Scheda di revisione: Modèles Discrets en Probabilités

📋 Plan du Cours

1. Loi uniforme discrète
2. Loi de Bernoulli
3. Loi géométrique
4. Loi binomiale
5. Loi de Poisson

📖 1. Loi uniforme discrète

🔑 Notions clés & Définitions

• Loi uniforme discrète : Modélise une situation d’équiprobabilité où chaque individu d’un ensemble fini d’entiers a la même probabilité d’être choisi.

• Valeurs prises par la variable : Les entiers compris entre deux bornes a et b, inclus.

• Notation : Si X suit cette loi, on note X ∼ U [a ; b].

• Probabilité associée : Pour tout entier k entre a et b, P(X = k) = 1 / (b − a + 1).

• Ensemble de valeurs : {a, a + 1, ..., b − 1, b} contient exactement b − a + 1 éléments.

• Cas particulier : Si X ∼ U [1 ; n], alors P(X = k) = 1 / n pour k entre 1 et n.

• Espérance (E(X)) : La moyenne des valeurs possibles, donnée par (a + b) / 2.

• Variance (V(X)) : La dispersion autour de l’espérance, calculée par (b − a + 1)² − 1 / 12.

📝 Points essentiels

• La loi uniforme discrète concerne des situations où chaque valeur de l’ensemble est équiprobable.
• La probabilité d’obtenir une valeur k dans l’intervalle [a ; b] est constante et égale à 1 / (b − a + 1).
• L’espérance d’une variable suivant cette loi est la moyenne arithmétique des bornes a et b.
• La variance dépend de la longueur de l’intervalle, précisément (b − a + 1)² − 1 / 12.
• Exemple : Si X désigne le numéro de la première boule sortie lors d’un tirage au loto parmi 49, alors X ∼ U [1 ; 49], avec P(X = k) = 1/49, E(X) = 25, et V(X) = 200/12 ≈ 16,67.

💡 À retenir

La loi uniforme discrète modélise une situation d’équiprobabilité sur un ensemble fini d’entiers, avec une espérance égale à la moyenne des bornes et une variance dépendant de la longueur de l’intervalle.

📖 2. Loi de Bernoulli

🔑 Notions clés & Définitions

• Expérience de Bernoulli : expérience aléatoire ayant uniquement 2 issues possibles, nommées succès ou échec (définition issue du contexte d'utilisation).
• Variable aléatoire suivant la loi de Bernoulli : variable associée à une expérience de Bernoulli, prenant la valeur 1 en cas de succès et 0 en cas d’échec.
• Notation de la loi de Bernoulli : X ∼ B(1; p), où p est la probabilité de succès.
• Propriétés de l'espérance et de la variance :
  • E(X) = p (d'après propriété 14).
  • V(X) = p · (1 − p) (d'après propriété 14).

📝 Points essentiels

• La loi de Bernoulli modélise une expérience à deux issues, avec une probabilité p de succès.
• La variable aléatoire X suit la loi B(1; p), avec P(X=1) = p et P(X=0) = 1 − p.
• L'espérance de X est égale à p, ce qui représente la probabilité moyenne d'obtenir un succès.
• La variance de X est p · (1 − p), indiquant la dispersion autour de l'espérance.
• La loi de Bernoulli est utilisée pour modéliser des situations où l’on s’intéresse à la réussite ou à l’échec d’une seule expérience ou épreuve.

💡 À retenir

La loi de Bernoulli décrit une expérience à deux issues avec une probabilité p de succès, et ses propriétés fondamentales sont l’espérance p et la variance p(1−p).

📖 3. Loi géométrique

🔑 Notions clés & Définitions

• Loi géométrique (X ∼ G(p)) : loi discrète modélisant le rang du premier succès dans une suite d’épreuves Bernoulli indépendantes, chacune ayant une probabilité p de succès.

• Valeurs possibles : tous les entiers strictement positifs (1, 2, 3, ...).

• Probabilité : pour tout k ≥ 1, $P(X = k) = (1 - p)^{k-1} \times p$.

• Notations : X ∼ G(p).

• Application : modélise le nombre d’essais jusqu’au premier succès.

• Propriété 15 : si X ∼ G(p), alors l’espérance est $E(X) = \frac{1}{p}$ et la variance est $V(X) = \frac{1 - p}{p^2}$.

📝 Points essentiels

• La loi géométrique possède un nombre infini de valeurs possibles, tous les entiers strictement positifs.
• La probabilité de succès lors du k-ième essai est donnée par $P(X = k) = (1 - p)^{k-1} \times p$.
• La caractéristique principale est que l’espérance est inverse de la probabilité p, soit $E(X) = 1/p$.
• La variance est $V(X) = (1 - p)/p^2$.
• La loi modélise notamment le nombre d’essais nécessaires pour obtenir un premier succès dans une suite d’épreuves Bernoulli indépendantes.

💡 À retenir

La loi géométrique décrit le nombre d’épreuves jusqu’au premier succès, avec une espérance simple à calculer, inverse de la probabilité de succès p.

📖 4. Loi binomiale

🔑 Notions clés & Définitions

• Nombre de succès : variable aléatoire représentant le nombre de réussites obtenues lors de n épreuves de Bernoulli indépendantes, chacune avec une probabilité p de succès.

• Paramètres de la loi binomiale :

  • n : nombre fixe d’épreuves Bernoulli réalisées.
  • p : probabilité de succès lors de chaque épreuve.

• Formule de la probabilité pour la loi binomiale : $P(X = k) = \binom{n}{k} \cdot p^{k} \cdot (1 - p)^{n - k}$ où $\binom{n}{k}$ est le nombre de combinaisons de k succès parmi n épreuves.

• Espérance de la loi binomiale : $E(X) = n \cdot p$

• Variance de la loi binomiale : $V(X) = n \cdot p \cdot (1 - p)$

• Dénombrement par combinaisons : $\binom{n}{k}$ représente le nombre de façons de choisir k succès parmi n épreuves, calculé par $\frac{n!}{k!(n-k)!}$.

📝 Points essentiels

• La loi binomiale modélise le nombre de succès dans une série de n épreuves Bernoulli indépendantes, chacune avec une probabilité p de succès.
• La formule de probabilité repose sur le dénombrement par combinaisons, multiplié par la probabilité de succès à la puissance du nombre de succès, et celle d’échec à la puissance du nombre d’échecs.
• La loi est caractérisée par deux paramètres : n (nombre d’épreuves) et p (probabilité de succès).
• La loi binomiale a un support fini : ses valeurs possibles sont 0, 1, 2, ..., n.

💡 À retenir

La loi binomiale permet de calculer la probabilité d’obtenir un certain nombre de succès dans un nombre fixe d’épreuves Bernoulli indépendantes, en utilisant la formule combinatoire et la probabilité de succès.

📖 5. Loi de Poisson

🔑 Notions clés & Définitions

• Loi de Poisson (λ) : loi discrète modélisant des événements rares (accidents, sinistres, files d’attente, etc.), où la variable aléatoire X prend des valeurs entières 0, 1, 2, ... , n, ... et la probabilité pour un entier k est donnée par :
  $P(X = k) = \frac{\lambda^k \cdot e^{-\lambda}}{k!}$

• Paramètre λ : nombre réel positif représentant la moyenne du nombre d’événements dans un intervalle de temps ou d’espace donné.

• Formule de la probabilité : pour tout entier k positif ou nul,
  $P(X = k) = \frac{\lambda^k \cdot e^{-\lambda}}{k!}$

• Propriété particulière : l’espérance (moyenne) de X est égale à λ, et la variance de X est également égale à λ, c’est-à-dire :
  $E(X) = \lambda \quad \text{et} \quad V(X) = \lambda$

• Applications typiques : comptage d’événements rares dans un intervalle de temps ou d’espace, comme le nombre de clients au guichet, sinistres d’assurance, etc.

📝 Points essentiels

• La loi de Poisson est une loi discrète utilisée pour modéliser des phénomènes rares.
• La probabilité que X prenne la valeur k est donnée par la formule $\frac{\lambda^k e^{-\lambda}}{k!}$.
• La caractéristique principale de cette loi est que son espérance est égale à sa variance, toutes deux égales à λ.
• Elle peut être vue comme une limite d’une loi binomiale lorsque le nombre d’essais n devient très grand et la probabilité p très faible, tout en conservant un produit np = λ constant.

💡 À retenir

La loi de Poisson modélise efficacement les événements rares en ayant pour caractéristique que son espérance est égale à sa variance, ce qui simplifie grandement les calculs liés à ces phénomènes.

📅 Repères chronologiques

(aucun événement daté explicitement dans le contenu fourni)

📊 Tableaux de Synthèse

Loi	Variable aléatoire	Support	Probabilité principale	Espérance (E)	Variance (V)	Auteur / Référence
Loi uniforme discrète	X ∼ U[a; b]	{a, a+1, ..., b}	$P(X = k) = 1 / (b - a + 1)$	$(a + b) / 2$	$\frac{(b - a + 1)^2 - 1}{12}$	-
Loi de Bernoulli	X ∼ B(1; p)	{0, 1}	$P(X=1) = p$, $P(X=0) = 1 - p$	p	p(1 - p)	-
Loi géométrique	X ∼ G(p)	{1, 2, 3, ...}	$P(X = k) = (1 - p)^{k-1} p$	$1 / p$	$(1 - p) / p^2$	-
Loi binomiale	X ∼ B(n; p)	{0, 1, ..., n}	$P(X=k) = \binom{n}{k} p^k (1 - p)^{n-k}$	$n p$	$n p (1 - p)$	-
Loi de Poisson	X ∼ P(λ)	{0, 1, 2, ...}	$P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}$	λ	λ	-

⚠️ Pièges & Confusions Fréquentes

1. Confondre la loi uniforme discrète avec la loi de Bernoulli : la première concerne plusieurs valeurs équiprobables, la seconde une seule.
2. Confondre l’espérance et la moyenne arithmétique : pour la loi uniforme, E(X) = (a + b)/2, pas la moyenne empirique.
3. Oublier que la loi géométrique commence à 1, pas à 0.
4. Confondre la loi binomiale et la loi de Poisson : la binomiale a un support fini, la Poisson un support infini.
5. Confondre la variance de la loi de Bernoulli avec celle de la loi uniforme.
6. Ne pas distinguer la loi géométrique (nombre d’essais jusqu’au premier succès) de la loi binomiale (nombre de succès en n essais).
7. Confondre la loi de Poisson avec une loi binomiale en limite, en oubliant que la Poisson modélise des événements rares.

✅ Checklist Examen

1. Connaître la définition de la loi uniforme discrète, sa formule de probabilité, son support, son espérance et sa variance.
2. Savoir que la loi de Bernoulli modélise une expérience à deux issues, avec une probabilité p de succès, et connaître ses propriétés d’espérance et de variance.
3. Maîtriser la formule de la loi géométrique, notamment que $E(X) = 1/p$ et $V(X) = (1 - p)/p^2$.
4. Connaître la formule de la loi binomiale, ses paramètres n et p, ainsi que ses espérance et variance.
5. Savoir que la loi de Poisson est caractérisée par λ, avec $P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}$, et que son espérance et sa variance sont toutes deux égales à λ.
6. Identifier le support de chaque loi : valeurs possibles et leur nature (fini ou infini).
7. Savoir décrire la formule de probabilité de chaque loi et ses paramètres.
8. Comprendre la différence entre la loi géométrique et la loi binomiale.
9. Reconnaître la loi de Poisson comme limite d’une loi binomiale pour de grands n et p faibles.
10. Être capable d’identifier la loi appropriée selon le contexte (nombre d’essais, nombre de succès, événements rares, etc.).
11. Connaître la formule de la probabilité pour la loi binomiale, notamment le rôle du coefficient binomial.
12. Vérifier la maîtrise du vocabulaire spécifique : équiprobabilité, succès, échec, paramètre, support, etc.