Slide 1

Slide 1 text

Probabilités incomprises Roger Mansuy Luxeuil-les-Bains, le 23 février 2023

Slide 2

Slide 2 text

Introduction La théorie des probabilités n’est au fond, que le bon sens réduit au calcul : elle fait apprécier avec exactitude ce que les esprits justes sentent par une sorte d’instinct, sans qu’ils puissent sou- vent s’en rendre compte. Pierre-Simon de Laplace Essai philosophique sur les probabilités 1814

Slide 3

Slide 3 text

Grand Lotto de Philippine Charity Sweepstakes Office

Slide 4

Slide 4 text

Grand Lotto de Philippine Charity Sweepstakes Office 0 vainqueur 0 vainqueur 0 vainqueur 0 vainqueur 433 vainqueurs

Slide 5

Slide 5 text

Le sénateur Aquilino ”Koko” Pimentel III a demandé une enquête officielle sur le tirage du 1er octobre 2022 de PCSO car il estimait que les chances que plus de 400 personnes obtiennent les mêmes numéros gagnants étaient trop faibles pour que cette coïncidence soit le fruit du hasard. Pero ’yung 433 ang mananalo… supposed to be ang chances mo diyan, one in how many billions eh. Ibig sabihin, ganun dapat kahirap tamaan ‘yan. To say na 433 ang tumama, there is something suspicious

Slide 6

Slide 6 text

No content

Slide 7

Slide 7 text

Let’s make a deal, émission de télévision créée en 1963 et présentée par Monty Hall

Slide 8

Slide 8 text

No content

Slide 9

Slide 9 text

La probabilité de gain après changement de porte est 1 2 les deux portes restantes ont initialement autant de chances de cacher la voiture donc 1 2 chacune.

Slide 10

Slide 10 text

La probabilité de gain après changement de porte est 2 3 la probabilité que la voiture soit derrière la porte initialement choisie est 1 3 donc la probabilité qu’elle soit derrière les deux autres est 2 3 . Or, une des autres portes est ouverte donc la probabilité qu’elle soit derrière l’autre porte fermée est 2 3 .

Slide 11

Slide 11 text

La probabilité de gain après changement de porte est 1 2 les deux portes restantes ont initialement autant de chances de cacher la voiture donc 1 2 chacune. La probabilité de gain après changement de porte est 2 3 la probabilité que la voiture soit derrière la porte initialement choisie est 1 3 donc la probabilité qu’elle soit derrière les deux autres est 2 3 . Or, une des autres portes est ouverte donc la probabilité qu’elle soit derrière l’autre porte fermée est 2 3 .

Slide 12

Slide 12 text

Procès Alfred Dreyfus devant la cour de cassation, 1904-1906

Slide 13

Slide 13 text

No content

Slide 14

Slide 14 text

Rapport de MM. les experts Appel-Darboux-Poincaré Si l’on met en évidence certaines coïncidences, et qu’on montre qu’il y avait a priori peu de chances pour qu’elles se produisent, avons-nous le droit de conclure qu’elles ne peuvent être l’effet du hasard?

Slide 15

Slide 15 text

Rapport de MM. les experts Appel-Darboux-Poincaré Si l’on met en évidence certaines coïncidences, et qu’on montre qu’il y avait a priori peu de chances pour qu’elles se produisent, avons-nous le droit de conclure qu’elles ne peuvent être l’effet du hasard? [...] Nous en avons assez dit pour faire comprendre la nécessité d’une base de raisonnement plus solide. C’est ce que les fondateurs du calculs des probabilités ont cherché pour les questions de ce genre, mais nous ne pouvons l’expliquer sans entrer dans quelques détails techniques.

Slide 16

Slide 16 text

Rapport de MM. les experts Appel-Darboux-Poincaré Si l’on met en évidence certaines coïncidences, et qu’on montre qu’il y avait a priori peu de chances pour qu’elles se produisent, avons-nous le droit de conclure qu’elles ne peuvent être l’effet du hasard? [...] Nous en avons assez dit pour faire comprendre la nécessité d’une base de raisonnement plus solide. C’est ce que les fondateurs du calculs des probabilités ont cherché pour les questions de ce genre, mais nous ne pouvons l’expliquer sans entrer dans quelques détails techniques. Ils ont distingué la probabilité des causes et la probabilité des effets.

Slide 17

Slide 17 text

Rapport de MM. les experts Appel-Darboux-Poincaré Pour pouvoir calculer, d’après un événement constaté, la probabilité d’une cause, il nous faut plusieurs données: 1. Il faut savoir quelle était a priori, avant l’événement, la probabilité de cette cause. 2. Il faut savoir ensuite quelle serait, pour chacune des causes possibles, la probabilité de l’événement constaté.

Slide 18

Slide 18 text

Un peu de théorie

Slide 19

Slide 19 text

No content

Slide 20

Slide 20 text

No content

Slide 21

Slide 21 text

No content

Slide 22

Slide 22 text

No content

Slide 23

Slide 23 text

P(C1 |E) = P(E|C1 )P(C1 ) P(E|C1 )P(C1 ) + P(E|C2 )P(C2 )

Slide 24

Slide 24 text

P(C1 |E) = P(E|C1 )P(C1 ) P(E|C1 )P(C1 ) + P(E|C2 )P(C2 ) • P(C1 ): probabilité de la cause numéro 1

Slide 25

Slide 25 text

P(C1 |E) = P(E|C1 )P(C1 ) P(E|C1 )P(C1 ) + P(E|C2 )P(C2 ) • P(C1 ): probabilité de la cause numéro 1 • P(C2 ): probabilité de la cause numéro 2

Slide 26

Slide 26 text

P(C1 |E) = P(E|C1 )P(C1 ) P(E|C1 )P(C1 ) + P(E|C2 )P(C2 ) • P(C1 ): probabilité de la cause numéro 1 • P(C2 ): probabilité de la cause numéro 2 • P(E|C1 ): probabilité de l’effet sachant pour la cause numéro 1

Slide 27

Slide 27 text

P(C1 |E) = P(E|C1 )P(C1 ) P(E|C1 )P(C1 ) + P(E|C2 )P(C2 ) • P(C1 ): probabilité de la cause numéro 1 • P(C2 ): probabilité de la cause numéro 2 • P(E|C1 ): probabilité de l’effet sachant pour la cause numéro 1 • P(E|C2 ): probabilité de l’effet sachant pour la cause numéro 2

Slide 28

Slide 28 text

P(C1 |E) = P(E|C1 )P(C1 ) P(E|C1 )P(C1 ) + P(E|C2 )P(C2 ) • P(C1 ): probabilité de la cause numéro 1 • P(C2 ): probabilité de la cause numéro 2 • P(E|C1 ): probabilité de l’effet sachant pour la cause numéro 1 • P(E|C2 ): probabilité de l’effet sachant pour la cause numéro 2 • P(C1 |E): probabilité de la cause numéro 1 sachant l’effet

Slide 29

Slide 29 text

Rapport de MM. les experts Appel-Darboux-Poincaré Pour pouvoir calculer, d’après un événement constaté, la probabilité d’une cause P(C1 |E), il nous faut plusieurs données: 1. Il faut savoir qu’elle était a priori, avant l’événement, la probabilité de cette cause. P(C1 ) et P(C2 ) 2. Il faut savoir ensuite quelle serait, pour chacune des causes possibles, la probabilité de l’événement constaté. P(E|C1 ) et P(E|C2 ) P(C1 |E) = P(E|C1 )P(C1 ) P(E|C1 )P(C1 ) + P(E|C2 )P(C2 )

Slide 30

Slide 30 text

Je viens de faire un test médical et je reçois un résultat positif; suis-je malade?

Slide 31

Slide 31 text

Je viens de faire un test médical et je reçois un résultat positif; suis-je malade? • Cause C1: je suis malade • Cause C2: je ne suis pas malade • Effet E: le test est positif

Slide 32

Slide 32 text

Je viens de faire un test médical et je reçois un résultat positif; suis-je malade? • Cause C1: je suis malade • Cause C2: je ne suis pas malade • Effet E: le test est positif • P(C1 ): probabilité d’être malade • P(C2 ): probabilité d’être sain • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain • P(C1 |E): probabilité d’être malade sachant que le test est positif

Slide 33

Slide 33 text

• P(C1 ): probabilité d’être malade • P(C2 ): probabilité d’être sain • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain

Slide 34

Slide 34 text

• P(C1 ): probabilité d’être malade ⇝ 0, 001 • P(C2 ): probabilité d’être sain • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain

Slide 35

Slide 35 text

• P(C1 ): probabilité d’être malade ⇝ 0, 001 • P(C2 ): probabilité d’être sain ⇝ 0, 999 • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain

Slide 36

Slide 36 text

• P(C1 ): probabilité d’être malade ⇝ 0, 001 • P(C2 ): probabilité d’être sain ⇝ 0, 999 • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade ⇝ 0, 99 • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain

Slide 37

Slide 37 text

• P(C1 ): probabilité d’être malade ⇝ 0, 001 • P(C2 ): probabilité d’être sain ⇝ 0, 999 • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade ⇝ 0, 99 • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain ⇝ 0, 002

Slide 38

Slide 38 text

• P(C1 ): probabilité d’être malade ⇝ 0, 001 • P(C2 ): probabilité d’être sain ⇝ 0, 999 • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade ⇝ 0, 99 • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain ⇝ 0, 002 La probabilité d’être malade sachant que le test est positif est P(C1 |E) = 0, 99 × 0, 001 0, 99 × 0, 001 + 0, 002 × 0, 999

Slide 39

Slide 39 text

• P(C1 ): probabilité d’être malade ⇝ 0, 001 • P(C2 ): probabilité d’être sain ⇝ 0, 999 • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade ⇝ 0, 99 • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain ⇝ 0, 002 La probabilité d’être malade sachant que le test est positif est P(C1 |E) = 0, 99 × 0, 001 0, 99 × 0, 001 + 0, 002 × 0, 999 ≃ 0, 331

Slide 40

Slide 40 text

Après ce premier test positif, je fais un nouveau test médical et je reçois encore un résultat positif; suis-je malade?

Slide 41

Slide 41 text

Après ce premier test positif, je fais un nouveau test médical et je reçois encore un résultat positif; suis-je malade? • P(C1 ): probabilité d’être malade • P(C2 ): probabilité d’être sain • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade ⇝ 0, 99 • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain ⇝ 0, 002

Slide 42

Slide 42 text

Après ce premier test positif, je fais un nouveau test médical et je reçois encore un résultat positif; suis-je malade? • P(C1 ): probabilité d’être malade ⇝ 0, 331 NEW!!! • P(C2 ): probabilité d’être sain ⇝ 0, 669 NEW!!! • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade ⇝ 0, 99 • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain ⇝ 0, 002

Slide 43

Slide 43 text

Après ce premier test positif, je fais un nouveau test médical et je reçois encore un résultat positif; suis-je malade? • P(C1 ): probabilité d’être malade ⇝ 0, 331 NEW!!! • P(C2 ): probabilité d’être sain ⇝ 0, 669 NEW!!! • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade ⇝ 0, 99 • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain ⇝ 0, 002 La probabilité d’être malade sachant que le test est positif est P(C1 |E) = 0, 99 × 0, 331 0, 99 × 0, 331 + 0, 002 × 0, 669

Slide 44

Slide 44 text

Après ce premier test positif, je fais un nouveau test médical et je reçois encore un résultat positif; suis-je malade? • P(C1 ): probabilité d’être malade ⇝ 0, 331 NEW!!! • P(C2 ): probabilité d’être sain ⇝ 0, 669 NEW!!! • P(E|C1 ): probabilité que le test soit positif sachant que l’on est malade ⇝ 0, 99 • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain ⇝ 0, 002 La probabilité d’être malade sachant que le test est positif est P(C1 |E) = 0, 99 × 0, 331 0, 99 × 0, 331 + 0, 002 × 0, 669 ≃ 0, 987

Slide 45

Slide 45 text

De la pratique Faisons une expérience aléatoire: jouons à Pile ou Face!

Slide 46

Slide 46 text

De la pratique Faisons une expérience aléatoire: jouons à Pile ou Face!

Slide 47

Slide 47 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient Face en un lancer Sachant que l’on observe E, quelle est la probabilité que l’on joue avec la pièce truquée?

Slide 48

Slide 48 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient Face en un lancer Sachant que l’on observe E, quelle est la probabilité que l’on joue avec la pièce truquée? P(C1 ) = 1 2 , P(C2 ) = 1 2 , P(E|C1 ) = 0, P(E|C2 ) = 1 2 .

Slide 49

Slide 49 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient Face en un lancer Sachant que l’on observe E, quelle est la probabilité que l’on joue avec la pièce truquée? P(C1 ) = 1 2 , P(C2 ) = 1 2 , P(E|C1 ) = 0, P(E|C2 ) = 1 2 . La probabilité d’avoir joué avec la pièce truquée sachant ce résultat est P(C1 |E) = 0 × 1 2 0 × 1 2 + 1 2 × 1 2 = 0.

Slide 50

Slide 50 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient Pile en un lancer Sachant que l’on observe E, quelle est la probabilité que l’on joue avec la pièce truquée?

Slide 51

Slide 51 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient Pile en un lancer Sachant que l’on observe E, quelle est la probabilité que l’on joue avec la pièce truquée? P(C1 ) = 1 2 , P(C2 ) = 1 2 , P(E|C1 ) = 1, P(E|C2 ) = 1 2 .

Slide 52

Slide 52 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient Pile en un lancer Sachant que l’on observe E, quelle est la probabilité que l’on joue avec la pièce truquée? P(C1 ) = 1 2 , P(C2 ) = 1 2 , P(E|C1 ) = 1, P(E|C2 ) = 1 2 . La probabilité d’avoir joué avec la pièce truquée sachant ce résultat est P(C1 |E) = 1 × 1 2 1 × 1 2 + 1 2 × 1 2 = 2 3 ≃ 0, 67.

Slide 53

Slide 53 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient sept (7) Piles en sept lancers de suite Sachant que l’on observe E, quelle est la probabilité que l’on joue avec la pièce truquée?

Slide 54

Slide 54 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient sept (7) Piles en sept lancers de suite Sachant que l’on observe E, quelle est la probabilité que l’on joue avec la pièce truquée? P(C1 ) = 1 2 , P(C2 ) = 1 2 , P(E|C1 ) = 1, P(E|C2 ) = 1 27 .

Slide 55

Slide 55 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient sept (7) Piles en sept lancers de suite Sachant que l’on observe E, quelle est la probabilité que l’on joue avec la pièce truquée? P(C1 ) = 1 2 , P(C2 ) = 1 2 , P(E|C1 ) = 1, P(E|C2 ) = 1 27 . La probabilité d’avoir joué avec la pièce truquée sachant ce résultat est P(C1 |E) = 1 × 1 2 1 × 1 2 + 1 27 × 1 2 = 128 129 ≃ 0, 992.

Slide 56

Slide 56 text

Nombre de Piles 1 2 3 4 5 6 7 · · · P(C1 |E) 0,67 0,80 0,89 0,94 0,97 0,98 0,99 · · ·

Slide 57

Slide 57 text

L’affaire Sally Clark

Slide 58

Slide 58 text

L’affaire Sally Clark Christopher (22/09/96-13/12/96), Harry (29/11/97-26/01/98)

Slide 59

Slide 59 text

Au procès à Chester Crown Court en novembre 1999, le pédiatre Roy Meadows annonce que la probabilité de deux morts naturelles de nourrisson au sein d’un même foyer vaut 1 73000000 .

Slide 60

Slide 60 text

Au procès à Chester Crown Court en novembre 1999, le pédiatre Roy Meadows annonce que la probabilité de deux morts naturelles de nourrisson au sein d’un même foyer vaut 1 73000000 . Cette probabilité est tellement faible qu’elle incite intuitivement à rejeter l’hypothèse d’une mère innocente (sophisme du procureur).

Slide 61

Slide 61 text

Communiqué de la Royal Statistical Society, 23 Octobre 2001 In the recent highly-publicised case of R v. Sally Clark, a medical expert witness drew on published studies to obtain a figure for the frequency of sudden infant death syndrome (SIDS, or ”cot death”) in families having some of the characteristics of the defendant’s family. He went on to square this figure to obtain a value of 1 in 73 million for the frequency of two cases of SIDS in such a family. This approach is, in general, statistically invalid. It would only be valid if SIDS cases arose independently within families, an assumption that would need to be justified empirically. Not only was no such empirical justification provided in the case, but there are very strong a priori reasons for supposing that the assumption will be false. There may well be unknown genetic or environmental factors that predispose families to SIDS, so that a second case within the family becomes much more likely. The well-publicised figure of 1 in 73 million thus has no statistical basis.

Slide 62

Slide 62 text

Examinons la question de la culpabilité avec la formule de Bayes. • Cause C1: Sally Clarke est meurtrière • Cause C2: Sally Clarke est innocente • Effet E: les deux enfants meurent en bas âge

Slide 63

Slide 63 text

Examinons la question de la culpabilité avec la formule de Bayes. • Cause C1: Sally Clarke est meurtrière • Cause C2: Sally Clarke est innocente • Effet E: les deux enfants meurent en bas âge Pour appliquer la formule de Bayes afin de calculer P(C1 |E), il faut connaître P(C1 ), P(C2 ), P(E|C1 ), P(E|C2 )

Slide 64

Slide 64 text

Déclaration des Droits de l’Homme et du Citoyen de 1789 Art. 9. Tout homme étant présumé innocent jusqu’à ce qu’il ait été déclaré coupable Code de procédure pénale Articles préliminaires. III.-Toute personne suspectée ou poursuivie est présumée innocente tant que sa culpabilité n’a pas été établie.

Slide 65

Slide 65 text

Déclaration des Droits de l’Homme et du Citoyen de 1789 Art. 9. Tout homme étant présumé innocent jusqu’à ce qu’il ait été déclaré coupable Code de procédure pénale Articles préliminaires. III.-Toute personne suspectée ou poursuivie est présumée innocente tant que sa culpabilité n’a pas été établie. P(C1 ) = 1 2000000000 , Estimation par Pr. Alicia L. Carriquiry, directrice du centre de statistiques et d’applications en matière de preuves médico-légales, Iowa State University

Slide 66

Slide 66 text

Déclaration des Droits de l’Homme et du Citoyen de 1789 Art. 9. Tout homme étant présumé innocent jusqu’à ce qu’il ait été déclaré coupable Code de procédure pénale Articles préliminaires. III.-Toute personne suspectée ou poursuivie est présumée innocente tant que sa culpabilité n’a pas été établie. P(C1 ) = 1 2000000000 , P(C2 ) = 1 − 1 2000000000 Estimation par Pr. Alicia L. Carriquiry, directrice du centre de statistiques et d’applications en matière de preuves médico-légales, Iowa State University

Slide 67

Slide 67 text

Par définition, P(E|C1 ) = 1.

Slide 68

Slide 68 text

Par définition, P(E|C1 ) = 1. D’après Roy Meadows, P(E|C2 ) = 1 73000000 .

Slide 69

Slide 69 text

Par définition, P(E|C1 ) = 1. D’après Roy Meadows, P(E|C2 ) = 1 73000000 . P(C1 |E) = 1 × 1 2000000000 1 × 1 2000000000 + 1 73000000 × 1999999999 2000000000

Slide 70

Slide 70 text

Par définition, P(E|C1 ) = 1. D’après Roy Meadows, P(E|C2 ) = 1 73000000 . P(C1 |E) = 1 × 1 2000000000 1 × 1 2000000000 + 1 73000000 × 1999999999 2000000000 ≃ 0, 035

Slide 71

Slide 71 text

Sally Clark a été innocentée (après trois ans en prison) lors de la deuxième procé- dure d’appel en 2003.

Slide 72

Slide 72 text

Sally Clark a été innocentée (après trois ans en prison) lors de la deuxième procé- dure d’appel en 2003. Elle ne s’est jamais remise, a sombré dans l’alcoolisme et est morte en 2007.

Slide 73

Slide 73 text

Sally Clark a été innocentée (après trois ans en prison) lors de la deuxième procé- dure d’appel en 2003. Elle ne s’est jamais remise, a sombré dans l’alcoolisme et est morte en 2007. À la suite de cette affaire, le procureur général a ordonné la révision de cen- taines d’autres cas: deux autres femmes, Angela Cannings et Donna Anthony, ont vu leur condamnation annulée.

Slide 74

Slide 74 text

Conclusion

Slide 75

Slide 75 text

Conclusion • Il est difficile d’appréhender correctement les probabilités même avec du bon sens... et notamment les probabilités ”conditionnelles.”

Slide 76

Slide 76 text

Conclusion • Il est difficile d’appréhender correctement les probabilités même avec du bon sens... et notamment les probabilités ”conditionnelles.” • La formule de Bayes permet dans une certaine modélisation de calculer des probabilités de causes sachant un effet observé.

Slide 77

Slide 77 text

Conclusion • Il est difficile d’appréhender correctement les probabilités même avec du bon sens... et notamment les probabilités ”conditionnelles.” • La formule de Bayes permet dans une certaine modélisation de calculer des probabilités de causes sachant un effet observé. • Pour l’appliquer il faut estimer les probabilités a priori (sans tenir compte de l’effet) et les probabilités que chaque cause entraîne l’effet.