Résumé de cours MP : variables aléatoires discrètes

↩ Chapitre : Dénombrement et probabilités (MP)

L’essentiel des variables aléatoires discrètes au programme officiel de MP.

1. Cadre

  • Dénombrabilité : \mathbb N^p, \mathbb Z, \mathbb Q dénombrables, \mathbb R non ; réunion dénombrable d’ensembles dénombrables.
  • Tribu ; probabilité \sigma-additive. Continuité croissante : A_n\subset A_{n+1}\Rightarrow P\left(\bigcup A_n\right)=\lim P(A_n) ; décroissante : A_{n+1}\subset A_n\Rightarrow P\left(\bigcap A_n\right)=\lim P(A_n). Sous-additivité : P\left(\bigcup A_n\right)\leqslant\sum P(A_n) ; une réunion dénombrable de négligeables est négligeable. Probabilités totales (système complet ou quasi-complet dénombrable) : P(B)=\sum_nP(A_n)P_{A_n}(B) ; Bayes : P_B(A_k)=\frac{P(A_k)P_{A_k}(B)}{\sum_nP(A_n)P_{A_n}(B)}.
  • Distribution de probabilités discrète (famille positive de somme 1, support au plus dénombrable) ; existence d’espaces portant des suites i.i.d. (pile ou face infini).

2. Lois et indépendance

  • Loi P_X, loi conditionnelle, loi conjointe et marginales ; indépendance (familles finies et quelconques), f(X)\perp\!\!\!\perp g(Y) ; lemme des coalitions : si X_1,\dots,X_n sont mutuellement indépendantes, toute fonction de (X_1,\dots,X_m) est indépendante de toute fonction de (X_{m+1},\dots,X_n).
  • \mathcal G(p) : p(1-p)^{k-1}, E=\frac1p, V=\frac{1-p}{p^2} ; \mathcal P(\lambda) : E=V=\lambda.

Espérance, variance, génératrices

  • E(X) : somme de la famille (xP(X=x)) (sommable pour L^1) ; à valeurs dans \mathbb N\cup\{+\infty\} : E(X)=\sum_{n\geqslant1}P(X\geqslant n) ; transfert ; domination ; E(XY)=E(X)E(Y) si indépendantes.
  • L^2\subset L^1 ; Cauchy-Schwarz E(XY)^2\leqslant E(X^2)E(Y^2) ; variance nulle \iff constante p.s. ; covariance, variance d’une somme.
  • Markov : X\geqslant0, P(X\geqslant a)\leqslant\frac{E(X)}a. Bienaymé-Tchebychev : P(|X-E(X)|\geqslant a)\leqslant\frac{V(X)}{a^2}. Loi faible des grands nombres : si (X_n) est i.i.d. de variance finie, m=E(X_1), S_n=\sum_{k=1}^nX_k, alors P\left(\left|\frac{S_n}n-m\right|\geqslant\varepsilon\right)\leqslant\frac{V(X_1)}{n\varepsilon^2}\to0.
  • G_X(t)=E(t^X) : rayon \geqslant1, convergence normale sur le disque unité fermé ; caractérise la loi ; E(X)=G_X'(1) ; G_{X+Y}=G_XG_Y si indépendantes.

À savoir sur le programme

Variables à densité, espérance conditionnelle et convergences (presque sûre, en probabilité, en loi) sont hors programme.

3. Pièges classiques

  • X\sim Y n’exige pas que X et Y soient définies sur le même espace, mais n’implique pas X=Y.
  • Décorrélées n’implique pas indépendantes.

Publications similaires