Probabilité conditionnelle

et loi de Bayes

Halim Boutayeb
halim.boutayeb@uqo.ca
Bureau B2004
819 595-3900, poste 2908

1
Plan

 Rappel
 Probabilité conditionnelle
 Théorème de Bayes
 Exercices

2
Rappel
Analyse combinatoire sans répétition
ordonné

Arrangement avec répétition Arrangement sans répétition

  𝑛 𝑛!
 𝑄 𝑛
=𝑛 𝑞 𝐴𝑞 =
𝑞 ( 𝑛 −𝑞 ) !

Permutations Combinaisons

𝑛
 𝑃𝑛 =𝑛 !   𝑛 𝐴 𝑞 𝑛!
𝐶 𝑞= =
𝑃 𝑞 ( 𝑛− 𝑞 ) ! 𝑞 !

3
Rappel
 Théorie des ensembles

(Associativité)
(Associativité)
(Distributivité)
(Distributivité)
= . (Loi de De Morgan)
= . (Loi de De Morgan)

 
4
Rappel
A et B sont des évènements
 Phénomènes probabilistes

  A et B sont incompatibles
Si
(ou disjoints):

 Si A implique B, AB :

 Si A et B sont indépendants:

5
Probabilité conditionnelle
 Nous avons vu qu’un évènement associé à l’espace échantillon est
un sous-ensemble de ce dernier.

Pour cerner la définition de la probabilité conditionnelle, on se

basera sur l’exemple suivant :

Soit un groupe constitué de 100 individus dont 40 ont des diplômes

universitaires, 20 sont travailleurs et 10 sont dans les deux
catégories.

6
Probabilité conditionnelle
 
représente l’ensemble des diplômés universitaires

représente l’ensemble des travailleurs

représente l’ensemble des travailleurs ayant un diplôme

universitaire.

On a :

7
Probabilité conditionnelle

 Si on choisit aléatoirement un individu dans le groupe des

diplômés, et on cherche à trouver la probabilité de tomber
sur un travailleur, on définira alors l’événement : « individu
qui travaille sachant que l’individu est diplômé ». Cette
évènement, dénoté définit la réalisation de l’évènement
sachant que est déjà réalisé:

8
Probabilité conditionnelle

  | 𝐴 ∩ 𝐵| | 𝐴 ∩ 𝐵|/ 100 𝑝( 𝐴 ∩ 𝐵 ) 0.1

𝑝 ( 𝐵 ∨ 𝐴 )= = = = = 0.25
| 𝐴| | 𝐴|/100 𝑝( 𝐴 ) 0.4

9
Probabilité conditionnelle

  probabilité conditionnelle d’un évènement étant donnée

La
qu’un autre évènement est déjà réalisé, et se définit comme
suit :

10
Probabilité conditionnelle
 On a les propriétés suivantes :

.
, si
 

11
Probabilité conditionnelle
 
Les évènements et sont indépendants si et seulement si :

On aura alors les propriétés suivantes :

12
Probabilité conditionnelle
 Exemple 1

Considérons le lancer d’un dé à 6 faces et que les probabilités de

tomber sur les différentes faces sont égales (événements
élémentaires équiprobables).

Soient les deux évènements :

: « le résultat est un chiffre pair », donc .

: « le résultat est un chiffre supérieur ou égal à 4 », donc .

13
Probabilité conditionnelle
 Exemple 1

On a alors : et .

Si on veut calculer , on supposera donc que l’événement est déjà

réalisé et le résultat est dans l’ensemble .

Parmi les résultats de cet ensemble seulement réalise

l’évènement .

Il s’ensuit que :

14
Probabilité conditionnelle
 Exemple 2

Dans une certaine compagnie aérienne, 90% des vols partent à

l'heure, 80% des vols arrivent à l’heure et 75% des vols partent et
arrivent à l'heure.

Soient les événements :  : « partir à l'heure » et  : « arriver à

l'heure »
 
Supposons que vous vous embarquez dans un vol de la compagnie
qui part à temps. Quelle est la probabilité qu'il arrivera à l’heure?

Est-ce que les événements  et  sont indépendants ?

15
Probabilité conditionnelle
 Exemple 2

Supposons que vous vous embarquez dans un vol de la compagnie

qui part à temps. Quelle est la probabilité qu'il arrivera à l’heure?

 
Est-ce que les événements  et  sont indépendants ?

On a , donc  et  ne sont pas indépendants.

16
Théorème de Bayes
 
Soient événements dans . Ces événements forment une partition
de l’ensemble ssi :

En général, si nous avons événements formant une partition de

l’espace échantillon , on peut écrire tout événement comme suit :

17
Théorème de Bayes
 
Comme sont disjoints deux à deux, il en va de même pour les
événements: , .

Il s’ensuit que:

On appellera cette écriture la probabilité marginale de

18
Théorème de Bayes
 
Théorème 5 :
Si événements forment une partition de l’espace échantillon , et
si représente un événement quelconque, alors :

Preuve:
Il suffit de constater que . Donc : , et ensuite remplacer dans
chaque terme de la somme par le produit pour obtenir la formule
complète du théorème

19
Théorème de Bayes
 
Théorème 6 : (Théorème de Bayes)
Si événements forment une partition de l’espace échantillon , et
si représente un événement quelconque, alors :

Preuve :
Il suffit de constater que . Comme et , alors :

20
Théorème de Bayes

  théorème de Bayes est souvent appelé 'théorème de probabilité

Le
des causes’.

Supposons que la réalisation d’un évènement , de probabilité non

nulle, peut être causée par l’une des évènements formant une
partition.

Si on connait les probabilités conditionnelles alors en observant

l’occurrence de l’évènement , le théorème de Bayes permet de
chercher pour chaque 'cause' la probabilité qu'elle soit à l'origine de
l'évènement .

21
Théorème de Bayes

 Dans le théorème de Bayes,

on appelle probabilité a posteriori,

probabilité conditionnelle (vraisemblance) et

probabilité a priori.
 

22
Théorème de Bayes
On peut utiliser une représentation graphique pour visualiser les
probabilités a priori et celles conditionnelles :

𝐵 𝐵 𝐵
  𝐾
  1   2  ⋯

 𝐴 ´
 𝐴  𝐴 ´  ⋯
 𝐴  𝐴 ´
 𝐴

23
Théorème de Bayes
 Exemple 1

Une maladie donnée (ex. cancer) peut être causée par le tabagisme
ou bien d’autres facteurs inconnues. On suppose une expérience
aléatoire consistant à choisir (aléatoirement) un individu dans une
population. Soit les deux évènements :
: « l’individu a la maladie »
: « l’individu est un fumeur ».
Supposons que pour une personne qui fume, la probabilité de
développer la maladie est de , et pour une personne qui ne fume
pas, cette probabilité est de Supposons aussi que de la population
sont des fumeurs. Une personne (de manière anonyme) a été prise
par hasard et on observe qu’elle a la maladie. Quelle est la
probabilité que le tabac soit la cause de la maladie ?

24
Théorème de Bayes
 Exemple 1

Selon les données fournies, on peut définir les probabilités

suivantes :
, et
Il est clair que les deux événements et forment une partition de
l’espace échantillon. La probabilité recherchée sera alors donnée par
le théorème de Bayes comme suit :
 

En remplaçant par les probabilités données on aura :

25
Théorème de Bayes
 Exemple 2

Une compagnie d’assurance estime que les individus peuvent être

répartis en deux classes de conducteurs:
 
'haut risque' : ceux qui sont enclins aux accidents (30% de la
population)
'risque modéré' : ceux qui sont prudents (70% de la population) et
font moins d’accidents
Les données de cette compagnie montrent qu’un individu à haut
risque a une probabilité de d’avoir un accident en l’espace d’un an ;
cette probabilité tombe à pour les individus à risque modéré.
 
Quelle est la probabilité qu’un nouvel assuré soit victime d’un
accident durant l’année qui suit la signature de son contrat?

26
Théorème de Bayes
 Exemple 2

Définissons les évènements suivants:

: « L’assuré a un accident dans l’année suivant la signature de son
contrat ».
: « L’assuré est 'à haut risque ».
 : « l’assuré est à risque modéré ».

En appliquant la formule de Bayes, on a :

27
Théorème de Bayes
 Exercice 1

Une société d'assemblage informatique reçoit

des pièces du fournisseur ,
des pièces du fournisseur , et
les restants des pièces du fournisseur .

Supposons que 5% des pièces fourni par , des pièces fournies par
et des pièces fournies par sont défectueuses, respectivement.

Si un ordinateur assemblé ne fonctionne pas et on est sûr que cela

vient de l’une des pièces qui est défectueuse. Quelle est la
probabilité que cette pièce a été reçue du fournisseur ?

28
Théorème de Bayes
 Exercice 1

Soit l’évènement :  : « l’ordinateur a une pièce défectueuse ».

L’énoncé nous a fourni les probabilités :

Ce qui est demandé alors est la probabilité.

29
 Théorème de Bayes

30
Théorème de Bayes
Exercice 2

On considère un groupe de personnes. Parmi ces personnes figurent

des médecins (8%) et des profs de maths (15%), et des gens
normaux (77%). C’est bien connu: les profs de maths écrivent très
mal, mais ils sont battus par les médecins, qui écrivent encore plus
mal. Ainsi 50% des profs de maths écrivent de façon illisible, mais
cette proportion atteint 70% des médecins. Quant aux gens
normaux, seuls 30% écrivent de façon incompréhensible.
 
On considère un mot écrit par une personne du groupe
 
1. Quelle est la probabilité que ce mot soit illisible?
2. Le mot est illisible. Quelle est la probabilité qu’il ait été écrit par
un prof de math?

31
Théorème de Bayes
 Exercice 2

On note les événements :

: « la personne qui a écrit le mot est un prof de maths »
: « la personne qui a écrit le mot est un médecin »
: « la personne qui a écrit le mot n’est pas prof de maths ni
médecin »
: « le mot est illisible »

On a d’après l’énoncé : , , .

Les événements (, , ) forment un système complet d’évènements.

En effet, ils sont 2 à 2 disjoints, de probabilité non nulle, et
recouvrent tous les cas possibles.

32
Théorème de Bayes
 Exercice 2

1. Pour cette question, on applique la formule des probabilités

marginales:

= 0.5 ∗ 0.15 + 0.7 ∗ 0.08 + 0.3 ∗ 0.77

= 0.362.
2. Pour cette question, on utilise la formule de Bayes :

33