Hoja de repaso: Probabilités conditionnelles et suites géométriques

1. 📌 L'essentiel

• La probabilité conditionnelle : $P(A|B) = \frac{P(A \cap B)}{P(B)}$ (si $P(B) > 0$).
• La règle de multiplication : $P(A \cap B) = P(A) \times P(B|A)$.
• La loi de Bayes : $P(A|B) = \frac{P(B|A) P(A)}{P(B)}$.
• La suite géométrique modélise le nombre d’essais jusqu’à la première réussite.
• Terme général : $P(X=k) = p (1-p)^{k-1}$ pour $k \geq 1$.
• Espérance : $E(X) = \frac{1}{p}$.
• Vari : $Var(X) = \frac{1-p}{p^2}$.
• La variable géométrique est à mémoire nulle, essais indépendants.
• La somme des probabilités $\sum_{k=1}^\infty P(X=k) = 1$.
• La loi géométrique modélise le nombre d’échecs avant la première réussite.

2. 🧩 Structures & Composants clés

• Probabilité conditionnelle — mesure la probabilité d’un événement en tenant compte d’un contexte.
• Règle de multiplication — calcule la probabilité conjointe de deux événements.
• Loi de Bayes — met à jour la probabilité d’un événement à partir d’une nouvelle information.
• Suite géométrique — variable discrète, modélise essais jusqu’à la première réussite.
• Terme général — formule de la probabilité pour un nombre d’échecs donné.
• Espérance — moyenne théorique du nombre d’essais.
• Variance — dispersion autour de la moyenne.
• Mémoire nulle — la probabilité de succès ne dépend pas des essais précédents.
• Indépendance des essais — chaque essai est indépendant.
• Application — fiabilité, modélisation de processus aléatoires.

3. 🔬 Fonctions, Mécanismes & Relations

• La probabilité conditionnelle permet de réduire l’espace d’échantillonnage.
• La règle de multiplication décompose une probabilité conjointe en probabilités conditionnelles.
• La loi de Bayes inverse la condition : calcule $P(A|B)$ à partir de $P(B|A)$.
• La suite géométrique :
  • Modélise le nombre d’échecs avant la première réussite.
  • La variable est discrète, à support $\{1, 2, 3, \dots\}$.
  • La mémoire nulle implique que chaque essai est identique et indépendant.
• La formule du terme général :
  • $P(X=k) = p (1-p)^{k-1}$.
• L’espérance :
  • $E(X) = \frac{1}{p}$.
  • Signifie en moyenne combien d’essais sont nécessaires.
• La variance :
  • $Var(X) = \frac{1-p}{p^2}$.
  • Mesure la dispersion autour de la moyenne.
• La somme des probabilités est égale à 1, garantissant une loi de probabilité valide.

4. Tableau comparatif

5. 🗂️ Diagramme Hiérarchique (ASCII)

Probabilités
 ├─ Conditionnelle : P(A|B)
 ├─ Règle de multiplication
 └─ Loi de Bayes

Suites géométriques
 ├─ Définition : nombre d’essais jusqu’à la réussite
 ├─ Formule P(X=k)
 ├─ Espérance E(X)
 └─ Variance Var(X)

6. ⚠️ Pièges & Confusions fréquentes

• Confondre la probabilité conditionnelle et la probabilité inconditionnelle.
• Oublier que la suite géométrique commence à $k=1$.
• Confondre la formule de l’espérance avec celle de la variance.
• Croire que la mémoire nulle implique dépendance entre essais.
• Mauvaise utilisation de la formule de Bayes sans vérifier les conditions.
• Confondre la loi géométrique avec la loi binomiale.
• Négliger que la somme des probabilités doit être égale à 1.
• Confusion entre la variable de nombre d’échecs et de tentatives.

7. ✅ Checklist Examen Final

• Définir la probabilité conditionnelle et sa formule.
• Expliquer la règle de multiplication.
• Énoncer la loi de Bayes et ses conditions.
• Décrire la suite géométrique et sa formule.
• Calculer l’espérance et la variance d’une variable géométrique.
• Expliquer le concept de mémoire nulle.
• Résoudre un problème avec la loi géométrique.
• Identifier si un problème modélise un processus géométrique.
• Vérifier que la somme des probabilités est 1.
• Appliquer la loi de Bayes dans un contexte pratique.
• Connaître la différence entre suite géométrique et binomiale.
• Comprendre l’indépendance des essais dans la suite géométrique.