Lernzettel: Principes fondamentaux des probabilités conditionnelles

📋 Plan du Cours

1. Probabilités conditionnelles
2. Formule des probabilités totales
3. Indépendance événements
4. Probabilités en arbres pondérés
5. Calcul de probabilités conjointes
6. Notations pA(B) et p(B|A)
7. Exemple alarme et danger
8. Partition d’événements
9. Indépendance expériences
10. Modélisation par arbre

📖 1. Probabilités conditionnelles

🔑 Notions clés & Définitions

• Probabilité conditionnelle (pA(B)) : AUTEUR (date) : La probabilité que l’événement B se réalise sachant que A est réalisé, définie par la formule pA(B) = p(A∩B) / p(A), pour p(A) ≠ 0.
• Interprétation de pA(B) : La probabilité de B dans le contexte où A est déjà réalisé. Par exemple, dans une répartition yeux et cheveux, la probabilité qu’une personne ait les cheveux blonds sachant qu’elle a les yeux bleus correspond à pA(B).
• Relation p(A∩B) : La probabilité conjointe de A et B, liée à la probabilité conditionnelle par p(A∩B) = p(A) × pA(B).
• Remarque sur la non-symétrie : En général, pA(B) ≠ pB(A), sauf dans le cas où A et B sont indépendants.
• Relation symétrique : La probabilité conjointe peut aussi s’écrire comme p(A∩B) = p(B) × pB(A), illustrant la symétrie de l’intersection.

📝 Points essentiels

• La probabilité conditionnelle pA(B) permet de mettre à jour la probabilité de B en tenant compte de l’information que A est réalisé.
• La formule pA(B) = p(A∩B) / p(A) est valable uniquement si p(A) ≠ 0.
• La relation p(A∩B) = p(A) × pA(B) relie la probabilité conjointe à la probabilité conditionnelle, soulignant leur lien fondamental.
• La non-symétrie de pA(B) et pB(A) indique que la connaissance de B sachant A n’est pas forcément équivalente à la connaissance de A sachant B.
• La relation p(A∩B) = p(B) × pB(A) montre que la probabilité conjointe peut aussi s’écrire en fonction de la probabilité de B et de la probabilité de A sachant B.

💡 À retenir

La probabilité conditionnelle permet d’évaluer la probabilité d’un événement en tenant compte d’une information préalable, en utilisant la formule pA(B) = p(A∩B) / p(A), et n’est pas symétrique en général.

📖 2. Formule des probabilités totales

🔑 Notions clés & Définitions

• Partition d’événements : Ensemble d’événements $A_1, A_2, ..., A_n$ tels que deux à deux disjoints ($A_i \cap A_j = \emptyset$ pour $i \neq j$) et dont la réunion couvre tout l’univers $\Omega$ ($\bigcup_{i=1}^n A_i = \Omega$). Selon PERROUX (date), ces événements forment une partition de $\Omega$.

• Formule des probabilités totales : Si $A_1, A_2, ..., A_n$ forment une partition de $\Omega$, alors pour tout événement $B$,

  $p(B) = \sum_{i=1}^n p(A_i) \times p_{A_i}(B)$

  où $p_{A_i}(B)$ est la probabilité de $B$ conditionnellement à $A_i$ (voir section 1). Selon PERROUX (date), cette formule permet de décomposer la probabilité d’un événement en fonction d’une partition.

• Lien avec la partition d’événements : La formule s’appuie sur la décomposition de l’univers en événements disjoints dont la réunion est $\Omega$, permettant de calculer $p(B)$ en sommant les contributions conditionnelles pondérées par $p(A_i)$.

• Utilisation dans le calcul de $p(A)$ : Dans l’exemple de l’alarme, la formule est utilisée pour calculer la probabilité qu’un événement complexe (par exemple, absence de danger) se réalise, en décomposant selon la partition créée par l’état de danger ou non (voir exemple dans le contenu source).

📖 3. Indépendance événements

🔑 Notions clés & Définitions

• Indépendance entre deux événements : Deux événements A et B sont dits indépendants si et seulement si p(A∩B) = p(A) × p(B). (source : chapitre 5)
• Indépendance étendue aux complémentaires : Si A et B sont indépendants, alors leurs complémentaires Ā et B sont également indépendants, c’est-à-dire p(Ā∩B) = p(Ā) × p(B).
• Lien avec la probabilité conditionnelle : Si A et B sont indépendants, alors pA(B) = p(B), ce qui signifie que la réalisation de A n’influence pas la probabilité de B (voir section 1 pour la définition de pA(B)).
• Remarque : La réalisation ou non de l’un des événements n’influence pas la réalisation de l’autre si et seulement si ils sont indépendants.
• Propriété : Si A et B sont indépendants et p(A) ≠ 0, alors pA(B) = p(B).

📝 Points essentiels

• La définition d’indépendance repose sur la relation p(A∩B) = p(A)×p(B). Elle indique que la survenue de l’un n’a pas d’effet sur la probabilité de l’autre.
• La propriété d’indépendance s’étend aux complémentaires : si A et B sont indépendants, alors Ā et B le sont aussi, car p(Ā∩B) = p(Ā)×p(B).
• La relation entre indépendance et probabilité conditionnelle est fondamentale : si A et B sont indépendants, alors pA(B) = p(B). Cela signifie que connaître A ne modifie pas la probabilité de B.
• La modélisation par un arbre pondéré peut illustrer l’indépendance : si deux expériences sont indépendantes, la probabilité conjointe est le produit des probabilités individuelles.

💡 À retenir

L’indépendance entre deux événements signifie que la réalisation de l’un n’influence pas la probabilité de l’autre, ce qui se traduit par p(A∩B) = p(A)×p(B) et pA(B) = p(B).

📖 4. Probabilités en arbres pondérés

🔑 Notions clés & Définitions

• Arbres pondérés : Représentations graphiques où chaque branche est associée à une probabilité, permettant de modéliser des événements successifs ou conditionnels. (voir section 10)

• Règles relatives aux arbres pondérés : La somme des probabilités des branches issues d’un même nœud doit être égale à 1, garantissant la cohérence probabiliste de la modélisation. (voir section 10)

• Calcul de probabilités totales via arbres : La probabilité d’un événement peut être déterminée en sommant les produits des probabilités le long des branches menant à cet événement, en utilisant la formule des probabilités totales. (voir section 10)

• Exemple d’arbre pondéré dans l’exemple alarme : Illustration concrète où l’arbre modélise le système d’alarme, avec branches représentant les états de danger et d’alarme, et probabilités associées à chaque branche. (voir section 10)

📝 Points essentiels

• Les arbres pondérés permettent de représenter visuellement la succession d’événements avec leurs probabilités conditionnelles, facilitant le calcul de probabilités complexes. (voir section 10)

• La règle fondamentale est que la somme des probabilités des branches partant d’un même nœud doit être égale à 1, assurant la validité de la modélisation. (voir section 10)

• Le calcul des probabilités totales s’effectue en utilisant la formule :
  $p(B) = \sum_{i} p(A_i) \times p_{A_i}(B)$ où $A_i$ forment une partition de l’espace échantillon. (voir section 10)

• L’utilisation d’un arbre pondéré dans l’exemple de l’alarme illustre comment combiner probabilités conditionnelles et événements successifs pour répondre à des questions d’incertitude. (voir section 10)

💡 À retenir

Les arbres pondérés sont un outil graphique essentiel pour modéliser et calculer efficacement des probabilités conditionnelles et totales dans des processus successifs, en respectant la règle de somme à 1 pour chaque nœud.

📖 5. Calcul de probabilités conjointes

🔑 Notions clés & Définitions

• Probabilité conjointe p(A∩B) : La probabilité que deux événements A et B se réalisent simultanément. Elle est notée p(A∩B).
• Relation p(A∩B) = p(A)×pA(B) : La formule qui relie la probabilité conjointe à la probabilité de A et à la probabilité conditionnelle de B sachant A, où pA(B) est la probabilité de B sachant A.
• Symétrie p(A∩B) = p(B∩A) : La propriété qui indique que la probabilité conjointe est symétrique par rapport à A et B.
• Exemple numérique avec défauts indépendants : Si deux défauts E et F sont indépendants, alors p(E∩F) = p(E)×p(F).

📝 Points essentiels

• La probabilité conjointe p(A∩B) permet de mesurer la co-occurrence de deux événements.
• La formule p(A∩B) = p(A)×pA(B) est fondamentale pour calculer la probabilité conjointe à partir de la probabilité d’un événement et de la probabilité conditionnelle.
• La symétrie p(A∩B) = p(B∩A) découle de la commutativité de l’intersection.
• Lorsqu’on considère des événements indépendants, la relation simplifiée p(A∩B) = p(A)×p(B) s’applique, comme dans l’exemple des défauts indépendants.
• La relation p(A∩B) = p(B∩A) permet de souligner que la probabilité conjointe ne dépend pas de l’ordre des événements.

💡 À retenir

La probabilité conjointe p(A∩B) peut être calculée via la relation p(A)×pA(B) et est symétrique, ce qui facilite l’analyse de la co-occurrence d’événements, notamment dans le cas d’événements indépendants.

📖 6. Notations pA(B) et p(B|A)

🔑 Notions clés & Définitions

• Notations pA(B) et p(B|A) : Deux façons de noter la probabilité que l'événement B se réalise sachant que A est réalisé. pA(B) est la notation utilisée dans cette section, équivalente à p(B|A), qui est la notation plus courante en probabilité conditionnelle.

• Lecture et interprétation : La notation pA(B) se lit « la probabilité de B sachant A » et s’interprète comme la probabilité que B se produise dans le contexte où A est déjà réalisé. Elle se calcule par la formule pA(B) = p(A∩B) / p(A), avec p(A) ≠ 0.

• Différence entre pA(B) et pB(A) : En général, pA(B) ≠ pB(A). La probabilité de B sachant A n’est pas nécessairement égale à la probabilité de A sachant B, sauf dans le cas où A et B sont indépendants. La relation pA(B) = p(B|A) est spécifique à la condition où A est réalisé, tandis que pB(A) concerne la réalisation de B pour calculer la probabilité de A.

📝 Points essentiels

• La notation pA(B) est une version spécifique de la probabilité conditionnelle, utilisée pour insister sur l'événement conditionnant A. Elle est définie par :
  pA(B) = p(A∩B) / p(A), pour p(A) ≠ 0.

• La formule pA(B) = p(A∩B) / p(A) permet de calculer la probabilité de B dans le contexte où A est réalisé, ce qui est crucial pour l’analyse de situations conditionnelles.

• La différence entre pA(B) et pB(A) est fondamentale : en général, pA(B) ≠ pB(A). Par exemple, dans l’introduction, pA(B) = 3/10 alors que pB(A) = 3/6 = 1/2, illustrant que la connaissance de A ne donne pas la même information sur B que l’inverse.

• La propriété pA(B) ≠ pB(A) est illustrée par l’exemple d’un système d’alarme, où la probabilité que l’alarme se déclenche sachant qu’il y a danger (pD(A)) diffère de la probabilité qu’il y ait danger sachant que l’alarme s’est déclenchée (pA(̄D)).

💡 À retenir

La probabilité conditionnelle pA(B) indique la chance que B se réalise dans le contexte où A est déjà réalisé, mais elle n’est pas symétrique avec pB(A).

📖 7. Exemple alarme et danger

🔑 Notions clés & Définitions

• Probabilité de danger (p(D)) : La probabilité qu’un événement de danger survienne, ici p(D)=0,001, selon l’exemple de l’alarme.
• Probabilité conditionnelle pD(A) : La probabilité que l’alarme se déclenche (A) sachant qu’il y a danger (D), soit pD(A)=0,99, selon l’exemple de l’alarme.
• Probabilité conditionnelle p̄D(A) : La probabilité que l’alarme se déclenche (A) sachant qu’il n’y a pas de danger (¬D), soit p̄D(A)=0,005, selon l’exemple de l’alarme.
• Question inverse (calcul de pA(̄D)) : La probabilité qu’il n’y ait pas de danger (¬D) sachant que l’alarme s’est déclenchée (A), que l’on calcule via la formule des probabilités totales et l’arbre pondéré.
• Formule des probabilités totales : Si A1, A2, ..., An forment une partition de l’univers Ω, alors pour tout événement B, p(B) = Σ p(Ai)×pAi(B). Elle permet de décomposer une probabilité en somme de probabilités conditionnelles pondérées par la probabilité des événements de partition (voir exemple avec l’alarme).

📝 Points essentiels

• La situation modélisée implique deux événements : « danger » (D) et « alarme déclenchée » (A). La probabilité de danger est p(D)=0,001, et la probabilité que l’alarme se déclenche est conditionnée par la dangerosité : pD(A)=0,99, tandis que la fausse alerte (absence de danger) donne p̄D(A)=0,005.
• La question consiste à déterminer pA(̄D), c’est-à-dire la probabilité qu’il n’y ait pas de danger sachant que l’alarme s’est déclenchée.
• La solution utilise un arbre pondéré pour représenter les différents cas : danger ou pas, alarme ou pas. La formule des probabilités totales s’applique : p(A) = p(D)×pD(A) + p(¬D)×p̄D(A).
• En appliquant la formule, on obtient :
  $pA(̄D) = \frac{p(̄D) \times p̄D(A)}{p(A)} \approx 0,83$
  ce qui signifie qu’en cas d’alarme déclenchée, il y a environ 83 % de chances qu’il n’y ait pas de danger.
• La méthode repose sur la modélisation par arbre pondéré, où chaque branche correspond à un événement avec sa probabilité, et la somme des branches issues d’un nœud est égale à 1.

💡 À retenir

La probabilité qu’il n’y ait pas de danger, étant donné que l’alarme s’est déclenchée, peut être calculée efficacement à l’aide de la formule des probabilités totales et d’un arbre pondéré, illustrant la puissance de ces outils pour la résolution de problèmes conditionnels complexes.

📖 8. Partition d’événements

🔑 Notions clés & Définitions

• Partition d’événements : Ensemble d’événements $A_1, A_2, ..., A_n$ tels que deux à deux disjoints (i.e., $A_i \cap A_j = \emptyset$ pour $i \neq j$) et dont la réunion couvre tout l’espace échantillon $\Omega$ (i.e., $\bigcup_{i=1}^n A_i = \Omega$). (source : concept général)

• Événements disjoints : Deux événements $A$ et $B$ sont disjoints si leur intersection est vide, c’est-à-dire $A \cap B = \emptyset$. Dans une partition, tous les événements sont disjoints.

• Lien avec la formule des probabilités totales : Si $(A_1, ..., A_n)$ est une partition de $\Omega$, alors pour tout événement $B$, on a :
  $p(B) = \sum_{i=1}^n p(A_i) \times p_{A_i}(B)$ où $p_{A_i}(B)$ est la probabilité de $B$ conditionnelle à $A_i$. (voir section 2)

• Exemple d’une partition : La partition $(A_1, A_2, ..., A_n)$ peut représenter, par exemple, différentes classes ou catégories exclusives couvrant tout l’espace, comme "personne ayant les yeux bleus", "personne ayant les yeux marron", etc.

• Importance dans le calcul des probabilités : La partition permet de décomposer la probabilité d’un événement en somme de probabilités conditionnelles pondérées par la probabilité de chaque événement de la partition, facilitant ainsi le calcul dans des situations complexes.

📝 Points essentiels

• La partition d’événements est un outil fondamental pour appliquer la formule des probabilités totales, en décomposant l’univers $\Omega$ en événements disjoints dont la réunion est $\Omega$.

• La disjonction (absence d’intersection) entre événements de la partition garantit que chaque élément de $\Omega$ appartient à un seul de ces événements, évitant ainsi le double comptage.

• La formule des probabilités totales s’appuie sur cette partition :
  $p(B) = \sum_{i=1}^n p(A_i) \times p_{A_i}(B)$ ce qui permet de calculer la probabilité d’un événement $B$ en fonction des événements de la partition et de leurs probabilités conditionnelles.

• La partition est essentielle pour modéliser des situations où l’espace est naturellement divisé en catégories exclusives, comme dans l’exemple de la répartition des caractéristiques d’un groupe.

💡 À retenir

Une partition d’événements est un ensemble d’événements disjoints couvrant tout l’espace, permettant de décomposer et de simplifier le calcul des probabilités via la formule des probabilités totales.

📖 9. Indépendance expériences

🔑 Notions clés & Définitions

• Indépendance entre expériences aléatoires : Deux expériences sont dites indépendantes si le résultat de l’une n’influence pas le résultat de l’autre. Selon AUTEUR (date), cela se traduit par :
  $p(\text{résultat de la 1ère expérience} \cap \text{résultat de la 2ème expérience}) = p(\text{résultat de la 1ère}) \times p(\text{résultat de la 2ème})$
• Lien avec le produit des probabilités : La modélisation d’expériences indépendantes repose sur la règle que la probabilité conjointe est le produit des probabilités individuelles, ce qui facilite le calcul de probabilités conjointes dans le cas d’expériences indépendantes.
• Exemple d’expériences successives indépendantes : Tirage d’une boule dans une urne puis lancer une pièce. La probabilité d’obtenir une boule blanche puis « face » est donnée par le produit des probabilités individuelles :
  $p(\text{Boule blanche puis face}) = p(\text{Boule blanche}) \times p(\text{Face}) = \frac{3}{4} \times \frac{1}{2} = \frac{3}{8}$
• Modélisation par arbre : Lorsqu’on modélise des expériences indépendantes par un arbre pondéré, la probabilité d’une liste de résultats est le produit des probabilités de chaque étape, ce qui reflète leur indépendance.

📝 Points essentiels

• Deux expériences aléatoires sont indépendantes si leur résultat n’a aucune influence l’un sur l’autre, ce qui se traduit par la formule :
  $p(\text{résultat conjoint}) = p(\text{résultat 1}) \times p(\text{résultat 2})$
• La propriété d’indépendance est étendue aux complémentaires : si A et B sont indépendants, alors $\bar{A}$ et B le sont aussi, ainsi que A et $\bar{B}$, et $\bar{A}$ et $\bar{B}$.
• La modélisation par un arbre pondéré permet de représenter facilement des expériences indépendantes, en utilisant le produit des probabilités pour calculer la probabilité d’un résultat combiné.
• Exemple illustratif : Tirage d’une boule blanche dans une urne (3 blanches, 1 rouge) puis lancer une pièce. La probabilité d’obtenir une boule blanche puis « face » est de $\frac{3}{4} \times \frac{1}{2} = \frac{3}{8}$.

💡 À retenir

Deux expériences aléatoires sont indépendantes lorsque le résultat de l’une n’influence pas celui de l’autre, ce qui permet de calculer leur probabilité conjointe par le produit de leurs probabilités individuelles.

📖 10. Modélisation par arbre

🔑 Notions clés & Définitions

• Modélisation par arbre pondéré : Représentation graphique d’une succession d’épreuves aléatoires où chaque branche correspond à un résultat possible, avec une probabilité associée, permettant de calculer la probabilité d’un résultat en multipliant les probabilités des branches (voir aussi "Calcul de probabilités conjointes" pour la relation p(A∩B) = p(A)×pA(B)).
• Calcul des probabilités par produit des branches : Méthode consistant à déterminer la probabilité d’un résultat en multipliant les probabilités successives le long du chemin dans l’arbre, illustrant la modélisation de successions d’épreuves indépendantes (voir aussi "Indépendance expériences").
• Utilisation des couleurs pour distinguer branches : Technique visuelle permettant de différencier facilement les différentes branches ou niveaux dans un arbre pondéré, facilitant la lecture et le calcul des probabilités.
• Exemple concret (tirage de boule puis lancer de pièce) : Illustration pratique où l’on modélise par un arbre la probabilité d’obtenir une boule blanche suivie d’un lancer de pièce « face », en multipliant les probabilités de chaque étape (exemple : 3/4 × 1/2 = 3/8).
• Succession d’épreuves indépendantes : Concept selon lequel le résultat d’une épreuve ne modifie pas la probabilité de l’épreuve suivante, modélisé par un arbre où chaque branche est indépendante, et la probabilité d’une liste de résultats est le produit des probabilités de chaque branche (voir aussi "Indépendance événements").

📝 Points essentiels

• La modélisation par arbre pondéré permet de représenter graphiquement une succession d’épreuves aléatoires, en associant à chaque branche une probabilité (voir "Règles relatives aux arbres pondérés").
• La règle fondamentale pour calculer la probabilité d’un résultat dans un arbre est de multiplier les probabilités des branches successives correspondant au chemin choisi (produit des branches).
• La technique d’utilisation des couleurs facilite la distinction entre branches et la lecture des résultats, notamment dans des arbres complexes.
• La modélisation par arbre est particulièrement adaptée pour représenter des expériences indépendantes, où la probabilité d’une suite de résultats est le produit des probabilités individuelles (voir "Indépendance expériences").
• Exemple concret : tirer une boule dans une urne (probabilité 3/4 pour une boule blanche) puis lancer une pièce (probabilité 1/2 pour « face ») donne une probabilité totale de 3/8, calculée par multiplication des probabilités (3/4 × 1/2).

💡 À retenir

La modélisation par arbre pondéré permet de représenter graphiquement et de calculer facilement la probabilité de successions d’épreuves indépendantes en multipliant les probabilités de chaque étape, avec l’aide de couleurs pour une meilleure lisibilité.

📊 Tableaux de Synthèse

Thème	Notions clés	Formules / Concepts	Auteur / Référence	Commentaire
Probabilités conditionnelles	Définition : pA(B) = p(A∩B)/p(A)	Relation p(A∩B) = p(A) × pA(B)	(Chapitre 1, date non précisée)	La non-symétrie : pA(B) ≠ pB(A) sauf indépendance
Formule des probabilités totales	Partition d’événements $A_i$	p(B) = Σ p(A_i) × p_{A_i}(B)	(PERROUX, date non précisée)	Décompose la probabilité en événements disjoints couvrant Ω
Indépendance événements	p(A∩B) = p(A)×p(B)	pA(B) = p(B)	(Chapitre 5, date non précisée)	Indépendance étendue aux complémentaires, influence nulle
Probabilités en arbres pondérés	Représentation graphique	Somme des produits le long des branches	(Section 10, date non précisée)	Facilite calculs complexes, règle somme des branches = 1
Probabilités conjointes	p(A∩B)	p(A∩B) = p(A)×pA(B)	(Section 5, date non précisée)	Symétrie : p(A∩B) = p(B∩A)

⚠️ Pièges & Confusions Fréquentes

1. Confondre pA(B) avec pB(A) : la probabilité conditionnelle n’est pas symétrique sauf indépendance.
2. Oublier que p(A∩B) ≠ p(B∩A) si mal calculé, ou confondre avec la multiplication directe sans vérifier l’indépendance.
3. Utiliser la formule des probabilités totales sans vérifier que la partition couvre tout l’univers Ω.
4. Confondre événements indépendants avec événements disjoints : deux événements disjoints ne peuvent pas être indépendants sauf si p(A)=0 ou p(B)=0.
5. Ignorer la règle de somme à 1 dans un arbre pondéré : la somme des probabilités des branches issues d’un même nœud doit être égale à 1.
6. Confondre la notion de probabilité conditionnelle avec la simple probabilité d’un événement.
7. Négliger que la formule pA(B) = p(A∩B)/p(A) ne s’applique que si p(A) ≠ 0.

✅ Checklist Examen

1. Connaître la définition de la probabilité conditionnelle pA(B) et sa formule pA(B) = p(A∩B)/p(A).
2. Savoir que p(A∩B) = p(A) × pA(B) et que cette relation relie la probabilité conjointe à la probabilité conditionnelle.
3. Maîtriser la formule des probabilités totales : si $A_i$ forment une partition de Ω, alors p(B) = Σ p(A_i) × p_{A_i}(B).
4. Comprendre la notion de partition d’événements, avec l’exemple de l’alarme et du danger.
5. Savoir que deux événements A et B sont indépendants si p(A∩B) = p(A) × p(B), et que cette indépendance implique pA(B) = p(B).
6. Être capable d’illustrer l’indépendance avec un arbre pondéré ou un tableau de probabilités.
7. Connaître la règle fondamentale des arbres pondérés : la somme des probabilités des branches issues d’un même nœud doit être 1.
8. Savoir calculer une probabilité conjointe à partir de deux événements indépendants : p(E∩F) = p(E)×p(F).
9. Maîtriser la différence entre événements disjoints et indépendants.
10. Être capable d’utiliser la formule de la probabilité totale pour décomposer une probabilité complexe.
11. Connaître la relation entre la probabilité conditionnelle et la connaissance préalable d’un événement.
12. Vérifier que la somme des probabilités sur un arbre pondéré est cohérente avec la règle de somme à 1.