Inférence bayésienne et inversion du conditionnement
Savoir distinguer les deux conditionnements P(B | A) et P(A | B), puis calculer la probabilité a posteriori P(A | B) à partir de la probabilité a priori P(A) et de l'observation de B, en appliquant la formule de Bayes.

Les points essentiels
- On suppose ici 0 < P(A) < 1 et P(B) > 0. P(A) est la probabilité a priori de l’événement étudié A.
- L'observation d'un événement B conduit à remplacer la probabilité a priori P(A) par la probabilité conditionnelle P(A | B), appelée probabilité a posteriori.
Les mots à connaître
- Probabilité a priori
- Probabilité P(A) de l'événement A, connue avant toute observation.
- Probabilité a posteriori
- Probabilité conditionnelle P(A | B) de l'événement A après l'observation de l'événement B.
Un exemple pour comprendre
Une maladie touche 1 % d'une population. Un test de dépistage a une sensibilité de 99 % et une spécificité de 95 %. Une personne est testée positive. Quelle est la probabilité qu'elle soit réellement malade ?
On note M l'événement « la personne est malade » et T l'événement « le test est positif ». On sait P(M) = 0,01 et P(T | M) = 0,99. La spécificité donne P(T̅ | M̅) = 0,95, donc P(T | M̅) = 1 - 0,95 = 0,05. On calcule P(T) = P(T | M) × P(M) + P(T | M̅) × P(M̅) = 0,99 × 0,01 + 0,05 × 0,99 = 0,0099 + 0,0495 = 0,0594. Puis P(M | T) = P(T | M) × P(M) / P(T) = 0,0099 / 0,0594 ≈ 0,167. La probabilité que la personne soit malade sachant que le test est positif est d'environ 16,7 %.
