Applications concrètes

• Comprendre pourquoi on apprend les probabilités conditionnelles
• Visualiser l'impact dans la vie quotidienne
• Renforcer la motivation à apprendre
• Montrer la pertinence mathématique dans divers domaines

1. Médecine : tests de dépistage, diagnostic
2. Assurance : calcul de primes, évaluation des risques
3. Finance : analyse de marché, gestion de portefeuille
4. Qualité industrielle : contrôle de fabrication
5. Intelligence artificielle : apprentissage automatique
6. Marketing : analyse de comportement client

Les probabilités conditionnelles permettent de :

• Prendre des décisions éclairées
• Évaluer les risques de manière précise
• Améliorer les prédictions
• Optimiser les processus

• Sensibilité : probabilité de test positif sachant que le patient est malade
• Spécificité : probabilité de test négatif sachant que le patient est sain
• Valeur prédictive positive : probabilité d'être malade sachant que le test est positif
• Valeur prédictive négative : probabilité d'être sain sachant que le test est négatif

Si une maladie touche 1 personne sur 1000 et que le test a une sensibilité de 99% et une spécificité de 95%, alors :

P(malade | test positif) = [P(test positif | malade) × P(malade)] / P(test positif)

Ce calcul montre que même avec un test fiable, la probabilité d'être malade après un test positif peut être faible si la maladie est rare.

Les assureurs utilisent les probabilités conditionnelles pour :

• Évaluer le risque d'accident en fonction de l'âge, du sexe, du lieu de résidence
• Calculer les primes d'assurance
• Prédire les sinistres futurs
• Personnaliser les offres

Grâce aux probabilités conditionnelles, les assureurs peuvent :

• Offrir des tarifs plus justes
• Prévoir les coûts futurs
• Gérer les risques de manière efficace
• Proposer des contrats adaptés

Les probabilités conditionnelles sont fondamentales en IA pour :

• Classificateurs bayésiens naïfs
• Algorithmes de reconnaissance de motifs
• Systèmes de recommandation
• Apprentissage supervisé et non supervisé

Un filtre anti-spam calcule P(spam | mot) pour chaque mot dans un email.

P(spam | mots) = [P(mots | spam) × P(spam)] / P(mots)

En combinant les probabilités conditionnelles de plusieurs mots, le système détermine si l'email est probablement du spam.

Les entreprises utilisent les probabilités conditionnelles pour :

• Comprendre les préférences des clients
• Prédire les achats futurs
• Personnaliser les offres
• Optimiser les campagnes publicitaires

Grâce aux probabilités conditionnelles, les marketeurs peuvent :

• Identifier les clients à fort potentiel
• Prévoir les tendances de consommation
• Optimiser les stocks
• Améliorer le taux de conversion

Soit A l'événement "le téléphone provient de l'usine A", B l'événement "le téléphone provient de l'usine B", et D l'événement "le téléphone est défectueux".

P(A) = 0.6, P(B) = 0.4

P(D|A) = 0.02, P(D|B) = 0.05

Par la formule des probabilités totales :

P(D) = P(A) × P(D|A) + P(B) × P(D|B)

P(D) = 0.6 × 0.02 + 0.4 × 0.05 = 0.012 + 0.02 = 0.032

On cherche P(A|D) : la probabilité que le téléphone vienne de l'usine A sachant qu'il est défectueux.

Par la formule de Bayes :

P(A|D) = [P(D|A) × P(A)] / P(D)

P(A|D) = (0.02 × 0.6) / 0.032 = 0.012 / 0.032 = 12/32 = 3/8 = 0.375

Bien que l'usine A produise 60% des téléphones, seuls 37.5% des téléphones défectueux proviennent de cette usine.

Cela montre que l'usine B, bien qu'elle ne produise que 40% des téléphones, est responsable de 62.5% des défauts.

Cela indique que l'usine B a un taux de défaut plus élevé (5% vs 2%), ce qui compense partiellement sa moindre production.

Soit F l'événement "être une fille", G l'événement "être un garçon", et L l'événement "porter des lunettes".

P(F) = 0.6, P(G) = 0.4

P(L|F) = 0.25, P(L|G) = 0.40

Par la formule des probabilités totales :

P(L) = P(F) × P(L|F) + P(G) × P(L|G)

P(L) = 0.6 × 0.25 + 0.4 × 0.40 = 0.15 + 0.16 = 0.31

On cherche P(F|L) : la probabilité que l'élève soit une fille sachant qu'il porte des lunettes.

Par la formule de Bayes :

P(F|L) = [P(L|F) × P(F)] / P(L)

P(F|L) = (0.25 × 0.6) / 0.31 = 0.15 / 0.31 ≈ 0.484

Bien que les filles représentent 60% de la classe, elles ne représentent que 48.4% des élèves portant des lunettes.

Cela montre que les garçons ont un taux de port de lunettes plus élevé (40% vs 25%), ce qui compense partiellement leur moindre proportion dans la classe.

Les probabilités conditionnelles permettent de corriger notre intuition initiale basée sur les proportions absolues.

• Médecine : tests de dépistage, diagnostic
• Assurance : calcul de primes, évaluation des risques
• Finance : analyse de marché, gestion de portefeuille
• IA : systèmes de recommandation, reconnaissance de motifs
• Marketing : analyse de comportement client
• Qualité industrielle : contrôle de fabrication

• Probabilité conditionnelle : P(A|B) = P(A ∩ B) / P(B)
• Formule des probabilités totales : P(B) = ∑P(Aᵢ) × P(B|Aᵢ)
• Formule de Bayes : P(A|B) = [P(B|A) × P(A)] / P(B)