Académique Documents
Professionnel Documents
Culture Documents
CALCUL DE
PROBABILITE
Dr AKA Joseph
Maître de Conférences Agrégé
Département de Santé Publique Biostatistique et Informatique médicale
Laboratoire de Biostatistique, Méthode et Informatique médicale
UFR SMA / UFHB
1
OBJECTIFS
2
PLAN
INTRODUCTION ET INTERETS
I. NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE
II. ANALYSE COMBINATOIRE
III. DEFINITION DE LA PROBABILITE
IV. CALCUL DE PROB D’UN EVENEMENT
V. APPLICATIONS MEDICALES
CONCLUSION
3
INTRODUCTION
1. Si l’on peut prédire peu de choses d’avance avec
certitude, il n’en est pas de même pour nombreuses
d’entre elles
notion de Probabilité de survenue d’un évènement
4
OBJECTIFS
• Définir la probabilité
• Estimer la probabilité d’un événement
• Citer les applications médicales de la probabilité
5
I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (1/13)
1. RAPPEL DE DEFINITIONS
• Modèle : ce qui sert de référence pour être reproduit
(lois de probabilité, modèles mathématiques, etc.)
• Modélisation : mise en équation d’un phénomène
complexe ou non permettant d’en prévenir les
évolutions (modélisations mathématiques,
informatiques, industrielles, météorologiques, etc.)
• Phénomène : fait/observation/évènement qui frappe
par son caractère exceptionnel
6
I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (2/13)
1. RAPPEL DE DEFINITIONS
• Essai/Epreuve : processus de jeu, qui lorsqu’il est
répété, génère un ensemble de résultats ou
observations
• Observation : résultat d’un essai lorsqu’il est
expérimenté ou réalisé
• Evènement : observation attendue. Les évènements
constituent l’ensemble des observations disponibles
au cours d’un essai/épreuve
7
I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (3/13)
2. EVENTUALITE ET UNIVERS DES EVENTUALITES
8
I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (4/13)
EXEMPLES (UNIVERS DES EVENTUALITES)
• Le lancer d’une pièce de monnaie
• Le lancer d’un dé à 6 faces
• Le lancer de 2 dés où X est la somme des
faces obtenues
La réponse nécessite des informations sur la
pièce et le dé.
Donner ces informations sur la pièce et le dé !!!
9
I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (5/13)
RESULTATS DES UNIVERS SUR CES EXEMPLES :
• = {pile, face}
• = {1, 2, 3, 4, 5, 6}
• sera constitué de 11 éventualités
= {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
X 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12 10
I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (6/13)
11
I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (7/13)
•
3.3 - EVENEMENT SINGULIER ou ELEMENTAIRE
• {1}
13
I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (9/13)
16
I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (12/13)
A B A ou B A et B A B
1 1 1 1 1
1 0 1 0 0
0 1 1 0 0
0 0 0 0 1
19
II - ANALYSE COMBINATOIRE (1/7)
- = {a, b, c, d}
- P() constituées des sous ensembles de
- Quels sont ces sous ensembles ?
- Combien sont-ils ?
20
II - ANALYSE COMBINATOIRE (2/7)
23
II - ANALYSE COMBINATOIRE (5/7)
j
1. Arrangement de n éléments pris j à j : A
n
n j !
• n! = n(n-1)(n-2)…….x 2 x 1
• 0! = 1
• Exemples +++ (polycopié)
24
II - ANALYSE COMBINATOIRE (6/7)
n!
Pn An (n n)! n!
n
25
II - ANALYSE COMBINATOIRE (7/7)
j
3. Combinaison de n éléments pris j à j : C n
- Sans considération d’ordre
j
C Aj n
n!
Pn
j
(n j )! j!
- A savoir :
C C 1
n 0
n n
C C
n j j
n n
C C C
j j 1 j
n j n 1 n
26
OBJECTIFS
• Définir les classes d’événements
• Définir la probabilité
• Estimer la probabilité d’un événement
• Citer les applications médicales de la probabilité
27
III - DEF. DE LA PROBABILITE (1/8)
•La définition de la probabilité d’un
évènement aléatoire a été reformulée pour
être plus générale :
- D’abord INTUITIVE mais nécessitant
l’hypothèse de l’équiprobabilité des
éventualités
- Puis AXIOMATIQUE (plus abstraite)
28
III - DEF. DE LA PROBABILITE (2/8)
MODELE
MONDE REEL
THEORIQUE
DONNEES + PREDICTIONS
INFORMATIONS
PROB. DE BAYES
(Formulation
d’hypothèses)
29
III - DEF. DE LA PROBABILITE (3/8)
1. DEF INTUITIVE DE LA PROBABILITE
• Notion de permanence statistique et grand
nombre d’épreuves analogues
• Exemple du lancer indéfini d’une pièce de
monnaie Equilibre asymptotique entre la
proportion d’apparition de pile et face /
p=0,5
• Cette permanence statistique, appelée
« Loi des grands nombres », attribue aux
fréquences la signification d’une probabilité
30
III - DEF. DE LA PROBABILITE (4/8)
1. DEF INTUITIVE DE LA PROBABILITE
• Cf. polycopié avec l’exemple du lancer de dé :
nombre cas favrables équiprobables
p( E )
nombre cas possibles équiprobables
n N n
p( E ) et p( E ) 1 p( E )
N N
p( E ) p( E ) 1
0 p 1
31
III - DEF. DE LA PROBABILITE (5/8)
1. DEF INTUITIVE DE LA PROBABILITE
1 5
p( E ) et p( E )
6 6
p( E ) p( E ) 1
32
III - DEF. DE LA PROBABILITE (6/8)
1. DEF INTUITIVE DE LA PROBABILITE
•Si n >1 épreuve (nombre fini d’épreuves)
x f (E)
p( E ) p
n n
n f (E)
p( E ) 1 p( E ) q
n
p q 1
33
III - DEF. DE LA PROBABILITE (7/8)
1. DEF INTUITIVE DE LA PROBABILITE
•Si n est un nombre infini d’épreuves
f (E)
p( E ) f (E)
r n
f (E)
lim lim f ( E ) p( E )
n r
lorsque n
• Exemple : probabilité de naissance de filles
(cf. polycopié), illustrant la loi des grands nombres
34
III - DEF. DE LA PROBABILITE (8/8)
2. DEF AXIOMATIQUE DE LA PROBABILITE
On appelle probabilité une application de :
P() [0, 1] R
E p( E )
36
IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (1/10)
1. AXIOME DES PROBABILITES TOTALES
•Soit E1 et E2, 2 événements issus d’une
même épreuve aléatoire
•Probabilité totale est la probabilité de
réalisation de E1 ou E2 /
p(E1 ou E2) = p(E1 E2)
= p(E1) + p(E2) - p(E1 E2)
Généralisation à k événements :
• p(E1 … Ek) = p(Ei) - p(E1 ... Ek)
37
IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (2/10)
38
IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (3/10)
p( E1) n 1
et p( E 2 ) n
2
N N
40
RESOLUTION
𝑛
𝑝 𝐸 = = 𝑝 𝐸1 + 𝑝(𝐸2 )
𝑁
𝑛1 𝑛2
𝑝 𝐸1 = 𝑒𝑡 𝑝 𝐸1 =
𝑁 𝑁
3
𝐴𝑣𝑒𝑐 𝑛1 = 𝐶10 , 𝑛2 = 𝐶53 𝑒𝑡 𝑁 = 𝐶15
3
41
IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (5/10)
42
IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (6/10)
= p( E )
i 1
i
43
IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (7/10)
1
p ( E ) p ( E1 et E 2) p ( E1) x p ( E 2)
32
p( E1) n1 et p( E 2) n2
N N
44
IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (8/10)
3. AXIOME DES PROBABILITES CONDITIONNELLES
45
IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (9/10)
3. AXIOME DES PROBABILITES CONDITIONNELLES
• Probabilité conditionnelle :
p( E1 E 2)
p( E 2 / E1)
p( E 1
p( E 2 / E1)
p( E1)
p(E1 et E2) = p(E1 E2) = p(E1) x p(E2 / E1)
46
IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (10/10)
4. EXEMPLE D’ESTIMATION D’UNE PROBABILITE
Dans une population, la distribution d’un
phénomène lié au sexe donne les résultats
suivants : p(H) = 0,45 p(M/H) = 0,04
p(F) = 0,55 p(M/F) = 0,005
Quelle est la probabilité de tirer au hasard une
personne malade dans cette population ?
p( E ) p( E1) p( E 2) p( E1 E 2) 0,021
p( E1) p( H ) p( M / H )
P( E 2 ) p ( F ) p ( M / F ) 47
OBJECTIFS
• Définir les classes d’événements
• Définir la probabilité
• Estimer la probabilité d’un événement
48
V - APPLICATIONS MEDICALES
DE LA PROBABILITE
49
Tests diagnostiques (para cliniques) 1/4
CAS
TEST M M
T
a (VP) b (FP)
T
c (FN) d (VN)
50
Tests diagnostiques (para cliniques) 2/4
CAS
TEST M M
T a (VP) b (FP)
T
c (FN) d (VN)
a d
Se p(T / M ) Sp p(T / M )
ac bd
51
Tests diagnostiques (para cliniques) 3/4
CAS
TEST M M
a
a (VP) b (FP) VPP p( M / T )
T ab
d
T c (FN) d (VN) VPN p( M / T )
cd
52
Tests diagnostiques (para cliniques) 4/4
CAS M M
TEST
a
T a (VP) b (FP) VPP p( M / T )
ab
d
T
c (FN) d (VN) VPN p( M / T )
cd
a d
Se p(T / M ) Sp p(T / M )
ac bd
53
Théorème de BAYES
p ( E1 E 2 )
(1) p ( E1 / E 2)
p ( E 2)
p ( E1 E 2 )
(2) p ( E 2 / E1)
p ( E1)
p ( E1 E 2) p ( E 2 / E1) p ( E1)
p ( E 2 / E1) p ( E1)
Alors on obtient dans (1) p ( E1 / E 2)
p ( E 2)
(théroème de BAYES )
54
Théorème de BAYES
• Soit E1 évènement « présence maladie donnée »
• Et E2 évènement « présence signe donné »
• On définit les probabilités suivantes :
- p(E1) = prob d’observer la maladie M dans la population
- p(E2) = prob d’observer le signe S dans la population
- p(E1 / E2) = prob d’être malade si le signe S est observé
(probabilité à posteriori +++)
- p(E2 / E1) = prob d’observer le signe si le sujet est malade
(probabilité à priori +++)
p( E 2 / E1) p( E1)
p( E1 / E 2)
P ( E 2)
p( S / M ) p( M )
p( M / S )
P( S )
- Elle se généralise à k maladies et k signes +++
56
CONCLUSION
57
MERCI POUR VOTRE
ATTENTION SOUTENUE
58