Échantillonnage et fluctuation en seconde : cours complet
Quand on répète une expérience aléatoire (lancer une pièce, tirer une personne au hasard dans une population), on obtient un échantillon de résultats. La fréquence d'un caractère dans cet échantillon change d'un échantillon à l'autre : c'est la fluctuation d'échantillonnage. Le programme de seconde la fait observer par simulation et en tire la loi des grands nombres.
Vocabulaire
Population, échantillon, taille
- La population est l'ensemble étudié (les électeurs d'un pays, les pièces produites par une machine).
- Un échantillon de taille nn est formé de nn individus tirés au hasard dans la population, ou de nn répétitions d'une même expérience aléatoire.
Fréquence observée
Si un caractère apparaît kk fois dans un échantillon de taille nn, sa fréquence observée est
f=nkavec 0≤f≤1f = k/n avec 0 ≤ f ≤ 1
Exemple : 4646 « face » sur 100100 lancers donnent f=0,46f = 0,46, soit 46%46 %. L'écart avec 0,50,5 est de 44 points.
Probabilité et fréquence : modèle et réalité
- La probabilité pp est fixée par un modèle : « la pièce est équilibrée » donne p=0,5p = 0,5, « on tire une boule au hasard dans une urne de 1010 boules dont 33 rouges » donne p=0,3p = 0,3. Ce choix est une hypothèse, qu'on ne démontre pas.
- La fréquence ff est mesurée sur la réalité. Elle fluctue : deux séries de 100100 lancers ne donnent presque jamais le même nombre de « face ».
La fluctuation d'échantillonnage
Si l'on simule 2020 échantillons de 5050 lancers d'une pièce équilibrée, on obtient par exemple des fréquences allant de 0,380,38 à 0,620,62. Avec 2020 échantillons de 500500 lancers, elles ne vont plus que de 0,470,47 à 0,560,56 environ.
Ce que montrent les simulations : plus l'échantillon est grand, moins les fréquences sont dispersées autour de pp. Leur étendue et leur écart type diminuent quand nn augmente (en pratique, l'écart type est à peu près divisé par 22 quand nn est multiplié par 44).
Loi des grands nombres
Version vulgarisée (programme de seconde) : lorsque nn est grand, sauf exception, la fréquence observée est proche de la probabilité.
Elle ne dit rien d'un petit échantillon, et elle ne dit pas que la fréquence finit par être égale à la probabilité. Elle ne « compense » pas non plus les écarts : une pièce n'a pas de mémoire.
Estimer une probabilité par une fréquence
Quand aucun raisonnement ne donne la probabilité, on la construit à partir de l'expérience : on répète l'expérience un grand nombre de fois et on prend la fréquence observée comme valeur de la probabilité.
Exemple : une punaise lancée 10001 000 fois retombe 612612 fois pointe en haut ; on prend p≈0,61p ≈ 0,61. De même, environ 105105 garçons naissent pour 100100 filles, d'où une probabilité de naissance d'un garçon d'environ 205105≈0,512105/205 ≈ 0,512.
Prévoir : si un événement a la probabilité pp, sur NN répétitions on peut s'attendre à environ N×pN × p réalisations, la valeur exacte fluctuant.
Attention au biais : la loi des grands nombres ne vaut que pour un échantillon tiré au hasard. Interroger 800800 personnes à la sortie d'une salle de sport ne renseigne pas sur la pratique sportive de toute une ville, quelle que soit la taille de l'échantillon.
Simuler avec Python ou un tableur
| Outil |
Instruction |
Rôle |
| Python |
random() |
un décimal au hasard dans [0;1[[0 ;1[ |
| Python |
random() < p |
condition vraie avec la probabilité pp |
| Python |
randint(1, 6) |
un entier entre 11 et 66, bornes incluses |
| Tableur |
=ALEA.ENTRE.BORNES(1;6) |
un lancer de dé |
| Tableur |
=NB.SI(A1:A500;6) |
compte les « 6 » |
Fonction type, qui renvoie la fréquence de « face » sur nn lancers :
from random import random
def frequence_face(n):
succes = 0
for i in range(n):
if random() < 0.5:
succes = succes + 1
return succes / n
En appelant cette fonction un grand nombre de fois, on obtient une série statistique de fréquences, dont on peut calculer la moyenne et l'écart type pour mesurer la fluctuation.
Méthode de Monte-Carlo
On tire au hasard des points dans le carré [0;1]×[0;1][0 ;1] × [0 ;1] ; la fréquence des points vérifiant x2+y2≤1x² + y² ≤ 1 (quart de disque) est proche de 4ππ/4 quand le nombre de points est grand. Avec 100000100 000 points, on retrouve π≈3,14π ≈ 3,14.
Erreurs fréquentes à éviter
- Conclure sur un petit échantillon : 77 « 6 » sur 2020 lancers ne prouvent pas que le dé est truqué.
- Croire que le hasard compense : après cinq « pile », « face » n'est pas plus probable.
- Confondre fréquence et probabilité : la fréquence change d'un échantillon à l'autre, la probabilité est fixée par le modèle.
- Faire confiance à un grand échantillon biaisé : la taille ne corrige pas un mauvais tirage.
FAQ — Échantillonnage et fluctuation en seconde
Pourquoi deux sondages sur le même sujet ne donnent-ils pas le même résultat ?
Parce que chaque sondage interroge un échantillon différent : c'est la fluctuation d'échantillonnage. Sur 10001 000 personnes, des écarts d'un ou deux points entre deux sondages sont normaux.
Que dit la loi des grands nombres ?
Que, sur un grand nombre d'essais, la fréquence observée est, sauf exception, proche de la probabilité. Par exemple, sur 1000010 000 lancers d'une pièce équilibrée, la fréquence de « face » est, dans environ 95%95 % des cas, entre 0,490,49 et 0,510,51.
À quoi sert une simulation ?
À observer la fluctuation et la loi des grands nombres sans faire des milliers de lancers à la main, et à estimer une probabilité difficile à calculer.
Comment choisir un bon échantillon ?
Il doit être tiré au hasard dans la population étudiée (sans biais) et assez grand pour que la fluctuation soit faible.
L'intervalle de fluctuation est-il au programme ?
Non : le programme de seconde de 2026 se limite à observer la fluctuation par simulation et à la loi des grands nombres. Les intervalles de fluctuation et les règles de décision ne sont pas au programme de seconde.