Calculer des probabilites conditionnelles

Avant de plonger dans les probabilités conditionnelles, révisons les bases des probabilités.

Un événement est un ensemble de résultats possibles d'une expérience aléatoire. Par exemple, si vous lancez un dé à six faces, l'événement "obtenir un nombre pair" correspond aux résultats {2, 4, 6}.

La probabilité d'un événement $A$, notée $P(A)$, est une mesure de sa chance de se produire. Elle est toujours comprise entre 0 et 1 (ou 0% et 100%). $P(A) = 0$ signifie que l'événement est impossible, et $P(A) = 1$ signifie qu'il est certain.

Nous avons plusieurs opérations sur les événements :

• L'union de deux événements $A$ et $B$, notée $A \cup B$, est l'événement "A ou B se réalise" (au moins l'un des deux). $P(A \cup B) = P(A) + P(B) - P(A \cap B)$
• L'intersection de deux événements $A$ et $B$, notée $A \cap B$, est l'événement "A et B se réalisent simultanément".
• Le complémentaire d'un événement $A$, noté $A'$, $\bar{A}$, ou $A^c$, est l'événement "A ne se réalise pas". $P(A') = 1 - P(A)$

Deux événements $A$ et $B$ sont dits incompatibles (ou mutuellement exclusifs) si leur intersection est vide, c'est-à-dire s'ils ne peuvent pas se produire en même temps. Dans ce cas, $P(A \cap B) = 0$.

Imaginez que vous êtes en train de lancer un dé à six faces équilibré. La probabilité d'obtenir un 6 est de $P(\text{obtenir un 6}) = \frac{1}{6}$.

Maintenant, supposons que quelqu'un vous donne une information supplémentaire : "Le résultat du dé est un nombre pair." Votre univers des possibles n'est plus {1, 2, 3, 4, 5, 6}, mais il est réduit à {2, 4, 6}. Dans ce nouvel univers réduit, quelle est la probabilité d'obtenir un 6 ? Parmi les nombres pairs {2, 4, 6}, il y a un seul 6. Donc, cette probabilité est de $\frac{1}{3}$.

C'est exactement cela, une probabilité conditionnelle ! C'est la probabilité qu'un événement se produise, sachant qu'un autre événement s'est déjà produit. L'information supplémentaire a réduit l'univers des possibles, modifiant ainsi la probabilité de l'événement qui nous intéresse.

La probabilité conditionnelle permet de réévaluer la chance qu'un événement se produise à la lumière de nouvelles informations.

La probabilité de l'événement $A$ sachant que l'événement $B$ est réalisé se note $P(A|B)$. On lit "probabilité de A sachant B".

La formule pour calculer la probabilité conditionnelle est la suivante : $P(A|B) = \frac{P(A \cap B)}{P(B)}$

Cette formule est valide à la condition essentielle que $P(B) \neq 0$. Si $P(B) = 0$, cela signifie que l'événement $B$ est impossible, et il n'a donc pas de sens de calculer la probabilité d'un événement sachant qu'un événement impossible s'est réalisé.

Exemple reprenant l'idée du dé : Soit $A$ l'événement "obtenir un 6" et $B$ l'événement "obtenir un nombre pair".

• $P(A) = \frac{1}{6}$
• $B = \{2, 4, 6\}$, donc $P(B) = \frac{3}{6} = \frac{1}{2}$
• $A \cap B$ est l'événement "obtenir un 6 ET un nombre pair", ce qui est simplement "obtenir un 6". Donc $A \cap B = \{6\}$, et $P(A \cap B) = \frac{1}{6}$.

En utilisant la formule : $P(A|B) = \frac{P(A \cap B)}{P(B)} = \frac{\frac{1}{6}}{\frac{1}{2}} = \frac{1}{6} \times \frac{2}{1} = \frac{2}{6} = \frac{1}{3}$ Nous retrouvons bien le même résultat que notre approche intuitive !

==La formule $P(A|B) = \frac{P(A \cap B)}{P(B)}$ est fondamentale pour tous les calculs de probabilités conditionnelles.==

La formule des probabilités conditionnelles peut être réarrangée pour obtenir la formule des probabilités composées. C'est un outil très utile pour calculer la probabilité de l'intersection de deux événements.

Si $P(B) \neq 0$, nous avons $P(A|B) = \frac{P(A \cap B)}{P(B)}$. En multipliant les deux côtés par $P(B)$, on obtient : $P(A \cap B) = P(A|B) \times P(B)$

De manière symétrique, si $P(A) \neq 0$, on peut aussi écrire : $P(B \cap A) = P(B|A) \times P(A)$ Puisque $A \cap B = B \cap A$, on a bien : $P(A \cap B) = P(B|A) \times P(A)$

Cette formule est cruciale lorsqu'on connaît une probabilité conditionnelle et la probabilité de l'événement qui est la condition. Elle est souvent utilisée dans les situations où les événements se produisent en séquence.

Exemple : Dans un lycée, 60% des élèves sont des filles. Parmi les filles, 10% étudient le latin. Parmi les garçons, 5% étudient le latin. Soit $F$ l'événement "l'élève est une fille" et $L$ l'événement "l'élève étudie le latin". On sait que $P(F) = 0,6$. Donc $P(F') = 1 - 0,6 = 0,4$ (probabilité que l'élève soit un garçon). On sait que $P(L|F) = 0,10$ (10% des filles étudient le latin). On veut calculer la probabilité qu'un élève choisi au hasard soit une fille ET étudie le latin. $P(L \cap F) = P(L|F) \times P(F) = 0,10 \times 0,6 = 0,06$ Donc, 6% des élèves sont des filles qui étudient le latin.

Les arbres pondérés (ou arbres de probabilités) sont une représentation graphique très intuitive pour visualiser les séquences d'événements et calculer les probabilités, notamment les probabilités conditionnelles.

Construction d'un arbre :

1. Chaque "nœud" de l'arbre représente un événement.
2. Les "branches" partant d'un nœud représentent les différentes issues possibles pour l'événement suivant.
3. Chaque branche est pondérée par une probabilité.
   • Les probabilités sur les premières branches sont des probabilités simples.
   • Les probabilités sur les branches suivantes sont des probabilités conditionnelles. Par exemple, la probabilité d'une branche partant de $B$ vers $A$ sera $P(A|B)$.
4. La somme des probabilités des branches partant d'un même nœud doit toujours être égale à 1.

Lecture des probabilités sur l'arbre :

• Probabilité d'une intersection (un chemin) : Pour obtenir la probabilité d'une séquence d'événements (par exemple $A \cap B$), on multiplie les probabilités le long du chemin qui mène à cette séquence. C'est l'application directe de la formule des probabilités composées. $P(A \cap B) = P(A) \times P(B|A)$ (si $A$ est le premier événement)
• Probabilité conditionnelle : Les probabilités écrites sur les branches secondaires sont directement des probabilités conditionnelles. Par exemple, sur une branche partant de $A$ et menant à $B$, on écrira $P(B|A)$.

Exemple d'arbre pondéré : (Reprenons l'exemple précédent) Un lycée : 60% de filles (F), 40% de garçons (F'). Parmi les filles, 10% font du latin (L), 90% n'en font pas (L'). Parmi les garçons, 5% font du latin (L), 95% n'en font pas (L').

Départ
  |
  |-- (P(F)=0.6) --> F
  |      |
  |      |-- (P(L|F)=0.1) --> L (Filles qui font du latin)
  |      |-- (P(L'|F)=0.9) -> L' (Filles qui ne font pas de latin)
  |
  |-- (P(F')=0.4) -> F'
         |
         |-- (P(L|F')=0.05) -> L (Garçons qui font du latin)
         |-- (P(L'|F')=0.95) -> L' (Garçons qui ne font pas de latin)

En multipliant les probabilités le long des chemins, on obtient :

• $P(F \cap L) = P(F) \times P(L|F) = 0,6 \times 0,1 = 0,06$
• $P(F \cap L') = P(F) \times P(L'|F) = 0,6 \times 0,9 = 0,54$
• $P(F' \cap L) = P(F') \times P(L|F') = 0,4 \times 0,05 = 0,02$
• $P(F' \cap L') = P(F') \times P(L'|F') = 0,4 \times 0,95 = 0,38$

La somme de toutes les probabilités des chemins terminaux doit être égale à 1 : $0,06 + 0,54 + 0,02 + 0,38 = 1$.

Les arbres pondérés sont une aide visuelle puissante pour organiser les informations et appliquer la formule des probabilités composées.

La formule des probabilités totales est utilisée pour calculer la probabilité d'un événement $A$ en le décomposant en plusieurs cas, basés sur une "partition" de l'univers des possibles.

Une partition de l'univers $\Omega$ est un ensemble d'événements $B_1, B_2, ..., B_n$ tels que :

1. Ils sont deux à deux incompatibles ($B_i \cap B_j = \emptyset$ pour $i \neq j$).
2. Leur union forme l'univers entier ($B_1 \cup B_2 \cup ... \cup B_n = \Omega$).
3. Leurs probabilités sont non nulles ($P(B_i) \neq 0$ pour tout $i$).

Le cas le plus simple et le plus courant d'une partition est un événement $B$ et son complémentaire $B'$. Alors, la formule des probabilités totales s'écrit : $P(A) = P(A \cap B) + P(A \cap B')$ En utilisant la formule des probabilités composées, on peut réécrire ceci comme : $P(A) = P(A|B)P(B) + P(A|B')P(B')$

Plus généralement, si $(B_1, B_2, ..., B_n)$ est une partition de l'univers, alors : $P(A) = P(A|B_1)P(B_1) + P(A|B_2)P(B_2) + ... + P(A|B_n)P(B_n)$ $P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)$

Exemple (suite de l'exemple précédent) : Quelle est la probabilité qu'un élève choisi au hasard étudie le latin ($L$) ? Nous avons déjà calculé :

• $P(L \cap F) = 0,06$ (filles qui font du latin)
• $P(L \cap F') = 0,02$ (garçons qui font du latin) Puisque $(F, F')$ est une partition de l'univers des élèves, on peut appliquer la formule des probabilités totales : $P(L) = P(L \cap F) + P(L \cap F')$ $P(L) = 0,06 + 0,02 = 0,08$ Donc, 8% des élèves du lycée étudient le latin.

On aurait aussi pu utiliser la forme avec les probabilités conditionnelles : $P(L) = P(L|F)P(F) + P(L|F')P(F')$ $P(L) = (0,10 \times 0,6) + (0,05 \times 0,4)$ $P(L) = 0,06 + 0,02 = 0,08$

La formule des probabilités totales est essentielle pour calculer la probabilité d'un événement en le décomposant selon différentes conditions.

Deux événements $A$ et $B$ sont dits indépendants si la réalisation de l'un n'affecte pas la probabilité de réalisation de l'autre. En d'autres termes, savoir que $B$ s'est produit ne change rien à la probabilité que $A$ se produise.

Mathématiquement, cela se traduit par :

• $P(A|B) = P(A)$ (si $P(B) \neq 0$)
• $P(B|A) = P(B)$ (si $P(A) \neq 0$)

Si ces conditions sont remplies, alors $A$ et $B$ sont indépendants. Si aucune de ces conditions n'est remplie, ou si une seule est remplie (ce qui implique que l'autre l'est aussi), alors ils ne sont pas indépendants.

Exemple intuitif :

• Lancer une pièce et obtenir "Pile" (événement A).
• Lancer un dé et obtenir "6" (événement B). Ces deux événements sont indépendants car le résultat de la pièce n'influence pas le résultat du dé. $P(\text{Pile}|\text{6}) = P(\text{Pile}) = \frac{1}{2}$.

La définition précédente est intuitive, mais il existe une autre façon de caractériser l'indépendance, qui est souvent plus pratique pour les calculs et qui ne nécessite pas la condition $P(A) \neq 0$ ou $P(B) \neq 0$.

Deux événements $A$ et $B$ sont indépendants si et seulement si : $P(A \cap B) = P(A) \times P(B)$

Ceci est une condition nécessaire et suffisante. Si cette égalité est vraie, alors les événements sont indépendants. Si elle est fausse, ils ne le sont pas.

Preuve rapide : Si $A$ et $B$ sont indépendants, alors $P(A|B) = P(A)$. On sait que $P(A \cap B) = P(A|B) \times P(B)$. En substituant $P(A|B)$ par $P(A)$, on obtient $P(A \cap B) = P(A) \times P(B)$.

Attention : Ne confondez pas événements indépendants avec événements incompatibles !

• Événements indépendants : L'occurrence de l'un n'affecte pas la probabilité de l'autre. $P(A \cap B) = P(A) \times P(B)$.
• Événements incompatibles : Ils ne peuvent pas se produire en même temps. $A \cap B = \emptyset$, donc $P(A \cap B) = 0$.

Si $A$ et $B$ sont incompatibles et $P(A) \neq 0$ et $P(B) \neq 0$, alors $P(A \cap B) = 0$ mais $P(A) \times P(B) \neq 0$. Donc des événements incompatibles (non nuls) ne sont jamais indépendants. En fait, l'occurrence de l'un rend l'autre impossible !

==L'égalité $P(A \cap B) = P(A) \times P(B)$ est la définition fondamentale et la plus utile pour tester l'indépendance de deux événements.==

Exemples d'événements indépendants :

• Lancers de dés ou de pièces répétés : Chaque lancer est indépendant des précédents. Si vous lancez une pièce deux fois, l'événement "obtenir Pile au premier lancer" est indépendant de l'événement "obtenir Face au second lancer". $P(\text{Pile au 1er} \cap \text{Face au 2nd}) = P(\text{Pile au 1er}) \times P(\text{Face au 2nd}) = \frac{1}{2} \times \frac{1}{2} = \frac{1}{4}$.
• Tirages avec remise : Si vous tirez une carte d'un jeu, la remettez et mélangez, puis en tirez une autre, les deux tirages sont indépendants.
• Phénomènes sans lien causal : Température à Paris et résultat d'un match de football au Brésil.

Contre-exemples (événements non indépendants) :

• Tirages sans remise : Vous tirez une carte d'un jeu et ne la remettez pas. L'événement "obtenir un As au premier tirage" n'est PAS indépendant de l'événement "obtenir un As au second tirage". La probabilité d'obtenir un As au second tirage dépend de ce qui a été tiré au premier tirage. Si $A_1$ = "As au 1er tirage", $A_2$ = "As au 2nd tirage". $P(A_1) = \frac{4}{32}$ (jeu de 32 cartes). $P(A_2|A_1) = \frac{3}{31}$ (il reste 3 As et 31 cartes). $P(A_2|A_1') = \frac{4}{31}$ (il reste 4 As et 31 cartes). Puisque $P(A_2|A_1) \neq P(A_2|A_1')$, les événements ne sont pas indépendants. On voit bien que $P(A_2)$ n'est pas $\frac{4}{32}$.
• Événements liés dans la vie courante : "Il pleut" et "Je prends mon parapluie". Ces événements sont clairement liés. $P(\text{parapluie}|\text{pluie})$ est élevée, tandis que $P(\text{parapluie})$ est plus faible.
• Dans l'exemple du lycée : Les événements "être une fille" ($F$) et "étudier le latin" ($L$) sont-ils indépendants ? Nous avons $P(L) = 0,08$. Nous avons $P(F) = 0,6$. Nous avons $P(L \cap F) = 0,06$. Est-ce que $P(L \cap F) = P(L) \times P(F)$ ? $0,06 \neq 0,08 \times 0,6 = 0,048$. Donc, ces événements ne sont pas indépendants. Le fait d'être une fille influence la probabilité d'étudier le latin (dans cet exemple, les filles sont plus susceptibles d'étudier le latin que la moyenne des élèves).

Les tirages successifs sont un excellent domaine d'application des probabilités conditionnelles et des arbres pondérés.

1. Tirages avec remise : Quand les tirages sont effectués avec remise, chaque tirage est indépendant des précédents. La composition de l'urne (ou du jeu de cartes) reste la même à chaque étape. Exemple : Une urne contient 3 boules rouges (R) et 2 boules bleues (B). On tire deux boules successivement avec remise.

• $P(\text{R au 1er tirage}) = \frac{3}{5}$
• $P(\text{B au 1er tirage}) = \frac{2}{5}$
• $P(\text{R au 2nd tirage | R au 1er tirage}) = \frac{3}{5}$ (car la boule rouge est remise)
• $P(\text{R au 2nd tirage | B au 1er tirage}) = \frac{3}{5}$ (car la boule bleue est remise) Probabilité de tirer deux rouges : $P(R_1 \cap R_2) = P(R_1) \times P(R_2|R_1) = \frac{3}{5} \times \frac{3}{5} = \frac{9}{25}$. Ceci illustre l'indépendance des tirages avec remise.

2. Tirages sans remise : Quand les tirages sont effectués sans remise, les tirages ne sont PAS indépendants. La composition de l'urne change après chaque tirage, ce qui affecte les probabilités des tirages suivants. Les probabilités sont conditionnelles. Exemple : Même urne (3 R, 2 B). On tire deux boules successivement sans remise.

• $P(\text{R au 1er tirage}) = \frac{3}{5}$
• $P(\text{B au 1er tirage}) = \frac{2}{5}$
• $P(\text{R au 2nd tirage | R au 1er tirage}) = \frac{2}{4}$ (il reste 2 R et 4 boules au total après avoir retiré une R)
• $P(\text{R au 2nd tirage | B au 1er tirage}) = \frac{3}{4}$ (il reste 3 R et 4 boules au total après avoir retiré une B) Probabilité de tirer deux rouges : $P(R_1 \cap R_2) = P(R_1) \times P(R_2|R_1) = \frac{3}{5} \times \frac{2}{4} = \frac{6}{20} = \frac{3}{10}$. Un arbre pondéré est particulièrement utile pour visualiser ces probabilités conditionnelles.

La distinction entre "avec remise" et "sans remise" est cruciale car elle détermine si les événements sont indépendants ou non.

Les probabilités conditionnelles sont au cœur de l'analyse des tests de dépistage (médicaux, industriels, etc.). Elles permettent de comprendre la fiabilité d'un test.

Considérons un test de dépistage d'une maladie $M$.

• $M$ : l'individu est malade.
• $M'$ : l'individu n'est pas malade (est sain).
• $T$ : le test est positif.
• $T'$ : le test est négatif.

On connaît souvent :

• $P(M)$ : prévalence de la maladie dans la population.
• $P(T|M)$ : sensibilité du test (probabilité que le test soit positif sachant que la personne est malade - vrai positif).
• $P(T'|M')$ : spécificité du test (probabilité que le test soit négatif sachant que la personne est saine - vrai négatif).

Ce que l'on veut savoir, c'est la valeur prédictive du test, c'est-à-dire :

• $P(M|T)$ : probabilité d'être malade sachant que le test est positif.
• $P(M'|T')$ : probabilité d'être sain sachant que le test est négatif.

Pour cela, on utilise la formule de Bayes, qui est une application des probabilités conditionnelles et de la formule des probabilités totales : $P(M|T) = \frac{P(T|M) \times P(M)}{P(T)}$ Et pour $P(T)$, on utilise la formule des probabilités totales : $P(T) = P(T|M)P(M) + P(T|M')P(M')$ Notez que $P(T|M') = 1 - P(T'|M')$ (probabilité d'un faux positif).

Exemple : Une maladie touche 1% de la population ($P(M) = 0,01$). Un test a une sensibilité de 95% ($P(T|M) = 0,95$) et une spécificité de 90% ($P(T'|M') = 0,90$).

1. Calculons $P(M')$ : $P(M') = 1 - P(M) = 1 - 0,01 = 0,99$.
2. Calculons $P(T|M')$ (faux positif) : $1 - P(T'|M') = 1 - 0,90 = 0,10$.
3. Calculons $P(T)$ (probabilité qu'un test soit positif) : $P(T) = P(T|M)P(M) + P(T|M')P(M')$ $P(T) = (0,95 \times 0,01) + (0,10 \times 0,99)$ $P(T) = 0,0095 + 0,099 = 0,1085$.
4. Calculons $P(M|T)$ (probabilité d'être malade sachant un test positif) : $P(M|T) = \frac{P(T|M)P(M)}{P(T)} = \frac{0,95 \times 0,01}{0,1085} = \frac{0,0095}{0,1085} \approx 0,0875$.

Interprétation : Même avec un test apparemment "bon" (95% de sensibilité, 90% de spécificité), si la maladie est rare (1% de prévalence), la probabilité d'être réellement malade après un test positif est seulement d'environ 8,75% ! C'est un résultat souvent contre-intuitif mais très important en médecine.

Les probabilités conditionnelles sont essentielles pour évaluer la vraie signification d'un résultat de test, surtout avec des maladies rares.

Pour maîtriser les probabilités conditionnelles, il est crucial de s'entraîner à résoudre des problèmes variés. Voici la démarche générale :

1. Bien lire l'énoncé et identifier les événements clés. Définissez-les clairement avec des notations (ex: A, B, M, T).
2. Traduire les informations données en probabilités (simples ou conditionnelles).
   • "X% des..." $\rightarrow P(...)$
   • "Parmi les..., Y% sont..." $\rightarrow P(...|...)$
3. Visualiser le problème si possible, notamment avec un arbre pondéré. C'est souvent l'étape la plus utile pour organiser les données et voir les relations conditionnelles.
4. Identifier la probabilité recherchée. Est-ce une probabilité simple ($P(A)$)? Une intersection ($P(A \cap B)$)? Une conditionnelle ($P(A|B)$)?
5. Choisir la bonne formule :
   • Pour $P(A \cap B)$ : Formule des probabilités composées ($P(A \cap B) = P(A|B)P(B)$).
   • Pour $P(A)$ à partir de conditions : Formule des probabilités totales ($P(A) = P(A|B)P(B) + P(A|B')P(B')$).
   • Pour une probabilité conditionnelle "inversée" ($P(B|A)$ quand on connaît $P(A|B)$) : Formule de Bayes ($P(B|A) = \frac{P(A|B)P(B)}{P(A)}$).
   • Pour tester l'indépendance : Vérifier si $P(A \cap B) = P(A) \times P(B)$.
6. Effectuer les calculs avec rigueur.
7. Interpréter le résultat dans le contexte du problème. Une probabilité est un nombre entre 0 et 1.
8. Rédiger clairement la solution, en expliquant chaque étape et en justifiant l'utilisation des formules.

Conseils supplémentaires :

• Toujours vérifier que la somme des probabilités des branches partant d'un même nœud d'un arbre est égale à 1.
• La somme des probabilités de tous les chemins finaux d'un arbre doit être égale à 1.
• Si vous avez une probabilité conditionnelle $P(A|B)$, rappelez-vous que l'univers est "réduit" à l'événement $B$.

La pratique régulière de ces étapes est la clé pour maîtriser les probabilités conditionnelles.