Une procédure formelle de révision des degrés de croyance en une ou plusieurs hypothèses en appliquant le théorème de Bayes : la probabilité a posteriori d'une hypothèse est proportionnelle à sa probabilité a priori multipliée par la vraisemblance des données observées sous cette hypothèse, normalisée par rapport aux hypothèses concurrentes ; sa mise en œuvre requiert une prior explicite et un modèle de vraisemblance.

Principe

Les preuves doivent modifier les crédences en proportion de la mesure dans laquelle les preuves sont plus attendues sous une hypothèse que sous les alternatives (rapport de vraisemblance) : posterior ∝ prior × likelihood, assurant la cohérence probabiliste des mises à jour selon le modèle choisi.

Démonstration

Scénario illustratif — Situation : On suppose a priori que pièce est équilibrée (P(face)=0,5). Reconnaissance : Après avoir observé 8 faces sur 10 lancers, on calcule la vraisemblance sous l'hypothèse d'équilibre versus celle d'un biais. Action : Appliquer le théorème de Bayes avec un prior spécifié sur le biais pour obtenir une distribution a posteriori indiquant une probabilité accrue de biais. Conséquence : La croyance en l'équilibre diminue quantitativement et les décisions ultérieures reflètent ces crédences mises à jour.

Mauvaise application

Considérer les postérieurs comme des faits objectifs sans reconnaître la dépendance aux priors et modèles de vraisemblance subjectifs, ou négliger la mauvaise spécification du modèle, les effets de sélection ou des alternatives non modélisées lors de l'interprétation des probabilités mises à jour.

Conséquence

Fournit un cadre cohérent et quantitatif pour intégrer de nouvelles preuves avec l'information préalable, permettant l'apprentissage séquentiel, la prise de décision sous incertitude et la combinaison raisonnée de données hétérogènes — les résultats restent cependant sensibles aux choix de prior et de modèle.

Inversion

En l'absence d'un prior ou d'un modèle de vraisemblance défendable, ou dans des contextes exigeant des garanties fréquentistes, la mise à jour bayésienne peut être impraticable ou contestée ; de plus, en situations adversariales ou non réplicables, une mise à jour naïve peut induire en erreur.

Limite

Clairement dans : évaluation probabiliste d'hypothèses et intégration séquentielle de preuves lorsque priors et vraisemblances sont spécifiables de façon significative. Cas limite : emploi de priors faibles ou « objectifs » nécessitant des analyses de sensibilité. Clairement hors : affirmations de certitude logique sur des propositions analytiques et contextes où la modélisation probabiliste est inapplicable.

Tension sémantique

Tension avec les méthodes fréquentistes et débats normatifs sur l'objectivité des priors : la cohérence bayésienne assure une rationalité interne tandis que l'approche fréquentiste privilégie des garanties de fréquence à long terme.

Synthèse

La mise à jour bayésienne formalise le déplacement rationnel des crédences face à des preuves compte tenu de choix de modélisation explicites ; elle transforme des relations probables en postérieurs quantitatifs tout en transférant la responsabilité épistémique à la spécification et à la robustesse des priors et des modèles.