Fiche de révision : Introduction aux lois discrètes et espaces probabilisés

📋 Plan du Cours

1. Espace probabilisé
2. Ensembles d’événements
3. Systèmes complets
4. Lois discrètes usuelles
5. Lois uniformes
6. Lois de Bernoulli
7. Lois binomiales
8. Lois géométriques
9. Lois de Poisson

📖 1. Espace probabilisé

🔑 Notions clés & Définitions

Espace probabilisé : Ensemble constitué d’un univers Ω, d’une collection d’événements A, et d’une probabilité P définie sur A, vérifiant certaines propriétés (voir plus bas).

Univers Ω : Ensemble d’issues possibles d’une expérience aléatoire, sur lequel sont définis les événements et la probabilité.

Événements : Sous-ensembles de Ω appartenant à A, la collection d’événements, qui permet de mesurer la probabilité de leurs occurrences.

Propriétés d’un espace probabilisé :

• Ω ∈ A (l’univers est un événement certain)
• ∀A ∈ A, A ∈ A (fermeture par passage au complémentaire)
• ∀(An)n∈N ∈ A^N, la réunion dénombrable de ces événements appartient à A (stabilité par union dénombrable)

Union dénombrable d’événements : La réunion d’une famille dénombrable d’événements appartenant à A reste dans A, c’est-à-dire : si (An)n∈N ∈ A^N, alors ⋃_{n=0}^∞ An ∈ A.

Stable par passage au complémentaire : Si A ∈ A, alors son complémentaire Ac = Ω \ A appartient aussi à A.

📝 Points essentiels

• L’espace probabilisé est défini par la triplette (Ω, A, P), où P est une application de A dans [0,1], vérifiant :

  • P(Ω) = 1
  • ∀A ∈ A, P(A) ∈ [0,1]
  • La propriété de σ-additivité : pour toute famille dénombrable d’événements incompatibles (pairwise disjoints), la probabilité de leur union est la somme des probabilités :
    $P\left(\bigcup_{n=0}^\infty An\right) = \sum_{n=0}^\infty P(An)$

• La stabilité par union dénombrable et par passage au complémentaire permet de construire un cadre cohérent pour la mesure de probabilités sur Ω.

• La propriété d’un espace probabilisé garantit que l’ensemble Ω est mesurable, et que la mesure P est une mesure de probabilité σ-additive.

• La collection A doit vérifier ces propriétés pour que (Ω, A, P) constitue un espace probabilisé.

💡 À retenir

Un espace probabilisé est un cadre mathématique où l’univers Ω, la collection d’événements A, et la probabilité P, sont liés par des propriétés de stabilité et de σ-additivité, permettant de modéliser rigoureusement des expériences aléatoires.

📖 2. Ensembles d’événements

🔑 Notions clés & Définitions

• Ensemble d’événements : Un ensemble d’événements est un ensemble A vérifiant certaines propriétés fondamentales, notamment qu’il contient l’univers Ω, qu’il est stable par passage au complémentaire, et qu’il est stable par union dénombrable d’événements (recouvre la notion d’un système d’événements).
• Famille d’événements : Une famille d’événements est une collection d’événements notée généralement (Ai)i∈I, où I est un ensemble d’indices.
• Incompatibilité d’événements : Deux événements Ai et Aj sont incompatibles si leur intersection est vide, c’est-à-dire Ai ∩ Aj = ∅.
• Union finie et dénombrable : L’union finie ou dénombrable d’événements est la réunion de ces événements, et doit appartenir à l’ensemble d’événements considéré. La stabilité par union dénombrable est une propriété essentielle pour qu’un ensemble d’événements soit un ensemble d’événements.
• Système complet d’événements : Une famille d’événements (Ai)i∈I est un système complet si elle est constituée d’événements deux à deux incompatibles et si leur union dénombrable couvre l’univers Ω, c’est-à-dire ∪i∈I Ai = Ω.
• Union d’événements : La réunion (union) d’une famille d’événements est l’ensemble constitué de tous les éléments appartenant à au moins un de ces événements. La stabilité par union dénombrable est une propriété requise pour que cette réunion reste dans l’ensemble d’événements.

📝 Points essentiels

• Un ensemble d’événements doit contenir Ω, être stable par passage au complémentaire, et par union dénombrable.
• La famille d’événements (Ai)i∈I est dite un système complet si tous ses événements sont deux à deux incompatibles et si leur union dénombrable est l’univers Ω.
• La stabilité par union dénombrable permet de construire des événements plus complexes à partir d’événements simples, tout en restant dans l’ensemble d’événements.
• La propriété d’incompatibilité (disjonction) est essentielle pour simplifier le calcul des probabilités, notamment par la somme des probabilités des événements incompatibles.
• La famille {[X = x]}x∈X(Ω) est un exemple de système complet d’événements pour une variable aléatoire X, car leur union couvre Ω et ils sont incompatibles deux à deux.

💡 À retenir

Un ensemble d’événements est une collection stable par passage au complémentaire et par union dénombrable, permettant de modéliser des expériences complexes tout en conservant la possibilité de calculer facilement leurs probabilités. La notion de système complet d’événements garantit que l’ensemble de tous les cas possibles est couvert par une famille d’événements incompatibles dont la réunion est l’univers.

📖 3. Systèmes complets

🔑 Notions clés & Définitions

Système complet d’événements
Définition : La famille d’événements {[X = x]}x∈X(Ω) est un système complet d’événements si leur union couvre tout l’espace Ω, c’est-à-dire :
$\Omega = \bigcup_{x \in X(\Omega)} [X = x]$
et ces événements sont deux à deux incompatibles, c’est-à-dire :
$[X = x] \cap [X = y] = \emptyset \quad \text{pour } x \neq y.$
De plus, la somme des probabilités de ces événements est égale à 1 :
$\sum_{x \in X(\Omega)} P([X = x]) = 1.$

Union dénombrable d’événements
Remarque : La notion d’union dénombrable d’événements apparaît dans la construction d’un système complet, où l’union de tous les événements {[X = x]}x∈X(Ω) est une union dénombrable, souvent notée $\bigcup_{i=1}^\infty [X = x_i]$.

Événements incompatibles
Définition : Deux événements A et B sont incompatibles si leur intersection est vide :
$A \cap B = \emptyset.$
Dans le contexte d’un système complet d’événements, tous les événements {[X = x]}x∈X(Ω) sont incompatibles deux à deux.

Complémentaire d’un événement
Définition : Si A est un événement, son complémentaire est l’événement $\complement A$ tel que :
$\complement A = \Omega \setminus A,$
et vérifie :
$A \cup \complement A = \Omega, \quad A \cap \complement A = \emptyset.$

Union d’événements négligeables
Remarque : La notion d’événements négligeables n’est pas explicitement définie dans ce contenu, mais en général, il s’agit d’événements dont la probabilité est nulle, et leur union reste négligeable.

Système quasi-complet d’événements
Remarque : La définition précise n’est pas donnée dans le texte, mais dans le contexte, un système quasi-complet pourrait désigner une famille d’événements dont la réunion couvre presque tout l’espace Ω, sauf éventuellement un événement négligeable.

📝 Points essentiels

• La famille {[X = x]}x∈X(Ω) constitue un système complet d’événements si elle est formée d’événements incompatibles dont l’union couvre Ω, et la somme de leurs probabilités est 1.
• La propriété d’incompatibilité garantit que deux événements ne peuvent se produire simultanément.
• La décomposition en événements {[X = x]}x∈X(Ω) permet d’écrire Ω comme une union disjointe, ce qui facilite le calcul des probabilités et l’étude de la loi de la variable aléatoire X.
• La notion de complémentaire est essentielle pour décomposer un événement ou pour étudier ses propriétés.

💡 À retenir

Un système complet d’événements est une famille d’événements incompatibles dont l’union couvre tout l’espace Ω, permettant une décomposition disjointe et exhaustive de l’espace probabilisé, essentielle pour analyser la loi d’une variable aléatoire.

📖 4. Lois discrètes usuelles

🔑 Notions clés & Définitions

Loi de Bernoulli :
AUTEUR (date) : Variable aléatoire X suivant la loi de Bernoulli de paramètre p si X(Ω) = {0, 1} et P(X = 1) = p, P(X = 0) = 1 − p.
Elle modélise une expérience à deux issues, success ou échec, avec une probabilité p de succès.

Loi binomiale :
AUTEUR (date) : Variable aléatoire X suivant la loi binomiale de paramètres n et p si X(Ω) = J0, nK et pour tout k ∈ J0, nK, P([X = k]) = n k  p^k (1 − p)^{n−k}.
Elle représente le nombre de succès dans une suite de n essais indépendants de Bernoulli.

Loi géométrique :
AUTEUR (date) : Variable aléatoire représentant le nombre d’échecs avant le premier succès dans une suite d’essais Bernoulli indépendants, avec probabilité p de succès à chaque essai.
Elle modélise le nombre d’échecs jusqu’au premier succès.

Loi de Poisson :
AUTEUR (date) : Distribution d’une variable aléatoire adaptée aux événements rares, avec un paramètre λ, représentant le nombre d’événements dans un intervalle ou espace donné.
Elle est utilisée pour modéliser le comptage d’événements rares.

Variable aléatoire discrète :
AUTEUR (date) : Variable aléatoire X dont l’ensemble image X(Ω) est dénombrable.
Elle prend un nombre fini ou dénombrable de valeurs possibles.

📝 Points essentiels

• La loi de Bernoulli modélise une expérience à deux issues, avec succès ou échec, et est caractérisée par la probabilité p de succès.
• La loi binomiale généralise la Bernoulli en comptant le nombre de succès dans n essais indépendants, chacun suivant une loi de Bernoulli.
• La formule de la loi binomiale repose sur le coefficient binomial n k  et la probabilité p^k (1 − p)^{n−k}.
• La loi géométrique concerne le nombre d’échecs avant le premier succès dans une suite d’essais Bernoulli indépendants.
• La loi de Poisson est adaptée pour modéliser le nombre d’événements rares dans un espace ou intervalle, avec un paramètre λ.
• Une variable aléatoire discrète possède une image dénombrable, ce qui permet de définir sa loi par une suite de probabilités associées à chaque valeur.

💡 À retenir

Les lois discrètes usuelles permettent de modéliser des expériences à résultats dénombrables, avec la loi binomiale étant la plus courante pour compter des succès, et la loi de Poisson adaptée aux événements rares. La variable aléatoire discrète est caractérisée par une image dénombrable et une loi associée.

📖 5. Lois uniformes

🔑 Notions clés & Définitions

Lois uniformes
Une loi uniforme est une loi de probabilité où toutes les valeurs possibles d’une variable aléatoire ont la même probabilité. Elle est souvent notée X ,→ U(Ja, bK) lorsque l’ensemble des valeurs prises par X est un intervalle fini [a, b] avec a, b ∈ Z et a ≤ b.

Loi uniforme
C’est une loi de probabilité particulière où chaque issue d’un ensemble fini a la même chance de se produire. Si X est une variable aléatoire suivant une loi uniforme sur [a, b], alors pour tout k ∈ [a, b], P([X = k]) = 1 / Card([a, b]) = 1 / (b - a + 1).

Probabilité d’un événement équitable
Dans le contexte d’une loi uniforme, chaque issue a une probabilité identique, donc la probabilité d’un événement équitable (qui consiste en un seul résultat ou un ensemble d’issues équiprobables) est simplement le rapport entre le nombre d’issues favorables et le nombre total d’issues.

Distribution uniforme sur un ensemble fini
C’est une distribution où chaque élément d’un ensemble fini a la même probabilité d’être choisi. Si l’ensemble est [a, b], la distribution est caractérisée par P([X = k]) = 1 / (b - a + 1) pour tout k dans cet intervalle.

Loi de probabilité constante
Une loi de probabilité où la fonction de masse est constante sur son support fini. Autrement dit, chaque valeur possible de la variable aléatoire a la même probabilité, ce qui correspond à une loi uniforme sur un ensemble fini.

Variable aléatoire discrète
Une variable aléatoire X est dite discrète si son ensemble d’images X(Ω) est dénombrable, c’est-à-dire qu’elle peut être mis en bijection avec N ou un sous-ensemble fini ou dénombrable de N.

📝 Points essentiels

• La loi uniforme est un cas particulier de loi de probabilité constante, où chaque issue a la même chance.
• Sur un ensemble fini [a, b], la probabilité que X prenne une valeur k est P([X = k]) = 1 / (b - a + 1).
• La loi uniforme modélise des situations où chaque résultat est équiprobable, comme le lancer d’un dé équilibré ou le tirage d’une boule dans une urne contenant n boules numérotées.
• La distribution uniforme est caractérisée par le fait que toutes ses valeurs ont la même probabilité, ce qui simplifie le calcul des probabilités d’événements.

💡 À retenir

Une loi uniforme est une distribution où chaque issue d’un ensemble fini a la même probabilité, représentant ainsi un cas d’équiprobabilité parfait. Elle est essentielle pour modéliser des expériences où chaque résultat est supposé également probable.

📖 6. Lois de Bernoulli

🔑 Notions clés & Définitions

Lois de Bernoulli
Une variable aléatoire $X$ suit une loi de Bernoulli de paramètre $p$ si :

• $X(\Omega) = \{0, 1\}$
• $P(X=1) = p$
• $P(X=0) = 1 - p$
  Elle modélise une expérience à deux issues, où l’un des résultats est considéré comme un succès ($X=1$) et l’autre comme un échec ($X=0$).

Variable de Bernoulli
Une variable aléatoire $X$ qui suit une loi de Bernoulli de paramètre $p$. Elle ne peut prendre que deux valeurs, 0 ou 1, avec des probabilités respectives $1-p$ et $p$.

Succès ou échec

• Succès : réalisation de l’événement associé à $X=1$.
• Échec : réalisation de l’événement associé à $X=0$.

Probabilité $p$
La probabilité que la variable de Bernoulli prenne la valeur 1 (succès). Elle appartient à l’intervalle $[0,1]$.

Variable aléatoire
Une fonction $X : \Omega \to R$ mesurant une caractéristique aléatoire d’une expérience, ici limitée à deux issues possibles.

Loi de Bernoulli
La loi de la variable $X$ est caractérisée par :

• $P(X=1) = p$
• $P(X=0) = 1 - p$

📝 Points essentiels

• La loi de Bernoulli modélise une expérience à deux issues, avec une seule probabilité $p$ de succès.
• La variable de Bernoulli ne peut prendre que deux valeurs : 0 (échec) ou 1 (succès).
• La probabilité $p$ détermine la chance d’obtenir un succès.
• La loi de Bernoulli est la base pour la construction de lois plus complexes, comme la loi binomiale.
• La notation $X \sim B(p)$ indique que $X$ suit une loi de Bernoulli de paramètre $p$.

💡 À retenir

Une loi de Bernoulli représente une expérience à deux issues avec une probabilité $p$ de succès, et constitue la notion fondamentale pour modéliser des événements binaires en probabilités.

📖 7. Lois binomiales

🔑 Notions clés & Définitions

Lois binomiales
AUTEUR (date) : La loi binomiale est une loi de probabilité qui modélise le nombre de succès dans une suite de n essais indépendants de Bernoulli, chacun ayant une probabilité p de succès.

Loi binomiale
AUTEUR (date) : La loi binomiale, notée $B(n, p)$, est la loi de la variable aléatoire qui compte le nombre de succès dans n essais de Bernoulli indépendants, avec succès de probabilité p.

Nombre de succès
AUTEUR (date) : Le nombre de succès désigne la variable aléatoire qui indique combien de fois un événement favorable se produit dans une expérience répétée n fois.

Distribution binomiale
AUTEUR (date) : La distribution binomiale est la distribution de probabilité associée à la loi binomiale, caractérisée par la formule $P([X = k]) = \binom{n}{k} p^k (1 - p)^{n - k}$, où k est le nombre de succès.

Variable aléatoire
AUTEUR (date) : La variable aléatoire est une fonction définie sur un espace probabilisé, qui associe à chaque résultat de l’expérience un nombre réel, ici le nombre de succès.

Formule de la loi binomiale
AUTEUR (date) : La formule de la loi binomiale pour une variable $X \sim B(n, p)$ est :
$P([X = k]) = \binom{n}{k} p^k (1 - p)^{n - k} \quad \text{pour } k \in \{0, 1, \dots, n\}$

📝 Points essentiels

• La loi binomiale modélise le nombre de succès dans une suite de n essais indépendants de Bernoulli.
• La probabilité d’obtenir exactement k succès est donnée par la formule $P([X = k]) = \binom{n}{k} p^k (1 - p)^{n - k}$.
• La variable aléatoire $X$ prend ses valeurs dans l’ensemble $\{0, 1, \dots, n\}$.
• La formule de la loi binomiale résulte du comptage des manières de répartir k succès parmi n essais, multipliée par la probabilité associée à chaque configuration.

💡 À retenir

La loi binomiale permet de modéliser le nombre de succès dans une série d’essais indépendants, avec une formule précise pour calculer la probabilité de chaque nombre de succès, et constitue un outil fondamental en probabilités discrètes.

📖 8. Lois géométriques

🔑 Notions clés & Définitions

Lois géométriques : Lois discrètes usuelles qui modélisent le nombre d’épreuves indépendantes jusqu’au premier succès. La variable aléatoire associée suit une distribution géométrique.

Variable de géométrie : Variable aléatoire qui compte le nombre d’épreuves nécessaires pour obtenir le premier succès dans une expérience répétée indépendamment, chaque épreuve ayant une probabilité de succès p.

Premier succès : La première occurrence d’un événement favorable dans une suite d’épreuves indépendantes, chacune ayant une probabilité constante de succès p.

Distribution géométrique : Loi de probabilité d’une variable de géométrie, caractérisée par la probabilité p de succès à chaque épreuve, et qui donne la probabilité que le premier succès survienne au n-ième essai.

Probabilité de succès : Notée p, elle représente la chance qu’un succès se produise lors d’une épreuve indépendante.

📝 Points essentiels

• La variable aléatoire X suivant une loi géométrique modélise le nombre d’épreuves jusqu’au premier succès.
• La probabilité que le premier succès survienne au n-ième essai est donnée par $P(X = n) = (1 - p)^{n-1} p$, pour $n \in \mathbb{N}^*$.
• La loi géométrique est une loi discrète, définie sur l’ensemble des entiers naturels positifs.
• La variable de géométrie est associée à la notion de premier succès dans une expérience répétée avec probabilité constante p.

💡 À retenir

La loi géométrique modélise le nombre d’épreuves nécessaires pour obtenir le premier succès dans une suite d’expériences indépendantes, chaque épreuve ayant une probabilité de succès p.

📖 9. Lois de Poisson

🔑 Notions clés & Définitions

Lois de Poisson : Ce sont des lois discrètes usuelles qui modélisent le nombre d’événements rares sur un intervalle ou dans un espace donné, lorsque ces événements ont une faible probabilité d’occurrence mais un nombre élevé d’essais ou de possibilités. La loi de Poisson est caractérisée par un paramètre λ, représentant la moyenne ou l’espérance du nombre d’événements.

Distribution de Poisson : C’est la loi de probabilité associée à la variable aléatoire suivant une loi de Poisson. Elle donne la probabilité que le nombre d’événements rares observés soit égal à un entier k, en fonction du paramètre λ.

Événements rares : Ce sont des événements qui ont une très faible probabilité de se produire lors d’une expérience ou dans un intervalle donné, mais qui peuvent se produire un nombre élevé de fois dans un grand nombre d’essais ou d’observations.

Variable aléatoire : C’est une fonction définie sur un espace probabilisé, qui associe à chaque issue de l’expérience un nombre réel, généralement un entier dans le cas des lois de Poisson, représentant le nombre d’événements rares observés.

Paramètre λ : C’est un réel positif, souvent appelé « taux » ou « intensité », qui caractérise la loi de Poisson. Il représente la moyenne ou l’espérance du nombre d’événements rares dans un intervalle ou un espace donné.

Application en comptage : La loi de Poisson est principalement utilisée pour modéliser le comptage d’événements rares, tels que le nombre d’appels dans un centre d’appel par heure, le nombre de défauts dans une production, ou le nombre de particules détectées dans un détecteur.

📝 Points essentiels

• La loi de Poisson modélise le nombre d’événements rares dans un intervalle ou espace, en supposant que ces événements sont indépendants et que leur occurrence est homogène dans le temps ou l’espace.
• La variable aléatoire suivant une loi de Poisson, notée généralement X, prend des valeurs entières non négatives (0, 1, 2, ...).
• La probabilité que X prenne la valeur k est donnée par la formule :
  $P(X = k) = \frac{λ^k e^{-λ}}{k!}$
• La somme des probabilités pour tous les k entiers non négatifs est égale à 1, ce qui vérifie la propriété de probabilité.
• La loi de Poisson est souvent utilisée comme approximation d’une loi binomiale lorsque le nombre d’essais est très grand et la probabilité de succès très faible, avec le produit np fixé (voir loi binomiale).

💡 À retenir

La loi de Poisson est une loi discrète qui sert à modéliser le comptage d’événements rares, caractérisée par un paramètre λ représentant la moyenne, et dont la formule de probabilité est basée sur la puissance de λ, l’exponentielle, et la factorielle.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre stabilité par union dénombrable (qui concerne la collection d’événements) avec la stabilité par union finie.
2. Oublier que Ω doit appartenir à A dans un espace probabilisé.
3. Confondre la propriété de σ-additivité avec la simple additivité finie.
4. Mal distinguer événements incompatibles (intersection vide) et compatibles.
5. Confondre la notion d’ensemble d’événements avec celle de famille d’événements.
6. Négliger que la somme des probabilités dans un système complet doit être égale à 1.
7. Confusion entre la loi de Bernoulli (deux issues) et d’autres lois discrètes plus complexes (binomiale, géométrique, Poisson).

✅ Checklist Examen

1. Connaître la définition d’un espace probabilisé (Ω, A, P) et ses propriétés fondamentales.
2. Savoir que Ω appartient à A, que A est stable par complémentaire et union dénombrable.
3. Maîtriser la propriété de σ-additivité et ses implications pour la mesure de probabilité.
4. Définir un ensemble d’événements et ses propriétés : contient Ω, stable par complémentaire, union dénombrable.
5. Expliquer ce qu’est un système complet d’événements : famille d’événements incompatibles, union = Ω, somme P = 1.
6. Identifier une famille d’événements incompatibles et leur union disjointe.
7. Connaître la loi de Bernoulli : définition, paramètres, issues possibles.
8. Savoir ce qu’est une loi binomiale et ses paramètres.
9. Maîtriser la loi géométrique : définition, issues, espérance.
10. Comprendre la loi de Poisson : paramètre, interprétation, applications.
11. Connaître la différence entre stabilité par union finie et dénombrable.
12. Savoir que la collection A doit vérifier la σ-additivité pour que l’espace soit un espace probabilisé.