Simulation en Python en prépa ECG : probabilités et lois avec numpy
Python et probabilités en prépa ECG : commandes numpy.random au programme, simulation des lois, Monte-Carlo, inversion, loi des grands nombres et TLC.
ViragePrépa

La simulation en Python est la partie expérimentale du chapitre de probabilités en prépa ECG : elle sert à vérifier un calcul, à observer une loi et à voir les théorèmes limites à l'œuvre. Les programmes officiels l'imposent dans les deux options, et un sujet de concours peut te demander de compléter ou d'interpréter un programme.
Voici la liste exacte des commandes au programme, puis les programmes types à savoir écrire, tous testés avec Python 3 et numpy et comparés à la théorie.
La simulation en Python en bref
Question | Réponse |
|---|---|
Texte de référence | Arrêté du 5 janvier 2021, Bulletin officiel spécial n° 1 du 11 février 2021 : annexe 1 pour les maths appliquées, annexe 2 pour les maths approfondies |
Bibliothèque de simulation | numpy.random, importée par import numpy.random as rd |
Fonctions de simulation listées | rd.random, rd.binomial, rd.randint, rd.geometric, rd.poisson, rd.exponential, rd.normal, rd.gamma, dans les deux options |
Statut en maths approfondies | Commandes exigibles ; les syntaxes des commandes non exigibles sont rappelées dans les sujets |
Statut en maths appliquées | Toute utilisation d'une fonction de bibliothèque doit être accompagnée de la documentation utile |
Propre aux maths approfondies | sp.ndtr (fonction Φ), méthode d'inversion et méthode de Monte-Carlo en travaux pratiques, trois simulations de la loi géométrique |
Propre aux maths appliquées | Simulation de chaînes de Markov, plt.bar, plt.boxplot et la bibliothèque pandas |
Ce que disent les programmes officiels
Les programmes de mathématiques de la voie générale sont fixés par l'arrêté du 5 janvier 2021, publié au Bulletin officiel spécial n° 1 du 11 février 2021. Dans les deux options, le langage est Python, et le programme de première année liste les commandes des deux années.
Les commandes listées, option par option
Bibliothèque | Maths appliquées | Maths approfondies |
|---|---|---|
numpy, import numpy as np | np.array, np.zeros, np.ones, np.eye, np.linspace, np.arange, np.shape, np.dot, np.transpose, np.sum, np.min, np.max, np.mean, np.cumsum, np.median, np.var, np.std, np.exp, np.log, np.sqrt, np.abs, np.floor, np.e, np.pi | La même liste, plus np.sin et np.cos |
numpy.random, import numpy.random as rd | rd.random, rd.binomial, rd.randint, rd.geometric, rd.poisson, rd.exponential, rd.normal, rd.gamma | La même liste |
numpy.linalg | al.inv, al.rank, al.matrix_power, al.solve, al.eig | La même liste |
scipy.special, import scipy.special as sp | Absente | sp.ndtr, la fonction Φ |
matplotlib.pyplot, import matplotlib.pyplot as plt | plt.plot, plt.show, plt.hist, plt.bar, plt.boxplot | plt.plot, plt.show, plt.hist, plt.contour, plt.quiver, plus Axes3D, importée de mpl_toolkits.mplot3d, pour les surfaces |
pandas, import pandas as pd | pd.read_csv, head, shape, pd.describe, pd.mean, pd.std, pd.median, pd.count, pd.sort_values | Absente |
En maths approfondies, seules les commandes de la sous-partie « Commandes exigibles » sont exigibles, et le programme de deuxième année précise : « On rappellera dans les sujets toutes les syntaxes des commandes non exigibles. »
En maths appliquées, l'annexe Python liste « limitativement » les éléments du langage exigibles : types de base, if, for, while, def, listes, range, append, len. Pour les bibliothèques, toute utilisation d'une fonction doit être accompagnée de la documentation utile, « sans que puisse être attendue une quelconque maîtrise » de ta part.
Les travaux pratiques prévus en probabilités
Année | Maths appliquées | Maths approfondies |
|---|---|---|
1re année | Simulation d'expériences aléatoires élémentaires conduisant aux lois binomiale et géométrique ; rd.random pour simuler des expériences ; échantillons de lois usuelles avec rd.binomial, rd.randint, rd.geometric, rd.poisson ; histogrammes en statistique descriptive | Les mêmes simulations, plus : fréquences, fréquences cumulées et histogramme comparés à la loi, comparaison expérimentale des lois B(n, λ/n) et P(λ), approche expérimentale de la loi de Gauss, calcul approché d'une probabilité par une fréquence |
2e année | Simulation de chaînes de Markov et observation de leur état stable ; comparaison d'estimateurs et d'intervalles de confiance | Méthode d'inversion, trois méthodes de simulation de la loi géométrique, simulation d'une loi normale par le théorème limite central, méthode de Monte-Carlo, comparaison d'estimateurs et d'intervalles de confiance |
Les bases : tirer au hasard avec numpy.random
Tous les programmes ci-dessous commencent par ces quatre lignes :
import numpy as np
import numpy.random as rd
import matplotlib.pyplot as plt
N = 100000
rd.random() renvoie un réel de [0, 1[ selon la loi uniforme, rd.random(N) un vecteur de N tels réels, rd.random([N, 10]) une matrice de N lignes et 10 colonnes. Les autres fonctions acceptent ce dernier argument : rd.binomial(10, 0.2, 100) renvoie 100 tirages de B(10 ; 0,2).
Une comparaison comme U < 0.25 renvoie un tableau de True et False, comptés comme 1 et 0 : np.mean de ce tableau donne donc une fréquence. np.sum(M, 1) somme chaque ligne d'une matrice M, np.sum(M, 0) chaque colonne, et np.var calcule la variance empirique en divisant par l'effectif.
Simuler une expérience aléatoire
Une loi binomiale avec rd.random seul
Tu réponds au hasard aux 10 questions d'un QCM à 4 choix, indépendamment. Le nombre X de bonnes réponses suit B(10, 1/4), avec E(X) = 2,5 et V(X) = 1,875.
U = rd.random([N, 10])
X = np.sum(U < 0.25, 1)
print(np.mean(X), np.var(X))
Chaque ligne de U représente un QCM. Deux exécutions ont donné une moyenne de 2,495 et 2,501, une variance de 1,872 et 1,877.
La loi géométrique avec une boucle while
On lance un dé jusqu'à obtenir un 6. Le rang X du premier 6 suit G(1/6), avec E(X) = 6 et V(X) = 30. La fonction geo répète une épreuve de Bernoulli de paramètre p jusqu'au premier succès :
def geo(p):
k = 1
while rd.random() >= p: k = k + 1
return k
G = np.zeros(N)
for i in range(N): G[i] = geo(1/6)
print(np.mean(G), np.var(G))
Les lignes 2 à 4 sont décalées d'un cran sous def. La boucle tire un nouveau nombre à chaque passage ; l'échec, rd.random() >= p, a la probabilité 1 − p. Résultat : une moyenne de 5,999 et une variance de 30,0.
Les lois usuelles en une commande
Pour une loi usuelle, la commande directe suffit : notre guide des lois de probabilité usuelles donne le tableau complet. Attention aux arguments : rd.randint(1, 7, N) simule un dé, rd.exponential(2, N) la loi E(1/2) et rd.normal(10, 3, N) la loi N(10, 9). En maths approfondies, rd.gamma(ν, 1, N) simule γ(ν).
La méthode de Monte-Carlo : estimer une probabilité ou une espérance
La loi faible des grands nombres justifie le principe : sur N répétitions indépendantes, la fréquence d'un événement approche sa probabilité et la moyenne empirique approche l'espérance. Le programme de maths approfondies présente cette « approche intuitive de l'estimation » en première année, puis la méthode de Monte-Carlo en deuxième année.
Estimer une probabilité
On lance trois dés. La somme atteint 15 dans 10 + 6 + 3 + 1 = 20 cas sur 216, pour les sommes 15, 16, 17 et 18 : la probabilité vaut 5/54 ≈ 0,0926.
D = rd.randint(1, 7, [N, 3])
S = np.sum(D, 1)
print(np.mean(S >= 15))
Deux exécutions ont donné 0,0936 et 0,0921.
Estimer une intégrale
Si U suit la loi uniforme sur [0, 1], le théorème de transfert donne E(g(U)) = intégrale de 0 à 1 de g(x) dx. Avec g(x) = e^(−x²), qui n'a pas de primitive s'exprimant avec les fonctions usuelles :
U = rd.random(N)
print(np.mean(np.exp(-U ** 2)))
Valeur exacte : environ 0,7468 ; simulation : le plus souvent entre 0,746 et 0,748.
Quelle précision attendre ?
Si FN est la fréquence d'un événement de probabilité p sur N répétitions, V(FN) = p(1 − p)/N ≤ 1/(4N), et l'inégalité de Bienaymé-Tchebychev donne P(|FN − p| ≥ ε) ≤ 1/(4Nε²). Avec N = 100 000 et ε = 0,01, cette probabilité est au plus 0,025. L'erreur se comporte comme 1/√N : gagner une décimale demande 100 fois plus de tirages.
Fréquences et histogrammes : comparer l'échantillon à la loi
Le programme de maths approfondies propose de comparer expérimentalement les lois B(n, λ/n) et P(λ) dès la première année. Avec n = 100 et λ = 3 :
X = rd.binomial(100, 0.03, N)
Y = rd.poisson(3, N)
for k in range(7): print(k, np.mean(X == k), np.mean(Y == k))
Les fréquences affichées sont proches des probabilités théoriques :
k | P(X = k) pour B(100 ; 0,03) | P(Y = k) pour P(3) |
|---|---|---|
0 | 0,0476 | 0,0498 |
1 | 0,1471 | 0,1494 |
2 | 0,2252 | 0,2240 |
3 | 0,2275 | 0,2240 |
4 | 0,1706 | 0,1680 |
5 | 0,1013 | 0,1008 |
6 | 0,0496 | 0,0504 |
Pour une variable à densité, on compare l'histogramme à la densité, et np.mean(X <= x) donne la fonction de répartition empirique en x. La maîtrise des options de plt.hist n'est pas exigible.
La méthode d'inversion
Soit F une fonction de répartition continue et strictement croissante d'un intervalle I sur ]0, 1[, et U de loi uniforme sur ]0, 1[. Alors X = F⁻¹(U) a pour fonction de répartition F, car P(F⁻¹(U) ≤ x) = P(U ≤ F(x)) = F(x).
Simuler la loi exponentielle
Pour E(λ), F(x) = 1 − e^(−λx) pour x ≥ 0, et 1 − e^(−λx) = u donne x = −ln(1 − u)/λ. C'est un résultat du programme de maths appliquées : si Y suit la loi uniforme sur [0, 1[, −(1/λ) ln(1 − Y) suit E(λ). Avec λ = 1/2 :
X = -np.log(1 - rd.random(N)) / 0.5
print(np.mean(X), np.var(X), np.mean(X <= 3))
plt.hist(X, 50, density=True)
x = np.linspace(0, 15, 200)
plt.plot(x, np.exp(-x / 2) / 2)
plt.show()
Théorie : E(X) = 2, V(X) = 4 et P(X ≤ 3) = 1 − e^(−1,5) ≈ 0,777. La simulation donne environ 2, 4 et 0,78, et l'histogramme épouse la densité. On écrit 1 − rd.random(N), à valeurs dans ]0, 1], car rd.random peut renvoyer 0, dont le logarithme n'existe pas.
Les travaux pratiques de maths approfondies citent aussi la loi de Cauchy, de fonction de répartition 1/2 + arctan(x)/π, simulée par inversion : ses moyennes empiriques ne se stabilisent pas, ce qui illustre l'absence d'espérance.
Trois méthodes pour la loi géométrique
Le programme de deuxième année de maths approfondies cite trois méthodes : la boucle while, rd.geometric(p, N) et la partie entière d'une exponentielle. Si Y suit E(λ) avec λ = −ln(1 − p), alors e^(−λ) = 1 − p et, pour tout entier k ≥ 1 :
P(⌊Y⌋ + 1 = k) = P(k − 1 ≤ Y < k) = (1 − p)^(k − 1) − (1 − p)^k = p(1 − p)^(k − 1).
p = 1/6
Y = rd.exponential(-1 / np.log(1 - p), N)
G = np.floor(Y) + 1
print(np.mean(G), np.var(G))
L'argument de rd.exponential est la moyenne 1/λ = −1/ln(1 − p). Les trois méthodes donnent une moyenne proche de 6 et une variance proche de 30.
Illustrer les théorèmes limites
Les énoncés de ces théorèmes sont détaillés dans notre guide des convergences et théorèmes limites en prépa ECG. Représenter les convergences est un objectif des travaux pratiques de maths approfondies ; en maths appliquées, ces illustrations ne sont pas citées, mais elles utilisent les mêmes commandes.
La loi faible des grands nombres
np.cumsum donne la fréquence du 6 après chaque lancer :
X = rd.randint(1, 7, N) == 6
F = np.cumsum(X) / np.arange(1, N + 1)
plt.plot(F)
plt.show()
La courbe oscille, puis se resserre autour de 1/6 ≈ 0,167. Pour mesurer la convergence, on estime P(|Fn − 1/6| ≥ 0,05) pour plusieurs n :
for n in [10, 100, 1000]: print(n, np.mean(np.abs(rd.binomial(n, 1/6, N) / n - 1/6) >= 0.05))
n | Probabilité exacte | Simulation | Borne de Bienaymé-Tchebychev, (5/36)/(n × 0,05²) |
|---|---|---|---|
10 | 0,709 | 0,711 | 5,56, sans intérêt |
100 | 0,178 | 0,178 | 0,556 |
1 000 | 0,000 03 | 0,000 01 | 0,056 |
La probabilité tend vers 0, et la borne de Bienaymé-Tchebychev se révèle très pessimiste.
Le théorème limite central
Le programme de première année de maths approfondies propose de superposer la densité de N(0, 1) et l'histogramme de (X − np)/√(np(1 − p)), où X suit B(n, p). Avec n = 100 et p = 0,3, np = 30 et np(1 − p) = 21 :
import scipy.special as sp
X = rd.binomial(100, 0.3, N)
Z = (X - 30) / np.sqrt(21)
print(np.mean(Z <= 1), sp.ndtr(1))
plt.hist(Z, (np.arange(9.5, 51) - 30) / np.sqrt(21), density=True)
x = np.linspace(-4, 4, 200)
plt.plot(x, np.exp(-x ** 2 / 2) / np.sqrt(2 * np.pi))
plt.show()
Les classes sont centrées sur les valeurs possibles de Z, sans quoi l'histogramme devient irrégulier. La simulation donne environ 0,837, contre Φ(1) ≈ 0,8413. L'écart vient de l'approximation normale, pas de la simulation : la valeur exacte de P(Z ≤ 1) = P(X ≤ 34) est 0,8371. En maths appliquées, sp.ndtr ne figure pas dans la liste : Φ(1) se lit dans une table de la loi normale.
Deux simulations de deuxième année
Comparer deux intervalles de confiance
Les deux programmes proposent de comparer des intervalles de confiance du paramètre p d'une loi de Bernoulli par leurs demi-largeurs et leurs niveaux de confiance. Avec n = 100, α = 0,05 et en utilisant p(1 − p) ≤ 1/4, l'intervalle de Bienaymé-Tchebychev a une demi-largeur 1/(2√(nα)) = 1/√20 ≈ 0,224, l'intervalle asymptotique 1,96/(2√n) = 0,098. On simule 10 000 échantillons avec p = 0,3 :
F = rd.binomial(100, 0.3, 10000) / 100
print(np.mean(np.abs(F - 0.3) <= 1 / np.sqrt(20)), np.mean(np.abs(F - 0.3) <= 1.96 / 20))
Le premier intervalle contient p dans 100 % des cas simulés, le second dans 96 % environ, pour une valeur exacte de 0,9625 : plus de deux fois plus étroit, il respecte ici le niveau de 95 %.
Simuler une chaîne de Markov, en maths appliquées
Une chaîne à deux états passe de 0 à 1 avec probabilité 0,1 et reste en 1 avec probabilité 0,5. Son état stable est (5/6, 1/6). On fait évoluer N chaînes en parallèle, parties de l'état 0 :
X = np.zeros(N)
for n in range(20): X = rd.random(N) < 0.1 + X / 2.5
print(np.mean(X))
La probabilité d'aller en 1, 0,1 + X/2,5, vaut 0,1 depuis 0 et 0,5 depuis 1. Après 20 étapes, la proportion de chaînes en 1 vaut environ 0,166 : c'est la convergence en loi vers l'état stable que le programme demande d'observer.
Les erreurs fréquentes en Python
Oublier que la borne de droite est exclue : rd.randint(1, 6) ne renvoie jamais 6.
Passer λ à rd.exponential au lieu de la moyenne 1/λ, ou la variance σ² à rd.normal au lieu de l'écart type σ.
Tirer une seule fois avant la boucle : avec u = rd.random() puis while u >= p, la condition ne change jamais et la boucle peut ne pas s'arrêter.
Oublier le + 1 dans np.floor(Y) + 1 : sans lui, les valeurs commencent à 0 et ne suivent pas une loi géométrique.
À l'écrit et en colle : ce qu'on attend de toi
À l'écrit, tu rédiges ton code à la main. Une question peut demander de compléter une ligne, d'expliquer ce que simule un programme, d'interpréter une valeur affichée ou un graphique. En colle, prépare-toi à justifier chaque ligne : quelle loi est simulée, pourquoi la fréquence ou la moyenne approche la bonne quantité, quelle valeur théorique on attend. Une simulation vérifie un résultat, elle ne le démontre jamais.
Conclusion
La simulation en Python en prépa ECG repose sur une liste courte : huit fonctions de numpy.random, quelques commandes de numpy et plt.hist. Elles suffisent pour simuler chaque loi usuelle, appliquer les méthodes de Monte-Carlo et d'inversion et observer les théorèmes limites. En maths approfondies, ces commandes sont exigibles ; en maths appliquées, la documentation est fournie, mais il faut savoir écrire une boucle et une fonction. Dans les deux cas, compare toujours le résultat simulé à la valeur théorique.
Envie de préparer Python et les probabilités avec un mentor issu du top 3 (HEC, ESSEC, ESCP) ? Candidate à l'accompagnement Virage Prépa
Cet article vous concerne ? Parlons-en 15 minutes.
On analyse la situation de l'élève et on vous dit franchement où il peut viser. Gratuit · Sans engagement · 7j/7
- 1On fait le point sur ses notes et les matières où il perd des points.
- 2On vous propose un plan de travail adapté à sa prépa et à l'école visée.
- 3Vous repartez avec le tarif exact, sans aucun engagement.






