Lernzettel: Introduction aux probabilités et indépendance

📋 Plan du Cours

1. Fréquences marginales
2. Fréquences conditionnelles
3. Probabilités conditionnelles
4. Arbres pondérés
5. Indépendance événements

📖 1. Fréquences marginales

🔑 Notions clés & Définitions

• Fréquence marginale p(A) : définition selon effectif total de A / effectif total global. Elle représente la proportion d’un événement A dans l’ensemble des données, sans condition sur un autre événement.
• Calcul de la fréquence marginale : consiste à diviser l’effectif de A par l’effectif total, permettant d’obtenir une estimation de la probabilité empirique de A dans la population.
• Utilisation des fréquences marginales : pour décrire la proportion d’un événement dans l’ensemble des données, en se concentrant uniquement sur A, indépendamment d’autres événements.

📝 Points essentiels

• La fréquence marginale p(A) est une mesure empirique de la proportion d’un événement A dans un ensemble de données, calculée par le rapport de l’effectif de A sur l’effectif total global.
• Elle ne nécessite pas de condition ou d’événement supplémentaire pour son calcul, ce qui la distingue des fréquences conditionnelles.
• La fréquence marginale permet de résumer rapidement la fréquence d’un événement dans la population, facilitant la compréhension des phénomènes aléatoires.
• Elle est fondamentale pour l’analyse descriptive et sert de base pour d’autres notions comme la probabilité empirique (voir section 3).

💡 À retenir

Les fréquences marginales donnent la proportion brute d’un événement dans un ensemble de données, en étant calculées sans référence à d’autres événements, et sont essentielles pour décrire la distribution d’un phénomène.

📖 2. Fréquences conditionnelles

🔑 Notions clés & Définitions

• Fréquence conditionnelle pB(A) : rapport de l'effectif de A et B sur l'effectif marginal de B, c’est-à-dire la proportion de A parmi les cas où B est réalisé.
  $pB(A) = \frac{\text{effectif de A et B}}{\text{effectif marginal de B}}$
  Elle permet d’évaluer la probabilité de A sachant B.

• Calcul des fréquences conditionnelles : consiste à diviser l’effectif de l’événement conjoint A et B par l’effectif de B seul (effectif marginal de B).
  Elle s’interprète comme la proportion d’un événement (A) parmi un sous-ensemble défini par un autre événement (B).

• Interprétation des fréquences conditionnelles : comme la proportion d’un événement A parmi les cas où un autre événement B est réalisé, ce qui permet d’analyser la dépendance ou l’influence entre événements.

📝 Points essentiels

• La fréquence conditionnelle $pB(A)$ est définie comme le rapport de l’effectif de A et B sur l’effectif marginal de B, ce qui permet d’évaluer la probabilité de A dans le contexte où B est vrai.
• Elle se calcule en utilisant la formule :
  $pB(A) = \frac{\text{effectif de A et B}}{\text{effectif marginal de B}}$
• Elle est différente de la probabilité conditionnelle $pA(B)$ (voir section 3), qui est la probabilité de B sachant A.
• La fréquence conditionnelle peut être interprétée comme la proportion d’un événement A parmi un sous-ensemble défini par un autre événement B, ce qui facilite l’analyse de dépendance ou d’effet conditionnel.
• En utilisant des arbres pondérés, la loi des probabilités totales s’écrit :
  $p(B) = p(A \cap B) + p(\bar{A} \cap B)$, illustrant la décomposition en sous-événements.

💡 À retenir

La fréquence conditionnelle $pB(A)$ exprime la proportion d’un événement A parmi ceux où B est réalisé, permettant d’étudier la dépendance entre événements dans un contexte donné.

📖 3. Probabilités conditionnelles

🔑 Notions clés & Définitions

• Probabilité conditionnelle : AUTEUR (date) : la probabilité qu’un événement A se produise sachant que B est réalisé, notée pA(B), est définie par la formule pA(B) = p(A ∩ B) / p(A), où p(A ∩ B) est la probabilité de l’intersection des deux événements et p(A) la probabilité de A (voir section 3).
• Formule de la probabilité conditionnelle : Elle relie l’intersection et la probabilité de l’événement conditionnant, exprimée par pA(B) = p(A ∩ B) / p(A).
• Différence entre fréquence conditionnelle et probabilité conditionnelle : La fréquence conditionnelle est une estimation empirique basée sur des données observées, tandis que la probabilité conditionnelle est une mesure théorique ou calculée, utilisant la formule mentionnée ci-dessus (voir section 3).

📝 Points essentiels

• La probabilité conditionnelle pA(B) permet d’évaluer la chance que B se produise lorsque A est réalisé, en utilisant la formule pA(B) = p(A ∩ B) / p(A).
• La formule relie l’intersection de deux événements à la probabilité de l’événement conditionnant, ce qui facilite le calcul de probabilités dans des situations où l’on connaît la condition.
• La distinction entre fréquence conditionnelle et probabilité conditionnelle est fondamentale : la première est une estimation empirique issue des données, la seconde une mesure théorique ou calculée selon la formule.
• La probabilité conditionnelle est essentielle pour analyser des phénomènes aléatoires où la réalisation d’un événement influence la probabilité d’un autre (voir section 3).

💡 À retenir

La probabilité conditionnelle, définie par pA(B) = p(A ∩ B) / p(A), permet d’évaluer la probabilité d’un événement en tenant compte d’une condition préalable, en reliant intersection et probabilité de l’événement conditionnant.

📖 4. Arbres pondérés

🔑 Notions clés & Définitions

• Arbres pondérés : Représentations graphiques utilisant des branches avec des poids (probabilités) pour illustrer les événements et leurs probabilités associées, permettant de visualiser la loi des probabilités totales et les événements composés.
• Formule de la loi des probabilités totales : p(B) = p(A ∩ B) + p(Ā ∩ B), illustrant que la probabilité d’un événement B peut être décomposée en la somme des probabilités de B sous deux scénarios complémentaires.
• Utilisation des arbres pondérés : Technique permettant de représenter graphiquement les événements et leurs probabilités, facilitant le calcul des probabilités d’événements composés et leur visualisation.

📝 Points essentiels

• Les arbres pondérés offrent une représentation claire et structurée des phénomènes aléatoires, en affichant les probabilités associées à chaque branche.
• La formule p(B) = p(A ∩ B) + p(Ā ∩ B) est fondamentale pour appliquer la loi des probabilités totales, permettant de décomposer la probabilité d’un événement B en deux cas complémentaires.
• La représentation graphique via un arbre pondéré facilite la compréhension des événements conditionnels et des événements composés, en visualisant la progression des probabilités à chaque étape.
• Ces outils sont essentiels pour analyser des phénomènes complexes où plusieurs événements sont en jeu, notamment dans le contexte des probabilités conditionnelles et de l’indépendance (voir section 5).

💡 À retenir

Les arbres pondérés sont des outils graphiques essentiels pour représenter et calculer les probabilités d’événements composés, en utilisant la formule de la loi des probabilités totales pour décomposer la probabilité d’un événement en sous-événements complémentaires.

📖 5. Indépendance événements

🔑 Notions clés & Définitions

• Indépendance entre deux événements : Deux événements A et B sont indépendants si la probabilité conditionnelle de l’un par rapport à l’autre est égale à sa probabilité marginale, c’est-à-dire pA(B) = p(B) ou pB(A) = p(A) (voir section 2 pour la définition de fréquences conditionnelles).
• Condition d'indépendance : La condition formelle d’indépendance s’écrit p(A ∩ B) = p(A) × p(B), ce qui signifie que la probabilité de leur intersection est le produit de leurs probabilités individuelles.
• Interprétation de l’indépendance : L’indépendance est interprétée comme l’absence d’influence ou de relation entre deux événements, c’est-à-dire que la réalisation de l’un n’affecte pas la probabilité de réalisation de l’autre (voir section 4 pour la représentation graphique via arbres pondérés).

📝 Points essentiels

• La définition de l’indépendance repose sur la relation pA(B) = p(B) ou pB(A) = p(A), ce qui indique que la connaissance de l’un des événements ne modifie pas la probabilité de l’autre.
• La condition p(A ∩ B) = p(A) × p(B) est une formulation mathématique précise de cette indépendance, essentielle pour identifier si deux événements sont indépendants.
• L’indépendance implique que la probabilité de l’intersection est le produit des probabilités individuelles, ce qui est une propriété fondamentale en probabilité.
• La notion d’indépendance est centrale pour simplifier le calcul des probabilités d’événements composés, notamment dans le cadre des arbres pondérés et des phénomènes aléatoires.

💡 À retenir

L’indépendance entre deux événements se caractérise par l’absence d’influence mutuelle, ce qui se traduit par la relation p(A ∩ B) = p(A) × p(B) ou par la condition que leurs probabilités conditionnelles soient égales à leurs probabilités marginales.

📊 Tableaux de Synthèse

Concept	Définition / Formule	Auteur / Référence	Commentaire
Fréquence marginale p(A)	Effectif de A / Effectif total	—	Mesure empirique de la proportion d’un événement
Fréquence conditionnelle pB(A)	Effectif de A et B / Effectif marginal de B	—	Proportion de A parmi B
Probabilité conditionnelle pA(B)	p(A ∩ B) / p(A)	(Auteur : Laplace, 18e siècle)	Probabilité de B sachant A
Loi des probabilités totales	p(B) = p(A ∩ B) + p(Ā ∩ B)	—	Décomposition de la probabilité d’un événement B
Indépendance	p(A ∩ B) = p(A) × p(B)	(Auteur : Kolmogorov, 20e siècle)	Absence d’influence entre A et B

⚠️ Pièges & Confusions Fréquentes

1. Confondre fréquence marginale et fréquence conditionnelle : la première ne dépend pas d’un autre événement, la seconde oui.
2. Confondre probabilité conditionnelle pA(B) et pB(A) : leur ordre indique la condition, pas la même chose.
3. Utiliser la formule de la probabilité conditionnelle sans vérifier que p(A) ≠ 0.
4. Supposer que deux événements sont indépendants si p(A ∩ B) ≠ p(A) × p(B) sans vérifier la formule.
5. Confondre la représentation graphique d’un arbre pondéré avec une simple diagramme.
6. Omettre de vérifier si p(B) > 0 avant de calculer pA(B).
7. Confondre la notion d’indépendance avec celle de non-correlation (notamment en statistiques).

✅ Checklist Examen

1. Connaître la définition de la fréquence marginale p(A) selon Effectif de A / Effectif total.
2. Savoir calculer une fréquence marginale à partir d’un tableau de données.
3. Maîtriser la formule de la fréquence conditionnelle pB(A) = Effectif de A et B / Effectif marginal de B.
4. Comprendre la différence entre fréquence conditionnelle et probabilité conditionnelle, avec la formule pA(B) = p(A ∩ B) / p(A).
5. Savoir représenter un problème à l’aide d’un arbre pondéré et appliquer la loi des probabilités totales.
6. Connaître la formule de la loi des probabilités totales : p(B) = p(A ∩ B) + p(Ā ∩ B).
7. Maîtriser la définition d’indépendance : p(A ∩ B) = p(A) × p(B).
8. Savoir utiliser la formule de la probabilité conditionnelle pour calculer la probabilité d’un événement sous condition.
9. Être capable d’identifier si deux événements sont indépendants ou dépendants à partir de leurs probabilités.
10. Connaître la référence de Kolmogorov pour la définition formelle de l’indépendance.
11. Savoir distinguer une fréquence empirique d’une probabilité théorique.
12. Vérifier que p(A) > 0 avant de calculer pA(B).