Les phénomènes aléatoires

Un phénomène aléatoire (ou expérience aléatoire) est une expérience dont le résultat ne peut pas être prédit avec certitude avant qu'elle ne se produise, même si l'on connaît toutes les conditions initiales. Cependant, même si l'issue individuelle est incertaine, l'ensemble des issues possibles est connu.

Exemples :

• Lancer d'un dé à six faces : le résultat est incertain (on ne sait pas si ce sera 1, 2, ..., ou 6), mais on sait qu'il fera partie de ces six nombres.
• Tirer une carte d'un jeu de 32 cartes : on ne sait pas quelle carte sera tirée, mais on connaît toutes les cartes possibles.
• Mesurer la durée de vie d'une ampoule : on ne peut pas prédire exactement combien de temps elle fonctionnera, mais on sait qu'elle finira par s'éteindre.

L'ensemble de tous les résultats possibles d'une expérience aléatoire est appelé l'univers des possibles (ou espace des échantillons), souvent noté $\Omega$ (Omega) ou $E$. Chacun des résultats possibles est une issue (ou événement élémentaire).

Un événement est un sous-ensemble de l'univers des possibles. C'est une collection d'une ou plusieurs issues.

Exemple avec un lancer de dé :

• L'expérience aléatoire est le lancer d'un dé.
• L'univers des possibles $\Omega = \{1, 2, 3, 4, 5, 6\}$.
• Une issue est, par exemple, "obtenir un 3".
• Un événement peut être "obtenir un chiffre pair", soit l'ensemble $\{2, 4, 6\}$.

L'approche fréquentiste est une manière intuitive de comprendre les probabilités. Elle se base sur l'observation de la fréquence relative d'un événement lorsque l'expérience aléatoire est répétée un très grand nombre de fois.

La fréquence relative d'un événement $A$ est le rapport entre le nombre de fois où l'événement $A$ se réalise et le nombre total de répétitions de l'expérience. $f_A = \frac{\text{Nombre de fois où A se réalise}}{\text{Nombre total de répétitions}}$

La loi des grands nombres stipule que lorsque le nombre de répétitions d'une expérience aléatoire augmente, la fréquence relative d'un événement tend à se stabiliser autour d'une valeur fixe. Cette valeur fixe est appelée la probabilité de l'événement.

Plus on répète une expérience, plus la fréquence observée se rapproche de la probabilité théorique.

Exemple : Si vous lancez une pièce de monnaie 10 fois, il se peut que vous obteniez 7 "Pile" (fréquence de 0,7). Si vous la lancez 1000 fois, il est très probable que la fréquence de "Pile" soit très proche de 0,5. Si vous la lancez un million de fois, elle sera presque exactement 0,5.

Cette approche permet d'estimer une probabilité par l'expérimentation, notamment lorsque le calcul théorique est difficile ou impossible.

L'approche théorique, ou axiomatique, définit la probabilité de manière formelle sans nécessiter d'expérimentation. Elle est souvent utilisée lorsque toutes les issues sont connues et ont la même "chance" de se produire.

La probabilité d'un événement $A$, notée $P(A)$, est un nombre compris entre 0 et 1 (inclus).

• $P(A) = 0$ signifie que l'événement est impossible.
• $P(A) = 1$ signifie que l'événement est certain.

Dans le cas d'une situation d'équiprobabilité (c'est-à-dire quand toutes les issues ont la même probabilité de se réaliser), la probabilité d'un événement $A$ est donnée par la formule classique : $P(A) = \frac{\text{Nombre d'issues favorables à A}}{\text{Nombre total d'issues possibles}}$

Exemple avec un dé équilibré :

• L'univers des possibles $\Omega = \{1, 2, 3, 4, 5, 6\}$, donc il y a 6 issues possibles.
• Chaque issue a une probabilité de $\frac{1}{6}$ de se réaliser.
• Soit l'événement $A$ : "obtenir un chiffre pair" = $\{2, 4, 6\}$.
• Le nombre d'issues favorables à $A$ est 3.
• Donc, $P(A) = \frac{3}{6} = \frac{1}{2} = 0,5$.

L'événement certain est l'univers des possibles lui-même, $\Omega$. Sa probabilité est $P(\Omega) = 1$. L'événement impossible est l'ensemble vide, $\emptyset$. Sa probabilité est $P(\emptyset) = 0$.

Soient deux événements $A$ et $B$ liés à la même expérience aléatoire.

L'intersection d'événements $A$ et $B$, notée $A \cap B$ (lire "A et B"), est l'événement qui se réalise si et seulement si $A$ et $B$ se réalisent simultanément. C'est l'ensemble des issues communes à $A$ et $B$. $P(A \cap B) = P(\text{A et B})$

L'union d'événements $A$ et $B$, notée $A \cup B$ (lire "A ou B"), est l'événement qui se réalise si et seulement si $A$ se réalise, ou $B$ se réalise, ou les deux se réalisent. C'est l'ensemble des issues appartenant à $A$, à $B$, ou aux deux. $P(A \cup B) = P(\text{A ou B})$

Deux événements $A$ et $B$ sont dits incompatibles (ou mutuellement exclusifs) s'ils ne peuvent pas se réaliser en même temps. Leur intersection est l'événement impossible : $A \cap B = \emptyset$. Dans ce cas, $P(A \cap B) = 0$.

Si $A$ et $B$ sont incompatibles, alors la probabilité de leur union est la somme de leurs probabilités : $P(A \cup B) = P(A) + P(B)$

Si $A$ et $B$ sont compatibles (c'est-à-dire qu'ils peuvent se réaliser en même temps, $A \cap B \neq \emptyset$), la formule générale pour la probabilité de l'union est : $P(A \cup B) = P(A) + P(B) - P(A \cap B)$ On soustrait $P(A \cap B)$ car les issues de l'intersection ont été comptées deux fois (une fois dans $P(A)$ et une fois dans $P(B)$).

Exemple avec un dé :

• $A$ : "obtenir un chiffre pair" = $\{2, 4, 6\}$, $P(A) = 3/6 = 1/2$.
• $B$ : "obtenir un chiffre multiple de 3" = $\{3, 6\}$, $P(B) = 2/6 = 1/3$.
• $A \cap B$ : "obtenir un chiffre pair ET un multiple de 3" = $\{6\}$, $P(A \cap B) = 1/6$.
• $A$ et $B$ sont compatibles car $A \cap B \neq \emptyset$.
• $A \cup B$ : "obtenir un chiffre pair OU un multiple de 3" = $\{2, 3, 4, 6\}$.
• $P(A \cup B) = P(A) + P(B) - P(A \cap B) = \frac{3}{6} + \frac{2}{6} - \frac{1}{6} = \frac{4}{6} = \frac{2}{3}$.
• Directement : $P(A \cup B) = \frac{\text{Nombre d'issues dans } A \cup B}{\text{Total d'issues}} = \frac{4}{6} = \frac{2}{3}$. Les résultats concordent.

L'événement contraire de $A$, noté $\bar{A}$ (ou $A^c$), est l'événement qui se réalise si et seulement si $A$ ne se réalise pas. Par définition, $A$ et $\bar{A}$ sont toujours incompatibles et leur union est l'univers des possibles :

• $A \cap \bar{A} = \emptyset$
• $A \cup \bar{A} = \Omega$

La propriété fondamentale de l'événement contraire est : $P(\bar{A}) = 1 - P(A)$

Cette propriété est extrêmement utile pour calculer la probabilité d'événements complexes. Il est parfois plus simple de calculer la probabilité que l'événement NE se produise PAS, puis de la soustraire à 1.

Exemple :

• On lance deux dés. Quelle est la probabilité d'obtenir au moins un 6 ?
• Soit $A$ l'événement "obtenir au moins un 6".
• L'événement contraire $\bar{A}$ est "n'obtenir aucun 6" (c'est-à-dire que les deux dés donnent un résultat différent de 6).
• Pour le premier dé, il y a 5 issues "non 6". Pour le deuxième dé, il y a 5 issues "non 6".
• Le nombre total d'issues est $6 \times 6 = 36$.
• Le nombre d'issues pour $\bar{A}$ est $5 \times 5 = 25$.
• $P(\bar{A}) = \frac{25}{36}$.
• Donc, $P(A) = 1 - P(\bar{A}) = 1 - \frac{25}{36} = \frac{36 - 25}{36} = \frac{11}{36}$. Calculer la probabilité de l'événement contraire simplifie souvent les problèmes.

Plusieurs outils graphiques permettent de visualiser les événements et leurs relations, ce qui facilite la compréhension et le calcul des probabilités.

1. Diagrammes de Venn : Ces diagrammes utilisent des cercles (représentant les événements) à l'intérieur d'un rectangle (représentant l'univers $\Omega$).

   • L'intersection $A \cap B$ est la zone où les cercles se chevauchent.
   • L'union $A \cup B$ est la zone couverte par les deux cercles.
   • L'événement contraire $\bar{A}$ est la zone en dehors du cercle $A$ mais à l'intérieur du rectangle $\Omega$. Les diagrammes de Venn sont excellents pour visualiser les relations entre 2 ou 3 événements.

2. Tableaux à double entrée (ou tableaux de contingence) : Ces tableaux sont utiles pour organiser les données lorsque l'on s'intéresse à deux critères simultanément. Ils affichent les effectifs (ou les fréquences, ou les probabilités) de chaque combinaison des événements.

   	B	$\bar{B}$	Total Ligne
   A	$A \cap B$	$A \cap \bar{B}$	$P(A)$
   $\bar{A}$	$\bar{A} \cap B$	$\bar{A} \cap \bar{B}$	$P(\bar{A})$
   Total Col	$P(B)$	$P(\bar{B})$	1

   Chaque cellule représente la probabilité de l'intersection des événements correspondants. Les totaux de lignes et de colonnes représentent les probabilités des événements simples.

3. Arbres de probabilités (introduction) : Les arbres de probabilités sont particulièrement adaptés pour représenter des séquences d'événements successifs ou des expériences en plusieurs étapes. Chaque branche représente une issue possible, et les probabilités sont inscrites sur les branches.

   • À chaque nœud, la somme des probabilités des branches qui en partent doit être égale à 1.
   • La probabilité d'un "chemin" (séquence d'événements) s'obtient en multipliant les probabilités le long des branches de ce chemin. Nous verrons ces arbres plus en détail avec les probabilités conditionnelles.

La notion de probabilité conditionnelle est fondamentale. Elle permet de modifier l'estimation de la probabilité d'un événement lorsque l'on dispose d'informations supplémentaires.

La probabilité conditionnelle de l'événement $A$ sachant que l'événement $B$ est réalisé, notée $P(A|B)$ (lire "probabilité de A sachant B"), est la probabilité que $A$ se produise, étant donné que $B$ s'est déjà produit. $P(A|B) = \frac{P(A \cap B)}{P(B)}$ Cette formule n'est valable que si $P(B) \neq 0$.

L'interprétation de $P(A|B)$ est la suivante : on réduit l'univers des possibles à l'événement $B$. On ne considère plus que les issues où $B$ est réalisé, et parmi celles-ci, on regarde la proportion d'issues où $A$ est également réalisé.

Exemple : On lance un dé équilibré.

• $A$ : "obtenir un 6" ($P(A) = 1/6$)
• $B$ : "obtenir un nombre pair" = $\{2, 4, 6\}$ ($P(B) = 3/6 = 1/2$)
• Quelle est la probabilité d'obtenir un 6 sachant que le nombre obtenu est pair ? $P(A|B)$.
• $A \cap B$ : "obtenir un 6 ET être pair" = $\{6\}$, $P(A \cap B) = 1/6$.
• $P(A|B) = \frac{P(A \cap B)}{P(B)} = \frac{1/6}{1/2} = \frac{1}{6} \times \frac{2}{1} = \frac{2}{6} = \frac{1}{3}$.
• Intuitivement, si on sait que le nombre est pair, l'univers des possibles est réduit à $\{2, 4, 6\}$. Parmi ces 3 issues, une seule est un 6. Donc la probabilité est $1/3$.

De la formule de la probabilité conditionnelle, on peut déduire la formule des probabilités composées : $P(A \cap B) = P(B) \times P(A|B)$ Ou symétriquement : $P(A \cap B) = P(A) \times P(B|A)$ Ces formules sont cruciales pour calculer la probabilité d'intersections.

Les arbres pondérés sont des outils visuels très efficaces pour représenter des séquences d'événements et calculer des probabilités conditionnelles ou d'intersections.

Construction d'un arbre pondéré :

1. Le premier niveau de branches représente les issues du premier événement (ou des premières conditions). Les probabilités sur ces branches sont des probabilités simples.
2. Le deuxième niveau de branches représente les issues du deuxième événement, sachant que le premier événement s'est produit. Les probabilités sur ces branches sont des probabilités conditionnelles.
3. Un chemin de la racine à une feuille représente une séquence d'événements. La probabilité de ce chemin (c'est-à-dire la probabilité de l'intersection des événements le long du chemin) s'obtient en multipliant les probabilités le long des branches de ce chemin.
4. La somme des probabilités de tous les chemins doit être égale à 1.

Exemple d'application : Dans une usine, 60% des pièces sont produites par la machine A et 40% par la machine B. La machine A produit 5% de pièces défectueuses, la machine B en produit 10%.

• $M_A$ : pièce produite par la machine A, $M_B$ : pièce produite par la machine B.
• $D$ : pièce défectueuse, $\bar{D}$ : pièce non défectueuse.
• $P(M_A) = 0,6$, $P(M_B) = 0,4$.
• $P(D|M_A) = 0,05$, $P(D|M_B) = 0,10$.

Arbre de probabilités :

        /--- M_A (0.6) ---/--- D (0.05) --> P(M_A et D) = 0.6 * 0.05 = 0.03
       /                   \--- D_bar (0.95) -> P(M_A et D_bar) = 0.6 * 0.95 = 0.57
Racine -
       \--- M_B (0.4) ---/--- D (0.10) --> P(M_B et D) = 0.4 * 0.10 = 0.04
                           \--- D_bar (0.90) -> P(M_B et D_bar) = 0.4 * 0.90 = 0.36

La somme des probabilités des chemins est $0.03 + 0.57 + 0.04 + 0.36 = 1$.

La formule des probabilités totales est utilisée pour calculer la probabilité d'un événement qui peut être atteint par plusieurs chemins différents dans un arbre. Si $B_1, B_2, \dots, B_n$ forment une partition de l'univers (c'est-à-dire qu'ils sont incompatibles deux à deux et que leur union est $\Omega$), alors pour tout événement $A$ : $P(A) = P(A \cap B_1) + P(A \cap B_2) + \dots + P(A \cap B_n)$ En utilisant la formule des probabilités composées, cela devient : $P(A) = P(B_1) \times P(A|B_1) + P(B_2) \times P(A|B_2) + \dots + P(B_n) \times P(A|B_n)$

Exemple (suite) : Quelle est la probabilité qu'une pièce choisie au hasard soit défectueuse ? $P(D)$.

• $P(D) = P(D \cap M_A) + P(D \cap M_B)$
• $P(D) = P(M_A) \times P(D|M_A) + P(M_B) \times P(D|M_B)$
• $P(D) = 0,6 \times 0,05 + 0,4 \times 0,10 = 0,03 + 0,04 = 0,07$. Donc, 7% des pièces produites sont défectueuses.

Deux événements $A$ et $B$ sont dits indépendants si la réalisation de l'un n'affecte pas la probabilité de réalisation de l'autre. Il existe plusieurs critères équivalents pour définir l'indépendance :

1. Critère principal : $P(A \cap B) = P(A) \times P(B)$
2. Critère conditionnel (si $P(B) \neq 0$) : $P(A|B) = P(A)$
3. Critère conditionnel (si $P(A) \neq 0$) : $P(B|A) = P(B)$

Si l'une de ces conditions est remplie, alors les deux événements sont indépendants. Sinon, ils sont dépendants.

Attention à ne pas confondre indépendance et incompatibilité !

• Incompatibles : $A \cap B = \emptyset$, donc $P(A \cap B) = 0$. Si $A$ et $B$ ont des probabilités non nulles, ils ne peuvent pas être indépendants (car $P(A) \times P(B) \neq 0$). Si l'un se produit, l'autre ne peut pas se produire.
• Indépendants : $P(A \cap B) = P(A) \times P(B)$. La réalisation de l'un n'empêche ni ne favorise celle de l'autre.

Exemple d'indépendance : On lance un dé.

• $A$ : "obtenir un nombre pair" = $\{2, 4, 6\}$, $P(A) = 1/2$.
• $B$ : "obtenir un nombre supérieur ou égal à 4" = $\{4, 5, 6\}$, $P(B) = 3/6 = 1/2$.
• $A \cap B$ : "obtenir un nombre pair ET supérieur ou égal à 4" = $\{4, 6\}$, $P(A \cap B) = 2/6 = 1/3$.
• Test d'indépendance : $P(A) \times P(B) = (1/2) \times (1/2) = 1/4$.
• Comme $P(A \cap B) = 1/3 \neq 1/4$, les événements $A$ et $B$ ne sont pas indépendants. La connaissance que le nombre est pair modifie la probabilité qu'il soit supérieur ou égal à 4.

Une variable aléatoire (souvent notée par une lettre majuscule comme $X$, $Y$, $Z$) est une fonction qui associe un nombre réel à chaque issue de l'univers des possibles d'une expérience aléatoire. En d'autres termes, elle "quantifie" les résultats d'une expérience aléatoire.

Exemples :

• Lancer deux pièces de monnaie. $\Omega = \{(P,P), (P,F), (F,P), (F,F)\}$. Soit $X$ la variable aléatoire qui compte le nombre de "Pile" obtenus.
  • $X((P,P)) = 2$
  • $X((P,F)) = 1$
  • $X((F,P)) = 1$
  • $X((F,F)) = 0$ Les valeurs prises par la variable $X$ sont $\{0, 1, 2\}$.
• Durée de vie d'une ampoule : $Y$ est la durée de vie en heures. $Y$ peut prendre n'importe quelle valeur positive.
• Nombre de clients arrivant à un guichet en une heure : $Z$ peut prendre des valeurs entières positives $\{0, 1, 2, \dots\}$.

Une variable aléatoire est dite discrète si l'ensemble de ses valeurs possibles est fini ou dénombrable (on peut les énumérer, même s'il y en a une infinité). Les exemples de lancer de pièces et de nombre de clients sont des variables aléatoires discrètes.

La loi de probabilité d'une variable aléatoire discrète $X$ décrit comment la probabilité est répartie sur les différentes valeurs que $X$ peut prendre. Elle est généralement représentée par un tableau de loi de probabilité ou une fonction de masse de probabilité.

Pour chaque valeur $x_i$ que $X$ peut prendre, on associe sa probabilité $P(X=x_i)$.

Tableau de loi de probabilité de l'exemple du nombre de "Pile" ($X$) :

Propriétés d'une loi de probabilité :

1. Pour toute valeur $x_i$, $0 \le P(X=x_i) \le 1$.
2. La somme des probabilités de toutes les valeurs possibles de $X$ doit être égale à 1 : $\sum P(X=x_i) = 1$.

Une représentation graphique de la loi de probabilité peut être un diagramme en bâtons, où la hauteur de chaque bâton représente la probabilité de la valeur correspondante.

Ces trois indicateurs sont des caractéristiques importantes pour décrire une variable aléatoire.

1. Espérance mathématique $E(X)$ : L'espérance est la valeur moyenne (ou attendue) de la variable aléatoire sur un très grand nombre de répétitions de l'expérience. C'est une mesure de la tendance centrale. Pour une variable aléatoire discrète $X$ prenant les valeurs $x_i$ avec les probabilités $P(X=x_i)$ : $E(X) = \sum_{i} x_i \times P(X=x_i)$ Interprétation : Si l'on répète l'expérience un très grand nombre de fois et que l'on calcule la moyenne des valeurs prises par $X$, cette moyenne sera proche de $E(X)$. Exemple (nombre de Pile) : $E(X) = 0 \times \frac{1}{4} + 1 \times \frac{2}{4} + 2 \times \frac{1}{4} = 0 + \frac{2}{4} + \frac{2}{4} = \frac{4}{4} = 1$. En moyenne, on s'attend à obtenir 1 "Pile" en lançant deux pièces.

2. Variance $V(X)$ : La variance mesure la dispersion des valeurs de la variable aléatoire autour de son espérance. Un faible variance signifie que les valeurs sont proches de l'espérance, une forte variance indique une grande dispersion. $V(X) = \sum_{i} (x_i - E(X))^2 \times P(X=x_i)$ Une formule de calcul alternative (plus pratique) est : $V(X) = E(X^2) - (E(X))^2$ où $E(X^2) = \sum x_i^2 \times P(X=x_i)$.

   Exemple (nombre de Pile) :

   • $E(X^2) = 0^2 \times \frac{1}{4} + 1^2 \times \frac{2}{4} + 2^2 \times \frac{1}{4} = 0 + \frac{2}{4} + \frac{4}{4} = \frac{6}{4} = 1,5$.
   • $V(X) = 1,5 - (1)^2 = 1,5 - 1 = 0,5$.

3. Écart-type $\sigma(X)$ : L'écart-type est la racine carrée de la variance. Il s'exprime dans la même unité que la variable aléatoire et est donc plus facile à interpréter que la variance. C'est aussi une mesure de la dispersion. $\sigma(X) = \sqrt{V(X)}$ Exemple (nombre de Pile) : $\sigma(X) = \sqrt{0,5} \approx 0,707$.

La simulation consiste à reproduire virtuellement une expérience aléatoire un grand nombre de fois pour observer le comportement du phénomène et estimer ses probabilités, son espérance, etc. Elle est particulièrement utile lorsque le calcul théorique est trop complexe ou impossible.

Nous utilisons des générateurs de nombres aléatoires (souvent pseudo-aléatoires) disponibles dans les calculatrices (fonction Rand ou alea), les tableurs (fonction ALEA() ou RAND()), ou les langages de programmation. Ces générateurs produisent des nombres uniformément répartis entre 0 et 1.

Étapes de la simulation :

1. Modéliser l'expérience : Définir les issues possibles et leurs probabilités.
2. Associer les nombres aléatoires : Attribuer des intervalles de nombres aléatoires aux différentes issues, en respectant leurs probabilités.
   • Exemple : pour un dé à 6 faces, on peut attribuer [0; 1/6[ à 1, [1/6; 2/6[ à 2, etc.
3. Répéter l'expérience : Générer un grand nombre de nombres aléatoires et enregistrer les issues correspondantes.
4. Analyser les résultats : Calculer les fréquences observées pour estimer les probabilités, la moyenne, etc.

Exemple : Simuler 1000 lancers d'un dé.

• Utiliser un générateur de nombres aléatoires entre 0 et 1.
• Si le nombre est dans [0, 1/6[, c'est un 1.
• Si le nombre est dans [1/6, 2/6[, c'est un 2.
• ...
• Si le nombre est dans [5/6, 1[, c'est un 6.
• Compter le nombre d'occurrences de chaque face. On s'attend à ce que chaque face apparaisse environ 1000/6 $\approx$ 167 fois.

La simulation permet de vérifier la loi des grands nombres en observant la stabilisation des fréquences vers les probabilités théoriques à mesure que le nombre d'essais augmente.

Les probabilités sont un outil essentiel pour la prise de décision face à l'incertitude. L'objectif est souvent de choisir l'option qui maximise un gain attendu ou minimise un risque.

Les critères de décision peuvent inclure :

• Maximisation de l'espérance de gain : Choisir l'option dont l'espérance mathématique du gain est la plus élevée.
• Minimisation de l'espérance de perte (risque) : Choisir l'option dont l'espérance mathématique de la perte est la plus faible.

Les arbres de décision (simplifiés) sont des outils graphiques qui aident à structurer la prise de décision. Ils représentent les différentes options, les événements aléatoires possibles et leurs probabilités, ainsi que les gains ou pertes associés à chaque issue.

• Les nœuds de décision (carrés) représentent les choix que l'on doit faire.
• Les nœuds d'état (cercles) représentent les événements aléatoires et leurs probabilités.
• Les branches représentent les options ou les issues des événements.
• Les feuilles représentent les résultats finaux (gains/pertes).

En "remontant" l'arbre (de droite à gauche), on peut calculer l'espérance de chaque nœud et déterminer la meilleure décision à chaque étape.

Exemple : Une entreprise doit choisir entre lancer un nouveau produit (investissement de 100 000€) ou ne rien faire.

• Si elle lance le produit :
  • Succès (probabilité 0,7) : gain de 500 000€. Bénéfice net = 500 000 - 100 000 = 400 000€.
  • Échec (probabilité 0,3) : perte de 100 000€. Bénéfice net = -100 000€.
• Si elle ne fait rien : bénéfice net = 0€.

Espérance du lancement du produit : $E(\text{Lancement}) = 0,7 \times 400\,000 + 0,3 \times (-100\,000) = 280\,000 - 30\,000 = 250\,000€$. Comme l'espérance de gain est de 250 000€ (supérieure à 0€ si elle ne fait rien), la décision rationnelle serait de lancer le produit.

Les modèles probabilistes sont des simplifications de la réalité. Il est crucial de comprendre leurs limites et d'interpréter les résultats avec esprit critique.

1. Modélisation de la réalité : Tout modèle repose sur des hypothèses simplificatrices. Par exemple, l'hypothèse d'équiprobabilité (dé équilibré, pièce non truquée) n'est pas toujours vraie dans la réalité.
2. Validité des hypothèses : Les résultats d'un modèle ne sont valides que si les hypothèses sur lesquelles il est construit sont elles-mêmes valides. Il est important de se demander si les probabilités utilisées sont réalistes et si les événements sont réellement indépendants, par exemple.
3. Interprétation critique des résultats :
   • Une probabilité de 0,9 ne garantit pas la réalisation d'un événement. Elle signifie simplement qu'il est très probable.
   • L'espérance est une moyenne à long terme. Elle ne garantit pas ce qui se passera sur une seule expérience. Un jeu avec une espérance positive peut tout de même vous faire perdre de l'argent sur un petit nombre de parties.
   • Les événements rares (faible probabilité mais conséquence grave) sont souvent sous-estimés.
4. Importance du contexte : Le même modèle peut avoir des implications différentes selon le contexte. La prise de décision ne se base pas uniquement sur les calculs d'espérance, mais aussi sur d'autres facteurs (éthique, risque perçu, conséquences non financières, etc.).

En résumé, les probabilités nous donnent un cadre rigoureux pour raisonner sur l'incertitude, mais elles ne remplacent pas le jugement humain et la connaissance du domaine d'application.