Comment exploiter l'inégalité… : En appliquant Bienaymé-Tchebychev à un… — ECG2 approfondies | MetMat

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

En appliquant Bienaymé-Tchebychev à un estimateur sans biais pour majorer $P(|T_n - g(\theta)|\geq \varepsilon)$

Appliquer Bienaymé-Tchebychev à un estimateur sans biais pour en déduire sa convergence en probabilité.

Maîtriser

Reconnaître

Résoudre

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

Soit $(X_i)$ i.i.d. $\mathcal{B}(p)$ . Utiliser Bienaymé-Tchebychev pour prouver $\overline{X}_n \xrightarrow{P} p$ et préciser la vitesse.

L'objectif

Appliquer Bienaymé-Tchebychev à un estimateur sans biais pour en déduire sa convergence en probabilité.

Le principe

Si $T_n$ est sans biais pour $g(\theta)$ et admet une variance, Bienaymé-Tchebychev donne $P(|T_n - g(\theta)|\geq \varepsilon)\leq V(T_n)/\varepsilon^2$ , qui tend vers $0$ dès que $V(T_n)\to 0$ .

La méthode

1
Je vérifie les hypothèses : $T_n$ admet une espérance et une variance finies sous $P_\theta$ , et $E_\theta(T_n) = g(\theta)$ .
2
J'applique l'inégalité de Bienaymé-Tchebychev à $T_n$ : pour tout $\varepsilon > 0$ , $P_\theta(|T_n - g(\theta)|\geq \varepsilon) \leq V_\theta(T_n)/\varepsilon^2$ .
Comment appliquer l'inégalité de Bienaymé-Tchebychev pour contrôler $P(|X-E(X)| \geq \varepsilon)$ ?Voir
3
Je montre que $V_\theta(T_n)\xrightarrow[n\to +\infty]{} 0$ (en général $V(T_n) = c(\theta)/n$ pour des moyennes empiriques).
4
Je conclus par encadrement : $\lim_{n\to+\infty} P_\theta(|T_n - g(\theta)|\geq \varepsilon) = 0$ , donc $T_n\xrightarrow{P_\theta} g(\theta)$ .

Pour comprendre, fais des exercices !

Exercice d'exemple

Soit $(X_i)$ i.i.d. $\mathcal{B}(p)$ . Utiliser Bienaymé-Tchebychev pour prouver $\overline{X}_n \xrightarrow{P} p$ et préciser la vitesse.

Étape 1 —

Je vérifie les hypothèses :

T_n

admet une espérance et une variance finies sous

P_\theta

, et

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

$\overline{X}_n$ admet variance et espérance finies ; $E(\overline{X}_n) = p$ (sans biais).

Étape 2 —

J'applique l'inégalité de Bienaymé-Tchebychev à

T_n

: pour tout

\varepsilon > 0

P_\theta(|T_n - g(\theta)|\geq \varepsilon) \leq V_\theta(T_n)/\varepsilon^2

Bienaymé-Tchebychev : $P(|\overline{X}_n - p|\geq \varepsilon) \leq V(\overline{X}_n)/\varepsilon^2 = p(1-p)/(n\varepsilon^2)\leq 1/(4n\varepsilon^2)$ .

Étape 3 —

Je montre que

V_\theta(T_n)\xrightarrow[n\to +\infty]{} 0

(en général

V(T_n) = c(\theta)/n

pour des moyennes empiriques).

$V(\overline{X}_n) = p(1-p)/n \to 0$ quand $n\to +\infty$ .

Étape 4 —

Je conclus par encadrement :

\lim_{n\to+\infty} P_\theta(|T_n - g(\theta)|\geq \varepsilon) = 0

, donc

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

$P(|\overline{X}_n - p|\geq \varepsilon)\to 0$ donc $\overline{X}_n\xrightarrow{P} p$ ; la vitesse est $1/n$ .

$\overline{X}_n \xrightarrow{P} p$ avec vitesse en $1/n$ par Bienaymé-Tchebychev.

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 Bienaymé-Tchebychev à un estimateur sans biais pour majorer P(∣Tn−g(θ)∣≥ε)P(|T_n - g(\theta)|\geq \varepsilon)P(∣Tn​−g(θ)∣≥ε)

Pour comprendre, fais des exercices !

En appliquant Bienaymé-Tchebychev à un estimateur sans biais pour majorer $P(|T_n - g(\theta)|\geq \varepsilon)$