Rédigé avec l’aide d’une IA, relu et corrigé par l’équipe Ludicademy · mis à jour le 21 septembre 2026 · Notre méthode
- Inégalité de Markov : pour X >= 0 et a > 0, P(X >= a) est inférieur ou égal à E(X) / a.
- Inégalité de Bienaymé-Tchebychev : P(abs(X - E(X)) >= e) est inférieur ou égal à V(X) / e^2.
- Universalité : ces bornes s'appliquent à toute variable aléatoire admettant des moments d'ordre un et deux.
Mesurer l'improbable sans connaître la distribution
Dans la théorie des probabilités enseignée au lycée, le calcul des risques repose presque toujours sur la connaissance préalable et exhaustive de la loi suivie par la variable aléatoire : loi binomiale bien calibrée, loi géométrique ou loi normale standardisée. Mais dans la réalité de l'expérimentation scientifique, de la finance ou de l'analyse de données massives, la distribution exacte d'un phénomène est très souvent inconnue, inaccessible ou monstrueusement complexe. Dispose-t-on alors d'un outil mathématique universel capable de borner la probabilité qu'une variable s'écarte de sa moyenne, en ne connaissant rien d'autre que son espérance et sa variance ? La réponse est positive, et s'incarne dans deux inégalités fondamentales de la théorie de la mesure : l'inégalité de Markov et son prolongement quadratique, l'inégalité de Bienaymé-Tchebychev.
| Inégalité probabiliste | Hypothèses requises | Formule canonique et borne obtenue |
|---|---|---|
| Inégalité de Markov | Variable aléatoire X positive, constante a > 0 | P(X >= a) est inférieur ou égal à E(X) / a : borne d'ordre un sur la queue de loi. |
| Bienaymé-Tchebychev | Variable X admettant une variance V(X), e > 0 | P(abs(X - E(X)) >= e) est inférieur ou égal à V(X) / e^2 : concentration autour du centre. |
| Forme standardisée (k*sigma) | Écart mesuré en multiples de l'écart-type sigma | P(abs(X - E(X)) >= k*sigma) est inférieur ou égal à 1 / k^2 : règle universelle. |
| Écart à deux sigmas (k = 2) | Valable pour n'importe quelle loi de variance finie | P(abs(X - E(X)) >= 2*sigma) est inférieur ou égal à 1/4 = 25% au grand maximum. |
| Écart à trois sigmas (k = 3) | Valable sans aucune hypothèse de symétrie | P(abs(X - E(X)) >= 3*sigma) est inférieur ou égal à 1/9 = 11,1% de dispersion. |
| Loi des grands nombres | Moyenne empirique Sn/n de n variables i.i.d. | P(abs(Sn/n - mu) >= e) tend vers 0 lorsque n grandit vers l'infini. |







Le détail qui compte
Pourquoi l'inégalité de Bienaymé-Tchebychev est-elle qualifiée d'inégalité « robuste mais conservatrice » ? Parce qu'elle est universellement vraie pour TOUTES les lois de probabilité concevables sans exception, ce qui a pour contrepartie de fournir des bornes parfois très larges comparées aux distributions régulières ! Par exemple, pour une variable aléatoire suivant une loi normale gaussienne, la probabilité de s'écarter de plus de trois écarts-types de la moyenne est en réalité inférieure à 0,3 % (la fameuse règle des trois sigmas), alors que Bienaymé-Tchebychev garantit seulement une probabilité inférieure à 11,1 % (1/9). L'intérêt fondamental de Tchebychev ne réside pas dans la précision numérique d'un cas particulier, mais dans sa capacité à prouver des théorèmes généraux, notamment la loi faible des grands nombres : en divisant la variance globale par la taille n de l'échantillon, la borne tend vers zéro lorsque n tend vers l'infini, démontrant que la moyenne empirique converge mathématiquement vers l'espérance théorique.

Et dans la vraie vie
Les inégalités de concentration gouvernent l'ingénierie financière, le dimensionnement des réseaux de télécommunication et le contrôle qualité industriel. Lorsqu'un fabricant de puces électroniques produit des millions de composants par jour, il utilise Bienaymé-Tchebychev pour garantir contractuellement à ses clients un taux maximal de défaillance hors tolérance, sans avoir besoin de postuler arbitrairement que les erreurs de gravure suivent une loi normale. En informatique théorique, ces inégalités constituent le socle de l'analyse des algorithmes probabilistes et de la théorie de l'apprentissage automatique (bornes PAC), où l'on quantifie le nombre minimal de données nécessaires pour garantir qu'un modèle prédictif ne s'éloigne pas de la vérité avec un niveau de confiance garanti.
- Inégalité de Markov : pour X >= 0 et a > 0, P(X >= a) est inférieur ou égal à E(X) / a.
- Inégalité de Bienaymé-Tchebychev : P(abs(X - E(X)) >= e) est inférieur ou égal à V(X) / e^2.
- Universalité : ces bornes s'appliquent à toute variable aléatoire admettant des moments d'ordre un et deux.
- Règle des k-sigmas : P(abs(X - E(X)) >= k * sigma) est inférieur ou égal à 1 / k^2.
- Portée théorique : pierre angulaire de la démonstration de la loi faible des grands nombres.
Exercices express
Une variable aléatoire X d'espérance 100 possède une variance de 25. Majorer la probabilité que X sorte de l'intervalle [80, 120].
On applique Bienaymé-Tchebychev avec E(X)=100, V(X)=25 et epsilon=20 : P(abs(X - 100) >= 20) est inférieur ou égal à V(X) / epsilon^2 = 25 / 400 = 1/16.
Soit une variable aléatoire positive Y dont l'espérance vaut 10. Quelle est la probabilité maximale que Y dépasse 50 ?
Par l'inégalité de Markov, pour Y >= 0 et a = 50, P(Y >= 50) est inférieur ou égal à E(Y) / 50 = 10 / 50 = 1/5 = 0,20 (soit 20%).
Pourquoi la moyenne empirique de n variables indépendantes et identiquement distribuées converge-t-elle vers l'espérance selon Tchebychev ?
La variance de la somme divisée par n est V(Sn/n) = V(X)/n. En injectant dans Bienaymé-Tchebychev, la borne V(X)/(n*e^2) tend vers 0 quand n tend vers l'infini.



