QCM : Introduction aux variables aléatoires et lois associées — 10 questions

Explication

La formule P(X=xi) = ∑_{j} P(X=xi, Y=yj) permet d'obtenir la loi marginale de X en sommant la loi conjointe sur toutes les valeurs possibles de Y. C'est une propriété fondamentale pour déduire la distribution de X seule.

Explication

Andrey Kolmogorov est considéré comme le fondateur de la théorie moderne des probabilités et a formalisé, notamment dans son ouvrage de 1933, la définition et la propriété des lois marginales dans le cadre d'une axiomaticité rigoureuse.

Explication

Les lois conditionnelles ont pour rôle principal de décrire la distribution d'une variable X en tenant compte d’un événement ou d’une autre variable, permettant ainsi d’étudier leur dépendance ou leur influence mutuelle.

Explication

L'indépendance de deux variables aléatoires X et Y est définie par la propriété que, pour tous événements A et B, la probabilité que X prenne une valeur dans A et Y dans B est le produit de leurs probabilités marginales respectives. C'est la relation P((X ∈ A) ∩ (Y ∈ B)) = P(X ∈ A) × P(Y ∈ B). La réponse 2 est la seule qui exprime correctement cette définition. La réponse 1 est une erreur car elle utilise une addition au lieu d'une multiplication, ce qui n'est pas correct. La réponse 3 mélange la propriété pour des événements A et B avec une addition, ce qui est incorrect. La réponse 4 concerne la propriété conditionnelle, qui est une caractéristique de l'indépendance mais pas sa définition complète.

Explication

Lorsque X et Y sont indépendantes, leur covariance est nulle, donc la variance de leur somme est simplement la somme de leurs variances, conformément à la propriété V(X + Y) = V(X) + V(Y). La présence de covariance dans la formule est annulée par l'indépendance.

Explication

La covariance est une mesure qui indique la dépendance linéaire entre deux variables. Si cov(X,Y)=0, cela signifie qu'il n'y a pas de dépendance linéaire, mais cela n'implique pas nécessairement que X et Y sont indépendantes. La propriété fondamentale est que cov(X,Y) = E[(X - E[X])(Y - E[Y])], ce qui caractérise la dépendance linéaire.

Explication

La loi de la somme de deux variables indépendantes discrètes est donnée par la convolution de leurs lois, ce qui consiste à calculer P(Z=z) = ∑_{xi} P(X=xi) × P(Y=z - xi). Dans cet exemple, cette formule permet de déterminer la distribution exacte de Z en sommant sur tous xi possibles.

Explication

Lorsque deux variables sont indépendantes, la loi de leur somme est donnée par la convolution de leurs lois respectives. En revanche, si elles sont dépendantes, cette convolution ne s'applique pas nécessairement, car la loi conjointe ne se décompose pas en produit de lois marginales. La différence réside donc dans la formule de calcul de la loi de la somme : convolution pour variables indépendantes, autre méthode pour variables dépendantes.

Explication

La série génératrice a été formellement intégrée dans la théorie des lois discrètes et leur analyse lors de la seconde moitié du 20ème siècle, devenant un outil standard pour caractériser et étudier ces lois dans la littérature mathématique et pédagogique.

Explication

Lorsque deux variables aléatoires discrètes sont indépendantes, la série génératrice de leur somme est le produit de leurs séries génératrices respectives. Cette propriété découle de l'indépendance, qui implique que l'espérance du produit de fonctions de variables indépendantes est le produit de leurs espérances, et est essentielle pour la caractérisation de la loi de la somme.