Résumé de cours ECG maths approfondies : convergences et estimation

↩ Chapitre : Convergences, estimation et intervalles de confiance (ECG2)

L’essentiel des convergences, approximations et de l’estimation au programme officiel d’ECG, option mathématiques approfondies, 2e année (quatrième semestre).

1. Convergence en probabilité

  • X_n\xrightarrow{P}X si : \forall\varepsilon>0, P(|X_n-X|\geqslant\varepsilon)\to0. Outils : Markov : si X\geqslant0 admet une espérance, P(X\geqslant a)\leqslant\dfrac{E(X)}a pour a>0 ; Bienaymé-Tchebychev : si X admet une variance, P(|X-E(X)|\geqslant\varepsilon)\leqslant\dfrac{V(X)}{\varepsilon^2}.
  • Loi faible des grands nombres : \overline X_n\xrightarrow{P}m pour des variables indépendantes de même loi admettant une variance.
  • Si X_n\xrightarrow{P}X et f est continue, f(X_n)\xrightarrow{P}f(X) (admis) ; si de plus Y_n\xrightarrow{P}Y, alors X_n+Y_n\xrightarrow{P}X+Y.

2. Convergence en loi

  • X_n\xrightarrow{\mathcal L}X si F_{X_n}(x)\to F_X(x) en tout point de continuité de F_X.
  • À valeurs dans \mathbb N : \iff P(X_n=k)\to P(X=k) pour tout k. Exemple : \mathcal B\!\left(n,\frac\lambda n\right)\to\mathcal P(\lambda).
  • Si X_n\xrightarrow{\mathcal L}X et f continue, alors f(X_n)\xrightarrow{\mathcal L}f(X) (admis).

Théorème limite central (admis)

(X_n) indépendantes de même loi, d’espérance m et de variance \sigma^2>0 : \overline X_n^{\,*}=\sqrt n\,\dfrac{\overline X_n-m}\sigma\xrightarrow{\mathcal L}\mathcal N(0,1), donc P(a\leqslant\overline X_n^{\,*}\leqslant b)\to\Phi(b)-\Phi(a). Approximations normales des lois binomiale et de Poisson : les conditions sont données par l’énoncé.

3. Estimation ponctuelle

  • n-échantillon (X_1,\dots,X_n) de loi P_\theta ; estimateur T_n=\varphi(X_1,\dots,X_n) de g(\theta), \varphi ne dépendant pas de \theta ; estimation =\varphi(x_1,\dots,x_n).
  • Sans biais : E_\theta(T_n)=g(\theta) pour tout \theta.
  • Convergent : T_n\xrightarrow{P}g(\theta) pour tout \theta ; alors f(T_n) est convergent pour f(g(\theta)) si f est continue.

Condition suffisante de convergence

Si E(T_n)\to g(\theta) et V(T_n)\to0, alors (T_n) est convergent (preuve par l’inégalité de Markov appliquée à (T_n-g(\theta))^2). Exemple : \overline X_n est un estimateur sans biais et convergent de l’espérance.

4. Intervalles de confiance

  • [U_n,V_n] est un intervalle de confiance de g(\theta) au niveau 1-\alpha si P_\theta(U_n\leqslant g(\theta)\leqslant V_n)\geqslant1-\alpha pour tout \theta.
  • Asymptotique : P_\theta(U_n\leqslant g(\theta)\leqslant V_n)\geqslant1-\alpha_n avec \alpha_n\to\alpha.

Les trois exemples du programme

  • Bernoulli, par Bienaymé-Tchebychev : avec p(1-p)\leqslant\frac14, P\left(|\overline X_n-p|\geqslant\varepsilon\right)\leqslant\dfrac1{4n\varepsilon^2} ; on prend \varepsilon=\dfrac1{2\sqrt{n\alpha}}, d’où \left[\overline X_n-\varepsilon,\overline X_n+\varepsilon\right] au niveau 1-\alpha.
  • Moyenne d’une loi normale, \sigma connu : \left[\overline X_n-t_\alpha\dfrac\sigma{\sqrt n},\overline X_n+t_\alpha\dfrac\sigma{\sqrt n}\right] avec \Phi(t_\alpha)=1-\dfrac\alpha2 (t_\alpha\approx1{,}96 à 95 %).
  • Bernoulli, asymptotique (TLC) : \left[\overline X_n-\dfrac{t_\alpha}{2\sqrt n},\overline X_n+\dfrac{t_\alpha}{2\sqrt n}\right], plus étroit que celui de Bienaymé-Tchebychev.

À savoir sur le programme

La notion de risque quadratique n’est pas au programme.

5. Pièges classiques

  • La convergence en loi ne dit rien de |X_n-X| : elle porte sur les lois seulement.
  • Un intervalle de confiance est aléatoire : c’est lui qui « contient » \theta avec probabilité au moins 1-\alpha.

Besoin d’aide sur ce chapitre ?

Un blocage sur une notion, une méthode de rédaction à acquérir, un devoir ou un concours à préparer : Pr. Elakili, agrégé de mathématiques depuis 1991, plus de 20 ans d’enseignement en classes préparatoires, propose des cours particuliers, en présentiel à Casablanca, ou à distance, partout au Maroc et en France.

Publications similaires