Fiche de révision : Probabilités conditionnelles et arbres pondérés

📋 Plan du Cours

1. Probabilités conditionnelles
2. Formule de probabilité conditionnelle
3. Exemples de calculs conditionnels
4. Arbres pondérés
5. Partition d’univers et arbres
6. Formule des probabilités totales
7. Indépendance de deux événements

📖 1. Probabilités conditionnelles

🔑 Notions clés & Définitions

Probabilité conditionnelle : La probabilité que l’événement B se réalise sachant que A est réalisé, notée p_A(B), avec p(A) ≠ 0. Elle exprime une mise à jour de la probabilité en tenant compte d’une information préalable.

Événement A : Un sous-ensemble de l’univers Ω, représentant un résultat ou un ensemble de résultats possibles. Par exemple, "l’élève est une fille".

Événement B : Un autre sous-ensemble de Ω, représentant un résultat ou un ensemble de résultats possibles. Par exemple, "l’élève est interne".

Univers Ω : L’ensemble de tous les résultats possibles d’une expérience ou d’un contexte donné. Par exemple, l’ensemble de tous les élèves d’une classe.

Notation p_A(B) : La probabilité conditionnelle de B sachant A, définie comme la probabilité que B se réalise sous la condition que A est réalisé.

📝 Points essentiels

La probabilité conditionnelle p_A(B) est la probabilité que B se réalise sachant que A est réalisé, avec p(A) ≠ 0. La formule fondamentale relie cette probabilité à l’intersection de A et B :
$p(A \cap B) = p(A) \times p_A(B)$
D’où, la formule pour calculer p_A(B) :
$p_A(B) = \frac{p(A \cap B)}{p(A)}$
Elle permet de mettre à jour la probabilité de B en tenant compte de l’information que A est vrai.

Exemples concrets :

• Dans une classe, la probabilité qu’un élève soit interne sachant que c’est un garçon : p_G(I) = 5/18.
• La probabilité qu’un élève soit une fille sachant qu’il est interne : p_I(F) = 2/7.
• La probabilité qu’un élève soit interne sachant qu’il est une fille : p_F(I) = 5/12.

Dans un autre exemple, la probabilité de tirer un objet familial sachant que c’est un clavier : p_C(F) = 0,9, en utilisant la formule :
$p_C(F) = \frac{p(C \cap F)}{p(C)}$

💡 À retenir

La probabilité conditionnelle permet de mettre à jour la probabilité d’un événement en fonction d’une information préalable, en considérant la réalisation d’un autre événement. Elle est essentielle pour analyser des situations où l’information influence la probabilité de certains résultats.

📖 2. Formule de probabilité conditionnelle

🔑 Notions clés & Définitions

Formule de probabilité conditionnelle : La probabilité qu’un événement B se produise sachant que l’événement A est réalisé, notée p_A(B), se calcule par la formule suivante :
$p_A(B) = \frac{p(A \cap B)}{p(A)}$
(aucune référence spécifique dans le contenu source, mais cette formule est implicite dans l’explication donnée).

Intersection d'événements : La probabilité que deux événements A et B se produisent simultanément, notée p(A ∩ B). Selon le contenu, cette probabilité peut se calculer par :
$p(A \cap B) = p(A) \times p_A(B)$
ce qui montre que l’intersection peut être obtenue en multipliant la probabilité de A par la probabilité conditionnelle de B sachant A.

Proportion de proportions : La méthode de calcul qui consiste à déterminer la probabilité d’un sous-ensemble en multipliant la proportion d’un premier ensemble par la proportion de ce sous-ensemble dans cet ensemble. Par exemple, si 30 % des objets sont de type S, et parmi eux 40 % sont de type G, alors la proportion de G parmi tous les objets est :
$0,3 \times 0,4 = 0,12$
(ou 12 %).

📝 Points essentiels

La probabilité d’intersection p(A ∩ B) peut se calculer par :
$p(A \cap B) = p(A) \times p_A(B)$
c’est-à-dire en multipliant la probabilité de A par la probabilité conditionnelle de B sachant A.

La probabilité conditionnelle peut être interprétée comme une proportion dans un sous-ensemble. Par exemple, si l’on sait que l’objet est une souris (S), la proportion qu’elle soit gamer (G) est p_S(G). Dans ce contexte, « 40 % des souris sont des souris gamer » signifie que, parmi toutes les souris, 40 % sont gamer, soit p_S(G).

Il faut faire attention à la distinction entre p_S(G) (probabilité conditionnelle) et p(S ∩ G) (intersection) :

• p_S(G) correspond à la proportion de G parmi S,
• p(S ∩ G) correspond à la probabilité que l’objet soit à la fois S et G, calculée par p(S) × p_S(G).

💡 À retenir

Maîtriser la formule de probabilité conditionnelle permet de relier événements conjoints et conditionnels, en utilisant la proportion d’un sous-ensemble pour calculer la probabilité d’un événement dans ce contexte.

📖 3. Exemples de calculs conditionnels

🔑 Notions clés & Définitions

Exemple de calcul conditionnel : Il s’agit de déterminer la probabilité qu’un événement B se produise sachant qu’un autre événement A est déjà réalisé. La formule fondamentale est :
$p_A(B) = \frac{p(A \cap B)}{p(A)}$
où $p_A(B)$ est la probabilité conditionnelle de B sachant A, $p(A \cap B)$ la probabilité que A et B se produisent simultanément, et $p(A)$ la probabilité de A.

Événements I, G, F : Ces événements sont généralement utilisés pour représenter des situations concrètes dans des exemples, comme des groupes ou des catégories spécifiques. Leur signification précise dépend du contexte, mais ils servent à illustrer l’application des probabilités conditionnelles.

Calculs de probabilités conditionnelles dans un contexte réel : Il s’agit d’utiliser des données concrètes, souvent sous forme d’effectifs ou de proportions, pour déterminer $p_G(I)$, $p_I(F)$, ou $p_F(I)$. Ces calculs se font en utilisant la formule de la probabilité conditionnelle, en se basant sur les effectifs ou proportions donnés.

📝 Points essentiels

• Calculs explicites dans des exemples concrets :

  • Exemple 1 : Élèves internes : On peut calculer la probabilité qu’un élève soit dans une certaine catégorie (par exemple, interne ou externe) en utilisant les effectifs. Par exemple, si on connaît le nombre d’élèves internes et le nombre total, on peut déterminer $p_G(I)$ en divisant le nombre d’élèves internes par le total.
  • Exemple 2 : Souris gamer : Si l’on connaît le nombre de souris de différents types ou caractéristiques, on peut calculer la probabilité conditionnelle qu’une souris soit de type G sachant qu’elle possède une certaine caractéristique I, en utilisant la formule $p_G(I) = \frac{p(I \cap G)}{p(G)}$.

• Utilisation des données pour déterminer $p_G(I)$, $p_I(F)$, $p_F(I)$ :

  • Ces probabilités se calculent à partir des effectifs ou proportions dans le tableau. Par exemple, pour $p_G(I)$, on divise le nombre de cas où G et I se produisent par le total de G.
  • La même logique s’applique pour $p_I(F)$ ou $p_F(I)$, en utilisant les effectifs correspondants.

• Illustration de la formule $p(A \cap B) = p(A) \times p_A(B)$ :

  • Cette propriété montre que la probabilité que A et B se produisent simultanément peut être calculée en multipliant la probabilité de A par la probabilité conditionnelle de B sachant A.
  • Par exemple, si on connaît $p(A)$ et $p_A(B)$, on peut facilement obtenir $p(A \cap B)$.
  • Cas pratique : si la probabilité qu’un élève soit adulte est $p(I)$ et la probabilité qu’un élève pratique le basket sachant qu’il est adulte est $p_I(F)$, alors la probabilité qu’un élève soit adulte et pratique le basket est $p(I \cap F) = p(I) \times p_I(F)$.

💡 À retenir

Savoir appliquer les formules de probabilités conditionnelles à des situations concrètes permet de résoudre efficacement des problèmes en utilisant des données réelles ou simulées.

📖 4. Arbres pondérés

🔑 Notions clés & Définitions

Arbre pondéré : Un arbre pondéré est une représentation graphique où chaque branche est associée à une probabilité. Il permet de visualiser les probabilités conditionnelles et totales en suivant les chemins de la racine aux feuilles. (Source : exemple d’application dans le lycée Turgot)

Branches d'un arbre : Ce sont les segments reliant un nœud à ses successeurs. Chaque branche représente une transition entre deux événements ou états successifs. Dans un arbre pondéré, chaque branche est associée à une probabilité. (Source : exemple de répartition filles/garçons)

Probabilités sur les branches : Ce sont les valeurs numériques attribuées à chaque branche, indiquant la probabilité que l’événement correspondant se produise, conditionnellement au nœud d’origine. Ces probabilités sont généralement comprises entre 0 et 1. (Source : exemple de répartition des élèves)

Multiplication des probabilités sur un chemin : La probabilité d’un événement composé correspondant à un chemin précis dans l’arbre s’obtient en multipliant les probabilités de toutes les branches qui composent ce chemin. (Source : principe illustré par l’exemple des élèves souhaitant faire PACES)

📝 Points essentiels

Les probabilités des événements composés s'obtiennent en multipliant les probabilités sur les branches menant à l'événement. Par exemple, pour connaître la probabilité qu’un élève soit une fille et souhaite faire PACES, on multiplie la probabilité qu’il soit une fille par la probabilité qu’une fille souhaite faire PACES, en suivant le chemin correspondant dans l’arbre.

Un arbre pondéré représente visuellement les probabilités conditionnelles et totales. Il montre comment se décomposent ces probabilités en étapes successives, facilitant leur calcul et leur compréhension.

La somme des probabilités partant d’un même nœud est égale à 1. Cela signifie que toutes les branches issues d’un même nœud couvrent l’ensemble des possibilités conditionnelles à ce nœud, ce qui garantit la cohérence des probabilités dans l’arbre.

Exemple d’application : représenter la répartition filles/garçons et la volonté de faire PACES dans un arbre pondéré, puis calculer la probabilité qu’un élève choisi au hasard souhaite faire PACES ou qu’il ne le souhaite pas, en multipliant les probabilités le long des chemins correspondants.

💡 À retenir

Les arbres pondérés permettent de visualiser et de calculer facilement les probabilités conditionnelles et totales en suivant les chemins, en multipliant simplement les probabilités sur chaque branche.

📖 5. Partition d’univers et arbres

🔑 Notions clés & Définitions

Partition de l’univers : Ensemble d’événements A_1, A_2, ..., A_n, avec n ≥ 2, tels que

• ils sont disjoints deux à deux : pour tout i ≠ j, A_i ∩ A_j = ∅ ;
• leur union couvre tout l’univers Ω : A_1 ∪ A_2 ∪ ... ∪ A_n = Ω.
  Auteur : Définition.

Système complet d’événements : Autre nom pour une partition de l’univers, où la réunion des événements couvre Ω et ils sont disjoints.

Événements disjoints : Deux événements A et B sont disjoints si A ∩ B = ∅, c’est-à-dire qu’ils ne peuvent pas se produire simultanément.

Union des événements : L’opération qui consiste à regrouper plusieurs événements, par exemple A ∪ B, représentant la survenue de l’un ou l’autre.

Partition par un événement et son contraire : Un événement A et son complément A̅ forment une partition de Ω, car A ∩ A̅ = ∅ et A ∪ A̅ = Ω.

📝 Points essentiels

Une partition est un ensemble d’événements disjoints dont la réunion couvre tout l’univers Ω.
Un événement A et son complément A̅ forment une partition de Ω, car ils sont disjoints (A ∩ A̅ = ∅) et leur union est Ω (A ∪ A̅ = Ω).
Les branches d’un arbre pondéré partant d’un même nœud forment une partition de l’univers, à condition que tous les événements reliés à ce nœud soient disjoints et que leur somme de probabilités soit égale à 1.
La somme des probabilités des événements d’une partition est toujours égale à 1, garantissant une couverture complète de l’univers.

💡 À retenir

Comprendre la structure des partitions permet d’organiser les événements de façon cohérente et de construire des arbres pondérés dont la somme des probabilités à chaque nœud est égale à 1.

📖 6. Formule des probabilités totales

🔑 Notions clés & Définitions

Formule des probabilités totales : C’est une méthode permettant d’exprimer la probabilité d’un événement B en fonction de partitions de l’univers. Elle consiste à décomposer p(B) en somme de probabilités conditionnelles pondérées par la probabilité des événements de partition.
Elle se présente dans deux cas : le cas particulier avec deux événements A et A̅, et le cas général avec plusieurs événements A₁, A₂, ..., Aₙ.

• Événements disjoints : voir section 5

📝 Points essentiels

La formule des probabilités totales s’appuie sur la décomposition de l’événement B en intersections avec une partition de l’univers.

• La probabilité d’un événement B peut s’écrire comme la somme des probabilités des intersections avec une partition :
  p(B) = Σ p(A_i) × p_Ai(B).
• Cas particulier avec un événement A et son complément A̅ :
  p(B) = p(A) × p_A(B) + p(A̅) × p_A̅(B).
• Sur un arbre pondéré, cette formule se visualise en additionnant les probabilités des chemins menant à B, où chaque chemin correspond à une intersection avec un événement de la partition.
• Exemple avec plusieurs partitions A₁, A₂, A₃ et événements B_i :
  p(B_4) = p(A_1) × p_A1(B_4) + p(A_2) × p_A2(B_4) + p(A_3) × p_A3(B_4).
  En chiffres : 0,1 × 0,3 + 0,4 × 0,25 + 0,5 × 0,15 = 0,205.

💡 À retenir

La formule des probabilités totales permet de décomposer une probabilité complexe en une somme de probabilités conditionnelles pondérées, en utilisant une partition de l’univers. Elle se visualise aisément sur un arbre pondéré en additionnant les probabilités des chemins menant à l’événement considéré.

📖 7. Indépendance de deux événements

🔑 Notions clés & Définitions

Indépendance d'événements : Deux événements A et B sont indépendants si la réalisation de l’un n’influence pas la probabilité de l’autre, c’est-à-dire si p(B) = p_A(B), où p_A(B) est la probabilité de B sachant A.

• Auteur : voir section 5 Propriété : Cette indépendance implique que p(A ∩ B) = p(A) × p(B).

Condition d'indépendance : La condition d’indépendance se vérifie par la formule p(A ∩ B) = p(A) × p(B).

Indépendance symétrique : Si A et B sont indépendants, alors B et A le sont aussi, ce qui revient à p_A(B) = p(B) et p_B(A) = p(A).

📝 Points essentiels

Deux événements A et B sont indépendants si et seulement si leur probabilité conjointe est le produit de leurs probabilités individuelles :

• p(A ∩ B) = p(A) × p(B).
• Cette propriété découle directement de la propriété p(A ∩ B) = p(A) × p_A(B), en posant que p_A(B) = p(B).

Si A et B sont indépendants, alors A et B̅ (l’événement complémentaire de B), A̅ et B, ainsi que A̅ et B̅ le sont aussi.

• Par exemple, si p(B) = p_A(B), alors p(B̅) = p_A(B̅), p(A̅ ∩ B) = p(A̅) × p(B), etc.

Succession d’épreuves indépendantes : Lorsqu’on réalise deux expériences successives dont les événements sont indépendants, la réalisation de l’une n’affecte pas la probabilité de l’autre.

• Exemple : tirages avec remise, où chaque tirage revient à la situation initiale.

Représentation par tableau à double entrée : La succession de deux épreuves indépendantes peut être modélisée par un tableau où la première ligne (ou colonne) représente les résultats de la première épreuve, la première colonne (ou ligne) ceux de la seconde, et chaque case contient la probabilité du résultat conjoint, calculée par le produit des probabilités individuelles.

💡 À retenir

L’indépendance entre deux événements se traduit par l’absence d’influence mutuelle, permettant de calculer facilement leur probabilité conjointe par le produit de leurs probabilités individuelles.

📅 Repères chronologiques

(aucun date ou événement daté explicitement mentionné dans le contenu fourni)

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre p_A(B) (probabilité conditionnelle) et p(A ∩ B) (intersection). La première est une proportion dans un sous-ensemble, la seconde une probabilité conjointe.
2. Oublier que p(A) doit être différent de zéro pour appliquer la formule de probabilité conditionnelle.
3. Confusion entre la probabilité conditionnelle et la proportion dans un sous-ensemble (ex: p_S(G) vs p(S ∩ G)).
4. Mal interpréter l’intersection : souvent vue comme la multiplication de deux probabilités, mais nécessite que l’un soit conditionnel.
5. Négliger l’importance de l’ordre dans les arbres pondérés : chaque branche doit respecter la dépendance entre événements.
6. Confusion entre événements indépendants et dépendants : deux événements sont indépendants si p_A(B) = p(B), sinon dépendants.
7. Mauvaise lecture des données effectives ou proportionnelles pour calculer les probabilités conditionnelles.

✅ Checklist Examen

1. Connaître la définition de probabilité conditionnelle selon Perroux.
2. Savoir écrire et utiliser la formule $p_A(B) = \frac{p(A \cap B)}{p(A)}$.
3. Comprendre la relation entre intersection et probabilité conditionnelle : $p(A \cap B) = p(A) \times p_A(B)$.
4. Être capable d’interpréter une probabilité conditionnelle comme une proportion dans un sous-ensemble.
5. Maîtriser le calcul de probabilités conditionnelles à partir d’effectifs ou proportions donnés.
6. Savoir construire et interpréter un arbre pondéré pour représenter des événements successifs.
7. Identifier si deux événements sont indépendants en vérifiant si $p_A(B) = p(B)$.
8. Connaître la formule des probabilités totales si nécessaire.
9. Être capable d’appliquer la formule à des exemples concrets (ex: élèves, souris, objets).
10. Maîtriser les pièges fréquents liés à la confusion entre intersection et probabilité conditionnelle.
11. Savoir distinguer événement simple, composé, indépendant, dépendant.
12. Connaître les auteurs ou références clés mentionnés : Perroux (pour la définition).