Fiche de révision : Introduction aux probabilités fondamentales

📋 Plan du Cours

1. Probabilités conditionnelles
2. Union et intersection
3. Calculs de probabilités
4. Variables aléatoires
5. Espérance et variance
6. Combinatoire - Factorielle
7. Permutations et arrangements
8. Lois de probabilité dénombrables
9. Notions de probabilités en dé
10. Règles de calcul en probabilité

📖 1. Probabilités conditionnelles

🔑 Notions clés & Définitions

• Probabilité conditionnelle P_A(B) : La probabilité que l’événement B se produise sachant que l’événement A est réalisé, définie par P_A(B) = P(A ∩ B) / P(A). Elle permet d’ajuster la probabilité en fonction d’une information préalable sur A.
• Formule de Bayes : Permet de recalculer la probabilité de P_B(G) en utilisant la connaissance de P_B(G) = P(B ∩ G) / P(B). Elle est essentielle pour inverser des probabilités conditionnelles.
• Indépendance de deux événements : Deux événements E et P sont indépendants si P(E ∩ P) = P(E) × P(P). Cela signifie que la réalisation de l’un n’influence pas la probabilité de l’autre.
• Utilisation d’arbre de probabilités : Outil graphique permettant de représenter et calculer des probabilités conditionnelles en décomposant un espace probabiliste en branches successives, facilitant la visualisation des événements dépendants ou indépendants.

📝 Points essentiels

• La probabilité conditionnelle modifie la probabilité d’un événement en tenant compte d’une information préalable, ce qui est crucial pour le calcul dans des situations où certains événements sont connus ou assurés.
• La formule de Bayes est une méthode puissante pour inverser des probabilités conditionnelles, notamment dans le contexte de diagnostics ou de mise à jour de croyances.
• L’indépendance entre deux événements est caractérisée par la relation P(E ∩ P) = P(E) × P(P), indiquant qu’ils n’ont aucune influence l’un sur l’autre.
• L’arbre de probabilités est un outil pratique pour organiser et effectuer des calculs de probabilités conditionnelles, surtout dans des processus séquentiels ou hiérarchisés.

💡 À retenir

La probabilité conditionnelle ajuste la probabilité d’un événement en fonction d’une information préalable, et l’indépendance se vérifie par la relation P(E ∩ P) = P(E) × P(P). L’arbre de probabilités facilite ces calculs en visualisant les dépendances.

📖 2. Union et intersection

🔑 Notions clés & Définitions

• Formule de l'union :
  $P(C \cup F) = P(C) + P(F) - P(C \cap F)$
  Cette formule permet de calculer la probabilité que l’un ou l’autre de deux événements se produise, en ajustant pour la double comptabilisation de leur intersection.

• Définition de l'intersection d'événements :
  L'intersection $C \cap F$ désigne l'événement où les deux événements $C$ et $F$ se produisent simultanément.

• Complément d'union :
  $P(C \cup F) = 1 - P(\text{non } C \cup \text{non } F)$
  Plus généralement, pour un événement $C$, son complément $\overline{C}$ est l'événement où $C$ ne se produit pas, et la probabilité de son union avec un autre événement peut s'exprimer via le complément.

📝 Points essentiels

• La formule de l'union $P(C \cup F) = P(C) + P(F) - P(C \cap F)$ est fondamentale pour éviter de compter deux fois la probabilité de l'intersection. Elle est valable pour deux événements quelconques, indépendants ou non, et s'applique aussi à des événements dépendants.

• La définition de l'intersection $C \cap F$ précise que cet événement correspond à la réalisation simultanée de $C$ et $F$. Elle est essentielle pour comprendre la calculabilité de $P(C \cup F)$.

• La formule du complément d'union $P(C \cup F) = 1 - P(\overline{C} \cap \overline{F})$ découle de la propriété que l'union de deux événements est le complément de leur intersection de leurs compléments, selon la loi de De Morgan.

• La formule de l'union peut également s'étendre à plus de deux événements, mais dans ce contexte, la formule donnée est la base pour deux.

• La probabilité de l'union d'événements dépend de leur intersection : si $C$ et $F$ sont disjoints, alors $P(C \cap F) = 0$ et $P(C \cup F) = P(C) + P(F)$.

💡 À retenir

L'union de deux événements se calcule en additionnant leurs probabilités et en soustrayant celle de leur intersection, qui évite la double comptabilisation. La définition de l'intersection précise quand deux événements se produisent simultanément, et le complément d'union permet d'exprimer cette probabilité en termes de non-réalisations.

📖 3. Calculs de probabilités

🔑 Notions clés & Définitions

• Calcul de probabilité : La probabilité d’un événement est déterminée par le rapport entre le nombre de cas favorables et le nombre de cas possibles, dans un univers équiprobable.
• Somme des probabilités des événements élémentaires : La somme des probabilités de tous les événements élémentaires d’un univers fini est égale à 1, conformément à la règle fondamentale de la théorie de la probabilité.
• Probabilité d’un événement comme somme des probabilités des issues correspondantes : La probabilité d’un événement constitué de plusieurs issues est la somme des probabilités de ces issues, si elles sont disjointes (voir aussi la règle de l’union).

📝 Points essentiels

• La probabilité d’un événement A, dans un univers Ω fini, est calculée par :
  $P(A) = \frac{\text{nombre de cas favorables à } A}{\text{nombre total de cas possibles dans } \Omega}$
• La somme des probabilités de tous les événements élémentaires (issues simples) de l’univers Ω est toujours égale à 1 :
  $\sum_{i} P(\text{issue } i) = 1$
• La probabilité d’un événement constitué de plusieurs issues disjointes est la somme des probabilités de ces issues :
  $P(A) = \sum_{i} P(\text{issue } i \text{ favorisant } A)$
• Ces principes sont fondamentaux pour le calcul en probabilités, notamment dans le contexte d’expériences équiprobables (ex : lancer de dé, tirage, etc.).
• La règle de l’union, pour deux événements A et B disjoints, est :
  $P(A \cup B) = P(A) + P(B)$
• La propriété que la somme des probabilités de tous les événements élémentaires vaut 1 est essentielle pour assurer la cohérence de la distribution de probabilité.

💡 À retenir

La probabilité d’un événement est le rapport entre ses cas favorables et le total, et la somme des probabilités de tous les cas élémentaires d’un univers fini est toujours égale à 1, permettant de décomposer la probabilité d’un événement en la somme des probabilités de ses issues.

📖 4. Variables aléatoires

🔑 Notions clés & Définitions

• Variable aléatoire X : Fonction qui associe à chaque issue d’un espace probabiliste une valeur x_i avec une probabilité p_i.
• Espérance E(X) : Moyenne pondérée des valeurs possibles de la variable, définie par "E(X) = Σ x_i p_i" (source : contenu source).
• Variance V(X) : Mesure de la dispersion des valeurs de la variable autour de l’espérance, donnée par "V(X) = Σ p_i (x_i - E(X))²" (source : contenu source).
• Écart-type σ(X) : Racine carrée de la variance, indiquant l’étendue moyenne de la dispersion, défini par "σ(X) = √V(X)" (source : contenu source).

📝 Points essentiels

• La variable aléatoire X prend des valeurs x_i avec des probabilités p_i, et ses caractéristiques principales sont l’espérance, la variance, et l’écart-type, qui permettent de quantifier la tendance centrale et la dispersion.
• L’espérance E(X) est une moyenne pondérée, ce qui signifie que chaque valeur x_i est multipliée par sa probabilité p_i, puis la somme est effectuée.
• La variance V(X) mesure la dispersion des valeurs par rapport à l’espérance, en utilisant la différence (x_i - E(X))², pondérée par p_i.
• L’écart-type σ(X) est une mesure de dispersion exprimée dans la même unité que X, facilitant l’interprétation de la dispersion.
• Ces notions sont fondamentales pour analyser la distribution d’une variable aléatoire, notamment dans le cadre de la loi normale et des règles de dispersion (voir section 5).

💡 À retenir

La variable aléatoire X est caractérisée par son espérance, sa variance et son écart-type, qui décrivent respectivement la tendance centrale et la dispersion des valeurs possibles, permettant une compréhension complète de sa distribution.

📖 5. Espérance et variance

🔑 Notions clés & Définitions

• Formule de l'espérance : AUTEUR (date) : l'espérance $E(X)$ d'une variable aléatoire $X$ prenant des valeurs $x_i$ avec probabilités $p_i$ est donnée par la moyenne pondérée des valeurs, soit
  $E(X) = \sum_{i} x_i p_i$ Elle représente la valeur moyenne attendue de $X$.

• Formule de la variance : AUTEUR (date) : la variance $V(X)$ d'une variable aléatoire $X$ est la moyenne pondérée des carrés des écarts à l'espérance, soit
  $V(X) = \sum_{i} p_i (x_i - E(X))^2$ Elle mesure la dispersion ou la variabilité de $X$.

• Écart-type : AUTEUR (date) : l'écart-type $\sigma(X)$ est la racine carrée de la variance, soit
  $\sigma(X) = \sqrt{V(X)}$ Il donne une mesure de dispersion dans la même unité que $X$.

• Règle empirique de dispersion : AUTEUR (date) : pour une distribution approximativement en forme de cloche (distribution normale), environ 68% des valeurs sont comprises dans un intervalle de $\pm 1$ écart-type, 95% dans $\pm 2$, et 99,7% dans $\pm 3$ (règle de 68-95-99,7%).

• Inégalité de Chebyshev : AUTEUR (date) : pour toute distribution de variable aléatoire $X$ avec espérance $E(X)$ et variance $V(X)$, la proportion d'observations situées à plus de $k$ écarts-types de $E(X)$ est au plus $1 / k^2$, soit
  $P(|X - E(X)| \geq k \sigma) \leq \frac{1}{k^2}$ valable indépendamment de la forme de la distribution.

📝 Points essentiels

• L'espérance $E(X)$ est la moyenne pondérée des valeurs $x_i$, ce qui permet d'estimer la valeur centrale de la variable $X$.
• La variance $V(X)$ quantifie la dispersion autour de l'espérance, en tenant compte des probabilités $p_i$.
• L'écart-type $\sigma(X)$ facilite l'interprétation de la dispersion dans l'unité de $X$.
• La règle empirique est utile pour estimer la dispersion dans une distribution normale ou approximative, en indiquant la proportion d'observations dans certains intervalles.
• L'inégalité de Chebyshev est une borne universelle applicable à toute distribution, même très asymétrique ou à queues épaisses, pour évaluer la dispersion.

💡 À retenir

L'espérance donne la valeur moyenne attendue, la variance mesure la dispersion autour de cette moyenne, et la règle empirique ainsi que l'inégalité de Chebyshev permettent d'estimer la dispersion dans différentes situations, même sans connaître la forme exacte de la distribution.

📖 6. Combinatoire - Factorielle

🔑 Notions clés & Définitions

• Factorielle (m!) : Produit de tous les entiers positifs de 1 à m, c'est-à-dire m! = 1 × 2 × ... × m. Par convention, 0! = 1.
  Auteur (source) : Aucune référence spécifique.

• Calcul simplifié de la factorielle : Lorsqu'on divise m! par (m - k)! (avec 0 ≤ k ≤ m), on obtient le produit décroissant :
  $\frac{m!}{(m - k)!} = m \times (m - 1) \times \dots \times (m - k + 1)$
  Point essentiel : Ce calcul permet d'évaluer rapidement le nombre de produits dans des arrangements ou permutations partielles.

• Convention 0! = 1 : La factorielle de zéro est définie comme étant égale à 1, ce qui facilite les calculs combinatoires et la cohérence des formules.
  Auteur (source) : Aucune référence spécifique.

📝 Points essentiels

• La factorielle m! est utilisée pour compter le nombre d'arrangements ou permutations d'un ensemble de m éléments.
• La formule $\frac{m!}{(m - p)!}$ permet de calculer le nombre d'arrangements de p éléments parmi m, en tenant compte de l'ordre (arrangements avec ordre).
• La convention 0! = 1 est fondamentale pour que les formules soient valides même lorsque p = 0 ou m = p.
• Exemple : pour choisir 4 personnes parmi 10, le nombre d'arrangements est $\frac{10!}{(10 - 4)!} = 10 \times 9 \times 8 \times 7 = 5040$.
• La factorielle est également utilisée pour calculer le nombre de permutations d’un ensemble complet : m!.

💡 À retenir

La factorielle m! représente le nombre total d’arrangements ordonnés de m éléments, et la formule $\frac{m!}{(m - p)!}$ permet de compter rapidement le nombre d’arrangements partiels sans remise. La convention 0! = 1 assure la cohérence des calculs combinatoires.

📖 7. Permutations et arrangements

🔑 Notions clés & Définitions

• Permutation : Arrangement de m éléments sans remise, c'est-à-dire que chaque élément ne peut être choisi qu'une seule fois. Le nombre total de permutations d’un ensemble de m éléments est donné par m! (factorielle de m), où m! = 1 × 2 × ... × m (convention : 0! = 1).
  Source : Dénombrment, arrangements, permutations (voir page 2).

• Arrangement sans remise de p éléments parmi m : Sélectionner p éléments distincts de m, en tenant compte de l’ordre. Le nombre d’arrangements est noté A_p^m et calculé par la formule :
  $A_p^m = \frac{m!}{(m - p)!}$
  où (m - p)! correspond à la factorielle du nombre d’éléments non choisis.
  Source : Exemple : on choisit 4 personnes parmi un groupe de 10 (voir page 7).

• Différence entre permutations et arrangements :

  • La permutation concerne l’ordre de tous les éléments d’un ensemble (m éléments).
  • L’arrangement concerne la sélection de p éléments parmi m, en tenant compte de l’ordre, sans remettre les éléments.
    Source : Dénombrment, arrangements, permutations (voir page 2).

📝 Points essentiels

• Le nombre total de permutations d’un ensemble de m éléments est m!. Par exemple, pour 4 éléments, il y a 4! = 24 permutations possibles.
• La formule pour compter le nombre d’arrangements de p éléments parmi m est A_p^m = m! / (m - p)!. Par exemple, choisir 3 éléments parmi 5 donne A_3^5 = 5! / (5 - 3)! = 120 / 2! = 120 / 2 = 60 arrangements.
• La différence fondamentale réside dans le fait que les permutations concernent l’ordre de tous les éléments, tandis que les arrangements concernent une sélection partielle avec ordre.
• La notation m! désigne la factorielle de m, qui est le produit de tous les entiers de 1 à m. La convention 0! = 1 est utilisée pour simplifier certains calculs.
• Exemple de calcul :
  • Permutations de 4 éléments : 4! = 24.
  • Arrangement de 2 éléments parmi 4 : A_2^4 = 4! / (4 - 2)! = 24 / 2! = 24 / 2 = 12.

💡 À retenir

Les permutations comptent toutes les façons d’arranger tous les éléments d’un ensemble, tandis que les arrangements sélectionnent un sous-ensemble avec ordre, chacun étant calculé par des formules spécifiques utilisant la factorielle.

📖 8. Lois de probabilité dénombrables

🔑 Notions clés & Définitions

• Lois de probabilité dénombrables : Ce sont des lois qui définissent une probabilité sur un univers fini ou dénombrable, en attribuant une probabilité à chaque événement élémentaire, de façon à ce que la somme des probabilités de tous ces événements soit égale à 1.
• Propriétés des probabilités sur un univers dénombrable : Pour tout univers dénombrable Ω, la fonction P : 2^Ω → [0,1] vérifie :
  • P(Ω) = 1
  • P(∅) = 0
  • Pour toute collection d’événements disjoints (A_i), P(∪ A_i) = Σ P(A_i) (additivité dénombrable).
• Distribution uniforme sur un ensemble fini : C’est une loi de probabilité où chaque élément de l’univers fini Ω possède la même probabilité, soit P({x}) = 1/|Ω| pour tout x ∈ Ω.
• Exemple (distribution uniforme) : Sur un dé à 6 faces, la probabilité de chaque face est P({face}) = 1/6, et pour un événement A, P(A) = |A|/6.

📝 Points essentiels

• La définition des lois de probabilité dénombrables repose sur la somme des probabilités des événements élémentaires qui doit être égale à 1, ce qui garantit la cohérence de la loi (voir "les propriétés des probabilités sur un univers dénombrable").
• La propriété fondamentale (P(Ω) = 1) assure que la totalité de l’univers a une probabilité totale de 1, et la somme des probabilités des événements disjoints est additive (voir "propriétés des probabilités sur un univers dénombrable").
• La distribution uniforme est un cas particulier où chaque élément a une probabilité identique, souvent utilisée pour modéliser des expériences équiprobables (voir "exemple de distribution uniforme sur un ensemble fini").
• Ces lois permettent d’étendre la notion de probabilité à des univers finis ou dénombrables, en utilisant la somme des probabilités des événements élémentaires.

💡 À retenir

Les lois de probabilité dénombrables attribuent une probabilité à chaque événement élémentaire d’un univers fini ou dénombrable, en respectant la somme totale de 1, avec la distribution uniforme comme cas simple d’équiprobabilité.

📖 9. Notions de probabilités en dé

🔑 Notions clés & Définitions

• Univers Ω d’un dé à 6 faces : Ensemble des résultats possibles, Ω = {1, 2, 3, 4, 5, 6}.
• Probabilité d’un événement A sur un dé équiprobable : P(A) = (nombre d'éléments favorables à A) / 6, selon la notion de cas favorables sur cas possibles.
• Propriétés fondamentales des probabilités :
  • P(Ω) = 1 (la probabilité que l’univers se réalise est certaine).
  • P(∅) = 0 (la probabilité de l’événement impossible est nulle).
  • P(Ā) = 1 - P(A) (complémentarité, la probabilité que A ne se réalise pas est 1 moins celle qu’elle se réalise).

📝 Points essentiels

• La probabilité d’un événement A dans l’univers Ω est calculée par la formule P(A) = nombre d'issues favorables / 6, si toutes les issues sont équiprobables.
• Les propriétés fondamentales garantissent la cohérence de la mesure de probabilité : P(Ω) = 1, P(∅) = 0, et la relation de complémentarité P(Ā) = 1 - P(A).
• Lorsqu’on considère un dé à 6 faces, chaque face a une probabilité de 1/6, ce qui permet de calculer la probabilité de tout événement en comptant ses issues favorables.
• La notion d’univers Ω est essentielle pour définir l’espace des résultats possibles, permettant de déterminer la probabilité de tout événement associé.

💡 À retenir

L’univers Ω d’un dé à 6 faces est constitué des 6 résultats possibles, et la probabilité d’un événement est le rapport du nombre de cas favorables à 6, avec des propriétés fondamentales assurant la cohérence de la mesure probabiliste.

📖 10. Règles de calcul en probabilité

🔑 Notions clés & Définitions

• P(A ∪ B) = P(A) + P(B) - P(A ∩ B) : règle fondamentale pour calculer la probabilité de l’union de deux événements, en évitant de compter deux fois la partie commune.
• Utilisation des probabilités conditionnelles : dans les calculs, la probabilité conditionnelle P_A(B) = P(A ∩ B) / P(A) permet d’évaluer la probabilité de B sachant que A est réalisé.
• Somme des probabilités des événements disjoints : si deux événements sont incompatibles (disjoints), la probabilité de leur union est la somme de leurs probabilités : P(A ∪ B) = P(A) + P(B).
• Calcul de probabilité totale par partition de l'univers : si l’univers Ω est partitionné en événements disjoints A1, A2, ..., An, alors pour un événement B, P(B) = Σ P(B ∩ Ai) = Σ P(B | Ai) × P(Ai), selon PERROUX (date).

📝 Points essentiels

• La formule P(A ∪ B) = P(A) + P(B) - P(A ∩ B) est essentielle pour éviter le double comptage lors du calcul de la probabilité de l’union de deux événements. Elle s’applique aussi lorsque les événements ne sont pas disjoints, en intégrant la probabilité de leur intersection.
• Les probabilités conditionnelles sont utilisées pour mettre à jour ou calculer la probabilité d’un événement en tenant compte d’une information préalable, ce qui est crucial dans les calculs complexes ou en chaîne.
• La somme des probabilités des événements disjoints est directe, car leur union ne double pas le comptage, ce qui simplifie les calculs dans les cas de partition ou de décomposition de l’univers.
• La probabilité totale permet de calculer la probabilité d’un événement en décomposant l’univers en sous-ensembles, en utilisant la formule :
  $P(B) = \sum_{i=1}^n P(B | A_i) \times P(A_i)$ où les A_i forment une partition de Ω.

💡 À retenir

Les règles de calcul en probabilité, notamment la formule de l’union, la probabilité conditionnelle, la somme d’événements disjoints, et la probabilité totale, constituent les outils fondamentaux pour décomposer et résoudre efficacement tout problème probabiliste.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre la probabilité conditionnelle $P_A(B)$ avec la probabilité simple $P(B)$.
2. Omettre de soustraire $P(C \cap F)$ dans la formule de l’union, menant à une surestimation.
3. Confondre la définition de l’indépendance avec la simple absence apparente d’effet, sans vérifier $P(E \cap P) = P(E) \times P(P)$.
4. Utiliser la formule de la probabilité d’un événement comme somme des probabilités des issues sans vérifier qu’elles sont disjointes.
5. Confondre variance et écart-type, ou ne pas prendre la racine carrée pour obtenir l’écart-type.
6. Omettre que la somme des probabilités des événements élémentaires doit être égale à 1.
7. Confondre la formule de Bayes avec la formule de la probabilité conditionnelle directe, sans inversion.

✅ Checklist Examen

• Connaître la définition de la probabilité conditionnelle $P_A(B)$ et sa formule.
• Maîtriser la formule de Bayes pour inverser des probabilités conditionnelles.
• Savoir vérifier l’indépendance de deux événements en utilisant $P(E \cap P) = P(E) \times P(P)$.
• Savoir calculer $P(C \cup F)$ en utilisant la formule $P(C) + P(F) - P(C \cap F)$.
• Comprendre la différence entre intersection et union, et leur rôle dans le calcul de probabilités.
• Savoir que la probabilité d’un événement dans un univers équiprobable se calcule par le ratio cas favorables / cas possibles.
• Connaître la propriété que la somme des probabilités de tous les événements élémentaires vaut 1.
• Maîtriser la définition et le calcul de l’espérance $E(X)$, la variance $V(X)$, et l’écart-type $\sigma(X)$ d’une variable aléatoire.
• Être capable de représenter graphiquement un arbre de probabilités pour visualiser dépendances.
• Savoir que la formule de l’union peut s’étendre à plus de deux événements, mais que la formule donnée est pour deux.
• Vérifier la cohérence des calculs en utilisant les propriétés fondamentales de la probabilité.
• Connaître la différence entre variables discrètes et continues, et leur traitement en termes d’espérance et variance.