Académique Documents
Professionnel Documents
Culture Documents
XIV
Inégalité de concentration - Loi des grands nombres XIV-1
1. Exploiter une moyenne d’échantillon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XIV-1
a) Moyenne d’un échantillon de taille n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XIV-1
b) Estimation de la proportion des valeurs dans un intervalle . . . . . . . . . . . . . . . . . . . . . XIV-4
2. Exploiter des inégalités probabilistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XIV-6
a) Inégalités de Markhov et de Bienaymé-Tchebychev . . . . . . . . . . . . . . . . . . . . . . . . . XIV-6
b) Inégalité de concentration et loi des Grands Nombres . . . . . . . . . . . . . . . . . . . . . . . . XIV-8
3. En résumé : inégalités probabilistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XIV-11
4. Approfondissement possible : marche aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XIV-11
Chapitre XIV
• On rappelle qu’un échantillon de taille n (n ∈ N∗ ) d’une loi de probabilité est une liste de n variables
aléatoires indépendantes suivant cette loi.
• Soit (X1 , X2 , . . . , Xn ) un échantillon de taille n d’une loi de probabilité donnée.
On appelle variable aléatoire moyenne de l’échantillon la variable définie par :
1
Mn = (X1 + X2 + . . . + Xn )
n
Propriété 1
Pour tout échantillon (X1 , X2 , . . . , Xn ) de la loi d’une variable aléatoire X dont la moyenne est Mn , on a :
1 1
E(Mn ) = E(X) V (Mn ) = V (X) σ(Mn ) = √ σ(X)
n n
Démonstration
Pour l’espérance :
!
1X 1X
n n
E(Mn ) = E Xk = E(Xk ) d’après la linéarité de l’espérance.
n n
k=1 k=1
1X
n
= E(X) car E(X) = E(Xk ).
n
k=1
1 X n
= E(X) 1 car E(X) est indépendant de k
n
k=1
| {z }
n
1
= × n × E(X)
n
= E(X)
p XIV-2 Chap. XIV
Pour la variance : !
1X 1 X
n n
V (Mn ) = V Xk = 2 V (Xk ) car les Xk sont des variables indépendantes.
n n
k=1 k=1
1X
n
= V (X) car V (X) = V (Xk ).
n
k=1
1 X n
= 2 V (X) 1 car V (X) est indépendant de k
n
k=1
| {z }
n
1
= 2 × n × V (X)
n
1
= V (X)
n
Pour l’écart-type :
r
p 1 1 p 1
σ(Mn ) = V (Mn ) = V (X) = √ V (X) = √ σ(X)
n n n
A titre d’exemple 1
Soit X une une variable aléatoire qui suit une loi binomiale de paramètres n = 200 et p = 0, 3. Soit
(X1 , X2 , . . . , Xk ) un échantillon de taille k = 50 de la loi de X.
On note M50 la variable aléatoire moyenne de cet échantillon.
1. Partie probabilité
a) Calcul de l’espérance, de la variance et de l’écart-type de X.
• µ = E(X) = np = 200 × 0, 3 = 60
• E(M50 ) = E(X) = 60
1 1
• V (M50 ) = V (X) = × 42 = 0, 84
50 50
p √
• σ(M50 ) = V (M50 ) = 0, 84 ≈ 0, 9165 à 10−2 près.
ou r
1 1 √ 0, 42 √
σ(M50 ) = √ σ(X) = √ × 0, 42 = = 0, 84 ≈ 0, 9165 à 10−4 près.
50 50 50
2. Partie modélisation
Modélisation de la variable aléatoire X et de la variable aléatoire Mk .
La fonction simu_X en Python comptabilise le nombre de succès lors de n répétitions indépendantes
d’une même loi de Bernoulli de paramètre p. Autrement dit, la fonction simu_X simule une variable
aléatoire suivant la loi binomiale B(n, p).
1.. EXPLOITER UNE MOYENNE D’ÉCHANTILLON p XIV-3
La fonction simu_M(n,p,k) simule la variable aléatoire M_k c’est-à-dire qu’elle simule la variable aléatoire
moyenne de l’échantillon (X1 , X2 , . . . , Xk ) de taille k.
Codage en Python
1 import random as rd
2 def simu_X(n,p) :
3 for experience in range(1,n) :
4 if rd.randint(1,10)<=10∗p : # car p possède une valeur exacte au dixième
5 cpt = cpt+1
6 return cpt
7
8 def simu_M(n,p,k) :
9 s=[simu_X(n,p) for i in range(k)] :
10 Mk=sum(s)/k
11 return Mk
X est une variable aléatoire suivant une loi binomiale de paramètres n = 15 et p = 0, 654.
On considère un échantillon (X1 , X2 , . . . , X8 0) de la loi suivie par X.
1
On note S80 = X1 + X2 + . . . + X8 0 et M80 = (X1 + X2 + . . . + X8 0).
80
3. Réaliser des fonctions en Python qui simulent les espérances et les variances de S80 et M80 . Les comparer
avec les résultats déterminer au 1).
p XIV-4 Chap. XIV
1. À propos de X.
On cherche à calculer la probabilité que la variable aléatoire X s’éloigne de la valeur d’un écart-type de
son espérance, ce qui revient à calculer P (|X − µ| ⩽ σ) autrement dit, on cherche à calculer la probabilité
P (µ − σ ⩽ X √⩽ µ + σ) à l’aide d’un outil numérique.
µ − σ = 60 − √42 ≈ 54 arrondi à l’unité près.
µ − σ = 60 + 42 ≈ 66 arrondi à l’unité près.
Remarque :
2. À propos de Mk .
On cherche à estimer la proportion des valeurs de Mk qui s’éloignent de la valeur σMk de son espérance
E(Mk ), ce qui revient à calculer P (|M k − E(Mk )| ⩽ σ(Mk )).
Pour y parvenir, on prend un échantillon de taille k. On exécute la fonction simu_X(n,p,k) qui retourne
Mk.
Si l’écart entre Mk et E(Mk ) = 60 est inférieur à σ(Mk ) ≈ 0, 92, on attribue la valeur 1, sinon la valeur
0. On va prendre plusieurs échantillons de taille k ; On va prendre N échantillons. Et on va compter la
fréquence des succès. A la suite des programmes précédents, on réalise donc la fonction estim_proportion :
Codage en Python
1 import random as rd
2 def simu_X(n,p) :
3 cpt=0
4 for experience in range(1,n) :
5 if rd.randint(1,10)<=10∗p :
6 cpt = cpt+1
7 return cpt
8
9 def simu_M(n,p,k) :
10 s=[simu_X(n,p) for i in range(k)]
11 Mk=sum(s)/k
12 return Mk
13
14 def estim_proportion(n,p,k,N) :
15 ech=[simu_M(n,p,k) for i in range(N)]
16 compteur=0
17 for m in ech :
18 if abs(m−60)<=0.9165 :
19 compteur=compteur+1
20 return compteur/N
1.. EXPLOITER UNE MOYENNE D’ÉCHANTILLON p XIV-5
b. Y ∈ [45; 51] ⇐⇒ |Y − . . .| ⩽ . . .
.......................................................................................................
.......................................................................................................
.......................................................................................................
d. Y ∈] − ∞; 2] ∪ [16; +∞ ⇐⇒ |Y − . . .| ⩾ . . .
.......................................................................................................
.......................................................................................................
.......................................................................................................
• Inégalité de Markov :
E(X)
P (X ⩾ δ) ⩽
δ
• Inégalité de Bienaymé-Tchebychev :
V (X)
P (|X − E(X)| ⩾ δ) ⩽
δ2
(pré-requis : définition de la variance d’une variable aléatoire, notion de valeur absolue pour exprimer la
distance entre deux nombres réels).
Soient x1 ,x2 , …, xn les valeurs prises par la variable aléatoire X et on désigne par H l’ensemble des valeurs xk
telles que |xk − µ| ⩾ δ.
X
n
2
X 2
X 2
On a : V(X) = P (X = xk ) (xk − µ) = P (X = xk ) (xk − µ) + P (X = xk ) (xk − µ) .
| {z }
k=1 xk ∈H xk ∈H
/ ⩾0
X
D’où, on obtient : V ⩾ δ 2
P (X = xk ).
xk ∈H
X
Or, P (X = xk ) = P (|X − µ| ⩾ δ).
xk ∈H
V (X)
On en conclut que : P (|X − µ| ⩾ δ) ⩽ .
δ2
Exercice 5 : On considère la variable aléatoire X donnant le nombre de points marqués par une équipe de
basket au cours d’un match. Un analyste affirme : « Grâce à l’inégalité de Markov, je peux dire que la probabilité
que l’équipe marque au moins 48 points est inférieure à 75% ».
Calculer le nombre moyen de buts marqués par match par l’équipe.
Exercice 6 : Dans une population, la taille en cm d’une personne adulte prise au hasard est donnée par une
variable aléatoire :
Exercice 7 : Le nombre de messages envoyés quotidiennement par Yvan via son portable est donné par une
variable aléatoire M d’espérance E(M ) = 50 et d’écart-type σ(M ) = 10.
1. Minorer la probabilité que l’écart entre M et E(M ) soit inférieur à deux écarts-types.
2. a) Minorer la probabilité qu’Yvan envoie au plus 10 messages OU au moins 90 messages, par jour.
b) Sachant que P (M ⩽ 10) = 0, 01, majorer la probabilité qu’il envoie 90 messages ou plus par jour.
Pour toute variable aléatoire X associée à un échantillon (X1 , X2 , . . . Xn ) de taille n, et pour tout nombre réel
δ>0 :
• Inégalité de concentration :
V (X)
P (|Mn − E(X)| ⩾ δ) ⩽
nδ 2
On en déduit que :
!
1X 1 X
n n
1 V
V (Mn ) = V Xk = 2
V (Xk ) = 2 × nV = .
n n n n
k=1 k=1
lim P (|Mn − µ| ⩾ δ) = 0.
n→+∞
Interprétation :
L’écart entre la moyenne d’un échantillon d’une variable aléatoire et l’espérance de cette variable ne dépasse une valeur
donnée à l’avance qu’avec une probabilité qui tend vers zéro quand la taille de l’échantillon tend vers l’infini.
Autrement dit, la loi des grands nombres signifie que plus la taille de l’échantillon d’une variable aléatoire X est
grande, plus l’écart entre la moyenne de cet échantillon et l’espérance de la variable aléatoire X est faible.
2.. EXPLOITER DES INÉGALITÉS PROBABILISTES p XIV-9
Énoncé :
Justifier qu’en lançant une punaise un nombre de fois suffisamment grand, on peut estimer la probabilité
qu’elle retombe en reposant sur sa pointe.
Résolution :
On considère l’expérience aléatoire qui consiste à lancer une punaise et à regarder si elle retombe sur la
« pointe » (succès de probabilité p inconnue), ou sur la « tête ».
On note alors X1 , X2 , . . . Xn n variables aléatoires indépendantes toutes de même loi de Bernoulli de paramètre
p et associées à ces répétitions. Ces variables ont donc pour espérance p.
1X
n
Notant Mn = Xk et appliquant la loi des grands nombres, on obtient que :
n
k=1
pour tout δ > 0 , lim P (|Mn − p| ⩾ δ) = 0.
n→+∞
En lançant un grand nombre de fois la punaise, on peut donc estimer la valeur de p en observant la réalisation
de la variable aléatoire Mn .
Recherche
Recherche
ai 8 12 24 bi 5 7,5 15
P (A = ai ) 0,5 0,25 0,25 P (B = bi ) 0,1 0,7 0,2
2. Déterminer une valeur de n à partir de laquelle on est sûr à 95 % que Mn est compris entre 12 et 14.
3. Ecrire une fonction « X » en Python qui simule la va-
riable aléatoire X.
En exécutant « graphique(n) », on obtiendra une re-
présentation graphique des moyennes obtenues au cours
d’une simulation de n répétitions successives de la va-
riable X.
3.. EN RÉSUMÉ : INÉGALITÉS PROBABILISTES p XIV-11
L’inégalité de concentration implique que plus la taille des échantillons est importante, plus les moyennes sont regrou-
pées autour de l’espérance :
Énoncé :
Sur un axe horizontal, un pion placé à l’origine du repère (O; I) se déplace de la manière suivante :
• Si le lancer d’une pièce équilibrée donne « pile », on déplace le pion d’une unité vers la droite.
• Si le lancer d’une pièce équilibrée donne « face », on déplace le pion d’une unité vers la gauche.
Après n déplacements, on note Dn le nombre de fois où le pion a effectué un déplacement vers la droite et Xn l’abscisse
du pion dans le repère.
1. Simuler la variable aléatoire Xn .
2. Utiliser cette simulation pour estimer l’espérance et l’écart type de Xn .
√
3. Démontrer que la variable aléatoire Xn a pour espérance 0 et pour écart type n.
p XIV-12 Chap. XIV
Éléments de correction :
Codage en Python
13 def Estim_Moyenne_Ecart_type(n,N) :
14 echXn=[X(n) for i in range(N)]
15 moy=sum(echXn)/N
16 var = 0
17 for j in range (N) :
18 var = var+(echXn[j]−moy)∗∗2
19 return(moy,sqrt(var/N))