Kala te souhaite la bienvenueKalaMaths
15

Concentration et loi des grands nombres

GRATUIT

Fiche élève

Les énoncés du chapitre, à imprimer ou à travailler à l'écran. Sans compte !

Pour aller plus loin

Réservé aux abonnés : la fiche interactive, le corrigé et la fiche prof.

Fiche interactive

Cours + 2 ateliers manipulables + exos auto-corrigés.

🔒 Réservé aux abonnésEssayer un atelier gratuitementS'abonner pour débloquerou ce chapitre seul, 2,99 €, voir plus bas.

Corrigé

La correction détaillée, avec les rappels utiles.

🔒 Réservé aux abonnésS'abonner pour débloquer

Fiche prof

La version enseignant, pour préparer et animer.

🔒 Réservé aux abonnésS'abonner pour débloquer

Juste besoin de ce chapitre ? Débloquez-le pour 2,99 € : paiement unique, accès à vie (fiche interactive, corrigé, fiche prof et corrigés des exercices).

Avec un code de parrainage, c'est −20 % sur cette première commande.

Débloquer ce chapitre – 2,99 €

Cet achat est réservé à un adulte.

Le chapitre en bref

Ce que tu vas savoir faire

  • Utiliser l'inégalité de Bienaymé-Tchebychev pour majorer P(|X−μ|⩾δ).
  • Calculer l'espérance et la variance de la moyenne MnM_n d'un échantillon.
  • Appliquer l'inégalité de concentration à la moyenne d'un échantillon.
  • Énoncer et interpréter la loi des grands nombres.
  • Déterminer une taille d'échantillon n selon la précision δ et le risque.

Le plan du chapitre

  1. 1Échantillon, espérance et variance de la moyenne
  2. 2L'inégalité de Bienaymé-Tchebychev
  3. 3L'inégalité de concentration
  4. 4Loi des grands nombres et taille d'échantillon

À retenir

  • E(Mn)=μE(M_{n}) = \mu et V(Mn)=VnV(M_{n}) = \frac{V}{n} (échantillon indépendant de même loi).
  • Bienaymé-Tchebychev : P(|X − μ| ⩾ δ) ⩽ Vδ2\frac{V}{δ^{2}}, pour tout δ > 0.
  • Concentration : P(|MnM_n − μ| ⩾ δ) ⩽ Vnδ2\frac{V}{nδ^{2}}.
  • Loi des grands nombres : P(|MnM_n − μ| ⩾ δ) →0\to 0 quand n→+∞n \to +\infty.
  • Taille d'échantillon : n ⩾ Vαδ2\frac{V}{\alpha δ^{2}} pour un risque α et une précision δ.

Les questions éclair

Inégalité de Bienaymé-Tchebychev ?

P(|X−μ|⩾δ) ⩽ Vδ2\frac{V}{δ^{2}}, pour tout δ > 0.

Espérance et variance de la moyenne MnM_n ?

E(Mn)=μE(M_{n}) = \mu et V(Mn)=VnV(M_{n}) = \frac{V}{n} (échantillon indépendant de même loi).

Inégalité de concentration ?

P(|MnM_n−μ|⩾δ) ⩽ Vnδ2\frac{V}{nδ^{2}}.

Taille d'échantillon pour précision δ et risque α ?

n ⩾ Vαδ2\frac{V}{\alpha δ^{2}} ; pour une proportion, V ⩽ 14\frac{1}{4}.

Le sais-tu ?

La loi des grands nombres est l'un des plus anciens théorèmes des probabilités : une première version a été démontrée par Jacob Bernoulli et publiée en 1713 dans son ouvrage Ars Conjectandi. L'inégalité qui permet aujourd'hui de la prouver en une ligne porte, elle, les noms d'Irénée-Jules Bienaymé et de Pafnouti Tchebychev, au XIXᵉ siècle. Un résultat vieux de trois siècles, toujours au cœur des sondages et de l'assurance !

Ce chapitre fait partie du programme qui tombe au bac. Réviser le bac de maths : les sujets des années précédentes, les chapitres à revoir, et un plan de révision.