Probabilités conditionnelles, indépendance et méthodes d'analyse numérique

1. Probabilités conditionnelles

La probabilité conditionnelle de l'événement \( A \) sachant \( B \) est notée \( P(A|B) \) et se calcule par :

\[ P(A|B) = rac{P(A \cap B)}{P(B)} \quad 	ext{avec } P(B) > 0 \]

Cela exprime la probabilité que \( A \) se produise lorsque l'on sait que \( B \) est vrai.

2. Indépendance entre deux événements

Deux événements \( A \) et \( B \) sont indépendants si :

\[ P(A \cap B) = P(A) 	imes P(B) \]

Autrement dit, la survenue de l'un n'a pas d'influence sur la survenue de l'autre.

3. Représentations graphiques : arbres et tableaux croisés

a. Arbres de probabilités

Les arbres permettent de représenter visuellement des expériences successives. Chaque branche représente une éventualité et est annotée de la probabilité correspondante.

Exemple :

Commencez avec un noeud initial, puis deux branches :

- Branche 1 : événement \( A \) avec probabilité \( P(A) \)

- Branche 2 : événement \( 
eg A \) avec probabilité \( 1 - P(A) \)

b. Tables croisés

Les tableaux croisés synthétisent les données de probabilité ou d'effectifs et permettent de calculer facilement des probabilités conditionnelles :

	Réussite	Échec	Total
Groupe 1	Effectif ou probabilité	Effectif ou probabilité	Total
Groupe 2	Eff/Prob	Eff/Prob	Eff/Prob

4. Méthode de Monte Carlo

Il s'agit d'une technique numérique pour estimer une probabilité ou un intégrale par simulation aléatoire :

1. Générer un grand nombre d'échantillons aléatoires selon la distribution étudiée.
2. Calculer la fréquence de réalisation de l'événement d'intérêt.
3. Cette fréquence approche la probabilité recherchée lorsque le nombre d'échantillons est grand.

Exemple : Estimer \( P(A) \) en simulant une expérience aléatoire plusieurs milliers de fois.

Résumé

• Les probabilités conditionnelles permettent d'ajuster les probabilités en fonction de nouvelles informations.
• L'indépendance simplifie les calculs en supposant que la survenue de certains événements n'influence pas d'autres.
• Les arbres et tableaux croisés permettent de représenter et manipuler ces situations graphiquement et numériquement.
• La méthode Monte Carlo est un outil puissant pour l'estimation en probabilités lorsque l'analyse exacte est complexe.