Comment trouver la probabilité de A ou B (avec exemples)

Dans l’édifice mathématique de la théorie de la mesure et du calcul des probabilités, l’opération de disjonction — communément résumée par l’expression « A ou B » — constitue l’un des piliers conceptuels les plus cruciaux pour la modélisation formelle du hasard. Dès lors que l’on abandonne le déterminisme laplacien au profit d’une description stochastique du monde, appréhender la survenue conjointe, alternative ou cumulative d’événements aléatoires devient indispensable. Qu’il s’agisse de mesurer la vulnérabilité d’un système financier à deux chocs macroéconomiques distincts, d’évaluer l’efficacité thérapeutique croisée de deux molécules en pharmacologie ou de concevoir des protocoles décisionnels fiables en intelligence artificielle, l’évaluation rigoureuse de la probabilité de l’union d’événements sous-tend l’ensemble de l’inférence statistique contemporaine.

Pourtant, sous l’apparente simplicité de la locution « ou » se dissimule une complexité sémiotique et logique majeure. Dans le langage naturel quotidien, la disjonction est spontanément perçue selon une modalité exclusive : lorsqu’une alternative est proposée, l’intuition humaine tend à postuler que la réalisation d’une option élimine mécaniquement la seconde. Or, dans le cadre axiomatique de la théorie des probabilités moderne — formalisée par Andreï Kolmogorov en 1933 —, le connecteur logique « ou » s’entend impérativement au sens inclusif. Calculer la probabilité de « A ou B » ne consiste pas à évaluer la probabilité que l’un des événements se produise à l’exclusion de l’autre, mais bien à déterminer la probabilité qu’au moins l’un des deux advienne, sans interdire leur simultanéité théorique ou pratique.

Ce traité exhaustif se propose d’explorer en profondeur les fondements théoriques, les mécanismes algébriques, les applications empiriques et les pièges cognitifs inhérents au calcul de la probabilité de l’union de deux événements, notée universellement P(A ∪ B). À travers une démarche pédagogique rigoureuse, articulée autour de dérivations mathématiques précises, d’analyses ensemblistes comparatives et d’exemples détaillés issus des sciences physiques, médicales, comportementales et du jeu, cet article fournit aux étudiants, chercheurs et analystes quantitatifs les outils méthodologiques complets pour déjouer le double comptage, manier le principe d’inclusion-exclusion et structurer des arbres décisionnels infaillibles.

1. Introduction aux fondements théoriques de la probabilité de l’union

1.1 Définition conceptuelle de la disjonction d’événements

Au cœur de l’analyse stochastique, la notion d’événement probabiliste transcende la simple observation empirique pour s’ériger en concept mathématique abstrait. Lorsque l’on s’intéresse à l’occurrence d’un phénomène caractérisé par l’assertion « A ou B », on cherche à quantifier le degré de certitude qu’une expérience aléatoire produise un résultat satisfaisant aux conditions définies par l’événement A, aux conditions définies par l’événement B, ou à ces deux ensembles de conditions conjointement. Il s’agit fondamentalement d’une disjonction logique inclusive, analogue à l’opérateur booléen standardisé.

Cette distinction s’avère indispensable pour pallier les glissements sémantiques inhérents aux langues vernaculaires. Dans la conversation courante, la phrase « nous irons au restaurant ou au cinéma » implique généralement une contrainte d’exclusion réciproque — un budget ou un horaire limité interdisant d’accomplir les deux activités au cours de la même soirée. En mathématiques appliquées, l’acceptation de la disjonction est radicalement différente : la réalisation conjointe des deux événements n’invalide nullement l’énoncé global, elle en constitue au contraire l’une des configurations pleinement valides. Ignorer cette subtilité conduit inévitablement à des contresens méthodologiques majeurs lors de l’attribution de poids probabilistes à des états de la nature incertains.

La modélisation de l’incertitude dans les systèmes d’aide à la décision contemporains — qu’il s’agisse de la régulation de réacteurs nucléaires, de la détection de fraudes bancaires ou du diagnostic assisté par ordinateur — repose précisément sur cette interprétation inclusive. Si un système d’alarme est programmé pour se déclencher lorsqu’une surpression hydraulique (événement A) ou une surchauffe thermique (événement B) est mesurée, l’opérateur de sécurité exige que le dispositif s’active aussi bien si un seul de ces paramètres franchit le seuil critique que si les deux anomalies surviennent en concomitance exacte. La probabilité de mobilisation du protocole d’urgence correspond donc rigoureusement à la mesure probabiliste de cette union inclusive.

1.2 L’espace d’échantillonnage et les sous-ensembles

Pour conférer à cette disjonction une rigueur mathématique incontestable, il est impératif d’ancrer le raisonnement au sein de la structure universelle de l’expérience aléatoire, désignée conventionnellement sous le terme d’univers des possibles et notée Ω (Oméga). Cet univers regroupe l’exhaustivité des issues élémentaires ω, mutuellement exclusives et collectivement exhaustives, susceptibles de résulter de l’expérience considérée. Chaque ω ∈ Ω représente un état fondamental indivisible du système étudié.

Dans ce cadre ensembliste, un événement aléatoire individuel n’est rien d’autre qu’un sous-ensemble mesurable de l’univers Ω, c’est-à-dire un élément d’une tribu (ou σ-algèbre) construite sur Ω. Ainsi, affirmer que l’événement A se produit revient à stipuler que le résultat effectif de l’expérience ω appartient au sous-ensemble A (ω ∈ A). De manière parfaitement symétrique, l’événement B se réalise si et seulement si ω ∈ B. Dès lors, la disjonction conceptuelle « A ou B » trouve sa traduction géométrique et ensembliste directe dans la réunion mathématique de ces deux sous-ensembles, formalisée par A ∪ B.

L’événement composé résultant regroupe l’ensemble des issues ω qui appartiennent à A, qui appartiennent à B, ou qui appartiennent simultanément aux deux ensembles :

A ∪ B = { ω ∈ Ω | ω ∈ A ou ω ∈ B }

Cette formalisation met en lumière la nature profonde de la mesure de probabilité P : une fonctionnelle qui associe à chaque sous-ensemble de la tribu un nombre réel compris dans l’intervalle fermé [0, 1]. Calculer la probabilité de « A ou B » équivaut donc géométriquement à évaluer la masse probabiliste globale contenue à l’intérieur de la frontière délimitée par la réunion spatiale des régions A et B au sein du référentiel universel Ω.

1.3 Pertinence méthodologique en sciences quantitatives et cognitives

La maîtrise opératoire du calcul de l’union probabiliste transcende largement le cadre des exercices académiques abstraits ; elle constitue le socle quantitatif indispensable à la survie opérationnelle des systèmes complexes. En ingénierie de la fiabilité et en analyse quantitative des risques, l’estimation des pannes d’infrastructure dépend structurellement de la probabilité de l’union des modes de défaillance. Si un réseau électrique est considéré en rupture dès lors qu’une ligne de haute tension cède (événement A) ou qu’un transformateur sous-station disjoncte (événement B), la résilience globale du réseau s’apprécie impérativement par le calcul de P(A ∪ B). Une sous-estimation de cette valeur engendre des vulnérabilités catastrophiques face aux aléas environnementaux.

En sciences cognitives et en économie comportementale, l’étude de l’évaluation subjective des probabilités d’union éclaire les mécanismes sous-jacents aux décisions humaines en contexte d’ambiguïté. Comme l’ont démontré les travaux pionniers d’Amos Tversky et Daniel Kahneman documentés dans la littérature de la rationalité décisionnelle, l’esprit humain traite très imparfaitement les probabilités disjonctives. Les décideurs non entraînés oscillent fréquemment entre une sous-estimation systématique de l’union — en négligeant la multiplicité des chemins menant à un dénouement indésirable — et une surestimation naïve induite par une sommation directe ignorant le recoupement des informations redondantes.

Dans le domaine de la psychométrie et du diagnostic catégoriel, la modélisation de l’union s’avère tout aussi déterminante. Lorsqu’un clinicien cherche à évaluer la prévalence d’un trouble psychopathologique caractérisé par la présence soit d’une anxiété généralisée invalidante (critère A), soit d’un épisode dépressif majeur caractérisé (critère B), il doit impérativement maîtriser les lois de probabilité de l’union pour interpréter les scores composites des patients. L’absence d’étalonnage rigoureux tenant compte des corrélations structurelles entre critères conduit inévitablement à des biais de surdiagnostic ou à une allocation inefficiente des ressources thérapeutiques au sein des cohortes épidémiologiques.

2. Notations mathématiques et formalisme ensembliste : P(A ∪ B)

2.1 Formalisme littéral contre formalisme ensembliste

Dans l’enseignement des mathématiques élémentaires, il est courant de voir cohabiter deux registres d’écriture : la formulation linguistique « P(A ou B) » et la notation formaliste « P(A ∪ B) ». Bien que strictement synonymes dans leur acception probabiliste moderne, le recours au symbole d’union ensembliste ∪ (cup) offre une clarté analytique incomparablement supérieure, en éliminant les ambiguïtés polysémiques propres aux idiomes naturels. L’écriture P(A ∪ B) rappelle explicitement que l’opérateur de probabilité s’applique à un objet géométrique abstrait : l’ensemble constitué par l’agrégation spatiale de toutes les issues favorables à l’une, à l’autre, ou aux deux hypothèses.

L’algèbre des événements hérite directement des propriétés formelles fondamentales de la théorie axiomatique des ensembles développée par Georg Cantor et Ernst Zermelo. Parmi ces propriétés, la commutativité garantit que l’ordre des éléments n’altère en rien la probabilité finale du système :

P(A ∪ B) = P(B ∪ A)

De même, l’associativité permet d’agréger successivement de multiples événements sans ambiguïté opératoire quant à l’ordre de regroupement des termes :

P((A ∪ B) ∪ C) = P(A ∪ (B ∪ C)) = P(A ∪ B ∪ C)

Au sens des célèbres axiomes de Kolmogorov, la probabilité est une mesure positive et unitaire, vérifiant P(Ω) = 1 et P(∅) = 0. Appliquée aux unions finies ou dénombrables, l’axiome d’additivité restreinte stipule que la mesure de la réunion d’ensembles qui ne partagent aucun élément commun doit égaler rigoureusement la somme des mesures individuelles attribuées à chacun de ces ensembles. La notation P(A ∪ B) constitue donc l’expression syntaxique irréductible de cette mesure d’espace combiné.

2.2 Compréhension de l’intersection : P(A ∩ B)

Toute tentative d’évaluation rigoureuse de la probabilité d’une union nécessite l’introduction dialectique de son homologue ensembliste immédiat : l’intersection, notée symboliquement A ∩ B (lue « A inter B » ou formulée littéralement « A et B »). Tandis que l’union répond à une logique d’ouverture et d’agrégation permissive (il suffit qu’un critère soit satisfait pour que l’issue soit retenue), l’intersection procède d’un filtrage hautement restrictif. Elle isole la sous-population des issues ω qui satisfont simultanément, sans exception, les conditions stochastiques imposées par A et par B :

A ∩ B = { ω ∈ Ω | ω ∈ A et ω ∈ B }

En termes de quantification probabiliste, la valeur scalaire P(A ∩ B) traduit précisément l’ampleur du chevauchement structurel existant entre les deux événements au sein de l’univers Ω. Si l’on imagine l’espace probabilisé comme une surface finie d’une superficie unitaire égale à 1, P(A ∩ B) quantifie la surface de la zone de superposition géographique où les territoires attribués à A et B coïncident parfaitement.

La valeur de l’intersection est assujettie à des bornes strictes imposées par la monotonie de la mesure de probabilité : elle ne peut en aucun cas excéder la probabilité du plus contraignant des deux événements sous-jacents, ce qui s’exprime par l’inégalité fondamentale 0 ≤ P(A ∩ B) ≤ min(P(A), P(B)). Lorsque cette mesure s’annule rigoureusement — c’est-à-dire lorsque P(A ∩ B) = 0, ou plus fondamentalement sur le plan topologique lorsque A ∩ B = ∅ (l’ensemble vide) —, l’intersection est dite nulle, signifiant qu’il existe une incompatibilité ontologique absolue interdisant la cooccurrence des deux phénomènes lors d’une même expérimentation unitaire.

2.3 Typologie des événements selon leur relation d’interdépendance

L’une des confusions les plus dommageables relevées dans la pratique statistique concerne la distinction entre l’incompatibilité logique (ou exclusion mutuelle) et l’indépendance stochastique. Il s’agit de deux concepts de nature fondamentalement différente qui structurent pourtant de concert les formules de calcul de P(A ∪ B). L’incompatibilité relève d’une impossibilité ensembliste purement géométrique : deux événements sont incompatibles s’ils ne se touchent jamais dans l’espace Ω.

À l’inverse, l’indépendance stochastique n’est nullement une propriété géométrique d’éloignement spatial, mais une relation informationnelle : deux événements sont indépendants lorsque la survenue de l’un n’altère en rien la probabilité que l’autre se réalise. Sur le plan formel, A et B sont dits stochastiquement indépendants si et seulement si leur intersection vérifie le produit de leurs probabilités marginales :

P(A ∩ B) = P(A) × P(B)

Il découle immédiatement de cette définition qu’à l’exception des cas triviaux où l’un des événements est de probabilité nulle ou certaine, deux événements non triviaux ne peuvent jamais être à la fois mutuellement exclusifs et stochastiquement indépendants. En effet, si deux événements sont mutuellement exclusifs, l’information selon laquelle A s’est produit réduit instantanément la probabilité de B à zéro : ils sont donc dans une dépendance informationnelle absolue ! Le tableau synoptique suivant permet de clarifier sans ambiguïté les configurations théoriques possibles :

Relation Ensembliste	Critère Géométrique	Valeur de l’Intersection P(A ∩ B)	Formule de l’Union P(A ∪ B)
Mutuellement Exclusifs (Disjoints)	Aucun chevauchement : A ∩ B = ∅	Strictement égale à 0	P(A) + P(B)
Non Exclusifs & Stochastiquement Indépendants	Superposition partielle sans biais informationnel	P(A) × P(B) > 0	P(A) + P(B) − [P(A) × P(B)]
Non Exclusifs & Dépendants	Superposition corrélée (positivement ou négativement)	P(A) × P(B|A) ≠ P(A)P(B)	P(A) + P(B) − P(A ∩ B)
Sous-ensemble Strict (Inclusion : A ⊆ B)	L’événement A est totalement contenu dans B	P(A ∩ B) = P(A)	P(B)

3. Le principe des événements mutuellement exclusifs (disjoints)

3.1 Définition rigoureuse de l’exclusion mutuelle

Dans la taxonomie du calcul des probabilités, deux événements A et B sont qualifiés de mutuellement exclusifs — ou d’événements disjoints — si leur coexistence au sein d’une seule et même réalisation de l’expérience aléatoire relève de l’impossibilité logique ou physique absolue. Transposée en termes ensemblistes, cette condition s’énonce par la nullité parfaite de leur intersection spatiale : A ∩ B = ∅. Il n’existe aucun point d’échantillonnage élémentaire ω susceptible d’appartenir simultanément à la classe A et à la classe B.

L’application directe des axiomes de la mesure impose alors une conséquence quantitative immédiate et intangible : la probabilité accordée à l’intersection d’événements mutuellement exclusifs est rigoureusement nulle :

P(A ∩ B) = P(∅) = 0

Il importe de souligner que cette exclusion mutuelle découle soit de la structure inhérente de l’expérience (les contraintes matérielles du dispositif expérimental empêchant la double manifestation), soit des définitions linguistiques et taxonomiques adoptées par l’expérimentateur. L’exclusion mutuelle traduit une rupture de symétrie : la confirmation empirique de la réalisation de l’événement A anéantit instantanément et totalement l’éventualité de voir survenir l’événement B au cours de cette même épreuve élémentaire.

3.2 Identification contextuelle des situations disjointes

Savoir discerner intuitivement et formellement une situation d’exclusion mutuelle constitue la première étape d’une modélisation probabiliste sans faille. Ces situations se rencontrent de manière canonique dès lors que l’expérience aléatoire est unitaire, discrète et qu’elle mesure l’état d’un système qui ne peut se stabiliser que dans une seule configuration phénoménologique à la fois.

Considérons à titre d’illustration le lancer unique d’une pièce de monnaie idéale : les événements « Obtenir Pile » et « Obtenir Face » sont rigoureusement disjoints car le système physique est conçu pour exclure toute superposition macroscopique d’états terminaux. De façon identique, lors du tirage aléatoire d’un individu dans un registre d’état civil, les événements « Être né un lundi » et « Être né un jeudi » s’excluent mutuellement en raison du calendrier grégorien qui assigne un jour de la semaine unique à chaque date calendaire. En médecine diagnostique, les états nosologiques mutuellement exclusifs sont fréquents lorsque l’on stratifie les stades d’une maladie : un patient ne peut être simultanément classé au « Stade I tumoral » et au « Stade IV métastatique » selon la classification TNM internationale.

En revanche, dès que l’expérience autorise des mesures multidimensionnelles ou séquentielles sur le même sujet, l’exclusion cesse presque toujours de s’appliquer. Ainsi, lors de l’extraction d’une carte dans un paquet standard, les événements « Tirer un Roi » et « Tirer un As » sont disjoints, mais les événements « Tirer un Roi » et « Tirer un Cœur » cessent d’être mutuellement exclusifs en raison de l’existence objective du Roi de Cœur. La vigilance méthodologique consiste donc à analyser avec minutie si l’espace d’échantillonnage autorise ou interdit la conciliation locale des deux critères d’assignation.

4. La règle spéciale d’addition pour événements mutuellement exclusifs

4.1 Formulation mathématique de la règle

Lorsque deux événements bénéficient de la condition d’exclusion mutuelle, le calcul de la probabilité de leur union est régi par le théorème fondamental connu sous l’appellation de règle spéciale d’addition. Ce principe énonce avec une remarquable élégance que la probabilité que l’événement A ou l’événement B advienne est strictement égale à la somme arithmétique de leurs probabilités respectives :

P(A ∪ B) = P(A) + P(B), sous réserve absolue que A ∩ B = ∅

Cette relation ne constitue pas une simple conjecture empirique ; elle dérive de façon formelle du troisième axiome de Kolmogorov, postulant la σ-additivité des probabilités pour toute famille d’événements disjoints deux à deux. La démonstration repose sur l’additivité de la mesure de Lebesgue ou du dénombrement unitaire sur des ensembles ne présentant aucun point partagé : l’union spatiale de deux domaines disjoints possède une superficie totale égale à la simple addition des superficies partielles.

Cette règle spéciale s’étend par récurrence finie à n’importe quelle séquence de n événements mutuellement exclusifs (A₁, A₂, …, A_n) où A_i ∩ A_j = ∅ pour toute paire d’indices i ≠ j :

P(A₁ ∪ A₂ ∪ … ∪ A_n) = ∑_i=1ⁿ P(A_i)

Cette linéarité parfaite rend le calcul de l’union particulièrement aisé et robuste, éliminant tout besoin d’évaluer des termes correctifs croisés d’interdépendance.

4.2 Vérification des conditions de validité

L’écueil le plus fréquent chez les débutants consiste à appliquer de manière indiscriminée cette règle spéciale d’addition à des événements qui ne sont pas disjoints dans les faits. L’expérimentateur a le devoir méthodologique impérieux de vérifier l’absence intégrale d’intersection préalable avant d’additionner des probabilités individuelles. Si l’on additionne les probabilités de deux événements qui partagent des réalisations communes, la somme arithmétique brute dépasse la véritable valeur d’union et peut même, dans les cas extrêmes, violer l’axiome fondamental d’unitarité en excédant la valeur 1.

Imaginons un analyste évaluant la météo du lendemain : s’il estime à 0,70 la probabilité de survenue de précipitations pluvieuses et à 0,60 la probabilité de rafales de vent violentes, l’addition directe de ces valeurs aboutirait à une absurdité probabiliste : 0,70 + 0,60 = 1,30. L’obtention d’un résultat strictement supérieur à l’unité constitue le révélateur mathématique indiscutable que la condition d’exclusion mutuelle a été transgressée : la pluie et le vent peuvent se produire simultanément (tempête pluvieuse), engendrant un double comptage grossier dans la sommation naïve.

Pour tout calcul impliquant la règle spéciale d’addition, le contrôleur quantitatif doit systématiquement attester la validité de la double condition de cohérence :

• Vérification logique de non-recouvrement : A ∩ B = ∅
• Respect des bornes de probabilité élémentaires : 0 ≤ P(A) + P(B) ≤ 1

4.3 Propriétés complémentaires et partitions de l’espace

Une conséquence remarquable de la règle spéciale d’addition concerne l’algèbre des événements complémentaires (ou événements contraires). Par définition, le complémentaire d’un événement A — noté A^c, ¬A ou encore A barre — représente l’ensemble de toutes les issues de l’univers Ω qui n’appartiennent pas à A. De par cette définition soustractive, il est géométriquement évident que A et A^c n’ont aucun élément commun :

A ∩ A^c = ∅

De surcroît, la réunion d’un événement et de son contraire reconstitue l’intégralité spatiale de l’univers probabiliste :

A ∪ A^c = Ω

En appliquant la règle spéciale d’addition à ce couple canonique d’événements disjoints, on obtient la célèbre relation :

P(A ∪ A^c) = P(A) + P(A^c) = P(Ω) = 1

D’où découle la formule universellement mobilisée du principe de négation : P(A^c) = 1 − P(A). Ce mécanisme s’étend au concept cardinal de partition de l’univers. Une famille d’événements (E₁, E₂, …, E_k) forme une partition de Ω si ces sous-ensembles sont mutuellement exclusifs deux à deux et que leur union globale reconstitue entièrement Ω. Dans cette configuration, la somme exacte de leurs probabilités individuelles est invariablement égale à 1, permettant de décomposer l’analyse d’un système complexe en une sommation discrète de composantes élémentaires étanches.

5. Exemples fondamentaux : Calcul de P(A ∪ B) pour événements exclusifs

5.1 Exemple 1 : Lancer d’un dé équilibré à six faces

Pour illustrer la mise en pratique immaculée de la règle spéciale d’addition, considérons l’épreuve stochastique élémentaire constituée par le jet d’un dé cubique parfait, dont les faces sont numérotées de 1 à 6. L’univers des issues possibles est discrétisé de la manière suivante :

Ω = { 1, 2, 3, 4, 5, 6 }

Le dé étant parfaitement équilibré, la loi de probabilité sous-jacente est une distribution uniforme discrète, octroyant à chaque issue élémentaire une équiprobabilité stricte égale à 1/6. Formulons maintenant le problème suivant : Quelle est la probabilité d’obtenir un résultat égal à 2 ou un résultat égal à 5 lors d’un lancer unique ?

Identifions formellement les événements constitutifs du système :

• Événement A : « Le dé affiche la face 2 » ⇒ A = { 2 }
• Événement B : « Le dé affiche la face 5 » ⇒ B = { 5 }

Étape cruciale de validation de la disjonction : le dé possédant une cinématique stabilisée sur une unique face supérieure, il est impossible qu’un lancer unitaire produise à la fois un 2 et un 5. Dès lors, l’intersection est manifestement vide : A ∩ B = { 2 } ∩ { 5 } = ∅. Nous pouvons légitimement mobiliser la règle spéciale d’addition :

P(A ∪ B) = P(A) + P(B)

Quantifions les probabilités élémentaires :

P(A) = 1/6

P(B) = 1/6

En injectant ces grandeurs scalaires au sein de l’équation d’union :

P(A ∪ B) = 1/6 + 1/6 = 2/6 = 1/3 ≈ 0,3333 (soit 33,33 %)

Le résultat fractionnaire 1/3 traduit exactement le rapport classique défini par Pierre-Simon de Laplace : le nombre de cas favorables à l’union est égal à 2 (les issues {2, 5}) sur un nombre total de cas possibles égal à 6.

5.2 Exemple 2 : Tirage unitaire dans un jeu de 52 cartes

Élevons la dimension combinatoire du problème en examinant le tirage aléatoire à l’aveugle d’une carte unique au sein d’un paquet conventionnel de 52 cartes parfaitement battu. L’univers Ω contient 52 issues équiprobables, chacune possédant une probabilité d’extraction égale à 1/52. Nous formulons la requête stochastique suivante : Quelle est la probabilité d’extraire un As ou un Roi lors de cette tentative ?

Décomposons la question en sous-ensembles spécifiques :

• Événement A : « La carte tirée est un As ». Puisqu’il existe quatre couleurs distinctes (Pique, Cœur, Carreau, Trèfle), le sous-ensemble contient 4 cartes : P(A) = 4/52.
• Événement B : « La carte tirée est un Roi ». De même, le jeu renferme 4 Rois : P(B) = 4/52.

Vérifions scrupuleusement la relation d’exclusion mutuelle : une carte du jeu standard possède une valeur nominale unique. Aucune carte physique n’arbore simultanément le rang d’As et le rang de Roi. Les deux événements sont donc structuralement disjoints : A ∩ B = ∅, entraînant P(A ∩ B) = 0.

L’application de la règle d’addition spéciale procède de manière directe :

P(A ∪ B) = P(A) + P(B) = 4/52 + 4/52 = 8/52

En simplifiant la fraction par leur plus grand commun diviseur (4), nous obtenons :

P(A ∪ B) = 2/13 ≈ 0,1538 (soit 15,38 %)

Ce résultat confirme qu’il y a un peu plus de 15 chances sur 100 de tirer l’une de ces figures d’honneur lors d’une coupe aléatoire du paquet.

5.3 Exemple 3 : Diagnostic catégoriel en psychologie clinique

Considérons maintenant une application concrète issue de la méthodologie d’évaluation psychologique et de la nosographie psychiatrique. Un centre de recherche étudie une cohorte de 500 patients admis pour des troubles thymiques et du comportement. Chaque patient fait l’objet d’une classification diagnostique standardisée exclusive, administrée par un collège d’experts psychiatres suivant le Manuel diagnostique et statistique des troubles mentaux (DSM-5). Les consignes méthodologiques imposent l’assignation du patient à un seul profil de psychopathologie dominante.

Les données épidémiologiques observées au sein du centre d’accueil indiquent les distributions suivantes :

• Groupe 1 : « Trouble dépressif caractérisé » — 175 patients (probabilité empirique P(D) = 175/500 = 0,35)
• Groupe 2 : « Trouble bipolaire de type I » — 75 patients (probabilité empirique P(B) = 75/500 = 0,15)
• Groupe 3 : « Trouble schizo-affectif » — 50 patients (probabilité empirique P(S) = 50/500 = 0,10)
• Groupe 4 : Autres affections psychiatriques ou bilans non conclusifs — 200 patients (probabilité empirique P(Autre) = 200/500 = 0,40)

Un chercheur sélectionne au hasard un dossier médical au sein des archives de la cohorte. Il cherche à déterminer : Quelle est la probabilité que le patient sélectionné présente soit un trouble dépressif caractérisé, soit un trouble bipolaire de type I ?

En vertu du protocole de classification univoque adopté par l’établissement, les catégories D et B sont mutuellement exclusives dans cette étude (D ∩ B = ∅). La règle spéciale d’addition s’impose légitimement :

P(D ∪ B) = P(D) + P(B) = 0,35 + 0,15 = 0,50

La probabilité que le dossier tiré au sort appartienne à l’une de ces deux catégories de troubles de l’humeur majeurs est donc rigoureusement égale à 0,50 (ou exactement 50 %). Cette quantification guide directement l’allocation budgétaire des protocoles d’essais cliniques pharmacologiques au sein du laboratoire.

6. Le principe des événements non mutuellement exclusifs (compatibles)

6.1 Caractérisation des événements avec chevauchement

Dans la complexité du monde physique et des systèmes biologiques ou sociaux, les événements mutuellement exclusifs représentent en réalité une minorité de configurations simplifiées. Très fréquemment, les événements étudiés sont compatibles, ce qui signifie mathématiquement que la survenue de l’un n’interdit nullement celle de l’autre. Leurs sous-ensembles correspondants possèdent un recoupement physique : A ∩ B ≠ ∅.

Dès lors qu’une telle intersection non vide existe, des issues élémentaires de l’univers Ω appartiennent simultanément au domaine délimité par A et au domaine circonscrit par B. Dans un tel contexte, envisager de calculer la probabilité de l’union « A ou B » par la sommation directe P(A) + P(B) engendre un biais de mesure rédhibitoire connu sous le nom de problématique du double comptage. Les éléments stochastiques situés au centre de la zone de superposition sont arbitrairement recensés deux fois : une première fois lors de la sommation des poids probabilistes de A, et une seconde fois lors de l’intégration des poids de B.

Pour restaurer l’intégrité de la mesure probabiliste, il devient impératif de neutraliser cette duplication artificielle. Le traitement mathématique exige une opération de soustraction ciblée visant à éliminer l’excédent créé par l’addition naïve, rétablissant ainsi l’exactitude du dénombrement unitaire sur l’ensemble de l’espace combiné.

6.2 Analyse géométrique du problème du double comptage

La compréhension intuitive de ce phénomène s’éclaire magistralement par l’analyse géométrique plane, telle qu’introduite par John Venn et Leonhard Euler. Considérons une feuille de papier représentant l’espace unitaire Ω. Sur cette feuille, traçons deux figures fermées — par exemple deux disques — qui se chevauchent partiellement : le disque A et le disque B.

L’aire totale recouverte par les deux disques (qui figure l’union A ∪ B) est segmentée en trois régions spatiales distinctes et disjointes :

1. Le croissant oriental représentant la portion de A qui n’appartient pas à B, notée A B (ou A ∩ B^c).
2. Le croissant occidental représentant la portion de B qui n’appartient pas à A, notée B A (ou B ∩ A^c).
3. La lentille centrale commune, résultant de la superposition géométrique des deux disques, correspondant à l’intersection A ∩ B.

Lorsque nous mesurons l’aire totale du premier disque, nous comptabilisons : Aire(A) = Aire(A B) + Aire(A ∩ B). Lorsque nous mesurons l’aire totale du second disque, nous intégrons : Aire(B) = Aire(B A) + Aire(A ∩ B). Si nous procédons à l’addition naïve de ces deux mesures d’aires :

Aire(A) + Aire(B) = Aire(A B) + Aire(B A) + 2 × Aire(A ∩ B)

On constate de manière limpide que la lentille centrale Aire(A ∩ B) est quantifiée à deux reprises. Or, pour obtenir la superficie géométrique exacte de la surface totale couverte sans répétition, nous ne devons intégrer chaque portion d’espace qu’une seule fois. Il est donc mathématiquement indispensable de retrancher une fois la surface de la lentille centrale commune pour obtenir la superficie réelle :

Aire(A ∪ B) = Aire(A) + Aire(B) − Aire(A ∩ B)

Cette décomposition spatiale constitue le fondement géométrique direct et indéboulonnable de la loi générale de probabilité d’union.

7. La règle générale d’addition pour événements quelconques

7.1 Énoncé et dérivation de la formule générale

Transposée de la géométrie ensembliste à la théorie de la mesure de Borel-Kolmogorov, cette déduction conduit au théorème cardinal de la règle générale d’addition, applicable sans restriction à n’importe quel couple d’événements aléatoires — qu’ils soient disjoints ou compatibles, indépendants ou corrélés :

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

Ce théorème représente le cas particulier fondamental pour n = 2 du célèbre principe d’inclusion-exclusion (également connu historiquement sous le nom de formule de Poincaré ou crible de Poincaré-Sylvester). La dérivation rigoureuse s’établit en décomposant l’événement A ∪ B en une réunion de sous-ensembles mutuellement exclusifs deux à deux :

A ∪ B = (A B) ∪ (B A) ∪ (A ∩ B)

Puisque ces trois blocs constituent une partition de l’union, la règle spéciale d’addition d’événements disjoints garantit :

P(A ∪ B) = P(A B) + P(B A) + P(A ∩ B)    (Équation 1)

Parallèlement, nous pouvons décomposer les événements A et B en partitions disjointes élémentaires :

A = (A B) ∪ (A ∩ B) ⇒ P(A) = P(A B) + P(A ∩ B) ⇒ P(A B) = P(A) − P(A ∩ B)

B = (B A) ∪ (A ∩ B) ⇒ P(B) = P(B A) + P(A ∩ B) ⇒ P(B A) = P(B) − P(A ∩ B)

En substituant ces deux expressions reformulées de P(A B) et de P(B A) au sein de l’Équation 1, nous aboutissons immédiatement à :

P(A ∪ B) = [P(A) − P(A ∩ B)] + [P(B) − P(A ∩ B)] + P(A ∩ B)

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

La formule générale est ainsi établie sans aucune hypothèse restrictive sur la dynamique des événements sous-jacents, consacrant son statut de loi universelle du calcul probabiliste.

7.2 Comportement de la formule aux cas limites

La robustesse mathématique d’une équation fondamentale s’éprouve par son comportement lors de son extrapolation à des cas extrêmes ou limites. Examinons comment réagit la règle générale d’addition face aux différentes configurations canoniques de l’espace probabilisé :

Premier cas limite : L’incompatibilité stricte (A ∩ B = ∅)
Lorsque les événements n’ont aucune issue partagée, leur mesure conjointe s’effondre à zéro : P(A ∩ B) = 0. En injectant ce zéro dans la formule générale, nous constatons avec une parfaite cohérence logique que le terme soustractif disparaît :

P(A ∪ B) = P(A) + P(B) − 0 = P(A) + P(B)

La règle spéciale d’addition pour événements mutuellement exclusifs n’est donc pas une loi concurrente, mais simplement un cas particulier dégénéré de la règle générale d’addition.

Second cas limite : L’inclusion ensembliste complète (A ⊆ B)
Supposons que l’événement A soit un sous-ensemble strict de l’événement B (toute réalisation de A entraîne nécessairement celle de B). Dans ce scénario, la zone de chevauchement correspond intégralement à l’espace occupé par A, ce qui se traduit ensemblistement par A ∩ B = A, et donc probabilistement par P(A ∩ B) = P(A). L’application de la règle générale donne alors :

P(A ∪ B) = P(A) + P(B) − P(A) = P(B)

Ce résultat confirme l’intuition : si la réalisation de A est subordonnée à celle de B, l’événement « A ou B » est réalisé dès lors que le grand ensemble englobant B advient. La probabilité de l’union coïncide donc précisément avec la mesure du plus grand ensemble.

Troisième cas limite : La borne de Fréchet-Hoeffding supérieure
La règle générale d’addition protège également les calculs contre les dépassements aberrants. Puisque P(A ∩ B) ≥ max(0, P(A) + P(B) − 1) en vertu des inégalités de Boole-Fréchet, le résultat de la sommation compensée vérifie en toute circonstance la contrainte unitaire :

P(A ∪ B) ≤ 1

7.3 Extension conceptuelle aux événements indépendants

Une confusion particulièrement insidieuse dans la pratique analytique consiste à croire que lorsque deux événements sont qualifiés de stochastiquement indépendants, ils deviennent mutuellement exclusifs et autorisent la simple sommation P(A) + P(B). Cette hypothèse est une aberration formelle majeure. L’indépendance ne signifie nullement l’absence d’intersection, mais garantit au contraire que l’intersection existe et possède une valeur prévisible, égale au produit scalaire des probabilités marginales :

P(A ∩ B) = P(A) × P(B)

En conséquence immédiate, lorsque deux événements A et B sont stochastiquement indépendants, la règle générale d’addition ne se réduit pas à une addition simple, mais adopte la formulation spécifique suivante :

P(A ∪ B) = P(A) + P(B) − [P(A) × P(B)]

Cette équation met en relief le fait qu’il est rigoureusement impossible d’omettre le terme soustractif en situation d’indépendance, sauf si l’un des deux événements est impossible (probabilité 0). Par exemple, si l’on lance deux pièces de monnaie indépendantes et que l’on cherche la probabilité d’obtenir « Pile au premier lancer (A) ou Pile au second lancer (B) », nous avons P(A) = 0,5 et P(B) = 0,5. Si l’on additionnait naïvement ces probabilités, on obtiendrait 0,5 + 0,5 = 1 (certitude absolue). Or, chacun sait qu’il est tout à fait possible d’obtenir un double « Face » ! La règle correcte pour événements indépendants rétablit la réalité empirique :

P(A ∪ B) = 0,5 + 0,5 − (0,5 × 0,5) = 1 − 0,25 = 0,75

Il existe une méthode alternative élégante pour parvenir à ce résultat sans effectuer la soustraction directe : passer par la probabilité de l’événement complémentaire conjoint. En vertu des lois de De Morgan, le contraire de l’union « A ou B » est l’intersection des contraires « ni A, ni B » :

(A ∪ B)^c = A^c ∩ B^c

Si A et B sont indépendants, leurs complémentaires A^c et B^c sont tout aussi indépendants stochastiquement. Nous pouvons dès lors formuler le calcul par la négation :

P(A ∪ B) = 1 − P((A ∪ B)^c) = 1 − P(A^c ∩ B^c) = 1 − [P(A^c) × P(B^c)]

En reprenant l’exemple des deux pièces de monnaie : P(A ∪ B) = 1 − [(1 − 0,5) × (1 − 0,5)] = 1 − [0,5 × 0,5] = 1 − 0,25 = 0,75. Cette formulation complémentaire s’avère particulièrement puissante lorsqu’il s’agit de calculer la probabilité d’une union portant sur un grand nombre d’événements indépendants.

8. Détermination et calcul de l’intersection P(A ∩ B)

8.1 Identification directe à partir des données brutes

Pour mettre en œuvre la règle générale d’addition, le praticien doit préalablement déterminer la valeur exacte du terme d’intersection P(A ∩ B). La voie la plus directe et empirique pour y parvenir consiste à opérer un dénombrement exhaustif sur l’espace d’échantillonnage ou sur un jeu de données observationnelles complet.

Dans un contexte d’équiprobabilité des issues élémentaires au sein d’un univers Ω discret et fini comprenant N issues possibles, le calcul repose sur l’identification du sous-ensemble C = A ∩ B regroupant les individus ou résultats satisfaisant simultanément les deux attributs. La probabilité conjointe découle alors du simple ratio laplacien :

P(A ∩ B) = |A ∩ B| / |Ω| = n_AB / N

où |A ∩ B| désigne le cardinal de l’intersection (le nombre d’éléments communs) et |Ω| le cardinal total de l’espace d’échantillonnage. Cette approche prévaut notamment lors du dépouillement d’enquêtes démographiques, de registres hospitaliers ou d’expériences combinatoires finies. L’analyste se contente de filtrer sa base de données selon le critère booléen combiné (Attribut_A == VRAI) ET (Attribut_B == VRAI), puis de diviser l’effectif obtenu par la taille totale de l’échantillon analysé.

8.2 Calcul par probabilités conditionnelles

Dans la grande majorité des situations d’incertitude concrètes, l’analyste ne dispose pas de l’inventaire unitaire de toutes les issues, mais possède des estimations de probabilités marginales et de probabilités conditionnelles. La théorie des probabilités établit par la règle générale de multiplication la passerelle mathématique rigoureuse reliant l’intersection au concept fondamental de conditionnalité formulé par Thomas Bayes :

P(A ∩ B) = P(A) × P(B|A)

où la notation P(B|A) — lue « probabilité de B sachant A » — représente la probabilité révisée que l’événement B se produise, sachant de manière certaine que l’événement A s’est déjà concrétisé. En raison de la stricte commutativité de l’intersection ensembliste (A ∩ B = B ∩ A), l’équation admet une forme symétrique tout aussi valide :

P(A ∩ B) = P(B) × P(A|B)

Cette formulation conditionnelle s’avère irremplaçable dans les études observationnelles où les événements présentent des corrélations asymétriques. Imaginons par exemple une étude épidémiologique s’intéressant au risque cardiovasculaire. Si l’on sait que la probabilité qu’un individu adulte souffre d’hypertension artérielle (A) est de 0,30, et que parmi les patients hypertendus, la probabilité d’observer un taux de cholestérol élevé (B|A) grimpe à 0,40 en raison de mécanismes métaboliques partagés, le terme d’intersection s’obtient instantanément par multiplication :

P(A ∩ B) = 0,30 × 0,40 = 0,12

L’analyste dispose ainsi de toutes les grandeurs requises pour évaluer l’union P(A ∪ B) au moyen de la règle générale d’addition.

8.3 Erreurs méthodologiques courantes dans l’estimation de l’intersection

L’estimation quantitative de l’intersection constitue sans conteste le point de friction où se concentrent les erreurs méthodologiques les plus sévères de la littérature scientifique appliquée. La première faute majeure réside dans la supposition abusive d’indépendance. Nombre d’analystes, par commodité de calcul ou paresse méthodologique, posent par défaut P(A ∩ B) = P(A) × P(B) sans jamais vérifier empiriquement la validité de cette hypothèse par un test statistique adéquat (tel que le test du chi-carré d’indépendance). Lorsque deux événements sont en réalité positivement corrélés — ce qui est la norme dans les sciences humaines et environnementales —, P(A ∩ B) est substantiellement supérieur au simple produit P(A) × P(B). Présumer de leur indépendance conduit dès lors à sous-estimer la redondance informationnelle, et donc à surestimer l’amplitude réelle de leur union P(A ∪ B).

La seconde aberration conceptuelle consiste à confondre l’intersection avec la probabilité conditionnelle : assimiler P(A ∩ B) à P(B|A). Cette confusion phénoménologique oblitère le dénominateur de référence. Alors que l’intersection P(A ∩ B) mesure la proportion d’individus partageant les deux traits au sein de la population générale (Ω), la conditionnelle P(B|A) évalue cette même proportion restreinte au seul sous-groupe des individus possédant déjà le trait A. Puisque P(A) ≤ 1, nous avons invariablement P(A ∩ B) ≤ P(B|A). Poser l’égalité entre ces deux termes fausse irrémédiablement le calcul d’inclusion-exclusion en soustrayant une valeur excessivement élevée, aboutissant dans certains cas à une sous-estimation dramatique de la probabilité de l’union.

9. Exemples approfondis : Calcul de P(A ∪ B) pour événements non exclusifs

9.1 Exemple 1 : Tirage d’une carte rouge ou d’une figure

Pour matérialiser la mécanique de la règle générale d’addition, développons pas à pas un problème d’école au sein d’un jeu traditionnel de 52 cartes régulier. L’expérience consiste en l’extraction aléatoire d’une seule carte. Nous posons la question probabiliste suivante : Quelle est la probabilité d’extraire une carte de couleur rouge OU une figure royale (Valet, Dame, Roi) ?

Structurons méthodiquement la résolution stochastique :

Étape 1 : Définition des sous-ensembles et calcul des probabilités marginales

• Événement A : « Tirer une carte rouge ». Le paquet contient deux enseignes rouges (Cœur et Carreau) comprenant chacune 13 cartes. L’effectif total est de 26 cartes rouges sur 52 :
  P(A) = 26/52 = 1/2 = 0,50
• Événement B : « Tirer une figure ». Chaque enseigne comporte 3 figures (Valet, Dame, Roi). Il existe 4 enseignes au total (Pique, Cœur, Carreau, Trèfle), soit un effectif de 12 figures :
  P(B) = 12/52 = 3/13 ≈ 0,2308

Étape 2 : Identification et calcul de l’intersection
Les événements A et B sont-ils mutuellement exclusifs ? Non, car il existe dans le jeu des cartes qui possèdent simultanément les deux caractéristiques : ce sont les figures rouges. Identifions-les précisément :

• Figures de Cœur : Valet de Cœur, Dame de Cœur, Roi de Cœur (3 cartes)
• Figures de Carreau : Valet de Carreau, Dame de Carreau, Roi de Carreau (3 cartes)

Il y a donc exactement 6 figures rouges dans le paquet. L’intersection n’est pas vide (|A ∩ B| = 6), et sa mesure de probabilité s’élève à :

P(A ∩ B) = 6/52 = 3/26 ≈ 0,1154

Étape 3 : Application de la règle générale d’addition
Nous mobilisons le principe d’inclusion-exclusion :

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

P(A ∪ B) = 26/52 + 12/52 − 6/52

P(A ∪ B) = (26 + 12 − 6) / 52 = 32/52

En simplifiant la fraction résultante par 4 :

P(A ∪ B) = 8/13 ≈ 0,6154 (soit 61,54 %)

Étape 4 : Vérification par dénombrement empirique direct
Pour valider l’exactitude de notre dérivation formelle, dénombrons manuellement les cartes répondant à l’énoncé sans doublon : nous prenons l’ensemble des 26 cartes rouges. À cet ensemble, nous ajoutons les figures qui n’ont pas encore été comptabilisées, c’est-à-dire les figures noires (Valet, Dame, Roi de Pique et Valet, Dame, Roi de Trèfle, soit 6 cartes). Le nombre total de cartes favorables s’élève à : 26 (rouges) + 6 (figures noires) = 32 cartes. Le rapport 32/52 confirme sans l’ombre d’un doute la validité absolue de la formule d’addition compensée.

9.2 Exemple 2 : Lancer simultané de deux dés réguliers

Complexifions le cadre opératoire en considérant une expérience physique mobilisant le lancer simultané de deux dés cubiques équilibrés à 6 faces, l’un étant teinté en blanc et l’autre en rouge pour garantir la distinction des issues ordonnées. L’univers stochastique Ω est modélisé par le produit cartésien de leurs faces respectives, générant un espace bidimensionnel de couples d’entiers :

Ω = { (d₁, d₂) | d₁ ∈ {1, 2, 3, 4, 5, 6}, d₂ ∈ {1, 2, 3, 4, 5, 6} }

Le nombre total d’issues équiprobables est de |Ω| = 6 × 6 = 36. Chaque couple élémentaire se voit attribuer un poids probabiliste de 1/36. Posons le problème suivant : Quelle est la probabilité d’obtenir au moins un six OU d’obtenir une somme totale de points égale à 8 ?

Étape 1 : Quantification de l’événement A (« Obtenir au moins un six »)
Cet événement regroupe l’ensemble des couples présentant un 6 sur le premier dé, un 6 sur le second dé, ou un 6 sur les deux dés :

• Premier dé égal à 6 : (6,1), (6,2), (6,3), (6,4), (6,5), (6,6) — 6 issues
• Second dé égal à 6 : (1,6), (2,6), (3,6), (4,6), (5,6), (6,6) — 6 issues

Le couple (6,6) figurant dans les deux énumérations, l’effectif unique de A comprend 11 couples. Ainsi :

P(A) = 11/36

Étape 2 : Quantification de l’événement B (« Obtenir une somme égale à 8 »)
Listons de manière exhaustive les couples dont la somme arithmétique d₁ + d₂ vaut rigoureusement 8 :

B = { (2,6), (3,5), (4,4), (5,3), (6,2) }

L’événement B rassemble exactement 5 issues favorables. Donc :

P(B) = 5/36

Étape 3 : Détermination de l’intersection A ∩ B
Recherchons les issues qui satisfont simultanément les deux prédicats : « comporter au moins un 6 » ET « produire une somme égale à 8 ». Par inspection directe du sous-ensemble B, nous constatons que les couples (2,6) et (6,2) possèdent un composant valant 6 tout en totalisant une somme de 8. L’intersection comprend exactement 2 issues :

A ∩ B = { (2,6), (6,2) } ⇒ P(A ∩ B) = 2/36

Étape 4 : Calcul de l’union par la formule générale
Nous appliquons la règle d’inclusion-exclusion :

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

P(A ∪ B) = 11/36 + 5/36 − 2/36 = (11 + 5 − 2) / 36 = 14/36

En simplifiant la fraction résultante par 2 :

P(A ∪ B) = 7/18 ≈ 0,3889 (soit 38,89 %)

Si l’analyste avait commis l’erreur naïve d’omettre la soustraction de la zone de superposition, il aurait calculé 11/36 + 5/36 = 16/36 = 4/9 ≈ 44,44 %, générant une surestimation artificielle de plus de 5,5 points de pourcentage.

9.3 Exemple 3 : Évaluation comportementale et choix multi-attributs

Dans le domaine des sciences décisionnelles et du marketing quantitatif, l’évaluation du comportement du consommateur s’articule autour de choix multi-attributs. Imaginons une étude empirique menée auprès d’un panel représentatif de 1 000 consommateurs soumis au lancement d’une nouvelle plateforme numérique d’apprentissage en ligne. Les chercheurs s’intéressent à deux facteurs déclencheurs de l’adhésion :

• Facteur E (Motivation émotionnelle / design d’interface) : Le consommateur est séduit par l’ergonomie visuelle.
• Facteur U (Motivation utilitaire / fonctionnalités techniques) : Le consommateur juge les outils pédagogiques hautement performants.

Les observations métriques menées sur l’échantillon révèlent que 45 % des répondants manifestent une forte sensibilité au design (P(E) = 0,45) et que 60 % manifestent un intérêt marqué pour les fonctionnalités utilitaires (P(U) = 0,60). De plus, l’analyse croisée des profils indique que parmi les individus séduits par le design, 40 % manifestent également un intérêt élevé pour les fonctionnalités techniques (probabilité conditionnelle P(U|E) = 0,40).

La direction stratégique cherche à quantifier le potentiel de pénétration globale du marché en répondant à la question suivante : Quelle est la probabilité qu’un consommateur sélectionné au hasard soit séduit par le design OU par l’utilité fonctionnelle (c’est-à-dire qu’il active au moins l’un des leviers d’achat) ?

Étape 1 : Calcul de l’intersection empirique via la règle conditionnelle
Les événements n’étant pas indépendants, nous calculons leur intersection au moyen de la multiplication conditionnelle :

P(E ∩ U) = P(E) × P(U|E) = 0,45 × 0,40 = 0,18

Cela signifie que 18 % du marché total présente une double adhésion simultanée (attributs croisés design et utilité).

Étape 2 : Application de la règle générale d’addition
Nous injectons ces données dans le crible d’inclusion-exclusion :

P(E ∪ U) = P(E) + P(U) − P(E ∩ U)

P(E ∪ U) = 0,45 + 0,60 − 0,18 = 0,87

La probabilité qu’un prospect soit capté par l’un ou l’autre de ces arguments de vente atteint exactement 87 %. Notons avec intérêt que si l’analyste avait simplement additionné les deux pourcentages marginaux bruts (45 % + 60 % = 105 %), il aurait obtenu un résultat absurde excédant 100 %, prouvant de manière éclatante l’impossibilité d’ignorer le chevauchement des préférences subjectives.

10. Outils de visualisation et représentations graphiques

10.1 Utilisation des diagrammes de Venn

L’assimilation et la communication des lois de probabilité dépendent largement de la qualité des représentations graphiques mobilisées. Parmi celles-ci, le diagramme de Venn demeure l’instrument didactique par excellence pour modéliser visuellement les interactions d’événements probabilistes.

Dans un diagramme de Venn standardisé, le cadre rectangulaire extérieur symbolise l’intégralité de l’univers probabiliste Ω, dont la surface globale est étalonnée à une valeur normative de 1. Les sous-ensembles d’événements A et B sont figurés par des surfaces fermées — généralement des cercles ou des ellipses. La disposition relative de ces figures géométriques communique instantanément le statut structurel des événements :

• Deux disques totalement disjoints, sans le moindre point de contact spatial, illustrent de manière immédiate une situation d’exclusion mutuelle stricte (A ∩ B = ∅), rendant visuellement limpide la légitimité d’une addition simple de leurs aires.
• Deux disques sécants, qui se chevauchent en délimitant une lentille centrale commune, matérialisent graphiquement le risque de double comptage inhérent aux événements compatibles.

Pour exploiter pleinement la puissance analytique d’un diagramme de Venn, il est recommandé de segmenter l’espace en trois zones distinctes en y inscrivant leurs poids probabilistes marginaux exclusifs : la zone P(A ∩ B^c) (A seul), la zone P(B ∩ A^c) (B seul), et la lentille centrale P(A ∩ B) (l’intersection). Dès lors, le calcul de l’union devient visuellement évident : il suffit d’additionner ces trois grandeurs disjointes sans qu’aucune opération soustractive supplémentaire ne soit requise. Le diagramme de Venn opère ainsi une transformation spatiale d’un problème logique abstrait en une lecture cartographique élémentaire.

10.2 Les tableaux de contingence croisée

Alors que les diagrammes de Venn excellent dans l’explication conceptuelle et qualitative, les tableaux de contingence croisée (ou matrices de confusion à double entrée) s’imposent comme l’outil privilégié de traitement systématique des données quantitatives massives en bio-statistique, épidémiologie et sciences sociales.

Un tableau de contingence croisée structure les effectifs observés ou les probabilités marginales selon deux axes orthogonaux représentant la présence ou l’absence des événements A et B. Dans une telle matrice 2 × 2 probabilisée, chaque cellule intérieure correspond rigoureusement à l’une des intersections fondamentales de l’algèbre de Boole :

Dispositif Croisé	Événement B Présent	Événement B Absent (Bc)	Total Marginal
Événement A Présent	P(A ∩ B) — [Cellule d’intersection]	P(A ∩ Bc)	P(A)
Événement A Absent (Ac)	P(Ac ∩ B)	P(Ac ∩ Bc)	P(Ac)
Total Marginal	P(B)	P(Bc)	1,00

L’utilité méthodologique de cette matrice pour le calcul de l’union P(A ∪ B) est exceptionnelle. Les marges extérieures horizontales et verticales fournissent directement les probabilités globales P(A) et P(B). La cellule située à l’intersection de la première ligne et de la première colonne isole explicitement la valeur exacte de P(A ∩ B). L’analyste peut ainsi exécuter la formule d’addition compensée en prélevant les trois grandeurs requises sans aucun calcul intermédiaire :

P(A ∪ B) = Ligne₁Total + Colonne₁Total − Cellule_(1,1)

Alternativement, le tableau offre une seconde voie de résolution, par sommation directe des cellules mutuellement disjointes composant l’union : Cellule_(1,1) + Cellule_(1,2) + Cellule_(2,1). Cette double voie d’accès élimine tout risque d’erreur arithmétique.

10.3 Les diagrammes en arbre probabilisés

Lorsque les événements aléatoires s’inscrivent dans une séquence chronologique temporelle ou dans une dépendance conditionnelle hiérarchisée, le diagramme en arbre — ou arbre de probabilité — devient la méthode de visualisation prédominante. La construction de l’arbre s’opère par embranchements successifs : un premier nœud de bifurcation divise l’univers selon la réalisation de l’événement A ou de son complémentaire A^c, puis des branches secondaires modélisent l’occurrence de l’événement B sous les probabilités conditionnelles associées P(B|A) et P(B|A^c).

La structure en arbre sépare naturellement l’espace en chemins disjoints menant à des nœuds terminaux mutuellement exclusifs. En vertu du principe de multiplication des probabilités le long d’un chemin, la probabilité d’une trajectoire complète est le produit des branches successives qui la composent. Le calcul de la probabilité de l’événement « A ou B » s’effectue alors avec une rigueur absolue en procédant à la sommation de tous les chemins terminaux satisfaisant la condition d’union :

• Chemin 1 : A → B ⇒ Probabilité = P(A) × P(B|A) = P(A ∩ B)
• Chemin 2 : A → B^c ⇒ Probabilité = P(A) × P(B^c|A) = P(A ∩ B^c)
• Chemin 3 : A^c → B ⇒ Probabilité = P(A^c) × P(B|A^c) = P(A^c ∩ B)

L’événement A ∪ B étant validé dès lors que l’on emprunte le Chemin 1, le Chemin 2 ou le Chemin 3, la probabilité de l’union s’obtient simplement en additionnant ces trois produits terminaux, qui sont par construction mutuellement exclusifs. Cette démarche contourne entièrement la nécessité d’une soustraction compensée ultérieure, car le double comptage est neutralisé en amont par la stratification arborescente des trajectoires élémentaires.

11. Biais cognitifs et écueils psychologiques dans l’évaluation de P(A ou B)

11.1 Le sophisme de la conjonction et la négligence de l’union

Les processus décisionnels humains en situation d’incertitude s’écartent fréquemment de la rationalité bayésienne et du formalisme de Kolmogorov. Les travaux fondamentaux d’Amos Tversky et Daniel Kahneman sur les heuristiques de jugement ont mis en lumière des distorsions systématiques dans la perception intuitive des probabilités composées. L’un des biais les plus célèbres est le sophisme de la conjonction, formalisé initialement à travers le problème de Linda.

Dans cette expérience comportementale emblématique, les sujets considèrent intuitivement qu’il est plus probable qu’un individu satisfasse conjointement deux critères descriptifs stéréotypés (A ∩ B) plutôt que le seul critère générique (A), violant frontalement la loi de monotonie des probabilités qui impose P(A ∩ B) ≤ P(A). Transposé à l’évaluation des unions d’événements, ce mécanisme cognitif engendre ce que les psychologues appellent la négligence de l’union : les décideurs tendent à percevoir la probabilité de l’union P(A ∪ B) comme inférieure à la probabilité de son composant le plus saillant, ou la sous-évaluent massivement par rapport à sa valeur théorique exacte.

Le levier psychologique sous-jacent à cette anomalie réside dans l’heuristique de représentativité. L’esprit humain n’évalue pas les probabilités en additionnant des espaces géométriques d’échantillonnage, mais en comparant le degré de ressemblance narrative entre une situation concrète et un prototype mental préconçu. Lorsqu’on interroge des individus sur la probabilité qu’un sinistre majeur survienne par tremblement de terre OU par inondation, leur esprit convoque successivement l’image mentale d’un séisme puis celle d’une crue, mais échoue à concevoir l’espace combiné des risques cumulés, conduisant à des estimations probabilistes fragmentaires et instables.

11.2 La sous-estimation de la redondance informationnelle

Un travers cognitif symétrique, particulièrement destructeur dans l’analyse de risque professionnel, concerne l’incapacité spontanée à corriger la redondance informationnelle existant entre deux alertes ou menaces concurrentes. Face à deux scénarios défavorables A et B, l’esprit non entraîné applique instinctivement une heuristique additive brute : il additionne les craintes associées à chaque danger en occultant totalement le fait que ces deux menaces partagent les mêmes causes racines ou les mêmes conditions de déclenchement.

Ce dysfonctionnement cognitif engendre une surestimation systématique du risque cumulé lorsque les facteurs de vulnérabilité sont fortement intriqués. Si un gestionnaire de portefeuille évalue le risque de faillite d’une entreprise lié à une crise énergétique (A) à 40 %, et le risque lié à une hausse brutale des taux d’intérêt (B) à 50 %, il aura tendance à percevoir le risque global de faillite comme presque inévitable (en extrapolant mentalement vers 40 % + 50 % = 90 %). Or, si les banques centrales montent leurs taux précisément en réponse aux chocs inflationnistes provoqués par la crise énergétique, l’intersection P(A ∩ B) est particulièrement massive, signifiant que la faillite se produira très majoritairement sous l’effet combiné des deux crises. Le véritable risque global P(A ∪ B) = P(A) + P(B) − P(A ∩ B) sera en réalité bien inférieur aux 90 % craints intuitivement.

Pour neutraliser ces erreurs d’addition naïve, la psychologie cognitive préconise l’adoption de stratégies métacognitives de structuration graphique : forcer le décideur à expliciter systématiquement la nature de l’intersection avant de quantifier l’union, et substituer aux estimations intuitives globales des protocoles de décomposition tabulaire de type contingence croisée.

11.3 Impact dans la prise de décision clinique et juridique

Les conséquences sociétales de ces biais d’évaluation de la probabilité de l’union s’avèrent particulièrement dramatiques dans les cours de justice et les établissements hospitaliers, où des vies humaines dépendent directement de la rigueur de l’inférence probabiliste.

Dans l’arène médico-légale et judiciaire, les cours d’assises sont régulièrement confrontées au sophisme du procureur ou à de graves contresens sur l’accumulation d’éléments à charge alternatifs. Lorsqu’un jury examine deux théories d’accusation alternatives — par exemple : « l’accusé a commis le crime avec préméditation (A) OU il a agi par négligence criminelle délibérée (B) » —, l’appréciation du fardeau de la preuve au-delà de tout doute raisonnable exige une estimation précise de l’union de ces hypothèses culpabilisantes. Si les magistrats additionnent de manière erronée des probabilités associées à des indices circonstanciels qui ne s’excluent pas, ils risquent de gonfler artificiellement la probabilité apparente de culpabilité et de condamner un innocent sur la base d’une illusion mathématique de convergence probatoire.

En médecine d’urgence et en diagnostic différentiel, les cliniciens doivent fréquemment évaluer le pronostic vital d’un patient présentant des symptômes multiples ou des comorbidités croisées. Lorsqu’un praticien cherche à évaluer si un patient risque un arrêt cardiorespiratoire (A) ou un choc septique irréversible (B), sommer les taux de mortalité marginaux de chaque affection sans soustraire le profil des défaillances multiviscérales communes (A ∩ B) biaise drastiquement le pronostic clinique. Une telle distorsion probabiliste conduit soit à des décisions d’acharnement thérapeutique injustifié, soit au découragement prématuré des équipes soignantes face à un risque global perçu à tort comme insurmontable.

12. Synthèse méthodologique : Algorithme décisionnel pour trouver P(A ou B)

12.1 Organigramme étape par étape du calcul

Afin de prémunir les praticiens contre les pièges conceptuels et algorithmiques analysés tout au long de cet ouvrage, nous formalisons ici un protocole décisionnel rigoureux en quatre phases chronologiques, garantissant l’exactitude de tout calcul de la probabilité d’une union stochastique :

Phase 1 : Formalisation et cartographie de l’espace d’échantillonnage
Définir avec une clarté irréprochable l’univers de référence Ω de l’expérience aléatoire. Identifier les prédicats logiques définissant les événements d’intérêt A et B. Isoler leurs sous-ensembles correspondants et vérifier la cohérence des échelles de mesure probabilistes retenues (respect absolu de la condition 0 ≤ P(A) ≤ 1 et 0 ≤ P(B) ≤ 1).

Phase 2 : Test de disjointure et d’exclusion mutuelle
Poser la question fondamentale : Les événements A et B peuvent-ils se réaliser conjointement au cours d’une même expérimentation unitaire ?

• Si la réponse est formellement NON, les événements sont déclarés mutuellement exclusifs (A ∩ B = ∅ ⇒ P(A ∩ B) = 0). Orienter le traitement vers la Phase 3A.
• Si la réponse est OUI (ou en cas d’incertitude préalable), les événements sont déclarés compatibles / non exclusifs (A ∩ B ≠ ∅). Orienter impérativement le traitement vers la Phase 3B.

Phase 3A : Exécution arithmétique pour événements mutuellement exclusifs
Appliquer sans terme correctif la règle spéciale d’addition :

P(A ∪ B) = P(A) + P(B)

Phase 3B : Exécution arithmétique pour événements non mutuellement exclusifs
Déterminer par dénombrement empirique ou calcul conditionnel la mesure du chevauchement structurel P(A ∩ B) :

• Si l’indépendance stochastique est formellement démontrée : P(A ∩ B) = P(A) × P(B)
• En cas de dépendance informationnelle : P(A ∩ B) = P(A) × P(B|A) ou extraction directe depuis un tableau de contingence croisée.

Appliquer ensuite la règle générale d’addition (principe d’inclusion-exclusion) :

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

Phase 4 : Contrôle de cohérence et validation axiomatique
Vérifier scrupuleusement que la valeur finale calculée obéit aux bornes de Kolmogorov :

max(P(A), P(B)) ≤ P(A ∪ B) ≤ min(1, P(A) + P(B))

Si la probabilité finale obtenue est inférieure à P(A) ou P(B), ou si elle dépasse strictement 1, le calcul est mathématiquement vicié : une erreur de signe ou une sous-estimation du terme soustractif s’est produite lors de l’exécution opératoire.

12.2 Tableau récapitulatif des formules et conditions d’application

Le tableau synoptique ci-dessous synthétise de manière exhaustive l’ensemble des formules mathématiques, des conditions structurales d’application et des écueils méthodologiques à maîtriser pour le calcul de la probabilité de l’union :

Configuration des Événements	Formule Algébrique Applicable	Conditions Préalables Indispensables	Piège Fréquent à Éviter
Mutuellement Exclusifs (Disjoints)	P(A ∪ B) = P(A) + P(B)	A ∩ B = ∅ Impossibilité absolue de cooccurrence	Additionner les probabilités d’événements compatibles, provoquant un double comptage non compensé.
Non Exclusifs & Dépendants (Cas Général)	P(A ∪ B) = P(A) + P(B) − P(A ∩ B)	A ∩ B ≠ ∅ Mesure d’intersection connue ou issue de P(A) × P(B|A)	Confondre l’intersection P(A ∩ B) avec la conditionnelle P(B|A) dans la soustraction.
Non Exclusifs & Stochastiquement Indépendants	P(A ∪ B) = P(A) + P(B) − [P(A) × P(B)] ou 1 − [P(Ac) × P(Bc)]	L’occurrence de A ne modifie en rien la probabilité de B : P(B|A) = P(B)	Croire que l’indépendance autorise la simple sommation P(A) + P(B) en ignorant le terme croisé.
Sous-ensemble Strict (Inclusion A ⊆ B)	P(A ∪ B) = P(B)	Tout élément favorable à A est systématiquement favorable à B	Ajouter inutilement P(A) alors que son espace est déjà intégralement contenu dans la mesure de B.

En observant scrupuleusement cet algorithme décisionnel et en mobilisant les représentations graphiques adéquates, l’analyste se dote d’un appareil méthodologique infaillible pour évaluer avec une précision mathématique absolue la probabilité de n’importe quel événement disjonctif dans le champ infini des sciences quantitatives.

Références

• Bar-Hillel, M. (1973). On the subjective probability of compound events. Organizational Behavior and Human Performance, 9(3), 396–406. https://doi.org/10.1016/0030-5073(73)90059-3
• Feller, W. (1968). An introduction to probability theory and its applications (Vol. 1, 3e éd.). John Wiley & Sons.
• Kahneman, D., & Tversky, A. (1982). Variants of uncertainty. Cognition, 11(2), 143–157. https://doi.org/10.1016/0010-0277(82)90023-3
• Kolmogorov, A. N. (1956). Foundations of the theory of probability (N. Morrison, trad. ; 2e éd. angl.). Chelsea Publishing Company. (Ouvrage original publié en allemand en 1933 sous le titre Grundbegriffe der Wahrscheinlichkeitsrechnung).
• Ross, S. M. (2014). A first course in probability (9e éd.). Pearson.
• Tversky, A., & Kahneman, D. (1983). Extensional versus intuitive reasoning: The conjunction fallacy in probability judgment. Psychological Review, 90(4), 293–315. https://doi.org/10.1037/0033-295X.90.4.293
• Venn, J. (1880). On the diagrammatic and mechanical representation of propositions and reasonings. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 10(59), 1–18. https://doi.org/10.1080/14786448008626877
• Wackerly, D. D., Mendenhall, W., & Scheaffer, R. L. (2008). Mathematical statistics with applications (7e éd.). Cengage Learning.