Fiche de révision : Introduction aux variables et lois de probabilité

📋 Plan du Cours

1. Variable aléatoire réelle
2. Variables discrètes et continues
3. Distribution de probabilité
4. Calcul de probabilité
5. Espérance, variance, écart type
6. Lois binomiale et Bernoulli
7. Lois normales et transformation Z

📖 1. Variable aléatoire réelle

🔑 Notions clés & Définitions

Variable aléatoire réelle : Variable aléatoire qui peut prendre différentes valeurs numériques appartenant à l'ensemble des nombres réels, en fonction du résultat d'une expérience aléatoire.

Variable aléatoire : Caractéristique pouvant prendre plusieurs valeurs ou modalités, dont la valeur dépend du hasard ou de la probabilité associée à une expérience.

Événement élémentaire : Résultat possible d'une expérience aléatoire, auquel une variable aléatoire associe une valeur.

Fonction associant un nombre à un événement : Fonction qui, pour chaque issue d'une expérience aléatoire, attribue un nombre réel, constituant une variable aléatoire réelle.

📝 Points essentiels

Une variable aléatoire réelle prend des valeurs numériques réelles selon un résultat aléatoire. Elle associe à chaque issue d'une expérience un nombre réel, ce qui permet de modéliser des phénomènes incertains numériques. Par exemple, la taille en centimètres d'une personne rencontrée dans la rue est une variable aléatoire réelle, car elle dépend du hasard et de la personne rencontrée. La variable est considérée comme une fonction qui, à chaque événement élémentaire, associe une valeur numérique précise. Elle peut être discrète, avec un nombre fini ou dénombrable de valeurs, ou continue, avec un nombre potentiellement infini et non dénombrable de valeurs.

💡 À retenir

La variable aléatoire réelle est une fonction numérique dépendant du hasard, permettant de représenter et d'analyser des phénomènes incertains à valeurs numériques.

📖 2. Variables discrètes et continues

🔑 Notions clés & Définitions

Variable aléatoire discrète : variable qui ne peut prendre qu’un nombre fini ou dénombrable de valeurs distinctes, comme par exemple le nombre de succès dans une série d’essais.
Variable aléatoire continue : variable qui peut prendre un nombre infini non dénombrable de valeurs dans un intervalle, par exemple une mesure ou une durée.
Valeurs dénombrables : ensemble de valeurs pouvant être mises en correspondance avec l’ensemble des entiers naturels, caractéristique des variables discrètes.
Valeurs non dénombrables : ensemble de valeurs infinies sans correspondance avec l’ensemble des entiers naturels, caractéristique des variables continues.

📝 Points essentiels

Les variables discrètes prennent un nombre fini ou dénombrable de valeurs distinctes, ce qui permet de leur associer une probabilité pour chacune de ces valeurs. En revanche, les variables continues prennent un nombre infini non dénombrable de valeurs dans un intervalle donné, rendant impossible l’attribution d’une probabilité à une seule valeur précise. Le type de variable détermine la méthode de distribution de probabilité utilisée : pour les variables discrètes, on utilise des lois de probabilité discrètes, tandis que pour les variables continues, on utilise des lois de probabilité continues.

💡 À retenir

La distinction entre variables discrètes et continues repose sur la nature de leurs valeurs possibles, ce qui influence directement la façon dont leur distribution de probabilité est modélisée.

📖 3. Distribution de probabilité

🔑 Notions clés & Définitions

Distribution de probabilité : Fonction qui associe à chaque valeur possible d'une variable aléatoire une probabilité comprise entre 0 et 1, permettant de représenter l'ensemble des résultats possibles.

Loi de probabilité : Règle ou modèle mathématique qui attribue des probabilités à chaque issue d'une expérience aléatoire, de façon cohérente.

Fonction de probabilité : Fonction spécifique qui, pour une variable aléatoire, indique la probabilité que cette variable prenne une valeur précise ou se trouve dans un certain intervalle.

Somme des probabilités égale à 1 : Principe fondamental selon lequel la somme ou l'intégrale des probabilités sur toutes les valeurs possibles d'une variable doit être exactement 1, garantissant la complétude du modèle probabiliste.

📝 Points essentiels

La distribution de probabilité associe à chaque valeur possible une probabilité entre 0 et 1, ce qui permet de quantifier la chance que la variable prenne cette valeur. La somme des probabilités de toutes les issues possibles doit toujours être égale à 1, assurant que l'ensemble des résultats est exhaustif et cohérent. Elle permet de décrire complètement le comportement probabiliste d'une variable aléatoire, en fournissant une vision globale de ses résultats possibles et de leur probabilité respective.

💡 À retenir

Maîtriser la distribution de probabilité, c’est comprendre comment quantifier et représenter toutes les valeurs possibles d’une variable aléatoire avec leurs chances respectives, en respectant la règle fondamentale que la somme des probabilités doit être égale à 1.

📖 4. Calcul de probabilité

🔑 Notions clés & Définitions

Calcul de probabilité : mesure numérique qui exprime la chance qu’un événement d’intérêt se produise, en rapportant le nombre d’issues favorables au nombre total d’issues possibles.
Événement d’intérêt : résultat ou ensemble de résultats que l’on souhaite analyser ou prévoir.
Nombre d’issues favorables : nombre de résultats dans l’espace probabiliste qui correspondent à l’événement d’intérêt.
Nombre total d’issues : total des résultats possibles dans l’espace probabiliste, généralement dénombrable.
Notation P : symbole utilisé pour représenter la probabilité d’un événement.

📝 Points essentiels

La probabilité d’un événement se calcule en divisant le nombre d’issues favorables par le nombre total d’issues possibles. Elle est comprise entre 0, indiquant un événement impossible, et 1, indiquant un événement certain. Le calcul repose sur la dénombrabilité des issues dans l’espace probabiliste, permettant d’établir un rapport précis entre cas favorables et total.

💡 À retenir

Pour déterminer la probabilité d’un événement simple, il suffit de diviser le nombre d’issues favorables par le nombre total d’issues possibles, en tenant compte que cette probabilité est toujours comprise entre 0 et 1.

📖 5. Espérance, variance, écart type

🔑 Notions clés & Définitions

Espérance mathématique : grandeur qui représente la moyenne pondérée des valeurs possibles d'une variable aléatoire, chaque valeur étant multipliée par sa probabilité. Elle indique la tendance centrale de la distribution.

Variance : mesure la dispersion des valeurs possibles d'une variable aléatoire autour de son espérance. Elle quantifie à quel point les valeurs s'écartent en moyenne de cette moyenne.

Écart type : racine carrée de la variance, exprimant la dispersion dans les mêmes unités que la variable d'origine, facilitant l'interprétation de la dispersion.

Formule de l’espérance : somme des produits de chaque valeur possible par sa probabilité.
$E(X) = \sum_{i} x_i \times p_i$

Formule de la variance : somme des carrés des écarts à l’espérance, pondérée par les probabilités.
$\operatorname{Var}(X) = E[(X - E(X))^2] = \sum_{i} (x_i - E(X))^2 \times p_i$

📝 Points essentiels

L’espérance est la moyenne pondérée des valeurs possibles par leurs probabilités, permettant d’estimer la tendance centrale d’une variable aléatoire. La variance mesure la dispersion de ces valeurs autour de l’espérance, en calculant la moyenne des carrés des écarts. L’écart type, en étant la racine carrée de la variance, facilite la compréhension de cette dispersion dans l’unité d’origine de la variable.

💡 À retenir

L’espérance donne la valeur moyenne attendue d’une variable aléatoire, tandis que la variance et l’écart type quantifient la dispersion autour de cette moyenne, permettant d’évaluer la stabilité ou la variabilité d’un phénomène.

📖 6. Lois binomiale et Bernoulli

🔑 Notions clés & Définitions

Variable de Bernoulli : Variable aléatoire qui ne peut prendre que deux valeurs, 0 (échec) et 1 (succès).
Variable binomiale : Variable qui modélise le nombre de succès dans une série d’essais indépendants de Bernoulli, chacun ayant la même probabilité p de succès.
Paramètre n (nombre d’essais) : Nombre total d’expériences ou de répétitions indépendantes dans une loi binomiale.
Paramètre p (probabilité de succès) : Probabilité que chaque essai individuel se solde par un succès.
Succès et échec : Résultats possibles d’un essai, où succès correspond à la valeur 1 et échec à la valeur 0 dans une variable de Bernoulli.

📝 Points essentiels

La variable de Bernoulli ne peut prendre que deux valeurs, 0 ou 1, correspondant à échec ou succès. La loi binomiale modélise le nombre total de succès obtenus dans n essais indépendants de Bernoulli, chacun avec une probabilité p de succès. Son espérance est calculée par n multiplié par p, soit n*p. La loi binomiale peut être vue comme la somme de n variables de Bernoulli indépendantes, ce qui permet de décomposer le nombre total de succès en une accumulation de résultats binaires simples.

💡 À retenir

La loi binomiale résulte de la somme de variables de Bernoulli indépendantes, permettant de modéliser le nombre de succès dans une série d’expériences répétées à deux issues.

📖 7. Lois normales et transformation Z

🔑 Notions clés & Définitions

Loi normale : loi de probabilité continue qui possède une courbe symétrique autour de sa moyenne, avec une dispersion caractérisée par l’écart type.

Loi normale centrée réduite : loi normale dont la moyenne est nulle et l’écart type égal à 1, obtenue par transformation de toute loi normale.

Score Z : valeur numérique représentant le nombre d’écarts types qu’une observation se trouve au-dessus ou en dessous de la moyenne, dans une loi normale.

Transformation Z : opération qui standardise une variable normale en soustrayant sa moyenne et en divisant par son écart type, permettant de comparer différentes lois normales.

Table de probabilités de la loi normale : tableau donnant les probabilités cumulées pour des valeurs Z inférieures ou égales à un seuil donné dans la loi normale centrée réduite.

📝 Points essentiels

La loi normale est caractérisée par sa symétrie autour de la moyenne, avec une dispersion définie par l’écart type. La transformation Z standardise une variable normale en soustrayant la moyenne et en divisant par l’écart type, ce qui permet de comparer et d’utiliser une table unique. La table de la loi normale centrée réduite fournit les probabilités pour les valeurs Z inférieures à un seuil donné. Pour calculer des probabilités sur des intervalles, on soustrait les probabilités cumulées correspondantes. La transformation Z facilite le calcul et la comparaison des probabilités pour toute loi normale, indépendamment de ses paramètres.

💡 À retenir

La transformation Z permet de standardiser une variable normale pour exploiter facilement la table de la loi normale centrée réduite, simplifiant ainsi le calcul des probabilités et la comparaison entre différentes lois normales.

📅 Repères chronologiques

📊 Tableaux de Synthèse

| Distribution de probabilité | Fonction ou règle | Associe à chaque valeur une probabilité entre 0 et 1, somme = 1 | Représente le comportement probabiliste d’une variable | Loi binomiale, loi normale | | Calcul de probabilité | Méthode | Rapport du nombre d’issues favorables au total d’issues possibles | Probabilité entre 0 et 1, issues dénombrables ou non dénombrables selon la variable | P(event) = nombre d’issues favorables / total d’issues |

| Moment (espérance) | Quantité | Moyenne pondérée des valeurs possibles par leur probabilité | Donne la tendance centrale de la variable | Espérance d’un lancer de dé | | Variance / Écart type | Quantités | Dispersion autour de l’espérance ; racine carrée de la variance pour l’écart type | Mesure la variabilité des valeurs possibles | Variance d’un tirage au sort |

| Lois spécifiques | Types | Distributions particulières pour variables discrètes ou continues | Exemples : loi binomiale, loi Bernoulli, loi normale | Loi binomiale pour le nombre de succès dans essais Bernoulli |

⚠️ Pièges & Confusions Fréquentes

1. Confondre variable discrète et continue : une variable discrète ne peut prendre qu’un nombre dénombrable de valeurs, pas une infinité non dénombrable.
2. Oublier que la somme des probabilités doit être égale à 1 pour toute distribution.
3. Confondre espérance et moyenne empirique : l’espérance est théorique, calculée à partir des probabilités.
4. Négliger que la variance mesure la dispersion autour de l’espérance, pas simplement l’étendue des valeurs.
5. Confusion entre distribution de probabilité et fonction de densité ou de masse : la première donne une règle globale, les autres sont des représentations spécifiques.
6. Mal interpréter le résultat du calcul de probabilité comme une valeur absolue plutôt que comme une mesure relative.
7. Omettre que la loi normale est une loi continue et que ses probabilités sur des points précis sont nulles.

✅ Checklist Examen

• Connaître la définition d’une variable aléatoire réelle.
• Savoir différencier variable discrète et continue.
• Maîtriser la notion de distribution de probabilité et sa propriété fondamentale (somme = 1).
• Savoir calculer une probabilité simple en utilisant le rapport du nombre d’issues favorables sur le total.
• Connaître la formule de l’espérance : $E(X) = \sum x_i p_i$.
• Comprendre comment calculer la variance et l’écart type d’une variable aléatoire.
• Identifier une variable Bernoulli et connaître ses caractéristiques.
• Savoir ce qu’est une loi binomiale et ses paramètres.
• Connaître la loi normale et le rôle de la transformation Z.
• Être capable d’interpréter graphiquement ou mathématiquement une distribution.
• Vérifier que toutes les probabilités dans une distribution sont comprises entre 0 et 1.
• Savoir utiliser la règle fondamentale que la somme des probabilités doit être égale à 1.