Revision sheet: Probabilités Conditionnelles Essentielles

1. 📌 L'essentiel

• La probabilité conditionnelle $P(B/A)$ mesure la probabilité de B sachant A.
• P(B/A) = \fracP(B \cap A)}{P(A)} avec $P(A) \neq 0$.
• La relation entre intersection et probabilité conditionnelle : P(B \cap A) = P(B/A) \times P(A) $.
• La différence entre $P(B/A)$ et $P(A/B)$ est cruciale.
• La formule de Bayes permet de réévaluer des probabilités à partir de nouvelles informations.
• Exemple : tirage d’une boule rouge dans un sac, calcul de $P(G/R)$.
• La probabilité conditionnelle est essentielle en statistique, modélisation et décision.
• La connaissance d’un événement modifie la probabilité d’un autre.
• La formule s’applique dans des contextes variés : diagnostic, tirages, échantillonnage.
• La compréhension des relations entre probabilités conditionnelles et intersections est clé.

2. 🧩 Structures & Composants clés

• Événement A — événement connu ou préalable.
• Événement B — événement dont on calcule la probabilité conditionnelle.
• $P(A)$ — probabilité de l’événement A.
• $P(B/A)$ — probabilité de B sachant A.
• $P(B \cap A)$ — intersection des événements A et B.
• Formule de Bayes — $P(A/B) = \frac{P(B/A) \times P(A)}{P(B)}$.
• Tableau de contingence — représentation des probabilités jointes.

3. 🔬 Fonctions, Mécanismes & Relations

• La probabilité conditionnelle modifie la probabilité initiale en intégrant une nouvelle information.
• La formule :
  • $P(B/A) = \frac{P(B \cap A)}{P(A)}$
  • nécessite $P(A) \neq 0$.
• Relation entre intersection et conditionnelle :
  • $P(B \cap A) = P(B/A) \times P(A)$.
• La loi de Bayes :
  • $P(A/B) = \frac{P(B/A) \times P(A)}{P(B)}$.
• Flux logique :
  • Connaissance de A → mise à jour de la probabilité de B.
• Relations cause-effet : la connaissance de A influence B.

4. Tableau de synthèse

5. 🗂️ Diagramme Hiérarchique (ASCII)

Probabilités conditionnelles
 ├─ Définition
 │   └─ $ P(B/A) = \frac{P(B \cap A)}{P(A)} $
 ├─ Relations
 │   └─ $ P(B \cap A) = P(B/A) \times P(A) $
 ├─ Loi de Bayes
 │   └─ $ P(A/B) = \frac{P(B/A) \times P(A)}{P(B)} $
 └─ Exemple
     └─ Tirage boule, calcul de $ P(G/R) $

6. ⚠️ Pièges & Confusions fréquentes

• Confondre $P(B/A)$ et $P(A/B)$.
• Omettre que $P(A) \neq 0$ est indispensable.
• Confusion entre probabilité conditionnelle et probabilité jointe.
• Négliger que $P(B/A)$ dépend du contexte.
• Croire que $P(B/A) = P(B)$ si A et B sont indépendants (vérification nécessaire).
• Confondre la formule de Bayes avec la formule de la probabilité totale.
• Oublier que la probabilité conditionnelle modifie la distribution.
• Confusion entre événements dépendants et indépendants.

7. ✅ Checklist Examen Final

• Définir la probabilité conditionnelle.
• Écrire la formule $P(B/A)$.
• Expliquer la relation entre intersection et conditionnelle.
• Savoir utiliser la formule de Bayes.
• Résoudre un exemple numérique de calcul de $P(G/R)$.
• Comprendre la différence entre $P(B/A)$ et $P(A/B)$.
• Identifier si deux événements sont indépendants.
• Utiliser un tableau de contingence pour représenter les données.
• Appliquer la formule dans un contexte de tirage ou de diagnostic.
• Être capable d’interpréter la signification d’une probabilité conditionnelle.
• Maîtriser le flux logique : connaissance de A → mise à jour de B.
• Reconnaître les pièges courants liés aux dépendances.
• Savoir utiliser la loi de Bayes pour réévaluer des probabilités.
• Comprendre l’impact de la connaissance préalable sur la probabilité.
• Être capable d’expliquer la différence entre probabilité conditionnelle et jointe.