Qu’est-ce qu’une probabilité ?
« Il y a 80 % de chances que ce traitement soit efficace », « la probabilité de pluie est de 60 % », « ce candidat a une chance sur trois de gagner », « cette pièce a une probabilité de 1/2 de tomber sur pile ». Nous utilisons spontanément le même mot — probabilité — dans des situations très différentes. Pourtant, ces phrases ne parlent pas nécessairement de la même chose. Une probabilité peut décrire la fréquence observée d’un phénomène, une caractéristique supposée d’un processus physique, l’incertitude liée à notre information ou le degré de confiance que nous accordons rationnellement à une proposition.
Les mathématiques permettent de manipuler ces probabilités avec une remarquable précision. Mais une question demeure : qu’est-ce qu’une probabilité représente dans le monde ou dans notre connaissance du monde ? Cette question n’a pas reçu une réponse philosophique unique. Elle est importante pour comprendre le bayésianisme, car celui-ci utilise volontiers les probabilités pour représenter des degrés de croyance, y compris lorsque nous parlons d’un événement unique dont nous ignorons encore l’issue.
Un même nombre, plusieurs significations possibles
Prenons quatre affirmations : une pièce équilibrée a une probabilité de 50 % de tomber sur pile ; environ 1 % d’une certaine population possède une maladie ; un météorologue attribue 30 % de probabilité à la pluie demain ; un analyste estime qu’un candidat a 70 % de chances de remporter une élection.
Mathématiquement, toutes peuvent être exprimées par un nombre compris entre 0 et 1. Mais leur interprétation n’est pas identique. Dans le cas d’une maladie, nous pouvons disposer d’une fréquence observée dans une population. Pour la pièce, nous pouvons penser à la répétition d’un même type d’expérience ou aux propriétés physiques du lancer. Dans le cas de la météo, la probabilité peut provenir d’un ensemble de modèles, de situations météorologiques comparables et d’une estimation de l’incertitude. Pour une élection qui n’aura lieu qu’une fois, parler de « 70 % de chances de victoire » ne signifie évidemment pas que cette élection sera répétée cent fois et gagnée soixante-dix fois par le même candidat.
Le nombre peut donc obéir aux mêmes règles mathématiques tout en recevant des interprétations différentes. C’est l’une des raisons pour lesquelles la théorie mathématique des probabilités et la philosophie de la probabilité doivent être distinguées.
Les règles mathématiques ne disent pas à elles seules ce que représente la probabilité
Depuis les travaux d’Andreï Kolmogorov au XXe siècle, la théorie moderne des probabilités possède une formulation axiomatique extrêmement puissante. Sans entrer ici dans les détails de la théorie de la mesure, une probabilité est représentée par une fonction attribuant des valeurs aux événements selon certaines règles de cohérence. Ces règles permettent notamment d’établir qu’une probabilité ne peut pas être négative, qu’un événement certain reçoit la valeur 1 et que les probabilités de certains événements incompatibles s’additionnent. L’axiomatisation de Kolmogorov, publiée en 1933, constitue l’un des fondements de la théorie mathématique moderne des probabilités.
Mais ces axiomes ne répondent pas entièrement à la question : que signifie dire qu’un événement possède une probabilité de 0,7 ? De la même manière que les règles de l’arithmétique ne nous indiquent pas ce que représentent les objets que nous comptons, les règles probabilistes peuvent être appliquées à différentes conceptions de la probabilité.
Cette distinction sera importante tout au long de cette catégorie. Le théorème de Bayes est une relation mathématique entre probabilités conditionnelles. Le bayésianisme, au sens philosophique ou statistique, ajoute des choix sur la manière d’interpréter et d’utiliser ces probabilités.
La probabilité comme fréquence
L’une des idées les plus intuitives consiste à relier une probabilité à une fréquence observée ou attendue dans une série de répétitions. Si une pièce est lancée un très grand nombre de fois et que la proportion de piles se rapproche de 50 %, cette fréquence donne naturellement un sens à l’affirmation selon laquelle la probabilité de pile est de 1/2.
Cette interprétation est particulièrement naturelle dans de nombreux domaines empiriques. Dire qu’une maladie touche environ 2 personnes sur 1 000 dans une population définie correspond directement à une fréquence. Dire qu’un type de composant tombe en panne dans 0,1 % des cas peut également être compris à partir d’une population de composants comparables.
L’approche fréquentiste possède cependant une difficulté lorsqu’on veut appliquer la probabilité à un événement unique. Que signifie la probabilité qu’un candidat gagne l’élection de dimanche prochain ? L’élection concernée n’aura lieu qu’une fois. Nous pouvons naturellement rechercher des classes de référence, des élections comparables ou des performances passées des modèles de prévision, mais la proposition « ce candidat gagnera cette élection précise » n’est pas elle-même une série répétable.
Cela ne rend pas l’approche fréquentiste inutile, loin de là. Cela montre simplement qu’une interprétation fondée sur les fréquences n’épuise pas nécessairement tous les usages que nous faisons du langage probabiliste.
La probabilité comme propension
Une autre famille de conceptions considère la probabilité comme une tendance ou une disposition objective d’un système à produire certains résultats. Une pièce lancée dans certaines conditions aurait ainsi une certaine propension à produire pile ou face. De même, un atome radioactif pourrait posséder une certaine probabilité objective de se désintégrer pendant une période donnée.
L’intérêt de cette approche est de ne pas réduire nécessairement la probabilité à une fréquence déjà observée. Les fréquences seraient plutôt des manifestations empiriques de dispositions probabilistes sous-jacentes.
Cette conception soulève à son tour des difficultés philosophiques : qu’est exactement une « propension » ? Comment l’identifier indépendamment des fréquences qu’elle est censée expliquer ? Comment penser la propension d’un événement unique ? Plusieurs versions différentes de cette approche ont été proposées, ce qui rappelle qu’il n’existe pas une théorie unique et unanimement acceptée de la signification des probabilités.
La probabilité comme degré de croyance
Le bayésianisme met particulièrement en avant une autre interprétation : la probabilité peut représenter un degré de croyance.
Supposons que deux boîtes fermées soient devant nous et que nous sachions qu’une seule contient un objet. Si nous ne disposons d’aucune information permettant de favoriser l’une plutôt que l’autre, nous pouvons attribuer un degré de confiance de 1/2 à chacune. Cette probabilité ne décrit pas nécessairement un mécanisme physique aléatoire situé dans les boîtes. L’objet est peut-être déjà là depuis plusieurs heures. L’incertitude vient de notre information incomplète.
Le même raisonnement devient encore plus évident avec une proposition concernant le passé. Imaginons qu’un document historique ait été rédigé soit par A, soit par B et que nous cherchions à déterminer son auteur. Il existe déjà un fait objectif : quelqu’un l’a écrit. Pourtant, nous pouvons raisonnablement dire qu’à partir des indices disponibles A nous paraît plus probable que B. Ici, la probabilité décrit notre incertitude épistémique à propos d’un fait déjà déterminé.
Bruno de Finetti a défendu de manière particulièrement radicale cette interprétation subjective de la probabilité, en reliant les probabilités personnelles à des degrés de croyance soumis à des contraintes de cohérence. Le qualificatif « subjectif » peut toutefois être trompeur si on l’entend comme « arbitraire ». Une probabilité subjective ne signifie pas que toutes les opinions se valent ou que chacun peut choisir n’importe quel nombre sans justification.
Subjectif ne signifie pas arbitraire
Supposons que deux personnes évaluent la probabilité qu’un candidat gagne une élection. L’une dispose de sondages récents, de données historiques, d’informations sur la participation attendue et d’un modèle de prévision testé sur des élections antérieures. L’autre choisit 80 % parce qu’elle « le sent bien ». Les deux probabilités représentent peut-être des degrés personnels de croyance, mais elles n’ont manifestement pas la même qualité épistémique.
Le raisonnement bayésien ne supprime donc pas l’exigence de justification. Il demande au contraire que nos degrés de croyance soient cohérents entre eux et révisés lorsque de nouvelles informations apparaissent. Ils doivent également être contraints, autant que possible, par les données disponibles, les connaissances antérieures pertinentes et la qualité des modèles employés.
Deux personnes peuvent partir de priors différents et néanmoins se rapprocher lorsqu’elles rencontrent des preuves suffisamment informatives. À l’inverse, elles peuvent continuer à diverger lorsque les données restent pauvres ou lorsque leurs hypothèses de départ sont très différentes. Nous verrons plus tard pourquoi il est alors utile d’examiner la sensibilité du résultat aux priors plutôt que de masquer cette divergence derrière une précision numérique artificielle.
Probabilité objective ou incertitude subjective ?
Il serait tentant de choisir immédiatement entre deux camps : soit les probabilités existent objectivement dans le monde, soit elles ne sont que des états de notre connaissance. La situation est plus complexe.
Certaines probabilités paraissent très naturellement liées à des phénomènes physiques ou à des fréquences stables. D’autres servent clairement à représenter notre ignorance concernant un événement particulier. Dans la pratique scientifique et quotidienne, plusieurs usages peuvent donc coexister. La littérature philosophique distingue notamment des conceptions classiques, logiques, fréquentistes, subjectives et fondées sur les propensions ; aucune interprétation n’a éliminé toutes les autres.
Il est donc prudent d’adopter ici un pluralisme méthodologique. Nous n’avons pas besoin de résoudre toute la philosophie des probabilités avant de pouvoir les utiliser. En revanche, nous devons savoir quel type de proposition nous sommes en train de formuler. Une fréquence observée dans une population n’est pas exactement la même chose qu’un degré de confiance concernant un événement unique, même si les deux peuvent ensuite entrer dans un même raisonnement probabiliste.
Un événement peut être déterminé et pourtant incertain pour nous
Cette distinction permet de dissiper une confusion fréquente : incertitude ne signifie pas nécessairement indétermination du monde.
Une carte tirée d’un jeu peut déjà être posée face cachée sur une table. Elle est soit un roi, soit autre chose. Pourtant, tant que nous ne la regardons pas, nous pouvons légitimement attribuer une probabilité à la proposition « cette carte est un roi ». La probabilité exprime ici une ignorance sur un état déjà fixé.
De même, lorsque nous évaluons la probabilité qu’un suspect ait commis un crime passé, que telle civilisation soit à l’origine d’un artefact ou qu’une hypothèse scientifique particulière explique certaines données déjà recueillies, nous ne prétendons pas que la réalité elle-même attend notre calcul pour décider ce qui s’est produit. Nous représentons l’incertitude de notre connaissance.
Cette idée est essentielle pour comprendre l’épistémologie bayésienne. Les probabilités peuvent servir à exprimer non seulement l’aléatoire du monde, mais également notre degré d’incertitude à propos de propositions vraies ou fausses dont nous ne connaissons pas encore suffisamment bien la valeur de vérité.
Probabilité et ignorance totale ne sont pas identiques
Il faut néanmoins éviter une erreur inverse : transformer automatiquement toute ignorance en probabilité numérique précise.
Dire « je ne sais absolument rien » ne justifie pas nécessairement d’écrire « 50 % ». Si quelqu’un demande la probabilité qu’une civilisation extraterrestre technologiquement avancée existe actuellement dans notre galaxie, il serait difficile de prétendre qu’une valeur comme 37,2 % découle directement des connaissances disponibles. Nous pouvons avoir des arguments, des modèles et des contraintes, mais leur incertitude est elle-même considérable.
La précision d’un nombre doit donc refléter la qualité des informations qui permettent de l’estimer. Une probabilité calculée à partir de milliers d’observations bien définies n’a pas le même statut qu’un degré de croyance approximatif portant sur un phénomène mal connu.
Cela n’empêche pas le raisonnement qualitatif. Nous pouvons parfois dire qu’une hypothèse nous paraît plus plausible, très improbable ou mieux soutenue qu’une autre sans prétendre connaître sa probabilité au pourcentage près. Le bayésianisme ne devrait pas devenir une invitation à maquiller l’ignorance sous des décimales.
Les probabilités parlent toujours d’une information et d’un contexte
Une probabilité n’existe pas isolément de la manière dont le problème est défini. Dire que « la probabilité d’une maladie est de 1 % » est incomplet si l’on ne précise pas dans quelle population, à quel âge, dans quelles circonstances ou selon quels critères diagnostiques. La probabilité peut être très différente dans la population générale et parmi des personnes présentant certains symptômes.
De même, dire qu’un candidat possède 60 % de chances de gagner suppose un ensemble déterminé d’informations disponibles à un moment donné. Une nouvelle enquête d’opinion, le retrait d’un adversaire ou un événement politique majeur peut modifier cette estimation. La probabilité n’est pas nécessairement devenue « fausse » : l’information sur laquelle elle était conditionnée a changé.
Nous arrivons ainsi naturellement à la notion qui structurera la suite : la probabilité conditionnelle. Une probabilité répond souvent implicitement à la question « quelle est la probabilité de A, compte tenu de B ? ». Lorsque B change, la probabilité de A peut changer elle aussi.
De « quelle est la probabilité ? » à « compte tenu de quoi ? »
Face à un nombre probabiliste, l’esprit critique devrait donc apprendre à demander davantage qu’un pourcentage. Il faut rechercher ce que ce nombre représente, la population ou le modèle auquel il se rapporte, les informations sur lesquelles il repose et le degré de précision réellement justifié.
Une prévision de 70 % n’est pas une promesse. Si cent événements correctement évalués à 70 % se produisaient, une méthode bien calibrée devrait en voir se réaliser environ soixante-dix et échouer dans environ trente cas. Le fait qu’un événement estimé à 70 % ne se réalise pas ne démontre donc pas, à lui seul, que la prévision était mauvaise. Inversement, la réussite d’une prévision à 10 % ne prouve pas qu’elle aurait dû recevoir une probabilité élevée : les événements improbables se produisent parfois.
Apprendre à penser probabilistement exige ainsi de renoncer à juger chaque prévision uniquement après avoir découvert son résultat. Il faut distinguer la qualité d’une estimation sous incertitude de l’issue particulière qui s’est finalement produite.
Cette distinction sera centrale pour comprendre les risques, les prévisions, les tests, la calibration et les preuves. Mais elle conduit d’abord à une question plus élémentaire : comment une information supplémentaire modifie-t-elle une probabilité ? Pour y répondre, nous devons maintenant introduire les probabilités conditionnelles — le langage à partir duquel le théorème de Bayes prendra véritablement son sens.
Pour aller plus loin
- Kolmogorov, A. N. (1933). *Grundbegriffe der Wahrscheinlichkeitsrechnung* (*Foundations of the Theory of Probability*). L’ouvrage fondateur de l’axiomatisation moderne des probabilités.
- Hájek, A. (2023). « Interpretations of Probability », *Stanford Encyclopedia of Philosophy*. Une synthèse détaillée des principales conceptions philosophiques de la probabilité.
- de Finetti, B. (1970). « Logical Foundations and Measurement of Subjective Probability », *Acta Psychologica*, 34, 129-145. DOI : 10.1016/0001-6918(70)90012-0.
- Gillies, D. (2000). *Philosophical Theories of Probability*. Routledge. Présentation systématique des interprétations classique, logique, subjective, fréquentiste et en termes de propension.