Guide Grand Oral Maths – Échecs : le script complet prêt à utiliser

📥 Comment utiliser ce guide ? Imprime ce guide (Ctrl+P, mise en page A4, sans marges). Surligne en jaune les formules et en vert les phrases de transition. Entraîne-toi à voix haute avec le script avant le Grand Oral.

Choisir ta problématique

Avant le script, la problématique. C'est la colonne vertébrale de l'exposé : elle doit être claire, ancrée dans le programme de Terminale Maths, et suffisamment ouverte pour permettre une réponse nuancée en 20 minutes.

Les 3 problématiques recommandées

Problématique A, Combinatoire (niveau accessible)

"En quoi le jeu d'échecs constitue-t-il un modèle de la pensée combinatoire ?"

Problématique B, Probabilités + Elo (niveau intermédiaire)

"Dans quelle mesure les probabilités permettent-elles de modéliser et prédire la performance aux échecs ?"

Problématique C, Complexité algorithmique (niveau avancé)

"Pourquoi les mathématiques prouvent-elles que les échecs ne seront jamais résolus par la force brute ?"

→ Recommandation : si tu n'as pas de spécialité complémentaire NSI, choisis A ou B. Si tu as NSI, C est plus différenciante.

Script minuté, Problématique B (modèle probabiliste)

Les transitions rédigées sont en italique. Adapte à ta voix mais garde les formules telles quelles. Durée totale : 10 minutes. Le jury posera ses questions ensuite pendant 10 minutes.

⏱ 0:00–1:00, Introduction et problématique

"Bonjour. Je vais vous parler des échecs : pas comme jeu, mais comme objet mathématique.

En 1950, Claude Shannon estimait le nombre de parties d'échecs possibles à 10^120 : soit plus que le nombre d'atomes dans l'univers. Ce chiffre pose une question concrète : si on ne peut pas tout calculer, peut-on quand même modéliser et prédire la performance ?

Ma problématique : dans quelle mesure les probabilités permettent-elles de modéliser la performance aux échecs ?

Je répondrai en trois étapes : la loi binomiale appliquée à un match, le classement Elo comme suite récurrente, puis les limites de ces modèles."

⏱ 1:00–4:00, Partie 1 : la loi binomiale appliquée à un match

"Commençons par la modélisation la plus directe. Deux joueurs de même niveau, 10 parties : le nombre de points du joueur A suit une loi binomiale B(10 ; 0,5).

Calcul concret :

• Probabilité de gagner exactement 6 parties sur 10 : $P(X = 6) = \binom{10}{6} \times 0{,}5^{10} = 210 \times \frac{1}{1024} \approx 0{,}205$

• Probabilité de remporter le match (≥ 6 victoires) : $P(X \geq 6) \approx 0{,}377$

Remarquable : même entre joueurs parfaitement égaux, le résultat 5-5 n'a que 25% de probabilité. La loi binomiale explique pourquoi les matchs équilibrés peuvent sembler inégaux.

La limite : p = 0,5 suppose des niveaux identiques. En réalité, deux joueurs ne sont jamais exactement au même niveau. C'est là qu'intervient Elo."

⏱ 4:00–8:00, Partie 2 : le classement Elo comme suite récurrente

"Le classement Elo estime la vraie probabilité p entre deux joueurs quelconques.

Formule de probabilité : $P(\text{A bat B}) = \frac{1}{1 + 10^{(R_B - R_A)/400}}$

Calcul avec des chiffres :

• R_A = 1600, R_B = 1800
• $P = \frac{1}{1+10^{0{,}5}} \approx \frac{1}{4{,}16} \approx 0{,}24$ → A a 24% de chances

Cette sigmoïde, c'est exactement la fonction du type f(x) = 1/(1+a^x) étudiée en Terminale.

Mise à jour = suite récurrente : $R'_A = R_A + K \times (r - p)$

Avec r = résultat réel (1 = victoire, 0,5 = nulle, 0 = défaite).

• A gagne contre B (résultat inattendu) : $R'_A = 1600 + 16 \times (1 - 0{,}24) = 1600 + 12 = 1612$
• A perd (résultat attendu) : $R'_A = 1600 + 16 \times (0 - 0{,}24) = 1596$

La suite $u_{n+1} = u_n + K(r_n - p_n)$ converge vers la vraie force du joueur quand n devient grand : c'est la loi des grands nombres en action."

⏱ 8:00–9:30, Partie 3 : les limites du modèle

"Ces modèles sont élégants, mais avec des limites précises.

Limite 1 : Elo suppose la stationnarité : niveau constant entre les parties. Un joueur qui progresse dérègle le modèle.

Limite 2 : la loi binomiale suppose des parties indépendantes. Or une victoire influence psychologiquement la suivante.

Limite 3 : la plus profonde : le théorème de Zermelo (1913) prouve que les échecs ont un résultat déterminé sous jeu parfait. Mais on ne sait pas lequel. Le modèle probabiliste est nécessaire parce que le modèle déterministe est inaccessible: les probabilités ne remplacent pas la certitude, elles la modélisent en son absence."

⏱ 9:30–10:00, Conclusion

"Les probabilités modélisent la performance aux échecs avec une précision remarquable : la formule Elo prédit les résultats à moins de 5% d'erreur sur de grandes séries. Mais avec des hypothèses qui ne sont qu'approximativement vraies.

En cela, les échecs sont un miroir fidèle des mathématiques appliquées : la réalité est modélisable, jamais parfaitement. Et si les réseaux de neurones d'AlphaZero font mieux, c'est peut-être en abandonnant les formules : au prix de la lisibilité."

20 Questions de jury, avec réponses rédigées

Classées du plus facile au plus difficile. Le jury pose en général 2 à 4 questions dans ces 20 minutes d'échange.

Q1. Pourquoi avez-vous choisi les échecs comme sujet ?

"Les échecs m'ont permis d'ancrer des notions abstraites du programme (la loi binomiale, les suites récurrentes) dans un objet concret et historiquement documenté. Le classement Elo est une application directe du cours sur les probabilités et les suites, et le nombre de Shannon illustre de façon spectaculaire la croissance exponentielle."

Q2. Expliquez la formule Elo en termes simples.

"La formule Elo estime la probabilité qu'un joueur batte un autre en fonction de l'écart de leurs cotes. Si je suis à 1600 et mon adversaire à 2000, j'ai statistiquement très peu de chances de gagner : environ 9%. Si les cotes sont égales, chacun a 50%. La formule est une sigmoïde : elle est toujours entre 0 et 1, croissante, et symétrique autour de 50%."

Q3. Calculez la probabilité que le joueur A (1500 Elo) batte le joueur B (1700 Elo).

"P = 1/(1+10^((1700-1500)/400)) = 1/(1+10^0,5) = 1/(1+3,16) ≈ 0,24. Donc A a environ 24% de chances. Si A gagne contre toute attente, il gagnera environ K×(1-0,24) ≈ 12 points de cote."

Q4. Comment calculez-vous le nombre de Shannon ?

"Le raisonnement utilise le principe multiplicatif : chaque joueur dispose en moyenne de 35 coups à chaque tour (facteur de branchement), et une partie dure en moyenne 80 demi-coups. Le nombre de parties est donc de l'ordre de 35^80 ≈ 10^124. C'est le principe de l'arbre de dénombrement : à chaque nœud, on multiplie par 35. La croissance est exponentielle : en termes de programme, c'est une suite géométrique de raison 35."

Q5. Qu'est-ce qu'une suite récurrente, et comment le classement Elo en est-il une ?

"Une suite récurrente définit chaque terme à partir du précédent. Ici : R_{n+1} = R_n + K×(r_n - p_n). Le terme R_{n+1} (classement après la n+1-ième partie) dépend de R_n (classement avant) et du résultat de la partie. C'est bien une suite récurrente, et elle converge quand le niveau du joueur est constant, parce que les corrections se font autour de la vraie valeur."

Q6. La loi binomiale s'applique-t-elle vraiment aux parties d'échecs ?

"Elle s'applique avec des hypothèses simplificatrices : les parties sont traitées comme des expériences identiques et indépendantes de probabilité p fixée. En pratique, ces hypothèses sont approximatives : les joueurs évoluent, les parties s'influencent psychologiquement. La loi binomiale est un modèle utile pour raisonner sur des grandes séries, pas un descripteur parfait de la réalité d'un match."

Q7. Pourquoi K vaut-il 16 pour les joueurs établis et 32 pour les débutants ?

"K est le coefficient de sensibilité de la cote aux résultats. Un K élevé permet à la cote d'évoluer vite : utile quand le niveau est incertain (débutant, dont on ne connaît pas encore la vraie force). Un K faible stabilise la cote autour d'une valeur bien estimée : adapté aux joueurs dont le niveau est connu après de nombreuses parties. C'est un choix d'ingénierie statistique, pas une vérité mathématique absolue."

Q8. Qu'est-ce que le théorème de Zermelo et pourquoi est-il important ?

"Ernst Zermelo a prouvé en 1913 que tout jeu à deux joueurs, information parfaite, sans hasard et à nombre fini de coups admet un résultat déterminé sous jeu parfait : l'un des deux joueurs a une stratégie gagnante, ou les deux ont une stratégie de nulle. Aux échecs, l'un des trois résultats est donc 'inévitable' si les deux joueurs jouent parfaitement. Mais on ne sait pas lequel, et l'espace de jeu est trop grand pour le calculer. Zermelo prouve que les échecs ne sont pas un jeu de chance, mais ne nous dit pas qui gagne."

Q9. Quelle est la différence entre probabilité de victoire et espérance de cote ?

"La probabilité de victoire est la valeur p(A bat B) calculée par la formule Elo. L'espérance de cote est la variation de cote attendue en moyenne sur de nombreuses parties. Si je joue beaucoup de parties avec des adversaires calibrés à mon niveau, mon espérance de gain de cote est nulle : le classement Elo est un jeu à espérance nulle au niveau global, par construction."

Q10. Les échecs sont-ils un jeu de probabilité ou de certitude ?

"Les deux simultanément, et c'est ce qui est fascinant. Théoriquement (Zermelo), les échecs ont un résultat déterminé : c'est un jeu de certitude. Pratiquement, aucun joueur ne peut calculer toutes les variantes, donc face à l'incertitude de l'adversaire et du futur, les probabilités deviennent le meilleur outil disponible. C'est exactement la situation décrite par Pascal et Fermat au XVIIe siècle pour les jeux de dés : certitude théorique, modélisation probabiliste en pratique."

Q11. Pouvez-vous modéliser un tournoi à la ronde avec la loi binomiale ?

"Un tournoi à la ronde avec n joueurs donne n-1 parties à chaque joueur. Si je modélise chaque partie comme une expérience de Bernoulli de paramètre p (probabilité de victoire), le score total d'un joueur suit B(n-1, p). Pour un tournoi de 10 joueurs (9 parties), avec p=0,5 : score moyen = 4,5, variance = 9×0,5×0,5 = 2,25, écart-type ≈ 1,5. En pratique, p varie selon l'adversaire : on utilise la somme de Bernoulli de paramètres différents, qui reste calculable mais n'a plus une forme binomiale simple."

Q12. Comment AlphaZero remet-il en question l'approche probabiliste ?

"AlphaZero n'utilise pas de modèle probabiliste explicite. Il utilise un réseau de neurones qui estime directement la 'valeur' d'une position (entre -1 et 1) et la distribution de probabilité sur les coups à jouer, mais ces probabilités sont implicites, issues de l'apprentissage, non calculées par une formule. AlphaZero remet en question l'idée que les probabilités doivent être modélisées explicitement : elles peuvent être apprises par expérience. C'est la différence entre statistique paramétrique (Elo) et apprentissage statistique (AlphaZero)."

Q13. Quelle est la convergence de la suite Elo, rigoureusement ?

"Sous l'hypothèse que le 'vrai niveau' E du joueur est constant, la suite R_n converge vers E. On peut le montrer en calculant R_{n+1} - E = R_n - E + K(r_n - p_n). En espérance, E[r_n - p_n] = 0 (par construction de p_n), donc E[R_{n+1} - E] = E[R_n - E]. La variance diminue en n^{-1} sous certaines conditions de régularité. C'est analogue à la loi des grands nombres : la moyenne empirique converge vers l'espérance théorique."

Q14. Peut-on calculer la probabilité qu'un joueur de 1200 Elo batte Magnus Carlsen (2850) ?

"P = 1/(1+10^((2850-1200)/400)) = 1/(1+10^4,125) ≈ 1/(1+13349) ≈ 0,000075. Soit environ 0,0075%: soit à peu près 1 chance sur 13 000. En pratique, cette probabilité est sous-estimée car la formule Elo suppose des populations de joueurs pour lesquelles elle est calibrée : à des écarts extrêmes, la formule extrapole hors de son domaine de calibration."

Q15. Pourquoi le coefficient K est-il un paramètre de compromis statistique ?

"K contrôle la vitesse d'adaptation de la cote. Un K grand → adaptation rapide → variance élevée (la cote fluctue beaucoup). Un K petit → adaptation lente → biais si le niveau du joueur a vraiment changé. C'est le classique biais-variance trade-off de la statistique : on ne peut pas avoir simultanément une cote qui réagit vite aux changements de niveau ET qui reste stable face au bruit. K est le paramètre qui positionne ce compromis."

Q16. Pouvez-vous donner un exemple d'application de la loi des grands nombres aux échecs ?

"La loi des grands nombres dit que la moyenne d'un grand nombre de variables aléatoires i.i.d. converge vers leur espérance. En échecs : si un joueur A joue des milliers de parties contre des adversaires calibrés à son niveau (p=0,5), son taux de victoire converge vers 50%. En pratique, c'est la justification théorique du classement Elo : après suffisamment de parties, la cote converge vers la vraie force, indépendamment des fluctuations initiales."

Q17. La distribution des résultats d'échecs est-elle vraiment binomiale ?

"Non, pour deux raisons. D'abord, trois résultats sont possibles (victoire/nulle/défaite): c'est une distribution trinomiale, pas binomiale. Ensuite, la probabilité p n'est pas constante mais dépend de l'adversaire. On peut approximer en traitant une nulle comme 0,5 victoire, ce qui ramène à une Bernoulli de résultat ∈ {0 ; 0,5 ; 1}: moins propre qu'une vraie Bernoulli mais fonctionnel pour le calcul de cote."

Q18. Comment définiriez-vous la limite du modèle combinatoire aux échecs ?

"La limite principale est l'horizon : l'arbre de jeu est infini si on n'impose pas de profondeur. Le modèle combinatoire (nombre de Shannon) compte toutes les parties possibles, mais en pratique les joueurs n'explorent qu'un arbre partiel à profondeur fixée. Le modèle suppose une exploration exhaustive qui n'est pas réalisable. L'élagage alpha-bêta réduit l'arbre exploré à O(b^{d/2}) au lieu de O(b^d), mais il reste exponentiel."

Q19. Quelle différence entre résoudre un jeu et jouer parfaitement aux échecs ?

"Résoudre un jeu signifie trouver la stratégie optimale depuis la position initiale : i.e., connaître le résultat sous jeu parfait des deux côtés. Les dames ont été résolus (nulle sous jeu parfait, 2007, Schaeffer). Les échecs ne sont pas résolus : l'espace de jeu est trop grand. Jouer parfaitement est différent : on peut jouer un coup optimal dans une position donnée sans connaître la solution globale. Les moteurs comme Stockfish jouent 'presque parfaitement' en pratique sans résoudre les échecs."

Q20. Si les échecs sont théoriquement déterminés, les stratégies probabilistes sont-elles pertinentes ?

"Oui, et c'est le point philosophique le plus profond du sujet. Les stratégies probabilistes sont pertinentes précisément parce que le jeu parfait déterministe est inaccessible à un joueur réel. La rationalité limitée (Simon, 1955) prédit que les agents qui ne peuvent pas résoudre exactement un problème utilisent des heuristiques probabilistes. Les probabilités sont l'outil de la raison limitée : non pas une approximation de la vérité, mais la vérité de l'agent limité."

Formules essentielles, Fiche mémo à imprimer

╔══════════════════════════════════════════════════════════╗
║          FORMULES GRAND ORAL MATHS + ÉCHECS              ║
╠══════════════════════════════════════════════════════════╣
║ PROBABILITÉ ELO                                          ║
║   P(A bat B) = 1 / (1 + 10^((R_B - R_A)/400))          ║
║   Ex : R_A=1600, R_B=1800 → P ≈ 0,24 (24%)              ║
╠══════════════════════════════════════════════════════════╣
║ MISE À JOUR DE COTE (suite récurrente)                   ║
║   R'_A = R_A + K × (résultat − P)                       ║
║   K = 32 (débutants) / K = 16 (joueurs établis)         ║
║   Victoire : résultat=1 / Nulle : résultat=0,5 / Défaite=0║
╠══════════════════════════════════════════════════════════╣
║ LOI BINOMIALE (match de n parties, p=proba victoire)     ║
║   P(X=k) = C(n,k) × p^k × (1−p)^(n−k)                 ║
║   Espérance E(X) = np / Variance V(X) = np(1−p)         ║
╠══════════════════════════════════════════════════════════╣
║ NOMBRE DE SHANNON (combinatoire)                         ║
║   N ≈ 35^80 ≈ 10^124                                    ║
║   Principe multiplicatif: 35 coups × 80 demi-coups       ║
╠══════════════════════════════════════════════════════════╣
║ COMPLEXITÉ MINIMAX                                       ║
║   Sans optimisation : O(b^d) avec b≈35, d=profondeur      ║
║   Avec alpha-bêta : O(b^(d/2)) dans le meilleur cas      ║
╚══════════════════════════════════════════════════════════╝

Check-list de préparation

J-30

• Choisir la problématique parmi les 3 proposées
• Lire l'article de fond Grand oral spé Maths
• Faire les calculs Elo à la main (sans calculatrice)
• Commander un échiquier de démonstration si pas acquis

J-7

• Entraînement chrono : 10 minutes exposé complet, seul (chronomètre visible)
• Entraînement avec 5 questions simulées (un proche joue le jury)
• Revoir les formules sur la fiche mémo

Veille

• Relire la fiche mémo une fois
• Préparer le matériel (échiquier, feuilles de brouillon si autorisé)
• Dormir 8 heures : le Grand Oral est une performance cognitive

Ce guide est librement utilisable et imprimable. Si d'autres lycéens préparent le même sujet, partage-leur le lien. Et bonne chance : tu as fait le travail.