⇧① Ensembles dénombrables. Tribu, événements. ② Probabilité. Conditionnement. Indépendance. ③ Variables aléatoires discrètes. Loi. Fn de répartition. ④ Couple de var. Loi conjointe, loi marginale. ⑤ Espérance. Variance. Covariance, corrélation. ⑥ Fn génératrice. G(p), P(λ). Loi des grands nombres.12345⑥
R. Rappels de 1ère année
On rappelle ici l'espérance et la variance de quelques lois usuelles vues en première année.
Loi constante : si {\text{X}} est constante, de valeur {a}, alors {\text{E}(\text{X})=a} et {\text{V}(\text{X})=0}.
Espérance d'une variable indicatrice : si {\text{X}} est l'indicatrice d'un événement {A}, alors {\text{E}(\text{X})=\mathbb{P}(A)} et {\text{V}(\text{X})=\mathbb{P}(A)\,\mathbb{P}(\overline{A})}.
Espérance d'une loi de Bernoulli :
Si {\text{X}} suit la loi de Bernoulli {\mathcal{B}(p)} de paramètre {p}, alors {\text{E}(\text{X})=p} et {\text{V}(\text{X})=pq} (où {q=1\!-\!p}).
Espérance d'une loi uniforme :
Si {\text{X}} suit la loi uniforme {\mathcal{U}(\llbracket a,b\rrbracket)} sur {\llbracket a,b\rrbracket}, alors :{\text{E}(\text{X})=\dfrac{a+b}{2}\;\text{et}\;\text{V}(\text{X})=\dfrac{n^{2}-1}{12}}
Espérance de la loi binomiale :
Si {\text{X}} suit la loi binomiale {\mathcal{B}(n,p)} de paramètres {n,p}, alors {\text{E}(\text{X})=np} et {\text{V}(\text{X})=npq}.
Fonction génératrice
Dans tout ce qui suit, on considère des variables aléatoires discrètes {X,Y,\ldots} sur un espace probabilisé {(\Omega,\mathscr{A},\mathbb{P})}, et à valeurs dans {\mathbb{N}}.
D. Fonction génératrice
Soit {\text{X}} une v.a.d. sur {(\Omega,\mathscr{A},\mathbb{P})}, telle que {\text{X}(\Omega)\subset\mathbb{N}}.
On appelle fonction génératrice de {\text{X}} la série entière {\sum\limits\mathbb{P}(\text{X}=n)\,t^{n}} de la variable réelle {t}.
On note {\text{G}_{\text{X}}(t)} la somme de cette série entière.
R. Cas des lois à image finie
La notion de fonction génératrice ne prend tout son sens que quand l'ensemble {\text{X}(\Omega)} est dénombrable. Si {\text{X}(\Omega)\subset\mathbb{N}} est fini, alors {\text{G}_{\text{X}}} est un simple polynôme (le "rayon de convergence" est donc infini).
si {\text{X}} est constante en {a\in\mathbb{N}}, alors {\text{G}_{\text{X}}(t)=t^{a}}.
si {\text{X}} suit la loi de Bernoulli de paramètre {p}, alors {\text{G}_{\text{X}}(t)=pt+q} (où {q=1-p}).
si {\text{X}} suit la loi uniforme sur {\llbracket a,b\rrbracket\subset\mathbb{N}^{2}}, alors :{\text{G}_{\text{X}}(t)=\dfrac{1}{b-a+1}(t^{a}+t^{a+1}+\cdots+t^{b})}
si {\text{X}} suit la loi binomiale {\mathcal{B}(n,p)}, alors {\text{G}_{\text{X}}(t)=(pt+q)^{n}} (en posant {q=1-p}).
R. Remarques importantes
D'après le théorème du transfert : {\text{G}_{\text{X}}(t)=\text{E}(t^{\text{X}})}.
La série {\sum\limits_{n=0}^{+\infty}\mathbb{P}(\text{X}=n)} converge (somme {1}).
Le rayon de convergence de la fonction génératrice de {\text{X}} est donc au moins égal à {1}.
Il en découle aussi que la série {t\mapsto \text{G}_{\text{X}}(t)} est normalement convergente sur {[-1,1]}.
P. Fonction génératrice caractérise la loi
Soit {\text{G}_{\text{X}}} la fonction génératrice d'une variable aléatoire {\text{X}} à valeurs dans {\mathbb{N}}.
Pour tout {n\in\mathbb{N}}, on a : {\mathbb{P}(\text{X}=n)=\dfrac{1}{n!}\,\text{G}_{\text{X}}^{(n)}(0)}.
Moralité : La loi d’une variable {\text{X}} telle que {\text{X}(\Omega)\subset\mathbb{N}} est caractérisée par {\text{G}_{\text{X}}}.
P. Espérance et fonction génératrice
Soit {\text{X}} une v.a.d. sur {(\Omega,\mathscr{A},\mathbb{P})}, à valeurs dans {\mathbb{N}}.
Alors {\text{X}} est d'espérance finie si et seulement si {\text{G}_{\text{X}}} est dérivable en {1}.
Si tel est le cas, on a alors {\text{E}(\text{X})=\text{G}'_{\text{X}}(1)}.
P. Variance et fonction génératrice
Soit {\text{X}} une v.a.d. sur {(\Omega,\mathscr{A},\mathbb{P})}, à valeurs dans {\mathbb{N}}.
Alors {\text{X}} est de variance finie si et seulement si {\text{G}_{\text{X}}} est deux fois dérivable en {1}.
Dans ce cas, on a l'égalité : {V(\text{X})=\text{G}''_{\text{X}}(1)+\text{G}'_{\text{X}}(1)-(\text{G}'_{\text{X}}(1))^{2}}
P. Série génératrice de X+Y
Soit {\text{X}} et {\text{Y}} deux variables aléatoires indépendantes sur {(\Omega,\mathscr{A},\mathbb{P})}, à valeurs dans {\mathbb{N}}.
Soit {r} le minimum des rayons de convergence des fonctions génératrices {\text{G}_{\text{X}}} et {\text{G}_{\text{Y}}}.
Alors {\text{X}+\text{Y}} (qui est à valeurs dans {\mathbb{N}}) vérifie : {\forall\, t\in\,]\!-\!r,r[,\;\text{G}_{\text{X}+\text{Y}}(t)=\text{G}_{\text{X}}(t)\,\text{G}_{\text{Y}}(t)}
Les contenus originaux de Mathprepa — notamment les cours, les rédactions d’exercices et les corrigés — ainsi que les éléments originaux de sa présentation, de sa mise en forme et de son architecture éditoriale sont protégés par le droit d’auteur. Cette protection concerne notamment le choix, l’agencement et l’organisation des ressources.
Sauf autorisation préalable écrite, leur reproduction, adaptation ou diffusion, intégrale ou partielle, est interdite, sous réserve des exceptions prévues par le Code de la propriété intellectuelle.
Les documents, logiciels et éléments graphiques de tiers demeurent soumis aux droits de leurs titulaires respectifs.