Principes de base des probabilités conditionnelles
La probabilité est une méthode formelle pour mesurer la vraisemblance d'un événement. Dans de nombreuses situations concrètes, la probabilité d'un événement n'est pas une donnée isolée, mais dépend d'informations déjà connues. C'est là que le concept de probabilité conditionnelle prend toute son importance. La probabilité conditionnelle nous permet d'ajuster nos estimations concernant un événement donné après avoir obtenu des informations supplémentaires. Cet article présente sa définition, sa formule de base, des exemples et son lien avec la règle du produit et le théorème de Bayes.
1. Comprendre la probabilité conditionnelle
Intuitivement, la probabilité conditionnelle est la chance que l'événement A se produise sachant que l'événement B s'est produit. Elle s'écrit :
\[
P(A | B)
\]
lire « probabilité de A sachant B ».
Par exemple, nous voulons connaître la probabilité qu'une personne porte un parapluie (A) sachant qu'il pleut aujourd'hui (B). De toute évidence, la probabilité de porter un parapluie est plus élevée s'il pleut. L'information « il pleut » modifie notre champ d'analyse : nous ne considérons plus toutes les conditions météorologiques, mais seulement celles qui se présentent lorsqu'il pleut.
2. Formule de probabilité conditionnelle
La définition mathématique de la probabilité conditionnelle est :
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
à condition que \(P(B) > 0\).
Description:
– \(P(A \mid B)\): la probabilité que A se produise sachant que B se produit.
– \(P(A \cap B)\): la probabilité que A et B se produisent simultanément (l'intersection de A et B).
– \(P(B)\): la probabilité que B se produise.
La signification de cette formule : nous limitons notre attention à l'événement B, puis nous calculons quelle partie de B inclut également A.
3. Exemple simple : les cartes à jouer
Prenez une carte d'un jeu de cartes standard (52 cartes). Par exemple :
– A : La carte tirée est un As
– B : la carte tirée est un pique
Nous voulons calculer \(P(A \mid B)\), qui est la probabilité de tirer un As sachant que la carte est un pique.
Langkah :
– Au pique, il y a 13 cartes, donc \(P(B) = 13/52\).
– Les tranches A et B sont « As de pique » qui totalisent 1 carte, donc \(P(A \cap B) = 1/52\).
Donc:
\[
P(A | B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
Cela signifie que si nous savons déjà que la carte est un pique, la probabilité que la carte soit un as est de 1 sur 13.
4. Comprendre l'intersection (A ∩ B) et le rôle de l'information
Une erreur fréquente en probabilités consiste à confondre \(P(A)\) avec \(P(A|B)\). Dans l'exemple des cartes :
– \(P(A) = 4/52 = 1/13\) (probabilité d'obtenir un As sans information supplémentaire)
– \(P(A|B) = 1/13\) (par coïncidence, la même valeur est obtenue dans ce cas)
Cependant, dans de nombreux cas, les deux valeurs sont différentes. Des informations complémentaires peuvent être fournies :
– augmenter les chances (par exemple, les chances de réussir un examen si l'on sait que quelqu'un étudie),
– réduire les opportunités (les chances de trouver des routes dégagées si vous savez qu'il est temps de rentrer du travail),
– ou ne modifie pas la probabilité si les événements sont indépendants.
5. Événements mutuellement indépendants (Indépendance)
Deux événements A et B sont dits indépendants si l'événement B n'affecte pas la probabilité de A, et réciproquement. Formellement :
\[
P(A | B) = P(A)
\]
ou équivalent à :
\[
P(A ∩ B) = P(A)P(B)
\]
Exemple : lancer une pièce et un dé. Le résultat du lancer de pièce (nombre ou image) est indépendant du résultat du lancer de dé (1 à 6) ; les deux événements sont donc indépendants. Si A signifie « la pièce affiche un nombre » et B signifie « le dé affiche 6 », alors :
\[
P(A) = 1/2, P(B) = 1/6, P(A ∩ B) = 1/12
\]
et il est vrai que \(1/12 = (1/2)(1/6)\).
6. Règle de multiplication
À partir de la définition de la probabilité conditionnelle, on peut déduire la règle de multiplication :
\[
P(A ∩ B) = P(A ∼ B)P(B)
\]
ou encore :
\[
P(A ∩ B) = P(B ∼ A)P(A)
\]
Cette règle est très utile lorsque l'on veut calculer la probabilité que deux événements se produisent simultanément, mais il est plus facile d'évaluer la probabilité de l'un d'eux après avoir connu l'autre.
Exemple : Supposons que la probabilité de réussir un entretien (B) soit de 0,4. La probabilité d’être embauché (A) en cas de réussite à l’entretien est de 0,6. Alors, la probabilité de « réussir l’entretien et d’être embauché » est :
\[
P(A ∩ B) = P(A | B)P(B) = 0,6 × 0,4 = 0,24
\]
7. Théorème de Bayes : Inversion des conditions
Souvent, nous connaissons \(P(A|B)\), mais ce dont nous avons réellement besoin, c'est de \(P(B|A)\). Le théorème de Bayes permet d'« inverser » la probabilité conditionnelle :
\[
P(B | A) = \frac{P(A | B)P(B)}{P(A)}
\]
Ce théorème est très connu dans les domaines du diagnostic médical, de l'apprentissage automatique, de la détection des spams et de la prise de décision basée sur les données.
Exemple court (Santé)
Par exemple:
– B : quelqu'un est vraiment malade (prévalence) \(P(B)=0{,}01\)
– A : résultat positif au test
– Test de sensibilité : \(P(A|B)=0,95\)
– Faux positif : \(P(A|\text{non malade})=0{,}05\)
Question : Si le résultat du test est positif, quelle est la probabilité que la personne soit réellement malade, c'est-à-dire \(P(B|A)\) ?
Nous avons besoin de \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Donc:
\[
P(B|A)=\frac{0,95 \times 0,01}{0,059} \approx 0,161
\]
Le résultat était d'environ 16,1 %. Cela montre qu'un test positif ne signifie pas nécessairement qu'une personne est malade, surtout si la prévalence de la maladie est très faible.
8. Probabilité totale (Loi des probabilités totales)
Pour calculer \(P(A)\) dans une situation divisée en plusieurs conditions, on peut utiliser la loi des probabilités totales. Si \(B_1, B_2, …, B_n\) forme une partition de l'espace échantillonnal (mutuellement disjointe et englobant toutes les possibilités), alors :
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Il est souvent combiné au théorème de Bayes pour traiter les informations provenant de plusieurs catégories ou sources.
9. Erreurs courantes en probabilité conditionnelle
Quelques erreurs courantes :
1. Supposons que \(P(A|B)\) soit égal à \(P(B|A)\). Ceci n'est pas vrai en général.
2. Ignorer les taux de base, par exemple la prévalence de la maladie dans l'exemple de Bayes.
3. Déterminer incorrectement l’espace d’échantillonnage après que la condition a été donnée, même si la condition B signifie que nous ne comptons que dans la « région B ».
10. Penutup
La probabilité conditionnelle est un fondement important des statistiques et de la modélisation de l'incertitude. En comprenant la définition de \(P(A|B)=\frac{P(A \cap B)}{P(B)}\), nous pouvons évaluer les probabilités en tenant compte d'informations supplémentaires. Ce concept est directement lié à la règle du produit, à l'indépendance des événements, à la loi des probabilités totales et au théorème de Bayes, ce qui s'avère très utile dans de nombreuses applications concrètes. Plus vous vous exercerez avec des exemples concrets – cartes, dés, sondages, voire cas médicaux – plus votre intuition quant à l'évolution des probabilités en fonction des nouvelles informations disponibles se développera.
