Calcul de l’espérance loi binomiale PCSI
Utilisez ce calculateur premium pour déterminer rapidement l’espérance, la variance, l’écart-type et des probabilités associées à une variable aléatoire suivant une loi binomiale de paramètres n et p.
Rappel PCSI : si X suit une loi binomiale B(n, p), alors E(X) = np et V(X) = np(1 – p).
Le graphique représente la distribution de probabilité binomiale pour les paramètres saisis.
Résultats
Saisissez vos paramètres puis cliquez sur Calculer.
Comprendre le calcul de l’espérance d’une loi binomiale en PCSI
En classe de PCSI, la loi binomiale fait partie des outils fondamentaux pour modéliser une suite d’épreuves aléatoires indépendantes ayant toutes la même probabilité de succès. Le calcul de l’espérance loi binomiale PCSI est un passage incontournable, car il permet de relier une situation concrète à une quantité moyenne attendue. Derrière la formule simple E(X) = np, il y a une logique probabiliste très puissante : lorsqu’on répète n fois une expérience identique et indépendante, avec une probabilité de succès p, on s’attend en moyenne à observer np succès.
Cette idée est centrale en sciences, en ingénierie et en économie. Par exemple, si une chaîne de production fabrique 200 composants et que la probabilité qu’un composant soit conforme vaut 0,98, alors le nombre de composants conformes suit souvent une approximation binomiale et l’espérance vaut 196. Cette valeur ne signifie pas que l’on obtiendra exactement 196 pièces conformes à chaque série, mais qu’à long terme, la moyenne observée se stabilisera autour de cette quantité.
Définition utile : si X suit une loi binomiale de paramètres n et p, notée X ~ B(n, p), alors X compte le nombre de succès dans n épreuves de Bernoulli indépendantes, chacune de probabilité de succès p.
Rappel de cours : qu’est-ce qu’une loi binomiale ?
Une loi binomiale apparaît dès que l’on peut vérifier les quatre conditions suivantes :
- on répète une même expérience aléatoire un nombre fixe de fois ;
- chaque expérience n’a que deux issues pertinentes : succès ou échec ;
- la probabilité de succès est constante à chaque épreuve ;
- les épreuves sont indépendantes.
Dans ce cadre, la variable aléatoire X qui compte le nombre de succès parmi les n essais suit la loi binomiale. Sa probabilité est donnée par :
P(X = k) = C(n, k) pk (1 – p)n-k, pour tout entier k compris entre 0 et n.
En PCSI, on vous demande souvent non seulement de reconnaître le bon modèle, mais aussi d’en tirer les grandeurs caractéristiques : espérance, variance, écart-type et parfois probabilité d’obtenir exactement k succès, au plus k succès ou au moins k succès. Le calculateur ci-dessus permet justement d’automatiser ces étapes tout en vous aidant à interpréter les résultats.
Pourquoi l’espérance vaut-elle E(X) = np ?
La formule de l’espérance de la loi binomiale est particulièrement élégante, car elle s’obtient naturellement par décomposition en variables de Bernoulli. On peut écrire :
- X = X1 + X2 + … + Xn, où chaque Xi vaut 1 en cas de succès à l’épreuve i et 0 sinon ;
- chaque Xi suit une loi de Bernoulli de paramètre p ;
- l’espérance d’une Bernoulli vaut p ;
- par linéarité de l’espérance, E(X) = E(X1) + … + E(Xn) = p + … + p = np.
Cette démonstration a un intérêt majeur : elle montre que l’espérance n’a pas besoin d’une somme combinatoire lourde. En pratique, cela signifie que dès que vous identifiez une variable binomiale de paramètres n et p, vous connaissez immédiatement sa moyenne théorique.
Interprétation concrète en PCSI
Supposons qu’un QCM comporte 20 questions indépendantes et qu’un candidat a une probabilité de réussite égale à 0,7 à chaque question. Si X désigne le nombre de bonnes réponses, alors :
- X suit une loi binomiale B(20, 0,7) ;
- son espérance vaut E(X) = 20 × 0,7 = 14 ;
- on peut donc dire qu’en moyenne le candidat obtiendra environ 14 bonnes réponses.
Attention : l’espérance n’est pas forcément une valeur que la variable peut effectivement prendre. Avec n = 5 et p = 0,3, l’espérance vaut 1,5. Or le nombre de succès est nécessairement entier. L’espérance est une valeur moyenne théorique, pas un résultat obligatoire sur une expérience unique.
Variance et écart-type : les compléments indispensables
Pour bien maîtriser le calcul de l’espérance loi binomiale PCSI, il faut aussi connaître la dispersion autour de cette moyenne. Si X suit B(n, p), alors :
- V(X) = np(1 – p) ;
- σ(X) = √(np(1 – p)).
La variance mesure à quel point les résultats s’écartent de l’espérance. Plus p est proche de 0 ou de 1, plus la dispersion diminue à n fixé. À l’inverse, lorsque p est proche de 0,5, l’incertitude est plus forte. En PCSI, cette lecture est importante lorsque vous devez commenter la concentration des probabilités autour de la moyenne.
| Contexte réel | n | p | Espérance E(X) | Variance V(X) | Écart-type σ(X) |
|---|---|---|---|---|---|
| 10 lancers d’une pièce équilibrée, nombre de faces | 10 | 0,50 | 5,00 | 2,50 | 1,581 |
| 20 composants testés, conformité à 95 % | 20 | 0,95 | 19,00 | 0,95 | 0,975 |
| 50 e-mails ouverts, taux d’ouverture de 30 % | 50 | 0,30 | 15,00 | 10,50 | 3,240 |
| 100 patients répondant à un traitement avec probabilité 0,62 | 100 | 0,62 | 62,00 | 23,56 | 4,854 |
Méthode complète pour résoudre un exercice de binomiale
Lorsqu’un exercice de PCSI parle de répétition d’essais indépendants avec succès ou échec, adoptez la méthode suivante :
- Identifier les paramètres : relever le nombre d’épreuves n et la probabilité de succès p.
- Définir la variable : poser clairement X = nombre de succès observés.
- Justifier la loi : expliquer pourquoi X suit une loi binomiale B(n, p).
- Calculer l’espérance : utiliser directement E(X) = np.
- Calculer la variance ou l’écart-type si demandé : V(X) = np(1 – p), puis σ(X) = √V(X).
- Calculer la probabilité utile : P(X = k), P(X ≤ k) ou P(X ≥ k), selon la question.
- Interpréter : relier les valeurs numériques à la situation concrète.
Exemple détaillé
On considère un test automatisé effectué 12 fois. À chaque essai, la machine détecte correctement un signal avec probabilité 0,8. On note X le nombre de détections correctes.
- X suit B(12, 0,8).
- L’espérance vaut E(X) = 12 × 0,8 = 9,6.
- La variance vaut V(X) = 12 × 0,8 × 0,2 = 1,92.
- L’écart-type vaut environ 1,386.
Interprétation : sur un grand nombre de séries de 12 essais, le nombre moyen de détections correctes sera proche de 9,6. Cette moyenne théorique se combine à un écart-type d’environ 1,39, ce qui indique une dispersion modérée autour de la moyenne.
Erreurs fréquentes à éviter
Le calcul de l’espérance loi binomiale PCSI paraît simple, mais plusieurs erreurs reviennent souvent :
- Confondre p et 1 – p : p doit toujours désigner la probabilité du succès tel qu’il a été défini dans l’énoncé.
- Oublier l’indépendance : sans indépendance, le modèle binomial n’est pas automatiquement valide.
- Oublier que n doit être fixe : si le nombre d’essais est aléatoire, on n’est plus dans le cadre standard.
- Prendre l’espérance pour la valeur la plus probable : ce n’est pas la même chose. L’espérance est une moyenne théorique.
- Mal lire le contexte : un exercice peut demander le nombre d’échecs. Dans ce cas, la variable n’a pas le même paramètre de succès si vous la redéfinissez.
Comparaison de différents cas binomiaux
Le tableau suivant aide à voir comment l’espérance évolue lorsque n et p changent. Les chiffres sont volontairement choisis dans des contextes réalistes, utiles pour entraîner votre intuition statistique.
| Situation | Description du succès | n | p | Espérance | Lecture pratique |
|---|---|---|---|---|---|
| Contrôle qualité industriel | pièce conforme | 500 | 0,97 | 485 | On attend en moyenne 485 pièces conformes sur 500. |
| Campagne de mailing | clic sur un lien | 1000 | 0,04 | 40 | Le nombre moyen de clics attendus est de 40. |
| Dépistage médical | test positif dans une population donnée | 200 | 0,12 | 24 | Sur 200 personnes, 24 positives en moyenne. |
| Évaluation scolaire | bonne réponse à une question | 30 | 0,75 | 22,5 | Le score moyen théorique est de 22,5 bonnes réponses. |
Quel lien entre la loi binomiale et le programme de PCSI ?
En PCSI, l’objectif n’est pas seulement de savoir appliquer des formules. Il s’agit aussi d’apprendre à modéliser un phénomène, à identifier une variable aléatoire pertinente et à donner du sens aux résultats numériques. La loi binomiale sert de base à plusieurs thèmes :
- les schémas de Bernoulli ;
- le calcul d’espérance par linéarité ;
- la variance d’une somme de variables indépendantes ;
- les approximations statistiques dans les grands échantillons ;
- la transition vers d’autres lois discrètes ou continues dans les classes supérieures.
Le calcul de l’espérance a aussi une portée conceptuelle. Il permet de faire le lien entre un résultat théorique et une observation expérimentale. Dans les travaux scientifiques, on cherche souvent à comparer un résultat observé à la moyenne attendue. La loi binomiale fournit alors un modèle simple, propre et rigoureux.
Quand utiliser le calculateur ?
Ce calculateur est particulièrement utile dans les cas suivants :
- vérifier rapidement un exercice de TD ou de DM ;
- visualiser la répartition des probabilités sur les valeurs de k ;
- comparer l’effet d’une variation de p sur la moyenne attendue ;
- mieux comprendre la différence entre P(X = k), P(X ≤ k) et P(X ≥ k).
Liens utiles vers des sources d’autorité
Pour approfondir vos connaissances sur les probabilités, les distributions discrètes et les bases statistiques, vous pouvez consulter ces ressources reconnues :
Conclusion
Le calcul de l’espérance loi binomiale PCSI est un outil essentiel parce qu’il synthétise en une seule formule l’idée de moyenne dans un schéma de répétition aléatoire. Retenir E(X) = np est indispensable, mais savoir l’expliquer, l’interpréter et l’utiliser intelligemment l’est encore plus. En ajoutant la variance np(1 – p) et l’étude des probabilités ponctuelles ou cumulées, vous disposez d’un cadre complet pour traiter la plupart des exercices de loi binomiale rencontrés en début de classes préparatoires scientifiques.
Si vous utilisez régulièrement le calculateur et le graphique associé, vous développerez une intuition très utile : lorsque p augmente, la distribution se décale vers la droite ; lorsque n augmente, la moyenne grandit et la forme de la distribution évolue ; lorsque p est proche de 0,5, la dispersion est plus marquée. Cette lecture visuelle complète parfaitement l’approche théorique du cours et vous aide à progresser plus vite en probabilités.