Un troisième exemple : à l’aide d’une espérance
On veut calculer l’intégrale
1- Montrer que cette intégrale est l’espérance d’une variable aléatoire de loi connue.
2- Ecrire le script correspondant au calcul approchée de cette intégrale
3- Comparer avec la commande « integrate »
Quel théorème permet d’affirmer que m converge vers
quand N tend vers + ? Que dire de la vitesse de convergence ?
Evaluation de l’erreur d’approximation :
On sait par la loi faible des grands nombres que les valeurs empiriques obtenues tendent vers la valeur cherchée quand N
vers +. Mais comment évaluer l’erreur d’approximation ?
1) par l’inégalité de Bienaymé-Tchebychev
On veut estimer J =
= E(
) où X U [ 0 , 1 ]
On considère un N-échantillon (X1 , ... , XN) indépendant et identiquement distribué de loi U [ 0 , 1 ].
i 1 , n , Yi =
; on note
, E(
) = J , V(
) =
> 0, P [ |
- J | ] ≤
donc P[ J [
- ,
+ ] ) 1 -
Si on veut que cette probabilité soit supérieure ou égale à 95%, on prendra : =
Le problème est que l’on ne connaît pas l’écart-type de Y1 . Scilab calcule l’écart-type empirique par la commande st_deviation.
2) par le théorème central limite.
converge en loi vers X* N (0,1) donc P[ |
≤ ] 2 () – 1 où est la fonction de répartition de X*
P( |
- J | ≤ ) 0.95 pour 2 () = 1.95 ce qui donne = -1(0.975) 0.8352 et =
Comparer les deux méthodes.
N=1000
X=rand(1,N)
Y=(1+X.^3).^(-1)
m=sum(Y)/N
disp(m,'Par l''espérance : ')
// calcul avec "integrate"
disp(integrate('1/(1+x^3)','x',0,1),'Par integrate : ')
Par l'espérance avec N = 1 000 :
0.8401357
Par l'espérance avec N = 10 000 :
0.8313303
Par l'espérance avec N = 100 000 :
0.8357538
Par integrate :
0.8356488
eps = st_deviation(Y)/ sqrt(0.05*N)
disp(m+eps,' et ',m-eps,'l''intégrale est comprise entre ')
l'intégrale est comprise entre
0.8134900
et
0.8590063
eps1= 0.8352*st_deviation(Y)/sqrt(N)
disp(m+eps1,' et ',m-eps1,'l''intégrale est comprise entre ')
l'intégrale est comprise entre
0.8265550
et
0.8350703