Aller au contenu

Probabilités Seconde : probabilité conditionnelle et arbres

Niveau
Seconde
Type
Cours
Lecture
12 min

La probabilité de BB sachant AA, notée PA(B)P_A(B), est la probabilité que BB soit réalisé quand on sait que AA l'est : PA(B)=P(A∩B)P(A)P_A(B)=\dfrac{P(A\cap B)}{P(A)}, avec P(A)≠0P(A)\neq0. Dans un lycée de 500 élèves de Seconde, 300 sont demi-pensionnaires et 84 d'entre eux pratiquent un sport au lycée. Si l'on choisit au hasard un élève demi-pensionnaire, la probabilité qu'il pratique ce sport est 84300=0,28\frac{84}{300}=0{,}28.

Ce cours montre comment lire une probabilité conditionnelle dans un tableau croisé ou sur un arbre, distinguer PA(B)P_A(B) de PB(A)P_B(A) et comprendre pourquoi un test fiable peut donner beaucoup de faux positifs. Prérequis : le calcul d'une probabilité en situation d'équiprobabilité et la lecture d'un tableau croisé d'effectifs.

Sommaire9 parties

Rappels : univers, événements et équiprobabilité

Univers, événements, cardinal

L'univers Ω\Omega est l'ensemble des issues d'une expérience aléatoire. Un événement est une partie de Ω\Omega. Le nombre d'éléments d'un ensemble fini AA est son cardinal, noté Card⁡(A)\operatorname{Card}(A).

  • A‾\overline A (contraire de AA) : les issues de Ω\Omega qui ne sont pas dans AA ; P(A‾)=1−P(A)P(\overline A)=1-P(A).
  • A∩BA\cap B (« AA et BB ») : les issues communes ; A∪BA\cup B (« AA ou BB », ou inclusif) : les issues d'au moins un des deux.
  • Les probabilités des issues sont des nombres entre 0 et 1 dont la somme vaut 1.

Équiprobabilité et formule de la réunion

Si toutes les issues ont la même probabilité, pour tout événement AA :

P(A)=Card⁡(A)Card⁡(Ω).P(A)=\frac{\operatorname{Card}(A)}{\operatorname{Card}(\Omega)}.

Pour deux événements quelconques : P(A∪B)=P(A)+P(B)−P(A∩B)P(A\cup B)=P(A)+P(B)-P(A\cap B). En équiprobabilité, cela vient du comptage Card⁡(A∪B)=Card⁡(A)+Card⁡(B)−Card⁡(A∩B)\operatorname{Card}(A\cup B)=\operatorname{Card}(A)+\operatorname{Card}(B)-\operatorname{Card}(A\cap B) : en ajoutant les cardinaux de AA et de BB, les issues communes sont comptées deux fois.

Union et intersection de deux événements
Le diagramme distingue la réunion des deux événements de leur intersection.

Exemple 1 : un dé à douze faces

On lance un dé équilibré à 12 faces numérotées de 1 à 12. AA : « obtenir un nombre pair » ; BB : « obtenir au moins 9 ».

A={2 ;4 ;6 ;8 ;10 ;12}A=\{2\,;4\,;6\,;8\,;10\,;12\}, B={9 ;10 ;11 ;12}B=\{9\,;10\,;11\,;12\}, A∩B={10 ;12}A\cap B=\{10\,;12\}.

P(A∪B)=612+412−212=812=23.\begin{aligned}P(A\cup B)&=\frac{6}{12}+\frac{4}{12}-\frac{2}{12}\\&=\frac{8}{12}=\frac23.\end{aligned}

Vérification par comptage direct : A∪B={2 ;4 ;6 ;8 ;9 ;10 ;11 ;12}A\cup B=\{2\,;4\,;6\,;8\,;9\,;10\,;11\,;12\} contient bien 8 issues.

Tableau croisé et tirage au hasard dans une population

Quand on choisit au hasard (de façon équiprobable) un individu dans une population, chaque individu est une issue. La probabilité d'un événement est alors la proportion d'individus qui le réalisent, et un tableau croisé d'effectifs donne toutes les intersections.

Exemple 2 : demi-pension et association sportive

Dans un lycée, on a relevé pour les 500 élèves de Seconde le régime (demi-pensionnaire ou externe) et l'inscription à l'association sportive.

Sport (S)Pas de sportTotal
Demi-pensionnaire (D)84216300
Externe36164200
Total120380500

On choisit un élève au hasard parmi les 500. Les totaux donnent les événements simples, les cases les intersections :

  • P(D)=300500=0,6P(D)=\dfrac{300}{500}=0{,}6 et P(S)=120500=0,24P(S)=\dfrac{120}{500}=0{,}24 ;
  • P(D∩S)=84500=0,168P(D\cap S)=\dfrac{84}{500}=0{,}168 ;
  • P(D∪S)=0,6+0,24−0,168=0,672P(D\cup S)=0{,}6+0{,}24-0{,}168=0{,}672 ;
  • P(D‾∩S‾)=164500=0,328P(\overline D\cap\overline S)=\dfrac{164}{500}=0{,}328.

Contrôle : « ni demi-pensionnaire ni sportif » est le contraire de D∪SD\cup S, et l'on a bien 1−0,672=0,3281-0{,}672=0{,}328.

Probabilité conditionnelle : définition et calcul

Probabilité de B sachant A

Soit AA un événement tel que P(A)≠0P(A)\neq0. La probabilité de BB sachant AA est

PA(B)=P(A∩B)P(A).P_A(B)=\frac{P(A\cap B)}{P(A)}.

Si les issues sont équiprobables (tirage au hasard dans une population, dé équilibré…), elle se calcule par comptage :

PA(B)=Card⁡(A∩B)Card⁡(A).P_A(B)=\frac{\operatorname{Card}(A\cap B)}{\operatorname{Card}(A)}.

Justification de la formule de comptage. En notant N=Card⁡(Ω)N=\operatorname{Card}(\Omega), on a P(A∩B)=Card⁡(A∩B)NP(A\cap B)=\frac{\operatorname{Card}(A\cap B)}{N} et P(A)=Card⁡(A)NP(A)=\frac{\operatorname{Card}(A)}{N}. En divisant, les NN se simplifient. Savoir que AA est réalisé revient à remplacer l'univers Ω\Omega par AA : on compte les issues de BB parmi celles de AA.

La condition P(A)≠0P(A)\neq0 est indispensable : on ne raisonne pas « sachant » un événement impossible, et la division par 0 n'a pas de sens.

Exemple 3 : lire des probabilités conditionnelles dans le tableau

Avec le tableau de l'exemple 2 :

  • PD(S)=84300=0,28P_D(S)=\dfrac{84}{300}=0{,}28 : parmi les demi-pensionnaires, 28 % font du sport (on se limite à la ligne D) ;
  • PD‾(S)=36200=0,18P_{\overline D}(S)=\dfrac{36}{200}=0{,}18 : parmi les externes, 18 % font du sport ;
  • PS(D)=84120=0,7P_S(D)=\dfrac{84}{120}=0{,}7 : parmi les sportifs, 70 % sont demi-pensionnaires (on se limite à la colonne S).

La même case 84 sert trois fois, avec trois dénominateurs différents : 500 pour P(D∩S)P(D\cap S), 300 pour PD(S)P_D(S), 120 pour PS(D)P_S(D). Interprétation : les demi-pensionnaires s'inscrivent plus souvent au sport que les externes (28 % contre 18 %).

Propriétés de la probabilité sachant A

Pour P(A)≠0P(A)\neq0 :

  • 0≤PA(B)≤10\leq P_A(B)\leq1 ;
  • PA(B)+PA(B‾)=1P_A(B)+P_A(\overline B)=1 ;
  • si A⊂BA\subset B, alors PA(B)=1P_A(B)=1 ; si AA et BB sont incompatibles, PA(B)=0P_A(B)=0.

Démonstration de PA(B)+PA(B‾)=1P_A(B)+P_A(\overline B)=1 en équiprobabilité. Chaque issue de AA est soit dans BB, soit dans B‾\overline B, et pas dans les deux : Card⁡(A∩B)+Card⁡(A∩B‾)=Card⁡(A)\operatorname{Card}(A\cap B)+\operatorname{Card}(A\cap\overline B)=\operatorname{Card}(A). En divisant par Card⁡(A)≠0\operatorname{Card}(A)\neq0, on obtient le résultat. Exemple : PD(S‾)=216300=0,72=1−0,28P_D(\overline S)=\frac{216}{300}=0{,}72=1-0{,}28.

Exemple 4 : retour au dé à douze faces

Avec les événements de l'exemple 1, on sait que le résultat est pair. La probabilité qu'il soit au moins égal à 9 est

PA(B)=Card⁡(A∩B)Card⁡(A)=26=13.\begin{aligned}P_A(B)&=\frac{\operatorname{Card}(A\cap B)}{\operatorname{Card}(A)}\\&=\frac{2}{6}=\frac13.\end{aligned}

Sans information, P(B)=412=13P(B)=\frac{4}{12}=\frac13 aussi : savoir que le résultat est pair ne change pas la probabilité d'obtenir au moins 9. En revanche, PB(A)=24=12P_B(A)=\frac{2}{4}=\frac12, égale à P(A)P(A). Ce type de situation sera étudié en Première sous le nom d'indépendance.

Passer de la langue naturelle aux symboles

Dans un énoncé, la condition se repère aux mots « parmi », « sachant que », « chez les », « lorsque » : c'est elle qui va en indice. Le mot « et » désigne une intersection.

PhraseÉcriture
35 % des clients sont abonnésP(A)=0,35P(A)=0{,}35
parmi les abonnés, 60 % voient le film en VOPA(V)=0,6P_A(V)=0{,}6
21 % des clients sont abonnés et voient le film en VOP(A∩V)=0,21P(A\cap V)=0{,}21
70 % des spectateurs en VO sont abonnésPV(A)=0,7P_V(A)=0{,}7

Exemple 5 : les spectateurs d’un cinéma

Un client du cinéma est choisi au hasard ; AA : « il est abonné », VV : « il voit le film en version originale ». Les données du tableau précédent sont cohérentes, car

P(A)×PA(V)=0,35×0,6=0,21=P(A∩V).\begin{aligned}&P(A)\times P_A(V)\\&=0{,}35\times0{,}6=0{,}21\\&=P(A\cap V).\end{aligned}

On en déduit la proportion de spectateurs en VO, à partir de PV(A)=P(A∩V)P(V)P_V(A)=\dfrac{P(A\cap V)}{P(V)} :

0,7=0,21P(V)P(V)=0,210,7=0,3.\begin{aligned}0{,}7&=\frac{0{,}21}{P(V)}\\P(V)&=\frac{0{,}21}{0{,}7}=0{,}3.\end{aligned}

30 % des clients voient le film en VO. Remarque : « 60 % » et « 70 % » ne parlent pas de la même population (les abonnés d'un côté, les spectateurs en VO de l'autre) ; les comparer directement n'a pas de sens.

Inversion des conditionnements

Probabilité de B sachant A et probabilité de A sachant B sont en général différentes

PA(B)P_A(B) et PB(A)P_B(A) ont le même numérateur P(A∩B)P(A\cap B), mais pas le même dénominateur. Elles sont égales seulement si P(A)=P(B)P(A)=P(B) (ou si P(A∩B)=0P(A\cap B)=0).

Exemple qualitatif : la plupart des basketteurs professionnels mesurent plus de 1,90 m, mais la plupart des personnes de plus de 1,90 m ne sont pas basketteurs professionnels. « Parmi les basketteurs » et « parmi les grandes personnes » ne désignent pas la même population.

Relier les deux probabilités conditionnelles

Si P(A)≠0P(A)\neq0 et P(B)≠0P(B)\neq0, la définition, multipliée par le dénominateur, donne deux écritures de la même intersection :

P(A∩B)=P(A)×PA(B)=P(B)×PB(A).\begin{aligned}P(A\cap B)&=P(A)\times P_A(B)\\&=P(B)\times P_B(A).\end{aligned}

Exemple 6 : inverser une probabilité conditionnelle

Avec l'exemple 2 : P(D)×PD(S)=0,6×0,28=0,168P(D)\times P_D(S)=0{,}6\times0{,}28=0{,}168 et P(S)×PS(D)=0,24×0,7=0,168P(S)\times P_S(D)=0{,}24\times0{,}7=0{,}168. Si l'on connaît P(D)P(D), PD(S)P_D(S) et P(S)P(S), on retrouve

PS(D)=P(D)×PD(S)P(S)=0,1680,24=0,7.\begin{aligned}P_S(D)&=\frac{P(D)\times P_D(S)}{P(S)}\\&=\frac{0{,}168}{0{,}24}=0{,}7.\end{aligned}

28 % des demi-pensionnaires sont sportifs, mais 70 % des sportifs sont demi-pensionnaires : les deux nombres répondent à deux questions différentes.

Arbre de probabilités

Construire un arbre pondéré

  • Le premier niveau porte AA et A‾\overline A, avec les probabilités P(A)P(A) et P(A‾)P(\overline A).
  • Après le nœud AA, les branches BB et B‾\overline B portent les probabilités conditionnelles PA(B)P_A(B) et PA(B‾)P_A(\overline B) ; après A‾\overline A, elles portent PA‾(B)P_{\overline A}(B) et PA‾(B‾)P_{\overline A}(\overline B).
  • La somme des probabilités des branches issues d'un même nœud vaut 1.

Produit des probabilités le long d’un chemin

La probabilité de l'intersection représentée par un chemin est le produit des probabilités de ses branches : P(A∩B)=P(A)×PA(B)P(A\cap B)=P(A)\times P_A(B).

Lien avec la définition. Cette règle n'est pas une nouvelle propriété : c'est la définition PA(B)=P(A∩B)P(A)P_A(B)=\dfrac{P(A\cap B)}{P(A)}, multipliée par P(A)P(A). En termes d'effectifs, prendre 28 % des 60 % de demi-pensionnaires revient à prendre 0,6×0,28=16,8 %0{,}6\times0{,}28=16{,}8\,\% de l'ensemble.

Exemple 7 : l’arbre du lycée

À partir du tableau de l'exemple 2, on construit l'arbre de premier niveau DD, D‾\overline D :

CheminBranchesProbabilitéContrôle
D∩SD\cap S0,60{,}6 puis 0,280{,}280,1680{,}16884500\frac{84}{500}
D∩S‾D\cap\overline S0,60{,}6 puis 0,720{,}720,4320{,}432216500\frac{216}{500}
D‾∩S\overline D\cap S0,40{,}4 puis 0,180{,}180,0720{,}07236500\frac{36}{500}
D‾∩S‾\overline D\cap\overline S0,40{,}4 puis 0,820{,}820,3280{,}328164500\frac{164}{500}

Les pondérations du second niveau sont PD(S)=84300P_D(S)=\frac{84}{300}, PD(S‾)=216300P_D(\overline S)=\frac{216}{300}, PD‾(S)=36200P_{\overline D}(S)=\frac{36}{200} et PD‾(S‾)=164200P_{\overline D}(\overline S)=\frac{164}{200}. Vérification : les quatre chemins ont une somme égale à 0,168+0,432+0,072+0,328=10{,}168+0{,}432+0{,}072+0{,}328=1.

Exemple 8 : de l’arbre au tableau d’effectifs

Une société livre 80 % de ses colis par camion (CC) et les autres à vélo. Un colis livré par camion arrive en retard (RR) dans 15 % des cas, un colis livré à vélo dans 5 % des cas. On choisit un colis au hasard.

L'arbre porte P(C)=0,8P(C)=0{,}8, P(C‾)=0,2P(\overline C)=0{,}2, PC(R)=0,15P_C(R)=0{,}15 et PC‾(R)=0,05P_{\overline C}(R)=0{,}05. Par produit :

P(C∩R)=0,8×0,15=0,12P(C‾∩R)=0,2×0,05=0,01.\begin{aligned}P(C\cap R)&=0{,}8\times0{,}15=0{,}12\\P(\overline C\cap R)&=0{,}2\times0{,}05=0{,}01.\end{aligned}

Pour répondre à la question « un colis est en retard ; quelle est la probabilité qu'il ait été livré par camion ? », on traduit l'arbre en effectifs sur 1 000 colis :

En retardÀ l'heureTotal
Camion120680800
Vélo10190200
Total1308701 000
PR(C)=120130=1213≈0,923.P_R(C)=\frac{120}{130}=\frac{12}{13}\approx0{,}923.

Plus de 92 % des colis en retard ont été livrés par camion. En Première, le calcul de P(R)=0,13P(R)=0{,}13 directement sur l'arbre sera formalisé (formule des probabilités totales) ; en Seconde, le tableau d'effectifs suffit.

Exemple 9 : deux tirages sans remise

Une urne contient 4 boules rouges et 2 noires. On tire une boule, on la garde, puis on en tire une seconde. R1R_1 : « la première est rouge », R2R_2 : « la seconde est rouge ».

Si la première est rouge, il reste 3 rouges sur 5 boules : PR1(R2)=35P_{R_1}(R_2)=\frac35. Si elle est noire, il reste 4 rouges sur 5 : PR1‾(R2)=45P_{\overline{R_1}}(R_2)=\frac45. La probabilité de tirer deux rouges est

P(R1∩R2)=46×35=1230=25.\begin{aligned}P(R_1\cap R_2)&=\frac46\times\frac35\\&=\frac{12}{30}=\frac25.\end{aligned}

Deux boules de couleurs différentes correspondent aux chemins R1∩R2‾R_1\cap\overline{R_2} et R1‾∩R2\overline{R_1}\cap R_2, incompatibles :

46×25+26×45=830+830=815.\begin{aligned}&\frac46\times\frac25+\frac26\times\frac45\\&=\frac{8}{30}+\frac{8}{30}=\frac{8}{15}.\end{aligned}

Contrôle par dénombrement : en numérotant les boules, il y a 6×5=306\times5=30 tirages ordonnés équiprobables, dont 4×3=124\times3=12 avec deux rouges : on retrouve 1230\frac{12}{30}.

Tests de dépistage : faux positifs et faux négatifs

Vocabulaire des tests diagnostiques

Dans une population, on note MM : « la personne est malade » et TT : « le test est positif ».

  • Un faux positif est une personne non malade dont le test est positif (M‾∩T\overline M\cap T) ; un faux négatif est une personne malade dont le test est négatif (M∩T‾M\cap\overline T).
  • La sensibilité est la probabilité qu'un malade soit testé positif : PM(T)P_M(T).
  • La spécificité est la probabilité qu'une personne non malade soit testée négative : PM‾(T‾)P_{\overline M}(\overline T).

Sensibilité et spécificité décrivent le test. La question qui intéresse une personne testée positive est différente : c'est PT(M)P_T(M), qui dépend aussi de la proportion de malades dans la population.

Exemple 10 : un test fiable et une maladie rare

Une maladie touche 1 % d'une population. Le test a une sensibilité de 98 % et une spécificité de 95 %. On raisonne sur 10 000 personnes :

  • malades : 10 000×0,01=10010\,000\times0{,}01=100, dont 100×0,98=98100\times0{,}98=98 positifs et 2 négatifs (faux négatifs) ;
  • non malades : 9 900, dont 9 900×0,95=9 4059\,900\times0{,}95=9\,405 négatifs et 9 900−9 405=4959\,900-9\,405=495 positifs (faux positifs).
Arbre d'effectifs sur 10 000 personnes : 100 malades (branche 0,01) dont 98 positifs et 2 faux négatifs ; 9 900 non malades (branche 0,99) dont 495 faux positifs et 9 405 négatifs ; 593 tests positifs au total, dont 98 chez des malades.
Sur 593 tests positifs, 495 sont des faux positifs : la petite proportion d'erreurs porte sur un très grand groupe.
Positif (T)NégatifTotal
Malade (M)982100
Non malade4959 4059 900
Total5939 40710 000

Une personne choisie au hasard a un test positif. La probabilité qu'elle soit malade est

PT(M)=98593≈0,165.P_T(M)=\frac{98}{593}\approx0{,}165.

Le test détecte 98 % des malades, et pourtant environ 83 % des tests positifs sont des faux positifs. Confondre PM(T)=0,98P_M(T)=0{,}98 et PT(M)≈0,165P_T(M)\approx0{,}165 est exactement l'erreur d'inversion des conditionnements. À l'inverse, un test négatif est très rassurant : PT‾(M‾)=9 4059 407≈0,9998P_{\overline T}(\overline M)=\frac{9\,405}{9\,407}\approx0{,}9998.

Exemple 11 : le même test sur une population plus touchée

On utilise le même test chez des personnes qui présentent des symptômes, parmi lesquelles 10 % sont malades. Sur 10 000 personnes : 1 000 malades dont 980 positifs ; 9 000 non malades dont 9 000×0,05=4509\,000\times0{,}05=450 faux positifs.

PT(M)=980980+450=9801 430=98143≈0,685.\begin{aligned}P_T(M)&=\frac{980}{980+450}=\frac{980}{1\,430}\\&=\frac{98}{143}\approx0{,}685.\end{aligned}

Avec le même test, la probabilité d'être malade quand le test est positif passe d'environ 16,5 % à environ 68,5 %. C'est pourquoi on réserve souvent un test à des personnes déjà suspectes, ou on confirme un résultat positif par un second examen.

Probabilité et fréquence : la loi des grands nombres

Quand on répète une expérience un grand nombre de fois, de façon indépendante et dans les mêmes conditions, la fréquence d'un événement se rapproche de sa probabilité. Cette loi des grands nombres, admise en Seconde, relie les deux faces du chapitre : une probabilité calculée sur un tableau d'effectifs est une proportion, et une proportion inconnue peut être estimée par la fréquence observée sur un grand échantillon. Une simulation en Python permet de l'observer.

Erreurs fréquentes en probabilités conditionnelles

Diviser par l’effectif total au lieu de l’effectif de la condition

Ligne fausse : « parmi les demi-pensionnaires, la probabilité d'être sportif est 84500\frac{84}{500} ». Ce nombre est P(D∩S)P(D\cap S). La condition « parmi les demi-pensionnaires » impose le dénominateur 300 : PD(S)=84300P_D(S)=\frac{84}{300}. Test rapide : une probabilité conditionnelle est toujours supérieure ou égale à l'intersection correspondante, car son dénominateur est plus petit.

Inverser la condition

Ligne fausse : « le test a une sensibilité de 98 %, donc une personne positive est malade avec la probabilité 0,98 ». La sensibilité est PM(T)P_M(T), alors que la question porte sur PT(M)P_T(M). Pour éviter l'erreur, écrire l'événement qui suit « sachant » ou « parmi » en indice, puis vérifier que le dénominateur est l'effectif de ce groupe.

Ajouter des probabilités conditionnelles de groupes différents

Ligne fausse : « PD(S)+PD‾(S)=0,28+0,18=0,46P_D(S)+P_{\overline D}(S)=0{,}28+0{,}18=0{,}46, donc 46 % des élèves sont sportifs ». Ces deux nombres ne portent pas sur la même population. La relation correcte est PD(S)+PD(S‾)=1P_D(S)+P_D(\overline S)=1, même condition. Ici P(S)=0,24P(S)=0{,}24.

Oublier que le second tirage dépend du premier

Ligne fausse, pour l'exemple 9 : P(R1∩R2)=46×46P(R_1\cap R_2)=\frac46\times\frac46. Sans remise, la composition de l'urne change : la seconde branche vaut 35\frac35. Contrôle : sur chaque nœud de l'arbre, les probabilités doivent correspondre au contenu de l'urne à ce moment-là.

Lire une branche comme une intersection

Sur l'arbre de l'exemple 8, la branche « retard » après « camion » porte 0,15. Ce n'est pas la proportion de colis livrés par camion et en retard, qui vaut 0,8×0,15=0,120{,}8\times0{,}15=0{,}12. Une branche du second niveau porte toujours une probabilité conditionnelle.

Pour s'entraîner sur les tableaux croisés, les arbres et les tests : exercices corrigés de probabilités en Seconde. En Première s'ajoutent la formule des probabilités totales et l'indépendance de deux événements.