Aligné sur le programme officiel de 1re · rédigé avec l’aide d’une IA, relu et corrigé par l’équipe Ludicademy · mis à jour le 13 octobre 2026 · Notre méthode
- random() renvoie un réel de $[0;1[$, randint(a,b) un entier de a à b inclus.
- Pour simuler une loi, on découpe $[0;1[$ en intervalles de longueurs $p_i$.
- La moyenne d'un échantillon de taille $n$ fluctue d'une simulation à l'autre.
Simuler, c'est faire jouer la machine des milliers de fois à ta place. En première, on simule une variable aléatoire, on calcule la moyenne de l'échantillon obtenu et on la compare à l'espérance : c'est l'idée des sondages et des estimations.
Simuler une variable aléatoire
En Python (module random), random() renvoie un réel de [0;1[ au hasard et randint(a,b) un entier de a à b inclus. Un tableur utilise ALEA() et ALEA.ENTRE.BORNES(a;b). Pour une loi quelconque, on découpe [0;1[ en intervalles de longueurs pi.
X vaut 0, 1, 2 avec 0{,}2, 0{,}5, 0{,}3 : def X(): u=random(); return 2 if u>0.7 else 1 if u>0.2 else 0. En effet P(u>0{,}7)=0{,}3 et P(0{,}2< u≤0{,}7)=0{,}5.

Moyenne d'échantillon et fluctuation
Un échantillon de taille n est la liste des résultats de n répétitions indépendantes de X. Sa moyenne est Mn=X1+…+Xnn. En Python : def moyenne(n): return sum(X() for _ in range(n))/n. Deux exécutions donnent deux valeurs différentes : c'est la fluctuation d'échantillonnage.
Pour la loi précédente (E(X)=1{,}1), moyenne(10) peut valoir 0{,}8 ou 1{,}4, mais moyenne(10000) reste très proche de 1{,}1.

L'écart avec l'espérance : 2σ/√n
On observe que l'écart |Mn−E(X)| est, dans environ 95 % des cas, inférieur ou égal à 2σ√n (propriété admise). Cet écart décroît en 1√n : pour le diviser par 2, il faut multiplier n par 4.
| n | 25 | 100 | 400 |
|---|---|---|---|
| 2σ√n avec σ=0{,}7 | 0{,}28 | 0{,}14 | 0{,}07 |
Pour le vérifier, on simule N échantillons de taille n et on calcule la proportion de ceux qui respectent l'écart : def prop(N,n): return sum((1.4/n**0.5)>=abs(moyenne(n)-1.1) for _ in range(N))/N. Elle vaut environ 0{,}95.
Avec E(X)=1{,}1, σ=0{,}7 et n=100 : 2σ√n=1{,4}{10}=0{,}14, donc M100 est dans [0{,}96 ;1{,}24] dans environ 95 % des cas.
Estimer une espérance inconnue
Quand on ne connaît pas la loi (pièce truquée, mesures), la moyenne observée m sur un grand échantillon estime E(X) : on retient l'intervalle [m−2σ√n ;m+2σ√n] comme estimation à environ 95 %.
Pour n=900 relevés, une moyenne 3{,}2 et σ=1{,}5 : 2σ√n=330=0{,}1, donc E(X)∈[3{,}1 ;3{,}3].

Méthode : exploiter une simulation
1. Écris la fonction qui simule X. 2. Écris moyenne(n). 3. Calcule E(X) et σ à la main. 4. Calcule 2σ√n. 5. Compare l'écart observé à cette valeur et conclus par une phrase.
Pour n=400 et σ=0{,}7 : 1{,4}{20}=0{,}07. Une moyenne observée de 1{,}15 donne un écart de 0{,}05, inférieur à 0{,}07 : résultat cohérent avec E(X)=1{,}1.
- random() renvoie un réel de [0;1[, randint(a,b) un entier de a à b inclus.
- Pour simuler une loi, on découpe [0;1[ en intervalles de longueurs pi.
- La moyenne d'un échantillon de taille n fluctue d'une simulation à l'autre.
- Dans environ 95 % des cas, l'écart avec E(X) est au plus 2σ√n.
- Pour diviser cet écart par 2, on multiplie n par 4.
- La moyenne observée sur un grand échantillon estime l'espérance.
Exercices
Quelle instruction simule un dé équilibré à six faces ?
randint(1,6) renvoie un entier de 1 à 6 inclus ; random() renvoie un réel et range(1,6) n'est pas aléatoire.
Quelle expression est vraie avec la probabilité 0{,}3 ?
random() est uniforme sur [0;1[ : la probabilité d'être supérieur à 0{,}7 vaut 0{,}3 (supérieur à 0{,}3 donnerait 0{,}7).
Pour σ=2 et n=100, que vaut 2σ√n ?
2×2√100=410=0{,}4.
Par quel facteur multiplie-t-on n pour diviser 2σ√n par 2 ?
√4n=2√n : avec 4n le dénominateur double et l'écart est divisé par 2.
Sur 400 relevés, la moyenne est 12 et σ=5. Quel intervalle estime l'espérance ?
2×5√400=1020=0{,}5, donc 12±0{,}5.
Sur 1000 échantillons de taille n, 953 respectent l'écart 2σ√n. Que conclure ?
9531000=95{,}3 % : proche de 95 %, ce que prévoit la propriété ; elle ne vaut pas 100 %.




