Lessons and exercises follow the school system and stay in its language.Les leçons et les exercices suivent le système scolaire et restent dans sa langue.Lektionen und Übungen folgen dem Schulsystem und bleiben in seiner Sprache.

Concentration et loi des grands nombres

Imprimer le chapitre

Toutes les leçons du chapitre, prêtes pour le papier. Les séries d'exercices sont notées A, B, C… et corrigées à la fin.

Pour obtenir un PDF, choisis « Enregistrer au format PDF » dans la fenêtre d'impression.

1. Inégalité de Bienaymé-Tchebychev

Échauffement

Trois questions rapides sur des leçons déjà vues.

  1. XX a pour espérance 4. Calcule E(S2)E(S_{ 2 }) pour un échantillon de taille 2.
  2. V(X)=4V(X) = 4. Calcule V(M3)V(M_{ 3 }) pour un échantillon de taille 3.
  3. E(X)=2E(X) = 2, σ(X)=3\sigma(X) = 3 et on prend un échantillon de taille n=9n = 9.
    1. E(Sn)E(S_n) :
    2. V(Sn)V(S_n) :
    3. σ(Mn)\sigma(M_n) :
    4. On pose Y=2X+3Y = 2X + 3. Calcule σ(Y)\sigma(Y).

Découvrir

Si une variable XX a une très petite variance, XX est-elle souvent loin de son espérance ?

  1. Non, c'est rare
  2. Oui, souvent

L'idée clé

Cette inégalité vaut pour toute variable aléatoire, sans connaître sa loi.

Inégalité de Bienaymé-Tchebychev : pour tout δ>0\delta > 0, P(∣X−E(X)∣≥δ)≤V(X)δ2P\big(|X - E(X)| \geq \delta\big) \leq \dfrac{V(X)}{\delta^2}.

Exemple corrigé

E(X)=50E(X) = 50 et V(X)=4V(X) = 4. Majore P(∣X−50∣≥5)P(|X - 50| \geq 5), puis minore P(45<X<55)P(45 < X < 55).

P(∣X−50∣≥5)≤425=0,16P(|X - 50| \geq 5) \leq \dfrac{4}{25} = 0{,}16
V/δ² avec δ = 5.
P(45<X<55)≥1−0,16=0,84P(45 < X < 55) \geq 1 - 0{,}16 = 0{,}84
Événement contraire.

À toi, guidé

À toi : V(X)=9V(X) = 9 et δ=3σ(X)\delta = 3\sigma(X). Majore P(∣X−E(X)∣≥δ)P(|X - E(X)| \geq \delta).

19\dfrac{1}{9}
σ = 3, δ = 9 : 9/81.

Entraînement ★

  1. V(X)=2V(X) = 2. D'après l'inégalité de Bienaymé-Tchebychev, quel majorant obtient-on pour P(∣X−E(X)∣≥2)P\big(|X - E(X)| \geq 2\big) ?
  2. V(X)=19V(X) = 19. D'après l'inégalité de Bienaymé-Tchebychev, quel majorant obtient-on pour P(∣X−E(X)∣≥7)P\big(|X - E(X)| \geq 7\big) ?
  3. V(X)=1V(X) = 1. D'après l'inégalité de Bienaymé-Tchebychev, quel majorant obtient-on pour P(∣X−E(X)∣≥2)P\big(|X - E(X)| \geq 2\big) ?

Attention !

Entraînement ★★

  1. E(X)=24E(X) = 24 et V(X)=2V(X) = 2. Quel minorant de P(18<X<30)P\big(18 < X < 30\big) obtient-on ?
  2. E(X)=30E(X) = 30 et V(X)=3V(X) = 3. Quel minorant de P(22<X<38)P\big(22 < X < 38\big) obtient-on ?
  1. V(X)=2V(X) = 2. Quel majorant de P(∣X−E(X)∣≥3)P\big(|X - E(X)| \geq 3\big) donne l'inégalité de Bienaymé-Tchebychev ?
  1. Que majore l'inégalité de Bienaymé-Tchebychev ?
    1. La probabilité de s'écarter de l'espérance d'au moins δ\delta
    2. La probabilité de rester près de l'espérance
    3. L'espérance de XX

Bilan

Trois questions pour vérifier que c'est acquis.

  1. V(X)=2V(X) = 2. D'après l'inégalité de Bienaymé-Tchebychev, quel majorant obtient-on pour P(∣X−E(X)∣≥2)P\big(|X - E(X)| \geq 2\big) ?
  2. V(X)=19V(X) = 19. D'après l'inégalité de Bienaymé-Tchebychev, quel majorant obtient-on pour P(∣X−E(X)∣≥7)P\big(|X - E(X)| \geq 7\big) ?
  3. V(X)=1V(X) = 1. D'après l'inégalité de Bienaymé-Tchebychev, quel majorant obtient-on pour P(∣X−E(X)∣≥2)P\big(|X - E(X)| \geq 2\big) ?

Fiche résumé

Bienaymé-Tchebychev

P(∣X−E(X)∣≥δ)≤V(X)δ2P\big(|X - E(X)| \geq \delta\big) \leq \dfrac{V(X)}{\delta^2}.

Attention : c'est un majorant, souvent large ; ce n'est pas la valeur de la probabilité.

Il reste une étape facultative : un défi. Tente-le, ou termine la leçon maintenant.

Défi ★★★

  1. V(X)=16V(X) = 16. Quel est le plus petit δ>0\delta > 0 pour lequel l'inégalité de Bienaymé-Tchebychev donne P(∣X−E(X)∣≥δ)≤14P\big(|X - E(X)| \ge \delta\big) \le \dfrac{1}{4} ?

2. Inégalité de concentration et loi des grands nombres

Échauffement

Trois questions rapides sur des leçons déjà vues.

  1. V(X)=2V(X) = 2. D'après l'inégalité de Bienaymé-Tchebychev, quel majorant obtient-on pour P(∣X−E(X)∣≥2)P\big(|X - E(X)| \geq 2\big) ?
  2. E(X)=24E(X) = 24 et V(X)=2V(X) = 2. Quel minorant de P(18<X<30)P\big(18 < X < 30\big) obtient-on ?
  3. V(X)=2V(X) = 2. Quel majorant de P(∣X−E(X)∣≥3)P\big(|X - E(X)| \geq 3\big) donne l'inégalité de Bienaymé-Tchebychev ?

Découvrir

On lance un grand nombre de fois un dé équilibré. Que devient la moyenne MnM_n des résultats ?

  1. Elle se rapproche de 3,53{,}5 avec une grande probabilité
  2. Elle vaut exactement 3,53{,}5 à partir d'un certain nn

L'idée clé

On applique Bienaymé-Tchebychev à MnM_n, de variance V(X)n\dfrac{V(X)}{n}.

Inégalité de concentration : P(∣Mn−E(X)∣≥δ)≤V(X)nδ2P\big(|M_n - E(X)| \geq \delta\big) \leq \dfrac{V(X)}{n\delta^2}.

Loi des grands nombres : pour tout δ>0\delta > 0, lim⁡n→+∞P(∣Mn−E(X)∣≥δ)=0\displaystyle\lim_{n \to +\infty} P\big(|M_n - E(X)| \geq \delta\big) = 0.

Exemple corrigé

V(X)=2V(X) = 2. Quelle taille nn garantit P(∣Mn−E(X)∣≥0,1)≤0,05P(|M_n - E(X)| \geq 0{,}1) \leq 0{,}05 d'après l'inégalité ?

2n×0,01=200n\dfrac{2}{n \times 0{,}01} = \dfrac{200}{n}
Majorant.
n≥4 000n \geq 4\,000
On résout 200/n ≤ 0,05.

À toi, guidé

À toi : avec V(X)=1V(X) = 1, n=100n = 100 et δ=1\delta = 1, que vaut le majorant ?

0,010{,}01
1/(100 × 1).

Entraînement ★

  1. V(X)=1V(X) = 1, n=20n = 20 et δ=2\delta = 2. Quel majorant de P(∣Mn−E(X)∣≥δ)P\big(|M_n - E(X)| \geq \delta\big) donne l'inégalité de concentration ?
  2. V(X)=18V(X) = 18, n=141n = 141 et δ=6\delta = 6. Quel majorant de P(∣Mn−E(X)∣≥δ)P\big(|M_n - E(X)| \geq \delta\big) donne l'inégalité de concentration ?
  3. V(X)=5V(X) = 5, n=20n = 20 et δ=2\delta = 2. Quel majorant de P(∣Mn−E(X)∣≥δ)P\big(|M_n - E(X)| \geq \delta\big) donne l'inégalité de concentration ?

Attention !

Entraînement ★★

  1. On lance 6 fois mille une pièce équilibrée. Que dit la loi des grands nombres sur la fréquence de pile ?
    1. Elle a une grande probabilité d'être proche de 0,50{,}5
    2. Elle vaut exactement 0,50{,}5
    3. Une série de piles est compensée par une série de faces
  2. On lance 9 fois mille une pièce équilibrée. Que dit la loi des grands nombres sur la fréquence de pile ?
    1. Elle a une grande probabilité d'être proche de 0,50{,}5
    2. Elle vaut exactement 0,50{,}5
    3. Une série de piles est compensée par une série de faces
  1. Quand la taille nn d'un échantillon augmente, comment évolue le majorant V(X)nδ2\dfrac{V(X)}{n\delta^2} ?
    1. Il diminue
    2. Il augmente
    3. Il ne change pas
  1. V(X)=3V(X) = 3 et δ=1\delta = 1. À partir de quelle taille nn le majorant V(X)nδ2\dfrac{V(X)}{n\delta^2} est-il au plus égal à 110\dfrac{1}{ 10 } ?

Bilan

Trois questions pour vérifier que c'est acquis.

  1. V(X)=1V(X) = 1, n=20n = 20 et δ=2\delta = 2. Quel majorant de P(∣Mn−E(X)∣≥δ)P\big(|M_n - E(X)| \geq \delta\big) donne l'inégalité de concentration ?
  2. V(X)=18V(X) = 18, n=141n = 141 et δ=6\delta = 6. Quel majorant de P(∣Mn−E(X)∣≥δ)P\big(|M_n - E(X)| \geq \delta\big) donne l'inégalité de concentration ?
  3. V(X)=5V(X) = 5, n=20n = 20 et δ=2\delta = 2. Quel majorant de P(∣Mn−E(X)∣≥δ)P\big(|M_n - E(X)| \geq \delta\big) donne l'inégalité de concentration ?

Fiche résumé

Concentration et grands nombres

  • P(∣Mn−E(X)∣≥δ)≤V(X)nδ2P\big(|M_n - E(X)| \geq \delta\big) \leq \dfrac{V(X)}{n\delta^2}.
  • Quand nn devient grand, MnM_n se concentre autour de E(X)E(X).

Attention : il n'y a pas de compensation d'un tirage à l'autre.

Il reste une étape facultative : un défi. Tente-le, ou termine la leçon maintenant.

Défi ★★★

  1. On lance nn fois une pièce équilibrée (X=1X = 1 pour pile, sinon 0, donc V(X)=14V(X) = \dfrac{1}{4}). Avec l'inégalité de concentration, quelle valeur de nn garantit P(∣Mn−0,5∣≥0,05)≤140P\big(|M_n - 0{,}5| \ge 0{,}05\big) \le \dfrac{1}{ 40 } au minimum ?

3. Attendre un premier succès

Découvrir

On lance un dé équilibré jusqu'à obtenir un six. En moyenne, combien de lancers faut-il ?

  1. 6 lancers
  2. 3,5 lancers

L'idée clé

Attendre un premier succès.

Si chaque essai réussit avec la probabilité pp, indépendamment, le nombre moyen d'essais jusqu'au premier succès est

E=1pE = \dfrac{1}{p}.

Exemple corrigé

Une roue tombe sur rouge avec la probabilité 14\tfrac{1}{4}. Combien de lancers attend-on jusqu'au premier rouge ?

E=11/4E = \dfrac{1}{1/4}
p=14p = \tfrac{1}{4}.
E=4E = 4 lancers
11/4=4\dfrac{1}{1/4} = 4.

À toi, guidé

À toi : chaque essai réussit avec la probabilité 110\tfrac{1}{10}. Combien d'essais attend-on ?

1010
11/10\dfrac{1}{1/10}.

Entraînement ★

  1. Chaque essai réussit avec la probabilité 111\tfrac{1}{ 11 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?
  2. Chaque essai réussit avec la probabilité 115\tfrac{1}{ 15 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?
  3. Chaque essai réussit avec la probabilité 12\tfrac{1}{ 2 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?

Entraînement ★★

  1. Une pièce de machine tombe en panne un jour donné avec la probabilité 160\tfrac{1}{ 60 }. En moyenne, combien de jours jusqu'à la première panne ?
  2. Une pièce de machine tombe en panne un jour donné avec la probabilité 150\tfrac{1}{ 50 }. En moyenne, combien de jours jusqu'à la première panne ?

Bilan

Deux questions pour vérifier.

  1. Chaque essai réussit avec la probabilité 111\tfrac{1}{ 11 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?
  2. Chaque essai réussit avec la probabilité 115\tfrac{1}{ 15 }, indépendamment. Combien d'essais attend-on jusqu'au premier succès ?

Fiche résumé

Temps d'attente

  • Temps d'attente moyen =1p= \dfrac{1}{p}.
  • Événements rares : attente longue en moyenne.

Les ingénieurs s'en servent pour le temps moyen entre deux pannes d'une machine.

4. Histoire : Bernoulli, de Moivre et la loi des grands nombres

Découvrir

Lance une pièce équilibrée 10 fois : tu peux très bien obtenir 7 piles. Lance-la 10 000 fois : la proportion de piles est presque toujours très proche de 12\tfrac{1}{2}. Qui a démontré le premier que cela doit arriver ?

  1. Jacques Bernoulli, avec sa loi des grands nombres
  2. Personne : c'est seulement une observation

L'idée clé

D'un lancer à beaucoup.

17001710172017301740175017601713Bernoulli1713Bernoulli
  1. Étape 117001710172017301740175017601713Bernoulli1713BernoulliJacques Bernoulli 1655–1705Niklaus Bernoulli (1662-1716), 1687. Domaine public1713 : l'Ars Conjectandi de Jacques Bernoulli est imprimé, huit ans après sa mort. Il démontre la loi des grands nombres.
  2. Étape 217001710172017301740175017601713Bernoulli1718de Moivre1713Bernoulli1718de MoivreAbraham de Moivre 1667–1754Joseph Highmore, 1736. Domaine public1718 : le livre de de Moivre, The Doctrine of Chances.
  3. Étape 317001710172017301740175017601713Bernoulli1718de Moivre1733de Moivre1713Bernoulli1718de Moivre1733de MoivreAbraham de Moivre 1667–1754Joseph Highmore, 1736. Domaine public13 novembre 1733 : de Moivre approche la loi binomiale par la courbe en cloche.

L'Ars Conjectandi de Jacques Bernoulli (imprimé en 1713, huit ans après sa mort) contient la loi des grands nombres. Le 13 novembre 1733, Abraham de Moivre montre que pour beaucoup d'épreuves, la loi binomiale ressemble à la courbe en cloche, notre loi normale.

Exemple corrigé

Avec nn lancers d'une pièce équilibrée, le nombre de piles XX a pour espérance n2\tfrac{n}{2} et pour écart type n2\tfrac{\sqrt{n}}{2}.

espérance 50, écart type 5
Pour n=100n = 100 :
0,0050{,}005 : très proche de 12\tfrac{1}{2}
Pour n=10 000n = 10\,000 : la proportion de piles a pour écart type 5010 000\tfrac{50}{10\,000}.

Entraînement ★

  1. Que dit la loi des grands nombres de Jacques Bernoulli (imprimée en 1713) ?
    1. Sur beaucoup d'épreuves, la fréquence se rapproche de la probabilité
    2. Après beaucoup de faces, pile devient plus probable
    3. Les grands nombres sont plus probables que les petits
  1. On lance 144 fois une pièce équilibrée. Avec σ=n2\sigma = \tfrac{\sqrt{n}}{2}, quel est l'écart type du nombre de piles ?
  2. On lance 196 fois une pièce équilibrée. Avec σ=n2\sigma = \tfrac{\sqrt{n}}{2}, quel est l'écart type du nombre de piles ?
  1. L'Ars Conjectandi est imprimé en 1713, huit ans après la mort de Jacques Bernoulli. En quelle année est-il mort ? Ajoute 4 à cette année.

Fiche résumé

Les variables aléatoires aujourd'hui

  • Sondages : un échantillon de 1 000 personnes donne une proportion proche de la vraie.
  • Assurances et casinos reposent sur la loi des grands nombres.
  • Le contrôle qualité compte les pièces défectueuses avec la loi binomiale.

Sources : biographies de Jacques Bernoulli et d'Abraham de Moivre sur MacTutor (voir « Sources et crédits »).