A NNALES DE L ’I. H. P., SECTION B
G. R OMIER
Introduction à la statistique mathématique. I.
Modèle d’expérimentation statistique
Annales de l’I. H. P., section B, tome 5, n
o4 (1969), p. 275-288
<http://www.numdam.org/item?id=AIHPB_1969__5_4_275_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.
I. Modèle d’expérimentation statistique
G. ROMIER
) Maître de Conférences I. U. T. de Grenoble.
Vol. V, n° 4, 1969, p. 275-288. Calcul des Probabilités et Statistique.
I. LES
MODÈLES
Préliminaire. Le
langage.
1 ° Dans la suite nous nous sommes efforcés de donner une écriture
assez
générale
des modèlesstatistiques,
dans la direction des études «séquen-
tielles »
largement développées
parWald,
enacceptant
aussi bien le choixentre
diverses possibilités
deprolonger l’expérimentation
que lapossi-
bilité
d’expérimentation
continue.~
Pour décrire les « états
d’expérimentation »
nous avons du choisir unlangage adapté.
Unepremière possibilité,
souventadoptée
consistait à retenir lelangage
desgraphes.
Il nous est apparu en définitive que celui descatégories
mettaient mieux en lumière lespropriétés
du modèle. C’est celui que nous avons retenu. S’il aparfois guidé
l’étude depropriétés,
ilrestera dans tout ce travail un
langage,
sans que les résultats de la théorie soientexplicitement
utilisés. Nous pensons toutefois que sa raison d’être estplus profonde
et éclairera certains domaines commel’exhaustivité,
lacomparaison d’expérimentation,
etc.(cf. [2]).
2°
(8, (Q, ~~)
étant deux espacesmesurables, p° désigne,
sauf indi-cations
contraires,
uneprobabilité
de transition de 8 vers Q.p~
est laprobabilité
sur a/ pour la valeur 0 de 8.pÂ
estla
valeur de cetteprobabilité
pour lapartie
mesurable A depÂ
est la restriction de laprobabilité p~
à(A
E.91).
ANN. INST. POINCARÉ, B-V-4
276 G. ROMIER
1 .
GÉNÉRALITÉS
SUR
L’EXPÉRIMENTATION STATISTIQUE
1 . 1. Notations.
Nous introduirons une famille de
catégories :
~ CATÉGORIE dont
les
objets
sont les espaces mesurablesles
morphismes
sont identifiés auxapplications mesurables,
les unitésétant les
applications identiques,
lacomposition
celle desapplications.
~ CATÉGORIE dont
les
objets
sont lestriplets (8, X, p°)
où 8désigne
un espacemesurable,
X un espace mesurable
p°
une transition(probabilité).
Les tribus 1 de 8 et ~’ de X sont sous-entendus.
les
morphismes
M :(O, X, pt) - (H, Y, P~)
sont identifiés auxcouples (v, u)
où :v
est
uneapplication
mesurablesurjective
de 8 sur Hu est une
application
mesurable de X dans YLes unités sont les
couples d’applications identiques.
On poseSi 8 est un espace mesurable
donné,
on pose :~o
SOUS-CATÉGORIE de ~ dontles
objets
sont lestriplets (8, X, p°),
où 8 estl’espace
donnéles
morphismes
sont lesmorphismes
de~’(v, u),
tels que v soitl’applica-
tion
identique
de 8 sur lui-même.Nous
élargirons
ces définitions en conservant les mêmesobjets
mais enacceptant
pourmorphismes
des transitions. Soit :~
CATÉGORIE dont lesobjets
sont lestriplets (8, X, P~),
lesmorphismes
[(0, X, P°~ -~ (H, ’Y, P?)]
étant identifiés auxcouples (v, u00FF~,
vapplica-
tion
surjective
mesurable de 8 dansH, uç
transition de X vers Y telle que :~o
est lasous-catégorie obtenue,
commeprécédemment
en fixant l’es-pace 8.
Nous utiliserons enfin les définitions
générales
suivantes :* Si J est une
catégorie,
FIJdésignant
l’ensemble desmorphismes,
ObJ l’ensemble des
objets
deJ,
Hom(i, j),
où i EObJ, jE ObJ,
l’ensembledes
morphismes
de ivers j,
nous noterons :ce
l’application
source de F/J dans ObJ telle que :~3 l’application
but de FIJ dans ObJ telle que :* J sera dite ordonnée par factorisation si la relation :
est une relation d’ordre
partiel
sur ObJ.On notera que dans ces conditions toute
partie
V de FIJ estpartielle-
ment ordonnée par la relation :
Ces conditions interdisent les « circuits » dans FIJ. Si ObJ est alors un
ensemble
ordonné,
lacatégorie
J n’est pas nécessairement cellequi
luiest,
classiquement,
associée. Nous en verrons unexemple
sur l’ensembledes
parties
d’unensemble,
ordonné par inclusion.* F
désignera
le foncteur « ensemblesous-jacent »
de dans lacatégorie
des ensembles.
y) désignera
le foncteur de ~ sur ~l~qui
associe à tout(8, X, P~)
l’ensemblemesurable
X,
et à tout(v, u), l’application
mesurable u.1.2.
Expérimentation statistique.
La définition d’un
problème statistique comprend :
La
description
desexpérimentations possibles (structure expérimen- tale).
Les éléments de résolution du
problème (décisions, coûts, critères, etc.).
278 G. ROMIER
Nous considérons successivement.
La structure
expérimentale.
Des indications sur l’étude «
intrinsèque »
de cette structure.Des
exemples
deproblèmes, qui
serontdéveloppés
auxparagraphes
suivants.
DÉFINITION 1. - La structure
expérimentale
d’unproblème statistique
est définie par la donnée d’une
sous-catégorie E
de E satisfaisant auxdeux conditions .
(~2).
Soit À un foncteur d’unecatégorie
1 dans 6 et soitS’il existe dans ~ un
système projectif (A,
associé à ~, dontl’image
par y soit
(X, ~i),
alors(A, ~i)
= lim À.Par abus de
langage
nous dironsque e
est la(catégorie)
structureexpéri-
mentale.
La donnée de E décrit les
expérimentations possibles
et les relationsfonctionnelles
qui
les relient. La donnée d’unmorphisme (v, u) :
indique
quel’expérimentation
décrite parl’espace
des observations X et la familleP° prolonge,
enapportant plus
derenseignements,
celle décrite par Y etP~.
Il en est bien ainsipuisque
si xeX est « réalisé », alorsu(x) E Y
est aussi réalisé.
La condition
(CI) indique,
que, si nous sommescapables
d’observerxeX,
pour tout u défini sur(X, P~)
nous sommescapables
d’observer par le fait mêmeu(x)
défini sur(u(X),
La condition
(C2) signifie
de son côté que si l’on considère une familled’expérimentation
et s’il existe une «plus petite » expérimentation possible,
lesprolongeant,
elle estunique. Ainsi,
si décrit uneexpé- rimentation, (X2,
une autre, et si nouspossédons, parmi
lesexpéri-
mentations
possibles,
une troisième(Xl X2,
alors cettedernière,
prolonge Xi et X2
et estunique.
Ces deux
propriétés
sont nécessaires pour la cohérence dusystème,
mais nous ne les utiliserons pas
pratiquement.
Nous
complèterons
ces définitions par deuxdonnées, qui
n’intervien- dront pas dans la suite.DÉFINITION 2.
2014 E
est laplus petite sous-catégorie pleine de E
conte-nant C
(1).
Cette définition
est justifiée
par le faitque E
~ E cE.
La
catégorie ~
contient toute « l’information » que l’onpeut
tirer de lastructure
expérimentale.
En introduisant les espacesqui
sont liés auxexpérimentations
par destransitions,
elle décrit les « non-observables »,sur
lesquels l’expérimentation apporte
desrenseignements,
dans le cadre du modèleprobabiliste
etstatistique.
DÉFINITION 3. - Le
problème
sera ditparamétrique
s’il existe un espace mesurable efixe,
telque E
soit unesous-catégorie
Sinon il sera ditnon
paramétrique.
Remarques.
1. Il ne faut pas confondre
problème
nonparamétrique,
au sens de ladéfinition
ci-dessus,
avec méthodes de traitementstatistique
nonparamé- triques.
Ceci nous
paraît
éclairer le faux débat sur la « taille » de O àpartir
delaquelle
unproblème
serait nonparamétrique.
Dans ce débat la caté-gorie C
contient engénéral
un «plus grand » objet ( !
c’est-à-dire que l’onne
dispose
que d’uneexpérimentation possible
et de sesconséquences).
Le
problème
estalors,
par natureparamétrique.
Ceci dit les méthodes de traitement faisant
jouer
un rôleimportant
àl’espace
desparamètres,
sont souvent limitées au cas où 0 = Dans cedébat la « taille » de 0
importe
en fin decompte
moins que lesrenseigne-
ments fournis par
l’expérience (Pour
cedébat,
cf.[4 ]).
2. La condition pour
qu’un problème
soitparamétrique
est la sui-vante : considérons le foncteur de C dans
P° -~
e et(v, u)
-~ v. S’iladmet une limite
projective
avecapplications canoniques surjectives,
le
système
estparamétrique.
On trouvera dans[5]
des conditions suffi- santes pourqu’il
en soit ainsi.1.3. Indications sur l’étude
intrinsèque.
Nous
signalerons
deux directions sans les aborderplus
avant :a) Équivalences
naturelles(Isomorphismes
au sens de lacatégorie).
On
peut s’interroger
sur lesisomorphismes
des diversescatégories
en
jeu :
(~) Une sous-catégorie pleine Jo de J est une sous-catégorie telle que si i E Jo, jE Jo, et
si u E FLJ avec a(u) = i, = j, alors u E FLJo.
280 G. ROMIER
al)
Dans ~ l’étude estcelle
desbijections
bimesurables et de ce fait peuintéressante.
a2)
Dans E on est conduit à l’étude des transitionsinversibles,
c’est-à-dire des transitions
QXY
tellesqu’il
existeRr
avec(applications identiques).
a3)
Une autreéquivalence
est introduite dans[2].
Nous nous
plaçons
dans le cas d’unproblème paramétrique
et dansC.
Deux
objets
sont ditséquivalents, P° ~ P°
s’il existeQ00FF
etRi
telles queCeci revient à considérer comme
équivalents
deuxmorphismes
de Hom(i, j)
et à substituer
à ~
lacatégorie ayant
les mêmesobjets
et pourmorphismes
les classes
d’équivalences.
b) Équivalences logiques.
Parmi les diverses
équivalences généralement acceptées
nous en retien-drons une :
Soit dans le cadre
paramétrique :
DÉFINITION 4. - On dira que u est
exhaustif
et que(O, Y, P°)
est un.
objet exhaustif
pour(O, X, P°) si
~’désignant la
tribu deX,
~J celle de Y : est exhaustive pour(X, P°) ( 1 )
On introduit la relation
d’équivalence
fermeture transitive de la rela- tion «posséder
unobjet
exhaustif commun ».On
peut
montrer :* Si les espaces X sont
finis,
cette relationd’équivalence
estidentique
à la relation
(a3)
définie ci-dessus.* Si pour tout
(0, X, P~)
E il existe uneprobabilité ~,
sur(X, x),
telle que toute
PX
soit absolument continue parrapport
à À alors :La relation « avoir un
objet
exhaustif commun » est transitive(cf.
ci-dessous
chap. II).
Nous
ignorons
si les résultats s’étendent(une
définitionplus large
del’exhaustivité semble nécessaire cf.
[3]).
(1) Rappelons que la sous-tribu B de 9’ est dite exhaustive pour (X, X’,
P0398X),
si, quelleque soit f, ~’ mesurable, réelle, bornée, il existe g appartenant à quel que soit (~. On a montré depuis [6] que la relation d’équivalence par exhaustivité est identique à la rela- tion (a 3) si les familles
PX
sont dominées et les espaces X localement compacts.2.
MODÈLE
DE LADÉCISION STATISTIQUE
2.1. Définitions et notations
générales.
DÉFINITION 5. - Un
plan d’expérimentation statistique
est la donnée* D’un
foncteur ~
d’unecatégorie
1 dans la structureexpérimentale 6.
* D’une transition
P°,
où X estl’espace
associé àtelle que pour tout i e 1
La
catégorie
1 seraappelée catégorie
des « étatsd’expérimentation
».Les éléments de 1 décrivent le stade ou est parvenu
l’expérimentation.
On admettra
toujours qu’elle
contient un «premier
élément »0,
c’est- à-dire un élément tel que :On supposera en outre
qu’elle
est ordonnée par la factorisation( _ ).
Nous utiliserons les notations suivantes :
F est l’ensemble des
parties
maximales de 1 totalement ordonnée par factorisation.V = Hom
(0, 1)
Vi = ~ u E V ~ (~ v E FlI)(/3(vo u) = i) ~
~(i
EI) (u E V) Bu = ~ , v
EV ~
EFII)(u
=wov) ~ (u e V).
Bu
=(facteurs
stricts deu).
X~ ==
espace associé à la limiteprojective
de la restriction deyoç à Bu.
,~ application canonique
de X dansX~ .
vans la suite nous supposerons que V est muni d’un tribu
~,
rendantmesurables les divers sous-ensembles de V introduits.
X~
= espace associé à la limiteprojective
de la restriction deyoç
àI~
sous-catégorie pleine
deI,
telle que(~p c F).
~~
=application canonique
de X dansX~.
Remarque
sur ladéfinition
5.L’existence,
et le choix deI’’X, signifie
que l’on est
capable
de définir une transition rassemblant toute l’informa- tion duplan d’expérience,
cette transition n’étant pas engénéral,
dans~,
c’est-à-dire ne
correspondant
pas à uneexpérience
effectivement réali- sable.282 G. ROMIER
2.2. Définition du modèle.
Dans ce
qui
suit nous considérons unefamille {Di}i~I d’espaces
mesu-rables.
Dans D’ nous considérons une partie
D mesurable pour la
tribu produit,
dont les projections Di sur Dj
sont mesurables. Nous
jEvi
dirons que D est un espace de décision. Un élément de
D’ peut
être consi- déré comme une décisionprise
à la suite de l’observationcorrespondant
à i.DÉFINITION 6.
- a)
Unproblème
de décisionstatistique
est le donné : D’unplan d’expérimentation ~.
D’un espace de décision
(D, 0).
D’une fonction mesurable 1 de OXVD dans
f~ + .
b)
Unestratégie
de décision est une transitionS~D
telle que, sauf sur un ensemblePX négligeable, quel
que soit 8:(51) (V
i E factorise dans~~) (restriction)
52) (Vu
E factorise dans~u) (fonction mesurable).
Remarque.
La définition destratégie
ainsiadoptée
sera suffisante pour lesproblèmes
considérés ultérieurement. Elle nerépond
sans doute pas pour tous lesexemples
concevables à la notion intuitive destratégie.
Unedéfinition
plus
forte consisterait à substituer à(~ 1 )
et(52)
des conditionsanalogues,
pour toutepartie
de 1 et pour toutepartie
deV,
avec des limitesprojectives
convenables.La décision
statistique
se caractérise par la « fonction derisque »
associéeà toute
stratégie
S:Soit ~ une famille de
stratégies.
On la munit dupréordre
Il est défini comme le
produit
des ordres duaux def~.
On s’intéresse
alors,
enparticulier
à l’étude des éléments maximaux de ~. Dans cette étude les éléments dutype
suivant retiendront notre attention.DÉFINITION 7.
2014 Soit
une mesure deprobabilité
sur 8. Un élémentS~
de V sera dit,~-stratégie (relativement
àV),
oustratégie bayesienne
relati-vement à ~c de !/ si :
Soit = une suite de
probabilité
sur 8. Un élémentS~~~
de V seradit
( )-stratégie (relativement
àJ),
oustratégie asymptotiquement baye-
sienne relativement à et ~ si :
Remarque.
Certainsproblèmes statistique (tests d’hypothèses) peuvent
se ramener à des
problèmes
de décisionstatistique,
enprenant
pourpré-
ordre sur ~° un
préordre
satisfaisant aux conditions suivantes(S désignant
la fonction
risque)
(nI) (sl ~ S2)
~(sl ~ S2)
( r 8 E 0)(S 1 (e) ~ S2(0))
~(Si
1S2)
(7r3) So ~
=f S : S(B) __ ao(8) ~.
3. EXEMPLES
Ils nous montreront d’une
part
la notive intuitive destratégie,
d’autrepart
le passage de l’un à l’autre modèlesenvisagés
auparagraphe
2.3.1.
Échantillonnage
dénombrable.Étude
desstratégies.
3.1 . 1 . CONSTRUCTION DU MODÈLE
L’expérimentation dispose
d’une famille dénombrabled’espaces
d’obser-vations
Yi, Y2,
..., Pourchaque
valeur duparamètre 0,
laproba-
bilité du
système
est définie par ladonnée,
pour toutepartie
finie i de Nde la
probabilité Px,
oùsoit Si
i ~ j
on définit uneprojection
deXi
surX~ l’image
deP°1
étantP°~.
284 .G. ROMIER
On
expérimente
de la manière suivante : on décide d’unepartie j
1 finiede N et on fait une
première
observation dansX~ soit
x~ ~. En fonctionde j
1et de ce
premier
résultat on décide d’une secondepartie finie j2 disjointe de j 1.
Lors de l’arrêt del’opération
on a choisi une suite croissante departies
finiesil 1 = j 1, i2 1 ~ j2, . ~ - , in 1 ~ j2 ~ ~ .
~j,i
et observé unesuite xi2, ..., xin, telle que xik est la
projection
de Xin’ On remarque en outre que la suite(i 1, i2, ... , in)
est une fonction de x~n telleque i
nedépend
pas de
x, i2 dépend
seulement de laprojection
etc. On formalisera cette situation comme suit :1 est une
partie
de l’ensemble desparties
finies deI~,
V est l’ensemble des suites croissantes finies
(il c i2 ~i3
... cin)
où
les ik appartiennent
à I.Une
stratégie
est une transition(ou
uneapplication)
de X vers V satis-faisant aux conditions de la définition 6
(§ 2.2).
Nous allons montrer que cette définitioncorrespond
bien à la notion destratégie.
3 . 1 . 2 . SUR LA DÉFINITION GLOBALE DES STRATÉGIES DANS LE CAS DISCRET
a) Définitions.
Soit T un ensemble
dénombrable, (Yt,
une famille d’ensembles mesurables indexée par 8.Soit 1 l’ensemble des
parties
finies deT,
ordonnée parinclusion,
et soitavec la
composition (non partout définie) :
définit une
catégorie
dite des étatsd’expérimentation
On notera
Avec les
applications projections, (Xi, xi)iEI
forme unsystème projectif image
de 1 par un facteur évident. Soitla limite
projective
dusystème.
/?) Définition
constructive d’unestratégie.
Désignons
pour toutu E V,
parIu
i ~ et donnons-nous pourchaque
u une « transitionprobabilité
del’étape
sui-vante ». Ceci définit un mode
opératoire
ou fonction de décision. A cettefamille
u E V)
nous pouvons associer une transition Nous nousposerons les
questions
suivantes : - comment définirS~D,
- quelles
sont les conditions surS~D
ainsi définies pour que(S~,
u EV)
soit une « bonne fonction de décision »,
- quelles
sont, étant donné les conditions pourqu’elle provienne
d’une fonction de décision.
y)
Construction de Conditionsnécessaires.
Soit u E
V, dE 0
et considérons ladécomposition
maximale de u :Considérons
Cette
quantité
définit pourchaque
x la «probabilité
quel’opération
conduise en définitive à
parcourir
le chemin u et àprendre
une décisiondans d. Si i =
/3(u),
elle définit une fonction = Ximesurable, quel
que soit d.
Pour
chaque
x, nous pouvons alors définir une mesure en VD commesuit. Soit ui, u2, ..., un, ..., les éléments de V dans un ordre
arbitraire,
soit A cVD,
nous notonset
286 G. ROMIER
Pour une famille
dénombrable
ded",
deux à deuxdisjoints,
commutantles sommations : 1
Ainsi à la
stratégie
nous pouvons associer une transitionS~D
définie ci-dessus.La masse totale est inférieure ou
égale
à 1quel
que soit x. Lastratégie
est
fermée,
au sens de Bahadur[1]
si pour tout x(presque
pour toutquand
on
probabilisera
lemodèle) S~~
= 1.Pour les conditions
nécessaires,
nous en retenons deux intuitives.2)
Pourtout i,
la restriction est une transition~~
= x~ mesu- rable.Ceci
provient
du fait que,quel
quesoit d,
est mesurablece
qui
résulte de(1).
On notera d’ailleurs que(2’)
~(2).
3)
Pour tout u est = xu mesurable où i a le sens défini avant la relation.Ceci résulte
toujours
de la relation(1) :
5) Réciproque.
Les conditions sontsuffisantes.
Soit u, et v =
(u, j) j
2Nous définissons
qui
est mesurable par(3)
et pour d E :qui
est mesurable par(2)
et(3).
Il est clair que le
système
deprobabilités
conditionnelles ainsi défini redonneS~D.
Conséquence.
- La classe desstratégies
de décision est enbijection
avec la classe des
qui
sontpositives
denorme ~ 1, (1
pour lesfermées)
et
qui
satisfont(2)
et(3).
3.2.
Échantillonnage
« continu ».Soit T un intervalle fermé de
(~ +
ou deN.
Ondispose
ici d’une familled’espaces
d’observations 0désignant l’origine
deT,
nousprendrons
pour 1
(et V)
l’ensemble des intervalles fermés[0, t]
=i, t E
T etL’existence de la transition
PX
est ici encore très naturelle.Quant
auxstratégies,
lapropriété
suffit à les définir. C’est donc une extension de la notion detemps
d’arrêt.Nous sommes dans un cas
particulier
duparagraphe
2. 5.3.3. Modification d’un
paramètre
inconnu.Introduction à la commande
statistique.
Nous supposerons ici que nous sommes
capables d’agir
sur un para- mètre0,
parexemple réel,
d’un certainsystème.
On observe par ailleursune
grandeur
aléatoireXO,t t
=1, 2,
..., n, dont la distributiondépend
de 0. A un instant t donné l’action consiste à
augmenter
ou à diminuer 0 d’unequantité £
connue(le paramètre
étant lui-mêmeinconnu). Si ft prend
ses valeurs dans un ensemble borné de R soit
F,
si les observations sontfaites à
temps discret, t
=1, 2,
..., n et si elles sontindépendantes, chaque
état d’observation i est constitué par la
suite,
réordonnée engrandeur croissante,
des nombresfi, fi
+f2,
...,fi
+f2
+ ...+ fn,
soitOn lui associe un espace d’observation
X(ai ,
a2, ... ,ak)
et uneprobabilité :
pour
chaque
valeur initiale8o
duparamètre (inconnue).
Il est facile des’assurer que l’ensemble 1 des états est
filtrant,
et que, du fait del’indépen-
dance on
peut
définir sur la limite X des espacesX(al,...,ak)
uneprobabilité PX représentant
lesystème.
Ce
problème
constitue un cassimple
de commandestatistique
et lemodèle se
généralise
aisément au cas d’untemps
continu et où 03B8 est une fonction aléatoire de t.288 G. ROMIER
4. TESTS ET ESTIMATION
Nous introduisons pour finir deux
techniques, plus
utiliséespratique-
ment que la décision
statistique,
etqui
seront étudiées en détails aux cha-pitres
IV et V.La situation est
analogue
à celle de la décisionstatistique (ci-dessus § 3).
Mais
préalablement
à la fonction decoût,
on introduit une fonction h de 0 dans D. La valeur deh(()) peut
être considérée comme la « bonne décision »lorsque
0 est la « vraie » valeur duparamètre.
Ondistingue :
Le cas où D est
fini,
D= ~ do, d2, ... ,
induit alors unepartition
de
0, finie,
0 =03980~ O1
... uOk, 8i
= Les0i
sont dits les«
hypothèses
». L’essentiel destechniques développées jusqu’ici porte
sur le cas où k = 1(Test
de deuxhypothèses).
On introduit engénéral
au niveaudes critères une
dissymétrie
entre80, hypothèse nulle,
celle dont ils’agit
de vérifier le bien
fondé,
etOi,
contrehypothèse,
cequi
se passe sinon.Le cas où D est une
partie
d’un espace vectoriel E. La donnée d’unestratégie S~
induit alors une transitionH~
=S~
oP~.
Onpeut
pourchaque
0 s’intéresser aubarycentre
de la mesureH~
soitH(0).
Il est natureld’introduire des conditions du
type h(O)
=H(0) quel
que soit 0(estimation
sans
biais).
Sil’espace
vectoriel est normé(~ ~ . ~ ~)
il est naturel aussi d’intro- duire une fonction de coût dutype :
.
Le schéma
général
de la décisionstatistique
conduit alors à unegénérali-
sation du critère de la variance minimum.
BIBLIOGRAPHIE
[1] BAHADUR, Sufficiency and Statistical decision functions. A. M. S., vol. 25, 1954, p. 423- 462.
[2] CENSOV, Méthodes infinitésimales de la Statistique Mathématique. Institut de mathé-
matiques, Moscou, 1966.
[3] LE CAM, Sufficiency and approximate sufficiency. A. M. S., vol. 35, 1964, p. 1419-1455.
[4] BELL, Séminaire ISUP, 1967.
[5] BOURBAKI, Théorie des Ensembles. Livre I. Hermann, Paris.
[6] ROMIER, Exhaustivité et équivalence des objets statistiques. Note aux C. R. Acad. Sci., A paraître.
Manuscrit reçu le 11 juin 1969.