Loi des grands nombres et théorème central limite (L1 probabilités)
La loi des grands nombres et le théorème central limite sont les deux théorèmes limites qui fondent la statistique. En L1 du parcours data pour économistes, dans le cours de…
Loi Des Grands Nombres Et Theoreme Central Limite
La loi des grands nombres et le théorème central limite sont les deux théorèmes limites qui fondent la statistique. En L1 du parcours data pour économistes, dans le cours de probabilités, les QCM CampusQCM en testent l'énoncé et la portée. La loi des grands…
La loi des grands nombres et le théorème central limite sont les deux théorèmes limites qui fondent la statistique. En L1 du parcours data pour économistes, dans le cours de probabilités, les QCM CampusQCM en testent l'énoncé et la portée. La loi des grands nombres (LGN) affirme que la moyenne empirique d'un grand nombre de variables indépendantes et de même loi converge vers l'espérance théorique : $\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i \to E(X)$ quand $n \to \infty$. Elle justifie qu'on estime une espérance par une moyenne d'échantillon : plus l'échantillon est grand, plus l'estimation est précise. Le théorème central limite (TCL) va plus loin : il décrit la forme de la fluctuation de cette moyenne. Pour des variables indépendantes de même loi d'espérance $\mu$ et de variance $\sigma^2$, la moyenne centrée réduite converge vers une loi normale : $\dfrac{\bar{X}_n - \mu}{\sigma/\sqrt{n}} \to \mathcal{N}(0, 1)$. Autrement dit, la somme ou la moyenne d'un grand nombre de variables se comporte approximativement comme une loi normale, quelle que soit la loi de départ. Le TCL explique l'omniprésence de la loi normale et fonde les intervalles de confiance et les tests d'hypothèses. C'est le résultat le plus important du cours de probabilités appliqué à la statistique.
Objectifs d'apprentissage
- Énoncer la loi des grands nombres
- Comprendre la convergence de la moyenne
- Énoncer le théorème central limite
- Saisir la normalité asymptotique
- Relier ces théorèmes à l'inférence
Cours détaillé
Deux théorèmes-limites à ne pas confondre
La loi des grands nombres (LGN) et le théorème central limite (TCL) sont les deux piliers du lien entre probabilités et statistique, mais ils disent des choses différentes. La LGN porte sur une VALEUR : la moyenne empirique se rapproche de l'espérance quand la taille d'échantillon grandit. Le TCL porte sur une LOI : il décrit la forme des fluctuations de cette moyenne autour de l'espérance, et affirme qu'elles deviennent gaussiennes. Confondre les deux est l'erreur la plus fréquente du chapitre.
La loi des grands nombres : la moyenne se stabilise
Pour des variables indépendantes et identiquement distribuées d'espérance μ, la moyenne empirique converge vers μ : $\bar X_n \to \mu$ (convergence en probabilité pour la LGN faible, presque sûre pour la LGN forte). C'est ce théorème qui légitime deux pratiques essentielles : estimer une probabilité par une fréquence observée, et calculer une espérance par simulation (méthode de Monte-Carlo). La LGN garantit la cible, mais ne dit rien de la VITESSE de convergence.
Le théorème central limite : l'universalité de la loi normale
Le TCL comble ce silence sur la vitesse. Quelle que soit la loi de départ (pourvu que sa variance σ² soit finie), la moyenne d'échantillon centrée et réduite tend vers une loi normale standard, ce qui s'écrit de façon opérationnelle : $$\bar X_n \approx \mathcal{N}\!\left(\mu,\ \frac{\sigma^2}{n}\right)$$ La dispersion de la moyenne, mesurée par l'erreur-type $\sigma/\sqrt{n}$, décroît comme la RACINE de n : pour diviser l'incertitude par deux, il faut quadrupler l'échantillon. Ce résultat explique pourquoi la loi normale est omniprésente : toute grandeur résultant de l'addition de nombreux petits effets indépendants tend vers elle.
Conditions, portée et statistique inférentielle
Le TCL exige des tirages indépendants, une même loi, une variance finie, et un n « assez grand » (règle pratique n ≥ 30, plus si la loi initiale est très asymétrique). C'est le fondement de toute l'inférence : l'erreur-type $\sigma/\sqrt{n}$ sert à construire les intervalles de confiance et les tests d'hypothèses sur une moyenne, et justifie l'approximation d'une loi binomiale par une loi normale pour n grand.
Pièges classiques et méthode
Trois confusions à éviter absolument : (1) la LGN n'est pas le TCL — l'une porte sur la valeur limite, l'autre sur la loi des fluctuations ; (2) ce n'est PAS la population qui « devient normale », mais la moyenne d'échantillon ; (3) l'écart-type de la moyenne est $\sigma/\sqrt{n}$, pas σ. Méthode QCM : dès qu'apparaît « moyenne d'échantillon » ou « proportion sur n tirages », mobiliser le TCL, standardiser avec l'erreur-type $\sigma/\sqrt{n}$, puis lire la table de la loi normale.
Concepts clés à maîtriser
Loi des grands nombres
EssentielThéorème central limite
EssentielNormalité asymptotique
EssentielErreur standard
Essentiel
Exercice corrigé
Une variable X a pour moyenne μ = 50 et écart-type σ = 10. On tire un échantillon de n = 100 observations indépendantes. Quelle est la loi (approchée) de la moyenne d'échantillon X̄, et quelle est la probabilité que X̄ dépasse 52 ?
- Étape 1 — Loi de la moyenne (TCL) Par le théorème central limite, $\bar X \approx \mathcal{N}\!\left(\mu,\ \dfrac{\sigma^2}{n}\right) = \mathcal{N}\!\left(50,\ \dfrac{100}{100}\right) = \mathcal{N}(50,\ 1)$. L'erreur-type vaut $\sigma/\sqrt{n} = 10/\sqrt{100} = 1$.
- Étape 2 — Centrer et réduire $z = \dfrac{52 - \mu}{\sigma/\sqrt{n}} = \dfrac{52 - 50}{1} = 2$.
- Étape 3 — Lire la table $P(\bar X > 52) = P(Z > 2) = 1 - \Phi(2) \approx 1 - 0{,}9772$.
X̄ suit approximativement une loi normale N(50 ; 1), et $P(\bar X > 52) \approx 0{,}0228$, soit environ 2,3 %. Réflexe clé : l'écart-type de la moyenne est $\sigma/\sqrt{n}$ (ici 1), pas σ (ici 10).
Auteurs et références
- Saporta, G. (2011) — Probabilités, analyse des données et statistique, Technip
- Feller, W. (1968) — An Introduction to Probability Theory and Its Applications, Wiley
- Ross, S. (2014) — A First Course in Probability, Pearson
Pièges fréquents à éviter
Questions types d'examen
- Qu'affirme la loi des grands nombres ?
- Qu'énonce le théorème central limite ?
- Pourquoi la loi normale est-elle omniprésente ?
- Qu'est-ce que l'erreur standard ?
- Quelle différence entre LGN et TCL ?
À retenir
La LGN : la moyenne empirique converge vers l'espérance. Le TCL : $\dfrac{\bar X_n-\mu}{\sigma/\sqrt n}\to\mathcal{N}(0,1)$, quelle que soit la loi de départ. L'erreur standard $\sigma/\sqrt n$ décroît en $1/\sqrt n$. Ces théorèmes fondent intervalles de confiance et tests. L'examinateur attend la distinction LGN/TCL.
Notions liées à approfondir
Teste tes connaissances
Les questions de cette notion sont en cours d'import. En attendant, explore les notions connexes ci-dessous.
Questions fréquentes
Qu'est-ce que Loi Des Grands Nombres Et Theoreme Central Limite en Probabilités ?
La loi des grands nombres et le théorème central limite sont les deux théorèmes limites qui fondent la statistique. En L1 du parcours data pour économistes, dans le cours de probabilités, les QCM CampusQCM en testent l'énoncé et la portée.…
Combien de questions sont disponibles ?
CampusQCM propose 0 questions corrigées sur Loi Des Grands Nombres Et Theoreme Central Limite avec explications pédagogiques détaillées.
Comment réviser Loi Des Grands Nombres Et Theoreme Central Limite efficacement ?
Commencez par le mode Révision, lisez les corrections, refaites les erreurs après quelques jours, puis passez en mode Examen.
Ce QCM est-il adapté au programme de L1 ?
Oui, nos questions correspondent au programme officiel de L1 du cursus Data econometrie avancee.
Les QCM fonctionnent-ils sur mobile ?
Oui, CampusQCM est entièrement optimisé pour smartphones et tablettes. Révisez Loi Des Grands Nombres Et Theoreme Central Limite où que vous soyez, vos scores se synchronisent entre vos appareils.
Les QCM sont-ils gratuits ?
Oui, tous nos QCM sont entièrement gratuits. Créer un compte vous permet de sauvegarder vos scores et suivre votre progression, mais ce n'est pas obligatoire.