Aller au contenu principal
🎲 L1 • Data / Économétrie avancée Disponible

Construire un modèle de l’aléa et raisonner sur l’information

Probabilités conditionnelles, Bayes, variables aléatoires, lois usuelles (binomiale, Poisson, normale), espérance et variance.

1 QCM disponible 20 Questions dans les QCM

Banque publiée de la matière : 20 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.

Commencer à réviser

Choisis un QCM et tes scores s'enregistreront automatiquement.

← Toutes les matières L1
🤖 Auto Disponible

QCM probabilites L1 - Conditionnement, Bayes et indépendance

QCM de 20 questions avec corrections détaillées sur Conditionnement, Bayes et indépendance (probabilites). Révisez efficacement avec des explications pédagogiques pour le niveau L1.

20 questions Intermédiaire Jusqu'à 40 XP
Révision Challenge Examen
Voir ce QCM

Présentation de Probabilités

Les Probabilités en Licence 1 fondent le raisonnement aléatoire : événements et axiomes de Kolmogorov, probabilités conditionnelles et indépendance, théorème de Bayes, variables aléatoires discrètes et continues, lois usuelles (Bernoulli, binomiale, Poisson, uniforme, normale), espérance, variance et loi des grands nombres. Socle théorique de l'inférence statistique et de l'économétrie.

Objectifs pédagogiques

Acquérir les fondements du calcul des probabilités : modélisation de l'aléa, variables aléatoires, lois usuelles et théorèmes limites, indispensables pour fonder l'inférence statistique et l'économétrie.

Auteurs de référence en Probabilités

Les penseurs et théoriciens incontournables abordés dans nos QCM et dans les programmes universitaires.

Andreï Kolmogorov Dominique Foata Aimé Fuchs Jean-Yves Ouvrard

Notions et périmètre de Probabilités en Licence 1

Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.

Espaces probabilisés, événements et axiomes de Kolmogorov
Probabilités conditionnelles, indépendance, formule de Bayes
Variables aléatoires discrètes et continues
Espérance, variance et moments
Lois usuelles : binomiale, Poisson, normale, exponentielle
Couples de variables et lois jointes
Loi des grands nombres et théorème central limite

Compétences visées en Probabilités

  • Définir événements et univers sans double comptage.
  • Calculer une probabilité conditionnelle par Bayes.
  • Choisir une loi compatible avec une expérience.
  • Distinguer loi des grands nombres et théorème central limite.

L’univers et les événements précèdent les calculs

Un modèle probabiliste associe un univers d’issues possibles, une collection d’événements et une probabilité. Cette probabilité est positive, vaut un pour l’univers entier et s’additionne sur des événements disjoints. Pour une enquête économique, l’issue peut être la situation d’un ménage tiré au hasard, mais le mécanisme de tirage doit être précisé. Un tirage uniforme parmi les ménages ne donne pas la même distribution qu’un tirage uniforme parmi les personnes, car les grands ménages sont davantage représentés dans le second cas.

L’union de deux événements signifie que l’un au moins se réalise ; leur intersection signifie qu’ils se réalisent simultanément. La formule $P(A\cup B)=P(A)+P(B)-P(A\cap B)$ retire le double comptage. Deux événements incompatibles ont une intersection vide. Ils ne sont pas indépendants lorsqu’ils possèdent chacun une probabilité strictement positive : savoir que l’un se réalise exclut alors l’autre. Le complémentaire permet souvent de simplifier un calcul, par exemple pour la probabilité d’au moins un défaut parmi plusieurs opérations.

Conditionner change la population de référence

La probabilité conditionnelle $P(A\mid B)=P(A\cap B)/P(B)$ est définie lorsque P(B) est strictement positive. Elle restreint l’attention aux issues où B se réalise. Dire que 30 % des personnes formées trouvent un emploi n’équivaut donc pas à dire que 30 % des personnes en emploi ont suivi une formation. Les dénominateurs diffèrent. L’indépendance de A et B signifie que leur intersection a pour probabilité le produit de leurs probabilités, ou que connaître B ne modifie pas la probabilité de A lorsque le conditionnement est défini.

Une partition découpe l’univers en événements disjoints couvrant toutes les issues. La formule des probabilités totales calcule une probabilité en pondérant les probabilités conditionnelles par le poids de chaque groupe. Bayes inverse ensuite le sens du conditionnement en utilisant cette probabilité totale au dénominateur. Ces formules sont particulièrement importantes lorsque les groupes ont des tailles très différentes. Une information apparemment forte peut conduire à une probabilité finale modeste si l’événement recherché était initialement rare. Cette rareté initiale ne doit pas être ignorée.

Variables aléatoires, espérance et dispersion

Une variable aléatoire associe un nombre à chaque issue. Sa loi décrit les probabilités de ses valeurs ou de ses intervalles. Pour une variable discrète, l’espérance est une somme de valeurs pondérées par leurs probabilités. Pour une variable continue avec densité, elle s’exprime par une intégrale. La densité n’est pas une probabilité ponctuelle : pour une loi continue, la probabilité d’une valeur exacte est nulle, tandis qu’une aire sous la densité donne une probabilité d’intervalle.

L’espérance d’un revenu s’exprime dans l’unité du revenu, mais sa variance dans cette unité au carré. L’écart-type retrouve l’unité initiale. La variance est la moyenne des écarts au carré autour de l’espérance, pas autour de zéro. Pour deux variables, la variance d’une somme inclut deux fois leur covariance. Si elles sont indépendantes et ont des variances finies, cette covariance est nulle ; la réciproque n’est pas vraie en général. Omettre les covariances peut donc sous-estimer ou surestimer le risque d’un portefeuille de revenus ou de dépenses.

Des lois usuelles liées à des mécanismes

La loi de Bernoulli décrit un indicateur de succès avec probabilité p ; son espérance vaut p et sa variance p(1 − p). La loi binomiale compte les succès de n essais indépendants ayant la même probabilité. Le nombre de clients qui achètent peut être modélisé ainsi seulement si ces hypothèses sont défendables. Sans remise dans une petite population, la dépendance entre tirages appelle plutôt une loi hypergéométrique. Le choix ne dépend pas uniquement du fait que la réponse soit un nombre entier.

La loi de Poisson décrit des comptages avec une moyenne égale à sa variance, souvent reliés à un processus d’événements à intensité constante. Dans ce processus, le temps d’attente suit une loi exponentielle dont le paramètre est un taux par unité de temps. La loi normale décrit une grandeur continue symétrique sur toute la droite réelle ; elle peut être une approximation, pas une loi universelle des données économiques. Une distribution de revenus très asymétrique ne devient pas normale simplement parce que le fichier contient beaucoup d’observations.

Exemple calculé : interpréter une alerte de défaut

Dans une population fictive de dossiers, 2 % aboutissent à un défaut de paiement. Un dispositif d’alerte se déclenche pour 90 % des dossiers qui feront défaut et pour 5 % de ceux qui n’en feront pas. Notons D le défaut et A l’alerte. La probabilité conjointe d’un défaut et d’une alerte vaut 0,02 × 0,90 = 0,018. Celle d’une alerte sans défaut vaut 0,98 × 0,05 = 0,049.

La probabilité totale d’alerte est 0,018 + 0,049 = 0,067. Bayes donne alors P(D sachant A) = 0,018/0,067, soit environ 26,9 %. Sur 10 000 dossiers comparables, on attendrait 180 alertes associées à un défaut et 490 alertes sans défaut, donc 670 alertes. Le dispositif repère une grande part des défauts, mais la majorité des alertes ne correspond pas à un défaut. Ce résultat vient notamment du faible taux initial de défaut.

Ces fréquences attendues ne sont pas des effectifs garantis dans chaque échantillon. L’interprétation suppose aussi que les taux annoncés restent pertinents pour la population étudiée. Si la composition des emprunteurs change, la probabilité après alerte peut changer même si les performances conditionnelles du dispositif restent identiques. Enfin, l’exemple calcule une information probabiliste ; il ne détermine pas à lui seul une décision de crédit, laquelle implique coûts, contraintes et autres considérations.

Grands nombres, approximation normale et méthode de résolution

Pour des variables indépendantes et identiquement distribuées avec une espérance finie, la loi des grands nombres relie la moyenne empirique à cette espérance lorsque la taille augmente. Le théorème central limite, dans sa version classique avec variance finie non nulle, décrit la loi de la moyenne centrée et divisée par son erreur-type. La première propriété concerne la stabilisation ; la seconde concerne la forme de l’incertitude autour de la cible. Aucune ne garantit qu’un échantillon sélectionné représente la population souhaitée.

Pour résoudre un exercice, écrire l’expérience, les événements, les unités et l’information disponible avant de choisir une formule. Dessiner un arbre pour un conditionnement ou dresser une table conjointe pour des groupes. Vérifier que les probabilités sont entre zéro et un et que les branches d’une partition totalisent un. Pour une somme, examiner l’indépendance avant d’additionner les variances. Pour une approximation normale, contrôler la pertinence des conditions et la rareté éventuelle des événements. Une règle mécanique portant seulement sur la taille ne suffit pas à couvrir toutes les distributions.

Questions de cours

Incompatibilité et indépendance sont-elles synonymes ?

Non. Deux événements incompatibles de probabilités positives ne peuvent pas se réaliser ensemble, alors que des événements indépendants ont une intersection de probabilité égale au produit.

Pourquoi Bayes utilise-t-il la fréquence initiale ?

La fréquence initiale pondère la contribution du groupe recherché parmi toutes les façons d’obtenir l’information observée. L’omettre revient à changer le problème.

Une densité peut-elle dépasser un ?

Oui. C’est l’aire sur un intervalle qui donne une probabilité. Une densité élevée sur un intervalle étroit peut parfaitement avoir une aire totale égale à un.

Le théorème central limite rend-il les observations normales ?

Non. Il concerne une somme ou une moyenne convenablement centrée et normalisée, sous des conditions précises, pas la distribution des observations elles-mêmes.

Fiches pour approfondir Probabilités

Bibliographie recommandée en Probabilités

Ouvrages de référence utilisés dans les universités françaises pour Licence 1

Probabilités 1 (Capes-Agrégation)

• Cassini •

ISBN : 978-2842250508

Calcul des probabilités

• Dunod •

ISBN : 978-2100070350

Probabilités, analyse des données et statistique

• Technip •

ISBN : 978-2710809807

Ces lectures éclairent le périmètre traité. Le contenu est à confronter au cours de votre établissement ; il ne constitue pas un programme officiel.

Comment réviser Probabilités efficacement ?

Relire le cours

Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.

Mode Révision

Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.

Mode Examen

Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.