Probabilités & Statistiques : Comprendre le Hasard et les Données
Probabilités & Statistiques
Comprendre le hasard, les données et les lois qui gouvernent l'incertitude
Les probabilités et les statistiques sont les outils mathématiques qui nous permettent de quantifier l'incertitude et d'analyser des données. Elles sont présentes partout : météo, médecine, finance, intelligence artificielle, sondages politiques et jeux de hasard.
🎯 Les Bases des Probabilités
La probabilité d'un événement est un nombre entre 0 (impossible) et 1 (certain). Elle se calcule comme le rapport du nombre de cas favorables sur le nombre total de cas possibles.
Exemple : Lancer un dé à 6 faces. La probabilité d'obtenir un 4 est 1/6 ≈ 0,167 (soit environ 16,7%). La probabilité d'obtenir un nombre pair (2, 4 ou 6) est 3/6 = 1/2 = 50%.
Dans un jeu télévisé, vous choisissez une porte parmi 3. L'animateur ouvre une autre porte (sans voiture). Devez-vous changer de porte ? Oui ! En changeant, votre probabilité de gagner passe de 1/3 à 2/3. Contre-intuitif mais mathématiquement prouvé !
📊 Les Statistiques : Décrire et Comprendre les Données
Les statistiques transforment des ensembles de données brutes en informations utiles. Les indicateurs clés sont :
Moyenne : somme des valeurs divisée par leur nombre. Exemple : les notes [12, 15, 8, 17, 13] donnent une moyenne de 65/5 = 13.
Médiane : valeur centrale qui divise les données en deux moitiés égales. Dans notre exemple, la médiane est 13 (valeur du milieu après tri : 8, 12, 13, 15, 17).
Écart-type : mesure la dispersion des données autour de la moyenne. Un écart-type faible = données groupées, fort = données dispersées.
🔔 La Loi Normale (courbe en cloche)
La distribution normale — ou courbe de Gauss — est la distribution statistique la plus importante. Elle décrit naturellement : les tailles humaines, les scores de QI, les erreurs de mesure, les rendements financiers.
Règle des 68-95-99,7 : dans une distribution normale, 68% des valeurs se trouvent à ±1 écart-type de la moyenne, 95% à ±2, et 99,7% à ±3.
• Médecine : efficacité d'un médicament (essais cliniques avec groupes témoin)
• Sondages : marge d'erreur de ±3% avec 95% de confiance
• Assurance : calcul des primes selon les risques statistiques
• IA : algorithmes d'apprentissage automatique basés sur la régression statistique
🎰 Probabilités Conditionnelles
La probabilité conditionnelle mesure la chance qu'un événement se produise sachant qu'un autre s'est déjà produit. La formule de Bayes — publiée par Thomas Bayes en 1763 — est fondamentale en IA, en diagnostics médicaux et en filtres anti-spam.
Exemple médical : Un test de dépistage a 99% de sensibilité, mais si la maladie est rare (0,1% de la population), un résultat positif ne signifie que ~9% de chance d'être réellement malade. C'est le paradoxe du faux positif !
🎯 Maîtrisez-vous les probabilités ?
Testez vos connaissances sur le hasard, les statistiques et les lois mathématiques de l'incertitude.