Arbres pondérés et formules

Probabilités conditionnelles — Première Spécialité

Arbres pondérés, probabilités totales et inversion du conditionnement

Introduction

Les arbres pondérés organisent une expérience en plusieurs étapes. Associés à la formule des probabilités totales, ils permettent de « descendre » l'arbre pour calculer la probabilité d'un événement ; la définition de la probabilité conditionnelle permet ensuite de le « remonter », de l'effet vers la cause.


1. Arbres pondérés

1.1 Construction d'un arbre pondéré

Construire un arbre pondéré :

  1. Identifier les étapes successives de l'expérience aléatoire.

  2. À chaque nœud, représenter tous les résultats possibles par des branches.

  3. Pondérer chaque branche par la probabilité correspondante (conditionnelle si ce n'est pas la première étape).

  4. Vérifier les deux propriétés fondamentales.

Exemple – Construction : Une entreprise fabrique des pièces. 60 % sont produites par la machine M₁, 40 % par M₂. La machine M₁ produit 3 % de pièces défectueuses, M₂ en produit 5 %.

  • Niveau 1 (choix de la machine) : P(M₁) = 0,6 et P(M₂) = 0,4.
  • Niveau 2 (qualité de la pièce) : sachant M₁, PM_₁(D) = 0,03 et PM_₁(D̅) = 0,97 ; sachant M₂, PM_₂(D) = 0,05 et PM_₂(D̅) = 0,95.

1.2 Lecture d'un arbre pondéré

Lire un arbre pondéré :

  • Premier niveau : des probabilités simples (non conditionnelles).
  • Niveaux suivants : des probabilités conditionnelles sachant le chemin parcouru.
  • Chaque chemin de la racine à une feuille correspond à une intersection d'événements.

1.3 Propriétés fondamentales

Propriétés d'un arbre pondéré : Somme en un nœud : la somme des probabilités des branches issues d'un même nœud vaut 1.

Produit le long d'un chemin : la probabilité associée à un chemin est le produit des probabilités inscrites sur ses branches. Par exemple P(A ∩ B) = P(A) × PA(B).

Exemple – Calcul sur l'arbre : Reprenons l'entreprise. Les quatre chemins donnent :

  • P(M₁ ∩ D) = 0,6 × 0,03 = 0,018
  • P(M₁ ∩ D̅) = 0,6 × 0,97 = 0,582
  • P(M₂ ∩ D) = 0,4 × 0,05 = 0,020
  • P(M₂ ∩ D̅) = 0,4 × 0,95 = 0,380

Vérification : 0,018 + 0,582 + 0,020 + 0,380 = 1 ✓

Attention : La somme de toutes les probabilités des feuilles vaut toujours 1. Si ce n'est pas le cas, il y a une erreur dans l'arbre.


2. Formule des probabilités totales

Partition : Des événements A₁, A₂, …, Aₙ forment une partition de l'univers Ω s'ils sont deux à deux incompatibles (Aᵢ ∩ Aⱼ = ∅ pour i ≠ j) et si leur réunion est Ω.

Formule des probabilités totales : Si A₁, A₂, …, Aₙ forment une partition de Ω avec P(Aᵢ) > 0 pour tout i, alors pour tout événement B :

P(B) = P(A₁) × PA_₁(B) + P(A₂) × PA_₂(B) + ⋯ + P(Aₙ) × PA_ₙ(B)

Cas particulier {A, A̅} : P(B) = P(A) × PA(B) + P(A̅) × PA̅(B)

C'est le cas le plus fréquent en exercice : on additionne les probabilités des chemins qui mènent à B.

Exemple – Probabilités totales : Reprenons l'entreprise. {M₁, M₂} est une partition de l'univers, donc

P(D) = P(M₁) × PM_₁(D) + P(M₂) × PM_₂(D) = 0,6 × 0,03 + 0,4 × 0,05 = 0,018 + 0,020 = 0,038

La probabilité qu'une pièce soit défectueuse est 0,038, soit 3,8 %.


3. Inverser le conditionnement

3.1 Le problème

On connaît souvent PA(B), la probabilité de l'effet sachant la cause, alors qu'on cherche PB(A), la probabilité de la cause sachant l'effet. Ce ne sont pas les mêmes nombres.

3.2 La méthode : rien de nouveau, la définition

Remonter un arbre :

  1. Lire au bout du bon chemin P(A ∩ B) = P(A) × PA(B).

  2. Calculer P(B) par la formule des probabilités totales.

  3. Diviser, par la définition de la probabilité conditionnelle :

PB(A) = (P(A ∩ B))/(P(B))

Exemple – D'où vient une pièce défectueuse ? : Reprenons l'entreprise. Sachant qu'une pièce est défectueuse, quelle est la probabilité qu'elle vienne de M₁ ?

PD(M₁) = (P(M₁ ∩ D))/(P(D)) = (0,018)/(0,038) = 9/19 ≈ 0,474

Environ 47,4 % des pièces défectueuses proviennent de M₁. Bien que M₁ produise plus de pièces (60 %), elle a un meilleur taux de qualité (3 % contre 5 %) : elle fournit moins de la moitié des défauts.

Histoire des mathématiques : Les probabilités conditionnelles apparaissent dans les travaux de Thomas Bayes et d'Abraham de Moivre, écrits en anglais au XVIIIe siècle, même si c'est Laplace qui en a élaboré la notion ; remonter ainsi de l'effet vers la cause est l'idée de Bayes, que Laplace a retrouvée de son côté. En Première, il n'y a pas de formule de plus à retenir : la définition de PB(A) suffit.


4. Représenter par un tableau

Un arbre pondéré et un tableau de probabilités portent la même information : chaque case du tableau est la probabilité d'une intersection, c'est-à-dire d'un chemin de l'arbre.

L'entreprise, en tableau :

D D̅ Total
M₁ 0,018 0,582 0,6
M₂ 0,020 0,380 0,4
Total 0,038 0,962 1

Le total d'une colonne est une probabilité totale : P(D) = 0,018 + 0,020 = 0,038. Une probabilité conditionnelle se lit en divisant une case par le total de sa ligne ou de sa colonne : PM_₂(D) = (0,020)/(0,4) = 0,05, et PD(M₂) = (0,020)/(0,038) = 10/19 ≈ 0,526.

Contrôle : PD(M₁) + PD(M₂) = 9/19 + 10/19 = 1 : sachant D, la pièce vient forcément de l'une des deux machines.


5. Applications : tests médicaux

5.1 Vocabulaire des tests (rappel de Seconde)

Caractéristiques d'un test : On note M : « la personne est malade » et T^+ : « le test est positif », T^- son contraire.

  • Sensibilité : PM(T^+), la probabilité que le test soit positif sachant que la personne est malade.
  • Spécificité : PM̅(T^-), la probabilité que le test soit négatif sachant que la personne n'est pas malade.
  • Faux positif : une personne non malade dont le test est positif ; faux négatif : une personne malade dont le test est négatif.
  • Prévalence : P(M), la proportion de malades dans la population.

5.2 Exemple complet

Test médical – Calcul complet : Une maladie a une prévalence de 0,5 % : P(M) = 0,005. Un test a une sensibilité de 99 % et une spécificité de 98 %, donc PM(T^+) = 0,99 et PM̅(T^+) = 0,02.

Probabilités totales :

P(T^+) = P(M) × PM(T^+) + P(M̅) × PM̅(T^+) = 0,005 × 0,99 + 0,995 × 0,02 = 0,00495 + 0,0199 = 0,02485

Probabilité d'être malade sachant que le test est positif :

PT^₊(M) = (P(M ∩ T^+))/(P(T^+)) = (0,00495)/(0,02485) = 99/497 ≈ 0,199

Interprétation : seulement environ 19,9 % des personnes testées positives sont réellement malades. Malgré un test performant, la rareté de la maladie fait que la majorité des tests positifs sont des faux positifs.

Attention – Piège classique : La sensibilité PM(T^+) et la probabilité PT^₊(M) d'être malade quand le test est positif sont différentes. Un test peut être très sensible (99 %) tout en donnant une faible probabilité PT^₊(M) si la maladie est rare.

5.3 Approfondissement : les valeurs prédictives

Approfondissement : VPP et VPN : Les médecins appellent valeur prédictive positive (VPP) la probabilité PT^₊(M), et valeur prédictive négative (VPN) la probabilité PT^₋(M̅). Ce vocabulaire n'est pas exigible en Première ; les calculs, eux, ne demandent que les probabilités totales et la définition.

Dans l'exemple ci-dessus : P(T^-) = 1 - 0,02485 = 0,97515 et

PT^₋(M̅) = P(M̅) × PM̅(T^-)P(T^-) = (0,995 × 0,98)/(0,97515) = (0,9751)/(0,97515) ≈ 0,99995

Un test négatif est donc très fiable. Plus la prévalence est faible, plus la VPP est faible et plus la VPN est élevée.


6. Erreurs classiques à éviter

Erreur n°1 – Confondre PA(B) et PB(A) : PA(B) et PB(A) sont en général différentes !

Exemple : PM(T^+) = 0,99 ne signifie pas que PT^₊(M) = 0,99.

C'est l'erreur la plus fréquente, parfois appelée confusion de l'inverse.

Erreur n°2 – Oublier de vérifier les propriétés de l'arbre : Toujours vérifier que la somme des branches en chaque nœud vaut 1, et que la somme de toutes les feuilles vaut 1. Ces vérifications détectent les erreurs de calcul.

Erreur n°3 – Se tromper dans l'identification des données : Bien distinguer la sensibilité PM(T^+) de PT^₊(M), et la spécificité PM̅(T^-) de PT^₋(M̅). En exercice, commencer toujours par poser les notations et identifier les données.


À retenir

Résumé :

  1. Un arbre pondéré modélise des expériences en plusieurs étapes. La somme en chaque nœud vaut 1, et le produit le long d'un chemin donne la probabilité de l'intersection.

  2. Probabilités totales avec la partition {A, A̅} : P(B) = P(A) × PA(B) + P(A̅) × PA̅(B).

  3. Inverser le conditionnement : PB(A) = (P(A ∩ B))/(P(B)) = (P(A) × PA(B))/(P(B)), avec P(B) calculée par les probabilités totales.

  4. Un tableau de probabilités porte les mêmes informations que l'arbre : ses cases sont les intersections, ses totaux les probabilités totales.

  5. Test médical : sensibilité = PM(T^+), spécificité = PM̅(T^-) ; ne jamais confondre PM(T^+) et PT^₊(M).