Académique Documents
Professionnel Documents
Culture Documents
R de Psychologie
Exemplaire étudiant
Le présent document est le support sur lequel seront basés tous les Travaux Dirigés
de Math en première année. Il contient tous les éléments théoriques abordés ainsi qu’une
grande quantité d’exercices à faire durant les TD.
Le programme de Mathématique de ce semestre suppose une parfaite maı̂trises de
concepts acquis au collège comme :
– Opérations sur les fractions (addition, soustraction, multiplication, division )
– Les équations du 1er degré (ex : trouver x tel que 3x − 4 = 43 x − 3).
– Les inéquations du premier degrés (ex : trouver les valeurs de x telles que 3x − 4 ≤
3
4
x − 3).
– Représentation graphique (dessiner un repère, placer des points, et tracer la courbe
représentative d’une fonction).
1
Chapitre 1
Ensembles
Exemples :
– a ∈ A où A est l’ensemble des lettres de l’alphabet (on dira que cet ensemble est
défini en compréhension)
– b ∈ B = {a, b, c} (on dira que cet ensemble est défini en extension)
– b∈/ C = {a, c} l0 élément b n’appartient pas à l’ensemble C
2
Exercice : montrer avec un contre-exemple que la réciproque
est fausse.
A∩B =∅
CB A = {x ∈ B|x ∈
/ A} = B − A
Si tous les ensembles sont des sous-ensembles d’un même ensemble Ω, alors on note
CΩ A : A
3
1.1.3 Raisonnement : ensembles et cardinaux
Attention ! Il ne faut pas confondre les ensembles et les cardinaux de ces ensemble
(qui sont des nombres). Ainsi les expressions suivantes sont impropres :
– card(A) ∪ card(B)
– (A ∪ B) − (A ∩ B)
Le passage d’un raisonnement sur les ensembles à un raisonnement sur les cardinaux
dans le cadre d’un exercice est souvent délicat.
A = {a, b, c, d, e} et B = {d, e, f, g}
1.2 Exercices
a) Trouver les éléments constituant l’ensemble D qui vérifie toutes ces propriétés
D⊂A
D∩B =∅
D ∩ C = {a, b}
b) Déterminer A ∪ B et A ∪ C
E ∪ A = E ∪ C = {a, b, c, d, e}
c) Trouver l’ensemble E tel que
E∪B =A∪B
4
Exercice 2 : A représente l’ensemble des personnes agées, B l’ensemble des personnes
enseignant à l’université, C l’ensemble des personnes dépressives
Qui sont les personnes composant les groupes X et Y tels que :
X =A∩B∩C
et
Y = A ∩ B ∪ (A ∩ B) ∩ B ∩ C
5
H Y
HH P
1 2 3 4 5 6
X HHH
1
2
3
4
5
6
P
2) Calculer
a) Card (E) , Card (F ) , Card (G) , Card (H)
b) Card (E ∩ F ) ; comment sont appelés les deux ensembles E et F ?
c) Trouver Card(F ∩ G) ainsi que Card(F ∪ G)
d) Trouver le nombre de cases correspondant à H ∩ F
3) Quelle est la fréquence de réalisation de l’évènement ”le résultat de A est pair”
et de l’évènement ”le résultat de B est impair ” ?
2) Trouver la proportion, parmi les non-déficients, de ceux qui ont n’ont pas passé
le test B.
Exercie 7 Six cents étudiants de première année passent un et un seul des trois tests
T1 , T2 , T3 .Le nombre d’étudiants passant T3 est trois fois plus important que le nombre
d’étudiants passant T1 et celui-ci est deux fois moindre que le nombre d’étudiants
passant T2 .Pour chaque passation d’un test, deux situations sont possibles ; soit un
succès, soit un échec.
On sait également que 225 étudiants vérifient l’une au moins des deux conditions
suivantes ”avoir échoué” et passer le test 1.
D’autre part il y a dans le test 2 trois fois plus de succès que d’échec.
Pour résoudre l’exercice, on pourra s’aider du tableau des fréquences(ou des cardi-
naux) suivant :
6
T est/Résultat Echec Succès
T1
T2
T3
7
Chapitre 2
Dénombrement
P
2.1 Le signe somme
2.1.1 Définition
Soit les quantités a1 , a2 , ...,an représentées par le terme générique ai , i = 1, ..., n. La
somme de ces quantités est notée de la manière suivante :
n
X
ai = a1 + a2 + ... + an
i=1
2.1.2 Propriétés
n
X n
X n
X
(ai + bi ) = ai + bi
i=1 i=1 i=1
n
X n
X
c · ai = c · ai
i=1 i=1
n
X
c=n·c
i=1
n
X n
X
(ai + c) = ai + n · c
i=1 i=1
n
X n
X n
X
(ai × bi ) 6= ai × bi
i=1 i=1 i=1
n X
X n n
X n
X
ai · b j = ai × bj
i=1 j=1 i=1 j=1
2.1.3 Exercices
Considérons la série d’observations (pour une observation on mesure deux variables x
et y) suivantes :
8
xi 2 -5 4 -8
yi -3 -8 10 6
4
X 4
X 4
X 4
X 4
X P4
Calculer les valeurs suivantes : xi , y4 , xi , x i × yi , x2i , i=1 yi2 ,
i=1 i=1 i=1 i=1 i=1
4
X 4
X 4
X 4
X
2
xi × yi , xi × yi , et (xi + yi )(xi − yi )
i=1 i=1 i=1 i=1
2.2 Dénombrement
Cette partie du cours est explicitement donnée pour être réutilisable dans le cours de
Statistique de deuxième année.
2.2.3 Exemple
On dispose des trois lettres A, B et C. On peut trouver 6 permutations sans répétition
de ces trois lettres (une lettre étant écrite, on ne la répétera plus par la suite) :
A, B, C
A, C, B
B, A, C
B, C, A
C, A, B
C, B, A
2.2.4 Calcul
Le nombre de permutations de p objets (p ∈ IN) est :
2.2.5 Exemple
Nombre d’anagrammes d’un mot ayant des lettres différentes
9
2.2.6 Exercice résolu
a) Trouver le nombre d’entiers naturels de 5 chiffres que l’on peut fabriquer à partir des
chiffres {1; 3; 5; 6; 9}
Réponse
Chaque entier en question est une permutation de 5 chiffres, le nombre d’entiers naturels
est donc 5! = 120.
A C B L6 L5 L4 L10 L8 L9 L7
Une disposition possible
Réponse
On peut permuter A, B, C de 3! = 6 façons différentes.
Pour chacune de ces permutations, on peut faire correspondre 7 ! permutations pour les
7 autres livres non privilégiés.
D’où le nombre N de dispositions remplissant les conditions de départ :
N = 3! ∗ 7! = 30240.0
2.2.9 Calcul
Le nombre d’arrangements sans répétition de p objets parmi n est :
2.2.10 Exemple
Nombre de tiercés en tenant compte de l’ordre
10
Le dénominateur est le nombre de tiercés possibles : il y a 22 choix pour la première
place, 21 choix pour la deuxième place, 20 choix pour la troisième position.
2.2.12.2 Exemple
Nombre de plaques minéralogiques.
Exemple : A A B 5 9
2.2.13.2 Remarque
On peut donner une interprétation simple de la combinaison sans répétition de p objets
parmi n : cest un sous-ensemble de p objets pris dans un ensemble de n objets
2.2.13.3 Calcul
Le nombre de combinaisons sans répétition de p objets parmi n est :
Ap
n n ∗ (n − 1) ∗ (n − 2) ......... ∗ (n − p + 1)
p
Cn = = n = (2.4)
p p! p!
11
2.2.13.4 Exemple
Nombre de tiercés sans tenir compte de l’ordre
2.3 Exercices
Exercice 1 Calculer
a) 5!; A25 ; C52 = 52 ; C20 = 20
5
5
4
C10 (104)
b) C52 + C53 − C63 = 52 + 53 − 63 ;
6 =
C10 (106)
Exercice 2 On appelle mot de n lettres une suite (ou liste ordonnée) de n lettres
différentes, IN∗ .
a) Trouver le nombre de mots de 5 lettres que l’on peut constituer à l’aide des
lettres prises dans l’ensemble {M, A, R, I, E}
b) Trouver le nombre de mots de 5 lettres que l’on peut constituer à l’aide des
lettres prises dans l’ensemble {M, A, R, I, E} , commençant et se terminant par une
consonne
c) Trouver le nombre de mots que l’on peut constituer à l’aide des lettres prises
dans l’ensemble {M, A, R, I, E}
12
(différentes de celles prises par les garçons), pour les filles (Présidente, Chargée de
l’animation, etc...), trouver alors le nombre de groupes que l’on peut constituer.
Exercie 5 Une classe de lycée procède a l’élection de ses deux délégués de classe.
Cinq candidats se présentent à l’électtion ; Justine, Louise, Farid, Paul et Kevin.
1. Ecrire tous les couples de délégués possibles.
2. Combien y’en a t-il ? Comment aurait-on pu calculer le nombre de possibilités
sans les écrire ?
3. Combien y a t-il de couples de délégués comprenant :
(a) aucun garçon
(b) un seul garçon
(c) deux garçons
4. Retrouver les trois résultats de la question précédente en faisant usage des
combinaisons.
5. Si on considère l’élection comme une épreuve aléatoire et que l’on fait l’hypothèse
chacune des dix issues possibles a la même chance de se réaliser, calculer les probabilités
que les trois évènements évoqués dans la question 3 se réalisent.
13
1.1 Indiquer le nombre de choix possibles.
1.2 Quelle est la probabilité que pour l’un quelconque de ses choix figure deux
pastilles rouges exactement (on notera A un tel évènement) ?
1.3 Quelle est la probabilité que pour l’un quelconque de ses choix, figure deux
pastilles bleues exactement (on notera B un tel évènement) ?
14
Chapitre 3
Introduction à la modélisation
3.1.1 Exemple
15
Question 2 : Ces modèles peuvent par exemple nous permettre de faire des
prédictions sur ce qu’il se passerait si on poursuivait l’expérience pour un 12ème essai.
D’après chacun de ces modèles qu’elle serait la performance du sujet au 12ème essai ?
16
3.2.1 Illustrations
Représenter les nuages de points pour ces trois exemples totalement fictifs :
Exemple 1
élève (i) 1 2 3
score au test de lecture xi 1 3 4
Moyenne générale oi ou yi 2 3 6
Exemple 2
élève (i) 1 2 3 4
score au test de lecture xi 1 2 5 11
Moyenne générale oi ou yi 12 8 5 4
Exemple 3.
élève (i) 1 2 3 4 5
score au test de lecture xi 3 4 6 8,5 9,5
Moyenne générale oi ou yi 1 4 5 4 1
Description du nuage.
1. Sens :
(a) l’association est-elle positive (les deux variables varient dans le même sens, càd,
plus le résultat au score de lecture est grand, plus la moyenne générale tend à
être élevée)
(b) ou est-elle négative (les deux variables varient en sens contraire, càd, plus le
résultat au score de lecture est grand,, moins la moyenne générale est élevée).
(c) Ou avec une alternance de croissance et décroissance, avec des minima ? avec
des maximas ?
2. Forme : est-elle linéaire ou curviligne ?
3. Autres.
17
– y a-t-il des évènements remarquables pour certaines valeurs de x (asymptote, maxima/minima,
etc...)
Lorsque l’on dispose de plusieurs modèles candidats, on peut préférer un modèle qui
présente le plus grand nombre des caractéristiques recherchées.
Remarque importante : Il est nécessaire de de comparer les modèles sur les deux
types de critères. Le critère quantitatif (”de combien se trompe le modèle” ) n’est à lui
seul pas suffisant. En effet on peut parfois trouver un modèle qui prédit correctement les
données observées mais qui présente des aberration dans son comportement qui le rendent
caduque pour le problème considéré.
VI : x 1 2 3
Valeurs observées yi 1 2 3
f1 : y = x 1 2 3
f 2 : y = 2x − 2 0 2 4
f 3 : y = 13 x2 − 13 x + 1 1 1.67 3
1. Visuellement ou intuitivement, classez les modèles par ordre de pertinence (celui qui
se trompe le moins en premier).
2. Proposez une formule que les chercheurs pourraient utiliser pour comparer les modèles.
Par exemple, pour chaque modèle, la formule permettrait de calculer de combien le
modèle se trompe. Sur la base des scores renvoyés par cette formule, les chercheurs
pourraient choisir le meilleur modèle (celui qui se trompe le moins).
18
Figure 3.1 – Données expérimentales (×) et modèles candidats f 1, f 2 et f 3.
3. Appliquez cette formule sur les 3 modèles candidats pour vérifier qu’elle confirme vos
impressions.
19
3.4 Fonctions classiques pour la modélisation
3.4.1 fonction affine
Une fonction affine f est une fonction définie sur IR à valeurs dans IR qui peut s’écrire
sous la forme
f (x) = y = ax + b
La représentation graphique de cette fonction est une droite dont le sens et la position
sont contrôlés par les paramètres a et b de la manière suivante :
a est la pente de la droite. La droite sera horizontale (parallèle à l’axe des abscisses)
pour a = 0, et tendra vers la verticale (parallèle à l’axe des ordonnées) lorsque la
valeur absolue de a tend vers +∞. Si a > 0 alors la fonction est croissante, elle sera
décroissante si a < 0.
b est l’ordonnée à l’origine (ou l’intercept) de la droite, c’est à dire la valeur de y pour
laquelle la droite coupe l’axe des ordonnées : si b = 0 alors la droite passe par
l’origine.
y f1 f2
f4
8
2
x
−10 −8 −6 −4 −2 0 2 4 6 8
−2
−4
−6
f3
−8
−10
20
3.4.2 Modèles à base d’exponentielle
Cette de classe de modèle est basée sur la fonction exponentielle
f (x) = exp x = ex
Ces modèles sont très utilisés dans de nombreuses disciplines scientifique comme la physique
(dynamique de la désintégration radioactive), biologie (ex : modélisation de l’élimination
d’un produit dans le sang, croissance tumorale), épidémiologie (dynamique des populations),
électronique (décharge d’un condensateur) et bien sur en psychologie (modélisation de
l’oubli en mémoire).
Les modèles à base d’exponentielle permettent de décrire des phénomène de croissance
ou de décroissance rapide.
La fonction exponentielle a de plus l’avantage de présenter une asymptote : lorsque x
devient très petit (tend ver −∞), exp x se rapproche de 0 sans jamais l’atteindre (cf. figure
3.4.2) . Cela permet de construire des modèles adaptés à des données expérimentales qui
présentent un plateau associé à une croissance ou une décroissance (voir le modèle f de
l’exemple page 15 ).
La forme la plus simple d’un modèle à base de la fonction exponentielle est :
f (x) = A exp(λx)
f (x) = A exp(λx) + B
21
λ<0 λ>0
A>0
A<0
Figure 3.2 – Forme générale des modèles exponentiels de la forme f (x) = A exp(λx) en
fonction du signe de A et de λ.
Remarque : si x0 et x00 sont les deux racines du polynome ax2 + bx + c (a 6= 0), alors
on peut écrire celui-ci sous la forme factorisée :
a(x − x0 )(x − x00 )
22
A<0
y=B
Figure 3.3 – Translation des modèles exponentiels avec le paramètre B (forme f (x) =
A × exp(λx) + B ). Ici, B = 2.
√ √
00 −b − ∆ −3 − 25
x = = = −4
2a 2×1
L’ensemble des solutions de l’équation est donc S = {−4; 1}.
23
5
0
-5 0 5
-5
f(x)=x²+x-3 (a>0)
g(x)=-2x²+3x+1 (a<0)
∆ < 0, pas de solutions pour f(x)=0 ∆ = 0, f(x)=0 a une solution unique x' ∆>0, f(x)=0 accepte deux solutions (x' et x").
f(x) est toujours du signe de a (positif) f(x) est du signe de a pour tout x différent de x' f(x) est du signe de a
Figure 3.5 – Trois configurations possible en fonction du signe de ∆. Ici, a est toujours
positif.
24
2. Des modèles linéaire, exponentiel et polynomial du second degré, lequel vous semble
le plus approprié.
(a) Dans le cas d’un modèle linéaire du type ax + b, indiquer le signe de la pente a
et une valeur à ±1 de l’ordonnée à l’origine b.
(b) Dans le cas d’un modèle exponentiel, indiquer une valeur possible d’asymptote
ainsi que la fonction sur laquelle se baserait ce modèle (ex , −ex , e−x , −e−x ).
(c) Dans le cas d’un modèle du second degré du type ax2 + bx + c, indiquer le signe
du coefficient du terme x2 (a) ainsi que la valeur à ±1 de l’ordonnée à l’origine (c).
2
9
1
8
7 −10−9 −8 −7 −6 −5 −4 −3 −2 −1 01 2
−1
6
−2
5
−3
4
−4
3
2 Nuage d
1
7
−1
−1 01 2 3 4 5 6 7 8 9 6
5
Nuage a 4
3
7
2
6
1
5
4 −2 −1
−1 01 2 3 4 5 6
3 −2
2
1 Nuage e
−1 0 1 2 3 4 5 6 7 8 9 10 11 12 8
−1
7
Nuage b 6
5
4 4
3 3
2 2
1 1
−1
−1 0 1 2 3 4 5 6 7 8 9 10 11 12 −1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
−2 −2
−3 −3
−4 −4
−5 −5
Nuage c Nuage f
25
Exercice 2 : Entrainement au calcul du RMSE
Pour chacun des 3 exemples ci-dessous (déjà décrits en début de chapitre) calculer le
RMSE des deux modèles proposés en suivant les étapes suivantes :
– Pour chacun des élèves calculer la prédiction ŷi de la moyenne par le modèle considéré
étant donné le score au test de mecture de chacun des élèves.
– Calculer pour chaque elève l’erreur de prédiction ei = yi − ŷi
– Finir le calcul du RMSE sur cette base.
Indiquez le modèle meilleur des deux modèle sur la base du seul RMSE (critère quantitatif
seulement).
Exemple 1
élève (i) 1 2 3
score au test de lecture xi 1 3 4
moyenne générale oi ou yi 2 3 6
Modèles proposés :
– f1 (x) = 32 x + 13
– f2 (x) = 17
14
x + 146
Exemple 2
élève (i) 1 2 3 4
score au test de lecture xi 1 2 5 11
moyenne générale oi ou yi 12 8 5 4
Modèles proposés :
– f1 (x) = 10.6e−0.1x
– f2 (x) = 8.2e−0.2x + 3
Exemple 3
élève (i) 1 2 3 4 5
score au test de lecture xi 3 4 6 8,5 9,5
moyenne générale oi ou yi 1 4 5 4 1
Modèles proposés :
– f1 (x) = −0.2x2 + 2.5x − 2.8
– f2 (x) = −0.41x2 + 5.11x − 10.43
Exercice 3
Une étude réalisée chez un dentiste a pour objectif d’évaluer l’anxiété des patients au
début de la consultation.
En effet, le dentiste a remarqué que l’anesthésique qu’il utilise pour les interventions,
devient peu efficace quand ce niveau d’anxiété dépasse un score de 7 (anxiété mesurée
par un test donnant un score entre 0 et 10). Un psychologue, sollicité par le dentiste
a voulu tester l’hypothèse selon laquelle le niveau d’anxiété d’un patient au début de
l’intervention dépendrait du temps passé en salle d’attente, dans laquelle, entre autre, le
bruit des différents outils pendant lequel le patient a pu entendre le bruit émis par la fraise.
Pour ce faire, il a mesuré au début de chaque intervention le niveau d’anxiété du patient et
l’a relié au temps que ce patient a passé en salle d’attente.
26
Les valeurs moyennes d’anxiété (yi ) en fonction du temps d’attente observé (xi , exprimé
en heures) sont données dans le tableau suivant :
3.5.1 Exercice 4
Des expérimentateurs désirent étudier les phénomènes d’apprentissage dans une tâche
répétitive. A cette fin, une tâche de précision de pointage (avec le doigt) de points affichés
sur un écran tactile a été accomplie 11 fois de suite (11 essais) par le participant. Le tableau
suivant donnent le numéro de l’essai et la performance exprimée en %.
Essai 1 2 3 4 5 6 7 8 9 10 11
Performance (en %) 22 55 60 75 77 80 87 85 99 87 88
1. Quelle est la V.I (x) et la V.D. (y) ?
2. Quel devrait être le sens de l’association s’il y a effectivement apprentissage, c’est à
dire, si le participant progresse ?
3. Représenter graphiquement le nuage de points et le décrire.
4. On désire modéliser la relation observée sur le nuage de points par une relation du
type : y = f (x)
(a) Quelle propriété doit vérifier f pour traduire le fait que pour 0 essai il n’y a pas
de performance ?
(b) Quelle propriété doit vérifier f pour que, pour un nombre d’essais positif ou nul,
la performance soit comprise en 0 et 100% ?
27
(c) Quelle propriété doit vérifier la fonction f pour traduire le fait que le participant
a progressé ?
(d) On remarque que la progression est rapide au début puis plafonne à 100% : à
quelle type de fonction pensez-vous ?
5. On propose les deux modèles suivants :
x
Modèle I : y = f (x) = 100 · (1 − e− 3 )
Modèle II : y = g(x) = 4, 5 · x + 17
Compléter le tableau suivant et tracer les deux courbes représentatives pour ces deux
modèles :
6. Etude qualitative des deux modèles : les modèles précédents vérifient-ils les conditions
énoncées à la question 4).
7. Etude quantitative des deux modèles : calculer les RMSE de ces deux modèles.
8. Quel modèle choisissez-vous ?
28