La valeur espérée est au cœur de la théorie de la décision, de la tarification de l’assurance, des mathématiques des jeux de hasard et de la modélisation financière. Elle répond à une question simple mais puissante : si vous répétiez ce choix de nombreuses fois, combien gagneriez-vous ou perdriez-vous en moyenne ? En ramenant une distribution d’issues possibles à une seule moyenne pondérée par les probabilités, elle aide à prendre des décisions rationnelles malgré l’incertitude. Les sections suivantes expliquent son rôle dans les casinos, l’assurance et l’investissement, pourquoi E(X) ne suffit pas sans tenir compte de la variance — deux options peuvent avoir le même E(X) mais des risques très différents — et comment la loi des grands nombres garantit que la moyenne empirique converge vers E(X) lorsque le nombre d’essais augmente, fondement mathématique de l’assurance et de l’échantillonnage statistique.
Pourquoi la valeur espérée compte
La valeur espérée est essentielle à la théorie de la décision, à la tarification de l’assurance, aux jeux de hasard et à la modélisation financière. La comprendre change la façon d’évaluer les choix soumis au hasard. Elle répond à une question simple : si vous répétiez ce choix de nombreuses fois, combien gagneriez-vous ou perdriez-vous en moyenne ? Un E(X) positif indique un pari favorable à long terme ; un E(X) négatif annonce une perte statistique qui finira par épuiser votre capital si les essais sont assez nombreux.
Les casinos conçoivent leurs jeux pour que la valeur espérée du joueur soit négative, généralement entre -1 % (blackjack avec stratégie optimale) et -25 % (keno, machines à sous). La maison finit donc par gagner à long terme, quelles que soient les séries de chance individuelles. Les assureurs inversent le raisonnement : ils fixent les primes de sorte que le remboursement espéré par assuré soit inférieur à la prime perçue, ce qui rend la valeur espérée positive pour l’assureur. Les investisseurs évaluent ainsi les transactions, acquisitions et répartitions de portefeuille. Une décision dont la valeur espérée nette des coûts est positive mérite d’être envisagée si elle peut être répétée assez souvent pour que la loi des grands nombres s’applique ; les investisseurs institutionnels, qui disposent d’un horizon long, peuvent donc accepter des stratégies plus volatiles que les investisseurs particuliers à court terme.
Au-delà de la moyenne : risque et variance
La valeur espérée ne suffit pas à décrire une décision incertaine, et ignorer la variance conduit à des simplifications dangereuses. Deux placements peuvent avoir le même E(X) tout en présentant des variances et des profils de risque très différents. Une somme garantie de 100 $ et une chance sur deux de recevoir 0 $ ou 200 $ ont toutes deux E(X) = 100 $, mais la seconde option est bien plus risquée, car le résultat d’un essai peut s’écarter fortement de la valeur espérée. Pour une seule partie, toute personne averse au risque préférera strictement les 100 $ garantis au pile ou face.
En pratique, les décideurs rationnels évaluent à la fois la valeur espérée et la variance (ou l’écart-type). La théorie moderne du portefeuille (Markowitz, 1952) formalise cet arbitrage avec la frontière efficiente, qui regroupe les portefeuilles offrant le E(X) maximal à chaque niveau de variance. Dans la plupart des domaines, les fonctions d’utilité réelles sont concaves : les pertes sont davantage ressenties que les gains équivalents (aversion aux pertes, documentée par Kahneman et Tversky). Ainsi, il peut être raisonnable d’éviter une décision à E(X) positif si sa variance est trop élevée par rapport au patrimoine. Avec 1,000 $ d’épargne, on devrait refuser un pari à E(X) positif susceptible de faire perdre 5,000 $, car la perte potentielle serait catastrophique même si l’espérance mathématique est favorable.
La loi des grands nombres
La loi des grands nombres (LGN), l’un des théorèmes majeurs des probabilités, démontre rigoureusement que lorsque le nombre d’essais indépendants augmente, la moyenne empirique converge vers E(X). C’est pourquoi les assureurs restent solvables malgré le paiement de sinistres individuels importants : le remboursement moyen de millions de contrats est prévisible et proche de E(X), ce qui permet aux actuaires de fixer les primes avec une solide base mathématique. De même, obtenir trois fois pile en lançant une pièce équilibrée trois fois ne réfute pas l’équité : les petits échantillons sont soumis au hasard, et la convergence n’est garantie que lorsque n devient grand.
La LGN existe sous deux formes : faible (convergence en probabilité) et forte (convergence presque sûre). Toutes deux indiquent que la moyenne empirique se rapproche de E(X) à mesure que le nombre d’essais augmente, mais elles diffèrent par la force technique de leur énoncé de convergence. En pratique, l’assurance a besoin d’un grand nombre d’assurés pour diversifier la variance des sinistres individuels ; les casinos doivent disposer d’assez de joueurs et de parties pour réaliser leur avantage statistique ; les investisseurs ont besoin d’un horizon assez long pour appliquer des stratégies à valeur espérée positive ; et les essais cliniques doivent inclure suffisamment de participants pour distinguer l’effet du traitement du bruit. Utilisez le simulateur interactif de la LGN dans le troisième onglet pour observer la convergence en temps réel : la moyenne cumulée oscille, mais se rapproche régulièrement de E(X) au fil de centaines d’essais, ce qui rend ce théorème abstrait très concret.