Comment justifier que la moyenne… : En montrant que E(overline X _n) = m… — ECG2 appliquées | 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 $\mathbb{V}(\overline{X}_n) = \sigma^2/n \to 0$

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

Maîtriser

Reconnaître

Résoudre

Que ferais-tu face à un exercice de ce type ?

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 $p$ .

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

Pour comprendre, fais des exercices !

Exercice d'exemple

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 $p$ .

Étape 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

$X \sim \mathcal{B}(p)$ admet $\mathbb{E}(X) = p$ et $\mathbb{V}(X) = p(1-p)$ ; $(X_1, \dots, X_n)$ est un $n$ -échantillon iid de loi $\mathcal{B}(p)$ .

Étape 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.

$\mathbb{E}(\overline{X}_n) = \frac{1}{n}\sum_{i=1}^n \mathbb{E}(X_i) = \frac{1}{n} \cdot n p = p$ , donc $b(\overline{X}_n) = 0$ : sans biais.

Étape 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}

$\mathbb{V}(\overline{X}_n) = \frac{1}{n^2}\sum_{i=1}^n \mathbb{V}(X_i) = \frac{n p(1-p)}{n^2} = \frac{p(1-p)}{n}$ .

Étape 4 —

Je conclus :

\mathbb{V}(\overline{X}_n) \xrightarrow[n\to+\infty]{} 0

\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.

$\mathbb{V}(\overline{X}_n) \xrightarrow[n\to+\infty]{} 0$ et $\overline{X}_n$ est sans biais : par Bienaymé-Tchebychev, $\overline{X}_n \xrightarrow[n\to+\infty]{\mathbb{P}} p$ , c'est un estimateur convergent de $p$ .

$\overline{X}_n$ est sans biais et convergent : $\overline{X}_n \xrightarrow[n\to+\infty]{\mathbb{P}} p$ .

Les applications suivantes et la correction guidée sont réservées aux membres Premium

La méthode et sa première application corrigée restent en accès libre. Le Premium débloque les applications suivantes, l'aide IA et le suivi de ta maîtrise.

Comment justifier que la moyenne empirique X‾n\overline{X}_nXn​ est un estimateur de l'espérance ?

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

Pour comprendre, fais des exercices !

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 $\mathbb{V}(\overline{X}_n) = \sigma^2/n \to 0$