Comment comparer par simulation… : En estimant la demi-largeur moyenne et… — ECG2 approfondies | MetMat

Comment comparer par simulation plusieurs estimateurs ponctuels et plusieurs intervalles de confiance d'un même paramètre ?

En estimant la demi-largeur moyenne et le niveau effectif de couverture de chaque intervalle de confiance

Comparer deux méthodes de construction d'IC (Bienaymé-Tchebychev vs TLC par exemple) via leur demi-largeur moyenne et leur niveau effectif.

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

Pour $X_i\sim\mathcal{B}(1, p)$ avec $p=0.3$ , $n=100$ , $M=10^4$ , comparer l'IC Bienaymé-Tchebychev $[\bar X_n \pm 1/(2\sqrt{n\alpha})]$ et l'IC TLC $[\bar X_n \pm 1.96/(2\sqrt n)]$ .

L'objectif

Comparer deux méthodes de construction d'IC (Bienaymé-Tchebychev vs TLC par exemple) via leur demi-largeur moyenne et leur niveau effectif.

Le principe

Pour un IC annoncé au niveau $1-\alpha$ , le niveau effectif est $P_\theta(\theta \in \mathrm{IC})$ : il s'estime par la fréquence empirique sur $M$ simulations d'inclusion du vrai paramètre ; l'IC le meilleur a une demi-largeur faible et un niveau effectif proche de $1-\alpha$ .

La méthode

1
Je fixe la vraie valeur $\theta$ , $n$ , $M$ , le niveau $\alpha=0.05$ et je simule Y = rd.xxx(size=(M, n)).
2
Pour chaque méthode, je calcule les $M$ bornes inférieures et supérieures en vectoriel : par exemple IC Bienaymé-Tchebychev [T - c1/sqrt(n), T + c1/sqrt(n)] et IC TLC [T - 1.96*s/sqrt(n), T + 1.96*s/sqrt(n)].
Comment appliquer l'inégalité de Bienaymé-Tchebychev pour contrôler $P(|X-E(X)| \geq \varepsilon)$ ?Voir
3
Je calcule la demi-largeur moyenne avec np.mean(sup - inf)/2 pour chaque méthode, et je compare.
4
J'estime le niveau effectif par np.mean((inf <= theta) & (theta <= sup)) et je conclus en combinant couverture et étroitesse.

Pour comprendre, fais des exercices !

Exercice d'exemple

Pour $X_i\sim\mathcal{B}(1, p)$ avec $p=0.3$ , $n=100$ , $M=10^4$ , comparer l'IC Bienaymé-Tchebychev $[\bar X_n \pm 1/(2\sqrt{n\alpha})]$ et l'IC TLC $[\bar X_n \pm 1.96/(2\sqrt n)]$ .

Étape 1 —

Je fixe la vraie valeur

\theta

n

M

, le niveau

\alpha=0.05

et je simule Y = rd.xxx(size=(M, n)).

import numpy as np, numpy.random as rd
p, n, M, alpha = 0.3, 100, 10**4, 0.05
Y = rd.binomial(1, p, size=(M, n))
moy = Y.mean(axis=1)

Étape 2 —

Pour chaque méthode, je calcule les

M

bornes inférieures et supérieures en vectoriel : par exemple IC Bienaymé-Tchebychev [T - c1/sqrt(n), T + c1/sqrt(n)] et IC TLC [T - 1.96*s/sqrt(n), T + 1.96*s/sqrt(n)].

c_bt = 1 / (2 * np.sqrt(n * alpha))
c_tlc = 1.96 / (2 * np.sqrt(n))
inf_bt, sup_bt = moy - c_bt, moy + c_bt
inf_tlc, sup_tlc = moy - c_tlc, moy + c_tlc

Étape 3 —

Je calcule la demi-largeur moyenne avec np.mean(sup - inf)/2 pour chaque méthode, et je compare.

print('demi BT =', c_bt, 'demi TLC =', c_tlc)

Étape 4 —

J'estime le niveau effectif par np.mean((inf <= theta) & (theta <= sup)) et je conclus en combinant couverture et étroitesse.

niv_bt = np.mean((inf_bt <= p) & (p <= sup_bt))
niv_tlc = np.mean((inf_tlc <= p) & (p <= sup_tlc))
print('niveau BT =', niv_bt, 'niveau TLC =', niv_tlc)

L'IC TLC est presque deux fois plus étroit (demi-largeur $\approx 0.098$ contre $\approx 0.224$ ) avec un niveau effectif $\approx 0.95$ , tandis que l'IC Bienaymé-Tchebychev est bien plus conservateur ( $\geq 0.99$ ).

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.