10605-S7-Avant Sçance

MATH 10605 – ANALYTIQUE D’AFFAIRES
CAHIER D’ACCOMPAGNEMENT
Probabilités et loi binomiale

MATH 10605 Probabilités et loi binomiale Avant-séance
Probabilités et loi binomiale – Préparation avant la séance
Table des matières

Capsule 1 – Règles de base du calcul des probabilités .............................................................................................4
Notes de cours trouées (Capsule 1) .....................................................................................................................4
Introduction ......................................................................................................................................................4
Règle du contraire ............................................................................................................................................5
Règle de l’addition ............................................................................................................................................6
Règle générale de l’addition .............................................................................................................................6
Évènements mutuellement exclusifs................................................................................................................7
Règle de l’inclusion ...........................................................................................................................................8
Résumé de la capsule 1 ........................................................................................................................................9
Exercices (Capsule 1) – Voir le fichier Excel ....................................................................................................... 10
Capsule 2 – Règle de la multiplication pour évènements indépendants .............................................................. 11

Notes de cours trouées (Capsule 2) .................................................................................................................. 11
Introduction ................................................................................................................................................... 11
Règle de la multiplication .............................................................................................................................. 11
Résumé de la capsule 2 ..................................................................................................................................... 13
Capsule 3 – Distribution : Cas des variables discrètes........................................................................................... 14

Notes de cours (Capsule 3) ................................................................................................................................ 14
Introduction ................................................................................................................................................... 14
Cas d’une variable discrète............................................................................................................................ 16
Distribution de probabilités........................................................................................................................... 16
Qu’est-ce qu’un bon modèle ? ...................................................................................................................... 17
2
Capsule 4 – Valeur espérée et calcul pour une variable discrète.......................................................................... 21

Introduction ................................................................................................................................................... 21
Réflexion sur la formule ................................................................................................................................ 22
Définition : Valeur espérée ............................................................................................................................ 24
Capsule 5 – La loi binomiale .................................................................................................................................. 27

Introduction ................................................................................................................................................... 27
Définition : Épreuve de Bernoulli ................................................................................................................... 27
Loi binomiale ................................................................................................................................................. 28
Utilité de la loi binomiale............................................................................................................................... 29
Autres exemples ............................................................................................................................................ 31
Calculs Excel ................................................................................................................................................... 31
Corrigé des exercices – Voir le fichier Excel de solution ....................................................................................... 33

AUTEUR.E.S. ............................................................................................................... Error! Bookmark not defined.
Liens rapides vers toutes les capsules

 Capsule 1 : Règles de base du calcul des probabilités – Durée ≈ 10 minutes
 Capsule 2 : Règle de la multiplication pour évènements indépendants – Durée ≈ 3 minutes
 Capsule 3 : Distribution – Cas des variables discrètes – Durée ≈ 9 minutes
 Capsule 4 : Valeur espérée et calcul pour une variable discrète – Durée ≈ 7 minutes
o Complément : Calcul rapide de la valeur espérée avec Excel – Durée ≈ 1 minute
 Capsule 5 : La loi binomiale – Durée ≈ 9 minutes
o Complément : Binomiale - Calculs de probabilité avec Excel – Durée ≈ 2 minutes
3
Capsule 1 – Règles de base du calcul des probabilités
Notes de cours trouées (Capsule 1)
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
92% est en fait un excellent taux de réponse dans la pratique.

Un taux de réponse de 0000
4
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
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.
PB = {Écoute Prison Break}.

S = {Écoute Suits}.
PB
PB S Demi-lune de gauche = Écoute Prison Break, mais pas Suits.
S
Demi-lune de droite = Écoute Suits, mais pas Prison Break.
Ni PB, ni S Zone extérieure = Ni Prison Break, ni Suits.
Nous devons donc adapter la règle de l’addition à ce cas de figure.
Règle générale de l’addition

Quand on considère la probabilité de A, cela correspond à toute la région en mauve dans le diagramme. On
comptabilise ainsi tout le poids de probabilité associé à la demi-lune de gauche et à l’intersection. Quand on
additionne la probabilité de B, c’est toute la région en orange qui est comptabilisé. Cela signifie l’intersection et
la demi-lune de droite. Ainsi, la probabilité de l’intersection
intersection est comptabilisée 0000000
deux fois lorsque l’on
somme les probabilités de A et B. On en conclut que pour calculer la probabilité de A ou B, il faut 000000000000
soustraire
l’intersection en trop. La règle générale de l’addition, donnée dans l’encadré ci-dessous, fonctionne dans tous
les cas de figure.
A B
P ( A ou B ) = P ( A ) 000
+ P ( B ) 000
– P ( A et B )
6
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.
Évènements mutuellement exclusifs

La différence fondamentale entre le cas de la source principale de visionnement et le cas des deux séries télé est
que dans le premier, les deux évènements considérés sont disjoints, alors qu’ils ont une intersection dans le
second. En effet, les étudiants ne peuvent choisir qu’une seule source principale de visionnement parmi les choix
de réponses, d’où le fait qu’il est impossible
impossible qu’un étudiant réponde en même temps qu’il utilise
principalement un service de streaming payant et qu’il utilise principalement un service de streaming gratuit.
Quand deux évènements ne peuvent se produire simultanément, ou qu’ils sont disjoints, on dit qu’ils sont
mutuellement exclusifs. Puisqu’un même étudiant peut être un auditeur des deux séries, A et B ne sont
mutuellement exclusifs
pas mutuellement
exclusifs dans le deuxième exemple.
A B A et B sont mutuellement
exclusifs
A B
A et B ne sont pas mutuellement

exclusifs
Résumé – Règle qui fonctionne toujours : P ( A ou B ) = P ( A ) 000

+ P ( B ) 000
– P ( A et B ) .
Dans le cas où les évènements sont mutuellement exclusifs, alors P ( A et B ) = 056 , puisque c’est
impossible que les deux évènements arrivent en même temps.
impossible
Ceci se généralise par ailleurs à tout nombre d’évènements mutuellement

mutuellement exclusifs.
exclusifs Ainsi, si nous avons
une série d’évènements A1, A2, A3, … , Ak qui sont tous mutuellement
mutuellement exclusifs,
exclusifs nous obtenons :
P ( A1 ou A2 ou A3 ou  ou Ak ) = P ( A1 ) + P ( A2 ) + P ( A3 ) +  + P ( Ak )
7
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
De manière générale, dans notre exemple, nous avons donc :

PB et S ⊆ S ⊆ PB ou S
P ( PB et S ) 000
≤ P(S) 000
≤ P ( PB ou S )
0,23 000
≤ 0,41 000
≤ 0,60
On peut appeler la règle de l’inclusion, la règle dont il est ici question
Si A ⊆ B, alors P ( A ) 00
≤0 P ( B )
8 Correction 1
Résumé de la capsule 1
Écrivez les formules associées à chacune des règles ci-dessous

 Règle du contraire
C P ( AC ) = 156 –56 P ( A )
A A
 Règle générale de l’addition
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
Exercices (Capsule 1) – Voir le fichier Excel
Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.
Notes complémentaires (à utiliser au besoin)
10
Capsule 2 – Règle de la multiplication pour évènements indépendants
Rappel – Lien : Règle de la multiplication pour évènements indépendants – Durée ≈ 3 minutes
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
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 ?
Pour modéliser cette situation, définissons les évènements ci-dessous.

 A1 = {Le répondant 1 est en faveur de l’idée}  P ( A1 ) = 0,99 .
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
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.
P ( A1 et A2 et A3 et  et Ak ) = P ( A1 ) 000 P ( A2 ) 000 P ( A3 ) 000  000 P ( Ak )
Rappel : Définissez brièvement le concept d’indépendance.
13
Capsule 3 – Distribution : Cas des variables discrètes
Notes de cours (Capsule 3)

Rappel – Lien vers la capsule : Distribution – Cas des variables discrètes – Durée ≈ 9 minutes.
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.
Exemple : Sidney Crosby

Le diagramme à bâtonnets ci-dessous fait le décompte du nombre de matchs où le joueur de hockey Sidney
Crosby a marqué 0 point, 1 point, 2 points, etc. sur les 782 matchs qu’il a disputés en saison régulière entre 2005
et 2017.
Sidney Crosby - Nombre de points par matchs (2005 à 2017)

0.35
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
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).
Résultat de 100 lancers de dé

0.25 Valeurs Fréquence
0.20 1 16
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.
Exemple : Joutes de pile ou face

Des joutes de 5 lancers Pile ou face sont jouées, et l’on s’intéresse à la variable X = Nombre de piles qui sont
obtenus. La distribution observée au terme de 100 de ces joutes est représentée dans le diagramme ci-dessous.
Puisque 5 lancers sont effectués lors de chaque joute, il est possible que 0, 1, 2, 3, 4 ou 5 Piles soient observés.
Ainsi, six valeurs sont possibles, soit le même nombre que lors du lancer d’un dé. Néanmoins, la distribution est
00000000000000
différente de celle observée lors des lancers de dé. En effet, les valeurs observées se répartissent de façon
beaucoup plus concentrée autour des valeurs centrales de 2 et 3.
Résultats de 100 joutes de 5 lancers d'une pièce de monnaie

0.30
0.25
0.20
0.15
0.10
0.05
0.00
0 1 2 3 4 5
Nombre de piles
15
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
Comme on décrit la répartition de données,

données on parle alors de distribution 0000000000.
empirique
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
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
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
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
Un bon modèle théorique

théorique approche le mieux possible la répartition réelle
réelle des données.
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
Résultats de 100 joutes de 5 lancers d'une Distribu�on de probabilités uniforme

pièce de monnaie 0.30
0.30
0.25
0.25
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
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)
Résultats de 100 joutes de 5 lancers d'une Loi binomiale

pièce de monnaie (5 lancers ; 1 chance sur 2 d'avoir pile)
0.35 0.35
0.30 0.30
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.
Valeurs possibles Valeurs possibles

dans les données dans le modèle
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.
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
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.
Sidney Crosby - Nombre de points par matchs Loi de Poisson

(2005 à 2017) 0.40
0.40
0.35
0.35
0.30
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
Globalement, ce modèle s’accorde relativement bien à la distribution 0000000000,

empirique ce que l’on voit encore
mieux si l’on superpose les deux diagrammes (voir ci-dessous).
Sidney Crosby - Distribu�on empirique VS de probabilités

0.40
0.35
Fréquence / Probabilité
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.
Il est cependant primordial de bien comprendre le concept de distribution,

distribution et en particulier de savoir qu’une
distribution
distribution de probabilités est un modèle 0000000000
théorique qui vise à traduire le mieux possible la répartition
réelle des données.
réelle
19 Correction 3
Spécifier la distribution d’une variable signifie

 Préciser quelles en sont les valeurs possibles.
 Préciser la répartition des observations à travers ces valeurs possibles.
Remarque : La somme des probabilités d’une distribution de probabilités est toujours 0000.
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.
Représentation d’une distribution

On peut présenter la distribution au moyen soit d’un diagramme à bâtonnets, soit d’un tableau. Dans un
cas comme dans l’autre, on y présente d’une part les valeurs possibles de la variable à l’étude et d’autre
part les fréquences observées de la variable à l’étude.
20
Capsule 4 – Valeur espérée et calcul pour une variable discrète
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.
Exemple d’une clinique :

Afin de gérer adéquatement sa croissance, autant en termes d’embauche de personnel que de recrutement de
nouveaux patients, il est utile pour une clinique de prendre en considération certains indicateurs importants.
L’un d’eux est le nombre 000000
moyen de visites en un an par patient. En effet, cela est utile pour l’évaluation du
temps 000000
moyen à consacrer à chaque patient par année, qu’il est important de considérer pour assurer des délais
d’attente raisonnables.
L’examen des données portant sur les patients actuels de la clinique a permis d’établir les probabilités ci-dessous
en lien avec la variable X = Nombre de visites du patient en un an.
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
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
Le tableau ci-dessus (ou distribution de probabilités) modélise

modélise le comportement de cette variable indicatrice.
Il dit que les résultats (Pile et Face) ont chacun une chance sur deux de survenir.
Pour mieux développer notre intuition, il peut être utile de penser en termes de gain. Précisément, imaginons
que l’on gagne 1$ advenant que l’on obtienne Pile, mais que le gain soit nul pour le résultat Face.
Combien gagne-t-on en moyenne si l’on joue à ce jeu ?
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 ».
Réflexion sur la formule

Réfléchissons un peu plus à notre formule de valeur espérée. Mieux la comprendre nous aidera à bien
valeur espérée
interpréter le résultat. Rappelons d’abord que l’on s’attend à obtenir « 1 » la moitié
moitié du temps, et « 0 » l’autre
moitié du temps. Si l’on joue, par exemple, 4 fois on s’attend donc théoriquement à obtenir 0000000
moitié deux « 1 » et
deux « 0 ». La moyenne de ces valeurs (calculée ci-dessous) s’accorde avec notre formule précédente.
0000000
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
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.
Cependant, lorsque l’on effectue un 0000000

grand nombre de lancers, l’équilibre a tendance à se créer, de sorte que
l’on ait 00000000000
environ la moitié de Pile et la moitié de Face d’où une moyenne d’environ
environ 0,50$.
 Exemple : Pour 10 000 lancers, on a obtenu une moyenne de 0,498$, très près de 0,50$.
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
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
Exemple d’une clinique : (Suite)

Reprenons l’exemple sur la clinique. Nous pouvons maintenant calculer la valeur espérée du nombre de visites
en un an. Il suffit 00000000000000
de multiplier les valeurs possibles par les probabilités, puis 00000000000000
d'additionner le tout. Le
calcul est détaillé ci-dessous.
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
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 )
 Anglais : E [ X ] = SUMPRODUCT ( valeurs de X , probabilités )
25
26
Capsule 5 – La loi binomiale
Rappel – Lien vers la capsule : La loi binomiale – Durée ≈ 9 minutes
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.
Exemple : Écrivez les nombres avec des chiffres lorsque nécessaire

Votre compagnie planifie diffuser une offre promotionnelle par courriel. Le plan est d’utiliser une liste d’envoi
constituée des adresses courriel de 3 000 anciens clients. L’expérience passée nous apprend que 0000
1 client sur
50 répond à ce type d’offre, c’est-à-dire qu’il effectue un nouvel achat via le site web de votre compagnie
0000
pendant que dure la promotion. Vous aimeriez connaître les éléments ci-dessous.
 Combien de nouveaux achats pouvons-nous espérer à la suite de cette manœuvre ? Ou encore
 Quelles sont les chances que plus de 55 achats soient générés ?
Décortiquons ce problème. Notons d’abord qu’il y a 0000000

deux possibilités pour chaque client.
000
1
 Soit il effectue un achat  p=
000
50
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
Définition : Épreuve de Bernoulli

Par définition, une épreuve de deBernoulli
Bernoulli est une expérience aléatoire
aléatoire pour laquelle il y a exactement
deux résultats possibles, qu’on désignera par 0000000
trois succès et 0000000.
échec
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
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
En particulier, la probabilité de succès p est 00000000000

la même pour chacune des épreuves de Bernoulli.
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
De façon générale, X peut prendre les valeurs 0000,

0 1, 2, … , 0000.
n
28
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.
 Quelles sont les chances que plus de 55 achats soient générés ?

P ( >X 55)
On peut écrire P(X > 55) .
29
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
Il ne reste qu’à utiliser la règle 0000000000000000000

du contraire pour obtenir le résultat souhaité
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)
=P ( X > 55) 000000

= 1– P ( X ≤ 55 ) = 000000
1– 0.28 000 00
0.72
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
Avec Excel on obtient : P ( X ≤ 65) =

0.77 . On remarque
que la probabilité que X soit de 54 ou moins est en 0000
trop
52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
par rapport à la probabilité recherchée. Il suffit ainsi de
calculer cette probabilité afin de 00000000000000.
la soustraire
P ( X ≤ 54 ) =
0.24
52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
53% de chances qu’il

On trouve finalement qu’il y a 00000
En cas de doute, il est très fortement recommandé
y ait entre 55 et 65 achats de faire appel à des diagrammes comme ceux de
P ( 55 ≤ X ≤ 65) P=
= ( X ≤ 65) 0000
– P ( X ≤ 54 ) 00000
0.53 . cet exemple.
30
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.
Dans toutes les variables binomiales, nous retrouvons le mot-clé « 0000000

nombre ».
Si vous avez une variable qui ne représente pas le 0000000

nombre de fois que quelque
chose se produit, ce n’est probablement pas une variable binomiale.
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)
Exemple : Pas dans la capsule, mais utile à savoir

Soit X la variable définie ci-dessous. Complétez les probabilités à l’aide du graphique fourni et à l’aide d’Excel.
Rappel : X ne peut prendre que des valeurs entières.
P ( X ≥ 56 )
 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
Une expérience de Bernoulli est une expérience aléatoire pour laquelle il y a exactement 0000000 issues
possibles :
Remplir les boîtes par les

Expérience
noms généralement utilisés.
aléatoire
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
 On utilise la notation X  Bin ( n , p )
 Les valeurs possibles de la variable X sont 0, 1, 2, 3, … , n.
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 .
 000000000000 d’une variable binomiale se calcule à l’aide de la formule suivante : σ = np (1 − p ) .
Calculs avec Excel

Soit X  Bin ( n , p ) (Rappel – Complément : Binomiale - Calculs de probabilité avec Excel – Durée ≈ 2 minutes)
( ) (
 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
Si vous avez complété tout le document jusqu’ici, vous pouvez maintenant aller compléter le quiz de
préparation sur ZoneCours.
Corrigé des exercices – Voir le fichier Excel de solution

Tous les corrigés des exercices sont disponibles dans le fichier Excel de solution.
33
AUTEUR.E.S.
CONCEPTION DES CAPSULES VIDÉOS

Chantal Labbé, Professeure agrégée, département de sciences de la décision
RÉDACTION DU CAHIER D’ACCOMPAGNEMENT

Josué Djossou, Maître d’enseignement, département de sciences de la décision
CORRECTION DU CAHIER D’ACCOMPAGNEMENT

Chantal Labbé, Professeure agrégée, département de sciences de la décision
CONCEPTION DE LA PAGE DE PRÉSENTATION

David Di Pietro, Concepteur pédagogique, DAIP
DATE DE LA DERNIÈRE MODIFICATION

[Août 2022]
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

10605-S7-Avant Sçance

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

10605-S7-Avant Sçance

Transféré par

Droits d'auteur :

Formats disponibles

MATH 10605 – ANALYTIQUE D’AFFAIRES

Probabilités et loi binomiale

Probabilités et loi binomiale – Préparation avant la séance

Table des matières

Capsule 2 – Règle de la multiplication pour évènements indépendants .............................................................. 11

Capsule 3 – Distribution : Cas des variables discrètes........................................................................................... 14

Capsule 4 – Valeur espérée et calcul pour une variable discrète.......................................................................... 21

Capsule 5 – La loi binomiale .................................................................................................................................. 27

Corrigé des exercices – Voir le fichier Excel de solution ....................................................................................... 33

Liens rapides vers toutes les capsules

Capsule 1 – Règles de base du calcul des probabilités

Notes de cours trouées (Capsule 1)

92% est en fait un excellent taux de réponse dans la pratique.

PB = {Écoute Prison Break}.

Nous devons donc adapter la règle de l’addition à ce cas de figure.

Règle générale de l’addition

Évènements mutuellement exclusifs

A et B ne sont pas mutuellement

Résumé – Règle qui fonctionne toujours : P ( A ou B ) = P ( A ) 000

Ceci se généralise par ailleurs à tout nombre d’évènements mutuellement

De manière générale, dans notre exemple, nous avons donc :

On peut appeler la règle de l’inclusion, la règle dont il est ici question

Écrivez les formules associées à chacune des règles ci-dessous

 Règle générale de l’addition

Exercices (Capsule 1) – Voir le fichier Excel

Notes complémentaires (à utiliser au besoin)

Capsule 2 – Règle de la multiplication pour évènements indépendants

Notes de cours trouées (Capsule 2)

Rappel – Lien : Règle de la multiplication pour évènements indépendants – Durée ≈ 3 minutes

Pour modéliser cette situation, définissons les évènements ci-dessous.

 A2 = {Le répondant 2 est en faveur de l’idée}  P ( A2 ) = 0,99 .

 A3 = {Le répondant 3 est en faveur de l’idée}  P ( A3 ) = 0,99 .

P ( A1 et A2 et A3 et  et Ak ) = P ( A1 ) 000 P ( A2 ) 000 P ( A3 ) 000  000 P ( Ak )

Rappel : Définissez brièvement le concept d’indépendance.

Exercices (Capsule 2) – Voir le fichier Excel

Notes complémentaires (à utiliser au besoin)

Capsule 3 – Distribution : Cas des variables discrètes

Notes de cours (Capsule 3)

Exemple : Sidney Crosby

Sidney Crosby - Nombre de points par matchs (2005 à 2017)

Résultat de 100 lancers de dé

Exemple : Joutes de pile ou face

Résultats de 100 joutes de 5 lancers d'une pièce de monnaie

Comme on décrit la répartition de données,

Résultat de 100 lancers de dé Distribu�on de probabilités uniforme

Un bon modèle théorique

Résultats de 100 joutes de 5 lancers d'une Distribu�on de probabilités uniforme

Résultats de 100 joutes de 5 lancers d'une Loi binomiale

Valeurs possibles Valeurs possibles

Sidney Crosby - Nombre de points par matchs Loi de Poisson

Globalement, ce modèle s’accorde relativement bien à la distribution 0000000000,

Sidney Crosby - Distribu�on empirique VS de probabilités

Il est cependant primordial de bien comprendre le concept de distribution,

Spécifier la distribution d’une variable signifie

Représentation d’une distribution

Exercices (Capsule 3) – Voir le fichier Excel

Notes complémentaires (à utiliser au besoin)

Capsule 4 – Valeur espérée et calcul pour une variable discrète

Notes de cours trouées (Capsule 4)

Exemple d’une clinique :

Le tableau ci-dessus (ou distribution de probabilités) modélise

Combien gagne-t-on en moyenne si l’on joue à ce jeu ?

Réflexion sur la formule