Slide 1

Slide 1 text

Quand une coïncidence est-elle le fruit du hasard? Estiennales 2022, 14e édition Roger Mansuy

Slide 2

Slide 2 text

Introduction Coïncidence: Simultanéité fortuite (de deux ou plusieurs événements ou circonstances). Une simple, curieuse, frappante, remarquable, singulière coïncidence; c’est pure coïncidence; quelle coïncidence! Par une heureuse coïncidence. Synon. hasard, rencontre, concours de circonstances Source: Trésor de la langue française informatisé

Slide 3

Slide 3 text

18 août 1913 Casino de Monte Carlo

Slide 4

Slide 4 text

19 juin 2012, 8:32 p.m. Rio hotel and Casino, Las Vegas (photo par Jeff Romano)

Slide 5

Slide 5 text

1er octobre 2022, 9:05 p.m. tirage du Grand Lotto de Philippine Charity Sweepstakes Office

Slide 6

Slide 6 text

3 décembre 2022, 9:05 p.m. tirage du Grand Lotto de Philippine Charity Sweepstakes Office

Slide 7

Slide 7 text

9 novembre 1999 Chester Crown Court

Slide 8

Slide 8 text

1904-1906 Cour de cassation

Slide 9

Slide 9 text

No content

Slide 10

Slide 10 text

No content

Slide 11

Slide 11 text

Rapport de MM. les experts Appel-Darboux-Poincaré

Slide 12

Slide 12 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 13

Slide 13 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 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? [...] 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 15

Slide 15 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 qu’elle 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 16

Slide 16 text

Un peu de théorie

Slide 17

Slide 17 text

No content

Slide 18

Slide 18 text

No content

Slide 19

Slide 19 text

No content

Slide 20

Slide 20 text

No content

Slide 21

Slide 21 text

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

Slide 22

Slide 22 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 23

Slide 23 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 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 • P(C2 ): probabilité de la cause numéro 2 • P(E|C1 ): probabilité de l’effet sachant pour 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 • 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 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 • 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 27

Slide 27 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 28

Slide 28 text

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

Slide 29

Slide 29 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 30

Slide 30 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 31

Slide 31 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 32

Slide 32 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 33

Slide 33 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 34

Slide 34 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 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 ⇝ 0, 99 • P(E|C2 ): probabilité que le test soit positif sachant que l’on est sain ⇝ 0, 002

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 ⇝ 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 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 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 38

Slide 38 text

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

Slide 39

Slide 39 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 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? • 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 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 ⇝ 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 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 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 43

Slide 43 text

Expérience Faisons une expérience aléatoire: jouons à Pile ou Face!

Slide 44

Slide 44 text

Expérience Faisons une expérience aléatoire: jouons à Pile ou Face!

Slide 45

Slide 45 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 46

Slide 46 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 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? 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 48

Slide 48 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 49

Slide 49 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 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? 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 51

Slide 51 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient 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 52

Slide 52 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient 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 53

Slide 53 text

• Cause C1: la pièce est truquée avec deux côtés Pile • Cause C2: la pièce est ordinaire • Effet E: on obtient 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 54

Slide 54 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 55

Slide 55 text

Retour sur l’affaire Sally Clark Selon le pédiatre Roy Meadows (entendu au procès), la probabilité de deux morts naturelles de nourrisson au sein d’un même foyer est 1 73000000 . Cette probabilité est tellement faiblement qu’elle incite intuitivement à rejeter l’hypothèse d’une mère innocente (sophisme du procureur).

Slide 56

Slide 56 text

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 57

Slide 57 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 58

Slide 58 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 59

Slide 59 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

Slide 60

Slide 60 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

Slide 61

Slide 61 text

Par définition, P(E|C1 ) = 1.

Slide 62

Slide 62 text

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

Slide 63

Slide 63 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 64

Slide 64 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 65

Slide 65 text

En admettant la valeur (erronée) proposée par Roy Meadows, quelle serait la valeur de P(C1 ) pour que la probabilité donnée par la formule de Bayes soit 1 2 ?

Slide 66

Slide 66 text

En admettant la valeur (erronée) proposée par Roy Meadows, quelle serait la valeur de P(C1 ) pour que la probabilité donnée par la formule de Bayes soit 1 2 ? Après calculs, on obtient P(C1 ) = 1, 3 × 10−8.

Slide 67

Slide 67 text

En admettant la valeur (erronée) proposée par Roy Meadows, quelle serait la valeur de P(C1 ) pour que la probabilité donnée par la formule de Bayes soit 1 2 ? Après calculs, on obtient P(C1 ) = 1, 3 × 10−8. Dans cette formule, pour obtenir une forte probabilité de culpabilité, il faut que la probabilité P(E|C2 ) > > P(C1 ).

Slide 68

Slide 68 text

Conclusion

Slide 69

Slide 69 text

Conclusion • La formule de Bayes permet dans une certaine modélisation de calculer des probabilités de causes sachant un effet observé.

Slide 70

Slide 70 text

Conclusion • La formule de Bayes permet dans une certaine modélisation de calculer des probabilités de causes sachant un effet observé. • Il faut estimer les probabilités a priori (sans tenir compte de l’effet).

Slide 71

Slide 71 text

Conclusion • La formule de Bayes permet dans une certaine modélisation de calculer des probabilités de causes sachant un effet observé. • Il faut estimer les probabilités a priori (sans tenir compte de l’effet). • Il faut estimer les probabilités que chaque cause entraîne l’effet.

Slide 72

Slide 72 text

Rapport de MM. les experts Appel-Darboux-Poincaré Le calcul des probabilités n’est pas, comme on paraît le croire, une science merveilleuse qui dispense le savant d’avoir du bon sens.