Comment exploiter l'inégalité… : En appliquant l'inégalité de Markov à… — ECG2 approfondies | MetMat

Comment exploiter l'inégalité de Markov ou de Bienaymé-Tchebychev pour établir la convergence d'un estimateur ?

En appliquant l'inégalité de Markov à $(T_n - g(\theta))^2$ pour contrôler un estimateur biaisé

Établir la convergence en probabilité d'un estimateur biaisé en appliquant Markov à $(T_n - g(\theta))^2$ .

Maîtriser

Reconnaître

Résoudre

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

Soit $(X_i)$ i.i.d. $\mathcal{B}(p)$ . On pose $T_n = \frac{1}{n+1}\sum_{i=1}^n X_i$ . Montrer que $T_n$ est un estimateur biaisé convergent de $p$ .

L'objectif

Établir la convergence en probabilité d'un estimateur biaisé en appliquant Markov à $(T_n - g(\theta))^2$ .

Le principe

Pour $Y = (T_n - g(\theta))^2 \geq 0$ d'espérance $V(T_n) + (E(T_n)-g(\theta))^2$ , Markov donne $P(|T_n - g(\theta)|\geq \varepsilon) = P(Y\geq \varepsilon^2)\leq (V(T_n) + (E(T_n)-g(\theta))^2)/\varepsilon^2$ .

La méthode

1
Je vérifie que $T_n$ admet une espérance et une variance, je calcule $E_\theta(T_n)$ et je pose le biais $b_n(\theta) = E_\theta(T_n) - g(\theta)$ .
2
Je pose $Y_n = (T_n - g(\theta))^2 \geq 0$ d'espérance $E(Y_n) = V_\theta(T_n) + b_n(\theta)^2$ (décomposition biais-variance).
3
J'applique Markov à $Y_n$ : $P(|T_n - g(\theta)|\geq \varepsilon) = P(Y_n \geq \varepsilon^2)\leq E(Y_n)/\varepsilon^2 = (V_\theta(T_n) + b_n(\theta)^2)/\varepsilon^2$ .
4
Je conclus : si $V_\theta(T_n)\to 0$ et $b_n(\theta)\to 0$ , alors $P(|T_n - g(\theta)|\geq \varepsilon) \to 0$ pour tout $\varepsilon > 0$ , donc $T_n\xrightarrow{P_\theta} g(\theta)$ .

Pour comprendre, fais des exercices !

Exercice d'exemple

Soit $(X_i)$ i.i.d. $\mathcal{B}(p)$ . On pose $T_n = \frac{1}{n+1}\sum_{i=1}^n X_i$ . Montrer que $T_n$ est un estimateur biaisé convergent de $p$ .

Étape 1 —

Je vérifie que

T_n

admet une espérance et une variance, je calcule

E_\theta(T_n)

et je pose le biais

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

$E(T_n) = \frac{n}{n+1}p$ , donc biais $b_n(p) = E(T_n) - p = -\frac{p}{n+1}\to 0$ .

Étape 2 —

Je pose

Y_n = (T_n - g(\theta))^2 \geq 0

d'espérance

E(Y_n) = V_\theta(T_n) + b_n(\theta)^2

(décomposition biais-variance).

$Y_n = (T_n - p)^2 \geq 0$ avec $E(Y_n) = V(T_n) + b_n(p)^2 = \frac{n p(1-p)}{(n+1)^2} + \frac{p^2}{(n+1)^2}$ .

Étape 3 —

J'applique Markov à

Y_n

P(|T_n - g(\theta)|\geq \varepsilon) = P(Y_n \geq \varepsilon^2)\leq E(Y_n)/\varepsilon^2 = (V_\theta(T_n) + b_n(\theta)^2)/\varepsilon^2

Markov : $P(|T_n - p|\geq \varepsilon) \leq E(Y_n)/\varepsilon^2 = \frac{n p(1-p) + p^2}{(n+1)^2\varepsilon^2}$ .

Étape 4 —

Je conclus : si

V_\theta(T_n)\to 0

b_n(\theta)\to 0

, alors

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

pour tout

\varepsilon > 0

, donc

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

Le numérateur est $O(n)$ et le dénominateur en $n^2$ , donc le majorant tend vers $0$ , d'où $T_n \xrightarrow{P} p$ .

$T_n = \frac{1}{n+1}\sum X_i$ est un estimateur biaisé convergent de $p$ via Markov sur $(T_n-p)^2$ .

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 exploiter l'inégalité de Markov ou de Bienaymé-Tchebychev pour établir la convergence d'un estimateur ?

En appliquant l'inégalité de Markov à (Tn−g(θ))2(T_n - g(\theta))^2(Tn​−g(θ))2 pour contrôler un estimateur biaisé

Pour comprendre, fais des exercices !

En appliquant l'inégalité de Markov à $(T_n - g(\theta))^2$ pour contrôler un estimateur biaisé