).
IV . 3 .
SÉPARATION
DES MESURESNous allons dans ce
paragraphe,
définir despropriétés
de la famillequi
nous
permettront
de donner des conditions d’existence deprocédures
consistantes.
Nous considérons maintenant un espace mesurable
(Q,
et unefamille .9 de
probabilités
sur(Q, ~).
3.1
DÉFINITION 3 .1.1. - Deux
parties J’
1 etP2
de P seront dites étran-gères,
ce que nousnoterons.91
1 si :’ DÉFINITION 3 .1. 2. - Deux
parties .91 et P2
de P seront dites fortementétrangères,
ce que nous noterons~1 =L
si :où Â
est lacomplétée
universelle de A pour la famille P(cf.
ch. II.1.4.a).
PROPRIÉTÉS ÉLÉMENTAIRES.
a)
Il est clair que :De
plus
on voit facilement que, siPi et ~2
sont desparties
dénombrables de~,
alors :366 FRANÇOISE MARTIN ET DANIEL VAGUELSY
b) Soient {P03B1, 03B1~A}
deux familles departies
de P.Il est clair que :
Si A et B sont
dénombrables,
alors on a aussi :En effet
l’hypothèse
nous dit que, à toutcouple (ce,
xB,
nous pou-vons associer un élément
N«~
de~
tel que :Soit
Comme A et B sont
dénombrables,
Sialors il existe CXo dans A tel que : P E donc
De même si
alors il existe
/3o
dans B tel queQ
E~~o,
donc :3.2
DÉFINITION 3 . 2 .1. Soit ~ une classe de
parties
de ~. Nous dirons que la famille P estséparée (respectivement
fortementséparée) pour E
si :(respectivement, ~1
11 ~’2).
PROPRIÉTÉS ASYMPTOTIQUES STATISTIQUE
DÉFINITION 3.2.2. - Soit ~ une classe de
parties
de ~. Nous dirons que la famille .9 est bienséparée (respectivement
fortement bienséparée)
pour~ si :
(respectivement .91
11_ (~ B ~ 1 )).
Remarque.
2014 Soit E une classe departies
de fi.Notons E la
fermeture de ~ pour lacomplémentation.
Alors il est clair que lespropriétés
pour la famille .9 d’être bienséparée (respectivement
fortement bienséparée) pour ~
etséparée (respectivement
fortementséparée) pouf ~,
sontéqui-
valentes.
PROPOSITION 3.2. -
Supposons
la famille .9 fortement bienséparée
pour une classe ~ de
parties
de ~. Soit _~l laplus grande
classe departies
de P telle
que P
soit fortement bienséparée
pour Alors M est une tribu departies
de P contenant la tribuengendrée
par E.Démonstration. - Il est clair que ~ contient ~ et que ,E est fermée pour la
complémentation.
>_1}
une suite d’éléments de .!l.Posons
Pour tout n > 1
P0
c doncP0 PBPn
et par suite(cf. 3 . 2 . b)
CAS PARTICULIERS.
a)
Soit ~ la classe departies
de .9 réduites à un élément. Alors lesproprié-
tés pour la famille .9 d’être
séparée,
bienséparée
ou fortementséparée pour ~
sontéquivalentes
à lapropriété
que lesprobabilités
de la famillesont deux à deux
étrangères.
Mais lapropriété
d’être fortement bienséparée pour ~
estplus forte,
elle s’écrit :b)
Soit ~ la classe de toutes lesparties de
~. Alors lespropriétés
pour la famille .9 d’êtreséparée pour ~
sontéquivalentes
à lapropriété
que lesprobabilités
de la famille sont deux à deuxétrangères.
Lespropriétés
pour .9
d’être fortementséparée
ou fortement bienséparée pour ~
sontéquivalentes
etplus
fortes que lesprécédentes.
368 FRANÇOISE MARTIN ET DANIEL VAGUELSY
3.3
DÉFINITION 3 . 3. une
partition
de ~.Nous dirons que la famille .9 est totalement
séparée
pour lapartition
s’il existe une
partition Â-mesurable {Nt, t~T}
de Q telleque :
Si les éléments de la
partition
sont lesparties
de P réduites à unpoint,
nous dirons que la famille .9 est totalement
séparée.
On voit facilement que si P est totalementséparée
pour unepartition {Pt, t~T},
alors .9est fortement bien
séparée
pour la tribuengendrée
par cettepartition.
3.4
DÉFINITION 3.4. - Soit
(8, Jf, ,u)
un espace deprobabilité,
etsoit g
une
application
de 8 dans ~. Nous dirons que la famille .9 estIl-forte-
ment
séparée
si :a)
Soient(Qo, si 0)
un espace mesurable et~o
une famille deprobabi-
lités sur
(Qo, si 0). Supposons
que(Q, j~)
soitl’espace produit
et que
la famille P
soit la famille desprobabilités produit ! ! I Po.
Alors
la famille .9 est
séparée
pour la classe de toutes sesparties (on peut
consulter à cesujet [7], [2], [14]).
b) Supposons
que Q soit le carré duplan
construit sur[0, 1],
et si satribu borélienne. Soit 8 l’ensemble des
couples (81, 82)
Ef~2
tels que l’inter- section de ladroite y
=03B81x + 82 et
de Q soit non vide. A toutpoint
0de
8,
associons laprobabilité Pe
sur(Q, j~) qui
est uniforme sur l’inter-section avec Q de la
droite y
=8lx
+e2.
Alors la familleest totalement
séparée.
Mais ce n’est pas vrai pour lafamille P={P03B8, 03B8~0398}.
La famille .9 est fortement bien
séparée
pour la classe de sesparties
réduitesà un
point,
et seulementséparée
pour la classe de toutes sesparties.
PROPRIÉTÉS ASYMPTOTIQUES MODÈLE STATISTIQUE
IV.4. CONDITIONS
NÉCESSAIRES
DE CONSISTANCENous allons maintenant donner
quelques
conditions nécessaires d’exis-tence de
procédures
consistantes au moyen depropriétés
deséparation
de la famille ~.
PROPOSITION 4.1. - Soit un modèle
statistique asymptotique (cf. 1.1).
Soit
5~
lapartition
mesurable de 8 induite parl’application
h. S’il existe un estimateuradapté {03C3i,
i tel que laprocédure statistique
détermi-niste associée soit fortement presque sûrement consistante pour
~,
alorsla famille ~ est totalement
séparée
pour lapartition bh.
Démonstration. - En vertu de la
proposition (2.4.1),
si laprocédure
déterministe associée i est fortement presque sûrement consis-
tante pour
~,
alors :A tout
point dE D,
associons l’ensembleLa
famille {Nd,
forme unepartition
de Q.Étant
donné un élément d E D et un élément 0e0,
on a ou bienh(8) = d,
alorsNd
Edo (tribu complétée
de .91 pourPe)
et = 1 ou bienalors,
commeNd
cNd, Nd~Â03B8
etPe(Nd)
= 0. D’où le résultat.PROPOSITION 4.2. - Soit un modèle
statistique asymptotique.
S’il existeune
procédure statistique
presque sûrement consistante pour~,
alors la famille est fortementséparée
pour la d ouvert deD}.
Démonstration. - Soit une
procédure statistique
presque sûrement consistante pour ~. La définition(CI) (cf. 2.1)
nous permet alors d’associer à tout ouvert d de D et à toutpoint o E h -1 (d)
un ensembleP03B8-négligeable,
tel que sur370 FRANÇOISE MARTIN ET DANIEL VAGUELSY
Posons
Sur
Nd,
limSi(., d)
= 1. Donc si d et d’ sont deux ouvertsdisjoints
de
D, alors, puisque d)
+Si(cv, d’) 1,
les ensemblesN_d
etN4
sontdisjoints.
Soit 03B8~0398.
Sialors, d’après
la définition deNd,
il est clair queN4 E d8
etP8(Nd)
= 0. Sih(8) ~ - d, alors, d’
étant unvoisinage
ouvert deh(8)
ne rencontrant pasd,
on a :N~
cNd"
donc :La
proposition
est donc démontrée.PROPOSITION 4. 3. - Soit un modèle
statistique asymptotique.
S’il existeune
procédure statistique
consistante enprobabilité
pour~,
alors la famille .9 estséparée
pour laDémonstration. -
Soit {S03A9iD, i~I}
uneprocédure statistique
consis-tante en
probabilité
pour ~.Soient 81
et8z
deuxpoints
de 8 tels queh(81 ) ~ h(e2).
Soientd
1 etd2
desvoisinages
ouvertsdisjoints
deh(e 1 )
eth(82) respectivement.
Alors,
en vertu de la définition(C3) (2.1),
pour tout E E]0, 1[,
on a :et
Par
suite, puisque dc2 ~ d
enprenant
E E0 1 [ et
enosant
pour touti E
I, Ai = {
03C9E SZ :d 1 )
- E},
on a :Dans ces
conditions,
en utilisant ladécomposition
de Jordan de la mesure on a:d’où
c’est-à-dire
P03B81
1p©2.
ASYMPTOTIQUES STATISTIQUE
IV . 5 . COUPLE DE MESURES
ASYMPTOTIQUEMENT ÉTRANGÈRES
Soit un modèle
asymptotique statistique
pourQ }.
Le but du
présent paragraphe
est de caractériser le fait que P etQ
sontétrangères
au moyen depropriétés
limite descouples {Pi, Qi}
deproba-
bilités sur
(Q, di), quand
iparcourt
I.DÉFINITION 5.1. - Soit
(Q, j2/)
un espacemesurable,
et soient P etQ
deux
probabilités
sur(Q, .91).
Nousappellerons pseudo-densité
de Ppar
rapport
àQ
toute v. a. r., notée sur(Q, .91), Q-presque
sûrementpositive,
et telle que :où et = 0.
L’égalité précédente
est ladécomposition
deLebesgue
de P parrapport
àQ.
Nous savonsqu’une
v. a. r. ainsi définie estQ-presque
sûrementunique.
Si P «
alors 03A0P/Q~dP .
Par extension nous noterons encoredP
Q’ d Q d Q
la classe des
pseudo-densités
de P parrapport
àQ.
Soit À une mesure ~-finie sur
(Q,
dominant P etQ (par exemple
~=P+Q)~
~ dP
dQ
Si et Y E
- ,
alors on a :LEMME 5.2. - Soit un modèle
statistique asymptotique
pourlequel
~ _ ~ P, Q ~.
Alors :est une
surmartingale positive
dans(Q, ~, Q).
b)
Pour touta E ]o, 1[, {
i est unesurmartingale positive équi-intégrable
dans(Q, ~, Q).
Démonstration.
a)
Soient iet j
deux éléments de 1 tels que ij.
SoitAi
Esli.
On a :ANN. INST. POINCARÉ, B-V-4
372 FRANÇOISE MARTIN ET DANIEL VAGUELSY
Or on sait que la
pseudo-densité
estQ.-presque
sûrement laplus grande
des v. a. r.Z~
sur(Q,
telles que :Par
conséquent:
b)
On ,déduit dea),
parl’inégalité
deJensen,
que pour touta E ]0, 1[,
~ ~~,
iE I }
est encore unesurmartingale positive
dans(Q, ~, Q).
Soit ~, une mesure 6-finie sur
(Q, j~)
dominant P etQ. Soient,
pour tout i EI, Ài
saréstriction
à(Q,
Alors,
pour tout i E 1 et toutAi
Esli,
on a :d’où,
enappliquant l’inégalité
de Hôlder :d’où enfin :
On en déduit que la
surmartingale
estéqui-intégrable.
THÉORÈME 5 . 3. - Soit un modèle
asymptotique statistique
pourlequel .9 = { P, Q}.
Pour que lesprobabilités
P etQ
soientétrangères,
il fautet il suffit que :
Si 1 est dénombrable et totalement
ordonné,
cette condition estéquivalente
à la suivante :
Démonstration. -
Puisque :
ASYMPTOTIQUES STATISTIQUE
il suffit de montrer que, pour
a E ]o, 1[,
on a :Or le lemme
précédent
nouspermet
d’affirmerqu’il
existe une v. a. r.notée
IZ~"~,
sur(Q, j~)
telle que :ou, ce
qui
estéquivalent,
telle que :Par suite on
peut
trouver dans 1 une suitecroissante {in, n ~ 1}
telle queOr,
en considérant de nouveau une mesure a-finie À dominant P etQ,
>
1}
n >_1 ~
sont deuxmartingales équi-inté- grables
dans(Q, d, À),
telles que :On en déduit que
c’est-à-dire :
Si 1 est dénombrable totalement
ordonné,
la convergenceQ-presque
sûre de vers est bien
équivalente
à la dernière assertion du théorème.IV . 6 . EXISTENCE DE TESTS
ADAPTÉS
CONSISTANTSLEMME 6.1. - Soit un modèle
statistique asymptotique
telQ}.
Les
probabilités
P etQ
sontétrangères
si et seulement si il existe un testadapté
consistant en moyenne de P contreQ (cf. 2.3.1).
374 FRANÇOISE MARTIN ET DANIEL VAGUELSY
Démonstration. La condition suffisante résulte de la
proposition
4.3.Supposons
P 1Q.
Soit ~, une mesure 6-finie dominant P etQ,
etsoient,
pour tout
i E I,
Soit
r > 0,
soit03A6i = 1Xi
pour tout i E I. Le processus{03A6i,
1~~~
est un test
adapté
de P contreQ,
consistant en moyenne car :et le théorème 5.3 entraîne la conclusion.
PROPOSITION 6.2
[9].
- Soit un modèlestatistique asymptotique
danslequel .9
est dénombrable.Soit {.9 0’
unepartition
de ~. Pourqu’il
existe un test
adapté
consistant en moyenne de~o contre ~ 1,
il faut etil suffit que les familles
P0 et P1 soient étrangères.
Démonstration. La condition nécessaire résulte de la
proposition
4. 3.Inversement supposons
P0 P1,
cequi
estéquivalent
àP0 1. fJJ
1(déf. 3 .1. 2 . a). Soit {Cp,
P une suite de nombres réels strictementpositifs,
telle queSoient
Ro
etRi
1 lesprobabilités
sur(Q,
définies par :Il est clair que
Ro
1R 1.
Le lemmeprécédent
nous assure alors l’existence d’un testadapté convergent
en moyenne deRo
contreRi, soit ~ ~~,
iOn a donc :
Or
ASYMPTOTIQUES MODÈLE STATISTIQUE 375
donc:
De même :
La
proposition
en résulte.Dans la démonstration de la
proposition précédente,
nous avons utilisél’orthogonalité
desbarycentres
sur~o
et Nous allons étendre cetteméthode au cas d’une famille ~
quelconque.
Considérons un modèle
statistique asymptotique.
Soit ,u uneprobabi-
lité sur
l’espace
deparamètres (8,
Pour tout définissons une mesureRT
sur(Q, j~)
de lafaçon
suivante :Il est facile de voir que :
(VTe RT
«Re.
Soit
donc,
pourchaque
T EJf,
une v. a. r.positive QT
sur(Q,
telleque :
Pour tout i~I et tout notons
RiT
la restriction deRT
à(Q, d;)
et
QiT
une densitécorrespondante.
LEMME 6.3. - Pour que la famille P soit
-fortement séparée (déf. 3 . 4),
il faut et il suffit que :
Si de
plus
l’ensemble 1 est dénombrable totalementordonné,
la conditionprécédente
estéquivalente
à :Démonstration. - Pour tout T E -~ tel que
,u(T)
E]0, 1 [, ~ Q~T,
i EI ~
est une
martingale positive équi-intégrable
dans(Q, ~, Re),
et par suite lim 1(norme ~,
=QT~
376 FRANÇOISE MARTIN ET DANIEL VAGUELSY
Comme
Re,
on a aussi :Or les
propositions
suivantes sont clairementéquivalentes : a)
~ estp-fortement séparée.
b) (dT
E,u(T)‘E ]0, 1 [), RT
1RTC.
c)
E]o, 1 [), QT
=La 1 re
partie
du lemme en résulte.Dans le cas ou l’ensemble 1 est dénombrable totalement
ordonné,
lamartingale {QiT, Ai, i~I}
converge aussiRe-presque sûrement,
doncRT-presque sûrement,
versQT.
Alors pour que la famille ~ soitp-fortement séparée,
il faut et il suffit que :La 2e
partie
du lemme en résulte.PROPOSITION 6.4. - Soit un modèle
statistique asymptotique
tel que l’ensemble d’indices 1 soit dénombrable totalement ordonné. Lesproposi-
tions suivantes sont
équivalentes : a)
estIl-fortement séparée.
b) ,u(T) E ]o, 1[), ,u(N)
=0) (il
existe un testadapté
consistant en moyenne de
T B N
contreTTBN).
Démonstration.
a)
~b).
Soit TE Yf tel que,u(T) E ]o, 1[,
et soitre]0, 1[.
PosonsAlors,
le lemmeprécédent
nous affirme l’existence d’unepartie -négligea-
ble H E ~ telle que :
et :
b)
==>a).
Soit tel que,u(T) E ]o, 1[,
etsoit {03A6i, i~I}
un testadapté convergent
deT B
N contreTcB N,
ou N est un ensemble-négligeable
On a :
ASYMPTOTIQUES STATISTIQUE
Par suite
De même
On en déduit que
RT
1RTe (lemme 6 .1 ),
donc que la famille ~ estIl-forte- ’
ment
séparée.
I V . 7 . CONVERGENCE DES TRANSITIONS A POSTERIORI
Les variables
aléatoires {QiT, i~I, T~H}
définies auparagraphe
précédent peuvent s’interpréter
de la facon suivante.Considérons,
surl’espace
mesurable(8
xQ,
~f (x).91)
laprobabilité
P"~définie par ses valeurs sur les
pavés
mesurables :t-
La restriction de P"‘ à la tribu des
cylindres
de base dans .91(que
nous note-rons encore
.91)
donneRa,
et on a,compte
tenu de la définition deQT :
d’où
Autrement
dit,
pour tout la variable aléatoireQT
est une versionde la
P~‘-probabilité
d-conditionnelle de l’ensembleDÉFINITION 7.1. - Avec les notations
précédentes,
nous dirons que le modèlestatistique asymptotique
vérifie la condition(A)
pour ~c,si, pour
tout
fel,
la restrictionPf
de laprobabilité
P~‘ à(8
xQ,
admetune
désintégration Qi®
parrapport
à laprojection
de 8 x Q sur Q.Cette
désintégration
est alorsappelée
transition aposteriori (à
l’ins-tant
i).
PROPOSITION 7.2. - Pour que le modèle
statistique asymptotique
vérifiela condition
(A)
il suffit que l’une des conditions suivantes soit réalisée :a)
8 est un espace localementcompact,
et Yf sa tribu borélienne. Pour tout ie I,
la tribudi
estcomplète
pour laprobabilité Ri®.
378 FRANÇOISE MARTIN ET DANIEL VAGUELSY
b)
Pour touti E I,
il existe une mesure 6-finieÀ;
sur(Q,
telle que, pour tout 8 EO,
laprobabilité Pf
est absolument continue parrapport
à03BBi,
et la densité’ possède
une versionqui
est HO Ai-mesurable.
d~~~
Démonstration. C’est une
conséquence
du théorème dedésintégration (cf.
I I I . 2.1 ).
Soit
ft
une version de la densitédPe
telle quel’application d~~l
soit Jf Q9
~~-mesurable.
Soit T e Yf tel que
jM(T)
> 0. Enappliquant
le théorème deFubini,
on
a, ~i~I
et ~A~Apar suite
RiT
«R;e « ~,i
donc
Cette formule restant vraie même si
Ji(T)
=0,
nous avonsexhibé,
pourchaque
une version de la variable aléatoireQiT qui
définit unetransition de
probabilité Q~ô.
La
proposition
est démontrée.Remarque.
Sous la conditionb)
de laproposition précédente,
la tran-sition de
probabilité
que nous venons d’exhiber est habituellementappelée
transition a
posteriori,
et donné par le théorème deBayes.
Cecijustifie
notre définition dans le cas
général.
Si le modèle
statistique asymptotique
vérifie la condition(A),
et si l’onsuppose que
l’espace
des décisions(D,
estl’espace (8, l’application
étant
l’application identique,
alors la famille des mesures aposteriori
est une
procédure statistique (cf. 1.2).
Nous allons donnerune condition nécessaire et suffisante pour que cette
procédure
soit consis-PROPRIÉTÉS ASYMPTOTIQUES MODÈLE STATISTIQUE
tante, ce
qui implique
enparticulier
que la limite estindépendante
de lamesure Il
(dite a priori).
La démonstration de ce résultat dans des cas
particuliers
est connuedepuis longtemps ([3], [5], [6]
parexemple).
LEMME 7.3. - Soit un modèle
statistique asymptotique
vérifiant lacondition
(A),
tel que l’ensemble 1 soit dénombrable et totalementordonné,
que la tribu Jf sur 8 admette une base dénombrable
~,
et quel’espace
des décisions
(D, ~)
soitisomorphe
à(8,
Alors la famille .9 est tementséparée
si et seulement si lafamille {Q03A9i0398, i~I}
des transitionsa
posteriori
vérifie la condition suivante :où
s(~)
estl’algèbre
departies
de 8engendrée
par 81.Démonstration.
1)
Condition nécessaire. En vertu du lemme(6.3),
lapropriété
« estIl-fortement séparée »
estéquivalente
à :Comme le modèle vérifie la condition
(A),
lapropriété précédente
estéqui-
valente à :
_ . , -
1
. _ . _~_ _ .
Cette dernière condition
permet
d’associer à tout élément B de ~’ unélément
HB
deH, -négligeable,
tel que :Soit
Ho
=Évidemment
et = 0.BE~
Soit
380 FRANÇOISE MARTIN ET DANIEL VAGUELSY
Alors E est une
algèbre
departies
de O. En effet E est évidemment fermé pour lacomplémentation.
Soient T et T’ deux éléments de ~°. Si 8 ET B Ho,
alors lim
(Pe-p. s.) Q~( . , T)
=1 ,
donca fortiori
lim(P8-p. s.) QÉ( . ,
= 1.I I
De même si
o E T’ B H o.
Si 8 E
T’)‘ B Ho,
alors .donc
Par suite T u T’ E ~. D’autre
part
il est clairque ~
contient ~. Par suite ~ contient-s(~)
et la condition nécessaire en résulte.2)
Conditionsuffisante.
- Soit T E ~ tel que : 0,u(T)
1. En vertudu lemme
(6 . 3),
nous devons lui associer un ensemble-négligea- ble,
tel queOr à tout
se]0,
nous pouvons associer un élémentTE
Es(~)
tel que :donc tel que :
Par suite on a :
Soit
{ E", n E f~ ~
une suite de nombres réelspositifs
telle que :D’après
cequi précède,
nous pouvons associer à toutcouple (n, i) E
~l x Iun élément
-négligeable,
tel que :Posons H’ =
~(n,i) Hn,i.
Il est clair que H’ est un élément de(M,t)
geable,
et que l’on a :PROPRIÉTÉS ASYMPTOTIQUES STATISTIQUE
Or par
hypothèse,
pour toutn E N,
on a :où H est un élément
-négligeable
de H donné par la condition du lemme.Par
suite,
enposant
à
partir
d’un certain rang n, on a :d’où :
La condition suffisante est alors
démontrée, puisque :
et que, pour tout n E
~l,
on a :ce
qui
entraîne :~c[(T B T’) ~
H uH’]
= 0.DÉFINITION 7.4. -
Étant
donné un modèlestatistique asymptotique
et une
probabilité
surl’espace
deparamètres (8,
nous dironsqu’une procédure statistique {S03A9iD,
i est Il-presque sûrement consistante pour~ si :
THÉORÈME 7 . 5
[IO].
- Soit un modèlestatistique asymptotique
vérifiantla condition
(A),
tel que l’ensemble 1 soit dénombrable et totalementordonné,
que la tribu Jf admette une base dénombrable
~,
et quel’espace
des déci-sions
(D, ~)
soitisomorphe
à(8, _~),
et vérifiant la condition suivante :Alors si la famille P est
Il-fortement séparée,
lafamille {Q03A9i0398, i~I}
destransitions a
posteriori
est -presque sûrement consistante pour fi. Si deplus
la mesure Il estrégulière,
alors laréciproque
est vraie.382 FRANÇOISE MARTIN ET DANIEL VAGUELSY
Remarque.
Pour que la condition(A)
soitvérifiée,
et que la tribu ~ des boréliens de 8 soit à basedénombrable,
il suffit quel’espace topolo- gique
8 soit métrisable etséparable.
En effet si p est une distance sur 8
compatible
avec satopologie
etsi
00
est une suite dense dans0,
alors la famille 81 des boules ouvertes de centres03B8~03980
et de rayons rationnels estbien
une base dénombrable de la tribu borélienne 9V de 8. D’autrepart
si T est un ouvert de 8 de ,u-mesurepositive,
comme l’ouvert T est la réunion des boules de Bqu’il contient,
on pourra trouver un nombre fini de boules de k dont la réunion
To
satis-fait à la condition
(A).
Démonstration du théorème.
1) Supposons
la famille ~Il-fortement séparée.
Alors le lemmeprécé-
dent nous affirme l’existence d’un élément H E
Yf, -négligeable,
tel que :Soit T un ouvert de 8 tel que
ju(T)
>0,
et soitEn vertu de la condition
(A),
onpeut
trouver un élément tel que :Alors,
en vertu du lemme(7 . 3),
on a :donc a
fortiori:
2) Inversement,
la mesure J1 étantrégulière,
supposons que la famille des transitions aposteriori
soit p-presque sûrement consistante pour Soit T~H tel que,u(T) E ]o, 1[.
une suite de nombres réelspositifs
décroissant vers 0. Comme la mesure ,u estrégulière,
nous pouvons trouver une suitedécroissante {Tn, n~N}
d’ouverts contenant T telle que :donc telle que :
Par