Université Assane Seck de Ziguinchor

Chapitre 1: INTRODUCTION AUX PROBABILITÉS.

Cours de Biostatistique
Laboratoire de Mathématiques &
Abdoulaye DIOUF
Application (LMA) !!!

07 Janvier 2025
Plan de la présentation
1 Vocabulaire des probabilités
Univers
Événements
2 Opérations sur les ensembles
3 Algèbre des événements
4 Espace Probabilisé
5 Probabilités conditionnelles
6 Événements indépendants
7 Utilisation des probabilités conditionnelles lors d’un test
diagnostique

2 of 35
Définitions

Définition
On donne les définitions suivantes :
 Une expérience aléatoire est toute expérience dont le résultat est
régi par le hasard.
 Chaque résultat possible et prévisible d’une expérience aléatoire est
appelé éventualité liée à l’expérience aléatoire.
 L’ensemble formé par les éventualités est appelé univers, il est très
souvent noté Ω.

3 of 35
Définitions

Exemple
 L’univers associé à l’expérience aléatoire «Lancer d’une pièce de

monnaie » est :

Ω = {P, F }
 L’univers associé à l’expériencs aléatoire «Lancer d’un dé » est :

Ω = {1, 2, 3, 4, 5, 6}

4 of 35
Événements

Définition
On donne les définitions suivantes :
 Un événement d’une expérience aléatoire est une partie quelconque
de l’univers Ω.
 Un événement ne comprenant qu’une seule éventualité est un
événement élémentaire.
 L’événement qui ne contient aucune éventualité est l’événement
impossible, noté ∅.
 L’événement composé de toutes les éventualités est appelé
événement certain.

5 of 35
Événements

Exemple
Lancer d’un dé à six faces :
 L’univers : Ω = {1, 2, 3, 4, 5, 6}.
 Obtenir 2 est une éventualité de cette expérience aléatoire.
 A : « obtenir un 5 » est un événement élémentaire que l’on peut
noter A = {5}.
 B : «obtenir un numéro pair » est un événement que l’on peut
noter B = {2, 4, 6}.
 Obtenir 7 est un événement impossible.
 Obtenir un nombre positif est un événement certain.

6 of 35
Opérations sur les ensembles
Soit Ω un ensemble et A, B deux sous-ensembles de Ω :
1. Intersection et réunion
Définition
La réunion des deux ensembles A et B notée A ∪ B est l’ensemble
constitué par les éléments de Ω appartenant à A ou à B. Autrement
dit :
A ∪ B = {w ∈ Ω/w ∈ A ou w ∈ B}.

Définition
L’intersection des deux ensembles A ot B notée A ∩ B est l’ensemble
constitué par les éléments de Ω appartenant à A et à B. Autrement
dit :

A ∩ B = {w ∈ Ω/w ∈ A et w ∈ B} 7 of 35
Remarque
Si A ∩ B = ∅, on dit que les événements A et B sont disjoints ou
incompatibles.

Exemple
On considère l’ensemble constitué des chiffres de 1 à 10 .
On note A l’événement «obtenir un chiffre pair » et B l’événement
«obtenir un chiffre strictement inférieur à six».
 A ∩ B : «obtenir un chiffre pair et inférieur strictement à six »

A ∩ B = {2, 4}
 A ∪ B : «obtenir un chiffre pair ou inférieur strictement à six »

A ∪ B = {1, 2, 3, 4, 5, 6, 8, 10}

8 of 35
Opérations sur les ensembles
2. Le complémentaire
Définition
Le complémentaire de l’ensemble A noté Ā (ou Ac ) est l’ensemble
constitué des éléments de Ω qui n’appartiennent pas à A. Autrement
dit :
Ā = {w ∈ Ω/w ∈ / A}.

On a en particulier A ∪ Ā = Ω et A ∩ Ā = ∅.

9 of 35
Opérations sur les ensembles
3. La différence
Définition
La différence des ensembles A et B noté A − B est l’ensemble
constitué par les éléments de Ω appartenant à A et n’appartenant pas
à B. Autrement dit :

A − B = {w ∈ Ω/w ∈ A et w ∈
/ B} = A ∩ B̄.

10 of 35
Opérations sur les ensembles
4. La différence symétrique
Définition
La différence symétrique des ensembles A et B noté A4B est
l’ensemble constitué par les éléments de Ω appartenant à A ∪ B et
n’appartenant pas à A ∩ B. Autrement dit :

A4B = {w ∈ Ω/w ∈ A ∪ B et w ∈
/ A ∩ B} = (A ∪ B) − (A ∩ B).

Elle est aussi égale à :

A4B = (A − B) ∪ (B − A)

11 of 35
5. L’ensemble des parties
Définition
L’ensemble des parties de Ω noté P(Ω) est l’ensemble des
sous-ensembles de Ω.

Exemple
Sur l’univers Ω = {a, b, c}, on a :

P(Ω) = {∅, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, Ω}

Remarque
 P(Ω) contient toujours ∅ et Ω.
 Les éléments de P(Ω) sont les sous-ensembles de Ω et non pas les
éléments de Ω. En effet :

A ∈ P(Ω) ⇐⇒ A ⊂ Ω 12 of 35
Algèbre des événements

Définition (Tribu ou σ-algèbre)

Une famille A de parties de l’univers Ω est une tribu, si elle satisfait
les trois propriétés suivantes :
1 Ω ∈ A.
2 Si A ∈ A alors Ā ∈ A.
3 Soit (Ai )i∈I une famille dénombrable d’éléments de A, alors
i∈I Ai ∈ A.
S

13 of 35
Algèbre des événements

Proposition
Soit A une tribu d’un univers Ω. Les propriétés suivantes sont des
conséquences directes de la définition précédente :
1 ∅ ∈ A.
T+∞
2 Si (An )m∈N est une suite d’éléments de A, alors n=0 An ∈ A.
3 Si (Ai )0≤i≤N est une suite finie de N éléments de A, alors
SN
i=0 Ai ∈ A.
4 Si (Ai )0≤i≤N est une suite finie de N éléments de A, alors
TN
i=0 Ai ∈ A.

14 of 35
Espace Probabilisé

Dérinition (Espace probabilisable)

On appelle espace probabilisable, le couple (Ω, A), où A est une tribu
de Ω.

Définition
Une probabilité sur l’univers Ω est une application P telle que :
 P : P(Ω) → [0, 1].
 P(Ω) = 1.

15 of 35
Espace Probabilisé

Remarques
1 La probabilité d’un événement de l’univers Ω est la somme des
probabilités des événements élémentaires qui le constitue.
2 On dit qu’il y a équiprobabilité lorsque tous les événements
élémentaires ont la même probabilité. Dans ce cas, on a :

nombre d’eléments de A Card(A)

P(A) = =
nombre d’éléments de Ω Card(Ω)
3 Dans un exercice, pour signifier qu’on est dans une situation
d’équiprobabilité, on a généralement dans l’énoncé une expression
du type :
 On lance un dé non pipé.
 Dans une urne, il y a des boules indiscernables au toucher.
 On renoontre an hasard une personne parmi ... 16 of 35
Définition (Espace probabilisé)
On appelle espace probabilisé, le triplé (Ω, A, P), où A est une tribu
de Ω et P une probabilité.

Propriétés
Soit A et B deux événements, on a les propriétés suivantes :
 P(∅) = 0.
 P(Ω) = 1.
 0 6 P(A) 6 1.
 P(Ā) = 1 − P(A).
 P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
 Si A et B sont des événements incompatibles, alors

P(A ∪ B) = P(A) + P(B)

17 of 35
Exemple
On considère l’ensemble E des entiers de 1 à 20 . On choisit l’un de
ces nombres an hasard. A est l’événement «le nombre est multiple de
3» :
A = {3, 6, 9, 12, 15, 18}
B est l’événement «le nombre est multiple de 2» :

B = {2, 4, 6, 8, 10, 12, 14, 16, 18, 20}

Calcul des probabilités :
6 3
 P(A) = 20 = 10 = 0, 3.
3 7
 P(Ā) = 1 − P(A) = 1 − 10 = 10 = 0, 7.
10 1
 P(B) = 20 = 2 = 0, 5.
32
 P(A ∩ B) = 20 = 0, 15.
6 10 3 13
 P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 20 + 20 − 20 = 20 = 0, 65.
18 of 35
Probabilités conditionnelles

Définition
Soient A et B deux événements telle que que P(B) 6= 0. On appelle
probabilité conditionnelle de A relativement à B ou de A sachant B, la
probabilité que l’événement A se réalise sachant que B est réalisé.
Cette probabilité vaut

P(A ∩ B)
PB (A) =
P(B)

Remarque
On trouve aussi la notation P(A/B) pour PB (A).

19 of 35
Probabilités conditionnelles

Exemple
On considère l’expérience aléa toire consistant à lancer un dé à 6
faces, équilibré. On suppose que toutes les faces sont équiprobables, et
on définit les événements :
 A : « la face obtenue porte un numéro multiple de 3 ».
 B : « la face obtenue porte un numéro pair 8 ».
Déterminons la probabilité d’obtenir un numéro multiple de 3, sachant
qu’on a un numéro pair de deux manières différentes.

20 of 35
Exemple
 L’événement (A/B) correspond à l’événement «obtenir un numéro
multiple de 3 parmi les éventualités de B », autrement dit parmi
{2, 4, 6}. Il n’y a donc que l’issue «obtenir 6 » qui correspond.
Ainsi, on obtient :
1
PB (A) =
3
 Par le calcul, on a :
3 1
P(B) = et P(A ∩ B) =
6 6
Donc, d’après la formule :

P(A ∩ B) 1/6 1
PB (A) = = =
P(B) 1/2 3

21 of 35
Proposition
Pour tous événements A et B de probabilité non nulle, on a :

P(A ∩ B) = P(B) × PB (A) = P(A) × PA (B)

Proposition
Soit S un événement de probabilité non nulle, on a :
 0 ≤ PS (A) ≤ 1.
 PS (Ω) = 1.
 PS (∅) = 0.
 PS (Ā) = 1 − PS (A).
 PS (A ∪ B) = PS (A) + PS (B) − PS (A ∩ B).
 Si A et B sont des événements incompatibles, alors
PS (A ∪ B) = PS (A) + PS (B)
 PS (Ā ∩ B̄) = PS (A ∪ B) = 1 − PS (A ∪ B). 22 of 35
Proposition (Formule des probabilités totales)
Pour tous A et B deux événements de probabilité non nulle :

P(A) = PB (A) × P(B) + PB̄ (A) × P(B̄)

Théorème (Théorème de Bayes)

Pour tous A et B deux événements de probabilité non nulle :

PB (A) × P(B)
PA (B) =
P(A)
En fait, cette formule permet de calculer directement PA (B) sans
passer par des étapes intermédiaires.

23 of 35
Exemple
Dans un atelier, deux machines M1 et M2 découpent des pièces
métalliques identiques. M1 0 fournit 60% de la production (parmi
lesquelles 6, 3% sont défectueuses), le reste étant fourni par M2 (dont
4% de la production est défectueuse). La production du jour est
constituée des pièces produites par les deux machines, et on en tire en
fin de soirée une pièce au hasard (tous les prélèvements sont supposés
équiprobables).
 La probabilité de prélever une pièce défectueuse, sachant qu’elle est
produite par M1 est :

PM1 (D) = 0, 063

 La probabilité de prélever une pièce défectueuse, sachant qu’elle est
produite par M2 est :

PM2 (D) = 0, 04 24 of 35
 La probabilité de prélever une pièce défectueuse :
En utilisant la formule des probabilités totales, on a

P(D) = P (M1 ∩ D) + P (M2 ∩ D)

= P (M1 ) × PM1 (D) + P (M2 ) × PM2 (D)
= 0, 6 × 0, 063 + 0, 4 × 0, 04
= 0, 0538
 Si on prélève une pièce défectueuse, calculons la probabilité qu’elle
soit produite par la machine M1 : En utilisant le théorème de
Bayes, on a

PM1 (D) × P (M1 ) 0, 063 × 0, 6

PD (M1 ) = = = 0, 703.
P(D) 0, 0538

25 of 35
Événements indépendants

Définition
On dit que A et B sont des événements indépendants si et seulement
si

P(A ∩ B) = P(A) × P(B)

Remarque
Des événements peuvent être deux à deux indépendants sans être
mutuellement indépendants.

26 of 35
Événements indépendants

Exemple
On lance deux fois une pièce de monnaie équilibrée. Soient les
événements :
A : "Obtenir pile au premier lancé ».
B : "Obtenir pile au deuxième lancé ».
C : "Obtenir pile-face ou face-pile».
Montrer que les événements A, B et C sont indépendants deux-à-deux
mais pas mutuellement.

Solution
Nous allons montrer que les événements A, B et C sont indépendants
deux-à-deux mais pas mutuellement. On a

Ω = {PP, PF , FP, FF } 27 of 35
 1
P(A) = P({PP, PF }) =
2
1
P(B) = P({PP, FP}) = .
2
1
P(C ) = P({PF , FP}) =
2
1
P(A ∩ B) = P({PP}) = = P(A) × P(B) ⇒ A et B sont indépendants.
4
1
P(A ∩ C ) = P({PF }) = = P(A) × P(C ) ⇒ A et C sont indépendants.
4
1
P(B ∩ C ) = P({FP}) = = P(B) × P(C ) ⇒ B et C sont indépendants.
4
P(A ∩ B ∩ C ) = P(∅) = 0 6= P(A) × P(B) × P(C )
⇒ A, B et C ne sont pas mutuellement indépendants.

Ainsi, les événements A, B et C sont indépendants deux-à-deux28mais

of 35
pas mutuellement.
Événements indépendants

Proposition
Si A et B sont des événements indépendants, alors : A et B̄; Ā et B; Ā
et B̄ sont également des événements indépendants. Autrement dit, on
a en résumé :
A et B indépendants ⇐⇒ A et B indépendants
⇐⇒ A et B indépendants
⇐⇒ A et B indépendants

29 of 35
Utilisation des probabilités conditionnelles lors d’un
test diagnostique
Recueil des données :
On recrute des sujets soumis à une évaluation permettant de savoir
s’ils ont la maladie étudiée (M) ou non (M).
On leur applique un test qui donne un résultat positif (+) ou négatif
(−). Les notions qui suivent sont inchangées s’il s’agit d’un symptôme
présent (+) ou absent (−).

30 of 35
Recueil des données
On regroupe les effectifs observés selon le tableau :
M M
+ n1 n2
− n3 n4
n
 Il y a n1 individus vrais positifs qui sont déclarés positifs alors
qu’ils sont malades.
 Il y a n2 individus faux positifs qui sont déclarés positifs alors
qu’ils ne sont pas malades.
 Il y a n3 individus faux négatifs qui sont déclarés négatifs alors
qu’ils sont malades.
 Il y a n4 individus vrais négatifs qui sont déclarés négatifs alors
qu’ils ne sont pas malades.
31 of 35
Évaluation du test diagnostique (population connue)

 La sensibilité du test est la probabilité qu’un sujet soit positif au

test sachant qu’il est malade :
n1
Se = P(+\M) = .
n1 + n3
 La spécificité du test est la probabilité qu’un sujet soit négatif au
test sachant qu’il n’est pas malade :
n4
Sp = P(−\M) = .
n2 + n4

32 of 35
Utilisation du test diagnostique (population inconnue)
 La valeur prédictive positive est la probabilité qu’un sujet soit
réellement malade sachant qu’il est positif au test :
VPP = P(M\+).
En désignant par x = P(M) la prévalence de la maladie, on a :
xSe
VPP = .
xSe + (1 − x )(1 − Sp )
 La valeur prédictive négative est la probabilité qu’un sujet ne
soit pas malade sachant qu’il est négatif au test :
VPN = P(M\−).
En désignant par x = P(M) la prévalence de la maladie, on a :
(1 − x )Sp
VPN = .
x (1 − Se ) + (1 − x )Sp 33 of 35
Utilisation du test diagnostique (population inconnue)
 Le rapport de vraisemblance positif est le rapport entre la
pobabilité d’avoir un test positif lorsque l’individu est malade et la
pobabilité d’avoir un test positif lorsque l’individu n’est pas malade.
P(+\M) Se
RVP = =
P(+\M) 1 − Sp
Il quantifie l’apport d’un test positif.
 Le rapport de vraisemblance négatif est le rapport entre la
pobabilité d’avoir un test négatif lorsque l’individu est malade et la
pobabilité d’avoir un test négatif lorsque l’individu n’est pas
malade.
P(−\M) 1 − Se
RVN = =
P(−\M) Sp
Il quantifie l’apport d’un test négatif.
34 of 35
On peut faire beaucoup plus encore ! !

35 of 35