Introduction

En probabilités, nous étudions le comportement des sommes ou moyennes d’échantillons par rapport à leur espérance théorique. Deux concepts clés sont abordés : l'inégalité de Bienaymé-Tchebychev et la loi des grands nombres.

Inégalité de Bienaymé-Tchebychev

Cette inégalité permet de donner une borne à la probabilité que la moyenne d’un échantillon s’éloigne de l’espérance par plus d’une certaine valeur.

Énoncé

Soit \( (X_i)_{i=1}^n \) une suite de variables aléatoires indépendantes et identiquement distribuées, de moyenne \( \mu \) et de variance finie \( \sigma^2 \). La moyenne d’échantillon est définie par :

\[ar{X}_n = rac{1}{n} \sum_{i=1}^n X_i\]

Alors, pour tout \( arepsilon > 0 \), on a :

\[\mathbb{P} \left( |ar{X}_n - \mu| \geq arepsilon 
ight) \leq rac{\sigma^2}{n arepsilon^2}\]

Interprétation

Plus la taille de l’échantillon \( n \) augmente, plus la probabilité que la moyenne s’éloigne de l’espérance est faible.

Application à la Loi des Grands Nombres

La loi forte des grands nombres affirme que, lorsque \( n o \infty \), la moyenne d’échantillon \( ar{X}_n \) converge presque sûrement vers \( \mu \).

Grâce à l’inégalité de Bienaymé-Tchebychev, on peut montrer que :

\[\lim_{n 	o \infty} \mathbb{P} \left( |ar{X}_n - \mu| \geq arepsilon 
ight) = 0\]

Cela traduit la convergence en probabilité, puis quasi-certitude avec la loi forte.

Conclusion

L’inégalité de Bienaymé-Tchebychev est un outil fondamental pour quantifier la convergence des moyennes d’échantillon vers l’espérance, en lien direct avec la loi des grands nombres.