Ficha de revisão: Introduction aux Épreuves et Probabilités Discrètes

📋 Plan du Cours

1. Succession d’épreuves indépendantes
2. Arbres pondérés et probabilités conditionnelles
3. Indépendance des épreuves
4. Loi de Bernoulli
5. Variables Bernoulli et espérance
6. Loi binomiale
7. Coefficients binomiaux

📖 1. Succession d’épreuves indépendantes

🔑 Notions clés & Définitions

• Succession d’épreuves quelconques : Ensemble d’épreuves successives qui peuvent dépendre ou non les unes des autres, représentée par un arbre pondéré avec des probabilités conditionnelles au second niveau.

• Arbre pondéré : Représentation graphique d’une succession d’épreuves où chaque branche est associée à une probabilité, permettant de visualiser et calculer les probabilités globales.

• Probabilités conditionnelles : Probabilités de certains événements étant donné que d’autres événements se sont produits, généralement notées P(A|B). Dans un arbre, elles apparaissent au second niveau pour représenter la dépendance entre épreuves.

• Indépendance des événements : Deux événements sont indépendants si la réalisation de l’un n’influence pas la probabilité de l’autre. Autrement dit, P(A ∩ B) = P(A) × P(B).

• Produit cartésien des univers : L’univers d’une expérience composée d’épreuves indépendantes est le produit cartésien des univers individuels de chaque épreuve, c’est-à-dire l’ensemble de toutes les combinaisons possibles de résultats.

• Épreuves indépendantes : Épreuves dont la réalisation ne dépend pas des résultats des autres, ce qui implique que leurs probabilités conjointes se calculent par le produit de leurs probabilités simples.

📝 Points essentiels

• Une succession d’épreuves quelconques peut être représentée par un arbre pondéré, avec des probabilités conditionnelles au second niveau, permettant de modéliser la dépendance ou l’indépendance entre épreuves.

• Pour des épreuves indépendantes, la probabilité conjointe de plusieurs événements est le produit de leurs probabilités individuelles : P(A ∩ B) = P(A) × P(B). De plus, dans ce cas, les probabilités conditionnelles sont égales aux probabilités simples, c’est-à-dire P(A|B) = P(A).

• L’univers d’une expérience composée d’épreuves indépendantes est le produit cartésien des univers de chaque épreuve, ce qui signifie que chaque résultat possible est une paire (ou un n-uplet) de résultats issus de chaque épreuve.

• Dans un schéma d’épreuves indépendantes, les branches du second niveau ne dépendent pas des résultats du premier niveau. Autrement dit, le résultat d’une épreuve n’influence pas la distribution des résultats de l’épreuve suivante.

💡 À retenir

La modélisation d’une succession d’épreuves indépendantes repose sur le produit cartésien des univers, et le calcul des probabilités conjointes se fait par le produit des probabilités individuelles, ce qui simplifie grandement l’évaluation des probabilités globales.

📖 2. Arbres pondérés et probabilités conditionnelles

🔑 Notions clés & Définitions

• Arbre pondéré : voir section 1

• Probabilités conditionnelles : voir section 1

Branches d’un arbre : Chemins reliant la racine aux feuilles, représentant une succession d’événements. Chaque branche est associée à une probabilité, permettant de calculer la probabilité d’un événement composé.

Événements conditionnels : Événements dont la probabilité dépend d’un autre événement déjà réalisé. Sur un arbre, ils sont représentés par les probabilités portées par les branches du second niveau.

Calcul des probabilités par arbre : Méthode consistant à multiplier les probabilités le long d’un chemin pour obtenir la probabilité d’un événement composé. La probabilité totale d’une issue est la somme des produits de probabilités sur tous les chemins menant à cette issue.

📝 Points essentiels

Les probabilités portées par les branches du second niveau d’un arbre pondéré sont des probabilités conditionnelles. Cela signifie que, pour une branche donnée, la probabilité de l’événement associé est calculée en tenant compte que l’événement précédent a déjà eu lieu. Un arbre pondéré permet ainsi de visualiser et de décomposer une situation probabiliste complexe en étapes successives, facilitant la compréhension et le calcul.

Pour obtenir la probabilité d’un événement composé, on multiplie les probabilités le long des branches qui mènent à cette issue. Par exemple, si l’on souhaite calculer la probabilité qu’un certain événement se produise après plusieurs étapes, on suit le chemin correspondant dans l’arbre et on multiplie les probabilités associées à chaque branche.

Les probabilités totales d’issues spécifiques sont obtenues en additionnant les produits des probabilités le long de tous les chemins menant à cette issue. Cela permet de déterminer la probabilité globale d’un résultat en intégrant toutes les configurations possibles.

💡 À retenir

Les arbres pondérés sont des outils visuels et calculatoires essentiels pour décomposer et analyser des situations probabilistes complexes, en utilisant les probabilités conditionnelles pour suivre étape par étape la réalisation d’événements successifs.

📖 3. Indépendance des épreuves

🔑 Notions clés & Définitions

• Indépendance des événements : voir section 1

Probabilité conditionnelle égale à la probabilité simple : La probabilité de B sachant A, notée P(B|A), est égale à la probabilité de B seule, P(B), lorsque A et B sont indépendants. Autrement dit, P(B|A) = P(B).

Produit des probabilités : La condition P(A ∩ B) = P(A) × P(B) est une autre formulation de l’indépendance. Elle indique que la probabilité que A et B se produisent simultanément est le produit de leurs probabilités respectives.

Épreuves indépendantes multiples : Lorsqu’une expérience comporte plusieurs épreuves, elles sont indépendantes si le résultat de l’une n’altère pas la probabilité des résultats des autres. La définition s’étend à plus de deux événements, où chaque événement doit être indépendant de tous les autres.

Définition équivalente d’indépendance : La notion d’indépendance peut être exprimée par plusieurs formules équivalentes, notamment P(B) = P(B|A) ou P(A ∩ B) = P(A) × P(B). Ces formulations sont valides pour deux événements, et leur extension permet de caractériser l’indépendance multiple.

📝 Points essentiels

Les événements A et B sont indépendants si et seulement si P(B) = P(B|A) ou P(A ∩ B) = P(A) × P(B). La première condition indique que la probabilité de B n’est pas modifiée par la connaissance de A, tandis que la seconde affirme que la probabilité conjointe de A et B est le produit de leurs probabilités individuelles.

Cette définition s’étend à plus de deux événements pour caractériser l’indépendance multiple. Dans une expérience composée d’épreuves indépendantes, le résultat d’une épreuve n’influence pas la probabilité des autres, ce qui permet de calculer des probabilités composées en utilisant simplement le produit des probabilités individuelles.

💡 À retenir

L’indépendance en probabilités repose sur la notion que le résultat d’une épreuve ou d’un événement n’affecte pas la probabilité des autres, et ses différentes formulations équivalentes facilitent l’analyse d’épreuves multiples.

📖 4. Loi de Bernoulli

🔑 Notions clés & Définitions

• Épreuve de Bernoulli : expérience aléatoire à deux issues, succès (S) avec probabilité p, et échec (S̅) avec probabilité q = 1 - p. (source)

• Paramètre p : probabilité que l’épreuve aboutisse à un succès. C’est une valeur comprise entre 0 et 1, propre à chaque expérience. (source)

• Succès et échec : deux issues possibles d’une épreuve de Bernoulli. Le succès est noté S, l’échec S̅. La probabilité de succès est p, celle d’échec est q = 1 - p. (source)

• Variable aléatoire de Bernoulli : variable qui vaut 1 en cas de succès et 0 en cas d’échec lors d’une épreuve de Bernoulli. Elle modélise ces deux issues binaires. (source)

• Loi de Bernoulli B(p) : loi de probabilité associée à la variable aléatoire de Bernoulli, notée X ~ B(p), qui modélise ces expériences binaires. (source)

📝 Points essentiels

• Une épreuve de Bernoulli est une expérience à deux issues : succès (S) avec probabilité p, et échec (S̅) avec probabilité q = 1 - p.

• La variable aléatoire associée, notée X, vaut 1 en cas de succès et 0 en cas d’échec.

• La loi de Bernoulli, notée X ~ B(p), modélise ces variables binaires, avec la probabilité que X prenne la valeur 1 égale p, et la probabilité qu’elle prenne 0 égale 1 - p.

💡 À retenir

Une épreuve de Bernoulli modélise simplement une expérience à deux issues avec une probabilité p de succès, la variable aléatoire associée étant binaire (1 pour succès, 0 pour échec), ce qui constitue la base des probabilités discrètes élémentaires.

📖 5. Variables Bernoulli et espérance

🔑 Notions clés & Définitions

Espérance d’une variable Bernoulli :
L’espérance d’une variable Bernoulli X, notée E(X), correspond à la moyenne attendue de ses valeurs. Selon AUTEUR (date), pour une variable Bernoulli de paramètre p, cette espérance est donnée par :
$E(X) = p$
Elle représente la probabilité de succès dans un seul essai.

Variance d’une variable Bernoulli :
La variance V(X) mesure la dispersion des valeurs autour de l’espérance. Pour une variable Bernoulli, elle est définie par :
$V(X) = p(1 - p)$
Elle indique la variabilité des résultats possibles.

Écart-type :
L’écart-type, noté σ(X), est la racine carrée de la variance :
$\sigma(X) = \sqrt{V(X)} = \sqrt{p(1 - p)}$
Il exprime la dispersion en même unité que la variable elle-même.

Formule de Koenig-Huygens :
Relie l’espérance et la variance :
$V(X) = E(X^2) - (E(X))^2$
Elle permet de calculer la variance à partir de l’espérance de la variable au carré.

Interprétation de la variance et de l’écart-type :
La variance ne s’interprète pas directement car elle n’a pas la même unité que l’espérance ou l’écart-type.
L’écart-type indique la dispersion des valeurs autour de la moyenne : plus il est grand, plus les résultats sont dispersés. Comparer les écarts-types entre différentes séries de données permet d’évaluer leur dispersion relative.

📝 Points essentiels

L’espérance d’une variable Bernoulli X, avec p la probabilité de succès, est :
$E(X) = p$
Elle représente la moyenne attendue du succès.

La variance de cette variable est :
$V(X) = p(1 - p)$
Elle quantifie la dispersion des résultats possibles autour de l’espérance.

L’écart-type, racine carrée de la variance, est :
$\sigma(X) = \sqrt{p(1 - p)}$
Il permet d’évaluer la dispersion en unités comparables à celles de X.

La formule de Koenig-Huygens relie ces notions :
$V(X) = E(X^2) - (E(X))^2$
Elle montre que la variance peut être calculée à partir de l’espérance de X au carré.

L’écart-type est utile pour comparer la dispersion de différentes séries de données, tandis que la variance, sans unité, est moins intuitive à interpréter.

💡 À retenir

L’espérance d’une variable Bernoulli est p, représentant la probabilité de succès, tandis que la variance p(1-p) et l’écart-type √(p(1-p)) mesurent la dispersion autour de cette moyenne. La formule de Koenig-Huygens relie ces mesures, permettant d’interpréter la variabilité des résultats.

📖 6. Loi binomiale

🔑 Notions clés & Définitions

Schéma de Bernoulli : La répétition de n épreuves indépendantes identiques de paramètre p, où chaque épreuve a deux résultats possibles : succès ou échec. Jacques Bernoulli (1654-1705) a introduit ce concept en probabilités.

Variable aléatoire binomiale : Une variable X qui compte le nombre de succès parmi ces n épreuves de Bernoulli. Elle suit la loi binomiale B(n,p).

Paramètres n et p :

• n : le nombre total d’épreuves ou de répétitions.
• p : la probabilité de succès lors d’une seule épreuve.

Formule de probabilité binomiale : La probabilité d’obtenir k succès en n essais est donnée par :
$P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$
où $\binom{n}{k}$ est le nombre de façons d’obtenir k succès parmi n épreuves.

Calcul des probabilités avec arbre : Pour un petit n, on peut représenter toutes les combinaisons possibles à l’aide d’un arbre de décisions, en comptant les chemins menant à k succès.

Utilisation de la calculatrice pour loi binomiale : La calculatrice permet de déterminer rapidement ces probabilités, notamment pour de grands n, en évitant le calcul manuel fastidieux.

📝 Points essentiels

Un schéma de Bernoulli consiste en la succession de n épreuves de Bernoulli identiques et indépendantes, avec un succès défini comme « obtenir 6 » dans l’exemple du dé. La variable X, comptant le nombre de succès, suit la loi binomiale B(n,p). Par exemple, pour 3 lancers de dé, la probabilité d’obtenir k succès (par exemple, obtenir 6 exactement k fois) est donnée par la formule binomiale.

Le nombre $\binom{n}{k}$ représente le nombre de façons d’obtenir k succès en n épreuves, c’est-à-dire le nombre de chemins dans l’arbre de décision.

Pour des grands n, le dénombrement manuel devient complexe, d’où l’usage d’outils comme la calculatrice ou le triangle de Pascal pour calculer rapidement ces probabilités.

💡 À retenir

La loi binomiale modélise le comptage de succès dans des répétitions d’épreuves de Bernoulli, permettant d’évaluer rapidement la probabilité d’obtenir un certain nombre de succès, surtout avec l’aide d’outils adaptés pour des grands n.

📖 7. Coefficients binomiaux

🔑 Notions clés & Définitions

Coefficient binomial (n k) : Nombre de façons d’obtenir k succès en n épreuves, comptant le nombre de combinaisons possibles pour choisir k éléments parmi n.
Il est noté (n k) et appartient à l’ensemble des entiers naturels, avec 0 ≤ k ≤ n.

Triangle de Pascal : Représentation triangulaire où chaque nombre est la somme des deux nombres situés au-dessus, permettant de calculer facilement les coefficients binomiaux.

Factorielle n! : Produit des entiers de 1 à n, avec la convention 0! = 1. Elle sert à exprimer algébriquement les coefficients binomiaux.

Formule algébrique des coefficients binomiaux : (n k) = n! / (k! (n-k)!), où n! désigne la factorielle de n.

Calculatrice nCr : Fonction intégrée dans les calculatrices modernes permettant de calculer rapidement les coefficients binomiaux.

📝 Points essentiels

Le coefficient binomial (n k) représente le nombre de façons d’obtenir k succès en n épreuves. Il peut être déterminé de deux manières :

• Par le triangle de Pascal, en repérant la valeur située à la ligne n et à la colonne k. Par exemple, pour n=4, (4 2) = 6.
• Par la formule algébrique (n k) = n! / (k! (n-k)!), en calculant la factorielle de n, k et n-k, puis en effectuant la division. La factorielle n! est le produit des entiers de 1 à n, avec 0! = 1 par convention.

Les calculatrices modernes disposent de la fonction nCr, qui permet de calculer ces coefficients rapidement et sans erreur de calcul manuel.

💡 À retenir

Les coefficients binomiaux se calculent facilement via le triangle de Pascal ou par la formule algébrique, et ils sont essentiels pour déterminer le nombre de combinaisons possibles dans une situation donnée, notamment dans l’application de la loi binomiale.

📅 Repères chronologiques

(aucune date présente dans le contenu fourni, cette section est omise)

📊 Tableaux de Synthèse

Concept	Définition / Caractéristiques	Auteur / Source
Succession d’épreuves	Ensemble d’épreuves successives, dépendantes ou indépendantes, représentée par un arbre pondéré avec probabilités conditionnelles	-
Arbre pondéré	Représentation graphique avec branches associées à des probabilités, permettant de visualiser la succession d’événements	-
Probabilités conditionnelles	Probabilités de certains événements étant donné que d’autres se sont produits, notées P(A	B)
Indépendance des événements	Deux événements sont indépendants si P(A ∩ B) = P(A) × P(B), ou P(B	A) = P(B)
Loi de Bernoulli	Loi associée à une expérience à deux issues (succès ou échec), avec succès probabilité p	-
Variable Bernoulli	Variable aléatoire valant 1 en cas de succès, 0 en cas d’échec	-
Coefficients binomiaux	Coefficients notés C(n, k), représentant le nombre de combinaisons possibles pour k succès en n essais	-

⚠️ Pièges & Confusions Fréquentes

1. Confondre la dépendance et l’indépendance : une succession d’épreuves peut sembler dépendante alors qu’elle est indépendante si les probabilités conditionnelles sont égales aux probabilités simples.
2. Mauvaise utilisation des probabilités conditionnelles : oublier que P(A|B) ≠ P(A) sauf si A et B sont indépendants.
3. Confusion entre la loi de Bernoulli et la loi binomiale : la première concerne une seule épreuve, la seconde une série d’épreuves.
4. Erreur dans le calcul des probabilités conjointes : oublier que pour des épreuves indépendantes, P(A ∩ B) = P(A) × P(B).
5. Mauvaise interprétation du rôle des coefficients binomiaux : ne pas les utiliser pour calculer le nombre de façons de réussir k fois en n essais.
6. Confusion entre arbres pondérés et autres représentations graphiques : ne pas oublier que l’arbre permet de visualiser les probabilités conditionnelles.
7. Omettre que la variable Bernoulli ne peut prendre que deux valeurs : 0 ou 1.

✅ Checklist Examen

• Connaître la définition de succession d’épreuves indépendantes et leur représentation par un arbre pondéré.
• Maîtriser la notion de probabilités conditionnelles et leur calcul dans un arbre pondéré.
• Savoir définir et reconnaître l’indépendance entre deux événements, avec les formules P(A ∩ B) = P(A) × P(B) et P(B|A) = P(B).
• Savoir modéliser une expérience de Bernoulli avec la variable aléatoire correspondante.
• Connaître la loi de Bernoulli B(p), ses paramètres et ses caractéristiques.
• Comprendre le concept de coefficient binomial et son rôle dans le calcul des probabilités binomiales.
• Savoir utiliser un arbre pondéré pour décomposer une probabilité complexe en étapes successives.
• Être capable de calculer la probabilité totale en sommant les produits de probabilités sur différents chemins dans un arbre.
• Maîtriser la différence entre épreuve unique (Bernoulli) et série d’épreuves (binomiale).
• Connaître l’univers produit pour des épreuves indépendantes et son importance dans le calcul des probabilités.
• Comprendre que pour des épreuves indépendantes, les résultats n’influencent pas les probabilités futures.
• Vérifier que toutes les formules sont appliquées dans le contexte correct (indépendance, conditions, etc.).