Aller au contenu
OptiTAB

Maths Terminale · Chapitre 15 · Probabilités

Concentration, loi des grands nombres

  • 6 parties
  • 2 schémas
  • Lecture ≈ 8 min
  • Conforme au programme
Objectifs

Majorer la probabilité d'un écart à l'espérance avec l'inégalité de Bienaymé-Tchebychev, appliquer l'inégalité de concentration à la moyenne d'un échantillon, comprendre la loi des grands nombres (y compris par simulation) et déterminer une taille d'échantillon garantissant une précision et un risque donnés.

Prérequis

Espérance, variance et écart type d'une variable aléatoire ; loi binomiale ; somme et moyenne d'un échantillon (notion « Sommes de variables aléatoires »).

IInégalité de Bienaymé-Tchebychev

ThéorèmeInégalité de Bienaymé-Tchebychev

Soit X une variable aléatoire d'espérance μ et de variance V. Pour tout réel δ>0 :

P(|X−μ|≥δ)≤Vδ2

La probabilité que X s'écarte de son espérance d'au moins δ est d'autant plus petite que la variance est petite.

RemarqueForme équivalente

En passant à l'événement contraire : P(|X−μ|<δ)≥1−Vδ2.

PropriétéÉcarts mesurés en écarts types

En notant σ=V l'écart type et en prenant δ=kσ avec k>0 :

P(|X−μ|≥kσ)≤1k2

Un écart d'au moins 2σ a une probabilité au plus égale à 14 ; un écart d'au moins 3σ, au plus égale à 19≈0,11.

ExempleUne loi binomiale

Soit X∼B(20;0,5) : μ=20×0,5=10 et V=20×0,5×0,5=5. Avec δ=4 :

P(|X−10|≥4)≤542=516≈0,31

La valeur exacte, P(X≤6)+P(X≥14)≈0,115, est bien plus petite.

Diagramme en bâtons de la loi binomiale de paramètres 20 et 0,5 : les valeurs k telles que |k - 10| est supérieur ou égal à 4 (k au plus 6 ou au moins 14) sont en orange, les autres en bleu, avec deux flèches delta = 4 de part et d'autre de 10
AttentionUne majoration, pas une valeur exacte

L'inégalité est valable pour toute loi : c'est sa force, mais elle est souvent grossière. Elle garantit qu'un écart d'au moins 2σ a une probabilité au plus égale à 0,25, alors que, pour les lois rencontrées en pratique, cette probabilité est souvent voisine de 0,05, voire inférieure.

IIÉchantillon et variable moyenne

DéfinitionÉchantillon

Un échantillon de taille n d'une loi de probabilité est une liste (X1,X2,…,Xn) de n variables aléatoires indépendantes qui suivent toutes cette loi. On note

Sn=X1+X2+⋯+XnMn=Snn

la somme et la moyenne de l'échantillon.

PropriétéEspérance et variance de la moyenne

Si la loi a pour espérance μ et pour variance V :

E(Mn)=μV(Mn)=Vnσ(Mn)=σn

La moyenne a la même espérance que chaque Xi, mais elle est n fois moins dispersée (en variance).

ExempleFréquence d'un succès

On répète n fois, de façon indépendante, une épreuve de Bernoulli de paramètre p ; Xi vaut 1 en cas de succès, 0 sinon. Alors Sn∼B(n;p) et Mn=Fn est la fréquence des succès, avec E(Fn)=p et V(Fn)=p(1−p)n.

IIIInégalité de concentration

ThéorèmeInégalité de concentration

Soit Mn la moyenne d'un échantillon de taille n d'une loi d'espérance μ et de variance V. Pour tout réel δ>0 :

P(|Mn−μ|≥δ)≤Vnδ2
Démonstration

On applique l'inégalité de Bienaymé-Tchebychev à la variable Mn, dont l'espérance vaut μ et la variance Vn. On obtient

P(|Mn−μ|≥δ)≤V(Mn)δ2=Vnδ2
ExempleLancers d'une pièce

On lance n fois une pièce équilibrée ; Fn est la fréquence de « pile », μ=0,5 et V=0,5×0,5=0,25. Pour que P(|Fn−0,5|≥0,05)≤0,05, il suffit que

0,25n×0,052≤0,05⟺ 100n≤0,05⟺ n≥2000

IVLoi des grands nombres

ThéorèmeLoi faible des grands nombres

Avec les notations précédentes, pour tout réel δ>0 :

limn→+∞P(|Mn−μ|≥δ)=0
Démonstration

Pour tout n≥1, 0≤P(|Mn−μ|≥δ)≤Vnδ2 et limn→+∞Vnδ2=0 : d'après le théorème des gendarmes, la probabilité tend vers 0.

Quand la taille de l'échantillon augmente, la moyenne observée se rapproche de l'espérance avec une probabilité aussi proche de 1 que l'on veut. Pour des épreuves de Bernoulli, la fréquence des succès se stabilise autour de la probabilité p : c'est ce qui justifie l'estimation d'une probabilité par une fréquence.

Fréquence de pile en fonction du nombre n de lancers pour trois simulations de 1 000 lancers : les trois courbes se rapprochent de p = 0,5 et restent dans une bande verte 0,5 plus ou moins 1 sur racine de 0,2 n qui se resserre

La figure montre trois simulations de 1000 lancers d'une pièce équilibrée. D'après l'inégalité de concentration, pour chaque n, la fréquence fn reste dans la bande verte avec une probabilité d'au moins 0,95 : la largeur de cette bande tend vers 0.

AttentionCe que la loi des grands nombres ne dit pas
  • La fréquence ne devient pas égale à p : seule la probabilité d'un écart donné tend vers 0.
  • Les résultats ne se « compensent » pas : les lancers restent indépendants, et après une série de « face », « pile » n'est pas plus probable. C'est la moyenne qui se stabilise, pas les résultats individuels.

VTaille d'échantillon

MéthodeDéterminer une taille d'échantillon

Pour garantir P(|Mn−μ|≥δ)≤α (précision δ, risque α), il suffit que

Vnδ2≤α⟺n≥Vαδ2

C'est une condition suffisante : une taille plus petite peut aussi convenir, mais l'inégalité ne permet pas de le garantir.

PropriétéFréquence de paramètre inconnu

Pour tout réel p, p(1−p)=14−(p−12)2≤14. Pour une fréquence, il suffit donc que

n≥14αδ2

et cette condition ne dépend pas de p.

ExempleUn sondage

On veut estimer une proportion inconnue à δ=0,03 près avec un risque α=0,05 :

n≥14×0,05×0,032≈5555,6

Il suffit d'interroger 5556 personnes.

RemarquePour aller plus loin : estimation

Si l'on observe une moyenne m sur un échantillon de taille n, on choisit δ=Vnα. L'intervalle aléatoire [Mn−δ;Mn+δ] contient μ avec une probabilité d'au moins 1−α : l'intervalle observé [m−δ;m+δ] est un intervalle de confiance pour μ, au niveau d'au moins 1−α.

VISimulation en Python

On simule N=1000 échantillons de 100 lancers d'une pièce équilibrée et l'on calcule la proportion d'échantillons dont la fréquence F de « pile » s'écarte de 0,5 d'au moins 0,1. Si S=100F est le nombre de « pile », cela s'écrit |S−50|≥10.

Python
from random import random

def piles(n):
    nb = 0
    for i in range(n):
        if random() < 0.5:
            nb = nb + 1
    return nb

def ecarts(N):
    nb = 0
    for k in range(N):
        s = piles(100)
        if abs(s - 50) >= 10:
            nb = nb + 1
    return nb / N

print(ecarts(1000))

Un affichage possible (le résultat change à chaque exécution) :

Affichage
0.057

L'inégalité de concentration garantit seulement

P(|F100−0,5|≥0,1)≤0,25100×0,12=0,25

alors que la valeur exacte, calculée avec la loi B(100;0,5), vaut environ 0,057 : la majoration est très large.

AttentionComparer des entiers plutôt que des décimaux

Le test abs(s / 100 - 0.5) >= 0.1 serait faux pour s=40 et s=60 : en machine, 0.6 - 0.5 vaut 0.09999999999999998, qui est inférieur à 0.1. Avec les entiers s et 50, le calcul est exact.

À retenir
  • Bienaymé-Tchebychev : P(|X−μ|≥δ)≤Vδ2.
  • Moyenne d'un échantillon : E(Mn)=μ et V(Mn)=Vn.
  • Concentration : P(|Mn−μ|≥δ)≤Vnδ2.
  • Loi des grands nombres : cette probabilité tend vers 0 quand n tend vers +∞.
  • Taille d'échantillon : n≥Vαδ2 ; pour une fréquence, n≥14αδ2.

Fiche de synthèse dans l'onglet Fiches !

Cours lu ? Continue avec :

Plateforme OptiTAB

S’entraîner jusqu’à maîtriser le programme de Terminale

Les 11 exercices corrigés de ce chapitre, le suivi de tes progrès et des révisions guidées.

Découvrir l’abonnement

Cours particuliers

Un prof de maths en Terminale, en ligne

Des séances individuelles avec un professeur, à distance, pour comprendre, combler ses lacunes et préparer les contrôles et le bac.

Réserver un cours particulier