Compétence · 1ère 1L.VAR.ECH.01 Niveau : Moyen

Étudier la fluctuation d'une fréquence d'échantillon

Simuler des échantillons en Python, calculer s = √(p(1 − p)/n) et les intervalles [p − ks ; p + ks], situer une fréquence observée, et expliquer l'effet de la taille n.

Chapitre : Variables aléatoires discrètes Filière : 1ère STL Temps de maîtrise : ~45 min

Le cours

Échantillons et fluctuation~3 min

Définition — échantillon, fréquence

Un échantillon de taille $n$ d'une loi de Bernoulli de paramètre $p$, c'est $n$ répétitions indépendantes de l'épreuve. La fréquence $f$ de succès dans l'échantillon est le nombre de succès divisé par $n$. En Python : $n$ appels de random() < p.

Deux échantillons de même taille n'ont pas la même fréquence : c'est la fluctuation d'échantillonnage. Les fréquences se répartissent autour de $p$, d'autant plus serrées que $n$ est grand.

À retenir — taille d'échantillon et précision

La dispersion des fréquences est proportionnelle à $\dfrac1{\sqrt n}$. Pour diviser la dispersion par $k$, il faut multiplier la taille par $k^2$ : une précision deux fois meilleure coûte quatre fois plus de mesures, dix fois meilleure cent fois plus.

Exemple : $p=0{,}5$ : $s=0{,}05$ pour $n=100$ ; $s=0{,}025$ pour $n=400$ ; $s=0{,}005$ pour $n=10\,000$.

À retenir — ce qu'on observe sur un grand nombre d'échantillons

On simule $N=200$ échantillons de taille $n=50$ avec $p=0{,}3$ et on trace l'histogramme des $200$ fréquences obtenues (ci-dessous).
• Les fréquences s'étalent de $0{,}10$ à $0{,}46$, centrées sur $p=0{,}3$ ; leur moyenne vaut $0{,}302$.
• Leur écart-type (dispersion) est $s\approx0{,}066$ ; on admet que $s\approx\sqrt{\dfrac{p(1-p)}{n}}$, donc de l'ordre de $\dfrac{1}{\sqrt n}$ (ici $\sqrt{0{,}3\times0{,}7/50}\approx0{,}065$).
• Dans $[p-s\,;p+s]$ : $68{,}5\,\%$ des échantillons ; dans $[p-2s\,;p+2s]$ : $95{,}5\,\%$ ; dans $[p-3s\,;p+3s]$ : $99{,}5\,\%$. Les ordres de grandeur à retenir : 68 %, 95 %, 99,7 %.

Méthode — simuler et compter (Python)
from random import random
from math import sqrt

def frequence(n, p):                 # un échantillon de taille n
    c = 0
    for i in range(n):
        if random() < p:
            c = c + 1
    return c / n

def proportion_dans(N, n, p, k):     # part des N échantillons dans [p-ks ; p+ks]
    s = sqrt(p * (1 - p) / n)
    dedans = 0
    for j in range(N):
        f = frequence(n, p)
        if p - k*s <= f <= p + k*s:
            dedans = dedans + 1
    return dedans / N                # k=1 -> ~0.68, k=2 -> ~0.95, k=3 -> ~0.997

Pour tracer l'histogramme, on stocke les $N$ fréquences dans une liste puis on compte les valeurs par classe (ou matplotlib.pyplot.hist).

En physique-chimie — où l'on retrouve ces idées

• Contrôle qualité : on prélève $n=100$ pièces et on observe $9$ défectueuses ($f=0{,}09$) alors que le fabricant annonce $p=0{,}05$ : $s=\sqrt{0{,}05\times0{,}95/100}\approx0{,}022$, et $0{,}09\gt p+2s\approx0{,}094$ ? Non : $0{,}09\lt 0{,}094$, l'écart peut encore être dû au hasard ; à $f=0{,}10$ on commencerait à douter de $p$.
• Sondages : une estimation « à $\pm2\,\%$ » demande $n\approx2\,500$ personnes ($2s\approx0{,}02$ avec $p\approx0{,}5$).
• Mesures physiques : la moyenne de $n$ mesures est plus précise que chaque mesure, d'un facteur $\sqrt n$ (incertitude de type A).

Conçu et validé par Laurent Jacquet, professeur de mathématiques. Qui conçoit les cours ?

Entraîne-toi sur ce cours

Avec un compte gratuit : les QCM et ta Konfiance après chaque question, et le sentier complet d'un chapitre au choix, rappels et épreuve compris.

Créer mon compte gratuit

Déjà inscrit ? Se connecter

Pour aller plus loin

Maîtrise cette compétence avec Konfia

Coach personnel, corrigés détaillés, missions hebdomadaires ciblées sur tes lacunes. Un accompagnement quotidien pour le prix d'un café par mois.

Découvrir l'accompagnement — dès 4,99 €/mois