SIMULATIONS, ALGORITHMES EN PROBABILITÉS ET STATISTIQUE(S) AU LYCÉE ET AVEC R

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "SIMULATIONS, ALGORITHMES EN PROBABILITÉS ET STATISTIQUE(S) AU LYCÉE ET AVEC R"

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

DOCUMENT 3 ÉVOLUTION D'ALGORITHMES ET DE PROGRAMMES AVEC R SIMULATIONS ET CALCULS DE LOIS GÉOMÉTRIQUES TRONQUÉES ET DE LOIS BINOMIALES

DOCUMENT 3 ÉVOLUTION D'ALGORITHMES ET DE PROGRAMMES AVEC R SIMULATIONS ET CALCULS DE LOIS GÉOMÉTRIQUES TRONQUÉES ET DE LOIS BINOMIALES DOCUMENT 3 ÉVOLUTION D'ALGORITHMES ET DE PROGRAMMES AVEC R SIMULATIONS ET CALCULS DE LOIS GÉOMÉTRIQUES TRONQUÉES ET DE LOIS BINOMIALES Hubert RAYMONDAUD LEGTA LOUIS GIRAUD CARPENTRAS SERRES MINISTÈRE DE

Plus en détail

ECHANTILLONNAGES Fiche de repérage

ECHANTILLONNAGES Fiche de repérage M Objectifs pédagogiques généraux : Fiche de repérage Type : Activité d approche de la notion de fluctuation d échantillonnage et d intervalle de confiance à travers quelques simulations. Niveau : Lycée

Plus en détail

Le programme de mathématiques Classes de première STI2D STL

Le programme de mathématiques Classes de première STI2D STL Journée de l inspection 15 avril 2011 - Lycée F. BUISSON 18 avril 2011 - Lycée J. ALGOUD 21 avril 2011 - Lycée L. ARMAND Le programme de mathématiques Classes de première STI2D STL Déroulement de la journée

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

1 Générateurs à Congruences Linéaires (GCL)

1 Générateurs à Congruences Linéaires (GCL) TP 4 : Générateurs pseudo-aléatoires et applications Un générateur de nombres pseudo-aléatoires, pseudorandom number generator (PRNG) en anglais, est un algorithme qui génère une séquence de nombres présentant

Plus en détail

ATELIER ALGORITHME PREMIERS PAS Journée d information sur les nouveaux programmes de Première S-ES 2010-2011

ATELIER ALGORITHME PREMIERS PAS Journée d information sur les nouveaux programmes de Première S-ES 2010-2011 Pour me contacter : irene.rougier@ac-clermont.fr 1. Introduction ATELIER ALGORITHME PREMIERS PAS Journée d information sur les nouveaux programmes de Première S-ES 2010-2011 De nombreux documents et informations

Plus en détail

Correction du TP4. column 1 to 17. column 18 to 34. column 35 to 51. column 52 to 68. column 69 to 85. column 86 to 100. U i ]. i=1.

Correction du TP4. column 1 to 17. column 18 to 34. column 35 to 51. column 52 to 68. column 69 to 85. column 86 to 100. U i ]. i=1. Exercice 1. 1. U=grand(1,10000,'uin',-2,5) disp(u(1:100), "U=") On obtient par exemple : U= column 1 to 17-1. 2. 3. 0. 5. 3. - 1. 0. 4. - 2. 5. 3. - 1. 2. 0. - 1. 3. column 18 to 34-2. - 1. 3. 1. 5. 5.

Plus en détail

PROBABILITÉS CONDITIONNELLES

PROBABILITÉS CONDITIONNELLES PROBABILITÉS ONDITIONNELLES Exercice 01 On considère une roue partagée en 15 secteurs angulaires numérotés de 1 à 15. es secteurs sont de différentes couleurs. On fait tourner la roue qui s'arrête sur

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli.

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli. 1 ère - 3 Chap.9 : Loi binomiale. Échantillonnage. 1 ère - Chapitre 9 : LOI BINOMIALE. ÉCHANTILLONNAGE. Textes officiels (30 septembre 2010) : CONTENU CAPACITÉ ATTENDUE COMMENTAIRE Probabilités Épreuve

Plus en détail

2010 My Maths Space Page 1/6

2010 My Maths Space Page 1/6 A. Des statistiques aux probabilités 1. Statistiques descriptives, analyse de données. Vocabulaire des statistiques : Population : c'est l'ensemble étudié. Individu : c'est un élément de la population.

Plus en détail

1 Premiers pas avec Rstudio

1 Premiers pas avec Rstudio Université Paris Descartes UFR de Mathématiques et Informatique Probabilités et Statistiques pour l informatique- Licence MIA 2e année Travaux Pratiques - 1 ère séance Le but de cette première séance est

Plus en détail

Niveau. Situation étudiée. Type d activité. Durée. Objectifs. Seconde.

Niveau. Situation étudiée. Type d activité. Durée. Objectifs. Seconde. Simuler des expériences aléatoires avec une calculatrice Niveau Seconde. Situation étudiée Différentes selon les séances : Séance 1 : Jeu de pile ou face, tirages de boule dans une urne avec des proportions

Plus en détail

Probabilités Loi binomiale Exercices corrigés

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 détail

Exercices : Probabilités

Exercices : Probabilités Exercices : Probabilités Partie : Probabilités Exercice Dans un univers, on donne deux événements et incompatibles tels que =0, et =0,7. Calculer,, et. Exercice Un dé (à faces) est truqué de la façon suivante

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Les probabilités. Chapitre 18. Tester ses connaissances

Les 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 détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe 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 détail

LM206 : Initiation à Scilab

LM206 : Initiation à Scilab Université Pierre et Marie Curie Année 2013-2014 Licence période 2 7 Au hasard LM206 : Initiation à Scilab Cette séance traite de quelques possibilités de simulation en probabilités et statistiques. Après

Plus en détail

Ressources pour le lycée technologique

Ressources pour le lycée technologique éduscol Enseignement de mathématiques Classe de première STMG Ressources pour le lycée technologique Échantillonnage : couleur des yeux au Canada Contexte pédagogique Objectifs Obtenir un intervalle de

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Algorithmique. De la seconde à la terminale

Algorithmique. De la seconde à la terminale Algorithmique De la seconde à la terminale Le calendrier Rentrée 2009 : o En seconde : nouveau programme pour tous Rentrée 2010 : o En première : aménagements en ES et S Rentrée 2011 : o En première :

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

Activité 1 : échantillonnage

Activité 1 : échantillonnage Activité échantillonnage, intervalle de fluctuation, prise de décision (à partir d un même thème) Les trois activités qui suivent s inspirent du document «ressources pour la classe de première générale

Plus en détail

Algorithmique au lycée

Algorithmique au lycée Stage PAF christian.brucker@ac-strasbourg.fr jean-paul.quelen@ac-strasbourg.fr 13 mars 2015 Lycée Jean Monnet STRASBOURG Sommaire du stage Les programmes Sommaire du stage Les programmes Sommaire du stage

Plus en détail

collège des flandres : http://www5.ac-lille.fr/~clgflandres/maths/mathscours.html Activité cours : Probabilité

collège des flandres : http://www5.ac-lille.fr/~clgflandres/maths/mathscours.html Activité cours : Probabilité Le cours de M. Haguet collège des flandres : http://www5.ac-lille.fr/~clgflandres/maths/mathscous.html Activité cours : Probabilité I) Expérience aléatoire a) Exemples d'expériences pile ou face jeu de

Plus en détail

Probabilités sur un univers ni

Probabilités sur un univers ni POIRET Aurélien TD n o 21 MPSI Probabilités sur un univers ni 1 Événements et probabilités Exercice N o 1 : Dans un centre de loisirs, une personne peut pratiquer trois activités. On considère les événements

Plus en détail

Fluctuation d une fréquence selon les échantillons - Probabilités

Fluctuation 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 détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

Exercice 1 QCM. 4 i. e π ou. e π, ou : 4 ( i) 1 /4. e π. e π Réponse d. 1. Le carré de z est : ce qui donne : soit : , soit 4i

Exercice 1 QCM. 4 i. e π ou. e π, ou : 4 ( i) 1 /4. e π. e π Réponse d. 1. Le carré de z est : ce qui donne : soit : , soit 4i TSTI2D - Bac 203 - Polynésie STI2D -.0 - Corrigé.doc - Page /5 Terminale STI2D - Bac 203 - Polynésie - Corrigé. TSTI2D - Bac 203 - Polynésie STI2D -.0 - Corrigé.doc - Page 2/5 Exercice QCM. Le carré de

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

LES GENERATEURS DE NOMBRES ALEATOIRES

LES 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 détail

Que faire en algorithmique en classe de seconde? ElHassan FADILI Lycée Salvador Allende

Que faire en algorithmique en classe de seconde? ElHassan FADILI Lycée Salvador Allende Que faire en algorithmique en classe de seconde? BEGIN Que dit le programme? Algorithmique (objectifs pour le lycée) La démarche algorithmique est, depuis les origines, une composante essentielle de l

Plus en détail

Des électeurs, des boules, des cercles, des étudiants satisfaits

Des électeurs, des boules, des cercles, des étudiants satisfaits Cours de biostatistique Illustrations dans Des électeurs, des boules, des cercles, des étudiants satisfaits A.B. Dufour, J.R. Lobry & D. Chessel 31 mars 2008 Le calcul des probabilités parle de l échantillon

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

EXERCICES SUR LES PROBABILITÉS

EXERCICES SUR LES PROBABILITÉS EXERCICES SUR LES PROBABILITÉS Exercice 1 Dans un univers Ω, on donne deux événements A et B incompatibles tels que p(a) = 0,2 et p(b) = 0,7. Calculer p(a B), p(a B), p ( A ) et p ( B ). Exercice 2 Un

Plus en détail

Terminale S - ACP Ex1 : Partie A - Restitution organisée des connaissances Partie B : 1. a. 1. b. 1. c. 2. a. 2. b. Ex2 :

Terminale S - ACP Ex1 : Partie A - Restitution organisée des connaissances Partie B : 1. a. 1. b. 1. c. 2. a. 2. b. Ex2 : Terminale S - ACP Ex1 : Antilles Septembre 2006 Partie A - Restitution organisée des connaissances On suppose connu le résultat suivant : Si est une variable aléatoire qui suit une loi exponentielle de

Plus en détail

NOTIONS DE PROBABILITÉS

NOTIONS 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 détail

1 Installation. 2 Aide. 3 Scripts. 4 Lecture de données. Introduction à R

1 Installation. 2 Aide. 3 Scripts. 4 Lecture de données. Introduction à R Introduction à R R est un logiciel libre de calcul statistique basé sur un environnement orienté objet et sur le langage de programmation S. Il est constitué d un noyau de base et de multiples packages

Plus en détail

Le mot «algorithme» vient du nom de l auteur persan Al-Khuwarizmi (né vers 780 - mort vers 850) Une définition: «un algorithme est une suite finie de

Le mot «algorithme» vient du nom de l auteur persan Al-Khuwarizmi (né vers 780 - mort vers 850) Une définition: «un algorithme est une suite finie de Le mot «algorithme» vient du nom de l auteur persan Al-Khuwarizmi (né vers 780 - mort vers 850) Une définition: «un algorithme est une suite finie de règles à appliquer dans un ordre déterminé à un nombre

Plus en détail

Entrer par les problèmes en probabilités et en statistique. Équipe Académique Mathématiques - 2009

Entrer par les problèmes en probabilités et en statistique. Équipe Académique Mathématiques - 2009 Entrer par les problèmes en probabilités et en statistique Équipe Académique Mathématiques - 2009 Quelle valeur ajoutée peut-on espérer d une entrée par les problèmes en probabilités? Donner du sens aux

Plus en détail

Chapitre 5 Les Probablilités

Chapitre 5 Les Probablilités A) Introduction et Définitions 1) Introduction Chapitre 5 Les Probablilités De nombreuses actions provoquent des résultats qui sont dus en partie ou en totalité au hasard. Il est pourtant nécessaire de

Plus en détail

Projet de cryptographie. Algorithme de cryptage de type Bluetooth

Projet de cryptographie. Algorithme de cryptage de type Bluetooth Projet de cryptographie Algorithme de cryptage de type Bluetooth Le but de ce projet est de créer une application qui crypte et décrypte des fichiers en utilisant le principe de cryptage du Bluetooth.

Plus en détail

Exercices sur le chapitre «Probabilités»

Exercices 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 détail

Couper en deux, encore et encore : la dichotomie

Couper en deux, encore et encore : la dichotomie Couper en deux, encore et encore : la dichotomie I : Jeu du nombre inconnu Un élève volontaire choisit un nombre entier compris entre 0 et 56. Un autre élève cherche à deviner ce nombre, en adoptant la

Plus en détail

Des électeurs, des boules, des cercles, des étudiants satisfaits

Des électeurs, des boules, des cercles, des étudiants satisfaits Fiche TD avec le logiciel : bem5 Des électeurs, des boules, des cercles, des étudiants satisfaits A.B. Dufour, J.R. Lobry & D. Chessel Le calcul des probabilités parle de l échantillon à partir de la population.

Plus en détail

Evolution d un scénario dans l expérience e-colab. EMF, Dakar avril 2009 Gilles Aldon, Eductice, INRP Dominique Raymond-Baroux, IREM Paris 7

Evolution d un scénario dans l expérience e-colab. EMF, Dakar avril 2009 Gilles Aldon, Eductice, INRP Dominique Raymond-Baroux, IREM Paris 7 Evolution d un scénario dans l expérience e-colab EMF, Dakar avril 2009 Gilles Aldon, Eductice, INRP Dominique Raymond-Baroux, IREM Paris 7 Cadre général Groupe e-colab au sein de l INRP Collaboration

Plus en détail

Lois de probabilité. Anita Burgun

Lois 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 détail

2. Formalisation ... Or les variables sont indépendantes. Donc si

2. Formalisation ... Or les variables sont indépendantes. Donc si L'estimation 1. Concrètement... Dernièrement un quotidien affichait en première page : en 30 ans les françaises ont grandi de... je ne sais plus exactement, disons 7,1 cm. C'est peut-être un peu moins

Plus en détail

Échantillonnage et estimation

Échantillonnage et estimation Échantillonnage et estimation Dans ce chapitre, on s intéresse à un caractère dans une population donnée dont la proportion est notée. Cette proportion sera dans quelques cas connue (échantillonnage),

Plus en détail

TD de statistique : graphiques avec R

TD de statistique : graphiques avec R TD de statistique : graphiques avec R Jean-Baptiste Lamy 11 octobre 2007 1 Rappels de vocabulaire Données univariées lorsqu il n y a qu une seule variable Données bivariées lorsqu il y a deux variables

Plus en détail

Nouveaux programmes de terminale Probabilités et statistiques

Nouveaux programmes de terminale Probabilités et statistiques 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

Plus en détail

Statistiques Descriptives à une dimension

Statistiques 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 détail

Chapitre VI Échantillonages et simulations

Chapitre VI Échantillonages et simulations Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Cours 2 : Rappels de Statistique descriptive. A- Introduction B- Statistique descriptive unidimensionnelle C- Statistique descriptive bidimensionnelle

Cours 2 : Rappels de Statistique descriptive. A- Introduction B- Statistique descriptive unidimensionnelle C- Statistique descriptive bidimensionnelle Cours 2 : Rappels de Statistique descriptive A- Introduction B- Statistique descriptive unidimensionnelle C- Statistique descriptive bidimensionnelle A- Introduction A- Introduction Rappel : Série statistique

Plus en détail

ATELIER STATISTIQUES - PROBABILITES

ATELIER STATISTIQUES - PROBABILITES ATELIER STATISTIQUES - PROBABILITES I/ INTRODUCTION Extraits du document Ressources pour la classe de seconde Probabilités et Statistiques - : «L enseignement de la statistique et des probabilités constitue

Plus en détail

Cours 9 Une variable numérique : distribution et répartition

Cours 9 Une variable numérique : distribution et répartition Cours 9 Une variable numérique : distribution et répartition Lorsqu'une variable est qualitative et l'autre numérique, il est courant que la première identie des sous-populations (sexe, catégories socio-économiques,

Plus en détail

PRISE EN MAIN D UN TABLEUR. Version OPEN OFFICE

PRISE EN MAIN D UN TABLEUR. Version OPEN OFFICE PRISE EN MAIN D UN TABLEUR Version OPEN OFFICE Prise en main d un tableur page 2 1. L utilisation de la souris Pour faire fonctionner un tableur, on utilise le clavier mais aussi la souris. Rappelons,

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités 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 détail

Programmation en Python - Cours 2 : Premiers programmes

Programmation en Python - Cours 2 : Premiers programmes Programmation en Python - Cours 2 : Premiers programmes 2013/2014 Diverses utilisations de python Utilisation en mode interactif Ecriture d un programme python Saisie de données par l utilisateur : input(),

Plus en détail

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante.

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Essai de détermination du nombre de prélèvements à effectuer lors d un diagnostic amiante afin d assurer une représentativité

Plus en détail

Une histoire de boîte (F Estevens) Ou comment faire évoluer la notion de fonction du collège au lycée à partir. d une même problématique?

Une histoire de boîte (F Estevens) Ou comment faire évoluer la notion de fonction du collège au lycée à partir. d une même problématique? Une histoire de boîte (F Estevens) Ou comment faire évoluer la notion de fonction du collège au lycée à partir Enoncé : d une même problématique? Une histoire de boîtes (cinquième) On dispose d une feuille

Plus en détail

Introduction à Rcommander

Introduction à Rcommander Introduction à Rcommander Pauline Scherdel Septembre 2014 Table des matières 1 Introduction à Rcmdr sous R 2 2 Interagir avec R 3 3 Installer et charger le package Rcmdr sous R 3 4 Importation des données

Plus en détail

I. Cas de l équiprobabilité

I. 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 détail

CONCOURS 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) 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 détail

Norme de programmation pour le cours et les travaux pratiques

Norme de programmation pour le cours et les travaux pratiques Université du Québec École de technologie supérieure Service des enseignements généraux www.seg.etsmtl.ca INF130 Ordinateurs et programmation Norme de programmation pour le cours et les travaux pratiques

Plus en détail

Algorithmique et programmation. Cours d'algorithmique illustré par des exemples pour le picbasic

Algorithmique et programmation. Cours d'algorithmique illustré par des exemples pour le picbasic Algorithmique et programmation Cours d'algorithmique illustré par des exemples pour le picbasic Même s'il est possible d'écrire un programme petit à petit par touches successives, le résultat est souvent

Plus en détail

Bases d algorithmique

Bases d algorithmique Bases d algorithmique Christophe ROSSIGNOL Année scolaire 2015/2016 Table des matières 1 Un peu de vocabulaire 2 1.1 Qu est-ce qu un algorithme?....................................... 2 1.2 Variable, affectation...........................................

Plus en détail

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Dénombrement et probabilités Version du juillet 05 Enoncés Exercice - YouTube Sur YouTube, les vidéos sont identifiées à l aide d une chaîne

Plus en détail

Chapitre 8: Inférence, échantillonnage et estimation

Chapitre 8: Inférence, échantillonnage et estimation Chapitre 8: Inférence, échantillonnage et estimation 1. Echantillonnage aléatoire simple 2. Inférence statistique 3. Estimation 4. Evaluation graphique de l adéquation d un modèle de distribution 1 L inférence

Plus en détail

Niveau. Situations étudiées. Type d activité. Durée. Objectifs

Niveau. Situations étudiées. Type d activité. Durée. Objectifs Fourchettes, non réponses, fausses réponses et redressements... : la cuisine mathématique des sondages Niveau Exercice 1 : 3 ème 2 nde. Exercice 2 : 3 ème 2 nde. Exercice 3 : Seconde ou première. Exercice

Plus en détail

Épreuve de mathématiques Terminale ES 200 minutes

Épreuve de mathématiques Terminale ES 200 minutes Examen 2 Épreuve de mathématiques Terminale ES 200 minutes L usage de la calculatrice programmable est autorisé. La bonne présentation de la copie est de rigueur. Cet examen comporte 7 pages et 5 exercices.

Plus en détail

Epidémiologie, l urne de Pólya, partie II

Epidémiologie, l urne de Pólya, partie II Epidémiologie, l urne de Pólya, partie II Se mettre par groupe de deux. Traiter la fiche dans l ordre. Un compte de rendu de TP devra être rendu avec les réponses écrites aux questions, les recherches

Plus en détail

Terminale S-SI Probabilités conditionnelles

Terminale S-SI Probabilités conditionnelles robabilités conditionnelles Table des matières 1 Introduction 2 2 Définitions 2 3 Formule des probabilités totales 3 4 Indépendance et principe du produit 5 5 Exercices 5 1 1 Introduction Lorsque 7 élèves

Plus en détail

Loi binomiale Lois normales

Loi 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 détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 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 détail

Estimation. Anita Burgun

Estimation. Anita Burgun Estimation Anita Burgun Estimation Anita Burgun Contenu du cours Sondages Mesures statistiques sur un échantillon Estimateurs Problème posé Le problème posé en statistique: On s intéresse à une population

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Ressources pour le lycée général et technologique

Ressources pour le lycée général et technologique éduscol Classe terminale - Série STMG L accompagnement personnalisé Ressources pour le lycée général et technologique Approfondir Vers le supérieur La prévision des tendances et l outil statistique Présentation

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

T. D. n o 3 Analyse de données quantitatives avec le logiciel R

T. D. n o 3 Analyse de données quantitatives avec le logiciel R T. D. n o 3 Analyse de données quantitatives avec le logiciel R 1 Rappel de quelques fonctions statistiques sous R Fonction summary() cumsum() sum() mean() max() min() range() median() var() sd() Description

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction 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 détail

Correction des exemples. Mathieu EMILY

Correction des exemples. Mathieu EMILY Correction des exemples Mathieu EMILY Novembre 2005 Table des Matières Exemple_Exercice 1 Page 2 Exemple_Exercice 2 Page 3 Exemple_Exercice 3 Page 5 Exemple_Exercice 4 Page 6 Exemple_Exercice 5 Page 7

Plus en détail

Corrigés XCAS Page 1. Fonctions

Corrigés XCAS Page 1. Fonctions Corrigés XCAS Page 1 Avertissement 1) Pour écrire un programme, on ouvre une session Programme (Prg, Nouveau programme). 2) Pour exécuter le programme, on clique sur : 3) Pour ouvrir le tableur sous Tableur,

Plus en détail

TP1 Master Finance logiciels Introduction à R

TP1 Master Finance logiciels Introduction à R TP1 Master Finance logiciels Introduction à R Emeline Schmisser, emeline.schmisser@math.univ-lille1.fr, bureau 314 (bâtiment M3). 1 Séquences, Vecteurs, Matrice Tableaux (arrays) Pour obtenir l aide de

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Chapitre 3 : Introduction aux probabilités

Chapitre 3 : Introduction aux probabilités IUT de Sceaux Département TC1 Mathématiques Chapitre 3 : Introduction aux probabilités 1. Évènements Les événements élémentaires sont les issues possibles d'une expérience aléatoire. Un événement est un

Plus en détail

ANALYSE : OUTIL D ANALYSE DE DONNEES POUR LES SCIENCES HUAMINES MANUEL DE L UTILISATEUR : PRISE EN MAIN

ANALYSE : OUTIL D ANALYSE DE DONNEES POUR LES SCIENCES HUAMINES MANUEL DE L UTILISATEUR : PRISE EN MAIN Pôle Informatique de Recherche et d Enseignement en Histoire ANALYSE : OUTIL D ANALYSE DE DONNEES POUR LES SCIENCES HUAMINES MANUEL DE L UTILISATEUR : PRISE EN MAIN A. PREMIER PAS 1. INTEGRATION DU TABLEAU

Plus en détail

Théorie des graphes. Introduction. Programme de Terminale ES Spécialité. Résolution de problèmes à l aide de graphes. Préparation CAPES UCBL

Théorie des graphes. Introduction. Programme de Terminale ES Spécialité. Résolution de problèmes à l aide de graphes. Préparation CAPES UCBL Introduction Ces quelques pages ont pour objectif de vous initier aux notions de théorie des graphes enseignées en Terminale ES. Le programme de Terminale (voir ci-après) est construit sur la résolution

Plus en détail

Package LeLogicielR. February 19, 2015

Package LeLogicielR. February 19, 2015 Type Package Package LeLogicielR February 19, 2015 Title Functions and datasets to accompany the book ``Le logiciel R: Maitriser le langage, Effectuer des analyses statistiques'' (french) Version 1.2 Date

Plus en détail

Traitement des Signaux Aléatoires

Traitement des Signaux Aléatoires Université Paris Diderot Physique PMA M1 et M1 EIDD 2011-2012 Traitement des Signaux Aléatoires TP 1 Introduction L objectif de cette séance est de prendre en main le logiciel MATLAB. Les notions traitées

Plus en détail

Introduction À Excel. Chapitre 1

Introduction À Excel. Chapitre 1 Chapitre 1 Introduction À Excel Qu est-ce qu un tableur? Démarrer Excel La fenêtre Excel Ouvrir et enregistrer un classeur Entrer des étiquettes et des valeurs Nommer et déplacer une feuille Mise en page

Plus en détail

Bac Blanc Terminale ES - Février 2014 Épreuve de Mathématiques (durée 3 heures)

Bac Blanc Terminale ES - Février 2014 Épreuve de Mathématiques (durée 3 heures) Bac Blanc Terminale ES - Février 2014 Épreuve de Mathématiques (durée 3 heures) L attention des candidats est attirée sur le fait que la qualité de la rédaction, la clarté et la précision des raisonnements

Plus en détail

PROBABILITÉS Variable aléatoire

PROBABILITÉS Variable aléatoire PROBABILITÉS Variable aléatoire I Langage des événements Lors d'un oral de mathématiques, quatre questions sont proposées : une question de probabilités (P) ; une question de statistiques (S) ; une question

Plus en détail