Théorème de Bayes : définition, formule et applications pratiques

Qu'est-ce que le théorème de Bayes ?

Le théorème de Bayes, nommé d'après le mathématicien britannique Thomas Bayes (XVIIIe siècle), est une formule mathématique fondamentale pour calculer les probabilités conditionnelles. Il permet d'évaluer la probabilité d'un événement en tenant compte d'un événement antérieur survenu dans des conditions similaires. Ce théorème est essentiel pour mettre à jour des prédictions ou théories existantes à la lumière de nouvelles preuves. En finance, il aide à évaluer les risques de crédit pour les emprunteurs potentiels. Aussi appelé règle ou loi de Bayes, il forme la base des statistiques bayésiennes.

Points clés à retenir

• Le théorème de Bayes permet de réviser les probabilités prédites d'un événement en intégrant de nouvelles informations.
• Il doit son nom à Thomas Bayes, mathématicien du XVIIIe siècle.
• Il est couramment utilisé en finance pour évaluer ou actualiser les risques.
• Il joue un rôle clé dans l'apprentissage automatique.
• Sous-exploité pendant deux siècles en raison de sa complexité computationnelle, il connaît un regain d'intérêt grâce aux progrès technologiques.

Comprendre le théorème de Bayes

Ses applications dépassent la finance : en médecine, il évalue la fiabilité des tests diagnostics en croisant la prévalence d'une maladie et la précision du test. Le théorème intègre des probabilités a priori pour générer des probabilités a posteriori.

La probabilité a priori représente l'évaluation initiale d'un événement avant l'arrivée de nouvelles données, basée sur les connaissances existantes.

La probabilité a posteriori est la version révisée après intégration des nouvelles informations, calculée via le théorème de Bayes. Statistiquement, c'est P(A|B), la probabilité de A sachant B.

Considérations spéciales

Le théorème calcule la probabilité d'un événement conditionnée à de nouvelles informations liées. Il peut aussi simuler l'impact d'informations hypothétiques.

Exemple : Dans un jeu de 52 cartes, la probabilité de tirer un roi est de 4/52 ≈ 7,69 %. Si on sait que c'est une figure (12 au total), elle passe à 4/12 ≈ 33,3 %.

Formule du théorème de Bayes

P(A|B) = [P(A) × P(B|A)] / P(B)

où :

• P(A) : Probabilité que A se produise.
• P(B) : Probabilité que B se produise.
• P(A|B) : Probabilité de A sachant B.
• P(B|A) : Probabilité de B sachant A.
• P(A ∩ B) : Probabilité que A et B se produisent simultanément.

Exemples du théorème de Bayes

Voici deux exemples concrets : un investissement boursier avec Amazon (AMZN) et un test de dépistage de drogue.

Dérivation de la formule

Elle découle des axiomes de probabilité conditionnelle. Exemple : P(AMZN baisse | DJIA baisse) = P(AMZN et DJIA baissent) / P(DJIA baisse).

P(AMZN et DJIA) = P(AMZN) × P(DJIA|AMZN), menant à : P(AMZN|DJIA) = [P(AMZN) × P(DJIA|AMZN)] / P(DJIA).

Exemple numérique

Un test de drogue est précis à 98 % (vrai positif et vrai négatif). 0,5 % de la population consomme. Pour un test positif : (0,98 × 0,005) / [(0,98 × 0,005) + (0,02 × 0,995)] ≈ 19,76 %. Ainsi, 80 % de chances de faux positif.

Questions fréquentes

Histoire du théorème de Bayes ?

Découvert par Thomas Bayes, publié posthumément en 1763. Ignoré au profit des approches fréquentistes, il renaît avec la puissance de calcul moderne, appliqué en finance, génétique et santé.

Énoncé du théorème ?

La probabilité conditionnelle P(A|B) égale [P(B|A) × P(A)] / P(B).

Comment le calculer ?

En utilisant les probabilités connues des événements impliqués.

Calculateur Bayes ?

Outil computant P(A|B) à partir de P(A), P(B) et P(B|A).

Utilisation en machine learning ?

Il modélise la relation données-hypothèse, fondement des classificateurs bayésiens naïfs.

L'essentiel

Le théorème relie résultats de tests à probabilités conditionnelles, affinant les prédictions face aux faux positifs.