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=3,5μ = 3,5. En première spé, on étudie cette fluctuation par simulation en Python : comment la moyenne mm d'un échantillon de taille nn 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 nn ; étudier la distance ∣m−μ∣|m - μ| quand nn augmente ; simuler NN échantillons et calculer la proportion des cas où ∣m−μ∣≤n2σ|m - μ| ≤ 2σ/√(n), qui est proche de 95%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 nn au lieu de n√(n) ; oublier qu'un écart supérieur à n2σ2σ/√(n) est inhabituel, pas impossible ; faire confiance à un échantillon qui n'est pas tiré au hasard.
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 XX prenant les valeurs x1,…,xkx₁, …, xₖ avec les probabilités p1,…,pkp₁, …, pₖ :
Variable de Bernoulli de paramètre pp (valeur 11 en cas de succès, 00 sinon) : μ=pμ = p, σ=p(1−p)σ = √(p(1-p)).
Linéarité : E(aX+b)=aE(X)+bE(aX + b) = aE(X) + b et E(X+Y)=E(X)+E(Y)E(X + Y) = E(X) + E(Y).
Échantillon et moyenne d'un échantillon
Un échantillon de taille nn de XX est la liste des nn valeurs obtenues en répétant nn fois, de façon indépendante, l'expérience qui définit XX. Sa moyenne est
m=nx1+x2+⋯+xnm = (x₁ + x₂ + … + xₙ)/n
L'espérance μμ est un nombre fixé par la loi de XX ; la moyenne mmchange 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 μμ ;
la distance ∣m−μ∣|m - μ| diminue en général quand nn augmente, à peu près comme n11/√(n) : multiplier nn par 44 divise la distance typique par 22, multiplier nn par 100100 la divise par 1010 ;
les moyennes ont un écart type d'environ nσσ/√(n) : une variable plus dispersée donne des moyennes plus dispersées.
Exemple : pour 1010 échantillons de lancers de dé, les moyennes vont de 2,92,9 à 4,64,6 avec n=10n = 10, de 3,133,13 à 4,014,01 avec n=100n = 100, et de 3,4463,446 à 3,5943,594 avec n=1000n = 1 000.
La règle des 2σ/√n
On simule NN échantillons de taille nn et l'on calcule la proportion des cas où
∣m−μ∣≤n2σ|m - μ| ≤ 2σ/√(n)
Les simulations montrent que cette proportion est proche de 95%95 %, quelle que soit la variable étudiée. Par exemple, pour un dé et n=100n = 100, l'écart de référence vaut 102×1,708≈0,34(2 × 1,708)/10 ≈ 0,34 : environ 95%95 % des moyennes de 100100 lancers sont entre 3,163,16 et 3,843,84.
Un écart plus grand se produit dans environ 5%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 ee :
n2σ≤e⟺n≥(e2σ)22σ/√(n) ≤ e ⇔ n ≥ (2σ/e)²
Pour une proportion, σ=p(1−p)≤21σ = √(p(1-p)) ≤ 1/2 (le maximum de p(1−p)p(1-p) est atteint en p=21p = 1/2), donc n2σ≤n12σ/√(n) ≤ 1/√(n) : avec n=2500n = 2 500, l'écart de référence est au plus 0,020,02, 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 nn au lieu de n√(n) : multiplier la taille par 44 ne divise l'écart que par 22.
Confondre nn et NN : nn est la taille de chaque échantillon, NN le nombre d'échantillons simulés.
Croire qu'un écart inhabituel est impossible : il arrive dans environ 5%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 nn, construire la liste des moyennes de NN échantillons et calculer la proportion de celles qui vérifient ∣m−μ∣≤n2σ|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%95 % des moyennes sont à moins de n2σ2σ/√(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 n11/√(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.