Problèmes de conditionnement
Introduction
Découvrez comment traiter les situations probabilistes complexes
Contexte et motivation
Pourquoi les problèmes de conditionnement ?
Imaginons que vous passiez un test de dépistage pour une maladie rare. Le test est fiable à 95%, mais la maladie ne touche que 1 personne sur 1000. Si votre test est positif, quelle est la probabilité que vous soyez vraiment malade ?
Cette question, qui semble simple, nécessite l'utilisation des probabilités conditionnelles pour être résolue correctement.
- Comprendre les dépendances entre événements
- Modéliser des situations réelles complexes
- Prendre des décisions éclairées
- Évaluer des risques de manière précise
Définition des probabilités conditionnelles
Concepts fondamentaux
Soit A et B deux événements d'une expérience aléatoire, avec P(B) ≠ 0. La probabilité conditionnelle de A sachant B est définie par :
On lit "probabilité de A sachant B".
La probabilité conditionnelle P(A|B) représente la probabilité que l'événement A se réalise sachant que l'événement B s'est déjà produit.
Cela revient à réduire l'espace des possibles à l'événement B.
Formule des probabilités composées
Formule fondamentale
À partir de la définition de la probabilité conditionnelle, on obtient :
Cette formule est essentielle pour résoudre de nombreux problèmes de conditionnement.
Cette formule permet de calculer la probabilité d'une intersection d'événements en connaissant une probabilité conditionnelle et la probabilité de l'événement conditionnant.
Formule des probabilités totales
Formule complète
Soit A₁, A₂, ..., Aₙ un système complet d'événements (partition de Ω), c'est-à-dire :
- Les Aᵢ sont deux à deux disjoints
- Leur union est Ω
- P(Aᵢ) > 0 pour tout i
Alors pour tout événement B :
La formule des probabilités totales permet de calculer la probabilité d'un événement B en le décomposant selon un système complet d'événements.
Elle est particulièrement utile dans les arbres de probabilité.
Formule de Bayes
Théorème de Bayes
Soit A et B deux événements tels que P(A) > 0 et P(B) > 0. Alors :
Cette formule permet de calculer la probabilité "à rebours" : connaissant P(B|A), on peut déterminer P(A|B).
Si A₁, A₂, ..., Aₙ forment un système complet d'événements, alors pour tout i :
Exemple concret
Application numérique
Une entreprise a deux usines A et B. L'usine A produit 60% des articles, l'usine B produit 40%. La probabilité qu'un article soit défectueux est de 2% dans l'usine A et 5% dans l'usine B.
On sélectionne un article au hasard.
1. Calculer la probabilité qu'il soit défectueux.
2. Sachant que l'article est défectueux, quelle est la probabilité qu'il vienne de l'usine A ?
2 On a : P(A) = 0.6, P(B) = 0.4, P(D|A) = 0.02, P(D|B) = 0.05
3 Par la formule des probabilités totales :
P(D) = P(A) × P(D|A) + P(B) × P(D|B) = 0.6 × 0.02 + 0.4 × 0.05 = 0.012 + 0.02 = 0.032
4 Par la formule de Bayes :
P(A|D) = [P(D|A) × P(A)] / P(D) = (0.02 × 0.6) / 0.032 = 0.012 / 0.032 = 12/32 = 3/8 = 0.375
Arbres de probabilité
Représentation visuelle
Un arbre de probabilité permet de visualiser toutes les issues possibles d'une succession d'expériences aléatoires.
Sur chaque branche, on indique la probabilité conditionnelle correspondante.
La probabilité d'une succession d'événements est le produit des probabilités sur les branches.
- Sur chaque branche issue d'un nœud, la somme des probabilités est 1
- La probabilité d'un chemin est le produit des probabilités des branches
- La probabilité d'un événement est la somme des probabilités des chemins qui y conduisent
Exercice d'application
Problème complet
Dans une classe de 1ère, 60% des élèves sont des filles. Parmi les filles, 25% portent des lunettes. Parmi les garçons, 40% portent des lunettes.
On sélectionne un élève au hasard.
1. Calculer la probabilité qu'il porte des lunettes.
2. Sachant qu'il porte des lunettes, quelle est la probabilité que ce soit une fille ?
3. Commenter le résultat.
Solution de l'exercice
Correction détaillée
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
Suite de la solution
Correction détaillée (suite)
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.
Exercice d'application 2
Problème complet
Une urne contient 3 boules rouges et 2 boules bleues. On tire successivement deux boules sans remise.
Soit A l'événement "la première boule est rouge" et B l'événement "la deuxième boule est bleue".
1. Calculer P(A), P(B), P(A ∩ B) et P(B|A).
2. Les événements A et B sont-ils indépendants ? Justifier.
3. Calculer P(A|B).
Solution de l'exercice 2
Correction détaillée
P(A) = 3/5 (3 rouges sur 5 boules au départ)
P(B|A) = 2/4 = 1/2 (après avoir tiré une rouge, il reste 4 boules dont 2 bleues)
P(A ∩ B) = P(A) × P(B|A) = (3/5) × (1/2) = 3/10
Pour calculer P(B), on utilise la formule des probabilités totales :
P(B) = P(B|A) × P(A) + P(B|A^c) × P(A^c)
P(B) = (1/2) × (3/5) + (1/4) × (2/5) = 3/10 + 1/10 = 4/10 = 2/5
P(A) × P(B) = (3/5) × (2/5) = 6/25
P(A ∩ B) = 3/10 = 7.5/25
Comme P(A ∩ B) ≠ P(A) × P(B), les événements A et B sont dépendants.
Suite de la solution exercice 2
Correction détaillée (suite)
On cherche P(A|B) : la probabilité que la première boule soit rouge sachant que la deuxième est bleue.
Par la formule de Bayes :
P(A|B) = [P(B|A) × P(A)] / P(B)
P(A|B) = (1/2 × 3/5) / (2/5) = (3/10) / (2/5) = (3/10) × (5/2) = 15/20 = 3/4
On peut vérifier avec la formule P(A ∩ B) = P(A|B) × P(B) :
P(A|B) × P(B) = (3/4) × (2/5) = 6/20 = 3/10 = P(A ∩ B) ✓
Les calculs sont corrects.
Applications concrètes
Utilisations pratiques
- 1 Médecine (tests de dépistage, diagnostic)
- 2 Assurance (analyse de risque, calcul de primes)
- 3 Intelligence artificielle (apprentissage probabiliste)
- 4 Qualité industrielle (contrôle de fabrication)
- 5 Marketing (analyse de comportement client)
Un test médical a une sensibilité de 95% (probabilité de positif si malade) et une spécificité de 90% (probabilité de négatif si sain). Si la prévalence de la maladie est de 1%, quelle est la probabilité d'être malade sachant que le test est positif ? On utilise la formule de Bayes pour répondre à cette question cruciale.
Résumé
Points clés
Conclusion
Félicitations !
Continuez à pratiquer pour renforcer vos compétences