Probabilités conditionnelles et indépendance : Exemples de faux positifs

Introduction

Les probabilités conditionnelles permettent de déterminer la probabilité qu'un événement survienne en tenant compte d'une information supplémentaire. Les faux positifs illustrent souvent ce concept, notamment dans les tests de dépistage ou de diagnostic.

1. Définitions importantes

• Probabilité inconditionnelle : La probabilité qu'un événement se produise sans condition.
• Probabilité conditionnelle : La probabilité qu'un événement A se produise sachant que B s'est déjà produit, notée \( P(A | B) \).
• Indépendance : Deux événements A et B sont indépendants si \( P(A \cap B) = P(A) imes P(B) \).

2. Exemple : Dépistage médical et faux positifs

Supposons un test pour une maladie rare :

• La probabilité qu'une personne ait la maladie : \( P(M) = 0,01 \) (1%).
• Le test est précis :
  - Il donne un résultat positif si la personne est malade avec une probabilité de 0,99 : \( P(T+ | M) = 0,99 \).
  - Il donne un résultat négatif si la personne n'est pas malade avec une probabilité de 0,95 : \( P(T- | eg M) = 0,95 \).

Calculons la probabilité qu'une personne ait un faux positif :

• Probabilité que la personne ne soit pas malade : \( P( eg M) = 1 - P(M) = 0,99 \).
• Probabilité d'un faux positif :
  \( P(T+ | eg M) = 1 - P(T- | eg M) = 0,05 \).

3. Faux positifs : Probabilité conditionnelle

Nous cherchons à savoir :
Quelle est la probabilité qu'une personne soit réellement malade, sachant que le test est positif ?
C'est : \( P(M | T+) \).

Application du théorème de Bayes :

\[ P(M | T+) = rac{P(T+ | M) imes P(M)}{P(T+)} \]

où \[ P(T+) = P(T+ | M) imes P(M) + P(T+ | eg M) imes P( eg M) \]

Calcul :

\[ P(T+) = 0,99 imes 0,01 + 0,05 imes 0,99 = 0,0099 + 0,0495 = 0,0594 \]

Donc, \[ P(M | T+) = rac{0,99 imes 0,01}{0,0594} pprox rac{0,0099}{0,0594} pprox 0,1667 \]

La probabilité qu'une personne réellement malade, sachant que son test est positif, est d'environ 16,67%.

4. Interprétation

Malgré un test très précis, la faible prevalence de la maladie conduit à un fort pourcentage de faux positifs. Il faut en tenir compte lors de l'interprétation des résultats.

5. Conclusion

Ce genre d'analyse montre l'importance des probabilités conditionnelles pour évaluer la fiabilité des tests et comprendre la phenomenon des faux positifs.