Vous êtes sur la page 1sur 9

Probabilits :

Loi binomiale

Christophe ROSSIGNOL

Anne scolaire 2014/2015

Table des matires


1 Rptition dexpriences identiques et indpendantes 2
1.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Modlisation dune rptition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Loi de Bernoulli 2

3 Schma de Bernoulli Loi binomiale 4


3.1 Un exemple pour comprendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Schma de Bernoulli Loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Esprance, variance, cart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.4 Complments sur les coefficients binomiaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

4 Intervalle de fluctuation et prise de dcision 8


4.1 Quelques rappels de Seconde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.2 Intervalle de fluctuation 95 % selon la loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.3 Prise de dcision partir dun chantillon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Table des figures


1 Rptition dexpriences identiques et indpendantes . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Un exemple de schma de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

Ce cours est plac sous licence Creative Commons BY-SA http://creativecommons.org/licenses/by-sa/2.0/fr/

1
2 LOI DE BERNOULLI

en prliminaire au cours :
Activits : Activits 1 page 316 1 [TransMath]

1 Rptition dexpriences identiques et indpendantes


1.1 Dfinition
Dfinition :
Il y a rptition dexpriences identiques lorsque la mme exprience alatoire est rpte plusieurs
fois, dans les mmes conditions.
Des expriences alatoires sont indpendantes si lissue de lune quelconque de ces expriences ne
dpend pas de lissue des autres expriences.
Exemple : Une urne contient 4 boules rouges, 3 boules vertes et deux boules noires. On tire successivement
deux boules avec remise.
Il y a bien rptition de deux expriences identiques et indpendantes.
Remarque : Si le tirage avait t sans remise, les expriences nauraient t ni identiques (pas le mme
nombre de boules pour le deuxime tirage), ni indpendantes (la rpartition des boules du deuxime
tirage dpend de la couleur de la premire boule tire).

1.2 Modlisation dune rptition


On utilise un arbre pondr pour reprsenter cette rptition. Sur chaque branche, on indique la probabilit de
lissue correspondante.
Exemple : On reprend lexemple prcdent. On obtient larbre pondr de la figure 1.
Proprit :
La probabilit dun vnement sur larbre est obtenue en multipliant les probabilits portes sur ses
branches.
La probabilit dun vnement correspondant plusieurs chemins est obtenue en ajoutant les proba-
bilits de chaque chemin.

Exemple : On reprend lexemple prcdent.


La probabilit de tirer une boule verte puis une boule rouge est :
3 4 1 4 4
= =
p (V 1, R2) =
9 9 3 9 27
La probabilit de tirer deux boules de mme couleur est :
p = p (R1, R2) + p (V 1, V 2) + p (N 1, N 2)
4 4 3 3 2 2 16 + 9 + 4 29
= + + = =
9 9 9 9 9 9 81 81
Exercices : 2, 4 page 325 ; 31, 33 page 336 et 35 page 337 2 20 page 332 et 36, 37 page 337 3 [TransMath]

2 Loi de Bernoulli
Dfinition :
On appelle preuve de Bernoulli toute preuve deux issues possibles : un succs (not S) ou un
chec (not S).
La loi de Bernoulli est la loi de probabilit de la variable alatoire Y prenant la valeur 1 si lissue
est un succs, et 0 si lissue est un chec.
On note p = p (Y = 1) = p (S).
p est appel paramtre de la loi de Bernoulli.
On dit aussi que loi loi de probabilit de la variable alatoire Y suit la loi de Bernoulli.
1. Simulation de la loi du nombre de succs.
2. Rptition dexpriences identiques et indpendantes.
3. Loi gomtrique tronque.

2
2 LOI DE BERNOULLI

Figure 1 Rptition dexpriences identiques et indpendantes

3
3 SCHMA DE BERNOULLI LOI BINOMIALE

Remarques :
1. On peut reprsenter la loi de Bernoulli par larbre pondr de la figure 2.

Figure 2 Loi de Bernoulli

2. La loi de probabilit de Y est alors :


k 0 1
p (Y = k) 1p p
Exemple : On lance un d quilibr six faces, les faces tant numrots de 1 6.
On considre quil y a un succs lorsque le rsultat du lancer est un 6, un chec sinon.
Il sagit dune preuve de Bernoulli de paramtre 16 .
Elle correspond la loi de Bernoulli :
k 0 1
5 1
p (Y = k)
6 6

Proprit : Soit Y une variable alatoire suivant la loi de Bernoulli de paramtre p.

E (Y ) = p et V (Y ) = p (1 p)

Dmonstration :

E (Y ) = p (Y = 0) 0 + p (Y = 1) 1 = p 1 = p

2 2
V (Y ) = p (Y = 0) (0 E (Y )) + p (Y = 1) (1 E (Y ))
2
= (1 p) p2 + p (1 p) = p (1 p) [p + 1 p] = p (1 p)

3 Schma de Bernoulli Loi binomiale


Activit : Activit 2 page 317 4 [TransMath]

3.1 Un exemple pour comprendre


Exemple : On considre lexprience alatoire consistant lancer trois fois de suite un d 6 faces non
truqu. La variable alatoire X reprsente le nombre de fois que le numro 6 est sorti au cours de ces 3
lancers.
On peut modliser cette exprience par une rptition indpendante de lpreuve de Bernoulli de
lexemple du 2.
On obtient larbre pondr de la figure 3.
La variable alatoire X peut prendre les valeurs 0, 1, 2 ou 3.
4. La planche de Galton.

4
3 SCHMA DE BERNOULLI LOI BINOMIALE 3.1 Un exemple pour comprendre

Figure 3 Un exemple de schma de Bernoulli

5
3.2 Schma de Bernoulli Loi binomiale 3 SCHMA DE BERNOULLI LOI BINOMIALE


X = 0 correspond lvnement S S S .
On a donc :  3
5 5 5 5 125
p (X = 0) = = =
6 6 6 6 216

X = 1 correspond lvnement S S S ; S S S ; S S S .
On a donc :
 2
1 5 5 5 1 5 5 5 1 1 5 75
+ + =3
p (X = 1) = =
6 6 6 6 6 6 6 6 6 6 6 216

X = 2 correspond lvnement S S S ; S S S ; S S S .
On a donc :
 2
1 1 5 5 1 1 1 5 1 1 5 15
p (X = 2) = + + = 3 =
6 6 6 6 6 6 6 6 6 6 6 216
X = 3 correspond lvnement {S S S}.
On a donc :  3
1 1 1 1 1
p (X = 3) = = =
6 6 6 6 216

3.2 Schma de Bernoulli Loi binomiale

Dfinition :
On appelle schma de Bernoulli dordre n lexprience consistant rpter n fois de manire
indpendantes la mme preuve de Bernoulli de paramtre p.
La loi binomiale de paramtres n et p est la loi de probabilit de la variable alatoire X prenant
prenant comme valeurs le nombre de succs (S) obtenus au cours des n preuves du schma de
Bernoulli.
On dit aussi que loi loi de probabilit de la variable alatoire X suit la loi binomiale de paramtres
n et p.
Remarque : Dans lexemple du 3.1, on a donc un schma de Bernoulli dordre 3.
La variable alatoire X suit la loi binomiale de paramtres 3 et 61 .
Dfinition : Le nombre de chemins de larbre
 pondr
 associ un schma de Bernoulli dordre n conduisant
n
k succs pour n rptitions est not .
  k
n
Les nombres entiers sont appels coefficients binomiaux.
k
Remarques :
 
n
1. se lit k parmi n
k
       
3 3 3 3
2. Grce au 3.1, on a dj trouv que = 1; = 3; = 3 et = 3.
0 1 2 3
3. On peut utiliser la calculatrice pour trouver les coefficients binomiaux. Voir le TP 23 page 334 5
[TransMath].
Proprit : Soit X une variable alatoire suivant la loi binomiale de paramtres n et p.
1. Les valeurs de X sont {0 ; 1 ; 2 ; . . . ; n}
2. Pour tout k {0 ; 1 ; 2 ; . . . ; n} :
 
n nk
p (X = k) = pk (1 p)
k

5. Calculer des probabilits suivant une loi binomiale.

6
3 SCHMA DE BERNOULLI LOI BINOMIALE 3.3 Esprance, variance, cart-type

Remarque : On peut utiliser la calculatrice pour trouver calculer des probabilits suivant une loi binomiale.
Voir le TP 23 page 334 6 [TransMath].
Exercices : 5, 6, 7 page 327 ; 18, 19 page 332 et 51, 52 page 339 7 44, 46, 47 et 53 page 339 8 [TransMath]

3.3 Esprance, variance, cart-type

Proprit : (admis)
Soit X une variable alatoire suivant la loi binomiale de paramtres n et p.
Son esprance est : E (X) = np
Sa variance est : V (X) = np p (1 p)
Son cart-type est : (X) = np (1 p)

Exercices : 9, 10 page 328 et 52 page 339 9 [TransMath]

3.4 Complments sur les coefficients binomiaux

Proprit : Soit n un entier naturel, n 1.


   
n n
1. = 1 et = 1.
0 n
2. Si k est un entier naturel tel que 0 k n :
   
n n
=
nk k

3. Si k est un entier naturel tel que 1 k n 1 :


     
n n n+1
+ =
k k+1 k+1

Dmonstration :
1. Dans larbre, un seul chemin ralise 0 succs et un seul chemin ralise n succs.
2. Comme n k succs correspondent k checs, il y a autant de chemins menant k succs
qu n k succs.

n+1
3. est le nombre de chemins qui ralisent k + 1 succs parmi n + 1 rptitions. Il y
k+1
en a de deux types :
(a) ceux qui commencent
  par un succs : il reste alors k succs parmi n rptitions.
n
leur nombre est donc .
k
(b) ceux qui ne commencent pas  succs : il reste alors k + 1 succs parmi n
 par un
n
rptitions. leur nombre est donc .
k+1
     
3 2 2
Exemple : = + =1+2=3
1 0 1
 
n
Remarque : En particulier, la deuxime formule permet de calculer de proche en proche. Les
k
rsultats sont dtaills dans le tableau 1, appel triangle de Pascal.
Exercices : 56 page 340 ; 59, 60 page 341 et 64 page 342 10 [TransMath]
6. Calculer des probabilits suivant une loi binomiale.
7. Utiliser la loi binomiale.
8. Utilisation de la calculatrice.
9. Esprance dune loi binomiale.  
n
10. Utilisation des formules sur les .
k

7
4 INTERVALLE DE FLUCTUATION ET PRISE DE DCISION

k
0 1 2 3 4 5
n
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1

Table 1 Triangle de Pascal

4 Intervalle de fluctuation et prise de dcision

4.1 Quelques rappels de Seconde

Dfinitions :
1. On appelle chantillon de taille n la srie statistique forme des rsultats obtenus lorsquon rpte n
fois une exprience dans les mmes conditions.
2. La distribution de frquences associe lchantillon est le tableau des frquences issues de cette
chantillon.
Exemple : On lance dix fois de suite une pice bien quilibre. On obtient P (Pile), F (Face), F, F, P, P,
F, P, F, F.
Il sagit dun chantillon de taille 10 (on a rpt lexprience 10 fois).
La distribution de frquences est :
Rsultat Pile Face
Effectif 4 6
Frquence 0,4 0,6
Remarques :

1. Les distributions de frquences varient dun chantillon lautre pour la mme exprience. Cest ce
quon appelle la fluctuation dchantillonnage.
2. Mme pour des chantillon de mme taille, la distribution de frquences peut varier.
3. Lorsque la taille de lchantillon augmente, les distributions de frquences ont tendance se stabiliser.
Plus prcisment, on a la proprit suivante, vue en classe de Seconde :
Proprit : (admise)
Soit un caractre dont la proportion dans une population donne est p.
Si 0, 2 p 0,8 et si n 25, alors 95 % des chantillons de taille n auront une distribution de frquence
dans la quelle la frquence du caractre sera dans lintervalle :
 
1 1
p ; p+
n n

Cet intervalle est appel intervalle de fluctuation au seuil de 95 %.

4.2 Intervalle de fluctuation 95 % selon la loi binomiale

Dfinition : Soit un caractre dont la proportion dans une population donne est p.
Lintervalle de fluctuation 95 % dune frquence, pour un chantillon de taille n, selon la loi binomiale
de paramtres n et p est :
  (
a b a : plus petit entier tel que p (X a) > 0, 025
; avec
n n b : plus petit entier tel que p (X b) 0, 975

8
RFRENCES 4.3 Prise de dcision partir dun chantillon

Remarque : On admettra que si n 30, np 5 et n (1 p) 5, cet intervalle de fluctuation est sensible-


ment le mme que celui vu en Seconde.
Exercice : 63 page 341 11 [TransMath]

4.3 Prise de dcision partir dun chantillon

On considre une population dans laquelle on suppose que la proportion dun caractre est p.
On observe la frquence f de ce caractre dans un chantillon de taille n et on considre lhypothse la
proportion de ce caractre dans la population est p .
On a alors la rgle de
 dcision suivante :
Si f na ; nb : on considre que lhypothse nest pas remise en question et lon accepte au seuil de


risque de
 5 %;
Si f / na ; nb : on rejette lhypothse au seuil de risque de 5 %.

Module : TP 24 page 335 12 [TransMath]


Exercices : 11, 13 page 330 et 61, 62 page 341 13 [TransMath]

Rfrences
[TransMath] transMATH 1re S, dition 2011 (Nathan)

2, 4, 6, 7, 9

11. Comparaison dintervalles de fluctuation 95 %.


12. Un d truqu ?
13. Prise de dcision partir dun chantillon.