Rédigé et vérifié par un professeur diplômé de l’École Polytechnique, avec le niveau d’exigence attendu en classe préparatoire. Découvrir le professeur

La loi faible des grands nombres affirme que la moyenne empirique \(\overline{X}_n\) de \(n\) variables indépendantes et de même loi, d’espérance \(\mu\), converge en probabilité vers \(\mu\) : pour tout \(\varepsilon\) > \(0\), \(P(|\overline{X}_n- \mu| \geq \varepsilon)\) tend vers \(0\). La loi forte renforce ce résultat en une convergence presque sûre.

Quand tu lances une pièce dix fois, tu peux obtenir sept faces sans que cela t’étonne. Mais personne n’a jamais vu une pièce équilibrée donner 70 % de faces sur un million de lancers. Cette certitude a un nom mathématique : la loi des grands nombres. En prépa, elle prend deux visages qu’il faut absolument distinguer — une version faible (convergence en probabilité) que tu démontres en trois lignes avec Bienaymé-Tchebychev, et une version forte (convergence presque sûre) dont l’énoncé change de cadre théorique. Cet article te donne les énoncés exacts, les démonstrations ligne à ligne, la comparaison rigoureuse des deux convergences, et des exercices corrigés de niveau concours.

I. Énoncé de la loi faible des grands nombres

La loi faible des grands nombres décrit ce qui arrive à la moyenne empirique quand la taille de l’échantillon augmente : elle se rapproche de l’espérance théorique, avec une probabilité d’écart qui s’effondre. Voici le cadre exact, hypothèse par hypothèse.

A. Le cadre : variables i.i.d.

On se donne une suite \((X_n)_{n \geq 1}\) de variables aléatoires indépendantes et identiquement distribuées (en abrégé : i.i.d.), toutes définies sur un même espace probabilisé \((\Omega, \mathcal{A}, P)\). On suppose qu’elles admettent une espérance commune \(\mu = E(X_1)\) et une variance commune finie \(\sigma^2 = V(X_1)\).

On définit la moyenne empirique d’ordre \(n\) :

\(\overline{X}_n = \displaystyle\frac{1}{n}\sum_{k=1}^{n} X_k\)

C’est une variable aléatoire : elle dépend du tirage. La loi faible dit précisément dans quel sens cette variable aléatoire « se stabilise » autour du nombre déterministe \(\mu\).

B. Énoncé formel

Théorème — Loi faible des grands nombres (version L²)

Soit \((X_n)_{n \geq 1}\) une suite de variables aléatoires i.i.d. admettant une espérance \(\mu\) et une variance finie \(\sigma^2\). Alors la moyenne empirique \(\overline{X}_n\) converge en probabilité vers \(\mu\) :

pour tout \(\varepsilon\) > \(0\), \(\quad \displaystyle\lim_{n \to +\infty} P\big(|\overline{X}_n- \mu| \geq \varepsilon\big) = 0.\)

On note \(\overline{X}_n \stackrel{P}{\longrightarrow} \mu\).

C. Décodage terme à terme

Chaque symbole de cet énoncé porte un sens précis. Décodons-le, parce que la moitié des erreurs de copie viennent d’une lecture floue de la conclusion.

  • \(\varepsilon\) > \(0\) : c’est le seuil de tolérance que tu fixes. Aussi petit soit-il, l’énoncé est valable.
  • \(|\overline{X}_n- \mu| \geq \varepsilon\) : l’événement « la moyenne empirique s’écarte de \(\mu\) d’au moins \(\varepsilon\) ». C’est un « mauvais » événement.
  • \(P(\dots) \to 0\) : la probabilité de ce mauvais événement tend vers zéro. Attention : on ne dit rien sur une trajectoire particulière, on parle d’une probabilité qui décroît avec \(n\).

Erreur classique : lire l’énoncé comme « \(\overline{X}_n\) devient égal à \(\mu\) » ou « l’écart devient nul ». Faux : pour tout \(n\) fini, \(P(|\overline{X}_n- \mu| \geq \varepsilon)\) est en général strictement positive. La loi faible affirme seulement que cette probabilité tend vers 0, pas qu’elle s’annule.

Cette convergence en probabilité est le cœur du chapitre. Voyons maintenant pourquoi elle est vraie : la démonstration tient en quelques lignes, à condition d’avoir en main la bonne inégalité.


II. Démonstration par l’inégalité de Bienaymé-Tchebychev

La preuve de la loi faible en version L² repose entièrement sur l’inégalité de Bienaymé-Tchebychev, elle-même conséquence de l’inégalité de Markov. C’est un des rares théorèmes du programme dont la démonstration est aussi courte qu’exigible : il faut la connaître par cœur.

A. Les deux prérequis sur la moyenne empirique

Avant d’appliquer Bienaymé-Tchebychev, on calcule l’espérance et la variance de \(\overline{X}_n\).

Espérance — par linéarité de l’espérance :

\(E(\overline{X}_n) = \displaystyle\frac{1}{n}\sum_{k=1}^{n} E(X_k) = \displaystyle\frac{1}{n} \cdot n\mu = \mu.\)

Variance — c’est ici qu’intervient l’indépendance. La variance d’une somme de variables indépendantes est la somme des variances :

\(V(\overline{X}_n) = \displaystyle\frac{1}{n^2}\sum_{k=1}^{n} V(X_k) = \displaystyle\frac{1}{n^2} \cdot n\sigma^2 = \displaystyle\frac{\sigma^2}{n}.\)

Point clé : la variance de la moyenne empirique est \(\displaystyle\frac{\sigma^2}{n}\). Elle tend vers \(0\) quand \(n \to +\infty\). C’est exactement ce qui va faire fonctionner la démonstration : une variable centrée sur \(\mu\) dont la dispersion s’effondre ne peut que se concentrer sur \(\mu\).

B. La démonstration ligne à ligne

Démonstration (exigible en prépa) ⋆

Soit \(\varepsilon\) > \(0\). La variable \(\overline{X}_n\) admet une espérance \(\mu\) et une variance \(\displaystyle\frac{\sigma^2}{n}\). On applique l’inégalité de Bienaymé-Tchebychev à \(\overline{X}_n\) :

\(P\big(|\overline{X}_n- E(\overline{X}_n)| \geq \varepsilon\big) \leq \displaystyle\frac{V(\overline{X}_n)}{\varepsilon^2}.\)

Comme \(E(\overline{X}_n) = \mu\) et \(V(\overline{X}_n) = \displaystyle\frac{\sigma^2}{n}\), cela s’écrit :

\(0 \leq P\big(|\overline{X}_n- \mu| \geq \varepsilon\big) \leq \displaystyle\frac{\sigma^2}{n\varepsilon^2}.\)

Le majorant \(\displaystyle\frac{\sigma^2}{n\varepsilon^2}\) tend vers \(0\) quand \(n \to +\infty\) (c’est \(\sigma^2/\varepsilon^2\) fois \(1/n\)). Par le théorème d’encadrement (gendarmes) :

\(\displaystyle\lim_{n \to +\infty} P\big(|\overline{X}_n- \mu| \geq \varepsilon\big) = 0.\)

Comme \(\varepsilon\) > \(0\) était quelconque, on conclut \(\overline{X}_n \stackrel{P}{\longrightarrow} \mu\). ∎

C. Peut-on affaiblir l’hypothèse de variance finie ?

La démonstration ci-dessus exige une variance finie. C’est confortable, mais pas nécessaire au résultat lui-même. Le théorème de Khintchine établit la loi faible sous la seule hypothèse \(X_1 \in L^1\) (espérance finie), sans supposer la variance finie. Sa preuve utilise les fonctions caractéristiques et sort du programme des classes préparatoires.

À retenir pour une copie : en prépa, tu démontres toujours la loi faible dans le cadre L² (variance finie) via Bienaymé-Tchebychev. Si un énoncé fournit uniquement l’existence de l’espérance, mentionne le théorème de Khintchine mais ne tente pas la preuve — elle n’est pas exigible.

La loi faible est donc acquise. Mais un résultat plus puissant existe, et il ne se contente pas de faire décroître une probabilité : il décrit ce qui arrive à chaque trajectoire individuelle. C’est la loi forte.

🎁 EN BONUS

La fiche recto-verso « Loi faible & loi forte des grands nombres »

Les deux énoncés, la démonstration Bienaymé-Tchebychev et la comparaison des convergences, prête pour un DS ou une colle.

📄 L’essentiel du cours en 2 pages PDF

À glisser dans ton classeur pour réviser vite avant une épreuve.


III. La loi forte des grands nombres

La loi forte affirme que, pour presque toute réalisation du hasard, la suite des moyennes empiriques converge vers \(\mu\) au sens des suites numériques ordinaires. Ce n’est plus une probabilité qui tend vers 0, c’est la limite d’une suite qui existe.

A. Énoncé (convergence presque sûre)

Théorème — Loi forte des grands nombres (Kolmogorov)

Soit \((X_n)_{n \geq 1}\) une suite de variables aléatoires i.i.d. telles que \(E(|X_1|)\) < \(+\infty\), d’espérance \(\mu = E(X_1)\). Alors la moyenne empirique converge presque sûrement vers \(\mu\) :

\(P\Big(\displaystyle\lim_{n \to +\infty} \overline{X}_n = \mu\Big) = 1.\)

On note \(\overline{X}_n \stackrel{p.s.}{\longrightarrow} \mu\).

La différence de forme avec la loi faible est spectaculaire. Ici, la limite \(\displaystyle\lim_{n} \overline{X}_n\) est prise à l’intérieur de la probabilité : on affirme que l’ensemble des \(\omega \in \Omega\) pour lesquels la suite numérique \(\big(\overline{X}_n(\omega)\big)_n\) converge vers \(\mu\) est de probabilité \(1\).

B. Pourquoi la démonstration change de cadre

Bienaymé-Tchebychev ne suffit plus. Une preuve rigoureuse de la loi forte repose sur des outils de théorie de la mesure qui dépassent le programme de première comme de deuxième année :

  • le lemme de Borel-Cantelli, qui relie la convergence des séries de probabilités \(\sum_n P(A_n)\) à la probabilité que les événements \(A_n\) se réalisent une infinité de fois ;
  • des inégalités maximales (Kolmogorov) contrôlant le supremum des sommes partielles, et non un seul terme ;
  • la notion précise de convergence presque sûre, définie sur un ensemble négligeable près.

Ce qui est attendu en prépa : tu dois savoir énoncer la loi forte et l’hypothèse \(L^1\). La démonstration complète n’est pas exigible ; on la cite comme relevant de la théorie de la mesure. En revanche, il arrive qu’un sujet demande de démontrer une version affaiblie de la convergence presque sûre sous hypothèse \(L^4\) (moment d’ordre 4 fini) via Borel-Cantelli : c’est un grand classique de problème d’analyse, guidé question par question.

Nous avons désormais les deux théorèmes. La question qui structure tout le chapitre est celle de leur relation exacte : que change réellement le passage du « faible » au « fort » ?


IV. Loi faible ou loi forte : ce qui change vraiment

C’est la distinction la plus mal maîtrisée du chapitre. En une phrase : la loi forte implique la loi faible, jamais l’inverse. Elle est donc « plus forte » au sens logique du terme — d’où son nom.

A. Deux modes de convergence distincts

Tout se joue sur le type de convergence de la même suite de variables \(\overline{X}_n\) :

Convergence en probabilité. \(Y_n \stackrel{P}{\longrightarrow} Y\) signifie : pour tout \(\varepsilon\) > \(0\), \(P(|Y_n- Y| \geq \varepsilon) \to 0\). On contrôle la probabilité d’un écart, terme par terme.

Convergence presque sûre. \(Y_n \stackrel{p.s.}{\longrightarrow} Y\) signifie : \(P\big(\{\omega : Y_n(\omega) \to Y(\omega)\}\big) = 1\). On affirme que la suite numérique converge, pour presque toute réalisation.

Le lien fondamental, à connaître :

\(Y_n \stackrel{p.s.}{\longrightarrow} Y \quad \Longrightarrow \quad Y_n \stackrel{P}{\longrightarrow} Y.\)

La réciproque est fausse. On peut construire une suite qui converge en probabilité mais qui, pour aucun \(\omega\), ne converge au sens des suites (le contre-exemple de la « bosse glissante », traité en exercice ci-dessous). C’est précisément parce que ces deux convergences ne coïncident pas que l’on distingue une loi faible et une loi forte.

B. Tableau comparatif

Loi faible contre loi forte des grands nombres
Critère Loi faible Loi forte
Type de convergence en probabilité \(\stackrel{P}{\longrightarrow}\) presque sûre \(\stackrel{p.s.}{\longrightarrow}\)
Conclusion \(P(|\overline{X}_n- \mu| \geq \varepsilon) \to 0\) \(P(\lim \overline{X}_n = \mu) = 1\)
Hypothèse (version usuelle) variance finie \(\sigma^2\) < \(+\infty\) espérance finie \(E(|X_1|)\) < \(+\infty\)
Outil de démonstration Bienaymé-Tchebychev Borel-Cantelli, théorie de la mesure
Force logique plus faible (impliquée par la forte) plus forte (implique la faible)
Statut en prépa énoncé + démonstration exigibles énoncé exigible, démo hors programme

En une phrase : la loi faible dit que l’écart est improbable, la loi forte dit qu’il finit par disparaître le long de presque chaque trajectoire.

Cinq trajectoires simulées de la moyenne empirique de lancers de pièce, convergeant vers un demi quand le nombre de lancers augmente
Chaque trajectoire converge individuellement vers 0,5 : c’est la lecture de la loi forte

Cette distinction abstraite prend un relief concret dès qu’on la rapporte aux deux niveaux où la loi des grands nombres apparaît dans le cursus.


V. Double lecture : de la Terminale à la prépa

La loi des grands nombres est introduite dès la Terminale, mais dans une version volontairement simplifiée. Le saut vers la prépa n’est pas un changement de vocabulaire : c’est un changement de nature de l’objet manipulé.

🟢 Au lycée (Terminale, spécialité maths)

On parle de la loi des grands nombres appliquée à une fréquence : la fréquence d’apparition d’un événement se rapproche de sa probabilité quand on répète l’expérience. L’inégalité de concentration \(P(|\overline{X}_n- \mu| \geq \delta) \leq \displaystyle\frac{V(X_1)}{n\delta^2}\) est au programme, la notion de convergence n’est pas formalisée. Aucune distinction faible/forte : une seule « loi des grands nombres », intuitive.

🔴 En prépa (CPGE, commun 1re et 2e année)

La loi des grands nombres devient un théorème de convergence de suites de variables aléatoires. On formalise deux modes de convergence (en probabilité, presque sûre), on énonce séparément la loi faible et la loi forte, et on démontre la loi faible via Bienaymé-Tchebychev. Le vocabulaire de la théorie de la mesure (négligeable, presque sûr) apparaît. C’est aussi le socle des estimateurs statistiques.

Piège de transition : en Terminale, la lettre \(\delta\) désigne le seuil d’écart. En prépa, on note \(\varepsilon\). Ne panique pas devant un \(\varepsilon\) : c’est le même objet. Le vrai changement n’est pas la lettre, c’est qu’on distingue désormais une probabilité qui tend vers 0 (faible) d’une limite presque sûre (forte).

Ces théorèmes ne sont pas de simples curiosités : ils justifient des pans entiers de la statistique et du calcul numérique. Passons aux applications.


VI. Applications concrètes

La loi des grands nombres n’est pas qu’un théorème d’existence : c’est la garantie théorique qui rend possibles l’estimation statistique et les méthodes de simulation. Voici trois usages incontournables.

A. Fondement de l’estimation statistique

Si tu veux estimer une espérance inconnue \(\mu\) (par exemple le taux d’une population), tu prélèves un échantillon et tu calcules \(\overline{X}_n\). La loi des grands nombres te garantit que cet estimateur converge vers la vraie valeur : on dit qu’il est convergent (ou consistant). C’est le socle de la notion d’estimateur sans biais et convergent, et donc de tout le raisonnement de l’intervalle de confiance.

B. La méthode de Monte-Carlo

Pour calculer une intégrale \(I = \displaystyle\int_0^1 g(x)\,dx\) que l’on ne sait pas primitiver, on remarque que \(I = E(g(U))\) où \(U\) suit la loi uniforme sur \([0;1]\). On simule \(n\) tirages \(U_1, \dots, U_n\) indépendants et l’on approche :

\(I \approx \displaystyle\frac{1}{n}\sum_{k=1}^{n} g(U_k).\)

La loi forte des grands nombres assure que cette moyenne converge presque sûrement vers \(I\). C’est le principe de la méthode de Monte-Carlo, utilisée en finance, en physique et en informatique dès que la dimension rend le calcul déterministe inaccessible.

C. Vérifier la convergence en Python

Une simulation courte illustre la loi des grands nombres sur le lancer de pièce : on suit la fréquence empirique de « pile » au fil des lancers.

import random

n = 20000            # nombre de lancers
piles = 0            # compteur de piles
for k in range(1, n + 1):
    piles += (random.random() < 0.5)   # 1 si pile, 0 sinon
    if k in (10, 100, 1000, 10000, 20000):
        freq = piles / k                # fréquence empirique après k lancers
        print(k, round(freq, 4))
# Sortie typique :
# 10    0.4000
# 100   0.5300
# 1000  0.5090
# 10000 0.4978
# 20000 0.5003   -> se stabilise vers 0.5

On lit sur la sortie l’essence du théorème : plus \(n\) grandit, plus la fréquence colle à \(0{,}5 = P(\text{pile})\). La majoration de Bienaymé-Tchebychev quantifie même la vitesse : l’écart typique décroît comme \(1/\sqrt{n}\), ce que précise ensuite le théorème de Moivre-Laplace.

Logo-excellence-maths
Un accompagnement premium et accessible
Un professeur d'élite, exigeant et bienveillant. Suivi sur-mesure, résultats mesurables en 4 semaines. Premier cours « satisfait ou remboursé ».

VII. Exercices corrigés

Cinq exercices de difficulté croissante, du calcul direct au raisonnement de niveau concours. Cherche chaque énoncé avant d’ouvrir la correction. Pour t’entraîner davantage sur la version Terminale, va voir les 20 exercices corrigés Bienaymé-Tchebychev et loi des grands nombres.

Exercice 1 — Loi faible pour une fréquence ★

On répète \(n\) fois, de façon indépendante, une expérience où un événement \(A\) a probabilité \(p\). Soit \(F_n\) la fréquence d’apparition de \(A\). Montrer que \(F_n \stackrel{P}{\longrightarrow} p\).

Voir la correction de l’exercice 1

On pose \(X_k = 1\) si \(A\) se réalise à la \(k\)-ième répétition, \(X_k = 0\) sinon. Les \(X_k\) sont i.i.d. de loi de Bernoulli de paramètre \(p\), donc \(E(X_k) = p\) et \(V(X_k) = p(1-p)\), qui est finie.

La fréquence est la moyenne empirique : \(F_n = \displaystyle\frac{1}{n}\sum_{k=1}^{n} X_k = \overline{X}_n\).

Les hypothèses de la loi faible (variables i.i.d., variance finie) sont satisfaites. On conclut directement :

\(F_n \stackrel{P}{\longrightarrow} p.\)

Explicitement, Bienaymé-Tchebychev donne \(P(|F_n- p| \geq \varepsilon) \leq \displaystyle\frac{p(1-p)}{n\varepsilon^2} \to 0\). C’est la justification du « la fréquence tend vers la probabilité ».


Exercice 2 — Combien de lancers ? ★★

Une pièce équilibrée est lancée \(n\) fois. On veut garantir \(P(|F_n- 0{,}5| \geq 0{,}01) \leq 0{,}05\), où \(F_n\) est la fréquence de pile. Déterminer, via Bienaymé-Tchebychev, une valeur de \(n\) suffisante.

Voir la correction de l’exercice 2

Ici \(p = 0{,}5\) donc \(V(X_1) = p(1-p) = 0{,}25\) et \(\varepsilon = 0{,}01\). La majoration s’écrit :

\(P(|F_n- 0{,}5| \geq 0{,}01) \leq \displaystyle\frac{0{,}25}{n \times (0{,}01)^2} = \displaystyle\frac{0{,}25}{n \times 10^{-4}} = \displaystyle\frac{2500}{n}.\)

On veut \(\displaystyle\frac{2500}{n} \leq 0{,}05\), soit \(n \geq \displaystyle\frac{2500}{0{,}05} = 50\,000\).

Une valeur de \(n = 50\,000\) suffit selon Bienaymé-Tchebychev.

Remarque de correcteur : cette borne est très pessimiste. Avec le théorème de Moivre-Laplace (approximation normale), \(n \approx 9\,600\) suffit. L’écart illustre que Bienaymé-Tchebychev majore grossièrement — c’est le prix de sa généralité.


Exercice 3 — Variances bornées, variables non identiques ★★

Soit \((X_n)\) une suite de variables indépendantes (pas forcément de même loi), telles que \(E(X_k) = \mu\) pour tout \(k\) et \(V(X_k) \leq M\) pour une constante \(M\). Montrer que \(\overline{X}_n \stackrel{P}{\longrightarrow} \mu\).

Voir la correction de l’exercice 3

Par linéarité, \(E(\overline{X}_n) = \displaystyle\frac{1}{n}\sum_{k=1}^{n}\mu = \mu\).

Par indépendance, \(V(\overline{X}_n) = \displaystyle\frac{1}{n^2}\sum_{k=1}^{n} V(X_k) \leq \displaystyle\frac{1}{n^2} \cdot nM = \displaystyle\frac{M}{n}\).

Bienaymé-Tchebychev appliquée à \(\overline{X}_n\) donne, pour tout \(\varepsilon\) > \(0\) :

\(P(|\overline{X}_n- \mu| \geq \varepsilon) \leq \displaystyle\frac{V(\overline{X}_n)}{\varepsilon^2} \leq \displaystyle\frac{M}{n\varepsilon^2} \stackrel{n\to+\infty}{\longrightarrow} 0.\)

La loi faible tient sans hypothèse de loi commune : l’indépendance et la borne uniforme sur les variances suffisent. C’est une généralisation utile en pratique.


Exercice 4 — La forte implique la faible ★★

Démontrer que si une suite \((Y_n)\) converge presque sûrement vers une constante \(c\), alors elle converge en probabilité vers \(c\). En déduire que la loi forte entraîne la loi faible.

Voir la correction de l’exercice 4

Soit \(\varepsilon\) > \(0\). Introduisons les événements \(A_n = \{|Y_n- c| \geq \varepsilon\}\) et \(B_n = \bigcup_{k \geq n} A_k\). La suite \((B_n)\) est décroissante.

Si \(\omega\) est tel que \(Y_n(\omega) \to c\), alors à partir d’un certain rang \(|Y_n(\omega)- c|\) < \(\varepsilon\), donc \(\omega\) n’appartient qu’à un nombre fini de \(A_k\) : \(\omega \notin \bigcap_n B_n\). Par convergence p.s., \(P(\bigcap_n B_n) = 0\).

Par continuité décroissante de la mesure, \(P(B_n) \to P(\bigcap_n B_n) = 0\). Or \(A_n \subset B_n\), donc \(0 \leq P(A_n) \leq P(B_n) \to 0\).

Ainsi \(P(|Y_n- c| \geq \varepsilon) \to 0\) : c’est la convergence en probabilité. Appliqué à \(Y_n = \overline{X}_n\) et \(c = \mu\), la loi forte entraîne la loi faible.


Exercice 5 — La bosse glissante : convergence en proba sans convergence p.s. ★★★

Sur \(([0;1], \mathcal{B}, \lambda)\) (mesure de Lebesgue), on définit une suite d’indicatrices d’intervalles de longueur \(1/m\) qui « balaie » \([0;1]\) : pour \(m \geq 1\) et \(0 \leq j\) < \(m\), l’indicatrice de \(\big[\displaystyle\frac{j}{m}; \displaystyle\frac{j+1}{m}\big]\). On énumère ces indicatrices en une suite \((Y_n)\). Montrer que \(Y_n \stackrel{P}{\longrightarrow} 0\) mais que, pour tout \(\omega\), la suite \((Y_n(\omega))\) ne converge pas.

Voir la correction de l’exercice 5

Convergence en probabilité. L’indicatrice correspondant au bloc \((m,j)\) vaut \(1\) sur un intervalle de longueur \(1/m\). Donc, pour \(0\) < \(\varepsilon\) < \(1\), \(P(|Y_n| \geq \varepsilon) = \lambda(Y_n = 1) = \displaystyle\frac{1}{m}\). Comme \(n \to +\infty\) force \(m \to +\infty\), cette probabilité tend vers \(0\) : \(Y_n \stackrel{P}{\longrightarrow} 0\).

Absence de convergence p.s. Fixons \(\omega \in [0;1]\). Pour chaque \(m\), il existe exactement un bloc \(j\) tel que \(\omega \in \big[\displaystyle\frac{j}{m};\displaystyle\frac{j+1}{m}\big]\), donc l’indicatrice correspondante vaut \(1\). La suite \((Y_n(\omega))\) prend donc la valeur \(1\) pour une infinité d’indices, et la valeur \(0\) pour une infinité d’autres. Elle oscille indéfiniment entre 0 et 1 : elle ne converge pour aucun \(\omega\).

Conclusion : ce contre-exemple montre que la convergence en probabilité n’implique pas la convergence presque sûre. C’est exactement ce qui sépare la loi faible de la loi forte.


VIII. Questions fréquentes

Quelle est la différence entre la loi faible et la loi forte des grands nombres ?

La loi faible affirme une convergence en probabilité : \(P(|\overline{X}_n- \mu| \geq \varepsilon) \to 0\). La loi forte affirme une convergence presque sûre : \(P(\lim \overline{X}_n = \mu) = 1\). La loi forte est logiquement plus puissante — elle implique la loi faible, mais pas l’inverse. C’est pourquoi on les nomme « forte » et « faible ».

La loi faible des grands nombres est-elle au programme de prépa ?

Oui. L’énoncé de la loi faible et sa démonstration via l’inégalité de Bienaymé-Tchebychev (sous hypothèse de variance finie) sont exigibles en CPGE, dès la première année pour les filières concernées. L’énoncé de la loi forte est attendu, mais sa démonstration complète, qui relève de la théorie de la mesure, n’est pas au programme.

Pourquoi la démonstration exige-t-elle une variance finie ?

Parce qu’elle repose sur Bienaymé-Tchebychev, qui majore \(P(|\overline{X}_n- \mu| \geq \varepsilon)\) par \(V(\overline{X}_n)/\varepsilon^2 = \sigma^2/(n\varepsilon^2)\). Sans variance, cette borne n’a pas de sens. Le théorème de Khintchine établit pourtant la loi faible sous la seule hypothèse d’espérance finie, mais par une preuve (fonctions caractéristiques) hors programme.

Quelle est la différence entre la loi des grands nombres et le théorème central limite ?

La loi des grands nombres dit vers quoi converge \(\overline{X}_n\) : vers \(\mu\). Le théorème central limite dit à quelle vitesse et selon quelle loi : \(\sqrt{n}\,(\overline{X}_n- \mu)\) converge en loi vers une loi normale centrée. La LGN donne la limite, le TCL décrit la fluctuation autour de cette limite (de l’ordre de \(1/\sqrt{n}\)).

Que signifie converger en probabilité ?

Une suite de variables \((Y_n)\) converge en probabilité vers \(Y\) si, pour tout seuil \(\varepsilon\) > \(0\), la probabilité que \(Y_n\) s’écarte de \(Y\) d’au moins \(\varepsilon\) tend vers zéro. On ne dit rien d’une réalisation particulière : c’est une décroissance de probabilité, pas une limite de suite numérique — d’où sa différence avec la convergence presque sûre.


Pour aller plus loin

Tu maîtrises désormais les deux visages de la loi des grands nombres et la distinction entre convergence en probabilité et convergence presque sûre. Pour consolider le chapitre :

Tu veux progresser plus vite en maths et sécuriser les démonstrations de cours pour les colles et les concours ? Découvre les cours particuliers Excellence Maths pour la prépa scientifique.