📊 statistics

On the optimality of coin-betting for mean estimation

Cet article établit l'optimalité de la formulation par paris sur pièces pour l'estimation et le test de la moyenne en caractérisant toutes les variables-e et processus-e valides et en identifiant la classe complète minimale des stratégies admissibles au sein de ce cadre.

Auteurs originaux : Eugenio Clerico

Publié 2026-05-08

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Eugenio Clerico

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Le mystère de la « moyenne »

Imaginez que vous essayez de deviner le poids moyen des pommes dans un verger immense et mystérieux. Vous ne pouvez pas les peser toutes en même temps ; vous devez les choisir une par une. À mesure que vous choisissez plus de pommes, vous souhaitez mettre à jour votre estimation du poids moyen.

En statistiques, cela s'appelle estimer la moyenne. Mais il y a un piège : vous devez être certain que votre estimation est fiable, même si vous décidez d'arrêter de regarder les pommes à n'importe quel moment aléatoire (ceci est appelé « test séquentiel »).

L'ancienne méthode : Le jeu de la « mise sur pièce »

Récemment, des chercheurs ont trouvé un moyen astucieux de faire cela en utilisant un jeu. Imaginez que vous êtes un joueur dans un casino, mais au lieu de parier sur le rouge ou le noir, vous pariez sur le poids moyen des pommes.

Le dispositif : Vous choisissez une estimation spécifique pour le poids moyen (disons 100 grammes).
La mise : Vous pariez sur le fait que la prochaine pomme que vous choisirez sera plus lourde ou plus légère que 100 grammes.
La règle : Si votre estimation (100 g) est en réalité la vraie moyenne, le jeu est « équitable ». Vous ne devriez pas pouvoir gagner beaucoup d'argent. Si vous gagnez vraiment une somme énorme, cela prouve que votre estimation (100 g) était fausse.
Le résultat : En faisant jouer ce jeu pour de nombreuses estimations différentes (90 g, 95 g, 100 g, etc.), vous pouvez éliminer celles qui vous permettent de gagner trop. Les estimations que vous ne pouvez pas éliminer forment une « séquence de confiance » — une liste rétrécissante de moyennes probables qui garantit de contenir la vraie réponse.

Cette méthode est appelée mise sur pièce car c'est comme parier sur un lancer de pièce, mais la « pièce » est continue (le poids de la pomme).

Le problème : Utilisons-nous les meilleurs outils ?

Le document pose une question très spécifique : Est-ce que ce jeu de mise sur pièce est la meilleure façon absolue de faire cela ?

Imaginez que vous avez une boîte à outils remplie de différentes stratégies de pari. Certaines sont simples (comme le jeu de mise sur pièce), et d'autres sont compliquées (utilisant des formules mathématiques complexes comme « l'inégalité de Hoeffding »).

La stratégie de Hoeffding : C'est comme utiliser un marteau lourd et encombrant. Cela fonctionne, mais ce n'est pas très précis.
La stratégie de mise sur pièce : C'est comme un scalpel guidé par laser. Il est précis et efficace.

L'auteur, Eugenio Clerico, voulait prouver que le « scalpel » (la mise sur pièce) n'est pas seulement bon, mais qu'il est optimal. Autrement dit, vous ne pouvez pas trouver un meilleur outil dans la boîte à outils qui vous donnerait un résultat plus net et plus précis sans enfreindre les règles du jeu.

La découverte clé : « Majorer »

Pour prouver cela, l'auteur a inventé un moyen de comparer les outils. Il l'a appelé « majorer ».

Pensez-y ainsi :

Imaginez deux joueurs, Alice et Bob.
Alice utilise l'outil Mise sur pièce.
Bob utilise n'importe quel autre outil (comme le marteau de Hoeffding).
La règle : Peu importe quelle pomme sort ensuite, l'outil d'Alice lui rapportera toujours au moins autant de « richesse » (preuves contre la mauvaise estimation) que l'outil de Bob. Parfois, Alice gagnera strictement plus.

Si un outil peut battre ou égaler tous les autres outils possibles dans toute la boîte à outils, il est appelé un outil « majorant ». S'il est le plus petit ensemble d'outils capable de faire cela, c'est l'outil « optimal ».

L'affirmation principale du document :
L'auteur prouve que la formulation de la mise sur pièce est l'outil optimal.

C'est l'ensemble de règles le plus « simple » qui ne peut pas être battu.
Toute autre méthode que vous essayez d'utiliser pour ce problème spécifique est soit pire que la mise sur pièce, soit une version maladroite de celle-ci.
Si vous utilisez la mise sur pièce, vous ne perdez aucune puissance statistique ; vous utilisez la méthode la plus efficace possible.

Deux scénarios différents

Le document examine deux types de vergers différents :

Le verger indépendant (Le cas simple) :
Chaque pomme est choisie indépendamment. Le poids de la pomme actuelle ne dépend pas de la précédente.
- Résultat : La mise sur pièce est la championne incontestée ici. C'est la stratégie parfaite et optimale.
Le verger dépendant (Le cas complexe) :
Les pommes peuvent être liées. Peut-être que si la première pomme est lourde, la seconde a plus de chances d'être lourde aussi (une « moyenne conditionnelle »).
- Résultat : Même dans ce scénario complexe et désordonné, la mise sur pièce reste la stratégie optimale. Elle bat toujours toutes les autres méthodes.

La seule exception :
Le document note un tout petit détail. Si vous supposez que les pommes ne sont pas seulement dépendantes, mais strictement identiques et indépendantes (une règle très stricte où la distribution ne change jamais du tout), la méthode de mise sur pièce est toujours excellente, mais elle n'est plus la seule méthode parfaite. Il existe d'autres stratégies étranges et symétriques qui fonctionnent tout aussi bien dans ce cas spécifique et rigide. Mais pour les cas généraux et réels où nous voulons simplement connaître la moyenne, la mise sur pièce est le roi.

Pourquoi cela importe-t-il ?

Vous pourriez demander : « Pourquoi avons-nous besoin de prouver que le marteau est le meilleur marteau ? »

L'auteur explique que connaître le « meilleur » outil simplifie tout.

Mathématiques plus simples : Au lieu d'essayer de concevoir une nouvelle stratégie de pari complexe à partir de zéro, les statisticiens peuvent simplement utiliser les règles de la mise sur pièce. Ils savent qu'ils ne peuvent pas faire mieux.
Confiance : Cela donne une garantie mathématique qu'ils ne passent pas à côté d'une « super-stratégie » qui leur donnerait des résultats plus serrés et plus précis.
Efficacité : Cela nous dit que les outils de style « Hoeffding » (les marteaux lourds) sont inutiles. Nous pouvons les jeter et utiliser uniquement le scalpel de la mise sur pièce.

Résumé

Imaginez que vous essayez de trouver une aiguille dans une botte de foin.

L'objectif : Trouver le vrai poids moyen des pommes.
La méthode : Un jeu de pari où vous essayez de prouver qu'une estimation est fausse.
La découverte : L'auteur a prouvé que la façon spécifique de jouer à ce jeu par « mise sur pièce » est la stratégie parfaite et imbattable.
L'analogie : C'est comme découvrir que le couteau suisse est le seul outil dont vous avez besoin pour survivre dans la nature ; tout autre outil est soit inutile, soit juste une version pire du Couteau.

Le document ne vous dit pas comment parier (quels nombres spécifiques choisir), mais il prouve que la structure du jeu lui-même (les règles de la mise sur pièce) est le meilleur cadre possible pour résoudre ce problème.

Résumé technique : Sur l'optimalité du pari sur pièce pour l'estimation de la moyenne

Énoncé du problème
L'article aborde le problème du test séquentiel de la moyenne d'une variable aléatoire réelle bornée et de la construction de séquences de confiance. Bien que des approches algorithmiques récentes aient utilisé des jeux de « pari sur pièce » pour dériver des séquences de confiance serrées pour des variables bornées (Orabona et Jun, 2023 ; Waudby-Smith et Ramdas, 2023), la justification théorique de la raison pour laquelle cette formulation spécifique est optimale a largement reposé sur des arguments heuristiques. L'article vise à formaliser rigoureusement l'affirmation selon laquelle l'approche par pari sur pièce fournit les garanties les plus fortes possibles parmi tous les cadres basés sur les e-variables pour ce problème de test spécifique.

Méthodologie et cadre
L'auteur introduit une perspective novatrice sur l'optimalité dans le contexte des e-variables et des e-processus. Plutôt que de se concentrer sur l'optimalité d'une seule e-variable (par exemple, l'optimalité logarithmique par rapport à une alternative spécifique), l'article définit l'optimalité au niveau des ensembles d'e-variables (e-classes).

Les définitions clés incluent :

e-classe majorante : Une e-classe $\mathcal{E}$ majorante une autre classe $\mathcal{E}'$ si pour chaque $E' \in \mathcal{E}'$ , il existe un $E \in \mathcal{E}$ tel que $E$ domine ponctuellement $E'$ (c'est-à-dire $E(x) \geq E'(x)$ pour tout $x$ ).
e-classe optimale : Une e-classe majorante qui est contenue dans toute autre e-classe majorante. Si elle existe, elle correspond à l'ensemble de toutes les e-variables maximales (celles qui ne sont pas strictement dominées par une autre e-variable).
Lien avec l'admissibilité : L'article note que ce cadre est une adaptation du problème statistique classique d'identification d'une classe complète minimale de tests (Lehmann et Romano, 2022), où les e-variables maximales correspondent à des tests admissibles.

L'analyse procède en trois étapes :

e-variables à tour unique : Test d'hypothèses où les observations sont indépendantes et identiquement distribuées (i.i.d.) avec une moyenne fixe.
e-variables à tours multiples : Test d'hypothèses sur un horizon fixe $T$ où la moyenne conditionnelle est fixe, mais où la dépendance entre les observations est autorisée.
e-processus : Extension des résultats au test séquentiel avec des temps d'arrêt arbitraires sous l'hypothèse de moyenne conditionnelle fixe.

Résultats clés

Optimalité pour les e-variables à tour unique (Théorème 1) :
Pour l'hypothèse $H_\mu$ qu'une distribution sur $[0, 1]$ a une moyenne $\mu$ , l'article démontre que la e-classe de pari sur pièce $\mathcal{E}^{cb}_\mu = \{x \mapsto 1 + \beta(x-\mu) : \beta \in [(\mu-1)^{-1}, \mu^{-1}]\}$ est la unique e-classe optimale.
- Esquisse de la preuve : L'auteur construit une fonction $F_\mu$ qui domine ponctuellement toutes les e-variables valides. Il est démontré que toute e-variable n'appartenant pas à la classe de pari sur pièce est strictement dominée par un élément de la classe de pari sur pièce. Inversement, chaque élément de la classe de pari sur pièce est maximal.
- Implication : Restreindre le joueur à la classe de pari sur pièce ne sacrifie pas la puissance statistique ; toute stratégie utilisant une e-variable générale peut être égalée ou surpassée par une stratégie utilisant une e-variable de pari sur pièce.
Optimalité pour les e-variables à tours multiples (Théorème 2) :
Lors du test de l'hypothèse $H^T_\mu$ qu'une séquence de longueur $T$ a une moyenne conditionnelle fixe $\mu$ (autorisant des structures de dépendance arbitraires), la classe des e-variables de pari sur pièce à T tours (produits de fonctions de pari sur pièce à tour unique) est la e-classe optimale.
- Note : Ce résultat vaut pour des moyennes conditionnelles fixes mais échoue si l'hypothèse est restreinte à des observations i.i.d. L'article démontre que pour les hypothèses i.i.d., l'ensemble des e-variables maximales est strictement plus grand que l'ensemble généré par le pari sur pièce, ce qui signifie que le pari sur pièce n'est pas optimal dans le cadre i.i.d.
Optimalité pour les e-processus (Théorème 3) :
En étendant au cadre des e-processus (processus valides pour tout temps d'arrêt) sous l'hypothèse de moyenne conditionnelle fixe, la classe d'e-processus de pari sur pièce (séquences de processus de richesse dérivées du pari sur pièce) est démontrée comme étant la classe d'e-processus optimale.

Signification et affirmations
L'article prétend fournir la première caractérisation rigoureuse de l'optimalité de la formulation par pari sur pièce. Ses contributions principales sont :

Caractérisation explicite : Les résultats fournissent une description directe et explicite de l'ensemble de toutes les e-variables et e-processus valides pour tester la moyenne (conditionnelle) d'une variable aléatoire bornée. Plus précisément, toute e-variable/e-processus valide est celle qui est majorée par une e-variable/e-processus de pari sur pièce.
Justification théorique : Il va au-delà des justifications heuristiques (telles que la propriété d'« exactitude » où les espérances sont égales à 1) pour prouver que la classe de pari sur pièce constitue une classe complète minimale de tests.
Simplification stratégique : En identifiant la e-classe optimale, le cadre simplifie la conception des stratégies de test. Par exemple, il justifie l'utilisation de techniques d'agrégation bayésienne (comme les portefeuilles universels) sur l'espace paramétrique de faible dimension des stratégies de pari sur pièce, garantissant qu'aucune puissance statistique n'est perdue en restreignant l'espace de recherche à cette classe.
Distinction par rapport aux travaux antérieurs : L'auteur distingue ce travail des caractérisations récentes d'e-variables pour des contraintes linéaires (Clerico, 2024 ; Larsson et al., 2025). Bien que ces travaux impliquent le résultat à tour unique, l'article soutient que son approche est plus directe et adaptée au contexte spécifique, fournissant une intuition via des arguments géométriques (visualisés dans la Figure 1). De plus, cet article étend la caractérisation aux e-processus et aux variables à tours multiples, ce que les travaux cités n'abordent pas pleinement dans ce contexte spécifique.

Limites et portée
L'article note explicitement que l'optimalité du pari sur pièce ne vaut pas sous l'hypothèse i.i.d. plus stricte, où l'ensemble des e-variables maximales est plus grand. De plus, l'article se concentre sur la définition de la classe optimale d'e-variables plutôt que sur la conception de stratégies de pari spécifiques, renvoyant la construction de stratégies concrètes à la littérature existante (Orabona et Jun, 2023 ; Waudby-Smith et Ramdas, 2023). Les résultats sont présentés pour des variables dans $[0, 1]$ mais sont notés comme s'étendant à tout ensemble réel borné fermé.