Fiche de révision : Variables aléatoires discrètes

Plan du Cours

  1. Variables aléatoires discrètes
  2. Loi de probabilité
  3. Fonction de répartition
  4. Espérance et transfert
  5. Moments et variance
  6. Centrage et inégalités
  7. Lois discrètes finies usuelles
  8. Lois discrètes infinies usuelles
  9. Indépendance des variables
  10. Espérance et variance indépendantes

1. Variables aléatoires discrètes

Notions clés & Définitions

  • Variable discrète finie : Une variable aléatoire est discrète finie lorsque l’ensemble de ses valeurs prises est fini.
  • Variable discrète infinie : Une variable aléatoire est discrète infinie lorsque ses valeurs prises forment un ensemble infini indexable par une partie infinie de ℕ.

Points essentiels

  • Pour une variable aléatoire discrète, les événements de la forme {X=x}, lorsque x parcourt le support de X, forment un système complet d’événements.

Astuce mémo

Support fini : discrète finie ; support dénombrable infini : discrète infinie.

2. Loi de probabilité

Notions clés & Définitions

  • Loi de probabilité : La loi de probabilité de X associe à chaque valeur x de son support la probabilité P(X=x).

★ À maîtriser

📌 Pour une variable discrète finie de support {x₁,…,xₙ}, les probabilités vérifient ∑i=1nP(X=xi)=1\sum_{i=1}^{n}P(X=x_i)=1.

📌 Pour une variable discrète infinie de support {xᵢ}, la série ∑iP(X=xi)\sum_i P(X=x_i) converge et sa somme vaut 1.

Compléments

  • Si X compte le nombre de tirages nécessaires pour obtenir la première boule blanche lors de tirages indépendants où la probabilité d’obtenir une boule blanche est 1/3, alors X prend ses valeurs dans ℕ* et P(X=i)=⅓(⅔)^{i−1}.

3. Fonction de répartition

Notions clés & Définitions

  • Fonction de répartition : La fonction de répartition de X est la fonction définie par FX(x)=P(X≤x)F_X(x)=P(X\leq x) pour tout réel x.

★ À maîtriser

  • La fonction de répartition est croissante et vérifie lim⁡x→−∞FX(x)=0\lim_{x\to-\infty}F_X(x)=0 et lim⁡x→+∞FX(x)=1\lim_{x\to+\infty}F_X(x)=1.

📐 Formule - Si X prend ses valeurs dans ℕ, alors P(X=k)=FX(k)−FX(k−1)P(X=k)=F_X(k)-F_X(k-1).

Compléments

  • Pour une variable discrète finie de support ordonné x₁<⋯<xₙ, la fonction de répartition est en escalier et vaut FX(x)=∑i=1kP(X=xi)F_X(x)=\sum_{i=1}^{k}P(X=x_i) lorsque xₖ≤x<xₖ₊₁.

4. Espérance et transfert

Notions clés & Définitions

  • Espérance : Pour une variable discrète finie de support {x₁,…,xₙ}, l’espérance est E(X)=∑i=1nxiP(X=xi)E(X)=\sum_{i=1}^{n}x_iP(X=x_i).

Points essentiels

📌 Une variable discrète infinie admet une espérance si la série ∑ixiP(X=xi)\sum_i x_iP(X=x_i) converge absolument, et son espérance est alors égale à cette somme.

📐 Formule - Pour une fonction φ définie sur le support de X, le théorème de transfert donne E(φ(X))=∑xφ(x)P(X=x)E(\varphi(X))=\sum_x\varphi(x)P(X=x) lorsque la somme correspondante converge absolument.

📐 Formule - Si X admet une espérance, alors E(aX+b)=aE(X)+bE(aX+b)=aE(X)+b pour tous réels a et b.

5. Moments et variance

Notions clés & Définitions

  • Moment d’ordre r : Le moment d’ordre r d’une variable discrète est mr(X)=∑ixirP(X=xi)m_r(X)=\sum_i x_i^rP(X=x_i) lorsqu’il existe, c’est-à-dire lorsque la série converge absolument.
  • Variance : La variance de X est son moment centré d’ordre 2, V(X)=E((X−E(X))2)V(X)=E((X-E(X))^2), lorsqu’il existe.

★ À maîtriser

📐 Formule - La formule de Koenig-Huygens s’écrit V(X)=E(X2)−E(X)2V(X)=E(X^2)-E(X)^2 lorsque ces quantités existent.

Compléments

  • Le moment d’ordre 0 existe toujours et vaut 1.

  • Le moment d’ordre 1, lorsqu’il existe, est égal à l’espérance.

📌 Si X admet un moment d’ordre r, alors X admet aussi tous les moments d’ordre entier k compris entre 0 et r.

6. Centrage et inégalités

Notions clés & Définitions

  • Variable centrée : Une variable aléatoire qui admet une espérance est centrée lorsque son espérance est nulle.
  • Variable réduite : Une variable aléatoire qui admet une variance est réduite lorsque sa variance vaut 1.

Points essentiels

📐 Formule - Si X admet une variance non nulle, sa variable centrée réduite est X∗=X−E(X)V(X)X^*=\frac{X-E(X)}{\sqrt{V(X)}} et vérifie E(X*)=0 et V(X*)=1.

📐 Formule - Si X est positive et admet une espérance, l’inégalité de Markov donne P(X≥a)≤E(X)aP(X\geq a)\leq\frac{E(X)}{a} pour tout a>0.

📐 Formule - Si X admet une variance, l’inégalité de Bienaymé-Tchebychev donne P(∣X−E(X)∣≥a)≤V(X)a2P(|X-E(X)|\geq a)\leq\frac{V(X)}{a^2} pour tout a>0.

7. Lois discrètes finies usuelles

Notions clés & Définitions

  • Loi uniforme : X suit la loi uniforme sur les entiers de a à b lorsque son support est {a,…,b} et que chaque valeur a la probabilité P(X=k)=1b−a+1P(X=k)=\frac{1}{b-a+1}.
  • Loi de Bernoulli : X suit une loi de Bernoulli de paramètre p lorsque son support est {0,1}, P(X=1)=p et P(X=0)=1−p.
  • Loi binomiale : X suit une loi binomiale de paramètres n et p lorsque son support est {0,…,n} et P(X=k)=(nk)pk(1−p)n−kP(X=k)=\binom{n}{k}p^k(1-p)^{n-k} pour k=0,…,n.

★ À maîtriser

  • Le nombre de succès dans n épreuves de Bernoulli indépendantes de même paramètre p suit une loi binomiale de paramètres n et p.

Compléments

  • Pour X uniforme sur {a,…,b}, E(X)=a+b2E(X)=\frac{a+b}{2} et V(X)=(b−a)(b−a+2)12V(X)=\frac{(b-a)(b-a+2)}{12}.

  • Si X suit une loi de Bernoulli de paramètre p, alors E(X)=p et V(X)=p(1−p).

  • Si X suit une loi binomiale de paramètres n et p, alors E(X)=np et V(X)=np(1−p).

8. Lois discrètes infinies usuelles

Notions clés & Définitions

  • Loi géométrique : X suit une loi géométrique de paramètre p sur ℕ* lorsque P(X=k)=p(1−p)k−1P(X=k)=p(1-p)^{k-1} pour tout k≥1.
  • Loi de Poisson : X suit une loi de Poisson de paramètre λ>0 lorsque son support est ℕ et P(X=k)=e−λλkk!P(X=k)=e^{-\lambda}\frac{\lambda^k}{k!} pour tout k∈ℕ.

★ À maîtriser

  • Si X suit une loi géométrique de paramètre p, alors E(X)=1pE(X)=\frac{1}{p} et V(X)=1−pp2V(X)=\frac{1-p}{p^2}.

  • Si X suit une loi de Poisson de paramètre λ, alors E(X)=λ et V(X)=λ.

Compléments

  • Le rang du premier succès lors d’épreuves de Bernoulli indépendantes de même paramètre p suit une loi géométrique de paramètre p.

📌 La loi géométrique est sans mémoire : pour k,n∈ℕ, P(X>k+n∣X>k)=P(X>n)P(X>k+n\mid X>k)=P(X>n).

9. Indépendance des variables

Notions clés & Définitions

  • Indépendance de deux variables : Deux variables discrètes X et Y sont indépendantes si, pour toutes valeurs x et y de leurs supports, P(X=x,Y=y)=P(X=x)P(Y=y)P(X=x,Y=y)=P(X=x)P(Y=y).
  • Indépendance mutuelle : Les variables discrètes X₁,…,Xₙ sont mutuellement indépendantes si, pour tout choix de valeurs x₁,…,xₙ, P(X1=x1,…,Xn=xn)=∏i=1nP(Xi=xi)P(X_1=x_1,\ldots,X_n=x_n)=\prod_{i=1}^{n}P(X_i=x_i).

Points essentiels

📌 Si X et Y sont indépendantes, alors φ(X) et ψ(Y) sont indépendantes lorsque ces transformations sont des variables aléatoires discrètes.

  • Toute sous-famille d’une famille de variables mutuellement indépendantes est elle-même mutuellement indépendante.

📌 Si X₁,…,Xₙ sont mutuellement indépendantes, alors toute fonction des p premières variables est indépendante de toute fonction des n−p dernières variables.

10. Espérance et variance indépendantes

★ À maîtriser

📐 Formule - Si X et Y sont indépendantes et admettent une espérance, alors E(XY)=E(X)E(Y)E(XY)=E(X)E(Y).

📐 Formule - Si X et Y sont indépendantes et admettent une variance, alors V(X+Y)=V(X)+V(Y)V(X+Y)=V(X)+V(Y).

Compléments

📌 Pour des variables aléatoires indépendantes admettant des espérances, l’espérance de leur somme est la somme de leurs espérances.

Tableaux de synthèse

Lois discrètes usuelles

LoiSupportProbabilitéEspérance et variance
Uniforme sur {a,…,b}{a,…,b}1/(b−a+1)E=(a+b)/2 ; V=(b−a)(b−a+2)/12
Bernoulli(p){0,1}P(1)=p ; P(0)=1−pE=p ; V=p(1−p)
Binomiale(n,p){0,…,n}C(n,k)pᵏ(1−p)ⁿ⁻ᵏE=np ; V=np(1−p)
Géométrique(p)ℕ*p(1−p)ᵏ⁻¹E=1/p ; V=(1−p)/p²
Poisson(λ)ℕe⁻λ λᵏ/k!E=λ ; V=λ

Teste tes connaissances

Teste tes connaissances sur Variables aléatoires discrètes avec 27 questions à choix multiples et corrections détaillées.

1. Une variable aléatoire prend exactement les valeurs {2,5,9}\{2,5,9\}. Comment la classe-t-on ?

2. Une expérience produit une variable aléatoire dont les valeurs possibles sont tous les entiers naturels pairs. Quelle classification convient ?

Faire le QCM →

Révisez avec les flashcards

Mémorisez les concepts clés de Variables aléatoires discrètes avec 58 flashcards interactives.

Quand une variable aléatoire est-elle dite discrète finie ?

Lorsque l’ensemble de ses valeurs prises est fini.

Quand une variable aléatoire est-elle dite discrète infinie ?

Lorsque ses valeurs prises forment un ensemble infini indexable par une partie infinie de ℕ.

Que donne la loi de probabilité de la variable aléatoire X pour chaque valeur de son support ?

La probabilité que X prenne cette valeur.

Voir les flashcards →

Cours similaires

Crée tes propres fiches de révision

Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.

Générateur de fiches