Dans un premier temps, le cours aborde la notion de loi conditionnelle, qui permet de décrire la distribution d’une variable aléatoire en tenant compte de la réalisation d’une autre. Les étudiants apprennent à manipuler les probabilités conditionnelles dans un cadre plus avancé, notamment à travers des outils comme la formule de Bayes et les distributions conjointes.Ensuite, une partie essentielle est consacrée à l’espérance conditionnelle, qui généralise la notion d’espérance en intégrant une information partielle. Ce concept joue un rôle central en probabilités modernes, car il permet d’optimiser les prévisions et de modéliser des phénomènes dépendants. Les propriétés fondamentales de l’espérance conditionnelle, telles que la linéarité et la propriété de tour (ou loi des espérances itérées), sont étudiées.Le cours peut également introduire des notions complémentaires comme les variables aléatoires indépendantes, les chaînes de Markov ou les processus stochastiques simples, afin d’illustrer l’importance des relations conditionnelles dans l’analyse des systèmes aléatoires.
En résumé, ce cours permet de comprendre la loi conditionnelle et l’espérance conditionnelle, tout en développant des outils puissants pour analyser des phénomènes aléatoires dépendants et complexes.
