{"id":2313,"date":"2026-10-14T18:00:49","date_gmt":"2026-10-14T18:00:49","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/propriete-sans-memoire-definition-exemple\/"},"modified":"2026-10-14T18:00:49","modified_gmt":"2026-10-14T18:00:49","slug":"propriete-sans-memoire-definition-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=propriete-sans-memoire-definition-exemple","title":{"rendered":"Qu’est-ce que la propri\u00e9t\u00e9 sans m\u00e9moire ? (D\u00e9finition et exemple)"},"content":{"rendered":"

Dans le vaste champ de la th\u00e9orie des probabilit\u00e9s et de l’analyse stochastique, peu de concepts se r\u00e9v\u00e8lent \u00e0 la fois aussi \u00e9l\u00e9gants math\u00e9matiquement et aussi d\u00e9routants pour l’intuition humaine que la propri\u00e9t\u00e9 sans m\u00e9moire<\/strong> (souvent d\u00e9sign\u00e9e sous le vocable d’amn\u00e9sie stochastique<\/em>). Notre appr\u00e9hension quotidienne de l’univers mat\u00e9riel repose sur le postulat d’une historicit\u00e9 fondamentale : les objets s’usent avec le temps, les organismes vivants vieillissent inexorablement sous le poids des alt\u00e9rations m\u00e9taboliques, et les syst\u00e8mes physiques emmagasinent l’\u00e9nergie ou les microtraumatismes sous forme de contraintes r\u00e9siduelles. Dans cette vision intuitive, le pass\u00e9 conditionne le futur imm\u00e9diat ; chaque seconde \u00e9coul\u00e9e rapproche in\u00e9luctablement un composant de son \u00e9puisement structurel ou un \u00eatre vivant de son tr\u00e9pas.<\/p>\n

Pourtant, certains ph\u00e9nom\u00e8nes al\u00e9atoires s’affranchissent radicalement de cette fl\u00e8che temporelle cumulative. Lorsqu’une variable al\u00e9atoire mod\u00e9lisant une dur\u00e9e de vie ou un temps d’attente est d\u00e9pourvue de m\u00e9moire, l’information relative au temps d\u00e9j\u00e0 \u00e9coul\u00e9 s’av\u00e8re absolument d\u00e9nu\u00e9e de toute valeur pr\u00e9dictive pour d\u00e9terminer le temps r\u00e9siduel d’attente. Que le processus ait d\u00e9but\u00e9 il y a une milliseconde ou qu’il persiste depuis des mill\u00e9naires, la probabilit\u00e9 d’observer la survenue de l’\u00e9v\u00e9nement dans le prochain intervalle temporel demeure rigoureusement inchang\u00e9e. Cette invariance stochastique remet en cause nos biais d’anticipation psychologique, r\u00e9gule des dynamiques fondamentales de la physique nucl\u00e9aire et gouverne les infrastructures modernes de t\u00e9l\u00e9communications et de calcul distribu\u00e9.<\/p>\n

Le pr\u00e9sent article propose une exploration encyclop\u00e9dique de cette singuli\u00e8re propri\u00e9t\u00e9. Apr\u00e8s avoir d\u00e9fini rigoureusement ses fondements axiomatiques et son formalisme math\u00e9matique, nous d\u00e9montrerons pourquoi seules deux distributions \u2014 l’une discr\u00e8te, l’autre continue \u2014 poss\u00e8dent cette caract\u00e9ristique. Nous d\u00e9taillerons ensuite les applications concr\u00e8tes, depuis la d\u00e9sint\u00e9gration radioactive jusqu’aux mod\u00e8les neuronaux, avant d’analyser les illusions cognitives induites chez l’\u00eatre humain par la confrontation \u00e0 des processus amn\u00e9siques, pour clore sur ses limites physiques et biologiques fondamentales.<\/p>\n

1. Introduction conceptuelle : D\u00e9finition de la propri\u00e9t\u00e9 sans m\u00e9moire<\/h2>\n

L’introduction de l’absence de m\u00e9moire en probabilit\u00e9s marque une rupture conceptuelle majeure avec le d\u00e9terminisme newtonien classique. Loin d’\u00eatre une simple curiosit\u00e9 combinatoire, elle constitue une structure nodale pour l’analyse des syst\u00e8mes dynamiques en temps continu et discret, permettant de d\u00e9limiter avec pr\u00e9cision la fronti\u00e8re entre les ph\u00e9nom\u00e8nes r\u00e9gis par l’accumulation d’entropie et ceux dict\u00e9s par un al\u00e9a pur et indiff\u00e9rent \u00e0 la dur\u00e9e.<\/p>\n

1.1 Origine et signification probabiliste fondamentale<\/h3>\n

L’intuition sous-jacente \u00e0 l’ind\u00e9pendance temporelle des \u00e9v\u00e9nements repose sur l’id\u00e9e que le d\u00e9roulement d’une exp\u00e9rience al\u00e9atoire ne conserve aucune trace active de ses r\u00e9alisations ant\u00e9rieures. Dans le langage de la th\u00e9orie des probabilit\u00e9s<\/a>, affirmer qu’un ph\u00e9nom\u00e8ne est sans m\u00e9moire signifie que la probabilit\u00e9 qu’un \u00e9v\u00e9nement survienne dans un intervalle futur donn\u00e9 est totalement ind\u00e9pendante du temps d\u00e9j\u00e0 consomm\u00e9 en attente de cet \u00e9v\u00e9nement. L’histoire pass\u00e9e du syst\u00e8me, qu’elle soit br\u00e8ve ou immens\u00e9ment longue, n’alt\u00e8re en rien la dynamique future du processus. Le syst\u00e8me stochastique rena\u00eet en quelque sorte \u00e0 chaque instant, identique \u00e0 son \u00e9tat initial.<\/p>\n

Il importe d’op\u00e9rer d’embl\u00e9e une distinction pr\u00e9liminaire cruciale entre la m\u00e9moire physique d’un syst\u00e8me et l’absence de m\u00e9moire stochastique. En m\u00e9canique classique ou en thermodynamique, la m\u00e9moire d’un milieu mat\u00e9riel se manifeste par des d\u00e9formations plastiques, des dissipations thermiques ou des ph\u00e9nom\u00e8nes d’hyst\u00e9r\u00e9sis<\/a> : le mat\u00e9riau enregistre les contraintes qu’il subit. \u00c0 l’oppos\u00e9, l’amn\u00e9sie probabiliste postule qu’aucun dommage latent, aucune fatigue microscopique, ni aucune usure fonctionnelle n’est enregistr\u00e9e au cours du temps. Un composant caract\u00e9ris\u00e9 par une telle propri\u00e9t\u00e9 ne vieillit pas ; il p\u00e9rit exclusivement par l’entremise d’un cataclysme exog\u00e8ne, ponctuel et impr\u00e9visible, dont l’occurrence ne d\u00e9pend d’aucun facteur endog\u00e8ne d’alt\u00e9ration.<\/p>\n

D’un point de vue \u00e9pist\u00e9mologique, cette propri\u00e9t\u00e9 rev\u00eat une importance singuli\u00e8re dans la mod\u00e9lisation des dur\u00e9es de vie. Elle fournit un \u00e9talon de r\u00e9f\u00e9rence, une ligne de d\u00e9marcation entre les processus \u00e0 taux de d\u00e9faillance variable \u2014 o\u00f9 le temps use ou renforce le syst\u00e8me \u2014 et les processus \u00e0 taux constant. Comprendre la propri\u00e9t\u00e9 sans m\u00e9moire permet aux mod\u00e9lisateurs de formaliser l’al\u00e9a le plus radical : celui qui \u00e9chappe \u00e0 toute possibilit\u00e9 de pr\u00e9vision fond\u00e9e sur l’observation de la long\u00e9vit\u00e9 pass\u00e9e.<\/p>\n

1.2 La formule ma\u00eetresse et son interpr\u00e9tation formelle<\/h3>\n

Sur le plan math\u00e9matique formel, la propri\u00e9t\u00e9 sans m\u00e9moire s’exprime au moyen d’une relation conditionnelle \u00e9l\u00e9gante. Soit $X$<\/span> une variable al\u00e9atoire r\u00e9elle positive mod\u00e9lisant la dur\u00e9e de vie d’un composant ou le temps d’attente jusqu’\u00e0 la manifestation d’un \u00e9v\u00e9nement donn\u00e9, d\u00e9finie sur un espace probabilis\u00e9 $(\\Omega, \\mathcal{F}, \\mathbb{P})$<\/span>. La variable $X$<\/span> est dite sans m\u00e9moire si, et seulement si, pour tous r\u00e9els positifs $s ge 0$<\/span> et $t ge 0$<\/span>, la condition suivante est rigoureusement satisfaite :<\/p>\n

$$\\mathbb{P}(X > s + t mid X > s) = \\mathbb{P}(X > t)$$<\/span><\/p>\n

Pour appr\u00e9cier la port\u00e9e de cette \u00e9galit\u00e9, il convient de d\u00e9composer le calcul de probabilit\u00e9 conditionnelle sous-jacent. En vertu de la d\u00e9finition de Kolmogorov, le terme de gauche se reformule par le quotient de la probabilit\u00e9 de l’intersection par la probabilit\u00e9 du conditionnant :<\/p>\n

$$\\mathbb{P}(X > s + t mid X > s) = \\frac{\\mathbb{P}({X > s + t} \\cap {X > s})}{\\mathbb{P}(X > s)}$$<\/span><\/p>\n

Puisque l’\u00e9v\u00e9nement ${X > s + t}$<\/span> est strictement inclus dans l’\u00e9v\u00e9nement ${X > s}$<\/span> d\u00e8s lors que $t ge 0$<\/span>, leur intersection se r\u00e9duit simplement \u00e0 ${X > s + t}$<\/span>. L’\u00e9quation ma\u00eetresse devient donc \u00e9quivalente \u00e0 l’\u00e9nonc\u00e9 fonctionnel suivant :<\/p>\n

$$\\frac{\\mathbb{P}(X > s + t)}{\\mathbb{P}(X > s)} = \\mathbb{P}(X > t) iff \\mathbb{P}(X > s + t) = \\mathbb{P}(X > s) \\cdot \\mathbb{P}(X > t)$$<\/span><\/p>\n

La signification op\u00e9rationnelle de ce r\u00e9sultat est vertigineuse : savoir que le syst\u00e8me a d\u00e9j\u00e0 surv\u00e9cu jusqu’\u00e0 l’instant $s$<\/span> n’apporte strictement aucune information sur ses chances de survie pendant les $t$<\/span> unit\u00e9s de temps ult\u00e9rieures. L’effet du temps d\u00e9j\u00e0 \u00e9coul\u00e9 est nul. En termes de fonction de survie, not\u00e9e traditionnellement $S(t) = \\mathbb{P}(X > t)$<\/span>, la relation prend la forme de l’\u00e9quation multiplicative fondamentale de Cauchy :<\/p>\n

$$S(s + t) = S(s) S(t)$$<\/span><\/p>\n

Cette factorisation traduit l’ind\u00e9pendance statistique entre la tranche temporelle pass\u00e9e $[0, s]$<\/span> et la tranche temporelle r\u00e9siduelle $[s, s+t]$<\/span>. La survie globale n’est pas le r\u00e9sultat d’une r\u00e9sistance progressive, mais la simple conjonction de survies infinit\u00e9simales successives, chacune \u00e9tant totalement d\u00e9coupl\u00e9e de celles qui l’ont pr\u00e9c\u00e9d\u00e9e.<\/p>\n

1.3 Pertinence dans l’\u00e9tude des processus cognitifs et temporels<\/h3>\n

L’\u00e9tude de l’amn\u00e9sie stochastique ne concerne pas seulement les math\u00e9matiques pures et la physique statistique ; elle interpelle directement les sciences cognitives et la psychophysique. L’appareil c\u00e9r\u00e9bral des vert\u00e9br\u00e9s sup\u00e9rieurs s’est d\u00e9velopp\u00e9 au cours de l’\u00e9volution biologique en tant que machine pr\u00e9dictive. Notre cognition encode les r\u00e9gularit\u00e9s environnementales en reliant les s\u00e9quences temporelles pour en d\u00e9duire des probabilit\u00e9s de transition. Ainsi, attendre un pr\u00e9dateur, une proie ou la pluie g\u00e9n\u00e8re une attente subjective cumulative : plus le temps d’attente s’allonge, plus l’esprit humain renforce la croyance en l’imminence de l’\u00e9v\u00e9nement.<\/p>\n

Cette tendance naturelle se heurte frontalement \u00e0 la r\u00e9alit\u00e9 des processus sans m\u00e9moire. Lorsqu’un individu est confront\u00e9 \u00e0 un ph\u00e9nom\u00e8ne amn\u00e9sique, comme l’attente d’un bus sur une ligne d\u00e9r\u00e9gul\u00e9e fonctionnant selon un processus de Poisson ou la r\u00e9ception d’un appel t\u00e9l\u00e9phonique al\u00e9atoire, sa perception subjective du temps diverge de la r\u00e9alit\u00e9 statistique. Le d\u00e9calage entre la sensation d’un investissement temporel qui devrait \u00ab payer \u00bb et la constance absolue de la probabilit\u00e9 r\u00e9siduelle engendre une dissonance cognitive profonde. Les mod\u00e8les psychophysiques du temps d’attente exploitent pr\u00e9cis\u00e9ment ces \u00e9carts pour \u00e9tudier comment les r\u00e9seaux neuronaux tentent maladroitement de projeter une logique de causalit\u00e9 et d’usure sur des environnements purement stationnaires.<\/p>\n

2. Les deux seules lois de probabilit\u00e9 sans m\u00e9moire<\/h2>\n

L’une des propri\u00e9t\u00e9s les plus remarquables de l’analyse stochastique r\u00e9side dans l’extr\u00eame raret\u00e9 de l’amn\u00e9sie math\u00e9matique. Loin de repr\u00e9senter une famille vaste et h\u00e9t\u00e9roclite, la propri\u00e9t\u00e9 sans m\u00e9moire impose des contraintes analytiques si drastiques qu’elle ne tol\u00e8re qu’une unique solution dans l’univers discret et une unique solution dans l’univers continu. Cette singularit\u00e9 structurelle illustre la rigidit\u00e9 de l’\u00e9quation fonctionnelle multiplicative sous-jacente.<\/p>\n

2.1 La loi g\u00e9om\u00e9trique : l’arch\u00e9type du cadre discret<\/h3>\n

Dans le domaine des variables al\u00e9atoires discr\u00e8tes, o\u00f9 le temps s’\u00e9coule par incr\u00e9ments entiers d\u00e9nombrables, la loi g\u00e9om\u00e9trique<\/a> constitue le repr\u00e9sentant unique de l’absence de m\u00e9moire. Consid\u00e9rons une suite ind\u00e9finie d’\u00e9preuves de Bernoulli ind\u00e9pendantes et identiquement distribu\u00e9es, o\u00f9 chaque essai se solde soit par un succ\u00e8s avec une probabilit\u00e9 constante $p in ]0, 1[$<\/span>, soit par un \u00e9chec avec la probabilit\u00e9 compl\u00e9mentaire $q = 1 – p$<\/span>. Soit $X$<\/span> la variable al\u00e9atoire d\u00e9signant le rang du premier succ\u00e8s observ\u00e9, d\u00e9finie sur l’ensemble des entiers naturels strictement positifs $\\mathbb{N}^* = {1, 2, 3, dots}$<\/span>.<\/p>\n

La fonction de masse de probabilit\u00e9 de cette variable s’\u00e9crit classiquement :<\/p>\n

$$\\mathbb{P}(X = k) = (1 – p)^{k-1} p = q^{k-1} p, \\quad \\forall k in \\mathbb{N}^*$$<\/span><\/p>\n

Pour d\u00e9terminer la fonction de survie discr\u00e8te, il suffit de sommer les probabilit\u00e9s pour les valeurs strictement sup\u00e9rieures \u00e0 un entier $k$<\/span>. L’\u00e9v\u00e9nement ${X > k}$<\/span> signifie que les $k$<\/span> premiers essais se sont invariablement sold\u00e9s par des \u00e9checs. En vertu de l’ind\u00e9pendance stricte des \u00e9preuves, nous obtenons imm\u00e9diatement :<\/p>\n

$$\\mathbb{P}(X > k) = q^k = (1 – p)^k$$<\/span><\/p>\n

Si nous appliquons la d\u00e9finition conditionnelle pour deux entiers naturels $m, n in \\mathbb{N}$<\/span> :<\/p>\n

$$\\mathbb{P}(X > m + n mid X > m) = \\frac{\\mathbb{P}(X > m + n)}{\\mathbb{P}(X > m)} = \\frac{q^{m+n}}{q^m} = q^n = \\mathbb{P}(X > n)$$<\/span><\/p>\n

Chaque \u00e9tape d’un processus g\u00e9om\u00e9trique constitue une r\u00e9initialisation int\u00e9grale du syst\u00e8me. Le fait d’avoir \u00e9chou\u00e9 dix fois d’affil\u00e9e ne conf\u00e8re aucune propension suppl\u00e9mentaire \u00e0 r\u00e9ussir au onzi\u00e8me essai : le syst\u00e8me ne conserve aucune trace de ses insucc\u00e8s. Cette propri\u00e9t\u00e9 d’amn\u00e9sie discr\u00e8te, qui peut \u00eatre d\u00e9montr\u00e9e formellement par induction math\u00e9matique, d\u00e9coule de la nature m\u00eame des tirages avec remise ou des \u00e9preuves ind\u00e9pendantes.<\/p>\n

2.2 La loi exponentielle : le pendant continu incontournable<\/h3>\n

Lorsque le param\u00e8tre temporel quitte le domaine des nombres entiers pour s’inscrire dans le continuum des r\u00e9els positifs $\\mathbb{R}^+ = [0, +\\infty[$<\/span>, la loi exponentielle<\/a> prend le relais pour incarner, de mani\u00e8re exclusive, la propri\u00e9t\u00e9 sans m\u00e9moire. Une variable al\u00e9atoire continue $X$<\/span> suit une loi exponentielle de param\u00e8tre d’intensit\u00e9 $lambda > 0$<\/span>, not\u00e9e $X \\sim \\mathcal{E}(\\lambda)$<\/span>, si sa fonction de densit\u00e9 de probabilit\u00e9 $f(t)$<\/span> est d\u00e9finie par :<\/p>\n

$$f(t) = \\begin{\\cases} \\lambda e^{-\\lambda t} & \\text{si } t ge 0 \\ 0 & \\text{si } t < 0 \\end{\\cases}$$<\/span><\/p>\n

Le param\u00e8tre $lambda$<\/span> repr\u00e9sente le taux instantan\u00e9 d’occurrence de l’\u00e9v\u00e9nement par unit\u00e9 de temps, souvent appel\u00e9 taux de hasard<\/em> ou intensit\u00e9 stochastique<\/em>. Pour calculer la fonction de survie $S(t) = \\mathbb{P}(X > t)$<\/span>, on proc\u00e8de \u00e0 l’int\u00e9gration de la densit\u00e9 sur le domaine r\u00e9siduel $[t, +\\infty[$<\/span> :<\/p>\n

$$\\mathbb{P}(X > t) = \\int_{t}^{+\\infty} \\lambda e^{-\\lambda u} , du = \\left[ -e^{-\\lambda u} \\right]_{t}^{+\\infty} = e^{-\\lambda t}$$<\/span><\/p>\n

La formulation analytique de cette fonction de survie r\u00e9v\u00e8le une remarquable puret\u00e9 alg\u00e9brique. En \u00e9valuant la probabilit\u00e9 conditionnelle pour deux r\u00e9els $s ge 0$<\/span> et $t ge 0$<\/span>, le calcul s’op\u00e8re instantan\u00e9ment :<\/p>\n

$$\\mathbb{P}(X > s + t mid X > s) = \\frac{e^{-\\lambda(s+t)}}{e^{-\\lambda s}} = e^{-\\lambda t} = \\mathbb{P}(X > t)$$<\/span><\/p>\n

Cette relation traduit le fait que la probabilit\u00e9 d’extinction ou de d\u00e9faillance instantan\u00e9e ne d\u00e9pend pas de l’\u00e2ge du syst\u00e8me. Le taux de d\u00e9faillance d’une distribution exponentielle est une constante math\u00e9matique pure, ind\u00e9pendante du param\u00e8tre temporel $t$<\/span>, ce qui constitue le pendant continu de l’invariance observ\u00e9e dans la r\u00e9p\u00e9tition des \u00e9preuves de Bernoulli discr\u00e8tes.<\/p>\n

2.3 Le th\u00e9or\u00e8me d’unicit\u00e9 : pourquoi seulement deux distributions ?<\/h3>\n

Pourquoi la nature probabiliste ne propose-t-elle aucune autre alternative ? Cette restriction d\u00e9coule directement de la r\u00e9solution de l’\u00e9quation fonctionnelle de Cauchy<\/a>. Posons la fonction de survie $S(t) = \\mathbb{P}(X > t)$<\/span>. Par nature, $S(t)$<\/span> est une fonction d\u00e9croissante, continue \u00e0 droite, v\u00e9rifiant $S(0) = 1$<\/span> et $S(t) to 0$<\/span> lorsque $t to +\\infty$<\/span>.<\/p>\n

L’axiome d’absence de m\u00e9moire exige que pour tous r\u00e9els positifs $s$<\/span> et $t$<\/span>, nous ayons :<\/p>\n

$$S(s + t) = S(s) S(t)$$<\/span><\/p>\n

Prenons le logarithme naturel de cette \u00e9quation, ce qui est l\u00e9gitime puisque $S(t) > 0$<\/span> sur l’intervalle de d\u00e9finition de la variable. Posons $g(t) = ln S(t)$<\/span>. L’\u00e9quation devient additive :<\/p>\n

$$g(s + t) = g(s) + g(t)$$<\/span><\/p>\n

Cette derni\u00e8re relation constitue l’\u00e9quation fonctionnelle additive historique de Cauchy. En imposant une contrainte minimale de r\u00e9gularit\u00e9 \u2014 telle que la mesurabilit\u00e9, la continuit\u00e9, ou simplement la monotonie (puisque $S(t)$<\/span> est monotone d\u00e9croissante, $g(t)$<\/span> l’est \u00e9galement) \u2014, l’unique classe de solutions non triviales est la droite lin\u00e9aire passant par l’origine :<\/p>\n

$$g(t) = -\\lambda t \\quad \\text{pour une constante } \\lambda > 0$$<\/span><\/p>\n

En r\u00e9appliquant l’exponentielle, nous obtenons n\u00e9cessairement $S(t) = e^{-\\lambda t}$<\/span>, ce qui r\u00e9tablit la distribution exponentielle comme l’unique solution continue concevable. Dans le domaine discret, l’application de la relation $S(m+n) = S(m)S(n)$<\/span> pour des entiers naturels force par r\u00e9currence imm\u00e9diate la forme $S(k) = [S(1)]^k$<\/span>. En posant $q = S(1) = 1 – p in ]0, 1[$<\/span>, on retrouve sans \u00e9chappatoire possible l’expression canonique de la loi g\u00e9om\u00e9trique $S(k) = q^k$<\/span>. Il est donc math\u00e9matiquement impossible d’\u00e9laborer une troisi\u00e8me famille de lois de probabilit\u00e9 sans m\u00e9moire en dehors de ces deux piliers canoniques.<\/p>\n

3. D\u00e9monstrations math\u00e9matiques formelles de l’absence de m\u00e9moire<\/h2>\n

Afin de consolider les bases th\u00e9oriques expos\u00e9es pr\u00e9c\u00e9demment, une analyse formelle des d\u00e9rivations math\u00e9matiques s’impose. Ces d\u00e9monstrations permettent de saisir l’articulation intime qui lie les fonctions exponentielles, la combinatoire des probabilit\u00e9s discr\u00e8tes et l’invariance diff\u00e9rentielle du risque instantan\u00e9.<\/p>\n

3.1 D\u00e9monstration analytique pour la loi exponentielle<\/h3>\n

Examinons en d\u00e9tail le d\u00e9veloppement diff\u00e9rentiel et alg\u00e9brique qui sous-tend la d\u00e9monstration pour le cas continu. Soit $X$<\/span> une variable al\u00e9atoire continue admettant une fonction de densit\u00e9 $f(x) = \\lambda e^{-\\lambda x} \\mathbb{I}_{[0, +\\infty[}(x)$<\/span> avec $lambda > 0$<\/span>. Pour \u00e9tablir formellement que $\\mathbb{P}(X > s + t mid X > s) = \\mathbb{P}(X > t)$<\/span>, nous explicitons d’abord les ensembles d’\u00e9v\u00e9nements probabilistes sous forme d’int\u00e9grales d\u00e9finies.<\/p>\n

Consid\u00e9rons l’espace mesurable $(\\mathbb{R}, \\mathcal{B}(\\mathbb{R}))$<\/span>. L’\u00e9v\u00e9nement conditionnel s’\u00e9crit :<\/p>\n

$$\\mathbb{P}(X > s + t mid X > s) = \\frac{\\int_{s+t}^{+\\infty} f(u) , du}{\\int_{s}^{+\\infty} f(u) , du}$$<\/span><\/p>\n

Calculons le num\u00e9rateur par int\u00e9gration directe du noyau exponentiel :<\/p>\n

$$\\int_{s+t}^{+\\infty} \\lambda e^{-\\lambda u} , du = \\lim_{M to +\\infty} \\left[ -e^{-\\lambda u} \\right]_{s+t}^M = \\lim_{M to +\\infty} \\left( e^{-\\lambda(s+t)} – e^{-\\lambda M} \\right) = e^{-\\lambda(s+t)}$$<\/span><\/p>\n

De mani\u00e8re rigoureusement identique, l’int\u00e9gration du d\u00e9nominateur fournit :<\/p>\n

$$\\int_{s}^{+\\infty} \\lambda e^{-\\lambda u} , du = \\lim_{M to +\\infty} \\left[ -e^{-\\lambda u} \\right]_{s}^M = e^{-\\lambda s}$$<\/span><\/p>\n

Le rapport s’\u00e9tablit d\u00e8s lors comme suit :<\/p>\n

$$\\frac{\\mathbb{P}(X > s + t)}{\\mathbb{P}(X > s)} = \\frac{e^{-\\lambda(s+t)}}{e^{-\\lambda s}} = \\frac{e^{-\\lambda s} \\cdot e^{-\\lambda t}}{e^{-\\lambda s}} = e^{-\\lambda t}$$<\/span><\/p>\n

Le terme $e^{-\\lambda s}$<\/span> se simplifie alg\u00e9briquement. Le r\u00e9sultat final, $e^{-\\lambda t}$<\/span>, co\u00efncide \u00e0 la perfection avec l’expression de $\\mathbb{P}(X > t)$<\/span>. Ce calcul d\u00e9montre que la variable conditionn\u00e9e s’affranchit de $s$<\/span> par factorisation multiplicative.<\/p>\n

Si l’on d\u00e9rive la probabilit\u00e9 conditionnelle r\u00e9siduelle par rapport \u00e0 la variable d’\u00e2ge $s$<\/span>, on observe imm\u00e9diatement :<\/p>\n

$$\\frac{\\partial}{\\partial s} \\left[ \\mathbb{P}(X > s + t mid X > s) \\right] = \\frac{\\partial}{\\partial s} \\left[ e^{-\\lambda t} \\right] = 0$$<\/span><\/p>\n

Cette nullit\u00e9 de la d\u00e9riv\u00e9e partielle confirme que la courbe de survie r\u00e9siduelle demeure absolument stationnaire dans le temps. L’\u00e2ge atteint par le syst\u00e8me n’exerce aucune influence diff\u00e9rentielle sur ses perspectives de persistance.<\/p>\n

3.2 D\u00e9monstration combinatoire pour la loi g\u00e9om\u00e9trique<\/h3>\n

Dans l’univers discret, la d\u00e9monstration fait appel aux propri\u00e9t\u00e9s des probabilit\u00e9s conditionnelles appliqu\u00e9es aux suites d’essais d’\u00e9preuves de Bernoulli. Soit une suite de variables al\u00e9atoires indicatrices de Bernoulli $Y_1, Y_2, Y_3, dots$<\/span> ind\u00e9pendantes et identiquement distribu\u00e9es selon une loi de Bernoulli de param\u00e8tre $p$<\/span>, o\u00f9 $Y_i = 1$<\/span> repr\u00e9sente un succ\u00e8s et $Y_i = 0$<\/span> d\u00e9signe un \u00e9chec, avec $\\mathbb{P}(Y_i = 1) = p$<\/span> et $\\mathbb{P}(Y_i = 0) = 1 – p = q$<\/span>.<\/p>\n

D\u00e9finissons $X$<\/span> comme le temps d’attente du premier succ\u00e8s :<\/p>\n

$$X = \\inf { i in \\mathbb{N}^* : Y_i = 1 }$$<\/span><\/p>\n

L’\u00e9v\u00e9nement ${X > k}$<\/span> correspond \u00e0 l’\u00e9v\u00e9nement conjoint selon lequel les $k$<\/span> premiers tirages ont tous \u00e9chou\u00e9 :<\/p>\n

$${X > k} = \\big\\cap_{i=1}^k {Y_i = 0}$$<\/span><\/p>\n

En vertu de l’ind\u00e9pendance mutuelle des variables al\u00e9atoires $Y_i$<\/span>, la mesure de probabilit\u00e9 de l’intersection se factorise sous la forme du produit des probabilit\u00e9s individuelles :<\/p>\n

$$\\mathbb{P}(X > k) = \\prod_{i=1}^k \\mathbb{P}(Y_i = 0) = \\prod_{i=1}^k (1 – p) = (1 – p)^k$$<\/span><\/p>\n

Appliquons d\u00e9sormais le th\u00e9or\u00e8me des probabilit\u00e9s conditionnelles pour deux entiers $m, n in \\mathbb{N}$<\/span> :<\/p>\n

$$\\mathbb{P}(X > m + n mid X > m) = \\frac{\\mathbb{P}({X > m + n} \\cap {X > m})}{\\mathbb{P}(X > m)}$$<\/span><\/p>\n

Puisque la s\u00e9quence d’\u00e9checs de longueur $m+n$<\/span> inclut n\u00e9cessairement la s\u00e9quence initiale de longueur $m$<\/span>, l’\u00e9v\u00e9nement ${X > m+n}$<\/span> est un sous-ensemble strict de ${X > m}$<\/span>. L’intersection se simplifie trivialement :<\/p>\n

$$\\mathbb{P}(X > m + n mid X > m) = \\frac{\\mathbb{P}(X > m + n)}{\\mathbb{P}(X > m)} = \\frac{(1 – p)^{m+n}}{(1 – p)^m} = \\frac{(1 – p)^m (1 – p)^n}{(1 – p)^m} = (1 – p)^n$$<\/span><\/p>\n

Or, $(1 – p)^n$<\/span> est pr\u00e9cis\u00e9ment \u00e9gal \u00e0 $\\mathbb{P}(X > n)$<\/span>. Ce r\u00e9sultat combinatoire d\u00e9coule de la structure des \u00e9preuves : chaque nouveau tirage ne poss\u00e8de aucun lien causal avec les r\u00e9sultats pass\u00e9s, ce qui confirme que l’amn\u00e9sie g\u00e9om\u00e9trique refl\u00e8te directement l’ind\u00e9pendance sous-jacente des \u00e9preuves d’\u00e9chantillonnage.<\/p>\n

3.3 Lien fondamental avec le taux de d\u00e9faillance constant<\/h3>\n

Pour approfondir la compr\u00e9hension de l’amn\u00e9sie continue, il convient d’introduire le concept de taux de d\u00e9faillance instantan\u00e9<\/strong> (ou taux de hasard<\/a>), classiquement d\u00e9sign\u00e9 par la fonction $lambda(t)$<\/span> en th\u00e9orie de la fiabilit\u00e9. Pour une variable al\u00e9atoire continue $X$<\/span> de densit\u00e9 $f(t)$<\/span> et de fonction de survie $S(t)$<\/span>, le taux de hasard repr\u00e9sente la probabilit\u00e9 conditionnelle que l’\u00e9v\u00e9nement survienne dans un intervalle diff\u00e9rentiel $[t, t + dt[$<\/span>, sachant que le syst\u00e8me a surv\u00e9cu jusqu’\u00e0 l’instant $t$<\/span> :<\/p>\n

$$\\lambda(t) = \\lim_{\\Delta t to 0} \\frac{\\mathbb{P}(t le X < t + \\Delta t mid X ge t)}{\\Delta t} = \\frac{f(t)}{S(t)} = -\\frac{S'(t)}{S(t)} = -\\frac{d}{dt} \\left[ \\ln S(t) \\right]$$<\/span><\/p>\n

Si nous int\u00e9grons cette relation diff\u00e9rentielle des deux c\u00f4t\u00e9s entre $0$ et $t$<\/span>, sachant que $S(0) = 1$<\/span>, nous obtenons l’expression g\u00e9n\u00e9rale de la fonction de survie en fonction du taux de d\u00e9faillance :<\/p>\n

$$S(t) = \\exp\\left( -\\int_0^t \\lambda(u) , du \\right)$$<\/span><\/p>\n

Cette formulation universelle montre le lien direct entre l’absence de m\u00e9moire et le taux de d\u00e9faillance. Si le syst\u00e8me est amn\u00e9sique, sa probabilit\u00e9 conditionnelle d’\u00e9chouer dans l’instant suivant doit rester invariable dans le temps. Par cons\u00e9quent, $lambda(t)$<\/span> doit \u00eatre une valeur constante : $lambda(t) = lambda > 0$<\/span> pour tout $t ge 0$<\/span>. Dans ce cas pr\u00e9cis :<\/p>\n

$$S(t) = \\exp\\left( -\\int_0^t \\lambda , du \\right) = e^{-\\lambda t}$$<\/span><\/p>\n

\u00c0 l’inverse, si $lambda(t)$<\/span> varie avec le temps, le syst\u00e8me conserve une m\u00e9moire op\u00e9rationnelle de son \u00e2ge :<\/p>\n