Calcul du théorème de Bayes
Saisissez la fréquence de la maladie et les performances du test pour voir ce qu’implique réellement un résultat positif.
The link carries your figures, so it reopens on exactly these numbers.
La formule
vrais positifs = fréquence × sensibilité
faux positifs = (1 − fréquence) × taux de faux positifs
réponse = vrais positifs ÷ (vrais positifs + faux positifs)
Exemple chiffré
Une maladie que porte une personne sur mille, un test qui en détecte 99 % et en signale à tort 1 %
- Sur 100 000 personnes, 100 l’ont
- 99 d’entre elles sont testées positives
- Sur les 99 900 qui ne l’ont pas, 999 sont positives malgré tout
- 99 ÷ (99 + 999) = 9,0 % — un résultat positif se trompe neuf fois sur dix
Là où l’on se trompe
Prendre la précision du test pour sa propre probabilité
Un test précis à 99 % ne signifie pas qu’un résultat positif a 99 % de chances d’être juste. Quand seule 1 personne sur 1 000 porte la maladie, les 999 faux positifs parmi les gens sains dépassent de loin les 99 vrais positifs parmi les malades, et un positif vaut environ 9 % de probabilité. La rareté l’emporte sur la précision, et largement.
Questions
- Pourquoi la rareté de la maladie compte-t-elle autant ?
- Parce que les faux positifs sont tirés de la population saine, et quand la maladie est rare cette population est presque tout le monde. Un taux d’erreur de 1 % appliqué à 99 900 personnes produit bien plus de positifs qu’un taux de détection de 99 % appliqué à 100.
- Cela veut-il dire que le dépistage ne sert à rien ?
- Non — cela veut dire qu’un seul résultat positif est une raison de retester, pas une conclusion. Un second test indépendant applique la même arithmétique à un groupe désormais atteint à 9 % au lieu de 0,1 %, et la réponse change du tout au tout.
- Où cela se retrouve-t-il ailleurs ?
- Partout où l’on cherche une chose rare avec un filtre imparfait : détection de fraude, filtrage des courriels indésirables, contrôles de sécurité, tests antidopage. Les mathématiques se moquent de ce que l’on recherche.