Guide Ultime de Probabilités
Théorie, Combinatoire et Lois Usuelles
Synthèse complète avec exemples et méthodes de résolution
19 janvier 2026
1
Table des matières
1 Outils de Comptage : L’Analyse Combinatoire 3
1.1 Le Principe Fondamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Les 3 Outils Magiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Exemples Détaillés et Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Les Fondamentaux : Vocabulaire et Ensembles 5
2.1 L’Univers et les Événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Traduction : Français → Maths . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Exemples Détaillés et Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Formules de Calcul de Base 6
3.1 Exemples Détaillés et Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4 Probabilités Conditionnelles et Arbres 7
4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.2 Théorème des Probabilités Totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.3 Théorème de Bayes (Retour vers le futur) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.4 Exemples Détaillés et Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5 Variables Aléatoires Discrètes 9
5.1 Loi de Probabilité et Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5.2 Variance et Écart-Type (Le Risque) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5.3 Exemples Détaillés et Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6 Lois Usuelles Discrètes : Bernoulli et Binomiale 11
6.1 Épreuve de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
6.2 Loi Binomiale B(n, p) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
6.3 Exemples Détaillés et Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
7 Variables à Densité (Lois Continues) 13
7.1 Notion de Densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
7.2 Loi Normale N (µ, σ 2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
7.3 Exemples Détaillés et Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
8 SYNTHÈSE : ALGORITHME DE DÉCISION POUR ROBOT 14
8.1 ALGORITHME 1 : Problème de Dénombrement . . . . . . . . . . . . . . . . . . . . . . . . 14
8.2 ALGORITHME 2 : Problème de Probabilité Simple . . . . . . . . . . . . . . . . . . . . . . . 15
8.3 ALGORITHME 3 : Problème de Probabilité Conditionnelle . . . . . . . . . . . . . . . . . . 15
8.4 ALGORITHME 4 : Reconnaissance de la Loi Binomiale . . . . . . . . . . . . . . . . . . . . 16
8.5 ALGORITHME 5 : Problème de Loi Normale . . . . . . . . . . . . . . . . . . . . . . . . . . 16
8.6 ALGORITHME 6 : Choix entre les Formules Principales . . . . . . . . . . . . . . . . . . . . 17
8.7 Résumé des Formules pour le Robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
9 ANNEXE : Fiche Mémo Rapide 18
9.1 Les 5 Questions Essentielles à se Poser . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
9.2 Les 3 Erreurs les Plus Fréquentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
9.3 Liste de Contrôle Avant de Rendre un Devoir . . . . . . . . . . . . . . . . . . . . . . . . . 19
2
1 Outils de Comptage : L’Analyse Combinatoire
Avant de calculer des chances, il faut savoir compter les cas possibles. C’est l’étape 0 souvent oubliée.
1.1 Le Principe Fondamental
Si une expérience a n issues et une autre m issues, le nombre total d’issues combinées est n × m. C’est
l’arbre de dénombrement.
1.2 Les 3 Outils Magiques
Pour choisir une formule, posez-vous deux questions :
1. L’Ordre compte-t-il ? (Tiercé, Code PIN vs Main de poker, Loto)
2. Répétition possible ? (Remise vs Sans remise)
1. Permutations (n!) : On mélange tous les éléments. L’ordre compte.
Pn = n! = n × (n − 1) × ... × 1
Exemple : Anagrammes, ordre d’arrivée de tous les coureurs.
2. Arrangements (Akn ) : On choisit k éléments parmi n, l’ordre compte, pas de répétition.
n!
Akn =
(n − k)!
Exemple : Podium (Or, Argent, Bronze) dans une course de 10 personnes.
3. Combinaisons (Cnk ou nk ) : On choisit k éléments parmi n, l’ordre NE compte PAS. C’est la
formule la plus utilisée en probabilités.
k n n!
Cn = =
k k!(n − k)!
Exemple : Choisir un comité de 3 personnes, une main de cartes au Poker.
METHODE FLASH : Quelle formule choisir ?
- ”Tirage successif sans remise” (ou classement) → Arrangement (Ordre important).
- ”Tirage simultané” (ou poignée de main, équipe) → Combinaison (Ordre pas important).
- ”Anagramme” ou ”Ranger tout le monde” → Permutation (Factorielle).
1.3 Exemples Détaillés et Correction
EXEMPLE Exemple 1 : Le code PIN
Combien y a-t-il de codes PIN possibles à 4 chiffres ?
Analyse du problème :
- Chaque position peut contenir 10 chiffres (0 à 9)
3
- L’ordre compte (1234 6= 4321)
- Répétition autorisée (1122 est valide)
Calcul : 10 × 10 × 10 × 10 = 104 = 10000 codes possibles.
CORRECTION : Comment corriger ce type d’exercice
1. Identifier la nature du tirage : Est-ce que l’ordre compte ? Est-ce que les éléments
peuvent se répéter ?
2. Choisir la formule :
- Ordre + Répétition = nk (puissance)
n!
- Ordre + Pas de répétition = Akn = (n−k)!
n
- Pas d’ordre + Pas de répétition = Cnk =
k
3. Vérifier : Le résultat est-il cohérent ? Un code PIN avec 4 chiffres doit avoir entre 104 et
100000 possibilités.
EXEMPLE Exemple 2 : Le comité directeur
Dans une entreprise de 20 personnes, on doit choisir un comité de 3 directeurs. Combien de
comités différents sont possibles ?
Solution : L’ordre ne compte pas (un comité {Alice, Bob, Charlie} est identique à {Bob, Alice, Char-
lie}), pas de répétition (une personne ne peut pas être choisie deux fois).
3 20 20! 20 × 19 × 18
C20 = = = = 1140
3 3!(20 − 3)! 3×2×1
CORRECTION : Correction de l’exemple 2
1. Identifier les paramètres : n = 20 personnes, k = 3 à choisir
2. Vérifier les conditions :
- Ordre ? NON → Combinaison
- Répétition ? NON → On divise par k!
20×19×18
3. Calculer : 6 = 1140
4. Contrôle : Si on avait utilisé l’arrangement : 20×19×18 = 6840, puis on divise par 3! = 6,
on retrouve bien 1140.
EXEMPLE Exemple 3 : Le podium de la victoire
8 chevaux participent à une course. Combien de podiums (1er, 2ème, 3ème) différents sont
possibles ?
Solution : L’ordre compte (le 1er est différent du 2ème), pas de répétition (un cheval ne peut pas
être à deux places).
8!
A38 = = 8 × 7 × 6 = 336
(8 − 3)!
4
VULGARISATION : Pourquoi l’ordre compte-t-il dans un podium ?
Imaginez que vous ayez 3 places sur un podium. Pour la première place, vous pouvez mettre
n’importe lequel des 8 chevaux. Une fois le premier choisi, il reste 7 chevaux pour la deuxième
place. Ensuite, 6 chevaux pour la troisième place. Multipliez : 8 × 7 × 6 = 336. C’est comme
remplir des tiroirs : chaque choix réduit les possibilités pour le suivant !
2 Les Fondamentaux : Vocabulaire et Ensembles
2.1 L’Univers et les Événements
- Univers (Ω) : Ensemble de tous les résultats possibles.
- Équiprobabilité : Quand chaque issue a la même chance (ex: dé non truqué).
Nombre de cas favorables
P (A) =
Nombre de cas possibles (Cardinal de Ω)
2.2 Traduction : Français → Maths
- A ∩ B (”A ET B”) : Les deux en même temps.
- A ∪ B (”A OU B”) : Au moins l’un des deux.
- Ā (”NON A”) : L’événement contraire.
2.3 Exemples Détaillés et Correction
EXEMPLE Exemple 1 : Lancer de dé classique
On lance un dé à 6 faces. Quelle est la probabilité d’obtenir un nombre pair ?
Solution :
- Ω = {1, 2, 3, 4, 5, 6} donc |Ω| = 6
- A = {2, 4, 6} donc |A| = 3
3
- P (A) = 6 = 0.5 ou 50%
CORRECTION : Correction du lancer de dé
1. Définir l’univers : Lister TOUS les résultats possibles (1, 2, 3, 4, 5, 6)
2. Identifier l’événement : Les nombres pairs (2, 4, 6)
3. Compter : 3 cas favorables sur 6 possibles
3 1
4. Calculer : Fraction 6 = 2
5. Vérifier : La probabilité est-elle entre 0 et 1 ? OUI. Est-elle cohérente ? OUI (la moitié des
faces sont paires).
5
EXEMPLE Exemple 2 : Le roi de pique
On tire une carte d’un jeu de 52 cartes. Quelle est la probabilité d’obtenir le roi de pique ?
Solution :
- |Ω| = 52 (52 cartes dans le jeu)
- Cas favorables : 1 seul roi de pique
1
- P (roi de pique) = 52
EXEMPLE Exemple 3 : Probabilité d’un événement union
On lance deux dés. Quelle est la probabilité d’obtenir un total de 7 OU un double ?
Solution :
- A : ”total = 7” → (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) donc |A| = 6
- B : ”double” → (1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (6, 6) donc |B| = 6
- A ∩ B : ”total = 7 ET double” → IMPOSSIBLE donc |A ∩ B| = 0
- |A ∪ B| = 6 + 6 − 0 = 12
12 1
- P (A ∪ B) = 36 = 3
VULGARISATION : L’événement ”OU” en probabilités
Imaginez que vous ayez deux photocopieuses. Si vous voulez photocopier un document avec
l’une OU l’autre, vous utilisez l’UNION. Mais attention : si les deux photocopieuses peuvent pro-
duire le même résultat (comme avoir un total de 7 ET être un double, ce qui est impossible ici), il
ne faut pas compter deux fois le même document ! C’est pourquoi on soustrait l’intersection. Le
”OU” des probabilités est un ”OU inclusif” : il compte les deux événements ET leur intersection.
3 Formules de Calcul de Base
Formule de l’Union (La Star)
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
Formule du Complémentaire
P (Ā) = 1 − P (A)
METHODE FLASH : Réflexe Calcul
Si on vous demande P (A ∪ B), vérifiez toujours si A et B sont disjoints (incompatibles).
- Si Incompatibles (A ∩ B = ∅) → On additionne juste.
- Sinon → On soustrait l’intersection pour ne pas la compter deux fois.
6
3.1 Exemples Détaillés et Correction
EXEMPLE Exemple : La carte rouge ou un as
On tire une carte d’un jeu de 52. Probabilité d’obtenir une carte rouge OU un as ?
Solution :
- A : ”carte rouge” → 26 cartes (cœur + carreau)
- B : ”as” → 4 as
- A ∩ B : ”as rouge” → 2 as (as de cœur, as de carreau)
26 4 2 28 7
- P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 52 + 52 − 52 = 52 = 13
Vérification alternative : Cartes rouges (26) + As noirs (2) = 28 cartes sur 52.
CORRECTION : Correction de l’exemple
1. Identifier les événements : A = rouge, B = as
2. Calculer chaque probabilité : P (A) = 26/52, P (B) = 4/52
3. Trouver l’intersection : As qui sont aussi rouges = 2
4. Appliquer la formule : Additionner puis soustraire l’intersection
28 7
5. Simplifier : 52 = 13
6. Contrôle par comptage : 26 rouges + 2 as noirs = 28 cartes → même résultat !
VULGARISATION : Pourquoi soustraire l’intersection ?
Imaginez que vous comptiez les élèves qui aiment le football (26) puis ceux qui aiment le basket
(18). Vous dites ”44 élèves”. Mais vous avez compté deux fois ceux qui aiment les deux sports
! Pour ne pas se tromper, il faut retirer ces élèves comptés en double. C’est exactement ce que
fait la formule : on ajoute, puis on retire l’intersection. Comme si on disait ”26 + 18 - les fans
des deux sports”.
4 Probabilités Conditionnelles et Arbres
4.1 Définition
Probabilité de A sachant B (univers restreint à B).
P (A ∩ B)
P (A|B) = ⇐⇒ P (A ∩ B) = P (B) × P (A|B)
P (B)
4.2 Théorème des Probabilités Totales
Pour calculer la probabilité d’un événement B qui se trouve au bout de plusieurs branches d’un arbre
:
P (B) = P (A ∩ B) + P (Ā ∩ B)
On additionne toutes les branches qui mènent à B.
7
4.3 Théorème de Bayes (Retour vers le futur)
On cherche la probabilité de la ”cause” sachant ”l’effet”.
P (A ∩ B) P (A) × P (B|A)
P (A|B) = =
P (B) P (B)
MICRO-RÉSUMÉ
Indépendance vs Incompatibilité :
- Incompatibles : Ne peuvent pas arriver en même temps (A ∩ B = ∅).
- Indépendants : L’un n’influence pas l’autre (P (A ∩ B) = P (A) × P (B)).
4.4 Exemples Détaillés et Correction
EXEMPLE Exemple 1 : Les urnes et les boules colorées
Une urne contient 5 boules rouges et 3 boules bleues. On tire successivement 2 boules sans
remise. Quelle est la probabilité d’obtenir deux boules rouges ?
Solution par arbre :
5
- P (1ère rouge) = 8
4
- P (2ème rouge | 1ère rouge) = 7
5 4 20 5
- P (2 rouges) = 8 × 7 = 56 = 14
CORRECTION : Correction de l’exemple des urnes
1. Dessiner l’arbre mentalement : Première branche (R ou B), puis deuxième branche
2. Identifier les probabilités conditionnelles :
4
- Après une rouge, il reste 7 boules dont 4 rouges → P (R2 |R1 ) = 7
3. Multiplier sur une branche : P (R1 ∩ R2 ) = P (R1 ) × P (R2 |R1 )
5 4 20 5
4. Calculer : 8 × 7 = 56 = 14
5. Vérifier : Le résultat doit être plus petit qu’un tirage avec remise car on enlève des boules.
EXEMPLE Exemple 2 : Le test médical (Théorème de Bayes)
Un test médical détecte une maladie avec :
- Sensibilité : P (test+|malade) = 0.99
- Spécificité : P (test-|sain) = 0.95
- Prévalence : P (malade) = 0.01
Si un patient teste positif, quelle est la probabilité qu’il soit malade ?
Solution :
8
- P (T + ) = P (M ) × P (T + |M ) + P (M̄ ) × P (T + |M̄ )
- P (T + ) = 0.01 × 0.99 + 0.99 × 0.05 = 0.0099 + 0.0495 = 0.0594
P (M ∩T + ) 0.01×0.99 0.0099
- P (M |T + ) = P (T + )
= 0.0594 = 0.0594 ≈ 0.167
CORRECTION : Correction du test médical
1. Identifier les données :
- P (M ) = 0.01, P (M̄ ) = 0.99
- P (T + |M ) = 0.99, P (T + |M̄ ) = 1 − 0.95 = 0.05
2. Calculer P (T + ) par probabilités totales : Somme des deux cas qui donnent test+
P (M )×P (T + |M )
3. Appliquer Bayes : P (T + )
4. Résultat : Environ 16.7% (contre-intuitif mais correct !)
5. Interprétation : Même avec un test positif, il y a 83% de chances d’être sain car la maladie
est rare.
5 Variables Aléatoires Discrètes
On associe un nombre réel X (gain, perte, note) à chaque issue.
5.1 Loi de Probabilité et Espérance
1. Loi de probabilité : Tableau listant les xi et les P (X = xi ). La somme doit faire 1.
2. Espérance E(X) : La moyenne théorique sur le long terme.
X
E(X) = xi · P (X = xi )
i
5.2 Variance et Écart-Type (Le Risque)
L’espérance donne la moyenne, mais l’écart-type donne la dispersion (le risque du jeu).
Variance et Écart-Type
V (X) = E(X 2 ) − (E(X))2
p
σ(X) = V (X)
Plus σ(X) est grand, plus les résultats sont instables/risqués.
9
5.3 Exemples Détaillés et Correction
EXEMPLE Exemple 1 : Le jeu de la roulette simplifiée
Un jeu coûte 5€ pour jouer. On lance un dé :
- Si 6 : on gagne 30€
- Sinon : on ne gagne rien
Quelle est l’espérance de gain net ?
Solution :
(
30 − 5 = 25 si 6
- X = gain net = gain - mise =
0 − 5 = −5 sinon
- P (X = 25) = 16 , P (X = −5) = 5
6
1 5 25 25
- E(X) = 25 × 6 + (−5) × 6 = 6 − 6 =0
CORRECTION : Correction de l’exemple de roulette
1. Définir la variable aléatoire : X = gain net = gain - mise
2. Établir la loi de probabilité :
- x1 = 25€ avec probabilité 1/6
- x2 = −5€ avec probabilité 5/6
3. Calculer l’espérance : Somme de chaque valeur × sa probabilité
4. Interpréter : E(X) = 0 signifie que le jeu est ”juste”, ni avantageux ni désavantageux
sur le long terme.
EXEMPLE Exemple 2 : Variance d’un jeu
Calculer la variance et l’écart-type du jeu précédent.
Solution :
- E(X) = 0
1 5 1 5 625+125 750
- E(X 2 ) = 252 × 6 + (−5)2 × 6 = 625 × 6 + 25 × 6 = 6 = 6 = 125
- V (X) = E(X 2 ) − (E(X))2 = 125 − 02 = 125
√
- σ(X) = 125 ≈ 11.18
VULGARISATION : Espérance vs Variance
L’espérance, c’est votre moyenne de gain si vous jouiez des millions de fois. La variance, c’est à
quel point vos gains varient autour de cette moyenne. Un jeu avec E(X) = 0 et σ(X) grand est
”juste” en moyenne mais très risqué (vous pouvez perdre beaucoup ou gagner beaucoup). Un
jeu avec E(X) négative et σ(X) petit est un mauvais jeu mais prévisible. C’est comme compa-
rer deux emplois : un salaire moyen élevé avec beaucoup de variation contre un salaire plus
modeste mais stable.
10
6 Lois Usuelles Discrètes : Bernoulli et Binomiale
6.1 Épreuve de Bernoulli
Une expérience avec seulement 2 issues : Succès (p) et Échec (1 − p).
6.2 Loi Binomiale B(n, p)
On répète n fois la même épreuve de Bernoulli de façon indépendante. X compte le nombre de
succès.
Formule de la Loi Binomiale
Pour obtenir exactement k succès parmi n essais :
n
P (X = k) = · pk · (1 − p)n−k
k
- Espérance : E(X) = n · p
- Variance : V (X) = n · p · (1 − p)
METHODE FLASH : Reconnaître la Loi Binomiale
Cherchez 3 indices dans l’énoncé :
1. On répète une expérience identique.
2. Il n’y a que 2 issues (Succès/Échec).
3. Les tirages sont indépendants (avec remise ou population infinie).
6.3 Exemples Détaillés et Correction
EXEMPLE Exemple 1 : Le tireur à l’arc
Un archer tire 10 flèches sur une cible. La probabilité de toucher est p = 0.7 pour chaque tir
(indépendamment). Quelle est la probabilité de toucher exactement 7 fois ?
Solution :
- n = 10 tirs, p = 0.7, k = 7 succès
- P (X = 7) = 10 7 3
7 × 0.7 × 0.3
- 10 10
7 = 3 = 120
- P (X = 7) = 120 × 0.77 × 0.33 = 120 × 0.0823543 × 0.027 ≈ 0.267
11
CORRECTION : Correction de l’exemple de l’archer
1. Vérifier les conditions binomiales :
- 10 répétitions identiques ? OUI
- 2 issues (toucher/pas toucher) ? OUI
- Indépendance ? OUI (tirs indépendants)
2. Identifier les paramètres : n = 10, p = 0.7, k = 7
3. Choisir la formule : nk pk (1 − p)n−k
4. Calculer :
- 10 10!
7 = 7!3! = 120
- 0.77 ≈ 0.0824
- 0.33 = 0.027
- Produit : 120 × 0.0824 × 0.027 ≈ 0.267
5. Estimation : Avec p = 0.7, on s’attend à 7 touches en moyenne, donc une probabilité
élevée pour k = 7.
EXEMPLE Exemple 2 : Contrôle qualité
Une usine produit des pièces avec 2% de défauts. On contrôle un échantillon de 50 pièces. Quelle
est la probabilité d’avoir exactement 1 pièce défectueuse ?
Solution :
- n = 50, p = 0.02, k = 1
- P (X = 1) = 50 1 49
1 × 0.02 × 0.98
- 50
1 = 50
- P (X = 1) = 50 × 0.02 × 0.9849 = 1 × 0.9849 ≈ 1 × 0.364 = 0.364
EXEMPLE Exemple 3 : Espérance et Variance
Reprendre l’exemple de l’archer. Calculer l’espérance et l’écart-type.
Solution :
- E(X) = n × p = 10 × 0.7 = 7
- V (X) = n × p × (1 − p) = 10 × 0.7 × 0.3 = 2.1
√
- σ(X) = 2.1 ≈ 1.45
VULGARISATION : Pourquoi la loi binomiale est-elle si utile ?
Imaginez que vous lanciez 100 fois une pièce. Voulez-vous calculer la probabilité d’obtenir
exactement 47 piles ? Vous pourriez dessiner un arbre avec 2100 branches (impossible !). La
loi binomiale compte pour vous : elle compte combien de façons d’arranger 47 piles parmi 100
100
( 47 ), puis multiplie par la probabilité de chaque arrangement. C’est un super-comptage qui
condense un arbre géant en une formule simple !
12
7 Variables à Densité (Lois Continues)
Ici, X peut prendre toutes les valeurs d’un intervalle (ex: temps d’attente, taille). On ne parle plus de
P (X = k) (qui vaut 0), mais de P (a ≤ X ≤ b).
7.1 Notion de Densité
La probabilité est une Aire sous la courbe de la fonction densité f .
Z b
P (a ≤ X ≤ b) = f (t)dt
a
R +∞
Condition totale : −∞ f (t)dt = 1.
7.2 Loi Normale N (µ, σ 2 )
C’est la courbe en cloche (Gaussienne).
- Symétrique autour de la moyenne µ.
- 68% des valeurs sont entre µ − σ et µ + σ.
- 95% des valeurs sont entre µ − 2σ et µ + 2σ.
- 99.7% des valeurs sont entre µ − 3σ et µ + 3σ.
METHODE FLASH : Astuce Loi Normale
Si on vous demande P (X < a), pensez à utiliser la calculatrice ou la table de la loi normale
centrée réduite N (0, 1) après avoir posé Z = X−µ
σ .
7.3 Exemples Détaillés et Correction
EXEMPLE Exemple 1 : Standardisation
Soit X ∼ N (100, 152 ). Calculer P (X < 115).
Solution :
- µ = 100, σ = 15, a = 115
115−100 15
- Z= 15 = 15 =1
- P (X < 115) = P (Z < 1) ≈ 0.8413 (environ 84%)
CORRECTION : Correction de l’exemple de standardisation
1. Identifier les paramètres : µ = 100, σ = 15
X−µ
2. Standardiser : Transformer X en Z avec Z = σ
3. Calculer Z : (115 − 100)/15 = 1
4. Lire la table ou utiliser la calculatrice : P (Z < 1) ≈ 0.8413
5. Interpréter : 84% des valeurs sont inférieures à 115 (ce qui est cohérent car 115 est à 1
écart-type de la moyenne).
13
EXEMPLE Exemple 2 : Intervalle de confiance
Les tailles des adultes suivent une loi N (170, 102 ). Dans quel intervalle se trouvent 95% des
adultes ?
Solution :
- Pour 95%, on prend µ ± 2σ
- Intervalle : [170 − 2 × 10, 170 + 2 × 10] = [150, 190]
- Donc 95% des adultes mesurent entre 150 cm et 190 cm.
VULGARISATION : Pourquoi la loi normale est-elle universelle ?
Imaginez que vous mesuriez la taille de 10000 personnes et que vous fassiez un histogramme.
Au milieu (170 cm), il y aura beaucoup de monde. Plus on s’éloigne du milieu, moins il y a de
monde. Et surtout : la courbe est symétrique. C’est la loi de la nature ! La plupart des phéno-
mènes naturels (tailles, poids, erreurs de mesure, QI) suivent cette courbe en cloche. La loi
normale, c’est un peu la ”loi de la majorité silencieuse” : la moyenne domine, les extrêmes sont
rares.
8 SYNTHÈSE : ALGORITHME DE DÉCISION POUR ROBOT
Ce chapitre est écrit comme un algorithme pour un robot qui doit résoudre un exercice de probabi-
lités sans comprendre le français. Suivez les instructions étape par étape.
METHODE FLASH : Instructions pour le Robot
1. LIRE l’énoncé lentement
2. IDENTIFIER le type de problème (voir ci-dessous)
3. SUIVRE l’algorithme correspondant
4. NOTER le résultat
5. VÉRIFIER que le résultat est entre 0 et 1
8.1 ALGORITHME 1 : Problème de Dénombrement
Quand l’utiliser ? Quand l’énoncé demande ”combien de...” ou ”combien de façons de...”
14
Algorithme 1 : Choix de la formule de dénombrement
Input : énoncé contenant ”combien de”, ”nombre de”, ”possibilités”
Output : formule de combinatoire correcte
1 if l’énoncé contient ”ORDRE” OU ”CLASSEMENT” OU ”SUCCESSION” then
2 if l’énoncé contient ”RÉPÉTITION” OU ”REMISE” then
3 RÉSULTAT ← nk ;
4 else
n!
5 RÉSULTAT ← Akn = (n−k)! ;
6 end
7 else
8 if l’énoncé contient ”SIMULTANÉ” OU ”COMITÉ” OU ”ÉQUIPE” OU ”CHOISIR” then
RÉSULTAT ← Cnk = nk = k!(n−k)!
n!
9 ;
10 else
11 if l’énoncé contient ”TOUT” OU ”TOUS” OU ”ANAGRAMME” then
12 RÉSULTAT ← n!;
13 else
14 RÉSULTAT ← ERREUR : type non reconnu;
15 end
16 end
17 end
8.2 ALGORITHME 2 : Problème de Probabilité Simple
Quand l’utiliser ? Quand on demande P (A) directement, avec des mots comme ”probabilité de”,
”chance de”.
Algorithme 2 : Calcul simple
Input : énoncé avec ”probabilité”, ”chance”, ”quel est %”
Output : probabilité numérique
1 if ÉQUIPROBABILITÉ (tous les cas également probables) then
2 COMPTER cas_possibles ← cardinal(Ω);
3 COMPTER cas_favorables ← cardinal(A);
4 RÉSULTAT ← cas_favorables
cas_possibles ;
5 else
6 UTILISER la formule appropriée;
7 end
8.3 ALGORITHME 3 : Problème de Probabilité Conditionnelle
Quand l’utiliser ? Quand l’énoncé contient ”SACHANT”, ”CONNAISSANT”, ”SI”, ”étant donné que”,
”sachant que”.
15
Algorithme 3 : Probabilités Conditionnelles
Input : énoncé avec mot-clé ”sachant”, ”si”, ”donné que”
Output : P (A|B) ou P (A ∩ B)
1 if l’énoncé demande P (A ∩ B) then
2 if arbre disponible then
3 MULTIPLIER les probabilités sur la branche;
4 else
5 UTILISER P (A ∩ B) = P (A) × P (B|A);
6 end
7 end
8 if l’énoncé demande P (A|B) then
9 LIRE P (A ∩ B) et P (B);
P (A∩B)
10 CALCULER P (A|B) = P (B) ;
11 end
8.4 ALGORITHME 4 : Reconnaissance de la Loi Binomiale
Quand l’utiliser ? Quand l’énoncé contient ”NOMBRE DE SUCCÈS”, ”NOMBRE DE”, ”COMBIEN DE”,
et des répétitions d’une expérience à 2 issues.
Algorithme 4 : Loi Binomiale
Input : énoncé avec ”nombre de”, ”combien de”, ”répéter”, ”suivant”
Output : paramètres n, p, k et calcul
1 VÉRIFIER les 3 conditions :;
2 if (répétition) ET (2 issues) ET (indépendance) then
3 IDENTIFIER n ← nombre de répétitions;
4 IDENTIFIER p ← probabilité de succès;
5 IDENTIFIER k ← nombre de succès recherchés;
CALCULER P (X = k) = nk × pk × (1 − p)n−k ;
6
7 end
8.5 ALGORITHME 5 : Problème de Loi Normale
Quand l’utiliser ? Quand l’énoncé contient des mots comme ”TAILLE”, ”POIDS”, ”TEMPS”, ”VALEUR”,
et donne une MOYENNE et un ÉCART-TYPE.
16
Algorithme 5 : Loi Normale
Input : énoncé avec µ, σ, ou ”moyenne”, ”écart-type”
Output : probabilité numérique
1 if l’énoncé donne X ∼ N (µ, σ 2 ) then
2 IDENTIFIER µ et σ;
3 IDENTIFIER l’intervalle ou la valeur a dans P (X < a) ou P (a < X < b);
4 if l’intervalle est ”68-95-99.7” then
5 CHOISIR :
- µ ± σ pour 68%
- µ ± 2σ pour 95%
- µ ± 3σ pour 99.7%
6 else
7 STANDARDISER : Z = X−µ σ ;
8 LIRE table ou calculer P (Z < z);
9 end
10 end
8.6 ALGORITHME 6 : Choix entre les Formules Principales
Si vous ne savez pas quelle formule utiliser, suivez cet arbre de décision :
VULGARISATION : Arbre de décision du Robot
QUESTION 1
Y a-t-il un ”sachant
que” ou une condition ?
OUI
Probabilité conditionnelle NON
P (A|B) = P P(A∩B) Poursuivre...
(B)
QUESTION 2
Y a-t-il des répétitions d’une
expérience à 2 issues ?
OUI
NON
Loi Binomiale
Poursuivre...
B(n, p)
QUESTION 3
Y a-t-il un mot comme
”taille”, ”temps”, ”poids” ?
OUI NON
Loi Normale Combinatoire ou
N (µ, σ 2 ) Probabilité simple
17
8.7 Résumé des Formules pour le Robot
Type de problème Quand l’utiliser Formule
n n!
Combinaison Choisir sans ordre k = k!(n−k)!
n!
Arrangement Choisir avec ordre Akn = (n−k)!
Union ”A ou B” P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
Complémentaire ”NON A” P (Ā) = 1 − P (A)
Conditionnelle ”A sachant B” P (A|B) = P P(A∩B)
(B)
Intersection ”A et B” P (A ∩ B) = P (A) × P (B|A)
n k n−k
Binomiale n répétitions, 2 issues k Pp (1 − p)
Espérance Moyenne théorique E(X) = xi P (X = xi )
Variance Dispersion V (X) = E(X 2 ) − (E(X))2
Normale Mesures continues Z = X−µσ
MICRO-RÉSUMÉ
Dernière vérification pour le Robot :
1. Le résultat est-il entre 0 et 1 ?
2. Est-il cohérent avec l’intuition ?
3. La somme des probabilités fait-elle 1 ?
4. Ai-je vérifié les cas limites ?
9 ANNEXE : Fiche Mémo Rapide
9.1 Les 5 Questions Essentielles à se Poser
1. ORDRE ? Si oui → Arrangement/Permutation, si non → Combinaison
2. RÉPÉTITION ? Si oui → puissance, si non → factorielle
3. CONDITION ? Si ”sachant que” → probabilité conditionnelle
4. INDÉPENDANCE ? Si oui → multiplication des probabilités
5. 2 ISSUES ? Si répétition → loi binomiale
6. CONTINU ? Si mesures → loi normale
9.2 Les 3 Erreurs les Plus Fréquentes
VULGARISATION : Les pièges à éviter
1. Oublier l’intersection dans l’union : P (A ∪ B) 6= P (A) + P (B) (sauf si incompatibles)
2. Mélanger arrangement et combinaison : Akn = Cnk × k!
√
3. Mélanger variance et écart-type : σ = V , pas V lui-même
18
9.3 Liste de Contrôle Avant de Rendre un Devoir
1. J’ai identifié correctement n, k, p
2. J’ai vérifié les conditions (ordre, répétition, indépendance)
3. J’ai simplifié les fractions
4. Mon résultat est entre 0 et 1
5. J’ai écrit une phrase de conclusion
6. J’ai vérifié avec une méthode alternative si possible
19