Université de Franche-Comté - IREM. Un exemple de calcul de risques de première et de seconde espèces Séminaire IREM - Yves DUCEL - 21 juin 2013

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Université de Franche-Comté - IREM. Un exemple de calcul de risques de première et de seconde espèces Séminaire IREM - Yves DUCEL - 21 juin 2013"

Transcription

1 Université de Franche-Comté - IREM Un exemple de calcul de risques de première et de seconde espèces Séminaire IREM - Yves DUCEL - 21 juin L expérience de la pièce de Buffon Illustrons cette démarche en l appliquant à une expérience que Buffon relate dans son Essai d arithmétique morale (1777) : Buffon fait lancer à un enfant 4040 fois une pièce de monnaie. Il obtient fois "Pile". La question est de savoir si la pièce utilisée était équilibrée, c est-à-dire si la probabilité d obtenir "pile" avec cette pièce est égale à 0, 5. 2 Le modèle statistique de Bernoulli On considère E l ensemble d un très très grand nombre de lancers (comprenant aussi les lancers effectués par Buffon) qu on peut faire avec la pièce de Buffon. On considère comme événements intéressants toutes les parties de E : la tribu des événements est donc P(E) l ensemble des parties de E. On considère alors l équiprobabilité Q sur E, c est-à-dire l application : Q : A P(E) Q(A) = card(a) card(e). On a ainsi défini un espace de probabilité (E, P(E), Q) modélisant l expérience aléatoire qui consiste à lancer 1 fois la pièce de Buffon. On considère, pour chaque réel p ]0, 1[, la variable aléatoire de Bernoulli ε p définie par : { 1 si le lancer e donne "pile" ε p : e E ε p (e) = 0 si le lancer e donne "face" Pour chaque réel p, la variable de Bernoulli ε p est de paramètre p, c est-à-dire que Q(ε p = 1) = p. La valeur de p est déterminée par "l état de la nature" (qu on ne connaît pas), aussi on prend le partie de les considérer a priori toutes dans les raisonnements. Par suite, travailler, par exemple, avec la variable ε 0,3 dans les calculs, signifie qu on considère que 0, 3 est la "vraie" valeur de la probabilité d obtenir "pile" avec la pièce de Buffon. On dit aussi que l état de la nature pour la probabilité d obtenir "pile" avec la pièce de Buffon est p = 0, 3. 1

2 Remarque : Modèle statistique canonique : On pourrait proposer un autre modèle de la situation, qu on appelle modèle canonique, en posant Ẽ = {0, 1}. On considère comme événements intéressants toutes les parties de Ẽ : la tribu des événements est donc P(Ẽ) = {, E, {0}, {1}} l ensemble des parties de Ẽ. Pour tout réel p ]0 1[, on considère alors la probabilité Q p sur Ẽ telle que Q p({1}) = p, c est-à-dire l application : Q p : A P(Ẽ) Q p(a) = p1l A (1) + (1 p)1l A (0). On a ainsi défini un espace de probabilité (Ẽ, P(Ẽ), Q p) modélisant l expérience aléatoire qui consiste s intéresser au résultat "pile" ou "face" quand on lance 1 fois la pièce de Buffon. On considère alors, pour chaque réel p ]0, 1[, la variable aléatoire identité ε = Id E définie par : ε : e Ẽ ε(e) = { 1 si e = 1 0 si e = 0 Pour chaque réel p, la variable aléatoire identité ε est une variable aléatoire de Bernoulli de paramètre p définie sur l espace de probabilité (Ẽ, P(Ẽ), Q p), car Q p ( ε = 1) = p. La valeur de p est déterminée par "l état de la nature" (qu on ne connaît pas), aussi on prend le partie de les considérer a priori toutes dans les raisonnements. 3 Le modèle d échantillonnage de Bernoulli de taille n Pour décider sur l équilibre de la pièce, on fait une observation de 4040 lancers et on regarde pour chacun des 4040 lancers si on a "pile" ou si on a "face" (Dans la suite pour simplifier, sauf avis contraire, on écrira n dans les relations au lieu de 4040). S intéresser à n lancers à l identique de la pièce de Buffon revient à introduire une autre expérience aléatoire dont les issues sont des suites de n lancers de la pièce, c est-à-dire des suites à n termes d éléments de l ensemble E. On introduit donc l ensemble Ω = E n de toutes les suites d éléments de E à n termes i.e. l ensemble des suites ω = (e k ) 1 k n où, pour tout k = 1, 2,..., n, e k E. On considère comme événements intéressants, toutes les parties de Ω : la tribu des événements est donc P(Ω) l ensemble des parties de Ω = E n. On considère alors l équiprobabilité P sur E n, c est-à-dire l application : P : B P(Ω) P(B) = card(b) card(ω). Dans le cas où l événement B s écrit B = A 1 A 2... A n Ω avec les facteurs A i qui sont des parties quelconques de E, cette probabilité vérifie la relation remarquable suivante, P(B) = P(A 1 A 2... A n ) = Q(A 1 ) Q(A 2 )... Q(A n ). On dit que P est le produit des n probabilités Q (avec n facteurs), on écrit pour cela P = Q n. 2

3 On a ainsi défini un espace de probabilité (Ω, P(Ω), P) modélisant l expérience aléatoire qui consiste à effectuer à l identique n fois le lancer de la pièce de Buffon. On considère, pour chaque réel p ]0, 1[ et pour chaque i = 1, 2,..., n, la variable aléatoire X i (dépendant de p) définie par : { 1 si le lancer numéro i de ω donne "pile" X i : ω = (e k ) 1 k n Ω X i (ω) = ε p (e i ) = 0 si le lancer numéro i de ω donne "face" Pour p fixé, on a P(X i = 1) = P(E E... {ε p = 1} E... E) = Q(ε p = 1) = p. Pour tout i, la variable aléatoire X i est donc une variable de Bernoulli de paramètre p. La définition de la probabilité P implique que la suite de variables aléatoires (X 1, X 2,..., X n ) est indépendante. On introduit ainsi, pour tout réel p, une suite de n variables aléatoires de Bernoulli (X 1, X 2,..., X n ) indépendantes, de même paramètre p (i.e. de même loi que la variable aléatoire ε p ) définies sur le même espace de probabilité (Ω, P(Ω), P). On traduit cela en disant que la suite (X 1, X 2,..., X n ) constitue un échantillon aléatoire de taille n de variable aléatoire parente ε p. Dans la suite de l exposé, nous aurons besoin des statistiques suivantes définies, pour chaque valeur de p, à partir de l échantillon (X 1, X 2,..., X n ). Il s agit des statistiques : 1) l effectif empirique S n,p = X 1 +X X n qui représente le nombre de "pile" obtenus dans n lancers de la pièce de Buffon. 2) la fréquence empirique F n,p = X 1 + X X n n "pile" obtenus dans n lancers de la pièce de Buffon. qui représente la proportion de 3) la fréquence empirique standardisée Z n,p = S p np np(1 p) = la variable aléatoire standardisée des statistiques F n,p et S n,p. F p p p(1 p) n qui représente Remarquons que, dans le modèle d échantillonnage de Bernoulli, la fréquence empirique n est rien d autre que la moyenne empirique de l échantillon (X 1, X 2,..., X n ). On possède des informations sur les lois de ces statistiques. On sait que : 1) pour tout p ]0, 1[ et tout entier naturel n 1), la variable aléatoire S n,p suit exactement la loi binomiale B(n, p) ; 2) pour tout p ]0, 1[, la loi de la variable aléatoire Z n,p converge, lorsque n tend vers l infini, vers la loi normale centrée-réduite (théorème de De Moivre-Laplace). Ce qui entraîne que lorsque p est voisin de 1/2, compte tenu que n = 4040 est très grand, on peut utiliser les approximations suivantes de lois : a. la loi de la variable aléatoire Z n,p est approximativement la loi normale centréeréduite ; b. la loi de la variable aléatoire F n,p est approximativement la loi normale d espérance p(1 p) p et de variance ; n 3

4 c. la loi de la variable aléatoire S n,p est approximativement la loi normale d espérance np et de variance np(1 p). Par la suite par souci de simplifier les écritures, comme n = 4040 est fixé et que c est le paramètre réel p qui sera variable, on ne mentionnera plus le n en indice, et on notera simplement Z p pour Z n,p, S p pour S n,p et F p pour F n,p. Remarque : Modèle d échantillonnage canonique : On introduit donc l ensemble Ω = Ẽn de toutes les suites d éléments de Ẽ à n termes i.e. l ensemble des suites ω = (e k) 1 k n où, pour tout k = 1, 2,..., n, e k Ẽ = {0, 1}. On considère comme événements intéressants, toutes les parties de Ω : la tribu des événements est donc P(Ω) l ensemble des parties de Ω = Ẽn. On montre alors que, pour tout réel p ]0, 1[, il existe une unique probabilité P sur Ẽn telle que, pour tout événement B de la forme B = A 1 A 2... A n Ω avec les facteurs A i qui sont des parties quelconques de Ẽ, la probabilité P vérifie la relation remarquable suivante, P(B) = P(A 1 A 2... A n ) = Q p (A 1 ) Q p (A 2 )... Q p (A n ). On dit que P est le produit des n probabilités Q p (avec n facteurs), on écrit pour cela P = Q n p. On a ainsi défini un espace de probabilité (Ω, P(Ω), P) modélisant l expérience aléatoire qui consiste à effectuer à l identique n fois le lancer de la pièce de Buffon et à noter si on obtient "pile" ou si on obtient "face". On considère alors, t pour chaque i = 1, 2,..., n, la variable aléatoire X i (non fonction de p) définie par : { 1 si le lancer numéro i de ω donne "pile" X i : ω = (e k ) 1 k n Ω X i (ω) = ε(e i ) = 0 si le lancer numéro i de ω donne "face" Pour p fixé, on a P(X i = 1) = P(Ẽ Ẽ... { ε = 1} Ẽ... Ẽ) = Q p( ε = 1) = p. Pour tout i, la variable aléatoire X i est donc une variable de Bernoulli de paramètre p. La définition de la probabilité P implique que la suite de variables aléatoires (X 1, X 2,..., X n ) est indépendante. On introduit ainsi, pour tout réel p, une suite de n variables aléatoires de Bernoulli (X 1, X 2,..., X n ) indépendantes, de même paramètre p (i.e. de même loi que la variable aléatoire ε) définies sur le même espace de probabilité (Ω, P(Ω), P). On traduit cela en disant que la suite (X 1, X 2,..., X n ) constitue un échantillon aléatoire de taille n de variable aléatoire parente ε. La suite est inchangée dans l utilisation de ces modèles 4

5 4 La prise de décision Décider si la pièce de Buffon est équilibrée, revient à tester l hypothèse nulle p = 0, 5 contre l hypothèse alternative p 0, 5, ce qu on écrira en posant p 0 = 0, 5 : H 0 ) p = p 0 H 1 ) p p 0 Pour trancher entre ces deux hypothèses, on va utiliser la démarche de prise de décision vue au lycée qui fait intervenir la notion d intervalle de fluctuation. On a le choix entre les trois définitions au programme du lycée, qu on peut utiliser en fonction des conditions de réalisation de l observation de l échantillon prélevé. Nous allons raisonner avec des IF définis avec un seuil de confiance de 95%, ce qu on exprimera aussi en disant que le seuil de signification de la prise de décision est égal à 5%. On applique alors la règle de décision suivante qui fait intervenir un intervalle de fluctuation IF (p 0 ) calculé avec la valeur p 0 = 0, 5 et n = 4040 : Rappelons la règle de décision avec la fréquence : Pour décider si p = 0, 5, on observe un échantillon de taille n et on détermine la fréquence observée f de "pile" dans cet échantillon : si f IF (p 0 ), on décide que p = p 0 ; si f IF (p 0 ), on décide que p p 0. Compte tenu des valeurs de n = 4040 et de p 0 = 0, 5, on pourra utiliser les IF de Seconde, de Première ou de Terminale. Voici les expressions et les valeurs correspondante à la prise de décision qui nous intéresse ici, pour les variables de décision S p et F p, de ces trois IF : Classe Variable Expression de l IF IF (fréquence) IF (effectif) [ ] Seconde fréquence p 0 1 n, p 0 1 n [0, 4842, 0, 5158] [1957, 2083] Première effectif [ [a, b] [0, 4847, 0, 5154] [1958, 2082] ] p0 (1 p 0 ) p0 (1 p 0 ) Terminale fréquence p 0 1, 96 n, p 0 + 1, 96 n [0, 4845, 0, 5155] [1958, 2082] 4.1 Décision avec l IF de Terminale L IF asymptotique de Terminale est déterminé en prenant pour valeur de la proportion p, la valeur p 0 figurant dans l hypothèse nulle p = p 0. Si on raisonne avec un seuil de signification [ α = 5%, on sait que l IF ] est donné par la formule suivante, où u α 1, 96, p0 (1 p 0 ) p0 (1 p 0 ) IF = p 0 u α n, p 0 + u α n d où. IF = [ 0, 5 1, 96 ] 0, 5(1 0, 5) 0, 5(1 0, 5), 0, 5 + 1, 96 [0, 4845, 0, 5155] La variable de décision est ici la fréquence empirique F p0 dont on sait que sa loi est approximativement la loi normale d espérance p 0 et de variance p 0(1 p 0 ), avec p 0 = 0, 5 et n = n 5

6 L application de la règle de décision conduit à vérifier si la fréquence observée, ici f 0, 5069, 0,0140 appartient à l intervalle [0, 4845, 0, 5155] ; ce qui est le cas ici. On décide donc que p = 0, 5, c està-dire qu on considérera la pièce de Buffon équilibrée. 0,0120 0,0100,... /, 0,0080,... /, 0,0060 Probabilité ~ 0,025 0,0040 Probabilité ~ 0,025 0,0020 0,0000 On décide que la pièce n est pas équilibrée p 0,5 On décide que la pièce est équilibrée (intervalle de fluctuation) p = 0,5 On décide que la pièce n est pas équilibrée p 0,5 Règle de décision pour l IF-Terminale au seuil de signification 5% 4.2 Décision avec l IF de Seconde Nous aurions pu effectuer cette prise de décision en raisonnant avec l IF de Seconde, ce qui est possible car les conditions de validité n = 4040 > 30 et 0, 2 < p 0 = 0, 5 < 0, 8 sont bien vérifiées. La variable de décision est ici la fréquence empirique F 0,5. L application de la règle de décision conduit à déterminer l IF-Seconde [ p 0 1, p ] [ 0, 5 1/ 4040 ; 0, 5 + 1/ ] 4040 = [0, 4842 ; 0, 5158], n n et à vérifier si la fréquence observée, ici f 0, 5069, appartient à cet intervalle ; ce qui est le cas ici. On décide donc que p = 0, 5, c est-à-dire qu on considérera la pièce de Buffon équilibrée. 6

7 0,0140 0,0120 0,0100 0,0080, /,, /, 0,0060 Probabilité 0,025 0,0040 Probabilité 0,025 0,0020 0,0000 On décide que la pièce n est pas équilibrée p 0,5 On décide que la pièce est équilibrée (intervalle de fluctuation) p = 0,5 On décide que la pièce n est pas équilibrée p 0,5 Règle de décision pour l IF-Seconde au seuil de signification 5% 4.3 Décision avec l IF de Première Si nous souhaitons raisonner avec la prise de décision utilisant l intervalle de fluctuation de Première, il est plus judicieux de raisonner avec la variable S p = nf p qui représente le nombre de "pile" dans n = 4040 lancers de la pièce de Buffon. On sait, d après le programme de Première, que cette variable aléatoire suit la loi binomiale de paramètre n = 4040 et de proportion p, où p désigne la probabilité (inconnue) d avoir "pile" avec cette pièce. Dans le cas de la prise de décision avec l IF de Première, nous n avons aucune condition de validité à vérifier portant sur n et p. Nous prendrons comme variable de décision la variable X p0 de loi binomiale de paramètre n = 4040 et de proportion p 0 = 0, 5. L intervalle de fluctuation de Première est alors déterminé en déterminant le plus grand entier a tel que P(S p0 < a) 0, 5 et le plus petit entier b tel que P(S p0 > a) 0, 5. En utilisant un tableur et sa fonction LOIBINOMIALE, on trouve que a = 1958 et b = Comme le nombre de "pile" observé dans les n lancers de Buffon est égal à 2048 qui appartient à l intervalle de fluctuation exact [1958 ; 2082], on décide donc que p = 0, 5, c est-à-dire qu on considérera la pièce de Buffon équilibrée. 7

8 0,0140 0,0120 0,0100 /, /, 0,0080 0,0060 Probabilité 0,025 0,0040 Probabilité 0,025 0,0020 0,0000 On décide que la pièce n est pas équilibrée p 0,5 On décide que la pièce est équilibrée (intervalle de fluctuation) p = 0,5 On décide que la pièce n est pas équilibrée p 0,5 Règle de décision pour l IF-Première au seuil de signification 5% 5 Les risques de première et de seconde espèces Rappelons le tableau des différents cas de figure susceptibles de se présenter dans une prise de décision entre deux hypothèses : On décide p = 0, 5 On décide p 0, 5 La pièce est réellement équilibrée Bonne décision Erreur I La pièce est réellement déséquilibrée Erreur II Bonne décision Le risque de première espèce, noté α, est la probabilité de l erreur I, c est-à-dire la probabilité de prendre la décision p p 0 alors qu en réalité p = p 0. Le risque de seconde espèce est la probabilité de l erreur II, c est-à-dire la probabilité, notée β(p 1 ), de prendre la décision p = p 0 alors qu en réalité p p 0, avec p = p 1, où p 1 est une certaine valeur différente de p 0. Le calcul de ce risque nécessite d avoir des informations sur l hypothèse alternative plus précises que p p 0. Dans la négative, on peut alors faire le calcul de β(p) pour toute valeur de p ]0, 1[\{p 0 }. 5.1 Calculs avec l IF de Terminale Le risque de première espèce est donc P(F 0,5 [0, 4845, 0, 5155]) = P(S 0,5 [1958, 2082]) = P(S 0,5 < 1958) + P(S 0,5 > 2082), où les calculs de probabilité sont conduits sous l hypothèse que la pièce est bien équilibrée, ce qui revient à considérer que le nombre de "pile" dans n lancers est exactement une variable binomiale de paramètre n = 4040 et de proportion p 0 = 0, 5, autrement dit à utiliser dans les 8

9 calculs la variable aléatoire S 0,5. La lecture de la loi binomiale de paramètre n = 4040 et de proportion 0, 5 à l aide d un tableur permet d obtenir le risque de première espèce α = P(S 0,5 [1958, 2082]) = P(S 0,5 < 1958)+(1 P(S 0,5 2082) = 0, 0246+(1 0, 9754) = 0, 0492 soit 4, 92%. Ici le risque de première espèce α est proche du seuil de signification de 5% fixé pour prendre la décision. On sait par définition de l intervalle de fluctuation asymptotique que P(F [0, 4845, 0, 5155]) 0, 95 et par suite que le risque de première espèce est α = P(F [0, 4845, 0, 5155]) = 1 P(F [0, 4845, 0, 5155]) 0, 05. Dans cette prise de décision, le risque de première espèce α est asymptotiquement égal au seuil de signification de 5% fixé pour prendre la décision. FAIRE DESSIN DU RISQUE DE PREMIERE ESPECE Le risque de seconde espèce revient à considérer ce qui se passe quand la pièce, en réalité, n est pas équilibrée c est-à-dire quand l hypothèse alternative est en réalité vérifiée (mais on ne le sait jamais). Pour faire le calcul du risque de deuxième espèce il est donc nécessaire de faire des hypothèses sur l éventuel déséquilibre de la pièce. Par exemple on va supposer qu en réalité la probabilité de tomber sur "pile", n est pas p 0 = 0, 5, mais plutôt p 1 = 0, 52. Dans ce cas là, on prendra une décision erronée si on décide que la pièce est équilibrée, c est-àdire si la fréquence observée dans l échantillon est dans l intervalle de fluctuation [0, 4845, 0, 5155] calculé avec p 0. Le risque de seconde espèce pour p 1 = 0, 52, qu on notera β(0, 52), est donc égal à la probabilité P(F 0,52 [0, 4845, 0, 5155]). On a alors β(0, 52) = P(F 0,52 [0, 4845, 0, 5155]) = P(S 0,52 [1958, 2082]). Soit β(0, 52) = P(S 0, ) P(S 0, ) = = 0, D où un risque de seconde espèce, de 28, 22%. Remarque : Un calcul avec l approximation normale de la loi de F 0,52 donnerait 28, 43% en introduisant la variable aléatoire Z 0,52 = qui est approximativement normale centréeréduite. F 0,52 0,52 0,52(1 0,52) 4040 FAIRE DESSIN DES RISQUES DE PREMIERE ESPECE ET DE SECONDE ESPECE sur le même graphique On pourrait faire le calcul du risque de seconde espèce pour d autres valeurs de p 1. Par exemple on va supposer qu en réalité la probabilité de tomber sur "pile", n est pas p 0 = 0, 5, mais plutôt p 1 = 0, 51, c est-à-dire calculer β(0, 51). Le risque de seconde espèce pour p 1 = 0, 51 est donc égal à la probabilité P(F 0,51 [0, 4845, 0, 5155]) alors que la fréquence empirique est calculée à partir d un échantillon de variable parente une variable de Bernoulli de paramètre p 1 = 0, 51. 9

10 En suivant la même démarche que précédemment, on aura alors, en introduisant cette fois-ci la variable aléatoire S 0,51 qui est une variable aléatoire binomiale de loi B(4040; 0, 51). On a alors β(0, 51) = P(F 0,51 [0, 4845, 0, 5155]) = P(S 0,51 [1958, 2082]). Soit β(0, 51) = P(S 0, ) P(S 0, ) = 0, , 0006 = 0, D où un risque de seconde espèce, de 75.60%. Un calcul avec l approximation normale de la loi de F 0,51 donnerait 75, 73% en introduisant la variable aléatoire Z 0,51 = qui est approximativement normale centrée-réduite. F 0,51 0,51 0,51(1 0,51) 4040 Pour p 1 = 0, 53, on peut vérifier que le risque de seconde espèce β(0, 53) = P(S 0, ) P(S 0, ) = 0, = 0, 0322, soit 3, 22%. En résumé, avec la règle de décision que nous avons construite dans cette prise de décision sur l équilibre de la pièce de Buffon, nous avons 4, 92% (pratiquement 5%) de chances de décider que la pièce n est pas équilibrée alors qu en réalité elle l est (erreur de type I) et nous avons : 75, 60% de chances de décider que la pièce est équilibrée alors qu en réalité elle ne l est pas si la vraie valeur (inconnue) de la probabilité d obtenir "pile" en la lançant est p 1 = 0, 51 28, 22% de chances de décider que la pièce est équilibrée alors qu en réalité elle ne l est pas si la vraie valeur (inconnue) de la probabilité d obtenir "pile" en la lançant est p 1 = 0, 52 3, 22% de chances de décider que la pièce est équilibrée alors qu en réalité elle ne l est pas si la vraie valeur (inconnue) de la probabilité d obtenir "pile" en la lançant est p 1 = 0, 53 On remarque que, plus l écart entre p 0 et p 1 est important, plus le risque de seconde espèce est faible alors que, par construction, le risque de première espèce est constant et égal pratiquement à 5%. Par ailleurs, en réalité on ne connaît pas p 1, on peut alors tracer la courbe de l application p ]0, 1[\{p 0 } β(p) représentant l évolution de β(p) en fonction de p. On obtient une courbe dont l allure est la suivante : METTRE ICI COURBE DE BETA et ETA On peut donner une expression en fonction de p de β(p). En effet, en introduisant la variable aléatoire Z p = S p np qui est approximativement normale centrée-réduite, on peut écrire : np(1 p) β(p) = P(0, 4845 F p 0, 5155) = P(1958 S p 2082) = P ( 1958 np np(1 p) Z p ) 2082 np. np(1 p) Ce qu on peut écrire, en introduisant la fonction de répartition Φ de la loi normale centréeréduite, compte tenu que, lorsque par exemple p 0, 52, on a 1958 np < 0 et 2082 np < 0 ( ) ( ) p p β(p) = Φ Φ 4040p(1 p) 4040p(1 p) 10

11 où Φ(x) = 1 2π x centrée-réduite. e t2 /2 dt est la valeur en x de la fonction de répartition Φ de la loi normale 5.2 Calculs avec l IF de Seconde En gardant les même notations que ci-dessus, le raisonnement fait plus haut avec l intervalle de fluctuation de Terminale se conduit exactement de la même façon avec l IF de Seconde qui, calculé pour p 0 = 0, 5 vaut [0, 4842 ; 0, 5158]. Il suffit dans les calculs conduits plus haut de remplacer l intervalle [0, 4845, 0, 5155] par l intervalle [0, 4842, 0, 5158]. Le risque de première espèce est donc P(F 0,5 [0, 4842, 0, 5158]) = P(S 0,5 [1957, 2083]) = P(S 0,5 < 1957) + P(S 0,5 > 2083), où les calculs de probabilité sont conduits sous l hypothèse que la pièce est bien équilibrée, ce qui revient à considérer que le nombre de "pile" dans n lancers est exactement une variable binomiale de paramètre n = 4040 et de proportion p 0 = 0, 5, autrement dit à utiliser dans les calculs la variable aléatoire S 0,5. La lecture de la loi binomiale de paramètre n = 4040 et de proportion 0, 5 à l aide d un tableur permet d obtenir le risque de première espèce α = P(S 0,5 [1957, 2083]) = P(S 0,5 1956) + (1 P(S 0,5 2082) = 0, (1 0, 9754) = 0, 0474, soit 4, 74%. D où un risque de première espèce α = P (F 0,5 [0, 4842, 0, 5158]) = 0, 0474, soit 4, 74%. On sait que pour l IF de Seconde, le risque de première espèce α n est pas asymptotiquement égal au seuil de signification de 5% fixé pour prendre la décision. Pour ce qui est du risque de seconde espèce, comme l IF de Seconde contient strictement celui de Terminale, cela signifie que, dans la prise de décision avec l IF de Seconde on aura tendance à accepter plus facilement l hypothèse p = p 0 que dans la prise de décision avec l IF de Terminale pour le même risque de première espèce α. On aura donc tendance refuser l hypothèse p p 0 plus facilement dans le cas de la prise de décision avec l IF de Seconde que dans celle avec l IF de Terminale. Ce qui veut dire qu on doit s attendre à avoir un risque de seconde espèce plus élevé avec l IF de Seconde qu avec l IF de Terminale. Ce qui peut justifier que dans ce cas, pour un même risque de première espèce, il vaut mieux utiliser l IF de Terminale que celui de Seconde. On dira que la prise de décision avec l IF de Terminale est plus puissante que celle avec l IF de Seconde. Plus précisément, la puissance d une prise de décision entre l hypothèse nulle p = p 0 et l hypothèse alternative p = p 1 est le réel, noté η(p 1 ) défini par η(p 1 ) = 1 β(p 1 ). Par exemple dans le cas du calcul du risque de seconde espèce avec l IF de Seconde pour p 1 = 0, 52, qu on notera β 2 (0, 52) pour le distinguer de celui calculé avec l IF de Terminale, on obtient : β 2 (0, 52) = P(F 0,52 [0, 4842, 0, 5158]) = P(S 0,52 [1957, 2083]). Soit β 2 (0, 52) = P(S 0, ) P(S 0, ) = 0, = 0, D où un risque de seconde espèce, de 29, 29%. Un calcul avec l approximation normale de la loi de F 0,52 donnerait 29, 81% en introduisant la variable aléatoire Z 0,52 = F 0,52 0,52 0,52(1 0,52) 4040 qui est approximativement normale centrée-réduite. 11

12 Soit un risque de seconde espèce, de 29, 29% au lieu de 28, 22%. La puissance de la prise de décision avec l IF de Seconde est donc η 2 (0, 52) = 1 β 2 (0, 52) = 0, 7071 (soit 70, 71%) alors que la puissance de la prise de décision avec l IF de Terminale est η(0, 52) = 1 β(0, 52) = 0, 7178 (soit 71, 78%). Par exemple dans le cas du calcul du risque de seconde espèce avec l IF de Seconde pour p 1 = 0, 53, qu on notera β 2 (0, 53) pour le distinguer de celui calculé avec l IF de Terminale, on obtient : β 2 (0, 53) = P(F 0,53 [0, 4842, 0, 5158]) = P(S 0,53 [1957, 2083]). Soit β 2 (0, 53) = P(S 0, ) P(S 0, ) = 0, = 0, D où un risque de seconde espèce de 3, 45%. La puissance de la prise de décision avec l IF de Seconde est donc η 2 (0, 53) = 1 β 2 (0, 53) = 0, 9655 (soit 96, 55%). Par exemple dans le cas du calcul du risque de seconde espèce avec l IF de Seconde pour p 1 = 0, 51, qu on notera β 2 (0, 51) pour le distinguer de celui calculé avec l IF de Terminale, on obtient : β 2 (0, 51) = P(F 0,51 [0, 4842, 0, 5158]) = P(S 0,51 [1957, 2083]). Soit β 2 (0, 51) = P(S 0, ) P(S 0, ) = 0, , 0005 = 0, D où un risque de seconde espèce de 76, 59%. La puissance de la prise de décision avec l IF de Seconde est donc η 2 (0, 53) = 1 β 2 (0, 53) = 0, 2341 (soit 23, 41%). En résumé, avec la règle de décision que nous avons construite dans cette prise de décision sur l équilibre de la pièce de Buffon, nous avons 4, 74% (pratiquement 5%) de chances de décider que la pièce n est pas équilibrée alors qu en réalité elle l est (erreur de type I) et nous avons environ : 76, 59% de chances de décider que la pièce est équilibrée alors qu en réalité elle ne l est pas si la vraie valeur (inconnue) de la probabilité d obtenir "pile" en la lançant est p 1 = 0, 51 29, 29% de chances de décider que la pièce est équilibrée alors qu en réalité elle ne l est pas si la vraie valeur (inconnue) de la probabilité d obtenir "pile" en la lançant est p 1 = 0, 52 3, 45% de chances de décider que la pièce est équilibrée alors qu en réalité elle ne l est pas si la vraie valeur (inconnue) de la probabilité d obtenir "pile" en la lançant est p 1 = 0, Calculs avec l IF de Première Comme avec la variable de décision S p, les IF de Terminale et de Première sont les mêmes, on retrouve les mêmes valeurs pour les risques de première et de seconde espèces avec l IF de Première qu avec celui de Terminale. Le risque de première espèce est donc P(S 0,5 [1958, 2082]) = P(S 0,5 < 1958)+P(S 0,5 > 2082), où les calculs de probabilité sont conduits sous l hypothèse que la pièce est bien équilibrée, ce qui revient à considérer que le nombre de "pile" dans n lancers est exactement une variable binomiale de paramètre n = 4040 et de proportion p 0 = 0, 5. La lecture de la loi binomiale de paramètre n = 4040 et de proportion 0, 5 à l aide d un tableur 12

13 permet d obtenir le risque de première espèce α = P(S 0,5 [1958, 2082]) = P(S 0,5 < 1958)+(1 P(S 0,5 2082) = 0, 0246+(1 0, 9754) = 0, 0492, soit 4, 92%. Dans cette prise de décision, le risque de première espèce α est exactement différent du seuil initial de 5% fixé pour prendre la décision. Le risque de seconde espèce dans la prise de décision avec l IF de Première, par exemple, pour p 1 = 0, 52, qu on notera β 1 (0, 52) pour le distinguer de celui calculé avec l IF de Terminale β 1 (0, 52) et de celui de Seconde β 2 (0, 52), on obtient : β 1 (0, 52) = P(S 0,52 [1958, 2082]). La lecture de la loi binomiale de paramètre n = 4040 et de proportion 0, 52 à l aide d un tableur permet d obtenir le risque de seconde espèce β 1 (0, 52) = P(S 0, ) P(S 0,52 < 1958) = 0, = 0, Soit un risque de seconde espèce, de 28, 22% au lieu de 28, 43% pour la prise de décision avec l IF de Terminale, et 29, 81% pour la prise de décision avec l IF de Seconde. La puissance de la prise de décision avec l IF de Première est donc η 1 (0.52) = 1 β 1 (0, 52) = 0, 7178 (soit 71, 78%) alors que la puissance de la prise de décision avec l IF de Terminale est η(0.52) = 1 β(0, 52) = 0, 7157 (soit 71, 57%) et de celle avec l IF de Seconde est η 2 (0.52) = 0, 7019 (soit 70, 19%).

14 75, 60% de chances de décider que la pièce est équilibrée alors qu en réalité elle ne l est pas si la vraie valeur (inconnue) de la probabilité d obtenir "pile" en la lançant est p 1 = 0, 51 28, 22% de chances de décider que la pièce est équilibrée alors qu en réalité elle ne l est pas si la vraie valeur (inconnue) de la probabilité d obtenir "pile" en la lançant est p 1 = 0, 52 3, 22% de chances de décider que la pièce est équilibrée alors qu en réalité elle ne l est pas si la vraie valeur (inconnue) de la probabilité d obtenir "pile" en la lançant est p 1 = 0, 53 6 Conclusion Résumons les valeurs obtenues dans le tableau ci-dessous : Classe α β(0, 51) β(0, 52) β(0, 53) Seconde 4, 74 76, 59 29, 29 3, 45 Première & Terminale 4, 92 75, 60 28, 22 3, 22 On observe : le choix de l IF a peu de conséquence sur la prise de décision ; on voit en quoi la longueur de l IF intervient dans la performance de la prise de décision ; plus l écart entre p 0 et p 1 est important, plus le prise de décision est performante et plus on peut discriminer les deux hypothèses ; qu on fasse les calculs exacts ou avec l approximation normale les valeurs obtenues sont très voisines ; le choix de la variable de décision détermine l IF ; la théorie des tests a pour objet, un risque de première espèce α étant donné, de trouver des variables de décisions qui minimisent les risques de seconde espèce 14

Intervalle de fluctuation Intervalle de confiance. () Intervalle de fluctuation Intervalle de confiance 1 / 1

Intervalle de fluctuation Intervalle de confiance. () Intervalle de fluctuation Intervalle de confiance 1 / 1 Intervalle de fluctuation Intervalle de confiance () Intervalle de fluctuation Intervalle de confiance 1 / 1 Intervalle de fluctuation - Intervalle de confiance () Intervalle de fluctuation Intervalle

Plus en détail

Loi binomiale. Xavier Hallosserie. avril Lycée Blaise Pascal. Xavier Hallosserie (Lycée Blaise Pascal) Chapitre 13 avril / 30

Loi binomiale. Xavier Hallosserie. avril Lycée Blaise Pascal. Xavier Hallosserie (Lycée Blaise Pascal) Chapitre 13 avril / 30 Loi binomiale Xavier Hallosserie Lycée Blaise Pascal avril 2016 Xavier Hallosserie (Lycée Blaise Pascal) Chapitre 13 avril 2016 1 / 30 Sommaire 1. Épreuve et schéma de Bernoulli 1.1 Épreuve de Bernoulli

Plus en détail

Chapitre 19. Echantillonnage. Estimation

Chapitre 19. Echantillonnage. Estimation Chapitre 9. Echantillonnage. Estimation Ce chapitre ne peut en aucun cas être étudié si on n a pas d abord étudié le chapitre 6 sur la loi binomiale et le chapitre 8 sur la loi normale. Les différentes

Plus en détail

Chapitre 4: Notions sur les statistiques d ordre et les distributions d échantillonnage

Chapitre 4: Notions sur les statistiques d ordre et les distributions d échantillonnage Chapitre 4: Notions sur les statistiques d ordre et les distributions d échantillonnage Léonard Gallardo 1 Statistiques d ordre d un échantillon 1.1 Généralités On a vu dans le chapitre 2 pourquoi la notion

Plus en détail

Remarque : Dans la suite, on ne traitera que des expériences dont les univers sont finis.

Remarque : Dans la suite, on ne traitera que des expériences dont les univers sont finis. Chapitre 5 Probabilités 5.1 Rappels 5.1.1 Vocabulaire Expérience aléatoire Définition 5.1 Une expérience dont on connaît les issues (les résultats) est appelée expérience aléatoire si on ne peut pas prévoir

Plus en détail

Variables aléatoires indépendantes

Variables aléatoires indépendantes Variables aléatoires indépendantes Nous aurons besoin dans la suite de parler de la notion de variables aléatoires indépendantes (et plus généralement mutuellement indépendantes). On en donne ici la définition

Plus en détail

Chapitre 5 ESTIMATION ET INTERVALLES DE CONFIANCE

Chapitre 5 ESTIMATION ET INTERVALLES DE CONFIANCE Thierry Foucart 1 http://foucart.thierry.free.fr Chapitre 5 ESTIMATION ET INTERVALLES DE CONFIANCE 1. DES PROBABILITÉS À LA STATISTIQUE. hypothèse intuitive élaborée à partir d expériences diverses : convergence

Plus en détail

Yves DUCEL Bruno SAUSSEREAU. Irem de Besançon Université de Franche-Comté. REPERES - IREM. N 85 - octobre 2011

Yves DUCEL Bruno SAUSSEREAU. Irem de Besançon Université de Franche-Comté. REPERES - IREM. N 85 - octobre 2011 La prise de decision de La seconde a La premiere Yves DUCEL Bruno SAUSSEREAU Irem de Besançon Université de Franche-Comté Résumé : L objectif de cet article est de montrer comment, grâce à la loi binomiale

Plus en détail

Convergence des variables aléatoires

Convergence des variables aléatoires Convergence des variables aléatoires I) L inégalité de Bienaymé Tchebychev 1.1) L inégalité de Markov dans le cas discret On considère une variable discrète non négative, d espérance strictement positive.

Plus en détail

] sous certaines conditions pour et. On dispose donc en termes de probabilité du résultat suivant : ] avec une probabilité supérieure ou égale à 0,95

] sous certaines conditions pour et. On dispose donc en termes de probabilité du résultat suivant : ] avec une probabilité supérieure ou égale à 0,95 Echantillonnage I) Position du problème Dans une population on sait que le caractère C est présent avec la proportion ( on pourrait dire que la probabilité de choisir un individu ayant le caractère C est

Plus en détail

1. Espaces probabilisés dénombrables

1. Espaces probabilisés dénombrables Probabilités sur un univers dénombrable 12-1 Sommaire 1. Espaces probabilisés dénombrables 1 1.1. Ensemble dénombrables......... 1 1.2. Suite infinie d événements........ 1 1.3. Probabilité sur un univers

Plus en détail

Mathématiques Statistiques

Mathématiques Statistiques IUT de Mesures Physiques de Caen DUT ème année Mathématiques Statistiques Corrigé Travaux Dirigés Feuille 4 Sujet : Loi du χ, estimation de la variance d une population. Exercice 1 : Rappel de cours sur

Plus en détail

Chapitre 4 PROBABILITES TES

Chapitre 4 PROBABILITES TES Chapitre 4 PROBABILITES TES «En augmentant le nombre d observations, nous augmentons continuellement la probabilité d atteindre le rapport réel entre les nombres des cas qui font qu un événement peut arriver

Plus en détail

STATISTIQUE ET PROBABILITÉS AU LYCÉE. (séries ES, S, STI2D, STL)

STATISTIQUE ET PROBABILITÉS AU LYCÉE. (séries ES, S, STI2D, STL) STATISTIQUE ET PROBABILITÉS AU LYCÉE (séries ES, S, STI2D, STL) Contexte de travail Des notions de statistique inférentielle introduites pour la première fois dans les programmes du secondaire. Ces notions

Plus en détail

Loi binomiale, courbe en cloche et tableur

Loi binomiale, courbe en cloche et tableur 880 Pour chercher et approfondir Loi binomiale, courbe en cloche et tableur Bernard Parzysz (*) L étude de la loi binomiale figure au programme des classes terminales des séries S et ES, ainsi que dans

Plus en détail

Loi normale. Pondichéry, 16 avril 2013

Loi normale. Pondichéry, 16 avril 2013 Loi normale Pondichéry, 16 avril 213 Dans une entreprise, on s intéresse à la probabilité qu un salarié soit absent durant une période d épidémie de grippe. Un salarié malade est absent La première semaine

Plus en détail

Loi d une variable aléatoire réelle

Loi d une variable aléatoire réelle Licence Math et MASS, MATH504 : probabilités et statistiques Loi d une variable aléatoire réelle On introduit la notion de variable aléatoire dans le cas réel ainsi que la notion fondamentale de loi d

Plus en détail

Présentation du programme de première STMG Académie de Créteil 05/04/12. Statistique et probabilités

Présentation du programme de première STMG Académie de Créteil 05/04/12. Statistique et probabilités Présentation du programme de première STMG Académie de Créteil 05/04/12 Statistique et probabilités 1 STATISTIQUE ET PROBABILITES Première Loi binomiale Loi binomiale B(n,p). Contenus Capacités attendues

Plus en détail

CHAPITRE 1 - GÉNÉRALITÉS SUR LES TESTS - EXEMPLE DU TEST BINOMIAL -

CHAPITRE 1 - GÉNÉRALITÉS SUR LES TESTS - EXEMPLE DU TEST BINOMIAL - CHAPITRE 1 - GÉNÉRALITÉS SUR LES TESTS - EXEMPLE DU TEST BINOMIAL - 1 Qu est ce qu un test statistique? Supposons que l on souhaite mettre en évidence une propriété concernant une population P. On procède

Plus en détail

Intervalle de fluctuation

Intervalle de fluctuation Intervalle de fluctuation Définition Échantillon Un échantillon de taille est obtenu en prélevant au hasard, successivement et avec remise, éléments d une population. En statistique, un échantillon de

Plus en détail

Intervalles de confiance et tests portant sur la moyenne et la variance d une loi gaussienne

Intervalles de confiance et tests portant sur la moyenne et la variance d une loi gaussienne Master de mathématiques 011/01 Intervalles de confiance et tests portant sur la moyenne et la variance d une loi gaussienne Table des matières A Intervalle de confiance 1 B Intervalles de confiance et

Plus en détail

Un peu de probabilités et de statistiques

Un peu de probabilités et de statistiques Un peu de probabilités et de statistiques Sandrine Caruso 29 mars 2009 1 Les coefficients binomiaux Exercice 1. Une urne contient 6 boules numérotées de 1 à 6. On en tire 2 au hasard. Combien y a-t-il

Plus en détail

Chapitre III : Probabilités discrètes

Chapitre III : Probabilités discrètes Chapitre III : Probabilités discrètes Extrait du programme : I. Rappels a. Définitions Prop 1 : Une probabilité est toujours comprise entre 0 et 1. Prop 2 Si A est l événement certain, p(a) = 1. Si A est

Plus en détail

Intervalle de fluctuation Intervalle de confiance. Lequel utiliser? Pourquoi?

Intervalle de fluctuation Intervalle de confiance. Lequel utiliser? Pourquoi? Intervalle de fluctuation Intervalle de confiance Lequel utiliser? Pourquoi? 1 Des questions qui se posent Q1: Dans un pays, 10 % des plages étaient atteintes par des algues toxiques. On a modifié le processus

Plus en détail

Incertitudes des statistiques du lycée au GUM ou que vient f... ici ce. 11 juin 2013

Incertitudes des statistiques du lycée au GUM ou que vient f... ici ce. 11 juin 2013 Incertitudes des statistiques du lycée au GUM ou que vient f... ici ce a 3? 11 juin 2013 2/31 Incertitudes des statistiques du lycée au GUM ou que vien Intention Éclairer la notion d incertitude au programme

Plus en détail

Loi normale. I) Loi Normale N(0 ; 1) 1) Définition. 2) Théorème 1

Loi normale. I) Loi Normale N(0 ; 1) 1) Définition. 2) Théorème 1 Loi normale I) Loi Normale N(0 ; 1) 1) Définition Soit X une variable aléatoire à valeurs réelles. On dit qu elle suit la loi normale centrée réduite N(0 ; 1) si elle admet pour densité la fonction ϕ définie

Plus en détail

Expérience aléatoire - modélisation - langage des probabilités

Expérience aléatoire - modélisation - langage des probabilités I Expérience aléatoire - modélisation - langage des probabilités Une expérience aléatoire est une expérience liée au hasard. Les mathématiques interviennent pour apporter un modèle qui comporte un univers

Plus en détail

fluctuations d échantillonnages intervalle de fluctuations intervalle de confiance

fluctuations d échantillonnages intervalle de fluctuations intervalle de confiance fluctuations d échantillonnages intervalle de fluctuations intervalle de confiance Table des matières 1 loi des grands nombres, intervalle de fluctuations, intervalle de confiance 2 1.1 activité...............................................

Plus en détail

Chapitre 7 : Variables aléatoires discrètes

Chapitre 7 : Variables aléatoires discrètes STS Variables aléatoires discrètes 2009/200 Chapitre 7 : Variables aléatoires discrètes Table des matières I Variable aléatoire I. Notion de variable aléatoire discrète................................

Plus en détail

Ch. 5 : Echantillonnage, estimation

Ch. 5 : Echantillonnage, estimation U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Ch. 5 : Echantillonnage, estimation 1 Echantillonnage et suites de variables aléatoires. Un échantillon de taille n est une partie de n éléments

Plus en détail

Mathématiques. préparation à la Terminale ES

Mathématiques. préparation à la Terminale ES Mathématiques préparation à la Terminale ES Le programme de Terminale ES est chargé et est la continuité de celui de 1 ère ère ES. Les nouvelles notions sont nombreuses et le rythme de progression est

Plus en détail

Probabilités. Chapitre Vocabulaire des ensembles. Sommaire

Probabilités. Chapitre Vocabulaire des ensembles. Sommaire Chapitre 7 Probabilités Sommaire 7.1 Vocabulaire des ensembles.............................................. 93 7.2 Expériences aléatoires................................................. 94 7.2.1 Issues,

Plus en détail

Chapitre 12 : Exercices BAC Terminale S, 2014, Lycée Lapérouse

Chapitre 12 : Exercices BAC Terminale S, 2014, Lycée Lapérouse Chapitre 12 : Exercices BAC Terminale S, 2014, Lycée Lapérouse Exercice 1. Calédonie 2011 Une grande entreprise dispose d un vaste réseau informatique. On observe le temps de fonctionnement normal séparant

Plus en détail

Les probabilités Le cours

Les probabilités Le cours Chapitre Les probabilités Le cours Avant-propos a) Le mot hasard vient de l arabe az-zahr «le dé». Le mot aléa signifie en latin «jeu de dés, hasard». b) Dans son Essai philosophique sur les probabilités

Plus en détail

Si J=...,... ou I =...,...

Si J=...,... ou I =...,... Travail de l élève 1 : En Syldavie, Norbert fait des études statistiques sur le daltonisme des éléphants syldaves pratiquant le saut en parachute. Il pense que 46% d entre eux sont des mâles et 18% des

Plus en détail

Théorie des probabilités

Théorie des probabilités Théorie des probabilités La théorie discrète des probabilités s occupe d évènements dans le cadre d un univers dénombrable. Exemples: Lancer de dés, expériences avec des paquets de cartes, et marche aléatoire.

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

Exercice 1. Soit B un (F t )-mouvement brownien réel issu de 0. On considère le temps d arrêt

Exercice 1. Soit B un (F t )-mouvement brownien réel issu de 0. On considère le temps d arrêt M Probabilités et Statistiques Université Paris-Sud Calcul stochastique et processus de Markov Partiel du 5 novembre 15, heures 3 sans documents Barème approximatif. Ex.1 : 6pts. Ex. : 3pts. Ex.3 : 6pts.

Plus en détail

Partie A - Loi normale-

Partie A - Loi normale- Exercice 1 Les quatre parties de cet exercice peuvent être traitées de façon indépendantes. Une usine fabrique, en grandes quantité, des rondelles d acier pour la construction. Leur diamètre est exprimé

Plus en détail

Activité de recherche. Tests d hypothèses sur une pièce truquée

Activité de recherche. Tests d hypothèses sur une pièce truquée Fiche Résumé 1 Arnaud Lathelize, Denys Pommeret IREM Aix-Marseille TITRE: NIVEAU: DOMAINE: DURÉE: Introduction aux tests d hypothèses Construction de tests d hypothèses pour décider Terminale S ou ES Probabilités

Plus en détail

Probabilité, variable aléatoire. Loi binomiale

Probabilité, variable aléatoire. Loi binomiale DERNIÈRE IMPRESSION LE 9 juin 05 à 9:0 Probabilité, variable aléatoire. Loi binomiale Table des matières Loi de probabilité. Conditions préalables............................ Définitions..................................

Plus en détail

Notes de cours de mathématiques en Première STMG

Notes de cours de mathématiques en Première STMG Notes de cours de mathématiques en Première STMG O. Lader Table des matières 1 Proportion (3S) 2 1.1 Union et intersetion.................................. 3 2 Second degré (3S) 5 2.1 Forme canonique....................................

Plus en détail

Statistique : Intervalles de confiance et tests

Statistique : Intervalles de confiance et tests Statistique : Intervalles de confiance et tests Joseph Salmon Septembre 2014 Intervalle de confiance Contexte : on a une estimation ĝ(y 1,..., y n ) d une grandeur g(θ). On veut un intervalle Î autour

Plus en détail

Probabilités. Exemple d application 1 : On effectue un lancé de dé à six faces, numérotées de 1 à 6. On définie les quatre événements suivants :

Probabilités. Exemple d application 1 : On effectue un lancé de dé à six faces, numérotées de 1 à 6. On définie les quatre événements suivants : I- Définitions et propriétés Probabilités Exemple d application 1 : On effectue un lancé de dé à six faces, numérotées de 1 à 6. On définie les quatre événements suivants : E 1 : Avoir un chiffre pair

Plus en détail

Correction du baccalauréat S Asie 18 juin 2013

Correction du baccalauréat S Asie 18 juin 2013 Correction du baccalauréat S Asie 18 juin 01 EXERCICE 1 Commun à tous les candidats 5 points 1 Le grossiste a deux fournisseurs et il y a dans chaque boîte des traces de pesticides ou non On a donc un

Plus en détail

Chapitre 12 : Étude locale des fonctions : limites

Chapitre 12 : Étude locale des fonctions : limites Chapitre 12 : Étude locale des fonctions : limites Dans tout ce chapitre, I désigne un intervalle de R, x 0 R, f est une fonction définie sur son domaine de définition D f à valeurs réelles. C f désigne

Plus en détail

Variables aléatoires réelles

Variables aléatoires réelles Variables aléatoires réelles Table des matières 1 Généralités sur les variables aléatoires réelles. 3 1.1 Rappels sur les σ-algèbres ou tribus d événements................................. 3 1.2 σ-algèbre

Plus en détail

Tome 2 Les probabilités continues

Tome 2 Les probabilités continues Tome 2 Les probabilités continues Chapitre 10 Introduction aux probabilités continues Rappel Définition Une variable aléatoire est une fonction d un espace de probabilité Ω vers R, X : Ω R Si X peut prendre

Plus en détail

PROBABILITES et ECHANTILLONNAGE. Liens entre programmes de 2nde et de première(s )

PROBABILITES et ECHANTILLONNAGE. Liens entre programmes de 2nde et de première(s ) PROBABILITES et ECHANTILLONNAGE Liens entre programmes de 2nde et de première(s ) Qu appelle t- on échantillon de taille n? «Par définition, un échantillon s obtient par tirage avec remise». Un échantillon

Plus en détail

Chapitre : Statistiques

Chapitre : Statistiques Chapitre : Statistiques Activité : QCM page 60 (rappels sur la moyenne et sur la médiane et les quartiles) I. Diagrammes en boîte Rappel On considère une série statistique. Le premier quartile, noté Q

Plus en détail

M1 Mathématiques Fondamentales Tests d hypothèses

M1 Mathématiques Fondamentales Tests d hypothèses M1 Mathématiques Fondamentales Tests d hypothèses 1 Notions générales sur les tests statistiques On manipulera au niveau de l agrégation des tests paramétriques le plus souvent, même s il existe également

Plus en détail

Brevet de technicien supérieur Opticien lunetier 9 mai 2017

Brevet de technicien supérieur Opticien lunetier 9 mai 2017 Brevet de technicien supérieur Opticien lunetier 9 mai 2017 A. P. M. E. P. Exercice 1 10 points Une usine fabrique des montures de lunettes en acétate. Lors d une étape de la fabrication, les montures

Plus en détail

Cours 5: Inférences: Estimation, Echantillonnage et Tests

Cours 5: Inférences: Estimation, Echantillonnage et Tests Cours 5: Inférences:, Echantillonnage et Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Cours 5: Inférences:, Echantillonnage et 1 Les divers

Plus en détail

1. Donner la loi, l espérance et la variance de X 1.

1. Donner la loi, l espérance et la variance de X 1. Exercice 1 On considère une urne contenant n boules numérotées portant des numéros deux à deux distincts. Un premier joueur effectue dans l urne des tirages sans remise jusqu à ce qu il obtienne la boule

Plus en détail

Attente

Attente Exercices corrigés de statistiques inférentielles Tests d'hypothèses Exercice 1 Tests classiques Probabilité critique Dans un centre de renseignements téléphoniques, une étude statistique a montré que

Plus en détail

TD2. Probabilité sur un ensemble dénombrable.

TD2. Probabilité sur un ensemble dénombrable. Université Pierre & Marie Curie Licence de Mathématiques L3 UE LM345 Probabilités élémentaires Année 2014 15 TD2 Probabilité sur un ensemble dénombrable 1 a Soit (Ω, F, P) un espace de probabilités Soit

Plus en détail

Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées. Probabilités et Statistique, Corrigé Code de la Route

Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées. Probabilités et Statistique, Corrigé Code de la Route Université des Sciences et Technologies de Lille UFR de Mathématiques Pures et Appliquées DEUG MASS 2 Année 2000-2001 Probabilités et Statistique, Corrigé Code de la Route Ex 1 Code de la Route I Pour

Plus en détail

Lois normales. P( Z u ) = P ( Z u ) P( Z u ) = 1 P( Z < u )

Lois normales. P( Z u ) = P ( Z u ) P( Z u ) = 1 P( Z < u ) Lois normales La loi de probabilité la plus utilisée en statistique est la loi normale, encore appelée loi de Gauss ou de Laplace_Gauss. C'est une distribution théorique qui ne se rencontre jamais exactement

Plus en détail

Statistique décisionnelle

Statistique décisionnelle Statistique décisionnelle Eugen Ursu Université Bordeaux IV E.Ursu (Université Bordeaux IV) L2S3 3 octobre 2012 1 / 36 Chapitre 2 : Variables aléatoires réelles 1 Introduction 2 Loi d une variable aléatoire

Plus en détail

Étude de cas. Myriam Maumy-Bertrand. 27 septembre IRMA, UMR 7501, Université de Strasbourg

Étude de cas. Myriam Maumy-Bertrand. 27 septembre IRMA, UMR 7501, Université de Strasbourg Étude de cas IRMA, UMR 7501, Université de Strasbourg 27 septembre 2013 Ce chapitre s appuie essentiellement sur le livre : 2 ème partie Théorie de l estimation Sommaire 1 Introduction 2 3 4 5 6 Le problème

Plus en détail

Lois de Probabilité à densité Loi Normale

Lois de Probabilité à densité Loi Normale Lois de Probabilité à densité Loi Normale Lorsque l on s intéresse à la durée d une communication téléphonique, à la durée de vie d un composant électronique ou à la température de l eau d un lac, la variable

Plus en détail

I.12 Exercices II.2 Variables aléatoires discrètes II.1 Variables aléatoires... 26

I.12 Exercices II.2 Variables aléatoires discrètes II.1 Variables aléatoires... 26 Table des matières partie I Calcul des probabilités I Espaces probabilisés 3 I.1 Vocabulaire... 3 I.2 Probabilités... 4 I.3 Probabilités sur un ensemble fini ou dénombrable... 7 I.4 La modélisation (I)...

Plus en détail

Atelier Probabilités s et statistiques

Atelier Probabilités s et statistiques Atelier Probabilités s et statistiques Animation Nouveau programme de Terminale Mai 2012 Académie de Créteil Quelques problèmes pour motiver Comment estimer la fiabilité d une chaine de production? Peut-on

Plus en détail

Lois usuelles. Michaël Genin. Université de Lille 2. EA Santé Publique : Epidémiologie et Qualité des soins

Lois usuelles. Michaël Genin. Université de Lille 2. EA Santé Publique : Epidémiologie et Qualité des soins Lois usuelles Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr Plan 1 Exemple introductif Michaël Genin (Université de Lille

Plus en détail

Estimation, Échantillonnage et Tests

Estimation, Échantillonnage et Tests Estimation, Échantillonnage et Tests H. Hocquard HSE 2016-2017 Hervé Hocquard Estimation, Échantillonnage et Tests 1/60 Introduction : les 3 grandes lignes Les statistiques peuvent permettre : Hervé Hocquard

Plus en détail

Loi normale et échantillonnage

Loi normale et échantillonnage Loi normale et échantillonnage 1. Loi normale Exemple introductif Une entreprise produit des ampoules. Soit la variable qui à chaque ampoule associe sa durée de vie en heures. Cette durée n est pas nécessairement

Plus en détail

Chapitre : 12 : Loi binomiale - Echantillonnage

Chapitre : 12 : Loi binomiale - Echantillonnage I. Épreuve et schéma de Bernoulli. Épreuve de Bernoulli Chapitre : : Loi binomiale - Echantillonnage Une épreuve de Bernoulli est une expérience aléatoire qui ne comporte que deux issues, l'une appelée

Plus en détail

Rappels de théorie des probabilités

Rappels de théorie des probabilités Rappels de théorie des probabilités 1. modèle probabiliste. 1.1. Univers, événements. Soit un ensemble non vide. Cet ensemble sera appelé l univers des possibles ou l ensemble des états du monde. Dans

Plus en détail

Chapitre 5 ESTIMATION

Chapitre 5 ESTIMATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 5 ESTIMATION La statistique inférentielle regroupe un ensemble de méthodes consistant à prendre en compte

Plus en détail

I. Variable aléatoire discrète

I. Variable aléatoire discrète I. Variable aléatoire discrète a. Epreuve de Bernoulli Définition : Une épreuve de Bernoulli est une expérience aléatoire à deux issues : pile ou face, oui ou non, gagner ou perdre, etc. On notera S le

Plus en détail

f(x)dx = F (11) F (1) = = 1 2. Déterminer la probabilité que le temps d attente soit compris entre 3 et 5 mn.

f(x)dx = F (11) F (1) = = 1 2. Déterminer la probabilité que le temps d attente soit compris entre 3 et 5 mn. TES Devoir n o durée 60mn-0 points Exercice ( points ) Le temps d attente X à une station de taxi, exprimé en minutes, suit une loi uniforme sur l intervalle [; ].. Donner la fonction f de densité de probabilité

Plus en détail

Correction du Baccalauréat S Centres étrangers 10 juin 2015

Correction du Baccalauréat S Centres étrangers 10 juin 2015 urée : 4 heures Correction du Baccalauréat S Centres étrangers 10 juin 015 A. P. M. E. P. Exercice 1 4 points Commun à tous les candidats Tous les résultats demandés dans cet exercice seront arrondis au

Plus en détail

De la loi binomiale à la loi normale

De la loi binomiale à la loi normale ) De B (n, p) à N (m, v) De la loi binomiale à la loi normale.a] Premier exemple : de B (6 ; ) à N (8 ; 4) Soit Y suivant la loi binomiale B(6 ; ) de paramètres n = 6 et p =. Espérance m = n p = 8, variance

Plus en détail

FONCTIONS NUMÉRIQUES DE PLUSIEURS VARIABLES

FONCTIONS NUMÉRIQUES DE PLUSIEURS VARIABLES 29-3- 2011 J.F.C. Fnpv p. 1 TD 25 2010-2011 FONCTIONS NUMÉRIQUES DE PLUSIEURS VARIABLES Lundi 28 mars 2010 Exercice 1 ECRICOME 99 n est un élément de N. (x, y) R 2, f n (x, y) = (x n y) e x y. On se propose

Plus en détail

Fiche TD 6 - L2 Économie-Gestion

Fiche TD 6 - L2 Économie-Gestion UNIVERSITE de NICE - SOPHIA ANTIPOLIS Institut Supérieur d Economie et de Management ANNÉE UNIVERSITAIRE : 2013-2014 REF. ANNÉE D ÉTUDE : L2 MATIÈRE : PROBABILITÉS, STATISTIQUES ENSEIGNANT : Julien BARRÉ

Plus en détail

EPREUVE SPECIFIQUE - FILIERE TPC MATHEMATIQUES. Mardi 2 mai : 14 h - 18 h. Les calculatrices sont autorisées *****

EPREUVE SPECIFIQUE - FILIERE TPC MATHEMATIQUES. Mardi 2 mai : 14 h - 18 h. Les calculatrices sont autorisées ***** SESSION 207 TPCMA02 EPREUVE SPECIFIQUE - FILIERE TPC MATHEMATIQUES Mardi 2 mai : 4 h - 8 h N.B. : le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction.

Plus en détail

Cours de Terminale S /Probabilités : conditionnement et indépendance. E. Dostal

Cours de Terminale S /Probabilités : conditionnement et indépendance. E. Dostal Cours de Terminale S /Probabilités : conditionnement et indépendance E. Dostal aout 2013 Table des matières 6 Probabilités : conditionnement et indépendance 2 6.1 Généralités............................................

Plus en détail

Corrigé du Concours Blanc

Corrigé du Concours Blanc Corrigé du Concours Blanc Exercice : On considère la fonction f définie par : f(x = x + 2 2 ln(e x + et on note (C la courbe représentative de f dans un repère orthonorrnal.. Etude de la fonction f. a.

Plus en détail

I. Rappel des généralités sur les probabilités

I. Rappel des généralités sur les probabilités I. Rappel des généralités sur les probabilités a. Vocabulaire Définition : On appelle expérience aléatoire toute expérience dont on ne prédire le résultat. L issue d une expérience aléatoire le résultat

Plus en détail

Université d Orléans - Licence Economie et Gestion Statistique Appliquée à l Economie et la Gestion

Université d Orléans - Licence Economie et Gestion Statistique Appliquée à l Economie et la Gestion Université d Orléans - Licence Economie et Gestion Statistique Appliquée à l Economie et la Gestion C. Hurlin. Correction de l Examen de Décembre 2011 Exercice 1 Barème : 18 points. Test de validation

Plus en détail

loi faible des grands nombres

loi faible des grands nombres échantillonnage loi faible des grands nombres lien entre probabilités et statistiques : jeu de pile ou face : "pile" avec proba 1/2 on joue une fois : soit "pile", soit "face" on joue deux fois : pas forcément

Plus en détail

Le sujet comporte 8 pages numérotées de 2 à 9. Il faut choisir et réaliser seulement trois des quatre exercices proposés EXERCICE I

Le sujet comporte 8 pages numérotées de 2 à 9. Il faut choisir et réaliser seulement trois des quatre exercices proposés EXERCICE I Le sujet comporte 8 pages numérotées de à 9 Il faut choisir et réaliser seulement trois des quatre exercices proposés EXERCICE I Donner les réponses à cet exercice dans le cadre prévu à la page 3 Une enquête

Plus en détail

Baccalauréat STL Biotechnologies 19 juin 2013 Antilles-Guyane correction

Baccalauréat STL Biotechnologies 19 juin 2013 Antilles-Guyane correction Baccalauréat STL Biotechnologies 19 juin 13 Antilles-Guyane correction EXERCICE 1 5 points Suite à un gros orage, la plage municipale de la commune d Aistéhel subit une pollution momentanée du fait du

Plus en détail

Exemples : 1) Lancer un dé 3) Choisir au hasard une carte 2) Lancer une pièce 4) Choisir un élève au hasard

Exemples : 1) Lancer un dé 3) Choisir au hasard une carte 2) Lancer une pièce 4) Choisir un élève au hasard FICHE METHODE sur les PROBABILITES I) A quoi servent les probabilités a). On lance une pièce de un euro! Quelle est la probabilité de faire Pile? = 0,5 = 50% 2 2. On jette un dé à 8 faces numérotées de

Plus en détail

Sujets. Formulaire. mai 2011. Amérique du Nord. novembre 2011. Nouvelle-Calédonie. mai 2012. BTS Métopole (B1) mai 2013.

Sujets. Formulaire. mai 2011. Amérique du Nord. novembre 2011. Nouvelle-Calédonie. mai 2012. BTS Métopole (B1) mai 2013. LOIS CONTINUES Sujets mai 2011 novembre 2011 mai 2012 mai 2013 Amérique du Nord Nouvelle-Calédonie BTS Métopole (B1) BTS Métropole (D) Formulaire LOIS CONTINUES 1 Amérique du Nord mai 2011. EXERCICE 2

Plus en détail

Chapitre 13 : Lois normales et échantillonnage

Chapitre 13 : Lois normales et échantillonnage I. Loi normale centrée réduite 1 Activité d introduction : approximation de la loi binomiale 2 Théorème de Moivre-Laplace Soit X n une variable aléatoire suivant la loi binomiale B(n, p) : X n compte les

Plus en détail

Mathématiques. Pour faciliter le travail personnel de révisions en fin de vacances, ce fichier contient

Mathématiques. Pour faciliter le travail personnel de révisions en fin de vacances, ce fichier contient Mathématiques Préparation à la 1 ère ES - L - STMG Le programme de 1 ère s appuie sur les notions étudiées en 2 nde. L acquisition de ces bases est donc essentielle à la réussite en 1 ère. Pour faciliter

Plus en détail

Objectif Découvrir et utiliser deux méthodes/algorithmes classiques d approximation d intégrales : méthode des rectangles et méthode de Monte-Carlo.

Objectif Découvrir et utiliser deux méthodes/algorithmes classiques d approximation d intégrales : méthode des rectangles et méthode de Monte-Carlo. Approfondissement en Terminale S Groupe Mathématique Liaison Lycée-Enseignement Supérieur Cette fiche a été élaborée par des enseignantes et des enseignants des lycées et universités de l académie de Créteil.

Plus en détail

RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses, loi du χ 2

RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses, loi du χ 2 RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses, loi du χ 2 Christophe Gonzales LIP6 Université Paris 6, France Plan du cours n 3 RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses,

Plus en détail

Variables aléatoires continues et loi normale

Variables aléatoires continues et loi normale Variables aléatoires continues et loi normale H. Hocquard HSE 2016-2017 Hervé Hocquard Variables aléatoires continues et loi normale 1/35 Variable alétoire continue Définition Une variable aléatoire est

Plus en détail

Tests paramétriques. Frédéric Bertrand. M1 MCB2a FC Strasbourg, France. 1 IRMA, Université de Strasbourg

Tests paramétriques. Frédéric Bertrand. M1 MCB2a FC Strasbourg, France. 1 IRMA, Université de Strasbourg 1 1 IRMA, Université de Strasbourg Strasbourg, France M1 MCB2a FC 01-06-2010 À quoi sert un test? Contruction d un test Mise en oeuvre pratique Première partie I Introduction générale à la notion de tests

Plus en détail

Intervalles de fluctuation

Intervalles de fluctuation Intervalles de fluctuation Brigitte CHAPUT Groupe Statistique et probabilités - IREM de Toulouse Commission inter-irem Statistique et probabilités 1. Programme de seconde (juin 2009) 2. Échantillons 3.

Plus en détail

Sujet Asie 2013 EXERCICE 1. [5 pts] Probabilités

Sujet Asie 2013 EXERCICE 1. [5 pts] Probabilités Sujet Asie 203 EXERCICE. [5 pts] Probabilités Dans cet exercice, les probabilités seront arrondies au centième. Partie A Une grossiste achète des boîtes de thé chez deux fournisseurs. Il achète 80% de

Plus en détail

En cohérence avec l ensemble des programmes de mathématiques, l objectif général vise au développement de compétences.

En cohérence avec l ensemble des programmes de mathématiques, l objectif général vise au développement de compétences. Programme de première STI2D et STL Analyse et comparaison aux anciens programmes de STI Préambule Le programme est commun aux deux séries STI2D et STL. On ne distingue plus les six séries de STI (BO 1994),

Plus en détail

Corrigé du baccalauréat ES/L Amérique du Sud 17 novembre 2014

Corrigé du baccalauréat ES/L Amérique du Sud 17 novembre 2014 Corrigé du baccalauréat ES/L Amérique du Sud 17 novembre 201 A. P. M. E. P. Exercice 1 Commun à tous les candidats Une bibliothèque municipale dispose pour ses usagers de deux types de livres : les livres

Plus en détail

T STI SIN Loi normale 05/04/2013 Lycée Don Bosco

T STI SIN Loi normale 05/04/2013 Lycée Don Bosco A. Un peu d intuition, un peu de simulation Trois personnes choisissent chacune au hasard et indépendamment l une de l autre un nombre réel compris entre 0 et 1. On appelle I 1, I 2 et I 3 les nombres

Plus en détail

ÉPREUVE DE BERNOULLI ET LOI BINOMIALE...2 I. RAPPEL SUR LA NOTION D ÉVÉNEMENTS INDÉPENDANTS...2 II. ÉPREUVE DE BERNOULLI...2 SCHÉMA DE BERNOULLI...

ÉPREUVE DE BERNOULLI ET LOI BINOMIALE...2 I. RAPPEL SUR LA NOTION D ÉVÉNEMENTS INDÉPENDANTS...2 II. ÉPREUVE DE BERNOULLI...2 SCHÉMA DE BERNOULLI... ÉPREUVE DE BERNOULLI ET LOI BINOMIALE...2 I. RAPPEL SUR LA NOTION D ÉVÉNEMENTS INDÉPENDANTS...2 II. ÉPREUVE DE BERNOULLI...2 III. IV. SCHÉMA DE BERNOULLI...2 VARIABLE ALÉATOIRE...3 V. ARBRE D UN SCHÉMA

Plus en détail

cours 19, le jeudi 1er avril 2010

cours 19, le jeudi 1er avril 2010 cours 19, le jeudi 1er avril 21 Exemple : calcul de l espérance d une variable aléatoire T de loi exponentielle de paramètre λ >. La loi P T de T est donnée par dp T (x) 1 x λ e λx dx ; d après la formule

Plus en détail

Table des matières. Cours. Méthodes. Entraînement Corrigés Chapitre 1 Les trinômes du second degré 11

Table des matières. Cours. Méthodes. Entraînement Corrigés Chapitre 1 Les trinômes du second degré 11 Table des matières Chapitre 1 Les trinômes du second degré 11 I. Les trinômes du second degré : caractérisation... 1 II. Variations des fonctions trinôme du second degré... 13 III. Représentation graphique...

Plus en détail

Statistique et Informatique (LI323) Cours 5

Statistique et Informatique (LI323) Cours 5 Statistique et Informatique (LI323) Cours 5 Nicolas Baskiotis nicolas.baskiotis@lip6.fr Université Pierre et Marie Curie (UPMC) Laboratoire d Informatique de Paris 6 (LIP6) auteurs: M.R. Amini, N. Usunier

Plus en détail