Aller au contenu
\( \definecolor{colordef}{RGB}{249,49,84} \definecolor{colorprop}{RGB}{18,102,241} \)
Éducation Nationale Française · Terminale Technologie

Loi binomiale

I Espérance et loi de Bernoulli
I.1 Espérance d'une variable aléatoire
L'espérance d’une variable aléatoire \(X\) est la « moyenne des valeurs si l’on répète l’expérience de nombreuses fois ». Elle est calculée en prenant toutes les valeurs possibles, en multipliant chacune par sa probabilité, et en les additionnant — c'est-à-dire une moyenne pondérée où les probabilités servent de poids.
Signaler une erreur
Définition — Espérance
Soit \(X\) une variable aléatoire prenant les valeurs \(x_1, x_2, \ldots, x_n\). L'espérance de \(X\), notée \(E(X)\) et aussi appelée moyenne, est :$$\begin{aligned}E(X) &= \sum_{i=1}^{n} x_i P(X = x_i)\\ &= x_1 P(X = x_1) + x_2 P(X = x_2) + \cdots + x_n P(X = x_n)\\ \end{aligned}$$
Exemple
On lance 2 pièces équilibrées, et \(X\) est le nombre de « face ». La loi de probabilité est :
\(x\) 0 1 2
\(P(X = x)\) \(\frac{1}{4}\) \(\frac{1}{2}\) \(\frac{1}{4}\)
Déterminer l'espérance de \(X\).

On calcule \(E(X)\) avec la formule :$$\begin{aligned}E(X) &= 0 \times \frac{1}{4} + 1 \times \frac{1}{2} + 2 \times \frac{1}{4} \\ &= \frac{1}{2} + \frac{2}{4} \\ &= 1\end{aligned}$$ Donc, en moyenne, on s'attend à obtenir 1 « face » en lançant 2 pièces.

Jeu équitable
Quand \(X\) est le gain net d'un joueur, mise déduite, \(E(X)\) est le gain moyen par partie sur un grand nombre de parties. Un jeu est équitable quand \(E(X) = 0\) : en moyenne, le joueur ne gagne ni ne perd. Si \(E(X) > 0\), le jeu favorise le joueur ; si \(E(X) < 0\), il favorise l'organisateur. Avec \(G\) le gain brut et \(m\) la mise, \(X = G - m\) : \(G - m\) prend chaque valeur de \(G\) diminuée de \(m\), donc sa moyenne pondérée diminue de \(m\), et \(E(X) = E(G) - m\). Le jeu est équitable quand la mise est égale à l'espérance du gain brut.
Signaler une erreur
Exemple
On lance un dé équilibré. Le joueur reçoit \(6\) euros pour un \(6\), \(3\) euros pour un \(5\) et rien sinon. Déterminer la mise \(m\) qui rend le jeu équitable.

Le gain brut \(G\) prend les valeurs \(6\), \(3\) et \(0\) avec les probabilités \(\frac{1}{6}\), \(\frac{1}{6}\) et \(\frac{4}{6}\). $$\begin{aligned}[t] E(G) &= 6 \times \frac{1}{6} + 3 \times \frac{1}{6} + 0 \times \frac{4}{6} = 1{,}5 && \scriptscriptstyle\text{(définition de l'espérance)} \\ E(X) &= E(G - m) = E(G) - m = 1{,}5 - m && \scriptscriptstyle\text{(chaque valeur de } G \text{ diminuée de } m\text{)} \end{aligned}$$ Le jeu est équitable quand \(E(X) = 0\), c'est-à-dire \(m = 1{,}5\) : une mise de \(1{,}50\) euro. Avec une mise de \(2\) euros, \(E(X) = -0{,}5\) : le joueur perd \(0{,}50\) euro par partie en moyenne.

Compétences à pratiquer
  • Calculer des espérances
  • Explorer les espérances
  • Déterminer la mise d'un jeu équitable
  • Calculer une espérance avec des listes (sauf STD2A)
I.2 La loi de Bernoulli
Une épreuve de Bernoulli produit une variable aléatoire : \(X = 1\) si l'épreuve est un succès, \(X = 0\) si c'est un échec. Sa loi est la loi de Bernoulli de paramètre \(p\), la probabilité de succès.
Signaler une erreur
Définition — Loi de Bernoulli
Une variable aléatoire \(X\) suit une loi de Bernoulli de paramètre \(p\) si :
  • Les valeurs possibles sont 0 et 1.
  • \(P(X = 1) = p\) et \(P(X = 0) = 1 - p\).
On écrit \(X \sim \mathcal{B}(p)\).
Exemple
Un joueur de basketball a 80\(\pourcent\) de chances de réussir un lancer franc. Soit \(X = 1\) si le tir est réussi, et \(X = 0\) s'il est manqué.
  1. \(X\) suit-elle une loi de Bernoulli ?
  2. Déterminer la probabilité de succès.

  1. Oui, les valeurs possibles de \(X\) sont 0 et 1. Donc elle suit une loi de Bernoulli.
  2. Probabilité de succès : \(P(X = 1) = 80\pourcent = 0{,}8\).

Exemple
Une machine remplit des bouteilles. Une bouteille est rejetée avec la probabilité \(0{,}05\). Soit \(X = 1\) si la bouteille est rejetée et \(X = 0\) sinon.
  1. Donner la loi de probabilité de \(X\).
  2. Calculer \(E(X)\) et l'interpréter.
  3. Plus généralement, \(X\) suit une loi de Bernoulli de paramètre \(p\). Calculer \(E(X)\).

  1. \(X\) suit la loi de Bernoulli de paramètre \(p = 0{,}05\) :
    \(x\) \(0\) \(1\)
    \(P(X = x)\) \(0{,}95\) \(0{,}05\)
  2. \(\begin{aligned}[t]E(X) &= 0 \times 0{,}95 + 1 \times 0{,}05 \\ &= 0{,}05\end{aligned}\)
    Sur un grand nombre de bouteilles remplies indépendamment, on s'attend à ce que la moyenne des valeurs de \(X\) — c'est-à-dire la fréquence des \(1\), la proportion de bouteilles rejetées — soit proche de \(0{,}05\).
  3. \(\begin{aligned}[t]E(X) &= 0 \times (1 - p) + 1 \times p \\ &= p\end{aligned}\)
    L'espérance d'une variable de Bernoulli est son paramètre : \(E(X) = p\).

Proposition — Espérance d'une loi de Bernoulli
Si \(X\) suit une loi de Bernoulli de paramètre \(p\), alors \(E(X) = p\) : l'espérance est la probabilité de l'issue codée \(1\). Sur un grand nombre d'épreuves indépendantes, on s'attend à ce que la fréquence des \(1\) soit proche de \(p\).
Compétences à pratiquer
  • Reconnaître une loi de Bernoulli
  • Déterminer une probabilité de succès
  • Identifier et définir une épreuve de Bernoulli
II Schéma de Bernoulli et coefficients binomiaux
II.1 Le schéma de Bernoulli
On suppose qu’un joueur de basketball effectue \(n\) lancers francs, et que l’on compte le nombre de tirs réussis. La probabilité de réussir un lancer franc est la même à chaque tentative, et chaque tir est indépendant des autres tirs. C'est un schéma de Bernoulli.
Signaler une erreur
Définition — Schéma de Bernoulli
Un schéma de Bernoulli de paramètres \(n\) et \(p\) est la succession de \(n\) épreuves de Bernoulli identiques (même probabilité de succès \(p\)) et indépendantes : la même épreuve répétée \(n\) fois, sans qu'aucune influence les autres. On le reconnaît à quatre conditions :
  1. un nombre fixé \(n\) d'épreuves ;
  2. chaque épreuve a deux issues, succès et échec ;
  3. la probabilité de succès \(p\) est la même à chaque épreuve ;
  4. les épreuves sont indépendantes.
Une issue est une liste de \(n\) résultats, telle que \(\text{SES} \dots \text{S}\) ; l'arbre du schéma a \(2^n\) chemins, et par le modèle du produit la probabilité d'un chemin à \(k\) succès et \(n - k\) échecs est \(p^k (1-p)^{n-k}\). Un schéma de Bernoulli s'appelle aussi une expérience binomiale.
Illustration
Méthode — Calculer une probabilité avec l'arbre
Pour \(n \leq 4\) répétitions d'une épreuve de Bernoulli :
  1. Dessiner l'arbre, un niveau par épreuve, avec \(p\) sur chaque branche de succès et \(1 - p\) sur chaque branche d'échec (les mêmes nombres à chaque niveau, puisque les épreuves sont identiques et indépendantes).
  2. Repérer les chemins qui composent l'événement : par exemple « exactement deux succès » retient les chemins qui contiennent exactement deux lettres \(S\).
  3. Multiplier le long de chaque chemin, puis additionner les chemins retenus : tous les chemins qui ont le même nombre de succès ont la même probabilité, il suffit donc de les compter.
Pour « au moins un succès », il est plus rapide de passer par l'événement contraire « aucun succès », qui est un seul chemin : \(P(\text{au moins un succès}) = 1 - (1 - p)^n\).
Exemple
Une basketteuse réussit un lancer franc avec la probabilité \(0{,}7\). Elle tire trois lancers francs, de façon indépendante.
  1. Dessiner l'arbre de l'expérience.
  2. Calculer la probabilité qu'elle en réussisse exactement deux sur les trois.
  3. Calculer la probabilité qu'elle en réussisse au moins un.

  1. Chaque lancer est une épreuve de Bernoulli de succès \(S\) (« réussi ») de probabilité \(0{,}7\) et d'échec \(E\) de probabilité \(0{,}3\) ; trois épreuves identiques et indépendantes donnent un arbre à \(8\) chemins.
    Illustration
  2. « Exactement deux réussis » est formé des trois chemins \(SSE\), \(SES\) et \(ESS\), chacun de probabilité \(0{,}7 \times 0{,}7 \times 0{,}3 = 0{,}147\) : \(P = 3 \times 0{,}147 = 0{,}441\).
  3. « Au moins un réussi » est le contraire de « aucun réussi », le seul chemin \(EEE\) de probabilité \(0{,}3^3 = 0{,}027\) : \(P = 1 - 0{,}027 = 0{,}973\).

Compétences à pratiquer
  • Calculer avec l'arbre
  • Résoudre des problèmes avec l'arbre
  • Modéliser avec des schémas de Bernoulli
II.2 Compter les chemins : coefficients binomiaux et triangle de Pascal
Compter les chemins à \(k\) succès
Dans l'arbre d'un schéma de Bernoulli de taille \(n\), tous les chemins à \(k\) succès ont la même probabilité \(p^k (1-p)^{n-k}\). Pour trouver \(P(X = k)\), où \(X\) est le nombre de succès, il reste à savoir combien de chemins portent exactement \(k\) succès. Pour \(n = 3\), les huit chemins de l'arbre se répartissent ainsi.
nombre de succès \(k\) \(0\) \(1\) \(2\) \(3\)
chemins EEE SEE, ESE, EES SSE, SES, ESS SSS
nombre de chemins \(1\) \(3\) \(3\) \(1\)
Pour de plus grandes valeurs de \(n\), dessiner l'arbre n'est plus envisageable : les nombres de chemins reçoivent un nom et une façon de les calculer sans aucun arbre.
Signaler une erreur
Définition — Coefficient binomial
Soient \(n\) et \(k\) deux entiers avec \(0 \leq k \leq n\). Le coefficient binomial \(\dbinom{n}{k}\), lu « \(k\) parmi \(n\) », est le nombre de chemins à exactement \(k\) succès dans l'arbre d'un schéma de Bernoulli de taille \(n\) : le nombre de façons de placer \(k\) succès parmi \(n\) épreuves. En particulier \(\dbinom{n}{0} = 1\) (le seul chemin sans succès est \(\text{EE} \dots \text{E}\)) et \(\dbinom{n}{n} = 1\).
Exemple
À l'aide du tableau ci-dessus, donner \(\dbinom{3}{1}\) et \(\dbinom{3}{2}\). Puis lister les chemins d'un schéma de taille \(4\) à exactement \(2\) succès et en déduire \(\dbinom{4}{2}\).

D'après le tableau, trois chemins portent un succès et trois en portent deux : \(\dbinom{3}{1} = 3\) et \(\dbinom{3}{2} = 3\). Pour \(n = 4\), un chemin à deux succès s'écrit en choisissant les deux positions de la lettre S parmi quatre : \(\text{SSEE}\), \(\text{SESE}\), \(\text{SEES}\), \(\text{ESSE}\), \(\text{ESES}\), \(\text{EESS}\). Il y en a six, donc \(\dbinom{4}{2} = 6\).

Proposition — Symétrie et relation de Pascal
Soit \(n\) un entier avec \(n \geq 1\).
  • Bords : \(\dbinom{n}{0} = \dbinom{n}{n} = 1\).
  • Symétrie : pour \(0 \leq k \leq n\), \(\dbinom{n}{k} = \dbinom{n}{n-k}\).
  • Relation de Pascal : pour \(n \geq 2\) et \(1 \leq k \leq n - 1\), $$\binom{n}{k} = \binom{n-1}{k-1} + \binom{n-1}{k}.$$
  • Somme des coefficients : $$\binom{n}{0} + \binom{n}{1} + \dots + \binom{n}{n} = 2^n,$$ car l'arbre à \(n\) niveaux a \(2^n\) chemins, chacun compté une fois, dans le terme \(\dbinom{n}{k}\) de son nombre \(k\) de succès.
Pourquoi ces relations sont vraies
Chacune de ces relations a une raison que l'arbre rend visible. Symétrie : échanger les lettres S et E dans un chemin transforme un chemin à \(k\) succès en un chemin à \(n - k\) succès, et réciproquement ; les deux familles ont la même taille. Relation de Pascal : trier les chemins à \(k\) succès d'un schéma de taille \(n\) selon leur dernière épreuve. Si la dernière épreuve est un succès, les \(n - 1\) premières portent \(k - 1\) succès : \(\dbinom{n-1}{k-1}\) chemins. Si c'est un échec, les \(n - 1\) premières portent les \(k\) succès : \(\dbinom{n-1}{k}\) chemins. Additionner les deux familles donne \(\dbinom{n}{k}\).
Signaler une erreur
Méthode — Le triangle de Pascal
La relation de Pascal construit les coefficients binomiaux ligne par ligne, sans aucun arbre : dans le tableau ci-dessous, la ligne \(n\) contient \(\dbinom{n}{0}, \dbinom{n}{1}, \dots, \dbinom{n}{n}\). Chaque ligne commence et finit par \(1\), et toute autre case est la somme de la case juste au-dessus et de la case au-dessus à gauche. Pour lire \(\dbinom{n}{k}\), prendre la ligne \(n\) et la colonne \(k\).
\(n \backslash k\) \(0\) \(1\) \(2\) \(3\) \(4\) \(5\) \(6\)
\(0\) \(1\)
\(1\) \(1\) \(1\)
\(2\) \(1\) \(2\) \(1\)
\(3\) \(1\) \(3\) \(3\) \(1\)
\(4\) \(1\) \(4\) \(6\) \(4\) \(1\)
\(5\) \(1\) \(5\) \(10\) \(10\) \(5\) \(1\)
\(6\) \(1\) \(6\) \(15\) \(20\) \(15\) \(6\) \(1\)
Par exemple \(\dbinom{5}{2} = \dbinom{4}{1} + \dbinom{4}{2} = 4 + 6 = 10\). La symétrie se voit : chaque ligne se lit de la même façon par les deux bouts. La calculatrice donne aussi \(\dbinom{n}{k}\) directement (touche nCr ou fonction comb).
Exemple
Lire \(\dbinom{6}{2}\) dans le triangle de Pascal, puis calculer \(\dbinom{7}{3}\) et \(\dbinom{7}{4}\) sans calculatrice.

Ligne \(6\), colonne \(2\) : \(\dbinom{6}{2} = 15\). Par la relation de Pascal, \(\dbinom{7}{3} = \dbinom{6}{2} + \dbinom{6}{3} = 15 + 20 = 35\), et par symétrie \(\dbinom{7}{4} = \dbinom{7}{7-4} = \dbinom{7}{3} = 35\).

Méthode — Engendrer une ligne du triangle par la relation de Pascal
La ligne \(n\) se construit à partir de la ligne \(n - 1\) : elle commence et finit par \(1\), et chaque valeur intérieure est la somme de deux valeurs consécutives de la ligne précédente. En partant de la ligne \(0\), qui est \([1]\), une boucle construit les lignes l'une après l'autre ; la liste previous garde la ligne \(i\) pendant que la ligne \(i + 1\) s'assemble.
def pascal_row(n):
    row = [1]                      # row 0
    for i in range(n):
        previous = row
        row = [1]                  # first coefficient of the new row
        for k in range(len(previous) - 1):
            row.append(previous[k] + previous[k + 1])   # Pascal's relation
        row.append(1)              # last coefficient
    return row

print(pascal_row(5))               # [1, 5, 10, 10, 5, 1]
Chaque ligne s'obtient de la précédente en posant ses deux extrémités à \(1\) et en calculant ses valeurs intérieures par des additions seulement — aucune factorielle n'est calculée — et tout le triangle jusqu'à la ligne \(n\) est produit au passage.
Compétences à pratiquer
  • Lire et compléter le triangle de Pascal
  • Utiliser les bords, la symétrie et la relation de Pascal
  • Construire le triangle de Pascal
  • Lire le triangle de Pascal
III La loi binomiale
III.1 Probabilités et espérance d'une loi binomiale
Définition — Loi binomiale
Dans un schéma de Bernoulli de paramètres \(n\) et \(p\), soit \(X\) le nombre de succès. \(X\) prend les valeurs \(0, 1, \dots, n\) ; sa loi de probabilité est appelée loi binomiale de paramètres \(n\) et \(p\), notée \(\mathcal{B}(n\,;\,p)\), et on écrit \(X \sim \mathcal{B}(n\,;\,p)\).
Proposition — Probabilité de \(k\) succès
Soit \(X \sim \mathcal{B}(n\,;\,p)\). La loi de probabilité de \(X\) est :
Illustration
Pour tout entier \(k\) de \(0\) à \(n\), \(P(X = k) = \dbinom{n}{k} p^k (1-p)^{n-k}\), où le coefficient binomial \(\dbinom{n}{k}\) est le nombre de chemins de l'arbre à \(k\) succès.
Exemple
Un joueur de basketball a 80\(\pourcent\) de chances de réussir un lancer franc et effectue 5 tirs, supposés indépendants les uns des autres. Soit \(X\) le nombre de tirs réussis.
  1. \(X\) suit-elle une loi binomiale ?
  2. Déterminer la probabilité de réussir 4 tirs.

  1. Oui, \(X\) suit une loi binomiale car elle compte le nombre de succès (tirs réussis) dans 5 épreuves indépendantes (lancers francs), chacune avec la même probabilité de succès \(0{,}8\).
  2. Comme \(X \sim \mathcal{B}(5 ; 0{,}8)\), $$ \begin{aligned} P(X = 4) &= \binom{5}{4} (0{,}8)^4 (1-0{,}8)^1 \\ &= 5 \times 0{,}4096 \times 0{,}2 \\ &= 0{,}4096 \end{aligned} $$ La probabilité de réussir 4 tirs sur 5 est \(0{,}4096=40{,}96\pourcent\).

Proposition — Espérance d'une loi binomiale
Si \(X\) suit la loi binomiale \(\mathcal{B}(n\,;\,p)\), alors $$\textcolor{colorprop}{E(X) = n p}.$$ Chacune des \(n\) épreuves apporte, en moyenne, \(p\) succès : sur un grand nombre de répétitions du schéma, on s'attend à ce que le nombre moyen de succès soit proche de \(np\).
Exemple
  1. Une machine produit une pièce défectueuse avec la probabilité \(0{,}02\), indépendamment d'une pièce à l'autre. Dans un lot de \(150\) pièces, \(X\) compte les pièces défectueuses. Donner la loi de \(X\), puis \(E(X)\), et l'interpréter.
  2. Une graine germe avec la probabilité \(0{,}85\). On sème quarante graines, indépendamment. Combien de graines germées peut-on attendre en moyenne ?

  1. Chaque pièce est une épreuve de Bernoulli (succès : « défectueuse », \(p = 0{,}02\)), répétée \(150\) fois de façon indépendante : \(X \sim \mathcal{B}(150\,;\,0{,}02)\). Alors \(E(X) = 150 \times 0{,}02 = 3\) : sur un grand nombre de lots, un lot contient en moyenne \(3\) pièces défectueuses.
  2. \(X \sim \mathcal{B}(40\,;\,0{,}85)\) et \(E(X) = 40 \times 0{,}85 = 34\) : environ \(34\) graines germées en moyenne.

Le diagramme en bâtons d'une loi binomiale
Le diagramme en bâtons de \(X \sim \mathcal{B}(n ; p)\) représente les probabilités \(P(X = k)\) pour \(k = 0, 1, \dots, n\). Son bâton le plus haut se trouve près de l'espérance \(E(X) = np\). Quand \(np\) et \(n(1-p)\) ne sont pas trop petits, le diagramme a une forme de cloche approximativement centrée sur \(np\) : les bâtons montent, culminent près de \(np\), puis redescendent de façon à peu près symétrique. Quand \(np\) (ou \(n(1-p)\)) est petit, ce qui arrive pour un \(n\) donné quand \(p\) est proche de \(0\) (ou de \(1\)), le diagramme perd sa symétrie : il est plaqué contre le bord, ses bâtons les plus hauts sont tout au début (ou tout à la fin) et il retombe vite d'un seul côté. Ci-dessous, \(\mathcal{B}(20 ; 0{,}6)\) avec \(E(X) = 12\), puis \(\mathcal{B}(20 ; 0{,}05)\) avec \(E(X) = 1\).
Illustration
Illustration
Lire un diagramme en bâtons dans l'autre sens renseigne sur les paramètres : l'abscisse du bâton le plus haut est proche de \(np\), elle donne donc une estimation de \(n\) quand \(p\) est connu, ou de \(p\) quand \(n\) est connu.
Signaler une erreur
Compétences à pratiquer
  • Identifier les distributions binomiales
  • Calculer des probabilités dans des scénarios de la vie quotidienne
  • Raisonner sur la loi binomiale et son espérance
  • Calculer l'espérance d'une loi binomiale
III.2 Simuler une loi binomiale (sauf STD2A)
Méthode — Comparer une simulation au diagramme en bâtons
Le test random() < p est vrai avec la probabilité \(p\), puisque le nombre tiré appartient à \([0 ; 1[\) : il simule une épreuve de Bernoulli de paramètre \(p\). Pour comparer une simulation à la loi \(\mathcal{B}(n\,;\,p)\) :
  1. Simuler un échantillon de taille \(n\) : répéter le test \(n\) fois, les tirages étant indépendants, et compter les succès ; le nombre obtenu est un entier \(k\) compris entre \(0\) et \(n\).
  2. Répéter l'échantillon \(N\) fois et relever, pour chaque valeur \(k\), combien d'échantillons ont donné exactement \(k\) succès.
  3. Diviser par \(N\) : les quotients sont les fréquences observées des valeurs \(0, 1, \dots, n\) ; leur somme vaut \(1\).
  4. Représenter les fréquences observées à côté du diagramme en bâtons des probabilités \(P(X = k)\), où \(X\) suit la loi \(\mathcal{B}(n\,;\,p)\).
from random import random
from math import comb

def successes(n, p):
    k = 0
    for i in range(n):
        if random() < p:
            k = k + 1
    return k

def observed_frequencies(n, p, N):
    counts = [0] * (n + 1)
    for j in range(N):
        k = successes(n, p)
        counts[k] = counts[k] + 1
    return [c / N for c in counts]

def probabilities(n, p):
    # comb(n, k) is the number of paths with k successes
    return [comb(n, k) * p**k * (1 - p)**(n - k) for k in range(n + 1)]

print(observed_frequencies(4, 0.3, 1000))
print([round(q, 4) for q in probabilities(4, 0.3)])
Quand \(N\) est grand, chaque fréquence observée est, en général, proche de la probabilité \(P(X = k)\), et la moyenne des \(N\) nombres de succès proche de l'espérance \(E(X) = np\). Les fréquences changent à chaque exécution ; les écarts sont, en général, plus petits quand \(N\) est plus grand.
Exemple
Le programme ci-dessus, exécuté avec \(n = 4\), \(p = 0{,}3\) et \(N = 1000\), a affiché les fréquences observées \(0{,}245\), \(0{,}397\), \(0{,}268\), \(0{,}082\) et \(0{,}008\) pour les valeurs \(0\), \(1\), \(2\), \(3\) et \(4\). Soit \(X\) une variable aléatoire suivant la loi \(\mathcal{B}(4\,;\,0{,}3)\).
  1. Calculer les probabilités \(P(X = k)\) pour \(k\) de \(0\) à \(4\) (les nombres de chemins à \(0\), \(1\), \(2\), \(3\) et \(4\) succès valent \(1\), \(4\), \(6\), \(4\) et \(1\)).
  2. Représenter les probabilités et les fréquences observées sur un même diagramme en bâtons, et les comparer.
  3. Calculer la moyenne des \(1000\) nombres de succès et la comparer à \(E(X)\).

  1. Un chemin à \(k\) succès a pour probabilité \(0{,}3^k \times 0{,}7^{4-k}\), et il y a \(\binom{4}{k}\) tels chemins : $$\begin{aligned} P(X = 0) &= 1 \times 0{,}7^4 = 0{,}2401 && \text{(un chemin, quatre échecs)}\\ P(X = 1) &= 4 \times 0{,}3 \times 0{,}7^3 = 0{,}4116 && \text{(quatre chemins)}\\ P(X = 2) &= 6 \times 0{,}3^2 \times 0{,}7^2 = 0{,}2646 && \text{(six chemins)}\\ P(X = 3) &= 4 \times 0{,}3^3 \times 0{,}7 = 0{,}0756 && \text{(quatre chemins)}\\ P(X = 4) &= 1 \times 0{,}3^4 = 0{,}0081 && \text{(un chemin, quatre succès)} \end{aligned}$$
    \(k\) \(0\) \(1\) \(2\) \(3\) \(4\)
    \(P(X = k)\) \(0{,}2401\) \(0{,}4116\) \(0{,}2646\) \(0{,}0756\) \(0{,}0081\)
    fréquence observée \(0{,}245\) \(0{,}397\) \(0{,}268\) \(0{,}082\) \(0{,}008\)
  2. Les deux bâtons de chaque valeur ont presque la même hauteur : le plus grand écart, pour \(k = 1\), vaut \(0{,}4116 - 0{,}397 = 0{,}0146\).
    Illustration
  3. La moyenne des nombres de succès pondère chaque valeur par sa fréquence observée : $$\begin{aligned} \bar{x} &= 0 \times 0{,}245 + 1 \times 0{,}397 + 2 \times 0{,}268 + 3 \times 0{,}082 + 4 \times 0{,}008 &&\\ &= 0{,}397 + 0{,}536 + 0{,}246 + 0{,}032 &&\\ &= 1{,}211 && \end{aligned}$$ et \(E(X) = np = 4 \times 0{,}3 = 1{,}2\) : la moyenne de la simulation est proche de l'espérance. Une autre exécution donne d'autres fréquences, en général proches des mêmes probabilités.

Compétences à pratiquer
  • Simuler et comparer au diagramme en bâtons
IV Pour aller plus loin
Compétences à pratiquer
  • Problèmes
  • Exercices type examen
  • Quiz