On s’appuie tous sur la probabilité, souvent sans même y penser. C’est elle qui prédit la météo, le trafic, ou l’évolution des marchés. Mais au-delà de ces usages courants, elle est le moteur de l’intelligence artificielle, gouverne la mécanique quantique et influence une multitude de décisions que nous prenons chaque jour. Mais au fond, qu’est-ce que c’est, exactement ? Eh bien, pour faire court, on pourrait dire que c’est un « volume ». Laissez-moi vous expliquer.
Quantifier le Hasard : De 0 à 1
La probabilité, c’est notre tentative de mettre des chiffres sur ce qu’on appelle le hasard, de le mesurer, en quelque sorte. La question de savoir si le hasard existe vraiment, ou si tout est simplement prédéterminé et que nous manquons d’informations, reste un débat passionnant. Mais ce qui est formidable, c’est que les mathématiques n’ont pas besoin de trancher ! Leur conception de la probabilité fonctionne dans tous les cas.
On l’interprète comme une mesure de la certitude qu’un événement aléatoire se produira. Et pour cette certitude, peu importe que l’événement soit véritablement aléatoire ou que nous n’en sachions tout simplement pas assez à un instant T.
Historiquement, on exprime cette certitude avec des nombres entre 0 et 100%. Mais pour simplifier, on se débarrasse souvent du signe pour travailler avec des chiffres entre 0 et 1. Plus le nombre est petit, moins on a confiance dans la survenue de l’événement. 0 signifie que l’événement est impossible, et 1 (ou 100%) qu’il est certain.
La Probabilité, une Question de « Volume »
Imaginez qu’on vous demande de mesurer une ligne droite. Intuitivement, vous mesureriez sa longueur, n’est-ce pas ? Pour un carré, vous mesureriez son aire, et pour un cube, son volume. C’est exactement ce que fait une mesure mathématique.
Vous pourriez penser que ce sont des objets géométriques, pas des « événements ». Mais une ligne droite est en fait un ensemble de nombres réels. Un carré est un ensemble de points. Ces objets sont des ensembles ! Et ce que fait la mesure, c’est leur attribuer une « taille » ou un « contenu », que les mathématiciens appellent généralement un volume. Pour certains ensembles, on obtient le volume traditionnel ; pour d’autres, une aire (volume bidimensionnel) ou une longueur (volume unidimensionnel). Et oui, lorsqu’on mesure un événement – qui est aussi un ensemble – on obtient son volume, que l’on appelle alors simplement probabilité. C’est le cœur de la théorie de la mesure.
Les Fondations : Espace Échantillon et Événements
Pour construire notre modèle de probabilité, il faut d’abord bien définir les choses. Lorsque l’on réalise une expérience aléatoire, la première étape est de lister tous les résultats possibles.
Prenons l’exemple d’un lancer de dé. Les six faces sont les résultats possibles. On rassemble tous ces résultats dans un ensemble que l’on appelle l’espace échantillon, souvent noté Omega (Ω).
Maintenant, les « résultats » et les « événements » sont des choses différentes. Si on lance un dé, on peut s’intéresser à la probabilité d’obtenir un « quatre ». C’est un résultat unique. Mais on pourrait aussi vouloir savoir quelle est la probabilité d’obtenir un nombre impair (1, 3, 5). Là, on parle de plusieurs résultats. Un événement est donc un sous-ensemble de notre espace échantillon. L’événement « obtenir un nombre impair » est l’ensemble {1, 3, 5}.
L’ensemble de *tous* les sous-ensembles possibles de l’espace échantillon est appelé l’espace des événements. Il contient absolument tous les événements imaginables pour notre expérience, y compris l’ensemble vide (aucun résultat, donc un événement impossible) et l’espace échantillon lui-même (tout résultat possible, donc un événement certain).
Discret ou Continu ? Masse vs. Densité
La nature des résultats de notre expérience change la manière dont nous attribuons les probabilités.
Si l’espace échantillon a un nombre fini ou un nombre infini « dénombrable » d’éléments (comme les entiers naturels : 1, 2, 3… — par exemple, le nombre de planètes où la vie a évolué), on parle de cas discret. Ici, nous utilisons une fonction de masse de probabilité (PMF). Imaginez que chaque événement élémentaire (chaque résultat unique) soit une petite corde. La PMF attribue une « masse » ou une « longueur » à chacune de ces cordes, de sorte que la somme de toutes les longueurs fasse 1. Si on lance un dé équilibré, chaque face a une « longueur » de 1/6. Pour calculer la probabilité d’un événement (comme « obtenir un nombre impair »), on additionne simplement les longueurs des cordes correspondantes.
Mais que se passe-t-il si l’espace échantillon contient une infinité d’éléments sans « trous », comme tous les nombres réels dans un intervalle donné (par exemple, le temps d’attente dans un embouteillage, qui peut être 3,14 minutes ou 5,78 minutes) ? C’est le cas continu. Ici, si on donnait une longueur à chaque point individuel, la somme serait infinie. La solution ? On ne mesure plus des longueurs, mais des aires.
Dans ce cas, nous utilisons une fonction de densité de probabilité (PDF), souvent notée `p`. Cette fonction décrit la « densité » de probabilité sur l’intervalle. La probabilité d’un événement (par exemple, attendre entre 2 et 3 minutes) est l’aire sous la courbe de la PDF pour cet intervalle, calculée par une intégrale. Un point unique (attendre *exactement* 2 minutes) a alors une probabilité de zéro, car une ligne n’a pas d’aire. Mais ne vous inquiétez pas, dans la vie réelle, on s’intéresse rarement à un instant T précis, plutôt à des intervalles !
Les Trois Règles d’Or de la Mesure de Probabilité
Pour qu’une fonction soit considérée comme une mesure de probabilité valide, elle doit respecter trois règles fondamentales :
1. Mesurabilité des événements : Il faut que les événements que nous souhaitons mesurer soient… mesurables ! En d’autres termes, notre fonction de probabilité doit être capable d’attribuer un « volume » à tous les sous-ensembles de l’espace échantillon qui nous intéressent. C’est pourquoi nous avons construit notre espace des événements.
2. Non-négativité et Normalisation : Les probabilités doivent être positives ou nulles (entre 0 et 1). On ne peut pas avoir une « longueur » ou une « aire » négative ! Cela implique que la probabilité d’un événement impossible (l’ensemble vide) est 0. Et l’événement certain (tout l’espace échantillon) a une probabilité de 1.
3. Additivité des probabilités pour des événements disjoints : Si vous avez deux événements qui ne peuvent pas se produire en même temps (ils sont « disjoints »), la probabilité que l’un OU l’autre se produise est simplement la somme de leurs probabilités individuelles. C’est comme additionner la surface d’un mur et celle d’un plafond si vous voulez peindre les deux : vous mesurez chaque surface séparément et vous les additionnez.
Ces trois règles garantissent que notre modèle de probabilité est cohérent et qu’il correspond à ce que nous observons dans le monde réel. C’est sur ces piliers que repose toute la théorie des probabilités, nous permettant de donner un sens aux incertitudes qui nous entourent.
Questions Fréquemment Posées
Quelle est la différence entre un « résultat » et un « événement » en probabilité ?
Un résultat est une issue unique et possible d’une expérience aléatoire (par exemple, « obtenir un 4 » en lançant un dé). Un événement est un ensemble d’un ou plusieurs résultats. Il peut s’agir d’un seul résultat (« obtenir un 4 ») ou d’un groupe de résultats (« obtenir un nombre impair », qui inclut les résultats 1, 3 et 5). L’ensemble de tous les résultats possibles est appelé l’espace échantillon.
Pourquoi la probabilité d’un événement élémentaire est-elle parfois de zéro dans le cas continu ?
Dans le cas des probabilités continues (par exemple, le temps d’attente), l’espace échantillon contient une infinité non dénombrable de points. Si chaque point avait une probabilité positive, la somme de toutes ces probabilités serait infinie, ce qui est impossible. Au lieu de cela, la probabilité est mesurée par des aires sous une fonction de densité de probabilité (PDF). Une ligne unique (un événement élémentaire) n’a pas d’aire, d’où sa probabilité de zéro. On s’intéresse plutôt aux probabilités d’intervalles (par exemple, « attendre entre 2 et 3 minutes »).
Qu’est-ce que la fonction de masse de probabilité (PMF) et la fonction de densité de probabilité (PDF) ?
La fonction de masse de probabilité (PMF) est utilisée dans le cas discret. Elle attribue une probabilité (une « masse » ou « longueur ») à chaque résultat unique de l’espace échantillon, et la somme de toutes ces probabilités est égale à 1. La fonction de densité de probabilité (PDF) est utilisée dans le cas continu. Elle décrit la densité de probabilité pour chaque point de l’espace échantillon. La probabilité d’un événement est alors l’aire sous la courbe de la PDF sur l’intervalle concerné, calculée via une intégrale.
