Comment construire un… : En appliquant Bienaymé-Tchebychev comme… — ECG2 approfondies | MetMat

Comment construire un intervalle de confiance de la moyenne d'une loi normale d'écart-type connu ?

En appliquant Bienaymé-Tchebychev comme borne plus grossière indépendante de la normalité

Construire un IC de la moyenne $m$ à $\sigma$ connu, sans hypothèse de normalité, au prix d'une demi-largeur plus grande.

Maîtriser

Reconnaître

Résoudre

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

Reprendre l'exemple des $n=25$ mesures normales ( $\sigma = 0{,}4$ , $\overline{x}_n = 12{,}3$ ) au niveau $95\%$ via Bienaymé-Tchebychev, sans exploiter la normalité.

L'objectif

Construire un IC de la moyenne $m$ à $\sigma$ connu, sans hypothèse de normalité, au prix d'une demi-largeur plus grande.

Le principe

Si $(X_i)$ sont i.i.d. d'espérance $m$ et d'écart-type $\sigma$ connu, alors $V(\overline{X}_n) = \sigma^2/n$ et Bienaymé-Tchebychev donne $P(|\overline{X}_n - m|\geq \varepsilon)\leq \dfrac{\sigma^2}{n\varepsilon^2}$ .

La méthode

1
Je pose $(X_1,\dots,X_n)$ i.i.d. d'espérance $m$ (inconnue) et d'écart-type $\sigma>0$ connu, sans supposer la loi normale.
2
Je calcule $V(\overline{X}_n) = \sigma^2/n$ et j'applique Bienaymé-Tchebychev : $P(|\overline{X}_n - m|\geq \varepsilon)\leq \dfrac{\sigma^2}{n\varepsilon^2}$ .
Comment appliquer l'inégalité de Bienaymé-Tchebychev pour contrôler $P(|X-E(X)| \geq \varepsilon)$ ?Voir
3
J'impose $\dfrac{\sigma^2}{n\varepsilon^2}= \alpha$ pour atteindre le niveau $1-\alpha$ , d'où $\varepsilon = \dfrac{\sigma}{\sqrt{n\alpha}}$ .
4
Je conclus : $\left[\overline{X}_n - \dfrac{\sigma}{\sqrt{n\alpha}},\; \overline{X}_n + \dfrac{\sigma}{\sqrt{n\alpha}}\right]$ est un IC de $m$ au niveau $1-\alpha$ , plus large que l'IC exact gaussien ( $u_{1-\alpha/2}$ étant remplacé par $1/\sqrt{\alpha}$ ).

Pour comprendre, fais des exercices !

Exercice d'exemple

Reprendre l'exemple des $n=25$ mesures normales ( $\sigma = 0{,}4$ , $\overline{x}_n = 12{,}3$ ) au niveau $95\%$ via Bienaymé-Tchebychev, sans exploiter la normalité.

Étape 1 —

Je pose

(X_1,\dots,X_n)

i.i.d. d'espérance

m

(inconnue) et d'écart-type

\sigma>0

connu, sans supposer la loi normale.

On suppose seulement $(X_i)$ i.i.d. d'espérance $m$ et d'écart-type $\sigma = 0{,}4$ connu.

Étape 2 —

Je calcule

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

et j'applique Bienaymé-Tchebychev :

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

On calcule $V(\overline{X}_n)= 0{,}16/25 = 0{,}0064$ et $P(|\overline{X}_n - m|\geq \varepsilon)\leq \dfrac{0{,}0064}{\varepsilon^2}$ .

Étape 3 —

J'impose

\dfrac{\sigma^2}{n\varepsilon^2}= \alpha

pour atteindre le niveau

1-\alpha

, d'où

\varepsilon = \dfrac{\sigma}{\sqrt{n\alpha}}

On impose $\dfrac{0{,}0064}{\varepsilon^2}= 0{,}05$ soit $\varepsilon = 0{,}4/\sqrt{25\cdot 0{,}05}= 0{,}4/\sqrt{1{,}25}\approx 0{,}358$ .

Étape 4 —

Je conclus :

\left[\overline{X}_n - \dfrac{\sigma}{\sqrt{n\alpha}},\; \overline{X}_n + \dfrac{\sigma}{\sqrt{n\alpha}}\right]

est un IC de

m

au niveau

1-\alpha

, plus large que l'IC exact gaussien (

u_{1-\alpha/2}

étant remplacé par

1/\sqrt{\alpha}

IC $=[12{,}3 - 0{,}358,\; 12{,}3 + 0{,}358]$ , soit une demi-largeur $\approx 2{,}3$ fois plus grande que l'IC exact gaussien ( $0{,}157$ ).

$\mathrm{IC}_{95\%}^{BT}(m)\approx [11{,}942,\; 12{,}658]$ , nettement plus large que l'IC exact.

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.