Retour à la leçon

Guide de l'enseignant: Distribution binomiale

Apprends à calculer les probabilités pour des essais indépendants répétés avec deux résultats.

Présenter la leçonPartager dans ClassroomVoir la page élève

Utiliser cette leçon en classe

Gratuit, sans compte élève.

Partager avec les élèves

Les élèves ouvrent la leçon et s'entraînent avec une correction immédiate.

Fiche d'exercices à imprimer

Tous les exercices sur papier, avec un corrigé séparé.

Fiche d'exercices Corrigé

Quiz de classe

10 questions sur Distributions de probabilité. Les élèves participent avec un prénom, vous voyez tous les scores.

Pour les enseignants

Objectifs d'apprentissage
  • Identifier les situations qui suivent une distribution binomiale
  • Calculer les probabilités binomiales en utilisant la formule
  • Interpréter les probabilités binomiales dans des contextes réels
  • Calculer la moyenne et l'écart-type d'une distribution binomiale
Prérequis
  • • Compréhension des concepts de base de probabilité
  • • Connaissance des factorielles et des combinaisons
  • • Familiarité avec les puissances
  • • Introduction aux distributions de probabilité
Amorces de discussion
  • 1. Peux-tu penser à une situation réelle qui suit une distribution binomiale ? Quels sont les essais, le succès et la probabilité ?
  • 2. Pourquoi avons-nous besoin du terme de combinaison dans la formule binomiale ?
  • 3. Un basketteur dit avoir un taux de réussite de 50% aux lancers francs. S'il réussit 8 tirs sur 10, cela prouve-t-il qu'il est meilleur que 50% ?
  • 4. Comment calculerais-tu la probabilité d'avoir 'au moins un succès' en 10 essais ?
Idées reçues courantes

Chaque résultat devrait avoir une probabilité de 50%

Remédiation: Clarifie que 'deux résultats' ne signifie pas 'probabilité égale'. Une pièce truquée peut avoir P(face) = 0,7 et P(pile) = 0,3.

La formule donne la probabilité de n'importe quelle séquence de k succès

Remédiation: Explique que pk(1−p)n−kp^k(1-p)^{n-k} est pour UNE séquence spécifique. La combinaison (nk)\binom{n}{k} multiplie cela par le nombre d'arrangements possibles.

Idées de différenciation

Pour les élèves en difficulté:

  • • Commencer avec des exemples simples de lancer de pièce (p = 0,5)
  • • Fournir un modèle de calcul étape par étape
  • • Utiliser des diagrammes en arbre pour les petites valeurs de n afin de visualiser tous les résultats

Pour les élèves au niveau:

  • • Résoudre des problèmes avec différentes valeurs de p (pas seulement 0,5)
  • • Calculer les probabilités 'au moins' et 'au plus'
  • • Relier à des contextes réels comme le contrôle qualité

Pour les élèves avancés:

  • • Dériver les formules de la moyenne et de la variance
  • • Comparer la binomiale à l'approximation normale
  • • Explorer les probabilités binomiales cumulatives et les tables
Alignement aux standards
  • S-MD.A.1 (CCSS.MATH.CONTENT.HSS.MD.A.1)

    Définir une variable aléatoire pour une quantité d'intérêt en assignant une valeur numérique à chaque événement

  • S-MD.A.3 (CCSS.MATH.CONTENT.HSS.MD.A.3)

    Développer une distribution de probabilité pour une variable aléatoire

  • S-CP.A.2 (CCSS.MATH.CONTENT.HSS.CP.A.2)

    Comprendre l'indépendance et la probabilité conditionnelle

Ressources de la leçon
  • visualGraphique de distribution binomiale

    Diagramme en barres interactif montrant les probabilités pour différentes valeurs de k

  • activitySimulateur de lancer de pièce

    Les élèves lancent des pièces virtuelles et comparent les probabilités expérimentales et théoriques

  • worksheetProblèmes binomiaux réels

    Appliquer la formule binomiale au contrôle qualité, à la médecine et au sport

Contenu de la leçon

Tout ce que voient les élèves : définition, exemples, erreurs fréquentes, applications. Touchez pour ouvrir.

Définition

La distribution binomiale modélise le nombre de succès dans un nombre fixe d'essais indépendants, où chaque essai n'a que deux résultats possibles : succès ou échec.
La probabilité d'exactement kk succès en nn essais est :
P(X=k)=(nk)pk(1−p)n−kP(X = k) = \binom{n}{k} p^k (1-p)^{n-k}
Où :
  • nn = nombre d'essais
  • kk = nombre de succès
  • pp = probabilité de succès à chaque essai
  • (nk)=n!k!(n−k)!\binom{n}{k} = \frac{n!}{k!(n-k)!} = nombre de façons de choisir kk succès parmi nn essais
Conditions pour une distribution binomiale :
  1. 1.Nombre fixe d'essais (nn)
  2. 2.Chaque essai est indépendant
  3. 3.Seulement deux résultats par essai (succès/échec)
  4. 4.Même probabilité de succès (pp) pour chaque essai

Exemples résolus

Tu lances une pièce équilibrée 5 fois. Quelle est la probabilité d'obtenir exactement 3 fois face ?
1

Identifier les paramètres

n=5n = 5 (lancers), k=3k = 3 (faces), p=0,5p = 0,5 (pièce équilibrée) → n=5, k=3, p=0,5
2

Calculer la combinaison

(53)=5!3!(5−3)!=5!3!2!=1206×2=10\binom{5}{3} = \frac{5!}{3!(5-3)!} = \frac{5!}{3!2!} = \frac{120}{6 \times 2} = 10 → 10 façons
3

Calculer la probabilité de succès

pk=0,53=0,125p^k = 0,5^3 = 0,125
4

Calculer la probabilité d'échec

(1−p)n−k=0,52=0,25(1-p)^{n-k} = 0,5^2 = 0,25
5

Multiplier toutes les parties

P(X=3)=10×0,125×0,25=0,3125P(X=3) = 10 \times 0,125 \times 0,25 = 0,3125 → 0,3125 ou 31,25%

Erreurs courantes

Oublier d'inclure la combinaison (nk)\binom{n}{k}

Pourquoi c'est faux: La combinaison compte COMBIEN DE FAÇONS on peut arranger kk succès parmi nn essais. Sans elle, tu calcules seulement la probabilité d'UN arrangement spécifique.

Correct: Utilise toujours la formule complète : P(X=k)=(nk)pk(1−p)n−kP(X=k) = \binom{n}{k} p^k (1-p)^{n-k}

Utiliser pp pour les termes de succès ET d'échec

Pourquoi c'est faux: La probabilité d'échec est 1−p1-p, pas pp. Si le succès est 0,3, l'échec doit être 0,7.

Correct: Utilise pkp^k pour les succès et (1−p)n−k(1-p)^{n-k} pour les échecs.

Confondre 'au moins' avec 'exactement'

Pourquoi c'est faux: 'Exactement 3' signifie P(X=3)P(X=3), mais 'au moins 3' signifie P(X≥3)=P(X=3)+P(X=4)+...P(X \geq 3) = P(X=3) + P(X=4) + ...

Correct: Pour 'au moins', additionne les probabilités de toutes les valeurs à partir de ce nombre jusqu'à nn. Ou utilise le complémentaire : P(X≥k)=1−P(X<k)P(X \geq k) = 1 - P(X < k)

Pourquoi c'est important

La distribution binomiale apparaît partout dans la vie réelle :
  • Contrôle qualité : Quelle est la probabilité que 3 produits sur 100 soient défectueux ?
  • Médecine : Si un médicament fonctionne dans 80% des cas, quelle est la chance qu'il aide au moins 7 patients sur 10 ?
  • Sports : Quelle est la probabilité qu'un basketteur réussisse exactement 6 lancers francs sur 10 ?
  • Génétique : Si un trait a 25% de probabilité d'être hérité, quelle est la probabilité que 2 enfants sur 4 l'héritent ?
Comprendre la distribution binomiale t'aide à faire des prédictions et des décisions éclairées face à des situations répétées de type oui/non.

Applications dans le monde réel

Essais cliniques

Les entreprises pharmaceutiques utilisent la distribution binomiale pour analyser l'efficacité des médicaments dans les essais cliniques.

Exemple:

Si un nouveau médicament a un taux de réussite de 75%, la probabilité que exactement 8 patients sur 10 s'améliorent est calculée avec la formule binomiale.

1Essaie par toi-même

Un vaccin est efficace à 90%. Tu vaccines 5 personnes.

Quelle est la probabilité que exactement 4 personnes développent une immunité ?

Étape 1 : Écris l'expression mathématique

Utilise la formule binomiale avec n=5n=5, k=4k=4, p=0,9p=0,9 :

Analyse sportive

Les entraîneurs et analystes utilisent les probabilités binomiales pour prédire les résultats des matchs et les performances des joueurs.

Exemple:

Si un basketteur a un taux de réussite de 70% aux lancers francs, la distribution binomiale calcule la probabilité de réussir un nombre spécifique de tirs.

2Essaie par toi-même

Un footballeur réussit ses tirs au but à 80%. Il tire 4 pénalités.

Quelle est la probabilité qu'il en marque exactement 3 ?

Étape 1 : Écris l'expression mathématique

Applique la formule binomiale :

Points clés

  • 1La distribution binomiale modélise kk succès en nn essais indépendants avec une probabilité de succès pp
  • 2Formule : P(X=k)=(nk)pk(1−p)n−kP(X = k) = \binom{n}{k} p^k (1-p)^{n-k}
  • 3La combinaison (nk)\binom{n}{k} compte le nombre de façons d'arranger les succès
  • 4Conditions : nn fixe, essais indépendants, deux résultats, pp constant
  • 5Moyenne : μ=np\mu = np et Écart-type : σ=np(1−p)\sigma = \sqrt{np(1-p)}

Questions fréquentes

Quand dois-je utiliser la distribution binomiale ?

Utilise-la quand tu as un nombre fixe d'essais indépendants, chacun avec seulement deux résultats (succès/échec), et la probabilité de succès reste constante pour chaque essai.

Quelle est la différence entre distribution binomiale et normale ?

La binomiale est pour des comptages discrets (nombres entiers de succès), tandis que la normale est pour des données continues. Cependant, quand nn est grand et pp n'est pas trop extrême, la binomiale peut être approximée par la normale.

Comment calculer 'au moins k succès' ?

Soit tu additionnes P(X=k)+P(X=k+1)+...+P(X=n)P(X=k) + P(X=k+1) + ... + P(X=n), soit tu utilises le complémentaire : P(X≥k)=1−P(X<k)=1−[P(X=0)+P(X=1)+...+P(X=k−1)]P(X \geq k) = 1 - P(X < k) = 1 - [P(X=0) + P(X=1) + ... + P(X=k-1)].

Glossaire

Distribution binomiale
Une distribution de probabilité pour le nombre de succès dans un nombre fixe d'essais indépendants
Essai
Une expérience unique ou observation avec deux résultats possibles
Essai de Bernoulli
Une expérience avec exactement deux résultats : succès (probabilité pp) ou échec (probabilité 1−p1-p)
Combinaison
(nk)\binom{n}{k} représente le nombre de façons de choisir kk éléments parmi nn éléments, sans tenir compte de l'ordre
Événements indépendants
Événements où le résultat de l'un n'affecte pas la probabilité de l'autre

Carte des formules

Probabilité

P(X=k)=(nk)pk(1−p)n−kP(X = k) = \binom{n}{k} p^k (1-p)^{n-k}

Probabilité d'exactement k succès en n essais

Combinaison

(nk)=n!k!(n−k)!\binom{n}{k} = \frac{n!}{k!(n-k)!}

Nombre de façons de choisir k parmi n

Moyenne

μ=np\mu = np

Nombre attendu de succès

Variance

σ2=np(1−p)\sigma^2 = np(1-p)

Dispersion de la distribution

Écart-type

σ=np(1−p)\sigma = \sqrt{np(1-p)}

Racine carrée de la variance

Plus sur ce sujet

Introduction aux distributions de probabilités

Avancé25 min

Probabilité binomiale

Avancé25 min

Distributions discrètes vs continues

Avancé25 min

Espérance mathématique

Avancé25 min