Débuts et jeux

L'histoire de la théorie des probabilités commence non pas dans les salles académiques, mais dans les maisons de jeu des 16e et 17e siècles. Jeux de hasard utilisant des dés, cartes, et roulette avait été populaire depuis des millénaires, mais la compréhension mathématique des cotes était pratiquement inexistante. Girolamo Cardano. Dans son travail de 1564 Liber de Ludo Aleae (Livre sur les Jeux de chance), publié posthume en 1663, Cardano définissait la probabilité classique comme le rapport des résultats favorables à des résultats totaux possibles. Il a également introduit le concept de valeur attendue et discuté de la loi de grands nombres de façon informelle.

Malgré les idées de Cardano, le jeu reste un domaine de superstition et d'intuition. Des jeux de dés comme "Hazard" et des jeux de cartes comme Basset et Primero sont populaires parmi les élites européennes, mais aucune théorie formelle n'existe pour calculer des paris justes ou des profits attendus. L'absence d'un cadre mathématique signifie que les joueurs comptent sur l'expérience et la chance. Blaise Pascal et Pierre de Fermat, a jeté les bases de la théorie des probabilités modernes.

Le 17ème siècle: La naissance de la probabilité mathématique

L'échange de Pascal et Fermat en 1654 est souvent considéré comme la naissance de la théorie des probabilités. Leur correspondance a été provoquée par le « problème des points » (aussi connu comme le problème de division), qui avait été posé par le joueur et le mathématicien Antoine Gombaud, le Chevalier de Méré. Le problème : si un jeu de hasard est interrompu avant son achèvement, comment les enjeux devraient-ils être assez divisés entre les joueurs en fonction de leurs positions actuelles ? Pascal et Fermat ont résolu cela en développant le concept de valeur attendue et en utilisant le raisonnement combinatoire. Leur solution a implicitement introduit l'idée de probabilité comme mesure de probabilité et a démontré comment le calculer en comptant les résultats favorables.

Peu après, le mathématicien néerlandais Christiaan Huygens visite de Paris, connaissance de la correspondance Pascal-Fermat, et en 1657 publié De Ratiocinis en Ludo Aleae Le traité de Huygens fut le premier ouvrage publié sur la théorie des probabilités. Il étendit les idées de Pascal et Fermat, introduisit le concept d'attente et fournissait un cadre systématique pour résoudre les problèmes de jeu. Le travail de Huygens influença les mathématiciens ultérieurs et servit de texte standard pendant plus d'un demi-siècle. À la fin du 17ème siècle, la probabilité était apparue comme une discipline mathématique légitime, mais étroitement liée aux jeux de hasard.

Le 18ème siècle : formalisation et loi des grands nombres

Jacob Bernoulli et Ars Conjectandi

Au XVIIIe siècle, la théorie des probabilités a dépassé les jeux d'argent pour se généraliser. Jacob Bernoulli. Son travail posthume publié Ars Conjectandi (L'Art de la conjecture, 1713) est un jalon dans l'histoire de la probabilité. Bernoulli forma de nombreuses idées antérieures et introduit la Loi des grands nombres, qui indique que, à mesure que le nombre d'essais augmente, la moyenne de l'échantillon converge vers la valeur attendue. Il a utilisé la métaphore d'une urne contenant des boules blanches et noires pour illustrer comment l'échantillonnage répété donne la proportion réelle.

De Moivre et la distribution normale

Une autre contribution majeure est venue du mathématicien français Abraham de Moivre, qui travaillait à Londres. Dans son livre de 1718 La doctrine des chances, de Moivre a développé la théorie des probabilités et a dérivé la formule pour la distribution normale (plus tard connue comme la distribution gaussienne). Il l'a utilisé pour approximativement les probabilités binomiales, particulièrement pour un grand nombre d'essais. Valeur escomptée Son travail précédait le théorème de la limite centrale, bien qu'une preuve complète attende le 19ème siècle. Au milieu du siècle, la théorie des probabilités était devenue un outil pour l'assurance, les rentes et la démographie.

Le XIXe siècle : Laplace et la théorie classique

Pierre-Simon Laplace , Synthèse

Le XIXe siècle est dominé par Pierre-Simon Laplace, qui systématisé et élargi la théorie des probabilités dans son travail monumental Théorie Analytique des Probabilités (1812). Laplace construit sur les travaux de Bernoulli, de Moivre et Bayes (Thomas Bayes a publié son essai sur la "probabilité inverse" en 1763). Laplace a donné la première preuve générale du théorème de la limite centrale, introduit des fonctions génératrices, et appliqué la probabilité à la mécanique céleste, la théorie de l'estimation, et l'espérance de vie. attente mathématique et développé la méthode des moindres carrés, cruciale pour l'analyse des observations astronomiques.

Inférence bayésienne et Gauss

Le théorème de Bayes, nommé d'après Thomas Bayes, a été affiné par Laplace et est devenu un outil fondamental pour mettre à jour les probabilités basées sur des preuves. Le théorème exprime la probabilité conditionnelle d'un événement donné des connaissances préalables et de nouvelles données. Laplace l'a largement utilisé dans son travail astronomique et statistique. Carl Friedrich Gauss Les travaux de Gauss ont solidifié le rôle de la probabilité dans l'analyse des erreurs et la théorie de la mesure. À la fin du XIXe siècle, la probabilité avait des applications en physique (théorie kinetique des gaz), en biologie (génétique mendélienne au tournant du siècle) et en sciences sociales (statistique).

Cependant, la fondation est restée quelque peu ad hoc, en s'appuyant sur des notions intuitives de résultats tout aussi probables et de répétabilité infinie.

Le XXe siècle : Fondations axiomatiques et probabilités modernes

Kolmogorov , les axiomes

Le 20ème siècle a apporté une base axiomatique rigoureuse à la théorie de probabilité. Alors que les mathématiciens plus tôt comme Richard von Mises et Émile Borel avaient essayé de baser la probabilité sur la théorie de fréquence ou de mesure, il était Andrey Kolmogorov qui a obtenu la formulation définitive. Dans sa monographie de 1933 Grundbegriffe der Wahrscheinlichkeitsrechnung (Fondations de la théorie de la probabilité), Kolmogorov a présenté un ensemble d'axiomes qui définissaient la probabilité comme une mesure sur un ensemble de résultats (un espace d'échantillonnage), satisfaisant trois conditions simples: non-négativité, normalisation, et addittivité comptable. Cette probabilité encadrée comme une branche de la théorie de mesure et a permis d'appliquer les outils de l'analyse réelle.

Les processus stochastiques et l'élévation de la probabilité moderne

Avec une base axiomatique solide, la théorie des probabilités s'est rapidement développée en processus stochastiques. Au début du 20ème siècle, Andrey Markov introduisit des chaînes Markov, décrivant les systèmes qui permettent de faire la transition entre les états dont les probabilités dépendent uniquement de l'état actuel. Norbert Wiener a développé la théorie mathématique du mouvement brownien, conduisant au processus Wiener et calcul stochastique. Paul Lévy Au milieu du siècle, la probabilité était intégrée à la théorie de l'information (Claude Shannon), à la théorie de la queue, à l'ingénierie de la fiabilité et à l'économétrie.

Connexions à d'autres champs

La théorie de la probabilité s'est aussi entrecoupée avec la mécanique statistique, la mécanique quantique et la finance mathématique. Louis Bachelier appliqué Brownian motion pour modéliser les prix des actions dans sa thèse de doctorat, jetant les bases pour le modèle Black-Scholes des décennies plus tard. Le cadre mathématique de la probabilité de mesure-théorique a permis le développement de l'attente conditionnelle et la théorie de la martingale, pionnier par Joseph Doob Ces outils sont devenus essentiels pour les mathématiques financières modernes et la gestion des risques.

Applications modernes et développements continus

Aujourd'hui, la théorie des probabilités est fondamentale pour pratiquement tous les domaines quantitatifs. l'apprentissage automatique et l'intelligence artificielle, des modèles probabilistes tels que les réseaux bayésiens, les modèles Markov cachés et les processus gaussiens permettent le raisonnement sous l'incertitude. Sciences des données La probabilité de l'essai d'hypothèse, des intervalles de confiance et de la modélisation prédictive est mise en jeu. financement, le prix des options, l'optimisation du portefeuille et l'analyse des risques dépendent du calcul stochastique et des simulations probabilistes. Mécanique quantique utilise intrinsèquement les probabilités pour décrire le comportement des particules. Évaluation des risques en génie, en assurance et en santé publique utilise la probabilité de modéliser des événements rares et des taux d'échec.

Parmi les faits nouveaux récents, on peut citer la montée en puissance de programmation probabiliste les langues (p. ex. Stan, Pyro) qui automatisent l'inférence bayésienne et l'application de la probabilité à Inférence causale La théorie des probabilités quantiques étend la probabilité classique aux structures non-commutatives, tandis que la théorie de l'information algorithmique relie la probabilité au hasard et à la complexité computationnelle. L'évolution des jeux de dés à ces cadres sophistiqués souligne la puissance durable de la probabilité de quantifier et de gérer l'incertitude.

Pour plus de détails, explorez la Stanford Encyclopédie de la philosophie entrée sur l'histoire de la probabilité, les Aperçu de l'Encyclopédie britannique, ou le texte classique "Probabilité classique dans les Lumières" par Lorraine Daston- Oui.