Chapitre 15
Tale Spécialité Mathématiques
Concentration, loi des grands
nombres
I. Variables
aléatoires 𝑿 + 𝒀 et 𝒂𝑿
Soit 𝑋 et 𝑌 deux variables aléatoires prenant respectivement pour valeurs 𝑥1 , ..., 𝑥𝑛 et 𝑦1 , ..., 𝑦𝑝
1. Variable aléatoire 𝑋 + 𝑌
Définition
■ La variable aléatoire 𝑋 + 𝑌 prend toutes les valeurs 𝑥𝑖 + 𝑦𝑗 avec 1 ≤ 𝑖 ≤ 𝑛 et 1 ≤ 𝑗 ≤ 𝑝
■ 𝑃(𝑋 + 𝑌 = 𝑘) = ∑ 𝑃({𝑋 = 𝑥𝑖 } ∩ {𝑌 = 𝑦𝑗 }) où 𝑥𝑖 + 𝑦𝑗 = 𝑘.
►Savoir-faire : Définir une loi de probabilité de 𝑿 + 𝒀
On dispose de deux sacs opaques. L'un contient trois jetons numérotés 0, 2 et 4, l'autre contient
cinq jetons : deux portent le numéro 1 et trois portant le numéro 3.
On tire un jeton de chaque sac et on additionne les numéros obtenus.
On note X la variable aléatoire donnant le numéro du jeton tiré dans le 1er sac et Y celle
donnant le numéro du jeton tiré dans le 2nd sac. On note alors 𝑆 = 𝑋 + 𝑌.
Déterminer les valeurs prises par S et sa loi de probabilité.
2. Variable aléatoire 𝑎𝑋
Définition
■ La variable aléatoire 𝑎𝑋 prend toutes les valeurs 𝑎𝑥𝑖 avec 1 ≤ 𝑖 ≤ 𝑛.
■ 𝑃(𝑎𝑋 = 𝑘) = ∑ 𝑃({𝑋 = 𝑥𝑖 }) où 𝑎𝑥𝑖 = 𝑘.
3. Espérance et Variance
Propriétés
Soit 𝑋 et 𝑌 deux variables aléatoires, 𝑎 un nombre réel non nul.
Deux épreuves sont dites indépendantes
■ 𝐸(𝑋 + 𝑌) = 𝐸(𝑋) + 𝐸(𝑌) ■ 𝐸(𝑎𝑋) = 𝑎𝐸(𝑋) lorsque le déroulement de l'une n'a
Si 𝑋 et 𝑌 sont indépendantes, alors : aucune influence sur le déroulement de
l'autre.
Chp 15 – Concentration, loi des grands nombres
■ 𝑉(𝑋 + 𝑌) = 𝑉(𝑋) + 𝑉(𝑌) ■ 𝑉(𝑎𝑋) = 𝑎2 𝑉(𝑋)
II. Somme et moyenne d'un échantillon
1. Echantillon de taille n d'une loi de probabilité
Définition
Un échantillon de taille 𝑛 d'une loi de probabilité est une liste {𝑋1 ; 𝑋2 ; … ; 𝑋𝑛 } de 𝑛 variables
aléatoires indépendantes et identiques qui suivent toutes cette loi.
Exemple : Laëtitia prend le même train cinq jours par semaine. On admet que la variable
aléatoire X qui compte le nombre de retards suit la loi binomiale ℬ(5; 0,1).
On a alors 𝐸(𝑋) = 𝑉(𝑋) = 𝜎(𝑋) =
En répétant cette expérience pendant 8 semaines, on construit un échantillon
{𝑋1 ; 𝑋2 ; 𝑋3 ; 𝑋4 ; 𝑋5 ; 𝑋6 ; 𝑋7 ; 𝑋8 } de taille 8 de cette loi de probabilité.
2. Somme d'un échantillon
Définition
{𝑋1 ; 𝑋2 ; … ; 𝑋𝑛 } est un échantillon de taille 𝑛 de la loi de probabilité suivie par une variable
aléatoire X.
La somme de cet échantillon est la variable aléatoire 𝑺𝒏 = 𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏 .
Propriétés
𝑆𝑛 est la somme d'un échantillon de taille 𝑛 de la loi de probabilité suivie par une variable
aléatoire X.
𝐸(𝑆𝑛 ) = 𝑛𝐸(𝑋) 𝑉(𝑆𝑛 ) = 𝑛𝑉(𝑋) 𝜎(𝑆𝑛 ) = √𝑛 × 𝜎(𝑋)
Exemple : Reprenons l'exemple précédent.
La variable 𝑆8 = 𝑋1 + 𝑋2 + ⋯ + 𝑋8 cumule les nombres de retards sur 8 semaines.
𝐸(𝑆𝑛 ) = ................ 𝑉(𝑆𝑛 ) = ................ 𝜎(𝑆𝑛 ) = ................
3. Moyenne d'un échantillon
Définition
{𝑋1 ; 𝑋2 ; … ; 𝑋𝑛 } est un échantillon de taille 𝑛 de la loi de probabilité suivie par une variable
aléatoire X.
𝑺𝒏
La moyenne de cet échantillon est la variable aléatoire 𝑴𝒏 = .
𝒏
Propriétés
𝑀𝑛 est la moyenne d'un échantillon de taille 𝑛 de la loi de probabilité suivie par une variable
aléatoire X.
𝑉(𝑋) 𝜎(𝑋)
𝐸(𝑀𝑛 ) = 𝐸(𝑋) 𝑉(𝑀𝑛 ) = 𝜎(𝑀𝑛 ) =
𝑛 √𝑛
Exemple : Reprenons l'exemple précédent.
𝑺𝟖
La variable 𝑀8 = est égale au nombre moyen de retards sur 8 semaines.
𝟖
Chp 15 – Concentration, loi des grands nombres
𝐸(𝑀𝑛 ) = ................ 𝑉(𝑀𝑛 ) = ................ 𝜎(𝑀𝑛 ) = ................
III. Inégalité de Bienaymé-Tchebychev
Propriété : Inégalité de Bienaymé-Tchebychev
Soit 𝑋 une variable aléatoire d'espérance 𝐸(𝑋) et de variance 𝑉(𝑋).
Pour tout réel strictement positif 𝛿, on a :
𝑉(𝑋)
𝑃(|𝑋 − 𝐸(𝑋)| ≥ 𝛿) ≤
𝛿2
►Savoir-faire : Appliquer l'inégalité de Bienaymé-Tchebychev
On lance une pièce équilibrée 100 fois de suite, la variable aléatoire X donne le nombre de Pile
obtenus.
X suit la loi binomiale de paramètres 𝑛 = ........... et 𝑝 = ............
L'espérance de X est E(X) = ..................... et sa variance est V = ...........................
D'après l'inégalité de Bienaymé-Tchebychev, pour tout réel 𝛿 > 0, on a :
.......................................................................................................................................................................
Par exemple, pour 𝛿 = 10, l'inégalité devient :
.......................................................................................................................................................................
Interprétation :
.......................................................................................................................................................................
.......................................................................................................................................................................
.......................................................................................................................................................................
Quelques cas particuliers
Soit X une variable aléatoire d'espérance 𝜇 et d'écart-type 𝜎.
On applique l'inégalité de Bienaymé-Tchebychev avec 𝛿 = 𝑘𝜎 où 𝑘 ∈ ℕ, 𝑘 ≥ 2.
.......................................................................................................................................................................
.......................................................................................................................................................................
Exemples :
𝑘 = 2, ................................................ 𝑘 = 4, ................................................
Chp 15 – Concentration, loi des grands nombres
IV. Loi des grands nombres
1. Inégalité de concentration
Propriété : Inégalité de concentration
Soit 𝑀𝑛 la variable aléatoire moyenne d'un échantillon de taille 𝑛 d'une variable aléatoire
d'espérance 𝜇 et de variance V.
Alors, pour tout réel 𝛿 > 0, on a
𝑉
𝑃(|𝑀𝑛 − 𝜇)| ≥ 𝛿) ≤ 2
𝑛𝛿
►Savoir-faire : Appliquer l'inégalité de concentration
Dans une société de démarchage par téléphone, on estime que 40 % des personnes appelées
répondent effectivement.
On appelle n personnes, la variable aléatoire 𝑋𝑘 donne 1 si la kième personne appelée répond et
0 sinon.
Les variables aléatoires 𝑋1 , 𝑋2 , … , 𝑋𝑛 sont indépendantes, identiques, de même loi d'espérance
𝜇 = ............................................. et de variance V = ...........................................................
D'après l'inégalité de concentration, pour tout réel 𝛿 > 0, on a :
.......................................................................................................................................................................
Par exemple, pour 𝛿 = 0,1, l'inégalité devient :
.......................................................................................................................................................................
Pour 𝑛 = 1 000, ........................................................................................................................................
On dit que l'on obtient pour 𝑀𝑛 , une ........................................... avec un ....................................
2. Loi des grands nombres
Propriété
Pour tout réel 𝑡 > 0,
lim 𝑃(|𝑀𝑛 − 𝜇)| ≥ 𝑡) = 0
𝑛→+∞
Chp 15 – Concentration, loi des grands nombres
