Arbre de probabilité et Bayes
Construisez un arbre de probabilité, lâchez des billes de Monte-Carlo et observez le théorème de Bayes en direct.
P(Sick | Positive) = P(Positive | Sick) × P(Sick) ÷ P(Positive) = 90% × 1% ÷ 9.8% = 9.2%
Out of 1,000 cases, about 98 match Positive, and 9 of them are Sick: 9 in 98.
Balls fall down the tree, taking each branch with its chance, and pile up at the leaves. In the Tree and Flipped tree views, tap a leaf or a node to condition on that evidence: balls that don't match fade, and the share that remain shows Bayes' rule at work. Tap Start to drop 100 at once, an event in time that Restart and share links leave out. Taps do nothing in the 1,000 cases view.
Que pensez-vous de Arbre de probabilité et Bayes ?
À propos de Arbre de probabilité et Bayes
- Formule de Bayes
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- Première parution
- 1763, par Richard Price d'après les notes de Thomas Bayes
- Test médical classique
- Un résultat positif correspond à environ 9 % de probabilité d'être malade
- Choix de Monty Hall
- Changer de porte fait gagner 2 fois sur 3
Un arbre de probabilité décompose un processus aléatoire sous forme de ramifications successives. Le premier niveau représente la cause, par exemple la présence d'une maladie, et chaque niveau ultérieur représente un indice ou résultat de test dont les probabilités de branche dépendent des étapes précédentes. Le produit des probabilités le long d'un chemin donne la probabilité globale de cette trajectoire. Cet outil vous permet de concevoir un arbre comptant jusqu'à trois niveaux, d'en modifier les paramètres et de regarder des billes y cheminer : chaque bille choisit sa branche selon la probabilité assignée, de sorte que les piles formées aux extrémités convergent vers les probabilités exactes du chemin, illustrant le principe des méthodes de Monte-Carlo formalisées par Nicholas Metropolis et Stanislaw Ulam en 1949.
Le conditionnement par un indice isole uniquement les trajectoires conformes à l'observation. Cliquez sur une feuille ou sélectionnez un événement sous Evidence : les billes non concernées s'estompent, et la part des billes restantes issues de la cause étudiée correspond à la probabilité a posteriori. Le volet détaille le calcul d'après le théorème de Bayes, P(A | E) = P(E | A) × P(A) ÷ P(E), issu du mémoire de Thomas Bayes publié par Richard Price en 1763. L'exemple Medical test (Test médical) illustre l'importance de ce principe : si 1 personne sur 100 est malade et que le test détecte 90 % des malades tout en signalant faussement 9 % des personnes saines, un test positif ne correspond qu'à environ 9 % de chances réelles d'être malade, la majorité des tests positifs provenant de la population saine. Inversez l'arbre pour observer ces mêmes probabilités en plaçant l'indice en premier, la valeur a posteriori figurant alors directement sur une branche.
Raisonner avec des effectifs concrets est souvent plus intuitif qu'avec des pourcentages, comme l'ont démontré Gerd Gigerenzer et Ulrich Hoffrage en 1995. C'est pourquoi la vue 1,000 cases (1 000 cas) représente la population attendue sous forme d'icônes : sur 1 000 individus, environ 98 tests positifs dont 9 malades réels. Explorez le problème du taxi (Taxi cab) formulé par Amos Tversky et Daniel Kahneman, l'énigme de Monty Hall popularisée par Steve Selvin en 1975, les doubles tests diagnostiques ou le tri des courriels indésirables, puis exportez les données des feuilles en CSV ou enregistrez la simulation.
Comment utiliser Arbre de probabilité et Bayes
- Choisir une situation type. Sélectionnez Medical test, Second test, Taxi cab, Monty Hall ou Spam filter, ou créez votre propre structure sous Tree et Chances.
- Observer les billes. Les billes partent de Start et descendent le long des branches selon leurs probabilités. Les bacs comparent les arrivées réelles aux probabilités exactes ; cliquez sur Start ou sur Drop 1,000 pour en ajouter.
- Conditionner par un indice. Cliquez sur une feuille ou un nœud, ou choisissez une issue sous Evidence. Les billes hors critères s'effacent et l'application calcule la règle de Bayes pas à pas avec les valeurs de l'arbre.
- Examiner une cause précise. Utilisez le menu Chance of, ou cliquez sur un nœud de premier niveau, pour désigner la cause étudiée, par exemple la porte 2 dans l'énigme de Monty Hall.
- Ajuster les probabilités. Déplacez les curseurs dans la section Chances ; chaque valeur définit la probabilité d'une issue selon les étapes antérieures, la branche associée s'ajustant pour totaliser 100 %.
- Changer de perspective. Flipped tree place l'indice en premier pour faire apparaître la probabilité a posteriori sur les branches, tandis que 1,000 cases exprime les résultats en décomptes d'individus.
- Exporter. Enregistrez une image PNG, une animation vidéo ou GIF, ou exportez les effectifs et probabilités exactes de chaque branche en fichier CSV.
Foire aux questions
Qu'est-ce qu'un arbre de probabilité ?
Une représentation graphique d'une succession d'événements aléatoires. Chaque branche porte la probabilité conditionnelle de son issue compte tenu des choix antérieurs, la somme des branches issues d'un même nœud vaut 1, et la probabilité d'un chemin complet s'obtient en multipliant les valeurs rencontrées. Additionner les chemins correspondant à une issue donne sa probabilité totale.
Qu'énonce le théorème de Bayes ?
Il permet d'inverser le conditionnement d'une probabilité : P(A | E) = P(E | A) × P(A) ÷ P(E). Ici, P(A) est la probabilité a priori de la cause, P(E | A) la probabilité de l'indice si la cause est vérifiée, et P(E) la probabilité globale d'observer cet indice. Dans l'arbre, P(E) correspond à la somme des chemins aboutissant à E, et la probabilité a posteriori P(A | E) représente la fraction de ces chemins issue de A.
Pourquoi un test positif est-il souvent trompeur face à une maladie rare ?
En raison de la faible prévalence de la maladie. Dans le préréglage Medical test, 1 % de la population est malade : sur 1 000 individus, environ 10 sont malades (dont 9 sont testés positifs), mais 9 % des 990 personnes saines (soit environ 89 personnes) sont aussi faussement positives. Les 9 personnes malades ne représentent donc qu'environ 9 % des 98 tests positifs. Négliger ce point s'appelle l'oubli de la fréquence de base ; un second test positif consécutif monte cette probabilité à près de 50 %.
Quel est le principe du problème de Monty Hall ?
Vous choisissez la porte 1, puis l'animateur, qui sait où se trouve la voiture, ouvre une autre porte masquant une chèvre, par exemple la porte 3. Si la voiture est derrière la porte 1, l'animateur peut ouvrir l'une ou l'autre porte restante ; si elle est derrière la porte 2, il est contraint d'ouvrir la porte 3. L'ouverture de la porte 3 est deux fois plus probable lorsque la voiture est derrière la porte 2 : changer de choix permet donc de gagner 2 fois sur 3, comme le montre le préréglage Monty Hall.
En quoi consiste le problème du taxi ?
Dans la formulation de Tversky et Kahneman, 85 % des taxis d'une ville sont verts et 15 % sont bleus. Un témoin affirme qu'un taxi impliqué dans un accident était bleu, et les tests révèlent qu'il identifie correctement la couleur dans 80 % des cas. On imagine spontanément que le taxi était probablement bleu, mais la probabilité réelle n'est que de 41 % environ : la prédominance des taxis verts produit plus d'erreurs d'identification que de signalements exacts de taxis bleus.
Quel est le rôle de la simulation Monte-Carlo ?
Elle rend visible la mécanique concrète de la formule. Chaque bille représente un événement individuel indépendant, et la part des billes filtrées correspondant à la cause étudiée fournit une estimation empirique de la probabilité a posteriori. Plus le nombre de billes augmente, plus cette mesure converge vers la valeur mathématique exacte représentée par la ligne pointillée, conformément à la loi des grands nombres.
Références
- Bayes, T., & Price, R. (1763). An essay towards solving a problem in the doctrine of chances. Philosophical Transactions of the Royal Society of London 53, 370–418.
- Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review 102(4), 684–704.
- Tversky, A., & Kahneman, D. (1982). Evidential impact of base rates. In D. Kahneman, P. Slovic & A. Tversky (Eds.), Judgment under Uncertainty: Heuristics and Biases, 153–160. Cambridge University Press.
- Selvin, S. (1975). A problem in probability (letter to the editor). The American Statistician 29(1), 67.
- Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association 44(247), 335–341.





