Kala te souhaite la bienvenueKalaMaths
6

Inférence bayésienne

GRATUIT

Fiche élève

Les énoncés du chapitre, à imprimer ou à travailler à l'écran. Sans compte !

Pour aller plus loin

Réservé aux abonnés : la fiche interactive, le corrigé et la fiche prof.

Fiche interactive

Cours + 1 atelier manipulable + exos auto-corrigés.

🔒 Réservé aux abonnésEssayer un atelier gratuitementS'abonner pour débloquerou ce chapitre seul, 2,99 €, voir plus bas.

Corrigé

La correction détaillée, avec les rappels utiles.

🔒 Réservé aux abonnésS'abonner pour débloquer

Fiche prof

La version enseignant, pour préparer et animer.

🔒 Réservé aux abonnésS'abonner pour débloquer

Juste besoin de ce chapitre ? Débloquez-le pour 2,99 € : paiement unique, accès à vie (fiche interactive, corrigé, fiche prof et corrigés des exercices).

Avec un code de parrainage, c'est −20 % sur cette première commande.

Débloquer ce chapitre – 2,99 €

Cet achat est réservé à un adulte.

Le chapitre en bref

Ce que tu vas savoir faire

  • Calculer une probabilité conditionnelle PAP_{A}(B) et l'utiliser dans un arbre pondéré.
  • Appliquer la formule des probabilités totales et reconnaître l'indépendance de deux événements.
  • Utiliser la formule de Bayes pour retourner un conditionnement.
  • Interpréter un test de dépistage : sensibilité, spécificité, VPP, VPN et rôle de la prévalence.
  • Mettre à jour une probabilité à la lumière d'une information nouvelle (raisonnement bayésien).

Le plan du chapitre

  1. 1Probabilité conditionnelle et arbre pondéré
  2. 2Probabilités totales et indépendance
  3. 3La formule de Bayes
  4. 4Interpréter un test de dépistage
  5. 5Le raisonnement bayésien : mettre à jour

À retenir

  • PAP_{A}(B)=P(A∩B)P(A)(B) = \frac{P(A\cap B)}{P(A)}, d'où P(A∩B)=P(A)×PAP(A \cap B) = P(A) \times P_{A}(B).
  • Probabilités totales : P(B)=P(A)×PAP(B) = P(A) \times P_{A}(B)+P(A‾)×PA‾(B) + P(\overline{A}) \times P_{\overline{A}}(B).
  • Bayes : PBP_{B}(A)=PA(A) = P_{A}(B)×P(A)P(B)(B) \times \frac{P(A)}{P(B)} : retourne le conditionnement.
  • Se =PM= P_{M}(T+)(T+), Sp=PM‾Sp = P_{\overline{M}}(T−)(T-) ; VPP=PT+\text{VPP} = P_{T+}(M) dépend de la prévalence.
  • Indépendance : P(A∩B)=P(A)×P(B)P(A \cap B) = P(A) \times P(B).

Les questions éclair

Que dit la formule de Bayes ?

PBP_{B}(A)=PA(A) = P_{A}(B)×P(A)P(B)(B) \times \frac{P(A)}{P(B)} : elle retourne le sens du conditionnement.

Sensibilité ou spécificité ?

Se =PM= P_{M}(T+)(T+) (positif chez un malade) ; Sp=PM‾Sp = P_{\overline{M}}(T−)(T-) (négatif chez un sain).

Pourquoi une VPP faible malgré un bon test ?

Parce que la maladie est rare : les faux positifs, nombreux, écrasent les vrais positifs.

Indépendants ou incompatibles ?

Indépendants : P(A∩B)=P(A)×P(B)P(A \cap B) = P(A) \times P(B). Incompatibles : A∩B=∅A \cap B = \varnothing. Ce n'est pas pareil !

Le sais-tu ?

Un test de dépistage « fiable à 99 % » peut se tromper deux fois sur trois ! Si une maladie ne touche qu'une personne sur cent (prévalence 1 %), avec une sensibilité de 99 % et une spécificité de 98 %, alors parmi tous les tests positifs, environ deux sur trois concernent des personnes en bonne santé (des faux positifs). C'est pourquoi le résultat d'un dépistage se relit toujours avec la formule de Bayes et la prévalence.