Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
STATISTIQUE
ET
PROBABILITÉS
AU LYCÉE(séries ES, S, STI2D, STL)
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Contexte de travail
Des notions de statistique inférentielleintroduites pour la première fois dans les programmes du secondaire. Ces notions sont enseignées dans différents cursus de l'enseignement supérieur mais le point de vue adopté dans les programmes de lycée est différent.La compréhension de ces notions passent par une maîtrise des fondements de la théorie des probabilités.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Les nouveautés
Les lois normales sont introduites en terminales ES et S comme loi-limite d'une suite de variables aléatoires.Théorème de Moivre-Laplace (cas particulier du théorème limite central).Intervalle de fluctuation asymptotique de la fréquence d'échantillonnage.Intervalle de confiance d'une proportion et non d'une probabilité (attention aux confusion !!) àpartir de l'intervalle de fluctuation asymptotique.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
• statistique àdeux variables
• ajustement
• diagrammes en boîte
• histogrammes• diagramme en bâtons
• graphiques cartésiens
• variance• écart-type
• moyenne• effectifs et
fréquences cumulés
• effectif• fréquence • classe• médiane• quartiles
TerminalesPremièresSecondeCollège
Les programmes : Statistique
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
• approche de la loi des grands nombres
• lois uniformes• lois exponentielles• lois normales
• lois de Bernoulli• lois binomiales• lois
géométriques tronquées
• probabilitéconditionnelle
• indépendance• variables
aléatoires àdensité sur un intervalle
• variables aléatoires discrètes
• espérance• variance• écart-type
• probabilité sur un ensemble fini
• événement• P(A∪B)+P(A∩B)=P(A)+P(B)
• tableau croisé• arbre des
possibles
• notion de probabilité
TerminalesPremièresSecondeCollège
Les programmes : Probabilités
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
• intervalle de confianceestimation
échantillonnage
• prise de décision àpartir d'un intervalle de fluctuation asymptotique
• égalité de deux proportions
• prise de décision àpartir d'un intervalle de fluctuation binomiale
prise de décisionprise de décision
• intervalle de fluctuation asymptotique
• intervalle de fluctuation binomiale
• intervalle de fluctuation
TerminalesPremièresSeconde
Les programmes : Statistique inférentielle
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Quelques points délicatsdes programmes de terminales
•Introduction des lois continues à densité sur un intervalle
• lois uniformes• lois exponentielles• loi normale centrée réduite• lois normales
•Intervalle de fluctuation asymptotique•Estimation par intervalle de confiance•Prise de décision
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi à densité sur un intervalle
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi à densité sur un intervalle
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi uniforme
sur l'intervalle [a ; b]
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi uniforme sur [a ; b]
Les programmes de terminales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi uniforme sur [a ; b]
•Introduction•Densité•Espérance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi uniforme sur [a ; b]
IntroductionIntroduction de la loi uniforme sur [0 ; 1] à partir des fonctions "RANDOM" des calculatrices ou "ALEA" de logiciels (Fichier EXCEL 1-loi uniforme)
Questionnement sur la signification d'équiproba-bilité sur un intervalle.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi uniforme sur [a ; b]
•Introduction•Densité•Espérance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
DensitéUn variable aléatoire X prend ses valeurs dans l'intervalle I = [a ;b] et de telle sorte sorte que tous les nombres de I puissent être atteints de manière semblable.On ne peut raisonner en attribuant une même probabilité à chaque élément de I, on ne pourrait pas avoir 1 comme somme des probabilités élémentaires.
Loi uniforme sur [a ; b]
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
DensitéOn choisit une distribution de probabilité qui fasse en sorte que la probabilité que X prenne sa valeur dans l'intervalle J= [α ; β], inclus dans I, soit proportionnelle à l'amplitude de J.
Ainsi P(X ∈ J) = β − αb − a =
1b − a [t]β
α
P(X ∈ J) = 1
b − a ⌡⎮⎮⌠
α
β
dt =
⌡⎮⎮⌠
α
β
1
b − a dt
Loi uniforme sur [a ; b]
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
1 unité d'aire
Loi uniforme sur [a ; b]
Densité
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
1 unité d'aire
P(X ∈ J)
J
Loi uniforme sur [a ; b]
Densité
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Densité
La densité de la loi uniforme sur l'intervalle [a ; b]est la fonction f définie par :
f (x) = ⎩⎪⎨⎪⎧
1
b − a si x ∈ I 0 sinon
Loi uniforme sur [a ; b]
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi uniforme sur [a ; b]
•Introduction•Densité•Espérance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
EspéranceOn définit l'espérance d'une variable aléatoire X suivant la loi uniforme sur l'intervalle [a ; b] par :
E(X) = ⌡⎮⎮⌠
a
b
t f(t) dt =
⌡⎮⎮⌠
a
b
tb − a dt
Loi uniforme sur [a ; b]
E(X) = a + b
2 d'où
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi exponentielle
de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Les programmes de terminales
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Densité•Espérance•Radioactivité•Durée de fonctionnement d'un système sans vieillissement
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Densité
La densité de la loi exponentielle de paramètre λest la fonction f définie par :
f(x) = λ e– λ x sur ]0; + ∞[
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Densité
Loi exponentielle de paramètre λ
Loi exponentielle de paramètre 4
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Densité
Loi exponentielle de paramètre λ
Ainsi, pour une variable aléatoire X de loi exponentielle de paramètre λ et pour a et b réels positifs :
P(a ≤ X ≤ b) = ⌡⎮⎮⌠
a
b
f(t) dt =
⌡⎮⎮⌠
a
b
λ e– λ t dt
P(a ≤ X ≤ b) = ⎣⎢⎢⎡
⎦⎥⎥⎤
− e– λ t ba = e– λ a − e– λ b
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Densité•Espérance•Radioactivité•Durée de fonctionnement d'un système sans vieillissement
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
EspéranceOn définit l'espérance d'une variable aléatoire X suivant la loi exponentielle de paramètre λ par :
E(X) = limx → + ∞⌡
⎮⎮⌠
0
x
t f(t) dt = lim
x → + ∞⌡⎮⎮⌠
0
x
t λ e– λ t dt
E(X) = 1λ d'où
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
EspéranceLa formule E(X) = lim
x → + ∞⌡⎮⎮⌠
0
x
t f(t) dt
prolonge dans le cadre continu, l'espérance d'une variable discrète
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Densité•Espérance•Radioactivité•Durée de fonctionnement d'un système sans vieillissement
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
RadioactivitéVoir le document d'accompagnement des anciens programmes de terminale S sur ce thème (pp. 77-79).
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Densité•Espérance•Radioactivité•Durée de fonctionnement d'un système sans vieillissement
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Durée de fonctionnement d'un système sans vieillissement
Les lois exponentielles modélisent la durée de vie d'un matériel.
Loi exponentielle de paramètre λ
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi normale
centrée réduite
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi normale centrée réduite
Les programmes de terminales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi normale centrée réduite
•Introduction à partir de lois binomiales de même paramètre de probabilité
•Théorème de Moivre-Laplace•Densité•Valeurs particulières•Espérance•Variance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi normale centrée réduite
•Introduction à partir de lois binomiales de même paramètre de probabilité
•Théorème de Moivre-Laplace•Densité•Valeurs particulières•Espérance•Variance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Introduction à partir de lois binomiales de même paramètre de probabilité
Loi normale centrée réduite
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Introduction à partir de lois binomiales de même paramètre de probabilité
Loi normale centrée réduite
Fichiers GeoGebra
Les lois discrètes donnant lieu à des calculs de probabilités fastidieux lorsque le nombre de valeurs observées est important, on recherche une façon d'approcher une loi binomiale par une loi continue.On peut pour cela, rechercher des éléments de stabilité des lois binomiales de même paramètre p.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Introduction à partir de lois binomiales de même paramètre de probabilité
Loi normale centrée réduite
La représentation de la distribution binomiale et son évolution lorsque n augmente ne permet pas d'observer de stabilité. (Fichier GeoGebra 1-binomiale effectif.ggb)
Si on travaille sur la distribution des fréquences au lieu de celle des effectifs, des éléments de stabilitéapparaissent. (Fichier GeoGebra 2-binomiale frequence.ggb)
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Introduction à partir de lois binomiales de même paramètre de probabilité
Loi normale centrée réduite
On constate de même des éléments de stabilité si on travaille sur la distribution centrée et réduite de lois binomiales.(Fichier GeoGebra 3-binomiale reduite.ggb)
Le problème de la variation des hauteurs des bâtons est réglé en remplaçant les bâtons précédents par des rectangles adjacents d'aire totale 1, en vue de l'approche par une loi continue, cela revient à diviser la hauteur des bâtons du graphique précédent par l'écart en deux bâtons successifs (Fichier GeoGebra 4-binomiale rectangles.ggb)
Calculs de probabilités (Fichier GeoGebra 5-binomiale rectangles probabilite.ggb)
1
np (1 − p)
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi normale centrée réduite
•Introduction à partir de lois binomiales de même paramètre de probabilité
•Théorème de Moivre-Laplace•Densité•Valeurs particulières•Espérance•Variance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Théorème de Moivre-Laplace (terminale S - admis)Soit p un réel de ]0 ; 1[ et pour n ∈IN, Xn une variable aléatoire suivant la loi binomiale de paramètres n et p.Pour tout n ∈IN, on note Zn la variable centrée réduite associée à Xn.Pour tous réels a et b :
limn → + ∞
P(a ≤ Zn ≤ b) = ⌡⎮⌠
a
b
12π e
− x2
2 dx
Loi normale centrée réduite
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi normale centrée réduite
•Introduction à partir de lois binomiales de même paramètre de probabilité
•Théorème de Moivre-Laplace•Densité•Valeurs particulières•Espérance•Variance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
DensitéLa fonction f définie par :
f (x) = 12π e
− x2
2
Loi normale centrée réduite
est la densité de la loi normale centrée réduite.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Densité
Loi normale centrée réduite
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Densité
La densité de la loi normale centrée réduite est la
fonction f définie par : f (x) = 12π e
− x2
2
Loi normale centrée réduite
La fonction f n'a pas de primitives algébriques, pour déterminer des probabilités, on utilise :
• des tables,• les fonctions des calculatrices ou de logiciels.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi normale centrée réduite
•Introduction à partir de lois binomiales de même paramètre de probabilité
•Théorème de Moivre-Laplace•Densité•Valeurs particulières•Espérance•Variance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Valeurs particulièresX est une variable aléatoire suivant la loi normale centrée réduite.Pour tout réel de ]0 ; 1[, il existe un unique réel positif uα tel que :
P(− uα ≤ X ≤ uα) = 1 − α.
u0,05 ≈ 1,96
u0,01 ≈ 2,58
u0,1 ≈ 1,64
Loi normale centrée réduite
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi normale centrée réduite
•Introduction à partir de lois binomiales de même paramètre de probabilité
•Théorème de Moivre-Laplace•Densité•Valeurs particulières•Espérance•Variance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
EspéranceOn définit l'espérance d'une variable aléatoire X suivant la loi normale centrée réduite par :
E(X) = limx → − ∞⌡
⎮⎮⌠
x
0
t f(t) dt + lim
y → + ∞⌡⎮⎮⌠
0
y
t f(t) dt
Loi normale centrée réduite
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Espérance
E(X) = limx → − ∞⌡
⎮⎮⌠
x
0
t f(t) dt + lim
y → + ∞⌡⎮⎮⌠
0
y
t f(t) dt
E(X) = limx → − ∞⌡
⎮⌠
x
0
t2π
e− t2
2 dt + limy → + ∞⌡
⎮⌠
0
y
t2π
e− t2
2 dt
E(X) = limx → − ∞⎣
⎢⎡
⎦⎥⎤− 1
2π e− t2
2 0
x + lim
y → + ∞⎣⎢⎡
⎦⎥⎤− 1
2π e− t2
2 y
0
d’où E(X) = 0
Loi normale centrée réduite
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Loi normale centrée réduite
•Introduction à partir de lois binomiales de même paramètre de probabilité
•Théorème de Moivre-Laplace•Densité•Valeurs particulières•Espérance•Variance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Variance
On définit la variance d'une variable aléatoire X suivant la loi normale centrée réduite par :
V(X) = E[(X − E(X))2]
On admet que : V(X) = 1.
Loi normale centrée réduite
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Lois normales
Les programmes de terminales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Introduction à partir de la loi normale centrée réduite
•Introduction à partir d'une somme de variables aléatoires uniformes
•Espérance•Variance•Valeurs particulières•Exemples issues d'autres disciplines
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Introduction à partir de la loi normale centrée réduite
•Introduction à partir d'une somme de variables aléatoires uniformes
•Espérance•Variance•Valeurs particulières•Exemples issues d'autres disciplines
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Introduction à partir de la loi normale centrée réduite
μ est un réel et σ un réel strictement positif.Une variable aléatoire X suit la loi normale N (μ ; σ2) si (X− μ)/σ suit la loi normale centrée réduite N (0 ; 1).
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Introduction à partir de la loi normale centrée réduite
•Introduction à partir d'une somme de variables aléatoires uniformes
•Espérance•Variance•Valeurs particulières•Exemples issues d'autres disciplines
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Introduction à partir d'une somme de variables aléatoires uniformes
Les lois normales sont introduites à partir de l'observation, à l'aide d'un logiciel, du cumul des valeurs obtenues lors de la répétition d'une expérience aléatoire dont le résultat suit une loi uniforme.
Lois normales
(Fichier EXCEL somme-alea)
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Introduction à partir de la loi normale centrée réduite
•Introduction à partir d'une somme de variables aléatoires uniformes
•Espérance•Variance•Valeurs particulières•Exemples issues d'autres disciplines
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Espérance
Lois normales
Représentation des densité des lois normales d'espérances 3 ; 0 et - 4 et de variance 0,5.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Introduction à partir de la loi normale centrée réduite
•Introduction à partir d'une somme de variables aléatoires uniformes
•Espérance•Variance•Valeurs particulières•Exemples issues d'autres disciplines
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Variance
Lois normales
Représentation des densité des lois normales d'espérance 3 et de variances 1 ; 0,5 et 2.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Introduction à partir de la loi normale centrée réduite
•Introduction à partir d'une somme de variables aléatoires uniformes
•Espérance•Variance•Valeurs particulières•Exemples issues d'autres disciplines
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Valeurs particulièresX est une variable aléatoire suivant la loi normale N (μ ; σ2).
P(X ∈ [μ − σ ; μ + σ] ≈ 0,68 (à 10-2 près)
P(X ∈ [μ − 2σ ; μ + 2σ] ≈ 0,95 (à 10-2 près)
P(X ∈ [μ − 3σ ; μ + 3σ] ≈ 0,997 (à 10-3 près)
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Valeurs particulières
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
•Introduction à partir de la loi normale centrée réduite
•Introduction à partir d'une somme de variables aléatoires uniformes
•Espérance•Variance•Valeurs particulières•Exemples issues d'autres disciplines
Lois normales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation
Les programmes de terminales
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation
Un cadre théoriquePour α ∈ ]0 ; 1[, tout intervalle [a ; b] tel que
P(X ∈ [a ; b]) ≥ 1 - αpeut être considéré comme un intervalle de fluctuation de X au seuil 1 - α.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation
Un cadre théoriqueOn peut chercher l'intervalle de fluctuation de X :
•d'amplitude minimale,•d'amplitude minimale centré sur E(X),•d'amplitude minimale qui symétrise les probabilités que X soit extérieure à [a ; b]...
Ces différentes approches ne sont pas toujours faciles à mettre en oeuvre, surtout si la loi de Xest discrète. L'approximation de la loi de X par une loi continue permet de faciliter la démarche.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation
asymptotiques
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation asymptotiques
Z est une variable aléatoire suivant la loi normale N(0 ; 1). α est un réel de ]0 ; 1[, il existe un unique réel uα tel que
P(− uα ≤ Z ≤ uα) = 1 − α.
Xn est une variable aléatoire suivant la loi binomialeB (n ; p).
Zn = Xn − n pn p (1 − p)
) est la variable centrée, réduite associée
à Xn.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation asymptotiques
Le théorème de Moivre-Laplace permet de dire que
limn → + ∞
P(− uα ≤ Zn ≤ uα) = P(− uα ≤ Z ≤ uα)
soit limn → + ∞
P⎝⎜⎜⎛
⎠⎟⎟⎞
− uα ≤ Xn − n pn p (1 − p) ≤ uα = 1 − α
ce qui s'écrit encore limn → + ∞
P⎝⎜⎜⎛
⎠⎟⎟⎞Xn
n ∈ In = 1 − α
avec In = ⎣⎢⎢⎡
⎦⎥⎥⎤
p − uα p (1 − p)
n ., p + uα p (1 − p)
n
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation asymptotiques
ThéorèmeSi la variable aléatoire Xn suit la loi binomiale B (n ; p), alors, pour tout α dans ]0 ; 1[, on a :
limn → + ∞
P⎝⎜⎜⎛
⎠⎟⎟⎞Xn
n ∈ In = 1 − α
avec In = ⎣⎢⎢⎡
⎦⎥⎥⎤p − uα
p (1 − p)n ., p + uα
p (1 − p)n
et uα désigne l’unique réel tel que P(− uα ≤ Z ≤ uα) = 1 − α
où Z suit la loi normale N(0 ; 1).
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation asymptotiques
Xn
n appartient à In avec une probabilité d’autant plus
proche de 1 − α que n est grand : on dit que In est un
intervalle de fluctuation asymptotique de Xn
n au seuil
1 − α.
Définition
L’intervalle In est un intervalle de fluctuation
"approché" de Xn
n au seuil 1 − α.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation asymptotiques
Lien avec l'intervalle de fluctuation du programme de seconde
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalles de fluctuation asymptotiques
Lien avec l'intervalle de fluctuation du programme de seconde
• Pour α = 0,05, uα ≈ 1,96. • Pour tout p ∈ [0 ; 1], p (1 − p) = 0,25.
Ainsi, uα p (1 − p) est majoré par 2 × 0,5 = 1.
In = ⎣⎢⎢⎡
⎦⎥⎥⎤p − uα
p (1 − p)n ., p + uα
p (1 − p)n est inclus dans
et approché par ⎣⎢⎢⎡
⎦⎥⎥⎤p −
1n ., p +
1n .
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par
intervalle de confiance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
On constitue, avec remise, des échantillons de taille 40, dans une population. On considère une modalité d’un caractère qualitatif observée pour p =37 % des individus de la population.
Construction d'un abaque
Estimation par intervalle de confiance
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
On constitue, avec remise, des échantillons de taille 40, dans une population. On considère une modalité d’un caractère qualitatif observée pour p =37 % des individus de la population.L'intervalle de fluctuation asymptotique au seuil de 95%, relatif aux échantillons de taille 40, est [0,22 ; 0,52].
Estimation par intervalle de confiance
Construction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Représentation de l'intervalle de fluctuation asymptotique au seuil de 95%, relatif aux échantillons de taille 40 pour p =0,37.
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Représentation de l'intervalle de fluctuation asymptotique au seuil de 95%, relatif aux échantillons de taille 40 pour p =0,37 et p =0,40.
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confianceConstruction d'un abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
On souhaite estimer la proportion p (inconnue) d'individus présentant une propriété donnée dans une population statistique à partir d'un échantillon de taille 40 prélevé au hasard et sans remise.Supposons que la propriété est observée dans l'échantillon avec une fréquence de 60 %.On détermine ensuite les valeurs de p qui font en sorte que 0,6 appartienne à l'intervalle de fluctuation asymptotique de F au seuil de 0,95, relatif aux échantillons de taille 40.
Estimation par intervalle de confiance
Utilisation de l'abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Estimation par intervalle de confiance
Utilisation de l'abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Intervalle à 95 % de confiance de p
Estimation par intervalle de confiance
Utilisation de l'abaque
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Statistique inférentielle
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Comparaison de fréquences
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
ProblèmeOn souhaite comparer les proportions p1 et p2d'un même caractère, dans deux populations distinctes, à partir de l’observation des fréquences f1 et f2 observées sur un échantillon de chacune des deux populations. La question posée est de savoir si la différence f1 - f2 est significative.
Comparaison de fréquences
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Comparaison de fréquences
Première démarchePour i ∈ {1 ; 2}, Fi est la variable aléatoire qui prend pour valeur fi. F1 et F2 sont supposées indépendantes.
On pose F = n1 F1 + n2 F2
n1 + n2.
Si p1 = p2, la loi de Z = F1 − F2
⎝⎜⎛
⎠⎟⎞F1 (1 − F1)
n1 +
F2 (1 − F2)n2
est approchée
par la loi normale N(0 ; 1) si n1 et n2 sont supérieurs ou égaux à 30, n1 p1 et n2 p2 sont supérieurs à 5, n1 (1 − p1) et n2 (1 − p2) sont supérieurs à 5.
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Première démarcheAu seuil de 95 %, un intervalle de fluctuation de Z est [- 1,96 ; 1,96].On admet que la différence f1 - f2 est significative si la valeur observée de Z est hors de l'intervalle [- 1,96 ; 1,96], ce qui se traduit par :
Comparaison de fréquences
|f1 – f2| > 1,96 ⎝⎜⎛
⎠⎟⎞F1 (1 − F1)
n1 +
F2 (1 − F2)n2
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Seconde démarcheOn détermine des intervalles de confiance de p1et p2 respectivement. On admet que la différence f1 - f2 est significative si ces intervalles sont disjoints.
Comparaison de fréquences
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Seconde démarcheCela se traduit par :
Comparaison de fréquences
⎣⎢⎡
⎦⎥⎤
f1 − uα f 1 (1 − f1)
n ., f1 + uα f 1 (1 − f1)
n et
⎣⎢⎡
⎦⎥⎤
f2 − uα f 2 (1 − f2)
n ., f1 + uα f 2 (1 − f2)
n disjoints,
soit |f1 – f2| > 1,96 ⎝⎜⎛
⎠⎟⎞
⎝⎜⎛
⎠⎟⎞F1 (1 − F1)
n1 +
F2 (1 − F2)n2
Brigitte CHAPUT - Journée de la Régionale APMEP de Toulouse - 18 janvier 2012
Comparaison des deux démarchesLes conditions de différence significative sont :
• pour la première méthode
Comparaison de fréquences
|f1 – f2| > 1,96 ⎝⎜⎛
⎠⎟⎞
⎝⎜⎛
⎠⎟⎞F1 (1 − F1)
n1 +
F2 (1 − F2)n2
• pour la seconde méthode
|f1 – f2| > 1,96 ⎝⎜⎛
⎠⎟⎞F1 (1 − F1)
n1 +
F2 (1 − F2)n2
Comme
⎝⎜⎛
⎠⎟⎞
⎝⎜⎛
⎠⎟⎞F1 (1 − F1)
n1 +
F2 (1 − F2)n2
≥ ⎝⎜⎛
⎠⎟⎞F1 (1 − F1)
n1 +
F2 (1 − F2)n2
la seconde méthode est "plus sévère" que la première.