Probabilités et théorème de Bayes
Probabilités conjointe et conditionnelle, indépendance et théorème de Bayes avec des exemples réels d’IA.
Probabilités et théorème de Bayes est une leçon Learn AI with Python gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Learn AI with Python, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Learn AI with Python comprend 4 leçons au total.
Notions de base des probabilités
Une probabilité est un nombre compris entre 0 et 1 qui mesure la vraisemblance d’un événement. La probabilité conditionnelle P(A|B) est la probabilité de A sachant que B s’est produit.
Probabilité conditionnelle
P(A|B) = P(A and B) / P(B). Le conditionnement réduit l’espace échantillonnal aux cas où B est vrai.
p_a_and_b = 0.12
p_b = 0.30
print(p_a_and_b / p_b) # P(A | B) = 0.4Théorème de Bayes
Le théorème de Bayes inverse une condition : P(A|B) = P(B|A) * P(A) / P(B). Il transforme une croyance a priori P(A) en croyance a posteriori après l’observation de l’élément probant B.
Nommer les éléments
A priori P(A) : croyance avant l’élément probant. Vraisemblance P(B|A) : mesure dans laquelle A explique l’élément probant. A posteriori P(A|B) : croyance mise à jour. Évidence P(B) : total de normalisation.
Loi des probabilités totales
Le dénominateur P(B) s’obtient en additionnant tous les cas : P(B) = P(B|A)*P(A) + P(B|not A)*P(not A). Cela décompose l’élément probant en parties connues.
p_a = 0.01 # prior
p_b_given_a = 0.99 # likelihood
p_b_given_not_a = 0.05
p_not_a = 1 - p_a
p_b = p_b_given_a * p_a + p_b_given_not_a * p_not_a
print(p_b)Exemple de test médical
Une maladie touche 1 % de la population. Un test a une sensibilité de 99 %, mais un taux de faux positifs de 5 %. Quelle est la probabilité que vous soyez malade GIVEN un test positif ?
posterior = (p_b_given_a * p_a) / p_b
print(round(posterior, 3)) # about 0.167Un résultat surprenant
Malgré un test fiable à 99 %, un résultat positif ne signifie qu’une probabilité de 17 % d’être malade. Le faible taux de base (1 % a priori) domine : c’est l’erreur classique du taux de base.
Indépendance
Deux événements sont independent lorsque P(A|B) = P(A) : observer B ne vous apprend donc rien sur A. Alors P(A and B) = P(A) * P(B).
p_a, p_b = 0.5, 0.5
print(p_a * p_b) # 0.25 if independent (e.g. two fair coins)Le problème de Monty Hall
Trois portes dissimulent une voiture. Vous en choisissez une ; l’animateur en ouvre une autre, derrière laquelle se trouve une chèvre, puis vous propose de changer. De manière contre-intuitive, changer de porte permet de gagner dans 2 cas sur 3.
Simuler Monty Hall
Une simulation confirme les mathématiques. Changer de porte permet de gagner chaque fois que votre premier choix était incorrect, ce qui arrive 2 fois sur 3.
import random
def trial(switch):
car = random.randint(0, 2)
pick = random.randint(0, 2)
if switch:
return pick != car # switching wins if first pick was wrong
return pick == car
wins = sum(trial(True) for _ in range(100000))
print(wins / 100000) # about 0.667Pourquoi changer de porte fonctionne
Votre choix initial est correct dans 1 cas sur 3. La révélation de l’animateur concentre les 2/3 restants sur l’unique porte encore fermée : changer de porte permet donc de récupérer cette probabilité de 2/3.
Vérification rapide
Testez votre raisonnement probabiliste.
Récapitulatif
Les notions essentielles des probabilités :
- Conditionnelle :
P(A|B) = P(A and B)/P(B) - Bayes :
P(A|B) = P(B|A)P(A)/P(B)transforme une probabilité a priori en probabilité a posteriori - La loi des probabilités totales décompose P(B)
- Erreur du taux de base : les situations rares produisent de faibles probabilités a posteriori malgré des tests précis
- Monty Hall : changer de porte permet de gagner dans 2 cas sur 3
Questions Fréquemment Posées
La leçon « Probabilités et théorème de Bayes » est-elle gratuite ?
Oui — le texte complet de « Probabilités et théorème de Bayes » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Learn AI with Python, passe à CoddyKit PRO. Le cours Learn AI with Python comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Probabilités et théorème de Bayes » ?
Probabilités conjointe et conditionnelle, indépendance et théorème de Bayes avec des exemples réels d’IA. Tu pratiques Learn AI with Python avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Learn AI with Python ?
Aucune expérience préalable n'est requise. Learn AI with Python sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Probabilités et théorème de Bayes » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Learn AI with Python ?
Oui. Chaque leçon Learn AI with Python inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Statistiques descriptives et distributions
- Probabilités et théorème de Bayes
- Tests d’hypothèses
- Corrélation et covariance