La probabilité est au cœur de nombreuses technologies modernes, de l’intelligence artificielle à la cryptographie en passant par la statistique. Pourtant, comme l’a souligné le philosophe Bertrand Russell, « la probabilité est le concept le plus important dans la science moderne, surtout parce que personne n’a la moindre idée de ce que cela signifie ». En tant qu’enseignant en statistique à des ingénieurs, je constate que cette notion, bien qu’essentielle, reste contre-intuitive. La probabilité est une branche des mathématiques qui modélise le hasard, c’est-à-dire des événements imprévisibles comme un lancer de pièce, et non des phénomènes étranges, comme un homme en costume de zèbre. Bien qu’on ne puisse pas prédire un événement isolé, la probabilité permet de prévoir des tendances à long terme dans des séries d’expériences répétées. Pour modéliser un phénomène aléatoire, il faut d’abord définir l’espace échantillon, c’est-à-dire l’ensemble des résultats possibles. Dans le cas d’un lancer de pièce, on peut choisir entre deux issues (pile ou face) ou inclure la possibilité de tomber sur le côté, bien que celle-ci soit extrêmement rare. En général, on néglige ce cas pour simplifier. Ensuite, on attribue des probabilités à chaque événement : pour une pièce équilibrée, chaque face a une probabilité de 50 %. Mais cette équivalence suppose des conditions idéales : pas de triche, une pièce non biaisée, et un lancer suffisamment aléatoire. En réalité, des facteurs comme la position initiale ou la technique du lanceur peuvent légèrement influencer le résultat. Pour garantir un lancer équitable, il faut donc choisir aléatoirement la face de départ, puis lancer la pièce. Ces hypothèses forment un modèle probabiliste. On peut aussi tenter d’expliquer le lancer de pièce par la physique : des études montrent que la trajectoire dépend de paramètres précis comme la vitesse de rotation. Mais cette sensibilité aux conditions initiales rend le résultat imprévisible en pratique, ce qui rend le modèle aléatoire parfaitement adapté. La probabilité diffère de la fréquence, qui est le taux d’occurrence observé dans une série finie. Par exemple, obtenir deux piles en huit lancers donne une fréquence de 25 %, même si la probabilité théorique est de 50 %. Seulement à l’infini, fréquence et probabilité convergent. C’est cette convergence qui permet de justifier l’utilisation des probabilités pour prédire des comportements à long terme. Ces principes ont des applications cruciales. Dans les modèles d’intelligence artificielle comme les grands modèles de langage (LLM), chaque mot est prédit selon une probabilité conditionnelle. Le système ne donne pas une réponse unique, mais une suite aléatoire de mots, similaire à une série de lancers de pièce. En cryptographie, la sécurité repose sur l’imprévisibilité : un mot de passe simple, même inhabituel, est facile à deviner. Une meilleure stratégie consiste à choisir des caractères aléatoirement, voire à utiliser un gestionnaire de mots de passe. En statistique, les essais contrôlés randomisés utilisent des lancers de pièce pour attribuer les traitements aux patients. Cette randomisation garantit que les résultats observés sont dus au traitement lui-même, et non à des facteurs comme l’âge ou le sexe. En somme, la probabilité n’est pas une description parfaite du monde, mais un outil puissant pour modéliser l’imprévisibilité et tirer des conclusions fiables à partir de données limitées. Elle est fondamentale pour résoudre des problèmes concrets dans des domaines clés de la science et de la technologie.