Classe préparatoire ECT2

Programme de
mathématiques
Année scolaire 2023-2024
Programme de mathématiques Classe ECT2

Programme de mathématiques de la classe préparatoire ECT2

1 Préambule

1.1 Objectifs généraux de formation

Dans le monde de l’économie et de la gestion, le recours au formalisme, aux concepts et aux calculs
mathématiques est permanent ; l’usage des mathématiques dans la communication, l’information et comme
outils d’aide à la prévision et à la décision devient systématique ; leur rôle dans les domaines de la finance
ou de la gestion d’entreprise, de la finance de marché et des sciences sociales est capital.
L’enseignement des probabilités et statistiques fournit un modèle mathématique prenant en compte l’aspect
aléatoire d’un phénomène ; il permet de ce fait d’aborder des situations réelles où le hasard intervient. C’est
ainsi que cette branche des mathématiques intervient dans tous les secteurs de l’économie et dans une
grande variété de contextes (actuariat, biologie, épidémiologie, finance quantitative, prévision économique,
etc.) où la modélisation de phénomènes aléatoires à partir de bases de données est indispensable.
L’objectif principal du programme de mathématiques dans la filière Économique et Commerciale, option
Technologique, (ECT) est de fournir aux élèves les outils nécessaires à la compréhension des modèles
mathématiques employés en sciences économiques et en gestion. Ces outils sont présentés sur des exemples
illustrant leur intérêt.
Une fonction fondamentale de l’enseignement des mathématiques dans ces classes est de structurer la pensée
des élèves et de les former à la rigueur et à la logique en insistant sur les divers types de raisonnement
(par implication directe ou par équivalence, par contraposée, par l’absurde, par analyse-synthèse, par
récurrence, etc.). La démonstration mathématique nécessitant des calculs laborieux ou présentant des
difficultés techniques ou conceptuelles est écartée au profits d’exemples et d’illustrations graphiques ou
numériques par simulation informatique. Il ne s’agit donc ni d’un recueil de recettes utiles ni d’un cours
sur les fondements de mathématiques générales.
Pour réaliser ces objectifs, les élèves sont entraı̂nés à faire des raisonnements déductifs simples utilisant
un vocabulaire claire et précis, un formalisme mathématique correct et une rigueur dans la conduite des
raisonnements. Certes les futurs lauréats de la voie technologique ne feront pas des concepteurs d’outils
liés aux calculs économiques et de gestion mais ils devront être capables d’apporter un regard critique
sur les hypothèses sur les quels reposent ces outils, de comprendre les concepts qui entrent en jeu et de
communiquer avec des mathématiciens professionnels dans le cadre de leur futur métier.
Si les mathématiques sont un outil puissant de modélisation, que l’élève doit maı̂triser, elles sont parfois plus
contraignantes lorsqu’il s’agit d’en extraire des méthodes de résolution. L’évolution des techniques permet
désormais d’utiliser aussi l’approche numérique afin de faire porter prioritairement l’attention des élèves
sur l’interprétation et la discussion des résultats plutôt que sur une technique d’obtention. Cette approche
permet en outre une modélisation plus fine du monde réel, par exemple par la prise en compte d’effets
non linéaires ou l’étude de situations complexes hors de portée des techniques traditionnelles. C’est aussi
l’occasion pour l’élève d’exploiter les compétences acquises en informatique. C’est enfin l’opportunité de
mener avec les professeurs d’informatique, d’économie et de gestion d’éventuelles démarches collaboratives.
Le programme vise aussi le développement des capacités d’expression et de communication des élèves ; cela
suppose, à l’écrit, la capacité à comprendre les énoncés mathématiques, à mettre au point un raisonnement

1 MENPS
Programme de mathématiques Classe ECT2

et à rédiger une démonstration et, à l’oral, celle de présenter de manière claire et synthétique une démarche
ou une production mathématique. Les travaux individuels ou en équipe proposés aux élèves en dehors du
temps d’enseignement (devoirs libres, interrogations orales, comptes rendus de travaux dirigés ou d’inter-
rogations orales, etc.) contribuent de manière efficace à développer ces compétences. La communication
utilise des moyens diversifiés auxquels il convient de familiariser les élèves : cela concerne non seulement
le tableau, dont la maı̂trise est un élément essentiel, mais aussi les dispositifs de projection appropriés
(rétroprojecteur, vidéoprojecteur) et l’outil informatique.

1.2 Organisation du texte du programme

Hormis la partie relative à l’enseignement d’informatique et d’algorithmique qui s’étale sur toute l’année, le
programme de la classe de deuxième année ECT est présenté en deux parties, chacune d’elles correspondant
à une période. Chacune de ces parties définit un corpus de connaissances requises et de capacités attendues.
Le programme définit les objectifs de l’enseignement et décrit les connaissances et les capacités exigibles des
élèves ; il précise aussi certains points de terminologie, certaines notations ainsi que des limites à respecter.
À l’intérieur de chaque période, le programme est décliné en sections (numérotées 1, 2, . . .). Chaque section
comporte un bandeau et un texte présenté en deux colonnes : à gauche figurent les contenus du programme,
et à droite les commentaires et des précisions sur ces contenus ou des exemples d’activités ou d’applications.
— le bandeau définit les objectifs essentiels, délimite le cadre d’étude des notions qui lui sont relatives.
Il décrit parfois sommairement les notions qui y sont étudiées et indique les capacités attendues des
élèves ;
— les contenus fixent les connaissances exigibles des élèves, les résultats et les méthodes figurant au
programme, et qui sont donc exigibles des élèves ;
— les commentaires comportent des précisions sur ces contenus, des applications ou des exemples
d’activités ; ils donnent des informations sur les capacités attendues des élèves. Ils indiquent des
repères et proposent des notations. Ils précisent le sens ou les limites de certaines notions ; les énoncés
de certaines définitions ou de certains résultats sont parfois intégralement explicités, l’objectif étant
ici d’unifier les pratiques des enseignants.
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 démonstration
en classe est déconseillée.
La chronologie retenue dans la présentation des différentes sections de chaque période ne doit pas être
interprétée comme un modèle de progression. Cependant, la progression retenue par chaque professeur au
cours de chaque période doit respecter les objectifs de l’enseignement dispensé au cours de cette période.

1.3 Contenu du programme

Le programme de mathématiques de deuxième année ECT se situe dans le prolongement de celui de la

classe de première année ECT et permet d’en consolider les acquis. Son objectif est de fournir aux élèves le
bagage nécessaire pour suivre les enseignements spécialisés d’économie et de gestion dispensés en Grande
École ou dans une formation universitaire de troisième année de Licence.
Il définit un socle de connaissances et de capacités, conçu pour être accessible à tous les élèves, en organisant
de façon progressive leur introduction au cours de l’année. L’acquisition de ce socle par les élèves constitue
un objectif prioritaire pour le professeur.

2 MENPS
Programme de mathématiques Classe ECT2

Le programme contribue à l’approfondissement de la culture scientifique générale en donnant aux élèves

un accès à quelques domaines fondamentaux des mathématiques comme l’algèbre linéaire, dans son aspect
matriciel, les probabilités qui préparent entre autre à la compréhension et la prise en compte de l’aléatoire,
et enfin l’analyse où les élèves acquièrent des bases solides sur les notions de suite et de fonction. 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.
L’orientation du programme vers les sciences de l’économie et de la gestion s’organise autour des quatre
points forts suivants qui trouveront leur prolongement dans les études futures des éléves :
— 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 ou égal 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 en classe de première année, se
prolonge par l’étude des couples et des suites de variables aléatoires discrètes en première période ;
durant la deuxième période, les notions sur les variables aléatoires à densité (loi uniforme), 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 compréhension plus aboutie des concepts
d’estimation ponctuelle ou par intervalles de confiance.
— Les travaux pratiques de mathématiques et d’informatique sont organisés autour de la poursuite 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 thémes de statistiques en lien avec le programme
de mathématiques, avec l’objectif d’éclairer ces notions par des illustrations concrètes. Les savoir-
faire et compétences que les élèves 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 pendant les séances dédiés à l’informatique.
Il est important de mettre en valeur l’interaction entre les différentes parties du programme. Les pro-
babilités, par exemple, permettent d’utiliser certains résultats d’analyse (suites, séries, intégrales . . .) et
justifient l’introduction du vocabulaire ensembliste.
Le langage Python comporte de nombreuses fonctionnalités permettant d’illustrer simplement certaines
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, l’utilisation d’un tableur peut
s’avérer adaptée. Les parties du programme de mathématiques pouvant être traitées en liaison avec l’in-
formatique sont clairement indiquées dans la colonne de droite.
Dans leurs études futures, les élèves 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.

3 MENPS
Programme de mathématiques Classe ECT2

1.4 Organisation temporelle de la formation

Le programme de la classe de deuxième année ECT est présenté en deux parties de volume sensiblement
équivalent, chacune d’elles correspondant à une période. Le programme de la première période est étudié
complètement en premier lieu, lors des quatres premiers mois de l’année ; celui de la deuxième période est
ensuite abordé.
Ce découpage en deux périodes d’enseignement doit être respectée. En revanche, au sein de chaque période,
aucun ordre particulier n’est imposé et chaque professeur conduit, en toute liberté, l’organisation de son
enseignement en veillant à alterner, de préférence, des chapitres d’analyse, de probabilité et d’algèbre
linéaire.
La partie relative aux travaux pratiques de mathématiques avec Python doit être traitée progressivement au
fur et à mesure de l’avancement du programme. Le logiciel Python comporte de nombreuses fonctionnalités
permettant d’illustrer simplement certaines notions mathématiques. Ainsi, on utilisera dès que possible
l’outil informatique en cours de mathématiques pour visualiser et illustrer les notions étudiées.

1.5 Recommandatons pédagogiques

Ce programme propose divers types d’activités : les unes mettent en œuvre des techniques classiques et
bien délimitées qui doivent être maı̂trisées par les élèves, les autres visent à développer un savoir-faire ou à
illustrer une idée, et avec lesquelles les élèves doivent acquérir une certaine familiarité. Les travaux dirigés
sont le moment privilégié de la mise en œuvre de ces techniques classiques dont la maı̂trise s’acquiert
notamment grâce à des exercices et à des problèmes que les élèves doivent in fine être capables de résoudre
par eux-mêmes.
Les développements formels ou trop abstraits doivent être évités ; une place importante doit être faite
aux applications, exercices, problèmes, en relation chaque fois que cela est possible avec les enseignements
d’économie, de gestion et d’informatique. Il faut éviter autant les situations artificielles que les exercices
de pure virtuosité technique.
Les interactions entre les différentes parties du programme sont fortes et méritent d’être soulignées, de
même que les liens avec d’autres disciplines, permettant ainsi de mettre en évidence la spécificité et la
valeur de la démarche mathématique.
Le programme est présenté en deux grandes parties, mais son organisation n’est pas un plan de cours ;
il va de soi que cette présentation n’est qu’une commodité de rédaction et ne doit pas faire oublier les
interactions nombreuses et étroites entre les différents domaines des mathématiques.
Les sections qui composent le programme suivent un ordre thématique qui n’est d’ailleurs pas le seul pos-
sible. Cette organisation a pour objet de présenter les différentes notions du programme de mathématiques
et ne peut en aucun cas être considéré comme une progression de cours.
Chaque professeur adopte librement la progression qu’il juge adaptée au niveau de sa classe et conduit
l’organisation de son enseignement dans le respect de la cohérence de la formation globale. Il choisit
ses méthodes et ses problématiques en privilégiant la mise en activité 1 des élèves et en évitant tout
dogmatisme. En effet l’acquisition des connaissances et des capacités est d’autant plus efficace que les
1. “Tell me and I forget, teach me and I may remember, involve me and I learn.” Benjamin Franklin (≪ Dis-moi et
j’oublie, enseignes-moi et je peux me rappeler, impliques-moi et j’apprends. ≫)

4 MENPS
Programme de mathématiques Classe ECT2

élèves sont acteurs de leur formation. Le contexte d’enseignement retenu doit motiver les élèves, favoriser
l’acquisition des connaissances et permettre le développement de leurs compétences et capacités.
En contrepartie de cette liberté dans l’organisation de la progression, le respect des objectifs de forma-
tion et son étalement dans l’année, comme indiqués ci-dessus, reste une nécessité incontournable.

5 MENPS
Programme de mathématiques Classe ECT2

2 Première période

2.1 Matrices

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

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

Matrices carrées particulières : matrice identité, Caractérisation d’une matrice symétrique à
matrices triangulaires, diagonales, symétriques. l’aide de la transposée.

Matrices carrées inversibles, inverse d’une matrice.

Critère d’inversibilité d’une matrice triangulaire. Résultat
 admis.

a b
Critère d’inversibilité et expression de l’inverse A = est inversible si, et seulement si,
c d
éventuel d’une matrice d’ordre 2.
ad − bc ̸= 0 ; expression 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 pro-
gramme.
Exemples de calcul des puissances n-ièmes d’une
matrice. Cas d’une matrice diagonale.
Formule du binôme de Newton pour des matrices On se limitera à des exemples simples en petite
qui commutent. dimension ou lorsque l’une des matrices est nil-
potente.
Écriture matricielle d’un système d’équations
linéaires.
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 résolution
du système AX = Y .

2.2 Compléments d’intégration : propriétés de l’intégrale

Cette section sera l’occasion de revenir sur les calculs d’intégrales introduits en deuxième période de
première année.

Linéarité de l’intégrale.
Intégration par parties. Si u, v, u′ et v ′ sont des fonctions continues sur
le segment [a, b], alors
Z b b
Z b
u(t)v ′ (t) dt = u(t)v(t) a − u′ (t)v(t) dt.

a a

Positivité de l’intégrale. Comparaison d’intégrales.

6 MENPS
Programme de mathématiques Classe ECT2

2.3 Rappels sur les sommes finies de réels ; séries numériques

2.3.1 Rappels sur les sommes finies de réels

Cette section sera l’occasion de revenir sur les calculs de sommes finies de réels traités en première année.

Somme et produit d’une familleP

finie de réels. Les élèves doivent
Q savoir P employerQles nota-
Transformation de ni=1 aui et ni=1 (ui + vi ). tions ni=1 xi , ni=1 xi , i∈A xi et i∈A xi où
P P
A désigne un sous-ensemble fini de N.
Calculs de sommes portant sur les termes de suites Pour n ∈ N∗ et q ∈P R, expressions
Pn simplifiées des
n 2
Pn 3
arithmétiques ou géométriques. sommes
Pn usuelles : k=1 k, k=1 k , k=1 k et
q k.
k=0
Somme télescopique. Exemples simples de regroupements de termes.
Décalage d’indice. On se limitera, sur des exemples simples, à des
décalages d’indice de type k ′ = k + 1.

2.3.2 Séries numériques

Cette section sur les séries est étudiée notamment pour son intérêt dans l’étude des variables aléatoires
discrètes. Il est attendu qu’à l’issue de cette section, les élèves connaissent le critère de convergence d’une
série géomètrique et sachent en exprimerer la somme ainsi que la somme de la série exponentielle.
On y introduit aussi la notion de convergence absolue d’une série sans soulever aucune difficulté.
+∞
P
Série de terme général un . Sommes partielles. Conver- On note uk la somme de la série de terme
gence, divergence. Somme de la série et restes dans le k=0
général uk , lorsqu’elle converge.
cas de convegence.
Condition nécessaire de convergence. Le terme général d’une série convergente tend
vers 0. X
Série géométrique ; convergence et somme. Si x est réel, la série géométrique xn converge
n≥0
si, et seulement si, |x| < 1, et dans ce cas :
+∞
X 1
xn = .
1−x
n=0

Les séries dérivées des séries géométriques ne

font pas partie des attendus du programme.
X xn
Série exponentielle ; convergence et somme. Résultat admis : pour tout réel x, la série
n!
n≥0
+∞ n
X x
converge et = ex .
n!
n=0
Définition de la convergence absolue.
Toute série absolument convergente est convergente. Résultat admis.

7 MENPS
Programme de mathématiques Classe ECT2

2.4 Couples de variables aléatoires discrètes finies

Loi de probabilité d’un couple de variables aléatoires. La loi de probabilité d’un couple de variables
Lois marginales, lois conditionnelles. aléatoires discrètes est caractérisée par la donnée
de X(Ω), Y (Ω) et de P([X = x] ∩ [Y = y]), pour
tout couple (x, y) ∈ X(Ω) × Y (Ω).
Indépendance de deux variables aléatoires. X et Y sont indépendantes si, pour tous inter-
valles réels I et J, les événements [X ∈ I] et
[Y ∈ J] sont indépendants.
En particulier, si l’une des variables aléatoires
X, Y est constante, alors X et Y sont
indépendantes.
Espérance d’une somme de deux variables aléatoires. Linéarité de l’espérance.
Espérance d’un produit de deux variables aléatoires. Résultat admis.
X
E(XY ) = xyP([X = x]∩[Y = y]).
(x,y)∈X(Ω)×Y (Ω)

Cas de deux variables aléatoires indépendantes. Si les variables aléatoires X et Y sont

indépendantes, alors E(XY ) = E(X)E(Y ).
Réciproque fausse.
Covariance. Propriétés. Notation Cov(X, Y ).
Linéarité à droite, à gauche. Symétrie.
Pour tout a ∈ R, Cov(X, a) = 0.
Cov(X, X) = V (X).
Formule de Kœnig-Huygens. Cov(X, Y ) = E(XY ) − E(X)E(Y ).
En particulier, si X et Y sont indépendantes,
leur covariance est nulle ; la réciproque étant
fausse.
Variance de la somme de deux variables aléatoires.
Coefficient de corrélation linéaire de deux variables Notation ρ(X, Y ).
aléatoires. Cov(X, Y )
Si σ(X)σ(Y ) ̸= 0, alors ρ(X, Y ) = .
σ(X)σ(Y )
Propriétés du coefficient de corrélation linéaire. |ρ(X, Y )| ≤ 1.
Interprétation dans le cas où ρ(X, Y ) = ±1.

2.5 Variables aléatoires discrètes infinies

Le calcul des probabilités vu en première année est trop limité pour aborder les problèmes intéressants et
autoriser des variables aléatoires non bornées par exemple.
On introduit ici le cadre général du calcul des probabilités ; le vocabulaire usuel est proposé, partant de la
notion fondamentale d’espace probabilisé (Ω, A, P). Il ne s’agit pas d’étudier les problèmes théoriques sous-
jacents à cette axiomatisation mais seulement de pouvoir disposer d’un cadre simple permettant d’effectuer
les calculs et les raisonnements nécessaires lors de l’étude de phénomènes où le hasard intervient.
Les problèmes, les exemples, les sujets traités lors de travaux dirigés doivent tenir compte de cet objec-

8 MENPS
Programme de mathématiques Classe ECT2

tif de simplicité. L’utilisation de l’informatique est fortement recommandée pour illustrer les situations
probabilistes, pour simuler des variables aléatoires et expérimenter sur des problèmes réels correctement
modélisés.
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.

2.5.1 Probabilités sur un univers quelconque

Aucune difficulté théorique ne sera soulevée dans l’introduction des notions qui suivent.

Ensembles dénombrables : défintion et exemples. A est dénombrable s’il existe une bijection de N
sur A.
Tribu A d’événements sur un univers Ω. On ajoute à la notion rencontrée dans le cas
On fera remarquer aussi que choisir A = P(Ω) n’est fini la possibilité de réunir ou d’intersecter une
pas nécessairement une bonne solution. Ce choix aug- famille dénombrable d’événements. Cela est in-
mente les contraintes à vérifier pour l’existence de pro- dispensable pour de nombreuses raisons, par
babilités. exemple : pour considérer des situations où l’on
répète un jeu, sans fixer a priori un nombre
maximum de répétitions, pour envisager le com-
portement asymptotique de probabilités . . .

Système complet fini ou dénombrable d’événements. Famille finie ou dénombrable d’événements deux
à deux incompatibles et de réunion égale à Ω.
Tribu engendrée par un système complet fini ou Existence admise.
dénombrable d’événements.
Définition d’espace probabilisé (Ω, A, P). Une probabilité P est une application σ-additive
de A vers R+ qui vérifie P(Ω) = 1.
Propriété presque sûre. On parle aussi d’événement quasi-certain. L’ad-
jectif négligeable est utilisé pour le contraire
d’une propriété presque sûre, i.e. pour un
événement de probabilité 0.

Propriétés de limite monotone : si (Ak )k≥1 est une Conséquence immédiate :

suite d’événements croissante (resp décroissante) pour pour toute suite d’événements (Bk )k≥1 on a
l’inclusion alors P(∪+∞ +∞
k=1 Ak ) (resp P(∩k=1 )Ak ) est égale P(∩+∞ n
k=1 Bk ) = lim P(∩k=1 Bk ),
n→+∞
à lim P(Ak ). P(∪+∞ n
k→+∞ k=1 Bk ) = lim P(∪k=1 Bk ).
n→+∞
Formule des probabilités composées, formule des pro- Pour la formule des probabilités totales on
babilités totales. considère un système complet d’événements en
nombre fini ou dénombrable.

9 MENPS
Programme de mathématiques Classe ECT2

Indépendance d’une famille d’événements. Par Si la famille (Ai )i∈I d’événements est
définition une famille (Ai )i∈I d’événements est indépendante alors toute sous famille est
indépendante si, pour tout n ∈ NQ ∗ et i , . . . , i indépendante. En particulier les événements
1 n
éléments distincts de I, P(∩nj=1 Aij ) = nj=1 P(Aij ). sont indépendants deux à deux. Attention
l’indépendance deux à deux n’implique pas
l’indépendance de la famille.

2.5.2 Variables aléatoires réelles : généralités

Par définition une variable aléatoire réelle X est une Pour tout intervalle réel I, {ω ∈ Ω ; X(ω) ∈ I}
application de Ω vers R telle que, pour tout nombre appartient à la tribu A.
réel a, l’ensemble {ω ∈ Ω ; X(ω) ≤ a} appartient à la Notations : {X ≤ a}, {X ∈ I}, [X ≤ a], [X ∈ I].
tribu A.

Par définition la fonction de répartition de X est l’ap- FX dépend de X et de P, la probabilité

plication FX : x ∈ R 7−→ P({X ≤ x}). considérée sur (Ω, A).
Les trois propriétés essentielles d’une fonction de (1) FX est croissante et continue à droite sur R.
répartition. (2) lim FX = 0, lim FX = 1.
−∞ +∞
(3) P({X = a}) = FX (a) − lim FX (x),
x→a−
pour tout a élément de R.
Loi de probabilité PX de la variable aléatoire X. PX est définie par PX (I) = P({X ∈ I}), pour
tout intervalle I de R.
La fonction de répartition caractérise la loi d’une va- Résultat admis.
riable aléatoire réelle.

Les variables aléatoires X1 , . . . , Xn sont dites (mu- La propriété d’indépendance est équivalente à :
tuellement) indépendantes si, pour tout n-uplet pour tous I1 , . . . , In intervalles de R et pour tout
(a1 , . . . , an ) de réels et tout sous-ensemble J de [[1, n]], sous-ensemble J de [[1, n]],
Y Y
P(∩i∈J {Xi ≤ ai }) = P({Xi ≤ ai }). P(∩j∈J {Xj ∈ Ij }) = P({Xj ∈ Ij }).
i∈J j∈J

Noter que l’indépendance des Xj implique

l’indépendance deux à deux et que la réciproque
est fausse.

2.5.3 Variables aléatoires réelles discrètes

X est dite de loi discrète s’il existe S un sous-ensemble On peut supprimer les issues ω telles que X(ω) ∈
fini ou dénombrable de R tel que P({X ∈ S}) = 1. S, ces issues formant une partie négligeable de
Ω. Et éliminer aussi tout élément s de S tel
que P({X = s}) = 0. Alors X(Ω) est fini ou
dénombrable, car égal à S, et pour tout élément
s de S on a P({X = s}) > 0.

10 MENPS
Programme de mathématiques Classe ECT2

Si X est une variable aléatoire réelle discrète, la famille La tribu engendrée par ce système complet
({X = x})x∈X(Ω) est un système (fini ou dénombrable) d’événements est notée AX et appelée tribu en-
complet d’événements. gendrée par X.
Caractérisation de la loi de X discrète par la donnée X(Ω) est fini ou dénombrable et la somme des
des nombres P({X = x}), avec x ∈ X(Ω). nombres P({X = x}) vaut 1 (série convergente
de somme 1 dans le cas dénombrable).
Variable aléatoire obtenue par composition d’une va- Savoir déterminer la loi de Y = f ◦ X.
riable aléatoire réelle discrète X et d’une fonction f Notation usuelle : on écrit souvent f (X) à la
de la variable réelle définie sur un domaine contenant place de Y = f ◦ X.
X(Ω), Y = f ◦ X.

2.5.4 Espérance et variance d’une variable aléatoire discrète infinie

On se limite ici au cas de variable aléatoire discrète X pour laquelle l’ensemble S = X(Ω) est dénombrable,
indéxé par N et vérifie
∀s ∈ S, P({X = s}) > 0.

P admet que si I un ensemble en bijection avec N, I = {φ(n) ; n ∈ N}, avec P

On φ bijective et si la série
u
n φ(n) converge absolument alors, pour toute bijection ψ de N sur I, la série n uψ(n) converge abso-
lument et les deux séries ont même somme.
Espérance d’une variable aléatoire discrète infinie X : L’espérance de X ne dépend pas de l’indexation
on considère une bijection φ : N → X(Ω), et on écrit k 7→ xk choisie de X(Ω).
xk = φ(k) (notation indicielle). P On dit que X ad-
met une espérance quand la série k xk P({X = xk })
est absolument convergente ; auquel
P∞ cas on définit
l’espérance de X par : E(X) = k=0 xk P({X = xk }).

Propriétés de E : positivité, linéarité, croissance. Résultats admis.

Théorème de transfert
P : sous réserve d’absolue conver- Résultat admis.
gence, E(f (X)) = ∞ k=0 f (xk )P({X = xk }).
Cas d’une transformation affine. E(aX + b) = aE(X) + b.
Une variable aléatoire réelle d’espérance nulle est dite On note X̃ la variable centrée X − E(X).
centrée.
Variance d’une variable aléatoire discrète infinie X : La variance de X existe si, Pet 2seulement si, la
série (à termes positifs) k xk P({X = xk })
V(X) = E(X̃ 2 ) = E (X − E(X))2 .


converge.
sous réserve d’existence des espérances. p
On définit l’écart-type de X par σ(X) = V(X).

Formule de Kœnig-Hyugens. V(X) = E(X 2 ) − (E(X))2 .

Transformation affine. V(aX + b) = a2 V(X).

Une variable aléatoire d’espérance nulle et de variance Si X admet espérance et variance V(X) ̸= 0, la
1 est dite centrée réduite. variable X ∗ = X−E(X)
σ(X) est centrée réduite.

11 MENPS
Programme de mathématiques Classe ECT2

Moment d’ordre r, r entier naturel non nul. mr (X) = E(X r ) sous réserve d’existence.

2.5.5 Lois discrètes infinies usuelles

Loi géométrique de paramètre p, p ∈]0, 1[. P({X = k}) = p (1 − p)k−1 , pour k entier > 0.
Notation X ,→ G(p). Temps d’attente d’un premier succès lors d’une
suite indépendante d’épreuves à deux issues
(succès avec probabilité p vs échec).
Espérance, variance. Réesultats admis.
k
Loi de Poisson de paramètre λ, λ ∈]0, +∞[. P({X = k}) = λk! e−λ , pour tout k ∈ N.
Notation X ,→ P(λ). Modélisation d’un nombre d’arrivées (guichet).
Espérance, variance. Réesultats admis.

2.6 Statistiques bivariées

On s’appuiera sur les représentations graphiques pour montrer l’intérêt et les limites des indicateurs. Cette
section sera abordée, de préfŕence, en préambule du premier thème de travaux pratiques d’informatique
avec Python.

Analyse de deux caractères qualitatifs. Fréquences marginales, fréquences condition-

nelles.
Analyse de deux caractères quantitatifs Covariance empirique, corrélation linéaire em-
pirique, ajustement affine par la méthode des
moindres carrés, droites de régression.
Changements de variables permettant de se ra-
mener à un ajustement affine.

12 MENPS
Programme de mathématiques Classe ECT2

3 Seconde période

3.1 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 = λX et toute théorie sur la réduction sont
hors programme.
Dans toute cette section, 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 éviter. 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 annu-
lateur pour la détermination de l’inverse d’une ma-
trice carrée.
Toutes les indications devront être données aux
élèves pour l’obtention d’un polynôme annulateur.
Cas d’une matrice de M2 (R). Le polynôme X 2 − (a + d)X + (ad− bc) est un
a b
polynôme annulateur de la matrice .
c d
Matrices carrées diagonalisables. Une matrice carrée A est dite 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 carrée. Avec les notations de la définition précédente, on
remarquera que la matrice P est construite à partir
de vecteurs propres de A et la matrice D des va-
leurs propres correspondantes, mais leur construc-
tion n’est pas exigible.
Si Q est un polynôme annulateur de A, toute valeur Résultat admis.
propre de A est racine de Q.
Recherche de valeurs propres. On privilégiera l’usage d’un polynôme annulateur.
La recherche de vecteurs propres ne pourra être de-
mandée que dans le cas de valeurs propres de mul-
tiplicité 1. Dans les autres cas, les vecteurs propres
devront être donnés.
Sur des exemples, diagonalisation d’une matrice On se limitera au cas d’une matrice A pour laquelle
carrée d’ordre inférieur ou égal à 3. on dispose d’un polynôme annulateur de degré 3
Cas des matrices triangulaires. (respectivement 2) scindé sur R à racines simples,
ces dernières étant valeurs propres de A.
On remarquera alors que A est diagonalisable à par-
tir de l’égalité AP = P D où la matrice P est obte-
nue à partir des vecteurs propres.
Application au calcul des puissances d’une matrice Sur des exemples, étude de suites récurrentes
carrée. linéaires d’ordre 2 et de systèmes de suites
récurrentes.
La méthode générale de résolution est hors pro-
gramme.

13 MENPS
Programme de mathématiques Classe ECT2

3.2 Compléments d’analyse : Intégrales généralisées

Les intégrales généralisées sont introduites 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 −∞ et/ou +∞. Les intégrales généralisées en un point réel sont hors programme.

Extension de la notion d’intégrale aux fonctions Aucune difficulté théorique ne sera soulevée lors du
continues par morceaux sur un segment. passage du calcul des intégrales des fonctions conti-
nues à celui des intégrales des fonctions continues
sauf en un nombre fini de points.
Z +∞ Z +∞
Intégrale f (t) dt où f est une fonction conti- L’intégrale f (t) dt converge si
a Z x a
nue sur [a, +∞[ et a ∈ R. Convergence et définition.
lim f (t) dt existe et est finie, et dans ce
x→+∞ a
Z +∞ Z x
cas, f (t) dt = lim f (t) dt.
a x→+∞ a
Z b
Intégrale f (t) dt où f est une fonction continue Convergence et définition.
−∞
sur ] − ∞, b] et b ∈ R.
Z +∞
Extension aux intégrales f (t) dt où f est une Convergence et définition.
−∞
fonction continue sur R.
Critère de convergence des intégrales de fonctions Soit f une fonctionZ continue et positive sur
+∞
positives sur un intervalle de type [a, +∞[ (ou du
[a, +∞[ ; l’intégrale f (t) dt converge si, et
type ] − ∞, a]) avec a ∈ R. a Z x
seulement si, la fonction x 7−→ f (t) dt est ma-
a
jorée sur l’intervalle [a, +∞[.
Cas où f est continue et positive sur ] − ∞, a].

Extension de la notion d’intégrale généralisée aux Aucune difficulté théorique ne sera soulevée lors du
fonctions continues par morceaux sur R et ayant un passage du calcul des intégrales des fonctions conti-
nombre fini de points de discontinuités. nues à celui des intégrales des fonctions continues
sauf en un nombre fini de points.

3.3 Variables aléatoires à densité

3.3.1 Variables aléatoires à densité continue par morceaux

Ce paragraphe généralise l’étude de la loi uniforme effectuée en première année. On se limitera à des
calculs de probabilités du type P({X ∈ I}), où I est un intervalle de R.

14 MENPS
Programme de mathématiques Classe ECT2

Densité de probabilité. Une fonction réelle f définie sur R est une den-
sité de probabilité si elle est positive, continue par
morceaux avec, éventuellement, un nombre fini de
points de discontinuité et telle que
Z +∞
f (t) dt = 1.
−∞

Variable aléatoire à densité . Une variable aléatoire X admet une densité si sa

fonction de répartition FX est de la forme
Z x
x 7−→ f (t) dt,
−∞

où f est une densité de probabilité.

Sur des exemples, détermination d’une densité de
aX + b ou de X 2 en fonction de celle de X.
Espérance, variance et écart-type. Aucune difficulté théorique ne sera soulevée.

3.3.2 Variables aléatoires à densité usuelles

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

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

Espérance et variance.
Loi exponentielle. Densité et fonction de Notation X ,→ E(λ).
répartition. Espérance et variance.
Loi normale (ou de Laplace-Gauss) de pa- Notation X ,→ N (m, σ 2 ).
ramètres m et σ 2 , où σ > 0.
Espérance et variance. Résultats admis.
Loi normale centrée réduite. Densité.

X −m
X ,→ N (m, σ 2 ) ⇐⇒ X ∗ = ,→ N (0, 1).
σ
Il est attendu que les élèves sachent utiliser la fonc-
tion de répartition Φ de la loi normale centrée
réduite. Pour tout réel x, Φ(−x) = 1 − Φ(x).

3.4 Convergences et approximations

3.4.1 Inégalité de Markov, inégalité de Bienaymé-Tchebychev

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

15 MENPS
Programme de mathématiques Classe ECT2

Inégalité de Markov. Si X est une variable aléatoire positive admettant

une espérance, alors pour tout réel a > 0

E(X)
P({ X ≥ a}) ≤ .
a

Inégalité de Bienaymé-Tchebychev. Si X est une variable aléatoire admettant un mo-

ment d’ordre 2, alors

V (X)
∀ε > 0, P({|X − E(X)| ≥ ε}) ≤ .
ε2

3.4.2 Suites de variables aléatoires discrètes finies

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

dites mutuellement indépendantes si, pour
tout choix de n intervalles réels I1 , . . . , In les
événements {X1 ∈ I1 }, . . . , {Xn ∈ In } sont mu-
tuellement indépendants.
Indépendance mutuelle d’une suite de variables Les variables aléatoires de la suite (Xn )n∈N sont
aléatoires. dites mutuellement indépendantes si, pour tout
entier n ≥ 1, les variables aléatoires X0 , . . . , Xn
sont mutuellement indépendantes.
Espérance de la somme de n variables aléatoires.
Variance d’une somme finie de variables aléatoires Application à la somme de n variables aléatoires
indépendantes. de Bernoulli indépendantes.

3.4.3 Loi faible des grands nombres

Indépendance mutuelle d’une suite de variables Les variables aléatoires de la suite (Xn )n∈N sont
aléatoires (cas général). dites mutuellement indépendantes si, pour tout en-
tier n ≥ 1, les variables aléatoires X0 , . . . , Xn sont
mutuellement indépendantes.
n
∗ 1X
Loi faible des grands nombres pour une suite Soit pour tout n ∈ N , X n = Xk , la moyenne
n
(Xn )n∈N∗ de variables aléatoires mutuellement k=1
indépendantes admettant une même espérance m arithmétique des variables aléatoires X1 , . . . , Xn .
et une même variance. Alors

∀ε > 0, lim P({|X n − m| ≥ ε}) = 0.

n→+∞

Illustrations avec Python.

16 MENPS
Programme de mathématiques Classe ECT2

3.5 Estimation

L’objectif de cette section 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 problèmatique 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 de
probabilités dépendant d’un paramètre inconnu θ dont la valeur caractérise la loi (sur l’exemple du sondage,
une loi de Bernoulli) ; le problème de l’estimation consiste alors à déterminer une valeur approchée du
paramètre θ 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 (Pθ )θ∈Θ de probabilités. Les variables aléatoires
X1 , . . . , Xn seront supposées Pθ −indépendantes et de même loi que X pour tout θ ∈ Θ. On pourra
éventuellement introduire la notion d’estimateur, mais ce n’est pas un attendu du programme. Dans les
n
1X
cas considérés, le paramètre sera déterminé par la moyenne de la variable aléatoire X n = Xk . On
n
k=1
s’appuie sur la loi faible des grands nombres pour justifier l’utilisation de l’estimateur X n pour estimer
l’espérance commune des variables aléatoires indépendantes X1 , . . . , Xn de même loi que X.

3.5.1 Estimation ponctuelle

X1 + · · · + Xn
La réalisation de X n = observée Exemples de la loi de Bernoulli et de la loi de
n
sur l’échantillon x1 , . . . , xn est l’estimation du pa- Poisson : estimateur du paramètre p d’une loi de
ramètre obtenue sur cet échantillon. Bernoulli, estimateur du paramètre λ d’une loi
de Poisson.

3.5.2 Estimation par intervalle de confiance

La démarche consiste non plus à donner une estimation ponctuelle du paramètre θ à partir d’un estimateur
mais à trouver un intervalle aléatoire, appelé intervalle de confiance, qui contienne θ avec une probabilité
minimale donnée.
Ce paragraphe vise uniquement à préciser le vocabulaire employé. Les situations seront étudiées sous forme
d’exercices et de travaux pratiques, aucune connaissance autre que ce vocabulaire n’est exigible des élèves
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.

17 MENPS
Programme de mathématiques Classe ECT2

Intervalle
" de r
confiance : La probabilité
r # que l’inter- On se limitera au cas d’une variable de Bernoulli.
V (X) V (X) Résultat non exigible.
valle X n − , Xn + contienne la En pratique, la variance V est inconnue, mais on
na na
moyenne E(X) est supérieure à 1−a, avec a ∈]0, 1[ ; peut la majorer puisque p(1 − p) ⩽ 41 pour tout
a mesure l’incertitude de l’intervalle, 1 − a le degré p ∈]0, 1[.
de certitude ou de confiance. On dit qu’on a obtenu On particularise numériquement les intervalles de
un intervalle de confiance pour le paramètre E(X) confiance au seuil de confiance de 90% et de 95%.
de niveau de confiance 1 − a.

Intervalle de confiance de la moyenne d’une loi nor- On remarque que dans la pratique, l’écart-type
male dont l’écart-type est connu. n’est pas connu, ce qui conduit à utiliser l’écart-
type de l’échantillon (écart-type empirique).

18 MENPS
Programme de mathématiques Classe ECT2

4 Enseignement annuel d’informatique et d’algorithmique

4.1 Préambule

En première année, les élèves ont acquis les bases de manipulation du logiciel Python. L’objectif de l’en-
seignement d’informatique de seconde année ECT est de permettre aux élèves de l’utiliser de manière
judicieuse et autonome pour illustrer ou modéliser des situations concrètes en mobilisant leurs connais-
sances mathématiques.
Les heures de travaux pratiques de mathématiques avec Python peuvent être organisées de plusieurs façons :
certaines séances, notamment celles nécessitant peu de manipulations logicielles de la part des élèves,
pourront avoir lieu en classe entière ; les autres séances en groupes réduits de préférence.
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 seront 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 théme devront
être tirés, autant que possible, de situations réelles (traitement 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.
Dans certains thèmes, il est nécessaire d’introduire de nouvelles notions ou approches mathématiques. Ces
notions ne sont en aucun cas exigibles des élèves et toutes les précisions nécessaires leur seront données
lors de leur utilisation, et notamment lors des épreuves d’évaluation ou lors des concours.
Toute la richesse du langage Python ne peut pas être entièrement maı̂trisée par un élève, aussi seules les
fonctions et commandes exigibles au programme de première année le sont aussi en seconde année, 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 des connaissances mathématiques. Ces commandes supplémentaires devront être présentées en
préambule et toutes les précisions nécessaires seront données lors de leur utilisation et leur interprétation.
On favorisera à cette occasion l’autonomie et la prise d’initiatives en conseillant aux élèves la consultation
de l’aide Python qui permet 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.

4.2 Liste des savoir-faire et compétences exigibles

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 donnrées structurées volumineuses.

19 MENPS
Programme de mathématiques Classe ECT2

4.3 Langage Python

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

4.4 Liste des thèmes

4.4.1 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 (de
position et de dispersion) étudiés.

Série statistique à deux variables, nuage de points On tracera le nuage de points et on pourra effec-
associé. tuer des pré-transformations pour se ramener au
Point moyen (x, y) du nuage. cas linéaire.

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

empirique, droites de régression. empirique, corrélation linéaire empirique, ajuste-
ment affine par la méthode des moindres carrés.
On différenciera les variables explicatives des va-
riables 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.

4.4.2 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 élèves. 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, géomètriques, 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.

20 MENPS
Programme de mathématiques Classe ECT2

Méthodes de simulation d’une loi géométrique. Comparaison entre différentes méthodes : utilisa-
tion d’une loi de Bernoulli et d’une boucle while,
utilisation du générateur rd.random.
Simulation de lois usuelles.

4.4.3 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.
(i) Commandes exigibles

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

(ii) Commandes non exigibles

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

4.4.4 Théorème de la limite centrée

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

L’objectif est ici de dégager des conséquences importantes du théorème de la limite centrée (central limite)
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.

Étude de la distribution des moyennes empi- On cherche à visualiser la convergence vers la loi
riques par simulation informatique de la loi de normale d’espérance µ et d’écart type σ.
Y1 + · · · +Yn On pourra produire un échantillon de taille N
X= , où Y1 , . . . , Yn sont des variables
n des moyennes empiriques d’échantillons de taille n
aléatoires indépendantes suivant toutes une même
d’une variable aléatoire d’espéerance µ et d’écart
loi discrète d’espérance µ et d’écart type σ.
type σ, et le représenter sous forme d’un histo-
gramme. On observera l’effet de l’augmentation de
n sur la dispersion des moyennes.

21 MENPS
Programme de mathématiques Classe ECT2

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

Y1 + · · · +Yn réduite associée à X est une approximation de la
aléatoire X = , où Y1 , . . . , Yn sont des
n loi normale centrée réduite et on sensibilisera les
variables aléatoires indépendantes suivant toutes la
élèves au théorème de la limite centrée, en testant
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 de la limite
centrée pour estimer le paramètre d’une loi de Ber-
noulli.

22 MENPS
Programme de mathématiques Classe ECT2

Table des matières

1 Préambule 1
1.1 Objectifs généraux de formation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Organisation du texte du programme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Contenu du programme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Organisation temporelle de la formation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 Recommandatons pédagogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2 Première période 6
2.1 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Compléments d’intégration : propriétés de l’intégrale . . . . . . . . . . . . . . . . . . . . . 6
2.3 Rappels sur les sommes finies de réels ; séries numériques . . . . . . . . . . . . . . . . . . . 7
2.3.1 Rappels sur les sommes finies de réels . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.2 Séries numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 Couples de variables aléatoires discrètes finies . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5 Variables aléatoires discrètes infinies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5.1 Probabilités sur un univers quelconque . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.5.2 Variables aléatoires réelles : généralités . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5.3 Variables aléatoires réelles discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5.4 Espérance et variance d’une variable aléatoire discrète infinie . . . . . . . . . . . . . 11
2.5.5 Lois discrètes infinies usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.6 Statistiques bivariées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

3 Seconde période 13
3.1 Réduction des matrices carrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Compléments d’analyse : Intégrales généralisées . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Variables aléatoires à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.1 Variables aléatoires à densité continue par morceaux . . . . . . . . . . . . . . . . . . 14
3.3.2 Variables aléatoires à densité usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.4 Convergences et approximations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.4.1 Inégalité de Markov, inégalité de Bienaymé-Tchebychev . . . . . . . . . . . . . 15
3.4.2 Suites de variables aléatoires discrètes finies . . . . . . . . . . . . . . . . . . . . . . 16
3.4.3 Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.5 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.5.1 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.5.2 Estimation par intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . 17

23 MENPS
Programme de mathématiques Classe ECT2

4 Enseignement annuel d’informatique et d’algorithmique 19

4.1 Préambule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2 Liste des savoir-faire et compétences exigibles . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.3 Langage Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4 Liste des thèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4.1 Statistiques descriptives bivariées . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4.2 Simulation de lois, application au calcul d’espérances . . . . . . . . . . . . . . . . . 20
4.4.3 Bases de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.4.4 Théorème de la limite centrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

24 MENPS