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

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

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

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

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

] 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

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

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

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

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

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

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

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

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 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

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 : 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

T ES/L. Exercice 1. Exercice 2

T ES/L. Exercice 1. Exercice 2 T ES/L EXERCICES : FLUCTUATION ET ESTIMATION Exercice 1 Exercice 2 Exercice 3 Exercice 4 Deux entreprises A et B recrutent dans un bassin d emploi où il y a autant de femmes que d hommes, avec la contrainte

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Croissance comparée des fonctions logarithmes, puissances et exponentielles

Croissance comparée des fonctions logarithmes, puissances et exponentielles DOCUMENT 30 Croissance comparée des fonctions logarithmes, puissances et exponentielles Rappelons que : 1. Introduction et résultats préinaires Les fonctions logarithmes sont les primitives sur R + des

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

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

Introduction à la théorie des probabilités

Introduction à la théorie des probabilités CHAPITRE I Introduction à la théorie des probabilités 1. Rappels sur les espaces probabilisés Les éléments ci-dessous ne sont que brièvement rappelés car ils sont normalement traités dans un cours d intégration.

Plus en détail

Ch 07 Probabilités. Exemple Reprendre l exemple précédent et définir la loi de probabilité de X.

Ch 07 Probabilités. Exemple Reprendre l exemple précédent et définir la loi de probabilité de X. Ch 07 Probabilités I VARIABLE ALEATOIRE ET LOI DE PROBABILITE I.1 - d une variable aléatoire On appelle variable aléatoire discrète toute application X de Ω dans IR. L ensemble des valeurs prises par X,

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

Chapitre 3. Intervalles de confiance. 3.1 Principe général

Chapitre 3. Intervalles de confiance. 3.1 Principe général Chapitre 3 Intervalles de confiance Ce chapitre est consacré à la construction d intervalles contenant le paramètre inconnu supposé réel, avec un niveau de confiance fixé. Il contient essentiellement des

Plus en détail

Cours de terminale S Probabilités : lois à densité

Cours de terminale S Probabilités : lois à densité Cours de terminale S Probabilités : lois à densité V. B. et S. B. Lycée des EK Considérons une variable aléatoire susceptible de prendre n importe quelle valeur réelle appartenant à un intervalle donné.

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

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2002

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2002 MATGRD EXERCICE 1 (11 points) Les trois parties peuvent être traitées indépendamment l'une de l'autre. Pour une étude cardio-vasculaire, on effectue une perfusion lente à débit constant d'une solution

Plus en détail

0,06 1,96 ; 0,06 + 1,96 400

0,06 1,96 ; 0,06 + 1,96 400 Exercice 1 Les enfants sont dits prématurés lorsque la durée gestationnelle est inférieure ou égale à 259 jours. La proportion de ces naissances est de 6 %. Des chercheurs suggèrent que les femmes ayant

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

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

1 Probabilités-Rappel

1 Probabilités-Rappel Chapitre Probabilités sur un ensemble fini-variable aléatoire 1 Probabilités-Rappel On lance un dé non truqué à six faces numérotées de 1 à 6 et on note le nombre figurant sur la face supérieure du dé.

Plus en détail

LES TESTS STATISTIQUES

LES TESTS STATISTIQUES Université Paris IX Dauphine Ecole Doctorale de Gestion B. Goldfarb goldfarb@dauphine.fr C. Pardoux pardoux@dauphine.fr LES TESTS STATISTIQUES 16 décembre 2004 Objectif Éprouver des hypothèses de recherche

Plus en détail

3 Variables aléatoires et distributions des probabilités

3 Variables aléatoires et distributions des probabilités 3 Variables aléatoires et distributions des probabilités 3.1 Variables aléatoires Après avoir réalisé une expérience, il arrive bien souvent qu on s intéresse plus à une fonction de résultat qu au résultat

Plus en détail

mp* : révisions pour l écrit - Probabilités

mp* : révisions pour l écrit - Probabilités mp* 14-15 : révisions pour l écrit - Probabilités I Chapitres concernés P0, P1, P2, P3, P4, P5 II Questions de cours les plus classiques On ne les connaît pas encore...mais il est prudent de savoir Démontrer

Plus en détail

Variables aléatoires discrètes. Soit une expérience aléatoire à laquelle est associé l ensemble des issues Ω.

Variables aléatoires discrètes. Soit une expérience aléatoire à laquelle est associé l ensemble des issues Ω. Variables aléatoires discrètes I. Définitions 1. Définition d une variable aléatoire : Soit une expérience aléatoire à laquelle est associé l ensemble des issues Ω. On appelle variable aléatoire et on

Plus en détail

PROBABILITÉS. II Rappels : Calcul de probabilités 4

PROBABILITÉS. II Rappels : Calcul de probabilités 4 PROBABILITÉS Table des matières I Rappels : Vocabulaire des événements 2 I. Vocabulaire.............................................. 2 I.2 Intersection et réunion d événements................................

Plus en détail

Chapitre 8 : Probabilités Terminale ES 1, , Y. Angeli

Chapitre 8 : Probabilités Terminale ES 1, , Y. Angeli Chapitre 8 : Probabilités -0-03-- Terminale ES, 200-20, Y. Angeli. Vocabulaire Définition. Une expérience aléatoire est processus dont l issue est incertaine. L univers d une expérience aléatoire est l

Plus en détail

Chapitre 10: Tests et intervalles de confiance pour proportions

Chapitre 10: Tests et intervalles de confiance pour proportions Chapitre 10: Tests et intervalles de confiance pour proportions 1. Test statistique pour une proportion 2. Intervalle de confiance pour une proportion 3. Test statistique pour deux proportions 1 1. Test

Plus en détail

Chantal Menini 7 mai 2009

Chantal Menini 7 mai 2009 Description mathématique d une expérience aléatoire : événements élémentaires, événements, probabilité (on se limitera au cas où l ensemble d événements élémentaires est fini. Chantal Menini 7 mai 2009

Plus en détail

démonstrations exigibles au baccalauréat

démonstrations exigibles au baccalauréat démonstrations exigibles au baccalauréat fonction exponentielle (1/2) propriété : Il existe une unique fonction dérivable sur telle que ' = et (0) = 1 1 L'existence de la fonction est admise conformément

Plus en détail

Notion de variable aléatoire réelle discrète

Notion de variable aléatoire réelle discrète Université de Picardie Jules Verne 011-01 UFR des Sciences Licence mention Mathématiques et mention Informatique parcours MIAGE - Semestre 3 Statistique et Probabilités otion de variable aléatoire réelle

Plus en détail

:"moins de 7" ; E 2. :"de 7 à 10" ; E 3 E 3

:moins de 7 ; E 2. :de 7 à 10 ; E 3 E 3 1.1 Rappels événements : gain X( ) : objets : expérience : 1. Lois discrètes deux dés les lancer, puis noter le total univers : Ω= {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} partition de Ω: E 1 :"moins de 7"

Plus en détail

Chapitre 3 Probabilités. Table des matières. Chapitre 3 Probabilités TABLE DES MATIÈRES page -1

Chapitre 3 Probabilités. Table des matières. Chapitre 3 Probabilités TABLE DES MATIÈRES page -1 Chapitre 3 Probabilités TALE DES MATIÈRES page -1 Chapitre 3 Probabilités Table des matières I Exercices I-1 1 I-1 2 I-2 3 I-2 4 I-2 5 I-2 6 I-2 7 I-3 8 I-4 9 I-4 10 I-4 11 I-5 12 I-5 13 I-5 14 I-5 15

Plus en détail

Reconnaissance de forme: Rappels de probabilités et de statistiques

Reconnaissance de forme: Rappels de probabilités et de statistiques Reconnaissance de forme: Rappels de probabilités et de statistiques 1 er février 2010 Plan 1 Introduction : pourquoi des probabilités? 2 Notions de probabilités 3 Statistiques et estimation Introduction

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

Statistique descriptive et inférentielle

Statistique descriptive et inférentielle Statistique descriptive et inférentielle IUT Carquefou Année 2008-2009 1ère partie Statistique descriptive Regarder ses données!!! Considérons un jeu de données (x 1,..., x n ) = échantillon. Première

Plus en détail

Chapitre 0. Comment caractériser l activité du statisticien? 12 I Le contexte II La démarche III Le modèle... 14

Chapitre 0. Comment caractériser l activité du statisticien? 12 I Le contexte II La démarche III Le modèle... 14 Statistique inférentielle Objectif du cours C e cours comprend l essentiel des notions de statistique mathématique, principalement paramétrique, avec une introduction au cas non-paramétrique. Les notions

Plus en détail

Baccalauréat STL Métropole Biotechnologies 20 juin 2013 correction

Baccalauréat STL Métropole Biotechnologies 20 juin 2013 correction Baccalauréat STL Métropole Biotechnologies 0 juin 0 correction La calculatrice (conforme à la circulaire N o 99-86 du 6--99) est autorisée. Le candidat est invité à faire figurer sur la copie toute trace

Plus en détail

TD n 6 : Probabilités discrètes

TD n 6 : Probabilités discrètes TD n 6 : Probabilités discrètes Exercice 1 On désigne par un entier naturel non nul. On lance fois une pièce de monnaie donnant "pile" avec la probabilité (avec 0 1 et "face" avec la probabilité 1. On

Plus en détail

BTS Groupement A. Mathématiques Session 2012

BTS Groupement A. Mathématiques Session 2012 BTS Groupement A Mathématiques Session 0 Exercice : 0 points Spécialités Informatique et réseaux pour l industrie et les services techniques Systèmes Électroniques - Électrotechnique Génie optique Une

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

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

/1 point n, c est-à-dire que

/1 point n, c est-à-dire que Externat Notre Dame Devoir n Tle S) Samedi 5 octobre 204 Proposition de corrigé Exercice : / point Restitution organisée de connaissances Dans cet exercice n désigne un entier naturel. On définit une suite

Plus en détail

Mathématiques appliquées à la gestion - TESTS PARAMÉTRIQUES ET NON PARAMÉTRIQUES

Mathématiques appliquées à la gestion - TESTS PARAMÉTRIQUES ET NON PARAMÉTRIQUES IMBS3 - ISCID-CO, site de Dunkerque, 2015/2016 Mathématiques appliquées à la gestion - TESTS PARAMÉTRIQUES ET NON PARAMÉTRIQUES Fiche de Mathématiques 2 - Notions générales sur les tests. 1 Notions générales

Plus en détail

Eléments de probabilités

Eléments de probabilités .. Eléments de probabilités Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michael.genin@univ-lille2.fr Plan. 1 Introduction. 2 Expérience aléatoire.

Plus en détail

Estimation. Intervalle de confiance d une espérance d une loi de Gauss On se place dans le cas où X suit une loi N(m, σ) avec σ connu et m inconnu.

Estimation. Intervalle de confiance d une espérance d une loi de Gauss On se place dans le cas où X suit une loi N(m, σ) avec σ connu et m inconnu. Filière E Denis Pasquignon Résumé du cours :. l échantillonnage Estimation On appelle échantillon aléatoire de taille n la donnée de n variables aléatoires X,..., X n définies sur un espace probabilisé

Plus en détail

Chapitre 6 : Tests d hypothèses

Chapitre 6 : Tests d hypothèses U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Chapitre 6 : Tests d hypothèses Les statistiques peuvent être une aide à la décision permettant de choisir entre deux hypothèses. Par exemple,

Plus en détail

Chapitre 8 : Intervalles de confiance et tests

Chapitre 8 : Intervalles de confiance et tests Probabilités Elémentaires Licence Chapitre 8 : Intervalles de confiance et tests Dans le chapitre précédent, nous avons vu comment estimer les paramètres d une loi de probabilité à partir d un échantillon.

Plus en détail

TABLE DES MATIÈRES. Introduction CHAPITRE I STATISTIQUE DESCRIPTIVE

TABLE DES MATIÈRES. Introduction CHAPITRE I STATISTIQUE DESCRIPTIVE TABLE DES MATIÈRES Introduction... 21 CHAPITRE I STATISTIQUE DESCRIPTIVE I L observation statistique...2 I.1 Concepts de base... 2 I.2 L élaboration de tableaux statistiques... 29 I.21 Étude d un seul

Plus en détail

CHAÎNES DE MARKOV. Master MIMSE Bordeaux

CHAÎNES DE MARKOV. Master MIMSE Bordeaux CHAÎNES DE MARKOV MICHEL BONNEFONT Master MIMSE Bordeaux Dans tout ce cours on se placera sur un espace d états E fini ou dénombrable. Dans ce chapitre, on va s intéresser à l étude de phénomènes aléatoires

Plus en détail

Chapitre 9: Introduction aux tests statistiques

Chapitre 9: Introduction aux tests statistiques Chapitre 9: Introduction aux tests statistiques 1. Approche 2. Formalisme général d un test statistique 3. P-value 4. Intervalle de confiance 5. Test bilatéral et test unilatéral 1 1. Approche Procédé

Plus en détail

Estimation et intervalle de confiance

Estimation et intervalle de confiance Estimation et intervalle de confiance S. Robin robin@agroparistech.fr AgroParisTech, dépt. MMIP 8 octobre 2007 A lire : Chapitre 3 Estimation de paramètre du livre Statistique Inférentielle, Daudin, R.,

Plus en détail

2 Expérience aléatoire, probabilité, probabilité conditionnelle

2 Expérience aléatoire, probabilité, probabilité conditionnelle Leçon n o 2 Expérience aléatoire, probabilité, probabilité conditionnelle 9 Niveau Lycée Prérequis théorie des ensembles Références [7], [8] 2.1 Expérience aléatoire, événements 2.1.1 Expérience aléatoire

Plus en détail

R-Commander : Notions du chapitre 3. Estimation et tests d hypothèses : problèmes à un échantillon. 1) Présentation du jeu de données 2

R-Commander : Notions du chapitre 3. Estimation et tests d hypothèses : problèmes à un échantillon. 1) Présentation du jeu de données 2 R-Commander : Notions du chapitre 3 Estimation et tests d hypothèses : problèmes à un échantillon 1) Présentation du jeu de données ) Estimation et test sur une moyenne μ..3 a) Test bilatéral et intervalle

Plus en détail

CAPES session 2015 Épreuve 2. Problème n o 1

CAPES session 2015 Épreuve 2. Problème n o 1 CAPES session 2015 Épreuve 2 Problème n o 1 A. P. M. E. P. Problème n o 1 Notations On note N l ensemble des entiers naturels, N l ensemble des entiers naturels non nuls et Z l ensemble des entiers relatifs.

Plus en détail

TES/TL spé maths Eléments de correction du Bac Blanc n 1 Jeudi 18 décembre 2014

TES/TL spé maths Eléments de correction du Bac Blanc n 1 Jeudi 18 décembre 2014 TES/TL spé maths Eléments de correction du Bac Blanc n Jeudi 8 décembre 4 Calculatrice autorisée - Aucun document n'est autorisé. Exercice. (5 points) Le barème est noté sur points. Partie : Fonctions

Plus en détail

Université de Picardie Jules Verne UFR des Sciences. Licence mention Mathématiques - Semestre 3 Statistique. Tests non paramétriques

Université de Picardie Jules Verne UFR des Sciences. Licence mention Mathématiques - Semestre 3 Statistique. Tests non paramétriques S3 Maths 013-014 Statistique Tests non paramétriques Université de Picardie Jules Verne 013-014 UFR des Sciences Licence mention Mathématiques - Semestre 3 Statistique Tests non paramétriques Dans une

Plus en détail

Chapitre 10 : Échantillonnage. Simulation

Chapitre 10 : Échantillonnage. Simulation Chapitre 10 : Échantillonnage. Simulation I Fluctuation d échantillonnage Définition Un échantillon de taille n est la liste de n résultats obtenus en répétant n fois de façon indépendante une même expérience.

Plus en détail