Quiz probabilités

La formule exacte est : \(V(X)=G_X »(1)+G_X'(1)-G_X'(1)^2\).

On a \(G_X(1)=1\) et \(G’_X(1)=E(X)\).

La série \(\displaystyle\sum P(\{n\})\) converge (sa somme vaut 1) donc son terme général tend vers 0.

Si \(A\) et \(B\) sont indépendants et incompatibles alors \(0=P(A\cap B)=P(A)P(B)\) donc \(P(A)=0\) ou \(P(B)=0\).

Elle est appelée la tribu grossière.

C’est la formule des probabilités totales, qui s’écrit aussi \(\displaystyle P(B)=\sum_nP(B\mid A_n)P(A_n)\).

Pour appliquer cette formule il faut que ces variables aléatoires soient supposées indépendantes.

Il faut que ces deux variables soient supposées indépendantes.

En revanche on a \(P(B\mid A)+P(\overline B\mid A)=1\).

La condition est nécessaire mais pas suffisante. Deux variables aléatoires peuvent être non corrélées (c’est-à-dire \(\text{cor}(X,Y)=0\)), auquel cas \(V(X+Y)=V(X)+V(Y)\), sans pour autant être indépendantes.

En revanche la réciproque est fausse.

Si \(X\) suit une loi uniforme sur \(\{-1,1\}\) alors \(E(X)=0\) et \(E(\text{e}^X)=\text{ch}(1)\).

C’est une tribu dans tous les cas, mais lorsque \(\Omega\) n’est pas dénombrable celle-ci ne présente guère d’intérêt (il n’est pas possible de définir une probabilité non triviale sur cette tribu).

C’est un exercice classique traité en classe.

C’est le contraire : l’inégalité de Bienaymé-Tchebychev mesure la dispersion de la variable autour de l’espérance et s’exprime par l’inégalité \(P(|X-E(X)|\geq \epsilon)\leq \frac{V(X)}{\epsilon^2}\)

D’après la formule des probabilités totales, \(P(X=x\text{ et }Y=y)=\sum_{z\in Z(\Omega)}P\bigl(X=x\text{ et }(Y,Z)=(y,z)\bigr)P(Z=z)\).

Par indépendance on en déduit \(P(X=x\text{ et }Y=y)=\sum_{z\in Z(\Omega)}P(X=x)P(Y=y\text{ et }Z=z)P(Z=z)\) soit \(P(X=x\text{ et }Y=y)=P(X=x)P(Y=y)\). Les variables \(X\) et \(Y\) sont indépendantes.

Si \(A\) et \(B\) sont disjoints, \(P(A\cap B)=0\) donc ils ne sont indépendants que si \(P(A)=0\) ou \(P(B)=0\).

C’est vrai, mais uniquement si celle-ci est presque sûrement constante. En effet, si \(X\) est indépendante d’elle-même, alors pour tout \(x\in X(\Omega)\), \(P(X=x\text{ et }X=x)=P(X=x)^2\) donc \(P(X=x)=P(X=x)^2\) soit \(P(X=x)\in\{0,1\}\). Puisque \(\sum_{x\in X(\Omega)}P(X=x)=1\), il existe au moins un \(x\in X(\Omega)\) tel que \(P(X=x)\ne0\) soit \(P(X=x)=1\), ce qui signifie que \(X\) est presque sûrement égal à la constante \(x\).

D’après la formule de Koenig-Huyghens, \(E(X^2)-E(X)^2=V(X)=E((X-E(X))^2)\geq 0\) par positivité de l’espérance.

Ceci peut être mis en défaut lorsque les variables \(X,Y,Z\) sont deux-à-deux indépendantes sans être indépendantes.

Pour les mêmes raisons, on peut avoir \(P(A)=1\) sans que \(A\) soit égal à \(\Omega\) (notion d’événement quasi-certain).

Le lancer de deux dés équilibrés ne donne pas une loi uniforme sur \(\{2,3,\ldots,12\}\) !

Cette inégalité est fausse en général, de même que l’inégalité dans le sens opposé d’ailleurs.

\(P(n-X=k)=P(X=n-k)=\binom n{n-k}p^{n-k}(1-p)^k=\binom nk(1-p)^kp^{n-k}\) donc \(n-X\) suit une loi binomiale \(\mathcal B(n,1-p)\).

On a \(P(A)P(\overline A)=P(A\cap \overline A)=P(\emptyset)=0\) donc \(P(A)=0\) ou \(P(\overline A)=0\).