La loi des grands nom…
I L'inégalité de Bienaymé-
Tchebychev
L'écart-type σ d'une variable aléatoire X est
une mesure de dispersion correspondant à un
écart moyen entre les valeurs prises par X et
son espérance μ . On peut se questionner sur
la probabilité que la variable X prenne des
valeurs plus ou moins éloignées de son
espérance et mesurer cet éloignement avec
l'écart-type.
THÉORÊME
Inégalité de Bienaymé-Tchebychev
Soit X une variable aléatoire réelle
d'espérance μ et de variance V .
Pour tout réel δ > 0 , on a :
V
P (∣X − μ∣ ≥ δ) ≤ 2
δ
EXEMPLE
On joue 100 fois à « pile ou face » avec une
pièce équilibrée.
Soit X la variable aléatoire comptant le
nombre de « pile » obtenus durant ces
100 lancers.
On sait que X suit la loi binomiale
B(100; 0,5) .
Son espérance est μ = 100 × 0,5 = 50 .
Sa variance est
V = 100 × 0,5 × 0,5 = 25 .
Ainsi, pour tout réel δ > 0 , on a :
25
P (∣X − 50∣ ≥ δ) ≤
δ2
En particulier :
25
P (∣X − 50∣ ≥ 10) ≤ , soit
100
P (∣X − 50∣ ≥ 10) ≤ 0,25 .
Soit X une variable
aléatoire réelle
REMARQUE
d'espérance μ , de
variance V et d'écart-
type σ .
Soit n un entier naturel non nul.
En choisissant δ = nσ dans l'inégalité de
Bienaymé-Tchebychev, on obtient :
1
P (∣X − μ∣ ≥ nσ) ≤
n2
Ainsi on obtient une information sur la
probabilité que l'écart entre X et son
espérance dépasse un certain de nombre
de fois l'écart-type.
EXEMPLE
On joue 100 fois à « pile ou face » avec
une pièce équilibrée.
Soit X la variable aléatoire comptant
le nombre de « pile » obtenus durant
ces 100 lancers.
On sait que X suit la loi binomiale
B(100; 0,5) .
Son espérance est
μ = 100 × 0,5 = 50 .
Sa variance est
V = 100 × 0,5 × 0,5 = 25 .
Son écart-type est σ = 25 = 5 .
Ainsi, pour tout entier naturel non nul
n , on a :
1
P (∣X − 50∣ ≥ 5n) ≤
n2
Soit X une variable
aléatoire réelle
REMARQUE
d'espérance μ , de
variance V et d'écart-
type σ .
L'inégalité de Bienaymé-Tchebychev a un
caractère universel.
En contrepartie, elle est loin d'être
optimale. En effet, elle montre qu'un
écart à μ supérieur à 2σ est de
1
probabilité inférieure ou égale à ,
4
alors que par simulation on obtient que
cette probabilité est souvent majorée par
0,05.
IIL'inégalité de
concentration
On peut ensuite majorer l'écart entre une
variable aléatoire et son espérance dans le cas
où l'on répète plusieurs fois la même épreuve
et où l'on calcule la moyenne des résultats
obtenus.
PROPRIÉTÉ
Soit n un entier naturel non nul.
Soient une loi de probabilité et
(X1 ; X2 ; ...; Xn ) un échantillon de cette
loi constitué de variables aléatoires d'espérance
μ et de variance V .
X1 + X2 + ... + Xn
Soit Mn = la variable
n
aléatoire moyenne.
Alors pour tout réel δ > 0 , on a :
V
P (∣Mn − μ∣ ≥ δ ) ≤
nδ 2
EXEMPLE
Jeanne joue tous les jours d'une semaine
donnée 100 fois à « pile ou face » avec une
pièce équilibrée.
Soit Xi la variable aléatoire comptant le
nombre de « pile » obtenus durant ces
100 lancers le i ème jour.
On sait que quel que soit l'entier i compris
entre 1 et 7 :
Xi suit la loi binomiale B(100; 0,5) ;
son espérance est
E(Xi ) = μ = 100 × 0,5 = 50 ;
sa variance est
V (Xi ) = V = 100 × 0,5 × 0,5 = 25
.
X1 + X2 + ... + X7
Soit M = la
7
variable aléatoire moyenne.
Ainsi, pour tout réel δ > 0 , on a :
25
P (∣M − 50∣ ≥ δ ) ≤
7δ 2
En particulier :
25
P (∣M − 50∣ ≥ 10) ≤ , soit
700
1
P (∣M − 50∣ ≥ 10) ≤ .
28
La propriété précédente
porte le nom d'inégalité
de concentration.
REMARQUE
Soit n un entier naturel
non nul.
REMARQUE
Soit une loi de probabilité
et (X1 ; X2 ; ...; Xn ) un échantillon de
cette loi constitué de variables aléatoires
d'espérance μ et de variance V .
X1 + X2 + ... + Xn
Soit Mn = la
n
variable aléatoire moyenne.
En choisissant δ = mσ avec m entier
naturel non nul dans l'inégalité de
concentration, on obtient :
1
P (∣Mn − μ∣ ≥ mσ ) ≤
nm2
Ainsi, plus la taille de l'échantillon est
grand, plus la probabilité que l'écart entre
Mn et μ dépasse un certain nombre de
fois σ est faible.
EXEMPLE
Jeanne joue tous les jours d'une
semaine donnée 100 fois à « pile ou
face » avec une pièce équilibrée.
Soit Xi la variable aléatoire
comptant le nombre de
« pile » obtenus durant ces
100 lancers le i ème jour.
On sait que quel que soit l'entier i
compris entre 1 et 7 :
Xi suit la loi binomiale
B(100; 0,5) ;
son espérance est
E(Xi ) = μ = 100 × 0,5 = 50 ;
sa variance est
V (Xi ) = V = 100 × 0,5 × 0,5 =
;
son écart-type est
σ(Xi ) = V = 100 × 0,5 × 0,5
.
X1 + X2 + ... + X7
Soit M = la
7
variable aléatoire moyenne.
Ainsi, pour tout entier naturel non nul,
m , on a :
1
P (∣M − 50∣ ≥ 5m) ≤
7m2
L'inégalité précédente
permet de rechercher la
taille n d'un échantillon
REMARQUE
pour majorer la
probabilité que l'écart à l'espérance
dépasse une valeur donnée.
EXEMPLE
Jeanne joue n jours de suite au
même jeu :
Lancer 100 fois une pièce équilibrée et
noter le nombre de « pile » obtenus.
Soit Xi la variable aléatoire
comptant le nombre de
« pile » obtenus durant ces
100 lancers le i ème jour.
On sait que quel que soit l'entier i
compris entre 1 et n :
Xi suit la loi binomiale
B(100; 0,5) ;
son espérance est
E(Xi ) = μ = 100 × 0,5 = 50 ;
sa variance est
V (Xi ) = V = 100 × 0,5 × 0,5 =
.
X1 + X2 + ... + Xn
Soit Mn = la
n
variable aléatoire moyenne.
Ainsi, pour tout réel δ > 0 , on a :
25
P (∣Mn − 50∣ ≥ δ ) ≤
nδ 2
En particulier :
25
P (∣Mn − 50∣ ≥ 10) ≤ , soit
100n
1
P (∣Mn − 50∣ ≥ 10) ≤ .
4n
Si l'on souhaite majorer la probabilité
1
P (∣Mn − 50∣ ≥ 10) par , on
100
peut choisir n de telle sorte que
1 1
≤ .
4n 100
Or :
1 1 4n 100
≤ ⇔ ≥
4n 10 1 1
1 1
≤ ⇔ 4n ≥ 100
4n 10
1 1
≤ ⇔ n ≥ 25
4n 10
Ainsi, si Jeanne joue au moins
25 jours de suite, la probabilité que
l'écart entre la moyenne et l'espérance
1
dépasse 10 sera inférieure à .
100
III La loi des grands nombres
On étudie ensuite l'écart entre Mn et μ
lorsque la taille de l'échantillon devient très
grande.
THÉORÊME
Loi (faible) des grands nombres
Soit n un entier naturel non nul.
Soit une loi de probabilité et (X1 ; X2 ; ...; Xn )
un échantillon de cette loi constitué de variables
aléatoires d'espérance μ et de variance V .
X1 + X2 + ... + Xn
Soit Mn = la variable
n
aléatoire moyenne.
Alors pour tout réel δ > 0 , on a :
lim P (∣Mn − μ∣ ≥ δ ) = 0
n→+∞
EXEMPLE
Soit X une variable aléatoire dont la loi de
probabilité est la suivante :
On a donc
1 2 20
E(X) = 0 × + 10 × = .
3 3 3
Soit n un entier naturel non nul,
(X1 ; X2 ; ...; Xn ) un échantillon de cette
loi de probabilité et Mn la variable
aléatoire moyenne de cet échantillon.
On a donc, pour tout réel δ > 0 :
∣ 20 ∣
lim P ( Mn − ≥ δ) = 0
n→+∞ ∣ 3∣
Autrement dit, plus n est grand, plus la
probabilité que la variable aléatoire Mn
prenne des valeurs « éloignées » de
l'espérance est faible.
Voici les graphiques donnant les valeurs
P (Mn = k) pour toutes les valeurs
possibles de k dans les cas n = 1 ,
n = 10 et n = 50 :
