Loi binomiale

choisies au hasard dans la production. e e Soit X la variable al´atoire : nombre de pi`ces d´fectueuses parmi les 5. e e e 1. Quelle est la loi de probabilit´ de X ? e X suit une loi binomiale de de param`tres N = 5 et p = 0.3. e k On en d´duit que ∀k ∈ [[0, 5]], p(X = k) = C5 0.3k 0.75−k e 2. Calculer E(X) et V (X) On a d´montr´ dans le cours que pour la loi binomiale on avait e e E(X) = N p V (X) = N p (1 − p) On a donc dans cet exercice E(X) = 1.5 V (X) = 1.05 3. Quelle est la probabilit´ que deux

qui associe, à chaque échantillon de 100 personnes, le nombre d'adultes qu'il contient. a) Justifier que X suit une loi binomiale dont on précisera les paramètres. b) Calculer l'espérance mathématique et l'écart-type de la variable X. 60 c) Calculer la probabilité de l'événement : X = 60 . On prendra C100 ≈ 1,3746 × 10 28 . 2) On approche la variable X par une variable Y suivant une loi normale n ( m , σ ). On précisera la valeur et la signification des paramètres m et σ de Y. 3) Pour la suite de cet

seront arrondis à 10−3 près. Partie A : Conditionnement des pots 1. On veut p(X 6 49). Avec la calculatrice p(X 6 49) ≈ 0.202. 2. On note σ ′ le nouvel écart-type, et Z la variable aléatoire égale à X −50 σ′ a. La variable aléatoire Z suit la loi normale centrée réduite. b. Une valeur approchée du réel u tel que p(Z 6 u) = 0,06 est u ≈ −1.555. c. Z = X −50 σ′ ⇔ X = σ ′Z +50 p(X 6 49) = 0,06 ⇔ p ¡ σ ′Z +50 6 49¢ = 0,06 ⇔ p µ Z 6 − 1 σ′ ¶ = 0,06 On doit donc avoir − 1 σ′ =

représentatifs Chapitre 6 : 6.1 6.2 6.2.1 6.2.2 6.2.3 6.2.4 6.2.5 6.2.6 6.3 6.4 6.5 Variables aléatoires Définition d’une variable aléatoire Variables aléatoires finies Représentation d’une loi de probabilité finie Espérance mathématique d’une variable finie Variance et écart-type d’une variable finie Loi de probabilité produit Variables aléatoires indépendantes Fonction de répartition Variables infinies dénombrables (hors programme) Variables aléatoires continues Extension de la notion de variable

chaque balade qu’il effectue, un cavalier a une probabilité p d’être désarçonné. Loi binomiale 1. Quelle est la probabilité que le cavalier ait chuté k fois au terme de n balades ? On suppose que les différentes promenades sont indépendantes les unes des autres. 2. Quelle est la loi du nombre de chutes en n balades ? 3. Donner l’espérance et la variance du nombre de chutes en n balades. Exercice 3 Loi hypergéométrique Le responsable qualité d’une usine contrôle 20 objets dans chaque

e ee • F est une fonction en escalier, • P r(a < X ≤ b) = F (b) − F (a), • F est croissante, • lim−∞ F (x) = 0 et lim+∞ F (x) = 1, • P r(X > a) = 1 − P r(X ≤ a) = 1 − F (a). 1.3.2 Loi de probabilit´ e Si X est une variable al´atoire discr`te avec pour ensemble de valeurs {x1 , x2 , . . .}, sa loi de e e probabilit´ est d´finie par tous les pi = P r(X = xi ). Bien sˆr, on a i pi = 1. e e u 1.3.3 Moyenne et Variance Comme dans le cas des statistiques, on peut d´finir moyenne

Probabilité Contrôle Continu n°1 Corrigé Exercice 1 Soit X une variable aléatoire discrète de loi de probabilité; xi 1 2 3 4 5 6 P(X=xi) 0,10 0,20 0,10 0,30 0,10 0,20 1) Calculer l'espérance et la variance de X. Réponse : Pour p=0.25 on a : xi 4 ?(?) = � ? ? ? ? 1 2 3 4 P(X=xi) 0.25 0.25 0.25 0.25 ?=1 ?(?) = 1 × 0.25 + 2 × 0.25 + 3 × 0.25 + 4 × 0.25 ???? ?(?) = ?. ? 6 ???(?) = � ? ? [? ? − ?(?)]2 ?=1

Introduction…………………………………………………………………………….…4 2. Lois discrètes……………………………………………………………………………..4 2.1. Loi uniforme…………………………………………………………………………………………..4 2.1.1. Définition……………………………………………………………………………..….4 2.1.2. Espérance et variance…………………………………………………………..5 2.2. Loi de Bernoulli……………………………………………………………………………………..5 2.2.1. Définition………………………………………………………………………………...5 2.2.2. Espérance et variance………………………………………………………….5 2.3. Loi Binomiale………………………………………………………………………………………….6 2.3.1. Définition……………………………………………………………………………

obtient que P(64  X  104) = P(X  104) P(64  X) = (1 0, 16) 0, 16 = 0, 68. (b) D’après le cours on sait que si X suit une loi normale N (µ, s 2 ), alors P(µ s  X  µ + s ) = 0, 68. Dans notre exemple on sait que µ = 84 on peut donc proposer 20 comme valeur de s d’après la question précédente. X 84 X µ 2. (a) On a Z = = , donc d’après le cours Z suit un loi normal N (0; 1) s s ✓ ◆ ✓ ◆ X 84 20 20 (b) P(X  64) = P(X 84  20) = P  =P Z s s s ✓ ◆ 20 20 (c) On sait que P(X  64) = 0, 16 =

Loi normale ou loi de Gauss Familles de loi de probabilité continues, définies sur l’ensemble des réels, complètement caractérisées par leur espérance et leur variance De distribution symétrique autour de leur espérance x ~ N (µ ,σ 2 ) f ( x) =  ( x − µ )2   exp −  2σ 2  2πσ   1 2 Exemples de lois normales Fonction de répartition Pas calculable analytiquement Calcul numérique La loi normale centrée réduite Loi normale d’espérance nulle et de variance 1 u ~ N (0,1) f (u )