Probabilités conditionnelles

Pascal Boldini

Sorbonne Université
Quelques énigmes
Quelques énigmes

Le sexe du deuxième enfant

Quelques énigmes

Le sexe du deuxième enfant

Lors d’un voyage en avion, votre voisin vous confie qu’il a 2
enfants, dont un est un garçon. Quelle est la probabilité que le
deuxième enfant soit une fille ?
Quelques énigmes

Le sexe du deuxième enfant

Lors d’un voyage en avion, votre voisin vous confie qu’il a 2
enfants, dont un est un garçon. Quelle est la probabilité que le
deuxième enfant soit une fille ?
Lors d’un voyage en avion, votre voisin vous confie qu’il a 2
enfants, dont un est un garçon qui est né un mardi. Quelle est
la probabilité que le deuxième enfant soit une fille ?
Quelques énigmes

Le sexe du deuxième enfant

Lors d’un voyage en avion, votre voisin vous confie qu’il a 2
enfants, dont un est un garçon. Quelle est la probabilité que le
deuxième enfant soit une fille ?
Lors d’un voyage en avion, votre voisin vous confie qu’il a 2
enfants, dont un est un garçon qui est né un mardi. Quelle est
la probabilité que le deuxième enfant soit une fille ?
Le problème de Monty Hall.
Quelques énigmes

Le sexe du deuxième enfant

Lors d’un voyage en avion, votre voisin vous confie qu’il a 2
enfants, dont un est un garçon. Quelle est la probabilité que le
deuxième enfant soit une fille ?
Lors d’un voyage en avion, votre voisin vous confie qu’il a 2
enfants, dont un est un garçon qui est né un mardi. Quelle est
la probabilité que le deuxième enfant soit une fille ?
Le problème de Monty Hall.
Il y a 3 portes, derrière l’une d’elles se trouve une voiture.
Le joueur choisit une porte au hasard ; le présentateur du jeu,
qui sait où se trouve la voiture, ouvre une porte vide dans les
deux portes restantes. Quelle stratégie doit adopter le joueur :
conserver son choix initial, ou choisir l’autre porte demeurée
fermée ?

2
Probabilités conditionnelles : introduction
Toutes les situations ne sont pas équiprobables, dans certaines
épreuves un résultat particulier a plus de chances d’apparaître que
d’autres.

3
Probabilités conditionnelles : introduction
Toutes les situations ne sont pas équiprobables, dans certaines
épreuves un résultat particulier a plus de chances d’apparaître que
d’autres.
Ces distorsions sont dues à des conditions plus ou moins cachées
qui “faussent” ou “pèsent” sur l’épreuve.

3
Probabilités conditionnelles : introduction
Toutes les situations ne sont pas équiprobables, dans certaines
épreuves un résultat particulier a plus de chances d’apparaître que
d’autres.
Ces distorsions sont dues à des conditions plus ou moins cachées
qui “faussent” ou “pèsent” sur l’épreuve.
Imaginons que l’on tire une carte dans un jeu de 32 cartes. La
probabilité que la carte soit un cœur est égale à 41 , car nous
sommes en situation d’équiprobabilité.

3
Probabilités conditionnelles : introduction
Toutes les situations ne sont pas équiprobables, dans certaines
épreuves un résultat particulier a plus de chances d’apparaître que
d’autres.
Ces distorsions sont dues à des conditions plus ou moins cachées
qui “faussent” ou “pèsent” sur l’épreuve.
Imaginons que l’on tire une carte dans un jeu de 32 cartes. La
probabilité que la carte soit un cœur est égale à 41 , car nous
sommes en situation d’équiprobabilité.
On écrit donc : P(tirer un cœur) = 41 .

3
Probabilités conditionnelles : introduction
Toutes les situations ne sont pas équiprobables, dans certaines
épreuves un résultat particulier a plus de chances d’apparaître que
d’autres.
Ces distorsions sont dues à des conditions plus ou moins cachées
qui “faussent” ou “pèsent” sur l’épreuve.
Imaginons que l’on tire une carte dans un jeu de 32 cartes. La
probabilité que la carte soit un cœur est égale à 41 , car nous
sommes en situation d’équiprobabilité.
On écrit donc : P(tirer un cœur) = 41 .
Mais si j’aperçois dans le reflet de la table une nuance de
rouge, la probabilité d’obtenir un cœur est alors égale à 12 .

3
Probabilités conditionnelles : introduction
Toutes les situations ne sont pas équiprobables, dans certaines
épreuves un résultat particulier a plus de chances d’apparaître que
d’autres.
Ces distorsions sont dues à des conditions plus ou moins cachées
qui “faussent” ou “pèsent” sur l’épreuve.
Imaginons que l’on tire une carte dans un jeu de 32 cartes. La
probabilité que la carte soit un cœur est égale à 41 , car nous
sommes en situation d’équiprobabilité.
On écrit donc : P(tirer un cœur) = 41 .
Mais si j’aperçois dans le reflet de la table une nuance de
rouge, la probabilité d’obtenir un cœur est alors égale à 12 .
Nous dirons que la probabilité d’obtenir un cœur sachant que
la carte est rouge est égale à 21 ,

3
Probabilités conditionnelles : introduction
Toutes les situations ne sont pas équiprobables, dans certaines
épreuves un résultat particulier a plus de chances d’apparaître que
d’autres.
Ces distorsions sont dues à des conditions plus ou moins cachées
qui “faussent” ou “pèsent” sur l’épreuve.
Imaginons que l’on tire une carte dans un jeu de 32 cartes. La
probabilité que la carte soit un cœur est égale à 41 , car nous
sommes en situation d’équiprobabilité.
On écrit donc : P(tirer un cœur) = 41 .
Mais si j’aperçois dans le reflet de la table une nuance de
rouge, la probabilité d’obtenir un cœur est alors égale à 12 .
Nous dirons que la probabilité d’obtenir un cœur sachant que
la carte est rouge est égale à 21 ,
On écrit :
1
Pcarte_ rouge (tirer un cœur) = P(tirer un cœur|carte_rouge) = .
2
3
Probabilités conditionnelles : introduction
Considérons un échantillon de 100 individus appartenant à la
population active. Parmi ces 100 individus 9 sont au chômage, 30
ont moins de 26 ans, et 5 ont moins de 26 ans et sont au chômage.

4
Probabilités conditionnelles : introduction
Considérons un échantillon de 100 individus appartenant à la
population active. Parmi ces 100 individus 9 sont au chômage, 30
ont moins de 26 ans, et 5 ont moins de 26 ans et sont au chômage.

4
Probabilités conditionnelles : introduction

On interroge un individu :
9
la probabilité qu’il soit au chômage est de 100 = 9%,
Probabilités conditionnelles : introduction

On interroge un individu :
9
la probabilité qu’il soit au chômage est de 100 = 9%,
la probabilité qu’il soit au chômage, sachant qu’il s’agit d’un
5
jeune de moins de 26 ans, est de 30 ' 16, 66%.
Probabilités conditionnelles : introduction

On interroge un individu :
9
la probabilité qu’il soit au chômage est de 100 = 9%,
la probabilité qu’il soit au chômage, sachant qu’il s’agit d’un
5
jeune de moins de 26 ans, est de 30 ' 16, 66%.
En symboles :

5
Probabilités conditionnelles : introduction

On interroge un individu :
9
la probabilité qu’il soit au chômage est de 100 = 9%,
la probabilité qu’il soit au chômage, sachant qu’il s’agit d’un
5
jeune de moins de 26 ans, est de 30 ' 16, 66%.
En symboles :
P(chômeur) = 9%

5
Probabilités conditionnelles : introduction

On interroge un individu :
9
la probabilité qu’il soit au chômage est de 100 = 9%,
la probabilité qu’il soit au chômage, sachant qu’il s’agit d’un
5
jeune de moins de 26 ans, est de 30 ' 16, 66%.
En symboles :
P(chômeur) = 9%
Pmoins_de_26_ans (chômeur) =
P(chômeur|moins_de_26 ans) = 16, 66%.
Probabilités conditionnelles : introduction

On interroge un individu :
9
la probabilité qu’il soit au chômage est de 100 = 9%,
la probabilité qu’il soit au chômage, sachant qu’il s’agit d’un
5
jeune de moins de 26 ans, est de 30 ' 16, 66%.
En symboles :
P(chômeur) = 9%
Pmoins_de_26_ans (chômeur) =
P(chômeur|moins_de_26 ans) = 16, 66%.
De fait, on n’abandonne pas le principe d’équiprobabilité, mais la
condition “être un jeune de moins de 26 ans” restreint l’univers.
Les seuls individus chômeurs pertinents sont ceux qui sont
chômeurs et qui ont moins de 26 ans.
Probabilités conditionnelles : définition
Nous avons fait le calcul :
card(chômeur et moins de 26 ans )
Pmoins_de_26 ans (chômeur) =
card(moins de 26 ans)

6
Probabilités conditionnelles : définition
Nous avons fait le calcul :
card(chômeur et moins de 26 ans )
Pmoins_de_26 ans (chômeur) =
card(moins de 26 ans)

ce qui revient à :
P(chômeur et moins de 26 ans )
Pmoins_ de_ 26_ ans (chômeur) =
P(moins de 26 ans)

6
Probabilités conditionnelles : définition
Nous avons fait le calcul :
card(chômeur et moins de 26 ans )
Pmoins_de_26 ans (chômeur) =
card(moins de 26 ans)

ce qui revient à :
P(chômeur et moins de 26 ans )
Pmoins_ de_ 26_ ans (chômeur) =
P(moins de 26 ans)

Définition
Soit E une épreuve d’univers Ω, et A un événement tel que
P(A) 6= 0 on appelle probabilité conditionnelle sachant A
l’application,
PA : P(Ω) −→ [0, 1]
∩A)
E 7→ P(E P(A)

La probabilité conditionnelle PA (E ) est aussi notée P(E |A).

Probabilités conditionnelles : vérification
Il faut vérifier que l’application
PA : P(Ω) −→ [0, 1]
∩A)
E 7→ P(E
P(A)
est bien une probabilité, c’est-à-dire qu’elle vérifie les axiomes de
Kolmogorov.

7
Probabilités conditionnelles : vérification
Il faut vérifier que l’application
PA : P(Ω) −→ [0, 1]
∩A)
E 7→ P(E
P(A)
est bien une probabilité, c’est-à-dire qu’elle vérifie les axiomes de
Kolmogorov.
1 E ∩ A ⊆ A, donc 0 ≤ P(E ∩ A) ≤ P(A), donc 0 ≤
P(E ∩A)
P(A) ≤ 1.

7
Probabilités conditionnelles : vérification
Il faut vérifier que l’application
PA : P(Ω) −→ [0, 1]
∩A)
E 7→ P(E
P(A)
est bien une probabilité, c’est-à-dire qu’elle vérifie les axiomes de
Kolmogorov.
1 E ∩ A ⊆ A, donc 0 ≤ P(E ∩ A) ≤ P(A), donc 0 ≤
P(E ∩A)
P(A) ≤ 1.
P(Ω∩A) P(A)
2 PA (Ω) = P(A) = P(A) =1

7
Probabilités conditionnelles : vérification
Il faut vérifier que l’application
PA : P(Ω) −→ [0, 1]
∩A)
E 7→ P(E
P(A)
est bien une probabilité, c’est-à-dire qu’elle vérifie les axiomes de
Kolmogorov.
1 E ∩ A ⊆ A, donc 0 ≤ P(E ∩ A) ≤ P(A), donc 0 ≤
P(E ∩A)
P(A) ≤ 1.
2 PA (Ω) = P(Ω∩A) P(A)
P(A) = P(A) = 1
3 Si E et F sont incompatibles alors :
Probabilités conditionnelles : vérification
Il faut vérifier que l’application
PA : P(Ω) −→ [0, 1]
∩A)
E 7→ P(E
P(A)
est bien une probabilité, c’est-à-dire qu’elle vérifie les axiomes de
Kolmogorov.
1 E ∩ A ⊆ A, donc 0 ≤ P(E ∩ A) ≤ P(A), donc 0 ≤
P(E ∩A)
P(A) ≤ 1.
2 PA (Ω) = P(Ω∩A) P(A)
P(A) = P(A) = 1
3 Si E et F sont incompatibles alors :
1 E ∩ A et F ∩ A sont incompatibles,
Probabilités conditionnelles : vérification
Il faut vérifier que l’application
PA : P(Ω) −→ [0, 1]
∩A)
E 7→ P(E
P(A)
est bien une probabilité, c’est-à-dire qu’elle vérifie les axiomes de
Kolmogorov.
1 E ∩ A ⊆ A, donc 0 ≤ P(E ∩ A) ≤ P(A), donc 0 ≤
P(E ∩A)
P(A) ≤ 1.
2 PA (Ω) = P(Ω∩A) P(A)
P(A) = P(A) = 1
3 Si E et F sont incompatibles alors :
1 E ∩ A et F ∩ A sont incompatibles,
2 de plus, (E ∪ F ) ∩ A = (E ∩ A) ∪ (F ∩ A)
Probabilités conditionnelles : vérification
Il faut vérifier que l’application
PA : P(Ω) −→ [0, 1]
∩A)
E 7→ P(E
P(A)
est bien une probabilité, c’est-à-dire qu’elle vérifie les axiomes de
Kolmogorov.
1 E ∩ A ⊆ A, donc 0 ≤ P(E ∩ A) ≤ P(A), donc 0 ≤
P(E ∩A)
P(A) ≤ 1.
2 PA (Ω) = P(Ω∩A) P(A)
P(A) = P(A) = 1
3 Si E et F sont incompatibles alors :
1 E ∩ A et F ∩ A sont incompatibles,
2 de plus, (E ∪ F ) ∩ A = (E ∩ A) ∪ (F ∩ A)
3 donc
P((E ∪ F ) ∩ A) P((E ∩ A) ∪ (F ∩ A))
PA (E ∪ F ) = =
P(A) P(A)
P(E ∩ A) + P(F ∩ A) P(E ∩ A) P(F ∩ A)
= = +
P(A) P(A) P(A)
= PA (E ) + PA (F )
Probabilités conditionnelles — Propriétés

À retenir
Probabilités conditionnelles — Propriétés

À retenir
P(B ∩ A) P(A ∩ B)
PA (B) = =
P(A) P(A)
Probabilités conditionnelles — Propriétés

À retenir
P(B ∩ A) P(A ∩ B)
PA (B) = =
P(A) P(A)
PA (B̄) = 1 − PA (B)
Probabilités conditionnelles — Propriétés

À retenir
P(B ∩ A) P(A ∩ B)
PA (B) = =
P(A) P(A)
PA (B̄) = 1 − PA (B)
Si B et C sont incompatibles : PA (B ∪ C ) = PA (B) + PA (C )

8
L’arbre des probabilités

9
L’arbre des probabilités
On représente souvent un problème de probabilités conditionnelles à
l’aide d’un arbre de probabilités.

9
L’arbre des probabilités
On représente souvent un problème de probabilités conditionnelles à
l’aide d’un arbre de probabilités.
chômeur
5 
30


moins_de_26_ans H

30  HH
100

 25
HH
•H
 30 H
chômeur
H
H70H 4 chômeur
100 H
H 70


moins_de_26_ans H

HH
66
H
HH
70 chômeur

9
L’arbre des probabilités
On représente souvent un problème de probabilités conditionnelles à
l’aide d’un arbre de probabilités.
chômeur
5 
30


moins_de_26_ans H

30  HH
100

 25
HH
•H
 30 H
chômeur
H
H70H 4 chômeur
100 H
H 70


moins_de_26_ans H

HH
66
H
HH
70 chômeur

Les nœuds de l’arbre sont les événements, et les arêtes les

probabilités conditionnelles relatives à l’événement situé à leur
gauche.
9
L’arbre des probabilités

10
L’arbre des probabilités
L’arbre des probabilités permet de calculer facilement toutes
les probabilités qui nous intéressent.

10
L’arbre des probabilités
L’arbre des probabilités permet de calculer facilement toutes
les probabilités qui nous intéressent.
En particulier, on obtient les probabilités des intersections
d’événements (A et B) en multipliant les probabilités d’une
même branche.

10
L’arbre des probabilités
L’arbre des probabilités permet de calculer facilement toutes
les probabilités qui nous intéressent.
En particulier, on obtient les probabilités des intersections
d’événements (A et B) en multipliant les probabilités d’une
même branche.
Cela vient du simple fait que :
P(A ∩ B)
PA (B) = ⇔ P(A ∩ B) = PA (B) × P(A)
P(A)

10
L’arbre des probabilités
L’arbre des probabilités permet de calculer facilement toutes
les probabilités qui nous intéressent.
En particulier, on obtient les probabilités des intersections
d’événements (A et B) en multipliant les probabilités d’une
même branche.
Cela vient du simple fait que :
P(A ∩ B)
PA (B) = ⇔ P(A ∩ B) = PA (B) × P(A)
P(A)
Dans notre exemple :
5 30 5
P(chômeur et moins de 26 ans) = × =
30 100 100
L’arbre des probabilités
L’arbre des probabilités permet de calculer facilement toutes
les probabilités qui nous intéressent.
En particulier, on obtient les probabilités des intersections
d’événements (A et B) en multipliant les probabilités d’une
même branche.
Cela vient du simple fait que :
P(A ∩ B)
PA (B) = ⇔ P(A ∩ B) = PA (B) × P(A)
P(A)
Dans notre exemple :
5 30 5
P(chômeur et moins de 26 ans) = × =
30 100 100

À retenir
P(A ∩ B) = PA (B) × P(A) = PB (A) × P(B)
10
Probabilités composées
Probabilités composées
Une urne contient une boule blanche et une boule noire. On
considère le protocole suivant : on tire une boule de l’urne, puis on
la remet avec une boule de la même couleur. Quelle est la
probabilité de n’obtenir que des boules blanches lors des 3 premiers
tirages ?

11
Probabilités composées
Une urne contient une boule blanche et une boule noire. On
considère le protocole suivant : on tire une boule de l’urne, puis on
la remet avec une boule de la même couleur. Quelle est la
probabilité de n’obtenir que des boules blanches lors des 3 premiers
tirages ?
On considère les événements :
Probabilités composées
Une urne contient une boule blanche et une boule noire. On
considère le protocole suivant : on tire une boule de l’urne, puis on
la remet avec une boule de la même couleur. Quelle est la
probabilité de n’obtenir que des boules blanches lors des 3 premiers
tirages ?
On considère les événements :
B1 ≡ “j’obtiens une boule blanche lors du 1er tirage”
Probabilités composées
Une urne contient une boule blanche et une boule noire. On
considère le protocole suivant : on tire une boule de l’urne, puis on
la remet avec une boule de la même couleur. Quelle est la
probabilité de n’obtenir que des boules blanches lors des 3 premiers
tirages ?
On considère les événements :
B1 ≡ “j’obtiens une boule blanche lors du 1er tirage”
B2 ≡ “j’obtiens une boule blanche lors du 2eme tirage”
Probabilités composées
Une urne contient une boule blanche et une boule noire. On
considère le protocole suivant : on tire une boule de l’urne, puis on
la remet avec une boule de la même couleur. Quelle est la
probabilité de n’obtenir que des boules blanches lors des 3 premiers
tirages ?
On considère les événements :
B1 ≡ “j’obtiens une boule blanche lors du 1er tirage”
B2 ≡ “j’obtiens une boule blanche lors du 2eme tirage”
B3 ≡ “j’obtiens une boule blanche lors du 3eme tirage”
Probabilités composées
Une urne contient une boule blanche et une boule noire. On
considère le protocole suivant : on tire une boule de l’urne, puis on
la remet avec une boule de la même couleur. Quelle est la
probabilité de n’obtenir que des boules blanches lors des 3 premiers
tirages ?
On considère les événements :
B1 ≡ “j’obtiens une boule blanche lors du 1er tirage”
B2 ≡ “j’obtiens une boule blanche lors du 2eme tirage”
B3 ≡ “j’obtiens une boule blanche lors du 3eme tirage”
Nous voulons connaître : P(B1 ∩ B2 ∩ B3 ).
Probabilités composées
Une urne contient une boule blanche et une boule noire. On
considère le protocole suivant : on tire une boule de l’urne, puis on
la remet avec une boule de la même couleur. Quelle est la
probabilité de n’obtenir que des boules blanches lors des 3 premiers
tirages ?
On considère les événements :
B1 ≡ “j’obtiens une boule blanche lors du 1er tirage”
B2 ≡ “j’obtiens une boule blanche lors du 2eme tirage”
B3 ≡ “j’obtiens une boule blanche lors du 3eme tirage”
Nous voulons connaître : P(B1 ∩ B2 ∩ B3 ).
P(B1 ∩B2 ∩B3 ) = PB1 ∩B2 (B3 )×P(B1 ∩B2 ) = PB1 ∩B2 (B3 )×PB1 (B2 )×P(B1 )

1 2 3 1
P(B1 ∩ B2 ∩ B3 ) = P(B1 ) × PB1 (B2 ) × PB1 ∩B2 (B3 ) = × × =
2 3 4 4
Probabilités composées
Une urne contient une boule blanche et une boule noire. On
considère le protocole suivant : on tire une boule de l’urne, puis on
la remet avec une boule de la même couleur. Quelle est la
probabilité de n’obtenir que des boules blanches lors des 3 premiers
tirages ?
On considère les événements :
B1 ≡ “j’obtiens une boule blanche lors du 1er tirage”
B2 ≡ “j’obtiens une boule blanche lors du 2eme tirage”
B3 ≡ “j’obtiens une boule blanche lors du 3eme tirage”
Nous voulons connaître : P(B1 ∩ B2 ∩ B3 ).
P(B1 ∩B2 ∩B3 ) = PB1 ∩B2 (B3 )×P(B1 ∩B2 ) = PB1 ∩B2 (B3 )×PB1 (B2 )×P(B1 )

1 2 3 1
P(B1 ∩ B2 ∩ B3 ) = P(B1 ) × PB1 (B2 ) × PB1 ∩B2 (B3 ) = × × =
2 3 4 4

Formule des probabilités composées

P(B1 ∩ B2 ∩ . . . ∩ Bn ) =
P(B1 ) × PB1 (B2 ) × PB1 ∩B2 (B3 ) × . . . × PB1 ∩B2 ∩...∩Bn−1 (Bn )
Indépendance
Indépendance
Evénements indépendants
On dit que les événements A et B sont indépendants si
PB (A) = P(A), ce qui est équivalent à PA (B) = P(B).
Indépendance
Evénements indépendants
On dit que les événements A et B sont indépendants si
PB (A) = P(A), ce qui est équivalent à PA (B) = P(B).

Démonstration.
P(A ∩ B)
PB (A) = P(A) ⇔ = P(A)
P(B)
⇔ P(A ∩ B) = P(A)P(B)
P(A ∩ B)
⇔ = P(B)
P(A)
⇔ PA (B) = P(B)
Indépendance
Evénements indépendants
On dit que les événements A et B sont indépendants si
PB (A) = P(A), ce qui est équivalent à PA (B) = P(B).

Démonstration.
P(A ∩ B)
PB (A) = P(A) ⇔ = P(A)
P(B)
⇔ P(A ∩ B) = P(A)P(B)
P(A ∩ B)
⇔ = P(B)
P(A)
⇔ PA (B) = P(B)
Au passage nous avons montré que :
Indépendance : caractérisation
A et B sont indépendants si et seulement si

P(A ∩ B) = P(A)P(B)
12
Indépendance : applications
Indépendance : applications
La notion d’indépendance nous permet de conceptualiser de
différentes façons une même situation aléatoire.
Indépendance : applications
La notion d’indépendance nous permet de conceptualiser de
différentes façons une même situation aléatoire.
On lance trois fois de suite une pièce équilibrée, quelle est la
probabilité d’obtenir 3 Face ?
Indépendance : applications
La notion d’indépendance nous permet de conceptualiser de
différentes façons une même situation aléatoire.
On lance trois fois de suite une pièce équilibrée, quelle est la
probabilité d’obtenir 3 Face ?
Première solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, donc
1
P(FFF ) = .
8
Indépendance : applications
La notion d’indépendance nous permet de conceptualiser de
différentes façons une même situation aléatoire.
On lance trois fois de suite une pièce équilibrée, quelle est la
probabilité d’obtenir 3 Face ?
Première solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, donc
1
P(FFF ) = .
8
Deuxième solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, on
considère les évenements :

13
Indépendance : applications
La notion d’indépendance nous permet de conceptualiser de
différentes façons une même situation aléatoire.
On lance trois fois de suite une pièce équilibrée, quelle est la
probabilité d’obtenir 3 Face ?
Première solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, donc
1
P(FFF ) = .
8
Deuxième solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, on
considère les évenements :
1
F 1 ≡ on obtient Face au premier lancer, P(F 1) = 2

13
Indépendance : applications
La notion d’indépendance nous permet de conceptualiser de
différentes façons une même situation aléatoire.
On lance trois fois de suite une pièce équilibrée, quelle est la
probabilité d’obtenir 3 Face ?
Première solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, donc
1
P(FFF ) = .
8
Deuxième solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, on
considère les évenements :
F 1 ≡ on obtient Face au premier lancer, P(F 1) = 12
1
F 2 ≡ on obtient Face au deuxième lancer, P(F 2) = 2

13
Indépendance : applications
La notion d’indépendance nous permet de conceptualiser de
différentes façons une même situation aléatoire.
On lance trois fois de suite une pièce équilibrée, quelle est la
probabilité d’obtenir 3 Face ?
Première solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, donc
1
P(FFF ) = .
8
Deuxième solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, on
considère les évenements :
F 1 ≡ on obtient Face au premier lancer, P(F 1) = 12
F 2 ≡ on obtient Face au deuxième lancer, P(F 2) = 21
F 3 ≡ on obtient Face au troisième lancer, P(F 3) = 12

13
Indépendance : applications
La notion d’indépendance nous permet de conceptualiser de
différentes façons une même situation aléatoire.
On lance trois fois de suite une pièce équilibrée, quelle est la
probabilité d’obtenir 3 Face ?
Première solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, donc
1
P(FFF ) = .
8
Deuxième solution :
Ω = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF }, on
considère les évenements :
F 1 ≡ on obtient Face au premier lancer, P(F 1) = 12
F 2 ≡ on obtient Face au deuxième lancer, P(F 2) = 21
F 3 ≡ on obtient Face au troisième lancer, P(F 3) = 12
Les événements F 1, F 2, F 3 sont indépendants et
FFF = F 1 ∩ F 2 ∩ F 3 donc
P(FFF ) = P(F 1) × P(F 2) × P(F 3) = 18 .
13
Système complet d’événements
Système complet d’événements
Système complet d’événements
Un système complet d’événements est une famille {A1 , A2 , . . . , An }
d’événements incompatibles deux à deux, Ai ∩ Aj = ∅, tels que
Ω = A1 ∪ A2 ∪ . . . ∪ An .
Système complet d’événements
Système complet d’événements
Un système complet d’événements est une famille {A1 , A2 , . . . , An }
d’événements incompatibles deux à deux, Ai ∩ Aj = ∅, tels que
Ω = A1 ∪ A2 ∪ . . . ∪ An .
Système complet d’événements
Système complet d’événements
Un système complet d’événements est une famille {A1 , A2 , . . . , An }
d’événements incompatibles deux à deux, Ai ∩ Aj = ∅, tels que
Ω = A1 ∪ A2 ∪ . . . ∪ An .

Résultat fondamental
Si {A1 , A2 , . . . , An } est un système complet d’événements, pour
tout événement E on a :

P(E ) = P(E ∩ A1 ) + P(E ∩ A2 ) + . . . + P(E ∩ An )

14
Formule des probabilités totales
Formule des probabilités totales

Par définition des probabilités conditionnelles on en déduit :

Formule des probabilités totales

Par définition des probabilités conditionnelles on en déduit :

Formule des probabilités totales
Si {A1 , A2 , . . . , An } est un système complet d’événements, pour
tout événement E on a :

P(E ) = PA1 (E )P(A1 ) + PA2 (E )P(A2 ) + . . . + PAn (E )P(An )

15
Probabilité des causes : formule de Bayes

16
Probabilité des causes : formule de Bayes
Le théorème de Bayes est issu des travaux du révérend
Thomas Bayes (1702-1761) et retrouvé ensuite
indépendamment par Laplace (1749-1827).

16
Probabilité des causes : formule de Bayes
Le théorème de Bayes est issu des travaux du révérend
Thomas Bayes (1702-1761) et retrouvé ensuite
indépendamment par Laplace (1749-1827).
La formule de Bayes a longtemps été appelée formule de
probabilité des causes. Elle permet en effet de remonter
l’ordre causal, c’est-à-dire de calculer la probabilité d’une
cause éventuelle d’un événement donné dont on connaît la
probabilité d’apparition.

16
Probabilité des causes : formule de Bayes
Le théorème de Bayes est issu des travaux du révérend
Thomas Bayes (1702-1761) et retrouvé ensuite
indépendamment par Laplace (1749-1827).
La formule de Bayes a longtemps été appelée formule de
probabilité des causes. Elle permet en effet de remonter
l’ordre causal, c’est-à-dire de calculer la probabilité d’une
cause éventuelle d’un événement donné dont on connaît la
probabilité d’apparition.
Soient A et B deux événements tels que A est une cause probable
de B, au sens où l’on connaît la probabilité de B sachant A.
Probabilité des causes : formule de Bayes
Le théorème de Bayes est issu des travaux du révérend
Thomas Bayes (1702-1761) et retrouvé ensuite
indépendamment par Laplace (1749-1827).
La formule de Bayes a longtemps été appelée formule de
probabilité des causes. Elle permet en effet de remonter
l’ordre causal, c’est-à-dire de calculer la probabilité d’une
cause éventuelle d’un événement donné dont on connaît la
probabilité d’apparition.
Soient A et B deux événements tels que A est une cause probable
de B, au sens où l’on connaît la probabilité de B sachant A.
Supposons que B se réalise, quelle est la probabilité que A se
soit réalisé ?
Probabilité des causes : formule de Bayes
Le théorème de Bayes est issu des travaux du révérend
Thomas Bayes (1702-1761) et retrouvé ensuite
indépendamment par Laplace (1749-1827).
La formule de Bayes a longtemps été appelée formule de
probabilité des causes. Elle permet en effet de remonter
l’ordre causal, c’est-à-dire de calculer la probabilité d’une
cause éventuelle d’un événement donné dont on connaît la
probabilité d’apparition.
Soient A et B deux événements tels que A est une cause probable
de B, au sens où l’on connaît la probabilité de B sachant A.
Supposons que B se réalise, quelle est la probabilité que A se
soit réalisé ?
En d’autres termes, connaissant PA (B), peut-on calculer
PB (A) ? La réponse est assez simple :
Probabilité des causes : formule de Bayes
Le théorème de Bayes est issu des travaux du révérend
Thomas Bayes (1702-1761) et retrouvé ensuite
indépendamment par Laplace (1749-1827).
La formule de Bayes a longtemps été appelée formule de
probabilité des causes. Elle permet en effet de remonter
l’ordre causal, c’est-à-dire de calculer la probabilité d’une
cause éventuelle d’un événement donné dont on connaît la
probabilité d’apparition.
Soient A et B deux événements tels que A est une cause probable
de B, au sens où l’on connaît la probabilité de B sachant A.
Supposons que B se réalise, quelle est la probabilité que A se
soit réalisé ?
En d’autres termes, connaissant PA (B), peut-on calculer
PB (A) ? La réponse est assez simple :
X On a PA (B) = P(B∩A) P(A) donc
P(A ∩ B) = P(B ∩ A) = PA (B)P(A).
Probabilité des causes : formule de Bayes
Le théorème de Bayes est issu des travaux du révérend
Thomas Bayes (1702-1761) et retrouvé ensuite
indépendamment par Laplace (1749-1827).
La formule de Bayes a longtemps été appelée formule de
probabilité des causes. Elle permet en effet de remonter
l’ordre causal, c’est-à-dire de calculer la probabilité d’une
cause éventuelle d’un événement donné dont on connaît la
probabilité d’apparition.
Soient A et B deux événements tels que A est une cause probable
de B, au sens où l’on connaît la probabilité de B sachant A.
Supposons que B se réalise, quelle est la probabilité que A se
soit réalisé ?
En d’autres termes, connaissant PA (B), peut-on calculer
PB (A) ? La réponse est assez simple :
X On a PA (B) = P(B∩A) P(A) donc
P(A ∩ B) = P(B ∩ A) = PA (B)P(A).
X Par ailleurs, PB (A) = P(A∩B)
P(B) donc, PB (A) =
PA (B)P(A)
P(B)
Formule de Bayes
Formule de Bayes

Formule de Bayes
PA (B)P(A) P(B|A)P(A)
PB (A) = ou P(A|B) =
P(B) P(B)
Formule de Bayes

Formule de Bayes
PA (B)P(A) P(B|A)P(A)
PB (A) = ou P(A|B) =
P(B) P(B)

Vous êtes directeur de cabinet du ministre de la santé. Une maladie

est présente dans la population, dans la proportion d’une personne
malade sur 10 000. Un responsable d’un grand laboratoire
pharmaceutique vient vous vanter son nouveau test de dépistage :
si une personne est malade, le test est positif à 99%. Si une
personne n’est pas malade, le test est positif à 0,1%.
Formule de Bayes

Formule de Bayes
PA (B)P(A) P(B|A)P(A)
PB (A) = ou P(A|B) =
P(B) P(B)

Vous êtes directeur de cabinet du ministre de la santé. Une maladie

est présente dans la population, dans la proportion d’une personne
malade sur 10 000. Un responsable d’un grand laboratoire
pharmaceutique vient vous vanter son nouveau test de dépistage :
si une personne est malade, le test est positif à 99%. Si une
personne n’est pas malade, le test est positif à 0,1%.
Ces chiffres ont l’air excellent, vous ne pouvez qu’en convenir.
Toutefois, avant d’autoriser la commercialisation de ce test, vous
faites appel au statisticien du ministère : ce qui vous intéresse, ce
n’est pas vraiment les résultats présentés par le laboratoire, c’est la
probabilité qu’une personne soit malade si le test est positif. La
formule de Bayes permet de calculer cette probabilité.
Formule de Bayes : application

18
Formule de Bayes : application
on note M l’événement : “La personne est malade”

18
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"

18
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"
le but est de calculer PT (M)

18
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"
le but est de calculer PT (M)
les données que vous avez en main sont :
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"
le but est de calculer PT (M)
les données que vous avez en main sont :
P(M) = 0, 0001, et donc P(M̄) = 0, 9999
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"
le but est de calculer PT (M)
les données que vous avez en main sont :
P(M) = 0, 0001, et donc P(M̄) = 0, 9999
PM (T ) = 0, 99 et PM̄ (T ) = 0, 001
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"
le but est de calculer PT (M)
les données que vous avez en main sont :
P(M) = 0, 0001, et donc P(M̄) = 0, 9999
PM (T ) = 0, 99 et PM̄ (T ) = 0, 001
On va donc utiliser la formule de Bayes qui dit :
PM (T )P(M)
PT (M) =
P(T )
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"
le but est de calculer PT (M)
les données que vous avez en main sont :
P(M) = 0, 0001, et donc P(M̄) = 0, 9999
PM (T ) = 0, 99 et PM̄ (T ) = 0, 001
On va donc utiliser la formule de Bayes qui dit :
PM (T )P(M)
PT (M) =
P(T )
Il faut donc calculer P(T ), en utilisant la formule des probabilités
totales :
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"
le but est de calculer PT (M)
les données que vous avez en main sont :
P(M) = 0, 0001, et donc P(M̄) = 0, 9999
PM (T ) = 0, 99 et PM̄ (T ) = 0, 001
On va donc utiliser la formule de Bayes qui dit :
PM (T )P(M)
PT (M) =
P(T )
Il faut donc calculer P(T ), en utilisant la formule des probabilités
totales :
P(T ) = PM (T )P(M) + PM̄ (T )P(M̄)
= 0, 99 × 0, 0001 + 0, 001 × 0, 9999 ' 0, 001099.
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"
le but est de calculer PT (M)
les données que vous avez en main sont :
P(M) = 0, 0001, et donc P(M̄) = 0, 9999
PM (T ) = 0, 99 et PM̄ (T ) = 0, 001
On va donc utiliser la formule de Bayes qui dit :
PM (T )P(M)
PT (M) =
P(T )
Il faut donc calculer P(T ), en utilisant la formule des probabilités
totales :
P(T ) = PM (T )P(M) + PM̄ (T )P(M̄)
= 0, 99 × 0, 0001 + 0, 001 × 0, 9999 ' 0, 001099.
On obtient :
0, 99 × 0, 0001
PT (M) ' ' 0, 09 = 9%
0, 001099
Formule de Bayes : application
on note M l’événement : “La personne est malade”
on note T l’événement : “Le test est positif"
le but est de calculer PT (M)
les données que vous avez en main sont :
P(M) = 0, 0001, et donc P(M̄) = 0, 9999
PM (T ) = 0, 99 et PM̄ (T ) = 0, 001
On va donc utiliser la formule de Bayes qui dit :
PM (T )P(M)
PT (M) =
P(T )
Il faut donc calculer P(T ), en utilisant la formule des probabilités
totales :
P(T ) = PM (T )P(M) + PM̄ (T )P(M̄)
= 0, 99 × 0, 0001 + 0, 001 × 0, 9999 ' 0, 001099.
On obtient :
0, 99 × 0, 0001
PT (M) ' ' 0, 09 = 9%
0, 001099