Résumé de cours ECT : convergences et estimation

↩ Chapitre : Convergences et estimation (ECT2)

L’essentiel des convergences et de l’estimation au programme officiel d’ECT 2e année (4e semestre) : inégalités de Markov et de Bienaymé-Tchebychev, sommes de variables indépendantes, loi faible des grands nombres, estimation ponctuelle et intervalles de confiance.

1. Deux inégalités (non exigibles)

  • Markov : si X\geqslant0 admet une espérance, pour tout a>0, P([X\geqslant a])\leqslant\dfrac{E(X)}a.
  • Bienaymé-Tchebychev : si X admet une variance, pour tout \varepsilon>0, P([|X-E(X)|\geqslant\varepsilon])\leqslant\dfrac{V(X)}{\varepsilon^2}.

2. Sommes de variables indépendantes

  • X_1,\dots,X_n sont mutuellement indépendantes si, pour tous intervalles I_1,\dots,I_n, les événements [X_1\in I_1],\dots,[X_n\in I_n] sont mutuellement indépendants.
  • Toujours : E(X_1+\cdots+X_n)=E(X_1)+\cdots+E(X_n).
  • Si elles sont indépendantes : V(X_1+\cdots+X_n)=V(X_1)+\cdots+V(X_n). Exemple : une \mathcal B(n,p) est une somme de n Bernoulli indépendantes, d’où V=np(1-p).

Loi faible des grands nombres

Si (X_n) est une suite de variables indépendantes, de même espérance m et de même variance, et \overline X_n=\dfrac{X_1+\cdots+X_n}n, alors pour tout \varepsilon>0 : \displaystyle\lim_{n\to+\infty}P\big([|\overline X_n-m|\geqslant\varepsilon]\big)=0. La moyenne observée se rapproche de l’espérance : c’est l’approche fréquentiste.

3. Estimation

  • Un échantillon x_1,\dots,x_n est la réalisation de n variables indépendantes de même loi que X.
  • Estimation ponctuelle : la moyenne observée \dfrac{x_1+\cdots+x_n}n estime E(X). Exemples : une proportion (loi de Bernoulli, sondage) ou le paramètre \lambda d’une loi de Poisson.

Intervalle de confiance (Bernoulli, via Bienaymé-Tchebychev)

La probabilité que \left[\overline X_n-\sqrt{\dfrac{V(X)}{n\alpha}}\,,\,\overline X_n+\sqrt{\dfrac{V(X)}{n\alpha}}\right] contienne E(X)=p est au moins 1-\alpha. Comme V(X)=p(1-p)\leqslant\dfrac14, on utilise en pratique \left[\overline X_n-\dfrac1{2\sqrt{n\alpha}}\,,\,\overline X_n+\dfrac1{2\sqrt{n\alpha}}\right]. La précision augmente avec n.

Niveau 95\,\% (\alpha=0{,}05) : demi-largeur \approx\dfrac{2{,}24}{\sqrt n} ; niveau 90\,\% (\alpha=0{,}1) : \approx\dfrac{1{,}58}{\sqrt n}.

  • Loi normale d’écart-type \sigma connu : au niveau 95\,\%, \left[\overline x_n-1{,}96\dfrac\sigma{\sqrt n}\,,\,\overline x_n+1{,}96\dfrac\sigma{\sqrt n}\right]. En pratique, \sigma est inconnu et on utilise l’écart-type de l’échantillon.

À savoir sur le programme

  • Markov, Bienaymé-Tchebychev et l’intervalle de confiance de Bernoulli sont des résultats non exigibles.
  • Sur les intervalles de confiance, seul le vocabulaire est exigible ; la notion d’estimateur n’est pas un attendu.

4. Pièges classiques

  • L’additivité de la variance demande l’indépendance, pas celle de l’espérance.
  • Un intervalle de confiance à 95\,\% ne contient pas toujours le paramètre : il le contient avec une probabilité d’au moins 0{,}95.
  • Pour diviser par deux la demi-largeur d’un intervalle, il faut multiplier n par 4.

Pour aller plus loin : résumé ECT : variables à densité, résumé ECT : couples et variables discrètes infinies.

Publications similaires