Statistiques on kenji.blog

Vos amis ont plus d'amis que vous : le paradoxe de l'amitié

Thu, 10 Sep 2026 21:00:00 +0900

“Les gens autour de moi ont plus d’amis que moi et ont l’air de tellement s’amuser…” Avez-vous déjà ressenti cela en parcourant les réseaux sociaux ?

En fait, si vous ressentez cela, ce n’est pas à cause de votre personnalité, ni parce que vous n’êtes pas populaire. C’est un fait mathématique prouvé par la théorie des réseaux et les statistiques, appelé le “Paradoxe de l’amitié” (Friendship Paradox).

Découvert en 1991 par le sociologue Scott Feld, ce paradoxe explique un phénomène contre-intuitif : “La plupart des gens ont moins d’amis que leurs propres amis”.

Pourquoi “les amis ont-ils plus d’amis” ?

Pour faire court, cela est dû à un simple biais d’échantillonnage où “les personnes ayant beaucoup d’amis (les personnes populaires) apparaissent dans les listes d’amis de beaucoup de gens”.

Prenons un réseau (graphe) simple pour comprendre.

graph TD A["Alice (1 ami)"] --- C["Charlie (3 amis)"] B["Bob (1 ami)"] --- C C --- D["David (1 ami)"] style A fill:#4FC3F7,stroke:#333,stroke-width:2px style B fill:#4FC3F7,stroke:#333,stroke-width:2px style C fill:#FF9800,stroke:#333,stroke-width:4px style D fill:#4FC3F7,stroke:#333,stroke-width:2px

Dans ce petit monde, il y a quatre personnes : Alice, Bob, Charlie et David. Charlie est le “populaire” et est ami avec les trois autres. Les trois autres ne sont amis qu’avec Charlie.

Regardons le nombre d’amis de chacun :

Nombre d’amis d’Alice : 1
Nombre d’amis de Bob : 1
Nombre d’amis de David : 1
Nombre d’amis de Charlie : 3 Le nombre moyen d’amis pour tout le monde est de $(1 + 1 + 1 + 3) / 4 = 1.5$ personne.

Ensuite, calculons “la moyenne du nombre d’amis des amis” pour chaque personne :

Nombre d’amis de l’ami d’Alice (Charlie) : 3
Nombre d’amis de l’ami de Bob (Charlie) : 3
Nombre d’amis de l’ami de David (Charlie) : 3
Moyenne du nombre d’amis des amis de Charlie (Alice, Bob, David) : $(1 + 1 + 1) / 3 = 1$

Maintenant, comparons “soi-même” à “la moyenne de ses amis” pour chaque personne :

Alice : Soi-même (1) < Moyenne de ses amis (3)
Bob : Soi-même (1) < Moyenne de ses amis (3)
David : Soi-même (1) < Moyenne de ses amis (3)
Charlie : Soi-même (3) > Moyenne de ses amis (1)

3 personnes sur 4 (75 % des personnes) se trouvent dans une situation où “leurs amis ont plus d’amis qu’eux-mêmes”. La présence de Charlie, la personne populaire, augmente fortement “la moyenne des amis” de tous ceux qui l’entourent.

Preuve mathématique : la variance est la clé

Exprimons cela avec des formules mathématiques. Dans la théorie des réseaux, soit $k(v)$ le nombre d’amis (le degré) d’une personne $v$. Soit $\mu$ le nombre moyen d’amis dans l’ensemble du réseau, et $\sigma^2$ la variance du nombre d’amis.

Selon la preuve de Feld, l’espérance du “nombre d’amis d’un ami choisi au hasard” est la suivante :

$$ \text{Moyenne du nombre d'amis des amis} = \mu + \frac{\sigma^2}{\mu} $$

La variance $\sigma^2$ est toujours une valeur supérieure ou égale à 0. En d’autres termes, à l’exception de la situation improbable où tout le monde a exactement le même nombre d’amis ($\sigma^2 = 0$), l’inégalité suivante est toujours vraie :

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

“La moyenne du nombre d’amis des amis” est toujours strictement supérieure au “nombre moyen d’amis global”.

Dans le monde réel et sur les réseaux sociaux (comme X ou Instagram), une toute petite fraction de personnes possède des millions de followers (amis), tandis que la grande majorité n’en a que quelques dizaines à quelques centaines. En d’autres termes, comme la variance $\sigma^2$ est extrêmement grande, l’effet de ce paradoxe est encore plus puissant.

Application : Pandémies et vaccination

Le paradoxe de l’amitié ne se limite pas à la simple psychologie des réseaux sociaux. Il a des applications très efficaces pour des problèmes de société réels, notamment en ce qui concerne les mesures contre les maladies infectieuses.

Supposons que vous n’ayez qu’un nombre limité de vaccins et que vous ne sachiez pas à qui les administrer. Il existe une méthode plus efficace que la vaccination aléatoire :

Choisissez des personnes au hasard.
N’administrez pas le vaccin à ces personnes elles-mêmes, mais à une personne qu’elles désignent comme “ami”.

Pourquoi ? Grâce au paradoxe de l’amitié, les “amis” des personnes choisies au hasard ont en moyenne une plus grande probabilité d’avoir plus de connexions (d’être des hubs). En donnant la priorité à la vaccination des personnes ayant beaucoup de connexions, on peut ralentir considérablement la propagation de l’infection à l’ensemble du réseau.

Conclusion

Lorsque vous regardez les réseaux sociaux et que vous vous dites : “Tout le monde a plus d’amis que moi et a une vie épanouie”, ce n’est pas une illusion de votre part, mais une fatalité mathématique créée par la structure du réseau.

Parce que les personnes populaires apparaissent dans les réseaux de nombreuses personnes, nous sommes inévitablement obligés de n’observer que des “personnes populaires au-dessus de la moyenne” comme échantillons. La prochaine fois que vous vous sentirez déprimé(e) sur les réseaux sociaux, n’hésitez pas à vous souvenir de cette formule :

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

Le paradoxe de Simpson : un phénomène mystérieux où l'on gagne par parties, mais où l'on perd au global

Thu, 10 Sep 2026 07:00:00 +0900

1. Dans quel hôpital devriez-vous vous faire opérer ?

Vous êtes atteint d’une maladie grave et devez subir une intervention chirurgicale. Vous avez le choix entre deux hôpitaux : l’hôpital A et l’hôpital B. Vous avez demandé les données sur le “taux de réussite” des opérations pour chaque hôpital.

【Taux de réussite global】

Hôpital A : Sur 1000 personnes, 900 réussites (taux de réussite 90%)
Hôpital B : Sur 1000 personnes, 800 réussites (taux de réussite 80%)

En voyant cela, n’importe qui penserait : “L’hôpital A est meilleur !”. Cependant, étant de nature prudente, vous décidez d’examiner plus en détail comment les données varient selon la gravité de la maladie (cas légers ou cas graves).

【Taux de réussite pour les cas légers】

Hôpital A : Sur 100 personnes, 99 réussites (taux de réussite 99%)
Hôpital B : Sur 900 personnes, 870 réussites (taux de réussite 96%) $\rightarrow$ Pour les cas légers, l’hôpital A gagne (99% > 96%)

【Taux de réussite pour les cas graves】

Hôpital A : Sur 900 personnes, 801 réussites (taux de réussite 89%)
Hôpital B : Sur 100 personnes, 70 réussites (taux de réussite 70%) $\rightarrow$ Même pour les cas graves, l’hôpital A gagne (89% > 70%)

Tiens ? Ne trouvez-vous pas cela étrange ?

Pour les patients “légers”, l’hôpital A a un meilleur taux de réussite. Pour les patients “graves”, l’hôpital A a également un meilleur taux de réussite. Et pourtant, quand on calcule le taux de réussite “global” combinant tous les patients… ?

Hôpital A Global : $(99 + 801) / 1000 =$ 90%
Hôpital B Global : $(870 + 70) / 1000 =$ 94%… non, selon le calcul précédent c’était 80% ?

Attendez, regardons à nouveau les premières données. Les premières données étaient les suivantes :

Taux de réussite global de l’hôpital A : 90%
Taux de réussite global de l’hôpital B : 80%

Mais si nous recalculons avec les données détaillées, Le taux de réussite global de l’hôpital B devrait être de $(870 + 70) / 1000 = 940 / 1000 = $ 94%.

… Eh oui, vous vous êtes fait avoir ! En réalité, cette astuce numérique est précisément le terrible piège statistique que nous allons expliquer cette fois. Laissez-moi vous montrer les vraies données à nouveau.

2. À vous qui avez été trompé : Les vraies données

【Taux de réussite pour les cas légers】

Hôpital A : Sur 900 personnes, 870 réussites (taux de réussite 96%)
Hôpital B : Sur 100 personnes, 99 réussites (taux de réussite 99%) $\rightarrow$ Pour les cas légers, l’hôpital B gagne (99% > 96%)

【Taux de réussite pour les cas graves】

Hôpital A : Sur 100 personnes, 30 réussites (taux de réussite 30%)
Hôpital B : Sur 900 personnes, 315 réussites (taux de réussite 35%) $\rightarrow$ Même pour les cas graves, l’hôpital B gagne (35% > 30%)

En d’autres termes, que ce soit pour les cas légers ou graves, l’hôpital B est de loin supérieur.

Alors, additionnons cela au niveau “global”.

Hôpital A Global : $(870 + 30) / (900 + 100) = 900 / 1000 =$ Taux de réussite 90%
Hôpital B Global : $(99 + 315) / (100 + 900) = 414 / 1000 =$ Taux de réussite 41%

Incroyable ! En regardant les données “partielles”, l’hôpital B gagne partout, mais en les combinant au niveau “global”, l’hôpital A remporte une victoire écrasante ! C’est ce phénomène que l’on appelle le “Paradoxe de Simpson”.

graph TD subgraph "Données partielles (Victoire de B)" Light["Cas légers : Victoire de l'hôpital B (99% > 96%)"] Heavy["Cas graves : Victoire de l'hôpital B (35% > 30%)"] end subgraph "Données globales (Victoire de A)" Total["Total cumulé : Victoire écrasante de l'hôpital A (90% > 41%)"] end Light -->|Étonnamment, en combinant, cela s'inverse| Total Heavy -->|Étonnamment, en combinant, cela s'inverse| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. Pourquoi une inversion aussi étrange se produit-elle ?

L’origine de ce paradoxe réside dans un “déséquilibre des tailles d’échantillon (dénominateurs)” et la présence d’une “variable cachée (facteur de confusion)”.

Regardez attentivement les données.

L’hôpital A admet une grande quantité (900 personnes) de “patients légers faciles à soigner”.
L’hôpital B admet une grande quantité (900 personnes) de “patients graves difficiles à soigner”.

Comme l’hôpital B est très compétent, il agit comme un “hôpital de la dernière chance” qui prend en charge de nombreux patients dans un état grave qui sont refusés ailleurs. Naturellement, le taux de réussite pour les patients graves est plus faible (35%). Le “taux de réussite global” de l’hôpital B est tiré vers le bas par cette grande proportion de patients graves, le faisant paraître globalement plus bas (41%).

À l’inverse, l’hôpital A ne s’occupe que des patients légers et simples à traiter. Par conséquent, son taux de réussite global semble élevé (90%), mais à conditions égales (en comparant les cas graves entre eux, et les cas légers entre eux), il est moins performant que l’hôpital B.

Exprimé mathématiquement, cela est dû aux propriétés de l’addition des fractions. En général, même si $\frac{a}{b} < \frac{A}{B}$ et $\frac{c}{d} < \frac{C}{D}$, il n’est pas toujours vrai que :

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

Lorsque la taille des dénominateurs est extrêmement différente, le sens de l’inégalité peut s’inverser.

4. Le “paradoxe de Simpson” survenu dans le monde réel

Ce paradoxe n’est pas qu’une simple énigme mathématique ; il se produit fréquemment dans la société réelle et a provoqué de grandes controverses.

Accusations de discrimination sexuelle à l’Université de Californie à Berkeley en 1973

Lors d’une enquête sur les taux d’admission aux cycles supérieurs à Berkeley, il a été constaté que le “taux d’admission des hommes (44%)” était significativement plus élevé que le “taux d’admission des femmes (35%)”, soulevant ainsi un problème de discrimination évidente envers les femmes. Cependant, en divisant et en analysant finement les données “par département”, un fait surprenant a été révélé. Dans presque tous les départements, le taux d’admission des femmes était plus élevé que celui des hommes.

Pourquoi les chiffres globaux se sont-ils inversés ? En réalité, les femmes postulaient principalement à des “départements ayant un faible taux d’admission (très sélectifs)”, tandis que les hommes postulaient principalement à des “départements ayant un taux d’admission élevé (faciles d’accès)”.

Données sur l’efficacité du vaccin contre le COVID

Des données indiquant que “les personnes vaccinées ont un taux de mortalité plus élevé que les personnes non vaccinées” ont circulé et provoqué un tollé. Ceci est également le résultat d’avoir ignoré les données par tranche d’âge (la variable cachée). Les vaccins ayant été administrés en priorité aux “personnes âgées (qui ont déjà un taux de mortalité plus élevé de base)”, en cumulant simplement les taux de mortalité globaux, le groupe des personnes vaccinées s’est retrouvé avec une proportion extrême de personnes âgées, donnant l’apparence d’un taux de mortalité plus élevé.

En comparant par tranches d’âge, il a été confirmé que dans toutes les tranches d’âge, “les personnes vaccinées ont un taux de mortalité plus faible”.

5. Conclusion : Les données ne mentent pas, mais les gens peuvent mentir avec les données

Le paradoxe de Simpson nous avertit du “danger de juger uniquement en regardant les données globales, comme les moyennes ou les totaux”.

Le monde regorge d’entreprises, de politiciens et de médias qui ne retiennent que les “chiffres globaux” pour les mettre en avant de la manière qui les arrange. Même si l’on vous dit : “Notre produit A a une satisfaction globale supérieure au produit concurrent B !”, si l’on sépare les données entre les “jeunes” et les “personnes âgées”, il est fort possible que le produit B soit gagnant dans les deux catégories.

Lorsque vous regardez des données, la meilleure arme pour survivre dans la société de l’information d’aujourd’hui est de ne pas se laisser tromper par les chiffres “globaux” en surface, et de toujours garder un esprit critique : “N’y a-t-il pas un déséquilibre extrême dans la proportion des groupes à cause de variables cachées en arrière-plan (âge, sexe, gravité, etc.) ?”.

Le paradoxe des anniversaires : Plus de 50 % de chances avec seulement 23 personnes ? La magie des « combinaisons » qui trompe notre intuition

Thu, 10 Sep 2026 00:00:00 +0900

1. Test d’intuition : Combien de personnes faut-il rassembler pour que la probabilité dépasse 50 % ?

Des personnes sont rassemblées lors d’une fête. Ici, « pour que la probabilité qu’il y ait au moins une paire de personnes partageant exactement le même anniversaire (mois et jour) dans la salle dépasse 50 % », combien de personnes pensez-vous qu’il faut au minimum ? (*Nous excluons les années bissextiles, considérons qu’une année compte 365 jours, et supposons que chaque date d’anniversaire est équiprobable).

L’intuition humaine a tendance à calculer comme suit : « Une année compte 365 jours. Puisqu’on place des personnes dans 365 cases et qu’il faut qu’elles se chevauchent, il faudrait probablement au moins 180 personnes. Même avec une estimation basse, il faudrait au moins 50 à 60 personnes pour que la probabilité atteigne la moitié, non ? »

Cependant, la réponse exacte donnée par les mathématiques n’est que de « 23 personnes ». Dans une classe d’école (environ 30 à 40 personnes), la probabilité qu’il y ait une paire ayant le même anniversaire grimpe à environ 70 % - 89 %. S’il y a 50 personnes, cette probabilité atteint 97 %, ce qui crée une situation où « il est plus rare qu’il n’y ait personne partageant le même anniversaire ».

Pourquoi notre intuition s’écarte-t-elle à ce point de la probabilité réelle ?

2. La raison pour laquelle l’intuition se trompe : La différence entre « moi et quelqu’un » et « quelqu’un et quelqu’un »

La principale raison pour laquelle l’intuition se trompe sur ce problème est que nous pensons inconsciemment à « la probabilité qu’il y ait quelqu’un qui partage le même anniversaire qu’une personne spécifique (par exemple, nous-mêmes) ».

Si vous entrez dans la salle et cherchez « Y a-t-il quelqu’un qui a le même anniversaire que moi ? », la probabilité qu’il y ait quelqu’un avec le même anniversaire que vous parmi 23 personnes n’est que d’environ 6,1 %. (Pour que cette probabilité dépasse 50 %, il faut en réalité 253 personnes).

Cependant, le paradoxe des anniversaires ne porte pas sur la paire « moi et quelqu’un ». Il suffit qu’il y ait une seule correspondance parmi « toutes les combinaisons possibles entre toutes les personnes présentes dans la salle (A et B, B et C, C et A…) ».

graph TD subgraph "L'illusion de l'intuition : Comparaison centrée sur « soi-même »" You["Soi-même"] --- P1["Personne A"] You --- P2["Personne B"] You --- P3["Personne C"] You --- P4["Personne D"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "La réalité : Comparaison croisée de « tout le monde avec tout le monde »" A["Personne A"] --- B["Personne B"] A --- C["Personne C"] A --- D["Personne D"] B --- C B --- D C --- D end

Même dans un groupe de 4 personnes seulement, il y a 3 combinaisons centrées sur « soi-même », mais il existe 6 combinaisons possibles entre toutes les personnes (${}_4 C_2 = 6$). Lorsque le nombre de personnes passe à 23, le nombre de combinaisons de paires augmente de manière explosive pour atteindre 253 (${}_{23} C_2$). S’il y a 253 paires, ne commencez-vous pas à vous dire qu’il ne serait pas si surprenant qu’au moins une d’entre elles tire la probabilité de « 1 sur 365 » ?

3. Preuve mathématique : Une solution élégante utilisant l’événement complémentaire

Il est difficile de calculer directement « la probabilité qu’au moins une paire ait le même anniversaire » (car il y a trop de cas de figure : 1 seule paire identique, 2 paires identiques, 3 personnes avec le même anniversaire… etc.). C’est pourquoi nous utilisons une technique de base de la théorie des probabilités appelée « événement complémentaire ».

L’événement complémentaire est « la probabilité que cela ne se produise pas ». Autrement dit, il suffit de calculer « la probabilité que les anniversaires de tout le monde soient différents (aucun chevauchement) », puis de la soustraire de 100 % (1) pour obtenir la probabilité recherchée.

$$ P(\text{au moins 2 personnes ont le même anniversaire}) = 1 - P(\text{tous les anniversaires sont différents}) $$

Faisons le calcul en imaginant des personnes entrant dans la salle une par une.

La première personne : Il n’y a aucun risque de chevauchement. La probabilité est de $\frac{365}{365}$.
La deuxième personne : Elle doit avoir un anniversaire différent de la première. C’est bon si c’est l’un des 364 jours restants. La probabilité est de $\frac{364}{365}$.
La troisième personne : Elle doit avoir un anniversaire différent des deux premières. C’est bon si c’est l’un des 363 jours restants. La probabilité est de $\frac{363}{365}$.

En multipliant cela jusqu’à la $n$-ième personne, on obtient le terme général de la probabilité $P(n)'$ que tout le monde ait un anniversaire différent.

$$ P(n)' = \frac{365}{365} \times \frac{364}{365} \times \frac{363}{365} \times \dots \times \frac{365 - (n - 1)}{365} $$ $$ P(n)' = \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

Par conséquent, « la probabilité $P(n)$ qu’au moins 2 personnes aient le même anniversaire » que nous recherchons est la suivante :

$$ P(n) = 1 - \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

En substituant le nombre de personnes $n$ dans cette équation, on peut voir que la probabilité augmente à une vitesse surprenante.

Pour $n = 10$, la probabilité est d’environ 11,7 %
Pour $n = 23$, la probabilité est d’environ 50,7 % (Elle dépasse 50 % ici !)
Pour $n = 40$, la probabilité est d’environ 89,1 %
Pour $n = 70$, la probabilité est d’environ 99,9 %

pie title "Probabilités lorsqu'il y a 23 personnes" "Il y a une paire avec le même anniversaire (50,7 %)" : 50.7 "Tous différents (49,3 %)" : 49.3

4. Calcul approché par le développement de Taylor

Puisqu’il est difficile de calculer à la main 23 multiplications, utilisons une formule d’approximation mathématique pour le comprendre de manière un peu plus intuitive.

Considérons le développement de Taylor de la fonction exponentielle $e^{-x}$. Lorsque $x$ est suffisamment petit, l’approximation suivante est valable :

$$ e^{-x} \approx 1 - x $$

En appliquant cela à chaque terme $\left(1 - \frac{k}{365}\right)$ précédent, on obtient :

$$ 1 - \frac{k}{365} \approx e^{-\frac{k}{365}} $$

En multipliant tout cela (ce qui devient une addition selon la règle des exposants), on a :

$$ P(n)' \approx e^{-\frac{1}{365}} \times e^{-\frac{2}{365}} \times \dots \times e^{-\frac{n-1}{365}} $$ $$ P(n)' \approx \exp\left(-\sum_{k=1}^{n-1} \frac{k}{365}\right) $$

La somme de 1 à $n-1$ étant $\frac{n(n-1)}{2}$ (c’est-à-dire le nombre de combinaisons ${}_n C_2$), on a :

$$ P(n)' \approx \exp\left(-\frac{n(n-1)}{2 \times 365}\right) $$

Dans cette équation, cherchons $n$ lorsque la probabilité devient 50 % ($0,5$).

$$ 0,5 = e^{-\frac{n(n-1)}{730}} $$

Prenons le logarithme népérien des deux côtés ($\ln 0,5 \approx -0,693$).

$$ -0,693 = -\frac{n(n-1)}{730} $$ $$ n(n-1) = 0,693 \times 730 \approx 505,89 $$

En approximant à $n^2 \approx 506$, on obtient $n = \sqrt{506} \approx 22,49$ La réponse $n \approx 23$ en est brillamment déduite !

5. Application à la vie quotidienne et « Collision de hachage »

Ce paradoxe n’est pas seulement un sujet de conversation pour les banquets. Il joue un rôle extrêmement important dans la théorie de la cryptographie et la sécurité de l’information qui soutiennent la société informatique moderne.

Dans les systèmes informatiques, on utilise un mécanisme appelé « fonction de hachage » pour vérifier rapidement l’identité des mots de passe et des fichiers. Une fonction de hachage renvoie une chaîne de caractères aléatoire (valeur de hachage) d’une longueur constante, quelles que soient les données qu’on y insère. Cependant, le phénomène où ces valeurs de hachage deviennent identiques par hasard est appelé « collision de hachage » (Hash Collision).

Les collisions de hachage se produisent exactement selon le même principe que le paradoxe des anniversaires. Contrairement à l’intuition humaine selon laquelle « puisqu’il y a un nombre astronomique de types de valeurs de hachage, les collisions ne se produiront presque jamais », il est étonnamment facile pour un attaquant de générer massivement des données aléatoirement et de trouver une paire « qui correspond (qui a le même anniversaire) ».

C’est ce qu’on appelle une « attaque des anniversaires » (Birthday Attack). Les ingénieurs qui conçoivent des systèmes de sécurité partent de cette réalité mathématique selon laquelle « les collisions se produisent beaucoup plus rapidement que ne le suggère l’intuition », et fixent la longueur des valeurs de hachage à une taille très importante pour garantir la sécurité.

6. Conclusion : Les limites de l’intuition humaine

Le paradoxe des anniversaires est un exemple parfait montrant à quel point l’intuition humaine est vulnérable face aux « croissances exponentielles » ou aux « explosions combinatoires ».

Nous sommes doués pour appréhender une augmentation linéaire (par addition), mais nous ne pouvons pas simuler mentalement un phénomène où le nombre de paires augmente de manière explosive à un rythme de $n^2$. Derrière notre intuition selon laquelle « le nombre 23 est trop petit par rapport au grand nombre 365 », il y a en fait « 253 fils invisibles (paires) » créés par ces 23 personnes.

La prochaine fois que vous irez dans un endroit où des gens sont rassemblés, essayez d’imaginer non seulement le « nombre de personnes » visibles, mais aussi les « innombrables fils de combinaisons » qui existent entre elles. Votre vision du monde devrait changer de manière légèrement mathématique.

Le problème de Monty Hall : le piège de la théorie des probabilités qui défie l'intuition et sa résolution complète par l'inférence bayésienne

Thu, 10 Sep 2026 00:00:00 +0900

1. Le décor est un jeu télévisé : que feriez-vous ?

En 1990, dans la chronique « Ask Marilyn » (Demandez à Marilyn) du magazine d’actualité américain Parade, un lecteur a posé la question suivante :

Vous participez à un jeu télévisé. Devant vous se trouvent 3 portes (A, B, C). Derrière l’une des portes se trouve une voiture neuve (le gros lot), et derrière les deux autres se trouvent des chèvres (les perdants).

Vous choisissez d’abord la porte A.

Ensuite, le présentateur Monty Hall, qui sait quelle porte cache la voiture, ouvre la porte B, qui révèle une chèvre parmi les portes restantes.

Monty vous dit : « Vous pouvez maintenant changer pour la porte C si vous le souhaitez. Que faites-vous ? »

Finalement, devriez-vous changer de porte ?

Intuitivement, on pourrait penser : « Il ne reste que deux portes, A et C. Puisque la position de la voiture est complètement aléatoire, la probabilité de gagner pour chaque porte est de $\frac{1}{2}$ (50 %). Par conséquent, cela ne change rien de changer de porte ou non. »

Cependant, la chroniqueuse Marilyn vos Savant (reconnue par le Livre Guinness des records comme la personne ayant le QI le plus élevé) a répondu : « Vous devriez changer. Si vous changez, vos chances de gagner seront doublées. »

Cette réponse a fait sensation dans tous les États-Unis et a déclenché une avalanche d’environ 10 000 lettres de protestation (dont environ 1 000 provenaient d’universitaires titulaires d’un doctorat en mathématiques). C’était une tempête de critiques acerbes telles que « Vous ne comprenez pas les bases des probabilités » ou « C’est de la logique féminine ».

Cependant, pour en venir à la conclusion, la réponse de Marilyn était mathématiquement tout à fait exacte.

2. L’écart entre l’intuition et les mathématiques : les ramifications des probabilités vues avec Mermaid

Pourquoi notre intuition nous donne-t-elle l’illusion de « $\frac{1}{2}$ » ? Tout d’abord, visualisons tous les scénarios possibles du jeu.

graph TD Start["Début du jeu"] --> CarA["La voiture est derrière A (probabilité 1/3)"] Start --> CarB["La voiture est derrière B (probabilité 1/3)"] Start --> CarC["La voiture est derrière C (probabilité 1/3)"] CarA --> PickA1["Vous choisissez la porte A"] CarB --> PickA2["Vous choisissez la porte A"] CarC --> PickA3["Vous choisissez la porte A"] PickA1 --> HostB_or_C["Le présentateur ouvre B ou C"] PickA2 --> HostC["Le présentateur ouvre toujours C"] PickA3 --> HostB["Le présentateur ouvre toujours B"] HostB_or_C --> Stay1["Ne pas changer : Gagné !"] HostB_or_C --> Switch1["Changer : Perdu..."] HostC --> Stay2["Ne pas changer : Perdu..."] HostC --> Switch2["Changer : Gagné !"] HostB --> Stay3["Ne pas changer : Perdu..."] HostB --> Switch3["Changer : Gagné !"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

En supposant que vous ayez choisi la « porte A », les 3 scénarios suivants se produisent avec des probabilités égales ($\frac{1}{3}$).

Scénario 1 (la voiture est en A) : Le présentateur ouvre B ou C, qui cache une chèvre. Si vous changez de porte, vous perdez.
Scénario 2 (la voiture est en B) : Le présentateur ne peut ouvrir que C, qui cache une chèvre. Si vous changez de porte, vous gagnez.
Scénario 3 (la voiture est en C) : Le présentateur ne peut ouvrir que B, qui cache une chèvre. Si vous changez de porte, vous gagnez.

En d’autres termes, 2 fois sur 3 (scénarios 2 et 3), vous êtes dans une situation où « si vous changez de porte, vous gagnerez à coup sûr ». Par conséquent, votre taux de victoire si vous changez de porte est de $\frac{2}{3}$, soit le double du taux de victoire si vous ne changez pas, qui est de $\frac{1}{3}$.

3. Preuve rigoureuse par le théorème de Bayes

Pour résoudre mathématiquement ce problème de manière rigoureuse, nous utilisons le « théorème de Bayes » pour calculer les probabilités conditionnelles.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

Ici, nous définissons les événements comme suit :

$C_A, C_B, C_C$ : Les événements où la voiture neuve se trouve respectivement derrière la porte A, B et C. Les probabilités a priori sont $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
Supposons que vous ayez choisi la porte A en premier.
$M_B$ : L’événement où le présentateur ouvre la porte B, qui révèle une chèvre.

Ce que nous voulons trouver, c’est la « probabilité que la voiture se trouve derrière la porte C, étant donné que le présentateur a ouvert la porte B », c’est-à-dire la probabilité a posteriori $P(C_C|M_B)$.

Tout d’abord, considérons la probabilité $P(M_B|C_X)$ que le présentateur ouvre la porte B, en fonction de l’endroit où se trouve la voiture.

Si la voiture est derrière la porte A ($C_A$) Le présentateur peut ouvrir aléatoirement B ou C.
$$ P(M_B|C_A) = \frac{1}{2} $$
Si la voiture est derrière la porte B ($C_B$) Le présentateur ne peut pas ouvrir la porte cachant la voiture, donc la probabilité d’ouvrir B est nulle.
$$ P(M_B|C_B) = 0 $$
Si la voiture est derrière la porte C ($C_C$) Le présentateur ne peut ouvrir ni A (votre choix) ni C (qui cache la voiture), il doit donc nécessairement ouvrir B.
$$ P(M_B|C_C) = 1 $$

Ensuite, nous trouvons la probabilité totale $P(M_B)$ que le présentateur ouvre la porte B à l’aide de la « loi des probabilités totales ».

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

Nous appliquons enfin le théorème de Bayes pour calculer les probabilités a posteriori pour la porte A et la porte C.

Probabilité que la voiture soit derrière la porte A (si vous ne changez pas) :

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

Probabilité que la voiture soit derrière la porte C (si vous changez) :

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

Même avec une preuve mathématique, il est clairement démontré que « la probabilité de gagner est multipliée par deux (2/3) si vous changez de porte ».

4. Biais cognitifs : la valeur de l’information en tant que « conditionnement »

Pourquoi même de nombreux mathématiciens de génie se sont-ils trompés intuitivement sur ce problème ? Il y a là un « biais d’équiprobabilité » et un « échec de la mise à jour de l’information » ancrés dans le cerveau humain.

4.1. Biais d’équiprobabilité (Equiprobability Bias)

Les humains ont tendance à assigner inconsciemment que « la probabilité des options restantes est toujours égale » face à des options inconnues. Au moment où l’on voit qu’il reste deux portes, le cerveau les étiquette automatiquement comme « $50\%$ : $50\%$ ».

4.2. L’information sur l’« intention » du présentateur

La principale raison pour laquelle l’intuition se trompe est le fait d’ignorer que les actions du présentateur ne sont pas aléatoires. Si les règles étaient que le présentateur « ouvrait une porte au hasard sans savoir où se trouve la voiture, et que cela tombait sur une chèvre » (connu sous le nom de problème de Monty Fall), la probabilité pour la porte A et la porte C serait toutes deux de $\frac{1}{2}$.

Cependant, dans le véritable problème de Monty Hall, le présentateur agit sous les contraintes strictes suivantes :

Il ne peut pas ouvrir la porte choisie par le participant.
Il ne peut pas ouvrir la porte cachant la voiture neuve.

En raison de ces contraintes, l’acte même d’ouvrir la « porte B » par le présentateur nous donne une information énorme concernant la porte C. Cela contient le message silencieux : « Je ne pouvais pas ouvrir la porte C (parce que la voiture neuve s’y trouve) ».

5. Corriger l’intuition avec un exemple extrême

Si vous n’êtes toujours pas convaincu, essayons d’augmenter le nombre de portes à 1 million.

Vous choisissez la porte 1 parmi 1 million de portes. (La probabilité de gagner est de $\frac{1}{1,000,000}$)
Le présentateur omniscient ouvre l’intégralité des 999 998 portes cachant une chèvre parmi les 999 999 portes restantes.
Les seules portes fermées sont la « porte 1 » que vous avez choisie et la « porte 777 777 » que le présentateur a délibérément laissée.

Maintenant, allez-vous changer de porte ? Dans ce cas, si vous croyez avoir réussi le miracle de « 1 sur 1 million » lors du premier choix, vous ne devriez pas changer. Cependant, en réalité, vous pouvez intuitivement comprendre que la probabilité que la voiture se trouve derrière la « seule porte que le présentateur ne pouvait absolument pas ouvrir » est de $\frac{999,999}{1,000,000}$.

Le problème de Monty Hall (3 portes) n’est qu’un phénomène qui réduit l’échelle de cette situation à « 1 million de portes ».

pie title "Effet du changement de porte (100 simulations)" "Changer et gagner (environ 66.7%)" : 67 "Ne pas changer et gagner (environ 33.3%)" : 33

6. Conclusion : les leçons que la théorie des probabilités enseigne pour les affaires et la vie

Le problème de Monty Hall dépasse le cadre d’un simple quiz et nous enseigne des leçons importantes.

L’intuition se trompe souvent : Le cerveau humain n’a pas évolué pour traiter intuitivement des probabilités conditionnelles complexes. Il est dangereux de s’en remettre uniquement à l’intuition lors de prises de décisions importantes.
Mettre à jour les probabilités avec de nouvelles informations (mise à jour bayésienne) : Lorsque la situation change et que de nouvelles informations (comme quelle porte le présentateur a ouverte) sont apportées, la clé du succès est de pouvoir mettre à jour de manière flexible ses probabilités et ses stratégies, au lieu de s’en tenir à des idées préconçues.

La petite décision de « changer de porte » pourrait multiplier par deux vos chances d’obtenir la « voiture neuve » dans votre vie.