{"id":6124,"date":"2026-09-16T04:51:18","date_gmt":"2026-09-16T04:51:18","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-trouver-probabilite-de-a-et-b-exemples\/"},"modified":"2026-09-16T04:51:18","modified_gmt":"2026-09-16T04:51:18","slug":"comment-trouver-probabilite-de-a-et-b-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-trouver-probabilite-de-a-et-b-exemples","title":{"rendered":"Comment trouver la probabilit\u00e9 de A et B (avec des exemples)"},"content":{"rendered":"

L’analyse du hasard et la quantification de l’incertitude constituent des piliers m\u00e9thodologiques fondamentaux au sein des sciences contemporaines, s’\u00e9tendant de la physique statistique aux sciences cognitives, en passant par l’\u00e9conom\u00e9trie et l’\u00e9pid\u00e9miologie clinique. Dans cette architecture math\u00e9matique, l’\u00e9valuation de la probabilit\u00e9 conjointe, commun\u00e9ment d\u00e9sign\u00e9e sous l’expression de la probabilit\u00e9 de survenue simultan\u00e9e de deux \u00e9v\u00e9nements distincts, not\u00e9e formellement P(A et B)<\/em> ou P(A \u2229 B)<\/em>, occupe une fonction nodale. Comprendre les m\u00e9canismes analytiques qui r\u00e9gissent cette conjonction ne rel\u00e8ve pas d’une simple gymnastique combinatoire, mais d’une exigence \u00e9pist\u00e9mologique permettant de mod\u00e9liser avec pr\u00e9cision l’intrication des ph\u00e9nom\u00e8nes empiriques, la propagation des causalit\u00e9s et la mise \u00e0 jour rationnelle de nos croyances probabilistes.<\/p>\n

Pourtant, sous une apparente simplicit\u00e9 op\u00e9ratoire, le calcul de la probabilit\u00e9 de l’intersection dissimule des complexit\u00e9s th\u00e9oriques remarquables et constitue l’un des domaines les plus vuln\u00e9rables aux distorsions intuitives et aux biais de raisonnement. Trop souvent, l’analyste profane postule par facilit\u00e9 l’ind\u00e9pendance statistique des variables \u00e9tudi\u00e9es, r\u00e9duisant le calcul \u00e0 une multiplication \u00e9l\u00e9mentaire, au risque d’engendrer des erreurs de pr\u00e9vision catastrophiques. Inversement, la m\u00e9connaissance des r\u00e8gles r\u00e9gissant le conditionnement et l’actualisation bay\u00e9sienne biaise le diagnostic m\u00e9dical, fausse la d\u00e9lib\u00e9ration judiciaire ou vicie l’\u00e9valuation des risques financiers au sein de syst\u00e8mes hautement interconnect\u00e9s.<\/p>\n

Le pr\u00e9sent trait\u00e9 propose une analyse exhaustive, rigoureuse et multidimensionnelle de la d\u00e9termination de P(A et B)<\/em>. En partant des fondements axiomatiques de la th\u00e9orie de la mesure de Kolmogorov jusqu’aux extensions multi-variables et aux paradoxes cognitifs document\u00e9s par la psychologie d\u00e9cisionnelle, ce guide ambitionne d’offrir aux \u00e9tudiants, chercheurs et praticiens une r\u00e9f\u00e9rence int\u00e9grale. \u00c0 travers des d\u00e9monstrations math\u00e9matiques formelles, des repr\u00e9sentations structurelles et des \u00e9tudes de cas d\u00e9taill\u00e9es issues de contextes appliqu\u00e9s, nous explorerons les protocoles m\u00e9thodologiques universels requis pour r\u00e9soudre toute \u00e9quation de conjonction avec une exactitude irr\u00e9prochable.<\/p>\n

1. Fondements th\u00e9oriques de la probabilit\u00e9 conjointe : D\u00e9finir P(A et B)<\/h2>\n

1.1 D\u00e9finition conceptuelle de l’occurrence simultan\u00e9e<\/h3>\n

L’occurrence simultan\u00e9e de deux \u00e9v\u00e9nements probabilistes constitue la pierre angulaire de l’analyse conjointe. D’un point de vue conceptuel, s’interroger sur la probabilit\u00e9 conjointe revient \u00e0 quantifier la vraisemblance que deux conditions ou attributs distincts, d\u00e9sign\u00e9s arbitrairement par A<\/em> et B<\/em>, se manifestent au sein d’une m\u00eame unit\u00e9 d’observation ou lors d’une m\u00eame it\u00e9ration exp\u00e9rimentale. Il convient d’embl\u00e9e d’\u00e9tablir une distinction cat\u00e9gorique entre cette r\u00e9alisation conjointe et la r\u00e9alisation disjonctive, mod\u00e9lis\u00e9e par l’op\u00e9rateur \u00ab OU \u00bb. Alors que la disjonction logique tol\u00e8re l’av\u00e8nement isol\u00e9 de A<\/em>, l’av\u00e8nement isol\u00e9 de B<\/em>, ou leur cooccurrence, la conjonction logique impose une contrainte restrictive stricte : le ph\u00e9nom\u00e8ne observ\u00e9 doit imp\u00e9rativement satisfaire aux crit\u00e8res de A<\/em> tout en satisfaisant simultan\u00e9ment \u00e0 ceux de B<\/em>.<\/p>\n

Dans le cadre de la th\u00e9orie probabiliste moderne formalis\u00e9e par Andre\u00ef Kolmogorov<\/a>, cette r\u00e9alit\u00e9 s’ancre dans la structure d’un espace probabilis\u00e9 d\u00e9fini par le triplet fondamental (\u03a9, F<\/span>, P<\/em>), o\u00f9 \u03a9 symbolise l’espace \u00e9chantillon ou univers de tous les r\u00e9sultats \u00e9l\u00e9mentaires possibles, F<\/span> repr\u00e9sente une tribu d’\u00e9v\u00e9nements (ou \u03c3-alg\u00e8bre) construite sur \u03a9, et P<\/em> incarne la mesure de probabilit\u00e9 assignant un r\u00e9el de l’intervalle [0, 1] \u00e0 chaque \u00e9l\u00e9ment de cette tribu. Dans cette topologie, un \u00e9v\u00e9nement individuel n’est rien d’autre qu’un sous-ensemble sp\u00e9cifique de r\u00e9sultats \u00e9l\u00e9mentaires. Par cons\u00e9quent, l’identification de l’intersection de deux \u00e9v\u00e9nements requiert de d\u00e9limiter l’ensemble des issues \u00e9l\u00e9mentaires \u03c9 qui appartiennent concomitamment au sous-ensemble A<\/em> et au sous-ensemble B<\/em>. Si une issue \u03c9 satisfait uniquement la modalit\u00e9 A<\/em> en \u00e9chouant \u00e0 mat\u00e9rialiser B<\/em>, elle est exclue du p\u00e9rim\u00e8tre de l’occurrence conjointe.<\/p>\n

Les conditions n\u00e9cessaires \u00e0 cette r\u00e9alisation conjointe d\u00e9pendent intrins\u00e8quement de la configuration de l’univers probabiliste. Pour que l’intersection puisse exister avec une probabilit\u00e9 non nulle, il est indispensable que les \u00e9v\u00e9nements ne soient pas mutuellement destructeurs ou logiquement contradictoires au sein du r\u00e9f\u00e9rentiel consid\u00e9r\u00e9. La probabilit\u00e9 conjointe mesure donc la densit\u00e9 d’information commune ou la superposition spatiale des \u00e9v\u00e9nements au sein de l’espace \u00e9chantillon. Elle constitue le fondement quantitatif sur lequel reposent l’inf\u00e9rence causale, l’\u00e9valuation des risques crois\u00e9s et la statistique multivari\u00e9e.<\/p>\n

1.2 La formalisation ensembliste : De la logique bool\u00e9enne \u00e0 l’intersection<\/h3>\n

La th\u00e9orie des probabilit\u00e9s s’articule directement sur les principes formels de la th\u00e9orie des ensembles et de l’alg\u00e8bre de Boole. Dans cette perspective, le connecteur logique linguistique \u00ab ET \u00bb trouve son \u00e9quivalent op\u00e9ratoire absolu dans le symbole math\u00e9matique de l’intersection, d\u00e9sign\u00e9 par l’arch\u00e9type \u2229. Ainsi, stipuler qu’un r\u00e9sultat al\u00e9atoire v\u00e9rifie les pr\u00e9dicats de l’\u00e9v\u00e9nement A<\/em> ainsi que ceux de l’\u00e9v\u00e9nement B<\/em> revient rigoureusement \u00e0 affirmer son appartenance \u00e0 l’ensemble r\u00e9sultant A<\/em> \u2229 B<\/em>. Cette correspondance formelle permet d’importer l’ensemble des propri\u00e9t\u00e9s alg\u00e9briques de la th\u00e9orie des ensembles au calcul des probabilit\u00e9s, conf\u00e9rant \u00e0 la discipline sa coh\u00e9rence interne et sa force de d\u00e9duction.<\/p>\n

Parmi ces propri\u00e9t\u00e9s alg\u00e9briques fondamentales, la commutativit\u00e9 garantit que l’ordre de formulation n’alt\u00e8re aucunement la mesure r\u00e9sultante :<\/p>\n

P(A \u2229 B) = P(B \u2229 A)<\/em><\/p>\n

De m\u00eame, l’associativit\u00e9 permet de regrouper arbitrairement les \u00e9v\u00e9nements dans le cas de conjonctions d’ordre sup\u00e9rieur \u00e0 deux, signifiant que (A \u2229 B) \u2229 C<\/em> \u00e9quivaut rigoureusement \u00e0 A \u2229 (B \u2229 C)<\/em>. La distributivit\u00e9 de l’intersection par rapport \u00e0 l’union, telle que A \u2229 (B \u222a C) = (A \u2229 B) \u222a (A \u2229 C)<\/em>, constitue un instrument indispensable pour d\u00e9composer des \u00e9v\u00e9nements combin\u00e9s complexes en sommes de probabilit\u00e9s disjointes \u00e9l\u00e9mentaires.<\/p>\n

La mod\u00e9lisation ensembliste met \u00e9galement en lumi\u00e8re le cas critique des \u00e9v\u00e9nements mutuellement exclusifs, ou sous-ensembles disjoints. Deux \u00e9v\u00e9nements sont dits incompatibles si et seulement si leur intersection constitue l’ensemble vide, symbolis\u00e9 par \u2205. Dans ce cas de figure particulier, l’espace probabiliste ne rec\u00e8le aucun \u00e9l\u00e9ment \u00e9l\u00e9mentaire pouvant satisfaire simultan\u00e9ment aux conditions de A<\/em> et de B<\/em>. Par suite des axiomes fondamentaux, la mesure de probabilit\u00e9 appliqu\u00e9e \u00e0 l’ensemble vide \u00e9tant identiquement nulle, nous obtenons :<\/p>\n

A \u2229 B = \u2205 \u27f9 P(A \u2229 B) = 0<\/em><\/p>\n

Cette distinction s’av\u00e8re fondamentale : la probabilit\u00e9 de conjonction d’\u00e9v\u00e9nements disjoints ne fait pas l’objet d’une ind\u00e9termination, elle est rigoureusement et structurellement nulle en vertu de la structure interne de l’univers de r\u00e9f\u00e9rence.<\/p>\n

1.3 Typologie des notations : Forme litt\u00e9rale versus forme math\u00e9matique<\/h3>\n

La transcription des probabilit\u00e9s conjointes oscille selon les contextes disciplinaires et le degr\u00e9 de formalisme requis, ce qui exige une vigilance m\u00e9thodologique pour \u00e9viter toute ambigu\u00eft\u00e9 s\u00e9mantique. La formulation litt\u00e9rale P(A et B)<\/em> est couramment mobilis\u00e9e dans les manuels d’introduction, la vulgarisation scientifique et les communications professionnelles non sp\u00e9cialis\u00e9es. Si elle pr\u00e9sente l’avantage ind\u00e9niable d’une intelligibilit\u00e9 intuitive imm\u00e9diate en reliant directement le calcul au langage naturel, elle souffre parfois d’une polys\u00e9mie inh\u00e9rente \u00e0 la langue ordinaire, o\u00f9 la conjonction \u00ab et \u00bb peut occasionnellement rev\u00eatir une dimension narrative, chronologique ou additive au lieu d’une stricte restriction logique.<\/p>\n

Dans la litt\u00e9rature math\u00e9matique acad\u00e9mique, la norme absolue r\u00e9side dans l’usage de la notation ensembliste P(A \u2229 B)<\/em>. Cette \u00e9criture rappelle explicitement la nature ensembliste des \u00e9v\u00e9nements et autorise des manipulations alg\u00e9briques rigoureuses au sein de la th\u00e9orie de la mesure. Toutefois, d’autres disciplines adoptent des conventions alternatives. En \u00e9conom\u00e9trie, en th\u00e9orie de la d\u00e9cision et dans l’apprentissage automatique, il est tr\u00e8s fr\u00e9quent de rencontrer la virgule comme op\u00e9rateur de conjonction implicite, not\u00e9e simplement P(A, B)<\/em>. Cette syntaxe se g\u00e9n\u00e9ralise naturellement aux distributions de variables al\u00e9atoires multidimensionnelles sous la forme de distributions de probabilit\u00e9s conjointes pX,Y<\/sub>(x, y)<\/em>.<\/p>\n

Une pr\u00e9caution terminologique et conceptuelle majeure s’impose pour dissocier sans \u00e9quivoque la probabilit\u00e9 conjointe P(A \u2229 B)<\/em> de la probabilit\u00e9 de l’union disjonctive, formalis\u00e9e par P(A \u222a B)<\/em>, correspondant \u00e0 la formule verbale \u00ab probabilit\u00e9 de A ou B \u00bb. La confusion entre ces deux m\u00e9triques engendre fr\u00e9quemment des sur\u00e9valuations dramatiques du risque ou de la vraisemblance d’un \u00e9v\u00e9nement. Alors que P(A \u222a B)<\/em> repr\u00e9sente l’aire totale couverte par au moins l’un des deux ensembles, P(A \u2229 B)<\/em> ne cible que le sous-espace restreint de leur recouvrement effectif. Ainsi, en vertu des lois universelles de monotonie de la mesure, nous avons invariablement l’encadrement structurel :<\/p>\n

0 \u2264 P(A \u2229 B) \u2264 min(P(A), P(B)) \u2264 max(P(A), P(B)) \u2264 P(A \u222a B) \u2264 1<\/em><\/p>\n

2. La dichotomie fondamentale : \u00c9v\u00e9nements ind\u00e9pendants versus d\u00e9pendants<\/h2>\n

2.1 D\u00e9finition axiomatique de l’ind\u00e9pendance statistique<\/h3>\n

L’\u00e9valuation de la probabilit\u00e9 conjointe d\u00e9pend imp\u00e9rativement de la relation structurelle qui lie les deux \u00e9v\u00e9nements consid\u00e9r\u00e9s. La premi\u00e8re branche de cette dichotomie fondamentale est occup\u00e9e par le concept d’ind\u00e9pendance statistique<\/a> (ou stochastique). Au sens axiomatique le plus strict, deux \u00e9v\u00e9nements A<\/em> et B<\/em> sont d\u00e9finis comme statistiquement ind\u00e9pendants si et seulement si l’occurrence de l’un n’apporte strictement aucune information sur l’occurrence de l’autre, laissant inchang\u00e9e sa probabilit\u00e9 d’apparition. Autrement dit, la survenue de l’\u00e9v\u00e9nement B<\/em> ne modifie d’aucune mani\u00e8re la distribution de probabilit\u00e9 associ\u00e9e \u00e0 l’\u00e9v\u00e9nement A<\/em>, et r\u00e9ciproquement.<\/p>\n

Cette condition se traduit math\u00e9matiquement par l’invariance de la probabilit\u00e9 conditionnelle par rapport \u00e0 la probabilit\u00e9 marginale correspondante :<\/p>\n

P(A|B) = P(A)<\/em> et P(B|A) = P(B)<\/em>, sous r\u00e9serve que P(A) > 0<\/em> et P(B) > 0<\/em><\/p>\n

Il est imp\u00e9ratif de souligner que l’ind\u00e9pendance stochastique est une notion purement probabiliste qui ne requiert nullement l’absence d’interaction physique tangible, bien qu’elle en d\u00e9coule souvent. L’ind\u00e9pendance statistique implique une absence totale de corr\u00e9lation informationnelle : la connaissance du statut de B<\/em> ne permet aucune r\u00e9duction de l’incertitude pesant sur le statut de A<\/em>.<\/p>\n

Une erreur r\u00e9currente consiste \u00e0 confondre l’ind\u00e9pendance stochastique avec l’exclusion mutuelle. Deux \u00e9v\u00e9nements mutuellement exclusifs (disjoints) ne sont jamais<\/em> ind\u00e9pendants, d\u00e8s lors que leurs probabilit\u00e9s marginales sont strictement positives. En effet, si A<\/em> et B<\/em> sont disjoints, le fait de savoir que B<\/em> s’est produit informe avec une certitude absolue que A<\/em> ne s’est pas produit, ce qui modifie radicalement la probabilit\u00e9 de A<\/em> de sa valeur initiale P(A) > 0<\/em> \u00e0 une probabilit\u00e9 conditionnelle P(A|B) = 0<\/em>. L’ind\u00e9pendance n’exprime pas l’incompatibilit\u00e9, mais l’indiff\u00e9rence informationnelle absolue.<\/p>\n

2.2 Nature de la d\u00e9pendance probabiliste<\/h3>\n

D\u00e8s lors que la condition d’ind\u00e9pendance stochastique est viol\u00e9e, les \u00e9v\u00e9nements entrent dans le registre de la d\u00e9pendance probabiliste. La d\u00e9pendance probabiliste stipule que la mat\u00e9rialisation d’un \u00e9v\u00e9nement alt\u00e8re substantiellement la structure d’incertitude entourant l’autre \u00e9v\u00e9nement. Lorsqu’une information pr\u00e9alable nous assure de la r\u00e9alisation de l’\u00e9v\u00e9nement A<\/em>, l’espace des possibles est imm\u00e9diatement amput\u00e9 de toutes les issues ne satisfaisant pas A<\/em>. Ce r\u00e9tr\u00e9cissement de l’univers de r\u00e9f\u00e9rence restructure la distribution de probabilit\u00e9 sur les \u00e9v\u00e9nements r\u00e9siduels, de sorte que l’\u00e9v\u00e9nement B<\/em> voit sa vraisemblance soit amplifi\u00e9e (d\u00e9pendance positive ou association favorable), soit diminu\u00e9e (d\u00e9pendance n\u00e9gative ou inhibition).<\/p>\n

Cette dynamique est au c\u0153ur du paradigme bay\u00e9sien, dans lequel toute observation empirique agit comme un filtre qui r\u00e9ordonne les croyances rationnelles \u00e0 travers un processus de mise \u00e0 jour. Dans les processus s\u00e9quentiels, la d\u00e9pendance se manifeste fr\u00e9quemment par une sensibilit\u00e9 temporelle et ordinale : le tirage successif d’\u00e9l\u00e9ments au sein d’un ensemble restreint modifie m\u00e9caniquement la composition de la population pour les it\u00e9rations ult\u00e9rieures. La d\u00e9pendance statistique refl\u00e8te l’existence d’une structure causale commune, d’une r\u00e9troaction directe, ou plus simplement d’un ph\u00e9nom\u00e8ne de couplage informationnel.<\/p>\n

Dans la collecte et le traitement de donn\u00e9es empiriques, postuler une ind\u00e9pendance l\u00e0 o\u00f9 r\u00e8gne la d\u00e9pendance constitue l’une des sources les plus prolifiques de sous-\u00e9valuation du risque. Par exemple, dans les r\u00e9seaux financiers ou \u00e9lectriques interconnect\u00e9s, la d\u00e9faillance d’une institution ou d’un n\u0153ud de transmission augmente la charge pesant sur les entit\u00e9s adjacentes, cr\u00e9ant une d\u00e9pendance de d\u00e9faillance positive en cascade que tout calcul de probabilit\u00e9 conjointe doit obligatoirement int\u00e9grer sous peine de catastrophisme mod\u00e9lisateur.<\/p>\n

2.3 Protocoles de test d’ind\u00e9pendance<\/h3>\n

D\u00e9terminer si deux \u00e9v\u00e9nements ou deux variables qualitatives sont empiriquement ind\u00e9pendants ne peut reposer sur de simples pr\u00e9somptions intuitives ; cela n\u00e9cessite l’application de protocoles statistiques rigoureux. Le crit\u00e8re math\u00e9matique fondamental consiste \u00e0 confronter directement la probabilit\u00e9 de l’intersection observ\u00e9e au produit des probabilit\u00e9s marginales. Si la relation d’\u00e9galit\u00e9 est viol\u00e9e au-del\u00e0 des variations al\u00e9atoires dues \u00e0 l’\u00e9chantillonnage, l’hypoth\u00e8se d’ind\u00e9pendance doit \u00eatre rejet\u00e9e :<\/p>\n

P(A \u2229 B) \u2260 P(A) \u00d7 P(B) \u27f9 D\u00e9pendance statistique<\/em><\/p>\n

\u00c0 l’\u00e9chelle d’\u00e9chantillons observationnels, cette \u00e9valuation fait appel au test d’ind\u00e9pendance du Chi-deux de Pearson<\/a> appliqu\u00e9 aux tables de contingence bidimensionnelles. Ce test formalise une m\u00e9trique de distance entre les effectifs observ\u00e9s (Oij<\/sub><\/em>) au sein de chaque croisement d’\u00e9v\u00e9nements et les effectifs th\u00e9oriques attendus sous l’hypoth\u00e8se nulle d’ind\u00e9pendance parfaite (Eij<\/sub><\/em>) :<\/p>\n

\u03c7\u00b2 = \u2211 [(Oij<\/sub> – Eij<\/sub>)\u00b2 \/ Eij<\/sub>]<\/em><\/p>\n

L’interpr\u00e9tation du r\u00e9sultat repose sur la comparaison de cette statistique calcul\u00e9e \u00e0 une valeur critique issue de la distribution du Chi-deux pour un degr\u00e9 de libert\u00e9 donn\u00e9, ou sur l’obtention d’une valeur p<\/em> inf\u00e9rieure au seuil de significativit\u00e9 conventionnel \u03b1 (ordinairement fix\u00e9 \u00e0 0,05 ou 0,01). En compl\u00e9ment, l’analyse des r\u00e9sidus standardis\u00e9s ajust\u00e9s permet de cartographier avec pr\u00e9cision la source locale de l’\u00e9cart \u00e0 l’ind\u00e9pendance, en quantifiant si une cellule conjointe sp\u00e9cifique pr\u00e9sente une surrepr\u00e9sentation ou une sous-repr\u00e9sentation significative par rapport au mod\u00e8le d’indiff\u00e9rence th\u00e9orique.<\/p>\n

3. Calcul de la probabilit\u00e9 conjointe pour des \u00e9v\u00e9nements ind\u00e9pendants<\/h2>\n

3.1 La r\u00e8gle de multiplication simple : Formulation et justification<\/h3>\n

Lorsque deux \u00e9v\u00e9nements satisfont rigoureusement \u00e0 l’hypoth\u00e8se d’ind\u00e9pendance statistique, la d\u00e9termination de leur probabilit\u00e9 conjointe s’obtient au moyen de la r\u00e8gle de multiplication simple (souvent nomm\u00e9e r\u00e8gle du produit pour \u00e9v\u00e9nements ind\u00e9pendants). Cette r\u00e8gle \u00e9nonce que la probabilit\u00e9 d’occurrence simultan\u00e9e de deux \u00e9v\u00e9nements ind\u00e9pendants \u00e9quivaut pr\u00e9cis\u00e9ment au produit arithm\u00e9tique de leurs probabilit\u00e9s marginales respectives. Sur le plan analytique, le th\u00e9or\u00e8me s’exprime comme suit :<\/p>\n

P(A \u2229 B) = P(A) \u00d7 P(B)<\/em><\/p>\n

Cette formulation d\u00e9coule logiquement de la d\u00e9finition m\u00eame de la probabilit\u00e9 conditionnelle. Sachant que de fa\u00e7on g\u00e9n\u00e9rale P(A \u2229 B) = P(A) \u00d7 P(B|A)<\/em>, l’hypoth\u00e8se d’ind\u00e9pendance impliquant par d\u00e9finition que P(B|A) = P(B)<\/em>, la substitution directe de ce terme dans l’\u00e9quation engendre imm\u00e9diatement la formule simplifi\u00e9e du produit.<\/p>\n

Ce principe de factorisation se g\u00e9n\u00e9ralise par r\u00e9currence analytique \u00e0 une suite quelconque de n<\/em> \u00e9v\u00e9nements mutuellement ind\u00e9pendants A1<\/sub>, A2<\/sub>, …, An<\/sub><\/em> :<\/p>\n

P(A1<\/sub> \u2229 A2<\/sub> \u2229 … \u2229 An<\/sub>) = \u220fi=1<\/sub>n<\/sup> P(Ai<\/sub>) = P(A1<\/sub>) \u00d7 P(A2<\/sub>) \u00d7 … \u00d7 P(An<\/sub>)<\/em><\/p>\n

Une telle relation entra\u00eene une propri\u00e9t\u00e9 quantitative remarquable : la d\u00e9croissance g\u00e9om\u00e9trique rapide de la probabilit\u00e9 de conjonction \u00e0 mesure que le nombre d’\u00e9v\u00e9nements requis s’accro\u00eet. D\u00e8s lors que chaque \u00e9v\u00e9nement individuel pr\u00e9sente une probabilit\u00e9 marginale strictement inf\u00e9rieure \u00e0 l’unit\u00e9, le produit successif de ces fractions d\u00e9cimales converge inexorablement vers z\u00e9ro. Ainsi, la r\u00e9alisation conjointe d’une longue s\u00e9rie d’\u00e9v\u00e9nements, fussent-ils individuellement tr\u00e8s probables, devient exponentiellement rare.<\/p>\n

3.2 Conditions de validit\u00e9 op\u00e9rationnelle<\/h3>\n

L’application de la r\u00e8gle de multiplication simple est strictement subordonn\u00e9e au respect de conditions de validit\u00e9 op\u00e9ratoires qu’aucun calcul ne saurait ignorer. La premi\u00e8re de ces conditions r\u00e9side dans la distinction imp\u00e9rative entre l’ind\u00e9pendance deux \u00e0 deux (ind\u00e9pendance par paires) et l’ind\u00e9pendance mutuelle globale<\/a>. Il est tout \u00e0 fait possible que trois \u00e9v\u00e9nements A<\/em>, B<\/em> et C<\/em> soient ind\u00e9pendants par paires (c’est-\u00e0-dire que P(A \u2229 B) = P(A)P(B)<\/em>, P(A \u2229 C) = P(A)P(C)<\/em>, et P(B \u2229 C) = P(B)P(C)<\/em>) sans pour autant \u00eatre mutuellement ind\u00e9pendants au sens global, invalidant ainsi l’\u00e9galit\u00e9 P(A \u2229 B \u2229 C) = P(A)P(B)P(C)<\/em>. La r\u00e8gle produit globale pour n<\/em> \u00e9v\u00e9nements impose l’ind\u00e9pendance collective sur toutes les sous-familles de sous-ensembles.<\/p>\n

La seconde condition concerne la stabilit\u00e9 stricte des distributions marginales au fil du protocole exp\u00e9rimental. Dans le cadre de tirages r\u00e9p\u00e9t\u00e9s au sein d’une population ou d’un dispositif al\u00e9atoire, l’ind\u00e9pendance n’est garantie que si l’\u00e9preuve est ex\u00e9cut\u00e9e avec remise (remplacement de l’entit\u00e9 pr\u00e9lev\u00e9e) ou au sein d’un univers infini o\u00f9 chaque extraction individuelle n’induit aucune variation mesurable sur la proportion globale. D\u00e8s l’instant o\u00f9 un \u00e9l\u00e9ment extrait n’est pas r\u00e9introduit dans le syst\u00e8me fini, la distribution marginale de l’it\u00e9ration suivante s’en trouve in\u00e9luctablement alt\u00e9r\u00e9e, rendant l’emploi de la r\u00e8gle simple caduc.<\/p>\n

Enfin, l’exp\u00e9rimentateur doit attester l’absence totale d’interf\u00e9rences causales cach\u00e9es, de variables confondantes ou d’effets d’instrumentation. Un instrument de mesure perturbant le milieu lors de la premi\u00e8re observation modifie indirectement la probabilit\u00e9 de la seconde observation, d\u00e9truisant ainsi l’ind\u00e9pendance stochastique par couplage exp\u00e9rimental involontaire.<\/p>\n

3.3 Interpr\u00e9tation quantitative du produit des probabilit\u00e9s<\/h3>\n

L’interpr\u00e9tation quantitative du produit des probabilit\u00e9s permet de saisir intuitivement la contraction spatiale op\u00e9r\u00e9e par la conjonction. Consid\u00e9rons un \u00e9v\u00e9nement A<\/em> occupant une fraction P(A)<\/em> de l’univers probabiliste \u03a9. Lorsque l’\u00e9v\u00e9nement B<\/em> survient de mani\u00e8re ind\u00e9pendante, il ne s’applique pas \u00e0 l’ensemble du syst\u00e8me d’origine de fa\u00e7on privil\u00e9gi\u00e9e : il s’applique de mani\u00e8re uniforme et homog\u00e8ne sur l’ensemble de l’espace \u00e9chantillon, et par cons\u00e9quent, il d\u00e9coupe exactement la m\u00eame proportion P(B)<\/em> \u00e0 l’int\u00e9rieur m\u00eame de la fraction d’espace d\u00e9j\u00e0 allou\u00e9e \u00e0 A<\/em>. Le sous-espace commun A \u2229 B<\/em> repr\u00e9sente ainsi la fraction P(B)<\/em> de la surface P(A)<\/em>, ce qui formalise intuitivement la multiplication g\u00e9om\u00e9trique des fractions d’aires.<\/p>\n

Ce ph\u00e9nom\u00e8ne engendre des effets massifs d\u00e8s lors que l’on manipule des probabilit\u00e9s de faible magnitude. Par exemple, si la probabilit\u00e9 d’occurrence d’une anomalie m\u00e9canique est de 10-3<\/sup><\/em> et que celle d’une erreur informatique ind\u00e9pendante est de 10-4<\/sup><\/em>, la probabilit\u00e9 d’assister \u00e0 leur conjonction exacte descend imm\u00e9diatement \u00e0 10-7<\/sup><\/em>, soit un \u00e9v\u00e9nement sur dix millions. Face \u00e0 de tels ordres de grandeur et pour \u00e9viter l’instabilit\u00e9 num\u00e9rique (ph\u00e9nom\u00e8ne de sous-d\u00e9passement arithm\u00e9tique ou underflow<\/em> en calcul computationnel), les praticiens op\u00e8rent couramment une transformation logarithmique :<\/p>\n

log(P(A1<\/sub> \u2229 A2<\/sub> \u2229 … \u2229 An<\/sub>)) = \u2211i=1<\/sub>n<\/sup> log(P(Ai<\/sub>))<\/em><\/p>\n

Cette lin\u00e9arisation logarithmique transforme le produit de probabilit\u00e9s en une sommation de termes n\u00e9gatifs, simplifiant grandement les proc\u00e9dures d’optimisation de vraisemblance.<\/p>\n

Dans le domaine de l’ing\u00e9nierie et de la th\u00e9orie de la fiabilit\u00e9, ce mod\u00e8le r\u00e9git la mod\u00e9lisation des architectures syst\u00e8me :<\/p>\n