Fiche de révision : Introduction aux probabilités et lois binomiales

📋 Plan du Cours

1. Probabilités conditionnelles
2. Arbres pondérés
3. Indépendance événements
4. Loi binomiale
5. Coefficient binomial
6. Épreuve Bernoulli
7. Schéma de Bernoulli
8. Valeurs prédictives test
9. Formule de Bayes
10. Applications Bayes
11. Loi de Bernoulli
12. Variable binomiale

📖 1. Probabilités conditionnelles

🔑 Notions clés & Définitions

Probabilité conditionnelle :
Soit A et B deux événements avec P(A) ≠ 0. La probabilité que B se produise sachant que A est réalisé, notée P_A(B), est définie par :
$P_A(B) = \frac{P(A \cap B)}{P(A)}$
(source : Pierre Simon de Laplace)

📝 Points essentiels

• La probabilité conditionnelle P_A(B) mesure l’impact de la réalisation de A sur la probabilité de B.
• La formule P_A(B) = P(A ∩ B) / P(A) relie la probabilité de l’intersection à celle de l’événement conditionnant.
• La somme des probabilités issues d’un nœud dans un arbre pondéré est égale à 1.
• La règle 2 indique que sur chaque branche, on inscrit la probabilité conditionnelle de l’événement de droite sachant celui de gauche.
• La règle 3 stipule que la probabilité de l’intersection de deux événements est le produit de la probabilité conditionnelle et de la probabilité de l’événement conditionnant :
  $P(A \cap B) = P_A(B) \times P(A)$
• La règle 4 précise que la probabilité d’un événement est la somme des probabilités des chemins menant à cet événement dans un arbre pondéré.

💡 À retenir

La probabilité conditionnelle permet de mettre à jour la probabilité d’un événement en tenant compte d’une information préalable, en utilisant la formule P_A(B) = P(A ∩ B) / P(A).

📖 2. Arbres pondérés

🔑 Notions clés & Définitions

Arbres pondérés : Représentation graphique d’expériences probabilistes où chaque branche correspond à une issue possible et est associée à une probabilité conditionnelle. La somme des probabilités issues d’un même nœud est égale à 1. La probabilité d’un chemin est le produit des probabilités le long de ses branches (règle 3). La probabilité d’un événement est la somme des probabilités des chemins menant à cet événement (règle 4).

Représentation graphique d’expériences probabilistes : Schéma en forme d’arbre où chaque étape d’une expérience aléatoire est représentée par un nœud, et chaque issue par une branche avec une probabilité associée. Elle permet de visualiser et de calculer facilement des probabilités conditionnelles et totales.

Calcul de probabilités par chemins : Méthode consistant à déterminer la probabilité d’un événement en identifiant tous les chemins dans l’arbre qui mènent à cet événement, puis en sommant leurs probabilités. La probabilité d’un chemin est le produit des probabilités conditionnelles le long de ce chemin.

📝 Points essentiels

• La somme des probabilités des branches issues d’un même nœud est égale à 1 (règle 1).
• Sur chaque branche, la probabilité conditionnelle est inscrite, représentant la probabilité de l’événement de droite sachant celui de gauche (règle 2).
• La probabilité d’un chemin est le produit des probabilités le long de ses branches (règle 3).
• La probabilité d’un événement est la somme des probabilités des chemins qui mènent à cet événement (règle 4).
• La représentation graphique permet de visualiser facilement la structure de l’expérience et de réaliser des calculs complexes en décomposant en chemins.

💡 À retenir

Les arbres pondérés sont des outils graphiques essentiels pour représenter et calculer des probabilités dans des expériences séquentielles, en utilisant la multiplication pour les chemins et l’addition pour les événements.

📖 3. Indépendance événements

🔑 Notions clés & Définitions

• Indépendance événements : Deux événements A et B sont indépendants lorsque la connaissance de l’un n’altère pas la probabilité de l’autre.
  Définition : A et B sont indépendants si et seulement si
  $P(A \cap B) = P(A) \times P(B)$ Remarque : Si cette égalité est vérifiée, alors aussi $P(B|A) = P(B)$ et $P(A|B) = P(A)$.

• Propriété : La condition d’indépendance est symétrique, c’est-à-dire que si A et B sont indépendants, alors B et A le sont aussi.
  Expression équivalente :
  $P(A \cap B) = P(A) \times P(B)$

📝 Points essentiels

• La définition repose sur la multiplication des probabilités de chaque événement pour que leur intersection soit égale à ce produit.
• La propriété indique que, pour deux événements indépendants, la probabilité qu’ils se produisent simultanément est le produit de leurs probabilités individuelles.
• La notion d’indépendance est différente de celle d’incompatibilité (disjonction), où deux événements ne peuvent pas se produire en même temps ( $A \cap B = \emptyset$ ).

💡 À retenir

Deux événements sont indépendants si la réalisation de l’un n’influence pas la probabilité de réalisation de l’autre, ce qui se traduit par la formule $P(A \cap B) = P(A) \times P(B)$.

📖 4. Loi binomiale

🔑 Notions clés & Définitions

Loi binomiale (de paramètres n et p) :
Une loi de probabilité qui modélise le nombre de succès dans une suite de n épreuves indépendantes, identiques, où chaque épreuve a deux issues possibles (succès ou échec), avec une probabilité p de succès à chaque épreuve.

Formule de la loi binomiale :
Pour une variable aléatoire X suivant une loi binomiale B(n; p), la probabilité que X prenne la valeur k (avec 0 ≤ k ≤ n) est donnée par :
$P(X = k) = \binom{n}{k} p^{k} (1 - p)^{n - k}$
où $\binom{n}{k}$ est le coefficient binomial, représentant le nombre de façons de choisir k succès parmi n épreuves.

Conditions d’application de la loi binomiale :

• La variable aléatoire X doit compter le nombre de succès dans une suite de n épreuves.
• Chaque épreuve doit être indépendante des autres.
• La probabilité p de succès doit être la même à chaque épreuve.
• Les épreuves doivent être identiques (mêmes conditions, même probabilité).

📝 Points essentiels

• La loi binomiale s’applique lorsque l’on répète n fois une épreuve de Bernoulli indépendante avec la même probabilité p de succès.
• La variable X, nombre de succès, suit la loi binomiale B(n; p).
• La formule $P(X = k) = \binom{n}{k} p^{k} (1 - p)^{n - k}$ permet de calculer la probabilité d’obtenir exactement k succès.
• L’espérance de X est $E(X) = np$.
• La variance de X est $V(X) = np(1 - p)$.

💡 À retenir

La loi binomiale modélise le nombre de succès dans une répétition de n épreuves indépendantes de Bernoulli, avec une formule précise pour calculer chaque probabilité.

📖 5. Coefficient binomial

🔑 Notions clés & Définitions

Coefficient binomial : Le nombre de façons d’obtenir k succès parmi n répétitions indépendantes, noté (n k), se lit « k parmi n ». Il correspond au nombre de combinaisons possibles pour choisir k éléments parmi n, sans ordre.

Relation de Pascal : La relation permettant de calculer un coefficient binomial à partir de deux autres, exprimée par :
$(n k) = (n - 1 \, k - 1) + (n - 1 \, k)$

Définition du coefficient binomial (formule explicite) :
$(n k) = \frac{n!}{k! \times (n - k)!}$
où n! désigne la factorielle de n.

📝 Points essentiels

• Le coefficient binomial (n k) indique le nombre de combinaisons possibles pour sélectionner k éléments parmi n, sans tenir compte de l’ordre.
• La relation de Pascal permet de construire le triangle de Pascal, où chaque coefficient est la somme de deux autres situés au-dessus.
• La formule explicite (n k) = n! / (k! (n - k)!) est essentielle pour calculer directement le coefficient binomial sans recourir à la construction du triangle.
• Le coefficient binomial apparaît dans la formule de la loi binomiale, représentant la probabilité d’obtenir exactement k succès dans n essais indépendants.

💡 À retenir

Le coefficient binomial (n k) quantifie le nombre de façons de choisir k succès parmi n essais, et sa relation de Pascal permet de le calculer récursivement ou via la formule factorielle.

📖 6. Épreuve Bernoulli

🔑 Notions clés & Définitions

Épreuve Bernoulli : Une expérience aléatoire qui ne comporte que deux issues possibles, généralement appelées succès (S) et échec (E), avec des probabilités respectives p et 1 - p. Elle est caractérisée par sa simplicité, ne permettant que deux résultats distincts.

Définition d’une épreuve Bernoulli : Selon le contexte, c’est une expérience aléatoire à deux issues, où la probabilité de succès est p, et celle d’échec est 1 - p, avec p compris entre 0 et 1. Elle sert de base pour modéliser des situations binaires.

Variable aléatoire de Bernoulli : Une variable aléatoire X à valeurs dans {0, 1} associée à une épreuve Bernoulli. Elle prend la valeur 1 en cas de succès, et 0 en cas d’échec. La loi de probabilité est appelée loi de Bernoulli de paramètre p, avec P(X=1) = p et P(X=0) = 1 - p.

📝 Points essentiels

• La loi de Bernoulli est la plus simple parmi les lois de probabilité discrètes, modélisant une seule expérience avec deux issues.
• La variable de Bernoulli X a pour espérance E(X) = p et pour variance V(X) = p(1 - p).
• La loi de Bernoulli sert de base pour la construction de schémas de Bernoulli et de lois binomiales (voir section 7 et 12).
• La variable X est caractérisée par sa valeur dans {0, 1} et sa probabilité associée p pour X=1.

💡 À retenir

Une épreuve Bernoulli est une expérience binaire simple, dont la variable aléatoire associée suit une loi de Bernoulli, essentielle pour modéliser des événements à deux issues dans les probabilités.

📖 7. Schéma de Bernoulli

🔑 Notions clés & Définitions

• Schéma de Bernoulli : La répétition d’épreuves de Bernoulli identiques et indépendantes, où chaque épreuve a deux issues possibles : succès ou échec, avec la même probabilité de succès p à chaque fois (voir définition d’une épreuve de Bernoulli).

• Répétition d’épreuves Bernoulli : La succession de plusieurs épreuves de Bernoulli, toutes identiques et indépendantes, formant un schéma de Bernoulli.

• Indépendance des épreuves : Deux épreuves sont indépendantes si la réalisation de l’une n’influence pas la probabilité de réalisation de l’autre, c’est-à-dire que pour deux épreuves A et B, on a :
  $P(A \cap B) = P(A) \times P(B)$ (voir définition d’indépendance des événements).

📝 Points essentiels

• Un schéma de Bernoulli est constitué de n épreuves de Bernoulli, toutes indépendantes, avec la même probabilité p de succès à chaque épreuve.

• La variable aléatoire X, nombre de succès dans un schéma de Bernoulli de paramètre n et p, suit une loi binomiale :
  $P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}$ pour k = 0, 1, ..., n.

• La loi binomiale est la loi de la variable X qui compte le nombre de succès dans un schéma de Bernoulli répété n fois.

• La propriété d’indépendance des épreuves garantit que la probabilité de succès à chaque épreuve ne dépend pas des résultats précédents.

💡 À retenir

Le schéma de Bernoulli est la base pour modéliser la répétition d’expériences binaires indépendantes, et la variable associée suit une loi binomiale, permettant de calculer la probabilité d’un certain nombre de succès dans ces répétitions.

📖 8. Valeurs prédictives test

🔑 Notions clés & Définitions

• Valeur prédictive positive (VPP) : La probabilité qu’une personne soit réellement malade si le test est positif.
  Source : La valeur prédictive positive est une mesure de la fiabilité d’un test lorsqu’il indique une maladie.

• Valeur prédictive négative (VPN) : La probabilité qu’une personne ne soit pas malade si le test est négatif.
  Source : La valeur prédictive négative évalue la fiabilité d’un test lorsqu’il indique l’absence de maladie.

• Valeur prédictive test : La capacité d’un test à prévoir la présence ou l’absence d’une maladie chez un individu, en fonction du résultat du test (positif ou négatif).
  Source : Elle concerne la pertinence des résultats du test pour diagnostiquer réellement la maladie.

📝 Points essentiels

• La valeur prédictive positive (VPP) et la valeur prédictive négative (VPN) sont des mesures qui dépendent de la sensibilité, de la spécificité du test, ainsi que de la prévalence de la maladie dans la population.
• La VPP indique la probabilité qu’un individu soit malade si le test est positif. Elle est calculée à partir de la formule :
  $\text{VPP} = \frac{P(\text{test positif} \cap \text{malade})}{P(\text{test positif})}$
• La VPN indique la probabilité qu’un individu ne soit pas malade si le test est négatif. Elle se calcule ainsi :
  $\text{VPN} = \frac{P(\text{test négatif} \cap \text{non malade})}{P(\text{test négatif})}$
• La formule de Bayes permet de relier ces valeurs à la sensibilité, la spécificité, et la prévalence de la maladie dans la population.

💡 À retenir

Les valeurs prédictives positive et négative évaluent la fiabilité d’un test pour diagnostiquer une maladie, en tenant compte de la prévalence et des caractéristiques du test.

📖 9. Formule de Bayes

🔑 Notions clés & Définitions

Formule de Bayes : Elle permet de calculer la probabilité conditionnelle d’un événement A sachant un événement B, en utilisant les probabilités conditionnelles inverses. Elle s’écrit :
$P_{B}(A) = \frac{P_{A}(B) \times P(A)}{P(B)}$

Expression de la formule de Bayes :
$P_{B}(A) = \frac{P_{A}(B) \times P(A)}{P(B)}$
où :

• $P_{B}(A)$ est la probabilité de A sachant B,
• $P_{A}(B)$ est la probabilité de B sachant A,
• $P(A)$ est la probabilité a priori de A,
• $P(B)$ est la probabilité de B.

Application pour calculer des probabilités conditionnelles : La formule est utilisée pour mettre à jour la probabilité de A en tenant compte de l’observation B, notamment lorsque $P_{A}(B)$, $P(A)$ et $P(B)$ sont connus ou calculables à partir d’autres probabilités. Elle est essentielle pour traiter des situations où l’on dispose d’informations conditionnelles inverses.

📝 Points essentiels

• La formule de Bayes relie la probabilité conditionnelle inversée $P_{B}(A)$ à la probabilité conditionnelle directe $P_{A}(B)$.
• Elle nécessite de connaître ou de pouvoir calculer $P(A)$, $P(B)$, et $P_{A}(B)$.
• Elle est particulièrement utile pour mettre à jour une probabilité initiale (a priori) en fonction de nouvelles données (observation B).
• La formule permet de transformer une connaissance de la probabilité de B sachant A en une connaissance de la probabilité de A sachant B.

💡 À retenir

La formule de Bayes permet d’inverser une probabilité conditionnelle, en utilisant les probabilités directes et a priori, pour mieux évaluer la vraisemblance d’un événement après observation.

📖 10. Applications Bayes

🔑 Notions clés & Définitions

• Applications Bayes : Utilisations concrètes de la formule de Bayes pour calculer des probabilités conditionnelles en fonction de nouvelles informations ou de données observées, souvent illustrées par des exemples variés (santé, fiabilité, jeux, etc.).

• Utilisation pratique de la formule de Bayes : Méthode permettant de mettre à jour une probabilité initiale (a priori) en une probabilité conditionnelle (a posteriori) en intégrant de nouvelles données. Elle s'exprime généralement par :
  $P(A|B) = \frac{P(B|A) \times P(A)}{P(B)}$ où $P(A|B)$ est la probabilité de A sachant B, $P(B|A)$ la probabilité de B sachant A, $P(A)$ la probabilité a priori de A, et $P(B)$ la probabilité de B.

• Exemples concrets : Cas illustrant l'application de la formule de Bayes dans diverses situations, telles que le dépistage médical, la fiabilité des appareils, la détection de fraudes, ou encore l’évaluation de probabilités dans des contextes variés, permettant de mieux comprendre comment actualiser des probabilités en fonction de nouvelles observations.

📝 Points essentiels

• La formule de Bayes permet de transformer une probabilité a priori en une probabilité a posteriori en tenant compte d’un nouvel événement ou d’une nouvelle donnée.
• Elle s’utilise dans de nombreux exemples concrets où il est nécessaire de réviser une estimation initiale à partir d’informations complémentaires.
• La mise en œuvre de cette formule nécessite de connaître ou de pouvoir calculer $P(B|A)$, $P(A)$, et $P(B)$.
• La formule est souvent représentée par un arbre pondéré ou un schéma illustrant la relation entre les événements et leurs probabilités conditionnelles.
• Elle est particulièrement utile dans le contexte du dépistage médical, de la fiabilité, ou de la détection de fraudes, où l’on doit actualiser la probabilité d’un événement en fonction de résultats observés.

💡 À retenir

La formule de Bayes permet de mettre à jour une probabilité initiale en intégrant de nouvelles informations, ce qui est essentiel pour prendre des décisions éclairées dans des situations incertaines.

📖 11. Loi de Bernoulli

🔑 Notions clés & Définitions

Loi de Bernoulli :
Une loi de Bernoulli de paramètre p est une loi de probabilité associée à une variable aléatoire X à deux issues, généralement notées 0 et 1, où :

• P(X = 1) = p, la probabilité de succès,
• P(X = 0) = 1 − p, la probabilité d’échec.
  Auteur : La loi porte le nom de Jacob Bernoulli, qui a introduit ce modèle dans ses travaux.

Paramètre p :
Un nombre réel dans [0, 1], représentant la probabilité de succès lors d’une seule épreuve de Bernoulli.

Espérance (E(X)) :
Pour une variable suivant une loi de Bernoulli de paramètre p, l’espérance est :
$E(X) = p$

Variance (V(X)) :
La variance de cette variable est :
$V(X) = p(1 - p)$

📝 Points essentiels

• La loi de Bernoulli modélise une expérience aléatoire à deux issues, success ou échec.
• La variable aléatoire X associée prend la valeur 1 en cas de succès, 0 en cas d’échec.
• La somme de plusieurs variables de Bernoulli indépendantes et identiques suit une loi binomiale (voir section 6).
• L’espérance est directement égale au paramètre p, ce qui reflète la moyenne des succès attendus.
• La variance p(1−p) indique la dispersion autour de la moyenne, avec un maximum en p=0,5.

💡 À retenir

La loi de Bernoulli est la base pour modéliser des expériences à deux issues, avec une moyenne p et une dispersion p(1−p). Elle constitue le fondement de la loi binomiale, qui résulte de la répétition indépendante de ces épreuves.

📖 12. Variable binomiale

🔑 Notions clés & Définitions

Variable binomiale : Variable aléatoire discrète qui compte le nombre de succès dans une suite de n épreuves de Bernoulli indépendantes, chacune ayant une probabilité p de succès. Elle est notée $B(n; p)$.

Relation avec la loi binomiale : La variable aléatoire suivant une loi binomiale $B(n; p)$ est précisément une variable binomiale. Sa loi de probabilité est donnée par :
$P(X = k) = \binom{n}{k} p^k (1 - p)^{n - k} \quad \text{pour } 0 \leq k \leq n.$

📝 Points essentiels

• La variable binomiale modélise le nombre de succès dans une répétition de n épreuves de Bernoulli, indépendantes, avec une probabilité p identique pour chaque épreuve.
• La loi de probabilité de X, une variable suivant $B(n; p)$, est une loi discrète dont la formule est :
  $P(X = k) = \binom{n}{k} p^k (1 - p)^{n - k}.$
• L’espérance de X est $E(X) = np$.
• La variance de X est $V(X) = np(1 - p)$.
• La loi binomiale apparaît comme la distribution du nombre de succès dans une expérience répétée n fois, chaque succès étant indépendant et de même probabilité p.

💡 À retenir

La variable binomiale est la modélisation du nombre de succès dans une série d’épreuves indépendantes de Bernoulli, avec une formule de probabilité précise, et ses caractéristiques principales sont l’espérance $np$ et la variance $np(1 - p)$.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre probabilité conditionnelle $P_A(B)$ avec la probabilité simple $P(B)$.
2. Oublier que la somme des probabilités issues d’un même nœud dans un arbre pondéré doit être égale à 1.
3. Confondre indépendance avec incompatibilité (événements disjoints).
4. Utiliser la formule de la loi binomiale sans vérifier que toutes les conditions (indépendance, même probabilité p, répétitions) sont remplies.
5. Confondre coefficient binomial $\binom{n}{k}$ avec le nombre de permutations.
6. Oublier que la probabilité d’un chemin dans un arbre est le produit des probabilités le long de ses branches.
7. Confondre la notion d’épreuve Bernoulli avec celle d’épreuve de Bernoulli (erreur de terminologie).

✅ Checklist Examen

1. Connaître la définition de la probabilité conditionnelle $P_A(B) = \frac{P(A \cap B)}{P(A)}$ selon Pierre Simon de Laplace.
2. Savoir représenter une expérience probabiliste à l’aide d’un arbre pondéré, en inscrivant les probabilités conditionnelles sur chaque branche.
3. Maîtriser la formule de la probabilité d’un événement dans un arbre pondéré : somme des probabilités des chemins menant à cet événement.
4. Définir l’indépendance de deux événements $P(A \cap B) = P(A) \times P(B)$.
5. Vérifier si deux événements sont indépendants en utilisant la formule d’indépendance.
6. Connaître la formule de la loi binomiale $P(X=k) = \binom{n}{k} p^{k} (1-p)^{n-k}$.
7. Savoir calculer un coefficient binomial $\binom{n}{k} = \frac{n!}{k!(n-k)!}$ et connaître la relation de Pascal.
8. Comprendre le concept d’épreuve Bernoulli : expérience à deux issues, indépendante, avec une probabilité p de succès.
9. Savoir que la variable binomiale modélise le nombre de succès dans n essais Bernoulli indépendants.
10. Connaître l’espérance $E(X) = np$ et la variance $V(X) = np(1-p)$ pour la loi binomiale.
11. Être capable d’utiliser la formule de Bayes pour mettre à jour des probabilités en fonction de nouvelles informations.
12. Vérifier la maîtrise du vocabulaire spécifique : événements, chemins, succès, échec, coefficient binomial, indépendance, etc.