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) = iApproximation 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)-0,057190 | 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 0.9658FICHE 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 0.3986Table 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)