Qu’est-ce que le théorème de Bayes ?

Qu’est-ce que le théorème de Bayes ?

1. Présentation

Le théorème de Bayes, du nom du révérend Thomas Bayes, est un concept fondamental en probabilité et en statistique. Il fournit une méthode pour mettre à jour les croyances ou les probabilités sur la base de nouvelles preuves, nous permettant ainsi de prendre des décisions plus éclairées face à l'incertitude.

2. Définition

Le théorème de Bayes est une équation mathématique qui décrit la relation entre trois probabilités :

• P(A|B) : La probabilité que l'événement A se produise étant donné que l'événement B s'est déjà produit (probabilité postérieure)
• P(A) : La probabilité que l'événement A se produise (probabilité a priori)
• P(B|A) : La probabilité que l'événement B se produise étant donné que l'événement A s'est déjà produit (probabilité)
• P(B) : La probabilité que l'événement B se produise (probabilité marginale)

3. Équation

Le théorème de Bayes peut s'exprimer comme suit :

 P(A|B) = (P(A) * P(B|A)) / P(B)

4. Interprétation

Pour comprendre le théorème de Bayes, décomposons l'équation :

• P(A|B) : Probabilité postérieure - Il s'agit de la probabilité mise à jour de l'événement A après avoir pris en compte les preuves B. Elle reflète notre croyance que A est vrai étant donné que B s'est produit.
• P(A) : Probabilité a priori - C'est notre croyance initiale que A est vrai avant de considérer toute preuve.
• P(B|A) : Probabilité - C'est la probabilité d'observer B si A est vrai. Cela représente la probabilité qu’il y ait B étant donné que A s’est produit.
• P(B) : Probabilité marginale – Il s’agit de la probabilité d’observer B, que A soit vrai ou non. Il est utilisé pour normaliser la probabilité a posteriori.

5. Candidatures

Le théorème de Bayes est largement utilisé dans divers domaines, notamment :

• Apprentissage automatique et intelligence artificielle
• Diagnostic médical et épidémiologie
• Science médico-légale
• Évaluation et prévision des risques
• Analyse financière et investissement

6. Exemple

Supposons qu’il existe une maladie dont la prévalence est de 1 % dans la population. Un test de détection de la maladie est effectué et il est connu pour être précis à 99 %, ce qui signifie qu'il donne un résultat positif si le patient est atteint de la maladie (sensibilité) et un résultat négatif si le patient n'est pas atteint de la maladie (spécificité).

• P(A) (Probabilité préalable) : La probabilité d'être atteint de la maladie est de 1 %.
• P(B|A) (Probabilité) : La probabilité d’être testé positif compte tenu de la maladie est de 99 %.
• P(B') (Probabilité) : La probabilité d'obtenir un test négatif en l'absence de maladie est de 99 %.

Si un patient est testé positif, quelle est la probabilité qu’il soit réellement atteint de la maladie (probabilité a posteriori) ?

• P(UNE|B) = (P(UNE) * P(B|UNE)) / P(B)
• P(A|B) = (0,01 0,99) / (0,01 0,99 + (1 - 0,01) * 0,99)
• P(UNE|B) ≈ 0,998

Ainsi, même si la maladie est rare, un résultat de test positif rend très probable que le patient en soit atteint (99,8 %).