Probabilités conditionnelles

Vue d'ensemble

Les probabilités conditionnelles formalisent une idée intuitive mais piégeuse : « sachant qu'un événement $B$ s'est produit, quelle est la probabilité de $A$ ? ». Elles ouvrent la voie aux deux théorèmes les plus utilisés du chapitre — la formule des probabilités totales et la formule de Bayes — et conduisent à la notion d'indépendance, cœur du raisonnement probabiliste. Cette fiche regroupe les 5 théorèmes incontournables, les 4 démonstrations à savoir refaire et les pièges (notamment la confusion indépendance 2 à 2 vs mutuelle) qui font perdre des points en colle comme à l'écrit.

Au programme PCSI (officiel) — Probabilité conditionnelle d'un événement

A

sachant

B

(avec

P (B) > 0

P_{B}

est une probabilité sur

Ω

. Formule des probabilités composées. Système complet d'événements. Formule des probabilités totales. Formule de Bayes. Indépendance de deux événements, indépendance mutuelle d'une famille d'événements. Cadre univers fini.

Prérequis

Espace probabilisé fini $(Ω, P)$ : axiomes $P (Ω) = 1$ et additivité finie
Manipulation des événements : réunion $A \cup B$ , intersection $A \cap B$ , complémentaire $\overline{A}$
Système complet d'événements : partition $(B_{i})$ de $Ω$ avec $P (B_{i}) > 0$

🎯 Accompagnement Majorant

Tu confonds $P (A ∣ B)$ et $P (B ∣ A)$ une fois sur deux ? C'est le piège n°1 du chapitre : il fait chuter 1 élève de PCSI sur 2 sur le test diagnostic médical et les exos de Bayes. Nos mentors alumni X · Centrale · Mines remettent les fondations en place en cours particuliers, avec arbres de probabilités et exos sur-mesure tirés de tes propres DS.

Trouver un mentor PCSI →

1. Définitions essentielles

Définition 1.1 — Probabilité conditionnelle

Soient $A$ et $B$ deux événements d'un espace probabilisé fini $(Ω, P)$ tels que $P (B) > 0$ . On appelle probabilité conditionnelle de $A$ sachant $B$ le réel :

P_{B} (A) = P (A ∣ B) = \frac{P ( A \cap B )}{P ( B )} .

Les deux notations $P_{B} (A)$ et $P (A ∣ B)$ sont rigoureusement équivalentes ; la première met en avant le fait que $P_{B}$ est elle-même une probabilité (cf. Théorème 2.1).

⚠ Piège #1 du chapitre — confondre $P (A ∣ B)$ et $P (B ∣ A)$ . Ce sont deux quantités différentes, liées par la formule de Bayes mais jamais égales en général. Exemple culte : test diagnostic. Si

M

= « être malade » et

T

= « test positif », alors

P (T ∣ M)

est la sensibilité du test (souvent élevée,

\approx 0, 99

) tandis que

P (M ∣ T)

est la valeur prédictive positive (souvent bien plus faible quand la maladie est rare). Lis toujours la condition après la barre :

P (A ∣ B)

= «

A

sachant

B

».

Définition 1.2 — Système complet d'événements

Une famille finie $(B_{1}, B_{2}, \dots, B_{n})$ d'événements de $Ω$ est un système complet d'événements si elle forme une partition de $Ω$ , c'est-à-dire :

les $B_{i}$ sont deux à deux incompatibles : $\forall i \neq = j, B_{i} \cap B_{j} = \emptyset$ ,
leur réunion couvre $Ω$ : $i = 1 ⋃ n B_{i} = Ω$ .

On suppose en général que $P (B_{i}) > 0$ pour tout $i$ , afin que les conditionnements $P_{B_{i}}$ soient bien définis.

📝 Cas particulier ultra-classique. Pour tout événement

B

avec

0 < P (B) < 1

, la famille

(B, \overline{B})

est un système complet d'événements. C'est le cas d'usage le plus fréquent de la formule des probabilités totales en exo.

Définition 1.3 — Indépendance de deux événements

Deux événements $A$ et $B$ sont indépendants (pour la probabilité $P$ ) si :

P (A \cap B) = P (A) \cdot P (B) .

Lorsque $P (B) > 0$ , cette condition équivaut à $P_{B} (A) = P (A)$ (cf. Proposition 4.1) : savoir que $B$ est réalisé ne modifie pas la probabilité de $A$ .

Définition 1.4 — Indépendance mutuelle d'une famille

Une famille finie $(A_{1}, A_{2}, \dots, A_{n})$ d'événements est mutuellement indépendante si pour toute sous-partie $I \subset {1, 2, \dots, n}$ non vide, on a :

P (i \in I ⋂ A_{i}) = i \in I \prod P (A_{i}) .

Cette condition doit être vérifiée pour toutes les sous-intersections — pas seulement pour l'intersection totale.

Définition 1.5 — Indépendance deux à deux

Une famille $(A_{1}, \dots, A_{n})$ est indépendante deux à deux si pour tout couple $i \neq = j$ , les événements $A_{i}$ et $A_{j}$ sont indépendants : $P (A_{i} \cap A_{j}) = P (A_{i}) \cdot P (A_{j})$ .

⚠ Piège #2 — Indépendance 2 à 2 vs indépendance mutuelle. L'indépendance mutuelle implique l'indépendance deux à deux (prends

∣ I ∣ = 2

dans la définition), mais la réciproque est FAUSSE. Contre-exemple canonique (Bernstein) : on lance deux pièces équilibrées,

A

= « 1^re pile »,

B

= « 2^e pile »,

C

= « les deux résultats sont identiques ». Les trois sont indépendants deux à deux mais

P (A \cap B \cap C) = 1/4 \neq = P (A) P (B) P (C) = 1/8

. Quand un exo dit « les

A_{i}

sont indépendants », c'est mutuellement — pas 2 à 2.

2. Théorèmes fondamentaux

2.1 — P_B est une probabilité sur Ω

Théorème 2.1 — P_B est une probabilité sur Ω ★ À savoir démontrer

Soit $B$ un événement tel que $P (B) > 0$ . L'application $P_{B} : P (Ω) \to [0, 1]$ définie par $P_{B} (A) = P (A \cap B) / P (B)$ est une probabilité sur $Ω$ : elle vérifie $P_{B} (Ω) = 1$ et l'additivité finie.

Démonstration (vérification des axiomes)

Soit $B$ avec $P (B) > 0$ . On vérifie les axiomes d'une probabilité sur l'univers fini $Ω$ .

(i) Positivité et borne supérieure. Pour tout $A \subset Ω$ , $P (A \cap B) \geq 0$ et $P (B) > 0$ , donc $P_{B} (A) \geq 0$ . De plus $A \cap B \subset B$ donc $P (A \cap B) \leq P (B)$ , soit $P_{B} (A) \leq 1$ . Ainsi $P_{B} (A) \in [0, 1]$ .

(ii) Masse totale. $P_{B} (Ω) = \frac{P ( Ω \cap B )}{P ( B )} = \frac{P ( B )}{P ( B )} = 1$ .

(iii) Additivité finie. Soient $A_{1}, A_{2}$ incompatibles ( $A_{1} \cap A_{2} = \emptyset$ ). Alors $(A_{1} \cap B) \cap (A_{2} \cap B) = (A_{1} \cap A_{2}) \cap B = \emptyset \cap B = \emptyset$ , donc $A_{1} \cap B$ et $A_{2} \cap B$ sont incompatibles. Par additivité de $P$ :

P_{B} (A_{1} \cup A_{2}) = \frac{P ( ( A _{1} \cup A _{2} ) \cap B )}{P ( B )} = \frac{P ( ( A _{1} \cap B ) \cup ( A _{2} \cap B ) )}{P ( B )} = \frac{P ( A _{1} \cap B ) + P ( A _{2} \cap B )}{P ( B )} = P_{B} (A_{1}) + P_{B} (A_{2}) .

Par récurrence immédiate, on obtient l'additivité pour toute famille finie d'événements deux à deux incompatibles. Donc $P_{B}$ est bien une probabilité sur $Ω$ .

📝 Conséquence pratique. Comme

P_{B}

est une probabilité, toutes les règles connues pour

P

s'appliquent à

P_{B}

P_{B} (\overline{A}) = 1 - P_{B} (A)

P_{B} (A_{1} \cup A_{2}) = P_{B} (A_{1}) + P_{B} (A_{2}) - P_{B} (A_{1} \cap A_{2})

, etc. C'est un raccourci précieux en exo.

2.2 — Formule des probabilités composées

Théorème 2.2 — Formule des probabilités composées (2 événements)

Soient $A, B$ deux événements. Si $P (B) > 0$ , alors :

P (A \cap B) = P (B) \cdot P_{B} (A) .

Symétriquement, si $P (A) > 0$ , $P (A \cap B) = P (A) \cdot P_{A} (B)$ . Les deux écritures sont égales — c'est la clé de la formule de Bayes.

Théorème 2.3 — Formule des probabilités composées généralisée

Soient $A_{1}, A_{2}, \dots, A_{n}$ des événements tels que $P (A_{1} \cap A_{2} \cap \dots \cap A_{n - 1}) > 0$ . Alors :

P (A_{1} \cap A_{2} \cap \dots \cap A_{n}) = P (A_{1}) \cdot P_{A_{1}} (A_{2}) \cdot P_{A_{1} \cap A_{2}} (A_{3}) \dots P_{A_{1} \cap \dots \cap A_{n - 1}} (A_{n}) .

C'est la formule qui « descend » naturellement le long d'une branche d'arbre de probabilités.

💡 Exemple canonique — Tirages successifs sans remise. Une urne contient 3 boules rouges et 2 noires. On tire 3 boules sans remise. Quelle est la probabilité

p

de tirer rouge à chaque fois ? Notons

R_{i}

= «

i

-ième boule rouge ». Par probabilités composées :

p = P (R_{1} \cap R_{2} \cap R_{3}) = P (R_{1}) \cdot P_{R_{1}} (R_{2}) \cdot P_{R_{1} \cap R_{2}} (R_{3}) = \frac{3}{5} \cdot \frac{2}{4} \cdot \frac{1}{3} = \frac{1}{10} .

Chaque conditionnement met à jour la composition de l'urne — c'est l'archétype où la formule composée est indispensable.

2.3 — Formule des probabilités totales

Théorème 2.4 — Formule des probabilités totales ★ À savoir démontrer

Soit $(B_{1}, B_{2}, \dots, B_{n})$ un système complet d'événements avec $P (B_{i}) > 0$ pour tout $i$ . Alors, pour tout événement $A$ :

P (A) = i = 1 \sum n P (A \cap B_{i}) = i = 1 \sum n P (B_{i}) \cdot P_{B_{i}} (A) .

Démonstration (partition + additivité)

Comme $(B_{i})_{1 \leq i \leq n}$ est un système complet d'événements, $i = 1 ⋃ n B_{i} = Ω$ et les $B_{i}$ sont deux à deux incompatibles. On écrit alors :

A = A \cap Ω = A \cap (i = 1 ⋃ n B_{i}) = i = 1 ⋃ n (A \cap B_{i}) .

Les événements $(A \cap B_{i})_{1 \leq i \leq n}$ sont eux aussi deux à deux incompatibles : si $i \neq = j$ , $(A \cap B_{i}) \cap (A \cap B_{j}) = A \cap (B_{i} \cap B_{j}) = A \cap \emptyset = \emptyset$ . Par additivité finie de $P$ :

P (A) = P (i = 1 ⋃ n (A \cap B_{i})) = i = 1 \sum n P (A \cap B_{i}) .

Enfin, pour chaque $i$ , $P (B_{i}) > 0$ permet d'écrire $P (A \cap B_{i}) = P (B_{i}) \cdot P_{B_{i}} (A)$ par la formule des probabilités composées, d'où :

P (A) = i = 1 \sum n P (B_{i}) \cdot P_{B_{i}} (A) .

📐 Méthode-type — Utiliser la formule des probabilités totales. Le déclencheur pédagogique : tu connais $P (A)$ conditionnée à certaines situations $B_{i}$ , mais pas $P (A)$ directement. Procédure :

Identifier le système complet pertinent. Le plus souvent $(B, \overline{B})$ , ou « $B_{i}$ = $i$ -ème urne tirée », « $B_{i}$ = état initial », etc.
Vérifier $P (B_{i}) > 0$ pour chaque indice (sinon on conditionne par l'impossible).
Calculer chaque $P_{B_{i}} (A)$ — c'est généralement direct car le conditionnement fixe la situation.
Sommer : $P (A) = \sum_{i} P (B_{i}) \cdot P_{B_{i}} (A)$ .

L'arbre de probabilités (cf. §3) matérialise visuellement cette somme : chaque branche contribue son produit, et on additionne toutes les branches menant à

A

2.4 — Formule de Bayes

Théorème 2.5 — Formule de Bayes ★ À savoir démontrer

Soient $A$ un événement avec $P (A) > 0$ et $(B_{1}, B_{2}, \dots, B_{n})$ un système complet d'événements avec $P (B_{i}) > 0$ pour tout $i$ . Alors, pour tout $j \in {1, \dots, n}$ :

P_{A} (B_{j}) = P (B_{j} ∣ A) = \frac{P ( B _{j} ) \cdot P _{B_{j}} ( A )}{i = 1 \sum n P ( B _{i} ) \cdot P _{B_{i}} ( A )} .

Démonstration (symétrie des probabilités composées + dénominateur via PT)

On part de la double écriture de $P (A \cap B_{j})$ via la formule des probabilités composées (Théorème 2.2) :

P (A \cap B_{j}) = P (A) \cdot P_{A} (B_{j}) = P (B_{j}) \cdot P_{B_{j}} (A) .

Comme $P (A) > 0$ , on isole $P_{A} (B_{j})$ en divisant par $P (A)$ :

P_{A} (B_{j}) = \frac{P ( B _{j} ) \cdot P _{B_{j}} ( A )}{P ( A )} .

Il ne reste qu'à exprimer $P (A)$ au dénominateur grâce à la formule des probabilités totales (Théorème 2.4) appliquée au système complet $(B_{i})$ :

P (A) = i = 1 \sum n P (B_{i}) \cdot P_{B_{i}} (A) .

En substituant, on obtient bien la formule annoncée.

📝 Vocabulaire bayésien (culture utile). Dans

P_{A} (B_{j}) = \frac{P ( B _{j} ) \cdot P _{B_{j}} ( A )}{\sum _{i} P ( B _{i} ) P _{B_{i}} ( A )}

P (B_{j})

est appelée probabilité a priori (avant observation),

P_{A} (B_{j})

la probabilité a posteriori (après avoir observé

A

), et

P_{B_{j}} (A)

la vraisemblance de l'observation sous l'hypothèse

B_{j}

. Bayes est l'outil qui met à jour nos croyances à la lumière des données.

💡 Exemple canonique — Test diagnostic médical. Une maladie touche 1 % de la population. On dispose d'un test avec :

P (T ∣ M) = 0, 99

(sensibilité) et

P (T ∣ \overline{M}) = 0, 05

(taux de faux positifs). Un patient est testé positif : quelle est la probabilité qu'il soit malade ? Le système complet est

(M, \overline{M})

. Bayes :

P (M ∣ T) = \frac{P ( M ) \cdot P _{M} ( T )}{P ( M ) P _{M} ( T ) + P ( M ) P _{\overline{M}} ( T )} = \frac{0 , 01 \times 0 , 99}{0 , 01 \times 0 , 99 + 0 , 99 \times 0 , 05} \approx 0, 167.

Moins de 17 % ! Alors que la sensibilité du test est de 99 %. C'est l'effet contre-intuitif que Bayes rend rigoureux : quand la maladie est rare, les faux positifs dominent. C'est exactement ce qui tombe en colle de proba — assimile l'exemple.

🧑‍🏫 Décortique Bayes avec un mentor

Le test diagnostic, c'est LE classique où 70 % des PCSI se trompent en première lecture. En 1 séance avec un mentor Majorant alumni de l'X ou Centrale, tu maîtrises Bayes pour de bon : arbre, double écriture des composées, lecture vraisemblance/a priori, et variantes (deux tests successifs, mise à jour itérative).

Réserver une séance ciblée →

3. Arbres de probabilités — méthode visuelle

L'arbre est la matérialisation graphique des théorèmes 2.3 (composées généralisées) et 2.4 (probabilités totales). Bien dessiné, il transforme un énoncé verbal en calcul mécanique.

📐 Méthode-type — Construire et exploiter un arbre.

Racine. On part de $Ω$ (univers).
Premier niveau. On choisit un système complet d'événements $(B_{1}, \dots, B_{n})$ ; on dessine $n$ branches étiquetées $P (B_{1}), \dots, P (B_{n})$ .
Deuxième niveau. À l'extrémité de chaque branche $B_{i}$ , on dessine les sous-branches $B_{i} \to A$ et $B_{i} \to \overline{A}$ étiquetées par les probabilités conditionnelles $P_{B_{i}} (A)$ et $P_{B_{i}} (\overline{A}) = 1 - P_{B_{i}} (A)$ .
Probabilité d'un chemin (probabilités composées). On multiplie les étiquettes le long du chemin : $P (B_{i} \cap A) = P (B_{i}) \cdot P_{B_{i}} (A)$ .
Probabilité d'un événement final (probabilités totales). On somme les probabilités de tous les chemins menant à cet événement : $P (A) = \sum_{i} P (B_{i}) \cdot P_{B_{i}} (A)$ .

Règle de cohérence : la somme des probabilités des branches partant d'un même nœud vaut toujours

1

. Si ce n'est pas le cas, tu as oublié une branche ou mal lu l'énoncé.

⚠ Piège #3 — Étiquette sur la première branche vs étiquette sur la seconde. La première branche porte une probabilité non conditionnée

P (B_{i})

; les branches du deuxième niveau portent des probabilités conditionnelles

P_{B_{i}} (A)

, pas

P (A \cap B_{i})

. C'est l'erreur fréquente qui fait écrire

P (A) = \sum P (A \cap B_{i}) \cdot P (B_{i})

(faux d'un facteur

P (B_{i})

en trop). Garde en tête : les branches profondes sont conditionnées.

💡 Exemple — Arbre pour les deux urnes. Deux urnes :

U_{1}

contient 2 blanches et 3 noires,

U_{2}

contient 4 blanches et 1 noire. On choisit une urne au hasard (équiprobable) puis on tire une boule.

B

= « blanche ». Système complet :

(U_{1}, U_{2})

P (U_{1}) = P (U_{2}) = 1/2

. Probabilités conditionnelles :

P_{U_{1}} (B) = 2/5

P_{U_{2}} (B) = 4/5

. Probabilités totales :

P (B) = \frac{1}{2} \cdot \frac{2}{5} + \frac{1}{2} \cdot \frac{4}{5} = \frac{6}{10} = \frac{3}{5} .

Bayes (la boule est blanche, urne probable ?) :

P (U_{2} ∣ B) = \frac{( 1/2 ) ( 4/5 )}{3/5} = \frac{2}{3}

— l'observation « blanche » a poussé notre croyance vers

U_{2}

, qui contient plus de blanches.

4. Indépendance — caractérisations et subtilités

Proposition 4.1 — Caractérisation de l'indépendance par le conditionnement ★ À savoir démontrer

Soient $A, B$ deux événements avec $P (B) > 0$ . Alors :

A et B sont ind \overset{e}{ˊ} pendants ⟺ P_{B} (A) = P (A) .

Démonstration (équivalence directe)

Supposons $P (B) > 0$ .

(⇒) Si $A$ et $B$ sont indépendants, alors par définition $P (A \cap B) = P (A) \cdot P (B)$ . En divisant par $P (B) > 0$ :

P_{B} (A) = \frac{P ( A \cap B )}{P ( B )} = \frac{P ( A ) \cdot P ( B )}{P ( B )} = P (A) .

(⇐) Réciproquement, si $P_{B} (A) = P (A)$ , alors par définition de $P_{B}$ :

\frac{P ( A \cap B )}{P ( B )} = P (A) ⟺ P (A \cap B) = P (A) \cdot P (B),

ce qui est exactement la définition de l'indépendance de $A$ et $B$ . On a bien l'équivalence.

📝 Lecture sémantique. L'équivalence ci-dessus dit que l'indépendance est exactement la non-modification de la probabilité par le conditionnement. C'est l'intuition centrale : « savoir que

B

s'est produit ne change pas la chance de

A

». Symétriquement, si

P (A) > 0

, l'indépendance équivaut à

P_{A} (B) = P (B)

Proposition 4.2 — Stabilité par complémentation

Si $A$ et $B$ sont indépendants, alors les couples $(A, \overline{B})$ , $(\overline{A}, B)$ et $(\overline{A}, \overline{B})$ sont eux aussi indépendants.

Démonstration (cas (A, \overline{B}))

Supposons $A$ et $B$ indépendants. On veut $P (A \cap \overline{B}) = P (A) \cdot P (\overline{B})$ . Or $A = (A \cap B) \cup (A \cap \overline{B})$ (union disjointe), donc :

P (A) = P (A \cap B) + P (A \cap \overline{B}),

soit $P (A \cap \overline{B}) = P (A) - P (A \cap B) = P (A) - P (A) P (B) = P (A) (1 - P (B)) = P (A) \cdot P (\overline{B})$ . Les autres cas s'en déduisent par symétrie.

⚠ Piège #4 — Indépendance n'est PAS incompatibilité. Deux événements incompatibles ne sont presque jamais indépendants. En effet, si

A \cap B = \emptyset

alors

P (A \cap B) = 0

; l'indépendance demanderait

P (A) P (B) = 0

, donc

P (A) = 0

P (B) = 0

. Autrement dit, deux événements incompatibles et non négligeables ne peuvent jamais être indépendants. Intuition : si

A

B

s'excluent, savoir que

B

est arrivé t'apprend que

A

n'est pas arrivé — c'est l'opposé de l'indépendance.

💡 Contre-exemple Bernstein (indépendance 2 à 2 ≠ mutuelle). On lance deux pièces équilibrées indépendantes. Soit

A

= « 1^re pile »,

B

= « 2^e pile »,

C

= « les deux résultats sont identiques ». On a

P (A) = P (B) = P (C) = 1/2

. Calculs :

P (A \cap B) = 1/4 = P (A) P (B), P (A \cap C) = 1/4 = P (A) P (C), P (B \cap C) = 1/4 = P (B) P (C) .

Donc

(A, B, C)

est indépendante deux à deux. Mais :

P (A \cap B \cap C) = P (2 piles) = 1/4 \neq = P (A) P (B) P (C) = 1/8.

Donc la famille n'est pas mutuellement indépendante. À retenir absolument — c'est LE contre-exemple cité dans tous les jurys.

5. Erreurs classiques en copie (vues par les correcteurs)

Ces erreurs sont relevées chaque année dans les rapports de jury (CCINP, Mines-Ponts, Centrale, X-ENS) sur les épreuves comportant des probabilités conditionnelles. Elles coûtent typiquement entre 1 et 3 points par occurrence.

⚠ Erreur 1 — Confondre $P (A ∣ B)$ et $P (B ∣ A)$ . L'inversion des deux quantités est la faute n°1, particulièrement sur les exos type test diagnostic. Réflexe : avant d'écrire quoi que ce soit, traduis chaque probabilité en mots français (« sachant que

B

est réalisé, probabilité que

A

… »). Si l'énoncé donne la sensibilité d'un test, c'est

P (T ∣ M)

, pas

P (M ∣ T)

— et pour passer de l'un à l'autre, il faut Bayes.

⚠ Erreur 2 — Oublier de vérifier $P (B) > 0$ avant d'écrire $P_{B} (A)$ . Le conditionnement par un événement de probabilité nulle n'est pas défini. Dans toute démo ou application des formules (composées, totales, Bayes), tu dois écrire « comme $P (B_{i}) > 0$ , on a… ». Aux concours, l'absence de cette ligne coûte un demi-point systématique.

⚠ Erreur 3 — Appliquer les probabilités totales sans système complet. La formule

P (A) = \sum_{i} P (B_{i}) P_{B_{i}} (A)

suppose que

(B_{i})

est une partition de $Ω$ . Si tu écris

P (A) = P_{B} (A) + P_{\overline{B}} (A)

(sans pondération par

P (B)

P (\overline{B})

), c'est faux d'un facteur ; et si tu sommes sur des

B_{i}

qui ne couvrent pas

Ω

(oubli d'un cas) ou se chevauchent (

B_{i} \cap B_{j} \neq = \emptyset

), tu obtiens un résultat qui peut être strictement supérieur à 1. Vérifie toujours la partition.

⚠ Erreur 4 — Confondre indépendance 2 à 2 et indépendance mutuelle. Quand un énoncé pose « les

A_{i}

sont indépendants », il s'agit de l'indépendance mutuelle (toutes les sous-intersections vérifient le produit). Ne te contente pas de vérifier les couples

(A_{i}, A_{j})

: c'est plus faible (contre-exemple de Bernstein). Réciproquement, ne dis pas «

A

B

C

indépendants 2 à 2 donc mutuellement indépendants » — c'est la faute capitale.

⚠ Erreur 5 — Confondre indépendance et incompatibilité. Deux événements incompatibles

(A \cap B = \emptyset)

ne sont indépendants que si

P (A) = 0

P (B) = 0

(cas dégénéré). Écrire «

A

B

sont incompatibles donc indépendants » est une faute lourde — c'est exactement le contraire en général.

6. Pour aller plus loin

Les probabilités conditionnelles sont l'infrastructure de tout le programme de probabilités PCSI/MP. Les chapitres qui les réinvestissent directement :

Variables aléatoires discrètes — les lois conditionnelles $P (X = k ∣ Y = j)$ sont construites sur le même modèle que $P_{B} (A)$ . L'indépendance de variables aléatoires se définit via l'indépendance mutuelle des événements ${X_{i} \in A_{i}}$ .
Espérance conditionnelle (spé) — $E (X ∣ B)$ calcule la moyenne de $X$ sous la probabilité $P_{B}$ . La formule de l'espérance totale est l'analogue de la formule des probabilités totales pour l'espérance.
Chaînes de Markov (spé) — les transitions $P (X_{n + 1} = j ∣ X_{n} = i)$ sont précisément des probabilités conditionnelles, et la matrice de transition encode tout le système dynamique.
Statistique inférentielle — la formule de Bayes est l'outil central de l'inférence bayésienne, qui met à jour des distributions a priori à la lumière de données observées (et qui est partout en data science).

Récap final — Ce qu'il faut absolument retenir

À la veille d'une khôlle ou d'un DS, parcours cette checklist : tu dois pouvoir répondre « oui, sans hésiter » à chaque question.

Sais-tu écrire la définition de $P_{B} (A) = P (A \cap B) / P (B)$ (avec la condition $P (B) > 0$ ) sans regarder ?
Sais-tu démontrer que $P_{B}$ est une probabilité sur $Ω$ (vérification des trois axiomes) ?
Sais-tu énoncer et démontrer la formule des probabilités totales (système complet + additivité) ?
Sais-tu énoncer et démontrer la formule de Bayes à partir de la double écriture $P (A \cap B) = P (A) P_{A} (B) = P (B) P_{B} (A)$ ?
Sais-tu écrire la formule des probabilités composées généralisée pour $n$ événements ?
Sais-tu définir l'indépendance mutuelle d'une famille $(A_{i})$ (toutes les sous-intersections) ?
Sais-tu donner le contre-exemple de Bernstein (indépendance 2 à 2 ≠ mutuelle) ?
Sais-tu démontrer l'équivalence $P (A \cap B) = P (A) P (B) ⟺ P_{B} (A) = P (A)$ ?
Sais-tu construire et exploiter un arbre de probabilités (composées sur une branche, totales sur les branches sommées) ?
Sais-tu calculer la valeur prédictive positive d'un test diagnostic avec Bayes (et expliquer le résultat contre-intuitif) ?
Connais-tu les 5 erreurs classiques en copie et sais-tu les éviter (notamment $P (A ∣ B)$ vs $P (B ∣ A)$ , partition incomplète, indép. 2 à 2 vs mutuelle) ?

Démonstrations à savoir refaire

P_B est une probabilité sur Ω — vérification des trois axiomes (positivité, masse, additivité)
Formule des probabilités totales — partition par système complet + additivité finie
Formule de Bayes — double écriture des composées + dénominateur via probabilités totales
Équivalence indépendance ⇔ $P_{B} (A) = P (A)$ — division par $P (B) > 0$ , aller-retour direct

Vue d'ensemble

Prérequis

1. Définitions essentielles

2. Théorèmes fondamentaux

2.1 — P_B est une probabilité sur Ω

2.2 — Formule des probabilités composées

2.3 — Formule des probabilités totales

2.4 — Formule de Bayes

3. Arbres de probabilités — méthode visuelle

4. Indépendance — caractérisations et subtilités

5. Erreurs classiques en copie (vues par les correcteurs)

6. Pour aller plus loin

Récap final — Ce qu'il faut absolument retenir

Démonstrations à savoir refaire

Débloque la fiche complète

Fiches associées

Probabilités conditionnelles

Nombres réels

Suites numériques

Généralités sur les fonctions

Limites et continuité

Fonctions dérivables

Tu veux aller plus loin sur ce chapitre ?