Académique Documents
Professionnel Documents
Culture Documents
CAHIER D’ACCOMPAGNEMENT
2
MATH 10605 Probabilités et loi binomiale Avant-séance
3
MATH 10605 Probabilités et loi binomiale Avant-séance
Rappel – Lien vers la capsule : Règles de base du calcul des probabilités – Durée ≈ 10 minutes
Introduction
Dans cette capsule, nous passons en revue certaines règles de bases pour le calcul de probabilités.
Exemple : Sondage
On a réalisé un sondage auprès des étudiants du cours d’analytique d’affaires au B.A.A. à la session d’automne
2016. Celui-ci portait sur leur consommation de séries télé.
919
78
Proportion d’étudiants n’ayant pas répondu au sondage P ( N ) = ≈ 56,2%
0.08 = 56,2%
8%
919
997
En d’autres mots, si l'on sélectionne au hasard un étudiant, alors il y a une probabilité de 0000
8% qu’il ne réponde
pas au sondage, évènement que l’on dénote ici par « N = {Ne répond pas} ».
L’un des indicateurs de la portée d’un sondage est ce que l’on appelle son taux de réponse. En effet, plus il est
élevé, plus les conclusions du sondage sont fiables
fiables si l’on souhaite les généraliser au-delà de l’échantillon.
Le taux de réponse correspond ici à la probabilité qu’un étudiant réponde, évènement que l’on dénote ici par
« R = {Répond} ». Or « répondre » est le contraire
contraire de « ne pas répondre ». La convention est d’utiliser un « C »
en exposant pour l’indiquer (voir ci-dessous). Intuitivement, puisque la probabilité de « ne pas répondre » est de
8% alors la probabilité de « répondre », son contraire,
0000, contraire est de 0000%.
92
On peut écrire le calcul ainsi
P ( R ) = P ( NC )
= 1 −– 0.08
P(N)
= 1 −– 0.08
0.08
= 1 −0.92
= 0.08 92%%
56,2
4
MATH 10605 Probabilités et loi binomiale Avant-séance
Règle du contraire
Formellement, on a appliqué la règle du contraire dans cet exemple. Cette règle part du principe que tous les cas
possibles, représentés ici par un rectangle qui les contient tous, ont collectivement une probabilité de 0000,
1
100% Considérons un évènement A. L’évènement A et son contraire représentent tous les cas
c’est-à-dire de 00000.
possibles.
C
A A Probabilité totale = 56
1
Ainsi, 000000000000000
l'addition de leurs probabilités donne 0000.
1
= + P ( AC )
P ( A ) 000 56
=1 ⇔ P ( AC ) – P ( A)
1 000
56
Exemple : (Suite)
Dans le sondage, on a demandé aux étudiants à quelle source principale ils font appel pour visionner des séries
télé. Chaque répondant a ainsi identifié une source principale parmi les 6 choix de réponse ci-dessous
Source principale Probabilité
1. Abonnement à un streaming payant (ex. Netflix) 0,459
2. Streaming à travers une plateforme qui ne requiert pas d’abonnement payant 0,419
3. DVD acheté par vous-mêmes ou par autrui 0,036
4. DVD offert ou prêté 0,021
5. Télévision classique 0,058
6. Autres 0,007
Total 1
Exemple : 45,9% des répondants font principalement appel à un service payant de streaming.
Supposons que nous sommes intéressés à la probabilité qu’un répondant choisi au hasard utilise le streaming
comme source principale. Ceci regroupe deux des cas possibles : le streaming avec et sans abonnement payant.
En d’autres mots, un répondant utilise principalement le streaming s’il l’utilise avec un abonnement 0000
ou sans
abonnement payant.
Streaming = Streaming payant 0000
OU Streaming gratuit
Pour obtenir la probabilité souhaitée, il suffit par conséquent de faire 0000000000000000
l'addition des probabilités de
ces deux cas. Avec nos données de sondage, on trouve qu’il y a 00000 87.8% de chances qu’un répondant utilise le
streaming comme source principale.
P ( Streaming ) P ( Streaming payant ) 000
= + P ( Streaming
= gratuit ) 0,459
= 000
+ 0,419 56,27%
0.878 = 587.8%
6,27%
5
MATH 10605 Probabilités et loi binomiale Avant-séance
Règle de l’addition
Formellement, si l’on souhaite calculer la probabilité que l’évènement A ou l’évènement B se produise, alors il
suffit de faire 000000000000000
l'addition de leurs probabilités. On peut appeler ce principe la règle de l’addition.
A B P ( A ou B ) = P ( A ) 000
+ P (B)
Exemple : (Suite)
Pour citer un autre exemple, 42% des étudiants ont affirmé écouter la série Prison Break, alors que 41% d’entre
eux ont dit écouter Suits. Pour calculer la probabilité qu’un étudiant écoute l’une ou l’autre de ces deux séries,
on peut ainsi penser à en additionner les probabilités, ce qui donne 83%. Or, ce raisonnement est 100000.
faux
Le problème vient du fait qu’un même étudiant peut être un auditeur des deux séries. En d’autres mots, les
évènements A et B en jeu 000000000000
ne sont pas disjoints, mais possèdent une intersection
intersection qui correspond aux
étudiants qui suivent à la fois Prison Break 0000
et Suits.
A B
P ( A ou B ) = P ( A ) 000
+ P ( B ) 000
– P ( A et B )
6
MATH 10605 Probabilités et loi binomiale Avant-séance
Exemple : (Suite)
Pour appliquer ceci au cas des séries télé, il faut d’abord examiner à nouveau la base de données pour y constater
que 23% des étudiants écoutent à la fois Prison Break et Suits. En 0000000000000
soustrayant cette probabilité
000000000000000,
à la somme on trouve que c’est en fait 0000060% des étudiants qui suivent Prison Break ou Suits.
P ( PB ou S ) P ( PB ) 000
= += – P ( PB et S ) 0,42
P ( S ) 000 = + 0, 41 000
000 – 0, 23 60%%
56,2
En d’autres mots, 00000
60% des étudiants suivent 000000000
au moins une de ces deux séries.
A B A et B sont mutuellement
mutuellement exclusifs
exclusifs
A B
Dans le cas où les évènements sont mutuellement exclusifs, alors P ( A et B ) = 056 , puisque c’est
mutuellement exclusifs
impossible que les deux évènements arrivent en même temps.
impossible
7
MATH 10605 Probabilités et loi binomiale Avant-séance
Règle de l’inclusion
Considérons maintenant la probabilité qu’un étudiant écoute Prison Break et Suits et celle qu’un étudiant écoute
Suits. Forcément, si un étudiant écoute les deux séries, alors il écoute en particulier Suits. Plus
mathématiquement, si l’on dénote ces deux évènements par « A = {Prison Break et Suits} » et « B = {Suits} »,
alors on peut dire que A est inclus
inclus dans B, et l’on peut représenter le tout par le graphique ci-dessous.
B
Notation : A ⊆ B
A
Puisque B est automatiquement réalisé lorsque A se réalise, alors les chances que B se réalise sont
nécessairement 000000000000
supérieures à celles que A se réalise.
Si A ⊆ B , alors P ( A ) 0≤00 P ( B )
Par exemple, il y a forcément 0000000
plus d’étudiants qui écoutent Suits, que d’étudiants qui écoutent à la fois
Suits et Prison Break, d’où l’inégalité.
S
PB et S PB et S ⊆ S ⇒ P ( PB et S ) = 0, 23 0≤
00 P ( S ) = 0, 41
De même, si un étudiant écoute Suits, alors il écoute forcément l’une ou l’autre des deux séries, ce qui signifie
une autre inclusion. On en déduit une autre inégalité.
PB ou S
S
S ⊆ PB ou S ⇒ P ( S ) = 0,41 00
≤0 P ( PB ou S ) = 0,60
Si A ⊆ B, alors P ( A ) 00
≤0 P ( B )
8 Correction 1
MATH 10605 Probabilités et loi binomiale Avant-séance
Résumé de la capsule 1
C P ( AC ) = 156 –56 P ( A )
A A
A B
P ( A ou B ) = P ( A ) +56 P ( B ) –56 P ( A et B )
Règle de l’addition si A1, A2, A3, … , Ak sont des évènements mutuellement exclusifs
P ( A1 ou A2 ou A3 ou ou Ak ) = P ( A1 ) + P ( A2 ) + P ( A3 ) + + P ( Ak )
Si l’on devait tracer un diagramme de Venn pour représenter les évènements A1, A2, A3, … , Ak, quelle
serait la principale différence graphique entre ce nouveau diagramme et celui de la règle générale de
l’addition ?
Règle de l’inclusion
A Si A ⊆ B, alors P ( A ) 000 P ( B )
9
MATH 10605 Probabilités et loi binomiale Avant-séance
Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.
10
MATH 10605 Probabilités et loi binomiale Avant-séance
Introduction
Dans cette capsule, nous exposons la règle de multiplication, une règle de base du calcul de probabilités.
Exemple :
Considérons un instant un jeu simpliste qui consiste à rouler un dé puis tirer à pile ou face. On gagne si l’on roule
un « 6 » suivi de pile. Pour calculer la probabilité de gagner, on doit d’abord considérer les chances de rouler un
« 6 » qui sont évidemment de 00001 chance sur 0000.
6 Or, chaque fois que l’on aura roulé un « 6 », on ne gagnera
que la moitié
moitié du temps, selon le résultat du tir à pile ou face. Il faut ainsi diviser notre probabilité par 0000,
2 ou
de façon équivalente, la multiplier par 1 / 0000,
2 la probabilité d’obtenir pile.
P ( Gagner ) = P ( Obtenir un 6 et Obtenir pile )
= P ( Obtenir un 6 ) × P ( Obtenir pile )
56
1 1 56
1
= × = ⇒ Il y a 56 12 de gagner
1 chance sur 56
56
6 56
2 56
12
Il est important de noter que ce raisonnement fonctionne, car le résultat du dé, par exemple le fait d’obtenir un
6, n’affecte en rien la propension de la pièce de monnaie à tomber sur pile. En d’autres mots, les résultats des
deux parties du jeu sont 0000000000000
indépendants entre eux, ou encore, les deux évènements combinés par un « et »
sont 000000000000.
indépendants
Règle de la multiplication
La règle qui se dégage est qu’il suffit 00000000000000
de multiplier les probabilités d’évènements 000000000000
indépendants
lorsqu’on les combine par un « et ». En fait, cette règle est valide, peu importe le nombre d’évènements en jeu.
Ainsi, si l’on considère des évènements 000000000000
indépendants A1, A2, A3, … , Ak, alors la probabilité qu’ils surviennent
simultanément est obtenue en multipliant
multipliant leurs probabilités individuelles. C’est ce qu’on peut appeler la
règle de la multiplication :
P ( A1 et A2 et A3 et et Ak ) = P ( A1 ) 000
* P ( A2 ) 000
* P ( A3 ) 00 * P ( Ak )
*0 000
11
MATH 10605 Probabilités et loi binomiale Avant-séance
Exemple :
Pour donner un autre exemple, supposons que 99% des gens sont en faveur d’une idée. Quelle est la probabilité
que 3 répondants, interceptés au hasard dans la rue, affirment être en faveur de cette idée ?
Plutôt que d’énumérer chacun des cas, on pourrait abréger en utilisant la notation ci-dessous.
Ai = {Le répondant i est en faveur de l’idée} où i = 1, 2, 3 P ( Ai ) = 0,99 .
La probabilité que les trois répondants interrogés soient en faveur de l’idée est égale à la probabilité que le
premier soit en faveur 0000
et que le second soit en faveur 0000
et que le troisième soit en faveur.
En admettant que les gens répondent indépendamment les uns des autres, il suffit, selon la règle de la page
précédente, 00000000000000
de multiplier les probabilités des trois évènements.
P (Les 3 répondants sont en faveur ) = P ( A1 et A2 et A3 )
= P ( A1 ) 000 * P ( A3 )
* P ( A2 ) 000
= 0,99 000 *0 0, 99
* 0,99 00
= 56,2%
0.97
12 Correction 2
MATH 10605 Probabilités et loi binomiale Avant-séance
Résumé de la capsule 2
Soit A1, A2, A3, … , Ak des évènements 0000000000000, alors la probabilité qu’ils surviennent simultanément
est obtenue par 00000000000000000 de leurs probabilités individuelles. C’est ce qu’on peut appeler la règle
de la multiplication.
Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.
13
MATH 10605 Probabilités et loi binomiale Avant-séance
Introduction
Dans cette capsule, on aborde la notion de distribution
distribution empirique et de distribution
distribution de probabilités en
se concentrant sur le cas des variables quantitatives discrètes.
0.30
Fréquence observée
0.25
0.20
0.15
0.10
0.05
0.00
0 1 2 3 4 5 6
Nombre de points marqués dans un match
La variable à l’étude est donc X = Nombre de points marqués par Crosby dans le match. Dans le diagramme ci-
dessus, on retrouve d’une part, sur l’axe horizontal, les valeurs prises par la variable. Notons qu’il est arrivé à
Crosby de marquer jusqu’à 6 points dans un même match.
D’autre part, les bâtonnets montrent comment se répartissent les observations entre les valeurs possibles.
Le plus souvent, soit 33% des matchs, Crosby marque 1 point. C’est 00000000000.
le mode
La grande majorité des matchs, il marque 0, 1 ou 2 points.
Il marque 4 points 3 matchs sur 100.
Etc.
La spécification des valeurs possibles avec la répartition des observations à travers ces valeurs constitue ce qu’on
appelle la distribution
distribution de la variable.
14
MATH 10605 Probabilités et loi binomiale Avant-séance
Exemple : Lancers de dé
Voici un autre exemple où la distribution des résultats de 100 lancers d’un dé est représentée. On peut voir dans
le diagramme ci-dessous les six résultats possibles, correspondant aux six faces du dé. On voit aussi que les
valeurs observées se répartissent relativement équitablement
équitablement entre ces six résultats. Il est à noter qu’une
telle distribution peut tout aussi bien être communiquée au moyen d’un tableau (voir à droite ci-dessous).
0.20 1 16
Fréquence observée
0.15
2 22
3 17
0.10
4 12
0.05
5 18
0.00
1 2 3 4 5 6 6 15
Résultat du lancer de dé
Notez que contrairement à l’exemple de Sidney Crosby, pour qui le nombre de points est théoriquement illimité
dans un match, le nombre de résultats possibles est ici égal à six étant donné la structure même du dé.
0.25
Fréquence observée
0.20
0.15
0.10
0.05
0.00
0 1 2 3 4 5
Nombre de piles
15
MATH 10605 Probabilités et loi binomiale Avant-séance
Cas d’une variable discrète
Dans les 3 exemples précédents, on s’intéressait à une variable quantitative discrète. Pour ce type de
quantitative discrète
variables, on a vu qu’à partir de données,
données on peut créer un 000000000000000000000,
diagramme en bâtonnets ou de façon
équivalente, un tableau des fréquences
fréquences d’observation. Un tel diagramme ou tableau révèle la distribution des
données.
données
Distribution de probabilités
Une distribution de probabilités est un modèle
modèle mathématique et 0000000000,
théorique dont l’objectif est d’expliquer
le comportement des observations d’une variable.
Exemple :
La distribution de probabilités représentée dans le diagramme ci-dessous modélise le comportement d’un dé.
En effet, toutes les faces du dé devraient théoriquement survenir la même proportion du temps, d’où une
répartition égale. Comme la probabilité totale doit nécessairement être de 0000,
1 et que le dé compte six faces,
il est logique de s’attendre à ce qu’un dé tombe sur chacune de ses faces un sixième du temps.
16
MATH 10605 Probabilités et loi binomiale Avant-séance
Qu’est-ce qu’un bon modèle ?
Mettons en parallèle la distribution 0000000000,
théorique qui capture mathématiquement le comportement d’un dé (ce
qui est attendu selon le modèle), et la distribution 0000000000
empirique obtenue lors de 100 lancers d’un dé (ce qui est
réellement arrivé), que nous avons vue précédemment.
Distribution empirique
empirique Distribution théorique
théorique
0.20 0.20
Probabilité
Probabilité
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
1 2 3 4 5 6 1 2 3 4 5 6
Résultat du lancer de dé Résultat du lancer de dé
Bien que le hasard produit dans la pratique des nombres inégaux de chaque valeur du dé, on remarque tout de
même une concordance
concordance certaine entre une distribution théorique
théorique et empirique.
empirique
Exemple :
La distribution de probabilités précédente ne semble pas être un bon modèle pour capturer le comportement
du nombre de piles lors d’une joute de 5 Pile ou face. En effet, la distribution des données suggère une autre
forme.
Distribution empirique
empirique Distribution théorique
théorique
0.20
Probabilité
0.20
0.15
0.15
0.10
0.10
0.05 0.05
0.00 0.00
0 1 2 3 4 5 1 2 3 4 5 6
Nombre de piles Résultat du lancer de dé
17
MATH 10605 Probabilités et loi binomiale Avant-séance
Une autre distribution de probabilités, appelée loi 0000000000000,
Binomiale s’avère beaucoup plus adéquate
puisqu’elle s’accorde beaucoup mieux avec ce que disent les données.
Distribution empirique (données) Distribution de probabilités (modèle théorique)
0.30 0.30
Fréquence observée
0.25 0.25
Probabilité
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 1 2 3 4 5 0 1 2 3 4 5
Nombre de piles Nombre de piles
Pour les variables discrètes, vous aurez compris que les distributions de probabilités peuvent être présentées de
façon similaire aux distributions empiriques. Précisément, on utilise dans les deux cas un diagramme à
bâtonnets, ou encore un tableau. Du côté 0000000000,
empirique les fréquences d’observation sont présentées. Du côté
0000000000,
théorique ce sont plutôt les probabilités à accorder à chaque valeur possible de la variable, qui sont
présentées. Remarque : Ceux qui travaillent à un niveau plus avancé utilisent souvent des formules
mathématiques pour définir des distributions de probabilités, mais nous n’aborderons pas cet aspect.
ATTENTION
Quand on cherche un modèle théorique pour une variable, il est important que les valeurs possibles de la
variable, telles que définies par le modèle, concordent avec les valeurs possibles de la variable dans la réalité.
Dans l’exemple du dé, cela semble trivial. En effet, le dé ayant six faces, six résultats sont observés dans la
pratique, et il va de soi que le modèle théorique doit être défini sur ces six valeurs.
Distribution empirique (données) Distribution de probabilités (modèle théorique)
Résultat de 100 lancers de dé Distribu�on de probabilités uniforme
0.25 0.25
0.20 0.20
Probabilité
Probabilité
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
1 2 3 4 5 6 1 2 3 4 5 6
Résultat du lancer de dé Résultat du lancer de dé
18
MATH 10605 Probabilités et loi binomiale Avant-séance
Dans l’exemple sur Sidney Crosby, c’est peut-être moins trivial. Dans la pratique, il a marqué jusqu’à six points
dans le même match. Cependant, le nombre de points qu’il marque dans un match pourrait en principe être plus
élevé. Il n’y a en fait pas de limite 0000000000.
théorique Pour modéliser le nombre de points dans un match, on a ici
opté pour une distribution de probabilités appelée loi de Poisson. Dans ce modèle théorique,
théorique toutes les
valeurs entières sont possibles, mais une probabilité infime est associée aux grands entiers, comme 7, 8, 9, et
tous les autres qui ont été omis dans le diagramme de droite ci-dessous.
Distribution empirique (données) Distribution de probabilités (modèle théorique)
0.30
0.25
Probabilité
0.25
0.20
0.20
0.15
0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 1 2 3 4 5 6 0 1 2 3 4 5 6 7 8 9
Nombre de points marqués dans un match Nombre de points marqué dans un match
0.30
0.25
0.20
Crosby
0.15
Poisson
0.10
0.05
0.00
0 1 2 3 4 5 6 7 8 9
Nombre de points marqué dans un match
Dans notre cours, peu de modèles théoriques spécifiques sont au programme, parmi la panoplie existante. En
particulier, le modèle de Poisson évoqué dans l’exemple de Sidney Crosby n’est pas au programme.
19 Correction 3
MATH 10605 Probabilités et loi binomiale Avant-séance
Résumé de la capsule 3
Types de distributions
Lorsque la répartition de données, recueillies dans la pratique, est étudiée, on peut parler de distribution
0000000000.
La distribution de probabilités est un modèle 0000000000 dont l’objectif est de capturer
mathématiquement le comportement des observations d’une variable.
Objectif
Un bon modèle théorique, pour une variable de type quantitative discrète, approche le mieux possible
la répartition réelle des données. En d’autres mots, on souhaite une bonne adéquation entre la distribution
0000000000 et la distribution 0000000000.
Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.
20
MATH 10605 Probabilités et loi binomiale Avant-séance
Rappel – Lien vers la capsule : Valeur espérée et calcul pour une variable discrète – Durée ≈ 7 minutes
Introduction
Dans cette capsule, on définit la valeur espérée d’une variable, et l’on apprend comment en effectuer le
valeur espérée
calcul si la variable est discrète.
Valeur Probabilité
0 0.30
1 0.40
2 0.20
3 0.07 Ex. : 7% des patients visitent
4 0.02 la clinique 3 fois par an.
5 0.01
Nous apprendrons comment on peut calculer la moyenne recherchée à partir de ce tableau ou d’une distribution
de probabilité.
21
MATH 10605 Probabilités et loi binomiale Avant-séance
Exemple : Pile ou face
Afin de bien comprendre la base, portons pour le moment notre attention sur l’exemple le plus simple qui soit :
tirer à Pile ou face. On peut coder le résultat d’une pièce de monnaie au moyen d’une variable indicatrice X.
Valeur de X Probabilité
1 Si le lancer donne pile
X = 1 1/2
0 Si le lancer donne face
0 1/2
Intuitivement, vous penserez sans doute qu’on devrait remporter en moyenne 0.50$ par lancer, et vous aurez
raison. En fait, il s’agit là de la moyenne des deux valeurs de gain possibles, que l’on aurait pu écrire sous la forme
ci-dessous :
0000
1 $ + 0000
0 $ 1 1
Gain moyen
= = 00100 $ × + 0000
0 $=
× 00000
0.5= $ E[X]
2 2 2
Cette moyenne est ce que l’on appelle la valeur espérée de la variable X. On la dénote au moyen de la lettre
valeur espérée
majuscule « E ».
1+1+ 0 + 0 2 1
n =⇒
4 lancers = =
4 4 2
Similairement, si l’on joue 6 fois, on s’attend théoriquement à obtenir 0000000
trois « 1 » et 0000000
trois « 0 ». La
moyenne de ces valeurs mène ici encore au même résultat.
1+1+1+ 0 + 0 + 0 3 1
6 lancers ⇒
n= = =
6 6 2
En fait, considérons n’importe quel nombre de lancers desquels on s’attend théoriquement à une moitié moitié de
« 1 » et une moitié
moitié de « 0 ». Ce n’est pas tant le détail du calcul de la moyenne qui nous intéresse, mais bien le
fait qu’on obtienne 000000000
toujours la même moyenne théorique.
n /2
n /2
1 + 1 ++ 1 + 0 + 0 ++ 0 n / 2 1
n lancers ⇒ = =
n n 2
22
MATH 10605 Probabilités et loi binomiale Avant-séance
Le problème avec ce raisonnement est que dans la vraie, on n’observe pas nécessairement deux « 1 » lors de 4
lancers. Pas plus que l’on n’observe exactement trois « 1 » lors de 6 lancers. Bref, le hasard ne répartit pas les
lancers de façon parfaitement égale dans la pratique, malgré la distribution de probabilité théorique.
Pour le constater de façon plus concrète, on a réalisé l’expérience qui consiste à effectuer trois lancers pour
lesquels le hasard a mené à un gain total de 2$. Autrement dit, le gain moyen est de 2/3$, ou 0,667$. Bien
entendu, si vous réalisez vous-mêmes cette expérience, vos résultats pourront varier.
On a répété l’expérience pour différents nombres de lancers, les résultats sont résumés ci-dessous.
Expérience réelle
Nombre de lancers Résultats Gain total Gain moyen
3 1 « 0 » et 2 « 1 » 2$ 2/3 = 0,667$
6 4 « 0 » et 2 « 1 » 2$ 2/6 = 0,333$
10 4 « 0 » et 6 « 1 » 6$ 6/10 = 0,600$
100 47 « 0 » et 53 « 1 » 53$ 53/100 = 0,530$
1 000 513 « 0 » et 487 « 1 » 487$ 487/1000 = 0,487$
10 000 5 020 « 0 » et 4 980 « 1 » 4 980$ 4980/10000 = 0,498$
Ce qu’on remarque dans le tableau, c’est qu’à mesure que le nombre de lancers augmente, la moyenne se
stabilise et se rapproche de la moyenne 0000000000
stabilise théorique de 0,50$. Ainsi, les résultats « Pile » et « Face » ne se
répartissent pas parfaitement également dans la pratique.
Tout cela nous éclaire sur l’interprétation à faire de la valeur espérée calculée. Il s’agit du gain 00000000
moyen si l’on
répète l’expérience un très 000000
grand nombre de fois, voir un nombre 0000000
infini de fois.
23
MATH 10605 Probabilités et loi binomiale Avant-séance
Définition : Valeur espérée
De façon générale, la valeur espérée d’une variable aléatoire X, notée E[X], correspond à la valeur 000000000
moyenne
que l’on obtient si on l’observe un très 0000000
grand nombre de fois (en fait un nombre 0000000
infini de fois). Notons
que les observations doivent ici être effectuées indépendamment
indépendamment les unes des autres.
Considérons le cas d’une variable quantitative discrète dont les valeurs possibles, et les probabilités avec
quantitative discrète
lesquelles ces valeurs sont observées, sont répertoriées dans le tableau ci-dessous, appelé distribution de
probabilités. Pour calculer la valeur espérée, on doit faire la 00000000
moyenne des valeurs possibles. On pondère cette
moyenne par les probabilités des valeurs, qui indiquent la proportion du temps où elles surviennent, quand un
00000000
grand nombre d’observations est réalisé.
000000
Valeur Probabilité
x1 p1
x2 p2
x3 p3 E [ X ] = x1 ⋅ p1 + x2 ⋅ p2 + x3 ⋅ p3 + ... + xk ⋅ pk
xk pk
Pour conclure le volet théorique, notons que la valeur espérée est aussi appelée espérance.
espérance
Valeur Probabilité
0 0.30
1 0.40
2 0.20 E [ X ]= 00000 × 00000
0.30 + 0000
1 × 00000
0.40 + 2 × 0.20 + 3 × 0.07 + 4 × 0.02 + 5 × 0.01
3 0.07 = 000
1.140
4 0.02
5 0.01
En supposant que la distribution de probabilités soit adéquate pour modéliser les visites des patients l’an
prochain, on peut conclure que sur le très grand nombre de patients que comptera la clinique l’an prochain,
ceux-ci effectueront en moyenne 0000
1.14 visite chacun.
Rappel – Complément : Calcul rapide de la valeur espérée avec Excel – Durée ≈ 1 minute
24 Correction 4
MATH 10605 Probabilités et loi binomiale Avant-séance
Résumé de la capsule 4
Le concept de valeur espérée, aussi appelée espérance, s’applique dans le cas de variables de type… (cocher
la ou les bonnes réponses).
Quantitatif Qualitatif
La valeur espérée de la variable X, que l’on dénote par 00000 se définit comme la valeur 000000000 que l’on
obtient si l’on observe X un très 0000000 nombre de fois (voire 0000000), et où les observations sont
00000000000000 les unes des autres.
Remarque : Lorsqu’un petit nombre d’observations est réalisé, l’espérance est certes la valeur moyenne à
laquelle on peut s’attendre en théorie, mais la moyenne que nous observerons réellement dans nos données
pourrait s’en éloigner passablement. Cependant, pour un très grand nombre d’observations, la valeur espérée
se rapproche de la moyenne dans nos données.
Pour calculer la valeur espérée dans le cas d’une variable discrète, il faut de calculer 0000000000000 des valeurs
possibles de la variable. Pour cela, il suffit 0000000000000 les valeurs possibles à leurs probabilités respectives,
puis 0000000000000 le tout.
Valeur Probabilité
x1 p1
x2 p2
E[X] =
x3 p3
xk pk
Rappel – Complément : Calcul rapide de la valeur espérée avec Excel – Durée ≈ 1 minute
Français : E [ X ] = SOMMEPROD ( valeurs de X ; probabilités )
Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.
25
MATH 10605 Probabilités et loi binomiale Avant-séance
Notes complémentaires (à utiliser au besoin)
26
MATH 10605 Probabilités et loi binomiale Avant-séance
Introduction
L’objectif de cette capsule est de reconnaître les contextes où la loi 0000000000000
Binomiale est utile, et apprendre à
effectuer des calculs de probabilités basés sur cette loi.
000
49
Soit il n’effectue pas un achat 1− p =
000
50
La 00000000000000000000
mesure de performance qui nous intéresse ici est X = Nombre total d’achats sur l’ensemble des 3 000
clients. Puisque ce nombre n’est pas connu a priori, c’est une 00000000000000000000.
variable aléatoire
Une structure se dégage Nous sommes en présence de ce que l’on appelle des épreuves 0000000000000.
de Bernoulli
Exemple :
Dans notre cas, chaque client constitue une telle épreuve
Le client effectue un achat 00Succès
00000
Expérience aléatoire →
Le client n'effectue pas un achat 00Échec
00000
27
MATH 10605 Probabilités et loi binomiale Avant-séance
Ensuite, un nombre prédéterminé d’épreuves de Bernoulli est effectué, appelons le n.
o Exemple : Dans notre contexte, n = 3 000.
Aussi, comme nous identifions ici les achats comme des succès, notons que la variable d’intérêt X correspond au
nombre total de 0000000
succès parmi les n épreuves.
Enfin, rappelons que la probabilité qu’un client fasse un achat est de 1 sur 50.
1
Le client effectue un achat Succès p =
Expérience aléatoire → 50
Le client n'effectue pas un achat Échec
Loi binomiale
Plusieurs ingrédients sont ici réunis
1. Un nombre prédéterminé n d’épreuves de Bernoulli est effectué.
2. La probabilité p d’obtenir un succès
succès est 000000000
la même à chaque épreuve.
3. La variable d’intérêt X compte le nombre de succès
succès parmi les n épreuves.
4. Les épreuves de Bernoulli sont 00000000000000
indépendantes entre elles.
o Exemple : Dans notre cas, il est raisonnable de penser que les clients prennent la décision
d’effectuer ou non un achat indépendamment
indépendamment les uns des autres.
Lorsque ces quatre ingrédients sont réunis, on dit que la variable aléatoire X obéit à la loi binomiale (ou
« X suit une loi binomiale »). On dénote ceci comme indiqué ci-dessous. On prend bien soin d’indiquer les deux
paramètres n et p de la loi.
X Bin ( n , p )
Exemple : (Suite)
Dans notre exemple précédent, le nombre total d’achats obéit à une loi binomiale ayant les paramètres suivant :
1
X
= Bin n 3000
= , p
50
Remarquons que, puisque le nombre d’achats doit être un entier positif, et qu’il ne peut excéder le nombre total
de clients, alors la variable X peut prendre les valeurs 0000,
0 1, 2, 3, … , 000000.
3000
28
MATH 10605 Probabilités et loi binomiale Avant-séance
Utilité de la loi binomiale
Il est utile de reconnaître les situations où la loi binomiale se présente puisque cela habilite à effectuer plusieurs
calculs efficacement. En particulier :
00000000000
La moyenne d’une variable binomiale se calcule à l’aide de la formule suivante : E [ X ] = np .
00000000000
L'écart-type d’une variable binomiale se calcule à l’aide de la formule suivante : σ = (1 − p )
npnp(1-p) .
Pour calculer les probabilités, il existe des formules mathématiques sur lesquelles on s’appuyait dans le passé.
Cependant, de nos jours, il est opportun, pour ces calculs, de plutôt faire appel aux fonctions préprogrammées
de logiciels, largement disponibles. Dans Excel, la fonction LOI.BINOMIALE.N (BINOM.DIST en anglais) permet de
calculer toute probabilité d’une des deux formes ci-dessous.
P ( X = x ) = LOI.BINOMIALE.N ( x , n, p, 0 ) Remarque : Les détails d’utilisation d’Excel sont fournis dans la capsule
suivante, que vous pourrez regarder après avoir terminé la capsule 5.
P ( X ≤ x ) = LOI.BINOMIALE.N ( x , n, p, 1)
Dans les formules ci-dessus, x représente n’importe quel nombre entier nous intéressant, parmi les valeurs
possibles de la variable, donc entre 0000
0 et 0000.n On peut, par exemple, lui substituer 3, si c’est la valeur qui
nous intéresse, et pourvu qu’il y ait un total d’au moins trois épreuves de Bernoulli (c’est-à-dire 0000
n 0000
≥ 3).
P ( X = 3) = LOI.BINOMIALE.N ( 3, n, p, 0 )
P ( X ≤ 3) = LOI.BINOMIALE.N ( 3, n, p, 1)
Exemple : (Suite)
Dans notre exemple, nous avons reconnu que le nombre total d’achats X obéit à la loi binomiale. Cela nous
permet de répondre à nos deux questions initiales.
000
1
X Bin n 0000
= =30000 , p
500
00
Combien de nouveaux achats pouvons-nous espérer à la suite de cette manœuvre ?
0010
E[X] = np = 0000
30000 × = 000
60 achats
000
50
Il est d’ailleurs tout à fait logique, lorsqu’une offre promotionnelle est envoyée à 000000
3000 clients dont
généralement 0000 1 sur 000050 effectue un achat, de s’attendre à autour de 0000
60 achats.
29
MATH 10605 Probabilités et loi binomiale Avant-séance
La probabilité précédente signifie que l’on veut 56, ou 57 ou 58 achats, etc. Or, pour ce qui est des inégalités,
Excel ne permet de calculer directement que les probabilités exprimées en termes d’un signe 0000.
≤ Excel nous
permet ainsi de calculer la probabilité que X soit 55 ou moins qui s’établit à 28%.
ou moins,
P ( X > 55)
P ( X ≤ 55) =
0.28
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63
P ( X > 55)
C
A A 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63
P ( X ≤ 55)
Comme énoncé plus tôt, Excel n’est en mesure de fournir des probabilités que de deux formes spécifiques.
Cependant, toute autre probabilité exprimée en termes de la variable X peut être déduite en n’utilisant que ces
deux formes.
Exemple : (Suite)
Supposons que dans notre exemple nous avions plutôt voulu savoir la probabilité qu’il y ait entre 55 et 65 achats
inclusivement.
P ( 55 ≤ X ≤ 65) =
? 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
P ( X ≤ 54 ) =
0.24
52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
30
MATH 10605 Probabilités et loi binomiale Avant-séance
Autres exemples
Dans la pratique, la loi binomiale peut être rencontrée dans de très multiples contextes. Citons quelques
exemples utiles dans le domaine de la gestion :
Le 0000000
nombre de personnes favorables à une idée ou un produit, dans une population, obéit à la loi
binomiale. On retrouvera ce type de variables dans les sondages et les études de marché.
Le 0000000
nombre de clients qui ne renouvelleront pas leur abonnement de cellulaire, de câblo-diffusion, etc.
parmi les clients actuels. On retrouvera ce type de variables dans les études de rétention de la clientèle.
Le 0000000
nombre d’items défectueux dans un lot. On retrouvera ce type de variables dans les études de
contrôle de qualité.
Etc.
Calculs Excel
Rappel – Complément : Binomiale - Calculs de probabilité avec Excel – Durée ≈ 2 minutes
Soit X Bin ( n , p )
P ( X = x ) = LOI.BINOMIALE.N ( x , n, p, 0 )
P ( X ≤ x ) = LOI.BINOMIALE.N ( x , n, p, 1)
1
X Bin 3000 ,
50 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63
P ( X < 56 )
1
(
P ( X < 56 ) =P X ≤ 000
55 = )
00 ,3000, , 1 =000
LOI.BINOMIALE.N 055
50
00 .
0.28
P ( X ≥ 56 ) =
1 − P ( X < 56 ) = (
1 − P X ≤ 000 )
1 − 000
55 = 0000 .
00 = 00.72
0.28
31 Correction 5
MATH 10605 Probabilités et loi binomiale Avant-séance
Résumé de la capsule 5
Une expérience de Bernoulli est une expérience aléatoire pour laquelle il y a exactement 0000000 issues
possibles :
Il y a quatre ingrédients essentiels pour garantir que la variable X soit une loi binomiale
1. Un nombre prédéterminé d’épreuves de Bernoulli, notons-le 0000, est réalisé.
2. La probabilité d’obtenir un succès est 00000000000 à chaque épreuve, notons-la 0000.
3. Les épreuves de Bernoulli sont indépendantes entre elles.
4. La variable X représente le nombre de succès parmi les 000 épreuves.
Remarques
L’utilité principale de reconnaître qu’une variable obéit à la loi binomiale est que cela permet d’effectuer
efficacement plusieurs calculs. Notamment :
000000000000 d’une variable binomiale se calcule à l’aide de la formule suivante : E [ X ] = np .
( ) (
P X 000 x = LOI.BINOMIALE.N 000 , 000 , 000 , 000 )
P(X 000 x ) = LOI.BINOMIALE.N ( 000 , 000 , 000 , 000 )
Toute autre probabilité peut être déduite de probabilités qui s’expriment sous l’une des deux formes ci-dessus.
Une astuce pour éviter les erreurs de calcul est de faire appel à de petits diagrammes comme celui ci-dessous.
P ( 55 ≤ X ≤ 65) =
?
52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
32
MATH 10605 Probabilités et loi binomiale Avant-séance
Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.
Si vous avez complété tout le document jusqu’ici, vous pouvez maintenant aller compléter le quiz de
préparation sur ZoneCours.
33
MATH 10605 Probabilités et loi binomiale Avant-séance
AUTEUR.E.S.
Réinitialisation du formulaire
Attention : le bouton rouge ci-dessous sert à réinitialiser le formulaire lorsque de la préparation de vos
documents. Cela veut dire que si vous cliquez dessus, vous effacerez toutes les informations préalablement
inscrites dans ce document. Il est donc fortement déconseillé de cliquer dessus, à moins que vous vouliez
volontairement effacer toutes les informations déjà rentrées dans votre version du document.
Réinitialiser le formulaire
34