Résumé de cours PSI : variables aléatoires discrètes

↩ Chapitre : Dénombrement et probabilités (PSI)

L’essentiel des variables aléatoires discrètes au programme officiel de PSI : espaces probabilisés, lois usuelles, espérance, variance, fonctions génératrices et inégalités.

1. Cadre

  • Familles sommables (admis) : une famille (u_i)_{i\in I} de réels positifs est sommable si \sum_{i\in I}u_i<+\infty ; une famille complexe l’est si (|u_i|) l’est. Sommation par paquets : si I=\bigsqcup_jI_j, \sum_{i\in I}u_i=\sum_j\sum_{i\in I_j}u_i. Fubini : \sum_{(m,n)}u_{m,n}=\sum_m\sum_nu_{m,n}=\sum_n\sum_mu_{m,n}. Pour une famille positive, ces égalités valent dans [0,+\infty] et un calcul fini prouve la sommabilité.
  • Tribu \mathcal A ; probabilité \sigma-additive : P\left(\bigcup A_n\right)=\sum P(A_n) pour des A_n deux à deux incompatibles. Continuité croissante : si A_n\subset A_{n+1}, P\left(\bigcup A_n\right)=\lim P(A_n) ; décroissante : si A_{n+1}\subset A_n, P\left(\bigcap A_n\right)=\lim P(A_n) ; pour toute suite, P\left(\bigcup_kA_k\right)=\lim_nP\left(\bigcup_{k\leqslant n}A_k\right). Sous-additivité : P\left(\bigcup A_n\right)\leqslant\sum P(A_n).
  • Négligeable (P(A)=0), presque sûr (P(A)=1). Probabilités totales : pour un système complet (ou quasi-complet) dénombrable (A_n), P(B)=\sum_nP(A_n)P_{A_n}(B). Bayes : P_B(A_k)=\dfrac{P(A_k)P_{A_k}(B)}{\sum_nP(A_n)P_{A_n}(B)}.

2. Lois et indépendance

Lois usuelles infinies

  • Géométrique \mathcal G(p) : P(X=k)=p(1-p)^{k-1}, k\geqslant1 ; P(X>k)=(1-p)^k ; rang du premier succès ; E=\frac1p, V=\frac{1-p}{p^2}.
  • Poisson \mathcal P(\lambda) : P(X=k)=e^{-\lambda}\frac{\lambda^k}{k!} ; événements rares ; E=V=\lambda.
  • Loi conjointe, marginales P(X=x)=\sum_yP(X=x,Y=y), loi conditionnelle ; X\perp\!\!\!\perp Y\iff P(X=x,Y=y)=P(X=x)P(Y=y) ; suites i.i.d. (pile ou face infini) ; f(X)\perp\!\!\!\perp g(Y) ; lemme des coalitions : si X_1,\dots,X_n sont indépendantes, f(X_1,\dots,X_m) et g(X_{m+1},\dots,X_n) le sont.

3. Espérance et variance

À connaître

  • E(X) finie si (xP(X=x)) est sommable ; transfert E(f(X))=\sum f(x)P(X=x) (sommabilité), aussi pour les couples.
  • X à valeurs dans \mathbb N : E(X)=\displaystyle\sum_{n\geqslant1}P(X\geqslant n).
  • Linéarité, croissance ; |X|\leqslant Y et E(Y)<\infty\Rightarrow E(X) finie ; X\geqslant0 et E(X)=0\Rightarrow X=0 p.s. ; indépendantes : E(XY)=E(X)E(Y).
  • Cauchy-Schwarz : E(XY)^2\leqslant E(X^2)E(Y^2) ; E(X^2) finie \Rightarrow E(X) finie.
  • V(X)=E(X^2)-E(X)^2 ; \mathrm{Cov} ; V\left(\sum X_i\right)=\sum V(X_i)+2\sum_{i<j}\mathrm{Cov}(X_i,X_j), sans covariances si deux à deux indépendantes.

4. Fonctions génératrices

À connaître

  • G_X(t)=E(t^X)=\sum P(X=n)t^n : rayon \geqslant1, convergence normale sur [-1,1] ; G_X caractérise la loi.
  • E(X) finie \iff G_X dérivable en 1, et E(X)=G_X'(1) ; V(X)=G_X''(1)+G_X'(1)-G_X'(1)^2.
  • G_{X+Y}=G_XG_Y si X\perp\!\!\!\perp Y.
  • \mathcal B(p) : 1-p+pt ; \mathcal B(n,p) : (1-p+pt)^n ; \mathcal G(p) : \dfrac{pt}{1-(1-p)t} ; \mathcal P(\lambda) : e^{\lambda(t-1)}.

5. Inégalités

  • Inégalité de Markov : si X\geqslant0 admet une espérance, alors pour tout a>0, P(X\geqslant a)\leqslant\dfrac{E(X)}a.
  • Inégalité de Bienaymé-Tchebychev : si X admet une variance, alors pour tout \varepsilon>0, P\big(|X-E(X)|\geqslant\varepsilon\big)\leqslant\dfrac{V(X)}{\varepsilon^2} (Markov appliquée à (X-E(X))^2).
  • Loi faible des grands nombres : (X_n) i.i.d. de variance finie, P\left(\left|\frac{S_n}n-m\right|\geqslant\varepsilon\right)\to0 ; savoir retrouver la majoration \dfrac{\sigma^2}{n\varepsilon^2}.

À savoir sur le programme

Les variables à densité, l’espérance conditionnelle et les modes de convergence (presque sûre, en probabilité, en loi) sont hors programme en PSI.

6. Pièges classiques

  • Pour \mathcal G(p), X\geqslant1 ; et P(X>k)=(1-p)^k s’obtient sans calcul : k échecs.
  • G_{X+Y}=G_XG_Y exige l’indépendance.

Publications similaires