Comment illustrer la convergence en probabilité ou en loi via des simulations répétées ? | MetMat

Comment illustrer la convergence en probabilité ou en loi via des simulations répétées ?

En estimant $P(|\bar X_n - m| \geq \varepsilon)$ par Monte-Carlo pour plusieurs valeurs de $n$

L'objectif

Estimer numériquement la probabilité $P(|\bar X_n - m| \geq \varepsilon)$ et voir qu'elle tend vers $0$ quand $n\to\infty$ .

Le principe

Si $\bar X_n \xrightarrow{P} m$ , alors pour tout $\varepsilon>0$ , $P(|\bar X_n - m| \geq \varepsilon) \to 0$ ; la fréquence empirique $\frac{1}{M}\sum_{j=1}^M \mathbf{1}_{|\bar X_n^{(j)}-m|\geq\varepsilon}$ converge elle-même vers $P(|\bar X_n - m|\geq\varepsilon)$ (LFGN sur l'indicatrice).

La méthode

1
Je fixe l'écart $\varepsilon$ , le nombre $M$ de répétitions Monte-Carlo et la liste des tailles $n$ à tester, par exemple ns = [10, 50, 100, 500, 1000].
Comment mettre en œuvre la méthode de Monte-Carlo pour estimer une probabilité, une espérance ou une intégrale ?Voir
2
Pour chaque $n$ , je simule $M\times n$ variables d'un coup avec Y = rd.random((M, n)) (ou la loi voulue) et je calcule les $M$ moyennes via moys = Y.mean(axis=1).
3
J'estime la probabilité par p_hat = np.mean(np.abs(moys - m) >= eps) et je la stocke dans une liste probas.
4
Je trace $n\mapsto \hat p(n)$ avec plt.plot(ns, probas, 'o-'), éventuellement en échelle semi-log, et je compare à la borne de Bienaymé-Tchebychev $\sigma^2/(n\varepsilon^2)$ .
Comment appliquer l'inégalité de Bienaymé-Tchebychev pour contrôler $P(|X-E(X)| \geq \varepsilon)$ ?Voir

Évalue la méthode

0/5 validés

Cherche chaque exercice au brouillon, puis coche “j'ai réussi” si tu as trouvé la bonne démarche. Utilise le bouton aide si tu as besoin d'un coup de pouce.

Application guidée 1

Pour $X_i\sim\mathcal{U}[0,1]$ ( $m=1/2$ , $\sigma^2=1/12$ ) et $\varepsilon=0.05$ , estimer $P(|\bar X_n-1/2|\geq 0.05)$ pour $n\in\{10,50,100,500,1000\}$ avec $M=5000$ .

Application guidée 2

Mêmes courbes pour $X_i\sim\mathcal{E}(1)$ ( $m=1$ , $\sigma^2=1$ ), $\varepsilon=0.1$ .

Application autonome 1

Soit $(X_i)_{i\geq 1}$ une suite i.i.d. de loi $\mathcal{E}(1)$ et $\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i$ . On fixe $\varepsilon = 0{,}1$ . Estimer $P(|\bar{X}_n - 1| \geq \varepsilon)$ par Monte-Carlo pour $n \in \{100, 1000, 10000\}$ avec $M = 5000$ répétitions et commenter.

Application autonome 2

Soient $(X_i)$ i.i.d. de loi $\mathcal{B}(1/2)$ et $\bar{X}_n$ la moyenne empirique. Estimer par Monte-Carlo $P(|\bar{X}_n - 1/2| \geq 0{,}05)$ pour $n \in \{50, 500, 5000\}$ avec $M = 2000$ .

Application autonome 3

Soient $(X_i)$ i.i.d. de loi $\mathcal{N}(0, 1)$ et $\varepsilon = 0{,}2$ . Construire une fonction proba_ecart(n, M) qui estime $P(|\bar{X}_n| \geq 0{,}2)$ et afficher l'évolution pour $n$ de $10$ à $1000$ .

Connecte-toi pour cocher tes exercices réussis et sauvegarder ta progression.

En estimant P(∣Xˉn−m∣≥ε)P(|\bar X_n - m| \geq \varepsilon)P(∣Xˉn​−m∣≥ε) par Monte-Carlo pour plusieurs valeurs de nnn

Évalue la méthode

En estimant $P(|\bar X_n - m| \geq \varepsilon)$ par Monte-Carlo pour plusieurs valeurs de $n$