Théorie des probabilités : fondements et contre-intuitions majeures

La théorie des probabilités est l'une des plus puissantes créations mathématiques de l'humanité, pourtant elle demeure le siège de malentendus persistants même chez les esprits analytiques. Contrairement à ce qu'on pourrait croire, les probabilités ne mesurent pas une propriété intrinsèque du monde : elles formalisent notre incertitude face à des phénomènes dont nous ne connaissons pas toutes les variables causales. Cette distinction philosophique a des implications pratiques majeures.

Dans cet article, nous allons explorer les axiomes qui fondent cette discipline, puis décortiquer les pathologies cognitives qui nous écartent systématiquement de la pensée probabiliste rigoureuse. Ces biais ne sont pas anodins : ils façonnent nos décisions d'investissement, nos choix médicaux, nos stratégies commerciales.

Les trois axiomes de Kolmogorov : la charpente inébranlable

En 1933, Andreï Kolmogorov pose les fondations axiomatiques modernes de la théorie des probabilités. Plutôt que de débattre ce qu'est une probabilité, il énonce les règles minimales qu'elle doit satisfaire. C'est une stratégie mathématique brillante : l'abstrait nous libère des querelles ontologiques.

Le premier axiome stipule que pour tout événement A dans un univers Ω, la probabilité P(A) est un nombre réel entre 0 et 1 inclus. Cela semble trivial, pourtant c'est l'ancrage qui empêche les probabilités de s'échapper vers l'infini ou l'imaginaire. Zéro signifie l'événement ne peut survenir ; un signifie la certitude.

Le second axiome énonce que P(Ω) = 1. L'univers des possibles doit totaliser la certitude. C'est une tautologie formalisée, mais elle interdit les jeux truqués où les probabilités s'ajoutent à plus d'un. Ce second axiome est celui qui fâche les novices : comment P(face) = 0,5 si je ne sais rien de la pièce ? C'est précisément parce qu'on ne sait rien qu'on postule l'équirépartition — et c'est une définition, pas une découverte.

Le troisième axiome, dit σ-additivité, établit que pour une suite infinie d'événements mutuellement exclusifs, la probabilité de leur union égale la somme de leurs probabilités. C'est moins intuitif, mais c'est ce qui permet de calculer les probabilités continues : celles qui s'étendent sur des ensembles de taille infinie (comme tous les réels entre 0 et 1).

De ces trois axiomes découlent tous les théorèmes des probabilités. Pas d'hypothèses cachées, pas de magie. C'est une architecture mathématique épurée qui a traversé près d'un siècle sans faille conceptuelle majeure.

Le paradoxe de Monty Hall : quand la révision probabiliste confond les cerveaux

Un candidat est face à trois portes. Derrière l'une : une voiture ; derrière les deux autres : des chèvres. Il choisit une porte. L'animateur, qui sait où est la voiture, ouvre l'une des deux portes restantes et révèle une chèvre. Deux portes fermées demeurent : celle initialement choisie et une autre. L'animateur propose de changer.

Doit-il le faire ? L'intuition crie non : deux portes, 50-50. Or c'est faux. En changeant, il gagne avec probabilité 2/3.

Voici pourquoi. En choisissant initialement, le candidat a 1/3 de chances que sa porte cache la voiture. Il y a donc 2/3 que la voiture soit derrière l'une des deux autres portes. Quand l'animateur en ouvre une (révélant une chèvre), il ne crée pas une incertitude nouvelle : il concentre les 2/3 sur l'unique porte restante. Changer transfère les 2/3 vers sa porte.

Ce paradoxe n'est pas un tour de passe-passe mathématique. Il illustre une vérité profonde : les probabilités changent quand l'information change. Les humains traitent l'ouverture d'une porte comme un événement symétrique (« une porte s'ouvre, donc 50-50 »). Or l'animateur n'a pas tiré au hasard : il a sélectionné informationnellement. C'est une version simple du théorème de Bayes en action.

Le corollaire pratique est dévastateur : combien de fois avons-nous rejeté une opportunité ou accepté un risque en piquant une crise d'intuition après avoir reçu une information partielle ?

L'erreur du joueur et ses variantes modernes

Un joueur observe une séquence : pile, pile, pile, pile, pile. Intuitivement, face devient « surreprésenté » — il est dû. C'est l'erreur du joueur : la conviction que les événements aléatoires « s'équilibrent » à court terme.

Mathématiquement, chaque lancer est indépendant. La probabilité de face au 6e lancer reste 0,5, insensible aux 5 résultats antérieurs. Pourtant, la plupart des humains placeraient davantage sur face. Cela résulte d'une mauvaise lecture de la loi des grands nombres : celle-ci dit qu'à très long terme, les fréquences observées convergent vers les probabilités. Mais elle ne dit rien sur le court terme.

Cette erreur prospère dans les contextes modernes. Les analystes financiers scrutent les rendements mensuels : « Le NASDAQ a baissé quatre mois d'affilée, donc il est survendu. » Non : les marchés sont partiellement aléatoires. Une baisse n'augmente pas la probabilité d'une hausse future (sauf si elle modifie les fondamentaux, ce qui est une autre histoire). Les startups observent que deux campagnes marketing consécutives ont floché et augmentent le budget pour la troisième : c'est l'erreur du joueur en costume de croissance.

Un corollaire subtil : l'erreur inverse, où l'on refuse de réagir à une tendance réelle parce qu'on la confond avec du bruit. Si un produit augmente les incidents de 30 % pendant six mois, ce n'est probablement pas une fluctuation aléatoire. L'erreur du joueur inverse consiste à dire « c'est juste de la variance statistique ».

Le problème de l'information manquante : biais de disponibilité

Vous lisez que trois avions se sont écrasés dans un mois. Vous commencez à redouter l'aviation. Or vous ignorez combien de milliers de vols ont décollé et atterri sans incident. Votre estimé implicite de P(crash) a explosé non parce que la réalité a changé, mais parce que les données saillantes se sont amplifiées émotionnellement.

C'est le biais de disponibilité : nous évaluons la probabilité d'un événement par la facilité avec laquelle des exemples nous viennent à l'esprit. Or la disponibilité mentale n'est pas une mesure de fréquence réelle. Un événement rare mais dramatique (terrorisme) devient surpondéré ; un événement courant mais banal (accidents automobiles) devient sous-pondéré.

Dans les organisations, cela se manifeste spectaculairement. Une faille de sécurité qui a fait la une génère une avalanche de ressources en cybersécurité, tandis que les risques endemiques non médiatisés restent ignorés. Une campagne marketing qui a échoué bruyamment paralyse les équipes, tandis qu'une fuite silencieuse de clients passe inaperçue.

La riposte ? Instrumentaliser les données. Ne pas demander à un manager « Crois-tu que ce risque est probable ? » mais « Combien de fois cela s'est-il produit sur les 100 dernières occurrences similaires ? » Ramener l'évaluation des probabilités au comptage brut.

Corrélation et causalité : le piège intemporel

Un chercheur observe que les personnes qui boivent du café ont 20 % moins de maladies cardiaques. Titre de presse : « Le café prévient les crises cardiaques ! » Or 150 variables confondantes peuvent expliquer cette corrélation. Les buveurs de café habituels sont peut-être plus riches (meilleure nutrition), plus stressés (qui les compense avec du sport), moins dépressifs (le café améliore l'humeur).

Le problème est mathématique, pas journalistique. Si X et Y sont corrélés, trois scénarios sont possibles : X cause Y, Y cause X, ou une variable Z cause les deux. Les probabilités observationnelles (corrélations) ne peuvent distinguer ces cas. Pour cela, il faut un expériment contrôlé qui brise les confondeurs, ou une théorie causale a priori.

Dans la data science moderne, ce piège coûte des fortunes. Une startup observe que les clients qui regardent plus de vidéos de produit convertissent davantage. Elle augmente le nombre de vidéos, convaincue que cela cause les conversions. Erreur : les clients motivés regardent plus de contenu et achètent ; ce sont les clients motivés qui causent les deux. Le coût d'opportunité est colossal.

La distinction mathématique entre P(B|A) — la probabilité observée de B sachant A — et l'effet causal de A sur B est fine mais capital. Elle exige une rigueur conceptuelle que l'intuition refuse de fournir.

Le paradoxe de Simpson : quand l'agrégation inverse les conclusions

Un hôpital A traite 1000 patients et sauve 950. Un hôpital B traite 100 patients et en sauve 95. L'hôpital A semble meilleur : 95 % vs 95 %. Or si on désagrège par gravité :

Cas graves : A en traite 900, en sauve 450 (50 %). B en traite 10, en sauve 9 (90 %).

Cas légers : A en traite 100, en sauve 100 (100 %). B en traite 90, en sauve 86 (95,6 %).

Désormais, B est meilleur dans chaque catégorie, mais pire globalement. C'est le paradoxe de Simpson : l'agrégation peut inverser les ordres.

Pourquoi ? Parce que les proportions de cas graves vs légers diffèrent entre les hôpitaux. A reçoit beaucoup de cas graves (ce qui baisse son taux par catégorie) mais les traite efficacement. B reçoit des cas plus légers, ce qui gonfle son taux apparent global par agrégation.

Dans le business, ce paradoxe est dévastateur. Un manager observe que la vente par région augmente. Les régions se réorganisent, mais le total baisse. Pourquoi ? Parce que la répartition des clients entre régions a changé. Une région qui gagnait beaucoup de petits clients (faible revenu) voit son taux de croissance monter arithmétiquement, mais cela détériore le mix de revenus global.

La leçon : ne jamais agréger les taux sans comprendre les dénominateurs. Les probabilités conditionnelles sont aplatissantes ; elles gomment les structures sous-jacentes. On doit toujours demander : « 95 % de quoi, exactement ? »

L'illusion de régression à la moyenne

Un professeur remarque que les étudiants qui ont eu des notes exceptionnelles au test 1 stagnent au test 2. Il en déduit que le test 1 était trop facile ou que les étudiants sont démotivés. Or c'est la régression à la moyenne.

Si les performances incluent une composante aléatoire, les résultats extrêmes au test 1 sont partiellement dus au hasard. Au test 2, ce hasard ne s'aligne plus favorablement. Donc les extrêmes convergent vers la moyenne, pas parce qu'il y a une force active, mais parce que la variance aléatoire se redéploie.

De même, les startups les plus profitables une année sous-performent souvent l'année suivante : le succès antérieur contenait une part de chance. Les investisseurs qui achètent les gagnants de l'année précédente se font systématiquement tromper.

Cette illusion est tellement robuste qu'elle persiste même chez les statisticiens avertis. Elle résiste à la connaissance intellectuelle du phénomène.

Conclusion : vers une écologie probabiliste

La théorie des probabilités, fondée sur trois axiomes minimalistes, génère des conclusions souvent contraires à l'intuition humaine. Ces contre-intuitions ne sont pas des défauts du formalisme, mais des révélateurs : notre intuition est modelée par une époque où la chance jouait un rôle moins central, où les données étaient rares, où l'approximation suffisait.

Aujourd'hui, les décisions se prennent dans l'incertitude radicale. Les probabilités sont l'outil de pensée approprié, mais seulement si on les manie avec rigueur. Cela exige une double discipline : d'abord, maîtriser le formalisme pour éviter les pièges logiques ; ensuite, entretenir une vigilance constante contre les biais que nos cerveaux projettent sur les phénomènes aléatoires.

Les trois domaines où cette vigilance porte le plus de fruits sont la décision stratégique (comprendre qu'une corrélation n'est pas une cause), l'évaluation des risques (ne pas confondre disponibilité mentale et fréquence réelle), et l'interprétation des données (toujours vérifier la structure causale sous-jacente aux agrégations).

La théorie des probabilités n'est pas une machine à prédire l'avenir. C'est une grammaire pour raisonner sur l'incertitude. Ceux qui la parlent correctement auront un avantage décisionnel durable sur ceux qui se fient à l'intuition.