Chapitre VII – Probabilités

Niveau : Première Difficulté du cours :

Probabilités conditionnelles

Définition

Soient $A$ et $B$ deux événements avec $A$ de probabilité non nulle. Alors la probabilité conditionnelle de $B$ sachant que $A$ est réalisé est :

$\displaystyle{p_{A}(B) = \frac{p(A \cap B)}{p(A)}}$

On rappelle que $p(A \cap B) = p(A) + p(B) - p(A \cup B)$.

De plus il faut faire attention, à bien faire la distinction entre une probabilité conditionnelle (Sachant qu'on a $A$, quelle est la probabilité d'avoir $B$ ?) et une intersection (Quelle est la probabilité d'avoir $A$ et $B$ à la fois ?).

Deux événements $A$ et $B$ sont dits indépendants si la réalisation de l'un n'a aucune incidence sur la réalisation de l'autre et réciproquement. C'est-à-dire :

$p(A \cap B) = p(A) \times p(B)$

Pour deux événements indépendants $A$ et $B$, on a les relations suivantes :

  • $p_{A}(B) = p(B)$
  • $p_{B}(A) = p(A)$

Arbre de probabilité

Au lycée, pour représenter visuellement des probabilités on utilise très souvent un arbre de probabilité. Nous nous limiterons ici au cas de deux événements, mais il est possible d'en rajouter encore d'autres.
Ainsi, soient $A$ et $B$ deux événements. L'arbre de probabilité décrivant la situation est le suivant :

Arbre de probabilité

La somme (dans le sens vertical) des probabilités de chacune des branches ayant un tronc commun doit toujours faire $1$.

Exemple : Soit $A$ et $B$ deux événements non-indépendants tels que $p(A) = \frac{4}{7}$, $p_{A}(B) = \frac{1}{4}$ et $p_{\bar{A}}(B) = \frac{5}{9}$.
Alors l'arbre permettant de modéliser la situation est le suivant :

Arbre de probabilité

Formule des probabilités totales

Soient $A_1, A_2, ..., A_n$ des événements qui partitionnent (qui recouvrent) l'univers $\Omega$, alors pour tout événement $B$ :

$p(B) = p(B \cap A_1) + p(B \cap A_2) + \text{ ... } + p(B \cap A_n)$

En reprenant l'arbre précédent, comme $A$ et $\bar{A}$ recouvrent notre univers (en effet, soit on tombe sur $A$, soit on tombe sur $\bar{A}$ : pas d'autre issue possible), calculons $p(B)$ :

Arbre de probabilité

D'après la formule des probabilités totales, $p(B) = p(B \cap A) + p(B \cap \bar{A}) = \frac{107}{252}$.

Variables aléatoires

Définition

Une variable aléatoire $X$ est une fonction qui, à chaque événement élémentaire de l'univers $\Omega$ y associe un nombre réel. C'est-à-dire : $X : \Omega \rightarrow \mathbb{R}$. L'ensemble des valeurs prises par $X$ est noté $X(\Omega)$.

Les variables aléatoires sont très utiles notamment pour modéliser des situations de gains ou de pertes (à un jeu d'argent par exemple).

Loi de probabilité

Soit $X$ une variable aléatoire. La loi de probabilité de $X$ attribue à chaque valeur $x_i$ la probabilité $p_i = p(X = x_i)$ de l'événement $X = x_i$ constitué de tous les événements élémentaires dont l'image par $X$ est $x_i$. Cette loi est généralement représentée dans un tableau :

$x_i$ $x_1$ $x_2$ ... $x_n$
$p(X = x_i)$ $p(X = x_1)$ $p(X = x_2)$ ... $p(X = x_n)$

On a $p(X = x_1) + p(X = x_2) + \text{ ... } + p(X = x_n) = 1$.

Cette définition peut sembler un peu compliquée mais elle signifie juste qu'une loi de probabilité assigne une probabilité à chaque valeur prise par notre variable aléatoire.

Espérance, variance et écart-type

Soit $X$ une variable aléatoire. L'espérance $E(X)$ de la variable aléatoire $X$ est un réel :

$E(X) = x_1 \times p_1 + x_2 \times p_2 + \text{ ... } + x_n \times p_n$

La variance $V(X)$ et l'écart-type $\sigma(X)$ de la variable aléatoire $X$ sont les réels positifs :

Exemple : Calcul de l'espérance, de la variance et de l'écart-type. Soit $X$ une variable aléatoire suivant la loi de probabilité donnée par le tableau ci-dessous :

$x_i$ $-1$ $0$ $2$ $6$
$p(X = x_i)$ $\frac{1}{4}$ $\frac{1}{2}$ $\frac{1}{8}$ $\frac{1}{8}$

On a :

  • $E(X) = -1 \times \frac{1}{4} + 0 \times \frac{1}{2} + 2 \times \frac{1}{8} + 6 \times \frac{1}{8} = \frac{3}{4}$
  • $V(X) = ((-1)^2 \times \frac{1}{4} + 0^2 \times \frac{1}{2} + 2^2 \times \frac{1}{8} + 6^2 \times \frac{1}{8}) - (\frac{3}{4})^2 = \frac{75}{16}$
  • $\sigma(X) = \sqrt{\frac{75}{16}} \approx 2.165$

Chacun de ces paramètres a une utilité précise :

  • L'espérance est la valeur moyenne prise par $X$.
  • La variance et l'écart-type mesurent la dispersion des valeurs prises par $X$. Plus ces valeurs sont grandes, plus les valeurs sont dispersées autour de l'espérance.

Commentaires

Avatar (prévisualisation)
Il n'y a pas de commentaire sur ce cours pour le moment.