FICHE A
eet ce nea
Définitions
qm
Une variable aléatoire est un événament X qui peut prendre plusieurs valeurs x
(nombres réols) auxquelles on paut assacier une fréquence d’apparition appelée
probabilitf dex, : P(x),
Exemples
Nombre de pieces conformes pour un controle qualité, volume des ventes pour une pre-
Vision de chiffre affaires, taux de service dans une gestion de stock, dlals de reglement
pour un contréle des recouvrements des créances.
es et les variables
lexiste deux catégories de variables aléatoires: Les variables disera
continues.
Une variable aléatoire discréte X est une variable qui ne prend qu'un nombre fini ou
dénombrable de valeurs (une valeur correspondent & un nombre),
Eremple
Une marque de vetements de luxe du groupe LVHM dispose de quatre vendeurs dans
chaque point de vente.
SoitX; la vatlable aleatotre qui caractérise le nombre de vendeurs occupés. Les valeurs
possibles de cette varlable aléatore sont 0, 1,2, 30u 4 vendeurs occupés.
Une variable aléatoire continue X est une variable qui peut prendre toutes lesvaleurs
comprises dans un interval [2,5]
Exemple
» Le poids du paquet d'un prodult Pest compris entre 199,45 g et 200,86 g. Lamplitude est
dei4igy
Caractéristiques dos variables aléatoires
Une variable aléatoire X discréte ou continue est caractérisée par quatre éléments:
= une fonction de distribution : probabil assaciée a chaque valeur observee
— une fonction de répartition : cumul des probabilités sur un intervalle donné ;
~ une valeur centrale, lespérance mathématique ;
~ une dispersion autour de cette moyenne, 'écart-type,La fonction de distribution est la représentation des différentes probabilités P(x)
associées 8 toutes les valeurs possibles de X =x, De ce fait, la somme des fréquences
observéesest égale 81.
Exemple
» Reprenons exemple dela boutique LVHM.
Les probabilités que les vendeurs de la boutique LVHM soient simultanément en train de
conseiller des clients distincts un samedi aprés-midi sont les suivantes :
° 1 2 3 4 Taal
001 0,05 0.29 0,40 024 1
La fonction de répartition donne la probabilité que la variable X prenne une valeur
inférieure ax, :P(X B(n,:p) et¥—> Blrsip),
alors X + ¥-> B(n,+1,;p}.
Matodepourciaiante FXEMPIC
“Toashsturerts Dans une boutique de chocolats, 10 clients se présentent cheque eure. La probabilité
TESUEMEEES qn dient achete est de 0.167,
[HERZ Le nombre X de ventes de chocolatsréussies en une heure suit une loi binomiale de para-
SQ mbtresn=10etp = 0167.
EDGE &(X)=10 x0367 =1,67
En moyenne, la boutique fat 1,67 vente par heure.
V(X) = 10 x 0,167 x (1-0;167) = 1,39
o=Vi39= 118
Manacepouralaiarts L'écart-type eleva mantra que le nombre de ventes est disperce.
say] La probabilité que 2 clients achetent ext de P(X ~ 2) ~ 0,29.
SA uote de elm oclersecten ease
J eon erase setae.
Les probabilites se calculent avec la calculatrice ou letableur,FICHE B2
PUSS CUES Ter its
Un étugiant répond au hasard aux 10 questions d'un QCM. Pour chaque question,
4-réponses sont proposées dont une seule est correcte, Onnote/N le nombre de reponses
exactes.
1, Déterminer la probabilité qu/un étudiant obtienne exactement 5 bonnes réponses.
2. Déterminer la probabilité qu'un étudiant obtienne un nombre de réponses correctes
inférieur ou égala 4.
3. Déterminer la probabilité qu'un étudiant obtienne au moins 5 bonnesréponses.
il agit de 10 répétitions indpendantes de la méme épreuve de Bernoulli avec une pro-
babilté de succes de 0,25..V suit donc la oi binoriale de paramétresn = 10 etp=0,25
A(I0 ; 0.25).
1.On cherche & déterminer la probabilité P(N=5).
T92 et 11-83
per es
lemodule _lesvaleurs pus paste,
binomFdp( pls enter (2fols)
Sead
Pte)
Pers
durésultat
mee
Casio-Graph 35+
ia roe
eco eae rer
La probabilité qu'un étudiant obtienne 5 bonnes réponses est de 0,058 (arrondie au
milligme).2. On cherche & déterminer la probabilité P(N < 4).
Th82 et T1-83
Pers Renselgner
et
binomFRép( __pulsenter (2fols)
Par
era
Cone
erences
Casio-Graph35s
et Affichage
AO MEG nace ac ec
3 a
La probabilite qulun étuciant obtienne entre 0 et 4 bonnes réponses (inclus) est de
( 0,922 (arroncie au miilieme).
alates) 3-On détermine la probabilité P(N> 5).
‘wertéciass PIN > 5)=1-P(N <4) =1-0,922=0078
vceteary La probabilité qu'un étudiant obtienne au moins 5 bonnes réponses est de 0,078 (arron-
1-AN=4) die au milieme).FICHE C1
TTL)
Dei
La lol de Poisson est une loi de probabilité qui s'ap
surviennent pendant un intarvalle de temps danné
lique aux événements rares qui
La loi de Poisson est aussi appelée loi des petites probabiltes, Flle est associée & la
realisation ¢'événements dont les probabilités sont trésfaibles (par exemple le nombre
darrivées de clients & un guichet).
Exemple ¢'application
» Gestion des stocks, controles de qualité, défauts de crédt,arivéedansune flecattente..»
évenement
+
LULL EPA PE,
— ¢
a
‘eit vinemanttamoyenne par At ‘Gul asta probabil
Getevenement exoctement
kfciedane coat?
Caractéristiques
La lo) de Poisson a un paramétre 2. IL représente le nombre moyen de survenance de
evénement étudié pendant un intervalle de temps. La loi de Poisson indique la proba-
bilité que évanement se produice ceulementk fois exacternent durant cette période,
Le calcul de P(X =k) est simplifié par Uutilisation des tables de loi de
pour P(X =k) et table 2 pour P(X =k).
isson : table 1
Propriétés
Espérance mathématique : £(X) = A.
Variance : V(X) = iApproximation d’une loi binomiale par une loi de Poisson
Une loi binomiate de parametres n etp peut étre approximée par une loi de Poisson de
paramatre A =p sitrois conditions sont remplies
= p<0300u > 0,90 = n=30 = pss
Si ces trois conditions sont réunies, alors 28(n ;p)~ P(A=n xp).
Exemples d'application
» Les controles de qualité les probabilites de defaut de crédit, les accidents.
‘Au service comptabilité d’une PME ricolse, 2 9 des dossiers de crédit arivent au service
contentieux un an apres leur signature. Solt un lot de 100 dossiers. On cherche a calculer
laprobabitite qu’aucun dosster (D) ne devienne contentieux a un an,
‘on
p= 0,02 < 0,10
100 > 30
p=h=2=15
Les conditions ¢'approximation deta ol binomiate parla lol de Poisson sont reunies. La lol
de Poisson suivie par les dossiers est D > (2)
On utilise la table de la loi de Poisson avec k= 0 et h=2.
etna pou ccuare
Teasinsrunerts
03679 | 07353 | o.0408,
03679 | 02707 | oss
01839 | 02707 | 02240
613 | or804 | 0.2240
POX = 0) = 01353
(On souhaite maintenant calculer la probebllité qu’au plus 3 dossiers deviennent conten-
‘tleux aun an.
(On utilise la table de la lol de Polsson cumulée avec k= 3 et 2=2.
03679
07358 | 0.4060 | 01991
09197 0.4232
ogsio [ogs7t | 06472
P= 3)-0,057190 | 0367s
1 | 03679
2 | 07838
a | one
4 | opis
s | 0.9031
6 | 0005
7 | 0.9001
e
9
10
n
2
2
01353 | 0.0498,
2707 | 0.894
2707 | 0.2240
oraoa | 0.7240
(09902 | 0.1580
09381 | 0.1008
120 | 0.0504
00034 | 0.0216
0.0009 | 0.0081
00002) 0.0027,
0.0783
0073
M65
nace
0954
01583
‘oo4z
0.0595
0.0298
oon
0.0083
‘o.0019
0,008
0.0002
0.0067
0027
082
on40a
oxrss
onrss
one
on044
0.0682
0.0363
oui
.0082
0.0024
0.0073
0.0025,
ors
000445
rod
07338
1608
07606
on377
07033
0.0688,
0413
0.0225
oor
0.0052
‘00003
00064
00223
ops2t
opsi2
ovr
01490
01490
or04
o1014
oor0
0452
00263
oorz
‘0,003
‘ogo27
ooto7
o2a6
ons73
consi
oxat
796
ones
onat
040993
onrez
481
0.4296
10,0001 | 0.0005
0.0011 | 0.0005,
0.0050 0.0023
x60 | 0.0076
0.0337 | 0.0169
0807 | 0.0378
0.0911 | 0.0631
on | 0.0901
1318 | 02s
13a | 072s
ones | 072s
0.0870 | 0.137
ore | 0.0948
0.0504 | 0.0729
0 | 03679 07383 | 0.0498
1 | 07258 | 0,4060 | 07991
2 | agw7 | over | 0.4222
3 | oge10 | oasri | 0.6472
4 | 09962 | 09473 | 0.8153
5 | o.s94 | 0.9834 | one
6 | 0.9999 | o,9955 | 0.9665
7 | 10000 | 0.9999 | 0.988
a 0.9998 | 0:9962
9 ‘10000 | 09989
10 o.93s7
n 0.9999
® 110000
2
Table 2. Loi de Poisson cumulée
Prob {x =k}
0183
0.0816
o2ae1
04335,
end
o7asi
og833
cosas
09786
agar
ager
09991
0.9997
0.9998
‘00067
00404
onza7
02650
4405
ost60
o7ez2
ogess
09319
09682
09863
994s
0.3980
09993
9025
oni
09620
o1si2
78st
o4as7
05063
om40
oasr2
oat61
ossra
03799
oasz
0.9964
0,000
0.0073
0206
nets
1730
0.3007
o44a7
ospa7
ons
o.g305
oso
09467
osr30
0872
0.0003
0.0020
cone
0.0424
0.0996
ons
0334
0.4520
sees:
07166
ogi
8881
09362
0.9658FICHE C2
PTS Cc le
‘Au service d'une comptabilité d'une PME dieppoise, un contrdleur de gestion constate
que, sur un lot de 100 factures clients, 3 % de celles-ci sont échues et non réglées et
sont donc considérées douteuses 3 mois apres leur échéance.
1. Déterminer la probabilité qu’aucune facture nedevienne douteuse & 3 mois.
2. Déterminer la probabilité qu’au moins 10 factures deviennent douteuses & 3 mois
3. Déterminer la probabilité que le nombre de factures devenant douteuses 3 mots soit
inférieura 3
On ap =0,03 etn = 100 done np =
Les conditions d'approximation de la
(0 = 30 et p proche de 0).
jomiale vers la loi de Poisson sont réunies
1. On détermine la probabilité P(X= 0).
T182 ot T1-83
eed eed
te
aud puls enter (2fols)
es
ecru)
rer
corto
ES,
Casio-Graph 35+
eed
Puls POISN (F")
puls Ppd et Var
Pees
CaO)
Renselgner en
Cents acd
te 4978706
La probabilite qu'aucune facture ne devienne douteuse &3 mois est de 0,0498.“Tea? ot 1-88
2. On détermine la probabilité P(X > 10). @)
Pietra 1-99 < 10)csta-
seas
errs Renseigner
Pet er ety
polssonFRép( —__pulsenter(2fols)
Peer
enter
end
puls POISN (F1)
ieee
ced
lemenuSTAT(2)
5
La probabilite qu'au moins 10 factures deviennent doutouses & 3 mois est de 1-0,999=0,001
(ésuttet arrondi au mille).
Cod rod
lesvaleurspulsEXE durésultat
3. On determine la probabilité P(X < 3)
@ Miata
loner
: cam tet
<2, Cees coaecia
cor
eee
—— SSE
CCasio-Graph 35+
pred
puls POISN (Ft)
fei
Pree
nett)
ord Ror
tee ee eng
La probabilité que moins de 3 factures deviennent douteuses & 3 mois est de 0,423,
(arrondie au milligme).FICHE D1
PTT
Laloi normale ou lot de Gauss est uneloi continue qui s'applique atoutestes variables
qui sont la résultante dun grand nombre de causes mais dont aucune n’est prépon-
dérante.
Les paramétres qui permettent de définir une loi normale sont la moyenne notéem et
Vécart-type noté 6. On écrit X >. (m, 0).
En contrate de gestion, la loi normale est trés souvent utilisée pour:
~ la gestion des ventes:: seuil de rentabilité probable ;
~ la gestion de projet : durée probable de réalisation
~ la gestion des stocks: se fixer un stock de sécurité pour assurer un taux de service ;
~ la gestion de la qualité : niveau de risque acceptable & partir d'un échantillon.
La courbe de la loi normale est représentée par une forme en « cloche ». Il existe des
valeurs remarquables qui permettent d'obtenir directement une probabilité.
+ P(m-G=X=mt 6) = 0,68
*P(m-26 Ligne (k)
0,03 => Colonne 0,03
Le croisement des deux éléments permet d’obtenir la probabilité,
La probabilité quiun chariot élévateur soit utilise plusde 1 800 heures par an est de
‘1200 - 1500
> > [1800-1500
P(x > 1800) aa
f,
-n os0)} —0,6915 = 03085 (wer latable
dela loi normale)
(On retrouve faclement le resutat avec la calculatrice,
‘Attention, la table ne donne que les valeurs p(T' 30
snxp25
onx(l-p)25
Table de la loi normale centrée réd
Prob (T. #)
CrP Ceca CD
00 | 9.5000 | 05040 05080 os1z0 | osi60 | ost9s | ose os279 05319
on | osasa | 05438 | 0547 | ossiz | osssr | oss9e | osoa6 567s | osri4
02 | 057s) 05832 osa7i ogsi0 | oss4s | Os9a7 | ge0z6 06064 O6103
02 | oes | sev ozs 96233 | oeasi | Geses | os40e 06443 | os480
o4 | ness | ness 0.6628 | 6664 | o6700 | og736 | 06772 06808 | OFe44
Os | ossts | 016950 oeaas o7019 | ayose | o7ose | O7123 | O7IS7 | O7190
a6 | 0757 | 07290 a73ze | oast | ayzes | o7422 | a74s4 ara | cyst?
07 | o7sao | o7en 07642 | 07ers | O7704 | 07734 | C7764 07794 | 07823
08 | o7esi | 07910 07939 o7a6r | a7995 | 8023 | G80s1 08078 08106
os | ois | ogias ogziz oaz38 | case | gazes | 831s 08340 08365
vo | ogan | 08438 ogaci | osaas | qasos | 0.8531 | oasca 08577 o8so9
11 | age | og6es cess | 0.8708 | 0872s | ca74s | c8770 08790 o8s10
12 | 08049 | o.a069 | gees 0.9907 | cases | as4s | o@s6z ogsa0 08997
13 | 09032 | 99049 | 09066 0.9082 | q9098 | noms | agin agr47 | ogt62
1a | ogis | ogzor | aszze 09236 | dgzsi | ugzes | o9zrs uszaz 08308
as | 09332 | 99345 | o9asr 09370 | 99382 | 09394 | 09406 ga4i8 09479
16 | 09452 | a943 | o9a7e ca4ae | ca49s | o950s | casts caszs 0953s
17 | 09554 | 0.9564 | 0.9573 0.9582 | 09591 | casae | o9608 9616 09625
1p | 09641 | 09649 09656 | 09664 | a96ri | Ca67e | 09686 09693 09699
is | osm | o979 a9726 09732 | ca7a8 | 9744 | Q9750 | o9756 03761
20 | og77| 09779 ogres og7as | 09793 | 09798 | 09803 09808 | O9BI2
21 | ogaz1 | 09825 | 09830 Goaze | c9aze | o9saz | o9a4e og8so o9asa
22 | ogasi | 0986 c986s | 0.9871 | 09875 | c9B7e | C9881 09884 09887
23 | 0.9093 | 09895 | 9898 | 0.9901 | 09904 | 9906 | 09902 9.9911 | 09913
24 | ogee | 09920 o99zz | 0.9925 | caez7 | 09929 | g993 09932 | 09934
25 | 09833 | 03940 03941 | 09943 | 9948 | case | O9948 09943 03951
26 | 09953 | 9.9955 09956 9.9957 | gas | qas60 | 0.9961 09962 09963
27 | 0.9965 | 09966 | 0.9967 | 09968 | 9968 | C9970 | Csr | o9972 | 09973
28 | 09974 | 0.9975 o9a76 | 09977 | oge77 | oge7e | gags 09979 | 09980
28 | desi | 0.9982 09982 | 0.9983 | 09984 | O9984 | a99Bs | O99R5 | 09986
0.08
05359
os7s3
asia
opsir
06879
ores
o7saa
o7asz
oara
08389
0.621
03830
03015,
osu
08319
o94at
oases
03623
03706
09767
ossi7
o9as7
09890
9916
0.9936
os9sz
0.3964
9974
09981
0.3986Table pour les grandes valours de t
®
Lottie inne es 20
seep toast
icc ons [oases | ome som cpm an os
en.
oe
korperet
(eavaeurts
nwa,
"FICHE D2
Pea
(On suppose que le masse X (en g) d'une tomate suit la loi normale de paremétres
130 eto~ 40.
1. Déterminerla probabilté qu'une tomate pése entre 110 et 150 grammes,
2a Determiner laprobabitité qu'une tomate pése moins de 110 grammes
2.b.Détermner fa probabil qu une tomate pése plus de 160 grammes.
3. Déterminer la masse m, tlle que P(X a)
reed ee oe 0195 aiorsonectrat
ee les valeurs puls RE «npc soutes
Pe CC ">
(fois)
Pred
eer a)
en ee rs
lemenuSTAT(2) (Fi) puls nvN—_lesvaleurs pulsEXE du resultat (EXE)