Product Design, Manufacturing & Innovation Resources
Maison » Théorème de Bayes

Théorème de Bayes

1763-12-23
  • Thomas Bayes
  • Pierre-Simon Laplace
Historical study room with mathematician calculating Bayes' theorem.

(Image générée à titre d'illustration uniquement)

Bayes’ theorem describes the probability of an event based on prior knowledge of conditions that might be related to the event. It is a fundamental concept in probability theory and statistics. Mathematically, it is stated as [latex]P(A|B) = \frac{P(B|A)P(A)}{P(B)}[/latex], where A and B are events and [latex]P(B) \neq 0[/latex]. It relates the conditional and marginal probabilities of two random events.

Bayes’ Theorem provides a mathematical way to update existing beliefs with new evidence. In the formula [latex]P(A|B) = \frac{P(B|A)P(A)}{P(B)}[/latex], [latex]P(A|B)[/latex] is the posterior probability: the probability of hypothesis A given the evidence B. [latex]P(B|A)[/latex] is the likelihood: the probability of observing evidence B if hypothesis A is true. [latex]P(A)[/latex] is the prior probability: the initial belief in hypothesis A before seeing evidence B. Finally, [latex]P(B)[/latex] is the marginal likelihood or evidence: the total probability of observing the evidence B under all possible hypotheses. This term serves as a normalization constant, ensuring the posterior probabilities sum to one.

Le théorème fut présenté pour la première fois dans l'essai de Thomas Bayes intitulé « Essai sur la résolution d'un problème de la doctrine des chances », lu à la Royal Society en 1763 après sa mort. Cependant, c'est Pierre-Simon qui le formula. Laplace qui a développé et popularisé indépendamment ce théorème, l'appliquant à des problèmes de mécanique céleste, de statistiques médicales et de jurisprudence. La nouveauté de ce théorème résidait dans sa formalisation de la probabilité inverse, permettant de remonter des effets à leurs causes. Alors que les statistiques classiques (fréquentistes) s'intéressent à la probabilité des données étant donné une hypothèse, les statistiques bayésiennes s'intéressent à la probabilité de l'hypothèse étant donné les données, ce qui constitue souvent une réponse plus intuitive et directe aux questions scientifiques.

UNESCO Nomenclature: 1208
- Statistiques

Taper

Système abstrait

Perturbation

Révolutionnaire

Usage

Utilisation généralisée

Précurseurs

  • Théorie générale des probabilités (développée par Pascal, Fermat, Bernoulli)
  • Concept de probabilité conditionnelle
  • Travaux sur les problèmes de probabilité inverse par des mathématiciens antérieurs

Applications

  • Filtrage anti-spam dans les clients de messagerie
  • tests de diagnostic médical
  • Algorithmes d'apprentissage automatique (par exemple, classificateurs Naive Bayes)
  • opérations de recherche et de sauvetage
  • Modélisation écologique
  • prédiction des marchés financiers

Brevets:

NA

Idées d'innovations potentielles

  • Médecine génomique personnalisée basée sur la mise à jour du risque de maladie grâce à des marqueurs génétiques
  • Systèmes de contrôle du trafic adaptatifs en temps réel qui mettent à jour la synchronisation des feux de signalisation en fonction du flux de circulation en direct
  • Plateformes automatisées de découverte scientifique qui formulent et testent des hypothèses à partir de données expérimentales
  • Modèles de tarification d'assurance dynamiques qui ajustent les primes en fonction des données comportementales en temps réel
  • AI-driven legal assistants that assess the probability of a case’s success based on precedent and evidence
  • Des modèles climatiques avancés mettent à jour les prévisions à mesure que de nouvelles données satellitaires et de capteurs sont disponibles.
  • Systèmes de maintenance prédictive pour machines complexes qui mettent à jour les probabilités de panne à partir des relevés de capteurs.
  • Robots de trading algorithmique qui mettent à jour les prévisions de marché en fonction de l'actualité et des fluctuations des prix
  • Les systèmes domotiques intelligents apprennent et prédisent le comportement des occupants afin d'optimiser la consommation d'énergie.
  • Améliorée traitement du langage naturel models that update their understanding of context based on conversational flow
Lié à : théorème de Bayes, probabilité conditionnelle, a posteriori, a priori, vraisemblance, statistiques bayésiennes, probabilité inverse, Thomas Bayes, Laplace, évidence.

Contexte historique

Théorème de Bayes

1650
1736
1750
1763-12-23
1780
1805
1822
1640
1650
1747
1758
1777
1799
1812
1822

(si la date est inconnue ou non pertinente, par exemple « mécanique des fluides », une estimation arrondie de son émergence notable est fournie)

10e année anniversaire

Les images en pleine résolution et les téléchargements sont uniquement disponibles, et 100% gratuits, pour les membres inscrits.