Concentration, loi des grands nombres

Ce que tu vas savoir faire

• Définir le vocabulaire essentiel du chapitre.
• Identifier une idée directrice dans un document ou une démonstration.
• Justifier une réponse par des éléments précis.
• Distinguer une affirmation, son explication et ses limites.
• Organiser une réponse courte et rigoureuse.
• Réviser à l’aide de questions et de cartes de mémorisation.

Avant de commencer

• Relire les définitions déjà rencontrées dans le parcours de Terminale.
• Prévoir un support pour reformuler les idées importantes.

Définition et intuition

Théorème de la loi faible des grands nombres La loi faible des grands nombres stipule que pour une suite de variables aléatoires indépendantes et identiquement distribuées (i.i.d.) avec une espérance commune \mu et une variance finie, la moyenne de ces variables converge en probabilité vers \mu quand le nombre de variables augmente. Démonstration : Soit (X_1, X_2, ..., X_n) une suite de variables aléatoires i.i.d. avec une espérance \mu et une variance \sigma^2 . La moyenne \overline{X} = \frac{1}{n} \sum_{i=1}^{n} X_i a pour espérance E[\overline{X}] = \mu et pour variance Var[\overline{X}] = \frac{\sigma^2}{n} .…

Repère les termes importants, reformule l’idée avec tes mots puis relie-la à la question du chapitre. Ne retiens pas une formule isolée : explique son rôle dans le raisonnement.

Peux-tu définir les notions mobilisées et montrer, en deux ou trois phrases, comment elles permettent de comprendre définition et intuition ?

Inégalité de Bienaymé-Tchebychev

Formulation de l'inégalité Pour une variable aléatoire X avec une espérance \mu et une variance \sigma^2 , l'inégalité de Bienaymé-Tchebychev s'exprime comme suit pour tout k > 0 : P(|X - \mu| \geq k\sigma) \leq \frac{1}{k^2} Démonstration Soit X une variable aléatoire avec une espérance \mu et une variance \sigma^2 . En appliquant la définition de la variance, nous pouvons réécrire l'événement |X - \mu| \geq k\sigma comme (X - \mu)^2 \geq k^2\sigma^2 , puis utiliser la définition de l'espérance pour montrer que : E[(X - \mu)^2] = \sigma^2 Ensuite, en utilisant la propriété que l'espérance est toujours supérieure ou égale à la probabilité multipliée par la valeur à laquelle l'espérance est évaluée, on obtient l'inégalité de Bienaymé-Tchebychev.

Repère les termes importants, reformule l’idée avec tes mots puis relie-la à la question du chapitre. Ne retiens pas une formule isolée : explique son rôle dans le raisonnement.

Peux-tu définir les notions mobilisées et montrer, en deux ou trois phrases, comment elles permettent de comprendre inégalité de bienaymé-tchebychev ?

Loi forte des grands nombres

Explication de la convergence presque sûre La convergence presque sûre signifie que la moyenne des variables aléatoires converge vers l'espérance sur l'ensemble des possibilités, à l'exception d'un ensemble de probabilité nulle. En pratique, cela indique une régularité encore plus forte que celle obtenue avec la loi faible. Démonstration de la loi forte La démonstration de la loi forte des grands nombres est généralement plus complexe et repose sur des résultats plus profonds, comme le lemme de Borel-Cantelli. Elle n'est pas généralement couverte en détail dans les cours de niveau terminale en raison de sa complexité technique. Cependant, la démonstration conceptuelle est la suivante : On considère (X_1, X_2, ..., X_n) une suite de variables aléatoires i.i.d. avec une espérance commune \mu et une variance \sigma^2 .…

Repère les termes importants, reformule l’idée avec tes mots puis relie-la à la question du chapitre. Ne retiens pas une formule isolée : explique son rôle dans le raisonnement.

Peux-tu définir les notions mobilisées et montrer, en deux ou trois phrases, comment elles permettent de comprendre loi forte des grands nombres ?

Application pratique de la loi des grands nombres

Estimateurs Lorsqu'on prélève un échantillon d'une population et que l'on calcule la moyenne, la loi des grands nombres assure que cette moyenne sera, pour un grand nombre d'observations, un bon estimateur de la moyenne de la population entière. Simulations Les simulations informatiques utilisant des méthodes Monte Carlo s'appuient sur la loi des grands nombres pour garantir que leurs résultats se rapprochent des valeurs théoriques attendues à mesure que le nombre de simulations augmente.

Repère les termes importants, reformule l’idée avec tes mots puis relie-la à la question du chapitre. Ne retiens pas une formule isolée : explique son rôle dans le raisonnement.

Peux-tu définir les notions mobilisées et montrer, en deux ou trois phrases, comment elles permettent de comprendre application pratique de la loi des grands nombres ?

Approfondissements possibles

Marche aléatoire L'étude de la loi des grands nombres peut être étendue à la marche aléatoire, qui est un exemple de processus stochastique. Ici, la loi des grands nombres peut être utilisée pour montrer que, sous certaines conditions, la position moyenne d'un marcheur aléatoire après un grand nombre de pas se rapprochera d'une valeur spécifique. Extensions interdisciplinaires Des applications de la loi des grands nombres peuvent être trouvées dans presque tous les domaines, de la physique à l'économie, et son étude peut être adaptée pour inclure des situations spécifiques à ces domaines, comme des taux d'échec dans des processus industriels ou des tendances dans les marchés financiers.

Repère les termes importants, reformule l’idée avec tes mots puis relie-la à la question du chapitre. Ne retiens pas une formule isolée : explique son rôle dans le raisonnement.

Peux-tu définir les notions mobilisées et montrer, en deux ou trois phrases, comment elles permettent de comprendre approfondissements possibles ?

Conclusion

La loi des grands nombres et l'inégalité de Bienaymé-Tchebychev constituent les fondements de la théorie des probabilités et des statistiques, permettant de comprendre et d'expliquer la stabilité des moyennes et la fiabilité des estimations à partir d'échantillons de données. Ils fournissent une base théorique solide pour l'analyse de données et la prise de décision fondée sur des méthodes statistiques.

Repère les termes importants, reformule l’idée avec tes mots puis relie-la à la question du chapitre. Ne retiens pas une formule isolée : explique son rôle dans le raisonnement.

Peux-tu définir les notions mobilisées et montrer, en deux ou trois phrases, comment elles permettent de comprendre conclusion ?

Erreurs fréquentes

L'essentiel à mémoriser

• Théorème de la loi faible des grands nombres La loi faible des grands nombres stipule que pour une suite de variables aléatoires indépendantes et identiquement distribuées (i.i.d.) avec une espérance commune \mu et une variance finie, la moyenne de ces variables converge en probabilité vers \mu quand le nombre de variables augmente. Démonstration : Soit (X_1, X_2, ..., X_n) une suite de variables aléatoires i.i.d. avec une espérance \mu et une variance \sigma^2 . La moyenne \overline{X} = \frac{1}{n} \sum_{i=1}^{n} X_i a pour espérance E[\overline{X}] = \mu et pour variance Var[\overline{X}] = \frac{\sigma^2}{n} .…
• Formulation de l'inégalité Pour une variable aléatoire X avec une espérance \mu et une variance \sigma^2 , l'inégalité de Bienaymé-Tchebychev s'exprime comme suit pour tout k > 0 : P(|X - \mu| \geq k\sigma) \leq \frac{1}{k^2} Démonstration Soit X une variable aléatoire avec une espérance \mu et une variance \sigma^2 . En appliquant la définition de la variance, nous pouvons réécrire l'événement |X - \mu| \geq k\sigma comme (X - \mu)^2 \geq k^2\sigma^2 , puis utiliser la définition de l'espérance pour montrer que : E[(X - \mu)^2] = \sigma^2 Ensuite, en utilisant la propriété que l'espérance est toujours supérieure ou égale à la probabilité multipliée par la valeur à laquelle l'espérance est évaluée, on obtient l'inégalité de Bienaymé-Tchebychev.
• Explication de la convergence presque sûre La convergence presque sûre signifie que la moyenne des variables aléatoires converge vers l'espérance sur l'ensemble des possibilités, à l'exception d'un ensemble de probabilité nulle. En pratique, cela indique une régularité encore plus forte que celle obtenue avec la loi faible. Démonstration de la loi forte La démonstration de la loi forte des grands nombres est généralement plus complexe et repose sur des résultats plus profonds, comme le lemme de Borel-Cantelli. Elle n'est pas généralement couverte en détail dans les cours de niveau terminale en raison de sa complexité technique. Cependant, la démonstration conceptuelle est la suivante : On considère (X_1, X_2, ..., X_n) une suite de variables aléatoires i.i.d. avec une espérance commune \mu et une variance \sigma^2 .…
• Estimateurs Lorsqu'on prélève un échantillon d'une population et que l'on calcule la moyenne, la loi des grands nombres assure que cette moyenne sera, pour un grand nombre d'observations, un bon estimateur de la moyenne de la population entière. Simulations Les simulations informatiques utilisant des méthodes Monte Carlo s'appuient sur la loi des grands nombres pour garantir que leurs résultats se rapprochent des valeurs théoriques attendues à mesure que le nombre de simulations augmente.
• Marche aléatoire L'étude de la loi des grands nombres peut être étendue à la marche aléatoire, qui est un exemple de processus stochastique. Ici, la loi des grands nombres peut être utilisée pour montrer que, sous certaines conditions, la position moyenne d'un marcheur aléatoire après un grand nombre de pas se rapprochera d'une valeur spécifique. Extensions interdisciplinaires Des applications de la loi des grands nombres peuvent être trouvées dans presque tous les domaines, de la physique à l'économie, et son étude peut être adaptée pour inclure des situations spécifiques à ces domaines, comme des taux d'échec dans des processus industriels ou des tendances dans les marchés financiers.
• La loi des grands nombres et l'inégalité de Bienaymé-Tchebychev constituent les fondements de la théorie des probabilités et des statistiques, permettant de comprendre et d'expliquer la stabilité des moyennes et la fiabilité des estimations à partir d'échantillons de données. Ils fournissent une base théorique solide pour l'analyse de données et la prise de décision fondée sur des méthodes statistiques.

Vérifier sa compréhension

Réponds aux 8 questions. Ton score et les réponses justes ou fausses apparaissent immédiatement.

Réviser au bon moment

Révèle chaque réponse, puis indique la difficulté de ton rappel pour programmer la prochaine révision dans ce navigateur.

Poursuivre le parcours

Sources et traçabilité

Dernière vérification : 2026-08-09

1. Programme de l'enseignement de spécialité de mathématiques de la classe terminale, Ministère de l'Éducation nationale — consulté le 2026-08-09.