Introduction

Les probabilités conditionnelles permettent d'évaluer la probabilité d'un événement en tenant compte d'une information préalable. Un aspect important est de comprendre l'indépendance entre deux événements, c'est-à-dire lorsque la survenue de l'un n'influe pas sur la probabilité de l'autre.

Faux positifs : définition

Un faux positif se produit lorsqu'un test ou un diagnostic indique à tort la présence d'un phénomène ou d'une maladie. C'est un problème fréquent dans les tests médicaux ou de dépistage.

Exemple pratique : dépistage médical

Imaginons un test de dépistage pour une maladie rare. Soit :

• extbf{P(M)} : probabilité qu'une personne soit malade = \(0,001\) (0,1 %)
• extbf{P(T|M)} : probabilité que le test soit positif si la personne est malade = \(0,99\)
• extbf{P(T|¬M)} : probabilité que le test soit positif si la personne n'est pas malade (faux positif) = \(0,05\)

On cherche la probabilité qu'une personne soit réellement malade, sachant que son test est positif : \[ ext{P(M|T)}= rac{ ext{P(T|M)} imes ext{P(M)}}{ ext{P(T)} } \] où \( ext{P(T)}\) est la probabilité qu'une personne ait un test positif.

Calcul de \( ext{P(T)}\)

La probabilité qu'un test soit positif est donnée par la formule :

avec \( ext{P(¬M)}=1 - ext{P(M)}=0,999\).

Calculons :

Calcul de \( ext{P(M|T)}\)

\( ext{P(M|T)}= rac{0,99 imes 0,001}{0,05094} pprox rac{0,00099}{0,05094} pprox 0,0194 \)

Donc, même si le test est positif, la probabilité que la personne soit réellement malade est d'environ 1,94 %, ce qui montre qu’un faux positif peut conduire à une erreur d’interprétation.

Conclusion

Ce exemple illustre l'importance de considérer la prévalence de la maladie et les faux positifs dans l'interprétation des résultats. La probabilité conditionnelle permet de mieux comprendre la relation entre un test positif et la réalité.