Ficha de revisão: Introduction à la Probabilité et à la Statistique

📋 Plan du Cours

1. Statistique descriptive
2. Probabilités de base
3. Variables aléatoires
4. Lois de probabilité
5. Trigonométrie cercle unité
6. Fonctions trigonométriques

📖 1. Statistique descriptive

🔑 Notions clés & Définitions

• Moyenne arithmétique : Somme de toutes les valeurs d’un ensemble divisée par le nombre de ces valeurs. (AUTEUR inconnu, concept fondamental). Elle représente la "valeur moyenne" ou "centre de gravité" de l’échantillon ou de la population.

• Médiane : Valeur qui partage un ensemble de données ordonnées en deux parties égales. (AUTEUR inconnu, concept de position). Elle est moins sensible aux valeurs extrêmes que la moyenne.

• Mode : La ou les valeurs qui apparaissent le plus fréquemment dans un ensemble de données. (AUTEUR inconnu, notion de fréquence). Elle indique la valeur la plus représentative ou la plus courante.

• Écart-type : Racine carrée de la variance, mesure de la dispersion ou de la variabilité des données autour de la moyenne. (AUTEUR inconnu, mesure de dispersion).

• Variance : Moyenne des carrés des écarts à la moyenne, elle quantifie la dispersion des données. (AUTEUR inconnu, mesure de dispersion).

• Diagramme en boîte : Représentation graphique qui résume la distribution d’un ensemble de données à l’aide de cinq chiffres : minimum, premier quartile, médiane, troisième quartile, maximum. (AUTEUR inconnu, outil de synthèse graphique).

📝 Points essentiels

• La moyenne arithmétique est sensible aux valeurs extrêmes, ce qui peut la rendre peu représentative en présence d’outliers. La médiane est plus robuste dans ces cas, notamment pour des distributions asymétriques.

• Le mode est utile pour identifier la valeur la plus fréquente, notamment dans des distributions multimodales ou discrètes.

• La variance et l’écart-type permettent d’évaluer la dispersion des données. Plus ces valeurs sont élevées, plus les données sont dispersées autour de la moyenne.

• Le diagramme en boîte facilite la visualisation de la symétrie, de la dispersion, et des éventuels outliers dans un ensemble de données.

• La relation entre ces mesures permet d’obtenir une compréhension complète de la distribution : par exemple, une différence importante entre la moyenne et la médiane peut indiquer une distribution asymétrique.

💡 À retenir

La statistique descriptive utilise des mesures comme la moyenne, la médiane, le mode, la variance, l’écart-type et des représentations graphiques telles que le diagramme en boîte pour résumer et analyser la distribution des données.

📖 2. Probabilités de base

🔑 Notions clés & Définitions

• Événement : Résultat ou ensemble de résultats possibles dans une expérience aléatoire (voir section 3).
• Probabilité d'un événement : Mesure numérique de la chance que cet événement se réalise, notée généralement P(A). Selon PERROUX (1964), c'est une mesure qui vérifie certains axiomes fondamentaux (non-négativité, normalisation, additivité).
• Événements incompatibles : Deux événements qui ne peuvent pas se produire simultanément, c’est-à-dire P(A ∩ B) = 0.
• Événements indépendants : Deux événements A et B sont indépendants si la réalisation de l’un n’influence pas la probabilité de l’autre, c’est-à-dire P(A ∩ B) = P(A) × P(B).
• Probabilité conditionnelle : Probabilité qu’un événement A se produise sachant que B est réalisé, notée P(A | B), définie par BAYES (1753) comme P(A | B) = P(A ∩ B) / P(B), pour P(B) > 0.
• Loi des grands nombres : Théorème fondamental en probabilité qui stipule que, sous certaines conditions, la moyenne empirique d’un grand nombre d’expériences indépendantes et identiquement distribuées converge vers l’espérance mathématique (voir section 3).

📝 Points essentiels

• La probabilité d’un événement doit respecter les axiomes de Kolmogorov (1933), notamment la non-négativité, la normalisation (P(Ω) = 1), et l’additivité pour des événements incompatibles.
• La notion d’événements incompatibles est cruciale pour l’addition des probabilités : si A et B sont incompatibles, P(A ∪ B) = P(A) + P(B).
• La probabilité conditionnelle permet de mettre à jour la probabilité d’un événement en fonction d’une information préalable, ce qui est essentiel dans la modélisation probabiliste.
• La relation d’indépendance est symétrique et implique que P(A ∩ B) = P(A) × P(B). Elle est fondamentale pour simplifier le calcul de probabilités dans des systèmes complexes.
• La Loi des grands nombres justifie l’utilisation de la moyenne empirique pour estimer l’espérance, en assurant qu’avec un grand nombre d’expériences, la fréquence relative d’un événement converge vers sa probabilité réelle.

💡 À retenir

La probabilité d’un événement quantifie son risque ou sa chance de se produire, et la compréhension des notions d’indépendance, de conditionnement et de loi des grands nombres est essentielle pour modéliser et analyser des phénomènes aléatoires.

📖 3. Variables aléatoires

🔑 Notions clés & Définitions

• Variable aléatoire discrète : Fonction qui associe à chaque issue d’un espace probabiliste un nombre fini ou dénombrable, souvent utilisé pour modéliser des événements avec un nombre limité de résultats possibles.
• Variable aléatoire continue : Fonction qui associe à chaque issue d’un espace probabiliste un nombre réel dans un intervalle continu, permettant de modéliser des mesures avec une infinité de résultats possibles.
• Espérance mathématique : PERROUX (1964) : valeur moyenne ou moyenne pondérée d’une variable aléatoire, calculée comme la somme ou l’intégrale des valeurs possibles pondérées par leurs probabilités.
• Variance d'une variable aléatoire : Mesure de la dispersion ou de l’étalement des valeurs d’une variable aléatoire autour de son espérance, définie comme l’espérance du carré de l’écart à l’espérance.
• Fonction de répartition : Fonction qui donne la probabilité qu’une variable aléatoire soit inférieure ou égale à une valeur donnée, c’est une fonction croissante, continue à droite, et limite à 0 en -∞ et à 1 en +∞.
• Fonction de densité : Fonction associée à une variable aléatoire continue, dont l’intégrale sur un intervalle donne la probabilité que la variable prenne une valeur dans cet intervalle. La fonction de densité est positive et son intégrale sur ℝ est égale à 1.

📝 Points essentiels

• La distinction entre variable discrète et continue repose sur la nature de leur espace d’échantillonnage : dénombrable pour discrète, non dénombrable pour continue.
• La fonction de répartition permet de caractériser complètement une variable aléatoire, qu’elle soit discrète ou continue. Elle est utile pour déterminer la probabilité qu’une variable prenne une valeur dans un intervalle.
• La fonction de densité, spécifique aux variables continues, doit être intégrée pour obtenir des probabilités, contrairement à la fonction de masse de probabilité pour les variables discrètes.
• PERROUX (1964) souligne que l’espérance et la variance sont des moments fondamentaux permettant d’analyser la tendance centrale et la dispersion d’une variable aléatoire.
• La variance est toujours positive ou nulle, et sa racine carrée, l’écart-type, est une mesure intuitive de la dispersion.

💡 À retenir

Les variables aléatoires discrètes et continues sont fondamentales en probabilité, la fonction de répartition étant leur caractéristique principale, tandis que la fonction de densité permet d’étudier la distribution continue. L’espérance et la variance sont essentielles pour résumer leur comportement.

📖 4. Lois de probabilité

🔑 Notions clés & Définitions

• Loi binomiale : Distribution discrète qui modélise le nombre de succès dans une série d’épreuves indépendantes identiques, chacune ayant une probabilité de succès p (voir section 2). La fonction de masse de probabilité est donnée par :
  $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$ où $n$ est le nombre d’épreuves et $k$ le nombre de succès.

• Loi de Poisson : Distribution discrète décrivant le nombre d’événements rares sur un intervalle fixe, avec une moyenne $\lambda$. La fonction de masse de probabilité est :
  $P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}$ (voir section 2).

• Loi normale : Distribution continue symétrique en forme de cloche, caractérisée par sa moyenne $\mu$ et son écart-type $\sigma$. La fonction de densité est :
  $f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$ (voir section 3).

• Loi uniforme : Distribution continue ou discrète où chaque valeur dans un intervalle ou un ensemble a la même probabilité. La fonction de densité pour une loi continue sur $[a, b]$ est :
  $f(x) = \frac{1}{b-a}$ pour $x \in [a, b]$.

• Loi exponentielle : Distribution continue modélisant le temps entre deux événements dans un processus de Poisson, avec paramètre $\lambda$. La fonction de densité est :
  $f(x) = \lambda e^{-\lambda x}$ pour $x \geq 0$.

📝 Points essentiels

• La loi binomiale est utilisée pour modéliser des succès ou échecs dans des essais répétés, avec une fonction de masse de probabilité donnée par la formule du coefficient binomial. Elle est liée à la loi de Poisson par limite lorsque $n \to \infty$ et $p \to 0$ avec $np$ constant (théorème de limite).

• La loi de Poisson est souvent appliquée pour modéliser des événements rares ou aléatoires dans le temps ou l’espace, comme le nombre d’appels dans un centre d’appels en une heure.

• La loi normale est fondamentale en statistique, notamment grâce au théorème central limite, qui indique que la somme de variables indépendantes et identiquement distribuées tend vers une loi normale.

• La loi uniforme est la plus simple, utilisée comme modèle de référence ou pour générer des nombres aléatoires.

• La loi exponentielle est la seule loi continue à mémoire sans mémoire, ce qui signifie que la probabilité de survie ne dépend pas du temps écoulé.

• La fonction de masse de probabilité (pour lois discrètes) et la fonction de densité (pour lois continues) décrivent la distribution d’une variable aléatoire.

💡 À retenir

Les lois de probabilité permettent de modéliser différents types d’événements aléatoires, allant des succès binaires aux événements rares et aux phénomènes naturels, en utilisant des fonctions spécifiques pour décrire leur comportement.

📖 5. Trigonométrie cercle unité

🔑 Notions clés & Définitions

• Cercle unité : Cercle de centre O(0,0) et de rayon 1 dans le plan, utilisé pour représenter graphiquement les fonctions trigonométriques.
• Angle en radians : Mesure d’un angle exprimée par le rapport entre la longueur de l’arc intercepté sur le cercle unité et le rayon, défini par AUTEUR (date).
• Coordonnées sur le cercle unité : Pour un point P sur le cercle, ses coordonnées (x, y) vérifient la relation x² + y² = 1, où x = cos(θ) et y = sin(θ).
• Relation entre angle et arc : La longueur de l’arc intercepté par un angle θ en radians est égale à |θ|, car le rayon est 1.
• Sens trigonométrique : La mesure positive d’un angle se fait dans le sens anti-horaire à partir de la position de départ (axe horizontal positif).
• Symétries sur le cercle unité : Les fonctions cosinus et sinus présentent des symétries : cos(−θ) = cos(θ) (symétrie axiale), sin(−θ) = −sin(θ) (symétrie centrale).

📝 Points essentiels

• Le cercle unité permet de représenter graphiquement les fonctions sinus et cosinus, avec cos(θ) correspondant à l’abscisse et sin(θ) à l’ordonnée du point P( cos(θ), sin(θ) ).
• La mesure en radians est fondamentale car elle relie directement l’angle à la longueur de l’arc : arc = rayon × angle (en radians).
• La relation x² + y² = 1 est la définition géométrique du cercle unité, liant coordonnées et rayon.
• La périodicité des fonctions trigonométriques (sinus et cosinus) est de 2π, ce qui reflète la rotation complète autour du cercle.
• Les symétries permettent de déduire facilement les valeurs des fonctions pour des angles négatifs ou complémentaires, facilitant leur étude.

💡 À retenir

Le cercle unité est la clé pour comprendre et visualiser les fonctions trigonométriques, leur périodicité, et leurs symétries, en reliant angles en radians, coordonnées et longueurs d’arc.

📖 6. Fonctions trigonométriques

🔑 Notions clés & Définitions

• Fonction sinus : Fonction trigonométrique définie pour un angle θ, notée sin(θ), qui représente la projection y d’un point sur le cercle unité (voir section 5). AUTEUR (date) : la fonction sinus est périodique de période 2π.
• Fonction cosinus : Fonction trigonométrique notée cos(θ), représentant la projection x d’un point sur le cercle unité (voir section 5). AUTEUR (date) : elle est également périodique de période 2π.
• Fonction tangente : Fonction définie par tan(θ) = sin(θ)/cos(θ), pour tout θ où cos(θ) ≠ 0. Elle mesure la pente de la droite tangente au cercle unité en un point (voir section 5). AUTEUR (date) : elle est périodique de période π.
• Périodicité des fonctions trigonométriques : Propriété fondamentale selon laquelle sin(θ + 2π) = sin(θ), cos(θ + 2π) = cos(θ), et tan(θ + π) = tan(θ). AUTEUR (date) : cette périodicité découle de la symétrie du cercle unité.
• Identités trigonométriques fondamentales : Relations essentielles telles que sin²(θ) + cos²(θ) = 1, qui relient sinus et cosinus (voir section 5). AUTEUR (date) : elles sont dérivées du cercle unité.
• Formules d’addition : Formules permettant de calculer sin(α ± β), cos(α ± β), et tan(α ± β), par exemple :
  • sin(α ± β) = sin(α)cos(β) ± cos(α)sin(β)
  • cos(α ± β) = cos(α)cos(β) ∓ sin(α)sin(β)
  • tan(α ± β) = (tan(α) ± tan(β)) / (1 ∓ tan(α)tan(β)) (voir section 5). AUTEUR (date) : ces formules sont essentielles pour la résolution d’équations trigonométriques.

📝 Points essentiels

• Les fonctions sinus, cosinus, et tangente sont fondamentales en trigonométrie, notamment pour modéliser des phénomènes périodiques.
• La périodicité de 2π pour sin et cos, et π pour tan, permet de simplifier l’étude de leurs comportements sur un cycle.
• Les identités fondamentales, comme sin²(θ) + cos²(θ) = 1, sont utilisées pour transformer et simplifier des expressions trigonométriques.
• Les formules d’addition sont cruciales pour décomposer ou combiner des angles, facilitant la résolution d’équations trigonométriques complexes.
• La tangente étant le rapport sin/cos, elle hérite de la périodicité de ces deux fonctions, mais avec une période π.
• La compréhension du cercle unité (voir section 5) est essentielle pour visualiser et interpréter ces fonctions.

💡 À retenir

Les fonctions trigonométriques sinus, cosinus et tangente, avec leur périodicité et leurs identités, constituent la base pour analyser des phénomènes périodiques et résoudre des équations trigonométriques.

📊 Tableaux de Synthèse

Thème	Notions clés	Définition / Caractéristiques	Auteur / Référence
Statistique descriptive	Moyenne, Médiane, Mode	Moyenne : somme/nombre; Médiane : valeur centrale; Mode : valeur la plus fréquente	Inconnu
Statistique descriptive	Variance, Écart-type	Variance : moyenne des carrés des écarts à la moyenne; Écart-type : racine carrée de la variance	Inconnu
Statistique descriptive	Diagramme en boîte	Représentation graphique résumant minimum, Q1, médiane, Q3, maximum	Inconnu
Probabilités	Événement, Probabilité	Événement : résultat possible; Probabilité : mesure de chance, P(A)	Kolmogorov (1933)
Probabilités	Indépendance, Probabilité conditionnelle	Indépendance : P(A∩B)=P(A)×P(B); Conditionnelle : P(A	B)=P(A∩B)/P(B)
Variables aléatoires	Discrète, Continue	Discrète : valeurs dénombrables; Continue : valeurs dans un intervalle	Inconnu
Variables aléatoires	Espérance, Variance	Espérance : moyenne pondérée; Variance : dispersion autour de l’espérance	Perroux (1964)
Lois de probabilité	Loi binomiale	Distribution pour nombre de succès dans n essais, P(X=k)=C(n,k)p^k(1-p)^{n-k}	Inconnu

⚠️ Pièges & Confusions Fréquentes

1. Confondre moyenne arithmétique et médiane en distributions asymétriques, la médiane étant plus robuste aux outliers.
2. Négliger que la variance et l’écart-type sont toujours positifs ou nuls, ne pouvant être négatifs.
3. Confondre fonction de répartition (discrète/continue) et fonction de densité (seulement continue).
4. Oublier que la probabilité conditionnelle P(A|B) dépend de P(B) > 0, et ne pas vérifier cette condition.
5. Confondre indépendance (P(A∩B)=P(A)×P(B)) et incompatibilité (P(A∩B)=0).
6. Utiliser la moyenne pour des distributions très asymétriques sans considérer la médiane.
7. Confondre la distribution discrète (fonction de masse) et continue (fonction de densité), notamment dans le calcul des probabilités.

✅ Checklist Examen

1. Connaître la définition de la moyenne arithmétique, médiane, mode, variance, et écart-type, en précisant leur rôle et leur calcul.
2. Savoir représenter graphiquement une distribution avec un diagramme en boîte.
3. Expliquer la différence entre variable aléatoire discrète et continue, en donnant un exemple pour chacune.
4. Maîtriser la fonction de répartition et la fonction de densité, en précisant leur utilisation respective.
5. Connaître la loi binomiale, sa formule de probabilité, et ses paramètres.
6. Comprendre la notion d’indépendance entre deux événements et sa formule P(A∩B)=P(A)×P(B).
7. Savoir définir et calculer la probabilité conditionnelle P(A|B) en utilisant la formule de Bayes.
8. Connaître les axiomes de Kolmogorov pour la probabilité.
9. Savoir distinguer une variable aléatoire discrète d’une variable continue, et leurs moments fondamentaux.
10. Maîtriser la loi des grands nombres et son importance dans l’estimation par la moyenne empirique.
11. Connaître la formule de la loi binomiale et ses paramètres n et p.
12. Vérifier la maîtrise du vocabulaire spécifique : événement, probabilité, indépendance, distribution, espérance, variance.