Choisir entre plusieurs chemins de calcul sans se perdre, c’est tout l’enjeu du chapitre « comment calculer une probabilité ». Une probabilité mesure la « chance » qu’un événement se produise lors d’une expérience aléatoire, mais selon le contexte, on ne calcule pas tout à fait de la même façon. Dé quand les issues sont toutes semblables, tirage de cartes dépendantes, arbre de probabilités, probabilité conditionnelle ou théorème de Bayes : chaque situation demande de repérer la bonne représentation, puis de vérifier que la somme des probabilités vaut bien 1. Le fil conducteur de cet article suit Lucas, élève fictif de première, qui passe du lancer de dé au schéma de Bernoulli, puis à la probabilité totale, pour transformer son intuition en raisonnement contrôlé. De la simple fraction « cas favorables / cas possibles » à l’usage de la loi des grands nombres pour interpréter une fréquence observée, l’objectif est toujours le même : relier ce que l’on sait déjà à l’univers de l’expérience, puis choisir la formule qui colle aux conditions.
En bref :
- 🎯 Une probabilité se lit toujours dans un intervalle de 0 à 1 (ou 0 % à 100 %), en lien avec un univers d’issues bien défini.
- 🎲 Dans un modèle équiprobable, on utilise la formule-clé : P(A) = nombre de cas favorables / nombre total d’issues.
- 🌿 Pour des expériences successives, le « ET » se traduit par une multiplication et le « OU » par une addition, en respectant dépendance ou indépendance.
- 🌳 Les arbres de probabilités structurent le raisonnement et donnent accès à la probabilité totale et au théorème de Bayes.
- 📊 La fréquence d’un événement observée sur un grand nombre de répétitions se rapproche de sa probabilité, c’est la loi des grands nombres qui l’explique.
- 🧩 Les erreurs les plus fréquentes viennent d’un univers mal défini ou d’une confusion entre événement et issue, pas d’un « mauvais calcul » isolé.
Comment calculer une probabilité simple dans un modèle équiprobable
Dans un modèle où toutes les issues ont la même chance de se produire, la probabilité d’un événement se calcule avec un quotient : P(A) = nombre de cas favorables / nombre total de cas possibles. C’est la situation la plus fréquente au lycée, dès que l’on parle de dé équilibré, de tirage au hasard d’un jour ou de bille dans une urne bien mélangée.
La première décision consiste à bien identifier l’univers Ω (l’ensemble de toutes les issues possibles) puis l’événement A, ensemble des issues qui nous intéressent. Dans le cas d’un dé à six faces équilibré, Ω = {1, 2, 3, 4, 5, 6}. Si A est « obtenir un nombre pair », alors A = {2, 4, 6}. On obtient donc P(A) = 3/6 = 1/2, soit 0,5 ou 50 %.
Cas fictif pour fixer les idées : Lucas veut connaître la probabilité d’obtenir un nombre supérieur ou égal à 3 sur un dé équilibré. Il repère A = {3, 4, 5, 6}, donc 4 issues favorables sur 6 possibles. Il conclut P(A) = 4/6 = 2/3. En contrôlant, il voit que la probabilité est comprise entre 0 et 1, et que l’événement contraire « obtenir 1 ou 2 » a une probabilité 2/6 = 1/3, ce qui donne bien 2/3 + 1/3 = 1.
Cette méthode constitue le socle du cours en seconde, souvent présentée dans les activités du chapitre de probabilité en seconde. L’essentiel est de vérifier systématiquement deux points-clés : l’univers est bien défini et exhaustif, et la somme des probabilités de toutes les issues simples vaut 1.
Exemples concrets de calcul de probabilité simple
Pour voir comment la formule se décline, quelques cas classiques permettent de s’entraîner comme Lucas.
- 🎲 Lancer de dé : probabilité d’obtenir un 3. Univers Ω = {1, 2, 3, 4, 5, 6}. Événement A = {3}. On a donc P(A) = 1/6 ≈ 0,167 ≈ 16,7 %.
- 📅 Tirage d’un jour : probabilité de tirer un jour de week-end au hasard. Ω contient les 7 jours de la semaine, l’événement « week-end » contient 2 jours, donc P(week-end) = 2/7 ≈ 28,6 %.
- ⚪🔴 Bocal de billes : 4 bleues, 5 rouges, 11 blanches, soit 20 au total. Pour « tirer une bille rouge », cas favorables = 5, d’où P(rouge) = 5/20 = 1/4 = 25 %.
Ces trois exemples illustrent un même schéma : repérer le contexte, l’expérience aléatoire, écrire clairement Ω et l’événement A, puis compter soigneusement sans oublier de cas.
Comprendre événement, issue, univers et expérience aléatoire
Beaucoup d’erreurs disparaissent dès que la distinction entre issue, événement, univers et expérience aléatoire est claire. Une expérience aléatoire est une situation dont le résultat ne peut pas être prévu avec certitude, mais dont on peut lister les résultats possibles. L’univers Ω rassemble ces résultats, appelés issues, et un événement A est un sous-ensemble de Ω.
Dans l’exemple d’un tirage de carte, l’expérience est « tirer une carte au hasard dans un jeu de 52 cartes ». L’univers Ω contient les 52 cartes, chacune est une issue, et l’événement « tirer un trèfle » contient les 13 cartes de trèfle. Confondre événement et issue conduit à diviser par le mauvais nombre ou à oublier des cas, ce qui fausse le résultat avant même de poser une fraction.
| Notion 🔍 | Rôle en probabilité 🎓 | Exemple concret 🎲 |
|---|---|---|
| Expérience aléatoire | Situation répétable dont le résultat n’est pas prévisible avec certitude | Lancer une pièce une fois |
| Univers Ω | Ensemble de toutes les issues possibles de l’expérience | Ω = {pile, face} |
| Issue | Résultat élémentaire que l’on peut observer | « pile » ou « face » |
| Événement | Ensemble d’issues partageant une propriété | {pile} ou {face} |
| Événement certain | Se réalise à tous les coups, P = 1 | « obtenir un nombre entre 1 et 6 » quand on lance un dé équilibré |
| Événement impossible | Ne se réalise jamais, P = 0 | « obtenir 7 » au lancer d’un dé à 6 faces |
Lucas commence désormais chaque exercice par écrire Ω, puis enserre les événements dans cet univers. Ce réflexe simple lui sert plus tard pour la probabilité totale, où l’on découpe précisément Ω en plusieurs morceaux adaptés aux conditions du problème.
Vérifier la cohérence d’une probabilité
Une probabilité est toujours comprise entre 0 et 1. Si un calcul conduit à 1,2 ou -0,3, le résultat est nécessairement erroné. Ce contrôle rapide, que Lucas applique désormais systématiquement, permet de repérer un dénominateur oublié ou un comptage approximatif.
Autre vérification clé : la somme des probabilités de toutes les issues simples doit être égale à 1. Pour un dé équilibré, chaque nombre a une probabilité 1/6, leur somme vaut 6 × 1/6 = 1. Si Lucas oublie le cas « 4 » et additionne seulement cinq valeurs, il obtient 5/6 : la somme agit ici comme un signal d’alarme mathématique.
Expériences successives : « et », « ou », indépendance et dépendance
Dès que l’on enchaîne plusieurs tirages ou lancers, une deuxième carte du raisonnement apparaît : le type de lien entre les événements successifs. Faut-il additionner, multiplier, prendre en compte un changement de dénominateur ? Tout dépend de la présence de « ET » ou « OU » dans la question et du caractère indépendant ou dépendant des expériences.
La règle générale que Lucas retient est simple en apparence : le « ET » se traduit par une intersection et donc en pratique par une multiplication de probabilités, tandis que le « OU » correspond à une union et se traduit par une addition, sous réserve de ne pas compter deux fois une même issue.
Événements indépendants : produit des probabilités
Deux événements sont indépendants lorsque la réalisation de l’un ne modifie pas la probabilité de l’autre. C’est le cas de deux lancers successifs d’un même dé équilibré : le premier résultat n’influence pas le second. Sous cette hypothèse, la formule centrale est P(A ∩ B) = P(A) × P(B).
Lucas cherche par exemple la probabilité d’obtenir deux fois de suite un 5 au lancer d’un dé. Il connaît la probabilité d’un 5 à un lancer, P(5) = 1/6. Pour « 5 au premier lancer ET 5 au second », il applique la règle des événements indépendants et obtient P = 1/6 × 1/6 = 1/36, soit environ 2,8 %.
Ce contrôle a posteriori par la grandeur du résultat est instructif : avoir deux fois de suite un 5 devrait être moins probable que de l’obtenir une seule fois. La probabilité 1/36 est bien plus petite que 1/6, ce qui renforce la confiance dans la démarche suivie.
Événements dépendants : penser au dénominateur qui change
Dès que l’on tire sans remise, les événements deviennent dépendants. L’exemple typique est celui des cartes : après un premier tirage, il ne reste plus que 51 cartes dans le paquet, puis 50, etc. La probabilité du second événement dépend du résultat du premier.
Dans un jeu de 52 cartes, Lucas cherche la probabilité de tirer deux trèfles successifs sans remise. Il commence par le premier tirage : 13 trèfles sur 52 cartes, donc P(premier trèfle) = 13/52 = 1/4. Après ce tirage, il reste 51 cartes, dont 12 trèfles, ce qui donne P(deuxième trèfle | premier trèfle) = 12/51. En multipliant, il obtient P = (13/52) × (12/51) = 156/2652 = 1/17 environ, soit à peu près 5,9 %.
Le même raisonnement se transpose au bocal de billes de Lucas : pour tirer successivement rouge, puis bleue, puis blanche sans remise, le nombre total de billes décroît à chaque étape. Le produit des fractions garde la trace de cette dépendance, impossible à voir si l’on ne pense pas d’abord à l’évolution de l’univers Ω au fil des tirages.
Arbres de probabilité : visualiser pour mieux calculer
L’arbre de probabilité est l’outil graphique privilégié pour organiser des expériences successives, surtout quand plusieurs chemins mènent au même événement. Chaque branche représente une issue possible à une étape, et le produit des probabilités le long d’un chemin donne la probabilité de ce scénario complet.
Lucas a pris l’habitude de dessiner un arbre dès qu’un énoncé cumule « tirages successifs », « au moins » ou « dans tel ordre ». Le site consacré aux arbres de probabilité propose d’ailleurs plusieurs modèles qu’il s’approprie progressivement. Une propriété sert de repère : à chaque nœud, la somme des probabilités des branches qui partent doit être égale à 1.
Utiliser « et » et « ou » sur un arbre
Sur un arbre, un chemin complet correspond à une suite d’événements reliés par « ET », donc à un produit de probabilités. Pour obtenir la probabilité d’un événement qui peut se produire par plusieurs chemins différents, on additionne les produits de chacun de ces chemins, car ils sont reliés par « OU ».
Cas fictif : dans une urne, Lucas a 4 boules blanches et 5 boules vertes, soit 9 boules. Il tire trois fois avec remise et souhaite connaître la probabilité que la deuxième boule soit blanche. Il trace un arbre sur trois étages, note 4/9 sur chaque branche « blanche » et 5/9 sur chaque branche « verte ». Il repère tous les chemins où la deuxième boule est blanche (V-B-V, B-B-B, etc.), calcule le produit sur chaque chemin, puis les additionne. Le résultat final se simplifie en 4/9, ce qui confirme que le deuxième tirage « se comporte » comme le premier puisque l’expérience est avec remise.
Cette approche visuelle prépare directement l’usage de la probabilité totale et du théorème de Bayes, où l’on combine plusieurs chemins menant au même événement observé.
Probabilité conditionnelle, probabilité totale et théorème de Bayes
Dès la première, le mot « sachant » signale souvent un changement de paysage : on ne cherche plus seulement P(A), mais une probabilité sachant qu’une information B est déjà connue. La probabilité conditionnelle PB(A) mesure alors la probabilité de A dans l’univers où B est sûr.
Le lien central est la formule PB(A) = P(A ∩ B) / P(B), à condition que P(B) soit non nulle. Le cours détaillé sur la probabilité conditionnelle et sa formule met en avant exactement ces conditions d’utilisation avant de lancer les calculs.
Lire « sachant » et construire PB(A)
Lucas doit par exemple calculer la probabilité d’obtenir un 4 sachant qu’il a obtenu un nombre pair au lancer d’un dé équilibré. Il choisit A = « obtenir 4 » et B = « obtenir un nombre pair », donc B = {2, 4, 6}. La probabilité de B vaut P(B) = 3/6 = 1/2. L’intersection A ∩ B se réduit à {4}, donc P(A ∩ B) = 1/6.
En appliquant la formule, Lucas obtient PB(A) = (1/6) / (1/2) = 1/3. Ce résultat se comprend aussi intuitivement : une fois l’information « pair » acquise, seuls {2, 4, 6} restent possibles et chacune a la même probabilité, donc la chance d’avoir 4 parmi ces trois nombres vaut 1/3.
L’erreur fréquente consiste à inverser A et B dans la notation. La probabilité recherchée est toujours dans la parenthèse (ici A), et la condition connue apparaît à l’indice (ici B). C’est ce code que Lucas surveille désormais pour ne pas basculer sur un mauvais calcul.
Probabilité totale : additionner les bons chemins
La probabilité totale s’utilise lorsque l’univers Ω est découpé en plusieurs cas incompatibles qui couvrent toutes les possibilités. Si B1, B2, …, Bn forme une partition de Ω, alors pour tout événement A, on a :
P(A) = P(A ∩ B1) + P(A ∩ B2) + … + P(A ∩ Bn).
Sur un arbre, cela revient à additionner les probabilités de tous les chemins qui se terminent par A, en tenant compte de toutes les façons d’y parvenir. Lucas applique cette formule dans des exercices où une proportion d’élèves suit un enseignement de spécialité, une autre non, et où l’on connaît la probabilité de réussir dans chaque groupe. Pour obtenir la probabilité totale de réussite, il somme les probabilité de « réussir ET être dans le groupe 1 », « réussir ET être dans le groupe 2 », etc.
Ce principe rend cohérent l’ensemble : on reconstitue P(A) à partir de contributions partielles liées aux différents cas possibles. S’il manque un morceau de la partition, la somme sera inférieure à 1, signalant un oubli de scénario.
Théorème de Bayes : remonter l’information
Le théorème de Bayes joue le rôle inverse de la probabilité conditionnelle usuelle : au lieu de partir des causes pour aller vers les effets, il permet de remonter un effet observé vers ses causes possibles. Mathématiquement, pour des événements A et B avec P(B) non nulle :
PB(A) = [P(A) × PA(B)] / P(B).
Lucas le rencontre dans des exercices de dépistage médical ou de tests de fiabilité. Par exemple, une proportion P(A) de la population possède une caractéristique, et PA(B) est la probabilité que le test soit positif chez une personne qui la possède. Une fois un test positif observé (événement B), la question porte sur la probabilité que cette personne soit réellement porteuse de la caractéristique, soit PB(A).
Sur l’arbre, le théorème de Bayes s’interprète comme un rapport entre le chemin « A puis B » et la somme de tous les chemins terminant par B. Lucas gagne ainsi une vision symétrique : descendre l’arbre pour calculer une probabilité totale, remonter l’information grâce à Bayes pour actualiser une probabilité conditionnelle.
Fréquence, loi des grands nombres et contrôle expérimental
Une probabilité ne se voit pas sur un lancer isolé, mais sur une longue série d’observations. La fréquence d’un événement est le rapport entre le nombre de fois où il se produit et le nombre total d’expériences réalisées. La loi des grands nombres affirme que, lorsque le nombre de répétitions devient très grand, cette fréquence relative se rapproche de la probabilité théorique.
Lucas lance par exemple 100 fois une pièce équilibrée. Il n’obtient pas exactement 50 piles et 50 faces, mais, mettons, 57 piles. La fréquence de l’événement « pile » est alors 57/100 = 0,57. Si l’expérience est répétée 1 000 fois, puis 10 000 fois, ces fréquences se resserrent autour de 0,5, sans jamais s’y coller parfaitement. La théorie ne promet pas un résultat exact, mais une stabilisation progressive.
Ce cadre évite une interprétation naïve : une probabilité de 0,2 ne signifie pas que sur 10 essais on aura exactement 2 succès. Elle signifie que, sur un très grand nombre d’essais, la proportion de succès sera proche de 0,2. C’est ce lien entre modèle théorique et données observées que Lucas apprend progressivement à commenter dans ses copies.
Liste de réflexes pour sécuriser un calcul de probabilité
Pour transformer le cours en automatisme raisonné, Lucas s’est construit une petite liste de vérifications rapides à utiliser sur chaque exercice, du plus simple au plus technique :
- 🧭 Définir l’univers Ω et l’expérience aléatoire avant toute fraction.
- 🧩 Écrire clairement les événements sous forme d’ensembles (A = {…}).
- 📐 Vérifier que 0 ≤ P(A) ≤ 1 pour tout événement.
- 🧮 Contrôler que la somme des probabilités élémentaires vaut 1.
- 🌳 Dessiner un arbre de probabilité dès qu’il y a plusieurs étapes.
- 🔁 Distinguer indépendance (avec remise, produit direct) et dépendance (sans remise, dénominateur qui change).
- 📚 Repérer les indices « sachant », « au moins », « dans tel cas » qui appellent respectivement probabilité conditionnelle, complémentaire, probabilité totale ou schéma de Bernoulli.
Ces réflexes s’ajoutent aux outils du programme de seconde et première, décrits de manière structurée dans les pages consacrées au programme de seconde et celles de première. Ils transforment peu à peu une succession de formules en carte de navigation pour tout exercice de probabilité.
Comment savoir si je dois additionner ou multiplier des probabilités ?
La décision se lit dans la structure de l’énoncé. Lorsque les événements sont reliés par « et » (obtenir A puis B, ou A et B en même temps dans un modèle discret), on s’intéresse à l’intersection et, dans le cas d’expériences indépendantes, on multiplie les probabilités : P(A ∩ B) = P(A) × P(B). Lorsqu’ils sont reliés par « ou » et qu’ils ne peuvent pas se produire simultanément, on parle d’union et on additionne : P(A ∪ B) = P(A) + P(B). En présence d’événements qui se chevauchent, on corrige avec P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
Quelle est la différence entre fréquence et probabilité ?
La fréquence mesure ce qui a été observé lors d’une expérience répétée : c’est le rapport entre le nombre de fois où un événement se produit et le nombre total d’essais. La probabilité, elle, est un nombre théorique associé à un modèle (par exemple, 1/6 pour chaque face d’un dé équilibré). La loi des grands nombres relie les deux notions : quand on répète l’expérience un très grand nombre de fois, la fréquence observée se rapproche de la probabilité prévue par le modèle.
Quand utiliser la probabilité conditionnelle et le théorème de Bayes ?
On utilise une probabilité conditionnelle dès que l’énoncé contient une information du type « sachant que B est réalisé ». La formule de base est P_B(A) = P(A ∩ B) / P(B). Le théorème de Bayes intervient lorsque l’on souhaite inverser la condition : on connaît P(A), P_B(A) ou P_A(B) et P(B), et on cherche P_B(A). Il est particulièrement utile dans les contextes de tests (médicaux, de fiabilité) où l’on observe un résultat et où l’on veut estimer la probabilité d’une cause sous-jacente.
Comment reconnaître qu’une loi binomiale modélise une situation ?
Une loi binomiale s’applique lorsqu’on répète n fois une même épreuve de Bernoulli, c’est-à-dire une expérience à deux issues (succès ou échec), avec une probabilité de succès constante p d’un essai à l’autre, et que les essais sont indépendants. Si X désigne le nombre de succès obtenus, alors X suit une loi binomiale de paramètres n et p, notée X ~ B(n, p). Les probabilités P(X = k) se calculent alors par la formule P(X = k) = C(n, k) p^k (1 − p)^{n−k}.
Pourquoi la somme des probabilités doit-elle valoir 1 ?
Dans un modèle probabiliste, l’univers Ω regroupe toutes les issues possibles d’une expérience aléatoire. Comme l’une et une seule de ces issues se réalise à chaque répétition, la somme de leurs probabilités doit être égale à 1, qui représente la certitude. Si cette somme est différente de 1, cela signifie soit qu’un cas a été oublié, soit qu’un cas a été compté deux fois, soit que l’univers n’a pas été correctement défini. Cette vérification sert donc aussi d’outil de contrôle du raisonnement.