Probabilités conditionnelles tests de dépistage résumé

Probabilité conditionnelle de A sachant B ?

Formule : $\displaystyle P(A|B) = \\frac{P(A \cap B)}{P(B)}$. Utiliser quand on connaît B.

Un magasin a 70% de clients satisfaits. 20% reviennent.

Si un client revient, $\displaystyle P(satisfait|revient) = \\frac{P(satisfait \cap revient)}{P(revient)}$.

Vrai ou faux : P(A|B) = P(B|A).

Faux. Ce sont des probabilités différentes et dépendent de l'événement étudié.

Éléments d'un parcours de santé ?

Tests, résultats, interprétations. Évaluer des conditions.

Un test dépistage a 90% de précision. Interprétation ?

Cela veut dire que 90% des tests positifs sont corrects, mais attention aux faux positifs.

Si P(A) = 0.4 et P(B) = 0.5, quel est P(A|B) ?

Besoin de connaître $\displaystyle P(A \cap B)$. Exemple : $\displaystyle P(A \cap B) = 0.2 \Rightarrow P(A|B) = 0.4$.

Différence entre indépendance et conditionnalité ?

Indépendance : $\displaystyle P(A|B) = P(A)$. Conditionnalité : dépend de l'événement B.

Exemple de probabilité conditionnelle avec élève ?

Élève a 80% de chance de réussir s'il révise. $\displaystyle P(réussite|révise) = 0.8$.

Probabilité qu'un produit soit défectueux ?

Si 5% des produits le sont. Si un produit est défectueux, $\displaystyle P(défectueux|produit) = 0.05$.

Compléter : P(A|B) = ...

... $\displaystyle \\frac{P(A \cap B)}{P(B)}$.

Un test a 85% de résultats positifs. Comment l'interpréter ?

Cela signifie qu'il peut y avoir des faux positifs ; il faut analyser le contexte.

Si P(B) = 0.3 et P(A|B) = 0.6, que déduire ?

On peut estimer $\displaystyle P(A \cap B) = P(A|B) \times P(B) = 0.6 \times 0.3 = 0.18$.

Vrai ou faux : Plus P(B) est grand, plus P(A|B) est grand.

Faux. $\displaystyle P(A|B)$ dépend de la relation entre A et B, pas seulement de P(B).

Un trajet est de 10 km. Probabilité d'arriver à l'heure ?

Si 70% des trajets sont à l'heure, alors $\displaystyle P(à l'heure|trajet) = 0.7$.

Exemple concret de probabilité conditionnelle ?

Si 60% des étudiants réussissent l'examen. Si un étudiant a étudié, $\displaystyle P(réussite|étudie) = 0.9$.

Exemple pratique de probabilité conditionnelle ?

Un restaurant a 60% de clients satisfaits. Si un client est satisfait, il a 80% de chances de revenir. Quelle est la probabilité qu'un client revienne ? - P(R|S) = 0.8 - P(S) = 0.6 - P(R) = P(S) * P(R|S) = 0.6 * 0.8 = 0.48 (48%)

Test de dépistage positif

Probabilité d'être réellement malade ? Utiliser la formule : P(Malade | Test +) = $\displaystyle \frac{P(Test + | Malade) imes P(Malade)}{P(Test +)}$.

Sensibilité d'un test

C'est la probabilité que le test soit positif si la maladie est présente. Exemple : 90% = 90 malades sur 100 détectés.

Spécificité d'un test

C'est la probabilité que le test soit négatif si la maladie est absente. Exemple : 85% = 85 non-malades sur 100 détectés.

Vrai ou Faux :

Un test avec 100% de spécificité détecte tous les malades. -> Faux, il ne garantit pas la sensibilité.

Probabilité d'être malade avec test positif

P(Malade | Test +) dépend de : - Sensibilité - Spécificité - Prévalence de la maladie.

Prévalence d'une maladie

C'est la proportion de personnes malades dans une population. Exemple : 5% dans un échantillon de 1000 personnes = 50 malades.

Formule de Bayes

P(Malade | Test +) = $\displaystyle \frac{P(Test + | Malade) imes P(Malade)}{P(Test +)}$ ; essentiel pour interpréter des tests.

Exemple : Test de dépistage

Si P(Malade) = 0.01, P(Test + | Malade) = 0.95, P(Test + | Non Malade) = 0.05, alors calcule P(Test +).

Comparaison : Sensibilité vs Spécificité

Sensibilité : détection des malades. Spécificité : détection des non-malades.

Vrai ou Faux :

Une haute sensibilité réduit les faux négatifs. -> Vrai, un test sensible détecte mieux les malades.

Calcul de P(Test +)

Utiliser la loi des probabilités totales : P(Test +) = P(Test + | Malade) * P(Malade) + P(Test + | Non Malade) * P(Non Malade).

Effet d'un test à faible spécificité

Augmente le nombre de faux positifs, ce qui fausse l'interprétation des résultats.

Je fais un test avec 95% de sensibilité et 90% de spécificité. Que dire ?

Bon test pour détecter la maladie, mais attention aux faux positifs.

Exemple concret :

Une maladie rare, prévalence 1%, test avec 99% de sensibilité et 95% de spécificité. Quelles sont les chances d'être réellement malade après un test positif ?

Impact de la prévalence sur P(Malade | Test +)

Plus la prévalence est élevée, plus P(Malade | Test +) augmente, même avec un test de sensibilité et spécificité fixées.

Formule pour P(Malade | Test +) simplifiée

Utiliser des valeurs numériques dans la formule de Bayes et simplifier les termes : - P(Malade) - P(Test + | Malade) - P(Test + | Non Malade).