Comment calculer l'espérance et… : En développant S_n^2 = 1 n sum X_i^2… — ECG2 approfondies | MetMat

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

En développant $S_n^2 = \frac{1}{n}\sum X_i^2 - \overline{X}_n^2$ pour calculer son espérance et identifier son biais

Obtenir $E(S_n^2) = \frac{n-1}{n}\sigma^2$ et en déduire l'estimateur corrigé $\widetilde{S}_n^2 = \frac{n}{n-1} S_n^2$ sans biais de $\sigma^2$ .

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 $E(S_n^2)$ et corriger le biais.

L'objectif

Obtenir $E(S_n^2) = \frac{n-1}{n}\sigma^2$ et en déduire l'estimateur corrigé $\widetilde{S}_n^2 = \frac{n}{n-1} S_n^2$ sans biais de $\sigma^2$ .

Le principe

Pour un $n$ -échantillon i.i.d. de $X$ avec $V(X)=\sigma^2$ , la formule de Koenig-Huygens appliquée à $S_n^2$ et le calcul de $E(\overline{X}_n^2) = \sigma^2/n + m^2$ donnent $E(S_n^2) = \frac{n-1}{n}\sigma^2$ .

La méthode

1
Je pose $S_n^2 = \frac{1}{n}\sum_{i=1}^n (X_i - \overline{X}_n)^2$ et je développe : $S_n^2 = \frac{1}{n}\sum X_i^2 - \overline{X}_n^2$ (identité de Koenig-Huygens).
2
Par linéarité, $E\!\left(\frac{1}{n}\sum X_i^2\right) = E(X_1^2) = \sigma^2 + m^2$ par Koenig-Huygens appliqué à $X_1$ .
3
J'utilise $E(\overline{X}_n^2) = V(\overline{X}_n) + E(\overline{X}_n)^2 = \sigma^2/n + m^2$ , puis $E(S_n^2) = (\sigma^2 + m^2) - (\sigma^2/n + m^2) = \frac{n-1}{n}\sigma^2$ .
4
Je conclus : $S_n^2$ est biaisé de biais $-\sigma^2/n$ , et $\widetilde{S}_n^2 = \frac{n}{n-1} S_n^2$ est un estimateur sans biais de $\sigma^2$ .
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 $E(S_n^2)$ et corriger le biais.

Étape 1 —

Je pose

S_n^2 = \frac{1}{n}\sum_{i=1}^n (X_i - \overline{X}_n)^2

et je développe :

S_n^2 = \frac{1}{n}\sum X_i^2 - \overline{X}_n^2

(identité de Koenig-Huygens).

Avec $m = p$ et $\sigma^2 = p(1-p)$ , on écrit $S_n^2 = \frac{1}{n}\sum X_i^2 - \overline{X}_n^2$ .

Étape 2 —

Par linéarité,

E\!\left(\frac{1}{n}\sum X_i^2\right) = E(X_1^2) = \sigma^2 + m^2

par Koenig-Huygens appliqué à

X_1

$E(X_1^2) = \sigma^2 + m^2 = p(1-p) + p^2 = p$ (les $X_i$ valant $0$ ou $1$ ).

Étape 3 —

J'utilise

E(\overline{X}_n^2) = V(\overline{X}_n) + E(\overline{X}_n)^2 = \sigma^2/n + m^2

, puis

E(S_n^2) = (\sigma^2 + m^2) - (\sigma^2/n + m^2) = \frac{n-1}{n}\sigma^2

$E(\overline{X}_n^2) = p(1-p)/n + p^2$ , d'où $E(S_n^2) = p - p(1-p)/n - p^2 = \frac{n-1}{n} p(1-p)$ .

Étape 4 —

Je conclus :

S_n^2

est biaisé de biais

-\sigma^2/n

, et

\widetilde{S}_n^2 = \frac{n}{n-1} S_n^2

est un estimateur sans biais de

\sigma^2

L'estimateur corrigé $\widetilde{S}_n^2 = \frac{n}{n-1} S_n^2$ est sans biais pour $p(1-p)$ .

$E(S_n^2) = \frac{n-1}{n} p(1-p)$ et $\widetilde{S}_n^2 = \frac{n}{n-1}S_n^2$ est sans biais.

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 développant Sn2=1n∑Xi2−X‾n2S_n^2 = \frac{1}{n}\sum X_i^2 - \overline{X}_n^2Sn2​=n1​∑Xi2​−Xn2​ pour calculer son espérance et identifier son biais

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 développant $S_n^2 = \frac{1}{n}\sum X_i^2 - \overline{X}_n^2$ pour calculer son espérance et identifier son biais