UE 4 :

Bio-statistiques

PASS
Responsables Hitti-Cuggia
 Le programme

• Rappels (Mr Hitti) 3h CM

• Probabilités (Mr Hitti) 3h CM + 1h EDg
• Statistiques descriptives (Mr Cuggia) 2h CM + 1h EDa
• Variables aléatoires (Mr Hitti) 2h CM + 1h EDa
• Lois (Mr Hitti) : 3h CM + 1h EDg
• Estimations (Mr Hitti) : 2h CM + 1h EDa
• Les tests (Mr Cuggia) : 7h CM + 2h EDg
• La corrélation (Mr Cuggia) : 3h CM + 1h Edg
• Épidémiologie (Mr Cugia) : 2h CM

EDg : Etudes Dirigés en petit groupes EDa : Etudes Dirigés en amphi

 Le plan

Rappels
1. Analyse Combinatoire
a. Arrangements
b. Permutations
c. Combinaisons
2. Probabilités
a. Notion d’événements
b. Propriétés des événements
c. Calcul des probabilités
d. Propriétés des probabilités
e. Probabilité conditionnelle
f. Probabilités composées
g. Bayes
 Rappels

a. Dérivées
b. Dérivées partielles : calcul d’erreur
c. Intégrales
 Rappels
a –Dérivées : exemple
h2  h1 h 24cm
v    2,4cm/s  2,4cm.s 1
t 2  t1 t 10s
h
h2
h = a.t + b
h at 2  b   at1  b 

t t 2  t1
at 2  t1 
 a
t 2  t1
h1

t h
t1 t2
 Rappels
a -Dérivées
h1  h0 h2  h1 h
v1   v2  
t1  t0 t 2  t1 t
h

h2

h1 dh
dt
h t
0 t0 t1 t2 t3
 Rappels
a –Dérivées : définition
Une fonction f est dite dérivable en un point x0 si
f ( x0  d )  f ( x0 ) existe
lim
d 0 d
cette limite s’appelle dérivée de f en x0 et est notée
f ’(x0)

Si f est un fonction de u qui est elle-même un

fonction de x , f ( u(x) ) alors :
df df du
 f ' x  f 'u u ' x 
dx du d x
 Rappels
a –Dérivées : notation
df
f '  f ' ( x) 
dx
Bientôt les radars tronçons calculeront la vitesse moyenne

Vitesse moyenne (radars tronçons) et vitesse instantanée (radars classiques)

 Rappels
a –Dérivées : Propriétés
• C’= 0 avec C une constante
• (Cf )’ = C f ’
• (f + g)’ = f ’ + g’

• (f .g)’ = f ’.g + f .g’

• (f m)’ = m.f ’ . f m−1

 Rappels
a –Dérivées : Propriétés
•  f  f . g  f . g 
   si g  0
g g²

• (f ◦ g)’(x) = g’(x) f ’(g(x))

⇒ (sin(f(x)))’ = f ’(x) cos(f(x));
⇒ (cos(f(x)))’ = −f ’(x) sin(f(x));
 Rappels
a –Dérivées usuelles
(ln(f(x))))’ = f ’(x)/f (x);
(exp(f(x)))’ = f ’(x) exp(f (x));
f ' ( x)
(tan( f ( x)))'  f ' ( x)(1  tan ²( f ( x))) 
cos ²( f ( x))
 f ' ( x)
(arccos( f ( x)))' 
1  f ( x)²
f ' ( x)
(arcsin( f ( x)))' 
1  f ( x)²
f ' ( x)
(arctan( f ( x)))' 
1  f ( x)²
 Rappels
a –Dérivées : études de fonction
• Calcul de f ’
– f ‘ >0  f ↗ et si f ‘ <0  f ↘
– f ’ = 0 et change de signe alors extremum
f’=0
f ‘ <0
f ‘ >0 f ‘ <0

f’=0
 Rappels
a –Dérivées : études de fonction
• Calcul de f ’’ la dérivée seconde : d    df
2
 dx  d f
f ' '  f ' ' ( x)   2
– f ’’<0  concavité vers le bas dx dx
– f ’’>0  concavité vers le haut
– f ’’ = 0 et change de signe alors point inflexion

f’=0
f ‘’ <0
f ‘’ >0
 Rappels
a –Dérivées : fonction de n variables
Une application, définie sur un sous-ensemble
ℝn et prenant des valeurs dans ℝ, est appelée
fonction a n variables
f : ℝn → ℝ
f (x1,x2,…xn)  ℝ  x = (x1,x2,…xn)  ℝ
Exemple :
N RT
P( N ,V , T ) 
V
avec R constante et non variable
 Rappels
b –Dérivées partielles
La dérivée partielle au point (x1,x2,…xn) est
obtenu en fixant toute les variables sauf xk
à des constantes (x1,x2,…xn), notée :
f
( x1 , x2 ,..., xn )
xk
Exemple : f RT
( N ,V , T ) 
N V
f NRT
( N ,V , T )  
V V²
 Rappels
b –Calcul d’erreur
• X la valeur mesurée et x la valeur réelle
• Erreur absolue : ΔX
• Erreur relative : ΔX / X
• Calcul d’erreur :
– soit X=f(A,B,C,…)
– et ΔA, ΔB, ΔC,… les erreurs directes

f f f
X  A B C ...
A B C
 Rappels
b–Calcul d’erreur : exemple 1

X1 = 4 cm
X2 = 3 cm
X3 = 5 cm
X1 = X2 = X3 = 1 mm 1 2 3 4 5

V=X1.X2.X3 = 60 cm3

V = X2.X3.X1+X1.X3.X2+X1.X2.X3
= 3.5.10-1 + 4.5.10-1 + 4.3.10-1 = 4,7 cm3
 Rappels
a –Calcul d’erreur : chiffre significatif
– L’erreur est exprimée avec 1 ou 2 chiffres
significatifs (c.s.).
– Le dernier chiffre exprimé est celui sur lequel
se porte l’erreur
– L = 1,35m et ΔL = 0.05m => L=(135 ± 5) cm
 Rappels
c –Intégrales : principe
• L’aire est une valeur algébrique qui peut
être positive ou négative
f

+ +
a - b x
 Rappels
c –Intégrales : méthodes des rectangles
f
f (a1 )(a2  a1 )

Erreur d’estimation

x
a=a0 a1 a2 b=an
b n n

 f ( x)dx   f (ai 1 )(ai  ai 1 )  h f (ai 1 )

i 1
   i 1
a h
 Rappels
c –Intégrales : méthodes des trapèzes
f f (a1 )  f ( a2 )
(a2  a1 )
2

x
a=a0 a1 a2 b=an

b n
f (ai 1 )  f (ai ) h n
 f ( x)dx  
a i 1 2
(ai  ai 1 )   f (ai 1 )  f (ai )
2 i 1
 Rappels
c -Intégrales
• Primitive : soit f une fonction définie sur un
intervalle I, on appelle primitive de f toute
fonction F dérivable sur I telle que
dF ( x)
F ' ( x)   f ( x)
dx
d dF ( x)
or F ( x)  cte    f ( x)
dx dx
Il existe donc un ensemble infini de primitive de f à
une constante près.
De plus :
f ( x)dx   F ( x)dx F ( x) ba  F (b)  F (a )
b b
a a
 Rappels
c –Intégrales : propriétés
• Soient a, b et c des réels, F et G les primitives de f et g
b a

 f ( x)dx   f ( x)dx
a b

  f ( x ) dx   F ( x )
 af ( x)  g ( x)dx   F ( x)   G( x)
c b c

 f ( x)dx   f ( x)dx   f ( x)dx

a a b
b
f ( x)  0 x  a, b   f ( x)dx  0
a
b b
f ( x)  g ( x) x  a, b   f ( x)dx   g ( x)dx
a a
 Rappels
c –Intégrales : propriétés

f(x) Si f fonction pair : f (x)=f (-x)

a 0 a

a
f ( x)dx   f ( x)dx   f ( x)dx
a 0
a
-a 0 a x
 2  f ( x)dx
0

f(x) Si f fonction impaire : f (x) = -f (-x)

a 0 a
+
a  a
f ( x)dx   f ( x)dx   f ( x)dx
a 0
x
-a - 0
0
 Rappels
c –Intégrales : primitives usuelles
f F Intervalle

k k.x+c ℝ

x x²/2+c ℝ

x n 1 ℝ si n>0
xn c
n 1 ]- ∞;0 [ou]0;+∞[ si n<0
1
x 2 x c ]0;+∞[
1 1 ]- ∞;0 [ou
 c
x² x ]0;+∞[
 Rappels
c –Intégrales : primitives usuelles
f F Intervalle
cos x sin x + c ℝ
sin x -cos x + c ℝ
1+tan² x=1/cos²x tan x + c
1
cos (wt +j) sin wt  j   c ℝ
w
1
ln x + c ]0;+∞[
x
1 ax
e a.x e ℝ
a
 Rappels
c –Intégrales : exemple
 Rappels
b –Intégrales : intégration par parties
b b

 u (t )v' (t )dt  u (t )v(t )   u ' (t )v(t )dt

b
a
a a
Exemple

 x ln xdx  ?
du 1
u  ln x  u'  
dx x
dv x²
v'   x v
dx 2
x² 1 x² x²
 x ln xdx  2 ln x  2  xdx  2 ln x  4  cte
 Rappels
b –Intégrales : par chgt de variable
Posons x = j(u) alors dx = j’(u) du

 f x dx   
f j u j ' u dx   g u du

  
g(u)

Ou ∫g(u)du est plus facile à calculer

Ne pas oublier les bornes de l’intégrale :

b 
a
f ( x)dx   g (u )du


avec a = j() et b = j()

 1-Analyse combinatoire
ou comment compter les objets ?

a. Arrangements
b. Permutations
c. Combinaisons

•L’analyse combinatoire est une branche des

mathématiques qui étudie comment compter les objets.
•Elle fournit des méthodes de dénombrements
particulièrement utiles en théorie des probabilités.
•Les probabilités dites combinatoires utilisent constamment
les formules de l’analyse combinatoire développées dans ce
chapitre.
 1-Analyse combinatoire
a -Arrangements : Exemple
1. Une séquence d’ADN est constituée d’un enchaînement de 4
nucléotides [A (Adénine), C (Cytosine), G (Guanine) et T
(Thymine)].
Il existe différents arrangements possibles de deux nucléotides ou
dinucléotides avec p=2 et n=4.

2. Le nombre de mots de 5 lettres (avec ou sans signification) formés

avec les 26 lettres de l’alphabet correspond au nombre
d’arrangements possibles avec p=5 et n=26.
3. Le tiercé dans l’ordre lors d’une course de 20 chevaux constitue un
des arrangements possibles avec p=3 et n=20.
4. Un sac contient 4 boules numérotés de 1 à 4, on tire 1 première
fois, puis on remet la boule puis on retire une 2ème fois.
 1-Analyse combinatoire
a -Arrangements : définition
Etant donné un ensemble E de n objets, on appelle
arrangements de p objets toutes suites ordonnées de p
objets pris parmi les n objets.
Le nombre d’arrangements de p objets pris parmi n est
p p
noté : Ln avec répétition et An sans répétition

Remarque : On a nécessairement 1 ≤ p ≤ n

Deux arrangements de p objets sont donc distincts s’ils

diffèrent par la nature des objets qui les composent ou par
leur ordre dans la suite.
 1-Analyse combinatoire
a -Arrangements : avec répétitions
Lorsqu’un objet peut être observé plusieurs fois
dans un arrangement, on parle également de
tirage avec remise :

L n
p
n
p

En effet L  n  n  n  ...  n  n
p
n
p

n possibilités
n possibilités n possibilités
au 1er tirage
au 2ème tirage au pème tirage
 1-Analyse combinatoire
a -Arrangements : avec répétitions
Exemple : Une séquence d’ADN est constituée
d’un enchaînement de 4 nucléotides
AA AC AG AT
CA CC CG CT
GA GC GG GT
TA TC TG TT
Il y a 4 possibilités pour le 1er nucléotide et à
nouveau 4 possibilités pour le 2ème
=> 4*4 = 4² = 16
 1-Analyse combinatoire
a -Arrangements : sans répétitions
ou sans remise :
A  n(n  1)...(n  p  1) si 1  p  n
n
p

n possibilités
n -1 possibilités n – p+1 possibilités
au 1er tirage
au 2ème tirage au pème tirage
Or

n! n(n  1)...(n  p  1)(n  p )(n  p  1)...3  2  1

d’où Anp (n  p )!
n!
A 
p
n
n  p !
 1-Analyse combinatoire
a -Arrangements : sans répétitions
Exemple : tirage sans remise de 2 boules dans un
sac de 4 boules numérotées de 1 à 4
1-1 1-2 1-3 1-4
2-1 2-2 2-3 2-4
3-1 3-2 3-3 3-4
4-1 4-2 4-3 4-4
Il y a 4 possibilités pour la 1ère boule mais plus
que 3 possibilités pour la 2ème
=> 4*3 = n x (n-1) = 12
 1-Analyse combinatoire
a -Arrangements : sans répétitions
Exemple :
• Concernant l’exemple de la séquence d’ADN, le nombre
de dinucléotides attendu dans une séquence si l’on fait
l’hypothèse qu’une base n’est observée qu’une seule
fois est donc :
4! 4.3.2.1
A42    4.3  12
4  2! 2.1
AA AC AG AT CA CC CG CT
GA GC GG GT TA TC TG TT
 1-Analyse combinatoire
a -Arrangements : sans répétitions
Exemple 2 :
• Dans le cas du nombre de tiercés dans l’ordre possible
avec 20 chevaux au départ (sans ex-aequo):

20 !
A  20.19.18 
3
 6840
20
20  3!
• Et le quinté ?

• Et dans le désordre ?
 1-Analyse combinatoire
b -Permutations : sans répétition
Etant donné un ensemble E de n objets, on appelle
permutations de n objets distincts toutes suites
ordonnées de n objets ou tout arrangement n à n de ces
objets.
Le nombre de permutations de n objets est noté :
Pn = n !

Exemple :
Le nombre de manières de placer 8 convives autour d’une
table est :

P8 = 8! = 40 320 possibilités
 1-Analyse combinatoire
b -Permutations : avec répétition
Dans le cas où il existerait plusieurs répétitions k d’un
même objet parmi les n objets, le nombre de
permutations possibles des n objets doit être rapporté
aux nombres de permutations des k objets identiques.
Le nombre de permutations de n objets est alors :
n!
Pn 
k!
De même si on a k1 répétitions d’un 1er objet, k2 répétitions
d’un 2ème objet, …, kr répétition d’u rème objet

n!
Pn 
k1 !k 2 !...k r !
 1-Analyse combinatoire
b -Permutations : avec répétition
• Exemple 1 : nombre de permutations de : a a b

• Exemple 2 : calculer le nombre de façon de ranger 5

tubes sur un portoir à 5 places si on a 3 tubes avec des
bouchons rouges et 2 avec des bouchons verts

• Exemple 3 : Considérons le mot « CELLULE ». Quel est

le nombre de mots possibles (avec ou sans signification)
que l’on peut écrire en permutant ces 7 lettres
 1-Analyse combinatoire
c -Combinaisons : sans répétition
• Etant donné un ensemble E de n objets, on appelle
combinaisons de p objets tout ensemble de p objets
pris parmi les n objets sans remise.
• Le nombre de combinaisons de p objets pris parmi n est
noté :

n ! A p
n 
Cn 
p
 n
  
p !n  p ! p !  p 

• Reprenons l’exemple du tiercé

Nombre de
permutations d’un
arrangement donné
 1-Analyse combinatoire
c -Combinaisons : sans répétition
Exemple 1
Dans le cadre de l’exemple de la séquence d’ADN
2
4! A
C 
2
 64
2!4  2! 2!
4

Les 6 dinucléotides possibles sont :

AC AG AT CG CT GT
CA GA TA GC TC TG

Exemple 2
Quel est le nombre attendu de mains au poker ?
 1-Analyse combinatoire
c -Combinaisons : avec répétition

C p

n  p  1!
p !n  1!
n  p 1

Exemple :
Soit la constitution de mots de 3 lettres à partir d’un alphabet
à 5 lettres avec remise, on distingue 3 cas possibles :

5  10
3
•nombre de mots de 3 lettres différentes et sans ordre C
•nombre de mots de 2 lettres différentes et une lettre redondante
2  C52  20
5 5
1
•nombre de mots de 3 lettres identiques C

C5331 
5  3  1!
 35
Ou plus simplement :
3 !5  1!
 1-Analyse combinatoire
c -Combinaisons : propriétés
Symétrie
Cn0  Cnn  1
n 1
C C
1
n n  n si n ≥ 1
n2 nn  1
Cn  Cn 
2 si n ≥ 2
2
n p
C C
n
p
n si 0  p  n

Il revient au même de donner la combinaison des p objets

choisis ou bien celle des (n-p) qui ne le sont pas.
 1-Analyse combinatoire
c -Combinaisons : triangle de Pascal
Exemple :
Soit a b c d e, combien de combinaisons de 3 ?
abc
abd 4!
abe C4 
2
6
acd
2! 4  2 !
ace
ade C 3
5  C 3
4  C 4  10
2

bcd
bce 4!
C4 
3
4
bde 3!4  3!
cde
 1-Analyse combinatoire
c -Combinaisons : triangle de Pascal
Parmi les n objets, on considère un objet en
particulier.
• Si cet objet fait partie des p objets tirés, il y
p 1
a Cn 1 possibilités de choisir les p-1 autres
objets parmi les n-1 objets restants.
• Si en revanche, l’objet ne fait pas partie du
p
tirage, il y a Cn 1 possibilités de choisir les p
autres objets parmi les n-1 objets restants.
d’où la relation
p 1
C n 1 C p
n 1 C n
p
si 0  p  n -1
 1-Analyse combinatoire
c -Combinaisons : triangle de Pascal
p
0 1 2 3 4 5 6 7
n
0 1
3
1 1 1
C 5
2 1 2 1

3 1 3 3 1

4 1 4 6 4 1

5 1 5 10 10 5 1

6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
 1-Analyse combinatoire
c -Combinaisons : triangle de Pascal
Démonstration

C p 1
C p

n  1!

n  1!
n 1 n 1
 p  1!n  1   p  1! p !n  1  p !

n  1!  1
 
1

 p  1!n  1  p !  n  p  p 

n  1!  p  n  p  
 p  1!n  1  p !  n  p  p 
n!
  Cnp

p !n  p !
 1-Analyse combinatoire
c -Combinaisons : binôme de Newton
Quel est le développement de (a+b)n
a  b   a 2  2ab  b 2
2

a  b   a  3a b  3ab  b
3 3 2 2 3

a  b 4  a 4  4a 3b  6a 2b 2  4ab3  b 4
...
a  b n  a n  ? a n1b  ? a n2b 2  ...  ? ab n1  b n
n n
 n  n p p
a  b 
n
 C a n
p n p
b    a b
p

p 0 p 0  p 
 1-Analyse combinatoire
c -Combinaisons : binôme de Newton
Remarque : si a = b = 1
n
2n   Cnp
p 0

représente le nombre total de partitions possible à partir des n éléments

Cn1 nombre de partition avec 1 objet à partir de n objets

2
Cn nombre de partition avec 2 objets à partir de n objets

Cn3 nombre de partition avec 3 objets à partir de n objets

Cnn nombre de partition avec n objets à partir de n objets

 1-Analyse combinatoire
Pour résumer
Permutations :
n!
n! répétition
Pn 
k1 !k 2 !...k r !
Sans Avec
Avec p p
ordre
An n
Sans p p
ordre
C n C n  p 1
 Quelques remarques

• Les permutations circulaires :

n!
Pn   n  1!
n
 2-Probabilités
Qui a commencé ?
Pierre de Fermat

Blaise Pascal
 2-Probabilités
Il existe deux manières d’introduire la notion de probabilité

• La probabilité a priori, « subjective » d’un évènement

est un nombre qui caractérise la croyance que l’on a
que cet évènement est réalisé avec plus ou moins de
certitude avant l’exécution de l’expérience :
l’évènement est réalisé (probabilité 1) et l’évènement
n’est pas réalisé (probabilité 0).
• La probabilité empirique assimilée à une fréquence
est définie à partir d’expériences indéfiniment
renouvelables. La probabilité d’un évènement est alors
la fréquence d’apparition de cet évènement.

• Enfin le calcul des probabilités utilise l’analyse

combinatoire ainsi que la théorie des ensembles.
 2-Probabilités
PLAN
a. Notion d’événements
b. Propriétés des événements
c. Calcul des probabilités
d. Propriétés des probabilités
e. Probabilité conditionnelle
f. Probabilités composées
g. Bayes
 2-Probabilités
a –Notion d’événements
• En probabilité, une expérience (ou épreuve) est dite
aléatoire si son résultat ne peut pas être prédit à
l’avance de façon certaine.
– Lancer un dé
• L’ensemble des résultats possibles est appelé
ensemble fondamental W .
– W = {1,2,3,4,5,6}
• On appelle événement élémentaire tout élément de W
• On appelle événement toute proposition logique associé
aux résultats de l’expérience
• Exemple :
– On lance 1 dé
• L’événement A : le résultat est un chiffre pair. A = {2,4,6}
• L’événement B : le résultat est un chiffre impair. A = {1,3,5}
– On lance 2 dés, l’événement A : la somme des deux est 7
 2-Probabilités
a –Notion d’événements
On lance 2 dés et on s’intéresse à leur somme.
• Événement impossible : la somme est 1, noté A = 
• Événement certain = événement toujours réalisé : A=W
– Événement : la somme est comprise entre 2 et 12

A Diagramme de Venn
 2-Probabilités
a –Notion d’événements
AB W

AB
On lance 1 dé :
W = {1,2,3,4,5,6} B
A
A = {1,3,5}
B = {3,6}
C = {2,4,6}
A  B = {3} : A ET B sont réalisés
A  C =  : A et C sont incompatibles
A  B = {1,3,5,6} A OU B sont réalisés
C(A) = A = {2,4,6} : événement contraire de A
 2-Probabilités
a –Notion d’événements
Soit un ensemble d’événements Ai (i=1,..,n)
vérifiant les propriétés :
Ai  O
 i
Ai  Aj  O
 i j
n
 Ai  W
i 1
forme un ensemble complet (exhaustif)
Des événements exhaustifs forme une partition de W
W

A1 A2 An
 2-Probabilités
b –Propriétés des événements


A  A  B  A  B 
A  B  A  B et A  B  A  B contraires

A  A  W et A  A  O


A  B  B  A et A  B  B  A commutativité

A  B  C    A  B    A  C 
 distributivité
A  B  C    A  B    A  C 
 2-Probabilités
c – Calcul des probabilités
• Ensemble probabilisé fini
– W = {a1,a2,…,an}, {ai} les événements élémentaires
– On appelle Pi = P(ai) la probabilité de {ai}, alors :

quelque soit i, 0  P(ai)  1

et  Pi  P1  P2  ...  Pn  PW   1
i

– La probabilité d’un événement A étant la somme des

probabilités des événements élémentaires qui
constitue A
si A={w1,w2,w3}
alors P(A) = P(w1) + P(w2) + P(w3)
 2-Probabilités
c – Calcul des probabilités
• Ensemble probabilisé fini
– Exemple : On lance un dé truqué
W= {1,2,3,4,5,6},
avec P(1) = P(3) = P(4) = P(5) = 1/8
et P(2) = P(6) = 2/8
 Pi   1
i

Si A événement pair alors :

P(A) = 5/8

Si B événement impair alors :

P(B) = 3/8
 2-Probabilités
c – Calcul des probabilités
• Ensemble fini équiprobable
– Soit un événement A de l’univers W
• n le nombre d’éventualité de A (n = card A)
• N le nombre d’éventualité de W (N = card W)
– Tous les événements élémentaires ont « la même
chance » de se réaliser, alors :
P(ai) = 1/ N

– La probabilité de l’événement A est :

n nb de cas favorables
P  A  
N nb de cas possibles
 2-Probabilités
c – Calcul des probabilités
• Ensemble fini équiprobable
– Exemple : un lancer de dé non truqué
W= {1,2,3,4,5,6},
N=card W = 6

Soit A={obtenir un chiffre pair}={2,4,6}

n =card A = 3

D’où P(A) = 3/6 = 1/2

 2-Probabilités
c – Calcul des probabilités
• Ensemble infini dénombrable
Exemple
– On jette un dé non pipé jusqu’à l’apparition d’un 6.
On note wj : le 6 apparaît au jème lancer
W = {w1,w2,..,wj,…}
n 1
  1
5
Pn  pwn    
6 6 N
1  x N
 1
Or si |x|<1  n 1
n 1
x  lim x  lim  
n 1
N 
n 1
N 
 1 x  1 x
n 1
1 5 1 1

n 1
pn    
6 n1  6 

6 1 5
1

6
 2-Probabilités
c – Calcul des probabilités
• Ensemble infini, non dénombrable
Exemple
Une mesure géométrique (droite, une surface, un
volume,…) ou biologique

Calculer la probabilité qu‘un satellite tombe sur Paris

comme le rapport de la surface de Paris sur la
surface du globe.

m A
P  A 
mW 
 2-Probabilités
d – Propriétés des probabilités
• 0P1
• P() = 0
• P(W) = 1
• P(A) = 1 - P(A)
• si A  B alors P(A)  P(B)
– Exemple du lancer de dé W

B 2
1
6
3 5
4 A
 2-Probabilités
d – Propriétés des probabilités
• Si A et B incompatible : P(AB) = P(A) + P(B)
– Exemple du lancer de dé W

A 1 2

3 5 6 4
B

P(1) + P(3) + P(5) + P(2) + P(4) + P(6) =1

P(A) + P(B) = P(AB)
ou
nA + nB = nAB …
 2-Probabilités
d – Propriétés des probabilités
• A et B quelconques : P(AB) = P(A) + P(B) - P(AB)
– Exemple du lancer de dé
W

A 1 2

3 5 6 4
B

P(AB) =P(1) + P(3) + P(5) + P(2) + P(4) + P(6)

or
P(1) + P(3) + P(6) + P(5) + P(2) + P(4) + P(5) + P(6)

= P(A) + P(B)
 2-Probabilités
d – Propriétés des probabilités
• A, B et C quelconques :
P(ABC) = P(A) + P(B) + P(C)
- P(AB) - P(AC) - P(CB)
+ P(ABC)
– Exemple du lancer de dé à 12 faces W
A 11
1
12 6 2
10
5 8
3 B
4
7 9
C
 2-Probabilités
Exemple
Le pari du chevalier de Méré
• Pari 1 : Si l’on jette 4 fois un dé à six faces, il y a
plus de chances qu’on obtienne un 6 plutôt qu’on
n’en obtienne pas.
• Pari 2 : Si l’on jette 24 fois deux dés à six faces,
Méré pensait qu’il y avait aussi plus de chances
qu’on obtienne un double six plutôt qu’on n’en
obtienne pas.
 2-Probabilités
e – Probabilité conditionnelle
Très utilisé dans la vie courante et particulièrement
en médecine :
• Un individu a 5 fois plus de chance de
développer une maladie coronarienne s’il fume
un paquet par jour
• Le risque de mort subite est multiplié par 3 en
cas d’infarctus du myocarde
 2-Probabilités
e – Probabilité conditionnelle
• On a 2 événements A et B
• On sait que B est réalisé
• Quelle est la probabilité d’avoir A sachant B ?
P A  B 
P A / B   PB  A  avec PB   0
P B 
W

AB

B
A
 2-Probabilités
e – Probabilité conditionnelle
• Incompatible  Indépendant
• si incompatible : P(A  B) = 0 = P(A/ B)
• si indépendant : P(A  B) = P(A).P(B)
En effet P A  B 
P  A / B   P  A 
P B 
W

AB

B
A
 2-Probabilités
e – Probabilité conditionnelle
Exemple
Soit 2 événements A et B
– A : tirer un nombre pair
– B : tirer un multiple de 3
Calculer P(A  B) :

1. Si l’épreuve est de lancer un dé

2. Si l ’épreuve est le tirage d’une boule dans une urne
contenant 10 boues numérotées de 1 à 10
 2-Probabilités
e – Probabilité conditionnelle
• D’où vient l’affirmation :
– Un individu a 5 fois plus de chance de développer
une maladie coronarienne s’il fume un paquet par
jour
• Dans une population donnée on tire une
personne au hasard :
– F l’événement un individu fume un paquet par jour
– M l’événement un individu développe une maladie
coronarienne
• L’affirmation correspond à : PM / F   5
PM / F 
 2-Probabilités
f – Probabilités composées
De la probabilité conditionnelle on déduit :
P(A  B) = P(A / B).P(B)= P(B / A).P(A)
On peut généraliser
P(A  B  C) = P(A / B  C).P(B / C).P(C)
Car
P(A  (B  C)) = P(A / B  C).P(B  C)
P(B  C) = P(B / C).P(B)
Encore plus
P(A1  …  An) = P(A1/ A2  …  An)
xP(A2/ A3  …  An) x…xP(An-1/ An)

xP(An)
 2-Probabilités
f – Probabilité composées
Exemple :
Dans un jeu de 32 cartes calculer la probabilité de
tirer un pique puis un cœur

Une urne contient 3 boules rouges et 4 boules

noires. Calculer la probabilité de tirer
alternativement une noire et une rouge
 2-Probabilités
f – Probabilité composées
Arbre de décision W
P(R1) P(R3)
P(R2)

Expérience R R1 R2 R3
P(D1/R1) P(D2/R2)

Expérience D D1 D2 D1 D2 D1 D2

La probabilité du chemin R2-D2 (réalisation de R2 ET D2) est la

probabilité de chaque branche : P(R2  D2) = P(R2). P(D2 / R2)
 2-Probabilités
f – Probabilité composées
Arbre de décision : Exemple
homme souffrant d’une
douleur cardiaque
0,6 0,4

Test d’effort : E positif négatif

0,8 0,2 0,3 0,7

Coronographie : C positif négatif positif négatif

•La probabilité d’avoir une coronographie positive et un test

d’effort positif est de : P(C+  E+) = 0,6*0,8 = 0,48
•La probabilité d’avoir une coronographie positive est de :
P(C+) = 0,6*0,8 + 0,4*0,3 = 0,6
 2-Probabilités
f – Probabilité composées
Arbre de décision : homme souffrant d’une
douleur cardiaque
0,6 0,4

Test d’effort : E positif négatif

0,8 0,2 0,3 0,7

Coronographie : C positif négatif positif négatif

En utilisant un tableau de proba En utilisant un tableau d’effectifs

E+ E- total E+ E- total
C+ C+ 960 240 1200
C- C- 240 560 800
total 0,6 0,4 1 total 1200 800 2000
 2-Probabilités
g – Bayes
Probabilité des causes
P(C  E) = P(C / E).P(E)= P(E / C).P(C)
P(E) = P(E / C).P(C) + P(E / C).P(C)
d’où
PC PE / C 
PC / E  
 
PC PE / C   P C P E / C 

C C

E E E E
 2-Probabilités
g – Bayes
Généralisation à n causes C1,C2,…,Cn formant un
système exhaustif
P Ci PE / Ci  PCi PE / Ci 
P Ci / E   
PC1 P E / C1   ...  P Cn PE / Cn  P E 
P Ci  E 

C1 C2 Ci Cn W P E 

E
 2-Probabilités
g – Bayes : exemple
Trois machines A, B et C produisent
respectivement 40%, 35% et 25% du nombre
total des comprimés fabriqués par un
laboratoire. Chacune de ces machines produit
resp. 5%,6% et 3% de comprimés défectueux.
On prend un comprimé au hasard.
1. Quelle est la probabilité qu’il soit défectueux?
2. On constate qu’il est défectueux. Quelle est la
probabilité qu’il ait été produit par la machine
A?
 2-Probabilités
g – Bayes : exemple
W
0,4 0,25 = P(C)
0,35

A B C
P(D/A) = 0,05 0,06 0,03

D D D D D D
PD   P APD / A  PB PD / B   PC PD / C 
 0,4  0,05  0,35  0,06  0,25  0,03  0,0485

P APD / A 0,4  0,05

P A / D     0,41
P D  0,0485
 2-Probabilités
Diagnostique thérapeutique
On cherche à identifier une pathologie
•On dispose d’un test gold standard permettant de
d’identifier avec certitude cette pathologie
•On élabore un test alternatif
•Est il efficace ?

•On prend une population test de sains et malades connus,

et on applique le test, et on rempli le tableau :
 2-Probabilités
Diagnostique thérapeutique
positif
malades FN

VP
Toute la population
FP
VN

Résultat du gold
standard
M M
Résultat du T+ VP FP Total T+
test T- FN VN Total T-
Total M Total M Total pop
 2-Probabilités
Diagnostique thérapeutique
Une population constitué de sujets atteints d’une maladie M et de sujets sains
•p, la prévalence de la maladie : la probabilité pour un sujet d’être malade.
•Se, la sensibilité du test : probabilité d’un sujet malade d’être positif.
•Sp, la spécificité du test : probabilité d’un sujet sain d’être négatif

PT  / M   Se T+ VP : Vrai Positif

p  PM  Malades
T- FN : Faux Négatif
population

T+ FP : Faux Positif
1  p  P M  Sain

P T  / M   Sp T- VN : Vrai Négatif
 2-Probabilités
Diagnostique thérapeutique
Considérons un test ayant une sensibilité et une spécificité
de 90%, appliqué à un échantillon de 1000 sujets
représentatifs d’une population où la prévalence de la
maladie à diagnostiquer est de 1%

Résultat du gold
standard
M M
Résultat du T+ VP FP Total T+
test T- FN VN Total T-
Total M Total M Total pop
 Références

• Cours PCEM1 Rennes : Bernard-Cuggia-Burgun

• Cours 1er cycle Biologie Lyon : Mme Monchiroud
• Probabilités et statistique, Guy Auliac, Ediscience
• Biostatistiques, Régis Beuscart, Ed Omniscience
• Biostatistiques, R.Atlani – Y. Cojan, Ed Robert Atlani
• Statistiques et probabilités, Daniel Fredon, Ed Dunod
• Biomathématiques, S. Benazeth,…, Ed Masson
• Itinéraires en statistiques et probabilités, Carnec,… Ed Ellipses
• Biostatistiques, Triola, Ed Pearson
 Règles de trigonométrie

sin a  b   sin a cos b  cos a sin b

sin a  b   sin a cos b  cos a sin b
cosa  b   cos a cos b  sin a sin b
cosa  b   cos a cos b  sin a sin b
sin( 2a )  2 sin a cos a
cos(2a )  cos ² a  sin ² a  2 cos ² a  1  1  2 sin ² a
sin ²(a )  cos ²(a)  1