Comment calculer l'espérance et… : En utilisant la linéarité de… — ECG2 approfondies | MetMat

Comment calculer l'espérance et la variance de la moyenne empirique $\overline{X}_n$ et de la variance empirique ?

En utilisant la linéarité de l'espérance et l'indépendance pour obtenir $E(\overline{X}_n) = m$ et $V(\overline{X}_n) = \sigma^2/n$

Établir que la moyenne empirique $\overline{X}_n$ est un estimateur sans biais de $m = E(X)$ de variance $\sigma^2/n$ .

Maîtriser

Reconnaître

Résoudre

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

Soit $(X_1,\dots,X_n)$ i.i.d. de loi $\mathcal{B}(p)$ . Calculer $E(\overline{X}_n)$ et $V(\overline{X}_n)$ .

L'objectif

Établir que la moyenne empirique $\overline{X}_n$ est un estimateur sans biais de $m = E(X)$ de variance $\sigma^2/n$ .

Le principe

Pour un $n$ -échantillon $(X_1,\dots,X_n)$ i.i.d. de même loi que $X$ avec $E(X)=m$ et $V(X)=\sigma^2$ , la linéarité de l'espérance et l'additivité de la variance sous indépendance donnent $E(\overline{X}_n)=m$ et $V(\overline{X}_n)=\sigma^2/n$ .

La méthode

1
Je pose $(X_1,\dots,X_n)$ un $n$ -échantillon i.i.d. de $X$ , d'espérance $m = E(X)$ et de variance $\sigma^2 = V(X)$ supposées finies.
2
Je calcule $E(\overline{X}_n) = E\!\left(\frac{1}{n}\sum_{i=1}^n X_i\right) = \frac{1}{n}\sum_{i=1}^n E(X_i) = \frac{1}{n}\cdot n\cdot m = m$ par linéarité.
3
Par indépendance des $X_i$ , $V\!\left(\sum X_i\right) = \sum V(X_i) = n\sigma^2$ , donc $V(\overline{X}_n) = \frac{1}{n^2}\cdot n\sigma^2 = \frac{\sigma^2}{n}$ .
4
Je conclus : $\overline{X}_n$ est un estimateur sans biais de $m$ et sa variance $\sigma^2/n$ tend vers $0$ quand $n\to +\infty$ .
Comment montrer qu'un estimateur est sans biais en vérifiant $E_\theta(T_n) = g(\theta)$ ?Voir

Pour comprendre, fais des exercices !

Exercice d'exemple

Soit $(X_1,\dots,X_n)$ i.i.d. de loi $\mathcal{B}(p)$ . Calculer $E(\overline{X}_n)$ et $V(\overline{X}_n)$ .

Étape 1 —

Je pose

(X_1,\dots,X_n)

n

-échantillon i.i.d. de

X

, d'espérance

m = E(X)

et de variance

\sigma^2 = V(X)

supposées finies.

On a $(X_i)$ i.i.d. $\mathcal{B}(p)$ , donc $E(X_i)=p$ et $V(X_i)=p(1-p)$ , quantités finies.

Étape 2 —

Je calcule

E(\overline{X}_n) = E\!\left(\frac{1}{n}\sum_{i=1}^n X_i\right) = \frac{1}{n}\sum_{i=1}^n E(X_i) = \frac{1}{n}\cdot n\cdot m = m

par linéarité.

Par linéarité, $E(\overline{X}_n) = \frac{1}{n}\sum_{i=1}^n p = p$ .

Étape 3 —

Par indépendance des

X_i

V\!\left(\sum X_i\right) = \sum V(X_i) = n\sigma^2

, donc

V(\overline{X}_n) = \frac{1}{n^2}\cdot n\sigma^2 = \frac{\sigma^2}{n}

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

Étape 4 —

Je conclus :

\overline{X}_n

est un estimateur sans biais de

m

et sa variance

\sigma^2/n

tend vers

0

quand

n\to +\infty

$\overline{X}_n$ est sans biais pour $p$ et $V(\overline{X}_n) = p(1-p)/n \leq 1/(4n) \to 0$ .

$E(\overline{X}_n) = p$ et $V(\overline{X}_n) = p(1-p)/n$ .

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 calculer l'espérance et la variance de la moyenne empirique X‾n\overline{X}_nXn​ et de la variance empirique ?

En utilisant la linéarité de l'espérance et l'indépendance pour obtenir E(X‾n)=mE(\overline{X}_n) = mE(Xn​)=m et V(X‾n)=σ2/nV(\overline{X}_n) = \sigma^2/nV(Xn​)=σ2/n

Pour comprendre, fais des exercices !

Comment calculer l'espérance et la variance de la moyenne empirique $\overline{X}_n$ et de la variance empirique ?

En utilisant la linéarité de l'espérance et l'indépendance pour obtenir $E(\overline{X}_n) = m$ et $V(\overline{X}_n) = \sigma^2/n$