Académique Documents
Professionnel Documents
Culture Documents
STMG
I – Proportions
Illustration : On sait que dans un lycée, il y a 368 filles et 450 garçons. On voudrait connaître le
pourcentage d'élèves dans ce lycée qui sont des filles.
Définition : Une proportion (ou part) est le rapport du nombre d'éléments de la partie qui
nous intéresse par le nombre total d'éléments.
Exemple : Dans ce lycée, il y a donc 368+ 450=818 élèves. La proportion de filles parmi les
368
élèves est donc ≈0,45 . On peut donc dire que dans le lycée il y a environ 45 % de filles – et
818
donc 55 % de garçons.
II – Taux d'évolution
a) Détermination d'un taux d'évolution
Illustration : On sait qu'un article, qui coutait 28 €, coute maintenant 35 €. On cherche à savoir
quel est son taux d'évolution, c'est-à-dire à quelle proportion (par rapport au prix de départ)
correspond l'augmentation.
7
Dans ce cas, l'article a augmenté de 35−28=7 €. On calcule la proportion : =0,25=25 %.
28
Le prix a augmenté de 25 %.
Définition : Une quantité évolue d'une valeur initiale y 1 à une valeur finale y 2 .
y 2− y 1
Le taux d'évolution t de y 1 à y 2 est t= .
y1
20
Exemple : Faire subir une évolution de taux t=−20 % , c'est donc multiplier par 1− =0,8 .
100
Propriété : Si une quantité subit une évolution de taux t ≠−1 , l'évolution réciproque de taux
1
t ' vérifie t '= −1 .
1+ t
Exemple : Si une quantité subit une augmentation de 25 %, le taux t ' de l'évolution réciproque est
1 1
t'= −1= −1=−0,2=−20 % .
1+ 0,25 1,25
Une diminution de 20 % compense une augmentation de 25 %.
I 2 y2 y2
Propriété : On a donc = donc I 2 =100× .
I 1 y1 y1
Exemple : Le taux de natalité en France pour 1 000 habitants était de 18,70 en 1960 et de 12,83 en
2010. On choisit comme indice de base 100 le taux de natalité pour 1 000 habitants en 1960.
12,83
L'indice en 2010 est donc 100× ≈68,6 .
18,70
V – Évolutions successives
Illustration : Une quantité peut subir plusieurs évolutions successives – par exemple une diminution
de 50 %, puis une augmentation de 30 %, puis une diminution de 10 %. À chaque étape, la nouvelle
quantité est égale à la quantité précédente multipliée par un coefficient multiplicatif de la forme
1+t où t est le taux d'évolution. On cherche le taux d'évolution global.
Si une quantité subit n évolutions de taux respectifs t 1 , t 2 , …, t n , la quantité a été multipliée par
(1+t 1)(1+t 2)…(1+t n) . Si T est le taux qui correspond à l'évolution globale, on a alors
1+T =(1+t 1)(1+t 2 )…(1+t n ) .
Remarque : Si T est le taux d'évolution global pour une quantité ayant subi n évolutions
successives, et si t M est son taux d'évolution moyen, on a alors (1+t M )n=1+T .
Remarques :
• Si n=2 , on retrouve la définition de la racine carrée.
1
• À la calculatrice ou au tableur, on utilise « ^ ». Par exemple 5 4 se tape « 5^(1/4) ».
1
On peut vérifier que 5 4 ≈1,495 .
Remarque : Si T est le taux d'évolution global pour une quantité ayant subi n évolutions
successives, et si t M est son taux d'évolution moyen, on a alors (1+t M )n=1+T , donc
1
1+t M =(1+T ) n .
Propriété : Si une quantité subit n évolutions dont le taux global est T , alors le taux moyen
1
t M vérifie t M =(1+ T ) n −1 .
Exemple : Une quantité augmente deux fois de 20 % puis diminue une fois de 30 %.
Le taux global T vérifie donc T = 1+ ( 20
100 )(
1+
20
100 )(1−
30
100 )
−1=0,008=0,8 % .
L'effectif total est N=1+2+1+3+5+ 6+7+ 4+1+2+ 2=34 (c'est le dernier effectif cumulé
croissant).
• Le mode est la valeur la plus fréquente, donc 6 ans (car 7 personnes ont 6 ans)
• La moyenne est
0×1+1×2+ 2×1+3×3+4×5+5×6+6×7+ 7×4+8×1+9×2+10×2
x= ≈5,26 ans.
34
• La médiane est la valeur qui sépare la série statistique en deux parties de même effectif. Ici,
il y a 34 valeurs, donc la médiane est la moyenne de la 17ème et la 18ème valeur. Grâce aux
effectifs cumulés croissants, la 17ème valeur est 5 ans, la 18ème valeur est 5 ans. La médiane
5+5
est Me= =5 ans.
2
• Les quartiles : Le premier quartile Q1 est la plus petite valeur telle qu'au moins un
quart de l'effectif soit inférieur ou égal à Q1 . Le troisième quartile Q3 est la plus petite
valeur telle qu'au moins les trois quarts de l'effectif soient inférieurs ou égaux à Q3 .
N 34
Ici, = =8,5 , donc Q 1 est la 9ème valeur : Q1=4 ans.
4 4
3 N 3×34
= =25,5 , donc Q 3 est la 26ème valeur : Q3=7 ans.
4 4
• L'écart-type : Cette valeur permet de savoir si les valeurs sont dispersées ou non. Elle
est donnée par la calculatrice. Ici, σ≈2,39 ans.
Ici, on a donc comme diagramme en boîte pour notre série statistiques d'âges :
a) Nuage de points
Exemple : Le tableau ci-dessous présente les données de 1996 à 2006 du nombre de personnes
vivant avec le VIH au Sénégal.
Année 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Rang de l'année x i 0 1 2 3 4 5 6 7 8 9 10
Estimation du nombre 9 11 13 16 20 24 29 35 41 49 57
de personnes vivant
avec le VIH (en
milliers) y i
Source : UNAIDS (Joint United Nations program on HIV/AIDS)
Le nuage de points est donc constitué des points de coordonnées (0 ; 9), (1 ; 11), (2 ; 13), …,
(10,57).
Définition : Le point moyen G d'un nuage de points est le point dont l'abscisse est la
moyenne des abscisses, et l'ordonnée la moyenne des ordonnées.
x1 + x 2+…+ xn y + y +…+ y n
Ses coordonnées ( x ; y ) vérifient donc x= et y = 1 2 .
n n
Principe : Lorsque les points du nuage semble à-peu-près alignés, on peut chercher l'équation
d'une droite passant « au-plus-près » des points...
On a tracé une droite arbitraire qui semble passer près des points :
Les longueurs l 0 , l 1 , …, l 10 correspondent aux distances entre les points et leurs projections
verticales sur la droite.
Définition : On considère un nuage de n points. Pour une droite donnée, on s'intéresse aux
distances verticales l 1 , …, l n .
La droite de régression par la méthode des moindres carrés pour un nuage de n points est la
droite pour laquelle la quantité l 12+l 22 +l 23 +…+ l 2n est la plus petite possible.
L'équation de cette droite nous sera donnée par la calculatrice, en utilisant la régression
linéaire du menu statistiques : la droite ayant une équation du type y =a x+ b , la calculatrice
nous fournira les coefficients a et b .
Exemple : La calculatrice nous donne comme équation pour la droite de régression par la méthode
des moindres carrés y=4,75 x + 3,86 (en arrondissant au centième).
Exemple : On considère la suite (un ) définie pour tout entier naturel n⩾3 par un=3 n 2 + 4 .
Le premier terme est donc u 3=3×3 2 + 4=31 – c'est le terme d'indice 3.
Le deuxième terme est donc u4 =3×4 2 + 4=52 – c'est le terme d'indice 4.
Pour n⩾3 , le terme d'indice n+1 est un+ 1=3(n+ 1) 2 +4=3(n2 + 2 n+ 1)+ 4=3 n2 + 6 n+7 .
II – Suites arithmétiques
a) Définition
Une suite (un ) est arithmétique si et seulement si, pour passer d'un terme au suivant, on
ajoute toujours la même constante r – c'est-à-dire, si pour tout n∈ℕ , un+ 1=u n+ r avec
r ∈ℝ . La constante r est la raison de la suite arithmétique.
Exemples :
• Considérons une suite u telle que u0 =3 ; u1=5 et u2 =8 . u1−u 0=2 et u2 −u1=3 donc
la suite n'est pas arithmétique vu que l'on n'ajoute pas la même quantité pour passer de u0
à u1 et de u1 à u2 .
• Soit u la suite définie pour tout n∈ℕ par un=5 n+6 .
Pour tout n∈ℕ , un+ 1−un=5( n+1)+6−( 5 n+6 )=5 n+5 +6−5 n−6=5 donc u est
arithmétique de raison 5.
Remarque : Plus généralement, si u est arithmétique de raison r , pour tous entiers n et p avec
p⩽n , on a un=u p+(n− p)r .
c) Sens de variation
Une suite (un ) est géométrique si et seulement si, pour passer d'un terme au suivant, on
multiplie toujours par la même constante q – c'est-à-dire, si pour tout n∈ℕ , un+ 1=u n×q
avec q ∈ℝ . La constante q est la raison de la suite géométrique.
Exemples :
u1 1 u 1
• Considérons une suite u telle que u0 =6 ; u1=3 et u2 =1 . = et 2 = donc la
u0 2 u1 3
suite n'est pas géométrique vu que l'on ne multiplie pas par la même quantité pour passer
de u0 à u1 et de u1 à u2 .
• Soit u la suite définie pour tout n∈ℕ par un=5×3 n .
u n+1 5×3n+ 1 3n+ 1
Pour tout n∈ℕ , = = n =3 donc u est géométrique de raison 3.
un 5×3 n 3
b) Terme général
Remarque : Plus généralement, si u est géométrique de raison q , pour tous entiers n et p avec
p⩽n , on a un=u p×q n− p .
a) Placement de Madeleine
7
Le placement est à intérêts simples, donc le montant des intérêts annuels est de 4 000× =280 €,
100
c'est-à-dire, que chaque année, le capital augmente de 280 €.
Soit un le capital au bout de n années de placement. On a donc un+ 1=un +280 , donc (un ) est
arithmétique de raison 280 et de premier terme u0=4 000 .
Le terme général est donc un=u 0+ 280 n=4 000+280 n .
b) Placement d'Élise
Le placement est à intérêts composés, donc chaque année le capital augmente de 5 %, c'est-à-dire
5
que le capital est multiplié par 1+ =1,05 .
100
Soit v n le capital au bout de n années de placement. On a donc v n +1=1,05 v n , donc (v n ) est
géométrique de raison 1,05 et de premier terme v 0 =4 000 .
Le terme général est donc v n =v 0×1,05 n=4 000×1,05 n .
On veut savoir à leur majorité quel sera le placement le plus intéressant. Pour ceci, on calcule u18
et v 18 :
• u18=4 000+280×18=9 040
• v 18=4000×1,05 18≈9 626,48
Le placement d'Élise est plus intéressant.
I – Évènements et probabilités
On considère une expérience aléatoire, par exemple le lancé d'un dé équilibré.
a) Définitions
• La probabilité d'un évènement est la somme des probabilités des issues qui le composent ;
1 1 1 3 1
Ici, P( A)= + + = = .
6 6 6 6 2
• Lorsque toutes les issues de Ω ont la même probabilité, on dit que l'on est dans une
situation d'équiprobabilité.
d) Formules
• P(Ω)=1 et P(∅)=0 .
• Pour tout évènement A , 0⩽P (A )⩽1 .
• Dans une situation d'équiprobabilité, pour tout évènement A ,
nombre d'issues de A
P( A)= .
nombre total d'issues de Ω
• P( A)=1−P ( A ) .
• P( A∪B)=P (A )+ P (B)−P ( A∩B) .
• A∪B=A∩B et A∩B=A∪B .
II – Probabilité conditionnelle
Illustration : Lors d'une vente promotionnelle dans une boutique, une étude sur 200 clients montre
que 120 clients achètent un pull et, parmi eux, 24 ont en plus acheté un pantalon.
De plus, parmi les 80 clients qui n'achètent pas de pull, 40 achètent un pantalon.
On choisit au hasard un client.
Soient A l'évènement « Le client achète un pull » et B l'évènement « Le client achète un
pantalon ».
120
On a donc P( A)= =0,6 et P( A)=1−0,6=0,4 .
200
Les évènements A et A forment une partition de l'univers Ω , c'est-à-dire que toute issue
appartient soit à A , soit à A .
Une issue réalisant B réalise donc soit B∩ A , soit B∩ A .
On a donc P( B)=P ( B∩ A)+P ( B∩ A ) .
Théorème : Les fonctions suivantes définies sur ℝ ont pour dérivées sur ℝ :
f ( x)= f '(x)=
k ( f est une fonction constante) 0
x 1
x 2
2x
x3 3 x2
xn ( n est un entier naturel) n xn−1
Exemples :
• Si f (x)=5 , alors f ' ( x)=0 .
• Si f ( x)=x 8 , alors f ' (x)=8 x 8 −1 =8 x 7 .
• Si f (x)=x 15 , alors f ' ( x)=15 x15−1 =15 x 14 .
Exemples :
• Si f ( x)=5 x , alors f ' (x)=5×1=5 .
• Si f (x)=−3 x 5 , alors f ' (x)=−3×5 x 5−1=−15 x 4 .
Exemples :
• Si f ( x)=x + x 2 , alors f ' ( x)=1+ 2 x .
• Si f (x)=5 x 6 + 3 x 2−x + 5 , alors f ' (x)=5×6 x 6−1 + 3×2 x −1+0=30 x 5 +6 x−1 .
1
Théorème : La fonction inverse définie sur ]−∞ ; 0[∪] 0 ;+ ∞ [ par f ( x)= est dérivable sur
x
1
]−∞ ; 0[∪] 0 ;+ ∞ [ et sa dérivée est f '(x)=− .
x2
Exemple : Si f ( x)=
7
x
1 1
( ) 7
, comme f ( x)=7 × , alors f ' ( x)=7 × − 2 =− 2 .
x x x
f (x ) 7
−
3
( ) ( ) ( ) ( )
2
2 2 2 4 6 9 12 24 9 21 7
On a en effet f − =3× − + 4× − −1=3× + 4× − − = − − =− =− .
3 3 3 9 9 9 9 9 9 9 3
b) Loi binomiale
Exemple : On lance 15 fois de suite une pièce de monnaie truquée : la probabilité d'obtenir « Pile »
sur un lancé est 0,3.
Soit X , variable aléatoire égale au nombre de « Piles » obtenus ; on a donc X ∼B(15 ;0,3) .
On construit un diagramme représentant cette loi : en abscisse, ce sont les valeurs k de la
variable aléatoire X (avec 0⩽k ⩽15 ), et en ordonnée, les probabilités P( X =k ) .
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
On a donc E( X)=15×0,3=4,5 .
c) Utilisation de la calculatrice
Illustration : Soit X une variable aléatoire suivant une loi binomiale de paramètres n=100 et
p=0,3 .
On construit un diagramme représentant cette loi : en abscisse, ce sont les valeurs k de la
variable aléatoire X (avec 0⩽k ⩽100 ), et en ordonnée, les probabilités P( X =k ) .
• Rôle de l'écart-type σ :
Les 3 lois normales suivantes ont la même espérance :
Propriété : La courbe d'une loi normale est symétrique par rapport à la droite x=μ .
Propriété : Soit X suivant une loi normale. La probabilité P( a⩽ X⩽b) que la variable
aléatoire X appartienne à [ a ; b ] est égale à l'aire du domaine compris entre la courbe de la
loi normale, l'axe des abscisses et les droites d'équation x=a et x=b .
Propriétés :
• L'aire sous la courbe d'une loi normale a pour aire 1.
• Par symétrie de la courbe par rapport à la droite x=μ , on a P( X ⩾μ )=0,5 et
P( X ⩽μ )=0,5 .
• P( X ⩾a )=1−P ( X < a) et P( a⩽ X ⩽b)= P ( X⩽ b)−P ( X <a) .
d) Utilisation de la calculatrice
e) Intervalle de fluctuation
Propriété : Soit X une variable aléatoire suivant une loi normale de paramètres μ et σ .
Alors, P( μ−2 σ ⩽ X ⩽μ + 2 σ )≈ 0,95 . L'intervalle [μ −2 σ ;μ + 2σ ] est appelé « intervalle de
fluctuation au seuil 95 % ».
Cas 1 : la proportion p des boules rouges est Cas 2 : la proportion p des boules rouges est
connue inconnue
On tire au hasard avec remise n boules de On veut donc estimer la proportion p de boules
l'urne. On obtient donc une fréquence f de rouges dans l'urne. Comme il y en a beaucoup,
boules rouges sur cet échantillon. on ne peut pas toutes les compter.
On s'attend à ce que la fréquence f observée On tire donc au hasard avec remise n boules de
soit « proche » de p , fréquence théorique. l'urne. On obtient donc une fréquence f de
boules rouges sur cet échantillon. On s'attend à
On est ici dans le cadre d'un échantillonnage. ce que la fréquence p théorique soit « proche »
de f , fréquence observée.
Échantillonnage Estimation
On connait p , fréquence théorique d'un On connait f , fréquence observée d'un
caractère sur une population. caractère sur un échantillon de taille n d'une
On a un échantillon de taille n . population.
[
L'intervalle p−
1
√n
; p+
1
√n ] est appelé [
L'intervalle f −
1
√n
;f +
1
√n ]est appelé
intervalle de fluctuation au seuil 95 % de la intervalle de confiance au seuil 95 % de la
fréquence de ce caractère aléatoire de taille n proportion p de ce caractère aléatoire de la
issu de la population. population.
Conditions de validité :
n⩾30 , n p⩾5 et n(1−p)⩾5 .
Échantillonnage Estimation
La fréquence observée f sur un échantillon de Au moins 95 % des intervalles de confiance au
taille n appartient à l'intervalle de fluctuation seuil 95 % contiennent la fréquence théorique
au seuil 95 % dans 95 % des cas. p.
Exemples :
• On considère une pièce de monnaie équilibrée. La fréquence théorique (ou probabilité) de
l'issue « Pile » est p=0,5 .
Imaginons qu'on lance cette pièce 10000 fois ; on obtiendrait un échantillon de taille
n=10000 .
Comme n⩾30 , n p=5000⩾5 et n( 1− p)=5000⩾5 , on peut calculer l'intervalle de
fluctuation au seuil 95 % du caractère « Pile » :
[ p−
1
√n
; p+
1
√n][
= 0,5−
1
√10000
;0,5 +
1
√10000 ]
=[ 0,49 ; 0,51 ] .
[ f−
1
√n
;f +
][
1
√n
= 0,423−
1
√ 10000
; 0,423+
1
√10000 ]
=[0,413 ;0,433 ] .
Propriété : On considère une population dans laquelle on suppose que la proportion d'un caractère
est p . On observe sur un échantillon de taille n une fréquence f du caractère.
On veut tester l'hypothèse : « La proportion de ce caractère dans la population est p ».
Si I est l'intervalle de fluctuation au seuil 95 % (en respectant les conditions de validité), la règle
de décision est la suivante :
– Si f ∈I , on considère que l'hypothèse selon laquelle la proportion est p dans la population n'est
pas remise en question, et on l'accepte au seuil de confiance 95 %.
– Si f ∉I , on rejette l'hypothèse selon laquelle cette proportion est p au seuil de confiance
95 %.