# Concentration, loi des grands nombres : maths Terminale

Chapitre 15 du programme de mathématiques de Terminale (thème : Probabilités). Ressource gratuite OptiTAB.

- Cours : https://www.optitab.net/ressources-gratuites/maths/terminale/concentration-loi-des-grands-nombres/
- Fiche de révision : https://www.optitab.net/ressources-gratuites/maths/terminale/concentration-loi-des-grands-nombres/fiche/
- Exercices corrigés : https://www.optitab.net/ressources-gratuites/maths/terminale/concentration-loi-des-grands-nombres/exercices/

## Cours

**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.**

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

## I. Inégalité de Bienaymé-Tchebychev

**Théorème : Inégalité de Bienaymé-Tchebychev**
Soit $X$ une variable aléatoire d'espérance $\mu$ et de variance $V$. Pour tout réel $\delta \gt 0$ :

$$P\big(|X - \mu| \ge \delta\big) \le \frac{V}{\delta^2}$$

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

**Remarque : Forme équivalente**
En passant à l'événement contraire : $P\big(|X - \mu| \lt \delta\big) \ge 1 - \dfrac{V}{\delta^2}$.

**Propriété : Écarts mesurés en écarts types**
En notant $\sigma = \sqrt{V}$ l'écart type et en prenant $\delta = k\sigma$ avec $k \gt 0$ :

$$P\big(|X - \mu| \ge k\sigma\big) \le \frac{1}{k^2}$$

Un écart d'au moins $2\sigma$ a une probabilité au plus égale à $\dfrac{1}{4}$ ; un écart d'au moins $3\sigma$, au plus égale à $\dfrac{1}{9} \approx 0{,}11$.

**Exemple : Une loi binomiale**
Soit $X \sim \mathcal{B}(20\,;0{,}5)$ : $\mu = 20 \times 0{,}5 = 10$ et $V = 20 \times 0{,}5 \times 0{,}5 = 5$. Avec $\delta = 4$ :

$$P\big(|X - 10| \ge 4\big) \le \frac{5}{4^2} = \frac{5}{16} \approx 0{,}31$$

La valeur exacte, $P(X \le 6) + P(X \ge 14) \approx 0{,}115$, 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](https://optitab-media.s3.eu-north-1.amazonaws.com/cours_images/v1_n98_co98_1_bt_binomiale.png)

**Attention : Une 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 $2\sigma$ 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.

## II. Échantillon et variable moyenne

**Définition : Échantillon**
Un **échantillon de taille $n$** d'une loi de probabilité est une liste $(X_1, X_2, \dots, X_n)$ de $n$ variables aléatoires **indépendantes** qui suivent toutes cette loi. On note

$$
\begin{aligned}
S_n &= X_1 + X_2 + \dots + X_n \\
M_n &= \frac{S_n}{n}
\end{aligned}
$$

la somme et la **moyenne** de l'échantillon.

**Propriété : Espérance et variance de la moyenne**
Si la loi a pour espérance $\mu$ et pour variance $V$ :

$$
\begin{aligned}
E(M_n) &= \mu \\
V(M_n) &= \frac{V}{n} \\
\sigma(M_n) &= \frac{\sigma}{\sqrt{n}}
\end{aligned}
$$

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

**Exemple : Fréquence d'un succès**
On répète $n$ fois, de façon indépendante, une épreuve de Bernoulli de paramètre $p$ ; $X_i$ vaut $1$ en cas de succès, $0$ sinon. Alors $S_n \sim \mathcal{B}(n\,;p)$ et $M_n = F_n$ est la **fréquence** des succès, avec $E(F_n) = p$ et $V(F_n) = \dfrac{p(1-p)}{n}$.

## III. Inégalité de concentration

**Théorème : Inégalité de concentration**
Soit $M_n$ la moyenne d'un échantillon de taille $n$ d'une loi d'espérance $\mu$ et de variance $V$. Pour tout réel $\delta \gt 0$ :

$$P\big(|M_n - \mu| \ge \delta\big) \le \frac{V}{n\delta^2}$$

**Démonstration : On applique l'inégalité de Bienaymé-Tchebychev à la variable $M_n$, dont l'espérance vaut $\mu$ et la variance $\dfrac{V}{n}$. On obtient**

$$P\big(|M_n - \mu| \ge \delta\big) \le \frac{V(M_n)}{\delta^2} = \frac{V}{n\delta^2}$$

**Exemple : Lancers d'une pièce**
On lance $n$ fois une pièce équilibrée ; $F_n$ est la fréquence de « pile », $\mu = 0{,}5$ et $V = 0{,}5 \times 0{,}5 = 0{,}25$. Pour que $P\big(|F_n - 0{,}5| \ge 0{,}05\big) \le 0{,}05$, il suffit que

$$
\begin{aligned}
&\frac{0{,}25}{n \times 0{,}05^2} \le 0{,}05 \\
\iff\ &\frac{100}{n} \le 0{,}05 \\
\iff\ &n \ge 2\,000
\end{aligned}
$$

## IV. Loi des grands nombres

**Théorème : Loi faible des grands nombres**
Avec les notations précédentes, pour tout réel $\delta \gt 0$ :

$$\lim\limits_{n \to +\infty} P\big(|M_n - \mu| \ge \delta\big) = 0$$

**Démonstration : Pour tout $n \ge 1$, $0 \le P\big(|M_n - \mu| \ge \delta\big) \le \dfrac{V}{n\delta^2}$ et $\lim\limits_{n \to +\infty} \dfrac{V}{n\delta^2} = 0$ : 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](https://optitab-media.s3.eu-north-1.amazonaws.com/cours_images/v1_n98_co98_2_lgn_convergence.png)

La figure montre trois simulations de $1\,000$ lancers d'une pièce équilibrée. D'après l'inégalité de concentration, pour chaque $n$, la fréquence $f_n$ reste dans la bande verte avec une probabilité d'au moins $0{,}95$ : la largeur de cette bande tend vers $0$.

**Attention : Ce 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.

## V. Taille d'échantillon

**Méthode : Déterminer une taille d'échantillon**
Pour garantir $P\big(|M_n - \mu| \ge \delta\big) \le \alpha$ (précision $\delta$, risque $\alpha$), il suffit que

$$\frac{V}{n\delta^2} \le \alpha \iff n \ge \frac{V}{\alpha\delta^2}$$

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

**Propriété : Fréquence de paramètre inconnu**
Pour tout réel $p$, $p(1-p) = \dfrac{1}{4} - \left(p - \dfrac{1}{2}\right)^2 \le \dfrac{1}{4}$. Pour une fréquence, il suffit donc que

$$n \ge \frac{1}{4\alpha\delta^2}$$

et cette condition ne dépend pas de $p$.

**Exemple : Un sondage**
On veut estimer une proportion inconnue à $\delta = 0{,}03$ près avec un risque $\alpha = 0{,}05$ :

$$n \ge \frac{1}{4 \times 0{,}05 \times 0{,}03^2} \approx 5\,555{,}6$$

Il suffit d'interroger $5\,556$ personnes.

**Remarque : Pour aller plus loin : estimation**
Si l'on observe une moyenne $m$ sur un échantillon de taille $n$, on choisit $\delta = \sqrt{\dfrac{V}{n\alpha}}$. L'intervalle aléatoire $[M_n - \delta\,;M_n + \delta]$ contient $\mu$ avec une probabilité d'au moins $1 - \alpha$ : l'intervalle observé $[m - \delta\,;m + \delta]$ est un intervalle de confiance pour $\mu$, au niveau d'au moins $1 - \alpha$.

## VI. Simulation en Python

On simule $N = 1\,000$ 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 $|S - 50| \ge 10$.

```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) :

```console
0.057
```

L'inégalité de concentration garantit seulement

$$P\big(|F_{100} - 0{,}5| \ge 0{,}1\big) \le \frac{0{,}25}{100 \times 0{,}1^2} = 0{,}25$$

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

**Attention : Comparer 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 : $P\big(|X - \mu| \ge \delta\big) \le \dfrac{V}{\delta^2}$.**
- Moyenne d'un échantillon : $E(M_n) = \mu$ et $V(M_n) = \dfrac{V}{n}$.
- Concentration : $P\big(|M_n - \mu| \ge \delta\big) \le \dfrac{V}{n\delta^2}$.
- Loi des grands nombres : cette probabilité tend vers $0$ quand $n$ tend vers $+\infty$.
- Taille d'échantillon : $n \ge \dfrac{V}{\alpha\delta^2}$ ; pour une fréquence, $n \ge \dfrac{1}{4\alpha\delta^2}$.

Fiche de synthèse dans l'onglet Fiches !

## Fiche de révision

**Objectifs : Retenir l'essentiel : inégalité de Bienaymé-Tchebychev, inégalité de concentration, loi des grands nombres, taille d'échantillon. Programme de Terminale.**

## I. Les deux inégalités

**Formule : $$P\big(|X - \mu| \ge \delta\big) \le \frac{V}{\delta^2}$$**

1. Forme équivalente : $P\big(|X - \mu| \lt \delta\big) \ge 1 - \dfrac{V}{\delta^2}$.
2. Avec $\delta = k\sigma$ : $P\big(|X - \mu| \ge k\sigma\big) \le \dfrac{1}{k^2}$.
3. Moyenne $M_n$ d'un échantillon de taille $n$ : $E(M_n) = \mu$ et $V(M_n) = \dfrac{V}{n}$.

**Formule : $$P\big(|M_n - \mu| \ge \delta\big) \le \frac{V}{n\delta^2}$$**

## II. Loi des grands nombres

$$\lim\limits_{n \to +\infty} P\big(|M_n - \mu| \ge \delta\big) = 0$$

![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 qui se resserre](https://optitab-media.s3.eu-north-1.amazonaws.com/synthesis_images/v1_n98_fi42_2_lgn_convergence.png)

La moyenne d'un grand échantillon est proche de l'espérance ; la fréquence d'un succès se stabilise autour de sa probabilité $p$.

## III. Taille d'échantillon

**Méthode : Précision $\delta$, risque $\alpha$**
1. Écrire la condition suffisante $\dfrac{V}{n\delta^2} \le \alpha$.
2. Résoudre en $n$ : $n \ge \dfrac{V}{\alpha\delta^2}$.
3. Pour une fréquence de paramètre inconnu, utiliser $p(1-p) \le \dfrac{1}{4}$ : $n \ge \dfrac{1}{4\alpha\delta^2}$.

## IV. Les pièges à éviter

**Attention : Les 4 erreurs classiques**
1. Oublier le carré : c'est $\delta^2$ au dénominateur.
2. Confondre la variance $V$ et l'écart type $\sigma = \sqrt{V}$.
3. Prendre la majoration pour la valeur exacte : la vraie probabilité est souvent bien plus petite.
4. Croire que les résultats « se compensent » d'un lancer à l'autre.

**Remarque : Réflexe**
« Déterminer $n$ pour que la probabilité d'un écart d'au moins $\delta$ soit au plus $\alpha$ » → j'écris $\dfrac{V}{n\delta^2} \le \alpha$ et je résous en $n$.

## Exercices corrigés

### Exercice 1 : Fréquences et moyennes qui se stabilisent

Comprendre le sens de la loi des grands nombres sur des exemples simples.

1. On lance $100$ fois une pièce équilibrée et l'on obtient $47$ fois « pile ». Calculer la fréquence observée et la comparer à la probabilité théorique.
2. On lance $600$ fois un dé équilibré. Vers quelle valeur la moyenne des résultats obtenus devrait-elle se rapprocher ?
3. Sur $1\,000$ lancers d'une pièce, on observe $520$ fois « pile ». Ce résultat est-il compatible avec une pièce équilibrée ? On pourra majorer $P\big(|F - 0{,}5| \ge 0{,}05\big)$, où $F$ est la fréquence de « pile » sur $1\,000$ lancers.
4. On a simulé $1\,000$ lancers d'une pièce équilibrée. La figure donne la fréquence $f_n$ de « pile » après $n$ lancers.
   - a) Décrire l'évolution de $f_n$ quand $n$ augmente.
   - b) On note $F_n$ la fréquence aléatoire de « pile » sur $n$ lancers. À l'aide de l'inégalité de concentration, majorer $P\big(|F_n - 0{,}5| \ge 0{,}1\big)$ pour $n = 50$, puis pour $n = 1\,000$. Ces résultats sont-ils cohérents avec la figure ?

![Fréquence de pile en fonction du nombre n de lancers pour une simulation de 1 000 lancers d'une pièce équilibrée : la courbe oscille beaucoup au début puis se stabilise autour de 0,5](https://optitab-media.s3.eu-north-1.amazonaws.com/exercice_images/v1_n98_ex821_1_ex821_simulation.png)

5. Expliquer pourquoi la loi des grands nombres ne garantit pas que la fréquence sera exactement égale à la probabilité.

#### Correction détaillée

## Question 1 : Fréquence de « pile » sur $100$ lancers

**Méthode : La fréquence est le nombre de succès divisé par le nombre d'essais ; on la compare à $p = 0{,}5$.**

**Etape : Fréquence observée**
$$f = \frac{47}{100} = 0{,}47$$

**Etape : Comparaison**
L'écart avec la probabilité théorique est $|0{,}47 - 0{,}5| = 0{,}03$. Sur seulement $100$ lancers, un tel écart est courant : la loi des grands nombres décrit ce qui se passe quand le nombre de lancers devient grand.

**Resultat : $f = 0{,}47$, soit un écart de $0{,}03$ avec $p = 0{,}5$.**

## Question 2 : Moyenne de $600$ lancers d'un dé

**Méthode : La moyenne d'un grand échantillon se rapproche de l'espérance de la loi.**

**Etape : Espérance d'un lancer**
Chaque face a la probabilité $\dfrac{1}{6}$ :

$$E(X) = \frac{1 + 2 + 3 + 4 + 5 + 6}{6} = \frac{21}{6} = 3{,}5$$

**Etape : Loi des grands nombres**
La moyenne $M_{600}$ des $600$ résultats a pour espérance $E(M_{600}) = 3{,}5$ ; d'après la loi des grands nombres, elle est proche de $3{,}5$ avec une forte probabilité.

**Resultat : La moyenne des résultats devrait être proche de $3{,}5$.**

## Question 3 : $520$ « pile » sur $1\,000$ lancers

**Méthode : On applique l'inégalité de concentration à la fréquence $F$, avec $p = 0{,}5$, $V = p(1-p) = 0{,}25$ et $n = 1\,000$.**

**Etape : Inégalité de concentration**
$$
\begin{aligned}
P\big(|F - 0{,}5| \ge 0{,}05\big) &\le \frac{0{,}25}{1\,000 \times 0{,}05^2} \\
&= \frac{0{,}25}{2{,}5} = 0{,}1
\end{aligned}
$$

Pour une pièce équilibrée, la fréquence est donc comprise strictement entre $0{,}45$ et $0{,}55$ avec une probabilité d'au moins $0{,}9$.

**Etape : Conclusion**
La fréquence observée $\dfrac{520}{1\,000} = 0{,}52$ s'écarte de $0{,}5$ de seulement $0{,}02$ : elle est dans l'intervalle $]0{,}45\,;0{,}55[$.

**Resultat : Oui : $f = 0{,}52$ est compatible avec une pièce équilibrée.**

## Question 4 : Une simulation de $1\,000$ lancers

**Méthode : On lit la figure, puis on applique l'inégalité de concentration $P\big(|F_n - p| \ge \delta\big) \le \dfrac{p(1-p)}{n\delta^2}$ avec $p = 0{,}5$ et $\delta = 0{,}1$.**

**Etape : a) Lecture de la figure**
Pour les premiers lancers, $f_n$ varie beaucoup (de $0{,}3$ à $0{,}5$ environ). Ensuite, les oscillations diminuent : à partir d'une centaine de lancers, $f_n$ reste entre $0{,}4$ et $0{,}6$, et elle se stabilise autour de $0{,}5$.

**Etape : b) Majorant pour $n = 50$**
$$\frac{0{,}25}{50 \times 0{,}1^2} = \frac{0{,}25}{0{,}5} = 0{,}5$$

Donc $P\big(|F_{50} - 0{,}5| \ge 0{,}1\big) \le 0{,}5$. Sur $50$ lancers, l'inégalité garantit peu de chose.

**Etape : b) Majorant pour $n = 1\,000$**
$$\frac{0{,}25}{1\,000 \times 0{,}1^2} = \frac{0{,}25}{10} = 0{,}025$$

Donc $P\big(|F_{1\,000} - 0{,}5| \ge 0{,}1\big) \le 0{,}025$. Sur $1\,000$ lancers, sortir de la bande verte $]0{,}4\,;0{,}6[$ est très improbable.

![Même simulation avec la bande verte des fréquences comprises strictement entre 0,4 et 0,6 : la courbe en sort au début puis y reste à partir d'une centaine de lancers](https://optitab-media.s3.eu-north-1.amazonaws.com/exercice_images/v1_n98_ex821_2_ex821_simulation_corrige.png)

**Etape : Cohérence avec la figure**
Sur la figure, $f_n$ sort de la bande $]0{,}4\,;0{,}6[$ au début de la simulation, puis n'en sort plus : c'est cohérent avec un majorant qui passe de $0{,}5$ à $0{,}025$.

**Attention : Une simulation ne démontre rien : elle illustre la loi des grands nombres. Une autre simulation donnerait une autre courbe, mais elle aussi resterait le plus souvent proche de $0{,}5$ pour $n$ grand.**

**Resultat : $f_n$ fluctue beaucoup puis se stabilise autour de $0{,}5$. Majorants : $0{,}5$ pour $n = 50$, $0{,}025$ pour $n = 1\,000$, cohérents avec la figure.**

## Question 5 : Pas d'égalité exacte

**Méthode : On relit l'énoncé de la loi : il porte sur la **probabilité** d'un écart, pas sur la valeur de la fréquence.**

**Etape : Ce que dit la loi**
Pour tout $\delta \gt 0$, $\lim\limits_{n \to +\infty} P\big(|F_n - p| \ge \delta\big) = 0$ : un écart d'au moins $\delta$, aussi petit soit $\delta$, devient de plus en plus improbable.

**Etape : Ce qu'elle ne dit pas**
La fréquence reste aléatoire : elle n'est pas égale à $p$. Par exemple, $F_n$ est un multiple de $\dfrac{1}{n}$ : pour $n = 1\,001$ lancers, la fréquence de « pile » ne peut jamais valoir exactement $0{,}5$.

**Resultat : La loi des grands nombres garantit un rapprochement de la fréquence vers $p$ (en probabilité), pas une égalité.**

#### Réponses

1. $f = 0{,}47$ : écart de $0{,}03$ avec $p = 0{,}5$, courant sur $100$ lancers.
2. Vers l'espérance d'un lancer : $3{,}5$.
3. $P\big(|F - 0{,}5| \ge 0{,}05\big) \le 0{,}1$ ; $f = 0{,}52$ est dans $]0{,}45\,;0{,}55[$ : résultat compatible avec une pièce équilibrée.
4. a) $f_n$ fluctue beaucoup au début puis se stabilise autour de $0{,}5$. b) Majorants $0{,}5$ ($n = 50$) et $0{,}025$ ($n = 1\,000$) : cohérents avec la figure.
5. La loi porte sur la probabilité d'un écart, qui tend vers $0$ ; la fréquence reste aléatoire et n'est pas égale à $p$.

### Exercice 2 : Inégalité de Bienaymé-Tchebychev

Appliquer l'inégalité de Bienaymé-Tchebychev pour majorer ou minorer des probabilités.

1. Une variable aléatoire $X$ a pour espérance $\mu = 10$ et pour variance $V = 4$. Majorer $P\big(|X - 10| \ge 4\big)$.
2. La note $X$ d'un élève choisi au hasard a pour espérance $12$ et pour écart type $3$. Majorer la probabilité que la note s'écarte d'au moins $6$ points de $12$.
3. Une usine produit des boulons dont la longueur $L$ (en cm) a pour espérance $5$ et pour écart type $0{,}2$. Majorer la probabilité qu'un boulon mesure moins de $4{,}5$ cm ou plus de $5{,}5$ cm (zones orange ci-dessous).

![Droite graduée des longueurs L avec les valeurs 4,5, 5 et 5,5 ; zones orange pour L inférieur à 4,5 et L supérieur à 5,5](https://optitab-media.s3.eu-north-1.amazonaws.com/exercice_images/v1_n98_ex822_1_ex822_boulons.png)

4. Soit $X$ une variable aléatoire d'espérance $50$ et de variance $25$. Minorer $P\big(|X - 50| \lt 10\big)$.
5. Le temps de production $T$ d'une pièce (en minutes) a pour espérance $8$ et pour écart type $1{,}5$. Majorer la probabilité que $T$ s'écarte d'au moins $3$ minutes de $8$.

#### Correction détaillée

## Question 1 : Majorer $P\big(|X - 10| \ge 4\big)$

**Méthode : Inégalité de Bienaymé-Tchebychev : $P\big(|X - \mu| \ge \delta\big) \le \dfrac{V}{\delta^2}$.**

**Etape : Paramètres**
$\mu = 10$, $V = 4$ et $\delta = 4$.

**Etape : Calcul**
$$P\big(|X - 10| \ge 4\big) \le \frac{4}{4^2} = \frac{4}{16} = 0{,}25$$

**Resultat : $$P\big(|X - 10| \ge 4\big) \le 0{,}25$$**

## Question 2 : Note d'un élève

**Méthode : On traduit « s'écarter d'au moins $6$ points » par $|X - 12| \ge 6$, puis on applique l'inégalité avec $V = \sigma^2$.**

**Etape : Paramètres**
$\mu = 12$, $\sigma = 3$ donc $V = 3^2 = 9$, et $\delta = 6$.

**Etape : Calcul**
$$P\big(|X - 12| \ge 6\big) \le \frac{9}{6^2} = \frac{9}{36} = 0{,}25$$

**Attention : L'énoncé donne l'**écart type** : il faut l'élever au carré pour obtenir la variance.**

**Resultat : La probabilité d'une note inférieure ou égale à $6$ ou supérieure ou égale à $18$ est au plus $0{,}25$.**

## Question 3 : Longueur des boulons

**Méthode : On écrit l'événement sous la forme d'un écart à l'espérance.**

**Etape : Traduction**
Les bornes $4{,}5$ et $5{,}5$ sont à la même distance $\delta = 0{,}5$ de l'espérance $\mu = 5$ : l'intervalle est centré.

![Droite graduée des longueurs : espérance mu = 5 en vert, écarts delta = 0,5 de part et d'autre jusqu'à 4,5 et 5,5, zones orange L inférieur à 4,5 et L supérieur à 5,5 où l'écart à 5 dépasse 0,5](https://optitab-media.s3.eu-north-1.amazonaws.com/exercice_images/v1_n98_ex822_2_ex822_boulons_corrige.png)

« $L \lt 4{,}5$ ou $L \gt 5{,}5$ » signifie donc $|L - 5| \gt 0{,}5$. Cet événement est inclus dans $\big(|L - 5| \ge 0{,}5\big)$, donc

$$P\big(|L - 5| \gt 0{,}5\big) \le P\big(|L - 5| \ge 0{,}5\big)$$

**Etape : Calcul**
$V = 0{,}2^2 = 0{,}04$ et $\delta = 0{,}5$ :

$$P\big(|L - 5| \ge 0{,}5\big) \le \frac{0{,}04}{0{,}5^2} = \frac{0{,}04}{0{,}25} = 0{,}16$$

**Resultat : La probabilité qu'un boulon mesure moins de $4{,}5$ cm ou plus de $5{,}5$ cm est au plus $0{,}16$.**

## Question 4 : Minorer $P\big(|X - 50| \lt 10\big)$

**Méthode : Forme équivalente de l'inégalité (événement contraire) : $P\big(|X - \mu| \lt \delta\big) \ge 1 - \dfrac{V}{\delta^2}$.**

**Etape : Calcul**
$$
\begin{aligned}
P\big(|X - 50| \lt 10\big) &\ge 1 - \frac{25}{10^2} \\
&= 1 - 0{,}25 \\
&= 0{,}75
\end{aligned}
$$

**Resultat : $P\big(|X - 50| \lt 10\big) \ge 0{,}75$ : $X$ est strictement entre $40$ et $60$ avec une probabilité d'au moins $0{,}75$.**

## Question 5 : Temps de production

**Méthode : Écart d'au moins $3$ minutes : $|T - 8| \ge 3$ ; variance $V = 1{,}5^2$.**

**Etape : Calcul**
$$P\big(|T - 8| \ge 3\big) \le \frac{1{,}5^2}{3^2} = \frac{2{,}25}{9} = 0{,}25$$

**À retenir : Ici $\delta = 2\sigma$ : on retrouve la majoration universelle $\dfrac{1}{2^2} = \dfrac{1}{4}$ d'un écart d'au moins deux écarts types (de même aux questions 1 et 2).**

**Resultat : La probabilité que le temps soit au plus $5$ minutes ou au moins $11$ minutes est au plus $0{,}25$.**

#### Réponses

1. $P\big(|X - 10| \ge 4\big) \le \dfrac{4}{16} = 0{,}25$.
2. $P\big(|X - 12| \ge 6\big) \le \dfrac{9}{36} = 0{,}25$.
3. $P\big(|L - 5| \ge 0{,}5\big) \le \dfrac{0{,}04}{0{,}25} = 0{,}16$.
4. $P\big(|X - 50| \lt 10\big) \ge 1 - \dfrac{25}{100} = 0{,}75$.
5. $P\big(|T - 8| \ge 3\big) \le \dfrac{2{,}25}{9} = 0{,}25$.

### Exercice 3 : Taille d'échantillon et coût d'un sondage

Une mairie veut estimer la proportion $p$ d'habitants qui se rendent au travail à vélo. Elle interroge $n$ habitants choisis au hasard (on assimile ces choix à des tirages indépendants) et note $F_n$ la fréquence des cyclistes dans l'échantillon. Chaque entretien coûte $3$ euros.

1. Une majoration indépendante de $p$.
   - a) Rappeler $E(F_n)$ et $V(F_n)$.
   - b) Montrer que, pour tout $p \in [0\,;1]$, $p(1 - p) \le \dfrac{1}{4}$.
   - c) En déduire que, pour tout $\delta \gt 0$, $P\big(|F_n - p| \ge \delta\big) \le \dfrac{1}{4n\delta^2}$.
2. La mairie veut une précision $\delta = 0{,}05$ avec un risque d'au plus $0{,}05$. Déterminer une taille d'échantillon suffisante et le coût du sondage.
3. Même question pour une précision deux fois meilleure, $\delta = 0{,}025$. Commenter.
4. Le budget est limité à $4\,500$ euros. Quelle précision $\delta$ (arrondie au millième par excès) peut-on garantir avec un risque d'au plus $0{,}05$ ?
5. Une étude antérieure montre que $p \le 0{,}1$.
   - a) Montrer qu'alors $p(1 - p) \le 0{,}09$.
   - b) En déduire une taille d'échantillon suffisante pour une précision $\delta = 0{,}02$ avec un risque d'au plus $0{,}05$, et la comparer à celle obtenue sans cette information.

#### Correction détaillée

## Question 1 : Une majoration indépendante de $p$

**Méthode : $F_n$ est la fréquence d'un échantillon de Bernoulli de paramètre $p$ ; on majore $p(1 - p)$ par une forme canonique.**

**Etape : a) Espérance et variance**
$nF_n$ suit la loi $\mathcal{B}(n\,;p)$, donc
$$
\begin{aligned}
E(F_n) &= p \\
V(F_n) &= \frac{p(1 - p)}{n}
\end{aligned}
$$

**Etape : b) Forme canonique**
$$
\begin{aligned}
p(1 - p) &= -p^2 + p \\
&= \frac{1}{4} - \left(p - \frac{1}{2}\right)^2
\end{aligned}
$$
Un carré est positif, donc $p(1 - p) \le \dfrac{1}{4}$, avec égalité pour $p = \dfrac{1}{2}$.

**Etape : c) Inégalité de concentration**
$$
\begin{aligned}
P\big(|F_n - p| \ge \delta\big) &\le \frac{p(1 - p)}{n\delta^2} \\
&\le \frac{1}{4n\delta^2}
\end{aligned}
$$

**Resultat : $E(F_n) = p$, $V(F_n) = \dfrac{p(1 - p)}{n}$ et $P\big(|F_n - p| \ge \delta\big) \le \dfrac{1}{4n\delta^2}$, quelle que soit la valeur inconnue de $p$.**

## Question 2 : Précision $0{,}05$

**Méthode : Condition suffisante : $\dfrac{1}{4n\delta^2} \le \alpha$, soit $n \ge \dfrac{1}{4\alpha\delta^2}$.**

**Etape : Taille suffisante**
$$
\begin{aligned}
n &\ge \frac{1}{4 \times 0{,}05 \times 0{,}05^2} \\
&= \frac{1}{0{,}000\,5} = 2\,000
\end{aligned}
$$

**Etape : Coût**
$2\,000 \times 3 = 6\,000$ euros.

**Resultat : $2\,000$ entretiens suffisent, pour un coût de $6\,000$ euros.**

## Question 3 : Précision $0{,}025$

**Méthode : Même calcul ; on observe l'effet de $\delta$ au carré.**

**Etape : Taille suffisante**
$$
\begin{aligned}
n &\ge \frac{1}{4 \times 0{,}05 \times 0{,}025^2} \\
&= \frac{1}{0{,}000\,125} = 8\,000
\end{aligned}
$$

**Etape : Coût et commentaire**
$8\,000 \times 3 = 24\,000$ euros. Diviser la précision $\delta$ par $2$ oblige à multiplier $n$ par $2^2 = 4$, et donc le coût aussi.

**Resultat : $8\,000$ entretiens, soit $24\,000$ euros : une précision deux fois meilleure coûte quatre fois plus cher.**

## Question 4 : Budget de $4\,500$ euros

**Méthode : On calcule le nombre d'entretiens possibles, puis on résout $\dfrac{1}{4n\delta^2} \le 0{,}05$ en $\delta$.**

**Etape : Nombre d'entretiens**
$\dfrac{4\,500}{3} = 1\,500$ : on peut interroger $n = 1\,500$ habitants.

**Etape : Précision garantie**
$$
\begin{aligned}
&\frac{1}{4 \times 1\,500 \times \delta^2} \le 0{,}05 \\
\iff\ &\delta^2 \ge \frac{1}{300} \\
\iff\ &\delta \ge \frac{1}{\sqrt{300}} \approx 0{,}057\,7
\end{aligned}
$$

**Resultat : Avec $1\,500$ entretiens, on peut garantir une précision $\delta = 0{,}058$ avec un risque d'au plus $0{,}05$.**

**Attention : On arrondit $\delta$ **par excès** : avec $\delta = 0{,}057$, on aurait $\delta^2 \lt \frac{1}{300}$, et la garantie ne serait plus assurée.**

## Question 5 : Utiliser l'information $p \le 0{,}1$

**Méthode : La fonction $p \mapsto p(1 - p)$ est croissante sur $\left[0\,;\frac{1}{2}\right]$ : sur $[0\,;0{,}1]$, elle est majorée par sa valeur en $0{,}1$.**

**Etape : a) Majoration de $p(1 - p)$**
La parabole d'équation $y = p(1 - p)$ a pour sommet le point d'abscisse $\frac{1}{2}$ et elle est tournée vers le bas : la fonction est croissante sur $\left[0\,;\frac{1}{2}\right]$. Pour $0 \le p \le 0{,}1$ :
$$p(1 - p) \le 0{,}1 \times 0{,}9 = 0{,}09$$

![Parabole y = p(1 - p) sous la droite orange y = 1/4 ; la partie de la courbe pour p entre 0 et 0,1 est en vert épais et atteint au plus 0,09, au point (0,1 ; 0,09)](https://optitab-media.s3.eu-north-1.amazonaws.com/exercice_images/v1_n98_ex5559_1_n4_parabole_corrige.png)

**Etape : b) Taille avec l'information**
$$
\begin{aligned}
n &\ge \frac{0{,}09}{0{,}05 \times 0{,}02^2} \\
&= \frac{0{,}09}{0{,}000\,02} = 4\,500
\end{aligned}
$$

**Etape : b) Taille sans l'information**
$$
\begin{aligned}
n &\ge \frac{1}{4 \times 0{,}05 \times 0{,}02^2} \\
&= \frac{1}{0{,}000\,08} = 12\,500
\end{aligned}
$$

**Resultat : $p(1 - p) \le 0{,}09$ ; $4\,500$ entretiens suffisent ($13\,500$ euros) au lieu de $12\,500$ ($37\,500$ euros) sans l'information $p \le 0{,}1$.**

#### Réponses

1. a) $E(F_n) = p$, $V(F_n) = \frac{p(1 - p)}{n}$. b) $p(1 - p) = \frac{1}{4} - \left(p - \frac{1}{2}\right)^2 \le \frac{1}{4}$. c) Inégalité de concentration et majoration de $p(1 - p)$.
2. $n \ge 2\,000$ : $6\,000$ euros.
3. $n \ge 8\,000$ : $24\,000$ euros (précision $\times 2$, coût $\times 4$).
4. $n = 1\,500$ : $\delta \ge \frac{1}{\sqrt{300}} \approx 0{,}057\,7$, soit $\delta = 0{,}058$.
5. a) $p(1 - p) \le 0{,}1 \times 0{,}9 = 0{,}09$. b) $n \ge 4\,500$ au lieu de $12\,500$.
