Calculateur du théorème de Bayes

Utilisez le théorème de Bayes lorsque vous devez mettre à jour une probabilité en fonction de nouvelles preuves. Si vous savez quelle est la probabilité de la preuve étant donné votre hypothèse, et que vous avez une croyance a priori sur cette hypothèse, le théorème de Bayes vous dit ce qu'il faut croire après avoir vu la preuve.

Qu'est-ce que le théorème de Bayes ?

Le théorème de Bayes relie les probabilités conditionnelles :

$P(A|B) = \frac{P(B|A) \times P(A)}{P(B)}$

Où :

• $P(A|B)$ = A posteriori : Probabilité de A étant donné B (ce que nous voulons)
• $P(B|A)$ = Vraisemblance : Probabilité de B étant donné A
• $P(A)$ = A priori : Probabilité initiale de A
• $P(B)$ = Preuve : Probabilité totale de B

Composants expliqués

Probabilité a priori P(A)

Votre croyance sur A avant de voir toute preuve. Cela peut provenir de :

• Études précédentes
• Opinion d'experts
• Taux de base dans la population

Exemple : Avant tout test, 1 % de la population a une maladie. P(Maladie) = 0,01.

Vraisemblance P(B|A)

Quelle est la probabilité de la preuve si A est vrai ?

Exemple : Si vous avez la maladie, le test est positif 95 % du temps. P(Positif|Maladie) = 0,95.

Preuve P(B)

La probabilité totale d'observer B, calculée comme :

$P(B) = P(B|A) \times P(A) + P(B|\neg A) \times P(\neg A)$

Exemple : Probabilité totale d'un test positif = (vrais positifs) + (faux positifs).

Probabilité a posteriori P(A|B)

Votre croyance mise à jour sur A après avoir vu la preuve B.

Exemple : Étant donné un résultat de test positif, quelle est la probabilité d'avoir réellement la maladie ?

Exemple classique : test médical

Scénario :

• Prévalence de la maladie : 1 % (a priori)
• Sensibilité du test : 95 % (taux de vrais positifs)
• Spécificité du test : 90 % (taux de vrais négatifs, donc taux de faux positifs = 10 %)

Question : Vous testez positif. Quelle est la probabilité que vous ayez la maladie ?

Calcul :

$P(Maladie|Positif) = \frac{P(Positif|Maladie) \times P(Maladie)}{P(Positif)}$

D'abord, calculer P(Positif) : $P(Positif) = 0,95 \times 0,01 + 0,10 \times 0,99 = 0,0095 + 0,099 = 0,1085$

Ensuite : $P(Maladie|Positif) = \frac{0,95 \times 0,01}{0,1085} = \frac{0,0095}{0,1085} = 0,088$

Résultat : Seulement 8,8 % de chance d'avoir la maladie malgré un test positif !

Ce résultat contre-intuitif se produit parce que la maladie est rare. La plupart des tests positifs sont des faux positifs des 99 % sans la maladie.

La forme en cotes

Une formulation alternative utilisant les cotes :

$\frac{P(A|B)}{P(\neg A|B)} = \frac{P(B|A)}{P(B|\neg A)} \times \frac{P(A)}{P(\neg A)}$

Ou : Cotes a posteriori = Rapport de vraisemblance × Cotes a priori

Le rapport de vraisemblance $\frac{P(B|A)}{P(B|\neg A)}$ vous dit combien la preuve devrait déplacer vos croyances.

Applications

Diagnostic médical

Mise à jour de la probabilité de maladie après les résultats de tests :

• Test positif augmente la probabilité
• Test négatif diminue la probabilité
• Tests multiples peuvent être chaînés

Filtrage de spam

Classificateurs bayésiens naïfs :

• A priori : Taux de base des emails spam
• Vraisemblance : Probabilité des mots étant donné spam/non-spam
• A posteriori : Cet email est-il du spam ?

Raisonnement juridique

Évaluation des preuves :

• A priori : Taux de base de culpabilité
• Vraisemblance : Quelle est la probabilité de cette preuve si coupable vs. innocent ?
• A posteriori : Probabilité mise à jour de culpabilité

Apprentissage automatique

Inférence bayésienne pour :

• Estimation de paramètres
• Comparaison de modèles
• Quantification de l'incertitude

Mises à jour séquentielles

Le théorème de Bayes peut être appliqué de manière répétée. L'a posteriori d'aujourd'hui devient l'a priori de demain :

$P(A|B_1, B_2) = \frac{P(B_2|A, B_1) \times P(A|B_1)}{P(B_2|B_1)}$

Chaque élément de preuve met à jour vos croyances.

Exemple : Premier test positif (probabilité de 8,8 %), puis deuxième test positif → la probabilité augmente davantage.

Négligence du taux de base

Une erreur courante est d'ignorer la probabilité a priori. Dans l'exemple médical, les gens devinent souvent une probabilité de ~95 % après un test positif, se concentrant sur la précision du test tout en ignorant la rareté de la maladie.

Idée clé : Lorsque la condition est rare, même les tests précis produisent de nombreux faux positifs.

Compromis sensibilité vs. spécificité

Pour les conditions rares, une spécificité élevée est cruciale pour éviter l'inondation de faux positifs.

Contexte historique

Thomas Bayes (1701-1761) était un ministre et mathématicien anglais. Son théorème a été publié à titre posthume en 1763, édité par Richard Price.

Pierre-Simon Laplace a développé et étendu indépendamment les méthodes bayésiennes, les appliquant aux problèmes astronomiques et démographiques.

Le débat « Bayésien vs. Fréquentiste » en statistique se poursuit aujourd'hui, bien que la pratique moderne combine souvent les deux perspectives.

Pièges courants

Assumer l'indépendance

Lors de la combinaison de plusieurs éléments de preuve, ils doivent être conditionnellement indépendants étant donné l'hypothèse. Les preuves corrélées fournissent moins d'information que prévu.

Choix des a priori

Controversé dans les applications scientifiques :

• Les a priori informatifs incorporent les connaissances existantes
• Les a priori non informatifs essaient d'être « objectifs »
• L'analyse de sensibilité teste différents a priori

Ignorer les taux de base

Toujours demander : « Quelle est la fréquence de ceci dans la population ? » avant d'interpréter les résultats de tests.

Calculs associés

• Probabilité conditionnelle — Bases de P(A|B)
• Sensibilité et spécificité — Propriétés des tests diagnostiques
• Calculateur de rapport de cotes — Mesures basées sur les cotes
• Estimateur de proportion bayésien — Mise à jour a priori vers a posteriori

Résumé

Le théorème de Bayes met à jour les probabilités en fonction de nouvelles preuves. La probabilité a posteriori dépend de l'a priori (taux de base), de la vraisemblance (quelle est la probabilité de la preuve si l'hypothèse est vraie), et de la probabilité totale de la preuve. Lorsque les conditions sont rares, même les tests précis produisent de nombreux faux positifs — une idée cruciale pour le diagnostic médical, le raisonnement juridique et toute situation où les preuves doivent être pesées contre les taux de base.