Situations algorithmiques~1 min
def pascal(n): # liste des lignes du triangle jusqu'à n
T = [[1]]
for i in range(1, n + 1):
prec = T[-1]
ligne = [1] + [prec[k-1] + prec[k] for k in range(1, i)] + [1]
T.append(ligne)
return T # pascal(4)[4] vaut [1, 4, 6, 4, 1]
def loi_binomiale(n, p): # liste des P(X = k) pour k de 0 à n
C = pascal(n)[n]
return [C[k] * p**k * (1-p)**(n-k) for k in range(n + 1)]
def esperance(valeurs, probas): # somme des x_i * p_i
return sum(x * q for x, q in zip(valeurs, probas))
# esperance(list(range(n + 1)), loi_binomiale(n, p)) renvoie n * p
# plt.bar(range(n + 1), loi_binomiale(n, p)) trace le diagramme (matplotlib)
En faisant varier $p$ à $n$ fixé (ou $n$ à $p$ fixé), on observe que l'espérance $np$ varie proportionnellement.
• Marketing : clients qui répondent à une offre, visiteurs qui achètent (taux de conversion), abonnés qui résilient.
• Gestion et finance : factures payées en retard, dossiers incomplets, sinistres parmi des assurés.
• RH et sondages : salariés absents un jour donné, personnes favorables dans un échantillon, bonnes réponses à un QCM rempli au hasard.