Un prof de maths qui te répond·30 €/mois

Découvrir
MathLvlMon espace
Première spé maths

Échantillonnage en Première spé maths

Simuler une variable aléatoire en Python, moyenne d'un échantillon et espérance, écart au plus 2σ/√n dans environ 95 % des échantillons.

Mis à jour le

Lance 100 fois un dé et calcule la moyenne des résultats : tu trouveras peut-être 3,56. Recommence : 3,43, puis 3,71. La moyenne d'un échantillon fluctue autour de l'espérance μ = 3,5. En première spé, on étudie cette fluctuation par simulation en Python : comment la moyenne m d'un échantillon de taille n d'une variable aléatoire s'approche de son espérance, et de combien elle s'en écarte d'habitude.

Au programme : simuler une variable aléatoire avec Python ou un tableur ; écrire une fonction qui renvoie la moyenne d'un échantillon de taille n ; étudier la distance |m - μ| quand n augmente ; simuler N échantillons et calculer la proportion des cas où |m - μ| ≤ 2σ/√(n), qui est proche de 95 %. Une fréquence est la moyenne d'un échantillon d'une variable de Bernoulli : tout s'applique aux sondages.

Pièges classiques : confondre l'espérance (fixée par la loi) et la moyenne d'un échantillon (qui fluctue) ; diviser par n au lieu de √(n) ; oublier qu'un écart supérieur à 2σ/√(n) est inhabituel, pas impossible ; faire confiance à un échantillon qui n'est pas tiré au hasard.

Cours et fiche

📘

Leçon

Le cours complet du chapitre

📝

Fiche de révision

Synthèse + formules essentielles

Exercices corrigés

5 exercices
1

Plaquette 1 – Simuler une variable aléatoire, moyenne d'un échantillon

2

Plaquette 2 – Distance entre la moyenne d'un échantillon et l'espérance

3

Plaquette 3 – Écart entre m et μ : la règle des 2σ/√n

4

Plaquette 4 – Simulations en Python et lecture de résultats

5

Plaquette 5 – Problèmes de synthèse : sondages, contrôles et esprit critique

Quiz interactif

Auto-évaluation

Teste tes connaissances et vérifie que tu maîtrises le chapitre.

QCM — Échantillonnage (51 questions)

Leçon complète

L'échantillonnage en Première spé : cours complet

En première spécialité, l'échantillonnage est une partie expérimentale du programme : on simule des échantillons d'une variable aléatoire pour comprendre comment la moyenne d'un échantillon permet d'estimer l'espérance. Il prolonge l'observation de la fluctuation d'échantillonnage et de la loi des grands nombres faite en seconde.

Rappels sur les variables aléatoires

Pour une variable aléatoire X prenant les valeurs x₁, …, xₖ avec les probabilités p₁, …, pₖ :

μ = E(X) = Σ_i=1^(k) pᵢ xᵢ V(X) = E(X²) - μ² σ = √(V(X))

  • Dé équilibré : μ = 3,5, V(X) = 35/12, σ ≈ 1,708.
  • Variable de Bernoulli de paramètre p (valeur 1 en cas de succès, 0 sinon) : μ = p, σ = √(p(1-p)).
  • Linéarité : E(aX + b) = aE(X) + b et E(X + Y) = E(X) + E(Y).

Échantillon et moyenne d'un échantillon

Un échantillon de taille n de X est la liste des n valeurs obtenues en répétant n fois, de façon indépendante, l'expérience qui définit X. Sa moyenne est

m = (x₁ + x₂ + … + xₙ)/n

  • L'espérance μ est un nombre fixé par la loi de X ; la moyenne m change d'un échantillon à l'autre : c'est la fluctuation d'échantillonnage.
  • Pour une variable de Bernoulli, la moyenne d'un échantillon est la fréquence des succès. Tout ce qui suit s'applique donc aux sondages.

Simuler avec Python

from random import randint

def X():
    return randint(1, 6)

def moyenne_echantillon(n):
    ech = [X() for i in range(n)]
    return sum(ech) / len(ech)

Pour une variable de loi quelconque, on découpe un seul tirage random() en intervalles de longueurs égales aux probabilités (par exemple u < 0.1, puis u < 0.4, etc.).

Distance entre la moyenne et l'espérance

En simulant beaucoup d'échantillons, on observe :

  • la moyenne des moyennes est très proche de μ ;
  • la distance |m - μ| diminue en général quand n augmente, à peu près comme 1/√(n) : multiplier n par 4 divise la distance typique par 2, multiplier n par 100 la divise par 10 ;
  • les moyennes ont un écart type d'environ σ/√(n) : une variable plus dispersée donne des moyennes plus dispersées.

Exemple : pour 10 échantillons de lancers de dé, les moyennes vont de 2,9 à 4,6 avec n = 10, de 3,13 à 4,01 avec n = 100, et de 3,446 à 3,594 avec n = 1 000.

La règle des 2σ/√n

On simule N échantillons de taille n et l'on calcule la proportion des cas où

|m - μ| ≤ 2σ/√(n)

Les simulations montrent que cette proportion est proche de 95 %, quelle que soit la variable étudiée. Par exemple, pour un dé et n = 100, l'écart de référence vaut (2 × 1,708)/10 ≈ 0,34 : environ 95 % des moyennes de 100 lancers sont entre 3,16 et 3,84.

Un écart plus grand se produit dans environ 5 % des échantillons : il est inhabituel, sans être impossible.

from math import sqrt

def proportion(N, n):
    e = 2 * sqrt(35 / 12) / sqrt(n)
    L = [moyenne_echantillon(n) for k in range(N)]
    return len([m for m in L if abs(m - 3.5) <= e]) / N

Choisir la taille d'un échantillon

Pour que l'écart de référence soit au plus e :

2σ/√(n) ≤ e ⇔ n ≥ (2σ/e)²

Pour une proportion, σ = √(p(1-p)) ≤ 1/2 (le maximum de p(1-p) est atteint en p = 1/2), donc 2σ/√(n) ≤ 1/√(n) : avec n = 2 500, l'écart de référence est au plus 0,02, quelle que soit la proportion.

Erreurs fréquentes à éviter

  • Confondre espérance et moyenne d'un échantillon : l'espérance ne fluctue pas, la moyenne si.
  • Diviser par n au lieu de √(n) : multiplier la taille par 4 ne divise l'écart que par 2.
  • Confondre n et N : n est la taille de chaque échantillon, N le nombre d'échantillons simulés.
  • Croire qu'un écart inhabituel est impossible : il arrive dans environ 5 % des cas.
  • Oublier le biais : la règle suppose un échantillon tiré au hasard ; des volontaires ou un mauvais lieu d'enquête faussent tout.

FAQ — L'échantillonnage en Première spé

Que faut-il savoir faire avec Python ?

Simuler une variable aléatoire, écrire une fonction qui renvoie la moyenne d'un échantillon de taille n, construire la liste des moyennes de N échantillons et calculer la proportion de celles qui vérifient |m - μ| ≤ 2σ/√(n).

Pourquoi 95 % ?

C'est ce que l'on observe en simulant de nombreux échantillons, pour toutes sortes de variables : environ 95 % des moyennes sont à moins de 2σ/√(n) de l'espérance. Le programme de première ne demande pas de le démontrer.

Plus l'échantillon est grand, mieux c'est ?

Oui pour la précision : l'écart de référence diminue comme 1/√(n). Mais la précision coûte cher : pour être deux fois plus précis, il faut un échantillon quatre fois plus grand. Et un grand échantillon biaisé reste faux.

Les intervalles de confiance sont-ils au programme ?

Non : le programme de première spécialité (2026) se limite à la simulation d'échantillons et à l'observation de l'écart entre la moyenne et l'espérance.

Tous les chapitres de Première spé maths

Poursuis ta révision avec les autres chapitres du programme de Première spé maths.