P(A|B) n’est pas P(B|A)
Parmi les erreurs probabilistes les plus importantes, l’une tient à une confusion apparemment minuscule : inverser ce qui est conditionné et ce qui sert de condition. La probabilité d’observer une donnée si une hypothèse est vraie n’est généralement pas la même chose que la probabilité que l’hypothèse soit vraie lorsque cette donnée est observée.
Autrement dit :
P(A|B) ≠ P(B|A) en général.
Cette distinction est au cœur du diagnostic médical, de l’interprétation des tests, des enquêtes judiciaires et de l’évaluation des preuves scientifiques. Elle constitue également l’une des raisons fondamentales pour lesquelles le théorème de Bayes est utile : il permet précisément de relier correctement ces deux probabilités sans les confondre.
Deux questions qui se ressemblent beaucoup
Prenons une maladie M et un test positif +. Nous pouvons poser deux questions :
P(+|M) : quelle est la probabilité que le test soit positif si la personne est malade ?
P(M|+) : quelle est la probabilité que la personne soit malade si son test est positif ?
La première question concerne les performances du test chez les personnes malades. La seconde concerne le diagnostic d’une personne ayant obtenu un résultat positif.
Elles ne posent pas du tout le même problème.
Si un test détecte 90 % des personnes malades, nous pouvons écrire :
P(+|M) = 90 %.
Cela ne signifie absolument pas que :
P(M|+) = 90 %.
Pour connaître cette seconde probabilité, nous avons besoin d’informations supplémentaires, notamment de savoir à quel point la maladie est fréquente et à quelle fréquence le test produit un résultat positif chez les personnes non malades.
C’est ici que les taux de base commencent à intervenir.
Un bon test peut donner un résultat positif peu concluant
Imaginons une maladie présente chez 1 % de la population. Le test détecte correctement 90 % des malades, mais donne également un résultat positif chez 5 % des personnes non malades.
Prenons 1 000 personnes comparables :
| Malades | Non malades | |
|---|---|---|
| Population | 10 | 990 |
| Test positif | 9 | environ 50 |
| Test négatif | 1 | environ 940 |
Parmi les quelque 59 personnes obtenant un résultat positif, seulement 9 sont effectivement malades. La probabilité d’être malade sachant que le test est positif est donc d’environ :
9 / 59 ≈ 15 %.
Nous avions pourtant :
P(test positif | maladie) = 90 %.
Et nous obtenons :
P(maladie | test positif) ≈ 15 %.
Il n’y a aucune contradiction. Les deux nombres répondent simplement à deux questions différentes.
Le résultat devient intuitif lorsque nous regardons les effectifs. La maladie est tellement rare qu’il existe beaucoup plus de personnes non malades que de personnes malades. Même si les faux positifs sont relativement rares parmi les personnes saines, ils sont produits à partir d’un groupe immense. Ils peuvent donc devenir plus nombreux que les vrais positifs.
C’est précisément pourquoi les fréquences naturelles sont si utiles : elles rendent visible une structure qui peut rester opaque lorsqu’elle est présentée uniquement sous forme de probabilités conditionnelles. Les travaux de Gigerenzer et Hoffrage ont montré que ce type de représentation peut fortement faciliter certains raisonnements bayésiens.
Pourquoi l’inversion paraît pourtant si naturelle
La confusion est compréhensible parce que, dans le langage ordinaire, nous utilisons souvent une observation comme signe d’une cause. Si une maladie provoque fréquemment un symptôme, nous sommes tentés de conclure que la présence du symptôme rend la maladie très probable.
Mais il manque une question essentielle : quelles autres causes pourraient produire le même symptôme ?
Supposons que 80 % des personnes atteintes d’une maladie aient mal à la tête. Cela nous apprend :
P(mal de tête | maladie) = 80 %.
Mais si les maux de tête sont extrêmement fréquents dans la population pour quantité d’autres raisons, leur apparition peut n'augmenter que faiblement la probabilité de cette maladie.
À l'inverse, un symptôme relativement rare chez les malades peut parfois être très informatif s'il est presque inexistant dans toutes les hypothèses concurrentes. La force d'un indice ne dépend donc pas seulement de sa fréquence lorsque notre hypothèse est vraie. Elle dépend de la différence entre ce que prédit notre hypothèse et ce que prédisent les autres.
Nous retrouverons cette idée avec la vraisemblance.
L’erreur d’inversion
En psychologie du jugement, répondre à une question de type P(H|D) en utilisant implicitement P(D|H) a été étudié sous le nom d’inverse fallacy, que l’on peut traduire par erreur ou sophisme d’inversion. Des expériences montrent que cette confusion peut contribuer à certaines erreurs de raisonnement probabiliste, même si elle doit être distinguée d’autres phénomènes comme la négligence du taux de base.
Supposons qu’une enquête révèle que 95 % des fraudeurs présentent une certaine anomalie comptable. Il serait tentant de penser qu’une entreprise présentant cette anomalie a 95 % de chances de frauder.
Mais nous connaissons seulement :
P(anomalie | fraude) = 95 %.
Nous cherchons :
P(fraude | anomalie).
Pour effectuer cette inversion, il faut notamment savoir à quelle fréquence la fraude se produit initialement et à quelle fréquence la même anomalie apparaît chez les entreprises honnêtes.
Sans ces informations, les 95 % ne permettent pas de répondre.
L’erreur du procureur
La même confusion peut devenir particulièrement grave devant un tribunal.
Imaginons qu’une trace retrouvée sur une scène de crime possède une caractéristique rare que l’on retrouverait par hasard chez une personne sur un million. Un suspect présente cette caractéristique.
Il serait erroné de conclure :
« Il n’y a qu’une chance sur un million que le suspect soit innocent. »
Le chiffre « une personne sur un million » concerne approximativement une question du type : quelle serait la probabilité d’obtenir cette correspondance chez une personne ne constituant pas la source de la trace ?
Ce n’est pas la même chose que :
quelle est la probabilité que le suspect soit innocent sachant que cette correspondance a été observée ?
Cette confusion est connue sous le nom de prosecutor’s fallacy, l’erreur du procureur. Thompson et Schumann ont montré expérimentalement combien la présentation des preuves statistiques pouvait influencer leur interprétation dans un contexte judiciaire.
La probabilité de culpabilité dépend de beaucoup d’autres éléments : nombre de personnes susceptibles de correspondre, manière dont le suspect a été identifié, autres preuves disponibles, possibilité d’erreurs de laboratoire, hypothèses concurrentes et informations antérieures pertinentes.
Nous consacrerons une fiche spécifique à ces problèmes judiciaires. Pour l’instant, retenons simplement que la rareté d’une preuve chez les innocents n’est pas directement la probabilité d’innocence d’une personne chez qui cette preuve est trouvée.
Une preuve peut être très attendue sous H sans beaucoup soutenir H
Cette distinction révèle quelque chose de plus profond sur la notion même de preuve.
Supposons une hypothèse H : « un incendie est en cours ». Nous observons de la fumée.
Il peut être vrai que :
P(fumée | incendie) est très élevée.
La fumée est donc parfaitement attendue si un incendie existe.
Mais imaginons que nous soyons dans une cuisine où plusieurs plats produisent beaucoup de fumée. Alors :
P(fumée | absence d’incendie) peut également être élevée.
Dans ce contexte, observer de la fumée apporte beaucoup moins d’information que dans une salle d’archives où aucune source normale de fumée n’existe.
Cela conduit à une règle fondamentale :
une preuve n’est pas forte simplement parce qu’elle est probable si notre hypothèse est vraie. Elle est forte lorsqu’elle est nettement plus attendue sous cette hypothèse que sous ses concurrentes.
Nous commençons ici à passer de la simple probabilité conditionnelle à la notion de vraisemblance.
Confirmation et prédiction ne sont pas symétriques
La même confusion apparaît fréquemment dans l’évaluation des théories.
Supposons qu’une théorie H prévoie une observation D avec une très forte probabilité. L’expérience produit effectivement D.
Nous pouvons alors dire que :
P(D|H) est élevée.
Mais pouvons-nous immédiatement conclure que :
P(H|D) est élevée ?
Non.
Il faut notamment savoir quelles autres hypothèses auraient elles aussi prédit D. Si presque toutes les théories concurrentes produisent la même prédiction, l’observation distingue très peu H de ses rivales.
Imaginons qu’une théorie météorologique annonce : « demain, la température sera comprise entre −50 °C et +50 °C ». La prédiction a toutes les chances d’être correcte dans une grande partie de l’Europe. Sa réussite ne constituera pourtant pas une confirmation impressionnante de la qualité du modèle, parce qu’une multitude de modèles médiocres auraient pu prédire la même chose.
À l’inverse, une prédiction précise que les hypothèses concurrentes jugeaient extrêmement improbable peut être beaucoup plus informative.
Le simple fait qu’une théorie puisse expliquer une observation après coup ne suffit donc pas à montrer que l’observation constitue une preuve forte en sa faveur.
Pourquoi les taux de base sont indispensables
Revenons au test médical. Pour passer de :
P(test positif | maladie)
à :
P(maladie | test positif),
nous devons intégrer la fréquence initiale de la maladie :
P(maladie).
C’est le taux de base.
Une maladie très répandue et une maladie extrêmement rare peuvent produire des probabilités postérieures très différentes avec exactement le même test.
Cette idée est parfois présentée sous la forme d’une faiblesse humaine générale : « nous ignorons les taux de base ». La littérature est plus nuancée. Les performances dépendent fortement de la manière dont le problème est formulé, de la pertinence de l’information et du format dans lequel les données sont présentées. Les fréquences naturelles peuvent notamment améliorer considérablement certains raisonnements.
Il vaut donc mieux apprendre à reconnaître la structure du problème que simplement mémoriser que « l’être humain est mauvais avec les probabilités ».
Retrouver la bonne question
Face à une statistique conditionnelle, une technique simple consiste à reformuler explicitement la phrase.
Si nous lisons :
« 95 % des personnes atteintes de cette maladie présentent ce marqueur »,
traduisons-la en :
parmi les personnes malades, 95 % possèdent le marqueur.
Puis demandons-nous si la question qui nous intéresse est réellement celle-là.
Si nous cherchons plutôt à savoir ce que signifie la présence du marqueur chez une personne donnée, la question devient :
parmi les personnes possédant le marqueur, combien sont malades ?
Nous avons changé de groupe de référence.
Le même exercice fonctionne avec les sondages, la justice, les contrôles techniques ou l’évaluation d’une information. Chaque fois, il faut identifier quel groupe se trouve après « sachant que » et quel événement nous cherchons à estimer.
Une symétrie exceptionnelle, pas une règle générale
Il peut arriver que P(A|B) et P(B|A) soient égales. Mais ce n’est pas une propriété générale.
Supposons que nous choisissions au hasard une carte dans un jeu classique. Si A signifie « la carte est un roi » et B « la carte est le roi de cœur », alors :
P(A|B) = 1, car si nous savons que la carte est le roi de cœur, elle est nécessairement un roi.
En revanche :
P(B|A) = 1/4, car si nous savons seulement qu’elle est un roi, quatre couleurs restent possibles.
Le contraste est évident dès que nous traduisons les symboles en phrases.
C’est pourquoi il est souvent préférable, lorsqu’on apprend ces concepts, de ne pas manipuler trop rapidement les lettres A et B. Il faut toujours être capable de dire ce que signifie concrètement « A sachant B ».
Ce que Bayes va permettre de faire
La différence entre P(A|B) et P(B|A) ne signifie pas qu’aucune relation n’existe entre elles. Au contraire, le théorème de Bayes permet précisément de passer correctement de l’une à l’autre en tenant compte des informations nécessaires.
Dans le cas d’un test médical, il reliera notamment la fréquence de la maladie, la probabilité d’un résultat positif chez les malades et la fréquence globale des résultats positifs afin d’obtenir la probabilité d’être malade après un résultat positif.
Autrement dit, Bayes ne nous autorise pas à retourner simplement la barre verticale. Il nous indique ce qu’il faut prendre en compte pour effectuer cette inversion correctement.
C’est ce que nous allons maintenant construire.
Avant même de connaître la formule, le réflexe essentiel est acquis : lorsque quelqu’un affirme qu’une observation est très probable si une hypothèse est vraie, nous ne devons pas traduire automatiquement cela par « l’hypothèse est donc très probablement vraie ».
Il faut demander : quelle était la plausibilité initiale de l’hypothèse, et à quel point cette même observation serait-elle attendue si l’hypothèse était fausse ou si une autre explication était vraie ?
Cette double question contient déjà presque toute l’intuition du théorème de Bayes.
Pour aller plus loin
- Villejoubert, G., & Mandel, D. R. (2002). « The inverse fallacy: An account of deviations from Bayes’s theorem and the additivity principle ». *Memory & Cognition*, 30(2), 171–178. DOI : 10.3758/BF03195278. Étude expérimentale de la confusion entre une probabilité conditionnelle et sa réciproque.
- 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. Travail majeur sur l’effet du format de représentation sur le raisonnement bayésien.
- Thompson, W. C., & Schumann, E. L. (1987). « Interpretation of Statistical Evidence in Criminal Trials: The Prosecutor’s Fallacy and the Defense Attorney’s Fallacy ». *Law and Human Behavior*, 11(3), 167–187. DOI : 10.1007/BF01044641.
- Koehler, J. J. (1996). « The Base Rate Fallacy Reconsidered: Descriptive, Normative, and Methodological Challenges ». *Behavioral and Brain Sciences*, 19(1), 1–17. Une analyse critique de l’idée selon laquelle les individus négligeraient systématiquement les taux de base.