Un résultat, un indice ou une observation ne suffit pas toujours à conclure. Le théorème de Bayes sert à répondre à une question précise : après l’apparition d’une nouvelle information, quelle est la probabilité que l’hypothèse envisagée soit correcte ? Il permet de réviser une estimation initiale en tenant compte de la fréquence réelle du phénomène étudié.
Comprendre l’idée : partir d’une hypothèse, puis la corriger
Le théorème de Bayes est une règle de calcul des probabilités conditionnelles. Il relie deux questions souvent confondues : « quelle est la probabilité d’observer B si A est vrai ? » et « quelle est la probabilité que A soit vrai si B est observé ? ». Ces deux probabilités ne sont généralement pas égales.
Calculateur du théorème de Bayes
Résultat :
Formule : P(A|B) = (P(B|A) × P(A)) / P(B)
Supposons qu’une maladie soit rare et qu’un test soit très performant. Savoir que le test est souvent positif chez les personnes malades ne permet pas, à lui seul, de conclure qu’une personne dont le résultat est positif est presque certainement malade. Il faut aussi connaître la proportion de personnes malades dans la population et le risque de faux positif. Bayes remet ces informations dans le bon ordre.
La probabilité conditionnelle, point de départ du raisonnement
On note P(A|B) la probabilité de l’événement A sachant que B s’est produit. Par exemple, P(malade|test positif) correspond à la probabilité d’être malade parmi les personnes dont le test est positif. À l’inverse, P(test positif|malade) mesure la sensibilité du test : parmi les personnes malades, quelle part reçoit un résultat positif ?
Le théorème de Bayes permet de passer de la seconde information à la première. Il ne crée pas de certitude : il met à jour une estimation à partir d’éléments mesurables. C’est le principe de l’inférence bayésienne : une croyance initiale est ajustée lorsque de nouvelles observations apparaissent.
La formule de Bayes, expliquée sans raccourci
Pour deux événements A et B, lorsque P(B) n’est pas nulle, la formule s’écrit : P(A|B) = P(B|A) × P(A) / P(B).

| Élément | Rôle dans le calcul |
|---|---|
| P(A) | La probabilité initiale de A, aussi appelée probabilité a priori. |
| P(B|A) | La probabilité d’observer B lorsque A est vrai. |
| P(B) | La probabilité globale d’observer B, toutes situations confondues. |
| P(A|B) | La probabilité recherchée après l’observation de B, ou probabilité a posteriori. |
Le dénominateur P(B) est essentiel : il replace l’observation dans l’ensemble des cas où elle peut se produire. Si plusieurs causes peuvent conduire au même résultat, elles doivent toutes être prises en compte. Dans un système complet d’événements, on calcule P(B) en additionnant, pour chaque hypothèse possible, sa fréquence initiale multipliée par la probabilité qu’elle produise B.
Une méthode en quatre étapes pour résoudre un problème
- Définir clairement l’hypothèse A et l’observation B.
- Relever la probabilité initiale P(A), sans la remplacer par une intuition.
- Évaluer P(B|A), mais aussi les autres manières plausibles d’obtenir B.
- Calculer P(B), puis appliquer la formule et interpréter le résultat comme une probabilité, pas comme un verdict.
Un arbre de décision aide à ne pas inverser les conditions. Il permet de visualiser les effectifs à chaque étape du raisonnement. En partant d’un groupe de 10 000 personnes imaginaires, puis en séparant les personnes malades et non malades avant de répartir les résultats positifs et négatifs, on voit quels effectifs composent réellement le groupe des tests positifs.
Exemple chiffré : pourquoi un test positif peut surprendre
Considérons une maladie présente chez 1 personne sur 10 000. Un test est positif dans 99 % des cas lorsqu’une personne est malade, mais il produit 0,1 % de faux positifs chez les personnes non malades. L’objectif est de déterminer la probabilité d’être malade après un test positif.
La probabilité initiale d’être malade est P(A) = 1/10 000. La probabilité d’obtenir un test positif quand on est malade est P(B|A) = 99 %. Chez une personne non malade, elle est de 0,1 %. Sur 10 000 personnes, on attend approximativement une personne malade. Son test a 99 % de chances d’être positif. Parmi les 9 999 autres personnes, environ 0,1 % auront également un test positif, soit près de 10 personnes.
Un résultat positif concerne donc environ 11 personnes, dont une seule est réellement malade. La probabilité réelle d’être malade si le test est positif est alors proche de 0,09, soit environ 9 %. Ce résultat ne rend pas le test inutile. Il montre qu’un dépistage doit être interprété avec la prévalence, les symptômes, les examens complémentaires et le contexte médical. Un test de confirmation peut modifier fortement l’estimation, car il apporte une nouvelle information à intégrer.
Comparer avec un dé ou des tirages successifs
Dans un jeu de dé équilibré, la probabilité de sortir un 6 est de 1/6. Obtenir deux 6 consécutifs a une probabilité de 1/36, car les deux lancers sont indépendants. Le théorème de Bayes devient surtout utile lorsqu’il faut remonter d’une observation vers sa cause, par exemple pour déterminer quel dé ou quelle urne a probablement été utilisé après plusieurs résultats.
Où le raisonnement bayésien est utile au quotidien et en technologie
La médecine est l’exemple le plus parlant, mais l’application du théorème de Bayes dépasse largement les tests de dépistage. Chaque fois qu’une décision dépend d’indices imparfaits, il aide à distinguer un signal, un hasard et une information réellement probante.
- En santé, il sert à interpréter un dépistage, un résultat biologique ou l’effet d’un symptôme sur la probabilité d’un diagnostic.
- En intelligence artificielle, des modèles bayésiens mettent à jour la probabilité de catégories ou d’états à partir de nouvelles données, par exemple pour la détection de spam, la classification, la recommandation ou la maintenance prédictive.
- En entreprise, il peut affiner une estimation de fraude, d’attrition client ou de défaillance technique lorsqu’un nouveau signal est observé.
- Dans la recherche et les statistiques, il permet de combiner des connaissances préalables avec les résultats d’une expérience.
Thomas Bayes a posé les bases de ce raisonnement au XVIIIe siècle. Son travail a été publié en 1763 par Richard Price. Pierre-Simon de Laplace a ensuite développé des méthodes proches de manière indépendante et a contribué à leur diffusion dans les sciences. L’approche s’est développée avec la puissance de calcul moderne, qui facilite le traitement de modèles comportant de nombreuses hypothèses.
Les erreurs qui faussent le plus souvent l’interprétation
La première erreur consiste à confondre P(B|A) avec P(A|B). Une caractéristique très fréquente chez les personnes ayant une condition donnée peut aussi apparaître chez beaucoup de personnes qui ne l’ont pas. Cette inversion de la condition est au centre du paradoxe des tests médicaux.
La deuxième erreur consiste à ignorer le taux de base, c’est-à-dire la fréquence initiale de l’événement. Pour un événement rare, même un faible taux de faux positifs peut représenter beaucoup de cas par rapport aux vrais positifs. À l’inverse, une donnée très discriminante peut renforcer fortement une hypothèse si elle est observée plusieurs fois et si les observations sont suffisamment indépendantes.
Enfin, la qualité du résultat dépend des hypothèses choisies. Les probabilités doivent être crédibles, les catégories suffisamment complètes et les dépendances entre événements correctement identifiées. Le théorème de Bayes est une règle rigoureuse, mais il ne corrige pas des données biaisées, une prévalence mal estimée ou une conclusion médicale tirée sans l’avis d’un professionnel compétent.

