Théorème De Bayes on kenji.blog

« Test positif » ne signifie pas toujours « maladie » ? : L'erreur du taux de base

Thu, 10 Sep 2026 21:00:00 +0900

Si vous recevez un résultat « positif (anormal) » lors d’un bilan de santé ou d’un dépistage du cancer, il est naturel de paniquer. Cependant, avec des connaissances en statistiques et en probabilités, vous pourriez prendre une grande inspiration et garder votre calme. En effet, « un test de haute précision positif » ne signifie pas nécessairement que « la probabilité d’être réellement malade est élevée ».

C’est ce qu’on appelle l’« erreur du taux de base (Base Rate Fallacy) » ou « négligence de la probabilité a priori », un biais cognitif typique où l’intuition humaine se trompe lourdement dans le calcul des probabilités.

Le problème terrifiant du bilan de santé

Imaginez la situation suivante.

Dans une ville, il existe une maladie inconnue qui infecte 1 personne sur 10 000 (0,01 %). Pour détecter cette maladie, un excellent kit de dépistage avec une « précision de 99 % » a été développé. (* Une précision de 99 % signifie que si une personne malade passe le test, elle a 99 % de chances d’être correctement diagnostiquée « positive », et si une personne en bonne santé le passe, elle a 99 % de chances d’être correctement diagnostiquée « négative ».)

Vous passez ce test par hasard, et le résultat est « positif ». Maintenant, quelle est la probabilité que vous soyez réellement infecté par cette maladie ?

Beaucoup de gens répondent intuitivement : « Puisque la précision du test est de 99 %, la probabilité que je sois malade doit aussi être de 99 % ». Cependant, la bonne réponse mathématique est « environ 0,98 % (moins de 1 %) ».

Pourquoi, avec une précision de 99 %, la probabilité réelle tombe-t-elle à moins de 1 % ?

Le théorème de Bayes et la visualisation de l’ensemble

La clé pour résoudre ce problème ne réside pas seulement dans la précision du test, mais aussi dans la prise en compte de « la rareté de la maladie à l’origine (taux de base / probabilité a priori) ». Visualisons ce phénomène contre-intuitif en utilisant une grande population de 1 000 000 de personnes.

Population totale : 1 000 000 personnes
Personnes réellement malades (1 sur 10 000) : 100 personnes
Personnes en bonne santé : 999 900 personnes

Nous faisons passer le test d’une « précision de 99 % » à ces 1 000 000 de personnes.

1. Lorsque les personnes réellement malades (100 personnes) passent le test

Avec une précision de 99 %, celles qui seront correctement diagnostiquées « positives » sont : 100 personnes × 99 % = 99 personnes (Vrais positifs)

2. Lorsque les personnes en bonne santé (999 900 personnes) passent le test

Avec une précision de 99 %, il y a des personnes qui seront incorrectement diagnostiquées « positives » avec une probabilité de 1 % (Faux positifs) : 999 900 personnes × 1 % = 9 999 personnes (Faux positifs)

graph TD A["Population totale (1 000 000 personnes)"] --> B["Personnes malades (100 personnes)"] A --> C["Personnes en bonne santé (999 900 personnes)"] B -->|99% de réussite| B1["Vrais positifs (99 personnes)"] B -->|1% d'échec| B2["Faux négatifs (1 personne)"] C -->|99% de réussite| C1["Vrais négatifs (989 901 personnes)"] C -->|1% d'échec| C2["Faux positifs (9 999 personnes)"] B1 -.-> D{"Nombre total de personnes déclarées « positives » : 10 098 personnes"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

Votre probabilité réelle d’être malade

Vous avez donc été informé par le médecin que vous êtes « positif ». Cela signifie que vous avez rejoint le groupe en bas à droite de la figure, « Nombre total de personnes déclarées “positives” (10 098 personnes) ».

Parmi ce groupe, quelle est la proportion de « personnes réellement malades (vrais positifs) » ?

$$ \text{Probabilité d'être réellement malade} = \frac{\text{Vrais positifs}}{\text{Toutes les personnes déclarées positives}} = \frac{99}{99 + 9999} = \frac{99}{10098} \approx 0,0098 $$

Le résultat du calcul est d’environ 0,98 %. Bien qu’on vous ait déclaré « positif », la probabilité que vous soyez en bonne santé (faux positif) est massivement plus élevée (environ 99 %).

Pourquoi notre intuition se trompe-t-elle ?

Ce phénomène est expliqué mathématiquement par le « théorème de Bayes », qui calcule les probabilités conditionnelles, mais le cerveau humain est très mauvais pour ce type de calcul.

La raison pour laquelle nous faisons des erreurs est que nous sommes distraits par les informations spécifiques et frappantes fournies dans l’immédiat (« Votre résultat de test est positif ! La précision est de 99 % ! ») et ignorons les données statistiques de fond massives et ennuyeuses (« À l’origine, seule 1 personne sur 10 000 est atteinte de cette maladie (taux de base) »).

Étant donné que la « rareté de la maladie (0,01 %) » est beaucoup plus extrême que l’« inexactitude du test (1 %) », une petite erreur de test submerge rapidement le nombre de personnes réellement malades.

L’« erreur du taux de base » cachée dans la société

Cette illusion provoque des paniques et de mauvais jugements non seulement en médecine, mais aussi dans diverses situations.

Systèmes de reconnaissance faciale et terroristes : Même si une caméra de reconnaissance faciale précise à 99,9 % détecte un « terroriste » dans un aéroport, comme la probabilité de base qu’une personne soit un terroriste est extrêmement faible, la plupart des personnes arrêtées seront des civils innocents avec des visages similaires (faux positifs).
Accidents de la route et conducteurs âgés : Même si vous vous sentez en danger après avoir vu aux informations que « XX % des voitures impliquées dans des accidents étaient conduites par des personnes âgées », à moins de prendre en compte la « proportion de personnes âgées parmi tous les conducteurs sur la route à l’origine (taux de base) », il est impossible de savoir si un groupe d’âge spécifique est réellement plus enclin à causer des accidents.

L’« erreur du taux de base » nous enseigne l’importance de la pensée statistique : face à des chiffres choquants ou à des cas individuels, il faut toujours revenir à la question « dans quelle mesure cela est-il susceptible de se produire dans l’ensemble à l’origine (taux de base) ? ».

Le problème de la Belle au bois dormant : La probabilité de la pièce est-elle de 1/2 ou 1/3 ? Le casse-tête qui divise la théorie des probabilités

Thu, 10 Sep 2026 09:00:00 +0900

1. Les règles d’une étrange expérience

Vous (la Belle au bois dormant) avez été choisie comme sujet d’une expérience scientifique. L’expérience se déroule de dimanche à mercredi. Le dimanche soir, on vous fait prendre un somnifère et vous vous endormez.

Après votre endormissement, l’expérimentateur lance une pièce de monnaie équitable (une pièce dont la probabilité d’obtenir pile ou face est exactement de 1/2). Ensuite, selon le résultat, il vous réveillera selon le programme suivant.

[Si le résultat du tirage au sort est “Pile”]

Vous serez réveillée une seule fois le lundi pour qu’on vous pose une question. Ensuite, vous serez endormie à nouveau et ne vous réveillerez plus jusqu’à la fin de l’expérience (mercredi).

[Si le résultat du tirage au sort est “Face”]

Vous serez réveillée le lundi pour qu’on vous pose une question. Ensuite, on vous fera prendre un médicament spécial (un médicament qui efface la mémoire) et vous vous rendormirez.
Vous serez réveillée une seconde fois le mardi pour qu’on vous pose la même question. Ensuite, vous serez endormie à nouveau, ce qui marquera la fin de l’expérience (mercredi).

※ En raison des effets du médicament effaçant la mémoire, à votre réveil, vous ne pourrez absolument pas vous rappeler “quel jour on est” ni “si vous avez déjà été réveillée auparavant”.

graph TD Sunday["Dimanche : La Belle s'endort"] --> Toss{"Tirage au sort"} Toss -->|Pile (1/2)| Mon_Heads["Lundi : Réveil + Question
（Puis fin de l'expérience）"] Toss -->|Face (1/2)| Mon_Tails["Lundi : Réveil + Question
（Puis effacement de la mémoire）"] Mon_Tails --> Tue_Tails["Mardi : Réveil + Question
（Puis fin de l'expérience）"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

Eh bien, c’est lundi (ou mardi), et vous vous êtes réveillée. Il n’y a ni horloge ni calendrier dans la pièce, et vous ne savez pas quel jour on est.

L’expérimentateur entre alors et vous pose cette question : “Dans votre état d’éveil actuel, à votre avis, quelle est la probabilité que la pièce lancée soit tombée sur ‘Pile’ ?”

Vous êtes une belle femme douée en mathématiques. Alors, que répondez-vous ?

2. Le choc de deux factions : 1/2 ou 1/3

Ce problème a été conçu dans les années 1990 et publié dans une revue universitaire par le philosophe Adam Elga en 2000. La probabilité de la pièce semble évidente, mais en fait, autour de ce problème, les mathématiciens, statisticiens et philosophes du monde entier se sont scindés en deux camps : les “partisans de 1/2 (Halfers)” et les “partisans de 1/3 (Thirders)”, et ils continuent de se livrer à des débats passionnés jusqu’à aujourd’hui.

Écoutons la “logique parfaite” de chaque camp.

Les arguments des “partisans de 1/2 (Halfers)”

“Puisque la pièce est équitable et non truquée, la probabilité d’obtenir pile est évidemment de 1/2. Peu importe le nombre de fois que l’expérimentateur me réveille après que je me sois endormie ou qu’il efface ma mémoire, cela n’affecte en rien le résultat physique de la pièce. Au moment où la pièce a été lancée, la probabilité était de 1/2, et le fait que je me sois réveillée ne m’a apporté aucune nouvelle information (aucun indice pour deviner s’il s’agit de pile ou face). Par conséquent, la probabilité reste de 1/2.”

Il s’agit d’une opinion tout à fait légitime qui met l’accent sur le phénomène physique objectif et la non-actualisation de l’information.

Les arguments des “partisans de 1/3 (Thirders)”

“Le fait même que vous soyez ‘réveillée’ est une information qui modifie la probabilité. Supposons que cette expérience soit répétée 100 fois (100 semaines). La pièce devrait tomber 50 fois sur ‘Pile’ et 50 fois sur ‘Face’.

Pendant les 50 semaines où c’est pile, vous vous réveillez une seule fois le lundi $\rightarrow$ Le nombre de réveils avec ‘Pile’ est de 50 fois

Pendant les 50 semaines où c’est face, vous vous réveillez deux fois, le lundi et le mardi $\rightarrow$ Le nombre de réveils avec ‘Face’ est de 100 fois

En d’autres termes, pour la situation du moment où vous vous réveillez, sur un total de 150 fois, il y a 50 fois le ‘modèle réveillé avec pile’ et 100 fois le ‘modèle réveillé avec face’. C’est pourquoi la probabilité que le réveil que vous vivez actuellement soit ‘Pile’ est de 50 / 150 = 1/3 !”

Il s’agit d’une opinion puissante basée sur le “fréquentisme” et le “principe anthropique”, qui intègre la situation même d’“exister (être observée) maintenant” comme élément de l’espace de probabilité dans le calcul.

3. Calculons avec le théorème de Bayes

Certains tentent également de résoudre ce problème en utilisant le “théorème de Bayes”, un outil mathématique de mise à jour des probabilités. Organisons la logique des “partisans de 1/3” du point de vue de la probabilité conditionnelle.

L’état au moment du réveil correspond à l’un de ces 3 cas :

$E_1$ : La pièce est sur “Pile”, et on est “Lundi”
$E_2$ : La pièce est sur “Face”, et on est “Lundi”
$E_3$ : La pièce est sur “Face”, et on est “Mardi”

La probabilité d’obtenir “Pile” est de $1/2$, et celle d’obtenir “Face” est de $1/2$. Cependant, dans le cas de “Face”, comme “Lundi” et “Mardi” sont parfaitement symétriques (indiscernables à cause de l’absence de mémoire), on peut considérer que la probabilité d’occurrence de $E_2$ et de $E_3$ est égale.

Puisque la somme de toutes les probabilités doit être égale à $1$, en attribuant à chaque réveil une probabilité égale en tant qu’“événement (point d’observation)” indépendant, nous obtenons : $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ Par conséquent, la conclusion est que “la probabilité que ce soit pile ($P(E_1)$)” est de $1/3$.

D’un autre côté, les “partisans de 1/2” réfutent cela en affirmant que “le lundi et le mardi quand la pièce est face ($E_2$ et $E_3$) ne sont, à l’origine, que des événements dépendants dérivés du résultat de la même unique pièce, et qu’il est erroné de les compter comme des probabilités indépendantes”.

4. Pourquoi ce problème reste-t-il non résolu ?

La raison pour laquelle “le problème de la Belle au bois dormant” tourmente autant les chercheurs ne relève pas d’une simple erreur de calcul ou d’une illusion. C’est parce que ce problème touche à la question fondamentale la plus profonde de la théorie des probabilités, à savoir la question philosophique : “Qu’est-ce que la probabilité, au juste ?”

Pour les partisans de 1/2, la probabilité est “une propriété physique de la pièce” ou “un fait objectif”.
Pour les partisans de 1/3, la probabilité est le “degré de croyance de l’observateur (la Belle)” ou “la fréquence observée”.

Des thèmes profonds, faisant écho au “problème de la mesure” en mécanique quantique ou au “principe anthropique” en cosmologie (l’idée de rétrocalculer les probabilités de l’univers à partir du fait que nous existons), sont condensés dans cette simple expérience de tirage au sort.

5. Conclusion

Si vous deveniez le sujet de cette expérience, répondriez-vous “1/2” ou “1/3” à votre réveil ?

Quelle que soit votre réponse, des mathématiciens de renommée mondiale se tiendront derrière vous pour vous défendre. Comment une définition mathématique apparemment simple peut-elle s’effondrer dès qu’elle est liée aux concepts épineux de “subjectivité” et d’“existence” humaine. Aujourd’hui encore, le paradoxe continue d’ébranler notre bon sens.

Le problème de Monty Hall : le piège de la théorie des probabilités qui défie l'intuition et sa résolution complète par l'inférence bayésienne

Thu, 10 Sep 2026 00:00:00 +0900

1. Le décor est un jeu télévisé : que feriez-vous ?

En 1990, dans la chronique « Ask Marilyn » (Demandez à Marilyn) du magazine d’actualité américain Parade, un lecteur a posé la question suivante :

Vous participez à un jeu télévisé. Devant vous se trouvent 3 portes (A, B, C). Derrière l’une des portes se trouve une voiture neuve (le gros lot), et derrière les deux autres se trouvent des chèvres (les perdants).

Vous choisissez d’abord la porte A.

Ensuite, le présentateur Monty Hall, qui sait quelle porte cache la voiture, ouvre la porte B, qui révèle une chèvre parmi les portes restantes.

Monty vous dit : « Vous pouvez maintenant changer pour la porte C si vous le souhaitez. Que faites-vous ? »

Finalement, devriez-vous changer de porte ?

Intuitivement, on pourrait penser : « Il ne reste que deux portes, A et C. Puisque la position de la voiture est complètement aléatoire, la probabilité de gagner pour chaque porte est de $\frac{1}{2}$ (50 %). Par conséquent, cela ne change rien de changer de porte ou non. »

Cependant, la chroniqueuse Marilyn vos Savant (reconnue par le Livre Guinness des records comme la personne ayant le QI le plus élevé) a répondu : « Vous devriez changer. Si vous changez, vos chances de gagner seront doublées. »

Cette réponse a fait sensation dans tous les États-Unis et a déclenché une avalanche d’environ 10 000 lettres de protestation (dont environ 1 000 provenaient d’universitaires titulaires d’un doctorat en mathématiques). C’était une tempête de critiques acerbes telles que « Vous ne comprenez pas les bases des probabilités » ou « C’est de la logique féminine ».

Cependant, pour en venir à la conclusion, la réponse de Marilyn était mathématiquement tout à fait exacte.

2. L’écart entre l’intuition et les mathématiques : les ramifications des probabilités vues avec Mermaid

Pourquoi notre intuition nous donne-t-elle l’illusion de « $\frac{1}{2}$ » ? Tout d’abord, visualisons tous les scénarios possibles du jeu.

graph TD Start["Début du jeu"] --> CarA["La voiture est derrière A (probabilité 1/3)"] Start --> CarB["La voiture est derrière B (probabilité 1/3)"] Start --> CarC["La voiture est derrière C (probabilité 1/3)"] CarA --> PickA1["Vous choisissez la porte A"] CarB --> PickA2["Vous choisissez la porte A"] CarC --> PickA3["Vous choisissez la porte A"] PickA1 --> HostB_or_C["Le présentateur ouvre B ou C"] PickA2 --> HostC["Le présentateur ouvre toujours C"] PickA3 --> HostB["Le présentateur ouvre toujours B"] HostB_or_C --> Stay1["Ne pas changer : Gagné !"] HostB_or_C --> Switch1["Changer : Perdu..."] HostC --> Stay2["Ne pas changer : Perdu..."] HostC --> Switch2["Changer : Gagné !"] HostB --> Stay3["Ne pas changer : Perdu..."] HostB --> Switch3["Changer : Gagné !"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

En supposant que vous ayez choisi la « porte A », les 3 scénarios suivants se produisent avec des probabilités égales ($\frac{1}{3}$).

Scénario 1 (la voiture est en A) : Le présentateur ouvre B ou C, qui cache une chèvre. Si vous changez de porte, vous perdez.
Scénario 2 (la voiture est en B) : Le présentateur ne peut ouvrir que C, qui cache une chèvre. Si vous changez de porte, vous gagnez.
Scénario 3 (la voiture est en C) : Le présentateur ne peut ouvrir que B, qui cache une chèvre. Si vous changez de porte, vous gagnez.

En d’autres termes, 2 fois sur 3 (scénarios 2 et 3), vous êtes dans une situation où « si vous changez de porte, vous gagnerez à coup sûr ». Par conséquent, votre taux de victoire si vous changez de porte est de $\frac{2}{3}$, soit le double du taux de victoire si vous ne changez pas, qui est de $\frac{1}{3}$.

3. Preuve rigoureuse par le théorème de Bayes

Pour résoudre mathématiquement ce problème de manière rigoureuse, nous utilisons le « théorème de Bayes » pour calculer les probabilités conditionnelles.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

Ici, nous définissons les événements comme suit :

$C_A, C_B, C_C$ : Les événements où la voiture neuve se trouve respectivement derrière la porte A, B et C. Les probabilités a priori sont $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
Supposons que vous ayez choisi la porte A en premier.
$M_B$ : L’événement où le présentateur ouvre la porte B, qui révèle une chèvre.

Ce que nous voulons trouver, c’est la « probabilité que la voiture se trouve derrière la porte C, étant donné que le présentateur a ouvert la porte B », c’est-à-dire la probabilité a posteriori $P(C_C|M_B)$.

Tout d’abord, considérons la probabilité $P(M_B|C_X)$ que le présentateur ouvre la porte B, en fonction de l’endroit où se trouve la voiture.

Si la voiture est derrière la porte A ($C_A$) Le présentateur peut ouvrir aléatoirement B ou C.
$$ P(M_B|C_A) = \frac{1}{2} $$
Si la voiture est derrière la porte B ($C_B$) Le présentateur ne peut pas ouvrir la porte cachant la voiture, donc la probabilité d’ouvrir B est nulle.
$$ P(M_B|C_B) = 0 $$
Si la voiture est derrière la porte C ($C_C$) Le présentateur ne peut ouvrir ni A (votre choix) ni C (qui cache la voiture), il doit donc nécessairement ouvrir B.
$$ P(M_B|C_C) = 1 $$

Ensuite, nous trouvons la probabilité totale $P(M_B)$ que le présentateur ouvre la porte B à l’aide de la « loi des probabilités totales ».

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

Nous appliquons enfin le théorème de Bayes pour calculer les probabilités a posteriori pour la porte A et la porte C.

Probabilité que la voiture soit derrière la porte A (si vous ne changez pas) :

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

Probabilité que la voiture soit derrière la porte C (si vous changez) :

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

Même avec une preuve mathématique, il est clairement démontré que « la probabilité de gagner est multipliée par deux (2/3) si vous changez de porte ».

4. Biais cognitifs : la valeur de l’information en tant que « conditionnement »

Pourquoi même de nombreux mathématiciens de génie se sont-ils trompés intuitivement sur ce problème ? Il y a là un « biais d’équiprobabilité » et un « échec de la mise à jour de l’information » ancrés dans le cerveau humain.

4.1. Biais d’équiprobabilité (Equiprobability Bias)

Les humains ont tendance à assigner inconsciemment que « la probabilité des options restantes est toujours égale » face à des options inconnues. Au moment où l’on voit qu’il reste deux portes, le cerveau les étiquette automatiquement comme « $50\%$ : $50\%$ ».

4.2. L’information sur l’« intention » du présentateur

La principale raison pour laquelle l’intuition se trompe est le fait d’ignorer que les actions du présentateur ne sont pas aléatoires. Si les règles étaient que le présentateur « ouvrait une porte au hasard sans savoir où se trouve la voiture, et que cela tombait sur une chèvre » (connu sous le nom de problème de Monty Fall), la probabilité pour la porte A et la porte C serait toutes deux de $\frac{1}{2}$.

Cependant, dans le véritable problème de Monty Hall, le présentateur agit sous les contraintes strictes suivantes :

Il ne peut pas ouvrir la porte choisie par le participant.
Il ne peut pas ouvrir la porte cachant la voiture neuve.

En raison de ces contraintes, l’acte même d’ouvrir la « porte B » par le présentateur nous donne une information énorme concernant la porte C. Cela contient le message silencieux : « Je ne pouvais pas ouvrir la porte C (parce que la voiture neuve s’y trouve) ».

5. Corriger l’intuition avec un exemple extrême

Si vous n’êtes toujours pas convaincu, essayons d’augmenter le nombre de portes à 1 million.

Vous choisissez la porte 1 parmi 1 million de portes. (La probabilité de gagner est de $\frac{1}{1,000,000}$)
Le présentateur omniscient ouvre l’intégralité des 999 998 portes cachant une chèvre parmi les 999 999 portes restantes.
Les seules portes fermées sont la « porte 1 » que vous avez choisie et la « porte 777 777 » que le présentateur a délibérément laissée.

Maintenant, allez-vous changer de porte ? Dans ce cas, si vous croyez avoir réussi le miracle de « 1 sur 1 million » lors du premier choix, vous ne devriez pas changer. Cependant, en réalité, vous pouvez intuitivement comprendre que la probabilité que la voiture se trouve derrière la « seule porte que le présentateur ne pouvait absolument pas ouvrir » est de $\frac{999,999}{1,000,000}$.

Le problème de Monty Hall (3 portes) n’est qu’un phénomène qui réduit l’échelle de cette situation à « 1 million de portes ».

pie title "Effet du changement de porte (100 simulations)" "Changer et gagner (environ 66.7%)" : 67 "Ne pas changer et gagner (environ 33.3%)" : 33

6. Conclusion : les leçons que la théorie des probabilités enseigne pour les affaires et la vie

Le problème de Monty Hall dépasse le cadre d’un simple quiz et nous enseigne des leçons importantes.

L’intuition se trompe souvent : Le cerveau humain n’a pas évolué pour traiter intuitivement des probabilités conditionnelles complexes. Il est dangereux de s’en remettre uniquement à l’intuition lors de prises de décisions importantes.
Mettre à jour les probabilités avec de nouvelles informations (mise à jour bayésienne) : Lorsque la situation change et que de nouvelles informations (comme quelle porte le présentateur a ouverte) sont apportées, la clé du succès est de pouvoir mettre à jour de manière flexible ses probabilités et ses stratégies, au lieu de s’en tenir à des idées préconçues.

La petite décision de « changer de porte » pourrait multiplier par deux vos chances d’obtenir la « voiture neuve » dans votre vie.