Fluctuation et simulation

Distinguer probabilité et fréquence, simuler des échantillons et discuter ce qu’un résultat aléatoire permet de conclure.

Environ 35 minutes

  • Distinguer taille d’échantillon et nombre de répétitions
  • Simuler un schéma de Bernoulli
  • Interpréter la fluctuation sans conclure à une certitude
Sommaire
  1. Probabilité, effectif et fréquence
  2. Produire une expérience aléatoire virtuelle
  3. Comparer les tailles d’échantillon
  4. Interpréter une observation et les limites
  5. Au bac : séparer observation et modèle
  6. S’entraîner

Deux séries réalisées dans les mêmes conditions doivent-elles donner la même proportion ?

Même lorsque la probabilité de succès est stable, le nombre de succès varie d’une série à l’autre. Cette variabilité s’appelle la fluctuation d’échantillonnage. Une simulation aide à voir cette fluctuation, à comparer des tailles d’échantillon et à discuter la compatibilité d’une observation avec un modèle. Elle ne remplace pas l’examen des conditions réelles de prélèvement.

Probabilité, effectif et fréquence

Une probabilité p appartient au modèle de l’expérience. Une fréquence f est calculée à partir d’observations : f = k/n, où n est le nombre d’essais observés et k le nombre de succès. Le nombre k est un effectif entier ; la fréquence est comprise entre 0 et 1. Une fréquence de 0,35 correspond à 35 %, mais ne signifie pas que la probabilité du modèle est nécessairement exactement 0,35.

Un échantillon rassemble ici n résultats obtenus dans les mêmes conditions de probabilité et, dans le modèle étudié, indépendants. Refaire l’expérience produit généralement un autre nombre de succès. Les fréquences ne peuvent prendre que des valeurs espacées de 1/n : avec n = 20, elles avancent par pas de 0,05 ; avec n = 200, le pas est de 0,005. La taille de l’échantillon détermine donc aussi la précision des fréquences possibles.

Exemple résolu

Deux séries de 40 essais donnent respectivement 14 et 19 succès. Calculer les fréquences et leur écart, puis comparer avec une probabilité supposée p = 0,4.

  1. Étape 1 : La première fréquence vaut 14/40 = 0,35, soit 35 %. La seconde vaut 19/40 = 0,475, soit 47,5 %.
  2. Étape 2 : Leur écart est 0,475 − 0,35 = 0,125, soit 12,5 points de pourcentage.
  3. Étape 3 : Le nombre moyen de succès prévu par le modèle est 40 × 0,4 = 16. Les écarts à 16 sont −2 et 3 succès.

Résultat : Les fréquences observées diffèrent, sans que ce seul constat démontre un changement de probabilité.

Piège à éviter : Un écart de 12,5 points de pourcentage n’est pas une hausse relative de 12,5 % : les deux expressions n’ont pas le même sens.

À toi d'essayer

Sur 80 essais, 28 réussissent. Calcule la fréquence et le nombre de succès moyen prévu si p = 0,4.

Voir la réponse

La fréquence est 28/80 = 0,35. Le nombre moyen prévu est 80 × 0,4 = 32. L’écart observé de −4 succès est un résultat à interpréter avec la fluctuation du modèle.

Produire une expérience aléatoire virtuelle

Pour simuler une épreuve de Bernoulli de paramètre p, on peut tirer un nombre pseudo-aléatoire U uniformément réparti entre 0 et 1. On code un succès si U < p et un échec sinon. La portion de l’intervalle située sous p représente une proportion p de l’ensemble. Dans un programme Python utilisant random(), les valeurs appartiennent à [0 ; 1[, ce qui convient aussi aux cas p = 0 et p = 1.

Un échantillon de taille n se simule en répétant ce tirage n fois avec le même p. On initialise le compteur de succès à zéro, on ajoute 1 à chaque succès, puis on divise le compteur final par n. Pour étudier les fluctuations, on répète toute cette fabrication N fois et on conserve les N fréquences. Les deux nombres n et N n’ont pas le même sens : n mesure la taille d’un échantillon, N le nombre d’échantillons comparés.

Simuler plusieurs échantillons

  1. Fixer p, la taille n et le nombre N de répétitions. Vérifier que 0 ≤ p ≤ 1 et que n est strictement positif.
  2. Pour chaque répétition, remettre le compteur de succès à zéro, puis effectuer n tirages indépendants du générateur.
  3. Compter les tirages U < p et enregistrer la fréquence obtenue. Recommencer jusqu’à disposer de N fréquences.
  4. Représenter les résultats et comparer la dispersion, en gardant les mêmes échelles pour les graphiques comparés.

Un générateur pseudo-aléatoire produit une suite déterminée par un état initial. Fixer une graine permet de rejouer exactement un calcul et de vérifier un programme. Cela ne transforme pas une simulation en preuve universelle. Pour explorer la variabilité, on peut aussi répéter les simulations avec d’autres graines. Il ne faut pas sélectionner seulement la série qui confirme l’idée que l’on voulait montrer.

Comparer les tailles d’échantillon

Trente échantillons simulés de taille 20 donnent des fréquences différentes. La droite orange indique la probabilité p = 0,4.

Le premier graphique présente trente fréquences obtenues avec vingt essais par échantillon. Les points se répartissent autour de la probabilité de référence, mais ne lui sont pas tous égaux. Leur écart à la droite orange représente l’écart entre une observation et le paramètre du modèle. Le numéro d’échantillon ne correspond pas à une évolution de p : il sert seulement à distinguer les répétitions.

Trente échantillons simulés de taille 200 donnent des fréquences différentes. La droite orange indique la probabilité p = 0,4.

Le second graphique utilise deux cents essais par échantillon avec le même paramètre. Les fréquences y sont plus regroupées dans cette réalisation. De manière générale, augmenter la taille tend à réduire la dispersion des fréquences dans ce modèle. Cela ne signifie pas que chaque nouvel échantillon plus grand sera automatiquement plus proche de p qu’un petit échantillon particulier. La tendance concerne la distribution des résultats, pas une garantie sur chaque comparaison.

Exemple résolu

Une simulation de 100 échantillons donne 8 fréquences hors d’une zone de comparaison fixée avant le calcul. Comment décrire ce résultat ?

  1. Étape 1 : On distingue l’événement étudié : une fréquence d’échantillon sort de la zone choisie.
  2. Étape 2 : Sur les 100 répétitions, la proportion de sorties observée est 8/100 = 0,08.
  3. Étape 3 : Cette proportion estime par simulation une probabilité de sortie dans le modèle. Une nouvelle simulation peut donner une autre valeur.

Résultat : On observe 8 % de sorties dans cette simulation. Ce résultat ne prouve pas que la probabilité exacte de sortie vaut 8 %.

Piège à éviter : La proportion de répétitions hors zone ne doit pas être confondue avec la fréquence de succès à l’intérieur d’un échantillon.

À toi d'essayer

On garde n = 50 et on passe de N = 100 à N = 10 000 simulations. Les fréquences de chaque échantillon deviennent-elles aussi concentrées que si n avait augmenté ?

Correction détaillée pas à pasDans ce chapitre : 2 corrections détaillées.

Interpréter une observation et les limites

Une observation éloignée du centre de la distribution peut être rare dans un modèle sans être impossible. Pour la discuter, on doit définir à l’avance ce que signifie « aussi éloignée » et choisir le côté ou les deux côtés pertinents. Changer la règle après avoir vu le résultat peut rendre l’interprétation trompeuse. Au niveau de cette leçon, une simulation sert à comparer et à argumenter, sans imposer une formule universelle de seuil.

Un résultat compatible avec un modèle ne prouve pas que ce modèle est vrai. Plusieurs modèles peuvent produire des résultats similaires. Un résultat très inhabituel invite à examiner le modèle, le prélèvement, la saisie et les conditions expérimentales. Il ne permet pas, à lui seul, d’identifier la cause. Une conclusion scientifique distingue toujours le constat numérique et l’explication proposée.

Exemple résolu

Un logiciel annonce 300 fréquences supérieures ou égales à 0,55 parmi 10 000 échantillons simulés sous un modèle p = 0,4. Une fréquence observée vaut 0,56. Que peut-on écrire ?

  1. Étape 1 : La proportion simulée d’échantillons atteignant le seuil 0,55 est 300/10 000 = 0,03.
  2. Étape 2 : La fréquence observée 0,56 appartient à l’événement étudié. Cet événement est peu fréquent dans la simulation du modèle.
  3. Étape 3 : On ne transforme pas 0,03 en probabilité que le modèle soit vrai ou faux. Il faut aussi connaître la taille des échantillons et vérifier que la simulation reproduit les conditions comparées.

Résultat : Le résultat observé se situe dans une région peu fréquente de cette simulation ; il mérite une discussion du modèle et du prélèvement.

Piège à éviter : Dire que le modèle a 3 % de chances d’être vrai inverse à tort la question probabiliste.

La représentativité ne se réduit pas au nombre d’observations. Prélever seulement les objets faciles d’accès peut introduire un biais, même avec un grand effectif. Une dépendance entre essais peut également modifier les fluctuations. Augmenter n ne répare ni une sélection biaisée ni un défaut du protocole. La simulation doit représenter la manière de prélever, pas seulement reproduire un pourcentage attendu.

À toi d'essayer

Un contrôle prélève mille pièces uniquement au début de la journée, alors que la production change ensuite. Un responsable affirme que le grand nombre suffit à garantir une estimation de toute la journée. Que lui réponds-tu ?

Correction détaillée pas à pasDans ce chapitre : 2 corrections détaillées.

Au bac : séparer observation et modèle

Au bac : expliquer une simulation

  1. Définir le succès, p, n et N ; préciser les hypothèses d’indépendance et de stabilité.
  2. Décrire le mécanisme aléatoire, le compteur et la grandeur enregistrée. Une sortie doit avoir un sens clairement nommé.
  3. Présenter une fréquence ou un graphique avec ses effectifs et ses axes. Employer les mêmes échelles pour une comparaison.
  4. Conclure sur ce que la simulation montre, en rappelant la fluctuation et les limites du protocole.

Vocabulaire

Fluctuation :
Variation aléatoire d’un résultat entre échantillons comparables.
Biais :
Déformation systématique liée notamment à la sélection ou à la mesure.
Graine :
Valeur initiale permettant de reproduire une suite pseudo-aléatoire.

Bilan

RepèreInterprétation
pParamètre du modèle.
k/nFréquence d’un échantillon.
nNombre d’essais par échantillon.
NNombre de répétitions du même protocole.

S’entraîner

Poursuis ton travail dans l’espace S’entraîner du site, accessible à l’adresse /exercices. Reprends d’abord les questions que tu n’as pas réussies sans aide, puis explique tes étapes à voix haute.

À retenir

  • Une fréquence est une observation ; une probabilité est un paramètre du modèle.
  • À taille fixée, les fréquences fluctuent d’un échantillon à l’autre.
  • Augmenter la taille tend à concentrer les fréquences autour de p sous les hypothèses du modèle.
  • Un effectif élevé ne corrige pas automatiquement un biais de prélèvement.

Fiche de révision

Pour simuler un succès, compare un tirage uniforme U à p.

Le compteur se remet à zéro au début de chaque échantillon.

Davantage de répétitions rend la distribution simulée mieux décrite ; davantage d’essais change la précision de chaque fréquence.

Écris « observé dans la simulation » pour un comptage et conserve une conclusion conditionnelle au modèle.

Questions fréquentes

Peut-on obtenir deux fois exactement la même fréquence ?

Oui. Les fréquences prennent un nombre fini de valeurs pour une taille fixée ; plusieurs échantillons peuvent donner le même nombre de succès.

Une grande simulation prouve-t-elle une formule ?

Non. Elle donne des observations et peut aider à repérer une erreur ou à formuler une conjecture ; une démonstration répond à une autre exigence.

Et maintenant ?

Tu as lu le cours. L’étape suivante tient en une action.

Relis le coursReprends l’essentiel avant de passer à la suite.

Prolonge l’expérience !

Continue à explorer ce chapitre à travers de nouvelles activités, des défis et des expériences interactives. Avec Premium, l’apprentissage continue !

Ici, tu débloques aussi 2 corrections détaillées.

Parent ? Suivez les progrès de votre enfant.

Tous les cours de Mathématiques — terminale STL
Scientia