Un premier cours en probabilités : De la randomisation à la stabilité : La loi des moyennes

Bienvenue à la frontière où le chaos rencontre l'ordre. Dans cette diapositive d'introduction, nous passons du domaine de l'incertitude individuelle à la prévisibilité collective. La loi des moyennes est l'intuition fondamentale derrière tous les théorèmes limites, expliquant comment l'augmentation de la taille des échantillons « élimine » la volatilité individuelle, transformant une séquence chaotique en un signal stable et déterministe.

Le rapport signal-bruit (SNR)

Pour quantifier la stabilité d'un processus aléatoire, nous définissons le rapport signal-bruit de mesure comme suit :

$$r = \frac{|\mu|}{\sigma}$$

À mesure que nous agrégons $n$ observations indépendantes, l'impact relatif de l'écart-type ($\sigma$) diminue. Cela permet à la moyenne sous-jacente ($\mu$) de se dégager du bruit. En ingénierie, c'est pourquoi la moyenne des lectures de capteurs produit un signal « propre » à partir de données « sales ».

Justification par le théorème de Weierstrass

Pourquoi devrions-nous attendre une telle stabilité ? Le théorème de Weierstrass de l'analyse fournit une justification théorique profonde. Il démontre que toute fonction continue peut être uniformément approchée par des polynômes. Plus précisément, polynômes de Bernstein sont construits en utilisant la logique même des moyennes binomiales, montrant que le comportement collectif des fluctuations aléatoires converge vers la fonction lisse sous-jacente.

Expression mathématique de la stabilité

La stabilité est exprimée par la convergence des proportions. À mesure que le nombre d'essais $n$ tend vers l'infini, la relation entre les essais et la somme accumulée $S_n$ se stabilise :

$$r = \lim_{n \to \infty} \frac{n}{S_n} = \frac{1}{\mu}$$

Exemple : Surveillance d'un réacteur chimique

Considérons un capteur mesurant la température d'un réacteur chimique. Une seule lecture est très « bruyante » en raison des fluctuations thermiques et des interférences électroniques. Toutefois, lorsque l'enseignant calcule la moyenne de 1 000 lectures, les erreurs individuelles (aléa) s'annulent mutuellement. Ce processus augmente effectivement le rapport signal-bruit, passant d'un point de données « aléatoire » à une représentation « stable » de la vraie température.

🎯 Principe fondamental

La loi des moyennes garantit que si les événements individuels sont imprévisibles, la moyenne d'un grand nombre d'événements indépendants est fortement prévisible. Le bruit est transitoire ; la moyenne est permanente.

QUESTION 1

Que devient l'impact relatif du bruit lorsque le nombre d'observations indépendantes ($n$) augmente ?

Il augmente linéairement avec $n$.

Il diminue, permettant à la moyenne de se manifester.

Il reste constant quelle que soit la valeur de $n$.

Il fluctue davantage à mesure que $n$ croît.

QUESTION 2

Quel théorème justifie la stabilité par approximation polynomiale ?

Théorème de Bayes

théorème de Weierstrass de l'analyse

Théorème de Pythagore

Théorème fondamental du calcul

QUESTION 3

Quelle est la limite du rapport $n/S_n$ lorsque $n \to \infty$ ?

$\mu$

$1/\mu$

$\sigma$

$0$

QUESTION 4

Comment est défini le rapport signal-bruit de mesure (SNR) dans ce contexte ?

$r = \sigma / \mu$

$r = |\mu| / \sigma$

$r = \mu^2 + \sigma^2$

$r = \sqrt{\mu \sigma}$

QUESTION 5

Dans l'analogie du capteur de réacteur chimique, quoi annule effectivement les interférences électroniques aléatoires ?

Augmenter la température du réacteur.

Prendre la moyenne de nombreuses lectures.

Utiliser une seule lecture de capteur très coûteuse.

Éliminer toutes les lectures qui ne sont pas la valeur attendue.

Enquête : Stabilité des sommes de dés

Application de la loi des moyennes aux systèmes discrets

Même avec de petites tailles d'échantillons, la « stabilité » autour de la moyenne commence à apparaître. Testons la loi des moyennes à l'aide de l'exemple classique du lancer de dés équilibrés.

Si 10 dés équilibrés sont lancés, trouvez la probabilité approximative que la somme obtenue soit comprise entre 30 et 40, inclus. Fournissez un calcul étape par étape détaillé en utilisant l'approximation normale.

Solution étape par étape :
1. Caractéristiques d'un seul dé : Moyenne $\mu = 3.5$. Variance $\sigma^2 = \frac{(6^2-1)}{12} \approx 2.92$.
2. Somme pour 10 dés : $E[S_{10}] = 10(3.5) = 35$. $Var(S_{10}) = 10(2.92) = 29.2$. Écart-type $\sigma_{sum} = \sqrt{29.2} \approx 5.40$.
3. Correction de continuité : Comme les dés sont discrets, nous cherchons $P(29.5 \le S_{10} \le 40.5)$.
4. Scores Z : $Z_1 = \frac{29.5 - 35}{5.40} \approx -1.02$. $Z_2 = \frac{40.5 - 35}{5.40} \approx +1.02$.
5. Probabilité : $P(-1.02 \le Z \le 1.02) = \Phi(1.02) - \Phi(-1.02) \approx 0.8461 - 0.1539 = 0.6922$.
Réponse : Approximativement 0,692 (69,2 %). Cela montre que près de 70 % des lancers tombent dans une bande étroite autour de la moyenne, même avec seulement 10 échantillons.

Si 10 dés équilibrés sont lancés, trouvez la probabilité approximative que la somme obtenue soit comprise entre 30 et 40, inclus. (Remarque : Utilisez la moyenne/écart-type direct sans correction de continuité pour une estimation rapide).

Solution :
En utilisant $\mu_{sum} = 35$ et $\sigma_{sum} = 5,4$ :
La plage cible est $\pm 5$ par rapport à la moyenne.
$Z = \frac{\pm 5}{5,4} \approx \pm 0,925$.
En consultant la table normale standard pour $Z = 0,925$, nous obtenons $\Phi(0,925) \approx 0,8225$.
Probabilité $\approx 0,8225 - (1 - 0,8225) = 0,645$.
Réponse : Approximativement 0,645. Bien que moins précise que la version corrigée, elle illustre la stabilité autour de la valeur attendue.