insight.Se connecter

Mathématiques · 1re

Expérimentations : cours et fiche de révision (Mathématiques, 1re)

Programme officiel, session 2027. Mis à jour le 12 novembre 2026. 6 min de lecture.

Ce que contient ce chapitre

  • Simuler une variable aléatoire
  • Lire et écrire la moyenne d'un échantillon
  • Voir la moyenne se rapprocher de l'espérance
  • Calculer le seuil 2σ/√n
  • Simuler N échantillons avec une boucle
  • Calculer et interpréter la proportion

À quoi sert une simulation ?

Un assureur, un sondeur ou un physicien ne connaissent presque jamais l'espérance exacte de la grandeur qui les intéresse. Ils observent un échantillon et espèrent que sa moyenne en est proche. Dans ce chapitre, tu fais cette expérience toi-même avec Python ou un tableur : tu simules une variable aléatoire, tu calcules la moyenne d'échantillons, puis tu mesures l'écart entre cette moyenne et l'espérance.

Ce que tu sauras faire

À la fin, tu sauras lire et écrire ces programmes, et interpréter ce qu'ils affichent.

Simuler une variable aléatoire

Simuler une variable aléatoire XX, c'est faire produire à l'ordinateur des valeurs qui se comportent comme des réalisations de XX : chaque appel donne une valeur, et les appels sont indépendants les uns des autres. Le résultat change donc à chaque exécution.

Le cas d'un dé

La fonction randint(1, 6) du module random renvoie un entier de 1 à 6, bornes comprises, chaque valeur ayant la probabilité 16\frac{1}{6}.

from random import randint

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

Avec un tableur, la formule =ALEA.ENTRE.BORNES(1;6) recopiée vers le bas joue le même rôle et se recalcule à chaque modification de la feuille.

Exemple

XX est le résultat d'un dé équilibré. E(X)=1+2+3+4+5+66=3,5E(X) = \frac{1+2+3+4+5+6}{6} = 3{,}5 et E(X2)=1+4+9+16+25+366=916E(X^2) = \frac{1+4+9+16+25+36}{6} = \frac{91}{6}. Donc V(X)=916−3,52=3512V(X) = \frac{91}{6} - 3{,}5^2 = \frac{35}{12} et σ=3512≈1,708\sigma = \sqrt{\frac{35}{12}} \approx 1{,}708.

Le cas d'une loi quelconque

La fonction random() renvoie un nombre de [0;1[[0 ; 1[ ; la probabilité qu'il tombe dans un intervalle est la longueur de cet intervalle. Pour simuler une loi donnée, on découpe [0;1[[0 ; 1[ en intervalles dont les longueurs sont les probabilités des valeurs.

from random import random

def gain():
    u = random()
    if u < 0.5:
        return 0
    elif u < 0.8:
        return 10
    else:
        return 20

Exemple

Ce programme simule la variable GG de loi P(G=0)=0,5P(G=0) = 0{,}5, P(G=10)=0,8−0,5=0,3P(G=10) = 0{,}8 - 0{,}5 = 0{,}3 et P(G=20)=1−0,8=0,2P(G=20) = 1 - 0{,}8 = 0{,}2 (la somme vaut bien 11). Alors E(G)=0×0,5+10×0,3+20×0,2=7E(G) = 0 \times 0{,}5 + 10 \times 0{,}3 + 20 \times 0{,}2 = 7, E(G2)=100×0,3+400×0,2=110E(G^2) = 100 \times 0{,}3 + 400 \times 0{,}2 = 110, V(G)=110−72=61V(G) = 110 - 7^2 = 61 et σ=61≈7,81\sigma = \sqrt{61} \approx 7{,}81.

Moyenne d'un échantillon

Un échantillon de taille nn de XX est une liste de nn réalisations indépendantes x1,…,xnx_1, \dots, x_n. Sa moyenne est m=x1+x2+⋯+xnnm = \frac{x_1 + x_2 + \dots + x_n}{n}.

def moyenne(n):
    s = 0
    for i in range(n):
        s = s + X()
    return s / n

Lecture : s cumule les valeurs, initialisée à 00 ; la boucle tourne nn fois, avec une nouvelle réalisation à chaque tour ; le return, aligné sur le for, est exécuté une seule fois, après la boucle, et divise la somme par nn.

Exemple

Pour moyenne(3), si les trois appels de X() donnent 22, 55 puis 33, s prend les valeurs 0→2→7→100 \to 2 \to 7 \to 10 et la fonction renvoie 103≈3,33\frac{10}{3} \approx 3{,}33.

Dans un tableur, on remplit nn cellules avec la formule de simulation, puis =MOYENNE(A1:A100) donne la moyenne de l'échantillon de taille 100100.

Distance entre la moyenne et l'espérance

La moyenne mm d'un échantillon est elle-même aléatoire : elle change d'un échantillon à l'autre. L'écart entre mm et l'espérance μ\mu est la distance ∣m−μ∣|m - \mu|. Avec le dé (μ=3,5\mu = 3{,}5), plusieurs appels de moyenne(10) donnent typiquement des valeurs dispersées, entre 2,52{,}5 et 4,54{,}5. Plusieurs appels de moyenne(10000) donnent des valeurs presque identiques, à quelques centièmes de 3,53{,}5.

Ce qu'on observe : plus la taille nn est grande, plus la moyenne observée mm est proche de μ\mu. C'est le principe de l'estimation : on estime l'espérance d'une variable aléatoire par la moyenne d'un échantillon. Il en va de même pour une population : la moyenne d'un échantillon tiré au hasard estime la moyenne de la variable statistique dans la population. Une simulation illustre ce principe, elle ne le démontre pas.

Pour mesurer l'écart, on le compare à la quantité 2σn\frac{2\sigma}{\sqrt{n}}, où σ\sigma est l'écart type de la variable. La figure traite une pièce équilibrée : X=1X = 1 si pile, X=0X = 0 si face, donc μ=0,5\mu = 0{,}5 et σ=0,5\sigma = 0{,}5, d'où 2σn=1n\frac{2\sigma}{\sqrt{n}} = \frac{1}{\sqrt{n}}. Elle montre la bande μ−2σn⩽m⩽μ+2σn\mu - \frac{2\sigma}{\sqrt{n}} \leqslant m \leqslant \mu + \frac{2\sigma}{\sqrt{n}}.

20406080100−0,50,511,5y=0.5borne hauteborne basse

Exemple lu sur la figure. Pour n=25n = 25, la borne haute passe par (25;0,7)(25 ; 0{,}7) et la borne basse par (25;0,3)(25 ; 0{,}3) : le seuil de comparaison pour un échantillon de 25 lancers est donc 0,7−0,5=0,20{,}7 - 0{,}5 = 0{,}2 : dans environ 95 %95\ \% des échantillons, l'écart ∣m−0,5∣|m - 0{,}5| reste inférieur à 0,20{,}2. Pour n=100n = 100, la borne haute passe par (100;0,6)(100 ; 0{,}6) : le seuil est 0,10{,}1. Quadrupler nn divise le seuil par 22.

Le seuil 2σn\frac{2\sigma}{\sqrt{n}}

Pour une variable d'espérance μ\mu et d'écart type σ\sigma, et un échantillon de taille nn de moyenne mm, le seuil est 2σn\frac{2\sigma}{\sqrt{n}}. Dire que l'écart est inférieur ou égal à ce seuil, c'est écrire ∣m−μ∣⩽2σn|m - \mu| \leqslant \frac{2\sigma}{\sqrt{n}}, soit m∈[μ−2σn;μ+2σn]m \in \left[\mu - \frac{2\sigma}{\sqrt{n}} ; \mu + \frac{2\sigma}{\sqrt{n}}\right].

Exemple

Pour le dé, σ≈1,708\sigma \approx 1{,}708. Avec n=100n = 100 : 2×1,708100=3,41610≈0,342\frac{2 \times 1{,}708}{\sqrt{100}} = \frac{3{,}416}{10} \approx 0{,}342, donc m∈[3,158;3,842]m \in [3{,}158 ; 3{,}842]. Avec n=400n = 400 : 3,41620≈0,171\frac{3{,}416}{20} \approx 0{,}171. Une moyenne observée de 3,623{,}62 pour n=100n = 100 donne l'écart ∣3,62−3,5∣=0,12⩽0,342|3{,}62 - 3{,}5| = 0{,}12 \leqslant 0{,}342 : elle est dans la bande.

Simuler N échantillons et calculer une proportion

Un seul échantillon ne dit rien de la fréquence à laquelle la moyenne reste dans la bande. On simule donc NN échantillons de taille nn et on compte ceux pour lesquels ∣m−μ∣⩽2σn|m - \mu| \leqslant \frac{2\sigma}{\sqrt{n}}.

from math import sqrt

def proportion(N, n):
    mu = 3.5
    sigma = sqrt(35 / 12)
    compteur = 0
    for i in range(N):
        m = moyenne(n)
        if abs(m - mu) <= 2 * sigma / sqrt(n):
            compteur = compteur + 1
    return compteur / N

Exemple

proportion(1000, 100) simule N=1000N = 1000 échantillons de taille n=100n = 100 du dé. Si compteur vaut 953953 à la fin, la fonction renvoie 9531000=0,953\frac{953}{1000} = 0{,}953 : dans 95,3 %95{,}3\ \% des cas, la moyenne est à moins de 0,3420{,}342 de 3,53{,}5. À chaque exécution, le nombre change un peu ; on observe en général une proportion proche de 0,950{,}95, et elle reste du même ordre quand on change nn.

Les pièges

  • Confondre NN (nombre d'échantillons) et nn (taille d'un échantillon).
  • Oublier d'initialiser s à 00, ou mettre le return dans la boucle : la fonction s'arrête au premier tour.
  • Diviser par NN au lieu de nn dans moyenne.
  • Oublier la valeur absolue : l'écart m−μm - \mu peut être négatif.
  • Utiliser 2σ2\sigma au lieu de 2σn\frac{2\sigma}{\sqrt{n}}, ou la variance σ2\sigma^2 au lieu de l'écart type.
  • Écrire randint(0, 6) pour un dé : 0 est alors possible.
  • Conclure que la moyenne d'un échantillon est égale à μ\mu : elle en est seulement proche, et la proportion observée change à chaque exécution.

Ce qu'il faut retenir

  • Simuler XX : randint(a, b) pour des entiers équiprobables, random() découpé en intervalles pour une loi quelconque.
  • La moyenne d'un échantillon de taille nn est m=x1+⋯+xnnm = \frac{x_1 + \dots + x_n}{n} : dans la fonction, on cumule dans la boucle et on renvoie s / n après elle.
  • La moyenne mm change d'un échantillon à l'autre ; plus nn est grand, plus mm est proche de μ\mu.
  • La moyenne d'un échantillon estime l'espérance (ou la moyenne de la population).
  • Le seuil est 2σn\frac{2\sigma}{\sqrt{n}} : multiplier nn par 44 le divise par 22.
  • Pour NN échantillons, la proportion est (nombre d'échantillons avec ∣m−μ∣⩽2σn|m - \mu| \leqslant \frac{2\sigma}{\sqrt{n}}) divisé par NN ; elle est en général proche de 0,950{,}95.

À l'épreuve

L'épreuve écrite dure 22 heures, sans calculatrice. Elle comprend 66 points d'automatismes et 1414 points d'exercices indépendants ; la maîtrise de la langue est prise en compte.

Dans ce chapitre, tu dois savoir lire un script Python qui simule une variable aléatoire ou calcule une moyenne d'échantillon, calculer l'espérance, l'écart type et le seuil 2σn\frac{2\sigma}{\sqrt{n}} d'une loi donnée, et interpréter une proportion obtenue par simulation en la rattachant à l'inégalité ∣m−μ∣⩽2σn|m - \mu| \leqslant \frac{2\sigma}{\sqrt{n}}. Une simulation donne une observation, pas une preuve.

À retenir

  • Simuler une variable aléatoire

    Simuler X, c'est produire des valeurs qui suivent sa loi. randint(a, b) renvoie un entier de a à b, bornes comprises, tous équiprobables. random() renvoie un nombre de [0 ; 1[ : on découpe cet intervalle en morceaux dont les longueurs sont les probabilités. Tableur : ALEA.ENTRE.BORNES(1;6) recopiée vers le bas. Chaque exécution donne un résultat différent.
  • Lire et écrire la moyenne d'un échantillon

    Moyenne d'un échantillon de taille n : m = (x_1 + ... + x_n) / n. Dans la fonction : s = 0 avant la boucle, for i in range(n) cumule une réalisation à chaque tour, return s / n placé après la boucle (aligné sur le for). Un return dans la boucle arrête tout au premier tour. En tableur : MOYENNE sur la plage de cellules.
  • Voir la moyenne se rapprocher de l'espérance

    La moyenne m d'un échantillon est aléatoire : elle varie d'un échantillon à l'autre. L'écart est |m - μ|. Plus n est grand, plus m est en général proche de μ : la moyenne d'un échantillon estime l'espérance (ou la moyenne de la population). Une simulation illustre ce principe, elle ne le démontre pas, et m n'est jamais garantie égale à μ.
  • Calculer le seuil 2σ/√n

    Seuil = 2σ/√n, avec σ l'écart type (pas la variance). On calcule μ = E(X), V(X) = E(X²) - μ², σ = √V(X), puis le seuil. |m - μ| ≤ 2σ/√n équivaut à m dans [μ - 2σ/√n ; μ + 2σ/√n]. Multiplier n par 4 divise le seuil par 2. Exemple du dé : σ ≈ 1,708 ; n = 100 donne un seuil d'environ 0,342.
  • Simuler N échantillons avec une boucle

    N est le nombre d'échantillons, n la taille de chacun : ne pas les confondre. Structure : compteur = 0 ; for i in range(N) : m = moyenne(n) ; si abs(m - mu) <= 2 * sigma / sqrt(n), alors compteur = compteur + 1 ; return compteur / N. Il faut importer sqrt (module math). La valeur absolue est indispensable.
  • Calculer et interpréter la proportion

    Proportion = (nombre d'échantillons vérifiant |m - μ| ≤ 2σ/√n) / N, un nombre entre 0 et 1, à donner en fraction, décimal ou pourcentage. Elle change un peu à chaque exécution ; on observe en général une valeur proche de 0,95. C'est une observation, pas une preuve : conclure avec prudence.

Teste-toi

Trois questions. Réponds, la correction s’affiche.

Question 1 sur 3
Quelle instruction Python simule le lancer d'un dé équilibré à six faces numérotées de 11 à 66 ?

Correction

randint(a, b) renvoie un entier de aa à bb, bornes comprises.Pour a=1a = 1 et b=6b = 6, les 66 valeurs 1,2,…,61, 2, \dots, 6 ont chacune la probabilité 16\frac{1}{6}.Erreur classique : écrire randint(1, 7) pour obtenir six faces — la borne 77 est comprise, on obtient 77 valeurs.
Question 2 sur 3
Une variable aléatoire XX a pour écart type σ=3\sigma = 3. On simule des échantillons de taille n=36n = 36. Quelle est la valeur du seuil 2σn\frac{2\sigma}{\sqrt{n}} ?

Correction

36=6\sqrt{36} = 6.2σn=2×36=1\frac{2\sigma}{\sqrt{n}} = \frac{2 \times 3}{6} = 1.Erreur classique : donner 2σ=62\sigma = 6 en oubliant de diviser par n\sqrt{n} — le seuil se resserre quand nn grandit, il n'est pas égal à 2σ2\sigma.
Question 3 sur 3
Une exécution de proportion(400, 64) se termine avec compteur égal à 372372. Quelle valeur la fonction renvoie-t-elle, sachant qu'elle exécute return compteur / N ?

Correction

Ici N vaut 400400 et compteur vaut 372372.372400=0,93\frac{372}{400} = 0{,}93, ce qui correspond à 93 %93\ \% des échantillons.Erreur classique : renvoyer 9393, le pourcentage — la fonction renvoie un nombre entre 00 et 11, et 93 %93\ \% s'écrit 0,930{,}93.

Dans Insight, ce chapitre a 102 questions, et l’app te les repose au bon moment pour que tu ne les oublies pas avant le bac.

Contenu préparé avec l’aide d’outils d’IA, vérifié.

Réviser ce chapitre gratuitement