Scheda di revisione: Probabilités et lois binomiales

📋 Plan du Cours

1. Probabilités conditionnelles
2. Loi binomiale
3. Indépendance événements
4. Calcul de probabilités
5. Variables aléatoires binomiales
6. Intervalle de confiance
7. Approximation normale
8. Analyse de fréquence
9. Démonstration par récurrence
10. Limite de suites numériques

📖 1. Probabilités conditionnelles

🔑 Notions clés & Définitions

• Probabilité conditionnelle : La probabilité qu’un événement $A$ se produise sachant que l’événement $B$ est réalisé, notée $P(A|B)$. Elle se calcule par la formule :
  $P(A|B) = \frac{P(A \cap B)}{P(B)} \quad \text{si } P(B) > 0$

• Indépendance entre deux événements : Deux événements $A$ et $B$ sont indépendants si la réalisation de l’un n’affecte pas la probabilité de l’autre, c’est-à-dire :
  $P(A \cap B) = P(A) \times P(B)$

• Événements incompatibles : Deux événements $A$ et $B$ sont incompatibles si ils ne peuvent pas se produire simultanément, donc :
  $P(A \cap B) = 0$

• Loi de probabilité conditionnelle : Loi qui permet de calculer la probabilité d’un événement en fonction d’un autre, en utilisant la formule de la probabilité conditionnelle.

• Règle de Bayes : Formule permettant de calculer la probabilité conditionnelle inverse, notamment :
  $P(B|A) = \frac{P(A|B) \times P(B)}{P(A)}$

📝 Points essentiels

• La probabilité conditionnelle modifie la perspective d’évaluation en se concentrant sur un sous-ensemble de l’espace probabiliste, celui où l’événement $B$ est réalisé.
• La formule $P(A|B) = \frac{P(A \cap B)}{P(B)}$ est valable uniquement si $P(B) > 0$.
• Deux événements indépendants vérifient $P(A \cap B) = P(A) \times P(B)$, ce qui implique que la connaissance de $B$ ne modifie pas la probabilité de $A$.
• La règle de Bayes permet de mettre à jour une probabilité à partir d’informations nouvelles ou conditionnelles.

💡 À retenir

La probabilité conditionnelle est une notion fondamentale pour modéliser des situations où la connaissance d’un contexte ou d’un événement influence la probabilité d’un autre, et elle est essentielle pour comprendre la dépendance ou l’indépendance entre événements.

📖 2. Loi binomiale

🔑 Notions clés & Définitions

• Loi binomiale : Loi de probabilité discrète qui modélise le nombre de succès dans une série de n essais indépendants, identiques, chacun ayant une probabilité p de succès. Notée $\mathcal{B}(n, p)$.

• Paramètres :

  • $n$ : nombre d'essais (entier naturel positif).
  • $p$ : probabilité de succès lors d’un seul essai (réel dans [0,1]).

• Variable aléatoire $X$ : nombre de succès dans $n$ essais, $X \sim \mathcal{B}(n, p)$.

• Fonction de probabilité : $P(X = k) = \binom{n}{k} p^k (1 - p)^{n - k} \quad \text{pour } k=0,1,\dots,n$ où $\binom{n}{k}$ est le coefficient binomial.

• Espérance : $E(X) = np$

• Variance : $V(X) = np(1-p)$

📝 Points essentiels

• La loi binomiale est utilisée pour modéliser des situations où l’on compte le nombre de succès dans une série d’essais indépendants, comme le nombre de réussites, défaillances, ou événements favorables.

• La somme de variables binomiales indépendantes et de même probabilité peut être modélisée par une loi binomiale avec la somme des paramètres $n$.

• La loi binomiale est discrète, ses valeurs possibles sont $0, 1, 2, \dots, n$.

• La formule de la probabilité est basée sur le coefficient binomial, qui compte le nombre de façons de choisir $k$ succès parmi $n$ essais.

• La loi binomiale admet une approximation par la loi normale lorsque $n$ est grand et $p$ n’est ni trop proche de 0 ni de 1, selon le théorème central limite.

💡 À retenir

La loi binomiale modélise le nombre de succès dans une série d’essais indépendants identiques, caractérisée par ses paramètres $n$ et $p$, avec une fonction de probabilité donnée par le coefficient binomial et des puissances de $p$ et $1-p$.

📖 3. Indépendance événements

🔑 Notions clés & Définitions

• Événements : Résultats ou ensembles de résultats d'une expérience aléatoire. Notés généralement par des lettres (ex : A, B, C).

• Indépendance entre événements : Deux événements A et B sont indépendants si la probabilité de leur intersection est égale au produit de leurs probabilités :
  $P(A \cap B) = P(A) \times P(B)$ Cela signifie que la survenue de l’un n’influence pas la probabilité de l’autre.

• Événements mutuellement indépendants : Lorsqu’un ensemble d’événements (A, B, C, ...) sont tels que chaque paire, chaque sous-ensemble est indépendant selon la définition ci-dessus.

• Indépendance conditionnelle : Deux événements A et B sont indépendants conditionnellement à un troisième événement C si :
  $P(A \cap B \mid C) = P(A \mid C) \times P(B \mid C)$ Cela concerne la dépendance ou indépendance dans un contexte conditionnel.

• Propriété de l’indépendance : Si A et B sont indépendants, alors :
  $P(A \mid B) = P(A) \quad \text{et} \quad P(B \mid A) = P(B)$ c’est-à-dire que la connaissance de B ne modifie pas la probabilité de A, et vice versa.

📝 Points essentiels

• La notion d’indépendance est fondamentale pour simplifier le calcul de probabilités dans des situations complexes.
• Lorsqu’on dit que deux événements sont indépendants, cela implique que la connaissance de l’un ne modifie pas la probabilité de l’autre.
• L’indépendance peut s’étendre à plusieurs événements : ils sont mutuellement indépendants si toutes les combinaisons possibles sont indépendantes deux à deux.
• La propriété de l’indépendance conditionnelle permet d’étudier la dépendance dans des sous-ensembles ou sous-événements spécifiques.
• La vérification de l’indépendance repose souvent sur le calcul de probabilités ou de fréquences expérimentales.

💡 À retenir

L’indépendance entre événements signifie que la survenue ou la non-survenue de l’un n’a aucune influence sur la probabilité de l’autre, ce qui permet de simplifier et de décomposer les calculs probabilistes.

📖 4. Calcul de probabilités

🔑 Notions clés & Définitions

• Probabilité : Mesure numérique de la chance qu’un événement se réalise, notée $P(E)$, avec $0 \leq P(E) \leq 1$. La somme des probabilités de tous les événements possibles d’un espace échantillonal est égale à 1.

• Événement : Résultat ou ensemble de résultats possibles d’une expérience aléatoire, par exemple $A$, $B$, $C$. Un événement peut être simple (un seul résultat) ou composé (union ou intersection d’événements simples).

• Indépendance : Deux événements $A$ et $B$ sont indépendants si la probabilité de leur intersection est le produit de leurs probabilités : $P(A \cap B) = P(A) \times P(B)$. Cela signifie que la réalisation de l’un n’influence pas la probabilité de l’autre.

• Loi binomiale : Loi de probabilité discrète qui modélise le nombre de succès dans une série de $n$ essais indépendants, chacun ayant une probabilité de succès $p$. La variable aléatoire $X \sim \text{Bin}(n, p)$ a pour fonction de masse : $P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}$.

• Événement complémentaire : Si $S$ est un événement, son complément $\overline{S}$ est l’événement « $S$ ne se produit pas ». La probabilité de $\overline{S}$ est $P(\overline{S}) = 1 - P(S)$.

📝 Points essentiels

• La probabilité d’un événement peut être calculée à partir de la règle de multiplication pour les événements indépendants : $P(A \cap B) = P(A) \times P(B)$ si $A$ et $B$ sont indépendants.

• La loi binomiale permet de modéliser le nombre de succès dans une série d’essais indépendants, avec une formule explicite pour la probabilité d’obtenir exactement $k$ succès.

• La formule de la probabilité d’au moins un succès dans un échantillon de $n$ essais est $P(\text{au moins un succès}) = 1 - P(\text{aucun succès}) = 1 - (1-p)^n$.

• La loi des grands nombres indique que, pour un grand nombre d’essais, la fréquence relative d’un succès tend vers la probabilité théorique $p$.

• La notion d’indépendance est cruciale pour simplifier le calcul de probabilités dans des expériences combinées.

💡 À retenir

La calcul de probabilités repose sur la modélisation d’événements aléatoires à l’aide de lois comme la loi binomiale, en utilisant des règles fondamentales telles que la multiplication pour les événements indépendants et la complémentarité. La maîtrise de ces notions permet d’évaluer la probabilité de divers scénarios dans des contextes variés.

📖 5. Variables aléatoires binomiales

🔑 Notions clés & Définitions

• Variable aléatoire binomiale : Une variable aléatoire discrète qui compte le nombre de succès dans une suite de n essais indépendants, identiques, avec deux issues possibles (succès ou échec), où la probabilité de succès est p.

  • Notation : $X \sim \text{Binom}(n, p)$.

• Paramètres :

  • $n$ : nombre d'essais (entier naturel positif).
  • $p$ : probabilité de succès lors d’un seul essai (0 < p < 1).

• Fonction de probabilité :
  $P(X = k) = \binom{n}{k} p^k (1-p)^{n-k} \quad \text{pour } k=0,1,\dots,n.$ Elle donne la probabilité d'obtenir exactement $k$ succès.

• Espérance (moyenne) :
  $E(X) = np,$ représentant le nombre moyen de succès attendus.

• Variance :
  $V(X) = np(1-p),$ mesurant la dispersion autour de la moyenne.

📝 Points essentiels

• La loi binomiale modélise le nombre de succès dans une série d’essais indépendants à deux issues.
• La somme de variables binomiales indépendantes et de même probabilité est une variable binomiale avec le total des essais.
• La loi binomiale peut être approchée par la loi normale lorsque $n$ est grand, grâce au théorème central limite, notamment si $np$ et $n(1-p)$ sont grands.
• La probabilité qu’au moins un succès se produise est $P(X \geq 1) = 1 - P(X=0) = 1 - (1-p)^n$.

💡 À retenir

La variable binomiale est essentielle pour modéliser et calculer la probabilité du nombre de succès dans une série d’essais indépendants, avec une moyenne $np$ et une dispersion $np(1-p)$. Elle permet d’évaluer la fiabilité ou la performance dans divers contextes aléatoires.

📖 6. Intervalle de confiance

🔑 Notions clés & Définitions

• Intervalle de confiance (IC) : Plage de valeurs calculée à partir d’un échantillon, dans laquelle on estime avec une certaine probabilité que la paramètre inconnu d’une population (par exemple, la moyenne) se trouve.
  Point essentiel : Il s’agit d’une estimation probabiliste, pas une valeur exacte.

• Niveau de confiance : Probabilité (exprimée en pourcentage) que l’intervalle de confiance contienne le paramètre réel de la population.
  Exemple : Un IC à 95 % signifie que, si l’on répète l’expérience plusieurs fois, 95 % des intervalles calculés contiendront le vrai paramètre.

• Marge d’erreur : Écart maximal entre la valeur estimée (par exemple, la moyenne d’échantillon) et le paramètre inconnu, déterminé par la formule de l’intervalle.
  Point clé : Elle dépend de la taille de l’échantillon, de la variabilité des données, et du niveau de confiance.

• Loi de distribution associée : La loi statistique utilisée pour construire l’intervalle, souvent la loi normale ou la loi t de Student, selon la taille de l’échantillon et la connaissance de la variance.
  Point essentiel : La loi normale est utilisée lorsque la variance est connue ou avec un grand échantillon.

• Formule de l’intervalle de confiance pour la moyenne (lorsque la variance est connue) :
  $\left[\bar{x} - z_{\alpha/2} \times \frac{\sigma}{\sqrt{n}}, \quad \bar{x} + z_{\alpha/2} \times \frac{\sigma}{\sqrt{n}}\right]$
  où $\bar{x}$ est la moyenne d’échantillon, $\sigma$ la variance connue, $n$ la taille de l’échantillon, et $z_{\alpha/2}$ la valeur critique de la loi normale pour le niveau de confiance.

📝 Points essentiels

• La construction d’un intervalle de confiance repose sur une estimation statistique et une distribution probabiliste.
• Plus la taille de l’échantillon est grande, plus l’intervalle est précis (marge d’erreur plus faible).
• Le niveau de confiance choisi influence la largeur de l’intervalle : un niveau élevé (ex : 99 %) donne un intervalle plus large, garantissant une meilleure probabilité de contenir le paramètre.
• La formule varie selon que la variance de la population est connue ou non : avec ou sans loi t de Student.
• La notion d’intervalle de confiance est fondamentale pour l’inférence statistique, permettant de faire des estimations probabilistes sur des paramètres inconnus.

💡 À retenir

L’intervalle de confiance fournit une estimation probabiliste du paramètre inconnu d’une population, avec un niveau de confiance choisi, en équilibrant précision et fiabilité.

📖 7. Approximation normale

🔑 Notions clés & Définitions

• Approximation normale : Technique consistant à utiliser la loi normale pour approximer la loi binomiale lorsque n est grand, facilitant ainsi le calcul de probabilités complexes.

• Loi binomiale : Loi de probabilité discrète représentant le nombre de succès dans n essais indépendants, chacun ayant une probabilité p de succès. Notée $\mathcal{B}(n, p)$.

• Loi normale (ou loi de Gauss) : Loi de probabilité continue caractérisée par sa fonction de densité en forme de courbe en cloche, définie par sa moyenne $\mu$ et son écart-type $\sigma$.

• Critère de l'approximation normale : La loi binomiale peut être approximée par une loi normale lorsque n est suffisamment grand, généralement si $np \geq 5$ et $n(1-p) \geq 5$.

• Correction de continuité : Ajustement appliqué lors de l'approximation d'une loi discrète par une loi continue, en ajoutant ou soustrayant 0,5 à la valeur de la variable pour améliorer la précision.

📝 Points essentiels

• Utilisation de l’approximation normale : Pour calculer $P(X \leq k)$ avec $X \sim \mathcal{B}(n, p)$, on remplace $X$ par une normale $\mathcal{N}(\mu, \sigma^2)$ avec $\mu = np$ et $\sigma = \sqrt{np(1-p)}$.

• Application de la correction de continuité : Pour une probabilité $P(X \leq k)$, on calcule $P(Y \leq k + 0,5)$ où $Y \sim \mathcal{N}(\mu, \sigma^2)$.

• Conditions d’approximation : La règle empirique recommande que $np \geq 5$ et $n(1-p) \geq 5$ pour que l’approximation soit fiable.

• Formule de conversion : La variable standardisée $Z$ est donnée par $Z = \frac{k + 0,5 - \mu}{\sigma}$ permettant d’utiliser la table de la loi normale standard.

💡 À retenir

L’approximation normale est un outil puissant pour simplifier le calcul de probabilités binomiales lorsque n est grand, à condition de respecter les critères de validité et d’appliquer la correction de continuité pour améliorer la précision.

📖 8. Analyse de fréquence

🔑 Notions clés & Définitions

• Fréquence : La fréquence d’un événement est le rapport entre le nombre de fois où cet événement se produit et le nombre total d’observations. Elle peut être expérimentale (obtenue par observation) ou théorique (calculée à partir d’un modèle probabiliste).

• Variable aléatoire : Fonction qui associe à chaque résultat d’une expérience aléatoire un nombre réel. Elle permet de modéliser des phénomènes incertains.

• Loi de probabilité : Fonction qui attribue une probabilité à chaque valeur possible d’une variable aléatoire. La loi binomiale, par exemple, modélise le nombre de succès dans une série d’épreuves indépendantes.

• Distribution binomiale : Loi de probabilité discrète qui donne la probabilité d’obtenir un nombre précis de succès dans n essais indépendants, chacun ayant une probabilité p de succès.

• Intervalle de confiance : Plage de valeurs dans laquelle on estime, avec un certain niveau de confiance, que la paramètre inconnu (par exemple, la proportion réelle) se trouve.

📝 Points essentiels

• La fréquence expérimentale d’un événement tend vers sa probabilité théorique lorsque le nombre d’observations augmente (Loi des grands nombres).

• La loi binomiale est caractérisée par deux paramètres : le nombre d’essais n et la probabilité p de succès à chaque essai.

• La variance de la loi binomiale est donnée par $V(X) = np(1-p)$, ce qui permet d’évaluer la dispersion des résultats.

• La formule de la probabilité d’obtenir exactement k succès dans n essais est :
  $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$

• La somme des probabilités sur tout l’espace est égale à 1, garantissant la cohérence de la loi de probabilité.

💡 À retenir

L’analyse de fréquence permet de relier les observations concrètes à des modèles probabilistes, notamment la loi binomiale, en utilisant la notion de variable aléatoire et de distribution pour estimer et prévoir le comportement d’événements aléatoires.

📖 9. Démonstration par récurrence

🔑 Notions clés & Définitions

• Démonstration par récurrence : méthode de preuve permettant d'établir qu'une propriété P(n) est vraie pour tout n entier naturel en suivant deux étapes : la base (preuve pour n=0 ou n=1) et l'étape inductive (si P(k) est vraie, alors P(k+1) l'est aussi).

• Propriété P(n) : assertion ou formule dépendant de n, que l'on souhaite démontrer vraie pour tout n.

• Étape de base : étape consistant à vérifier que P(n) est vraie pour le premier entier n (souvent n=0 ou n=1).

• Étape d'induction : étape où l'on suppose P(k) vraie pour un entier k ≥ n₀, puis on démontre que P(k+1) est aussi vraie, permettant ainsi de conclure par le principe de récurrence.

• Principe de récurrence : principe logique selon lequel, si la propriété est vraie pour le premier cas et si la vérité pour un cas k entraîne la vérité pour le cas k+1, alors la propriété est vraie pour tous les entiers n ≥ n₀.

📝 Points essentiels

• La démonstration par récurrence repose sur deux étapes : la vérification initiale (base) et l'étape inductive.
• La propriété doit être formulée clairement pour chaque n.
• La validité de la preuve repose sur la logique de l'implication : si P(k) est vraie, alors P(k+1) l'est aussi.
• La récurrence permet de prouver des propriétés sur des suites, des égalités, des inégalités ou des propriétés géométriques.

💡 À retenir

La démonstration par récurrence est une méthode puissante pour établir des propriétés valides pour tous les entiers naturels, en s'appuyant sur la vérification initiale et l'implication successive.

📖 10. Limite de suites numériques

🔑 Notions clés & Définitions

• Suite numérique : Fonction définie sur l’ensemble des entiers naturels, notée généralement (𝑢ₙ), associant à chaque entier n un réel 𝑢ₙ.

• Limite d’une suite : La valeur vers laquelle la suite (𝑢ₙ) tend lorsque n tend vers l’infini, notée limₙ→∞ 𝑢ₙ. Si cette limite existe, on dit que la suite converge.

• Suite convergente : Une suite (𝑢ₙ) est convergente si elle admet une limite finie lorsque n tend vers l’infini.

• Suite divergente : Une suite qui ne possède pas de limite finie, c’est-à-dire qui tend vers +∞, -∞ ou n’a pas de limite.

• Critère de convergence (pour une suite monotone et bornée) : Une suite monotone (croissante ou décroissante) et bornée converge vers sa borne supérieure ou inférieure.

📝 Points essentiels

• La limite d’une suite peut être déterminée en utilisant diverses méthodes : calcul direct, théorème de comparaison, théorème de la limite monotone, ou en utilisant des suites auxiliaires.

• La limite d’une suite (𝑢ₙ) est souvent notée limₙ→∞ 𝑢ₙ. Si cette limite existe, on peut l’interpréter comme la valeur d’équilibre ou de stabilité de la suite.

• La limite d’une suite est unique. Si une suite admet deux limites différentes, elle n’est pas convergente.

• La convergence d’une suite ne dépend pas de ses premiers termes, mais de son comportement asymptotique.

• La limite d’une suite peut être infinie ou nulle. La suite tend vers +∞ ou -∞ si elle diverge vers l’infini.

• La limite d’une suite peut être utilisée pour résoudre des équations ou analyser des phénomènes en modélisation mathématique.

💡 À retenir

La limite d’une suite numérique représente son comportement asymptotique lorsque n devient très grand. La convergence ou divergence de cette suite permet d’analyser sa stabilité et son évolution à long terme.

📊 Tableaux de Synthèse

Concept	Définition / Formule	Remarques
Probabilité conditionnelle	$ P(A	B) = \frac{P(A \cap B)}{P(B)} $
Indépendance événements	$P(A \cap B) = P(A) \times P(B)$	La connaissance de B ne modifie pas $P(A)$
Loi binomiale	$P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$	$X \sim \mathcal{B}(n,p)$
Espérance loi binomiale	$E(X) = np$	Moyenne du nombre de succès
Variance loi binomiale	$V(X) = np(1-p)$	Dispersion autour de la moyenne

⚠️ Pièges & Confusions Fréquentes

1. Confondre indépendance et incompatibilité : deux événements peuvent être indépendants mais non incompatibles, ou l'inverse.
2. Oublier que la formule $P(A|B) = \frac{P(A \cap B)}{P(B)}$ n’est valable que si $P(B) > 0$.
3. Confondre la loi binomiale avec la loi de Poisson ou la loi normale, surtout pour de grands $n$.
4. Négliger la condition d’indépendance pour appliquer la formule $P(A \cap B) = P(A) \times P(B)$.
5. Se tromper dans le calcul du coefficient binomial ou dans l’application de la formule de la loi binomiale.
6. Confondre la somme des probabilités d’événements mutuellement exclusifs avec la probabilité de leur union.
7. Oublier que la loi binomiale est discrète, avec support $0, 1, ..., n$.

✅ Checklist Examen

• Vérifier si l’événement $B$ a une probabilité positive pour utiliser la formule de probabilité conditionnelle.
• Identifier si deux événements sont indépendants ou incompatibles.
• Calculer $P(A|B)$ en utilisant la formule appropriée.
• Déterminer si une variable aléatoire suit une loi binomiale, et connaître ses paramètres $n$ et $p$.
• Calculer l’espérance et la variance d’une loi binomiale.
• Appliquer la formule de la loi binomiale pour une valeur spécifique $k$.
• Vérifier si la loi binomiale peut être approximée par une loi normale (grands $n$, $p$ pas trop proches de 0 ou 1).
• Utiliser la formule $P(\text{au moins un succès}) = 1 - (1-p)^n$.
• Vérifier si deux événements sont mutuellement exclusifs ou indépendants.
• Appliquer la règle de Bayes pour inverser une probabilité conditionnelle.
• Définir et calculer la probabilité d’un événement complémentaire.
• Identifier et éviter les pièges fréquents liés à la confusion entre indépendance et incompatibilité.