Mathématiques · Première · Statistiques et Analyse de Données · 3e Trimestre

Échantillonnage et Simulation

Les élèves étudient la fluctuation d'une fréquence sur des échantillons de taille n.

• Programmes Officiels
• EDNAT: Lycee - Algorithmique
• EDNAT: Lycee - Probabilités et statistiques

À propos de ce thème

L'échantillonnage et la simulation portent sur la fluctuation de la fréquence relative d'un événement dans des échantillons de taille n. Les élèves observent que pour un petit n, la fréquence varie beaucoup autour de la probabilité théorique, tandis que pour un grand n, elle se stabilise, illustrant la loi des grands nombres. Ce thème répond aux questions clés : pourquoi la fréquence change-t-elle d'un échantillon à l'autre, comment la taille influence-t-elle la précision, et comment simuler des milliers de tirages avec Python.

Dans le programme de Première, ce sujet relie les probabilités et statistiques à l'algorithmique, en s'appuyant sur les standards EDNAT du lycée. Les élèves apprennent à modéliser des situations aléatoires, à programmer des simulations et à analyser des données empiriques pour estimer des probabilités. Cela développe des compétences en modélisation mathématique et en analyse de données, essentielles pour les études supérieures.

L'apprentissage actif convient particulièrement à ce thème, car les simulations concrètes, manuelles ou numériques, permettent aux élèves de générer leurs propres données, de visualiser les fluctuations et de tester l'impact de n. Les discussions en groupe sur les résultats renforcent la compréhension intuitive de concepts abstraits.

Questions clés

1. Pourquoi la fréquence d'un caractère varie-t-elle d'un échantillon à l'autre ?
2. Comment la taille de l'échantillon influence-t-elle la précision de l'estimation ?
3. Comment simuler 1000 tirages de dés avec Python ?

Objectifs d'apprentissage

• Comparer la fluctuation de la fréquence observée d'un caractère sur différents échantillons de taille n.
• Expliquer l'influence de la taille de l'échantillon sur la convergence de la fréquence observée vers la probabilité théorique.
• Concevoir un algorithme Python pour simuler des tirages aléatoires et calculer la fréquence d'un événement.
• Analyser les résultats d'une simulation pour estimer une probabilité inconnue.
• Distinguer les notions de fréquence observée et de probabilité théorique dans le contexte de l'échantillonnage.

Avant de commencer

Notions de base sur les probabilités

Pourquoi : Les élèves doivent comprendre ce qu'est une probabilité théorique et savoir calculer des probabilités simples dans des situations équiprobables.

Algorithmique et programmation Python (bases)

Pourquoi : Une connaissance des boucles (for), des variables et des fonctions simples en Python est nécessaire pour réaliser les simulations.

Vocabulaire clé

Échantillon	Un sous-ensemble d'une population plus large, utilisé pour faire des inférences sur cette population. Sa taille est notée n.
Fréquence observée	Le rapport entre le nombre d'occurrences d'un événement et la taille totale de l'échantillon, calculé à partir de données expérimentales ou simulées.
Probabilité théorique	La probabilité d'un événement basée sur un modèle mathématique idéal, sans prise en compte de l'observation réelle.
Simulation	Processus consistant à reproduire un phénomène aléatoire à l'aide d'un modèle informatique, souvent pour étudier son comportement sur un grand nombre de répétitions.
Loi des grands nombres	Un théorème stipulant que la fréquence observée d'un événement tend vers sa probabilité théorique lorsque la taille de l'échantillon augmente indéfiniment.

Attention à ces idées reçues

Idée reçue courante

Un grand échantillon donne toujours la fréquence exacte à la probabilité théorique.

Ce qu'il faut enseigner à la place

Les fluctuations persistent, mais diminuent en amplitude. Les simulations actives en groupe, où les élèves génèrent et comparent leurs données, montrent que la convergence est probabiliste, aidant à dissiper cette idée déterministe par l'observation répétée.

Idée reçue courante

La fréquence observée est égale à la probabilité pour tout échantillon.

Ce qu'il faut enseigner à la place

Chaque échantillon est aléatoire et indépendant. Les activités de tirages multiples en pairs permettent aux élèves de voir la variabilité directement, favorisant des discussions qui clarifient la distinction entre estimation et valeur vraie.

Idée reçue courante

Plus n est grand, plus vite la fréquence se stabilise dès le début.

Ce qu'il faut enseigner à la place

La stabilisation est graduelle. Les graphiques cumulatifs produits en activité collaborative illustrent cela, et les échanges en petits groupes aident les élèves à relier leurs observations à la loi des grands nombres.

Idées d'apprentissage actif

Tirage Physique: Comparaison de Tailles d'Échantillons

Chaque paire tire un dé n=10 fois, puis n=50 fois, et calcule la fréquence de la face 6. Ils tracent les fréquences sur un graphique partagé. Enfin, ils comparent avec la classe pour observer la stabilisation.

30 min·Binômes

Simulation Python: 1000 Tirages

En petits groupes, les élèves codent un script Python simulant 1000 tirages d'un dé pour différentes tailles n (10, 50, 100). Ils génèrent des histogrammes des fréquences et analysent la variance. Partage des codes en fin de séance.

45 min·Petits groupes

Jeu de Cartes: Échantillonnage Collaboratif

La classe tire collectivement des cartes d'un jeu standard pour estimer la proportion de cœurs (proba 1/4). Divisés en groupes, ils simulent n=20, n=100 et comparent aux résultats globaux via un tableau mural.

35 min·Petits groupes

Tableur: Lois des Grands Nombres

Individuellement, les élèves utilisent un tableur pour simuler 500 tirages et varient n. Ils créent des graphiques de convergence et notent les écarts-types pour différentes tailles.

25 min·Individuel

Liens avec le monde réel

• En sondage d'opinion, les instituts comme l'IFOP ou l'IPSOS interrogent un échantillon de quelques milliers de personnes pour estimer les intentions de vote d'une population entière. La taille de l'échantillon et la méthode de sélection sont cruciales pour la fiabilité des résultats.
• Dans le domaine pharmaceutique, avant la mise sur le marché d'un nouveau médicament, des essais cliniques sont menés sur un échantillon de patients. L'analyse des fréquences d'effets secondaires ou d'efficacité permet d'évaluer le rapport bénéfice-risque pour la population générale.
• Les compagnies d'assurance utilisent l'échantillonnage et les probabilités pour calculer les primes. En analysant les données historiques d'accidents ou de sinistres sur un large échantillon de clients, elles estiment la probabilité d'événements futurs.

Idées d'évaluation

Vérification rapide

Présentez aux élèves un graphique montrant la fréquence observée d'une pièce de monnaie tombant sur 'pile' en fonction du nombre de lancers (de 10 à 1000). Demandez-leur : 'Que constatez-vous sur l'évolution de la fréquence ? Comment la taille de l'échantillon semble-t-elle influencer cette fréquence ?'

Question de discussion

Posez la question : 'Pourquoi un sondage réalisé auprès de 100 personnes est-il moins fiable qu'un sondage réalisé auprès de 1000 personnes pour connaître l'opinion générale ?' Encouragez les élèves à utiliser les termes 'échantillon', 'fréquence observée' et 'probabilité théorique' dans leurs réponses.

Billet de sortie

Donnez aux élèves un court script Python simulant 500 lancers d'un dé à 6 faces. Demandez-leur de modifier le script pour simuler 5000 lancers et de noter la fréquence observée de chaque face. Puis, demandez-leur d'écrire une phrase expliquant si ces fréquences sont proches de la probabilité théorique (1/6).

Questions fréquentes

Pourquoi la fréquence varie-t-elle d'un échantillon à l'autre ?

La variabilité provient du caractère aléatoire des tirages : chaque échantillon est une réalisation indépendante d'un processus probabiliste. Pour un petit n, les fluctuations sont marquées autour de la probabilité p ; elles s'atténuent avec n grand par la loi des grands nombres. Les simulations Python permettent de quantifier cela via l'écart-type, environ sqrt(p(1-p)/n).

Comment la taille de l'échantillon influence-t-elle la précision ?

La précision augmente avec n : l'intervalle de confiance se resserre proportionnellement à 1/sqrt(n). Les élèves visualisent cela en comparant histogrammes pour n=10 vs n=1000. Cela justifie l'intérêt des grandes simulations numériques en algorithmique.

Comment simuler 1000 tirages de dés avec Python ?

Utilisez random.randint(1,6) dans une boucle for i in range(1000), comptez les 6 via une liste ou Counter. Calculez la fréquence = count6 / 1000. Pour plusieurs n, encapsulez en fonction et tracez avec matplotlib.pyplot.hist. Fournissez un squelette de code pour démarrer.

Comment l'apprentissage actif aide-t-il à comprendre l'échantillonnage et la simulation ?

Les activités manuelles comme les tirages de dés rendent la fluctuation tangible, tandis que les simulations Python en petits groupes développent l'intuition algorithmique. Les comparaisons collectives de résultats favorisent les discussions qui corrigent les intuitions erronées, rendant les concepts probabilistes concrets et mémorables (environ 60 mots).