QCM : Fondements et Structures en Probabilités — 10 questions

Explication

La σ-additivité étend l’additivité à des unions dénombrables d’événements disjoints, ce qui est essentiel pour la cohérence des mesures de probabilité sur des collections infinies d’événements, contrairement à l’additivité finie qui ne concerne que des unions finies.

Explication

La stabilité d’une tribu par complémentaire et unions dénombrables est essentielle pour assurer la cohérence de la définition d’une mesure de probabilité, permettant de manipuler des événements complexes et dénombrables tout en conservant des propriétés cohérentes et stables.

Explication

La propriété fondamentale d’une mesure de probabilité sur un espace Ω est que la probabilité de l’ensemble total Ω doit être égale à 1, ce qui représente la certitude que l’expérience ou le phénomène considéré se produit quelque part dans Ω. Cette condition est explicitement mentionnée dans le texte comme P(Ω)=1 et constitue une caractéristique essentielle de toute mesure de probabilité.

Explication

La fonction caractéristique $_X(t) = ext{E}[e^{itX}]$, où $t$ est un réel, est la transformée de Fourier de la loi de $X$, qui encodent complètement cette loi. Elle est toujours définie pour tout $t$, indépendamment de l’existence ou non d’une densité ou d’une fonction de répartition continue.

Explication

La σ-additivité garantit que la probabilité d’une union dénombrable d’événements disjoints est la somme de leurs probabilités, ce qui est essentiel pour traiter des événements infinis dans la théorie des mesures et des probabilités.

Explication

La propriété clé est que la convergence en loi est équivalente à la convergence ponctuelle des fonctions caractéristiques. Vérifier cette convergence ponctuelle permet donc d’établir la convergence en loi des suites de variables.

Explication

Andrey Kolmogorov est considéré comme le père de la théorie moderne des probabilités et a formalisé la notion d’indépendance entre variables aléatoires dans son axiomatique de la probabilité. La définition d’indépendance, en termes de produit de probabilités pour l’intersection, a été systématisée par lui dans la structure de la théorie moderne.

Explication

La convergence en loi, notamment dans le cadre du théorème limite central, a été formellement établie dans les années 1930-1940, lors de la formalisation par Lévy et ses contemporains. Cette période marque la reconnaissance et la généralisation de ce résultat fondamental en théorie probabiliste.

Explication

La loi des grands nombres en version faible indique que la moyenne empirique converge en probabilité vers l'espérance, ce qui signifie que la probabilité que cette moyenne s'écarte de l'espérance de plus qu'une petite valeur tend vers zéro lorsque le nombre d'échantillons augmente.

Explication

Le théorème limite central concerne la convergence en loi de la somme normalisée de variables vers une loi normale, ce qui est une convergence en distribution, différente de la convergence de la moyenne empirique vers l'espérance (loi des grands nombres). La principale différence réside dans le mode de convergence et le type de résultat : le TCL parle de convergence en loi (distribution), tandis que la loi des grands nombres parle de convergence presque sûre ou en probabilité de la moyenne vers l'espérance.