Dans le vaste champ des sciences quantitatives et de la psychologie computationnelle, la modélisation des comportements élémentaires requiert des abstractions mathématiques d’une rigueur absolue. L’épreuve de Bernoulli constitue précisément l’unité fondamentale à partir de laquelle s’érigent les architectures probabilistes décrivant les décisions à issue dichotomique, qu’il s’agisse de la réponse correcte à un test d’intelligence, de l’orientation attentionnelle face à un stimulus ambigu ou de l’activation d’un réseau synaptique. En réduisant la complexité du réel à une dualité élémentaire régie par une probabilité stationnaire, ce paradigme probabiliste offre aux chercheurs une grille d’analyse incontournable pour quantifier l’incertitude et décoder la dynamique de l’esprit humain.
Épreuve de Bernoulli
1. Définition concise
Une épreuve de Bernoulli désigne une expérience aléatoire comportant exactement deux issues mutuellement exclusives et exhaustives, conventionnellement étiquetées « succès » (codé par la valeur numérique 1) et « échec » (codé par la valeur numérique 0). La probabilité de survenue de l’issue favorable est dénotée par un paramètre constant p (où 0 ≤ p ≤ 1), tandis que la probabilité complémentaire de l’échec est définie par q = 1 − p.
Dans le domaine de la psychométrie, des sciences cognitives et des neurosciences comportementales, l’épreuve de Bernoulli est conceptualisée comme l’observation ponctuelle d’une décision discrète ou d’une performance binaire. Elle sert d’élément constitutif microscopique permettant de modéliser des phénomènes agrégés complexes, allant de la réussite d’un item psychologique à la prise de décision en situation d’incertitude dans des tâches de discrimination perceptive.
Par extension, la répétition d’épreuves de Bernoulli indépendantes et identiquement distribuées engendre le schéma de Bernoulli, fondation analytique directe de la distribution binomiale, de la distribution géométrique et des modèles de régression logistique abondamment employés dans la recherche comportementale contemporaine.
2. Étymologie et origines linguistiques
Le terme tire son origine patronymique du mathématicien et théologien suisse Jacques Bernoulli (Jacob Bernoulli, 1655–1705), issu de la célèbre dynastie savante bâloise. Bernoulli formalisa de manière systématique ce principe d’expérimentation binaire dans son ouvrage posthume révolutionnaire, Ars Conjectandi (L’Art de conjecturer), publié à Bâle en 1713 par les soins de son neveu Nicolas Bernoulli.
Le substantif « épreuve », dérivé du bas-latin proba (action d’éprouver, de vérifier, de faire l’essai), souligne la nature expérimentale et heuristique de l’opération, où une hypothèse ou un événement aléatoire est mis à l’épreuve des faits. Dans la littérature académique anglophone, l’expression équivalente Bernoulli trial s’est universalisée au cours des XIXe et XXe siècles, notamment à travers les traités de probabilités d’Emanuel Czuber, de Karl Pearson et de William Feller. En français, la dénomination alterne historiquement entre « épreuve de Bernoulli », « essai de Bernoulli » et « expérience bernoullienne », la première formulation demeurant la norme privilégiée dans les manuels de biostatistique et de méthodologie psychologique francophones.
3. Prononciation et forme grammaticale
Sur le plan phonétique, « épreuve de Bernoulli » se transcrit dans l’Alphabet Phonétique International (API) par la chaîne : /e.pʁœv də bɛʁ.nu.ji/ ou /e.pʁœv də bɛʁ.nu.li/ (la prononciation traditionnelle francisée privilégie l’assibilation du « ill » sous la forme d’une semi-voyelle [j], bien que la prononciation germanique d’origine maintienne la consonne latérale [li]).
Du point de vue grammatical, il s’agit d’un syntagme nominal féminin invariable en ce qui concerne le nom propre :
- Singulier : Une épreuve de Bernoulli.
- Pluriel : Des épreuves de Bernoulli (le nom propre Bernoulli ne prend jamais de marque de pluriel).
- Adjectivation : Le dérivé adjectival « bernoullien » (au féminin « bernoullienne ») est fréquemment mobilisé pour caractériser des processus, des variables aléatoires ou des lois de distribution : par exemple, « une variable aléatoire bernoullienne » ou « un processus de décision bernoullien ».
- Régime syntaxique : L’épreuve est généralement qualifiée par son paramètre p, ce qui donne la formulation usuelle : « une épreuve de Bernoulli de paramètre p ».
4. Explication conceptuelle détaillée
La puissance d’une épreuve de Bernoulli réside dans son dépouillement formel. Une expérience probabiliste ne peut être qualifiée de bernoullienne que si elle satisfait trois axiomes fondamentaux : la dichotomie de l’espace échantillonnal, l’invariance temporelle de la probabilité sous-jacente et la délimitation stricte entre l’état subjectif de l’expérimentateur et l’événement mesuré.
L’espace fondamental Ω associé à une épreuve de Bernoulli est restreint à exactement deux événements élémentaires : Ω = {ω₁, ω₂}. L’attribution des désignations « succès » et « échec » est purement arbitraire et conventionnelle ; elle ne sous-tend aucun jugement moral ou téléologique. En psychologie clinique, par exemple, la présence d’un symptôme phobique ou la survenue d’une rechute addictive peut mathématiquement être désignée comme le « succès » (la présence du phénomène recherché, codée 1), tandis que son absence est définie comme « l’échec » (codée 0).
La formalisation sous forme de variable aléatoire s’exprime par une fonction X définie sur Ω telle que :
P(X = 1) = p
P(X = 0) = 1 − p = q
Les propriétés statistiques intrinsèques d’une telle variable sont remarquablement concises. L’espérance mathématique (ou moyenne théorique) équivaut directement au paramètre de succès : E[X] = (1 × p) + (0 × q) = p. La variance, quant à elle, s’établit à Var(X) = E[X²] − (E[X])² = p − p² = p(1 − p) = pq. Il apparaît clairement que la variance d’une épreuve de Bernoulli atteint son maximum absolu lorsque p = 0,5 (Var(X) = 0,25), ce qui correspond à l’entropie maximale ou à l’incertitude la plus élevée pour un système à deux états.
Lorsque plusieurs épreuves de Bernoulli sont concaténées temporellement ou spatialement, l’hypothèse d’indépendance statistique devient prépondérante. Si la réalisation de l’épreuve à l’instant t n’exerce aucune influence sur la probabilité de succès à l’instant t+1, la somme Sₙ de n épreuves constitue une loi binomiale de paramètres n et p. Néanmoins, en sciences du comportement, cette indépendance stricte représente souvent une idéalisation théorique qu’il convient de confronter aux phénomènes de mémoire, de fatigue, d’apprentissage ou de biais cognitifs séquentiels.
5. Évolution historique
L’histoire de l’épreuve de Bernoulli s’entrelace intimement avec l’essor du calcul des probabilités et le passage d’une vision déterministe du monde à une conceptualisation probabiliste du jugement humain. Avant les travaux séminaux de Jacques Bernoulli à la fin du XVIIe siècle, l’analyse des jeux de hasard – initiée par Blaise Pascal, Pierre de Fermat et Christiaan Huygens – se cantonnait à des dénombrements combinatoires symétriques sans théorie asymptotique formelle.
Dans la quatrième partie de son ouvrage magistral Ars Conjectandi, Jacques Bernoulli franchit un cap épistémologique décisif en formulant la toute première version de la loi faible des grands nombres, qu’il désigna sous le nom de « Théorème d’or ». Bernoulli démontra qu’en réitérant une épreuve dichotomique un nombre suffisamment élevé de fois, la fréquence relative empirique des succès converge avec une quasi-certitude vers la probabilité théorique inconnue p. Il ouvrait ainsi la voie à l’inférence statistique moderne : remonter de l’observation empirique vers la cause cachée régissant le phénomène.
Au XIXe siècle, Siméon Denis Poisson généralisa le concept en examinant des séquences d’épreuves où la probabilité varie d’un essai à l’autre (processus de Poisson ou schéma de Poisson-Bernoulli). Simultanément, des mathématiciens et physiologistes tels que Gustav Fechner et Francis Galton introduisirent ces notions dans la psychophysique et l’étude des différences individuelles. Galton utilisa notamment la planche de Galton (ou quinconce), matérialisation physique directe d’une cascade d’épreuves de Bernoulli binaires, pour illustrer l’émergence empirique de la loi normale à partir de micro-décisions dichotomiques successives.
Au XXe siècle, avec l’avènement des théories du conditionnement béhavioriste, de la détection du signal et du traitement de l’information, l’épreuve de Bernoulli est devenue le modèle canonique des tâches de choix forcé à deux alternatives (two-alternative forced choice, 2AFC), transformant l’outil mathématique en un protocole universel d’investigation de l’architecture cognitive.
6. Fondements théoriques
L’intégration de l’épreuve de Bernoulli en psychologie et sciences cognitives s’appuie sur plusieurs cadres paradigmatiques qui justifient la réduction de processus mentaux complexes à des états discrets :
En premier lieu, la psychophysique classique et moderne postule l’existence de seuils sensoriels discrets. Dans ce cadre, face à une stimulation donnée (par exemple, un son de faible intensité ou un flash lumineux), l’appareil perceptif bascule soit vers la détection effective du stimulus, soit vers sa non-détection. L’événement neuronal qui en résulte est assimilé à une épreuve de Bernoulli régie par une fonction psychométrique sigmoidale.
En second lieu, la théorie computationnelle de l’information proposée par Claude Shannon ancre la mesure de l’incertitude dans l’unité binaire (le bit). Une épreuve de Bernoulli de paramètre p = 0,5 représente la quantité maximale d’entropie informationnelle (exactement 1 bit) que peut délivrer un canal de transmission à deux états. Les modèles cognitifs de transmission synaptique adoptent fréquemment cette formalisation, où chaque vésicule de neurotransmetteur libérée ou non au niveau de la fente synaptique obéit à un processus stochastique bernoullien.
En troisième lieu, les modèles séquentiels d’accumulation de preuves, tels que le modèle de diffusion de Ratcliff (Drift-Diffusion Model), conçoivent la prise de décision comme la résultante temporelle d’une intégration continue de micro-épreuves bernoulliennes. À chaque incrément temporel infinitésimal dt, le système cognitif échantillonne une particule d’évidence orientée soit vers l’option A (+1), soit vers l’option B (−1), jusqu’à atteindre un seuil critique d’action.
7. Composantes clés, types et dimensions
Pour déconstruire méthodologiquement une épreuve de Bernoulli dans un dispositif de recherche empirique, plusieurs composantes structurelles et variantes typologiques doivent être distinguées :
- L’espace d’états dichotomique : La bipartition stricte des résultats possibles en deux sous-ensembles complémentaires. Dans un protocole psychologique, cela se traduit par le codage binaire : Succès (1) versus Échec (0), Approche (1) versus Évitement (0), ou Réponse A (1) versus Réponse B (0).
- Le paramètre stationnaire (p) : La probabilité intrinsèque de survenue de l’état cible. Ce paramètre peut être constant à travers les individus ou varier en fonction de covariables psychologiques (aptitude latente, niveau d’anxiété, charge mentale).
- La variable de réponse complémentaire (q) : Définie strictement par q = 1 − p, assurant la clôture probabiliste du système (p + q = 1).
- L’hypothèse d’indépendance locale et séquentielle : Condition stipulant que le résultat d’un essai n’altère en rien la probabilité d’occurrence des essais subséquents. En psychologie expérimentale, cette condition est fréquemment modulée par l’apprentissage ou la fatigue.
- Épreuve de Bernoulli homogène : Contexte dans lequel une séquence d’essais partage rigoureusement la même probabilité sous-jacente p tout au long de la passation expérimentale.
- Épreuve de Bernoulli conditionnelle (ou hétérogène) : Modélisation avancée où p dépend dynamiquement du contexte expérimental, de la difficulté intrinsèque d’un stimulus ou de l’état émotionnel momentané du participant, souvent formalisée par une fonction logistique : p = 1 / (1 + exp(−θ)).
8. Exemples et cas illustratifs
L’omniprésence de l’épreuve de Bernoulli dans l’investigation empirique se manifeste à travers des scénarios expérimentaux et cliniques très concrets :
Cas 1 : Le test d’aptitude cognitive standardisé. Dans un sous-test d’intelligence évaluant le raisonnement spatial (comme les matrices progressives de Raven), un candidat est confronté à un item spécifique. Son comportement final se résout par une issue binaire : soit la réponse choisie est la matrice correcte (Succès = 1), soit elle est erronée (Échec = 0). Chaque item administré constitue une épreuve de Bernoulli isolée. La probabilité de succès dépend de l’interaction entre le niveau d’habileté intellectuelle du sujet et le paramètre de difficulté de l’item.
Cas 2 : La tâche de temps de réaction à choix forcé (2AFC). Dans une étude de psychologie cognitive explorant la reconnaissance des visages émotionnels, un écran présente un visage subliminal pendant 30 millisecondes. Le participant est contraint de presser la touche gauche si le visage est perçu comme menaçant, ou la touche droite s’il est perçu comme neutre. Chaque pression de touche représente une épreuve de Bernoulli. Lorsque la présentation est aléatoire et dépourvue d’indices perceptifs explicites, un observateur dépourvu de biais répondra avec une probabilité p = 0,5, correspondant au hasard pur.
Cas 3 : Le sevrage tabagique en addictologie. Dans un essai clinique randomisé évaluant l’efficacité d’une thérapie cognitivo-comportementale sur l’arrêt du tabac, le critère de jugement principal à six mois post-intervention est mesuré par le statut d’abstinence continue validé biologiquement par le taux de monoxyde de carbone expiré. Pour chaque patient inclus dans l’étude, le devenir clinique à l’échéance fixée constitue une épreuve de Bernoulli : le patient est soit abstinent (1), soit rechuteur (0). La comparaison d’efficacité entre le groupe thérapeutique et le groupe placebo consiste alors à tester statistiquement la divergence entre les paramètres p_thérapie et p_placebo.
9. Mesure et évaluation psychométrique
La psychométrie contemporaine repose quasi intégralement sur la formalisation de la réponse binaire comme épreuve de Bernoulli au travers de la théorie de la réponse à l’item (TRI). Dans ce paradigme, la probabilité qu’un sujet réponde avec succès à un item donné n’est plus considérée comme une constante descriptive brute, mais comme une fonction mathématique modélisant le trait latent du sujet.
Le modèle logistique à un paramètre (le modèle de Rasch) stipule formellement que la réponse Xᵢⱼ de l’individu i à l’item j suit une loi de Bernoulli dont le paramètre pᵢⱼ est donné par l’équation :
P(Xᵢⱼ = 1 | θᵢ, bⱼ) = exp(θᵢ − bⱼ) / [1 + exp(θᵢ − bⱼ)]
Dans cette formulation, θᵢ représente la position de l’individu sur le continuum du trait latent (par exemple, le niveau de dépression, l’estime de soi ou l’intelligence verbale) et bⱼ dénote le seuil de difficulté ou d’endossement de l’item. Le modèle de Rasch démontre avec élégance comment une multitude d’épreuves de Bernoulli élémentaires permet de calibrer une échelle métrique continue et objective, pourvue d’une propriété fondamentale d’invariance de mesure.
Dans le domaine de la théorie de la détection du signal (TDS), développée par Green et Swets, l’épreuve de Bernoulli est scindée en deux conditions expérimentales contrastées : les essais contenant le signal bruité et les essais ne contenant que du bruit pur. Cette distinction génère deux paramètres de Bernoulli indépendants : la probabilité de détection correcte (taux de « hits » ou succès perceptif) et la probabilité de fausse alarme (succès erroné). L’analyse croisée de ces épreuves permet d’isoler la sensibilité sensorielle intrinsèque du participant (d’) de son critère subjectif de décision (biais de réponse β).
10. Applications et portée pratique
Les déclinaisons pratiques du concept bernoullien touchent l’ensemble des branches appliquées des sciences humaines et médicales :
En psychologie du travail et ergonomie, l’analyse de la fiabilité humaine quantifie les probabilités d’erreur critique chez les opérateurs de centrales nucléaires ou les pilotes de ligne. Chaque action standardisée de vérification en cockpit est modélisée comme une épreuve de Bernoulli, permettant de calculer par dérivation combinatoire la résilience globale d’une chaîne de commandes face au risque d’accident.
En psychiatrie et épidémiologie clinique, les modèles de régression logistique appliqués à des variables cibles bernoulliennes permettent de déterminer les facteurs de risque cardiovasculaire ou suicidaire. L’estimation des odds ratios (rapports de cotes) quantifie avec précision comment la présence d’un facteur modificateur (comme un traumatisme infantile ou une prédisposition génétique) déplace la probabilité de succès d’une épreuve clinique majeure.
En neurosciences computationnelles et intelligence artificielle, les neurones formels historiques de McCulloch et Pitts fonctionnaient comme des générateurs bernoulliens binaires (activation ou silence). De nos jours, les modèles d’apprentissage par renforcement appliqués à la prise de décision humaine (par exemple, dans les tâches de bandits manchots à deux bras) évaluent comment un agent ajuste ses croyances a posteriori après avoir reçu un renforcement binaire modélisé par une suite d’épreuves de Bernoulli.
11. Recherche empirique et preuves scientifiques
La recherche expérimentale en psychologie a mis en évidence des phénomènes majeurs où les êtres humains violent systématiquement les lois normatives qui régissent les suites d’épreuves de Bernoulli :
Les travaux fondamentaux menés par Daniel Kahneman et Amos Tversky dans les années 1970 ont démontré la prévalence de l’heuristique de représentativité dans l’interprétation des suites bernoulliennes. Lorsqu’on demande à des participants de juger de la vraisemblance de deux séquences de lancers de pièce équilibrée, telle que [Pile – Face – Pile – Pile – Face] versus [Pile – Pile – Pile – Pile – Face], les sujets jugent massivement la première séquence comme plus probable, ignorant le fait mathématique strict que chaque séquence spécifique issue d’épreuves de Bernoulli indépendantes possède rigoureusement la même probabilité conjointe (1/2)⁵ = 1/32.
Ce phénomène cognitif est étroitement lié au sophisme du joueur (gambler’s fallacy), documenté expérimentalement par Ayton et Fischer. Après avoir observé une série ininterrompue de plusieurs échecs consécutifs dans une épreuve de Bernoulli équilibrée, les individus développent l’illusion psychologique puissante que la probabilité d’un succès augmente mécaniquement à l’essai suivant (« la loi des séries » ou « l’équilibrage de la chance »), infirmant l’axiome fondamental d’indépendance statistique temporelle.
Dans le domaine de l’apprentissage animal et humain, les études sur les programmes de renforcement partiel initiées par B.F. Skinner ont révélé que la délivrance de récompenses structurée selon un schéma bernoullien aléatoire (taux variable ou probabilité fixe par réponse) induit une résistance à l’extinction comportementale considérablement plus vigoureuse que les programmes de renforcement continu déterministe. Cette découverte éclaire directement la psychopathologie des troubles du jeu vidéo et des addictions aux jeux d’argent.
12. Considérations culturelles et contextuelles
Bien que la structure formelle de l’épreuve de Bernoulli soit un universel mathématique abstrait, la manière dont les populations humaines perçoivent, conceptualisent et catégorisent les événements binaires varie considérablement en fonction de facteurs socioculturels et linguistiques :
Les études de psychologie interculturelle conduites notamment par Richard Nisbett et ses collègues suggèrent des disparités notables dans l’appréhension de la causalité probabiliste entre cultures occidentales et orientales. Les sujets issus de contextes occidentaux individualistes tendent à appréhender les événements discrets de manière analytique et isolée, se rapprochant de la conception atomistique propre aux épreuves de Bernoulli décontextualisées. À l’inverse, les sujets issus de traditions de pensée holistiques (notamment en Asie de l’Est) perçoivent les événements comme intrinsèquement interconnectés, intégrant une circularité causale qui rend l’acceptation de l’indépendance stricte d’un essai par rapport au tout beaucoup moins spontanée intuitivement.
Dans les contextes où l’apprentissage formel des mathématiques est restreint, l’estimation des probabilités d’un événement binaire est souvent médiatisée par des métaphores écologiques ou spirituelles (destin, bénédiction, fatalité). Les travaux en ethnomathématique montrent que la conceptualisation du « hasard binaire » n’est pas uniforme : là où les populations industrialisées recourent au modèle de la machine ou de la pièce de monnaie équiprobable, d’autres groupes interprètent l’issue dichotomique d’une situation de chasse ou de guérison comme le reflet d’une harmonie relationnelle avec l’environnement et non comme un tirage aléatoire stationnaire.
13. Critiques, controverses et limites
L’utilisation de l’épreuve de Bernoulli comme modèle canonique du comportement humain soulève d’importantes controverses méthodologiques et épistémologiques :
La critique principale porte sur le réductionnisme inhérent à la binarisation forcée de la réalité psychique. Dans de nombreuses recherches, des construits intrinsèquement continus ou multidimensionnels (tels que la douleur, l’anxiété ou le consentement) sont artificiellement tronqués sous la forme d’un choix binaire (« oui » ou « non », « présent » ou « absent ») pour satisfaire les impératifs des modèles statistiques bernoulliens. Ce procédé entraîne une déperdition massive d’information métrique (réduction de la puissance statistique) et expose à des artefacts d’échantillonnage substantiels.
Une seconde controverse majeure réside dans la non-stationnarité quasi universelle des processus psychologiques. L’épreuve de Bernoulli exige par définition la constance stricte du paramètre p. Or, chez un sujet humain, l’attention fluctue à l’échelle de la seconde, des phénomènes de plasticité neuronale et d’apprentissage perceptif se déploient au fur et à mesure de l’exposition aux stimuli, et la motivation s’érode sous l’effet de l’ennui ou de la fatigue. Par conséquent, prétendre qu’un être humain traverse une suite d’épreuves de Bernoulli « indépendantes et identiquement distribuées » relève souvent d’une simplification empirique abusive.
Enfin, sur le plan philosophique, le débat entre l’interprétation fréquentiste et l’interprétation bayésienne de la probabilité persiste avec vigueur en psychologie mathématique. Les fréquentistes définissent p comme la limite asymptotique de la fréquence relative d’occurrence du succès au sein d’une infinité d’épreuves de Bernoulli observables. Les bayésiens réfutent cette perspective en arguant qu’une épreuve unique dans la vie d’un patient n’est jamais répétable à l’infini ; dès lors, le paramètre p ne mesure pas une propriété physique de l’univers, mais exprime uniquement le degré de croyance rationnelle (credence) d’un agent compte tenu des données a priori disponibles.
14. Termes connexes et distinctions conceptuelles
Pour éviter toute confusion conceptuelle récurrente dans la littérature scientifique, il est indispensable de clarifier les relations entre l’épreuve de Bernoulli et plusieurs notions voisines :
- Épreuve de Bernoulli vs Schéma de Bernoulli : L’épreuve de Bernoulli désigne un événement singulier et unique à issue dichotomique. Le schéma de Bernoulli (ou processus de Bernoulli) correspond à la suite temporelle ou séquentielle composée de n épreuves de Bernoulli strictement indépendantes et dotées de la même probabilité de succès p.
- Distribution de Bernoulli vs Distribution binomiale : La distribution de Bernoulli décrit la loi de probabilité d’une seule épreuve (support {0, 1}). La distribution binomiale, quant à elle, caractérise la somme arithmétique de n épreuves de Bernoulli indépendantes (support {0, 1, 2, …, n}). Mathématiquement, la loi de Bernoulli est simplement un cas particulier de la loi binomiale où le paramètre n est égal à 1.
- Épreuve de Bernoulli vs Expérience multinomiale : Alors que l’épreuve de Bernoulli est strictement bridée à deux issues possibles, l’épreuve multinomiale généralise ce principe à un nombre fini k d’issues mutuellement exclusives (avec k > 2), comme le choix d’un consommateur parmi cinq marques concurrentes ou le pointage sur une échelle de Likert à sept degrés.
- Variable de Bernoulli vs Variable indicatrice : Une variable indicatrice (ou fonction indicatrice) est un opérateur mathématique déterministe qui associe la valeur 1 lorsqu’une condition logique est satisfaite et 0 sinon. Une variable de Bernoulli est une variable indicatrice appliquée spécifiquement à un univers probabiliste stochastique où la réalisation de la condition est gouvernée par une probabilité p.
15. Synthèse et points clés à retenir
L’épreuve de Bernoulli représente la cellule de base de l’édifice probabiliste appliqué aux sciences de l’esprit et du comportement :
- Elle formalise toute expérience aléatoire élémentaire n’admettant que deux issues mutuellement exclusives et conjointement exhaustives : le succès (1) avec une probabilité p, et l’échec (0) avec une probabilité complémentaire q = 1 − p.
- Son espérance mathématique s’établit à E[X] = p et sa variance est donnée par Var(X) = p(1 − p), atteignant son niveau de variance maximale pour une équiprobabilité parfaite (p = 0,5).
- Historiquement établie par Jacques Bernoulli dans l’Ars Conjectandi (1713), elle constitue le fondement du premier théorème limite de l’histoire des mathématiques : la loi faible des grands nombres.
- En psychologie empirique et en psychométrie, elle gouverne la quasi-totalité des architectures de mesure binaire, notamment à travers la théorie de la détection du signal, les paradigmes de temps de réaction 2AFC et la théorie de la réponse à l’item (modèle de Rasch).
- Bien que d’une élégance formelle exemplaire, son application à l’humain exige de la vigilance méthodologique en raison de la non-stationnarité des états psychologiques internes (apprentissage, fatigue) et des biais cognitifs systématiques qui déforment l’intuition humaine face aux suites aléatoires réitérées.
Références
- Ayton, P., & Fischer, I. (2004). The hot hand fallacy and the gambler’s fallacy: Two faces of subjective randomness? Memory & Cognition, 32(8), 1369–1378. https://doi.org/10.3758/BF03206327
- Bernoulli, J. (1713). Ars Conjectandi, opus posthumum. Impensis Thurnisiorum, Fratrum.
- Feller, W. (1968). An Introduction to Probability Theory and Its Applications (Vol. 1, 3e éd.). John Wiley & Sons.
- Green, D. M., & Swets, J. A. (1966). Signal Detection Theory and Psychophysics. John Wiley & Sons.
- Kahneman, D., & Tversky, A. (1972). Subjective probability: A judgment of representativeness. Cognitive Psychology, 3(3), 430–454. https://doi.org/10.1016/0010-0285(72)90016-3
- Rasch, G. (1960). Probabilistic Models for Some Intelligence and Attainment Tests. Danmarks Paedagogiske Institut.
- Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: Theory and data for two-choice decision tasks. Neural Computation, 20(4), 873–922. https://doi.org/10.1162/neco.2008.12-06-420