Comment passer de « quelle est la probabilité que A se produise ? » à « quelle est la probabilité de A sachant B » sans tout mélanger ? Le cœur de la réponse tient en une fraction : on ne regarde plus tout l’univers, mais seulement la partie où l’événement B est réalisé, puis on mesure, à l’intérieur de ce sous-ensemble, la place occupée par l’événement A. Cette idée de conditionnement est la clé de la probabilité conditionnelle, du théorème de Bayes et de la loi des probabilités totales, piliers du programme de Première et Terminale, mais aussi de nombreux modèles en sciences et en économie.
Dans un contrôle, le blocage revient souvent au même endroit : l’énoncé prononce « sachant que… », l’élève calcule une probabilité conjointe au lieu de la bonne conditionnelle, ou inverse mal les rôles de A et B. Une méthode rigoureuse consiste alors à comparer les représentations possibles (tableau, arbre, diagramme) et à choisir celle qui rend visibles les intersections et les conditionnements. Une fois ce choix posé, la formule P(A∩B) = P(B) × P(A|B) devient un simple reflet du dessin, et non une règle à réciter. L’objectif ici est donc double : clarifier ce que signifie vraiment « sachant B », et montrer, étape après étape, comment l’utiliser pour raisonner sur des situations concrètes, des résultats d’un test médical à la probabilité de gagner un jeu en plusieurs manches.
- 🧠 Point de départ : la probabilité de A sachant B, notée P(A|B), mesure la chance que A se produise quand on sait déjà que B est réalisé.
- 📊 Outils visuels : tableaux à double entrée et arbres pondérés clarifient la différence entre probabilité conjointe et probabilité conditionnelle.
- 🔁 Formules clés : lien entre P(A|B), loi des probabilités totales et théorème de Bayes pour « remonter de l’effet à la cause ».
- ⚖️ Indépendance : lorsqu’elle est vérifiée, les conditionnelles se simplifient et P(A|B) = P(A).
- 📈 Aller plus loin : lien avec l’espérance conditionnelle pour évaluer un gain moyen « sachant B » dans un jeu ou une décision.
Probabilité de A sachant B : définition et première lecture
La probabilité de A sachant B, notée P(A|B), se définit par la relation centrale suivante, lorsque P(B) > 0 :
P(A|B) = P(A ∩ B) / P(B).
La décision clé consiste à comprendre que l’on ne regarde plus tout l’univers, mais seulement la partie où l’événement B est vrai. Dans ce nouveau cadre réduit, la probabilité de A devient « la part de B occupée par A∩B ». On passe donc d’une vision globale à une vision « zoomée » sur B.
Hypothèse fictive, mais classique : un lycée compte 40 % de sportifs licenciés (événement S) et 30 % d’élèves portant des lunettes (événement L). Supposons que 15 % des élèves soient à la fois sportifs et porteurs de lunettes, ce qui correspond à P(S ∩ L) = 0,15. La probabilité d’être sportif en sachant que l’élève porte des lunettes vaut alors :
P(S|L) = P(S ∩ L) / P(L) = 0,15 / 0,30 = 0,5.
Interprétation : parmi les seuls élèves qui portent des lunettes, un sur deux est licencié en club. La formule n’est donc pas un objet abstrait, mais la traduction fidèle de cette phrase.
Comparer les représentations de la probabilité conditionnelle P(A|B)
Pour maîtriser la probabilité conditionnelle, le choix de la représentation joue un rôle décisif. Selon l’énoncé, tableau ou arbre rendent plus lisible la relation entre événement A, événement B, et leur intersection.
| 🧭 Outil | 📘 Situation typique | 💡 Atout principal |
|---|---|---|
| Tableau à double entrée | Deux critères discrets (genre / pratique sportive, résultat du test / maladie…) | Lecture directe de P(A), P(B), P(A ∩ B), donc de P(A|B) |
| Arbre pondéré | Expériences en plusieurs étapes (tirages successifs, choix puis test…) | Visualisation des branches conditionnelles P(A|B), calcul de P(A ∩ B) par produit |
| Diagramme de Venn | Cours ou révision des notions d’intersection, union, complément | Vision géométrique des zones A, B et A ∩ B, utile pour l’intuition |
Le réflexe efficace consiste à se demander : « Faut‑il représenter des étapes successives ou croiser deux critères en une seule étape ? ». Un arbre clarifie les enchaînements, un tableau structure les répartitions. Ce choix précoce évite nombre d’erreurs de signe ou de conditionnement oublié.
Lire P(A|B) dans un tableau à double entrée
Imaginons une répartition fictive d’élèves selon le genre et le fait d’être gaucher ou droitier, similaire à un exercice de Première :
- 👦 91 garçons, dont 12 gauchers et 79 droitiers,
- 👧 85 filles, dont 10 gauchères et 75 droitières.
On note F : « l’élève est une fille » et D : « l’élève est droitier ». L’ensemble compte 176 élèves. La probabilité conjointe P(F ∩ D) correspond à la case « filles droitières », soit 75 élèves sur 176. La probabilité conditionnelle P(D|F), elle, se lit dans la ligne des filles seulement :
P(D|F) = nombre de filles droitières / nombre total de filles = 75 / 85.
Le passage de P(F ∩ D) à P(D|F) repose donc sur la même information, mais avec deux univers différents : tout le lycée pour la conjointe, la seule ligne « filles » pour la conditionnelle.
Lire P(A|B) dans un arbre de probabilité
Considérons un sac contenant 10 jetons, dont 7 blancs et 3 noirs. Samuel tire un jeton, ne le remet pas, puis Rose tire à son tour. On note S : « le jeton de Samuel est blanc », R : « le jeton de Rose est blanc ». L’arbre pondéré se découpe naturellement en deux premières branches : S (probabilité 7/10) et non S (3/10).
Sur la branche S, il reste 6 jetons blancs sur 9, donc P(R|S) = 6/9. Sur la branche contraire, il reste 7 blancs sur 9, donc P(R|¬S) = 7/9. Dans cet arbre, les nombres posés sur la seconde rangée de branches sont précisément des probabilités conditionnelles.
La probabilité conjointe que Samuel et Rose tirent tous les deux un jeton blanc vaut alors :
P(S ∩ R) = P(S) × P(R|S) = (7/10) × (6/9).
L’arbre rappelle donc visuellement que la conditionnelle s’inscrit à la suite de la branche qui fixe déjà B, tandis que la conjointe se lit comme la probabilité d’un chemin complet.
Formule générale de la probabilité de A sachant B
La formule P(A|B) = P(A ∩ B) / P(B) se relie immédiatement à la probabilité conjointe grâce à :
P(A ∩ B) = P(B) × P(A|B) et de façon symétrique P(A ∩ B) = P(A) × P(B|A).
Pour décider laquelle utiliser, la question utile est : « Connaît‑on déjà P(A|B) ou plutôt P(B|A) dans l’énoncé ? ». Un schéma ou un tableau évite de confondre ces deux quantités pourtant très différentes.
Exemple numérique comparatif
Un hypermarché fictif compte 75 % de clientes (événement F) et 25 % de clients hommes. Une femme sur cinq achète un article de bricolage (événement B) et sept hommes sur dix font de même. Les probabilités conditionnelles sont donc :
- 🛠️ P(B|F) = 0,2 (femme sachant achat au rayon bricolage),
- 🛠️ P(B|H) = 0,7 (homme sachant achat au rayon bricolage).
La probabilité conjointe d’être une femme qui achète du bricolage vaut alors :
P(F ∩ B) = P(F) × P(B|F) = 0,75 × 0,2 = 0,15.
Ici, la formule se contente de traduire l’enchaînement « être une femme » puis « acheter du bricolage ». L’erreur fréquente de certains élèves consiste à inverser et à croire que P(F|B) serait pareil que P(B|F), alors qu’il s’agit de questions différentes.
Indépendance et probabilité de A sachant B
Lorsque deux événements sont indépendants, la connaissance de B ne modifie pas la probabilité de A. Dans ce cas, la probabilité de A sachant B retrouve sa valeur initiale :
Si A et B sont indépendants, alors P(A|B) = P(A) dès que P(B) > 0.
La définition formelle d’indépendance est :
A et B indépendants ⇔ P(A ∩ B) = P(A) × P(B).
Cette relation, injectée dans la définition de P(A|B), donne immédiatement P(A|B) = P(A ∩ B) / P(B) = P(A). L’indépendance apparaît donc comme le cas où conditionner par B n’a aucun effet.
Exemple d’indépendance avec pièce et dé
On lance une pièce équilibrée, puis un dé équilibré. On pose :
- 🎲 A : « obtenir 6 au dé »,
- 🪙 B : « obtenir Pile à la pièce ».
Les deux expériences sont clairement indépendantes. On a P(A) = 1/6, P(B) = 1/2, et la probabilité conjointe vaut :
P(A ∩ B) = (1/6) × (1/2) = 1/12.
La probabilité de A sachant B vaut alors :
P(A|B) = P(A ∩ B) / P(B) = (1/12) / (1/2) = 1/6 = P(A).
La vérification numérique confirme l’intuition : savoir que la pièce affiche Pile ne donne aucune information nouvelle sur le dé. Ce type de contrôle est précieux pour repérer une situation vraiment indépendante, et ne pas utiliser ce mot à tort.
Probabilité de A sachant B, loi des probabilités totales et Bayes
Dès que l’univers se décompose en plusieurs scénarios exclusifs B₁, B₂, …, Bₙ, la loi des probabilités totales fournit une stratégie puissante. Pour un événement A quelconque, on a :
P(A) = Σ P(Bᵢ) × P(A|Bᵢ), la somme portant sur tous les scénarios Bᵢ.
Cette formule combine donc plusieurs probabilités de A sachant Bᵢ. Elle est particulièrement utile pour modéliser des tests, des tirages d’urnes différentes, ou des populations constituées de sous‑groupes.
Illustration avec un médicament et un placebo
Supposons un essai médical fictif : des patients reçoivent soit un médicament M, soit un placebo, puis on observe la guérison G. On connaît par exemple :
- 💊 P(M) : proportion de patients traités,
- 💊 P(G|M) : probabilité d’être guéri sachant qu’on a reçu le médicament,
- 💊 P(G|¬M) : probabilité d’être guéri sachant qu’on a reçu le placebo.
La loi des probabilités totales donne alors :
P(G) = P(M) × P(G|M) + P(¬M) × P(G|¬M).
On obtient ainsi la probabilité globale de guérison, en tenant compte de tous les scénarios. Cette étape précède souvent l’application du théorème de Bayes, qui permet ensuite d’inverser la condition.
Théorème de Bayes : inverser la probabilité de A sachant B
Le théorème de Bayes répond à une question cruciale : comment calculer P(B|A), par exemple « probabilité d’être malade sachant que le test est positif », lorsque l’on connaît plutôt P(A|B), le comportement du test sur un malade ? La formule générale est :
P(B|A) = [P(B) × P(A|B)] / P(A), avec P(A) > 0.
Ici, l’événement B représente typiquement la « cause » (avoir la maladie, appartenir à un groupe), et A l’« observation » (test positif, symptôme, couleur tirée). Le numérateur est une probabilité conjointe P(A ∩ B), et le dénominateur s’obtient souvent grâce à la loi des probabilités totales.
Cette inversion conditionnelle repose donc sur deux briques déjà rencontrées : probabilité de A sachant B et décomposition en scénarios. La difficulté n’est pas dans la formule, mais dans le repérage précis des rôles de A et B dans l’énoncé.
Espérance conditionnelle : moyenne « sachant B »
L’espérance conditionnelle prolonge l’idée de probabilité conditionnelle au niveau des moyennes. Pour une variable aléatoire X et un événement B de probabilité non nulle, on définit :
E(X|B) = somme des x × P(X = x | B), la somme portant sur toutes les valeurs possibles de X.
On calcule donc l’espérance de X en remplaçant la loi P(X = x) par la loi conditionnelle P(X = x | B). Cette notion intervient dans les jeux où le gain dépend d’une information déjà révélée, ou dans la finance, lorsqu’on évalue un risque « sachant » un état du marché.
Exemple de gain moyen conditionnel
Supposons un jeu de cartes simplifié : si l’on tire un roi, on gagne 10 €, sinon 0 €. On note X le gain. Sans condition, l’espérance vaut E(X) = 10 × P(roi). Si maintenant on sait que la carte est rouge (événement R), l’espérance conditionnelle devient :
E(X|R) = 10 × P(roi|R), car X ne peut prendre que 0 ou 10. La seule probabilité à ajuster est donc celle de tirer un roi en sachant que la carte est rouge.
On retrouve ainsi la même logique que pour les événements : on restreint notre attention à la partie de l’univers où B est réalisé, puis on calcule la moyenne dans ce nouveau cadre. L’espérance conditionnelle n’est donc qu’un prolongement naturel de la probabilité de A sachant B.
Erreurs fréquentes sur la probabilité de A sachant B
Les difficultés rencontrées en contrôle révèlent souvent le même type de confusion. Les repérer à l’avance est un excellent moyen de sécuriser ses raisonnements.
Confondre probabilité conjointe et conditionnelle
L’erreur la plus répandue consiste à écrire P(A|B) à la place de P(A ∩ B), ou l’inverse. Dans un exercice, un élève hypothétique, Hugo, pourrait par exemple calculer « probabilité qu’un client soit en libre‑service et prenne du gazole » en utilisant directement P(G|L), alors que l’énoncé lui demande la probabilité conjointe.
Le diagnostic est simple : une probabilité conjointe répond à la question « A et B sont réalisés », tandis qu’une probabilité conditionnelle répond à « A est réalisé sachant que B l’est déjà ». Le mot « sachant » doit donc déclencher automatiquement le réflexe conditionnel.
Inverser P(A|B) et P(B|A)
Autre confusion classique : croire que « probabilité d’être malade sachant que le test est positif » serait égale à « probabilité que le test soit positif sachant que la personne est malade ». Le théorème de Bayes montre précisément que ces deux valeurs sont liées, mais rarement identiques.
Pour éviter cet échange malheureux, une astuce consiste à toujours écrire la signification en français avant la formule. Tant que la phrase correspond à ce que l’on veut vraiment calculer, il sera plus difficile d’inverser les rôles de A et B sans s’en apercevoir.
Oublier de vérifier l’ordre de grandeur
Un contrôle rapide consiste à vérifier que tout résultat de probabilité reste compris entre 0 et 1, et que, pour une ligne ou une colonne de tableau, la somme des probabilités vaut bien 1. Si P(A|B) dépasse 1, c’est le signe immédiat d’une division inversée ou d’un comptage erroné.
De même, dans un arbre pondéré, les probabilités qui sortent d’un même nœud doivent s’additionner à 1. Ce contrôle simple mais systématique transforme une erreur de calcul en outil de diagnostic utile.
Repères à emporter sur la probabilité de A sachant B
Pour fixer les idées, il est utile de résumer les liens entre les différentes notions abordées autour de la probabilité conditionnelle. Le schéma mental suivant peut servir de guide lors d’un prochain exercice :
- 🎯 Dès que l’énoncé dit « sachant que B », penser P(A|B) et non P(A ∩ B).
- 🌿 Tableau si l’on croise deux critères, arbre si l’on enchaîne des étapes successives.
- 🔗 P(A ∩ B) = P(B) × P(A|B) ou P(A ∩ B) = P(A) × P(B|A) pour relier conjointe et conditionnelle.
- ⚙️ Loi des probabilités totales pour reconstituer P(A) à partir des probabilités de A sachant Bᵢ.
- 🔍 Théorème de Bayes pour inverser le conditionnement et passer de P(A|B) à P(B|A).
- 📉 Indépendance lorsque P(A|B) retrouve P(A), ce qui simplifie fortement les calculs.
À chaque nouveau problème, ces repères invitent à reconnaître la situation, choisir une représentation adaptée, puis contrôler l’ordre de grandeur du résultat. La question n’est plus « quelle formule retenir ? », mais « dans quel cadre se situent A et B, et comment se parlent‑ils ? ».
Quelle est la différence entre probabilité conjointe et probabilité de A sachant B ?
La probabilité conjointe P(A ∩ B) mesure la chance que les événements A et B se produisent simultanément. La probabilité conditionnelle P(A|B) mesure la probabilité que A se produise en sachant que B est déjà réalisé. Formellement, P(A|B) = P(A ∩ B) / P(B) lorsque P(B) > 0. Les deux notions sont liées, mais répondent à des questions différentes : « A et B » pour la conjointe, « A sachant B » pour la conditionnelle.
Comment reconnaître qu’un énoncé demande une probabilité de A sachant B ?
Le signe le plus clair est la présence de l’expression « sachant que » dans la phrase : par exemple « probabilité qu’un élève soit sportif sachant qu’il porte des lunettes ». On peut aussi rencontrer « parmi ceux qui… », « sous l’hypothèse que… », ou « conditionnellement à… ». Dans tous ces cas, on cherche P(A|B), c’est-à-dire une probabilité calculée dans un univers déjà restreint à B.
Quel lien entre probabilité conditionnelle et indépendance ?
Deux événements A et B sont indépendants lorsque connaître la réalisation de B ne modifie pas la probabilité de A, ce qui se traduit par P(A|B) = P(A) pour P(B) > 0. Cette propriété est équivalente à P(A ∩ B) = P(A) × P(B). Lorsque cette relation n’est pas vérifiée, la probabilité de A sachant B est différente de P(A), ce qui indique une dépendance entre les événements.
À quoi sert le théorème de Bayes dans les exercices de lycée ?
Le théorème de Bayes sert à calculer P(B|A) à partir de P(A|B), de P(B) et de P(A). Il est particulièrement utilisé dans les contextes de tests (médicaux, techniques) ou de détection : à partir des performances du test chez les personnes ayant ou non une caractéristique, on détermine la probabilité d’avoir cette caractéristique lorsqu’on connaît le résultat du test. Au lycée, il est souvent mis en œuvre via des arbres pondérés et la loi des probabilités totales.
Quand faut-il utiliser un tableau plutôt qu’un arbre pour calculer P(A|B) ?
Un tableau à double entrée est adapté lorsque l’expérience se décrit par deux critères pris en une seule étape (par exemple sexe / pratique sportive, type de pompe / type de carburant). Il permet de lire directement P(A), P(B), P(A ∩ B) et donc P(A|B). Un arbre pondéré convient mieux à des situations en plusieurs étapes successives (tirages successifs, choix puis résultat d’un test). Les deux méthodes peuvent donner le même résultat, mais choisir celle qui rend la structure de l’énoncé la plus lisible limite fortement les erreurs de conditionnement.