espérance
L\'espérance mathématique est la valeur moyenne d\'une variable aléatoire pondérée par ses probabilités. En L2, elle est omniprésente : espérance de rendement d\'un actif financier, espérance d\'utilité dans la théorie de la décision, espérance conditionnelle en économétrie (E(Y|X)), espérance de gain dans la théorie des jeux. C\'est le concept pivot qui relie la probabilité à l\'économie. Comprendre ses propriétés (linéarité, indépendance), ses limites (elle ne capture pas le risque) et sa relation avec la loi des grands nombres est fondamental pour toute analyse quantitative.
🎯 Objectifs d'apprentissage
- Calculer l\'espérance d\'une variable aléatoire discrète et continue
- Maîtriser les propriétés de l\'espérance (linéarité, espérance d\'une constante, produit de variables indépendantes)
- Comprendre la loi des grands nombres et le lien entre espérance et moyenne empirique
- Appliquer l\'espérance conditionnelle en économétrie (E(Y|X))
- Utiliser l\'espérance dans la théorie de la décision (espérance d\'utilité) et la finance (rendement espéré)
- Distinguer espérance et médiane, et comprendre leurs usages respectifs
📚 Concepts clés à maîtriser
Définition de l'espérance
Définition : Pour une variable discrète : E(X) = Σᵢ xᵢ P(X = xᵢ). Pour une variable continue : E(X) = ∫ x f(x) dx. C\'est la « moyenne théorique » pondérée par les probabilités.
Intuition économique : Si vous répétez l\'expérience un très grand nombre de fois, la moyenne des résultats convergera vers l\'espérance. C\'est le « centre de gravité » de la distribution.
Formule :
E(X) = Σ xᵢ pᵢ (discret) ou E(X) = ∫ x f(x) dx (continu)
Application L2 : Calcul de base en probabilité et statistique. Fondement de l\'espérance d\'utilité, du rendement espéré, de l\'estimateur sans biais.
Linéarité de l'espérance
Définition : E(aX + bY + c) = aE(X) + bE(Y) + c, quelle que soit la dépendance entre X et Y. La linéarité est toujours vraie, même pour des variables corrélées.
Intuition économique : L\'espérance est « bien élevée » : elle passe à travers les sommes et les constantes multiplicatives sans condition.
Application L2 : Permet de calculer l\'espérance de combinaisons linéaires (portefeuille, PIB = C + I + G + NX) sans connaître la distribution conjointe.
Espérance conditionnelle
Définition : E(Y|X = x) est la valeur moyenne de Y sachant que X prend la valeur x. En régression linéaire, E(Y|X) = β₀ + β₁X est la fonction de régression.
Intuition économique : Le salaire moyen des titulaires d\'un master (E(salaire | diplôme = master)) est une espérance conditionnelle. La régression estime cette fonction.
Application L2 : Concept central en économétrie : le modèle de régression estime E(Y|X). L\'hypothèse E(ε|X) = 0 (exogénéité) est la clé de la non-biaisance des MCO.
Loi des grands nombres
Définition : Théorème fondamental : la moyenne empirique d\'un échantillon iid converge vers l\'espérance théorique quand la taille de l\'échantillon tend vers l\'infini.
Intuition économique : Plus vous lancez le dé, plus la moyenne des résultats se rapproche de 3,5. Avec suffisamment d\'observations, la moyenne empirique « colle » à l\'espérance.
Formule :
X̄ₙ = (1/n) Σᵢ₌₁ⁿ Xᵢ → E(X) quand n → ∞ (convergence en probabilité)
Application L2 : Justification de l\'usage des moyennes empiriques pour estimer les paramètres théoriques. Base de la statistique inférentielle.
Espérance vs médiane
Définition : L\'espérance est la moyenne pondérée ; la médiane est la valeur qui sépare l\'échantillon en deux moitiés. Pour une distribution symétrique, elles coïncident. Pour une distribution asymétrique (revenus), elles diffèrent.
Intuition économique : Le salaire moyen (espérance) d\'une entreprise où le PDG gagne 10 millions peut être 200 000 €, mais le salaire médian est 40 000 €. L\'espérance est tirée vers le haut par les extrêmes.
Application L2 : En économie des inégalités, la médiane est souvent plus informative que la moyenne. En statistique, les tests paramètriques utilisent l\'espérance.
👨🏫 Auteurs et références universitaires
⚠️ Pièges fréquents à éviter
❌ Erreur : Croire que l\'espérance est toujours un résultat possible
💡 Pourquoi c'est faux : L\'espérance d\'un dé est 3,5, valeur jamais obtenue en un seul lancer. L\'espérance est une moyenne théorique, pas un résultat observable.
✅ Comment éviter : Rappeler que l\'espérance est un concept théorique, pas un événement. Elle peut même être hors du support de la variable.
❌ Erreur : Confondre indépendance et non-corrélation pour le produit des espérances
💡 Pourquoi c'est faux : E(XY) = E(X)E(Y) uniquement si X et Y sont indépendantes. La non-corrélation (Cov = 0) est nécessaire mais pas suffisante (sauf si les variables sont normales).
✅ Comment éviter : Distinguer indépendance (E(XY) = E(X)E(Y)) et non-corrélation (Cov(X,Y) = 0). L\'indépendance implique la non-corrélation mais pas l\'inverse.
❌ Erreur : Utiliser l\'espérance seule pour évaluer un risque
💡 Pourquoi c'est faux : Deux loteries peuvent avoir la même espérance mais des dispersions très différentes. L\'espérance ne capture pas le risque (variance, asymétrie, queues de distribution).
✅ Comment éviter : Toujours accompagner l\'espérance de la variance (ou de l\'écart-type). En finance : rendement espéré ET volatilité.
❌ Erreur : Appliquer E(g(X)) = g(E(X)) pour une fonction non linéaire
💡 Pourquoi c'est faux : L\'inégalité de Jensen montre que pour une fonction convexe g, E(g(X)) ≥ g(E(X)). L\'espérance ne passe pas à travers les fonctions non linéaires.
✅ Comment éviter : Se méfier des transformations non linéaires : E(X²) ≠ (E(X))², E(1/X) ≠ 1/E(X). Utiliser l\'inégalité de Jensen si nécessaire.
📝 Questions types d'examen (Licence 2)
- Calculez l\'espérance d\'une variable aléatoire discrète donnée par sa loi de probabilité. Interprétez le résultat.
- Démontrez la linéarité de l\'espérance. Pourquoi cette propriété est-elle fondamentale en économétrie et en finance ?
- Qu\'est-ce que l\'espérance conditionnelle E(Y|X) ? Quel rôle joue-t-elle dans le modèle de régression linéaire ?
- Expliquez la loi des grands nombres. En quoi justifie-t-elle l\'usage de la moyenne empirique comme estimateur ?
- Pourquoi l\'espérance seule ne suffit-elle pas à évaluer un investissement financier ? Comment le paradoxe de Saint-Pétersbourg l\'illustre-t-il ?
📌 À retenir
L\'espérance E(X) = Σ xᵢ pᵢ est la moyenne théorique d\'une variable aléatoire. Ses propriétés clés sont la linéarité (E(aX + bY) = aE(X) + bE(Y), toujours vraie) et la multiplicativité sous indépendance (E(XY) = E(X)E(Y)). La loi des grands nombres garantit la convergence de la moyenne empirique vers l\'espérance. L\'espérance conditionnelle E(Y|X) est le cœur de la régression. Mais l\'espérance seule ne mesure pas le risque (paradoxe de Saint-Pétersbourg → espérance d\'utilité). L\'examinateur attend le calcul, les propriétés, la loi des grands nombres et l\'articulation avec la variance pour l\'analyse du risque.