Comment montrer qu'une suite… : En combinant E(T_n)→ g(theta) et… — ECG2 approfondies | MetMat

Comment montrer qu'une suite d'estimateurs est convergente via la condition suffisante $E(T_n)\to g(\theta)$ et $V(T_n)\to 0$ ?

En combinant $E(T_n)\to g(\theta)$ et $V(T_n)\to 0$ pour un estimateur asymptotiquement sans biais

Montrer qu'un estimateur biaisé dont le biais tend vers $0$ et la variance aussi converge en probabilité vers $g(\theta)$ .

Maîtriser

Reconnaître

Résoudre

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

Soit $(X_i)$ i.i.d. de loi uniforme $\mathcal{U}([0,\theta])$ avec $\theta > 0$ inconnu. Montrer que $T_n = 2\overline{X}_n$ est un estimateur convergent de $\theta$ (variante : on calcule directement, sans biais ici).

L'objectif

Montrer qu'un estimateur biaisé dont le biais tend vers $0$ et la variance aussi converge en probabilité vers $g(\theta)$ .

Le principe

L'inégalité $P(|T_n - g(\theta)|\geq \varepsilon)\leq (V(T_n) + (E(T_n)-g(\theta))^2)/\varepsilon^2$ (obtenue via Markov sur $(T_n - g(\theta))^2$ ) entraîne la convergence dès que $E(T_n)\to g(\theta)$ et $V(T_n)\to 0$ .

La méthode

1
Je calcule $E_\theta(T_n)$ et je vérifie $\lim_{n\to +\infty} E_\theta(T_n) = g(\theta)$ : l'estimateur est asymptotiquement sans biais.
Comment montrer qu'un estimateur est sans biais en vérifiant $E_\theta(T_n) = g(\theta)$ ?Voir
2
Je calcule $V_\theta(T_n)$ et je vérifie $\lim_{n\to +\infty} V_\theta(T_n) = 0$ .
3
Pour $n$ assez grand (tel que $|E(T_n) - g(\theta)| < \varepsilon/2$ ), j'écris $P(|T_n - g(\theta)|\geq \varepsilon) \leq P(|T_n - E(T_n)|\geq \varepsilon/2) \leq \dfrac{4 V(T_n)}{\varepsilon^2}$ par inégalité triangulaire puis Bienaymé-Tchebychev.
Comment appliquer l'inégalité de Bienaymé-Tchebychev pour contrôler $P(|X-E(X)| \geq \varepsilon)$ ?Voir
4
Je conclus par encadrement : $P(|T_n - g(\theta)|\geq \varepsilon) \to 0$ , donc $T_n\xrightarrow{P_\theta} g(\theta)$ : estimateur convergent.

Pour comprendre, fais des exercices !

Exercice d'exemple

Étape 1 —

Je calcule

E_\theta(T_n)

et je vérifie

\lim_{n\to +\infty} E_\theta(T_n) = g(\theta)

: l'estimateur est asymptotiquement sans biais.

Pour $X_i \sim \mathcal{U}([0,\theta])$ , $E(X_i) = \theta/2$ donc $E(T_n) = 2\cdot \theta/2 = \theta$ : ici $T_n$ est exactement sans biais (cas limite).

Étape 2 —

Je calcule

V_\theta(T_n)

et je vérifie

\lim_{n\to +\infty} V_\theta(T_n) = 0

$V(X_i) = \theta^2/12$ , donc $V(T_n) = 4\cdot V(\overline{X}_n) = 4\cdot \theta^2/(12n) = \theta^2/(3n) \xrightarrow[n\to +\infty]{} 0$ .

Étape 3 —

Pour

n

assez grand (tel que

|E(T_n) - g(\theta)| < \varepsilon/2

), j'écris

P(|T_n - g(\theta)|\geq \varepsilon) \leq P(|T_n - E(T_n)|\geq \varepsilon/2) \leq \dfrac{4 V(T_n)}{\varepsilon^2}

par inégalité triangulaire puis Bienaymé-Tchebychev.

Bienaymé-Tchebychev (sans biais donc Markov-Tchebychev se réduit à ce cas) : $P(|T_n-\theta|\geq \varepsilon)\leq \theta^2/(3n\varepsilon^2)$ .

Étape 4 —

Je conclus par encadrement :

P(|T_n - g(\theta)|\geq \varepsilon) \to 0

, donc

T_n\xrightarrow{P_\theta} g(\theta)

: estimateur convergent.

Le majorant tend vers $0$ , donc $T_n \xrightarrow{P} \theta$ : estimateur convergent.

$T_n = 2\overline{X}_n$ est un estimateur convergent de $\theta$ .

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 montrer qu'une suite d'estimateurs est convergente via la condition suffisante E(Tn)→g(θ)E(T_n)\to g(\theta)E(Tn​)→g(θ) et V(Tn)→0V(T_n)\to 0V(Tn​)→0 ?

En combinant E(Tn)→g(θ)E(T_n)\to g(\theta)E(Tn​)→g(θ) et V(Tn)→0V(T_n)\to 0V(Tn​)→0 pour un estimateur asymptotiquement sans biais

Pour comprendre, fais des exercices !

Comment montrer qu'une suite d'estimateurs est convergente via la condition suffisante $E(T_n)\to g(\theta)$ et $V(T_n)\to 0$ ?

En combinant $E(T_n)\to g(\theta)$ et $V(T_n)\to 0$ pour un estimateur asymptotiquement sans biais