Fiche de révision : Introduction aux probabilités et événements

📋 Plan du Cours

1. Expériences aléatoires
2. Univers et événements
3. Loi de probabilité
4. Partition d'événements
5. Probabilités composées
6. Arbres de probabilités
7. Variables aléatoires
8. Loi de X
9. Espérance mathématique
10. Indépendance et événements incompatibles
11. Calculs de probabilités spécifiques

📖 1. Expériences aléatoires

🔑 Notions clés & Définitions

• Expérience aléatoire : expérience pouvant mener à plusieurs issues incertaines, c’est-à-dire dont le résultat n’est pas prévisible avec certitude avant sa réalisation.
• Issue possible : chaque résultat ou résultat potentiel d’une expérience aléatoire. C’est une des issues dans l’ensemble des issues possibles.
• Définition d’une expérience aléatoire : une expérience dont le résultat n’est pas déterminé à l’avance, pouvant aboutir à plusieurs issues différentes, dont l’une se réalise de façon incertaine.
• Exemples d’expériences aléatoires : lancer de dé (issues : 1, 2, 3, 4, 5, 6), lancer de pièce plusieurs fois (issues : suite de Pile ou Face).
• Notion d’issue dans une expérience aléatoire : chaque résultat possible que peut prendre l’expérience, appartenant à l’ensemble des issues possibles.

📖 2. Univers et événements

🔑 Notions clés & Définitions

• Univers Ω : Ensemble de toutes les issues possibles d'une expérience aléatoire. Par exemple, pour un lancer de dé à 6 faces, Ω = {1, 2, 3, 4, 5, 6}.

• Événement : Toute partie de l'univers, c'est-à-dire un ensemble d'issues. Par exemple, obtenir un nombre pair lors du lancer d'un dé, A = {2, 4, 6}.

• Notation d'appartenance (a ∈ A) : Signifie que l'issue "a" appartient à l'événement A. Par exemple, si a = 3, alors 3 ∈ A si A contient 3.

• Notation d'inclusion (A ⊂ B) : Signifie que l'événement A est inclus dans l'événement B, c'est-à-dire que toutes les issues de A sont aussi dans B. Par exemple, A = {2, 4} ⊂ B = {1, 2, 3, 4, 5, 6}.

📝 Points essentiels

• L'univers Ω représente l'ensemble de toutes les issues possibles d'une expérience aléatoire, comme illustré par l'exemple du lancer de dé ou de plusieurs lancers de pièce.
• Un événement est une partie de cet univers, pouvant modéliser un résultat spécifique ou une combinaison d'issues.
• La notation a ∈ A indique que l'issue "a" appartient à l'événement A, tandis que A ⊂ B indique que A est un sous-ensemble de B, c'est-à-dire que tous ses éléments sont aussi dans B.
• Ces notions permettent de formaliser et de manipuler les résultats d'expériences aléatoires dans le cadre des probabilités, en distinguant les issues possibles (Ω) et les événements d'intérêt.

💡 À retenir

L'univers Ω rassemble toutes les issues possibles d'une expérience, et un événement est une sélection d'issues dans cet univers, avec la notation a ∈ A pour l'appartenance et A ⊂ B pour l'inclusion.

📖 3. Loi de probabilité

🔑 Notions clés & Définitions

• Loi de probabilité : Attribution à chaque issue d’un univers Ω d’un nombre réel entre 0 et 1, appelé la probabilité, tel que la somme de toutes ces probabilités soit égale à 1.
  (définition implicite dans le chapitre, inspirée de la définition générale)

• Probabilité d'une issue : Nombre réel attribué à chaque issue d’un univers Ω, compris entre 0 et 1, représentant la chance que cette issue se réalise. La somme des probabilités de toutes les issues est égale à 1.
  (définition dérivée de la notion de loi de probabilité)

• Probabilité d’un événement : Somme des probabilités des issues qui le composent. Si un événement A est constitué d’un ensemble d’issues, alors :
  $P(A) = \sum_{a \in A} P(a)$
  (définition directement liée à la loi de probabilité)

• Interprétation intuitive : Plus la probabilité d’une issue est proche de 1, plus cette issue est probable ; plus elle est proche de 0, plus elle est improbable.
  (notion évoquée dans l’interprétation intuitive)

📝 Points essentiels

• La loi de probabilité doit attribuer à chaque issue un nombre entre 0 et 1, et la somme de toutes ces valeurs doit être exactement 1.
• La probabilité d’un événement est la somme des probabilités de ses issues, ce qui permet de calculer la chance qu’un événement se réalise en agrégeant celles des issues favorables.
• La notion d’interprétation intuitive indique que la proximité de la nombre à 1 ou 0 traduit la probabilité relative d’occurrence ou d’improbabilité d’une issue.
• La loi de probabilité est la base pour modéliser l’incertitude dans une expérience aléatoire, en attribuant une chance à chaque issue possible.

💡 À retenir

Une loi de probabilité est une règle qui attribue à chaque issue un nombre entre 0 et 1, dont la somme totale est égale à 1, permettant de quantifier l’incertitude d’un phénomène aléatoire.

📖 4. Partition d'événements

🔑 Notions clés & Définitions

• Partition d'un événement : Ensemble de sous-événements incompatibles dont l'union est l'événement initial. Autrement dit, si A est un événement, une partition de A est une famille {A₁, A₂, ..., Aₙ} telle que chaque Aᵢ est incompatible avec les autres (Aᵢ ∩ Aⱼ = ∅ pour i ≠ j) et que A = ⋃_{i=1}^n Aᵢ.

• Incompatibilité : Deux événements A et B sont incompatibles si leur intersection est vide, c'est-à-dire A ∩ B = ∅. Cela signifie qu'ils ne peuvent pas se produire simultanément.

• Théorème (additivité pour partition) : Si A₁, A₂, ..., Aₙ forment une partition de A, alors la probabilité de A est la somme des probabilités des sous-événements :
  $P(A) = \sum_{i=1}^n P(A_i)$ (voir également la section 5 pour la formule générale avec intersection).

📝 Points essentiels

• La partition permet de décomposer un événement complexe en sous-événements plus simples, mutuellement exclusifs, dont l'union reconstitue l'événement initial.
• La propriété fondamentale est que la probabilité d’un événement peut s’écrire comme la somme des probabilités de ses sous-événements formant une partition.
• Exemple : Si Ω = {1, 2, ..., 10} et A = {1, 2, 3, 4, 5, 6}, on peut choisir A₁ = {1, 3, 6} et A₂ = {2, 4, 5}, qui forment une partition de A, car A₁ ∩ A₂ = ∅ et A₁ ∪ A₂ = A.
• La partition est un outil clé pour appliquer la règle de probabilité en décomposant un événement en sous-événements incompatibles.

💡 À retenir

Une partition d’un événement consiste en une famille de sous-événements incompatibles dont la réunion est l’événement initial, permettant d’exprimer sa probabilité comme la somme des probabilités de ces sous-événements.

📖 5. Probabilités composées

🔑 Notions clés & Définitions

• Événements incompatibles : Deux événements A et B sont incompatibles si leur intersection est vide, c’est-à-dire A ∩ B = ∅. Cela signifie qu'ils ne peuvent pas se produire simultanément.

• Formule pour événements incompatibles : Si A et B sont incompatibles, la probabilité de leur union est la somme de leurs probabilités :
  P(A ∪ B) = P(A) + P(B).
  Cette propriété découle du principe d'additivité pour événements incompatibles.

• Formule générale de probabilité pour union : Pour deux événements quelconques A et B, la probabilité de leur union s'exprime par :
  P(A ∪ B) = P(A) + P(B) - P(A ∩ B).
  Cette formule tient compte du chevauchement éventuel entre A et B.

• Décomposition d’un événement : Tout événement A peut se décomposer en la somme des intersections avec un autre événement B et son contraire B̅ :
  p(A) = p(A ∩ B) + p(A ∩ B̅).
  Cela permet d’analyser la probabilité de A en fonction de B et de son complément.

📝 Points essentiels

• La propriété A ∩ B = ∅ est fondamentale pour simplifier le calcul des probabilités, notamment pour l’addition d’événements incompatibles.
• La formule P(A ∪ B) = P(A) + P(B) est valable uniquement si A et B sont incompatibles.
• La formule générale P(A ∪ B) = P(A) + P(B) - P(A ∩ B) s’applique dans tous les cas, en tenant compte de la chevauchement.
• La décomposition p(A) = p(A ∩ B) + p(A ∩ B̅) est utile pour analyser la probabilité d’un événement en fonction d’un autre, en séparant les cas où B se produit ou non.
• Ces propriétés facilitent le calcul de probabilités composées et la résolution de problèmes impliquant plusieurs événements.

💡 À retenir

Les événements incompatibles ne peuvent pas se produire simultanément, ce qui permet d’additionner leurs probabilités pour l’union, tandis que la formule générale ajuste cette somme en soustrayant leur intersection si nécessaire.

📖 6. Arbres de probabilités

🔑 Notions clés & Définitions

• Utilisation d'arbres pondérés : Représentation graphique des issues d'une expérience aléatoire sous forme d'arbre, où chaque branche est associée à une probabilité. Chaque chemin de l'arbre correspond à une issue possible, permettant de visualiser et calculer facilement les probabilités (voir exemple d'arbre pour tirages sans remise).

• Principe multiplicatif : La probabilité d'une issue correspond au produit des probabilités le long du chemin dans l'arbre. Autrement dit, pour une issue donnée, on multiplie les probabilités de chaque branche traversée (voir exemple dans la section).

• Somme des probabilités des branches issues d'un même nœud : La somme des probabilités de toutes les branches partant d'un même nœud est toujours égale à 1. Cela reflète la certitude que l'une des issues possibles doit se réaliser à partir de ce nœud (voir exemple d'arbre avec branches totalisant 1).

📝 Points essentiels

• Les arbres pondérés permettent de représenter toutes les issues possibles d'une expérience, en associant à chaque branche une probabilité. La probabilité d'une issue est calculée en multipliant les probabilités sur le chemin correspondant, conformément au principe multiplicatif.
• La somme des probabilités des branches émanant d’un même nœud est toujours égale à 1, assurant la cohérence de la modélisation probabiliste (voir exemple d’arbre pour tirages sans remise).
• La représentation par arbre facilite le calcul des probabilités composées, notamment dans le cas de tirages successifs ou d’événements indépendants, en utilisant le principe multiplicatif.

💡 À retenir

Les arbres pondérés sont un outil visuel et pratique pour représenter et calculer les probabilités d’issues complexes, en utilisant le principe multiplicatif et la propriété que la somme des branches issues d’un même nœud est égale à 1.

📖 7. Variables aléatoires

🔑 Notions clés & Définitions

• Variable aléatoire : Fonction qui associe à chaque issue de l'univers Ω un nombre réel. Elle est notée X, et l'ensemble des valeurs possibles qu'elle peut prendre est noté X(Ω).
• Ensemble des valeurs prises par X : L'ensemble des réels {x₁, x₂, ..., xₘ} tels que X(ω) = xₖ pour au moins une issue ω dans Ω.
• Notation (X = x) : Ensemble des issues ω dans Ω pour lesquelles la variable X prend la valeur x, c'est-à-dire {ω ∈ Ω | X(ω) = x}.

📝 Points essentiels

• La définition d'une variable aléatoire consiste à établir une fonction de l'univers Ω vers les nombres réels, permettant de quantifier les issues d'une expérience aléatoire.
• L'ensemble X(Ω) représente toutes les valeurs numériques que X peut prendre, ce qui permet d'établir la loi de probabilité de X en listant ces valeurs avec leurs probabilités respectives.
• La notation (X = x) désigne l'ensemble des issues associées à la valeur x, facilitant le calcul de probabilités pour chaque valeur de la variable.
• La loi de X est construite en listant toutes ces valeurs possibles et en leur associant la probabilité que X prenne cette valeur, par exemple en utilisant un tableau.

💡 À retenir

Une variable aléatoire est une fonction qui traduit les résultats d'une expérience aléatoire en nombres réels, permettant d'analyser statistiquement ses résultats via sa loi de probabilité.

📖 8. Loi de X

🔑 Notions clés & Définitions

• Loi de X : Ensemble des valeurs possibles que peut prendre une variable aléatoire X, associées à leurs probabilités respectives.
• Construction d'un tableau de la loi de X : Représentation sous forme tabulaire listant chaque valeur x de X et la probabilité P(X = x).
• Interprétation des probabilités : La probabilité P(X = x) indique la fréquence relative ou la chance que la variable X prenne la valeur x, selon la loi de probabilité.

📝 Points essentiels

• La loi de X consiste à lister toutes les valeurs possibles de la variable aléatoire X et à leur associer la probabilité correspondante, permettant une compréhension complète de la distribution.
• La construction d’un tableau de la loi de X facilite la visualisation et le calcul des probabilités, notamment pour déterminer la probabilité qu’une variable prenne une valeur spécifique ou pour calculer l’espérance.
• La somme des probabilités P(X = x) pour toutes les valeurs x doit être égale à 1, conformément à la définition d’une loi de probabilité.
• Exemple : Si X représente le nombre de boules vertes tirées dans un jeu, la loi de X indique la probabilité d’obtenir 0, 1, 2, etc., boules vertes, avec leurs valeurs respectives.
• La loi de X peut être empirique (obtenue par expérimentation) ou théorique (calculée à partir de modèles ou de lois connues).

💡 À retenir

La loi de X est la description complète de la distribution d’une variable aléatoire, permettant de connaître toutes ses valeurs possibles et leurs probabilités, essentielle pour effectuer des calculs probabilistes et statistiques.

📖 9. Espérance mathématique

🔑 Notions clés & Définitions

• Espérance mathématique E(X) (voir page 12) : somme pondérée des valeurs possibles d'une variable aléatoire X par leurs probabilités, c’est-à-dire $E(X) = \sum_{i=1}^{m} x_i \times p_i$, où $x_i$ sont les valeurs possibles et $p_i$ leurs probabilités associées.

• Calcul de l'espérance à partir de la loi de X (voir page 12) : établir un tableau listant chaque valeur $x_i$ de la variable X avec sa probabilité $p_i$, puis effectuer la somme $E(X) = \sum x_i \times p_i$.

• Interprétation de l'espérance (voir page 12) : l’espérance représente le gain moyen ou la valeur moyenne attendue sur un grand nombre de répétitions du jeu ou de l’expérience, par exemple, "en moyenne, un joueur perd ou gagne une somme donnée".

📝 Points essentiels

• L'espérance est calculée en faisant la somme de chaque valeur possible de la variable aléatoire multipliée par sa probabilité, ce qui donne une mesure de la tendance centrale ou du gain moyen dans un contexte probabiliste.

• La loi de X, qui associe à chaque issue une valeur $x_i$ et une probabilité $p_i$, permet de déterminer facilement l'espérance en utilisant la formule $E(X) = \sum x_i p_i$.

• La valeur de l'espérance peut être positive, négative ou nulle, indiquant respectivement un gain moyen, une perte moyenne ou un équilibre.

• Exemple : dans un jeu de hasard, si $P(X=2) = 441/1000$, alors $E(X) = 2 \times 441/1000 + \text{autres termes}$, ce qui indique le gain moyen attendu.

💡 À retenir

L'espérance mathématique est la moyenne pondérée des valeurs possibles d'une variable aléatoire, représentant le gain ou la perte moyen attendu dans une expérience répétée.

📖 10. Indépendance et événements incompatibles

🔑 Notions clés & Définitions

• Événements incompatibles : Deux événements A et B sont dits incompatibles si leur intersection est vide, c’est-à-dire A ∩ B = ∅. Cela signifie qu’ils ne peuvent pas se produire simultanément.

• Événements indépendants : Deux événements A et B sont dits indépendants si la probabilité de leur intersection est égale au produit de leurs probabilités, c’est-à-dire P(A ∩ B) = P(A) × P(B). Selon PERROUX (date), cela traduit une absence d’influence entre la réalisation de A et B.

• Propriétés de l’indépendance : Si A et B sont indépendants, alors aussi P(A | B) = P(A) et P(B | A) = P(B), où P(A | B) est la probabilité conditionnelle de A sachant B.

• Différence entre incompatibilité et indépendance : La compatibilité implique que A ∩ B ≠ ∅, tandis que l’indépendance concerne la relation entre probabilités : deux événements incompatibles ont P(A ∩ B) = 0, donc ne peuvent pas être indépendants sauf si P(A) = 0 ou P(B) = 0. La propriété d’indépendance ne nécessite pas que A ∩ B ≠ ∅.

• Conséquences sur le calcul des probabilités composées : Pour des événements indépendants, la probabilité de leur intersection se calcule simplement par P(A ∩ B) = P(A) × P(B), facilitant le calcul des probabilités composées. En revanche, pour des événements incompatibles, P(A ∩ B) = 0, ce qui ne permet pas de déduire une relation multiplicative sauf si l’un des événements a une probabilité nulle.

📝 Points essentiels

• La notion d’incompatibilité (A ∩ B = ∅) indique que A et B ne peuvent pas se produire en même temps, ce qui entraîne P(A ∩ B) = 0. Cela limite l’utilisation de la formule de probabilité pour l’intersection si l’un des événements a une probabilité non nulle.

• L’indépendance, définie par P(A ∩ B) = P(A) × P(B), implique que la réalisation de l’un n’influence pas la probabilité de l’autre. Elle ne nécessite pas que A et B soient compatibles, mais dans la pratique, deux événements incompatibles avec P(A) > 0 et P(B) > 0 ne peuvent pas être indépendants.

• La différence fondamentale réside dans le fait que l’incompatibilité concerne la possibilité conjointe (interdiction de co-occurrence), alors que l’indépendance concerne la relation probabiliste entre deux événements, indépendamment de leur compatibilité.

• La propriété de l’indépendance permet de simplifier le calcul des probabilités composées en utilisant la formule P(A ∩ B) = P(A) × P(B), ce qui n’est pas possible pour des événements incompatibles sauf si l’un a une probabilité nulle.

💡 À retenir

L’indépendance concerne une absence d’influence entre événements, tandis que l’incompatibilité indique qu’ils ne peuvent pas se produire simultanément. La propriété d’indépendance permet de simplifier le calcul des probabilités de l’intersection, contrairement à l’incompatibilité où cette probabilité est nulle.

📖 11. Calculs de probabilités spécifiques

🔑 Notions clés & Définitions

• Calculs concrets de probabilités : Application des formules de probabilité pour déterminer la chance d’événements précis dans des situations réelles ou simulées, comme des tirages avec ou sans remise, ou des lancers multiples.

• Tirages avec remise / sans remise :

  • Avec remise : chaque tirage est indépendant, la probabilité reste constante (ex : tirer une boule, la remettre, puis tirer à nouveau).
  • Sans remise : le tirage influence le suivant, la probabilité change à chaque étape (ex : retirer une boule sans la remettre).

• Utilisation des arbres de probabilités : Représentation graphique permettant de visualiser et de calculer facilement la probabilité d’événements composés en multipliant les probabilités sur chaque branche (principe multiplicatif). La somme des branches issues d’un même nœud est toujours égale à 1.

• Exemples numériques détaillés : Calculs précis de probabilités dans des cas concrets, comme le tirage de jetons ou de dés, avec attribution de probabilités à chaque issue, permettant de déterminer la probabilité d’événements complexes.

• Variables aléatoires dans des cas concrets : Fonction qui associe à chaque issue un nombre réel, souvent un gain ou une somme, avec calcul de leur loi (distribution des probabilités) et de l’espérance, pour analyser des situations comme jeux ou tirages.

📝 Points essentiels

• La probabilité d’un événement A, dans un contexte pratique, se calcule en sommant les probabilités des issues qui le composent :
  $P(A) = \sum_{i} p(\text{issue}_i)$ où chaque issue est associée à une probabilité spécifique.

• Lors de tirages successifs sans remise, le calcul de probabilités repose sur le principe multiplicatif : la probabilité d’une séquence d’événements est le produit des probabilités individuelles sur chaque étape, comme illustré par les arbres de probabilités.

• La somme des probabilités des branches issues d’un même nœud dans un arbre est toujours égale à 1, ce qui garantit la cohérence des calculs.

• Pour des variables aléatoires X définies dans des situations concrètes, la loi de X est représentée par un tableau listant chaque valeur possible et sa probabilité, permettant de calculer l’espérance :
  $E(X) = \sum_{i} x_i \times p(x_i)$ cette espérance représentant la moyenne attendue du gain ou de la mesure étudiée.

• La méthode des arbres pondérés facilite la visualisation et le calcul des probabilités dans des tirages successifs ou des expériences composées.

💡 À retenir

Les calculs concrets de probabilités dans des situations réelles ou simulées reposent sur l’utilisation d’arbres de probabilités et de formules de sommation ou de multiplication, permettant d’évaluer précisément la chance d’événements complexes. La compréhension de ces méthodes est essentielle pour analyser et prédire les résultats dans des jeux ou expériences aléatoires.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre l’univers Ω avec un événement spécifique.
2. Oublier que la somme des probabilités de toutes les issues doit être égale à 1.
3. Confondre événements incompatibles et dépendants.
4. Utiliser la formule P(A ∪ B) = P(A) + P(B) pour des événements non incompatibles.
5. Négliger la nécessité de décomposer un événement en sous-événements pour certains calculs.
6. Confondre l’appartenance a ∈ A avec l’inclusion A ⊂ B.
7. Oublier que la probabilité d’un événement est la somme des probabilités de ses issues.

✅ Checklist Examen

1. Connaître la définition d’une expérience aléatoire selon la référence de Perroux.
2. Savoir distinguer un univers Ω d’un événement.
3. Maîtriser la notation a ∈ A et A ⊂ B.
4. Savoir calculer la probabilité d’un événement à partir des probabilités de ses issues.
5. Connaître la formule de la probabilité d’un événement en fonction de ses sous-événements (partition).
6. Savoir définir et utiliser une partition d’un événement.
7. Connaître la différence entre événements incompatibles et dépendants.
8. Maîtriser la formule P(A ∪ B) = P(A) + P(B) - P(A ∩ B).
9. Savoir décomposer un événement en intersections avec un autre événement et son complément.
10. Comprendre la notion de loi de probabilité et ses propriétés fondamentales.
11. Être capable d’identifier si deux événements sont incompatibles ou non.
12. Vérifier que la somme des probabilités de toutes les issues d’un univers Ω est égale à 1.