Face à un énoncé qui dit « sachant que », comment choisir la bonne formule de probabilité conditionnelle sans se tromper de dénominateur ou confondre les événements concernés ? La clé réside dans une idée simple : dès qu’une condition apparaît, l’univers se réduit, l’ensemble de référence change, et la probabilité se recalcule dans ce nouveau cadre. Une fois cette réduction comprise, la fameuse relation P(A|B) = P(A ∩ B) / P(B) devient un outil de lecture presque automatique, que les données soient données sous forme de texte, de tableau, d’arbre pondéré ou de situation concrète.
Les élèves de lycée croisent la probabilité conditionnelle partout : taux de réussite « parmi les candidats », tests de dépistage, qualité de production, sondages. Les parents et les enseignants y voient souvent la frontière entre la partie intuitive des probabilités et un terrain plus technique, où les erreurs d’intersection ou d’indépendance coûtent des points. En suivant un fil conducteur – par exemple celui de Samir, élève fictif de Première qui apprend à passer d’un événement à l’autre sans se perdre – il devient possible de cartographier les méthodes disponibles, de comparer leurs avantages, puis de choisir la bonne selon la présentation des données. Ce texte propose justement cette carte : définition, formules, tableau de décision, erreurs typiques, lien avec le théorème de Bayes et contrôle final par un exemple indépendant, pour transformer chaque « sachant que » en raisonnement maîtrisé.
- 🔑 Réduire l’univers : une probabilité conditionnelle se calcule toujours dans l’ensemble où la condition est vraie.
- 📐 Formule centrale : P(A|B) = P(A ∩ B) / P(B), dès que P(B) ≠ 0.
- 🌳 Plusieurs outils : formule, tableau à double entrée, arbre pondéré, comptage direct selon les données.
- ⚠️ Pièges classiques : inverser P(A|B) et P(B|A), mal choisir le dénominateur, confondre intersection et conditionnelle.
- 🧩 Connexions : indépendance, probabilité totale et théorème de Bayes reposent tous sur la même formule.
Probabilité conditionnelle : formule de base et changement d’univers
La probabilité conditionnelle répond à la question suivante : « quelle est la probabilité de A sachant B ? ». Autrement dit, on cherche P(A|B) en considérant uniquement les cas où B est réalisé. L’univers Ω complet disparaît, l’univers de travail devient l’ensemble B.
La formule centrale est alors :
P(A|B) = P(A ∩ B) / P(B), avec la condition P(B) ≠ 0 ✅
Le numérateur P(A ∩ B) représente l’intersection des deux événements, c’est‑à‑dire les cas où A et B sont vrais en même temps. Le dénominateur P(B) joue le rôle de nouvelle base : c’est la probabilité du « monde » où B est déjà réalisé. Le quotient mesure donc « la part de A à l’intérieur de B ».
Cas fictif : Samir lance un dé équilibré. On note A : « obtenir 6 » et B : « obtenir un nombre pair ». Dans l’univers complet, P(A) = 1/6. Mais dès que la condition « le résultat est pair » tombe, l’univers se restreint à {2, 4, 6}. Il y a alors 1 issue favorable sur 3, donc P(A|B) = 1/3. Le résultat est cohérent : l’information « pair » augmente la probabilité d’avoir 6, le calcul le confirme.
Formule probabilité conditionnelle vs autres représentations
Avant de foncer vers la formule, une question guide le choix de méthode : les données décrivent‑elles une expérience en étapes, des catégories avec effectifs, ou un petit univers qu’on peut lister entièrement ? Chaque forme appelle un outil différent, même si toutes reposent sur la même formule de probabilité conditionnelle.
| 🧭 Situation | 🔨 Outil adapté | 🧠 Idée clé |
|---|---|---|
| Chaîne d’événements (tirages successifs, choix puis test) | Arbre pondéré 🌳 | Lire P(A ∩ B) comme produit sur un chemin puis appliquer la formule |
| Données d’effectifs ou de fréquences | Tableau à double entrée 📊 | Se placer dans la ligne/colonne B, prendre la proportion de A |
| Petit univers (dé, cartes, 2 tirages) | Comptage direct 🎲 | Lister les cas de B et compter ceux qui sont aussi dans A |
| Données abstraites P(A), P(B), P(A ∩ B) | Formule brute 🧮 | Assembler numérateur et dénominateur avec P(A|B) = P(A ∩ B)/P(B) |
Ce tableau montre que la formule n’est qu’une traduction algébrique de représentations plus visuelles. Une fois la carte des méthodes en tête, Samir commence systématiquement par choisir la ligne du tableau qui correspond à l’énoncé, puis déploie l’outil correspondant, au lieu de réciter des formules au hasard.
Formule produit, intersection et lecture sur un arbre pondéré
La formule de probabilité conditionnelle entraîne immédiatement une relation très utilisée en exercice : la formule produit. En multipliant de part et d’autre par P(B), on obtient :
P(A ∩ B) = P(B) × P(A|B) ✅
Symétriquement, en partant de P(B|A) = P(A ∩ B)/P(A), on dispose aussi de P(A ∩ B) = P(A) × P(B|A). Sur un arbre pondéré, cela se lit très naturellement : la probabilité d’un chemin complet correspond au produit des probabilités des branches successives.
Exemple en contrôle qualité. Une usine possède deux machines, M₁ et M₂. La variable aléatoire X modélise l’événement « machine d’origine » avec P(M₁) = 0,7 et P(M₂) = 0,3. Sachant la machine, la probabilité qu’une pièce soit défectueuse D vaut P(D|M₁) = 0,02 et P(D|M₂) = 0,05. L’intersection « produite par M₂ et défectueuse » a une probabilité :
P(D ∩ M₂) = P(M₂) × P(D|M₂) = 0,3 × 0,05 = 0,015.
La formule produit n’est donc pas une recette mystérieuse, mais la simple traduction du chemin « choisir M₂ puis obtenir D ». Pour contrôler, Samir représente toujours l’arbre, ne serait‑ce qu’en brouillon, pour vérifier que chaque branche reflète bien la condition exprimer par P(A|B).
Probabilité conditionnelle : interprétation intuitive par ensembles
Comprendre une probabilité conditionnelle, c’est surtout visualiser un jeu d’ensembles. Deux cercles qui se coupent, celui de A, celui de B. Le monde complet est le rectangle Ω. Dès que « sachant B » apparaît, seul le cercle B compte, et l’intersection A ∩ B devient la partie intéressante de ce cercle.
Un moyen mnémotechnique consiste à répéter mentalement : « P(A|B) = proportion de A à l’intérieur de B ». Sur une classe où 60 % des élèves pratiquent un sport S, et où 30 % parmi eux ont une moyenne d’au moins 14 (M), l’information « 30 % parmi ceux qui font du sport » donne directement P(M|S) = 0,30. Inutile de repasser par la formule générale : l’énoncé fournit déjà la proportion dans l’univers restreint.
En travaillant régulièrement avec cette image des deux cercles qui se recoupent, Samir repère aussi mieux les cas d’indépendance : lorsque P(A|B) = P(A), le cercle de A garde la même « taille relative » à l’intérieur de B, ce qui signifie que l’information sur B n’apporte aucun biais sur l’événement A.
Exemples concrets : cartes, dés et urnes
Dans un jeu de 52 cartes, on prend A : « carte est un as » et B : « carte est un cœur ». Dans l’univers complet, P(A) = 4/52. En se restreignant aux 13 cœurs, un seul est un as, donc P(A|B) = 1/13. La probabilité reste la même : savoir « cœur » ne change rien. Ici, l’événement « être un as » est indépendant de « être un cœur ». L’égalité P(A|B) = P(A) confirme cette intuition.
Avec un dé équilibré, l’ensemble Ω = {1, 2, 3, 4, 5, 6}. Si C est « obtenir un multiple de 3 » et D « obtenir un nombre pair », alors C = {3, 6} et D = {2, 4, 6}. L’intersection C ∩ D = {6}. Dans le monde restreint C, il y a deux résultats possibles, dont un seul est pair, d’où P(D|C) = 1/2. La formule donne exactement le même résultat : P(D|C) = P(C ∩ D)/P(C) = (1/6) / (2/6) = 1/2. Le dessin des ensembles sécurise la lecture et sert de contrôle indépendant.
Choisir la bonne formule de probabilité conditionnelle dans un exercice
Dans un contrôle, le vrai défi n’est pas la formule P(A|B) = P(A ∩ B)/P(B), mais de décider comment trouver P(A ∩ B) et P(B) à partir de l’énoncé. Pour éviter les impasses, Samir suit toujours la même liste de décisions.
- 🧾 Étape 1 : repérer les mots « sachant », « parmi ceux qui », « sous la condition que ».
- 🎯 Étape 2 : identifier clairement A et B, les noter proprement.
- 🌀 Étape 3 : écrire la phrase « je travaille dans l’univers B » pour fixer le dénominateur.
- 🧮 Étape 4 : choisir la méthode (tableau, arbre, comptage, formule brute) selon la forme des données.
- ✅ Étape 5 : terminer par un contrôle d’ordre de grandeur ou un dessin d’ensembles.
Lorsqu’un énoncé fournit des pourcentages conditionnels comme « 40 % des filles pratiquent un sport », la probabilité conditionnelle est déjà donnée : P(S|F) = 0,40. Dans d’autres cas, notamment en chaînes d’événements, la probabilité conditionnelle n’apparaît qu’après la construction d’un arbre ou d’un tableau. Reconnaître ce basculement évite d’inventer des formules inutiles.
Arbre, tableau, formule : comparaison rapide des méthodes
Pour un même problème, plusieurs outils donnent la même probabilité conditionnelle, mais pas avec la même clarté. En 2026, beaucoup d’enseignants articulent les trois démarches sur un même sujet pour renforcer la compréhension de la notion plutôt que d’en faire un simple calcul de routine.
Cas fictif : un lycée compte 55 % de filles F. Parmi elles, 40 % pratiquent un sport S. Parmi les garçons, 60 % pratiquent un sport. L’objectif est de calculer P(F|S), « la probabilité qu’un élève sportif soit une fille ».
Avec un arbre pondéré, on place d’abord F (0,55) et G (0,45), puis sous chaque branche, S et non S avec les probabilités conditionnelles P(S|F) = 0,40 et P(S|G) = 0,60. En lisant les chemins, on trouve P(F ∩ S) = 0,55 × 0,40 et la probabilité totale de S en sommant les deux branches sportives. La formule de probabilité conditionnelle donne ensuite P(F|S) = P(F ∩ S)/P(S).
Avec un tableau, Samir complète les cases d’intersection à partir des mêmes produits, puis lit P(F|S) comme la proportion de filles dans la colonne « sportifs ». Quant à la formule pure, elle se contente d’utiliser les mêmes produits numériquement. Les trois routes coïncident, mais certaines font mieux apparaître les liens avec la probabilité totale et le théorème de Bayes. La dernière phrase de sa rédaction rappelle toujours la méthode choisie, pour montrer que le résultat est bien relié au contexte.
Erreurs classiques avec la formule de probabilité conditionnelle
Les faux pas autour de la probabilité conditionnelle ne sont pas des preuves d’incompréhension profonde, mais des indices d’où le raisonnement s’est décalé. En les identifiant, on transforme chaque erreur en balise pour les exercices suivants.
Premier piège : confondre P(A|B) et P(B|A). La première est « probabilité de A sous la condition B », la seconde « probabilité de B sous la condition A ». Elles sont rarement égales, sauf cas particuliers liés à l’indépendance. Dans les contextes médicaux (tests de dépistage), cette confusion change complètement le sens d’un résultat.
Deuxième piège : utiliser P(A) comme dénominateur à la place de P(B). La formule impose que le dénominateur représente la probabilité de l’événement condition, donc ici P(B). Dans un tableau d’effectifs, l’oubli du bon total conduit à diviser par le total général au lieu du total de la ligne ou de la colonne B. Troisième piège : confondre P(A ∩ B) et P(A|B). L’intersection décrit un cas précis dans l’univers global, la conditionnelle décrit une proportion dans un univers restreint. La relation P(A ∩ B) = P(B) × P(A|B) sert alors de vérification : si l’une des deux quantités dépasse P(B), quelque chose cloche.
Événements incompatibles et indépendance : deux notions à ne pas mélanger
Deux événements A et B sont dits mutuellement exclusifs (ou incompatibles) lorsqu’ils ne peuvent pas se produire ensemble : A ∩ B = ∅. Dans ce cas, P(A ∩ B) = 0, et par la formule de probabilité conditionnelle, dès que P(B) ≠ 0, on a P(A|B) = 0. Exemple : « obtenir pile » et « obtenir face » sur un seul lancer de pièce sont incompatibles, donc P(face|pile) = 0.
Cette situation ne doit pas être confondue avec l’indépendance. Deux événements A et B sont indépendants lorsque connaître la réalisation de l’un ne modifie pas la probabilité de l’autre, soit P(A|B) = P(A) et P(B|A) = P(B). Dans ce cas, la relation sur l’intersection devient P(A ∩ B) = P(A) × P(B). Deux événements incompatibles, mais chacun de probabilité non nulle, ne peuvent pas être indépendants, puisque leur intersection est nulle alors que le produit P(A) × P(B) serait positif. Cette distinction, souvent négligée, évite des raisonnements contradictoires, notamment lorsqu’une variable aléatoire modélise des cas disjoints.
Liens de la probabilité conditionnelle avec probabilité totale et théorème de Bayes
La probabilité conditionnelle ne vit pas isolée. Elle constitue la brique de base de deux outils structurants du programme : la formule des probabilités totales et le théorème de Bayes. Les trois se lisent très bien sur un arbre ou un tableau et structurent une grande partie des exercices de Terminale et début de prépa.
La probabilité totale intervient lorsque l’événement étudié peut se produire selon plusieurs scénarios exclusifs. Si (H₁, H₂, …, Hₙ) forme un système complet d’événements, la probabilité de B se décompose alors ainsi :
P(B) = Σ P(Hᵢ) × P(B|Hᵢ), somme sur tous les i.
Chaque terme P(Hᵢ) × P(B|Hᵢ) représente l’intersection Hᵢ ∩ B. Dans un problème de recrutement par deux canaux, par exemple, on additionne la probabilité « passer par C₁ puis être retenu » et « passer par C₂ puis être retenu » pour obtenir P(A), la probabilité globale de sélection.
Théorème de Bayes : inverser la condition en toute sécurité
Le théorème de Bayes repose intégralement sur la relation de probabilité conditionnelle. Son rôle est d’« inverser » une condition : passer de P(B|A) à P(A|B), en intégrant les probabilités de base. Formellement, lorsque P(B) ≠ 0 :
P(A|B) = [P(B|A) × P(A)] / P(B) ✅
En utilisant ensuite la probabilité totale pour exprimer P(B), on obtient une formule opérationnelle dans les cas réels : incidence d’une maladie, fiabilité d’un test, contrôle qualité. Dans l’exercice du test positif T pour une caractéristique C rare, les données fournissent P(T|C), P(T|C̅) et P(C). Le calcul de P(C|T) suit alors exactement ce schéma. La variable aléatoire associée au résultat du test se relie à celle qui modélise la présence de la caractéristique par une chaîne de conditionnelles et d’intersections.
En cours comme en concours blancs, les sujets qui mobilisent Bayes ne cherchent pas un nouveau réflexe, mais une maîtrise plus fine de la formule P(A|B) = P(A ∩ B)/P(B). Les élèves qui repèrent ce fil structurel lisent ces exercices comme une réorganisation de l’information, plutôt que comme une formule supplémentaire à mémoriser.
Quelle est exactement la formule de la probabilité conditionnelle ?
La formule de base est P(A|B) = P(A ∩ B) / P(B), avec la condition P(B) ≠ 0. Le numérateur représente l’intersection des deux événements, leur réalisation simultanée, et le dénominateur représente la probabilité de la condition B, c’est-à-dire le nouvel univers dans lequel on travaille.
Comment choisir entre arbre pondéré, tableau et formule brute ?
Tout dépend de la présentation des données. Si l’énoncé décrit une suite d’événements (tirages successifs, choix d’une machine, puis défaut), un arbre pondéré est souvent le plus lisible. Si des effectifs ou des pourcentages sont organisés par catégories, le tableau à double entrée permet de lire directement la proportion P(A|B). Quand l’énoncé donne P(A), P(B) et P(A ∩ B) sans support graphique, la formule brute de probabilité conditionnelle est la plus directe.
En quoi la probabilité conditionnelle est-elle liée à l’indépendance ?
Deux événements A et B sont indépendants si l’information « B est réalisé » ne modifie pas la probabilité de A. Formellement, cela signifie P(A|B) = P(A) et P(B|A) = P(B). Dans ce cas, la probabilité de l’intersection se simplifie en P(A ∩ B) = P(A) × P(B). Ces égalités se vérifient souvent grâce à la formule P(A|B) = P(A ∩ B) / P(B).
Pourquoi le dénominateur de P(A|B) est-il toujours P(B) ?
Parce que B représente la condition, l’univers dans lequel on se place. Calculer P(A|B) revient à mesurer la proportion de cas où A est aussi vrai à l’intérieur de tous les cas où B est réalisé. Cette proportion impose de diviser par la probabilité de B, et non par celle de A ou par 1. Dans un tableau, cela correspond au total de la ligne ou de la colonne B.
Quel est le lien entre probabilité conditionnelle et théorème de Bayes ?
La probabilité conditionnelle fournit la définition de P(A|B) et de P(B|A). Le théorème de Bayes utilise cette définition et la relation P(A ∩ B) = P(A) × P(B|A) = P(B) × P(A|B) pour exprimer P(A|B) en fonction de P(B|A), P(A) et P(B). Il sert notamment à inverser une condition dans les problèmes de tests (fiabilité, diagnostics, contrôle qualité).