Comment montrer qu'une suite… : En vérifiant que T_n est sans biais 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 vérifiant que $T_n$ est sans biais et que $V(T_n)\to 0$ pour appliquer Bienaymé-Tchebychev

Démontrer qu'un estimateur sans biais de variance tendant vers $0$ converge en probabilité vers le paramètre $g(\theta)$ .

Maîtriser

Reconnaître

Résoudre

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

Soit $(X_1,\dots,X_n)$ i.i.d. $\mathcal{B}(p)$ . Montrer que $\overline{X}_n$ est un estimateur convergent de $p$ .

L'objectif

Démontrer qu'un estimateur sans biais de variance tendant vers $0$ converge en probabilité vers le paramètre $g(\theta)$ .

Le principe

Si $E_\theta(T_n) = g(\theta)$ pour tout $n$ , alors Bienaymé-Tchebychev donne $P_\theta(|T_n - g(\theta)|\geq \varepsilon)\leq V_\theta(T_n)/\varepsilon^2$ , qui tend vers $0$ dès que $V_\theta(T_n)\to 0$ .

La méthode

1
Je vérifie que $T_n$ admet une espérance et une variance finies sous $P_\theta$ , et je calcule $E_\theta(T_n)$ pour constater $E_\theta(T_n) = g(\theta)$ (absence de biais).
2
Je calcule $V_\theta(T_n)$ et je montre $\lim_{n\to +\infty} V_\theta(T_n) = 0$ , pour tout $\theta$ .
3
J'applique Bienaymé-Tchebychev : $\forall \varepsilon > 0,\; P_\theta(|T_n - g(\theta)|\geq \varepsilon)\leq V_\theta(T_n)/\varepsilon^2$ .
Comment appliquer l'inégalité de Bienaymé-Tchebychev pour contrôler $P(|X-E(X)| \geq \varepsilon)$ ?Voir
4
Je conclus par encadrement : $P_\theta(|T_n - g(\theta)|\geq \varepsilon)\to 0$ , donc $T_n \xrightarrow{P_\theta} g(\theta)$ : l'estimateur est convergent.

Pour comprendre, fais des exercices !

Exercice d'exemple

Soit $(X_1,\dots,X_n)$ i.i.d. $\mathcal{B}(p)$ . Montrer que $\overline{X}_n$ est un estimateur convergent de $p$ .

Étape 1 —

Je vérifie que

T_n

admet une espérance et une variance finies sous

P_\theta

, et je calcule

E_\theta(T_n)

pour constater

E_\theta(T_n) = g(\theta)

(absence de biais).

$\overline{X}_n$ admet une espérance et une variance finies car les $X_i$ sont bornés ; $E(\overline{X}_n) = p$ par linéarité, donc $\overline{X}_n$ est sans biais.

Étape 2 —

Je calcule

V_\theta(T_n)

et je montre

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

, pour tout

\theta

$V(\overline{X}_n) = p(1-p)/n \leq 1/(4n)\xrightarrow[n\to +\infty]{} 0$ .

Étape 3 —

J'applique Bienaymé-Tchebychev :

\forall \varepsilon > 0,\; P_\theta(|T_n - g(\theta)|\geq \varepsilon)\leq V_\theta(T_n)/\varepsilon^2

Bienaymé-Tchebychev : $\forall \varepsilon >0,\; P(|\overline{X}_n - p|\geq \varepsilon)\leq \frac{p(1-p)}{n\varepsilon^2}\leq \frac{1}{4n\varepsilon^2}$ .

Étape 4 —

Je conclus par encadrement :

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

, donc

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

: l'estimateur est convergent.

Par encadrement, $P(|\overline{X}_n - p|\geq \varepsilon)\to 0$ , donc $\overline{X}_n \xrightarrow{P} p$ : estimateur convergent.

$\overline{X}_n$ est un estimateur convergent de $p$ .

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 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 vérifiant que TnT_nTn​ est sans biais et que V(Tn)→0V(T_n)\to 0V(Tn​)→0 pour appliquer Bienaymé-Tchebychev

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 vérifiant que $T_n$ est sans biais et que $V(T_n)\to 0$ pour appliquer Bienaymé-Tchebychev