Preuve compatible et preuve probante — une distinction essentielle
Une théorie prédit une observation et celle-ci se produit. Un suspect possède un objet correspondant à une trace trouvée sur une scène de crime. Un malade présente un symptôme caractéristique de la maladie envisagée. Dans chacune de ces situations, nous pouvons dire que l’observation est compatible avec l’hypothèse. Mais cela ne suffit pas encore à montrer qu’elle constitue une preuve forte en sa faveur.
Cette distinction est l’une des plus importantes de tout le raisonnement probatoire. Une hypothèse peut être capable d’absorber une immense variété d’observations sans que chacune la confirme réellement. Pour savoir ce qu’une donnée apporte, il faut dépasser la question « mon hypothèse peut-elle expliquer ce fait ? » et demander « ce fait était-il sensiblement plus attendu sous mon hypothèse que sous ses concurrentes ? »
C’est la différence entre une preuve simplement compatible et une preuve véritablement probante.
Être compatible signifie seulement ne pas être exclu
Une observation E est compatible avec une hypothèse H lorsque H peut être vraie tout en permettant l’apparition de E.
Supposons qu’une personne souffre de fatigue. Ce symptôme est compatible avec de nombreuses maladies. Il est également compatible avec un manque de sommeil, un travail éprouvant, une période de stress ou quantité d’autres situations ordinaires.
Dire :
« la fatigue est compatible avec la maladie H »
est donc une affirmation très faible.
Elle signifie seulement que H n’est pas exclue par cette observation. Elle ne nous dit pas encore si H explique mieux la fatigue que les autres possibilités.
Le même problème apparaît dans presque tous les domaines. Une baisse des ventes peut être compatible avec une mauvaise campagne publicitaire, avec une récession, avec l’arrivée d’un concurrent ou avec un produit devenu moins attractif. Une donnée économique peut être compatible avec plusieurs théories. Un comportement politique peut être interprété à l’intérieur de plusieurs récits concurrents.
La compatibilité élimine éventuellement certaines possibilités ; elle ne suffit pas à départager celles qui restent.
Une preuve devient probante lorsqu’elle discrimine
La notion de preuve probante ajoute une exigence. Une observation soutient réellement H contre H2 lorsqu’elle est plus attendue sous H que sous H2.
Nous retrouvons le rapport de vraisemblance :
LR = P(E|H1) / P(E|H2).
Si l’observation est presque aussi probable sous les deux hypothèses, son pouvoir discriminant est faible. Si elle est beaucoup plus probable sous H1, elle favorise H1.
Le principe est donc comparatif :
| Observation E | P(E | H1) | P(E | H2) | Ce que E nous apprend |
|---|---|---|---|---|---|
| Très attendue sous les deux | 90 % | 90 % | Presque rien pour les départager | ||
| Plus attendue sous H1 | 80 % | 20 % | Favorise H1 | ||
| Plus attendue sous H2 | 20 % | 80 % | Favorise H2 | ||
| Rare sous les deux, mais beaucoup moins sous H2 | 5 % | 0,05 % | Peut fortement favoriser H1 |
Le dernier cas mérite une attention particulière : une observation n’a pas besoin d’être fréquente sous H1 pour soutenir fortement H1. Il suffit qu’elle soit beaucoup moins attendue encore sous les alternatives pertinentes.
Le cas du symptôme médical
Imaginons deux symptômes associés à une maladie.
Le premier apparaît chez 90 % des personnes malades, mais également chez 80 % des personnes présentant d’autres affections comparables. Il est très compatible avec la maladie, mais peu discriminant.
Le second n’apparaît que chez 40 % des personnes malades, mais seulement chez 2 % des personnes non malades.
À première vue, le premier semble être le « meilleur symptôme », puisqu’il est beaucoup plus fréquent chez les malades. Pourtant, pour distinguer la maladie de son absence, le second peut être beaucoup plus informatif.
Pour le premier :
LR = 0,90 / 0,80 = 1,125.
Pour le second :
LR = 0,40 / 0,02 = 20.
Le second symptôme est donc vingt fois plus attendu chez les malades que chez les non-malades, tandis que le premier ne l’est qu’un peu plus.
Cela montre pourquoi un signe très fréquent chez les malades n’est pas nécessairement un bon signe diagnostique. Il faut toujours connaître son comportement dans les situations concurrentes.
« Il aurait pu faire cela s’il était coupable »
Le même raisonnement s’applique à une enquête judiciaire.
Supposons qu’un suspect ait quitté son domicile le soir où le crime a été commis. Un raisonnement possible serait :
« S’il était coupable, il aurait très bien pu sortir à cette heure-là. »
C’est vrai, mais presque sans valeur probante si une personne innocente avait elle aussi de nombreuses raisons ordinaires de sortir.
La question réellement utile est : ce comportement serait-il beaucoup plus probable si le suspect était coupable que s’il était innocent ?
Une grande partie des raisonnements judiciaires faibles peuvent être décrits ainsi : on montre qu’un indice est compatible avec la culpabilité sans examiner suffisamment à quel point il est également compatible avec l’innocence.
L’erreur symétrique existe évidemment. Montrer qu’un fait *peut* être expliqué sous l’hypothèse d’innocence ne suffit pas non plus à annuler sa valeur probante. Si ce fait était cent fois plus attendu sous la culpabilité, il reste une preuve importante même si une explication alternative est logiquement possible.
Possible n’est pas la même chose que probable.
Expliquer n’est pas départager
Cette distinction est particulièrement importante lorsque nous parlons d’« explication ».
Une hypothèse paraît souvent convaincante parce qu’elle fournit une histoire cohérente reliant plusieurs faits. Mais plusieurs histoires différentes peuvent parfois expliquer les mêmes observations.
Supposons qu’une entreprise connaisse une forte croissance après l’arrivée d’un nouveau dirigeant. Nous pouvons raconter : « sa nouvelle stratégie a provoqué la croissance ». Cette explication est compatible avec les faits.
Mais imaginons que l’ensemble du secteur ait connu au même moment une expansion comparable. Une hypothèse concurrente — amélioration générale du marché — prédisait elle aussi cette croissance.
La simple succession temporelle reste donc compatible avec l’effet du dirigeant, mais elle devient beaucoup moins probante en sa faveur.
Le raisonnement scientifique cherche précisément à construire des observations qui séparent les explications : groupe témoin, comparaison avant-après correctement contrôlée, expérience randomisée, prédiction différenciée ou autre dispositif permettant aux hypothèses concurrentes de produire des attentes différentes.
Une théorie souple peut tout rendre compatible
Une théorie capable de s’adapter à n’importe quel résultat possède un avantage rhétorique considérable : elle n’est presque jamais prise en défaut.
Mais cet avantage peut devenir une faiblesse épistémique.
Imaginons une théorie affirmant qu’une intervention augmente normalement une variable. L’expérience montre une augmentation : la théorie est déclarée confirmée. L’expérience suivante montre une diminution : on ajoute que l’intervention provoque parfois une réaction compensatoire. Une troisième ne montre aucune différence : on explique que les deux mécanismes se sont équilibrés.
Chacun des résultats devient ainsi compatible avec la théorie.
Mais plus une hypothèse peut absorber facilement des résultats incompatibles entre eux, moins la simple compatibilité d’un nouveau résultat est informative. Ce qui importe n’est pas seulement ce qu’une théorie peut expliquer après coup, mais les différences de probabilité qu’elle attribuait aux résultats avant de les connaître.
La théorie de la confirmation s’intéresse précisément à cette différence entre le fait qu’une donnée ne réfute pas une hypothèse et le fait qu’elle augmente réellement sa crédibilité. Dans une approche bayésienne dite de *relevance confirmation*, une observation confirme H lorsque P(H|E) > P(H), et non simplement lorsqu’elle est logiquement compatible avec H.
Une prédiction précise peut être plus probante qu’une prédiction vague
Supposons que deux modèles prédisent la température du lendemain.
Le premier annonce :
« entre −20 °C et +40 °C ».
Le second annonce :
« entre 17 °C et 19 °C ».
La température observée est de 18 °C.
Les deux modèles sont compatibles avec l’observation. Pourtant, si le second avait réellement attribué beaucoup plus de probabilité à cette petite plage que le premier, la réussite est davantage probante en sa faveur.
Pourquoi ? Parce qu’il avait pris davantage de risque prédictif. De nombreuses observations qui auraient satisfait le premier modèle auraient contrarié le second.
Cette logique permet de comprendre pourquoi les prédictions précises, établies avant les observations, peuvent être épistémiquement particulièrement intéressantes. Leur réussite ne vaut pas parce que la précision serait une vertu en soi, mais parce qu’elle peut produire une meilleure discrimination entre hypothèses.
Une prédiction vague peut être souvent correcte simplement parce qu’elle exclut très peu de possibilités.
Une anomalie n’est pas automatiquement une réfutation
La distinction fonctionne aussi dans l’autre direction. Si une observation paraît peu compatible avec H, elle ne réfute pas nécessairement H.
Supposons que :
P(E|H) = 10 %.
E est relativement inattendue sous H. Nous pourrions être tentés de dire qu’E constitue une preuve contre H.
Mais imaginons :
P(E|H2) = 1 %.
E est encore dix fois plus attendue sous H que sous H2. Elle favorise donc H relativement à H2 malgré son caractère surprenant.
Une observation surprenante peut ainsi signaler que toutes nos hypothèses expliquent mal les données, plutôt que démontrer immédiatement laquelle est fausse.
C’est un point essentiel pour la science. Une anomalie peut conduire à réviser un modèle, rechercher un problème de mesure, proposer une troisième hypothèse ou reconsidérer les alternatives disponibles. Aucun de ces choix n’est automatiquement déterminé par le seul fait qu’une observation était improbable sous la théorie actuelle.
Une preuve peut confirmer sans rendre probable
Une autre confusion concerne le mot confirmation.
Supposons qu’une maladie possède initialement une probabilité de 0,1 %. Une nouvelle observation la fait passer à 5 %.
La maladie reste très improbable : dans 95 % de la distribution postérieure simplifiée, elle est absente.
Pourtant, la preuve l’a fortement confirmée au sens où elle a considérablement augmenté sa probabilité.
La *Stanford Encyclopedia of Philosophy* distingue explicitement cette notion de confirmation par augmentation de probabilité de la simple « fermeté » de la croyance finale : une hypothèse rare peut rester peu probable après une observation tout en ayant été fortement renforcée par celle-ci.
Il faut donc distinguer :
« E soutient H »
de
« H est maintenant très probable ».
La première proposition concerne l’effet de la preuve ; la seconde concerne l’état final de croyance.
Cette distinction est capitale lorsqu’on communique des résultats scientifiques encore préliminaires.
Une preuve peut être probante contre une hypothèse sans la rendre improbable
Le cas inverse est tout aussi important.
Supposons qu’une théorie très solidement établie possède initialement une probabilité très élevée. Une expérience produit un résultat davantage attendu si une théorie concurrente est vraie.
Cette observation constitue une preuve contre la théorie dominante. Mais si son prior était extrêmement élevé et que le rapport de vraisemblance reste modéré, la théorie peut conserver une probabilité postérieure importante.
Dire :
« cette étude apporte une preuve contre H »
n’implique donc pas :
« cette étude montre que H est probablement fausse ».
Une pensée probabiliste suffisamment fine doit pouvoir conserver simultanément ces deux idées : l’observation va contre la théorie, mais l’ensemble des preuves disponibles continue pour l’instant à la favoriser.
C’est précisément le type de nuance que la pensée binaire a du mal à représenter.
Chercher ce qui aurait été différent
Le meilleur moyen pratique d’évaluer la valeur probante d’une observation consiste souvent à poser une question contrefactuelle : qu’aurais-je attendu de différent si une autre hypothèse était vraie ?
Supposons qu’une personne affirme qu’une politique publique fonctionne parce qu’un indicateur s’est amélioré après sa mise en œuvre. Nous pouvons immédiatement rechercher l’hypothèse concurrente : que se serait-il probablement passé sans cette politique ?
Si l’indicateur se serait vraisemblablement amélioré de toute façon en raison d’une tendance générale, la simple amélioration observée devient une preuve faible de l’efficacité causale.
Cette question ne résout évidemment pas toutes les difficultés causales. Mais elle force le raisonnement à quitter le domaine de la simple compatibilité pour entrer dans celui de la comparaison entre attentes concurrentes.
La même discipline peut être appliquée à un témoignage, un résultat expérimental, une prévision ou une explication historique.
Une preuve est toujours probante relativement à quelque chose
Il n’existe finalement pas de quantité de « pouvoir probant » entièrement indépendante des hypothèses considérées.
Une empreinte peut être très probante pour distinguer un suspect A d’un suspect B, mais beaucoup moins pour distinguer A d’un jumeau présentant certaines caractéristiques similaires. Un marqueur biologique peut être très utile pour distinguer une maladie d’une population saine mais beaucoup moins pour la distinguer d’une maladie voisine. Une observation astronomique peut éliminer une théorie tout en laissant plusieurs autres explications presque à égalité.
Richard Royall a fortement insisté sur ce caractère comparatif de la preuve statistique dans son paradigme de vraisemblance : les données fournissent un soutien relatif à une hypothèse contre une autre selon le rapport de leurs vraisemblances. Cette conception ne constitue pas à elle seule tout le bayésianisme, puisqu’elle ne détermine pas les probabilités postérieures, mais elle rend particulièrement claire la différence entre simple compatibilité et discrimination.
La question complète n’est donc jamais seulement « est-ce une preuve ? », mais souvent : « une preuve de quoi contre quoi ? »
Une protection contre les raisonnements circulaires
Cette distinction constitue également une bonne défense contre le biais de confirmation.
Lorsque nous sommes attachés à une croyance, nous cherchons facilement des observations qu’elle peut expliquer. Et puisque les hypothèses complexes sont souvent compatibles avec de nombreuses observations, nous trouvons presque toujours quelque chose.
Le test plus exigeant consiste à chercher ce qui serait moins attendu si notre hypothèse était fausse.
Une information répétée par dix médias est-elle plus probable si l’histoire est vraie, ou pourrait-elle tout aussi bien apparaître parce que tous reprennent la même source erronée ? Une prédiction politique réussie était-elle réellement distinctive, ou suffisamment vague pour être revendiquée quel que soit le résultat ? Une étude favorable à notre opinion distingue-t-elle vraiment notre explication des alternatives ?
Passer de la compatibilité à la valeur probante oblige ainsi à rechercher activement les hypothèses concurrentes plutôt qu’à accumuler uniquement les exemples compatibles avec notre propre récit.
Ce que nous devons désormais demander à une preuve
Nous disposons maintenant d’un vocabulaire plus précis pour évaluer une information.
Une observation peut être incompatible avec une hypothèse et donc poser un problème sérieux au modèle. Elle peut être compatible mais presque neutre, parce que les autres hypothèses la prédisent aussi bien. Elle peut favoriser modérément une hypothèse. Elle peut enfin être fortement discriminante lorsque les alternatives auraient très difficilement produit le même résultat.
Cette gradation est beaucoup plus utile que la distinction binaire « preuve / pas preuve ».
Elle conduit à une série de questions qui devraient progressivement devenir automatiques : quelles hypothèses sont réellement en concurrence ? Quelle observation chacune rendait-elle probable ? Ce que j’observe aurait-il pu se produire presque aussi facilement si mon hypothèse était fausse ? Cette donnée augmente-t-elle vraiment mon degré de croyance, et de combien ?
Une preuve probante ne se contente donc pas de « coller » à une histoire. Elle redistribue la plausibilité entre plusieurs histoires possibles.
Mais une nouvelle difficulté apparaît immédiatement. Une seule preuve fortement discriminante est parfois disponible ; plus souvent, nous disposons d’une multitude d’indices incomplets. Chacun apporte peu, mais leur combinaison peut devenir impressionnante.
Il faut donc maintenant comprendre comment plusieurs preuves s’accumulent — et à partir de quel moment leur convergence devient réellement convaincante.
Pour aller plus loin
- Crupi, V. (2025). « Confirmation », *Stanford Encyclopedia of Philosophy*. Synthèse des principales théories de la confirmation et distinction entre probabilité finale d’une hypothèse et augmentation de sa crédibilité par une preuve.
- Royall, R. M. (1997). *Statistical Evidence: A Likelihood Paradigm*. Chapman & Hall/CRC. Ouvrage majeur sur le caractère comparatif de la preuve et la loi de vraisemblance.
- Howson, C., & Urbach, P. (2006). *Scientific Reasoning: The Bayesian Approach*, 3e éd. Open Court. Présentation systématique de la confirmation bayésienne et du rôle des vraisemblances dans l’évaluation des hypothèses.