Comment justifier que la moyenne empirique $\overline{X}_n$ est un estimateur de l'espérance ? | MetMat

Comment justifier que la moyenne empirique $\overline{X}_n$ est un estimateur de l'espérance ?

En montrant que $\mathbb{E}(\overline{X}_n) = m$ (sans biais) et $\mathbb{V}(\overline{X}_n) = \sigma^2/n \to 0$

L'objectif

Établir que la moyenne empirique $\overline{X}_n$ est un estimateur sans biais et convergent de l'espérance $m$ .

Le principe

Si $X$ admet une espérance $m$ et une variance $\sigma^2$ , alors $\mathbb{E}(\overline{X}_n) = m$ (sans biais) et $\mathbb{V}(\overline{X}_n) = \sigma^2/n \xrightarrow[n\to+\infty]{} 0$ , ce qui assure la convergence en probabilité de $\overline{X}_n$ vers $m$ par l'inégalité de Bienaymé-Tchebychev.

La méthode

1
Je vérifie les hypothèses : $X$ admet une espérance $m$ et une variance $\sigma^2 > 0$ , et $(X_1, \dots, X_n)$ est un $n$ -échantillon de la loi de $X$ .
2
Je calcule l'espérance par linéarité : $\mathbb{E}(\overline{X}_n) = \frac{1}{n}\sum_{i=1}^n \mathbb{E}(X_i) = \frac{1}{n} \cdot n m = m$ , donc le biais est nul.
3
Je calcule la variance en utilisant l'indépendance des $X_i$ : $\mathbb{V}(\overline{X}_n) = \frac{1}{n^2}\sum_{i=1}^n \mathbb{V}(X_i) = \frac{n\sigma^2}{n^2} = \frac{\sigma^2}{n}$ .
4
Je conclus : $\mathbb{V}(\overline{X}_n) \xrightarrow[n\to+\infty]{} 0$ et $\overline{X}_n$ étant sans biais, l'inégalité de Bienaymé-Tchebychev assure $\overline{X}_n \xrightarrow[n\to+\infty]{\mathbb{P}} m$ : c'est un estimateur convergent.
Comment appliquer Bienaymé-Tchebychev pour estimer $P([|X-E(X)| \\geq \\varepsilon])$ ?Voir

Évalue la méthode

0/5 validés

Cherche chaque exercice au brouillon, puis coche “j'ai réussi” si tu as trouvé la bonne démarche. Utilise le bouton aide si tu as besoin d'un coup de pouce.

Application guidée 1

Pour un $n$ -échantillon $(X_1, \dots, X_n)$ de loi $\mathcal{B}(p)$ , montrer que $\overline{X}_n$ est un estimateur sans biais et convergent de $p$ .

Application guidée 2

Pour un $n$ -échantillon $(X_1, \dots, X_n)$ de loi $\mathcal{P}(\lambda)$ , montrer que $\overline{X}_n$ est un estimateur sans biais et convergent de $\lambda$ .

Application autonome 1

Pour un $n$ -échantillon $(X_1, \dots, X_n)$ de loi $\mathcal{E}(\lambda)$ avec $\lambda > 0$ , montrer que $\overline{X}_n$ est un estimateur sans biais et convergent de $1/\lambda$ .

Application autonome 2

Pour un $n$ -échantillon $(X_1, \ldots, X_n)$ de loi $\mathcal{U}([0, \theta])$ avec $\theta > 0$ , montrer que $2 \overline{X}_n$ est un estimateur sans biais et convergent de $\theta$ .

Application autonome 3

Pour un $n$ -échantillon $(X_1, \ldots, X_n)$ de loi $\mathcal{G}(p)$ avec $p \in\,]0, 1[$ , montrer que $\overline{X}_n$ est un estimateur sans biais et convergent de $1/p$ .

Connecte-toi pour cocher tes exercices réussis et sauvegarder ta progression.

En montrant que E(X‾n)=m\mathbb{E}(\overline{X}_n) = mE(Xn​)=m (sans biais) et V(X‾n)=σ2/n→0\mathbb{V}(\overline{X}_n) = \sigma^2/n \to 0V(Xn​)=σ2/n→0

Évalue la méthode

En montrant que $\mathbb{E}(\overline{X}_n) = m$ (sans biais) et $\mathbb{V}(\overline{X}_n) = \sigma^2/n \to 0$