Probabilités Conditionnelles et Théorème de Bayes

Bonjour,

Dans la leçon précédente, nous avons jeté les bases axiomatiques des probabilités discrètes. Vous savez maintenant définir un espace probabilisé et calculer la probabilité d'un événement simple. Nous allons aujourd'hui complexifier légèrement le tableau en introduisant une nouvelle information. Comment la connaissance qu'un événement B s'est produit affecte-t-elle la probabilité d'un événement A ?

Cette question nous mène directement au cœur de cette leçon, dont l'objectif est d'appliquer les probabilités conditionnelles et le théorème de Bayes à des problèmes concrets. Cette compétence est absolument centrale en informatique et en mathématiques appliquées. Elle formalise le raisonnement en présence d'incertitude et de nouvelles données, un processus que l'on retrouve partout : dans les filtres anti-spam, les systèmes de diagnostic médical, les algorithmes de machine learning, ou encore l'analyse de la fiabilité des systèmes.

1. La probabilité conditionnelle : un nouvel univers de référence

Imaginez une expérience simple : le lancer d'un dé à six faces équilibré. La probabilité d'obtenir un 2, $P ({2})$ , est de $1/6$ . Maintenant, supposons que je vous donne une information supplémentaire : "le résultat est un nombre pair". Intuitivement, la probabilité d'avoir obtenu un 2 change. L'ensemble des résultats possibles n'est plus $Ω = {1, 2, 3, 4, 5, 6}$ mais un univers restreint $B = {2, 4, 6}$ . Dans ce nouvel univers, le "2" est une possibilité parmi trois, donc la probabilité devient $1/3$ .

Cette intuition est formalisée par la probabilité conditionnelle.

Définition : Soient A et B deux événements d'un univers $Ω$ , avec $P (B) > 0$ . La probabilité de A sachant B, notée $P (A ∣ B)$ , est définie par :

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

Reprenons notre exemple : $A = {2}$ , $B = {2, 4, 6}$ . On a $A \cap B = {2}$ .
Donc, $P (A \cap B) = 1/6$ et $P (B) = 3/6 = 1/2$ .
Le calcul formel donne : $P (A ∣ B) = \frac{1/6}{1/2} = \frac{1}{3}$ , ce qui confirme notre intuition.

La probabilité conditionnelle n'est donc rien d'autre qu'une mesure de probabilité sur un nouvel univers, l'événement B.

Une manipulation simple de cette formule nous donne la règle de multiplication, un outil de calcul essentiel :

P (A \cap B) = P (A ∣ B) P (B) = P (B ∣ A) P (A)

Cette règle permet de calculer la probabilité de l'intersection de deux événements, ce qui est particulièrement utile lorsque les données du problème sont naturellement exprimées sous forme conditionnelle, comme dans les arbres de probabilité.

2. L'arbre de probabilité et la formule des probabilités totales

L'arbre de probabilité est un outil de visualisation et de structuration indispensable pour résoudre les problèmes de probabilités conditionnelles. Il permet de décomposer une expérience complexe en une séquence d'étapes plus simples.

Term - Maths - M.3.1 - Formule de Bayes (Probabilité conditionnelle)

Cette vidéo de la chaîne Cyrille et Méthode explique comment construire et interpréter un arbre de probabilité. C'est le point de départ de toute modélisation rigoureuse dans ce type de problème.

Regardez la vidéo de 03:07 à 06:31. Concentrez-vous sur les étapes suivantes : 1) La traduction de l'énoncé en termes de probabilités (P(E), P(T|E), etc.). 2) Le choix de l'événement de départ pour l'arbre (ici, E ou non E). 3) La construction de l'arbre en plaçant les probabilités initiales sur les premières branches et les probabilités conditionnelles sur les secondes.

Une question fréquente est de calculer la probabilité totale d'un événement qui peut se produire via plusieurs chemins dans l'arbre. Pour cela, on utilise la formule des probabilités totales. Si un ensemble d'événements ${A_{1}, A_{2}, \dots, A_{n}}$ forme une partition de l'univers (ils sont deux à deux disjoints et leur union est $Ω$ ), alors pour tout événement B :

P (B) = i = 1 \sum n P (B \cap A_{i}) = i = 1 \sum n P (B ∣ A_{i}) P (A_{i})

Graphiquement, cela revient à additionner les probabilités de tous les "chemins" de l'arbre qui mènent à l'événement B.

3. Le Théorème de Bayes : Inverser le conditionnement

Nous arrivons au cœur de cette leçon. Souvent, les données d'un problème nous donnent $P (B ∣ A)$ (par exemple, la probabilité d'avoir un test positif sachant qu'on est malade), mais la question qui nous intéresse est $P (A ∣ B)$ (la probabilité d'être malade sachant que le test est positif). Le théorème de Bayes est la machine formelle qui permet d'effectuer cette "inversion".

Bayes' Theorem for Conditional Probability — Cette image présente la formule du théorème de Bayes, qui relie la probabilité conditionnelle $P(A|B)$ à son "inverse" $P(B|A)$.

La démonstration est remarquablement directe et il est important de la comprendre.

A quoi sert la formule de Bayes?

Cette courte vidéo de la chaîne Bibmath démontre le théorème et, surtout, explique son utilité fondamentale : "renverser le conditionnement".

Regardez le début de la vidéo (00:00 à 02:01). Suivez la démonstration qui découle directement de la définition de la probabilité conditionnelle. Retenez bien l'idée clé : le théorème de Bayes est un pont pour passer de P(B|A) à P(A|B).

En combinant le théorème de Bayes avec la formule des probabilités totales (pour le cas d'une partition simple ${A, A ˉ}$ ), on obtient sa forme la plus utilisée en pratique :

P (A ∣ B) = \frac{P ( B ∣ A ) P ( A )}{P ( B )} = \frac{P ( B ∣ A ) P ( A )}{P ( B ∣ A ) P ( A ) + P ( B ∣ A ˉ ) P ( A ˉ )}

4. Application : le problème du diagnostic médical

L'exemple canonique d'application du théorème de Bayes est celui du dépistage médical. Il illustre parfaitement comment un résultat de test, même très fiable en apparence, peut être trompeur si la prévalence de la maladie est faible.

A quoi sert la formule de Bayes?

La suite de la vidéo Bibmath expose un cas concret de test de dépistage. Suivez attentivement le raisonnement.

Regardez la fin de la vidéo (02:01 à 06:38). Procédez par étapes, comme le fait l'auteur : Formalisation : Définissez les événements M ("la personne est malade") et T ("le test est positif"). Traduction : Extrayez les probabilités de l'énoncé. Faites particulièrement attention à bien identifier P(M), P(T|M) et P(T|\bar{M}). Calcul : Suivez le calcul de P(T) par la formule des probabilités totales, puis l'application de la formule de Bayes pour trouver P(M|T). Interprétation : C'est le point crucial. Réfléchissez au résultat surprenant : pourquoi la probabilité d'être malade sachant un test positif est-elle si faible (9%) malgré la fiabilité apparente du test (99%) ?

L'image ci-dessous résume une situation similaire à l'aide d'un arbre de probabilité, une excellente façon de synthétiser le problème avant d'appliquer les formules.

Application du Théorème de Bayes : Diagnostic Médical — Ce diagramme en arbre illustre la résolution d'un problème de diagnostic médical. Il décompose le calcul de P(Malade|Positif) en utilisant les probabilités initiales (prévalence de la maladie) et les probabilités conditionnelles (fiabilité du test).

Le point à retenir, essentiel pour l'agrégation, est que l'intuition est souvent mauvaise en probabilités. Seule une application rigoureuse et méthodique des formules mène à la bonne conclusion.

5. Exercices d'application

La maîtrise ne vient qu'avec la pratique. Je vous propose de résoudre un exercice classique, puis de vous vérifier avec un autre exercice corrigé.

Le théorème de Bayes : Enoncé, démonstration et exercices corrigés

Le site Progresser en Maths propose une série d'exercices d'application. Nous allons nous concentrer sur deux d'entre eux.

Lisez et tentez de résoudre par vous-même l'Exercice 2 (celui avec les urnes). C'est un problème type qui teste votre capacité à modéliser la situation. Une fois que vous avez une solution, comparez votre approche avec celle de l'Exercice 1 (celui sur les anticorps), qui est entièrement corrigé sur la page. Analysez les étapes : formalisation des événements, application de la formule des probabilités totales pour le dénominateur, et enfin, application de la formule de Bayes.

Voici une solution détaillée pour l'exercice 2 afin que vous puissiez valider votre travail.

Solution de l'Exercice 2 (Les urnes)

Formalisation des événements :
- Soit $U_{1}$ l'événement "on choisit la première urne".
- Soit $U_{2}$ l'événement "on choisit la deuxième urne".
- Soit $B$ l'événement "on tire une boule blanche".
Traduction de l'énoncé :
- On choisit une urne au hasard : $P (U_{1}) = P (U_{2}) = 1/2$ .
- Urne 1 : 10 noires, 30 blanches (total 40). La probabilité de tirer une blanche sachant qu'on est dans l'urne 1 est $P (B ∣ U_{1}) = 30/40 = 3/4$ .
- Urne 2 : 20 noires, 20 blanches (total 40). La probabilité de tirer une blanche sachant qu'on est dans l'urne 2 est $P (B ∣ U_{2}) = 20/40 = 1/2$ .
Formulation de la question :
On cherche la probabilité que la boule provienne de la première urne sachant qu'elle est blanche. On cherche donc $P (U_{1} ∣ B)$ .
Application du théorème de Bayes :
$P (U_{1} ∣ B) = \frac{P ( B ∣ U _{1} ) P ( U _{1} )}{P ( B )}$
Calcul du dénominateur $P (B)$ avec la formule des probabilités totales :
Les événements $U_{1}$ et $U_{2}$ forment une partition de l'univers.
$P (B) = P (B ∣ U_{1}) P (U_{1}) + P (B ∣ U_{2}) P (U_{2})$ $P (B) = (\frac{3}{4} \cdot \frac{1}{2}) + (\frac{1}{2} \cdot \frac{1}{2}) = \frac{3}{8} + \frac{1}{4} = \frac{3}{8} + \frac{2}{8} = \frac{5}{8}$
Calcul final :
$P (U_{1} ∣ B) = \frac{P ( B ∣ U _{1} ) P ( U _{1} )}{P ( B )} = \frac{3/4 \cdot 1/2}{5/8} = \frac{3/8}{5/8} = \frac{3}{5}$
La probabilité que la boule blanche provienne de la première urne est de 3/5 ou 60%.

Conclusion

Aujourd'hui, nous avons ajouté un outil fondamental à votre arsenal mathématique. La capacité à raisonner de manière conditionnelle et à mettre à jour nos croyances face à de nouvelles informations est une compétence de premier ordre.

Points clés à retenir :

La probabilité conditionnelle $P (A ∣ B)$ est la probabilité de A dans l'univers restreint B. Elle se calcule par $P (A \cap B) / P (B)$ .
La formule des probabilités totales permet de calculer la probabilité d'un événement en le décomposant selon une partition de l'univers.
Le théorème de Bayes permet d'"inverser" une probabilité conditionnelle, passant de $P (B ∣ A)$ à $P (A ∣ B)$ . C'est l'outil mathématique de l'inférence.
La résolution de problèmes concrets impose une méthodologie stricte : formaliser les événements, traduire l'énoncé, appliquer les formules, puis interpréter le résultat.

Dans notre prochaine leçon, nous continuerons à explorer les caractéristiques des phénomènes aléatoires. Après avoir appris à calculer leurs probabilités, nous chercherons à les résumer par des valeurs numériques clés : l'espérance et la variance. Ces concepts nous permettront de quantifier la "valeur moyenne" d'un résultat et sa "dispersion" autour de cette moyenne.