Calcul de l’espérance et de la variance d’une loi binomiale
Utilisez ce calculateur premium pour obtenir instantanément l’espérance, la variance, l’écart-type et la distribution de probabilité d’une variable aléatoire suivant une loi binomiale B(n, p).
Résultats
Renseignez les valeurs puis cliquez sur Calculer.
Guide expert du calcul de l’espérance et de la variance pour une loi binomiale
Le calcul de l’espérance de la variance loi binomial est une compétence fondamentale en probabilités, en statistique appliquée, en data science, en contrôle qualité, en biostatistique et en analyse des risques. Dès que l’on répète une expérience aléatoire un nombre fixe de fois, avec deux issues possibles à chaque essai, succès ou échec, et avec une probabilité de succès constante, on se place naturellement dans le cadre de la loi binomiale.
Une variable aléatoire X suit une loi binomiale B(n, p) si elle compte le nombre de succès observés sur n essais indépendants, chaque essai ayant une probabilité p de réussir. Par exemple, le nombre de patients répondant positivement à un traitement dans un échantillon donné, le nombre de pièces conformes dans un lot, ou encore le nombre de bonnes réponses à un test de type vrai/faux peuvent être modélisés par une loi binomiale.
1. Qu’est-ce que l’espérance d’une loi binomiale ?
L’espérance mathématique représente la valeur moyenne théorique de la variable aléatoire après un très grand nombre de répétitions de l’expérience. Pour une loi binomiale, l’espérance est donnée par :
E(X) = n × p
Cette formule est intuitive : si vous réalisez n essais et que la probabilité de succès à chaque essai est p, alors le nombre moyen de succès attendu est tout simplement le produit des deux.
- Si n = 20 et p = 0,5, alors l’espérance vaut 10.
- Si n = 100 et p = 0,2, alors l’espérance vaut 20.
- Si n = 12 et p = 0,75, alors l’espérance vaut 9.
L’espérance ne signifie pas que cette valeur se produira nécessairement lors d’une expérience réelle. Elle indique plutôt le centre théorique autour duquel les résultats tendent à se répartir. Dans la pratique, sur une seule expérience, vous pouvez obtenir une valeur inférieure ou supérieure à l’espérance.
2. Qu’est-ce que la variance d’une loi binomiale ?
La variance mesure la dispersion des résultats autour de l’espérance. Pour une loi binomiale :
Var(X) = n × p × (1 – p)
Le terme (1 – p) correspond à la probabilité d’échec, souvent notée q. Ainsi, on peut également écrire :
Var(X) = n × p × q
Plus la variance est grande, plus les résultats possibles sont étalés autour de la moyenne. Si la variance est faible, les résultats ont tendance à rester proches de l’espérance. Cette information est cruciale dans de nombreux domaines :
- Industrie : mesurer la stabilité d’un processus de production.
- Santé publique : évaluer l’incertitude autour d’un nombre de cas attendus.
- Finance quantitative : modéliser des événements discrets dans certains scénarios de risque.
- Pédagogie : analyser les scores attendus à des quiz binaires.
3. Pourquoi l’écart-type est-il aussi important ?
L’écart-type est simplement la racine carrée de la variance :
σ = √Var(X) = √(n × p × (1 – p))
Il est souvent plus parlant que la variance, car il s’exprime dans la même unité que la variable étudiée. Si X compte un nombre de succès, l’écart-type s’interprète directement en nombre de succès typiquement éloignés de la moyenne.
4. Conditions d’application de la loi binomiale
Avant de calculer correctement l’espérance et la variance, il faut vérifier que la situation relève bien d’une loi binomiale. Les conditions sont les suivantes :
- Le nombre d’essais n est fixé à l’avance.
- Chaque essai possède deux issues possibles : succès ou échec.
- La probabilité de succès p reste constante d’un essai à l’autre.
- Les essais sont indépendants.
Si l’une de ces conditions n’est pas respectée, la loi binomiale peut devenir inadaptée. Par exemple, dans un tirage sans remise dans une petite population, l’indépendance n’est plus garantie. Dans ce cas, une autre loi de probabilité, comme l’hypergéométrique, peut être plus pertinente.
5. D’où viennent les formules E(X) = np et Var(X) = np(1-p) ?
Une démonstration élégante consiste à écrire la variable binomiale comme la somme de variables de Bernoulli indépendantes :
X = X₁ + X₂ + … + Xₙ
où chaque Xᵢ vaut 1 en cas de succès et 0 en cas d’échec. Pour chaque variable de Bernoulli :
- E(Xᵢ) = p
- Var(Xᵢ) = p(1 – p)
Par additivité de l’espérance :
E(X) = E(X₁) + … + E(Xₙ) = np
Et comme les variables sont indépendantes, les variances s’additionnent :
Var(X) = Var(X₁) + … + Var(Xₙ) = np(1-p)
6. Exemple complet de calcul
Prenons un exemple concret : un laboratoire observe un test rapide qui détecte correctement une condition avec une probabilité de succès de 0,82. On applique ce test à 50 patients, en supposant que les essais soient indépendants au sens du modèle.
- n = 50
- p = 0,82
- q = 0,18
On calcule :
- Espérance : E(X) = 50 × 0,82 = 41
- Variance : Var(X) = 50 × 0,82 × 0,18 = 7,38
- Écart-type : σ = √7,38 ≈ 2,72
Interprétation : sur 50 patients, on s’attend en moyenne à 41 détections positives. Une fluctuation typique autour de cette moyenne est de l’ordre de 2,72. En pratique, obtenir 39, 41 ou 43 peut donc être raisonnablement fréquent, alors qu’obtenir 25 serait beaucoup plus atypique dans ce cadre probabiliste.
7. Tableau comparatif : influence de p sur l’espérance et la variance
Le tableau suivant illustre, pour n = 100, comment la probabilité de succès modifie la moyenne et la dispersion.
| n | p | Espérance E(X) = np | Variance Var(X) = np(1-p) | Écart-type | Lecture rapide |
|---|---|---|---|---|---|
| 100 | 0,10 | 10 | 9,00 | 3,00 | Faible moyenne, dispersion modérée. |
| 100 | 0,25 | 25 | 18,75 | 4,33 | Dispersion plus marquée. |
| 100 | 0,50 | 50 | 25,00 | 5,00 | Dispersion maximale pour n fixé. |
| 100 | 0,75 | 75 | 18,75 | 4,33 | Symétrie avec p = 0,25. |
| 100 | 0,90 | 90 | 9,00 | 3,00 | Résultats concentrés près de 90. |
Ce tableau met en évidence une propriété importante : la variance est la même pour p et 1 – p. Ainsi, les cas p = 0,25 et p = 0,75 possèdent la même variance, même si leur espérance diffère fortement.
8. Tableau comparatif : influence de n sur l’espérance et la variance
Maintenant, fixons p = 0,30 et faisons varier le nombre d’essais.
| n | p | Espérance | Variance | Écart-type | Observation |
|---|---|---|---|---|---|
| 10 | 0,30 | 3 | 2,10 | 1,45 | Petit échantillon, forte variabilité relative. |
| 30 | 0,30 | 9 | 6,30 | 2,51 | La moyenne augmente linéairement avec n. |
| 50 | 0,30 | 15 | 10,50 | 3,24 | Dispersion absolue plus importante. |
| 100 | 0,30 | 30 | 21,00 | 4,58 | La distribution devient plus régulière. |
| 500 | 0,30 | 150 | 105,00 | 10,25 | Approche normale souvent utile selon le contexte. |
9. Probabilité ponctuelle : comment calculer P(X = k) ?
Au-delà de l’espérance et de la variance, il est fréquent de vouloir connaître la probabilité d’obtenir exactement k succès. La formule de la loi binomiale est :
P(X = k) = C(n, k) × pk × (1-p)n-k
où C(n, k) est le coefficient binomial, aussi noté “n parmi k”. Cette quantité compte le nombre de façons d’obtenir exactement k succès parmi n essais.
Notre calculateur ci-dessus utilise cette formule pour mettre en évidence la valeur P(X = k) correspondant au k sélectionné. Cela permet de visualiser la distribution complète tout en obtenant les indicateurs centraux que sont l’espérance et la variance.
10. Applications concrètes de la loi binomiale
La loi binomiale est omniprésente dans l’analyse quantitative. Voici quelques exemples concrets :
- Contrôle qualité : nombre de produits défectueux dans un lot de 200 pièces si le taux de défaut moyen est de 3 %.
- Biostatistique : nombre de patients répondant favorablement à un traitement parmi 80 patients.
- Sondages : nombre de répondants favorables à une mesure dans un échantillon aléatoire.
- Éducation : nombre de bonnes réponses à un QCM avec probabilité constante de succès pour chaque question.
- Fiabilité : nombre de composants fonctionnels dans un ensemble testé.
11. Erreurs fréquentes à éviter
- Utiliser un p en pourcentage sans le convertir : 35 % doit être écrit 0,35.
- Confondre variance et écart-type : l’écart-type est la racine carrée de la variance.
- Oublier l’indépendance des essais : sans indépendance, le modèle binomial peut être faux.
- Choisir un n non entier : le nombre d’essais doit être un entier.
- Interpréter l’espérance comme une valeur certaine : c’est une moyenne théorique, pas une garantie.
12. Quand utiliser une approximation normale ?
Lorsque n est grand et que p n’est ni trop proche de 0 ni trop proche de 1, la loi binomiale peut être approchée par une loi normale. Une règle pratique très courante consiste à vérifier :
- np ≥ 5
- n(1-p) ≥ 5
Dans ce cas, on peut approximer :
X ≈ N(np, np(1-p))
Cela simplifie de nombreux calculs de probabilités, notamment pour de grands échantillons. Néanmoins, pour des calculs exacts de probabilités discrètes, la formule binomiale reste la référence.
13. Comment interpréter les résultats du calculateur
Lorsque vous saisissez n et p, le calculateur affiche :
- L’espérance : le nombre moyen de succès attendu.
- La variance : le niveau de dispersion théorique.
- L’écart-type : la dispersion dans la même unité que le nombre de succès.
- La probabilité P(X = k) : la probabilité exacte d’obtenir k succès.
- Un graphique : la distribution binomiale complète, utile pour visualiser la concentration ou l’étalement des probabilités.
Ce type de visualisation est extrêmement utile pour comprendre si la distribution est centrée, asymétrique, concentrée ou étalée. Lorsque p = 0,5, la courbe est généralement plus symétrique. Lorsque p est très faible ou très forte, la distribution est plus dissymétrique.
14. Sources académiques et institutionnelles recommandées
Pour approfondir la théorie des probabilités et la loi binomiale, vous pouvez consulter ces ressources fiables :
- University of California, Berkeley – Department of Statistics (.edu)
- U.S. Census Bureau (.gov)
- Penn State Department of Statistics Online Programs (.edu)
15. Résumé pratique
Retenez les trois formules essentielles :
- Espérance : E(X) = np
- Variance : Var(X) = np(1-p)
- Écart-type : σ = √(np(1-p))
Le calcul de l’espérance de la variance loi binomial permet d’estimer à la fois le comportement moyen d’un phénomène et sa variabilité. C’est précisément ce double regard, position centrale et dispersion, qui rend la loi binomiale si utile en pratique. Que vous soyez étudiant, enseignant, analyste, ingénieur qualité ou professionnel de santé, maîtriser ces calculs vous donnera une base solide pour interpréter correctement des phénomènes aléatoires discrets.
Enfin, n’oubliez pas que la qualité de l’interprétation dépend toujours de la validité du modèle. Avant de conclure, vérifiez bien les hypothèses de la loi binomiale. Si elles sont satisfaites, l’espérance et la variance vous fournissent une synthèse puissante, rigoureuse et directement exploitable de votre expérience aléatoire.