SIMULATIONS, ALGORITHMES EN PROBABILITÉS ET STATISTIQUE(S) AU LYCÉE ET AVEC R
|
|
- Agathe Goudreau
- il y a 8 ans
- Total affichages :
Transcription
1 ET STATISTIQUE(S) AU LYCÉE ET AVEC R I-INTRODUCTION Que disent les programmes? La simulation un outil pratique mais aussi une alternative didactique L'outil libre, gratuit et collaboratif R Analyse de quelques exemples glanés dans les ouvrages II-LA SIMULATION UN OUTIL DU COURS DE PROBABILITÉS Ses enjeux didactiques à travers quelques exemples Réinvestir la statistique descriptive, modéliser III-LA SIMULATION UN OUTIL DE RÉSOLUTION DE PROBLÈMES Quelques exemples emblématiques Résolution* simulée d'exercices d'annales de bac S IV-EXPLOITER ET PROLONGER UNE EXPÉRIENCE ALÉATOIRE Une séquence de travaux pratiques d'introduction fréquentiste à la probabilité. Du protocole à l'aed V-CONCLUSIONS
2 I-INTRODUCTION QUE DISENT LES PROGRAMMES?
3 I-INTRODUCTION En seconde (BO n 30 du 23 juillet 2009) : Statistiques et probabilité : "ces enseignements sont en relation étroite l'un avec l'autre et doivent faire l'objet d'aller et retour". "Concevoir mettre en œuvre et exploiter des simulations de situations concrètes "...(quid du protocole) L'intervalle de fluctuation d'une fréquence " peut être obtenu de façon approchée par simulation". En première : à l'aide de simulations et d'une approche heuristique de la loi des grands nombres on fait le lien" entre moyenne, variance d'une série et espérance et variance d'une variable aléatoire. On peut simuler une loi géométrique tronquée, une loi binomiale. En terminale : La simulation de sondages sur tableur permet de sensibiliser aux fourchettes de sondage.
4 I-INTRODUCTION QU' EST-CE QUE LA SIMULATION?
5 I-INTRODUCTION Ce que ne précisent pas les programmes ni les documents d'accompagnement actuels : Qu'est-ce que la simulation? Le document d accompagnement [GEPS, 2001] des programmes de première précisait : «Modéliser consiste à associer un modèle à des données expérimentales, alors que simuler consiste à produire des données à partir d'un modèle prédéfini. Pour simuler une expérience, on associe d'abord un modèle à l'expérience en cours, puis on simule la loi du modèle». Le choix d'un modèle est l'étape préliminaire indispensable, lorsque l'on conçoit une simulation. Modélisation et simulation sont donc indissociables et sont sources d'obstacles didactiques qu'il faut s'efforcer d'identifier et de résoudre. Le schéma suivant (Bernard Parzysz, 2009), illustre bien ces notions : modèle simulation Modélisation expérience 1 (phénomène étudié) Représentation Validation expérience 2 Lorsque l'on néglige la phase "modèle", l'expérience 2 est comprise comme une simple représentation de l'expérience 1!
6 I-INTRODUCTION R : POURQUOI ET COMMENT?
7 I-INTRODUCTION R : POURQUOI ET COMMENT R : un outil polyvalent, libre, performant et richement documenté, qui permet de mettre en œuvre les méthodes en Analyse, Probabilités, Analyse Exploratoire et Statistique. Notre objectif : en dépassant les simples illustrations de cours, montrer que R permet de mettre facilement en œuvre la simulation comme : Un outil didactique pour l'apprentissage des probabilités Un outil de résolution de problèmes Un champ de mise en œuvre de l'algorithmique R est un outil qui facilite l'autonomie des élèves.
8 QUATRE DES INTERFACES DE R : I-NTRODUCTION 1 - Rcmdr : les menus à cliquer
9 I-INTRODUCTION QUATRE DES INTERFACES DE R: 2 - R-GUI : la console, l'éditeur de script...
10 I-INTRODUCTION QUATRE DES INTERFACES DE R : 3 -Tinn-R : coloration syntaxique, complétion, console intégrée...
11 QUATRE DES INTERFACES DE R: I-INTRODUCTION 4 -RStudio : coloration syntaxique, complétion, console intégrée, worskpace...
12 I-INTRODUCTION ALGORITHMES ET PROGRAMMES DANS LES MANUELS
13 I-INTRODUCTION DANS LES MANUELS : SIMULER LA LOI BINOMIALE Quelle utilité de la simulation alors qu'on sait facilement calculer des probabilités binomiales (loi annoncée)? On simule 1 valeur de la variable alors qu'une loi c'est une distribution. À la difficulté de décryptage de l'algorithme s'ajoute la difficulté de floor(1+5*random()) Une généralisation est proposée mais encore pour simuler 1 valeur. Pourquoi cette différence de traitement entre n et B et m? Après avoir annoncé une loi binomiale, on demande ensuite de "tester" le programme. Mais comment? On n'a pas besoin de la loi binomiale pour simuler cette expérience. Juste le modèle équiprobable, peu lisible ici.
14 I-INTRODUCTION DANS LES MANUELS : SIMULER LA LOI BINOMIALE Un peu plus loin, sous le même titre, on trouve un autre algorithme simulant cette fois M valeurs issues d'un schéma de Bernoulli. On cumule quatre difficultés : algorithme long, modèle équiprobable peu lisible (bien que classique), distribution* simulée de S directement cumulée dans TAB[s], initialisation et affichage du tableau par boucles for(). En b) on demande d'utiliser un autre logiciel (tableur) puis de comparer distribution* simulée et distribution de probabilité (je suppose), mais comment? Pourquoi ne pas réinvestir les outils de la statistique descriptive? (je ne l'ai trouvé sur aucun des algorithmes visités!)
15 I-INTRODUCTION DANS LES MANUELS : UN CALCUL D'ESPÉRANCE L'initialisation (voire la saisie) du tableau ne figure pas dans l'algorithme. Le langage "naturel" n'est pas assez précis, d'où la difficulté du passage à la programmation : traduire pixi n'a rien d'évident. Pertinence de la méthode, par rapport aux fonctionnalités des langages actuels.
16 I-INTRODUCTION DANS LES MANUELS : SIMULER UN JEU DE LOTERIE Cumul de la difficulté du connecteur logique, de la boucle TantQue et du positionnement du compter j. On simule 1 valeur de la variable. Comment vérifier le fonctionnement d'une simulation? La simulation ne sert pas dans le 2. où l'on demande le calcul d'une distribution de probabilité et où l'on propose d'utiliser un autre logiciel (calcul formel?) pour faire un calcul numérique d'espérance. On peut réaliser tous ces calculs, plus simplement, avec R, qui fait des illustrations graphiques.
17 I-INTRODUCTION DANS LES MANUELS : CALCULER ET SIMULER L'IF D'UNE VARIABLE FRÉQUENCE L'algorithme de calculs des IF est simplifié avec R. Je n'ai pas trouvé d'exemple d'algorithme de simulation d'un IF. Se pose le problème du mode de calcul des quantiles d'une série statistique. Il est proposé d'exécuter le programme plusieurs fois. C'est peu réaliste pour établir un nombre suffisant de résultats. Pourquoi ne pas prévoir ces répétitions dans l'algorithme lui même? Quels critères de cohérence pour comparer fréquences simulées et probabilité?
18 II-UN OUTIL DU COURS DE PROBABILITÉ II-LA SIMULATION UN OUTIL DU COURS DE PROBABILITÉ
19 II-UN OUTIL DU COURS DE PROBABILITÉ II-LA SIMULATION UN OUTIL DU COURS DE PROBABILITÉ LE PROBLÈME HISTORIQUE D'UN GRAND DUC DE TOSCANE Simulation : plusieurs modèles et stratégies Calculer des distributions de probabilité Superposer graphiquement fréquences simulées et probabilités LE PROBLÈME HISTORIQUE DU CROIX-PILE DE D'ALEMBERT Simulations, s'arrêter ou pas lorsque l'on gagne Simuler le rang du premier succès Calculer les distributions du rang du premier succès Superposer graphiquement fréquences simulées et probabilités UN MODÈLE D'URNE POUR ÉTUDIER LE NOMBRE DE ROUGES TIRÉES Simuler un modèle d'urne Simuler un intervalle de fluctuation Calculer l'intervalle de fluctuation d'une variable binomiale CONVERGENCE DE LA LOI BINOMIALE VERS LA LOI DE GAUSS Illustration graphique Exploration d'intervalles de fluctuation asymptotiques gaussiens SIMULATION D'UN PEIGNE D'INTERVALLES DE CONFIANCE Plusieurs illustrations graphiques CALCUL DE L'INTERVAL DE CONFIANCE "EXACT" D'UNE PROPORTION Par la méthode de Clopper et Pearson (1934)
20 II-UN OUTIL DU COURS DE PROBABILITÉ PROBLÈME HISTORIQUE (1620) DU GRAND DUC DE TOSCANE : JETER 3 FOIS UN DÉ** (ÉQUILIBRÉ) S est la variable aléatoire prenant pour valeurs la somme des valeurs des faces obtenues ALGORITHME A1_1 LIGNES DE COMMANDES POUR SIMULER 1 JEU (de <- 1:6) # abréviation de seq(from = 1, to = 6, by = 1) [1] (jeu <- sample(de, 3, T))# abréviation de sample(x = de, size = 3, replace = TRUE) [1] (s <- sum(jeu)) [1] 16 L'aide sous R :?sample L'aide sous RStudio : touche tab sur sample (fonction contextuelle) L'apport de R?
21 II-UN OUTIL DU COURS DE PROBABILITÉ PROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE : JETER 3 FOIS UN DÉ** ALGORITHME A1_2 LIGNES DE COMMANDES POUR SIMULER 2000 JEUX (IDENTIQUES) TABLEAU DES FRÉQUENCES DE LA SÉRIE SIMULÉE de <- 1:6 ; Nbjets = 3 ; nbsim = 2000 ; seriesomnbjets <- NULL for(i in 1:nbsim){ jeu <- sample(de, Nbjets, replace = TRUE) s <- sum(jeu) seriesomnbjets <- c(seriesomnbjets, s) #**** Affichage des résultats et des graphiques************* (tablefreqs <- table(seriesomnbjets) / nbsim) seriesomnbjets barplot(tablefreqs) L'apport de R?
22 II-UN OUTIL DU COURS DE PROBABILITÉ PROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE : JETER 3 FOIS UN DÉ** ; AVEC LE NOMBRE DE JETS QUI PEUT VARIER ALGORITHME A1_4 toscanea1_4 <- function(nbjets = 3, nbsim = 2000){ seriesomnbjets <- NULL ; de <- 1:6 for(i in 1:nbsim){ jeu <- sample(de, Nbjets, replace = TRUE) s <- sum(jeu) seriesomnbjets <- c(seriesomnbjets, s) tablefreqs <- table(seriesomnbjets) / nbsim #**** Affichage des résultats et des graphiques*********** cat("tableau des fréquences simulées:\n") print(tablefreqs) barplot(tablefreqs, xlab = "Valeurs de la variable somme", ylab = "Fréquences simulées", main = "Distribution simulée de la variable S") > toscanea1_4() Tableau des fréquences* simulés : seriesomnbjets
23 II-UN OUTIL DU COURS DE PROBABILITÉ PROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE : JETER 3 FOIS UN DÉ** UNE STRATÉGIE POUR ÉVITER LES BOUCLES ALGORITHME A1_6 toscanea1_6 <- function(nbsim = 2000){ de <- 1:6 seriejets1 <- sample(de, nbsim, replace = T) seriejets2 <- sample(de, nbsim, replace = T) seriejets3 <- sample(de, nbsim, replace = T) seriesom3jets <- seriejets1 + seriejets2 + seriejets3 tablefreqs <- table(seriesom3jets) / nbsim #**** Affichage des résultats et des graphiques*********** print(tablefreqs) barplot(tablefreqs, xlab = "Valeurs de la variable somme", ylab = "Fréquences simulées", main = "Distribution simulée de la variable S") > system.time(toscanea1_6()) seriesom3jets utilisateur système écoulé > system.time(toscanea1_4()) seriesom3jets utilisateur système écoulé
24 II-UN OUTIL DU COURS DE PROBABILITÉ PROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE : JETER Nbjets FOIS UN DÉ À 6 FACES NON ÉQUILIBRÉ ALGORITHME A1_8 toscanea1_8 <- function(nbjets = 3, nbsim = 100){ seriesomnbjets <- NULL ; de <- 1:6 ; probafaces = de / 21 for(i in 1:nbsim){ jeu <- sample(de, Nbjets, prob = probafaces, replace = TRUE) s <- sum(jeu) seriesomnbjets <- c(seriesomnbjets, s) tablefreqs <- table(seriesomnbjets) / nbsim #**** Affichage des résultats et des graphiques*********** cat("tableau des fréquences simulées:\n") print(tablefreqs) barplot(tablefreqs, xlab = "Valeurs de la variable somme", ylab = "Fréquences simulées", main = "Diagramme en barres") > toscanea1_8() Tableau des fréquences* simulés : seriesomnbjets L'apport de R?
25 II-UN OUTIL DU COURS DE PROBABILITÉ PROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE : JETER 3 FOIS UN DÉ** : CALCULER LA DISTRIBUTION DE PROBABILITÉ DE S ALGORITHME A1_9 probas3dea1_9 <- function(){ s <- array(0, dim = c(6, 6, 6)) for(i in 1:6){ for(j in 1:6){ for(k in 1:6){s[i, j, k] <- i + j + k tabloprobas <- table(s) / 216 return(tabloprobas) probas3dea1_9() s plot(probas3dea1_9(), col = "red", main = "Distribution de probabilité de S") L'apport de R?
26 II-UN OUTIL DU COURS DE PROBABILITÉ GRAND DUC DE TOSCANE : SUPERPOSER DISTRIBUTION DE PROBABILITÉ ET DISTRIBUTION* SIMULÉE DE S : ALGORITHME A1_10 toscanea1_10 <- function(nbsim = 2000){ setwd("e:/hubw/irem/animstages/angerssept2012") source("toscanea1_4bis.r") tablefreqs <- toscanea1_4bis(nbsim = nbsim) source("probas3dea1_9.r") DistribprobaS <- probas3dea1_9() #**** Affichage des résultats et des graphiques*********** cat("tableau des fréquences simulées:\n") print(tablefreqs) barplot(tablefreqs, xlab = "Valeurs de la variable somme", ylab = "Fréquences simulées ou Probabilités", main = "Distribution simulée(barres), probabilité (Points rouges)", ylim = c(0,.14)) points(barplot(3:18, plot = FALSE), DistribprobaS, pch = 21, col = "red", bg = "red") > toscanea1_10() Tableau des fréquences simulés : seriesom3jets
27 II-UN OUTIL DU COURS DE PROBABILITÉ SIMULER LE PROBLÈME HISTORIQUE (1754) DU CROIX-PILE DE D'ALEMBERT PREMIER MODÈLE : ALGORITHME A2_1 Un coup consiste à jeter une pièce (croix - pile ) équilibrée, Le jeu, en deux coups au plus, s'arrête dès que je gagne en "amenant croix". Description de la distribution* des modalités des résultats du jeu. croixpilea2_1 <- function(nbsim = 2000){ resultats <- rep(0, 3) ; piece <- c("croix", "Pile") names(resultats) <- c("gagnécoup1", "GagnéCoup2", "Perdu") for(i in 1:nbsim){ coup1 <- sample(piece, 1) if(coup1 == "Croix") { resultats[1] <- resultats[1] + 1 else { coup2 <- sample(piece, 1) if(coup2 == "Croix") { resultats[2] <- resultats[2] + 1 else { resultats[3] <- resultats[3] + 1 #**** Affichage des résultats et des graphiques*********** print(resultats / nbsim) barplot(resultats / nbsim, ylab = "Fréquences simulées") > croixpilea2_1(nbsim = 5000) (DISTRIBUTION*) GagnéCoup1 GagnéCoup2 Perdu L'apport de R?
28 II-UN OUTIL DU COURS DE PROBABILITÉ SIMULER UN SCHÉMA DE BERNOULLI POUR ÉTUDIER LA VARIABLE R : RANG DU PREMIER SUCCÈS : ALGORITHME A3 Un peu de mécanique pour comprendre sum(v. logique) et which() de R qui vont servir à simplifier algorithmes et programmes. Un jeu consiste à lancer une roulette de 18 secteurs équiprobables numérotés de 1 à 18, 20 fois au plus. On compte au bout de combien de fois on obtient 9. (roulette <- 1:18) [1] (ResExpe <- sample(roulette, 20, replace = TRUE)) [1] ResExpe == 9 [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE [13] TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE as.numeric(resexpe == 9) [1] sum(resexpe == 9) [1] 2 which(resexpe == 9) [1] (r <- min(which(resexpe == 9))) [1] 10 4 TRUE FALSE FALSE
29 II-UN OUTIL DU COURS DE PROBABILITÉ SIMULER UN SCHÉMA DE BERNOULLI POUR ÉTUDIER LA VARIABLE R : RANG DU PREMIER SUCCÈS : ALGORITHME A3 Description de la distribution* simulée de R rangpremiersuccesa3 <- function(n = 20, p = 1 / 5, nbsim = 2000){ deuxalternatives <- c("succes", "echec") ; seriesimr <- NULL for(i in 1:nbsim){ ResExpe <- sample(deuxalternatives, n, prob = c(p, 1 - p), replace = TRUE) if(sum(resexpe == "succes")!= 0) { r <- min(which(resexpe == "succes")) else {r <- 0 seriesimr <- c(seriesimr, r) tablefreqr <- table(seriesimr) / nbsim MoySerieR <- mean(seriesimr) #**** Affichage des résultats et des graphiques*********** cat("\ntableau de distribution des fréquences de la\n", "variable Rang du premier succès et moyenne de la série\n") print(tablefreqr) ; print(moyserier) barplot(tablefreqr, xlab = "Valeurs de la variable rang du premier succès", ylab = "Fréquences simulées" main = "Distribution simulée de la variable R") > rangpremiersuccesa3() (DISTRIBUTION*) Tableau de distribution des fréquences simulées de la variable Rang du premier succès et moyenne de la série seriesimr [1] L'apport de R?
30 II-UN OUTIL DU COURS DE PROBABILITÉ ALGORITHME DE CALCUL DE PROBABILITÉS AVEC LA LOI GÉOMÉTRIQUE TRONQUÉE : ALGORITHME A3_1 Graphique des probabilités cumulées " Calcul de la probabilité d'événements divers L'apport de R? geotronka3_1 = function(k, n, p){ distribx <- rep(0, n + 1) ; names(distribx) <- 0:n distribx[1] <- (1 - p)^n distribx[2:(n + 1)] <- (1 - p)^((1:n) - 1) * p proba <- distribx[k + 1] return(proba) > geotronka3_1(3:6, 10,.3) > sum(geotronka3_1(3:6, 10,.3)) [1] > (geotronkcum <- cumsum(geotronka3_1(0:10, 10,.3))) plot(0:10, geotronkcum, pch = 21, bg = "red", main = "Probabilités cumulées") Espérance numérique > (somxipi <- sum(0:10 * geotronka3_1(0:10, 10,.3))) [1] Variance numérique > somxi2pi <- sum((0:10)^2 * geotronka3_1(0:10, 10,.3)) > (vargeotronk <- somxi2pi - somxipi^2) [1]
31 II-UN OUTIL DU COURS DE PROBABILITÉ SUPERPOSER LES GRAPHIQUES DE LA DISTRIBUTION SIMULÉE ET DE LA DISTRIBUTION GÉOMÉTRIQUE TRONQUÉE : ALGORITHME A3_2 1/3 Comment gérer le fait que toutes les valeurs de la variable ne sont pas forcément atteintes. roulette <- 1:18 ; seriek <- NULL ; n <- 10 ; nbsim <- 30 tablo <- rep(0, n + 1) ; names(tablo) <- 0:n for(i in 1:nbsim){ x <- sample(roulette, n, replace = TRUE) if(sum(x == 9)!= 0){k <- min(which(x == 9)) else {k <- 0 seriek <- c(seriek, k) tableeffk <- table(seriek) tablo[as.numeric(names(tableeffk)) + 1] <- tableeffk tableeffk tablo > tableeffk seriek > tablo
32 II-UN OUTIL DU COURS DE PROBABILITÉ SUPERPOSER LES GRAPHIQUES DE LA DISTRIBUTION SIMULÉE ET DE LA DISTRIBUTION GÉOMÉTRIQUE TRONQUÉE : ALGORITHME A3_2 2/3 Comment gérer le fait que toutes les valeurs de la variable ne sont pas forcément atteintes. SuperpSimulProbaA3_2 <- function(n = 20, p = 1 / 5, nbsim = 2000){ TabloFreqR <- rep(0, n + 1) ; names(tablofreqr) <- 0:n setwd("e:/hubw/irem/animstages/angerssept2012") source("rangpremiersucces.r") ; source("geotronka3_1.r") tablefreqr <- rangpremiersucces(n, p, nbsim) TabloProbaR <- geotronka3_1(0:n, n, p) TabloFreqR[as.numeric(names(tableFreqR)) + 1] <- tablefreqr # Affichage des résultats et des graphiques barplot(tablofreqr, xlab = "valeurs de la variable R", ylab = "Fréquences simulées ou Probabilités", main = paste("distribution simulée(barres), probabilité (points)", "\nobtenue avec", nbsim, "simulations"), ylim = c(0, max(tabloprobar))) points(barplot(0:n, plot = FALSE), TabloProbaR, pch = 21, col = "red", bg = "red") surpepositionsimulproba(nbsim = 100) surpepositionsimulproba(nbsim = 20000) L'apport de R?
33 II-UN OUTIL DU COURS DE PROBABILITÉ SUPERPOSER LES GRAPHIQUES DE LA DISTRIBUTION SIMULÉE ET DE LA DISTRIBUTION GÉOMÉTRIQUE TRONQUÉE : ALGORITHME A3_2 3/3 Comment gérer le fait que toutes les valeurs de la variable ne sont pas forcément atteintes. L'apport de R?
34 II-UN OUTIL DU COURS DE PROBABILITÉ SIMULER UN INTERVALLE DE FLUCTUATION D'UNE VARIABLE FRÉQUENCE X/n : ALGORITHME A5 La simulation de l'expérience des n épreuves est faite par la fonction 1/2 SimulXSucces()définie à l'intérieur de la fonction principale. IF_SimulA5 <- function(n = 20, p =.7, pif =.95, nbsim = 2000){ SerieSimulX <- NULL # Définition de la fonction nombre de succès lors de n épreuves indep. SimulXSucces <- function(n, p){ x <- sum(sample(c(0, 1), n, prob = c(1 - p, p), replace = TRUE)) return(x) # Fin fonction for(i in 1:nbsim){ x <- SimulXSucces(n, p) SerieSimulX <- c(seriesimulx, x) quantseriex <- quantile(seriesimulx, probs = c((1 - pif) / 2, (1 + pif) / 2)) tablfreqx <- table(seriesimulx) / nbsim tablfreqcumx <- cumsum(tablfreqx) propif_sim <- sum(seriesimulx >= quantseriex[1] & SerieSimulX <= quantseriex[2]) / nbsim #**** Affichage des résultats et des graphiques*********** cat("distribution simulée cumulée de la variable X\n") ; print(tablfreqcumx) cat("\nquantiles série X\n") ; print(quantseriex) cat("\nquantiles série X / n\n") ; print(quantseriex / n) cat("\npourcentage de valeurs de la série comprises dans l'if :", propif_sim, "\n\n") barplot(tablfreqcumx, xlab = "Valeurs de la variable X", ylab = "Fréquences simulées cumulées", main = "Intervalle de fluctuation simulé de X") abline(h = c((1 - pif) / 2, (1 + pif) / 2), col = "red")
35 II-UN OUTIL DU COURS DE PROBABILITÉ SIMULER UN INTERVALLE DE FLUCTUATION D'UNE VARIABLE FRÉQUENCE X/n : ALGORITHME A5 La fonction quantile() offre 9 façons différentes de les calculer (paramètre "type"), toutes détaillées, bibliographie à l'appui, dans la documentation en ligne(help(quantile)). Le type par défaut est le 7, utilisé par les tableurs classiques, SAS utilise le type 3, Minitab et SPSS le type 6, et GeoGebra4 utilise le type 1 (!) Hyndman, R. J. and Fan, Y. (1996) Sample quantiles in statistical packages, American Statistician, 50, > IF_SimulA5() Fréquences* simulées cumulées de la variable X Quantiles série X 2.5% 97.5% Quantiles série X / n 2.5% 97.5% Pourcentage de valeurs de la série comprises dans l'if : L'apport de R? 2/2
36 II-UN OUTIL DU COURS DE PROBABILITÉ CALCUL D'UN INTERVALLE DE FLUCTUATION D'UNE VARIABLE BINOMIALE X ET DE LA VARIABLE FRÉQUENCE CORRESPONDANTE X/n ALGORITHME A5_1 1/2 Un des modes de calcul faisant office de définition - du document ressource de première S L'IF [a ; b], de probabilité 1 e (pif dans la fonction), de la variable X est tel que : a est le plus petit entier tel que P(X a) > e / 2 ; b est le plus petit entier tel que P(X b) 1 e / 2 Pas de boucle tant que, mise en œuvre directe de la définition de 1ère IF_BinoCalculA5_1 <- function(n = 20, p =.7, pif =.95){ repartx <- pbinom(0:n, n, p) rang_a <- min(which(repartx > (1 - pif) / 2)) a <- rang_a - 1 rang_b <- min(which(repartx >= (1 + pif) / 2)) b <- rang_b - 1 #**** Affichage des résultats et des graphiques*********** if(a!= 0) {cat("p(x <=", a - 1, ")=", repartx[rang_a - 1], "\n") cat("p(x <=", a, ")=", repartx[rang_a], "\n\n") else {cat("p(x <=", a, ")=", repartx[rang_a], "\n\n") cat("p(x <=", b - 1, ")=", repartx[rang_b - 1], "\n") cat("p(x <=", b, ")=", repartx[rang_b], "\n\n") cat("avec une probabilité d'au moins", pif, "\n") cat("l'intervalle de fluctuation de X est :[", a,";", b, "]\n") cat("l'intervalle de fluctuation de X/n est :[", a / n,";", b / n, "]\n") cat("sa probabilité est de", sum(dbinom((a:b), n, p)), "\n\n") plot(0:n, repartx, pch = 21, col = "red", bg = "red", cex =.5, xlab = "Valeurs de la variable X", ylab = "Probabilités cumulées", main = "Intervalle de fluctuation binomial de X") abline(h = c((1 - pif) / 2, (1 + pif) / 2), col = "red")
37 II-UN OUTIL DU COURS DE PROBABILITÉ CALCUL D'UN INTERVALLE DE FLUCTUATION D'UNE VARIABLE BINOMIALE X ET DE LA VARIABLE FRÉQUENCE CORRESPONDANTE X/n ALGORITHME A5_1 2/2 Affiche les principaux éléments du calcul et l'if de X et de X/n plus le graphique > IF_BinoCalculA5_1() P(X <= 9 )= P(X <= 10 )= P(X <= 17 )= P(X <= 18 )= Avec une probabilité d'au moins 0.95 L'intervalle de fluctuation de X est :[ 10 ; 18 ] L'intervalle de fluctuation de X/n est :[ 0.5 ; 0.9 ] Sa probabilité est de L'apport de R?
38 II-UN OUTIL DU COURS DE PROBABILITÉ EXPLORATION D'UN INTERVALLE DE FLUCTUATION ASYMPTOTIQUE D'UNE VARIABLE BINOMIALE : ALGORITHME A5_3bis 1/2 Probabilité binomiale de l'if asymptotique de seconde p±1/racine(n) Cette probabilité est représentée en fonction de la taille n de l'échantillon. pifasya5_3bis <- function(n = 1000, p =.5, proba =.95){ P <- function(n, p, proba){ binf <- max(floor(n * p - sqrt(n)), 0) bsup <- min(floor(n * p + sqrt(n)), n) sum(dbinom((binf + 1):bsup, n, p)) y <- NULL for(i in 1:n) y[i] <- P(i, p, proba) #*****Affichage des graphiques*************** plot(0:n, y, cex =.5, ylim = c(.9, 1), xlab = "Taille n de l'échantillon", ylab = "Probabilité binomiale d'être dans l'if asymptotique", main = "paste("exploration de l'intervalle de fluctuation :", "influence de n avec ppop =", p))) abline(h = proba, col = "red")
39 II-UN OUTIL DU COURS DE PROBABILITÉ EXPLORATION D'UN INTERVALLE DE FLUCTUATION ASYMPTOTIQUE D'UNE VARIABLE BINOMIALE : ALGORITHME A5_3bis 2/2 Probabilité binomiale de l'if asymptotique de seconde p±1/racine(n)
40 II-UN OUTIL DU COURS DE PROBABILITÉ EXPLORATION D'UN INTERVALLE DE FLUCTUATION ASYMPTOTIQUE D'UNE VARIABLE BINOMIALE : ALGORITHME A5_3 1/2 Probabilité binomiale de l'if asymptotique de terminale p±1,96*racine(p(1-p)/n) Cette probabilité est représentée en fonction de la taille n de l'échantillon. pifasya5_3 <- function(n = 200, p =.5, proba =.95){ P <- function(n, p, proba){ g <- qnorm(1 - (1 - proba) / 2) binf <- max(floor(n * p - g * sqrt(p * (1 - p) * n)), 0) bsup <- min(floor(n * p + g * sqrt(p * (1 - p) * n)), n) sum(dbinom((binf + 1):bsup, n, p)) y <- NULL for(i in 0:n) y[i + 1] <- P(i, p, proba) #***************Affichage des graphiques****************** plot(0:n, y, cex =.4, ylim = c(.9, 1), xlab = "Taille n de l'échantillon", ylab = "Probabilité binomiale d'être dans l'if asymptotique", main = "Exploration de l'intervalle de fluctuation : influence de n") abline(h = proba, col = "red")
41 II-UN OUTIL DU COURS DE PROBABILITÉ EXPLORATION D'UN INTERVALLE DE FLUCTUATION ASYMPTOTIQUE D'UNE VARIABLE BINOMIALE : ALGORITHME A5_3 2/2 Probabilité binomiale de l'if asymptotique de terminale p±1,96*racine(p(1-p)/n) pifasya5_3(n = 200, p =.5) L'apport de R? pifasya5_3(n = 2000, p =.5)
42 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME III-LA SIMULATION UN OUTIL DE RÉSOLUTION DE PROBLÈMES
43 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME III-LA SIMULATION UN OUTIL DE RÉSOLUTION DE PROBLÈMES SIMULER LE PROBLÈME DES ANNIVERSAIRES SIMULER LE PROBLÈME DU CHEVALIER DE MÉRÉ SIMULER LA MARCHE ALÉATOIRE DE LA PUCE SIMULATIONS DE QUELQUES MARCHES ALÉATOIRE À TEMPS D'ARRET SIMULER LE PÉTRAIN DU PATISSIER ET SES PAINS AUX RAISINS RÉSOLUTION* SIMULÉE DE QUELQUES EXERCICES D'ANNALE DE BAC S SIMULER LE PROBLÈME DES CHAINES DE LONGUEUR 6 SIMULER LE PROBLÈME DES CHAPEAUX DE MONTMORT (permutations sans point fixe) SIMULER LE PROBLÈME DES COLLECTIONS D'IMAGES SIMULER LE PROBLÈME DU DÉPOUILLEMENT D'UNE ÉLECTION SIMULER LES URNES DE POLYA (évolution et distribution) SIMULER LES URNES D'EHRENFEST (évolution et distribution) SIMULER LE JEU DE 5 DÉS DE JEANNE PETITE FILLE DE MICHEL SIMULER LE JEU DU FRANC-CARREAU SIMULER LE JEU DE L'AIGUILLE DE BUFFON SIMULER UNE GRANDEUR CALCULÉE À PARTIR DE GRANDEURS MESURÉE
44 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME SIMULATION DU PROBLÈME DES ANNIVERSAIRES : ALGORITHME B1_1 Il s'agit de calculer la probabilité que, dans une assemblée de m personnes, il y en ait au moins deux qui aient la même date anniversaire. Préciser le modèle, utilisation de la fonction unique(). simanivb1_1 <- function(m = 10, nbsim = 1000){ annee <- 1:365 tousdiff <- 0 for(j in 1:nbsim){ resultexpe <- sample(annee, m, replace = T) if(length(resultexpe) == length(unique(resultexpe))) tousdiff <- tousdiff + 1 aumoinsdeux <- (1 - tousdiff / nbsim) # Affichage des résultats et des graphiques cat("une estimation de la probabilité qu'au moins deux personnes\n", "aient le même jour anniversaire dans une assemblée de", m, "personnes\nvaut :", aumoinsdeux, "\n\n") > simanivb1_1() Une estimation de la probabilité qu'au moins deux personnes aient le même jour anniversaire dans une assemblée de 10 personnes vaut : > simanivb1_1(n = 50) Une estimation de la probabilité qu'au moins deux personnes aient le même jour anniversaire dans une assemblée de 50 personnes vaut : 0.974
45 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME SIMULER LA MARCHE ALÉATOIRE DE LA PUCE : ALGORITHME B3 En partant de l'origine, la puce se déplace sur un axe gradué, aléatoirement vers la gauche ou vers la droite, d'une unité avec les proba 0,5 et 0,5, (p, 1-p). Simuler le point d'arrivée de "marches" de 30 sauts. marcheb3 <- function(nbsim = 100, nbsaut = 30, p =.5){ seriearrivees <- NULL ; choix <- c("droite", "gauche") for(i in 1:Nbsim){ x <- 0 for(j in 1:nbSaut){ sens <- sample(choix, 1, prob = c(p, 1 - p)) if(sens == "gauche") {x <- x - 1 else {x <- x + 1 seriearrivees <- c(seriearrivees, x) posimoy <- mean(seriearrivees) distfreqposi <- table(seriearrivees) / Nbsim # Affichage des résultats et des graphiques print(posimoy) par(mfrow = c(1, 2)) barplot(distfreqposi, horiz = T, ylab = "Position d'arrivée", xlab = "Fréquences simulées") plot(1:nbsim, seriearrivees, type = "l", xlab = "Répétitions") abline(h = posimoy, col = "green") > marchea(nbsaut = 30, p =.5, Nbsim = 100) [1] 0.2
46 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME SIMULER LA MARCHE ALÉATOIRE DE LA PUCE : ALGORITHME B3 En partant de l'origine, la puce se déplace sur un axe gradué, aléatoirement vers la gauche ou vers la droite, d'une unité avec les proba 0,5 et 0,5, (p, 1-p). Simuler le point d'arrivée de "marches" de 30 sauts. > marchea(nbsaut = 30, p =.5, Nbsim = 100) [1] 0.2
47 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME RÉSOLUTION* DE PROBLÈMES DE BAC S PAR SIMULATION EXEMPLE 1 : 2012-S-Mars-Nouvelle Calédonie-Exercice 2 : un dé et deux urnes ALGORITHME C1 1/3
48 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME RÉSOLUTION* DE PROBLÈMES DE BAC S PAR SIMULATION EXEMPLE 1 : ALGORITHME C1 NelleCaled2012C1 <- function(nbsim = 2000, nbpartie = 10, probaseuil = 1 / 10){ decub <-1:6 urne1 <- rep(c("brouge", "bnoire"), c(3, 1)) urne2 <- rep(c("brouge", "bnoire"), c(3, 2)) seriegagne <- NULL for(i in 1:nbsim){ NbGagne <- 0 for(k in 1:nbpartie){ resultde <- sample(decub, 1) if(resultde == 1) { resulturne <- sample(urne1, 1) else { resulturne <- sample(urne2, 1) if(resulturne == "bnoire") {NbGagne <- NbGagne + 1 seriegagne[i] <- NbGagne moyennegagne <- mean(seriegagne / nbpartie) tabfreq <- table(seriegagne) / nbsim tabfreqcum <- cumsum(tabfreq) tabfreqcumdec <- 1 - tabfreqcum + tabfreq N <- min(as.numeric(names(which(tabfreqcumdec < probaseuil)))) cat("\nestimation de la probabilité de tirer une boule noire :\n", moyennegagne, "\n") cat("\nfréquences cumulées décroissantes estimées de la variable X\n") print(tabfreqcumdec) cat("\nplus petite valeur N de X telle que P(X>=N)<", probaseuil, "=", N, "\n") barplot(tabfreqcumdec, xlab = "Nombre de parties gagnées", ylab = "Fréquences simulées décroissantes", main = "Diagramme en barres") abline(h = probaseuil, col = "red") 2/3
49 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME RÉSOLUTION* DE PROBLÈMES DE BAC S PAR SIMULATION EXEMPLE 1 : ALGORITHME C1 NelleCaled2012C1() Estimation de la probabilité de tirer une boule noire : Fréquences* simulées cumulées décroissantes de la variable X seriegagne Plus petite valeur N de X telle que P(X>=N)< 0.1 = 7 3/3
50 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME RÉSOLUTION* DE PROBLÈMES DE BAC S PAR SIMULATION EXEMPLE 3 # 2010-S-NovembreNouvelle-Calédonie Exercice 3 : urne boules, tirages # avec et sans remise ALGORITHMES C3 1/4
51 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME RÉSOLUTION* DE PROBLÈMES DE BAC S PAR SIMULATION EXEMPLE 3 : ALGORITHME C3_1 2/4 3_1 : L'expérience consiste à tirer deux boules simultanément simurnsansc3_1 = function(n = 2, nbr = 3, nbv = 2, nbsim = 2000){ urne <- rep(c("brouge", "bverte"), c(nbr, nbv)) ; SerieXSim <- NULL TabloFreqX <- rep(0, n+1) ; names(tablofreqx) <- 0:n for(i in 1:nbsim){ ResultExpe <- sample(urne, n, replace = FALSE) x <- sum(resultexpe == "bverte") SerieXSim[i] <- x tablefreqx <- table(seriexsim) / nbsim TabloFreqX[as.numeric(names(tableFreqX)) + 1] <- tablefreqx #***********Affichage des résultats et des graphiques************ cat("distribution* simulée de X nombre de vertes\n") ; print(tablofreqx) cat("\nestimation de la probabilité de 0 verte =", TabloFreqX[1], "\n\n") cat("moyenne de la distribution simulée du nombre X de vertes =", mean(seriexsim), "\n\n") cat("estimation de la probabilité de 2 boules de la même couleur =", TabloFreqX[1] + TabloFreqX[3], "\n\n") barplot(tablofreqx, xlab = "Nombre de vertes", ylab = "Fréquences* simulées", main = "Distribution* simulée de X") > simurnsansc3_1() Distribution* simulée de X nombre de vertes Estimation de la probabilité de 0 verte = Moyenne de la distribution simulée du nombre X de vertes = Estimation de la probabilité de 2 boules de la même couleur =
52 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME RÉSOLUTION* DE PROBLÈMES DE BAC S PAR SIMULATION EXEMPLE 3 : ALGORITHME C3_2 3_2 : L'expérience consiste à tirer deux boules successivement, avec remise de le première si elle est verte, sans remise sinon simavecsansc3_2 = function(n = 2, nbr = 3, nbv = 2, nbsim = 2000){ urne1 <- rep(c("brouge", "bverte"), c(nbr, nbv)) urne2 <- rep(c("brouge", "bverte"), c(nbr, nbv - 1)) TabloEffM <- rep(0,4) ; names(tabloeffm) <- c("vv", "VR", "RV", "RR") for(i in 1:nbsim){ T1 <- sample(urne1, 1) if(t1 == "brouge"){t2 <- sample(urne1, 1) else { T2 <- sample(urne2, 1) if(t1 == "bverte" & T2 == "bverte") TabloEffM[1] <- TabloEffM[1]+1 if(t1 == "bverte" & T2 == "brouge") TabloEffM[2] <- TabloEffM[2]+1 if(t1 == "brouge" & T2 == "bverte") TabloEffM[3] <- TabloEffM[3]+1 if(t1 == "brouge" & T2 == "brouge") TabloEffM[4] <- TabloEffM[4]+1 TabloFreqM <- TabloEffM / nbsim # Affichage des résultats et des graphiques cat ("Tableau des fréquences simulées des modalités de la variable M\n") print (TabloFreqM) cat("\nestimation de la probabilité de seule la première est verte\n=", TabloFreqM[2], "\n\n") cat("estimation de la probabilité de une seule verte\n=", TabloFreqM[2] + TabloFreqM[3], "\n\n") cat("estimation de la probabilité que, sachant qu'une seule verte a", "été tirée,\nce soit la première =", TabloFreqM[2] / (TabloFreqM[2] + TabloFreqM[3]), "\n\n") barplot(tablofreqm, xlab = "COUPLES TIRÉS", ylab = "Fréquences simulées", main = "Distribution* simulée de M") 3/4
53 III-UN OUTIL DU RÉSOLUTION DE PROBLÈME RÉSOLUTION* DE PROBLÈMES DE BAC S PAR SIMULATION EXEMPLE 3 : ALGORITHME C3_2 3_2 : L'expérience consiste à tirer deux boules successivement, avec remise de le première si elle est verte, sans remise sinon > simavecsansc3_2() Tableau des fréquences simulées des modalités de la variable M VV VR RV RR Estimation = Estimation = Estimation été tirée, de la probabilité de seule la première est verte de la probabilité de une seule verte de la probabilité que, sachant qu'une seule verte a ce soit la première = /4
Probabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailApplication 1- VBA : Test de comportements d'investissements
Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailInitiation à la programmation en Python
I-Conventions Initiation à la programmation en Python Nom : Prénom : Une commande Python sera écrite en caractère gras. Exemples : print 'Bonjour' max=input("nombre maximum autorisé :") Le résultat de
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailUN CAFÉ STOCHASTIQUE DANS UNE VOITURE EN MÉTAL
UN CAFÉ STOCHASTIQUE DANS UNE VOITURE EN MÉTAL Jeremy Askhenas, créateur du langage de programmation CoffeeScript, est connu dans le monde des programmeurs en Ruby 1 pour avoir porté en JavaScript les
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailExercices de dénombrement
Exercices de dénombrement Exercice En turbo Pascal, un entier relatif (type integer) est codé sur 6 bits. Cela signifie que l'on réserve 6 cases mémoires contenant des "0" ou des "" pour écrire un entier.
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCompte rendu du stage ATSM Probabilités et statistique
IREM de Lyon Institut de recherche sur l enseignement des mathématiques Université Lyon 1 Académie de Lyon Compte rendu du stage ATSM Probabilités et statistique Lyon, 25 août 3 septembre 2010 Faisant
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailExemple On lance une pièce de monnaie trois fois de suite. Calculer la probabilité d obtenir exactement deux fois pile.
Probabilités Définition intuitive Exemple On lance un dé. Quelle est la probabilité d obtenir un multiple de 3? Comme il y a deux multiples de 3 parmi les six issues possibles, on a chances sur 6 d obtenir
Plus en détailCours 1. I- Généralités sur R II- Les fonctions de R et autres objets III-Les vecteurs
Cours 1 I- Généralités sur R II- Les fonctions de R et autres objets III-Les vecteurs IV-Les facteurs I-1 Généralités sur R R (1995, AT&T Bell Laboratories) est un logiciel d analyse statistique et graphique,
Plus en détailAlgorithmique et programmation : les bases (VBA) Corrigé
PAD INPT ALGORITHMIQUE ET PROGRAMMATION 1 Cours VBA, Semaine 1 mai juin 2006 Corrigé Résumé Ce document décrit l écriture dans le langage VBA des éléments vus en algorithmique. Table des matières 1 Pourquoi
Plus en détailI. Introduction aux fonctions : les fonctions standards
Chapitre 3 : Les fonctions en C++ I. Introduction aux fonctions : les fonctions standards A. Notion de Fonction Imaginons que dans un programme, vous ayez besoin de calculer une racine carrée. Rappelons
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailProbabilités conditionnelles Loi binomiale
Fiche BAC ES 05 Terminale ES Probabilités conditionnelles Loi binomiale Cette fiche sera complétée au fur et à mesure Exercice n 1. BAC ES. Centres étrangers 2012. [RÉSOLU] Un sondage a été effectué auprès
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailFICHE 1 Fiche à destination des enseignants
FICHE 1 Fiche à destination des enseignants 1S 8 (b) Un entretien d embauche autour de l eau de Dakin Type d'activité Activité expérimentale avec démarche d investigation Dans cette version, l élève est
Plus en détailmodélisation solide et dessin technique
CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailIntroduction à R. Florence Yerly. Dept. de mathématiques, Université de Fribourg (CH) SP 2011
Dept. de mathématiques, Université de Fribourg (CH) SP 2011 Qu est ce que R? Un logiciel de statistiques libre et gratuit ; Un logiciel multi-plateforme (UNIX, Windows MacOS X) R permet de faire des calculs
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailIndications pour une progression au CM1 et au CM2
Indications pour une progression au CM1 et au CM2 Objectif 1 Construire et utiliser de nouveaux nombres, plus précis que les entiers naturels pour mesurer les grandeurs continues. Introduction : Découvrir
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailProgrammation C++ (débutant)/instructions for, while et do...while
Programmation C++ (débutant)/instructions for, while et do...while 1 Programmation C++ (débutant)/instructions for, while et do...while Le cours du chapitre 4 : le for, while et do...while La notion de
Plus en détailArbre de probabilité(afrique) Univers - Evénement
Arbre de probabilité(afrique) Univers - Evénement Exercice 1 Donner l univers Ω de l expérience aléatoire consistant à tirer deux boules simultanément d une urne qui en contient 10 numérotés puis à lancer
Plus en détailLES DECIMALES DE π BERNARD EGGER
LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailCorrigés Exercices Page 1
Corrigés Exercices Page 1 Premiers algorithmes Questions rapides 1 1) V ; ) F ; 3) V ; 4) F. 1) a ; ) b ; 3) a et b ; 4) b. 3 L'algorithme répond à la question : "le nombre entré estil positif?". 4 a (remarque
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détail1 Introduction - Qu est-ce que le logiciel R?
Master 1 GSI - Mentions ACCIE et RIM - ULCO, La Citadelle, 2012/2013 Mesures et Analyses Statistiques de Données - Probabilités TP 1 - Initiation au logiciel R 1 Introduction - Qu est-ce que le logiciel
Plus en détailDécouverte du tableur CellSheet
Découverte du tableur CellSheet l application pour TI-83 Plus et TI-84 Plus. Réalisé par Guy Juge Professeur de mathématiques et formateur IUFM de l académie de Caen Pour l équipe des formateurs T 3 Teachers
Plus en détailProgrammation Visual Basic. Visite guidée d'un programme Visual Basic 6.0
UNIVERSITE DES SCIENCES SOCIALES DE TOULOUSE Licence Professionnelles LSi Master FC IGSI Programmation Visual Basic Visite guidée d'un programme Visual Basic 6.0 1. un exemple d'application a) créer dans
Plus en détailInfolettre #18 : Les graphiques avec Excel 2010
Infolettre #18 : Les graphiques avec Excel 2010 Table des matières Introduction... 1 Hourra! Le retour du double-clic... 1 Modifier le graphique... 4 Onglet Création... 4 L onglet Disposition... 7 Onglet
Plus en détailLogiciel SCRATCH FICHE 02
1. Reprise de la fiche 1: 1.1. Programme Figure : Logiciel SCRATCH FICHE 02 SANS ORDINATEUR : Dessiner à droite le dessin que donnera l'exécution de ce programme : Unité : 50 pas : Remarque : vous devez
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailRessources pour le lycée général et technologique
éduscol Ressources pour le lycée général et technologique Ressources pour la classe de terminale générale et technologique Exercices de mathématiques Classes de terminale S, ES, STI2D, STMG Ces documents
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailSHERLOCK 7. Version 1.2.0 du 01/09/09 JAVASCRIPT 1.5
SHERLOCK 7 Version 1.2.0 du 01/09/09 JAVASCRIPT 1.5 Cette note montre comment intégrer un script Java dans une investigation Sherlock et les différents aspects de Java script. S T E M M E R I M A G I N
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailLicence ST Université Claude Bernard Lyon I LIF1 : Algorithmique et Programmation C Bases du langage C 1 Conclusion de la dernière fois Introduction de l algorithmique générale pour permettre de traiter
Plus en détailRÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3
RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 Pour construire un graphique : On lance l assistant graphique à l aide du menu Insérer è Diagramme en ayant sélectionné au préalable une cellule vide dans
Plus en détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détail