Aller au contenu

Échantillonnage Seconde : simulation et loi des grands nombres

Niveau
Seconde
Type
Cours
Lecture
12 min

Loi des grands nombres : quand on répète un grand nombre de fois, dans les mêmes conditions et de façon indépendante, une expérience aléatoire, la fréquence f=knf=\dfrac{k}{n} d'un événement se rapproche de sa probabilité pp. Avec deux dés, « obtenir au moins un 6 » a pour probabilité 1136≈0,306\frac{11}{36}\approx0{,}306. Une simulation donne une fréquence de 0,2 sur 10 lancers des deux dés, 0,293 sur 1 000 lancers et 0,30533 sur 100 000 lancers.

Ce chapitre montre comment écrire en Python une fonction qui simule une expérience aléatoire, comment répéter cette expérience pour calculer une fréquence, puis comment lire correctement ce que montre une simulation : la fluctuation d'un échantillon à l'autre et la stabilisation des fréquences. Prérequis : le calcul de probabilités en situation d'équiprobabilité, et les boucles for et fonctions en Python.

Sommaire8 parties

Échantillon, fréquence et probabilité

Échantillon de taille n et fréquence observée

On répète nn fois une même expérience aléatoire, dans des conditions identiques et de façon indépendante (le résultat d'une répétition n'influence pas les suivantes). La liste des nn résultats obtenus est un échantillon de taille nn.

Si un événement AA est réalisé kk fois dans l'échantillon, sa fréquence observée est

f=kn,0≤f≤1.f=\frac{k}{n},\qquad 0\leq f\leq1.

La probabilité p=P(A)p=P(A) est un nombre fixé par le modèle (dé équilibré, urne, population). La fréquence ff dépend de l'échantillon réellement obtenu : deux échantillons de même taille donnent en général deux fréquences différentes.

Exemple 1 : fréquence de 6 sur 60 lancers

On lance 60 fois un dé équilibré et on obtient 13 fois le chiffre 6.

f=1360≈0,217p=16≈0,167.\begin{aligned}f&=\frac{13}{60}\approx0{,}217\\p&=\frac16\approx0{,}167.\end{aligned}

L'écart ∣f−p∣=∣1360−1060∣=360=0,05|f-p|=\left|\frac{13}{60}-\frac{10}{60}\right|=\frac{3}{60}=0{,}05 ne prouve pas que le dé est truqué : sur 60 lancers, un tel écart est courant. On ne peut ni conclure que p=0,217p=0{,}217, ni affirmer que le dé est faux, à partir de ce seul échantillon.

Simuler une expérience aléatoire en Python

Simuler, c'est remplacer l'expérience réelle par un programme qui produit des résultats ayant les mêmes probabilités. Le module random fournit deux fonctions suffisantes en Seconde.

Les fonctions randint et random

  • randint(a, b) renvoie un entier choisi au hasard entre a et b, bornes comprises, chaque entier ayant la même probabilité. randint(1, 6) simule donc un dé équilibré.
  • random() renvoie un nombre décimal choisi au hasard dans [0 ;1[[0\,;1\mathclose{[}, de façon uniforme : la probabilité qu'il tombe dans un intervalle [a ;b[[a\,;b\mathclose{[} inclus dans [0 ;1[[0\,;1\mathclose{[} est la longueur b−ab-a. En particulier, la condition random() < p est vraie avec la probabilité pp, pour 0≤p≤10\leq p\leq1.

Ces deux propriétés du générateur sont admises. La commande seed(…) fixe le point de départ du générateur : avec la même graine, le programme affiche toujours les mêmes résultats. Tous les affichages de cette page ont été obtenus avec Python 3 et la graine indiquée.

Exemple 2 : une fonction qui lance un dé

from random import randint, random, seed

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

seed(1)
for k in range(12):
    print(lancer_de(), end=" ")

Affichage obtenu :

2 5 1 3 1 4 4 4 6 4 2 1

La fonction n'a pas d'argument et renvoie le résultat d'une expérience. Sur ces 12 lancers, le 6 apparaît une seule fois et le 4 quatre fois : sur un si petit échantillon, les fréquences des six faces sont très inégales, ce qui n'a rien d'anormal.

Les programmes de cette page se suivent : pour les tester un par un, exécuter d'abord la ligne from random import randint, random, seed, puis les définitions de fonctions des exemples précédents (par exemple au_moins_un_six de l'exemple 4 avant l'exemple 5).

Exemple 3 : une épreuve qui réussit avec la probabilité p

Un joueur réussit un tir avec la probabilité 0,3. On code un succès par 1 et un échec par 0.

def epreuve(p):
    if random() < p:
        return 1
    else:
        return 0

seed(3)
for k in range(15):
    print(epreuve(0.3), end=" ")

Affichage obtenu :

1 0 0 0 0 1 1 0 1 1 0 0 0 0 0

La fonction renvoie 1 exactement quand random() tombe dans [0 ;0,3[[0\,;0{,}3\mathclose{[}, intervalle de longueur 0,3 : c'est la probabilité voulue. Ici, 5 succès sur 15 tirs, soit f=515≈0,333f=\frac{5}{15}\approx0{,}333.

Vérification rapide d'une telle fonction : avec epreuve(0) on doit toujours obtenir 0 et avec epreuve(1) toujours 1, puisque random() est toujours dans [0 ;1[[0\,;1\mathclose{[}.

Exemple 4 : une expérience composée de deux lancers

On lance deux dés et on s'intéresse à l'événement AA : « obtenir au moins un 6 ». La fonction renvoie True si AA est réalisé, False sinon.

def au_moins_un_six():
    a = randint(1, 6)
    b = randint(1, 6)
    return a == 6 or b == 6

Le or de Python est inclusif, comme le « ou » mathématique : le couple (6 ;6)(6\,;6) réalise bien AA.

Probabilité exacte, pour pouvoir juger la simulation. Les 36 couples (a ;b)(a\,;b) sont équiprobables. Le contraire A‾\overline A est « aucun 6 » : 5×5=255\times5=25 couples. Donc

P(A)=1−2536=1136≈0,3056.\begin{aligned}P(A)&=1-\frac{25}{36}\\&=\frac{11}{36}\approx0{,}3056.\end{aligned}

Contrôle par comptage direct : 6 couples avec a=6a=6, 6 couples avec b=6b=6, et le couple (6 ;6)(6\,;6) compté deux fois, soit 6+6−1=116+6-1=11 couples.

Répéter n expériences : la fonction fréquence

Méthode : compter les succès dans une boucle

  1. Créer un compteur à 0, avant la boucle.
  2. Répéter nn fois l'expérience avec for k in range(n) ; à chaque fois que l'événement est réalisé, ajouter 1 au compteur.
  3. Après la boucle (instruction return non indentée dans la boucle), renvoyer le compteur divisé par nn.

Exemple 5 : fréquence de l’événement au moins un 6 pour n croissant

def frequence(n):
    succes = 0
    for k in range(n):
        if au_moins_un_six():
            succes = succes + 1
    return succes / n

seed(2026)
for n in [10, 100, 1000, 10000, 100000]:
    print(n, frequence(n))

Affichage obtenu :

10 0.2
100 0.33
1000 0.293
10000 0.3
100000 0.30533

Comparaison avec p=1136≈0,3056p=\frac{11}{36}\approx0{,}3056 :

nnfréquence ffécart ∣f−p∣|f-p| arrondi
100,20,106
1000,330,024
1 0000,2930,013
10 0000,30,006
100 0000,305330,0002

Chaque ligne correspond à un nouvel échantillon. L'écart diminue ici à chaque étape, mais ce n'est pas une règle : avec une autre graine, un échantillon de 100 peut tomber plus près de pp qu'un échantillon de 1 000. Ce qui est stable, c'est la tendance.

Fluctuation d’échantillonnage

Fluctuation

Des échantillons de même taille, produits par la même expérience, donnent en général des fréquences différentes. Cette variabilité s'appelle la fluctuation d'échantillonnage. Elle n'est pas une erreur de calcul : elle fait partie du hasard.

Exemple 6 : huit échantillons de 50 lancers, puis de 1 000 lancers

On mesure la fréquence du 6 (probabilité 16≈0,167\frac16\approx0{,}167) dans huit échantillons de taille 50, puis dans huit échantillons de taille 1 000.

def frequence_six(n):
    c = 0
    for k in range(n):
        if randint(1, 6) == 6:
            c = c + 1
    return c / n

seed(5)
for j in range(8):
    print(frequence_six(50), end=" ")
print()
for j in range(8):
    print(frequence_six(1000), end=" ")

Affichage obtenu :

0.16 0.14 0.14 0.14 0.26 0.24 0.08 0.08
0.154 0.164 0.176 0.165 0.179 0.178 0.17 0.161

Pour n=50n=50, les fréquences vont de 0,08 à 0,26 : une étendue de 0,18. Pour n=1 000n=1\,000, elles vont de 0,154 à 0,179 : une étendue de 0,025, environ sept fois plus faible. Les fréquences fluctuent dans les deux cas, mais beaucoup moins pour les grands échantillons.

Fréquences observées autour d'une probabilité
Quand la taille des échantillons augmente, les fréquences observées se concentrent autour de la probabilité théorique.

Loi des grands nombres

Loi des grands nombres (version admise en Seconde)

On répète nn fois, dans les mêmes conditions et de façon indépendante, une expérience aléatoire, et on note ff la fréquence d'un événement de probabilité pp. Quand nn devient grand, ff se rapproche de pp : pour un grand échantillon, il est très probable que ff soit proche de pp.

Conditions d'emploi : les répétitions doivent être indépendantes et faites dans les mêmes conditions (même dé, même urne remise dans le même état). Le résultat ne fixe aucune taille « suffisante » et ne garantit rien pour un échantillon particulier : il décrit ce qui se produit le plus souvent.

Exemple 7 : trois séries de 5 000 lancers d’une pièce

On suit la fréquence de pile au fil des lancers, pour trois graines différentes.

def trajectoire(graine):
    seed(graine)
    piles = 0
    for n in range(1, 5001):
        if random() < 0.5:
            piles = piles + 1
        if n == 10 or n == 100 or n == 1000 or n == 5000:
            print(n, piles / n, end="   ")
    print()

for g in [1, 2, 3]:
    trajectoire(g)

Affichage obtenu :

10 0.6   100 0.47   1000 0.473   5000 0.498
10 0.3   100 0.41   1000 0.496   5000 0.4986
10 0.6   100 0.43   1000 0.509   5000 0.5098
Fréquence de pile en fonction du nombre de lancers, de 1 à 5 000, pour trois séries simulées : les trois courbes oscillent fortement avant 100 lancers puis restent proches de la droite p = 0,5 ; les fréquences finales valent 0,498, 0,4986 et 0,5098.
Les trois courbes partent de 0 ou de 1 (un seul lancer), oscillent fortement jusqu'à une centaine de lancers, puis se resserrent autour de 0,5 sans jamais s'y fixer.

Après 10 lancers, les fréquences sont 0,6, 0,3 et 0,6 ; après 5 000 lancers, elles sont toutes entre 0,498 et 0,5098. Aucune des trois ne vaut exactement 0,5 à la fin : la loi des grands nombres annonce un rapprochement, pas une égalité.

Ce que la loi des grands nombres ne dit pas : pas de compensation

Après cinq piles de suite, la probabilité d'obtenir pile au lancer suivant reste 12\frac12 : la pièce n'a pas de mémoire. La fréquence se rapproche de pp par dilution, non par compensation.

Exemple 8 : un excès qui se dilue

Une série commence par 8 piles sur 10 lancers : f=0,8f=0{,}8. Supposons que les 990 lancers suivants donnent exactement la moitié de piles, soit 495. Alors

f=8+49510+990=5031 000=0,503.\begin{aligned}f&=\frac{8+495}{10+990}\\&=\frac{503}{1\,000}=0{,}503.\end{aligned}

L'excès de 3 piles du début n'a pas été « rattrapé » : il est toujours là (503 au lieu de 500), mais il pèse très peu dans un total de 1 000 lancers. C'est ce mécanisme, et non une tendance de la pièce à compenser, qui rapproche la fréquence de 0,5.

Estimer une probabilité inconnue par une fréquence

Quand aucun calcul ne donne la probabilité (objet non symétrique, phénomène réel), la loi des grands nombres justifie de prendre comme estimation la fréquence observée sur un grand échantillon. Plus l'échantillon est grand, plus l'estimation est fiable ; elle reste une valeur approchée.

Exemple 9 : une punaise qui tombe pointe en haut

Trois groupes d'élèves lancent chacun 200 fois une punaise et comptent les chutes « pointe en haut ».

Groupepointe en hautfréquence
A1240,62
B1310,655
C1180,59
Réunion373 sur 600≈0,622\approx0{,}622

La fréquence sur la réunion des trois échantillons se calcule avec les effectifs, 124+131+118600=373600≈0,622\frac{124+131+118}{600}=\frac{373}{600}\approx0{,}622. Elle repose sur 600 lancers, donc on la préfère à chacune des trois fréquences pour estimer la probabilité : P(pointe en haut)≈0,62P(\text{pointe en haut})\approx0{,}62. Les trois groupes ayant la même taille, cette fréquence est aussi la moyenne des trois fréquences.

Exemple 10 : le problème des trois dés (somme 9 ou somme 10)

Avec trois dés, les sommes 9 et 10 s'obtiennent chacune avec six décompositions (par exemple 9=1+2+6=3+3+39=1+2+6=3+3+3 et 10=1+3+6=2+4+410=1+3+6=2+4+4). Les joueurs du XVIIe siècle constataient pourtant que 10 sort plus souvent que 9. Une simulation de 100 000 lancers tranche :

def somme_trois_des():
    return randint(1, 6) + randint(1, 6) + randint(1, 6)

seed(1630)
n = 100000
neuf = 0
dix = 0
for k in range(n):
    s = somme_trois_des()
    if s == 9:
        neuf = neuf + 1
    if s == 10:
        dix = dix + 1
print(neuf / n, dix / n)

Affichage obtenu :

0.11397 0.12527

Les fréquences confirment l'observation des joueurs. L'explication : les 216 triplets ordonnés sont équiprobables, mais une décomposition comme 3+3+33+3+3 ne correspond qu'à un triplet, alors que 1+2+61+2+6 en donne six. En comptant les triplets, on trouve 25 issues pour la somme 9 et 27 pour la somme 10 :

P(S=9)=25216≈0,1157P(S=10)=27216=0,125.\begin{aligned}P(S=9)&=\frac{25}{216}\approx0{,}1157\\P(S=10)&=\frac{27}{216}=0{,}125.\end{aligned}

Les fréquences simulées sont à moins de 0,002 de ces valeurs. Sur 1 000 lancers seulement, la différence de 0,009 entre les deux probabilités serait noyée dans la fluctuation.

Erreurs fréquentes en simulation

Simuler un dé avec randint de 0 à 6

Ligne fausse : de = randint(0, 6). Les deux bornes sont comprises : cette instruction renvoie sept valeurs possibles, dont 0. Correction : randint(1, 6). Test : afficher le plus petit et le plus grand résultat sur quelques milliers de tirages.

Remettre le compteur à zéro dans la boucle

Ligne fausse : succes = 0 écrit à l'intérieur de la boucle for. Le compteur est effacé à chaque tour et ne vaut plus que 0 ou 1 à la fin, d'où une fréquence égale à 0 ou à 1n\frac1n. Correction : initialiser le compteur une seule fois, avant la boucle. Test : la fonction doit renvoyer des valeurs proches de pp pour n=10 000n=10\,000.

Placer le return dans la boucle

Si return succes / n est indenté dans la boucle, la fonction s'arrête après la première expérience. Elle renvoie alors 0 ou 1n\frac1n, quel que soit nn. Même test que ci-dessus.

Écrire que la probabilité vaut la fréquence

Ligne fausse : « la simulation donne 0,293, donc P(A)=0,293P(A)=0{,}293 ». La fréquence est une estimation de P(A)P(A), qui vaut ici 1136≈0,306\frac{11}{36}\approx0{,}306. Rédaction correcte : « la fréquence observée est 0,293, ce qui est proche de P(A)P(A) ; une autre simulation donnerait une autre valeur ».

Conclure à partir d’un petit échantillon

Une fréquence de 0,26 sur 50 lancers ne suffit pas pour déclarer un dé truqué (l'exemple 6 l'a obtenue avec un dé équilibré simulé). Pour juger un écart, il faut le comparer à la fluctuation observée sur des échantillons de même taille.

Pour aller plus loin : l’intervalle de fluctuation en un sur racine de n

Hors programme de Seconde depuis 2026, ce résultat donne un ordre de grandeur de la fluctuation. Il est admis.

Ordre de grandeur de la fluctuation

Si 0,2≤p≤0,80{,}2\leq p\leq0{,}8 et n≥25n\geq25, la fréquence ff d'un échantillon de taille nn vérifie ∣f−p∣≤1n|f-p|\leq\dfrac{1}{\sqrt n} dans environ 95 % des échantillons (souvent un peu plus).

Exemple 11 : vérification par simulation

Pour une pièce équilibrée, on simule 1 000 échantillons de chaque taille et on compte la proportion de ceux dont la fréquence est à moins de 1n\frac{1}{\sqrt n} de 0,5.

from math import sqrt

def frequence_pile(n):
    c = 0
    for k in range(n):
        if random() < 0.5:
            c = c + 1
    return c / n

def proportion_proches(n, N):
    proches = 0
    for j in range(N):
        f = frequence_pile(n)
        if abs(f - 0.5) <= 1 / sqrt(n):
            proches = proches + 1
    return proches / N

seed(7)
for n in [25, 100, 400]:
    print(n, proportion_proches(n, 1000))

Affichage obtenu :

25 0.965
100 0.959
400 0.961

Les trois proportions dépassent 0,95. L'intervalle [0,5−1n ;0,5+1n]\left[0{,}5-\frac{1}{\sqrt n}\,;0{,}5+\frac{1}{\sqrt n}\right] a une demi-largeur de 0,2 pour n=25n=25, 0,1 pour n=100n=100 et 0,05 pour n=400n=400 : multiplier la taille par 4 divise la fluctuation par 2. En Première, ce résultat s'étend aux moyennes d'échantillons.

Pour s'entraîner : exercices corrigés d'échantillonnage et de simulation en Seconde.