Classes préparatoires aux grandes écoles

Filière économique

Voie technologique
ECT

Programmes de mathématiques - informatique

2nde année

© Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 Mathématiques - informatique –ECT 2

http://www.enseignementsup-recherche.gouv.fr
Table des matières
1 Objectifs généraux de la formation 2

2 Compétences développées 2

3 Architecture des programmes 3

ENSEIGNEMENT DE MATHÉMATIQUES DU TROISIÈME SEMESTRE 4

I - Matrices 4

II - Compléments d’intégration : propriétés de l’intégrale 5

III - Compléments sur les sommes et séries numériques 5

1 - Compléments sur les sommes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 - Séries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

IV - Probabilités et statistiques 5
1 - Couples de variables aléatoires discrètes finies . . . . . . . . . . . . . . . . . . . . . . . . 5
2 - Variables aléatoires discrètes infinies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
a) Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
b) Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

ENSEIGNEMENT DE MATHÉMATIQUES DU QUATRIÈME SEMESTRE 7

I - Réduction des matrices carrées 7

II - Compléments d’analyse 8

III - Probabilités et statistiques 8

1 - Variables aléatoires à densité continue par morceaux . . . . . . . . . . . . . . . . . . . . 8
2 - Variables aléatoires à densité usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3 - Convergences et approximations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
a) Inégalité de Markov, inégalité de Bienaymé-Tchebychev. . . . . . . . . . . . . . . . 9
b) Suites de variables aléatoires discrètes finies . . . . . . . . . . . . . . . . . . . . . . 10
c) Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4 - Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
a) Estimation ponctuelle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
b) Estimation par intervalle de confiance. . . . . . . . . . . . . . . . . . . . . . . . . . 11

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 1

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
Enseignement annuel d’informatique et d’algorithmique 12

I - Éléments d’informatique et d’algorithmique 12

1 - Liste des savoir-faire et compétences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

II - Langage Python 13

III - Liste des thèmes 13

1 - Statistiques descriptives bivariées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 - Simulation de lois, application au calcul d’espérances . . . . . . . . . . . . . . . . . . . . 13
3 - Bases de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
a) Commandes exigibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
b) Commandes non exigibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4 - Théorème limite central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1 Objectifs généraux de la formation

Les mathématiques jouent un rôle important en sciences économiques et en gestion, notamment dans
les domaines de la finance ou de la gestion d’entreprise, de la finance de marché, des sciences sociales.
Les probabilités et la statistique interviennent dans tous les secteurs de l’économie et dans une grande
variété de contextes (actuariat, biologie, épidémiologie, finance quantitative, prévision économique, ...)
où la modélisation de phénomènes aléatoires à partir de bases de données est indispensable.
Les programmes définissent les objectifs de l’enseignement des classes préparatoires économiques et
commerciales et décrivent les connaissances et les capacités exigibles des étudiants. Ils précisent aussi
certains points de terminologie et certaines notations.
Les limites du programme sont clairement précisées. Elles doivent être respectées aussi bien dans le
cadre de l’enseignement en classe que dans l’évaluation.
L’objectif n’est pas de former des professionnels des mathématiques, mais des personnes capables
d’utiliser des outils mathématiques ou d’en comprendre l’usage dans diverses situations de leur parcours
académique et professionnel.
Une fonction fondamentale de l’enseignement des mathématiques dans ces classes est de structurer la
pensée des étudiants et de les former à la rigueur et à la logique en insistant sur les divers types de
raisonnement (par équivalence, implication, l’absurde, analyse-synthèse...).

2 Compétences développées
L’enseignement de mathématiques en classes préparatoires économiques et commerciales vise en par-
ticulier à développer chez les étudiants les compétences suivantes :
• Rechercher et mettre en œuvre des stratégies adéquates : savoir analyser un pro-
blème, émettre des conjectures notamment à partir d’exemples, choisir des concepts et des
outils mathématiques pertinents.
• Modéliser : savoir conceptualiser des situations concrètes (phénomènes aléatoires ou déter-
ministes) et les traduire en langage mathématique, élaborer des algorithmes.

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 2

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
 • Interpréter : être en mesure d’interpréter des résultats mathématiques dans des situations
concrètes, avoir un regard critique sur ces résultats.
• Raisonner et argumenter : savoir conduire une démonstration, confirmer ou infirmer des
conjectures.
• Maı̂triser le formalisme et les techniques mathématiques : savoir employer les symboles
mathématiques à bon escient, être capable de mener des calculs de manière pertinente et efficace.
Utiliser avec discernement l’outil informatique.
• Communiquer par écrit et oralement : comprendre les énoncés mathématiques, savoir
rédiger une solution rigoureuse, présenter une production mathématique.

3 Architecture des programmes

Le programme de mathématiques de deuxième année de la filière EC voie technologique se situe dans
le prolongement de celui de première année et permet d’en consolider les acquis. Son objectif est de
fournir aux étudiants le bagage nécessaire pour suivre les enseignements spécialisés d’économie et de
gestion dispensés en Grande Ecole ou dans une formation universitaire de troisième année de Licence.
Il s’organise autour de quatre points forts :
• En algèbre linéaire, le programme se concentre sur le calcul matriciel. Le principal objectif est
l’introduction de la notion de valeurs propres et de vecteurs propres et la diagonalisation des
matrices carrées de taille inférieure à 3. On évitera des exemples trop calculatoires.

• En analyse, les séries et les intégrales généralisées sont étudiées en vue de leurs applications aux
probabilités (variables aléatoires discrètes infinies et variables aléatoires à densité).

• En probabilités, l’étude des variables aléatoires discrètes, initiée au lycée et poursuivie en pre-
mière année de classe préparatoire, se prolonge au troisième semestre par l’étude des couples et
des suites de variables aléatoires discrètes ; au quatrième semestre, les notions sur les variables
aléatoires à densité, abordées dès la première année, sont complétées. L’objectif de cette partie
du programme est de permettre, en fin de formation, une approche plus rigoureuse et une com-
préhension plus aboutie des concepts d’estimation ponctuelle ou par intervalles de confiance
que les étudiants ont rencontrés dès le lycée.

• Les travaux pratiques de mathématiques et d’informatique sont organisés autour de la pour-

suite de l’étude des fonctionnalités du langage SQL et, avec Python, de la simulation de lois
de probabilités en continuité du programme de première année, et de thèmes de statistiques en
lien avec le programme de mathématiques, avec l’objectif d’éclairer ces notions par des illustra-
tions concrètes. Les savoir-faire et compétences que les étudiants doivent acquérir lors de ces
séances de travaux pratiques sont spécifiés dans la liste des exigibles et rappelés en préambule
de chaque thème. Les nouvelles notions mathématiques introduites dans certains thèmes ne font
pas partie des exigibles du programme. L’enseignement de ces travaux pratiques se déroulera
sur les créneaux horaires dédiés à l’informatique.

Le programme de mathématiques est organisé en deux semestres de volume sensiblement équivalent.

Ce découpage en deux semestres d’enseignement doit être respecté. En revanche, au sein de chaque se-
mestre, aucun ordre particulier n’est imposé et chaque professeur conduit en toute liberté l’organisation
de son enseignement, bien que la présentation par blocs soit fortement déconseillée.
Le programme se présente de la manière suivante : dans la colonne de gauche figurent les contenus
exigibles des étudiants ; la colonne de droite comporte des précisions sur ces contenus ou des exemples

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 3

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
d’activités ou d’applications.
Les développements formels ou trop théoriques doivent être évités. Ils ne correspondent pas au cœur
de formation de ces classes préparatoires.
Les résultats mentionnés dans le programme seront admis ou démontrés selon les choix didactiques
faits par le professeur. Pour certains résultats, marqués comme admis , la présentation d’une dé-
monstration en classe est déconseillée.
Les séances de travaux dirigés permettent de privilégier la prise en main, puis la mise en œuvre par
les étudiants, des techniques usuelles et bien délimitées, inscrites dans le corps du programme. Cette
maı̂trise s’acquiert notamment par l’étude de problèmes que les étudiants doivent in fine être capables
de résoudre par eux-mêmes.
Le symbole I indique les parties du programme pouvant être traitées en liaison avec l’informatique.
Le langage Python comporte de nombreuses fonctionnalités permettant d’illustrer simplement cer-
taines notions mathématiques. Ainsi, on utilisera dès que possible l’outil informatique en cours de
mathématiques pour visualiser et illustrer les notions étudiées. Dans certaines situations, en continuité
avec les programmes de lycée, l’utilisation d’un tableur peut s’avérer adaptée.
Les étudiants ont déjà une pratique algorithmique acquise au lycée. Dans leurs études futures, ils
seront amenés à utiliser différents logiciels conçus pour la résolution de problématiques liées à certains
contextes. Une pratique régulière d’outils informatiques les prépare utilement en ce sens. Par ailleurs,
l’utilisation d’un outil informatique (programme informatique ou tableur) permet l’observation de
résultats mathématiques en situation, l’exploration et la modélisation de situations non triviales plus
réalistes et offre la possibilité d’expérimenter et de conjecturer.

ENSEIGNEMENT DE MATHÉMATIQUES DU TROISIÈME SEMESTRE

I - Matrices
Le programme exclut toute notion de structure. On ne traite que le cas des matrices réelles.

Matrices carrées d’ordre n. Ensemble Mn (R).

Matrices triangulaires, matrices diagonales, ma-
trice identité.
Matrices inversibles.
Critère d’inversibilité d’une matrice triangu- Résultat admis.
laire. ✓ ◆
a b
Critère d’inversibilité d’une matrice carrée A= est inversible si et seulement si
c d
d’ordre 2.
ad bc 6= 0. Formule de l’inverse dans ce cas.
La notation det(A) pourra être utilisée, mais
elle sera limitée au cas des matrices carrées
d’ordre 2. La notion de déterminant est hors-
programme.
Exemples de calcul des puissances n-ièmes
d’une matrice. Cas d’une matrice diagonale.
Formule du binôme pour les matrices qui com- On se limitera à des exemples simples, par
mutent. exemple lorsque l’une des matrices est nilpo-
tente.

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 4

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
Écriture matricielle d’un système d’équations li-
néaires.
Calcul de l’inverse d’une matrice par la méthode On se limitera à des matrices carrées d’ordre
du pivot de Gauss. inférieur ou égal à 3.
Calcul de l’inverse de la matrice A par la réso-
lution du système AX = Y .

II - Compléments d’intégration : propriétés de l’intégrale

Ce chapitre sera l’occasion de revenir sur les calculs d’intégrales introduits au S2.
Linéarité de l’intégrale.
Intégration par parties. Si u, v, u0 et v 0 sont des fonctions continues sur
[a, b], alors :
Rb 0 b
Rb 0
a u (t)v(t)dt = [u(t)v(t)]a a u(t)v (t)dt.
Positivité de l’intégrale. Comparaison d’inté-
grales.

III - Compléments sur les sommes et séries numériques

1 - Compléments sur les sommes

Ce chapitre sera l’occasion de revenir sur les calculs de sommes traités en première année I .
Somme télescopique.
Décalage d’indice. On se limitera, sur des exemples simples, à des
décalages d’indice de type k 0 = k + 1.

2 - Séries

Les séries sont introduites exclusivement pour leurs applications au calcul des probabilités. Aucune
difficulté ne sera soulevée.

Définition. Convergence d’une série. Somme

d’une série convergente.
Condition nécessaire de convergence. Le terme général d’une série convergente tend
vers 0.
X
Série géométrique. Convergence et somme. La série xn converge si et seulement si
+1
X 1
| x | < 1 , et dans ce cas : xn = .
1 x
n=0
Les dérivées des séries géométriques ne font pas
partie des attendus du programme.

IV - Probabilités et statistiques
Tout excès de technicité est exclu.

1 - Couples de variables aléatoires discrètes finies

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 5

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
Loi de probabilité d’un couple de variables aléa- La loi de probabilité d’un couple de va-
toires. riables aléatoires discrètes est caractérisée par
Lois marginales, lois conditionnelles. la donnée de X(Ω), Y (Ω) et pour tout
(x, y) 2 X(Ω) ⇥ Y (Ω), P ([X = x] \ [Y = y]).
Indépendance de deux variables aléatoires. X et Y sont indépendantes si, pour tous inter-
valles réels I et J, les événements [X 2 I] et
[Y 2 J] sont indépendants.
On remarquera que si l’une des variables aléa-
toires X, Y est constante, X et Y sont indépen-
dantes.
Espérance d’une somme de deux variables aléa- Résultat admis.
toires, linéarité de l’espérance.
X
Espérance d’un produit de deux variables aléa- E(XY ) = xyP ([X = x] \ [Y = y]).
toires. (x,y)2X(Ω)⇥Y (Ω)
Résultat admis.
Cas de deux variables aléatoires X et Y indé- E(XY ) = E(X)E(Y ). Résultat admis.
pendantes. La réciproque est fausse.
Covariance. Propriétés. Notation Cov(X, Y ).
Linéarité à droite, à gauche. Symétrie.
Si a 2 R, Cov(X, a) = 0.
Cov(X, X) = V (X).

Formule de Kœnig-Huygens. Cov(X, Y ) = E(XY ) E(X)E(Y ).

Si X et Y sont indépendantes, leur covariance
est nulle, la réciproque étant fausse.
Variance d’une somme de deux variables
aléatoires.

Coefficient de corrélation linéaire. Notation ⇢(X, Y ).

Cov (X, Y)
Si (X) (Y ) 6= 0, ⇢ (X, Y ) = .
(X) (Y )
Propriétés. |⇢(X, Y )| 6 1. Interprétation dans le cas où
⇢(X, Y ) = ±1.

2 - Variables aléatoires discrètes infinies

a) Généralités

On se limitera aux variables aléatoires positives dont l’image est indexée par N. Aucune difficulté
théorique ne sera soulevée au moment de l’extension des propriétés.
Notion d’espace probabilisé avec Ω non fini.
Extension des définitions et des propriétés des
variables aléatoires discrètes au cas où l’image
est un ensemble infini dénombrable : loi de pro-
babilité, fonction de répartition, espérance, va-
riance, écart-type.

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 6

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
b) Lois usuelles

Chacune des lois usuelles sera illustrée par un exemple concret d’une situation qu’elle modélise.
Loi géométrique. Notation X ,! G(p). La reconnaissance de la
loi géométrique comme loi du premier succès
est exigible.
Espérance et variance. Résultats admis.

Loi de Poisson. Notation X ,! P( ).

Espérance et variance. Résultats admis.

ENSEIGNEMENT DE MATHÉMATIQUES DU QUATRIÈME SEMESTRE

I - Réduction des matrices carrées

L’objectif est l’introduction de la notion de valeurs propres et de vecteurs propres d’une matrice.
La notion de polynôme minimal, la résolution générale des systèmes AX = X (avec paramètre
quelconque) et toute théorie sur la réduction sont hors programme.
Dans tout ce paragraphe, on évitera les méthodes trop calculatoires pour la recherche des éléments
propres d’une matrice. En particulier, la résolution de systèmes à paramètres est à proscrire. Dans la
pratique, on se limitera à des matrices carrées d’ordre inférieur ou égal à 3.

Polynôme d’une matrice. Polynôme annulateur. Sur des exemples, utilisation d’un polynôme
annulateur pour la détermination de l’inverse
d’une matrice carrée. Toutes les indications
devront être données aux candidats pour
l’obtention d’un polynôme annulateur.

On pourra vérifier que le polynôme

X2 (a + d) X + (ad bc) ✓ est un
◆ polynôme
a b
annulateur de la matrice .
c d

Matrices carrées diagonalisables. Une matrice carrée A est diagonalisable s’il

existe une matrice D, diagonale, et une matrice
carrée P , inversible, telles que D = P 1 AP .

Valeur propre, vecteur propre d’une matrice Avec les notations de la définition précédente,
carrée. on remarquera que la matrice P est construite à
partir de vecteurs propres de A et la matrice D
des valeurs propres correspondantes, mais leur
construction n’est pas exigible.
Si Q est un polynôme annulateur de A, toute Résultat admis.
valeur propre de A est racine de Q.

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 7

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
Recherche de valeurs propres. Pour ce faire, on utilisera un polynôme annula-
teur.
La recherche de vecteurs propres ne pourra être
demandée que dans le cas de valeurs propres de
multiplicité 1. Dans les autres cas, les vecteurs
propres devront être donnés.
Sur des exemples, diagonalisation d’une matrice
carrée d’ordre inférieur ou égal à 3.
Application au calcul des puissances de A. Sur des exemples, étude de suites linéaires ré-
currentes d’ordre 2 et de systèmes de suites ré-
currentes.
La méthode générale de résolution est hors-
programme.

II - Compléments d’analyse
Les notions introduites dans ce chapitre le sont exclusivement pour leurs applications au calcul des
probabilités. Aucune difficulté ne sera soulevée.
Le calcul des intégrales généralisées est effectué par des recherches de primitives sur des intervalles du
type [a, b], l’application de la relation de Chasles, et des passages à la limite en 1 et/ou +1.
Les intégrales généralisées en un point réel sont hors-programme.
Z +1 Z +1
Intégrale f (t)dt où f est une fonction L’intégrale f (t)dt converge si
a Z x a
continue sur [a, +1[. Convergence et définition.
lim f (t)dt existe et est finie, et dans
x!+1 a
Z +1 Z x
ce cas, f (t)dt = lim f (t)dt.
a x!+1 a
Z b
Intégrale f (t)dt où f est une fonction conti-
1
nue sur ] 1, b].
Z +1
Extension aux intégrales f (t)dt. Aucune difficulté théorique ne sera soulevée lors
1 du passage du calcul des intégrales des fonc-
tions continues à celui des intégrales des fonc-
tions continues sauf en un nombre fini de points.

III - Probabilités et statistiques

1 - Variables aléatoires à densité continue par morceaux

Ce paragraphe généralise l’étude de la loi uniforme effectuée en première année.

Le passage du cas discret au cas continu n’est pas explicité. On se limitera à des calculs de probabilités
du type P ([X 2 I]), où I est un intervalle de R.

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 8

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
Densité de probabilité. Une fonction f définie sur R est une densité de
probabilité si elle est positive, continue sur R
éventuellement
Z privé d’un nombre fini de points
+1
et telle que f (t) dt = 1.
1
On se limitera en pratique à des fonctions conti-
nues par morceaux, cette notion étant elle-
même hors-programme.
Variable aléatoire à densité. Une variable aléatoire X admet une densité si
sa fonction de Zrépartition FX peut s’écrire sous
x
la forme x 7! f (t) dt où f est une densité
1
de probabilité.
Sur des exemples, détermination d’une densité
de aX + b ou de X 2 .
Espérance, variance et écart-type. Aucune difficulté théorique ne sera soulevée.

2 - Variables aléatoires à densité usuelles

Chacune des lois usuelles sera illustrée par un exemple concret d’une situation qu’elle modélise.

Loi uniforme. Densité et fonction de répartition. Notation X ,! U[a, b].

Espérance et variance.
Loi exponentielle. Densité et fonction de répar- Notation X ,! E( ).
tition. Espérance et variance.
Loi normale (ou de Laplace-Gauss) de para- Densité.
mètres m et 2 , où > 0. Notation X ,! N (m, 2 ).

Espérance et variance. Résultats admis.

Loi normale centrée réduite. Densité.

X ,! N (m, 2 ) si et seulement si
X m
X⇤ = ,! N (0, 1).
On attend des étudiants qu’ils sachent uti-
liser la fonction de répartition Φ de la loi
normale centrée réduite. Pour tout réel x :
Φ( x) = 1 Φ(x).

3 - Convergences et approximations

a) Inégalité de Markov, inégalité de Bienaymé-Tchebychev.

On pourra démontrer ces inégalités dans le cas d’une variable aléatoire discrète ou à densité.

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 9

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
Inégalité de Markov. Si X est une variable aléatoire à valeurs posi-
tives et admettant une espérance,
E(X)
8a > 0, P ([X > a]) 6 .
a

Résultat non exigible. On pourra appliquer

cette inégalité à Y = |X|r , r 2 N⇤ .
Inégalité de Bienaymé-Tchebychev. Si X est une variable aléatoire admettant un
moment d’ordre 2,

V (X)
8" > 0, P ([| X E(X) |> "]) 6 .
"2
Résultat non exigible.

b) Suites de variables aléatoires discrètes finies

Indépendance mutuelle de n variables aléa- Les variables aléatoires X1 , . . . , Xn sont mu-

toires. tuellement indépendantes si, pour tout choix
de n intervalles réels I1 , . . . , In , les événements
[X1 2 I1 ], . . . , [Xn 2 In ] sont mutuellement in-
dépendants.
Indépendance mutuelle d’une suite de variables Les variables aléatoires de la suite (Xn )n2N∗
aléatoires. sont dites mutuellement indépendantes si,
pour tout entier n > 1, les variables aléatoires
X1 , . . . , Xn sont mutuellement indépendantes.

Espérance de la somme de n variables aléatoires.

Variance d’une somme finie de variables aléa- Application à la somme de n variables aléatoires
toires indépendantes. de Bernoulli indépendantes.

c) Loi faible des grands nombres

Loi faible des grands nombres. Soit (Xn )n2N∗ une suite de variables aléatoires
indépendantes admettant une même espérance
m et une même variance et soit pour tout
X1 + . . . + Xn
n 2 N⇤ , X n = .
n
Alors 8" > 0, lim P ([|X n m| > "]) = 0.
n!+1
Illustrations. I .

4 - Estimation

L’objectif de ce chapitre est, sans insister sur les aspects formels, de dégager la signification de la loi
des grands nombres (approche fréquentiste) et de mettre en place la problématique de l’estimation. On
introduit sur un exemple simple et concret (par exemple un sondage) cette problématique : on considère
un phénomène aléatoire, qu’on a abstrait par une variable aléatoire réelle X dans une famille de lois

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 10

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
dépendant d’un paramètre inconnu ✓ (sur l’exemple du sondage, une loi de Bernoulli). Le problème de
l’estimation consiste alors à déterminer une valeur approchée du paramètre ✓ à partir d’un échantillon
de données x1 , . . . , xn obtenues en observant n fois le phénomène.
On supposera que cet échantillon est la réalisation de n variables aléatoires X1 , . . . , Xn définies sur un
même espace probabilisable (Ω, A) muni d’une famille de probabilités (Pθ )θ2Θ . Les X1 , . . . , Xn seront
supposées Pθ -indépendantes et de même loi que X pour tout ✓. On pourra éventuellement introduire la
notion d’estimateur, mais ce n’est pas un attendu du programme. Dans les cas considérés, le paramètre
sera déterminé par la moyenne de la variable aléatoire. On s’appuie sur la loi faible des grands nombres
X1 + . . . + Xn
pour justifier l’utilisation de l’estimateur X n = pour estimer l’espérance commune des
n
variables aléatoires indépendantes Xi de même loi que X.

Echantillon.

a) Estimation ponctuelle.

X1 + . . . + Xn
La réalisation de X n = observée On donne les exemples de la loi de Bernoulli et
n
sur l’échantillon x1 , . . . , xn est l’estimation du de la loi de Poisson.
paramètre obtenue sur cet échantillon.

b) Estimation par intervalle de confiance.

La démarche consiste non plus à donner une estimation ponctuelle du paramètre ✓ mais à trouver un
intervalle aléatoire, appelé intervalle de con
fiance, qui le contienne avec une probabilité minimale donnée. Ce paragraphe a uniquement pour
but de préciser le vocabulaire employé. Les situations seront étudiées sous forme d’exercices dans des
séances d’exercices et de travaux pratiques, aucune connaissance autre que ce vocabulaire n’est exigible
sur les intervalles de confiance. On introduit l’intervalle de confiance obtenu à partir de l’inégalité de
Bienaymé-Tchebychev. On en explique la signification. On remarque que la précision augmente avec
la taille de l’échantillon. La démonstration n’est pas un attendu du programme.
Intervalle de confiance
 : La probabilité
q q que On se limitera au cas d’une variable de Ber-
l’intervalle V (X) V (X) noulli.
X̄n na , X̄n + na
Résultat non exigible.
contienne la moyenne E(X) est supérieure à En pratique, la variance V est inconnue, mais
1 a. on peut la majorer par 14 .
On particularise numériquement les intervalles
de confiance au seuil de confiance de 90 % et de
95 %.
Intervalle de confiance de la moyenne d’une loi On remarque que dans la pratique, l’écart-type
normale dont l’écart-type est connu. n’est pas connu, ce qui conduit à utiliser l’écart-
type de l’échantillon (écart-type empirique).

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 11

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
 Enseignement annuel d’informatique et d’algorithmique

I - Éléments d’informatique et d’algorithmique

En première année, les élèves ont consolidé les bases de manipulation du langage Python. L’objectif
de l’enseignement d’informatique de seconde année est de permettre aux étudiants de l’utiliser de
manière judicieuse et autonome pour illustrer ou modéliser des situations concrètes en mobilisant
leurs connaissances mathématiques.
Le programme d’informatique s’articule autour de quatre thèmes : statistiques descriptives bivariées,
études de suites et de fonctions, simulation de lois, estimation.
L’ordre dans lequel les thèmes sont abordés est libre, mais il est préférable de mener ces activités en
cohérence avec la progression du cours de mathématiques.
Les exemples traités dans un thème devront être tirés, autant que possible, de situations réelles (trai-
tement de données économiques, sociologiques, historiques, démographiques, en lien avec le monde
de l’entreprise ou de la finance, etc.), en faisant dès que possible un rapprochement avec les autres
disciplines.
Pour certains thèmes, il sera nécessaire d’introduire de nouvelles notions mathématiques ; celles-ci
seront introduites lors des séances d’informatique ; elles ne pourront en aucun cas être exigibles des
étudiants, et toutes les précisions nécessaires seront données lors de leur utilisation.
Le langage informatique retenu pour la programmation dans ce programme des classes économiques
et commerciales, option technologique, est Python.

Toute la richesse du langage Python ne peut pas être entièrement maı̂trisée par un étudiant, aussi
seules les fonctions et commandes exigibles du programme de première année sont exigibles, et leur
syntaxe précise doit être rappelée. D’autres fonctions, par commodité, pourront être utilisées en classe,
mais ceci ne pourra se faire qu’avec parcimonie. L’objectif principal de l’activité informatique reste
la mise en pratique de connaissances mathématiques. Ces commandes supplémentaires devront être
présentées en préambule et toutes les précisions nécessaires devront être données lors de leur utilisation
et leur interprétation. On favorisera à cette occasion l’autonomie et la prise d’initiatives des étudiants
grâce à l’utilisation de l’aide de Python, et à l’usage d’opérations de copier-coller qui permettent de
prendre en main rapidement des fonctions nouvelles et évitent d’avoir à connaı̂tre par cœur la syntaxe
de commandes complexes.
L’objectif de ces travaux pratiques n’est pas l’écriture de longs programmes mais l’assimilation de
savoir-faire et de compétences spécifiés dans la liste des exigibles et rappelés en préambule de chaque
thème.

1 - Liste des savoir-faire et compétences

C1 : Produire et interpréter des résumés numériques et graphiques d’une série statistique (simple,
double) ou d’une loi.
C2 : Modéliser et simuler des phénomènes (aléatoires ou déterministes) et les traduire en langage
mathématique.
C3 : Porter un regard critique sur les méthodes d’estimation et de simulation.
C4 Stocker, organiser et extraire des données structurées volumineuses.

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 12

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
II - Langage Python
Les commandes exigibles ont été listées dans le programme de première année.

III - Liste des thèmes

1 - Statistiques descriptives bivariées

(Durée indicative : 4 heures. Compétences développées : C1 et C3)

On s’appuiera sur les représentations graphiques pour montrer l’intérêt et les limites des indicateurs.
Série statistique à deux variables, nuage de On tracera le nuage de points et on pourra
points associé. effectuer des pré-transformations pour se
Point moyen (x̄, ȳ) du nuage. ramener au cas linéaire.

Covariance empirique, coefficient de corrélation Analyse de deux caractères quantitatifs :

empirique, droites de régression. covariance empirique, corrélation linéaire em-
pirique, ajustement affine par la méthode des
moindres carrés.
On différenciera les variables explicatives
des variables à expliquer et on soulignera la
distinction entre corrélation et causalité.
On pourra donner des exemples d’utilisation de
la droite de régression pour faire des prévisions
dans le cadre de problèmes concrets.
On pourra utiliser les commandes :
plt.scatter, np.polyfit, np.corrcoef
ou un tableur

2 - Simulation de lois, application au calcul d’espérances

(Durée indicative : 4 heures. Compétences développées : C1, C2, et C3)

Ces simulations de variables aléatoires seront introduites comme illustrations de problèmes concrets, et
permettront d’en vérifier la compréhension par les étudiants. Dans toutes les simulations effectuées, on
pourra comparer les échantillons obtenus avec les distributions théoriques, en utilisant des diagrammes
en bâtons et des histogrammes. On pourra aussi tracer la fonction de répartition empirique et la compa-
rer à la fonction de répartition théorique. On pourra utiliser les générateurs de nombres aléatoires selon
les lois uniformes, binomiales, géométriques, normales, de la bibliothèque numpy.random : rd.random,
rd.binomial, rd.randint, rd.geometric, rd.poisson, rd.exponential, rd.normal .
Simulation de la loi uniforme sur [0, 1] ; sur [a, b].
Simulation de phénomènes aléatoires à partir de
lois usuelles.
Méthodes de simulation d’une loi géométrique. Comparaison entre différentes méthodes : uti-
lisation d’une loi de Bernoulli et d’une boucle
while, utilisation du générateur rd.random.
Simulation de lois usuelles.

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 13

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année
3 - Bases de données

(Durée indicative : 4 heures. Compétences développées : C4)

Dans la continuité du programme de première année, on poursuit l’étude du langage SQL avec la
création de table et l’interrogation avancée via l’instruction JOIN. On introduira ces concepts à l’aide
d’exemples simples issus de contextes appropriés.

a) Commandes exigibles

”SELECT* FROM nom de table 1 IN- Réalisation d’une jointure. On pourra ajouter
NER JOIN nom de table 2”. une condition ” ONΦ” dans le cas où Φ est une
conjonction d’égalités.
Aucune autre notion de jointure n’est dans ce
programme.
”CREATE TABLE nom de table”. Création d’une table.

b) Commandes non exigibles

Les commandes non exigibles ont été listées dans le programme de première année.

4 - Théorème limite central

(Durée indicative : 4 heures. Compétences développées : C1, C2, et C3)

L’objectif est ici de dégager des conséquences importantes du théorème limite central qui n’est pas au
programme. On met en œuvre sur des exemples ce théorème, qu’on pourra énoncer sans formaliser
la notion de convergence. On souhaite dégager la pertinence de l’utilisation de la loi normale pour
modéliser les phénomènes résultant de nombreux phénomènes aléatoires indépendants et de l’intervalle
de confiance asymptotique dont on pourra mettre en valeur la précision.
Etude de la distribution des moyennes empi- On cherche à visualiser la convergence vers la
riques par simulation informatique de la loi de loi normale d’espérance µ et d’écart type . On
Y1 + . . . + Yn pourra produire un échantillon de taille N des
X= où Y1 , . . . , Yn sont des va-
n moyennes empiriques d’échantillons de taille n
riables aléatoires indépendantes suivant toutes
d’une variable aléatoire d’espérance µ et d’écart
une même loi discrète d’espérance µ et d’écart
type , et le représenter sous forme d’un histo-
type .
gramme. On observera l’effet de l’augmentation
de n sur la dispersion des moyennes.

Simulation informatique de la loi de On remarquera que la variable aléatoire centrée

Y1 + . . . + Yn réduite associée à X est une approximation de la
X= où Y1 , . . . , Yn sont des
n loi normale centrée réduite et on sensibilisera les
variables aléatoires indépendantes suivant
étudiants au théorème limite central, en testant
toutes la loi uniforme à densité sur [0, 1].
cette simulation avec d’autres lois.
Intervalle de confiance asymptotique. On compare l’intervalle de confiance obtenu
avec l’inégalité de Bienaymé-Tchebychev avec
l’intervalle de confiance asymptotique, qu’on
présentera en invoquant le théorème limite cen-
tral pour estimer le paramètre d’une loi de Ber-
noulli.

c Ministère de l’enseignement supérieur, de la recherche et de l’innovation, 2021 14

https://www.enseignementsup-recherche.gouv.fr/
Programme de mathématiques voie EC technologique, seconde année