Qu'est-ce que le théorème de Bayes ?
Le théorème de Bayes explique comment réviser la probabilité d'une hypothèse A à la lumière d'une nouvelle observation B. Il transforme une croyance a priori en une croyance a posteriori en comparant la vraisemblance de l'observation sous l'hypothèse à sa vraisemblance globale. C'est un pilier des statistiques, de l'apprentissage automatique, du diagnostic médical, du filtrage anti-spam et, plus largement, de la prise de décision rationnelle en situation d'incertitude.
Comment utiliser ce calculateur
Saisissez trois probabilités, chacune comprise entre 0 et 1 :
- P(A) — la probabilité a priori que l'hypothèse soit vraie (par exemple, la prévalence d'une maladie).
- P(B|A) — la vraisemblance : la probabilité d'observer l'indice lorsque A est vrai (par exemple, la sensibilité d'un test).
- P(B|¬A) — le taux de faux positifs : la probabilité de l'observation lorsque A est faux.
Le calculateur déduit automatiquement la probabilité totale de l'observation \(P(B)\) à l'aide de la loi des probabilités totales, puis renvoie la probabilité a posteriori \(P(A \mid B)\).
La formule expliquée
L'équation centrale est \(P(A \mid B) = \frac{P(B|A) \cdot P(A)}{P(B)}\). Comme \(P(B)\) est rarement connue directement, on la développe ainsi : $$P(B) = P(B|A) \cdot P(A) + P(B|\neg A) \cdot (1 - P(A))$$ On combine ainsi les contributions des vrais positifs et des faux positifs pour déterminer la fréquence à laquelle l'observation se manifeste réellement.
Exemple détaillé
Imaginons une maladie qui touche 1 % de la population, soit \(P(A) = 0{,}01\). Un test détecte correctement les personnes malades dans 90 % des cas, \(P(B|A) = 0{,}9\), mais affiche aussi un taux de faux positifs de 8 %, \(P(B|\neg A) = 0{,}08\). On obtient alors $$P(B) = 0{,}9 \times 0{,}01 + 0{,}08 \times 0{,}99 = 0{,}009 + 0{,}0792 = 0{,}0882$$ La probabilité a posteriori vaut $$P(A \mid B) = \frac{0{,}009}{0{,}0882} \approx 0{,}102$$ soit environ 10,2 %. Malgré un test « positif », le patient est probablement en bonne santé : une illustration classique de la négligence du taux de base.
Comment la probabilité a posteriori change selon les scénarios
Le théorème de Bayes combine une probabilité a priori \(P(A)\), un taux de vrais positifs (vraisemblance) \(P(B \mid A)\), et un taux de faux positifs \(P(B \mid \neg A)\) en une probabilité a posteriori mise à jour \(P(A \mid B)\). La caractéristique la plus surprenante du résultat est sa sensibilité au taux de base \(P(A)\) : quand une condition est rare, même un test très précis produit une probabilité a posteriori faible. Le tableau ci-dessous maintient les caractéristiques du test fixes par endroits et varie les entrées pour rendre cette dépendance visible.
| Scénario | A priori P(A) | Vraisemblance P(B|A) | Faux positifs P(B|¬A) | A posteriori P(A|B) |
|---|---|---|---|---|
| Condition rare, test précis | 0.01 | 0.99 | 0.05 | 0.1667 |
| Condition rare, taux de faux positifs plus faible | 0.01 | 0.99 | 0.01 | 0.5 |
| Taux de base modéré, test précis | 0.10 | 0.99 | 0.05 | 0.6875 |
| Condition commune, test précis | 0.50 | 0.99 | 0.05 | 0.9519 |
| Condition rare, taux de faux positifs élevé | 0.01 | 0.90 | 0.20 | 0.0435 |
En lisant les deux premières lignes, on voit que réduire le taux de faux positifs de 0.05 à 0.01 fait passer la probabilité a posteriori d'environ 17 % à 50 %, même si le taux de base et la sensibilité restent inchangés. En lisant les lignes un, trois et quatre, on voit que lorsque la probabilité a priori passe de 1 % à 50 %, le même test fait passer la probabilité a posteriori de 17 % à environ 95 %. La dernière ligne démontre l'extrême opposé : une condition rare combinée à un taux de faux positifs élevé maintient la probabilité a posteriori en dessous de 5 % malgré un taux de vrais positifs de 90 %.
Interpréter votre probabilité a posteriori
La probabilité a posteriori \(P(A \mid B)\) est la probabilité que l'hypothèse \(A\) soit vraie après avoir observé la preuve \(B\). Elle répond à la question pratique « compte tenu de ce résultat positif, quelle est la probabilité que la condition soit réellement présente ? » — ce qui est généralement ce qu'un décideur veut savoir.
Il est important de ne pas confondre la probabilité a posteriori avec la vraisemblance \(P(B \mid A)\). La vraisemblance (souvent appelée sensibilité ou taux de vrais positifs dans un contexte de test) est la probabilité d'observer la preuve en supposant que \(A\) est vraie. Ces deux probabilités conditionnelles pointent dans des directions opposées, et elles ne sont égales que dans des cas particuliers. Un test peut avoir un taux de vrais positifs de 99 % et produire une probabilité a posteriori bien inférieure à 99 % — la différence est déterminée par le taux de base et le taux de faux positifs.
Le taux de base \(P(A)\) est le moteur derrière cet écart. Lorsque \(A\) est rare, le groupe de vrais cas est petit, donc même un taux de faux positifs modeste appliqué à la grande population de \(\neg A\) peut générer plus de faux positifs que de vrais positifs. Ignorer le taux de base et lire un résultat positif comme quasi-certain est la bien connue erreur du taux de base.
Enfin, la mise à jour bayésienne est itérative. Une fois que vous calculez une probabilité a posteriori, elle peut servir de probabilité a priori pour le prochain élément de preuve indépendant. Observer un deuxième test positif, par exemple, signifie que vous réintroduisez la première probabilité a posteriori comme \(P(A)\) et mettez à jour à nouveau. La preuve indépendante répétée affine régulièrement l'estimation, ce qui explique pourquoi le raisonnement bayésien sous-tend les tests séquentiels, le filtrage des courriels indésirables et de nombreux modèles d'apprentissage automatique.
Termes clés et variables
- A priori — \(P(A)\)
- La probabilité attribuée à l'hypothèse \(A\) avant d'observer la preuve. Dans les contextes de test, ceci est la prévalence ou le taux de base de la condition.
- Vraisemblance — \(P(B \mid A)\)
- La probabilité d'observer la preuve \(B\) lorsque \(A\) est vraie. Pour un test diagnostique, ceci est la sensibilité ou le taux de vrais positifs.
- Taux de faux positifs — \(P(B \mid \neg A)\)
- La probabilité d'observer la preuve \(B\) lorsque \(A\) est fausse. Il est égal à \(1 - \text{spécificité}\) pour un test diagnostique.
- Preuve / vraisemblance marginale — \(P(B)\)
- La probabilité totale d'observer la preuve sous toutes les hypothèses, calculée par la loi de la probabilité totale comme \(P(B) = P(B \mid A)\,P(A) + P(B \mid \neg A)\,\bigl(1 - P(A)\bigr)\). C'est le dénominateur qui normalise la probabilité a posteriori.
- A posteriori — \(P(A \mid B)\)
- La probabilité mise à jour de \(A\) après avoir pris en compte la preuve \(B\). C'est le résultat du théorème de Bayes.
- Taux de base
- Un autre nom pour la probabilité a priori \(P(A)\) — la fréquence sous-jacente de l'hypothèse dans la population, indépendamment de tout résultat de test spécifique.
- Théorème de Bayes
- La règle reliant ces quantités : \(P(A \mid B) = \dfrac{P(B \mid A)\,P(A)}{P(B)}\). La notation \(P(X \mid Y)\) se lit « la probabilité de \(X\) sachant \(Y\) », et \(\neg A\) désigne « non \(A\) », le complément de l'hypothèse.
FAQ
Pourquoi la probabilité a posteriori est-elle si faible dans cet exemple ? Parce que la maladie est rare : les personnes saines génèrent bien plus de faux positifs que les personnes malades ne produisent de vrais positifs.
Et si je connais déjà \(P(B)\) ? Vous pouvez ajuster \(P(B|\neg A)\) pour que le total calculé corresponde à votre valeur, mais cet outil déduit toujours \(P(B)\) de la loi des probabilités totales, par souci de cohérence.
Les valeurs saisies doivent-elles totaliser 1 ? Non. Chacune est une probabilité indépendante comprise entre 0 et 1 ; seules \(P(A)\) et \((1 - P(A))\) sont complémentaires.
