Es-tu statistiquement exceptionnel ?
Réponds à quelques questions et découvre à quel point tu es rare parmi la population mondiale.
Tu fais partie des 1 sur 333,000 personnes comme toi.
Ces statistiques étaient complètement inventées !
Tu viens d'expérimenter la négligence du taux de base, un biais cognitif étudié par Kahneman & Tversky en 1973.
🧠 La négligence du taux de base, c'est quoi ?
C'est notre tendance à ignorer les probabilités générales (le "taux de base") quand on nous présente des informations spécifiques qui semblent pertinentes.
On se laisse impressionner par des détails précis (comme des pourcentages) sans vérifier si ces chiffres ont un sens ou une base réelle.
😅 Ce qu'on t'a fait gober
Ces statistiques semblaient précises et "scientifiques", mais elles étaient totalement inventées. Et pourtant, tu les as probablement crues !
🚕 Le problème classique du taxi
L'expérience de Kahneman & Tversky (1973)
Une ville a 85% de taxis verts et 15% de taxis bleus.
Un témoin identifie un taxi impliqué dans un accident comme étant bleu. Les tests montrent que ce témoin identifie correctement la couleur 80% du temps.
Question : Quelle est la probabilité que le taxi soit vraiment bleu ?
Réponse correcte : Seulement 41% !
Car il y a tellement plus de taxis verts que le témoin a plus de chances de se tromper sur un taxi vert que d'avoir raison sur un taxi bleu.
📊 Pourquoi ça compte
Notre cerveau est attiré par les détails spécifiques (le témoin, sa fiabilité) et néglige le contexte général (la rareté des taxis bleus).
🏥 Un exemple médical crucial
Le dépistage d'une maladie rare
Une maladie touche 1 personne sur 1000.
Un test de dépistage est fiable à 99% (1% de faux positifs).
Tu es testé positif. Quelle est la probabilité que tu sois vraiment malade ?
Réponse correcte : Seulement ~9% !
Sur 1000 personnes testées, 1 est vraiment malade (test positif) et ~10 personnes saines auront un faux positif. Tu as donc 1 chance sur 11 d'être vraiment malade.
Visualisation sur 1000 personnes
🎯 Où ce biais nous piège au quotidien
- Tests médicaux : Un test positif ≠ maladie certaine
- Témoignages : Un témoin "sûr de lui" peut se tromper
- Profils criminels : Correspondre à un profil ≠ être coupable
- Algorithmes prédictifs : Les IA font aussi cette erreur
- Fake news : Des chiffres précis ≠ chiffres vrais
- Astrologie/horoscopes : Des descriptions "précises" qui s'appliquent à tous
💡 Comment se protéger
- ✓ Toujours demander : "Quelle est la fréquence de base ?"
- ✓ Se méfier des pourcentages sans contexte
- ✓ Visualiser les proportions en nombres absolus
- ✓ Chercher la source des statistiques
- ✓ Utiliser le théorème de Bayes pour les décisions importantes
Règle simple : Quand un chiffre te semble impressionnant, demande-toi : "Par rapport à quoi ?"