Probabilité Conditionnelle et Indépendance

La probabilité conditionnelle décrit comment la vraisemblance d'un événement est modifiée lorsqu'un autre événement est connu pour s'être produit, et l'indépendance décrit le cas particulier où la connaissance d'un événement ne nous apprend rien sur un autre. Ces concepts, associés au théorème de Bayes, expliquent comment les preuves actualisent les croyances et sont à la base de l'interprétation des tests diagnostiques en médecine.

Definition

La probabilité conditionnelle de l'événement A étant donné l'événement B est la probabilité que A se produise lorsque B est connu pour s'être produit, définie comme la probabilité que A et B se produisent tous deux, divisée par la probabilité de B ; A et B sont indépendants si la probabilité conditionnelle de A étant donné B est égale à la probabilité inconditionnelle de A.

Scope

Cette entrée aborde la définition de la probabilité conditionnelle, la règle de multiplication, l'indépendance statistique, la loi des probabilités totales et le théorème de Bayes. Elle relie ces concepts à l'évaluation des tests diagnostiques, où la valeur prédictive d'un résultat dépend de la prévalence de la maladie. Il s'agit d'une référence méthodologique, et non d'une directive clinique concernant la prescription ou l'action basée sur des tests spécifiques.

Core questions

• Comment la connaissance d'un événement modifie-t-elle la probabilité d'un autre ?
• Quand deux événements sont-ils indépendants, et qu'est-ce que cela implique ?
• Comment le théorème de Bayes inverse-t-il une probabilité conditionnelle ?
• Pourquoi un résultat de test positif a-t-il des significations différentes selon les prévalences ?

Key concepts

• Probabilité conditionnelle
• Règle de multiplication
• Indépendance statistique
• Loi des probabilités totales
• Théorème de Bayes
• Probabilité a priori et a posteriori
• Prévalence et valeur prédictive
• Sensibilité et spécificité

Mechanisms

Le conditionnement sur un événement restreint l'attention aux résultats qui lui sont cohérents, ainsi la probabilité conditionnelle de A étant donné B rééchelonne la probabilité conjointe de A et B par la probabilité de B. Deux événements sont indépendants lorsque ce conditionnement ne modifie pas la probabilité, ce qui équivaut à ce que leur probabilité conjointe se factorise en le produit des probabilités marginales. La loi des probabilités totales construit la probabilité d'un événement à partir de ses probabilités conditionnelles sur une partition de l'espace des échantillons, et le théorème de Bayes inverse une probabilité conditionnelle, exprimant la probabilité d'une cause étant donné un effet observé en termes de la probabilité conditionnelle inverse et de la probabilité a priori. Dans les tests diagnostiques, c'est pourquoi la probabilité qu'un patient ayant un résultat positif soit réellement atteint de la maladie (la valeur prédictive) dépend non seulement de la sensibilité et de la spécificité du test, mais aussi de la prévalence a priori.

Clinical relevance

La probabilité conditionnelle et le théorème de Bayes décrivent comment un résultat de test révise la probabilité de maladie, ce qui explique pourquoi des tests identiques produisent des valeurs prédictives différentes dans des contextes de forte et de faible prévalence. Cette entrée explique ce raisonnement en tant que méthodologie et ne constitue pas une directive pour la prise en charge d'un patient individuel.

History

L'idée d'actualiser les probabilités à la lumière des preuves est associée à Thomas Bayes, dont l'essai fut communiqué à titre posthume par Richard Price en 1763, et fut généralisée par Laplace. Le théorème de Bayes qui en a résulté est devenu central en statistique et, au XXe siècle, dans l'évaluation formelle des tests diagnostiques, où il relie la sensibilité, la spécificité et la prévalence à la valeur prédictive.

Key figures

• Thomas Bayes
• Richard Price
• Pierre-Simon Laplace

Seminal works

• bayes-1763
• altman-bland-1994-diagnostic
• ross-2014

Frequently asked questions

Quelle est la différence entre la probabilité conditionnelle et la probabilité conjointe ?

La probabilité conjointe est la probabilité que deux événements se produisent simultanément, tandis que la probabilité conditionnelle est la probabilité qu'un événement se produise étant donné que l'autre s'est déjà produit ; la probabilité conditionnelle est égale à la probabilité conjointe divisée par la probabilité de l'événement conditionnant.

Pourquoi un test diagnostique positif peut-il néanmoins signifier que la maladie est peu probable ?

Selon le théorème de Bayes, la probabilité de maladie après un résultat positif dépend de la prévalence ; lorsqu'une maladie est rare, même un test précis produit de nombreux faux positifs par rapport aux vrais positifs, de sorte que la valeur prédictive d'un résultat positif peut être faible.