Académique Documents
Professionnel Documents
Culture Documents
01-Proba Condionelle PDF
01-Proba Condionelle PDF
Applications
Probabilités Conditionnelles
Philippe.Leray@insa-rouen.fr
Notions de Probabilité Conditionnelle
• Pourquoi ?
Ph. Leray
Définition
• Soient 2 événements A et M, on suppose que M s'est produit
⇒ Probabilité de A conditionnellement à M
Probabilité de A sachant M
P( A & M )
P(A M ) =
P( M )
° n(A) = nb de réalisations de A
° n(M) = nb de réalisations de M
° n(A&M) = nb de réalisations simultanées de A et M
n( A) n (M ) n( A & M )
P̂ ( A) = P̂ (M ) = P̂ ( A & M ) =
N N N
n( A & M )
⇒ P̂ ( A M ) = P = lim P̂
n (M )
Rappel :
N → +∞
théorique / empirique
Ph. Leray
Indépendance de 2 événements
• A et B sont 2 événements indépendants ssi
P(A|B) = P(A)
P(B|A) = P(B)
Ph. Leray
Exemple
• La législation de la marijuana aux USA
Pour Contre
Est des USA 7.8 % 22.2 % ^
P(Est)=30 %
^
Autres régions 18.2 % 51.8 % P(Autres)=70%
^P(Pour)=26 %
^ ^ ^
° P(Pour|Est) = P(Pour&Est) / P(Est) = 7.8 / 30 = 26 %
^
° En pratique : que dire si P(Pour|Est)= 27% 35% 50%
Ph. Leray
Probabilités Totales
• Soient N événements M1, … MN
° complets
° mutuellement exclusifs
P ( A) = ∑ P ( A M i )P(M i )
N
i =1
Ph. Leray
Exemple
• Soit un lot de 4500 pièces
° 3700 bonnes
° 800 fausses
P(F) ?
Ph. Leray
Exemple
• Il faut déjà choisir la boite dans laquelle on va prendre une
pièce …
P (F ) = ∑ P (F Bi )P(Bi ) =
4
1
(0.2 + 0.4 + 0.1 + 0.1) = 0.2
i =1 4
Ph. Leray
Exercice : le jeu des $$$
les dangers du conditionnel !
• Jeu TV :
° 3 portes, des $$$ derrière une des 3 portes A, B et C
° Le présentateur SAIT où sont les $$$
Ph. Leray
Exercice : le jeu des $$$
• 1ère question du présentateur :
» quelle porte choisissez-vous (sans l'ouvrir) ?
» Aucun a priori :
P(A=$$$) = P(B=$$$) = P(C=$$$) = 1/3
Ph. Leray
Exercice : le jeu des $$$
• résolution
présentateur 0
1/6 1/3 1/2
ouvre B
Ph. Leray
Probabilités des Causes
• Question :
Un événement A peut résulter de plusieurs causes Mi
(s'excluant mutuellement),
quelle est la probabilité de A connaissant
° les probabilités élémentaires P(Mi) probabilités à priori
° les probabilités conditionnelles de A à chaque cause Mi.
P (M i & A) P (A M i )P (M i )
P (M i A) = =
P( A ) P( A )
P ( A M i )P(M i )
P (M i A) =
∑ P(A M )P(M )
Théorème de Bayes
k k
k
Ph. Leray
Exemple Statistiques - Wonnacott - p.104
Ph. Leray
Exemple
• Formulation mathématique
° état réel de la voiture : DEF / OK
° état diagnostiqué par le mécanicien : def / ok
° P(def|DEF) = 90 % P(ok|DEF) = 10 %
° P(ok|OK) = 80 % P(def|OK) = 20 %
90 × 30
P (DEF def ) =
27
= = 66 %
90 × 30 + 20 × 70 41
10 × 30
P (DEF ok ) =
3
= =5%
10 × 30 + 80 × 70 59
Ph. Leray
Exemple
• Plus compliqué, mais plus réaliste …
P(DEF|def) = ?
P(DEF|ok) = ?
Ph. Leray
Et en continu ?
• X est une variable aléatoire x2
• fonction de densité fX(x) P ( x1 ≤ X ≤ x2 ) = ∫ f (t ) dt
X
x1
+∞
• Espérance : E(X ) = ∫ x f (x ) dx
X
−∞
[ ] ∫ (x − E( X ))
+∞
VAR( X ) = E ( X − E ( X )) = f X ( x ) dx
2 2
• Variance :
−∞
Ph. Leray
Exemple
• La loi normale :
0.4
0.35
−
( x − µ )2
f X (x ) =
1 2σ 2
exp 0.3
2πσ 2
0.25
0.2
0.15
0.1
0.05
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
q
Ph. Leray
Et en multi-dimensionnel ?
• X et Y deux variables aléatoires
• fonction de densité fX,Y(x,y)
• densités marginales :
+∞ +∞
f X (x ) = ∫ f (x , y ) dy
X ,Y fY ( y ) = ∫ f (x , y ) dx
X ,Y
−∞ −∞
• densités conditionnelles :
f X ,Y ( x , y ) f X ,Y ( x , y )
f X (x Y = y ) = fY ( y X = x ) =
fY ( y ) f X (x )
• De manière générale :
° fX(X|M) ~ N(30, σ2=5) P(M) = 0.2
° fX(X|¬M) ~ N(27,σ2=5) P(¬M) = 0.8
° P(M|X=24) ?
Ph. Leray
Exemple "mixte"
• Règle de Bayes
f X ( X = 24 M )P(M )
P(M X = 24 ) =
f X ( X = 24 M )P(M ) + f X ( X = 24 ¬M )P(¬M )
0.2 0.8
N(30,σ2=5) N(27,σ2=5)
0.0049 0.0725
P(M|X=24) = 0.0166
Ph. Leray
Variables aléatoires indépendantes
• X et Y deux variables aléatoires indépendantes ssi
f X (x Y = y ) = f X ( x ) ∀y
fY ( y X = x ) = fY ( y ) ∀x
f X ,Y ( x , y ) = f X (x )× fY ( y ) ∀x , y
Ph. Leray
Et on augmente le nb de variables
• densités conditionnelles
f ( x1 , x2 ,Λ , xn )
f (x1 , x2 ,Λ , xk xk +1 , xk + 2 ,Λ , xn ) =
f ( xk +1 , xk + 2 ,Λ , xn )
• indépendance
° X1 ... Xn sont indépendantes ssi f ( x1 ,Λ , xn ) = f ( x1 )Λ f (xn )
° Attention :
» si n variables sont indépendantes,
alors elles sont indépendantes k à k (k < n) VRAI
» la réciproque est FAUSSE
° exemple
X1 X2 indépendantes
X1 X3 indépendantes ⇒ X1 X2 X3 indépendantes
X2 X3 indépendantes
Ph. Leray
Exemple (en discret)
• 4 événements X1, X2, X3, X4 équiprobables P(Xi)=1/4
• A, B, C indépendants 2 à 2 :
° A&B = {X1 ou X2} &{X1 ou X3} = X1 P(A&B) = P(X1) = 1/4
P(A)P(B)=1/2*1/2=1/4
° (idem avec A&C et B&C)
Ph. Leray