Fréquences naturelles — rendre Bayes intuitif

Un problème probabiliste peut sembler extrêmement difficile sous une forme et presque évident sous une autre. Cette différence ne vient pas nécessairement de nos capacités mathématiques : elle peut venir de la manière dont l’information est représentée.

Prenons une maladie qui touche 1 % d’une population. Un test détecte 90 % des personnes malades et produit 5 % de faux positifs parmi les personnes non malades. Une personne obtient un résultat positif. Quelle est la probabilité qu’elle soit réellement malade ?

Présenté ainsi, le problème demande de combiner plusieurs probabilités conditionnelles. Beaucoup de lecteurs hésitent sur le calcul à effectuer. Transformons maintenant exactement les mêmes informations : sur 1 000 personnes, environ 10 sont malades ; 9 d’entre elles obtiennent un test positif. Parmi les 990 personnes non malades, environ 50 obtiennent elles aussi un résultat positif. Il y a donc environ 59 résultats positifs, dont seulement 9 correspondent à des personnes malades. La réponse devient immédiatement visible : environ 9 personnes sur 59, soit 15 %.

Nous n’avons changé ni les données ni le théorème de Bayes. Nous avons changé leur représentation.

Des probabilités aux personnes

Les expressions « prévalence de 1 % », « sensibilité de 90 % » ou « taux de faux positifs de 5 % » décrivent les informations sous forme de probabilités conditionnelles normalisées. Pour les utiliser, il faut mentalement reconstruire les relations entre plusieurs groupes.

Les fréquences naturelles présentent au contraire les mêmes relations sous forme d’effectifs emboîtés : sur 1 000 personnes, 10 sont malades ; parmi ces 10, 9 sont positives ; parmi les 990 autres, environ 50 sont également positives.

Nous pouvons alors visualiser directement la population qui nous intéresse :

59 tests positifs = 9 vrais positifs + environ 50 faux positifs.

La question « quelle est la probabilité d’être malade sachant que le test est positif ? » devient simplement : parmi toutes les personnes positives, quelle proportion est malade ?

Autrement dit, nous ne supprimons pas Bayes. Nous rendons sa structure beaucoup plus visible.

Ce que signifie exactement « fréquence naturelle »

Toutes les présentations sous forme de « X personnes sur 1 000 » ne sont pas nécessairement des fréquences naturelles au sens précis utilisé dans cette littérature. L’idée vient d’un processus de comptage séquentiel sans renormaliser chaque sous-groupe séparément.

Dans notre exemple, nous partons de 1 000 personnes. Nous en comptons 10 malades et 990 non malades. Puis, à l’intérieur de ces groupes, nous comptons les résultats positifs : 9 parmi les malades et environ 50 parmi les non-malades. Les effectifs conservent ainsi leurs relations d’inclusion.

Cette structure peut être représentée comme un arbre :

1 000 personnes → 10 malades → 9 positives

et

1 000 personnes → 990 non malades → environ 50 positives.

Les nombres « 9 » et « 50 » sont directement comparables parce qu’ils proviennent de branches du même échantillon initial. La réponse recherchée est alors simplement :

9 / (9 + 50).

Hoffrage, Gigerenzer, Krauss et Martignon ont insisté sur cette distinction entre fréquences naturelles et fréquences artificiellement renormalisées : ce n’est pas seulement le remplacement du signe « % » par des nombres entiers qui facilite le raisonnement, mais la conservation de la structure imbriquée des ensembles.

Pourquoi les pourcentages rendent parfois la structure opaque

Reprenons les données initiales :

  • prévalence : 1 % ;
  • sensibilité : 90 % ;
  • taux de faux positifs : 5 %.

Ces trois nombres ne portent pas sur le même groupe. Le 1 % concerne l’ensemble de la population. Le 90 % concerne uniquement les personnes malades. Le 5 % concerne uniquement les personnes non malades.

Pour résoudre le problème directement avec les probabilités, il faut donc conserver mentalement plusieurs dénominateurs différents. C’est précisément ce qui favorise certaines confusions, notamment l’inversion entre :

P(test positif | maladie)

et

P(maladie | test positif).

Les fréquences naturelles alignent ces informations dans une même représentation. Les dénominateurs deviennent en quelque sorte visibles à travers les groupes auxquels appartiennent les individus.

Cette propriété explique pourquoi elles constituent un outil pédagogique si puissant : elles ne demandent pas seulement au lecteur de mémoriser qu’il faut « tenir compte du taux de base ». Elles font apparaître physiquement le taux de base dans la population représentée.

Le paradoxe apparent du « test fiable »

L’exemple médical permet également de comprendre une intuition souvent trompeuse. Si un test détecte 90 % des malades, beaucoup de personnes sont tentées de penser qu’un résultat positif signifie environ 90 % de probabilité d’être malade.

Avec les fréquences naturelles, l’erreur devient difficile à maintenir. Sur 1 000 personnes, il n’y a que 10 malades au départ. Même un excellent test ne peut produire que 9 vrais positifs parmi elles. En revanche, les 990 personnes non malades forment un groupe tellement plus grand que 5 % de faux positifs représentent environ 50 personnes.

Nous obtenons donc beaucoup plus de faux positifs que de vrais positifs.

Ce résultat ne montre pas que le test est « mauvais ». Il montre que la valeur informative d’un résultat dépend du taux de base. Le test peut être très performant tout en produisant, dans une population où la maladie est rare, un résultat positif qui demande encore confirmation.

Cette distinction sera approfondie dans les fiches consacrées aux tests médicaux et aux faux positifs.

Un autre taux de base, une autre conclusion

Gardons exactement le même test, mais imaginons qu’il soit utilisé non plus dans une population générale où la maladie touche 1 % des personnes, mais dans une population sélectionnée où elle en touche 20 %.

Sur 1 000 personnes, nous aurions alors 200 malades et 800 non malades. Avec la même sensibilité de 90 %, 180 malades auraient un résultat positif. Avec le même taux de faux positifs de 5 %, 40 personnes non malades auraient également un résultat positif.

Parmi les 220 tests positifs :

180 correspondent à des malades.

La probabilité d’être malade après un test positif est donc maintenant d’environ :

180 / 220 ≈ 82 %.

Le test n’a absolument pas changé. Pourtant, nous sommes passés d’environ 15 % à 82 % de probabilité post-test.

La raison apparaît immédiatement avec les fréquences : le nombre de personnes malades présentes avant même le test était radicalement différent.

C’est l’une des meilleures manières de saisir intuitivement le rôle du prior. Le prior n’est pas un terme abstrait ajouté artificiellement au calcul : il correspond ici à la proportion de personnes malades dans la population pertinente avant que nous connaissions le résultat du test.

Les travaux de Gigerenzer et Hoffrage

En 1995, Gerd Gigerenzer et Ulrich Hoffrage ont publié dans *Psychological Review* une série d’expériences montrant que la performance à différents problèmes bayésiens pouvait augmenter fortement lorsque les informations étaient présentées sous forme de fréquences plutôt que de probabilités conditionnelles. Dans certaines conditions expérimentales, des participants sans formation statistique produisaient ainsi beaucoup plus fréquemment des solutions compatibles avec le raisonnement bayésien.

Ces résultats ont joué un rôle important dans un débat plus général sur la rationalité humaine. Certaines expériences classiques avaient été interprétées comme montrant une forte incapacité à utiliser correctement les taux de base. Les travaux sur les formats de représentation ont conduit à nuancer cette conclusion : une performance médiocre dans une représentation particulière ne démontre pas nécessairement une incapacité générale à raisonner sur l’incertitude.

Cela rejoint directement la catégorie précédente sur l’intuition et les heuristiques. Une tâche peut solliciter très différemment nos capacités selon la manière dont elle est formulée.

Un résultat confirmé, mais avec des nuances

L’effet facilitateur des fréquences naturelles ne repose pas sur une expérience isolée. Une méta-analyse publiée en 2018 a examiné 35 articles représentant 226 estimations de performance et conclu à un avantage global du format en fréquences naturelles pour les tâches descriptives d’inférence bayésienne, tout en montrant que l’ampleur de cet avantage dépend de plusieurs caractéristiques de la tâche et de sa présentation.

Des travaux ultérieurs ont également montré que l’intérêt des fréquences naturelles pouvait s’étendre à des problèmes plus complexes que les premiers exercices comportant deux hypothèses et un seul indice.

La conclusion raisonnable n’est donc pas « les pourcentages empêchent de raisonner et les fréquences résolvent tout ». Elle est plus intéressante : la représentation d’un problème probabiliste peut profondément modifier sa difficulté cognitive.

Deux explications principales

Pourquoi les fréquences naturelles fonctionnent-elles mieux dans de nombreuses situations ? La littérature a notamment opposé deux familles d’explications.

Gigerenzer et ses collaborateurs insistent sur la notion d’échantillonnage naturel : pendant une grande partie de l’histoire de notre espèce, les informations statistiques n’étaient évidemment pas présentées sous forme de « sensibilité de 90 % » ou de « prévalence de 1 % ». Elles étaient rencontrées comme des occurrences successives : parmi les animaux observés, certains possédaient telle propriété ; parmi eux, certains produisaient tel résultat.

Une autre explication insiste davantage sur la manière dont les fréquences naturelles rendent explicites les ensembles emboîtés nécessaires au raisonnement. Les vrais positifs constituent par exemple un sous-ensemble des tests positifs ; cette relation est immédiatement visible lorsque nous écrivons « 9 sur 59 ».

Ces explications ne sont pas entièrement équivalentes et ont donné lieu à un débat théorique. Pour notre objectif, il n’est pas nécessaire de le trancher. Les deux soulignent un point commun important : la forme de représentation modifie les opérations mentales nécessaires pour résoudre le problème. La méta-analyse consacrée au sujet distingue précisément ces deux grandes traditions explicatives et examine les facteurs susceptibles de modérer l’effet.

Les fréquences naturelles ne s’opposent pas à Bayes

Il serait donc trompeur de présenter ce sujet comme une opposition entre Gigerenzer et Bayes.

Les fréquences naturelles ne proposent pas une règle concurrente permettant d’éviter le théorème de Bayes. Elles constituent une manière de représenter certains problèmes de façon à rendre le calcul bayésien plus simple et plus intuitif.

Notre exemple médical peut être résolu avec la formule :

P(M|+) = [P(+|M) × P(M)] / P(+).

Mais il peut également être résolu en comptant directement :

9 malades positifs / 59 personnes positives.

Les deux raisonnements décrivent la même structure probabiliste.

Cette complémentarité est importante parce qu’elle évite une mauvaise opposition entre intuition et mathématiques. Une bonne représentation peut justement permettre à l’intuition de retrouver une structure que la formule exprime de manière abstraite.

Transformer un problème en fréquences

Lorsqu’un problème contient des probabilités conditionnelles difficiles à interpréter, une méthode pratique consiste à choisir une population fictive suffisamment grande pour obtenir des nombres simples.

Supposons :

2 % de prévalence,

80 % de sensibilité,

10 % de faux positifs.

Nous pouvons choisir 1 000 personnes. Environ 20 sont malades et 980 ne le sont pas. Parmi les 20 malades, 16 obtiennent un résultat positif. Parmi les 980 personnes non malades, 98 obtiennent également un résultat positif.

Il existe donc :

16 + 98 = 114 résultats positifs.

Parmi eux, 16 correspondent à des malades :

16 / 114 ≈ 14 %.

Le calcul devient presque mécanique une fois la population reconstruite.

Cette technique peut être résumée par trois questions : sur combien de personnes raisonnons-nous ? Combien possèdent initialement la caractéristique recherchée ? Parmi chaque groupe, combien produisent l’observation qui nous intéresse ?

Une fois ces nombres obtenus, la plupart des problèmes élémentaires de diagnostic bayésien deviennent des problèmes de comptage.

Le choix de la population n’a rien de magique

Pourquoi choisir 1 000 personnes plutôt que 10 000 ? Simplement pour obtenir des effectifs commodes.

Une prévalence de 1 % se traduit facilement par 10 personnes sur 1 000. Une prévalence de 0,1 % sera souvent plus lisible sur 10 000 personnes. Le choix de la population fictive ne modifie pas la probabilité finale tant que les proportions sont conservées.

Il s’agit donc d’un outil de représentation, non d’une hypothèse sur le nombre réel de personnes étudiées.

Cette remarque est importante : les fréquences naturelles peuvent être utilisées pour comprendre un problème même si les données initiales proviennent d’une étude comportant un autre nombre de participants. Nous construisons une population fictive équivalente afin de rendre les relations probabilistes visibles.

Attention aux arrondis

Cette conversion peut introduire de petits écarts lorsque les probabilités ne produisent pas des effectifs entiers. Dans notre premier exemple, 5 % de 990 donnent 49,5 personnes. Nous avons écrit « environ 50 » parce que l’exemple vise à comprendre la structure et non à prétendre qu’une demi-personne existe.

Dans une analyse scientifique ou médicale réelle, on conserverait naturellement la précision nécessaire au calcul.

Les fréquences naturelles ne doivent donc pas devenir une excuse pour abandonner la rigueur numérique. Leur fonction est d’améliorer la compréhension de la structure probabiliste, pas de remplacer toutes les méthodes statistiques.

Une représentation utile bien au-delà de la médecine

Les tests médicaux constituent l’exemple classique, mais la même logique fonctionne dans de nombreux domaines.

Supposons qu’un système de sécurité déclenche une alarme dans 95 % des intrusions réelles, mais également dans 1 % des périodes sans intrusion. Si les intrusions sont extrêmement rares, la majorité des alarmes peuvent malgré tout être des fausses alertes.

La même structure apparaît avec certains systèmes de détection de fraude, contrôles industriels, filtres automatiques, dépistages, tests de sécurité ou classifications algorithmiques. Chaque fois, une question centrale est : parmi toutes les alertes produites, combien correspondent réellement au phénomène recherché ?

Pour y répondre, connaître seulement la performance du détecteur lorsque le phénomène est présent ne suffit pas. Il faut également connaître son comportement lorsqu’il est absent et la fréquence initiale du phénomène.

Les fréquences naturelles permettent alors de voir simultanément ces trois dimensions.

Comprendre avant de calculer

Cette méthode révèle une leçon plus générale pour l’esprit critique. Nous avons parfois tendance à considérer les mathématiques comme un test de capacité : si un problème probabiliste paraît difficile, c’est que nous « ne sommes pas bons en maths ». Pourtant, une part importante de la difficulté peut résider dans la traduction du problème.

Changer la représentation n’est pas tricher. C’est au contraire l’une des opérations fondamentales du raisonnement.

Un bon diagramme peut rendre visible une relation géométrique compliquée à décrire verbalement. Un tableau peut révéler une comparaison perdue dans plusieurs paragraphes. De la même manière, une fréquence naturelle peut faire apparaître une structure bayésienne cachée derrière plusieurs probabilités conditionnelles.

Cette idée devrait modifier notre manière d’interpréter certaines erreurs cognitives. Observer que des personnes se trompent massivement sur une version d’un problème ne suffit pas toujours à conclure qu’elles sont incapables de comprendre le principe concerné. Il faut aussi demander : dans quelle représentation leur avons-nous demandé de raisonner ?

Une technique d’autonomie intellectuelle

Les fréquences naturelles constituent finalement plus qu’une astuce pour réussir des exercices de statistiques. Elles offrent une méthode pratique pour désamorcer certains chiffres impressionnants.

Lorsque vous lisez qu’un test est « fiable à 99 % », demandez : sur 10 000 personnes comparables, combien possèdent réellement ce que le test cherche ? Combien seront correctement détectées ? Combien de personnes qui ne le possèdent pas seront malgré tout positives ?

Lorsque vous entendez qu’un système de détection reconnaît « 95 % des cas », posez la même question.

Très souvent, reconstruire une population concrète révèle immédiatement l’information qui manquait : le taux de base.

Cette habitude sera précieuse dans toute la suite de la catégorie. Bayes peut s’écrire sous forme d’équations, mais une grande partie de sa logique peut être comprise en comptant simplement des cas dans des ensembles correctement construits. Le lecteur dispose ainsi de deux langages complémentaires : le langage formel des probabilités et le langage concret des fréquences.

Lorsque le premier devient opaque, le second peut servir de traduction.

Et cette traduction nous conduit précisément au prochain problème. Dans tous nos exemples, nous avons commencé par demander combien de personnes étaient malades avant de connaître le résultat du test. Cette information initiale n’est pas un détail : elle peut transformer complètement la conclusion.

C’est le taux de base.

Pour aller plus loin

  • Gigerenzer, G., & Hoffrage, U. (1995). « How to Improve Bayesian Reasoning Without Instruction: Frequency Formats ». *Psychological Review*, 102(4), 684–704. DOI : 10.1037/0033-295X.102.4.684. Article fondateur sur l’effet des formats fréquentiels dans plusieurs problèmes bayésiens.
  • Hoffrage, U., Gigerenzer, G., Krauss, S., & Martignon, L. (2002). « Representation Facilitates Reasoning: What Natural Frequencies Are and What They Are Not ». *Cognition*, 84(3), 343–352. DOI : 10.1016/S0010-0277(02)00050-1. Clarification importante de la notion de fréquence naturelle.
  • McDowell, M., & Jacobs, P. (2017). « Meta-analysis of the effect of natural frequencies on Bayesian reasoning ». *Psychological Bulletin*. DOI : 10.1037/bul0000126. Synthèse quantitative de vingt années de travaux sur l’effet facilitateur des fréquences naturelles.
  • Hoffrage, U., Krauss, S., Martignon, L., & Gigerenzer, G. (2015). « Natural frequencies improve Bayesian reasoning in simple and complex inference tasks ». *Frontiers in Psychology*, 6, 1473. Étude étendant le principe à des tâches d’inférence plus complexes.
6 sur 35Retour à la catégorie