Distributions d'échantillonnage

Notations

  • On s'intéresse à la caractéristique  X X d'une population ( X X =v.a.). On pose E ( x ) = m , V ( x ) = σ 2 E( x )=m ,V( x )= %sigma ^2

  • On note ( X 1 , , X n ) ( X_1 , dotsaxis ,X_n ) l'échantillon aléatoire associé 1 à un sondage aléatoire simple de n individus de cette population ( x 1 , , x n ) ( x_1 , dotsaxis ,x_n ) et une

    réalisation de celui ci (1 sondage particulier)

Empirique veut dire « de l'échantillon »

Moyenne empirique

  • Définition : X n ¯ = 1 n i = 1 n X i bar X_n= {1} over {n} sum from{i=1} to{n} X_i

  • Loi et moments : Loi inconnue en général

    E ( X n ¯ ) = m ; V ( X ¯ ) = σ 2 n E( bar X_n )=m ; V( bar X )= { %sigma ^2} over {n}

  • Propriétés asymptotiques

    • Loi des grands nombres

      X n ¯ P m ; X n ¯ P . S m bar X_n rightarrow ^P m ; bar X_n rightarrow ^P.S m

    • Théorème central limite (TCL)

      n X n ¯ m σ l N ( 0,1 ) sqrt{n} {{bar X_n}-m} over { %sigma } %tendto ^ l N( 0,1 )

      n ( X n ¯ m ) l N ( 0, σ ) sqrt{n} (bar X_n-m) %tendto ^ l N( 0, %sigma )

info

  • X n ¯ bar X_n « approche» m : c'est un estimateur de m. Il est :

  • - sans biais

  • - asymptotiquement efficace

  • - fortement convergent

  • - la loi de l'erreur d'approximation est approximativement gaussienne lorsque n est grand

Variance empirique

  • Définitions :

    S n 2 = 1 n i = 1 n ( X i X ¯ ) 2 S_n^2= {1} over {n} sum from{i=1} to{n} ( X_i-bar X )^2

  • Loi et Moments : La loi est généralement inconnue.

    E ( S n 2 ) = n 1 n σ 2 , V ( S n 2 ) = n 1 n 2 ( ( n 1 ) μ 4 ( n 3 ) σ 4 ) E( S_n^2 )= {n-1} over {n} %sigma ^2 , V( S_n^2 )= {n-1} over {n^2}( (n-1) %mu ^4-(n-3)%sigma^4 )

  • Lien entre X n ¯ bar X_n et S n 2 S_n^2 ils sont asymptotiquement non corrélés :

    Cov ( X n ¯ , S n 2 ) = μ 3 n ( 1 1 n ) Cov( bar X_n,S_n^2 )= { %mu ^3} over {n}( 1- {1} over {n} )

  • Propriétés asymptotiques :

    n S n 2 σ 2 μ 4 σ 4 l N ( 0,1 ) sqrt{n} { S_n^2 - %sigma^2} over { sqrt{ %mu ^4-%sigma^4} } %tendto^l N( 0,1 )

Moyenne et la variance empirique : cas gaussien

Si  X X suit une loi N ( m , σ ) N( m, %sigma) . Alors :

Cov ( S n 2, X n 2 ¯ ) = 0 : S n 2 X n ¯ Cov( S_n^2,bar X^2_n )=0 :S_n^2 ortho bar X_n

X n ¯ N ( m , σ n ) bar X_n sim N( m, {%sigma} over { sqrt{n} } )

nS n 2 σ 2 Χ ( n 1 ) {nS_n^2} over { %sigma ^2} sim %iKHI( n-1 )

Remarque

une combinaison linéaire de v.a. gaussiennes indépendantes est gaussienne