INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q035 — Un estimateur sans biais est-il nécessairement celui de plus faible variance ?
Madame, Monsieur, Vous avez posé une question fondamentale en théorie de l'estimation, et je vous en remercie. Permettez-moi de vous répondre avec la précision qu'elle mérite. Non, un estimateur sans biais n'est pas nécessairement celui de plus faible variance. Cette affirmation, souvent source de confusion, mérite d'être clarifiée avec rigueur. La propriété de non-biais garantit uniquement que l'espérance de l'estimateur coïncide avec la vraie valeur du paramètre. Elle ne dit rien sur la dispersion de l'estimateur autour de cette valeur. Un estimateur sans biais peut très bien avoir une variance élevée, tandis qu'un autre estimateur sans biais, ou même légèrement biaisé, peut présenter une variance bien plus faible. Pour être précis, la notion pertinente est celle d'estimateur sans biais de variance minimale, souvent désigné par l'acronyme UMVUE (uniformly minimum variance unbiased estimator). Un tel estimateur n'existe pas toujours, et lorsqu'il existe, il est unique. Mais rien n'impose qu'un estimateur sans biais donné soit celui-là : il n'est que l'un des membres de la famille des estimateurs sans biais, parmi lesquels on cherche ensuite celui de variance minimale. Deux précisions importantes s'imposent. D'abord, la borne de Cramér-Rao fournit une limite inférieure de la variance pour les estimateurs sans biais, mais elle n'est atteinte que dans des conditions particulières, notamment pour les familles exponentielles et sous des hypothèses de régularité. Un estimateur sans biais dont la variance dépasse cette borne n'est donc pas optimal, sans cesser d'être sans biais. Ensuite, il faut distinguer le critère de variance du critère d'erreur quadratique moyenne, qui vaut variance plus biais au carré. Un estimateur légèrement biaisé peut avoir une erreur quadratique moyenne inférieure à celle de l'estimateur sans biais de variance minimale, ce qui le rend préférable en pratique pour un compromis biais-variance. C'est le principe des méthodes de régularisation, comme la régression ridge. Un contre-exemple simple le montre. Pour estimer la variance d'une population normale, l'estimateur avec dénominateur n est biaisé, tandis que celui avec dénominateur n moins un est sans biais. Pourtant, l'estimateur biaisé avec dénominateur n possède une erreur quadratique moyenne plus faible que l'estimateur sans biais, précisément parce que sa variance réduite compense son biais. Cela illustre que le non-biais n'est pas synonyme d'optimalité. En résumé, le non-biais est une propriété d'exactitude en moyenne, et la variance minimale est une propriété de précision. Elles sont indépendantes, et c'est seulement leur combinaison, lorsqu'elle est réalisable, qui définit l'estimateur optimal dans la classe des estimateurs sans biais. Confiance : 96 %. Cette réponse repose sur des définitions et résultats standards de la théorie de l'estimation, que je maîtrise avec une bonne certitude, mais je laisse une petite marge car la formulation exacte des conditions d'existence de l'UMVUE et de la borne de Cramér-Rao comporte des subtilités techniques. Je vous prie d'agréer, Madame, Monsieur, l'expression de mes salutations distinguées.
Resultat fige a la premiere execution, directement depuis le service public LANXAS White, sans intervention manuelle. Cette page est permanente et peut etre re-consultee pour verification.