Echantillon de Variables Aléatoires

Loi des Grands Nombres

 Echantillon de Variables Aléatoires
Loi des Grands Nombres
I – Echantillon de variables aléatoires
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
Soit X la variable aléatoire qui, à chaque paquet de chips issue d’une chaîne de production,
associe sa masse en grammes.
Pour tout 𝑘 ∈ 1 ; 3 , on note 𝑋𝑘 la variable aléatoire qui, à
chaque lot de 3 paquets de chips, associe la masse du 𝑘 − 𝑖è𝑚𝑒 paquet.
Les variables aléatoires 𝑋1 , 𝑋2 et 𝑋3 sont indépendantes et suivent la même loi que X donc,
𝑋1 ; 𝑋2 ; 𝑋3 est un échantillon de taille 3 de la loi de X.

Remarque
Une liste 𝑥1 ; 𝑥2 ; … ; 𝑥𝑛 de valeurs prises respectivement par les variables aléatoires 𝑋𝑘 avec 𝑘 ∈ 1 ; 𝑛
est une réalisation de cet échantillon.

2°) Somme d’un échantillon

Définition Soit 𝑋1 ; 𝑋2 ; … ; 𝑋𝑛 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.

Exemple
On reprend l’exemple des paquets de chips. La variable aléatoire somme 𝑆3 = 𝑋1 + 𝑋2 + 𝑋3
associe, à chaque lot de 3 paquets de chips, la masse totale en grammes du lot.

Théorème Soit 𝑆𝑛 la somme d’un échantillon de taille 𝑛 de la loi de probabilité

suivie par une variable aléatoire 𝑋.
𝑬 𝑺𝒏 = 𝒏 × 𝑬 𝑿 𝑽 𝑺𝒏 = 𝒏 × 𝑽 𝑿 𝝈 𝑺𝒏 = 𝒏 × 𝝈 𝑿

Démonstration
 Exemple

3°) Moyenne d’un échantillon

Définition Soit 𝑋1 ; 𝑋2 ; … ; 𝑋𝑛 un échantillon de taille 𝑛 de la loi de probabilité

suivie par une variable aléatoire 𝑋.
𝑿 +𝑿 +⋯+𝑿𝒏 𝑺
La moyenne de cet échantillon est la variable aléatoire 𝑴𝒏 = 𝟏 𝟐𝒏 = 𝒏𝒏 .

Exemple
𝑋 +𝑋 +𝑋
On reprend l’exemple des paquets de chips. La variable aléatoire moyenne 𝑀3 = 1 32 3
associe, à chaque lot de 3 paquets de chips, la masse moyenne en grammes d’un paquet.

Théorème Soit 𝑀𝑛 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

Démonstration
Exemple

Interprétation
En prenant un grand nombre de fois des échantillons de taille 10 et en calculant à chaque fois la moyenne
de ces échantillons, la moyenne théorique de ces résultats est 𝐸 𝑀10 .

Remarque
𝝈 𝑿
𝝈 𝑴𝒏 = 𝒏
montre que l’écart type diminue quand la taille de l’échantillon augmente
et tend vers 0 quand la taille de l’échantillon tend vers +∞.
Elle quantifie la fluctuation d’échantillonnage, c’est-à-dire l’écart moyen entre les valeurs prises
par la variable aléatoire et son espérance.
Par exemple,
 4°) Simuler un échantillon d’une loi de probabilité

Exemple

1.

2. Calculer l’espérance de la variable aléatoire X.

3. Voici une fonction en langage Python à saisir à la suite du programme de la question 1.b)
5°) Quelques exercices

Exercice n°1

Exercice n°2

Exercice n°3
Exercice n°4

Exercice n°5
II – Inégalités probabilistes
1°) Inégalité de Bienaymé-Tchebychev
a. Activité
 b. Propriété

Cette propriété porte

Propriété Soit 𝑋 une variable aléatoire d’espérance 𝜇 et de variance 𝑉.
le nom suivant :
Pour tout réel 𝜹 > 𝟎, on a :
𝑽
Inégalité de
𝑷 𝑿 − 𝝁 ≥ 𝜹 ≤ 𝜹𝟐 Bienaymé-Tchebychev

Démonstration

Remarques
L’intérêt de cette inégalité est surtout théorique.
Il sert aussi pour la détermination d’un nombre d’échantillons en procédant pas conditions suffisantes.

Cette inégalité peut aussi se traduire de la manière suivante :

𝑉
𝑃 𝑋 − 𝜇 ≥ 𝛿 ≤ 𝛿2
𝑉
⟺ 1−𝑃 𝑋−𝜇 <𝛿 ≤
𝛿2
𝑉
⟺ 𝑃 𝑋−𝜇 <𝛿 ≥1− 2
𝛿
𝑉
⟺ 𝑃 𝜇−𝛿 < 𝑋 <𝜇+𝛿 ≥ 1−
𝛿2
c. Exemples et Illustration

d. Exercices

Exercice n°1

Exercice n°2
 2°) Inégalité de concentration

a. propriété et exemple

Soit 𝑋1 ; 𝑋2 ; … ; 𝑋𝑛 un échantillon de taille 𝑛 de la loi de probabilité

suivie par une variable aléatoire 𝑋 dont l’espérance est 𝜇 et la variance 𝑉.

𝑋1 +𝑋2 +⋯+𝑋𝑛
On note 𝑀𝑛 = la variable aléatoire moyenne de cet échantillon.
𝑛

Cette propriété porte

Propriété Pour tout réel 𝜹 > 𝟎, on a : le nom suivant :
𝑽
𝑷 𝑴𝒏 − 𝝁 ≥ 𝜹 ≤ 𝒏×𝜹𝟐 Inégalité de
concentration

Démonstration

Exemple
b. Quelques exercices
Exercice n°1

Exercice n°2

Exercice n°3

Exercice n°5

Exercice n°4
 3°) Loi des grands nombres

Soit 𝑋1 ; 𝑋2 ; … ; 𝑋𝑛 un échantillon de taille 𝑛 de la loi de probabilité

suivie par une variable aléatoire 𝑋 dont l’espérance est 𝜇 et la variance 𝑉.

𝑋1 +𝑋2 +⋯+𝑋𝑛
On note 𝑀𝑛 = la variable aléatoire moyenne de cet échantillon.
𝑛

Propriété Pour tout réel 𝜹 > 𝟎, on a : Cette propriété porte

le nom suivant :
𝑙𝑖𝑚 𝑷 𝑴𝒏 − 𝝁 ≥ 𝜹 =𝟎 loi des grands nombres
𝒏⟶+∞

Démonstration

Remarque
Comme on peut prendre 𝛿 = 0,01 𝑜𝑢 0,001 𝑜𝑢 0,0001 … (aussi petit que l’on veut au final),
cette propriété illustre le fait que la moyenne de l’échantillon se rapproche de l’espérance
des variables aléatoires quand la taille de l’échantillon « devient grande »
ce qui justifie la possibilité de définir des probabilités en prenant pour valeurs approchées
les fréquences obtenues pour un « grand » nombre d’essais.
(comme vue en classe de Seconde et/ou en classe de Première)

Exemple
Un exercice
Algo et Python n°1
Algo et Python n°2
Algo et Python n°3
Type Bac 1
Approfondissement
Vers le grand oral