Calculateur du Théorème de Bayes

Calculateur du Théorème de Bayes

Le Calculateur du Théorème de Bayes calcule la probabilité a posteriori P(A|B) à l'aide du théorème de Bayes. Saisissez la probabilité a priori, la vraisemblance et le taux de faux positifs pour voir des solutions étape par étape, des diagrammes en arbre de probabilité, des répartitions de fréquences naturelles et des résumés de probabilité détaillés. Que vous analysiez la précision d'un test médical, évaluiez des filtres anti-spam ou étudiez les probabilités conditionnelles, cet outil rend le raisonnement bayésien intuitif et visuel.

Comment utiliser le Calculateur du Théorème de Bayes

1. Saisissez la probabilité a priori P(A) — il s'agit de votre croyance initiale sur la probabilité de l'hypothèse avant de voir toute preuve. Par exemple, si 1% de la population a une maladie, P(A) = 0.01.
2. Saisissez la vraisemblance P(B|A) — il s'agit de la probabilité d'observer la preuve quand l'hypothèse est vraie. Pour un test médical, il s'agit de la sensibilité ou du taux de vrais positifs. Un test sensible à 99% signifie P(B|A) = 0.99.
3. Saisissez le taux de faux positifs P(B|¬A) — il s'agit de la probabilité d'observer la preuve quand l'hypothèse est fausse. Un test avec un taux de faux positifs de 5% signifie P(B|¬A) = 0.05.
4. Cliquez sur Calculer pour voir la probabilité a posteriori P(A|B) avec tous les calculs étape par étape.
5. Explorez les visualisations — le diagramme en arbre de probabilité montre comment la population se divise, la section sur les fréquences naturelles utilise des nombres entiers pour une compréhension intuitive, et la barre de comparaison montre comment la preuve a déplacé votre croyance.

Qu'est-ce que le Théorème de Bayes ?

Le théorème de Bayes est une règle fondamentale de probabilité qui décrit comment mettre à jour ses croyances à la lumière de nouvelles preuves. Nommé d'après le révérend Thomas Bayes (1701–1761), le théorème stipule :

P(A|B) = P(B|A) × P(A) / P(B)

Où :

• P(A|B) — Probabilité a posteriori : la probabilité mise à jour de A après avoir observé B
• P(B|A) — Vraisemblance : la probabilité de la preuve si A est vrai
• P(A) — Probabilité a priori : la probabilité initiale de A
• P(B) — Vraisemblance marginale : la probabilité totale d'observer B

L'oubli de la fréquence de base

L'un des résultats les plus contre-intuitifs en probabilité est l'oubli de la fréquence de base, que le théorème de Bayes aide à exposer. Considérons une maladie qui affecte 1% des personnes (P(A) = 0.01), avec un test précis à 99% (P(B|A) = 0.99) et ayant un taux de faux positifs de 5% (P(B|¬A) = 0.05). Intuitivement, la plupart des gens supposent qu'un test positif signifie qu'ils ont presque certainement la maladie. Cependant, le théorème de Bayes révèle que la probabilité a posteriori n'est que d'environ 16.7%. En effet, les faux positifs provenant de la large population saine sont plus nombreux que les vrais positifs provenant du petit groupe affecté.

Comprendre le rapport de vraisemblance

Le rapport de vraisemblance (LR) est P(B|A) divisé par P(B|¬A). Il mesure le pouvoir diagnostique de la preuve :

• LR > 10 : Preuve solide soutenant l'hypothèse
• LR 3–10 : Preuve modérée
• LR 1–3 : Preuve faible
• LR = 1 : La preuve est non pertinente (elle ne change pas votre croyance)
• LR < 1 : La preuve s'oppose à l'hypothèse

Applications réelles du Théorème de Bayes

• Diagnostic médical : Calculer la probabilité d'une maladie étant donné un résultat de test positif, en tenant compte de la sensibilité et de la spécificité du test ainsi que de la prévalence de la maladie.
• Filtrage de spam : Les classificateurs d'e-mails utilisent la probabilité bayésienne pour déterminer si un message est un spam en fonction des mots qu'il contient.
• Raisonnement juridique : Évaluer comment les preuves ADN ou d'autres résultats médico-légaux affectent la probabilité de culpabilité.
• Apprentissage automatique : Les classificateurs Naive Bayes, les réseaux bayésiens et les modèles probabilistes reposent tous sur le théorème de Bayes.
• Prévisions météorologiques : Mise à jour de la probabilité de pluie basée sur la pression barométrique, l'humidité et d'autres signaux.
• Contrôle qualité : Déterminer la probabilité qu'un produit soit défectueux étant donné l'échec d'un test d'inspection.

Fréquences naturelles : Rendre Bayes intuitif

Les recherches de Gerd Gigerenzer et d'autres ont montré que les humains comprennent bien mieux le raisonnement bayésien lorsqu'il est présenté avec des fréquences naturelles plutôt qu'avec des probabilités abstraites. Au lieu de dire "P(A) = 1%", nous pouvons dire "10 personnes sur 1 000 sont atteintes de la maladie". Notre calculateur propose les deux représentations, vous aidant à acquérir une véritable intuition de la probabilité conditionnelle.

FAQ

Qu'est-ce que le théorème de Bayes ?

Le théorème de Bayes est une formule mathématique qui décrit comment mettre à jour la probabilité d'une hypothèse sur la base de nouvelles preuves. Il stipule P(A|B) = P(B|A) × P(A) / P(B), où P(A|B) est la probabilité a posteriori, P(B|A) est la vraisemblance, P(A) est la probabilité a priori, et P(B) est la probabilité totale de la preuve.

Quelle est la différence entre probabilité a priori et a posteriori ?

La probabilité a priori P(A) est votre croyance initiale sur la probabilité d'un événement avant de considérer de nouvelles preuves. La probabilité a posteriori P(A|B) est la probabilité mise à jour après avoir pris en compte les preuves. Le théorème de Bayes fournit le cadre mathématique pour calculer cette mise à jour.

Pourquoi un test médical positif ne signifie-t-il pas toujours que vous avez la maladie ?

Lorsqu'une maladie est rare (faible probabilité a priori), même un test très précis produit de nombreux faux positifs par rapport aux vrais positifs. Par exemple, avec un taux de maladie de 1% et un test précis à 95% avec un taux de faux positifs de 5%, un résultat positif ne signifie qu'environ 16% de chances d'avoir réellement la maladie. C'est ce qu'on appelle l'oubli de la fréquence de base.

Qu'est-ce que le rapport de vraisemblance dans le théorème de Bayes ?

Le rapport de vraisemblance est P(B|A) divisé par P(B|¬A). Il mesure à quel point la preuve déplace votre croyance. Un rapport supérieur à 1 signifie que la preuve soutient l'hypothèse, tandis qu'un rapport inférieur à 1 signifie qu'elle s'y oppose. Des rapports plus élevés indiquent des preuves plus solides.

Puis-je saisir des pourcentages dans le calculateur du théorème de Bayes ?

Oui, vous pouvez saisir des valeurs sous forme de décimales (comme 0.05) ou de pourcentages (comme 5 ou 5%). Le calculateur détecte et convertit automatiquement les entrées en pourcentage. Les valeurs supérieures à 1 sans signe de pourcentage sont traitées comme des pourcentages.