Raisonner avec les probabilités
Tous les raisonnements ne permettent pas de conclure simplement vrai ou faux. Nous disposons souvent d’informations incomplètes, d’événements variables et de données qui rendent certaines possibilités plus crédibles que d’autres sans les garantir.
Un diagnostic peut être probable sans être certain. Un traitement peut diminuer un risque sans empêcher tous les accidents. Une observation peut renforcer une hypothèse sans la démontrer.
Le raisonnement probabiliste sert précisément à représenter cette incertitude graduée.
L’enjeu principal n’est pas seulement de manipuler des pourcentages. Il est d’apprendre à demander :
probabilité de quoi, sachant quoi ?
Une probabilité doit être correctement définie
Considérons :
« Le risque est de 10 %. »
Cette phrase est incomplète.
10 % de quoi ? Dans quelle population ? Pendant quelle durée ? Dans quelles conditions ?
Le risque de développer une maladie au cours des dix prochaines années n’est pas le risque d’en mourir. La probabilité qu’un test soit positif n’est pas la probabilité que la personne testée soit malade.
Une probabilité n’est donc réellement informative que lorsque l’événement et les conditions auxquelles elle se rapporte sont clairement identifiés.
Une nouvelle information change la probabilité
Supposons que nous tirions une carte au hasard.
Avant toute information supplémentaire, nous pouvons demander :
Quelle est la probabilité qu’elle soit un roi ?
Puis nous apprenons :
La carte est une figure.
La question a changé.
Nous cherchons maintenant :
Quelle est la probabilité qu’elle soit un roi sachant qu’elle est une figure ?
C’est une probabilité conditionnelle.
On la note :
P(A | B)
et on la lit :
probabilité de A sachant B.
Le mot « sachant » est fondamental. Une probabilité peut changer lorsque nous recevons une nouvelle information pertinente.
P(A | B) n’est pas P(B | A)
Cette distinction est l’une des plus importantes du raisonnement probabiliste.
Prenons :
M : la personne possède une maladie ;
T : le test est positif.
Nous pouvons demander :
P(T | M) : quelle est la probabilité que le test soit positif si la personne est malade ?
Mais nous pouvons aussi demander :
P(M | T) : quelle est la probabilité que la personne soit malade si le test est positif ?
Ces deux probabilités ne sont pas identiques.
Un test peut détecter presque tous les malades tout en produisant suffisamment de faux positifs pour que beaucoup de personnes testées positives ne soient finalement pas malades.
L’erreur consiste à inverser la conditionnelle :
« La plupart des malades ont ce résultat »
devient abusivement :
« La plupart des personnes ayant ce résultat sont malades. »
Le théorème de Bayes permet précisément de passer correctement de l’une de ces probabilités à l’autre.
Le taux de base
Pour comprendre pourquoi l’inversion est dangereuse, prenons une maladie rare.
Supposons qu’elle touche 1 % d’une population et qu’un test possède 95 % de sensibilité et 95 % de spécificité.
Imaginons 1 000 personnes.
Environ 10 sont malades. Parmi elles, environ 9 ou 10 auront un résultat positif.
Les 990 autres ne sont pas malades. Même avec seulement 5 % de faux positifs, cela représente environ 50 résultats positifs supplémentaires.
Nous obtenons donc beaucoup plus de résultats positifs que de personnes réellement malades.
La raison est simple : les personnes non malades sont énormément plus nombreuses au départ.
Ce 1 % initial constitue le taux de base.
Une information nouvelle — ici le résultat du test — doit être interprétée à partir de ce que nous savions déjà.
Les fréquences naturelles rendent le problème plus intuitif
Les mêmes informations peuvent être présentées ainsi :
Sur 1 000 personnes, environ 10 sont malades. Environ 9 ou 10 de ces malades seront positives. Parmi les 990 personnes non malades, environ 50 seront également positives.
Cette représentation permet immédiatement de voir les deux groupes présents parmi les résultats positifs :
vrais positifs et faux positifs.
Transformer des pourcentages en effectifs concrets constitue souvent un excellent moyen de comprendre les probabilités conditionnelles.
Les mathématiques n’ont pas changé.
La structure du problème est simplement devenue plus visible.
Bayes : réviser plutôt que repartir de zéro
L’idée générale du raisonnement bayésien peut être résumée très simplement.
Nous partons d’une estimation initiale :
probabilité antérieure.
Nous obtenons une nouvelle information.
Nous examinons à quel point cette information était attendue selon différentes hypothèses.
Nous arrivons alors à une estimation révisée :
probabilité postérieure.
Ainsi, apprendre qu’un test est positif ne doit pas effacer la fréquence initiale de la maladie.
L’information nouvelle modifie notre estimation précédente.
Elle ne la remplace pas par magie.
La catégorie consacrée aux Probabilités et au raisonnement bayésien développe précisément cette logique, ses calculs et ses limites.
Une preuve peut renforcer une hypothèse sans la rendre probable
Supposons qu’une hypothèse soit extrêmement improbable au départ.
Nous découvrons ensuite une observation dix fois plus probable si cette hypothèse est vraie que si elle est fausse.
L’observation constitue bien un élément en faveur de l’hypothèse.
Mais l’hypothèse peut malgré tout rester peu probable si son taux de base était extrêmement faible.
Il faut donc distinguer :
« Cette observation soutient H »
et :
« H est maintenant probable ».
Ce ne sont pas les mêmes affirmations.
Cette distinction protège contre une erreur fréquente : transformer un indice spectaculaire en preuve quasi certaine sans tenir compte des possibilités concurrentes.
Improbable ne signifie pas impossible
Supposons qu’un événement possède une probabilité de 1 %.
S’il se produit, cela ne démontre pas automatiquement que l’estimation était mauvaise.
Un événement ayant une chance sur cent doit justement se produire de temps en temps.
Inversement, le fait qu’un événement se soit effectivement produit ne signifie pas qu’il était probable avant de se produire.
Le raisonnement probabiliste oblige donc à distinguer :
probabilité avant l’événement
et
connaissance de l’événement après coup.
Le résultat réel ne réécrit pas sa probabilité antérieure.
Une prévision probabiliste doit être évaluée sur une série de cas
Supposons qu’un modèle annonce 70 % de probabilité dans de nombreuses situations comparables.
Il ne devrait pas avoir raison systématiquement.
Une bonne prévision à 70 % devrait produire l’événement environ sept fois sur dix à long terme dans les situations correctement comparables.
C’est l’idée de calibration.
Juger un système probabiliste sur une seule prédiction serait donc trompeur.
Un événement peu probable peut se produire et une prévision très probable peut échouer sans que le modèle soit nécessairement mauvais.
L’indépendance
Deux événements sont indépendants lorsque connaître le résultat de l’un ne modifie pas la probabilité de l’autre.
Pour deux lancers indépendants d’une pièce équilibrée :
obtenir pile au premier lancer
ne change pas la probabilité d’obtenir pile au second.
Elle reste :
1/2.
Dans ce cas, pour calculer la probabilité que deux événements indépendants se produisent ensemble, on multiplie leurs probabilités.
Mais l’indépendance ne doit jamais être supposée mécaniquement.
Des personnes appartenant à la même famille, des patients du même service ou plusieurs mesures effectuées sur une même personne peuvent partager des facteurs communs.
Leurs observations peuvent donc être dépendantes.
Indépendant ne signifie pas incompatible
Deux événements incompatibles ne peuvent pas se produire simultanément.
Lors d’un seul lancer de dé :
obtenir 2
et
obtenir 5
sont incompatibles.
Ils ne sont pourtant pas indépendants : savoir que le résultat est 2 nous indique immédiatement qu’il n’est pas 5.
À l’inverse, deux événements indépendants peuvent parfaitement se produire ensemble.
Les expressions :
« ne peuvent pas arriver ensemble »
et
« l’un ne change pas la probabilité de l’autre »
ne décrivent donc pas la même relation.
Risque absolu et risque relatif
Les probabilités peuvent aussi être présentées de manière à produire des impressions très différentes.
Supposons qu’un événement touche :
1 personne sur 100
dans un premier groupe et :
2 personnes sur 100
dans un second.
Le risque est passé de :
1 % à 2 %.
On peut dire qu’il a augmenté de :
1 point de pourcentage en valeur absolue
ou :
100 % en valeur relative.
Les deux affirmations sont mathématiquement correctes.
Mais elles ne communiquent pas la même chose.
C’est pourquoi il est souvent utile de connaître à la fois le risque de départ et la variation relative.
Dire seulement :
« Le risque a doublé »
peut être très impressionnant si nous ignorons qu’il est passé de 1 sur 10 000 à 2 sur 10 000.
Inversement, une petite variation relative appliquée à un risque initial très élevé peut correspondre à un grand nombre de cas.
Une probabilité n’est pas encore une décision
Supposons qu’une option comporte 1 % de risque d’un événement grave et une autre 2 %.
Cette information est importante.
Mais elle ne suffit pas nécessairement à choisir.
Il faut aussi considérer les bénéfices attendus, les autres risques, leur gravité, les coûts et les préférences de la personne concernée.
Les probabilités nous renseignent sur ce qui pourrait arriver et avec quelle fréquence ou crédibilité.
Elles ne déterminent pas à elles seules ce que nous devons faire.
Ce passage de l’incertitude à l’action est développé dans la catégorie Décision, risque et action.
Une méthode pratique
Face à un pourcentage ou une probabilité, quelques questions permettent déjà d’éviter de nombreuses erreurs.
Probabilité de quel événement ?
Dans quelle population et pendant quelle durée ?
Quelle information est déjà connue ?
Parle-t-on de P(A | B) ou de P(B | A) ?
Quel est le taux de base ?
Les événements sont-ils réellement indépendants ?
Le risque est-il exprimé en valeur absolue ou relative ?
Ces questions sont souvent plus importantes que le calcul lui-même.
À retenir
Raisonner avec les probabilités consiste à représenter l’incertitude sans la confondre avec l’ignorance totale ou la certitude.
La notion centrale est la probabilité conditionnelle :
P(A | B)
désigne la probabilité de A sachant B.
Elle ne doit pas être confondue avec :
P(B | A).
Cette distinction est particulièrement importante dans l’interprétation des tests, diagnostics et indices.
Le taux de base compte également : une observation favorable à une hypothèse rare peut augmenter fortement sa crédibilité sans suffire à la rendre très probable.
Le raisonnement bayésien formalise précisément cette idée générale :
partir d’une estimation initiale, intégrer une nouvelle information et réviser notre confiance.
Il faut enfin distinguer événements indépendants et événements incompatibles, ainsi que risque absolu et risque relatif.
Le réflexe fondamental peut être formulé ainsi :
« Probabilité de quoi, sachant quoi, et par rapport à quelle situation de départ ? »
Pour aller plus loin, la rubrique Probabilités et raisonnement bayésien développe ces notions en détail, notamment les probabilités conditionnelles, les taux de base, les rapports de vraisemblance et la mise à jour bayésienne.