Comment appliquer l'inégalité… : En l'appliquant à overline X _n i.i.d… — ECG2 approfondies | MetMat

Comment appliquer l'inégalité de Bienaymé-Tchebychev pour contrôler $P(|X-E(X)| \geq \varepsilon)$ ?

En l'appliquant à $\overline{X}_n$ i.i.d. : $P(|\overline{X}_n - m| \geq \varepsilon) \leq \sigma^2/(n \varepsilon^2)$

Majorer la probabilité que la moyenne empirique $\overline{X}_n$ d'un échantillon i.i.d. s'écarte de l'espérance commune $m$ .

Maîtriser

Reconnaître

Résoudre

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

Soit $(X_i)_{1 \leq i \leq 100}$ une suite i.i.d. de loi $\mathcal{B}(1/2)$ et $\overline{X}_{100} = \dfrac{1}{100}\sum_{i=1}^{100} X_i$ . Majorer $P(|\overline{X}_{100} - 1/2| \geq 0{,}1)$ .

L'objectif

Majorer la probabilité que la moyenne empirique $\overline{X}_n$ d'un échantillon i.i.d. s'écarte de l'espérance commune $m$ .

Le principe

Si $X_1, \dots, X_n$ sont i.i.d. d'espérance $m$ et de variance $\sigma^2 < +\infty$ , alors $\overline{X}_n = \dfrac{1}{n}\sum_{i=1}^n X_i$ vérifie $E(\overline{X}_n) = m$ et $V(\overline{X}_n) = \sigma^2/n$ , d'où Bienaymé-Tchebychev donne $P(|\overline{X}_n - m| \geq \varepsilon) \leq \dfrac{\sigma^2}{n\varepsilon^2}$ .

La méthode

1
Je vérifie que $(X_i)$ sont i.i.d. avec $E(X_i) = m$ et $V(X_i) = \sigma^2 < +\infty$ , puis je pose $\overline{X}_n = \dfrac{1}{n}\sum_{i=1}^n X_i$ .
2
Je calcule $E(\overline{X}_n) = m$ (linéarité) et $V(\overline{X}_n) = \sigma^2/n$ (variance d'une somme de variables indépendantes).
Comment calculer la variance d'une somme $V(X_1+\cdots+X_n)$ avec ou sans indépendance ?Voir
3
J'applique Bienaymé-Tchebychev à $\overline{X}_n$ : $P(|\overline{X}_n - m| \geq \varepsilon) \leq \dfrac{V(\overline{X}_n)}{\varepsilon^2} = \dfrac{\sigma^2}{n \varepsilon^2}$ .

Pour comprendre, fais des exercices !

Exercice d'exemple

Soit $(X_i)_{1 \leq i \leq 100}$ une suite i.i.d. de loi $\mathcal{B}(1/2)$ et $\overline{X}_{100} = \dfrac{1}{100}\sum_{i=1}^{100} X_i$ . Majorer $P(|\overline{X}_{100} - 1/2| \geq 0{,}1)$ .

Étape 1 —

Je vérifie que

(X_i)

sont i.i.d. avec

E(X_i) = m

V(X_i) = \sigma^2 < +\infty

, puis je pose

\overline{X}_n = \dfrac{1}{n}\sum_{i=1}^n X_i

Les $X_i$ sont i.i.d. de loi $\mathcal{B}(1/2)$ , donc $m = 1/2$ et $\sigma^2 = 1/4$ ; je pose $\overline{X}_{100}$ la moyenne empirique.

Étape 2 —

Je calcule

E(\overline{X}_n) = m

(linéarité) et

V(\overline{X}_n) = \sigma^2/n

(variance d'une somme de variables indépendantes).

$E(\overline{X}_{100}) = 1/2$ et $V(\overline{X}_{100}) = \dfrac{1/4}{100} = \dfrac{1}{400}$ .

Étape 3 —

J'applique Bienaymé-Tchebychev à

\overline{X}_n

P(|\overline{X}_n - m| \geq \varepsilon) \leq \dfrac{V(\overline{X}_n)}{\varepsilon^2} = \dfrac{\sigma^2}{n \varepsilon^2}

J'applique Bienaymé-Tchebychev avec $\varepsilon = 0{,}1$ : $P(|\overline{X}_{100} - 1/2| \geq 0{,}1) \leq \dfrac{1/400}{0{,}01} = \dfrac{1}{4}$ .

$P(|\overline{X}_{100} - 1/2| \geq 0{,}1) \leq \dfrac{1}{4}$ .

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 appliquer l'inégalité de Bienaymé-Tchebychev pour contrôler P(∣X−E(X)∣≥ε)P(|X-E(X)| \geq \varepsilon)P(∣X−E(X)∣≥ε) ?

En l'appliquant à X‾n\overline{X}_nXn​ i.i.d. : P(∣X‾n−m∣≥ε)≤σ2/(nε2)P(|\overline{X}_n - m| \geq \varepsilon) \leq \sigma^2/(n \varepsilon^2)P(∣Xn​−m∣≥ε)≤σ2/(nε2)

Pour comprendre, fais des exercices !

Comment appliquer l'inégalité de Bienaymé-Tchebychev pour contrôler $P(|X-E(X)| \geq \varepsilon)$ ?

En l'appliquant à $\overline{X}_n$ i.i.d. : $P(|\overline{X}_n - m| \geq \varepsilon) \leq \sigma^2/(n \varepsilon^2)$