Majorer la probabilité d'un écart à l'espérance avec l'inégalité de Bienaymé-Tchebychev, appliquer l'inégalité de concentration à la moyenne d'un échantillon, comprendre la loi des grands nombres (y compris par simulation) et déterminer une taille d'échantillon garantissant une précision et un risque donnés.
Prérequis
Espérance, variance et écart type d'une variable aléatoire ; loi binomiale ; somme et moyenne d'un échantillon (notion « Sommes de variables aléatoires »).
IInégalité de Bienaymé-Tchebychev
ThéorèmeInégalité de Bienaymé-Tchebychev
Soit une variable aléatoire d'espérance et de variance . Pour tout réel :
La probabilité que s'écarte de son espérance d'au moins est d'autant plus petite que la variance est petite.
RemarqueForme équivalente
En passant à l'événement contraire : .
PropriétéÉcarts mesurés en écarts types
En notant l'écart type et en prenant avec :
Un écart d'au moins a une probabilité au plus égale à ; un écart d'au moins , au plus égale à .
ExempleUne loi binomiale
Soit : et . Avec :
La valeur exacte, , est bien plus petite.
AttentionUne majoration, pas une valeur exacte
L'inégalité est valable pour toute loi : c'est sa force, mais elle est souvent grossière. Elle garantit qu'un écart d'au moins a une probabilité au plus égale à , alors que, pour les lois rencontrées en pratique, cette probabilité est souvent voisine de , voire inférieure.
IIÉchantillon et variable moyenne
DéfinitionÉchantillon
Un échantillon de taille d'une loi de probabilité est une liste de variables aléatoires indépendantes qui suivent toutes cette loi. On note
la somme et la moyenne de l'échantillon.
PropriétéEspérance et variance de la moyenne
Si la loi a pour espérance et pour variance :
La moyenne a la même espérance que chaque , mais elle est fois moins dispersée (en variance).
ExempleFréquence d'un succès
On répète fois, de façon indépendante, une épreuve de Bernoulli de paramètre ; vaut en cas de succès, sinon. Alors et est la fréquence des succès, avec et .
IIIInégalité de concentration
ThéorèmeInégalité de concentration
Soit la moyenne d'un échantillon de taille d'une loi d'espérance et de variance . Pour tout réel :
Démonstration
On applique l'inégalité de Bienaymé-Tchebychev à la variable , dont l'espérance vaut et la variance . On obtient
ExempleLancers d'une pièce
On lance fois une pièce équilibrée ; est la fréquence de « pile », et . Pour que , il suffit que
IVLoi des grands nombres
ThéorèmeLoi faible des grands nombres
Avec les notations précédentes, pour tout réel :
Démonstration
Pour tout , et : d'après le théorème des gendarmes, la probabilité tend vers .
Quand la taille de l'échantillon augmente, la moyenne observée se rapproche de l'espérance avec une probabilité aussi proche de que l'on veut. Pour des épreuves de Bernoulli, la fréquence des succès se stabilise autour de la probabilité : c'est ce qui justifie l'estimation d'une probabilité par une fréquence.
La figure montre trois simulations de lancers d'une pièce équilibrée. D'après l'inégalité de concentration, pour chaque , la fréquence reste dans la bande verte avec une probabilité d'au moins : la largeur de cette bande tend vers .
AttentionCe que la loi des grands nombres ne dit pas
La fréquence ne devient pas égale à : seule la probabilité d'un écart donné tend vers .
Les résultats ne se « compensent » pas : les lancers restent indépendants, et après une série de « face », « pile » n'est pas plus probable. C'est la moyenne qui se stabilise, pas les résultats individuels.
VTaille d'échantillon
MéthodeDéterminer une taille d'échantillon
Pour garantir (précision , risque ), il suffit que
C'est une condition suffisante : une taille plus petite peut aussi convenir, mais l'inégalité ne permet pas de le garantir.
PropriétéFréquence de paramètre inconnu
Pour tout réel ,. Pour une fréquence, il suffit donc que
et cette condition ne dépend pas de .
ExempleUn sondage
On veut estimer une proportion inconnue à près avec un risque :
Il suffit d'interroger personnes.
RemarquePour aller plus loin : estimation
Si l'on observe une moyenne sur un échantillon de taille , on choisit . L'intervalle aléatoire contient avec une probabilité d'au moins : l'intervalle observé est un intervalle de confiance pour , au niveau d'au moins .
VISimulation en Python
On simule échantillons de lancers d'une pièce équilibrée et l'on calcule la proportion d'échantillons dont la fréquence de « pile » s'écarte de d'au moins . Si est le nombre de « pile », cela s'écrit .
Python
fromrandomimportrandomdef piles(n):
nb = 0for i inrange(n):
ifrandom() < 0.5:
nb = nb + 1return nb
def ecarts(N):
nb = 0for k inrange(N):
s = piles(100)
ifabs(s - 50) >= 10:
nb = nb + 1return nb / N
print(ecarts(1000))
Un affichage possible (le résultat change à chaque exécution) :
Affichage
0.057
L'inégalité de concentration garantit seulement
alors que la valeur exacte, calculée avec la loi , vaut environ : la majoration est très large.
AttentionComparer des entiers plutôt que des décimaux
Le test abs(s / 100 - 0.5) >= 0.1 serait faux pour et : en machine, 0.6 - 0.5 vaut 0.09999999999999998, qui est inférieur à 0.1. Avec les entiers s et 50, le calcul est exact.
À retenir
Bienaymé-Tchebychev : .
Moyenne d'un échantillon : et .
Concentration : .
Loi des grands nombres : cette probabilité tend vers quand tend vers .
OptiTAB utilise des cookies essentiels pour le fonctionnement du site et des cookies de statistiques et marketing/publicité pour mesurer l’audience et personnaliser nos campagnes. Vous pouvez accepter, refuser ou personnaliser votre choix. En savoir plus.