Théorème de Bayes calculateur

Ce théorème de Bayes calculateur montre quelle est la probabilité réelle d’une hypothèse A après un test ou un indice B. Exemple : avec 1 % de taux de base, 90 % de sensibilité et 9 % de faux positifs, un résultat positif n’est un vrai positif que dans 9,17 % des cas.

Exemple : Taux de base P(A) 1 % · Sensibilité P(B|A) 90 % · Taux de faux positifs P(B|¬A) 9 % → Probabilité de A après un résultat positif : P(A|B) = 9,17 %. Source : Wikipedia – Bayes’ theorem. Mise à jour : .

%
Fréquence de A sans test, par ex. prévalence d’une maladie
%
Fréquence à laquelle le test réagit quand A est vrai
%
Fréquence à laquelle le test réagit alors que A est faux
Ma boîte à outilsVos saisies sont enregistrées uniquement dans ce navigateur.

Résultat

Probabilité de A après un résultat positif
P(A|B) = 9,17 %
Fréquence globale du résultat
P(B) = 9,81 % : fréquence globale du résultat positif.
Après un résultat négatif
Après un résultat négatif, A reste possible avec 0,11 % (valeur prédictive négative 99,89 %).
Rapports de vraisemblance et cotes
LR+ = 10, LR− = 0,1099 ; cote de A avant 0,0101, après 0,101.
En fréquences naturelles
  • Sur 10 000 cas, A s’applique à 100 et ne s’applique pas à 9 900.
  • Parmi les 100 avec A, le test réagit pour 90 (vrais positifs) et pas pour 10.
  • Parmi les 9 900 sans A, le test réagit pour 891 (faux positifs) et pas pour 9 009.
  • Au total le test réagit pour 981 ; parmi eux ont vraiment A : 90 sur 981 = 9,17 %.
Étapes du calcul
  • P(B) = P(B|A) · P(A) + P(B|¬A) · P(¬A) = 0,9 · 0,01 + 0,09 · 0,99 = 0,0981
  • P(A|B) = P(B|A) · P(A) / P(B) = 0,9 · 0,01 / 0,0981 = 0,0917
  • P(A|¬B) = P(¬B|A) · P(A) / P(¬B) = 0,1 · 0,01 / 0,9019 = 0,0011

Comment le calcul est fait

Le théorème de Bayes calcule la probabilité d’une hypothèse A une fois qu’un indice B a été observé. Il combine trois nombres : la fréquence de A sans test (taux de base), la capacité du test à détecter A (sensibilité) et la fréquence de ses fausses alertes (taux de faux positifs).

La formule

P(A|B) = P(B|A) · P(A) / P(B), avec P(B) = P(B|A) · P(A) + P(B|¬A) · P(¬A). Le numérateur contient les vrais positifs, le dénominateur tous les résultats positifs.

Exemple : une maladie rare

1 % des personnes sont malades, le test la détecte dans 90 % des cas et réagit à tort chez 9 % des personnes saines. Sur 10 000 personnes, 100 sont malades et 90 d’entre elles sont positives. Parmi les 9 900 personnes saines, 891 sont positives. Cela fait 981 tests positifs, mais seulement 90 viennent de malades : 90 / 981 = 9,17 %. Malgré de bonnes valeurs, un résultat positif est donc le plus souvent une fausse alerte, car la maladie est très rare.

Erreur de raisonnement typique

On confond souvent P(B|A) (« test positif si malade ») avec P(A|B) (« malade si test positif »). Ce sont deux nombres différents, et le taux de base décide de leur écart. Les fréquences naturelles ci-dessus rendent la différence plus visible.

Rapport de vraisemblance

LR+ = sensibilité / taux de faux positifs indique de quel facteur un résultat positif augmente la cote de A. Dans l’exemple, LR+ = 10 : la cote passe de 1 : 99 à 10 : 99.

Questions fréquentes

Que dit le théorème de Bayes ?

Il calcule la probabilité de A quand B a été observé, à partir du taux de base de A et des taux de réaction de B lorsque A est vrai et lorsqu’il ne l’est pas.

Pourquoi un test positif pour une maladie rare est-il souvent une fausse alerte ?

Parce qu’il y a bien plus de personnes saines que de malades : même un petit taux de faux positifs produit, parmi les nombreuses personnes saines, plus de fausses alertes que de vrais positifs.

Quelle différence entre sensibilité et valeur prédictive positive ?

La sensibilité P(B|A) est le taux de détection chez les personnes touchées. La valeur prédictive positive P(A|B) indique le degré de certitude d’être touché après un test positif ; elle dépend du taux de base.

Que signifie la valeur prédictive négative ?

Elle indique le degré de certitude de ne pas être touché après un résultat négatif. Pour les affections rares, elle est en général très élevée.

À quoi sert le théorème de Bayes en dehors de la médecine ?

Par exemple aux filtres anti-spam, au contrôle qualité, aux alarmes ou aux expertises judiciaires : partout où un indice sujet à erreur pointe vers une cause rare.

Sources et références juridiques

Dernière mise à jour : · Principes éditoriaux

Outils similaires