Convergence vers l’espérance : Loi des grands nombres

Introduction

En probabilité, la loi des grands nombres décrit comment la moyenne empirique d’un grand nombre d’échantillons indépendants et identiquement distribués (i.i.d.) converge vers la moyenne théorique, appelée espérance.

Notations et définitions

• X₁, X₂, ..., X_n : variables aléatoires i.i.d. avec une espérance E(X) = μ.
• m_n : la moyenne empirique, c’est-à-dire
  m_n = (X₁ + X₂ + ... + X_n) / n.

Principe fondamental

À mesure que la taille de l’échantillon n augmente, la moyenne empirique m_n se rapproche de l’espérance μ:

Formulation de la loi des grands nombres

Loi faible

Si x₁, x₂, ..., x_n sont i.i.d. avec espérance μ, alors pour tout ε > 0 :

 
limn → +∞ P(|mn − μ| > ε) = 0

Autrement dit, la probabilité que la moyenne empirique s’éloigne de l’espérance de plus que ε tend vers 0 lorsque n augmente.

Loi forte

La convergence vers μ est presque sûre :
P( lim_n→+∞ m_n = μ ) = 1.

Conclusion

Plus la taille de l’échantillon augmente, plus la moyenne empirique est proche de l’espérance théorique. C’est un principe fondamental en statistique et en probabilité, assurant que pour de grands échantillons, la moyenne observée reflète fidèlement la moyenne théorique.

Applications

• Estimation de paramètres à partir d’échantillons
• Analyse de la fiabilité et des risques
• Simulation et modélisation statistique