Imaginez un test pour une affection rare touchant 1 personne sur 100. Le test est fiable à 99 % — il identifie correctement 99 % des personnes qui ont réellement la maladie, et écarte correctement 99 % de celles qui ne l'ont pas. Vous passez le test. Il est positif. Quel niveau d'inquiétude est justifié ?
La réaction intuitive de la plupart des gens est « 99 % inquiet ». La bonne réponse, calculée correctement, est d'environ 50 %. Cet écart est exactement ce que le théorème de Bayes existe pour combler — et une fois que vous en voyez la raison, vous ne lirez plus jamais un résultat positif de la même façon.
Deux questions qui se ressemblent mais ne le sont pas
« Quelle est la fiabilité de ce test ? » cache en réalité deux questions distinctes sous un seul mot. Il y a la sensibilité — parmi les personnes qui ont la maladie, combien le test identifie-t-il correctement ? Et il y a la spécificité — parmi celles qui ne l'ont pas, combien le test écarte-t-il correctement ? Un test peut obtenir 99 % sur les deux et pourtant vous laisser avec un résultat véritablement incertain, car aucun de ces deux chiffres ne répond à ce que vous voulez vraiment savoir : sachant un résultat positif, quelle est la probabilité que vous ayez réellement la maladie ?
Le calculer avec 10 000 personnes
La façon la plus claire de voir cela n'est pas l'algèbre — c'est le comptage. Imaginez tester 10 000 personnes, dont 1 % (100 personnes) ont réellement la maladie.
- Parmi les 100 qui l'ont, le test identifie correctement 99 (99 % de sensibilité) et en manque 1.
- Parmi les 9 900 qui ne l'ont pas, le test classe par erreur 1 % d'entre elles — 99 personnes — comme positives quand même (99 % de spécificité, soit un taux de faux positifs de 1 %).
Additionnez tous les tests positifs : 99 vrais positifs plus 99 faux positifs, soit 198 personnes au total. Parmi ces 198, seules 99 ont réellement la maladie — exactement la moitié.
10 000 personnes testées : les 0,99 % qui sont réellement positives et les 0,99 % qui sont des faux positifs sont presque égales, car une affection rare (1 %) signifie qu'un très grand groupe sain produit encore un nombre égal de fausses alertes.
Try it yourself — drag the slider to change how rare the condition is, and watch how a “99% accurate” test's real reliability changes with it.
1.0% of people have the condition — 100 out of 10,000 tested.
99
true positives
99
false positives
50%
chance a positive is real
A test that's 99% accurate on paper is only 50% reliable in practice at this prevalence — because 99 healthy people are being flagged positive for every 99 genuinely sick ones caught.
La formule derrière le comptage
Le théorème de Bayes est la version formelle de cette même logique de comptage — il vous permet de mettre à jour une probabilité initiale dès qu'une nouvelle preuve arrive :
P(maladie | positif) = [P(positif | maladie) × P(maladie)] ÷ P(positif)
Le numérateur, ce sont les 99 vrais positifs (99 % de sensibilité × 1 % de prévalence). Le dénominateur, P(positif), représente tous ceux qui obtiennent un test positif pour une raison quelconque — vrais et faux positifs combinés, d'où viennent les 198. Plus l'affection est rare, plus le dénominateur est rempli de faux positifs, et plus il est difficile qu'un résultat positif signifie réellement quelque chose.
Pourquoi cela compte vraiment, pas seulement comme sujet d'examen
Ce n'est pas une question piège conçue pour tromper les élèves — c'est exactement le raisonnement que les médecins utilisent quotidiennement, formellement appelé « valeur prédictive positive ». Si les probabilités et les statistiques sont quelque chose que vous ou votre enfant devriez comprendre avec le raisonnement réel derrière la formule plutôt que par cœur, c'est exactement ce que propose notre tutorat de mathématiques GCSE, et vous pouvez voir le parcours d'apprentissage complet ici.
Questions fréquentes
Est-ce qu'une fiabilité de 99 % ne signifie pas que j'ai 99 % de chances d'avoir la maladie si le test est positif ?
Non — et c'est le malentendu le plus courant concernant tout test médical. Fiable à 99 % décrit le comportement du test selon votre état réel, ce n'est pas une réponse directe à la question inverse : sachant un résultat positif, quelle est la probabilité que vous ayez réellement la maladie ? Ces deux chiffres peuvent être très différents lorsque l'affection elle-même est rare.
Alors le test est-il inutile ?
Absolument pas — il fait un vrai travail. Avant le test, la probabilité d'avoir la maladie était de 1 %. Après un résultat positif, elle est passée à 50 %. C'est une mise à jour réelle et importante ; ce n'est simplement pas une certitude. En pratique, les médecins réagissent à cet écart en prescrivant un second test distinct.
Où cette logique s'applique-t-elle réellement ailleurs ?
Partout où quelque chose teste une chose rare : la sécurité aéroportuaire, les filtres anti-spam, les systèmes de détection de fraude, même un détecteur de fumée dans une maison où un incendie réel est rare. Dans chaque cas, un faible taux de base signifie que les faux positifs peuvent dépasser les vrais positifs même si le détecteur lui-même est extrêmement fiable.
Notes et avis des lecteurs
Notez cet article sur plusieurs aspects — votre avis aide les autres lecteurs, et nous aide à nous améliorer.
Cet article vous a-t-il été utile ?
Dites-nous ce que vous en pensez — une correction, une question restée sans réponse, ou un sujet que vous aimeriez voir traité ensuite.
À propos de l'auteur
Sudershan Soni
Fondateur et tuteur principal chez Mostak Services — tuteur de mathématiques, sciences, informatique et STEM titulaire d'un Master, avec plus de 20 ans d'expérience professionnelle, enseignant à des élèves du 11+ et du GCSE jusqu'à l'A-Level et au-delà, en ligne dans le monde entier.
Lire le profil complet