---

Comprendre ensemble la probabilité conditionnelle, Bayes, la loi binomiale et l’inférence statistique

La difficulté que tu rencontres est assez classique : tu as appris plusieurs notions séparément — probabilité marginale, probabilité conditionnelle, probabilité conjointe, vraisemblance, loi binomiale, a priori et a posteriori — mais tu ne vois pas encore comment elles s’articulent.

Nous allons construire un raisonnement unique, en partant de ton image sur les fake news, puis en faisant le lien avec les hypothèses statistiques \(H_0\) et \(H_1\), les données et la loi binomiale.

L’idée fondamentale à comprendre est la suivante :

La probabilité conditionnelle décrit une relation entre deux événements. La règle de Bayes permet d’inverser cette relation pour actualiser notre connaissance d’une hypothèse à partir des observations. La loi binomiale peut servir à calculer la vraisemblance de ces observations.

1. Commençons par comprendre A et B dans ton image

Ton document présente une étude sur les articles de presse et l’utilisation des points d’exclamation dans leurs titres.

Deux caractéristiques sont étudiées :

• Le statut de l’article : est-il faux ou réel ?
• La présence d’un point d’exclamation dans son titre.

On définit deux événements.

Symbole	Signification
\(A\)	L’article comporte un point d’exclamation dans son titre.
\(B\)	L’article est une fake news (article faux).
\(B^c\)	L’article est réel (complément de B).

Attention : A et B sont des événements, pas encore des hypothèses statistiques au sens d’un test \(H_0/H_1\).

Ton document fournit deux informations :

\[ P(AB)=0,2667 \]

\[ P(AB^c)=0,0222 \]

Décomposons ces expressions.

1.1 Que signifie P(A|B) ?

Cette notation se lit :

« Probabilité de A sachant B ».

En langage courant :

Quelle est la probabilité qu’un article contienne un point d’exclamation sachant que nous savons déjà qu’il s’agit d’une fake news ?

La réponse est :

\[ P(AB)=0,2667=26,67\% \]

Cela signifie que parmi les articles faux, environ 26,67 % comportent un point d’exclamation dans leur titre.

Le dénominateur de notre raisonnement est ici l’ensemble des articles faux.

\(P(A|B) = \)

\(P(AB)===\)

\(P(B)\)

\(P(AB)\)

P(B)=0,37P(A∩B)=0,16P(A|B) ≈ 0,43A∩B is the part of B where A also happens

Donner votre avis

1.2 Que signifie P(A|Bᶜ) ?

C’est exactement le même raisonnement, mais cette fois pour les articles réels.

\[ P(AB^c)=0,0222=2,22\% \]

Cela signifie que parmi les articles réels, seulement 2,22 % comportent un point d’exclamation dans leur titre.

On peut donc constater une différence importante :

Statut de l’article	Présence d’un point d’exclamation
Article faux	26,67 %
Article réel	2,22 %

Les points d’exclamation sont donc beaucoup plus fréquents dans les titres des articles faux que dans ceux des articles réels.

Mais attention : cela ne signifie pas encore que 26,67 % des articles comportant un point d’exclamation sont faux.

C’est précisément la distinction que Bayes nous permet de comprendre.

2. Comprendre les cinq notations : P(A), P(B), P(A|B), P(B|A), P(A ∩ B)

C’est probablement le point le plus important de ton apprentissage.

Il faut distinguer trois situations.

2.1 La probabilité marginale : P(A) et P(B)

Une probabilité marginale est une probabilité calculée sans tenir compte de l’autre caractéristique.

Par exemple :

\[ P(A) \]

Signifie :

« Quelle est la probabilité de choisir un article qui comporte un point d’exclamation, sans tenir compte du fait qu’il soit vrai ou faux ? »

Et :

\[ P(B) \]

Signifie :

« Quelle est la probabilité de choisir un article qui est une fake news, sans tenir compte de la présence d’un point d’exclamation ? »

La différence est importante :

• \(P(A)\) concerne la fréquence globale des points d’exclamation.
• \(P(B)\) concerne la fréquence globale des fake news.

Ces probabilités ne sont pas données dans ton image.

Elles dépendent de la composition de l’ensemble des articles étudiés.

2.2 La probabilité conditionnelle : P(A|B)

Nous connaissons maintenant le statut de l’article et nous cherchons à connaître la probabilité de présence d’un point d’exclamation.

\[ P(AB) \]

Nous partons des articles faux et nous examinons combien comportent un point d’exclamation.

2.3 La probabilité conditionnelle inversée : P(B|A)

C’est une autre question :

« Quelle est la probabilité qu’un article soit faux sachant que son titre comporte un point d’exclamation ? »

\[ P(BA) \]

Cette fois, nous partons des articles qui comportent un point d’exclamation et nous cherchons combien sont faux.

Attention à ne pas confondre :

\[ P(AB)P(BA) \]

Dans le premier cas, nous connaissons le statut de l’article et cherchons la présence du point d’exclamation.

Dans le second cas, nous connaissons la présence du point d’exclamation et cherchons le statut de l’article.

C’est une inversion du raisonnement, pas une simple inversion de notation.

2.4 La probabilité conjointe : P(A ∩ B)

La probabilité conjointe signifie que les deux événements se produisent simultanément.

\[ P(AB) \]

En langage courant :

« Quelle est la probabilité de sélectionner un article qui est faux ET qui comporte un point d’exclamation ? »

C’est la combinaison des deux caractéristiques.

3. Comment ces probabilités sont-elles reliées ?

Nous pouvons maintenant rassembler les notions dans un tableau.

Imaginons un tableau de contingence :

	Article faux B	Article réel Bᶜ	Total
Point d’exclamation A	Conjointe	Conjointe	Marginale A
Pas de point Aᶜ	Conjointe	Conjointe	Marginale Aᶜ
Total	Marginale B	Marginale Bᶜ	1

Ce tableau est fondamental.

Il permet de visualiser les trois types de probabilités :

• Les cellules intérieures représentent les probabilités conjointes.
• Les marges représentent les probabilités marginales.
• Le rapport entre une cellule et la marge correspondante permet de calculer une probabilité conditionnelle.

Par exemple :

\[ P(AB)= \]

Cela signifie :

On prend la proportion d’articles qui sont simultanément faux et ponctués d’un point d’exclamation, puis on la rapporte à l’ensemble des articles faux.

La relation peut également être réarrangée :

\[ P(AB)=P(AB)P(B) \]

C’est la loi multiplicative des probabilités.

Ces relations figurent dans ton support de cours de probabilités, dans la partie consacrée aux probabilités conjointes, marginales et conditionnelles.

02_Probabilites_temp.pdf

4. La règle de Bayes : pourquoi avons-nous besoin de P(A), P(B) et P(B|A) ?

Reprenons notre question :

Un article comporte un point d’exclamation dans son titre. Quelle est la probabilité qu’il s’agisse d’une fake news ?

Nous cherchons :

\[ P(BA) \]

Nous connaissons cependant les probabilités dans l’autre sens :

• \(P(AB)=0,2667\)
• \(P(AB^c)=0,0222\)

Nous devons donc inverser notre raisonnement.

\(P(A|B) = \)

\(P(AB)==0,68\)

\(P(A)\)

\(P(BA)\)

\(P(BA)\)

\(P(B)\)= 0,25

\(P(BA)\)= 0,17

\(P(BA)\)= 0,08

Donner votre avis

Pour bien comprendre cette formule, examinons le rôle de chacun de ses éléments :

Élément	Signification dans notre exemple
\(P(BA)\)	Probabilité que l’article soit faux sachant qu’il comporte un point d’exclamation.
\(P(AB)\)	Probabilité qu’un article faux comporte un point d’exclamation.
\(P(B)\)	Probabilité qu’un article choisi soit faux avant de regarder son titre.
\(P(A)\)	Probabilité globale qu’un article comporte un point d’exclamation.

Il reste une question : comment calculer \(P(A)\) ?

4.1 Le rôle de la probabilité marginale dans Bayes

La probabilité marginale \(P(A)\) représente ici la probabilité globale d’observer un point d’exclamation.

Pour la calculer, nous devons tenir compte des deux catégories d’articles :

1. Les articles faux.
2. Les articles réels.

Nous utilisons la loi des probabilités totales :

\[ P(A)=P(AB)P(B)+P(AB^c)P(Bc) \]

Pourquoi ?

Parce qu’un article comportant un point d’exclamation peut être soit faux, soit réel. Ces deux possibilités couvrent l’ensemble des articles.

Nous additionnons donc les deux probabilités conjointes.

Exemple numérique : valeurs choisies uniquement pour illustrer le calcul.

Supposons que 20 % des articles de notre population soient faux.

Nous avons alors :

\[ P(B)=0,20 \]

\[ P(B^c)=0,80 \]

Les données de ton image restent inchangées :

\[ P(AB)=0,2667 \]

\[ P(AB^c)=0,0222 \]

Calculons la probabilité marginale :

\[ P(A)=(0,2667,20)+(0,0222,80) \]

\[ P(A)=0,05334+0,01776 \]

\[ \]

Cela signifie que 7,11 % de l’ensemble des articles comportent un point d’exclamation.

Nous avons maintenant toutes les informations nécessaires.

4.2 Calcul de la probabilité inverse

Nous cherchons :

\[ P(BA) \]

Nous obtenons :

\[ P(BA)= \]

\[ \]

Résultat de l’exemple illustratif

La probabilité qu’un article soit faux sachant que son titre comporte un point d’exclamation est de 75 %.

Pourquoi ce résultat est-il différent de 26,67 % ?

Parce que les deux pourcentages ne répondent pas à la même question.

• 26,67 % : proportion de titres avec un point d’exclamation parmi les articles faux.
• 75 % : proportion d’articles faux parmi ceux dont le titre comporte un point d’exclamation.

C’est une distinction fondamentale en statistique.

Et surtout, observe le rôle de la probabilité marginale : elle permet de tenir compte de la fréquence initiale des articles faux dans la population.

Si seulement 1 % des articles étaient faux, le résultat de Bayes serait très différent.

5. Maintenant, faisons le lien avec H0, H1 et l’inférence bayésienne

C’est ici que les notions précédentes prennent tout leur sens pour tes analyses statistiques.

Jusqu’ici, nous avons parlé de deux événements A et B.

En inférence statistique, nous pouvons remplacer ces événements par des hypothèses et des données.

Prenons une nouvelle question de recherche.

Question scientifique : une pièce de monnaie est-elle équilibrée ?

Nous formulons deux hypothèses :

• \(H_0\) : la pièce est équilibrée.
• \(H_1\) : la pièce est biaisée.

Nous lançons la pièce 10 fois et observons 9 faces.

Appelons \(D\) les données observées :

\[ D=910 \]

Nous voulons savoir :

Quelle est la probabilité que notre hypothèse soit correcte compte tenu des données observées ?

En notation bayésienne :

\[ P(H_0D) \]

ou

\[ P(H_1D) \]

Nous retrouvons exactement la logique de Bayes.

5.1 Correspondance entre les concepts

Voici comment les notions que nous avons vues se transposent :

Probabilités classiques	Inférence bayésienne
Événement A ou B	Hypothèse \(H\)
Observation d’un événement	Données \(D\)
\(P(H)\)	Probabilité a priori
\(P(DH)\)	Vraisemblance (likelihood)
\(P(D)\)	Probabilité marginale des données (evidence)
\(P(HD)\)	Probabilité a posteriori

La correspondance essentielle est :

\[ \]

Examinons chaque étape.

5.2 Première étape : la probabilité a priori

Avant de lancer la pièce, nous devons attribuer une probabilité à nos hypothèses.

Par exemple, choisissons :

\[ P(H_0)=0,50 \]

\[ P(H_1)=0,50 \]

Cela signifie que nous attribuons initialement 50 % de probabilité à chaque hypothèse.

Ces valeurs sont des choix illustratifs, et non des résultats calculés à partir des observations.

C’est ce que l’on appelle les probabilités a priori.

Elles représentent notre degré de croyance dans les hypothèses avant d’intégrer les nouvelles données.

5.3 Deuxième étape : les données et la vraisemblance

Nous réalisons l’expérience :

• Nombre de lancers : \(n=10\).
• Nombre de faces : \(y=9\).
• Nombre de piles : \(1\).

Nous cherchons à déterminer si ces données sont compatibles avec chacune des hypothèses.

Sous \(H_0\), la pièce est équilibrée :

\[ p=0,50 \]

Sous \(H_1\), il faut préciser ce que signifie « biaisée ».

Pour simplifier notre illustration, nous posons :

\[ p=0,90 \]

Cela signifie que, sous notre hypothèse alternative illustrative, la probabilité d’obtenir face est de 90 % à chaque lancer.

Nous pouvons maintenant calculer :

\[ P(DH_0) \]

et

\[ P(DH_1) \]

Ces probabilités représentent la vraisemblance des données sous chacune des hypothèses.

Autrement dit :

• Si la pièce est équilibrée, quelle est la probabilité d’obtenir 9 faces sur 10 ?
• Si la pièce a une probabilité de 90 % de tomber sur face, quelle est la probabilité d’obtenir 9 faces sur 10 ?

C’est exactement le rôle de la likelihood.

5.4 Troisième étape : la probabilité a posteriori

Après avoir observé les données, nous actualisons nos probabilités initiales.

Nous cherchons :

\[ P(H_0D) \]

et

\[ P(H_1D) \]

La probabilité a posteriori tient compte simultanément :

1. De notre connaissance initiale : le prior.
2. De la compatibilité des observations avec chaque hypothèse : la likelihood.
3. De la probabilité globale d’obtenir ces observations : l’évidence.

C’est le mécanisme de mise à jour bayésienne.

6. Quel est le rapport avec la loi binomiale ?

Nous arrivons maintenant à un élément essentiel : comment calculer concrètement la vraisemblance ?

C’est ici que la loi binomiale intervient.

La loi binomiale permet de calculer la probabilité d’observer un certain nombre de succès sur un nombre déterminé d’essais indépendants, lorsque la probabilité de succès reste constante.

Elle s’écrit :

\[ P(Y=y)=p^y(1-p){n-y} \]

Définissons chaque élément :

Symbole	Signification	Notre expérience
\(n\)	Nombre d’essais	10 lancers
\(y\)	Nombre de succès	9 faces
\(p\)	Probabilité d’un succès à chaque essai	0,50 ou 0,90
\(1-p\)	Probabilité d’un échec	0,50 ou 0,10
\(\)	Nombre de combinaisons possibles	Nombre de façons d’obtenir 9 faces parmi 10 lancers

Le succès est ici défini comme l’obtention de face. Nous aurions pu choisir pile : c’est simplement une convention.

6.1 Pourquoi la loi binomiale est-elle adaptée ?

Elle repose sur trois conditions :

1. Chaque essai est indépendant des autres.
2. Chaque essai comporte deux résultats possibles : succès ou échec.
3. La probabilité de succès reste identique à chaque essai.

Ces trois conditions sont celles présentées dans ton cours sur les distributions discrètes.

04_DistributionsProbabilite_Variables_Discretes.pdf

Dans notre exemple :

• Un lancer ne modifie pas la probabilité du lancer suivant.
• On obtient soit face, soit pile.
• La probabilité de face reste constante sous chaque hypothèse.

La loi binomiale est donc adaptée à cette expérience.

6.2 Calcul de la vraisemblance sous H0

Nous avons :

\[ n=10,y=9,p=0,50 \]

Nous appliquons la formule :

\[ P(DH_0)= (0,5)^9(0,5)1 \]

Le coefficient binomial vaut :

\[ ==10 \]

Donc :

\[ P(DH_0)=10,5^9,5 \]

\[ \]

Cela signifie que si la pièce est équilibrée, la probabilité d’obtenir exactement 9 faces sur 10 est d’environ 0,98 %.

C’est notre première vraisemblance.

6.3 Calcul de la vraisemblance sous H1

Nous avions défini :

\[ p=0,90 \]

Nous conservons les mêmes observations :

\[ n=10,y=9 \]

Nous obtenons :

\[ P(DH_1)= (0,9)^9(0,1)1 \]

\[ =10,9^9,1 \]

\[ \]

Cette fois, la probabilité d’observer exactement 9 faces sur 10, lorsque la probabilité de face est de 90 %, est d’environ 38,74 %.

Comparons :

Hypothèse	Probabilité d’observer 9 faces sur 10
\(H_0 : p=0,50\)	0,98 %
\(H_1 : p=0,90\)	38,74 %

Les données observées sont beaucoup plus vraisemblables sous \(H_1\).

C’est exactement ce que nous cherchons à quantifier avec la vraisemblance.

Visualisation de la vraisemblance

Probabilité d’obtenir exactement 9 faces sur 10 selon les deux hypothèses.

H0 : p = 0,50

0.98 %

H1 : p = 0,90

38.74 %

Attention à une distinction importante :

La loi binomiale nous donne ici la probabilité des données sous une hypothèse.

Elle ne nous donne pas directement la probabilité que l’hypothèse soit vraie.

C’est précisément la raison pour laquelle nous avons besoin de la règle de Bayes.

7. Comment la loi binomiale entre-t-elle dans la règle de Bayes ?

Nous possédons maintenant trois éléments :

• Les probabilités a priori.
• Les vraisemblances calculées avec la loi binomiale.
• La règle de Bayes pour actualiser les probabilités.

Reprenons nos valeurs illustratives :

Élément	H0	H1
Probabilité a priori	0,50	0,50
Vraisemblance	0,009765625	0,387420489

Il nous manque encore la probabilité marginale des données.

7.1 Calcul de P(D) : l’évidence

La probabilité marginale des données est la probabilité d’observer ces données en tenant compte de toutes les hypothèses envisagées.

Dans notre exemple, nous avons deux hypothèses exhaustives :

\[ P(D)=P(DH_0)P(H_0) +P(DH_1)P(H_1) \]

En remplaçant :

\[ P(D)=(0,009765625,50) \]

\[ +(0,387420489,50) \]

\[ \]

Cette quantité joue le rôle de dénominateur dans la règle de Bayes.

7.2 Calcul de la probabilité a posteriori

Pour \(H_1\) :

\[ P(H_1D)= \]

Nous remplaçons par nos valeurs :

\[ P(H_1D)= {0,198593057} \]

\[ \]

Soit environ 97,54 %.

Pour \(H_0\) :

\[ P(H_0D)= {0,198593057} \]

\[ \]

Soit environ 2,46 %.

Résultat calculé

Avec les hypothèses et les valeurs a priori choisies pour cet exemple, après avoir observé 9 faces sur 10, la probabilité a posteriori de \(H_1\) est de 97,54 %.

Cela ne signifie pas que nous avons démontré que la pièce est biaisée. Notre conclusion est conditionnelle aux deux hypothèses et aux probabilités a priori choisies.

8. Le lien entre probabilité marginale et probabilité a priori : une distinction essentielle

C’est une confusion qu’il faut absolument éviter.

Le terme « marginal » ne signifie pas toujours « a priori ».

Ce sont deux notions différentes.

Dans notre exemple :

• \(P(H_1)\) est la probabilité a priori de l’hypothèse \(H_1\).
• \(P(D)\) est la probabilité marginale des données.
• \(P(H_1D)\) est la probabilité a posteriori de \(H_1\).

Pourquoi appelle-t-on \(P(D)\) une probabilité marginale ?

Parce qu’elle est obtenue en additionnant les probabilités conjointes associées à toutes les hypothèses possibles.

Autrement dit :

\[ P(D)=_i P(DH_i)P(H_i) \]

C’est une application directe de la loi des probabilités totales.

Il existe donc une continuité entre ce que tu as appris dans ton cours de probabilités et ce que tu apprends maintenant en statistiques bayésiennes.

La différence est surtout dans l’objet auquel nous appliquons le raisonnement :

• En probabilités élémentaires, nous étudions des événements.
• En inférence bayésienne, nous étudions des hypothèses ou des paramètres à partir de données.

9. Application à la psychologie : comment utiliser ces concepts dans une recherche ?

Prenons trois exemples proches de la recherche en psychologie.

Exemple 1 : mémoire et taux de réponses correctes

Question de recherche : un entraînement améliore-t-il la probabilité de fournir une réponse correcte à un test de mémoire ?

Nous définissons :

• Succès : réponse correcte.
• Échec : réponse incorrecte.
• \(p\) : probabilité de répondre correctement.

Nous faisons passer un test de 20 items à un participant. Il obtient 15 réponses correctes.

Élément	Valeur
Nombre d’essais \(n\)	20
Réponses correctes \(y\)	15
Réponses incorrectes	5
Paramètre étudié	\(p\), probabilité de réponse correcte

La loi binomiale permet de calculer :

\[ P(Y=15n=20,p) \]

Nous pouvons ensuite comparer plusieurs hypothèses sur \(p\).

Par exemple :

• \(H_0 : p=0,50\)
• \(H_1 : p=0,70\)

Nous calculons les vraisemblances sous les deux hypothèses, puis nous utilisons les probabilités a priori pour obtenir les probabilités a posteriori.

Exemple 2 : efficacité d’une intervention thérapeutique

Question de recherche : une intervention psychologique augmente-t-elle la proportion de patients présentant une amélioration clinique ?

Nous définissons :

• Succès : amélioration clinique.
• Échec : absence d’amélioration clinique.
• \(p\) : probabilité d’amélioration.

Nous suivons 30 patients et observons 21 améliorations.

La variable dépendante est binaire :

\[ Y= ]

La loi binomiale permet de modéliser le nombre d’améliorations parmi les 30 patients, sous certaines hypothèses d’indépendance et d’homogénéité de la probabilité.

Nous pouvons alors étudier différentes valeurs possibles de \(p\).

Attention : pour démontrer l’efficacité d’une intervention, il faudrait également définir un groupe de comparaison ou une référence pertinente. Observer 21 améliorations ne suffit pas à établir un effet causal.

Exemple 3 : anxiété et réponses comportementales

Question de recherche : les personnes présentant une anxiété sociale élevée ont-elles une probabilité plus importante d’éviter une interaction sociale ?

Nous définissons :

• Succès : éviter l’interaction.
• Échec : ne pas éviter l’interaction.
• Variable indépendante : niveau d’anxiété sociale.
• Variable dépendante : évitement (oui/non).

La probabilité d’évitement peut être modélisée en fonction du niveau d’anxiété.

Ici, une régression logistique peut être appropriée.

La distribution de Bernoulli décrit chaque réponse binaire individuelle ; la loi binomiale peut décrire le nombre d’évitements dans un groupe homogène d’observations indépendantes.

Ton cours présente justement cet enchaînement entre données binaires, loi binomiale, vraisemblance et modèles de régression logistique.

04_DistributionsProbabilite_Variables_Discretes.pdf

10. Une précision supplémentaire : Bernoulli, binomiale et Bayes

Ces trois notions sont liées, mais ne désignent pas la même chose.

Concept	Fonction
Bernoulli	Modélise un seul essai avec deux résultats possibles.
Binomiale	Modélise le nombre de succès sur plusieurs essais indépendants.
Vraisemblance	Évalue la compatibilité des données avec une valeur de paramètre ou une hypothèse.
Bayes	Combine vraisemblance et a priori pour obtenir une probabilité a posteriori.

La loi de Bernoulli est un cas particulier de la loi binomiale avec \(n=1\).

Une ouverture importante pour la suite de ton cours

En statistique bayésienne, nous ne sommes pas obligés de considérer uniquement deux hypothèses avec des valeurs fixes comme \(p=0,50\) et \(p=0,90\).

Nous pouvons chercher à estimer directement le paramètre inconnu \(p\).

Par exemple, nous pouvons envisager toutes les valeurs possibles :

\[ 0p \]

Nous attribuons alors une distribution a priori à \(p\), et nous cherchons sa distribution a posteriori après observation des données.

Pour une variable binomiale, une distribution particulièrement adaptée est la loi bêta.

On obtient alors le modèle bêta-binomiale :

• Loi bêta : distribution a priori du paramètre \(p\).
• Loi binomiale : modèle de génération des observations.
• Distribution bêta mise à jour : distribution a posteriori de \(p\).

C’est une étape importante de ton cours, car on passe de la comparaison de quelques hypothèses discrètes à l’estimation probabiliste d’un paramètre continu.

11. Synthèse générale : comment toutes les pièces s’assemblent

Voici le schéma conceptuel que je te conseille de mémoriser.

Le raisonnement bayésien

1. Question de recherche

Quelle hypothèse voulons-nous examiner ?

Exemple : la pièce est-elle biaisée ?

2. Hypothèses et probabilités a priori

\(P(H_0)\) et \(P(H_1)\)

Ce que nous considérons comme plausible avant les nouvelles observations.

3. Collecte des données

\(D\)

Exemple : 9 faces sur 10 lancers.

4. Modèle probabiliste et vraisemblance

\(P(DH)\)

La loi binomiale calcule la probabilité des observations sous chaque hypothèse.

5. Probabilité marginale des données

\(P(D)\)

On additionne les probabilités conjointes de toutes les hypothèses envisagées.

6. Actualisation bayésienne

\(P(HD)\)

Nous obtenons les probabilités a posteriori, après intégration des observations.

12. Tableau récapitulatif à mémoriser

Notion	Question à laquelle elle répond
\(P(A)\)	Quelle est la probabilité de A, globalement ?
\(P(B)\)	Quelle est la probabilité de B, globalement ?
\(P(AB)\)	Quelle est la probabilité que A et B arrivent ensemble ?
\(P(AB)\)	Quelle est la probabilité de A sachant B ?
\(P(BA)\)	Quelle est la probabilité de B sachant A ?
\(P(H)\)	Quelle est la probabilité initiale de l’hypothèse ?
\(P(DH)\)	Quelle est la vraisemblance des données sous l’hypothèse ?
\(P(D)\)	Quelle est la probabilité marginale des données ?
\(P(HD)\)	Quelle est la probabilité de l’hypothèse après observation des données ?

13. Vérification de ta compréhension

Je te propose de vérifier que tu arrives maintenant à distinguer les notions, sans faire de calcul compliqué.

QCM de compréhension

0/5 répondues

Question 1. Nous savons qu’un article est faux. Nous cherchons la probabilité qu’il contienne un point d’exclamation. Quelle notation utilisons-nous ?

P(B|A)

P(A|B)

P(A)

P(A ∩ B)

Question 2. Quelle est la différence entre P(A) et P(A|B) ?

Aucune différence

P(A) est une probabilité marginale, P(A|B) est conditionnelle

P(A) est toujours supérieure à P(A|B)

P(A|B) est une probabilité a priori

Question 3. Dans une analyse bayésienne, que représente P(H|D) ?

La vraisemblance

La probabilité a priori

La probabilité a posteriori

La probabilité marginale des données

Question 4. Quel est le rôle de la loi binomiale ?

Calculer directement le prior

Calculer la probabilité d’un nombre de succès sur n essais

Calculer systématiquement la probabilité a posteriori

Mesurer la moyenne d’une variable continue

Question 5. Dans la règle de Bayes, que représente P(D) ?

La probabilité a priori

La vraisemblance

La probabilité marginale des données

La probabilité a posteriori

Corriger mes réponses

Mon conseil pédagogique : ne cherche pas encore à mémoriser toutes les formules simultanément. Maîtrise d’abord la différence entre \(P(AB)\) et \(P(BA)\), puis entre \(P(DH)\) et \(P(HD)\). Ce sont les deux inversions qui structurent tout le raisonnement bayésien.

Une fois cette distinction acquise, la loi binomiale, la vraisemblance, le prior et le posterior deviennent beaucoup plus faciles à relier.