ELEMENTS DE

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

• Définir les classes d’évènements

• Définir la probabilité
• Estimer la probabilité d’un événement
• Citer les applications médicales de la prob.

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

2. Calcul de probabilité a pour objet l’étude des

phénomènes aléatoires. Il est construit à partir
d’axiomes fondamentaux
3. Triple Intérêts portant sur :
• Le fondement théorique de la statistique inductive,
• Les raisonnements médicaux,
• La démarche diagnostic.

4
 OBJECTIFS

•Définir les classes d’événements

• 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

• Eventualité = un des résultats possibles

lors d’une expérience/épreuve/essai

• Univers des éventualités () = ensemble

des résultats possibles lors d’une
épreuve/essai.  est encore appelé
ensemble fondamental ou référentiel

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)

3. NOTION D’EVENEMENT ALEATOIRE

• Evènement = fait dont la description explicite les
conditions de satisfaction de sa réalisation
• Les conditions correspondent à une ou plusieurs
éventualités
• Evènement est aléatoire car le résultat de
l’épreuve est lié au HASARD

• Exemple du lancer de dé et la définition d’un

événement E souhaité sur cette expérience
(cf. polycopié)

11
 I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (7/13)

Soit l’évènement E : « amener une face impaire »

• Eventualités possibles = {1, 3, 5}

Soit l’évènement E : «amener une face

impaire ou la face 4 »
• Eventualités possibles = {1, 3, 5, 4}

Soit l’évènement E : « amener la face 1 »

• Eventualité possible = {1}
12
 I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (8/13)

DEFINIR 3 CLASSES D’EVENEMENTS PARTICULIERS

3.1- EVENEMENT CERTAIN = UNIVERS DES EVENTUALITES

•  = {1, 2, 3, 4, 5, 6}
3.2 - EVENEMENT IMPOSSIBLE

• 
3.3 - EVENEMENT SINGULIER ou ELEMENTAIRE
• {1}
13
 I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (9/13)

4. ENSEMBLE DES PARTIES DE  : P()

• Exemple du lancer d’une pièce de monnaie

-  = {pile, face}
- P() = (, pile, face, )
• Exemple du lancer d’un tétraèdre
-  = {a, b, c, d}
- P() constituées des sous ensembles de  :
Quels sont ces sous ensembles ? Combien
sont-ils ?
14
 I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (10/13)
• Exemple du lancer d’un tétraèdre
Sous ensembles Nombre d’éventualités
 1  C 04
{a}, {b}, {c}, {d} 4  C14
{a, b}, {a, c}, {a, d} ... 6  C 24
{a, b, c}, {a, b, d} … 4  C 34
{a, b, c, d} = 
1  C 44
4
16   C 4j
j 0

• P() = (, {a}, {b}, {c}, {d}, …….., {b,c,d}, )

15
 I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (11/13)

5. DEFINITION DES CLASSES D’EVENEMENTS

• Certain :  = {a, b, c, d}
• Impossible : 
• Singulier : {a} (incompatibles entre eux)
• Contraire : si E 1 = {a, b}  E1 = {c, d}
encore appelé complémentation

16
 I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (12/13)

5. DEFINITION DES CLASSES D’EVENEMENTS

• Conjonction (ET noté ) : si E 1 = {a, b, c} et
= E2 = {a, d}  E1  E2 = {a}
• Réunion (OU noté ) : si E
1 = {a, b, c} et
E 2 = {a, d}  E1  E2 = {a, b, c, d}
• Implication (inclusion notée ):si E1 ={a, b, c}
et E 2 = {a, b}  E2  E1
17
 I - NOTION D’EVENEMENT ALEATOIRE
ET DE PROBABILITE (13/13)

5. DEFINITION DES CLASSES D’EVENEMENTS

• Incompatibles : si E1 = {a, b} et E2 = {c, d}
 E1  E2 =  ; leur réalisation simultanée
est impossible
• Indépendants (E1 et E2) : si réalisation de
l’un ne dépend pas de l’autre événement

• Dépendants (E1 et E2) : si réalisation de

l’un dépend de l’autre événement
18
 Exemple de la théorie de BOOLE
• Georges BOOLE (1815-1864)
− Physicien anglais
− 1847 : Algèbre de BOOLE
− Raisonnement logique (fonctions logiques)

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)

• Reprenons l’exemple du lancer du tétraèdre

-  = {a, b, c, d}
- P() constituées des sous ensembles de 
- Quels sont ces sous ensembles ?
- Combien sont-ils ?

20
 II - ANALYSE COMBINATOIRE (2/7)

• Exemple du lancer du tétraèdre

Sous ensembles Nombre d’éventualités
 ?
{a}, {b}, {c}, {d} ?
{a, b}, {a, c}, {a, d} ... ?
{a, b, c}, {a, b, d} … ?
{a, b, c, d} =  ?

• P() = (, {a}, {b}, {c}, {d}, …….., {b,c,d}, )

21
 II - ANALYSE COMBINATOIRE (3/7)
• Exemple du lancer du tétraèdre
Sous ensembles Nombre d’éventualités
 1  C 04
{a}, {b}, {c}, {d} 4  C14
{a, b}, {a, c}, {a, d} ... 6  C 24
{a, b, c}, {a, b, d} … 4  C 34
{a, b, c, d} =  1  C 44
4
16   C 4j
j 0

• P() = (, {a}, {b}, {c}, {d}, …….., {b,c,d}, )

22
 II - ANALYSE COMBINATOIRE (4/7)

•Analyse combinatoire aide au dénombrement

direct des grands ensembles

•Analyse combinatoire = outil important pour le

calcul des probabilités grâce à l’Arrangement,
à la Permutation et à la Combinaison

23
 II - ANALYSE COMBINATOIRE (5/7)
j
1. Arrangement de n éléments pris j à j : A
n

• Selon ordre bien déterminé /

n!
An 
j

n  j !
• n! = n(n-1)(n-2)…….x 2 x 1
• 0! = 1
• Exemples +++ (polycopié)
24
 II - ANALYSE COMBINATOIRE (6/7)

2. Permutation de n éléments distincts : P n

n!
Pn  An  (n  n)!  n!
n

• Exemples +++ (polycopié)

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)

• Probabilité de réussite au concours prochain

de chaque étudiant inscrit à l’EPSS ?

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

•Si n nombre d’épreuves = 1

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 )

• Cette définition axiomatique de la probabilité va

se réaliser à partir d’axiomes fondamentaux :
- Axiome des probabilités totales
- Axiome des probabilités composés et
conditionnelles
35
 OBJECTIFS
• Définir les classes d’événements
• Définir la probabilité

•Estimer la probabilité d’un évènement

• Citer les applications médicales de la probabilité

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)

1. AXIOME DES PROBABILITES TOTALES

• Si les 2 événements s’excluent
mutuellement (incompatibles)
alors p(E1  E2) = 0
p(E1 ou E2) = p(E1  E2) = p(E1) + p(E2)

Généralisation à k événements incompatibles :

• p(E1  E2…  Ek) = p(Ei)

38
 IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (3/10)

1. AXIOME DES PROBABILITES TOTALES

• Si les 2 événements ne s’excluent
pas mutuellement (compatibles)
alors p(E1  E2)  0
p(E1 ou E2) = p(E1  E2)
= p(E1) + p(E2) - p(E1  E2)
Généralisation à k événements compatibles :
• p(E1  …  Ek) = p(Ei) - p(E1  ...  Ek)
39
 IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (4/10)

1. AXIOME DES PROBABILITES TOTALES

•Soit une urne (10 BR et 5 BB) dans laquelle
on tire au hasard 3 boules. Quelle est la
probabilité que les 3 boules tirées soit de la
même couleur ?
n
p( E )   p ( E1)  p ( E 2 )  0,286
N

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

E1 : Evénement 3 BR et n1 nombre de cas favorables

E2 : Evénement 3 BB et n2 nombre de cas favorables
n nombre de cas favorables
N nombre de cas possibles équiprobables

3
𝐴𝑣𝑒𝑐 𝑛1 = 𝐶10 , 𝑛2 = 𝐶53 𝑒𝑡 𝑁 = 𝐶15
3

41
 IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (5/10)

2. AXIOME DES PROBABILITES COMPOSEES

•Soit E1 et E2, 2 événements issus d’une

même épreuve aléatoire, ne s’excluant pas
mutuellement mais indépendants

•Notion donc de tirage avec remise (intérêt +++)

42
 IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (6/10)

2. AXIOME DES PROBABILITES COMPOSEES

•Probabilité composée est la probabilité de

réalisation de E1 et E2 /
p(E1 et E2) = p(E1  E2) = p(E1) x p(E2)

Généralisation à k événements indépendants :

• p(E1  …  Ek) = p(E1) x p(E2) x ... x p(Ek)
k

=  p( E )
i 1
i

43
 IV - CALCUL DE LA PROBABILITE
D’UN EVENEMENT (7/10)

2. AXIOME DES PROBABILITES COMPOSEES

•Dans un jeu de 32 cartes, quelle est la

probabilité de tirer un cœur puis un roi ?

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

•Soit E1 et E2, 2 événements issus d’une

même épreuve aléatoire et dépendants
La réalisation de E1 affecte celle de E2
• Notion donc de tirage sans remise (intérêt +++)
• On dit que p(E1) est conditionnelle de p(E2) /
p(E2 / E1) = p(E2 si E1)

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

•Citer les applications médicales de la prob

48
 V - APPLICATIONS MEDICALES
DE LA PROBABILITE

• Le calcul des risques (alimentaire, génétique…)

• Validité des tests diagnostiques (biologie, radio…)
• La démarche diagnostic (par élimination)
• La décision médicale (arbre de décision/algorithme)
• L’attitude thérapeutique (choix du traitement)

Théorème de BAYES ++++ construit à partir des

probabilités conditionnelles

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 ) 
ac bd

51
 Tests diagnostiques (para cliniques) 3/4

CAS
TEST M M
a
a (VP) b (FP) VPP  p( M / T  ) 
T  ab
d
T c (FN) d (VN) VPN  p( M / T ) 

cd

52
 Tests diagnostiques (para cliniques) 4/4

CAS M M
TEST

a
T  a (VP) b (FP) VPP  p( M / T  ) 
ab
d
T 
c (FN) d (VN) VPN  p( M / T ) 
cd
a d
Se  p(T  / M )  Sp  p(T  / M ) 
ac bd

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)

- Elle se généralise à k maladies et k signes +++

55
 Théorème de BAYES
• Soit M évènement « présence maladie donnée »
• Et S évènement « présence signe donné »
• On définit les probabilités suivantes :
- p(M) = prob d’observer la maladie M dans la population
- p(S) = prob d’observer le signe S dans la population
- p(M/S) = prob d’être malade si le signe S est observé
(probabilité à posteriori +++)
- p(S/M) = prob d’observer le signe si le sujet est malade
(probabilité à priori +++)

p( S / M )  p( M )
 p( M / S ) 
P( S )
- Elle se généralise à k maladies et k signes +++
56
 CONCLUSION

1. Les éléments de calcul de probabilité constituent

la base du raisonnement de l’estimation d’une
probabilité et d’une meilleure compréhension de
l’étude des lois de probabilités à venir

2. Ce chapitre confèrent de nombreuses applications

médicales.

57
 MERCI POUR VOTRE
ATTENTION SOUTENUE

58