Pourquoi la fréquence initiale change-t-elle la probabilité après un test positif ?
Réponse courte
Parce qu’un résultat positif peut être un vrai ou un faux positif : leur nombre relatif dépend de la fréquence initiale de l’événement. La formule de Bayes intègre cette fréquence pour calculer P(D | S).
Comprendre
Les positifs ont deux origines
Notons D l’événement « défaut » et S « signal positif ». Parmi les signaux, certains viennent d’objets défectueux, d’autres d’objets sans défaut. Si le défaut est rare, même un faible taux de faux positifs appliqué à une grande majorité d’objets sains peut fournir beaucoup de signaux. La part des vrais cas parmi les signaux dépend donc de la fréquence avant le contrôle.
La formule qui met à jour
Si π = P(D), s = P(S | D) est la sensibilité et c = P(non S | non D) est la spécificité, alors P(D | S) = sπ/[sπ + (1 − c)(1 − π)], lorsque le dénominateur est positif. Le numérateur compte les vrais positifs ; le dénominateur compte tous les positifs. Modifier π change les deux parts, même si s et c demeurent fixes.
Deux populations comparées
Avec s = 0,90 et c = 0,95, si π = 0,01, la probabilité après signal vaut 0,009/(0,009 + 0,0495) = 2/13 ≈ 15,38 %. Si π = 0,20, elle vaut 0,18/(0,18 + 0,04) = 9/11 ≈ 81,82 %. Dans la seconde population, les vrais positifs pèsent davantage parmi les résultats positifs. Les performances du test n’ont pourtant pas changé : c’est le contexte initial qui diffère.
Exemples
- Pour π = 0,01, s = 0,90 et c = 0,95, P(D | S) = 0,009/(0,009 + 0,0495) = 2/13 ≈ 15,38 %.
- Pour π = 0,20 avec les mêmes s et c, P(D | S) = 0,18/(0,18 + 0,04) = 9/11 ≈ 81,82 %.
Pièges fréquents
- Garder la valeur prédictive positive identique dans toutes les populations revient à oublier π dans la formule de Bayes.
- Dire que le test est devenu plus sensible quand π augmente confond la fréquence initiale avec P(S | D), qui reste ici égal à 0,90.
