dimanche 15 juin 2025

APPLICATIONS DE LA LOI ARCSINUS EN PROBABILITE

1. Définition du problème

  • On lance une pièce équilibrée 100 fois (pile ou face).

  • On s'intéresse au premier moment où le nombre de piles est égal au nombre de faces (c’est-à-dire l’égalité parfaite).

  • On veut connaître la probabilité qu’une telle égalité se produise au moins une fois dans les premiers n coups (par exemple, n=10, 20, 25, 30, 40).

  • On cherche aussi le nombre minimal de coups nécessaires pour avoir au moins 50% de chances d'observer cette égalité au moins une fois.

2. Modélisation mathématique

Le problème revient à étudier la première fois où la somme partielle de variables aléatoires symétriques (±1) s'annule.

  • Soit Sk=X1+X2+⋯+Xk où Xi=+1 (pile) ou −1 (face) avec probabilité 1/2.

  • L'égalité entre nombre de piles et de faces au coup k signifie Sk=0.

  • On cherche la probabilité que Sk=0 pour au moins un k≤n.

3. Probabilité qu'il y ait au moins une égalité dans les n premiers coups

Résultat clé :

La probabilité qu'il y n'ait jamais d'égalité (sauf au départ k=0) dans les n premiers coups est donnée par la formule classique liée aux marches aléatoires :

P(pas d’eˊgaliteˊ dans les n premiers coups)=(n⌊n/2⌋)2n

Cette quantité est la probabilité que la marche ne revienne jamais à zéro (sauf au départ).

  • Donc :

P(au moins une eˊgaliteˊ dans n coups)=1−(n⌊n/2⌋)2n

4. Calculs numériques

On calcule pour différents n :

n(nn/2) (approx.)(nn/2)2nP(au moins 1 eˊgaliteˊ)
10252252/1024≈0.2461−0.246=0.754 (75.4%)
20184,756184,756/1,048,576≈0.1761−0.176=0.824 (82.4%)
242,704,1562,704,156/16,777,216≈0.1611−0.161=0.839 (83.9%)
253,268,7603,268,760/33,554,432≈0.0971−0.097=0.903 (90.3%)
2610,400,60010,400,600/67,108,864≈0.1551−0.155=0.845 (84.5%)
30155,117,520155,117,520/1,073,741,824≈0.1441−0.144=0.856 (85.6%)
40137,846,528,820137,846,528,820/1.0995×1012≈0.1251−0.125=0.875 (87.5%)

5. Interprétation

  • À 10 coups, il y a déjà 75% de chances d'avoir vu une égalité au moins une fois.

  • À 20 coups, c'est environ 82%.

  • À 24 coups, environ 84%.

  • À 25 coups, environ 90%.

  • À 26 coups, environ 84% (ici la valeur diminue car n impair vs pair).

  • À 30 coups, environ 85%.

  • À 40 coups, environ 87%.

Cela montre que la probabilité d'avoir au moins une égalité dans les premiers coups est très élevée dès 10 coups.

6. Pour avoir 50% de chances d'avoir une égalité

On cherche n tel que :

1−(n⌊n/2⌋)2n=0.5

Autrement dit,

(n⌊n/2⌋)2n=0.5

Or, pour n=2, la probabilité est 24=0.5, donc dès 2 coups, on a 50% de chances d'égalité (en fait, au coup 2, la seule égalité possible est 1 pile et 1 face).

Mais si on cherche le premier retour à l'équilibre après le départ, la question est différente.

7. Première égalité après le départ (premier retour à zéro)

La probabilité que la première égalité (premier retour à zéro) se produise au coup 2k est donnée par la formule :

P(T=2k)=12k−1(2kk)2−2k

où T est le temps du premier retour à zéro.

La probabilité que le premier retour à zéro se produise avant 2n est :

P(T≤2n)=∑k=1n12k−1(2kk)2−2k

On peut calculer cette somme pour trouver le n tel que P(T≤2n)=0.5.

8. Calculs approximatifs du premier retour à zéro

2n (nombre de coups)P(T≤2n) approximatif
20.5
40.75
60.875
80.9375
100.96875

Donc, la probabilité que la première égalité se produise dans les 2 premiers coups est déjà 50%.








 La concentration des équilibres aux débuts ou fins d’une marche aléatoire, selon la loi d’arcsinus, influence la prévision du comportement futur d’un système aléatoire en soulignant que :

  • Les phases d’équilibre sont plus probables au tout début ou vers la fin, ce qui signifie qu’une fois qu’un déséquilibre s’installe, il a tendance à persister longtemps avant un retour à l’égalité. Cela oriente la prévision vers une attente de stabilité prolongée d’un état dominant plutôt que de fluctuations fréquentes au milieu.

  • Cette concentration révèle une "persistence" temporelle, donc pour prévoir, il faut prendre en compte que les changements d’état (équilibres) ne sont pas uniformément répartis, mais plutôt regroupés aux extrémités du processus.

  • En pratique, cela invite à focaliser l’attention et les ressources de décision sur les débuts et fins des phases observées, car ce sont les moments où les transitions sont les plus probables, ce qui est cohérent avec les mécanismes cognitifs de concentration et d’attention qui privilégient un focus clair et volontaire sur des instants clés.


  • Cela limite la prévisibilité au milieu du processus, où les équilibres sont rares, renforçant l’idée que le système peut rester dans un état dominant sans retour fréquent à l’équilibre, ce qui est important pour la gestion des risques ou la planification stratégique.

En résumé, la concentration des équilibres aux extrémités aide à mieux cibler la prévision sur les moments critiques (début et fin), tout en reconnaissant la persistance et la stabilité des états intermédiaires dans un système aléatoire.

La concentration des équilibres aux débuts ou fins d’une marche aléatoire peut à la fois renforcer et affaiblir votre confiance dans vos prévisions, pour ces raisons :

  • Renforcement de la confiance :
    Comme la loi d’arcsinus montre que les équilibres sont plus probables aux extrémités, vous pouvez anticiper avec plus de certitude que les changements importants (retours à égalité) auront lieu tôt ou tard dans le processus. Cette prévisibilité partielle sur les moments clés renforce la confiance dans la planification autour de ces phases critiques.

    • Affaiblissement de la confiance :
      En revanche, la persistance d’un état dominant pendant la majeure partie du temps (peu d’équilibres au milieu) rend difficile de prévoir précisément quand un changement interviendra. Cette incertitude sur la durée de ces phases prolongées peut diminuer la confiance dans des prévisions fines à moyen terme.

    • Impact sur l’attention et la concentration :
      La difficulté à anticiper les transitions au milieu peut entraîner une baisse de concentration ou une focalisation excessive sur les débuts et fins, ce qui peut biaiser la perception et la prise de décision12. Une bonne gestion de son attention, avec des objectifs clairs et une organisation adaptée, est alors essentielle pour maintenir une confiance équilibrée.

    • Facteurs émotionnels :
      Les pensées négatives ou le doute générés par l’incertitude peuvent aussi miner la confiance, tandis qu’un discours interne positif et un contrôle de ses émotions favorisent une meilleure mobilisation cognitive et une confiance accrue15.

    En résumé, la concentration des équilibres aux extrémités du processus offre une base pour anticiper certains moments clés, ce qui peut renforcer la confiance, mais la persistance des déséquilibres au milieu crée une incertitude qui peut l’affaiblir. Une bonne gestion de l’attention et des émotions est alors cruciale pour équilibrer cette confiance dans vos prévisions.

  • Pour renforcer la fiabilité de vos prévisions selon le moment où vous vous concentrez (début, milieu ou fin d’un processus), voici des stratégies adaptées :

    • Concentration en début ou fin (moments d’équilibre plus probables selon la loi d’arcsinus)

      • Surveillez et mettez à jour régulièrement vos prévisions pour capter les changements aux moments critiques, en utilisant par exemple des techniques de lissage ou de mise à jour bayésienne3.

      • Validez et backtestez vos modèles sur des données historiques pour bien calibrer la prédiction des retours à l’équilibre aux extrémités3.

      • Utilisez des outils et logiciels spécialisés pour automatiser la collecte et l’analyse des données, réduisant ainsi les erreurs humaines1.

      • Impliquez les parties prenantes clés dans la prévision collaborative, afin d’intégrer différents points de vue et scénarios (meilleur/pire)7.

      • Planifiez des points de contrôle spécifiques au début et à la fin du processus pour ajuster vos prévisions en fonction des observations réelles7.

    • Concentration au milieu (moment où les équilibres sont rares et la persistance forte)

      • Adoptez une approche prudente en anticipant la persistance d’un état dominant, et évitez de surestimer la fréquence des changements d’équilibre.

      • Mesurez et suivez la fiabilité de vos prévisions avec des indicateurs adaptés (MAE, RMSE, score Brier…) pour détecter les biais ou erreurs récurrentes238.

      • Gardez une flexibilité dans vos modèles pour intégrer la variabilité et l’incertitude propre à cette phase, en évitant le surajustement3.

      • Faites des pauses régulières et organisez votre concentration (ex. technique Pomodoro) pour maintenir une attention optimale lors de l’analyse de périodes longues et stables6.

    • Stratégies générales pour toute phase

      • Dépolluez et vérifiez la qualité des données avant toute analyse pour éviter des prévisions biaisées15.

      • Définissez des objectifs clairs pour orienter vos efforts et choisir les méthodes adaptées5.

      • Mettez à jour régulièrement vos modèles prédictifs pour qu’ils restent pertinents face à l’évolution des données et des conditions35.

      • Utilisez l’intelligence artificielle et l’analyse prédictive pour détecter des tendances invisibles et améliorer la précision globale75.

    En résumé, en vous concentrant sur les moments où la loi d’arcsinus indique une forte probabilité d’équilibre (début et fin), vous pouvez renforcer la fiabilité de vos prévisions par des mises à jour fréquentes, validations rigoureuses et collaboration. Au milieu, où la persistance domine, privilégiez la prudence, la mesure de la fiabilité et la flexibilité des modèles.


fr.wikipedia.org favicon
Fondation Wikimedia, Inc.
Loi arc sinus - Wikipédia
ilo.org favicon
ilo
[PDF] SÉCURITÉ ET HYGIÈNE DU TRAVAIL
persee
L'usage de l'entretien en sciences sociales. Plaidoyer pour l' - Persée
repositorio.cepal
RVF-Numero especial_fr.pdf.txt - Cepal

La loi de l'arcsinus, issue de la théorie des marches aléatoires, décrit la distribution du temps passé dans une tendance, mais elle ne permet pas directement d'identifier des moments précis où une tendance va s'inverser ou se renforcer.

En effet :

  • La loi de l'arcsinus montre que les périodes où une variable reste d’un même côté (par exemple, au-dessus ou en dessous d’un niveau) ont tendance à être longues, ce qui explique la persistance des tendances, mais elle ne donne pas d’indicateurs précis pour prévoir le moment où la tendance changera1.

  • Elle décrit une propriété statistique globale du processus, pas un signal ponctuel d’inversion.

Pour identifier des retournements ou renforcements de tendance en Bourse, on utilise plutôt des outils d’analyse technique spécifiques, comme :

  • L’indicateur Vortex, qui mesure la force et la direction de la tendance et peut signaler un renversement lorsque ses lignes croisent5.

  • Les moyennes mobiles, les niveaux de support/résistance, les oscillateurs (RSI, MACD), et les modèles graphiques (tête-épaules, doubles sommets) qui fournissent des signaux concrets d’inversion ou de continuation5.

En résumé, la loi de l’arcsinus éclaire la nature persistante des tendances, mais la détection précise des inversions ou renforcements repose sur des indicateurs techniques complémentaires.

_______________________________________________________________________________________________


IA CLAUDE    EXPLICATIONS.


La Loi de l’Arcsinus de Paul Lévy

📜 Contexte historique

Paul Lévy (mathématicien français, 1886–1971) a étudié le comportement des marches aléatoires et du mouvement brownien. Il a découvert un résultat profondément contre-intuitif : contrairement à l’intuition, dans une suite de tirages à pile ou face équilibrée, les résultats ont tendance à rester groupés d’un seul côté plutôt qu’à s’équilibrer régulièrement.

🧮 Les Trois Lois de l’Arcsinus

Soit une marche aléatoire simple $S_0=0, S_1, S_2, \dots, S_{2n}$ où chaque pas vaut $+1$ (pile) ou $-1$ (face) avec probabilité $1/2$.

Lévy a montré que trois quantités différentes suivent la même loi limite, la loi de l’arcsinus :

#Quantité aléatoireDescription
1️⃣$L_{2n}/2n$Fraction du temps où la marche est positive
2️⃣$T_{2n}/2n$Instant du dernier retour à zéro
3️⃣$M_{2n}/2n$Instant où la marche atteint son maximum

📐 La Distribution Arcsinus

Quand $n \to \infty$, chacune de ces quantités converge vers une loi de densité :

$$ f(x) = \frac{1}{\pi \sqrt{x(1-x)}}, \quad 0 < x < 1 $$

et de fonction de répartition :

$$ P(X \le x) = \frac{2}{\pi} \arcsin(\sqrt{x}) $$

📊 Forme de la densité (en « U »)

f(x) |\ /| | \ / | | \ / | | \__ __/ | | \__________________/ | +---------------------------------→ x 0 0.25 0.5 0.75 1

➡️ La densité est plus forte près de 0 et de 1 que près de 0,5 !

🤔 Pourquoi est-ce contre-intuitif ?

On s’attendrait à ce qu’une marche aléatoire équilibrée passe à peu près la moitié du temps du côté positif et l’autre moitié du côté négatif.

Faux ! La loi arcsinus dit que c’est l’inverse :

  • 🔵 Il est plus probable qu’un joueur soit en tête (ou en retard) presque tout le temps.
  • 🔴 Il est moins probable que le score soit équilibré pendant une durée « normale ».

🪙 Exemple Détaillé : Pile ou Face (n = 4 tirages)

Formule discrète (Lévy)

Pour $2n$ tirages, en notant $u_{2k} = \dfrac{\binom{2k}{k}}{4^k}$ (probabilité d’être revenu à 0 après $2k$ pas), le dernier instant de retour à zéro $T_{2n}$ vérifie :

$$ P(T_{2n} = 2k) = u_{2k} \cdot u_{2n-2k} $$

🔢 Calcul pour n = 2 (donc 4 tirages)

On calcule les $u_{2k}$ :

$k$$u_{2k} = \binom{2k}{k}/4^k$
0$u_0 = 1$
2$u_2 = \binom{2}{1}/4 = 1/2$
4$u_4 = \binom{4}{2}/16 = 3/8$

Probabilités théoriques du dernier retour à 0 :

$$ P(T_4=0)=u_0 u_4=\frac{3}{8},\quad P(T_4=2)=u_2 u_2=\frac{1}{4},\quad P(T_4=4)=u_4 u_0=\frac{3}{8} $$

✅ Vérification : $\frac{3}{8}+\frac{1}{4}+\frac{3}{8}=1$

🔍 Vérification par énumération exhaustive (les 16 séquences)

Listons les 16 séquences possibles de 4 lancers (+1 = Pile, -1 = Face) et calculons la marche $S_0,...,S_4$ :

Séquence$S_0..S_4$Dernier zéro
++++0,1,2,3,40
+++-0,1,2,3,20
++-+0,1,2,1,20
++--0,1,2,1,04
+-++0,1,0,1,22
+-+-0,1,0,1,04
+--+0,1,0,-1,04
+---0,1,0,-1,-22
-+++0,-1,0,1,22
-++-0,-1,0,1,04
-+-+0,-1,0,-1,04
-+--0,-1,0,-1,-22
--++0,-1,-2,-1,04
--+-0,-1,-2,-1,-20
---+0,-1,-2,-3,-20
----0,-1,-2,-3,-40

Comptage :

  • Dernier zéro = 0 → 6 séquences → $6/16 = 3/8$ ✅
  • Dernier zéro = 2 → 4 séquences → $4/16 = 1/4$ ✅
  • Dernier zéro = 4 → 6 séquences → $6/16 = 3/8$ ✅

🎯 Ça colle parfaitement avec la formule !

💬 Interprétation

Il y a autant de chances (6/16 chacun) que :

  • la marche quitte zéro dès le début et ne revienne jamais (dominance totale d’un côté),
  • ou qu’elle revienne à zéro au tout dernier moment,

que l’inverse du scénario « équilibré » (retour à zéro au milieu, seulement 4/16).

🔢 Exemple à Plus Grande Échelle (illustration de Feller)

Imaginons 10 000 lancers de pile ou face, et on trace qui est « en tête » (plus de piles que de faces cumulés).

📌 Résultat classique (Feller, Introduction à la théorie des probabilités) :

  • La probabilité que l’un des deux joueurs soit en tête pendant plus de 98 % du temps est d’environ 9 % — ce qui est énorme comparé à l’intuition !
  • La probabilité d’être en tête entre 45 % et 55 % du temps (équilibre parfait) n’est que d’environ 6 %.
Fraction du temps en têteProbabilité approximative
0% – 10%~20 %
45% – 55%~6 %
90% – 100%~20 %

➡️ Les extrêmes sont plus probables que le centre !

💡 Applications

  • 📈 Finance : modélise les périodes de surperformance prolongée d’un actif sans que cela implique un « biais » réel.
  • 🧬 Marches aléatoires / mouvement brownien : fondement théorique du calcul stochastique (Lévy, Itô).
  • 🎮 Jeux de hasard & sport : explique pourquoi une équipe peut dominer tout un match sans que cela prouve sa supériorité intrinsèque.
  • 🔬 Physique statistique : diffusion, marches sur réseaux.

✅ Résumé

Point cléExplication
🎯 Résultat principalDans une marche aléatoire équilibrée, le temps passé d’un côté suit une loi en U, pas une loi centrée
📐 Formule$P(X\le x) = \frac{2}{\pi}\arcsin(\sqrt{x})$
🪙 Exemple vérifiéSur 4 lancers, $P(\text{dernier zéro}=0 \text{ ou } 4) = 3/8$ chacun, contre $1/4$ pour le milieu
🤯 Contre-intuitionÊtre « longtemps en tête » est plus probable qu’être « à égalité souvent »

📈 Finance : modélise les périodes de surperformance prolongée d’un actif sans que cela implique un « biais » réel. VOUS POUVEZ VOUS DETAILLER ET AVEZ VOUS DES EXEMPLES ?

📈 La loi de l’arcsinus de Lévy appliquée à la finance : modéliser la surperformance « sans biais »

🎯 Le problème posé

En finance, on observe souvent qu’un actif, un fonds ou une stratégie surperperforme son benchmark pendant de longues périodes (plusieurs mois, parfois plusieurs années). L’interprétation intuitive est souvent :

« Ce gérant a du talent » ou « cet actif a un biais structurel haussier »

La loi de l’arcsinus montre que ce raisonnement est souvent faux : même un processus parfaitement aléatoire, symétrique et sans dérive (comme pile ou face) produit naturellement de très longues séquences de surperformance d’un côté. La persistance n’est donc pas une preuve de biais réel.

🧮 Le modèle : la marche aléatoire comme proxy de la performance relative

On modélise la sur/sous-performance relative entre deux actifs A et B comme une marche aléatoire :

  • Chaque jour de bourse = un tirage pile ou face (p = 0,5)
  • Pile → A surperforme B ce jour-là (+1)
  • Face → B surperforme A ce jour-là (−1)
  • $S_n = X_1 + X_2 + \dots + X_n$ = écart cumulé de performance après $n$ jours

👉 Ce processus a une espérance nulle (pas de biais, pas de dérive, pas de skill) — c’est le cas d’école le plus neutre possible.

📊 Les trois lois de l’arcsinus (version finance)

LoiInterprétation financière
Temps passé positifFraction du temps où A devance B sur la période
Dernier retour à zéroDernier jour où A et B sont à égalité, avant la fin de la période
Températures du maximumMoment où l’écart de performance (le « lead ») est maximal

Les trois suivent la même densité, en forme de U (baignoire) :

$$ f(x) = \frac{1}{\pi \sqrt{x(1-x)}}, \quad x \in (0,1) $$

$$ P(X \le x) = \frac{2}{\pi} \arcsin(\sqrt{x}) $$

➡️ Densité maximale près de 0 et de 1, minimale à x = 0,5.

🪙 Exemple numérique détaillé (simulation « pile ou face »)

Imaginons une année boursière de 252 jours (≈ nombre de jours de bourse/an), modélisée par 252 lancers de pièce équilibrée.

Question : quelle est la probabilité qu’un actif « domine » presque toute l’année, par pur hasard ?

Calcul via la formule de l’arcsinus :

Fraction de temps en tête (x)Probabilité cumulée $P(X \le x)$
0,01≈ 6,4 %
0,10≈ 20,5 %
0,5050 % (symétrie)
0,90≈ 79,5 %
0,99≈ 93,6 %

Résultats surprenants 🤯

  • P(un actif domine ≥ 90 % du temps) = P(x<0,1) + P(x>0,9) ≈ 41 %
  • P(situation « équilibrée », x ∈ [0,4 ; 0,6]) ≈ 13 % seulement

👉 Sur 10 000 simulations de « 252 lancers de pièce » :

  • ~4 100 trajectoires voient un actif rester en tête plus de 90 % du temps
  • Seulement ~1 300 trajectoires montrent un partage équilibré proche de 50/50

C’est contre-intuitif : on s’attendrait naturellement à ce que les trajectoires « équilibrées » soient les plus fréquentes — c’est l’inverse !

Et le « dernier croisement » ?

La loi du dernier retour à zéro donne un résultat tout aussi frappant :

P(le dernier jour d’égalité entre A et B survient dans les 25 premiers jours de bourse) ≈ 20,5 %

Autrement dit : dans 1 cas sur 5, le « leader » de l’année est déterminé dès le premier mois — puis reste en tête sans interruption pendant les 11 mois restants, uniquement par hasard pur, sans aucune dérive ni avantage réel.

💹 Application concrète en finance

1. Fonds vs Benchmark

Deux ETF répliquant le même indice, avec un tracking error purement aléatoire (bruit de microstructure, erreurs d’échantillonnage) peuvent afficher l’un des deux en tête pendant 3, 4, 5 ans d’affilée sans qu’aucun des deux n’ait de « vrai » avantage structurel.

2. Évaluation de gérants (« sophisme de la main chaude »)

Un comité d’investissement observe qu’un gérant bat son indice pendant 4 années consécutives et en déduit un « edge ». La loi de l’arcsinus rappelle que ce schéma est un résultat statistiquement attendu d’un processus purement aléatoire — pas une anomalie nécessitant une explication par le talent.

3. Paires de trading (trading par paires)

En stratégie de spread trading entre deux actifs corrélés, on suppose souvent un retour à la moyenne rapide. La loi de l’arcsinus montre que, même sans dérive, le spread peut rester durablement d’un seul côté de zéro, ce qui peut être confondu avec un signal directionnel.

4. Quantitative de rétrotest

Les quants utilisent l’arcsinus comme hypothèse nulle (null model) : avant de conclure qu’une stratégie a un vrai alpha, on vérifie que la persistance de surperformance observée n’est pas simplement compatible avec ce que produirait un processus aléatoire pur.

📐 Pourquoi la densité en forme de « U » est contre-intuitive

Densité f(x) ↑ 3 |● ● | ● ● 2 | ● ● | ● ● 1 |____________●______●______●___________ 0.0 0.2 0.4 0.5 0.6 0.8 1.0 Fraction du temps en tête (x)
  • Intuition naïve : on s’attend à ce que x = 0,5 soit le cas le plus probable (symétrie parfaite)
  • Réalité mathématique : x = 0,5 est en fait le point le moins probable ; Les extrêmes (x proche de 0 ou 1) sont les plus fréquents

C’est l’essence même de la loi de l’arcsinus : l’absence de dérive (drift) n’implique pas des positions équilibrées dans le temps — au contraire, elle favorise les dominations prolongées d’un seul côté.

⚠️ Limites du modèle en finance réelle

  • Les rendements réels ne sont pas i.i.d. ±1 : il existe de l’autocorrélation, du clustering de volatilité, et souvent une vraie dérive (prime de risque actions)
  • La loi de l’arcsinus sert de modèle de référence (« null model »), pas de description exacte des marchés
  • Une surperformance peut être due à un vrai alpha en plus de l’effet arcsinus — il faut comparer la persistance observée à ce que prédit le modèle aléatoire pour juger de sa significativité statistique

✅ Ce qu’il faut retenir

  • 🎲 Même un processus 100 % aléatoire et sans biais produit naturellement des périodes très longues où un actif semble « gagnant »
  • 📉 Le partage du temps équilibré (50/50) est en réalité l’exception, pas la règle
  • 🧠 Une longue série de surperformance ne prouve pas l’existence d’un talent, d’une dérive ou d’un biais structurel
  • 🔬 En pratique, l’arcsinus sert de benchmark statistique pour évaluer si une performance observée dépasse ce que le hasard pur permettrait d’expliquer

APPLIQUONS MAINTENANT CETTE LOI SUR UNE SÉRIE DE PILE OU FACE DE 100 COUPS. PENDANT COMBIEN DE TEMPS EN MOYENNE, UNE CHANCE EST EN AVANCE SUR L’AUTRE ? L99

🎲 Application de la Loi de l’Arcsinus sur 100 Coups de Pile ou Face

🎯 La Question Piège : « En Moyenne » peut être Trompeur !

Avant de répondre, il faut distinguer deux concepts différents :

  • L’espérance mathématique (moyenne sur une infinité de parties)
  • La valeur typique/probable (ce qu’on observe réellement dans UNE partie)

La loi de l’arcsinus nous enseigne que ces deux notions divergent radicalement ! 🤯

📊 1. L’Espérance Mathématique : 50 Coups

Par symétrie pure (Pile et Face ont les mêmes chances), l’espérance du temps passé en avance est :

$$E[L_{100}] = 50 \text{ coups}$$

Mais attention : cette moyenne est un piège statistique classique, car elle ne représente presque jamais ce qui se passe réellement dans une partie donnée !

🔥 2. La Réalité : Une Distribution en Forme de « U »

La densité de probabilité suit la loi : $$f(x) = \frac{1}{\pi\sqrt{x(1-x)}}$$

Cette fonction est minimale au centre (x=0,5) et maximale aux extrémités (x=0 ou x=1).

📐 Calcul Exact pour n=100 (formule de Lévy)

$$P(L_{100} = 2k) = u_{2k} \times u_{100-2k}, \quad \text{où } u_{2m} = \frac{\binom{2m}{m}}{4^m}$$

ScénarioProbabilité approximative
Être en avance tout le temps (L=100)≈ 8,0 %
Être en retard tout le temps (L=0)≈ 8,0 %
Exactement à 50/50 (L=50)≈ 1,3 % seulement !

😱 Le Paradoxe Révélé

Rester en tête PENDANT TOUTE LA PARTIE (100 %) est presque 6 fois plus probable que d’être parfaitement à égalité (50/50) !

📈 3. Probabilités par Tranches (Approximation Continue)

Utilisons la fonction de répartition : $F(x) = \frac{2}{\pi}\arcsin(\sqrt{x})$

Intervalle de dominationProbabilité
🟥 Domination extrême (>90 % ou <10 % du temps)≈ 41 %
🟨 Zone intermédiaire (40 %-60 % du temps)≈ 13 %
🟩 Domination modérée (60 %-90 % ou 10 %-40 %)≈ 46 %

🎯 Conclusion Concrète pour 100 Lancers

Si vous jouez à Pile ou Face 100 fois :

  • Il y a 41 % de chances qu’un des deux résultats (Pile ou Face) soit en tête pendant plus de 90 coups sur 100 !
  • Il n’y a que 13 % de chances que la partie reste « équilibrée » (entre 40 et 60 coups pour chaque côté).
  • La situation la plus probable (8 %) est qu’un seul côté domine du début à la fin, sans jamais être rattrapé !

💡 4. Pratique de l’implication

Imaginez que vous observiez un joueur qui reste « en avance » pendant 85 des 100 lancers. Vous pourriez être tenté de penser :

« Ce joueur a de la chance, ou peut-être que la pièce est biaisée ! »

Mais la loi de l’arcsinus nous dit que c’est un résultat parfaitement normal et attendu pour une pièce équilibrée ! Ce n’est absolument pas une preuve de biais.

🏦 Lien avec la Finance

Ce résultat est fondamental pour comprendre pourquoi un fonds d’investissement ou un actif financier peut surperformer un indice de référence pendant des mois, voire des années, sans qu’il y ait de compétence réelle sous-jacente — c’est simplement la nature mathématique des marches aléatoires symétriques (hypothèse nulle de marché efficient).

🎲 Résumé en une phrase

« En moyenne » = 50 coups, mais « en pratique » = très souvent un déséquilibre extrême et prolongé, car la loi de l’arcsinus favorise statistiquement les scénarios où un côté domine presque toute la partie ! 📉📈

Il n’y a que 13 % de chances que la partie reste « équilibrée » (entre 40 et 60 coups pour chaque côté) ? DONC VOUS PARLEZ DE L’ECART TYPE QUI EST DE RACINE CARRÉE DE 100 QUI EST 10, DONC IL Y A QUE 13 % DE CHANCES DE RESTER DANS UN CART SUR 100 PILE OU FACE ?

⚠️ NON, C’EST UNE CONFUSION IMPORTANTE À CLARIFIER !

🎯 Vous mélangez DEUX statistiques complètement différentes

Votre intuition sur l’écart-type est correcte mathématiquement, mais elle s’applique à une autre variable que celle don’t on parle avec la loi de l’arcsinus !

📊 1. Variable n°1 : La POSITION Finale (loi normale/gaussienne)

C’est celle où √n = σ s’applique :

$$S_{100} = \text{(Nombre de Piles)} - \text{(Nombre de Faces)}$$

  • Type Écart : $\sigma = \sqrt{100} = 10$
  • Distribution : Loi normale (Gaussienne), en forme de cloche 🔔
  • Signification : « Où en est le score final ? » (ex : +15 Piles de plus que Faces)

📈 Exemple de béton

Avec σ=10, on aurait par exemple :

  • 68 % de chances que $S_{100}$ soit entre -10 et +10
  • 95 % de chances que $S_{100}$ soit entre -20 et +20

🔥 2. Variable n°2 : Le TEMPS passé en tête (loi de l’arcsinus)

C’est une variable complètement différente :

$$L_{100} = \text{Nombre de coups où Pile est en avance sur Face}$$

  • Distribution : Loi de l’arcsinus, en forme de U 🫗 (PAS une cloche !)
  • Signification : « Pendant combien de temps un côté a-t-il dominé ? »

❌ Ici, σ = √n NE S’APPLIQUE PAS !

La loi de l’arcsinus n’est pas gaussienne. Son écart-type théorique existe, mais il ne sert pas à calculer les probabilités de la même manière, car la distribution n’est PAS symétrique en cloche, elle est bimodale (deux pics aux extrémités).

🧮 3. D’où Vient Exactement le 13 % ?

Le calcul utilise la fonction de répartition de l’arcsinus, pas l’écart-type gaussien :

$$F(x) = \frac{2}{\pi}\arcsin(\sqrt{x})$$

Résumé du calcul :

$$P(0,4 < L_{100}/100 < 0,6) = F(0,6) - F(0,4)$$

$$F(0.6) = \frac{2}{\pi}\arcsin(\sqrt{0.6}) = \frac{2}{\pi}\arcsin(0.775) ≈ 0.564$$

$$F(0.4) = \frac{2}{\pi}\arcsin(\sqrt{0.4}) = \frac{2}{\pi}\arcsin(0.632) ≈ 0.436$$

$$\boxed{P = 0,564 - 0,436 ≈ 0,128 ≈ 13 %}$$

Ce calcul n’utilise jamais √100 ou l’écart-type ! C’est une formule géométrique/trigonométrique propre à l’arcsinus.

🆚 4. Tableau Comparatif pour Clarifier

CaractéristiqueFinale de position $S_{100}$Temps en tête $L_{100}$
LoiNormale (Gaussienne)Arcsinus
FormeCloche 🔔U 🫗
Pertinent de type Écart$\sqrt{100}=10$ ✅N’est pas utilisé directement ❌
Valeur la + probableAu centre (0)Aux extrêmes (0 ou 100)
Formule cléLoi normale $\mathcal{N}(0,10)$$F(x)=\frac{2}{\pi}\arcsin(\sqrt{x})$

💡 5. Pourquoi cette Distinction est Cruciale ?

🎲 Intuition fausse (piège classique) :

« Si l’écart-type du score est de 10 sur 100 coups, alors il devrait y avoir une variation 'modérée' et donc un temps de domination proche de 50/50 la plupart du temps. »

✅ Réalité (contre-intuitive) :

Même si le score final reste proche de zéro (dans l’intervalle ±10, donc « équilibré » en apparence), le chemin parcouru par la marche aléatoire peut très bien rester du même côté de zéro pendant presque tout le trajet avant de revenir proche de zéro à la fin !

📐 Exemple illustratif

Imaginez une marche aléatoire qui :

  1. Monte à +15 après 20 coups
  2. Reste positive (Pile en tête) jusqu’au coup 95
  3. Redescend à +3 dans les 5 derniers coups

Résultat : $S_{100} = 3$ (proche de 0, cohérent avec σ=10) MAIS $L_{100} = 95$ (domination quasi-totale !)

C’est exactement ce que prédit la loi de l’arcsinus : la position finale peut être « normale » tout en ayant un historique de domination extrême ! 🎯

🏦 6. Application en Finance : Pourquoi C'est Important

Un fonds peut terminer l’année avec une performance proche de la moyenne du marché (score final « normal », cohérent avec la volatilité/écart-type attendue), tout en ayant surperformé l’indice pendant 300 jours sur 365 avant de « rattraper » la moyenne sur la fin !

Ne confondez jamais :

  • 📊 La volatilité du résultat final (écart-type classique, loi normale)
  • 📈 La persistance temporelle de la surperformance (loi de l’arcsinus, bien plus extrême et contre-intuitive)

🎯 Résumé en une phrase

Le √100=10 mesure « où vous arrivez à la fin », tandis que la loi de l’arcsinus mesure « combien de temps vous avez passé en tête en chemin » — et ce sont deux histoires statistiques totalement différentes, même issues du même jeu de pile ou face ! 🪙

I

🎯 Exemple Concret pour Comprendre le « 13 % »

🪙 Partons d’un Exemple TRÈS Simple : 20 Lancers

Je vais vous montrer une séquence précise de 20 lancers de pile ou face, avec le score cumulé (Pile - Face) à chaque instant.

📋 Exemple n°1 : Séquence « 10 Piles puis 10 Faces »

Imaginez cette séquence (parfaitement possible avec une pièce équilibrée) :

P-P-P-P-P-P-P-P-P-P-F-F-F-F-F-F-F-F-F-F

📊 Tableau du Score Cumulé

Lancer #RésultatScore cumuléQui est en tête ?
1P+1🔵 Tas
2P+2🔵 Tas
3P+3🔵 Tas
4P+4🔵 Tas
5P+5🔵 Tas
6P+6🔵 Tas
7P+7🔵 Tas
8P+8🔵 Tas
9P+9🔵 Tas
10P+10🔵 Tas
11F+9🔵 Tas
12F+8🔵 Tas
13F+7🔵 Tas
14F+6🔵 Tas
15F+5🔵 Tas
16F+4🔵 Tas
17F+3🔵 Tas
18F+2🔵 Tas
19F+1🔵 Tas
20F0⚪ Égalité

🤯 LE RÉSULTAT CHOQUANT

Regardez bien :

StatistiqueValeur
Score final10 piles contre 10 faces → PARFAITEMENT ÉGAL ✅
Temps où Pile était en tête19 lancers sur 20 = 95 % 🔥
Temps où Face était en tête0 lancer sur 20 = 0 %

💡 C’est LÀ que Se Trouve la Clé de Votre Confusion !

Le score FINAL est parfaitement équilibré (10-10), exactement ce que vous attendriez « en moyenne ».

MAIS le TEMPS passé en tête est complètement déséquilibré (95 % contre 0 %) !

➡️ Ce sont deux choses totalement différentes.

🎲 Pourquoi Est-ce que Ça Arrive Si Souvent ?

La Raison Profonde : Revenir à Zéro est RARE

Une fois que le score s’éloigne de zéro (par exemple à +3 ou +5), il faut une série de résultats opposés consécutifs pour revenir exactement à zéro.

C’est statistiquement « coûteux » ! Le score a donc tendance à rester du même côté pendant de longues périodes, même si au final tout s’équilibre.

📉 Deuxième Exemple (Plus « Réaliste », Aléatoire)

Voici une séquence plus désordonnée, qui ressemble davantage à un vrai lancer de pièce :

F-P-P-F-P-P-P-F-P-P-P-P-F-P-P-F-P-P-F-P
Lancer #1234567891011121314151617181920
RésultatFPPFPPPFPPPPFPPFPPFP
Partition-10101232345656767878

Résultat : Score final = +8 (14 piles, 6 faces) Temps en tête : Pile est en tête (ou à égalité) 19 fois sur 20 = 95 % !

➡️ Même avec une séquence « aléatoire » et non artificiellement construite, on retrouve une domination extrême !

🔄 Pourquoi « Croiser Zéro » est Statistiquement Rare

🧮 L’Intuition Mathématique

Pour revenir à zéro après être monté à +5, il faut exactement 5 résultats « F » de plus que « P » dans la suite des lancers. Plus on s’éloigne de zéro, plus il devient « difficile » (long) d’y revenir.

C’est pourquoi, dans un jeu de pile ou face, une fois qu’un côté prend l’avantage, il a tendance à le garder pendant très longtemps, même si le match semble « équilibré » (score final proche de zéro).

🎯 Retour au « 13 % entre 40 et 60 Coups » sur 100 Lancers

Ce Que Cela Signifie VRAIMENT

Avec 100 lancers, voici ce qui se passe typiquement :

ScénarioProbabilitéAnalogie avec nos exemples
Pile en tête presque tout le temps (90-100 coups)~20 %Comme notre exemple n°1 !
Face en tête presque tout le temps (0-10 coups pour Pile)~20 %Inverse symétrique de Cas
Situation équilibrée (40-60 coups chacun)Seulement 13 %RARE - nécessite plusieurs retours à zéro

🔑 Explication simple

Pour que le temps en tête soit « équilibré » (40-60), il faut que le score croise zéro PLUSIEURS FOIS pendant la partie.

Mais comme on vient de le voir, croiser zéro est un événement statistiquement « coûteux » et donc rare. Il est beaucoup plus facile (et donc plus fréquent) qu’un côté prenne l’avantage tôt et le garde pendant presque toute la partie, même si le score final finit par être proche de l’équilibre.

🏦 Analogie Finance (Pour Bien Ancrer l’Intuition)

Imaginez un fonds d’investissement qui :

  • Surperforme son indice de référence pendant 85 jours sur 100
  • Finit l’année avec une performance quasi identique à l’indice (score final ≈ égalité)

C’est exactement le même phénomène que notre exemple n°1 ! Le fonds a semblé « gagner » presque tout le temps, alors que son résultat final est parfaitement neutre.

➡️ Cela ne prouve AUCUNE compétence particulière du gérant — c’est juste la signature mathématique naturelle d’un processus aléatoire équilibré (marche aléatoire symétrique) !

🎯 Résumé en une phrase

Un score final équilibré (50/50) NE garantit PAS un temps de domination équilibré — au contraire, il est bien plus probable qu’un seul côté ait dominé presque toute la partie avant un éventuel retour à l’équilibre final, car « croiser zéro » plusieurs fois est statistiquement rare ! 🪙📊











----------------------------------------------------------------------------------------------------

EXEMPLES   PERMANENCES DE CASINO.


35  
  23
  14
 -  -  - 
  1
8  
  1
  36
17  
17  
 -  -  - 
35  
33  
  5
  14
  7
35  
28  
15  
29  
  19
24  
  36
17  
 -  -  - 
17  
  1
4  
  5
10  
  34
 -  -  - 
10  
26  
  30
31  
  14
  16
24  
  19
22  
28  
10  
 -  -  - 
  27
2  
  16
6  
  3
13  
 -  -  - 
11  
  36
26  
33  
  23
 -  -  - 
24  
  27
33 

Publié par à

Aucun commentaire:

Enregistrer un commentaire

Inscription à : Publier les commentaires (Atom)