Nouveaux programmes de terminale Probabilités et statistiques I. Un guide pour l'année II. La loi uniforme : une introduction III. La loi exponentielle IV. De la loi binomiale à la loi normale V. Échantillonnage Ressources en ligne Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 I. Un guide pour l'année Ω est l'univers d'une expérience aléatoire, muni d'une probabilité p. X est une variable aléatoire sur Ω, à valeurs dans un intervalle I. f est la fonction de densité associée : - f est continue et positive sur I ; - son intégrale sur I vaut 1. Alors : p({X ∈J }) est l'aire de {M (x ; y) ; x ∈J et 0≤ y≤ f ( x)} Problème : comment introduire la fonction de densité ? Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 II. La loi uniforme : une introduction a) de la simulation à la fonction de densité Un nombre est tiré au hasard dans un intervalle [a;b]. Pour [c;d] inclus dans [a;b], comment mesurer p( X ∈[c ; d ])? Simulation : n tirages au hasard dans [0;10], avec histogramme des fréquences. L'aire cumulée des rectangles entre c et d donne la fréquence de l'événement X ∈[c ; d ] Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 II. La loi uniforme : une introduction a) de la simulation à la fonction de densité On augmente n et le nombre de classes L'aire à calculer s'approche de celle d'un rectangle La surface à considérer est délimitée par : - les droites d'équations x=c et x=d - l'axe des abscisses - une courbe d'équation y=f(x) : f est la fonction de densité de la variable aléatoire. Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 II. La loi uniforme : une introduction b) Bilan La loi uniforme sur [a;b] admet pour fonction de densité : f (x )= 1 b−a Pour [c;d] inclus dans [a;b] : d p( X ∈[c ; d ])=∫c d−c f ( x)dx= b−a L'espérance de la loi uniforme sur [a;b] : ∫a x f ( x)dx= a+b 2 b Nouveaux programmes de terminale – Probabilités et statistiques Commentaires Pas de prérequis : les considérations d'aires suffisent Introduction de l'intégrale possible Approche possible par analogie avec une variable aléatoire discrète Prérequis (suivant l'approche) : suites arithmétiques ou intégration Octobre 2012 III. La loi exponentielle (séries S, STI2D, STL) a) Une simulation Un atome radioactif a pour probabilité de désintégration a dans une unité de temps. On considère n atomes indépendants à l'instant 0. Une simulation mène à l'histogramme des fréquences de désintégration par unité de temps. Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 III. La loi exponentielle b) Avec la fonction de densité X suit une loi exponentielle de paramètre λ si sa densité est : −λ x f (x)= λ e , x∈[0 ;+∞[ Alors : d p( X ∈[c ; d ])=∫c f (x)dx=e−λ c−e−λ d Propriété de durée de vie sans vieillissement : p X ≥t ( X≥t +h)= p( X ≥h) Prérequis : fonction exponentielle, intégration, comportement asymptotique Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 III. La loi exponentielle c) Espérance x −λ t E ( X )=lim x →+∞ ∫0 t λ e dt = 1 λ La primitive : - est à donner directement - ou à rechercher sous la forme (at+b)e−λ t - ou à trouver en passant par le principe de l'intégration par parties (hors programme) Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 IV. De la loi binomiale à la loi normale a) Centrer et réduire la loi binomiale Variable aléatoire : Espérance : 0 Écart-type : 1 Z n= X n −np √ np(1− p) E (Z n )=0 σ (Z n)=1 X −µ σ Variable aléatoire: X Espérance : µ Écart-type : σ Avantage espérance et écart-type de Z ne dépendent plus de X. Nouveaux programmes de terminale – Probabilités et statistiques Cas de la loi binomiale X n suit B(n ; p) E( X n )=n p σ ( X n )= √ np(1− p) Octobre 2012 IV. De la loi binomiale à la loi normale b) Le théorème de Moivre-Laplace Z n= X n −np X n suit B (n ; p) n entier non nul p∈]0 ;1[ √ np(1− p) Pour tout x réel, soit : f ( x )= Théorème Pour tous réels a et b (a < b) : lim n →+∞ p( Z n ∈[a ; b])= 1 e ∫ a √2 π b −x 2 2 dx 1 e √2 π −x 2 2 La variable aléatoire sur ℝ admettant f pour fonction de densité est la loi normale centrée réduite N(0;1). Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 IV. De la loi binomiale à la loi normale c) Les lois normales Définition 2 Une variable aléatoire X suit une loi normale N (µ ; σ ) d'espérance µ et d'écart-type σ lorsque X −µ suit la loi normale centrée réduite N(0;1). σ Remarque 2 La fonction de densité associée à N (µ ; σ ) n'est pas un objectif du programme. Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 IV. De la loi binomiale à la loi normale d) Lois normales et probabilités 1 f ( x )= e 2 π √ −x 2 2 Z suit N(0;1) f est paire donc : p(Z ∈[−t ;t ]) = 2 p (Z ∈[ 0 ; t ]) Espérance et écart-type 0 t E (Z ) = limt →−∞ ∫t x f ( x)dx + lim t →+∞ ∫0 x f ( x)dx E (Z ) = 0 σ ( Z ) = 1 (admis) Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 IV. De la loi binomiale à la loi normale d) Lois normales et probabilités Théorème (démonstration exigible en TS) Z suit la loi normale N(0;1). Soit α ∈]0 ; 1[ . Il existe un unique réel positif uα tel que : p(Z ∈[−u α ; u α ])=1−α Démonstration 1 f ( x )= e √2 π −x 2 2 ∫0 Soit F définie sur [0 ;+∞[ par : F ( x)= F est dérivable, donc continue x f (t) dt Il existe un unique uα>0 tel que : F (u α )= f > 0 donc F est strictement croissante 1− α 2 F prend ses valeurs dans [0;1/2] 0 < α < 1 donc 0< 1− α 1 < 2 2 p(Z ∈[−u α ; u α ])=2 F (u α )=1−α Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 IV. De la loi binomiale à la loi normale e) Valeurs à connaître Z suit N(0;1) p(Z ∈[−1 ;1 ]) ≈ 0,68 X −µ Z= σ 2 X suit N (µ ; σ ) p( X ∈[ µ−σ ; µ+ σ ]) ≈ 0,68 p( Z ∈[−1,96 ;1,96 ]) ≈ 0,95 p( X ∈[ µ−2 σ ; µ+2 σ ]) ≈ 0,95 p(Z ∈[−2,58 ; 2,58]) ≈ 0,99 p( X ∈[ µ−3 σ ; µ+3 σ ]) ≈ 0,99 Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 V. Fluctuation et prise de décision a) La statistique inférentielle Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 V. Fluctuation et prise de décision b) Intervalle de fluctuation asymptotique Soit Xn la variable aléatoire suivant la loi binomiale B(n,p) : E 1-p p Soit : Z n = S X n −np √ np(1− p) Soit α entre 0 et 1. Il existe un unique uα>0 tel que : Par le théorème de Moivre-Laplace : lim n →+∞ u 1 p (−u α ⩽Z n ⩽u α )= e ∫ −u √2 π α −x 2 2 dx α Comment revenir alors à la loi binomiale ? p(Z ∈[−u α ; u α ])=1−α Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 V. Fluctuation et prise de décision b) Intervalle de fluctuation asymptotique −uα ⩽ Z n ⩽ uα Z n= X n −np √ np(1− p) −u α √ np (1− p) ⩽ X n −np ⩽ u α √ np(1− p) p−u α [ √ I n= p−u α √ p (1− p) p(1− p) ; p+u α n n Avec α = 0,05 et uα =1,96 : [ ] I n= p−1,96 √ lim n →+∞ √ √ Xn p(1− p) p(1− p) ⩽ ⩽ p+u α n n n Xn p ∈ I n = 1−α n ( ) p(1− p) ; p+1,96 n Nouveaux programmes de terminale – Probabilités et statistiques √ p(1− p) n ] Octobre 2012 V. Fluctuation et prise de décision c) Intervalle de fluctuation asymptotique : utilisation pratique Avec α = 0,05 et uα =1,96 n=100 n⩾30 , np⩾5 , n(1− p)⩾5 Dans un échantillon de taille n, la fréquence des nombres de réussites de la loi binomiale appartient avec une probabilité 0,95 à l'intervalle : [ √ p(1− p) I n= p−1,96 ; p+1,96 n √ p(1− p) n I 100≈ [ 0,3 ; 0,5 ] ] p=0,4 Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 V. Fluctuation et prise de décision d) Un exemple de prise de décision Une machine fabrique des condensateurs. Probabilité qu'un condensateur soit défectueux : p=0,07. Sur un lot de 400 condensateurs, 41 sont défectueux. Cela est-il dû au seul hasard ? Traitement en seconde : n=400⩾25 mais p n'est pas dans [0,2;0,8]. Traitement en terminale : n⩾30, np=28⩾5, n(1− p)=372⩾5 p−1,96 Intervalle de fluctuation asymptotique au seuil de 95% : p+1,96 Fréquence des condensateurs défectueux dans l'échantillon : f = √ √ p (1− p) ≈ 0,045 n p (1− p) ≈ 0,095 n 41 ≈0,103 400 Conclusion : 0,103 n'est pas dans [0,045;0,095]. L'échantillon observé n'est donc pas « normal », au seuil 0,95. Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 V. Fluctuation et prise de décision e) Fluctuation et confiance Intervalle de fluctuation p connue Intervalle de confiance p inconnue Seconde Seuil de 95% n⩾25 0,2⩽ p⩽0,8 1 1 p− ; p+ √n √n Première Avec la loi binomiale - Asymptotique au seuil de 1−α Au niveau de confiance 95% [ Sensibilisation ] n⩾30 np⩾5 n(1− p)⩾5 Terminale [ √ I n = p−u α √ p (1− p) p(1− p) ; p+u α n n [ ] [ Remarque : pour α=0,05, In est inclus dans : p− Nouveaux programmes de terminale – Probabilités et statistiques f− 1 1 ;f+ √n √n 1 1 ; p+ √n √n ] ] Octobre 2012 V. Fluctuation et prise de décision f) Intervalle de confiance, estimation et niveau de confiance Contexte : on cherche la probabilité p d'occurrence d'un certain caractère dans une population. Pour un échantillon de taille n, la fréquence d'apparition f de ce caractère est connue. [ ] 1 1 contient p ;f+ √n √n avec un niveau de confiance de 95%. Alors f− Conditions d'application : n⩾30 , np⩾5 , n(1− p)⩾5 Exemple p=0,5 20 échantillons de taille 100 Une simulation sur 20 ne comprend pas p dans son intervalle de confiance : la probabilité porte sur f, pas sur p. Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012 Ressources en ligne 1. Documents ressources sur Eduscol : lycée et collège 2. Documents ressources math-physique au lycée professionnel sur Eduscol 3. Les documents de la formation sur le Site académique de mathématiques Nouveaux programmes de terminale – Probabilités et statistiques Octobre 2012