Nouveaux programmes de terminale Probabilités et statistiques
Short Description
Download Nouveaux programmes de terminale Probabilités et statistiques...
Description
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
View more...
Comments