Calcul de potabilité dans le cadre d’une loi binomiale
Estimez rapidement la probabilité d’obtenir un nombre donné d’échantillons d’eau potable sur une série de contrôles, selon un modèle binomial adapté aux analyses de conformité.
Calculateur binomial de potabilité
Utilisez ce module pour modéliser la probabilité qu’un certain nombre d’échantillons soient jugés potables si chaque contrôle a une probabilité identique de conformité.
Guide expert : comprendre le calcul de potabilité avec une loi binomiale
Le calcul de potabilité dans le cadre d’une loi binomiale est une manière rigoureuse de relier un phénomène sanitaire concret, la conformité d’échantillons d’eau, à un modèle probabiliste simple mais puissant. Dans une démarche de contrôle, on réalise souvent une série de prélèvements. Chaque prélèvement peut ensuite être classé en deux catégories seulement : potable ou non potable, conforme ou non conforme, succès ou échec. Dès lors, la loi binomiale devient un outil naturel pour quantifier le risque, prévoir les résultats attendus et interpréter une campagne d’analyses.
En pratique, ce type de calcul peut être utile pour plusieurs profils : responsables qualité d’un réseau d’eau, exploitants de forages, techniciens de laboratoire, collectivités, bureaux d’études, étudiants en statistiques appliquées ou encore professionnels de l’hygiène environnementale. Le principe consiste à supposer que chaque prélèvement a une probabilité fixe p d’être potable, que les prélèvements sont assimilés à des essais indépendants et que le nombre total d’analyses est connu à l’avance. Si l’on note X le nombre d’échantillons potables sur n analyses, alors X suit une loi binomiale B(n, p).
Pourquoi la loi binomiale est-elle adaptée à la potabilité ?
La loi binomiale s’applique lorsqu’on retrouve quatre conditions fondamentales :
- on effectue un nombre fixe d’essais, ici un nombre déterminé de prélèvements ;
- chaque essai n’a que deux issues, par exemple potable ou non potable ;
- la probabilité de succès reste stable d’un essai à l’autre ;
- les essais sont supposés indépendants, au moins comme approximation de travail.
Ces hypothèses ne sont pas toujours parfaitement vérifiées dans le monde réel. Une défaillance de traitement peut, par exemple, rendre plusieurs prélèvements consécutifs corrélés. De même, la probabilité de conformité peut varier selon la saison, la température, les travaux sur le réseau ou le point de prélèvement. Malgré cela, la loi binomiale reste extrêmement utile pour une première modélisation, pour comparer plusieurs scénarios et pour mettre en place des indicateurs de décision.
Formule de base
Si l’on cherche la probabilité d’obtenir exactement k échantillons potables parmi n, la formule est :
P(X = k) = C(n, k) × pk × (1 – p)n-k
où C(n, k) désigne le nombre de combinaisons de k succès parmi n essais. Cette formule permet de répondre à des questions très concrètes :
- Quelle est la probabilité d’obtenir exactement 18 prélèvements potables sur 20 ?
- Quelle est la probabilité d’avoir au moins 19 prélèvements conformes ?
- Quelle est la probabilité d’avoir au plus 1 non-conformité sur une série donnée ?
Interprétation des paramètres n, p et k
Le paramètre n représente le volume de contrôle. Plus il est élevé, plus on observe finement le comportement du réseau ou de la ressource, mais plus on augmente aussi la probabilité de détecter au moins une non-conformité, même si la qualité globale est élevée. Le paramètre p représente le niveau de qualité sanitaire supposé. Un réseau très stable et bien maîtrisé peut se situer à 0,99 ou davantage sur certains types de paramètres, alors qu’un contexte plus dégradé ou plus variable conduit à des valeurs plus faibles. Le paramètre k correspond à l’objectif ou au seuil que l’on veut tester.
Il est très important de distinguer plusieurs lectures statistiques :
- P(X = k) répond à une question exacte, utile dans l’enseignement et pour des cas précis ;
- P(X ≤ k) mesure le risque d’un niveau de conformité insuffisant ;
- P(X ≥ k) mesure la chance d’atteindre ou dépasser un niveau cible de qualité.
Exemple concret appliqué à un contrôle d’eau potable
Supposons qu’un exploitant estime qu’un prélèvement individuel a 97 % de chances d’être conforme sur le paramètre étudié. Il programme 20 analyses. On veut connaître la probabilité d’obtenir au moins 18 prélèvements potables. Le calculateur ci-dessus permet d’obtenir la réponse immédiatement. Ce type d’analyse est utile pour fixer des objectifs réalistes, construire un plan de surveillance et expliquer à une collectivité qu’un très bon niveau moyen n’implique pas systématiquement une conformité parfaite à chaque campagne.
Avec la loi binomiale, on peut aussi calculer l’espérance et la dispersion. L’espérance vaut n × p. Dans notre exemple, cela donne 20 × 0,97 = 19,4 prélèvements potables attendus en moyenne. La variance vaut n × p × (1 – p), ce qui renseigne sur la variabilité possible de la campagne. Une eau généralement très sûre reste donc soumise à une variabilité statistique normale qu’il faut savoir interpréter.
Données de référence et contexte sanitaire
Les statistiques publiques montrent que la qualité de l’eau distribuée est généralement très élevée dans les pays à forte structuration réglementaire, même si des écarts locaux persistent. Aux États-Unis, l’EPA indique que plus de 90 % des systèmes communautaires d’eau respectent les normes sanitaires fondées sur la santé sur des périodes de référence récentes. De son côté, le CDC rappelle que l’accès à une eau potable gérée de façon sûre est un déterminant majeur de santé publique et qu’une surveillance régulière réduit fortement les risques de maladies d’origine hydrique. Ces ordres de grandeur renforcent l’intérêt d’une modélisation probabiliste : lorsque la conformité est élevée mais non parfaite, le calcul binomial aide à quantifier ce que l’on doit attendre d’une série d’échantillons.
| Source | Indicateur | Statistique | Lecture utile pour la loi binomiale |
|---|---|---|---|
| U.S. EPA | Systèmes communautaires respectant les normes de santé | Plus de 90 % | Peut justifier un p élevé dans des scénarios de modélisation globaux |
| CDC / WASH | Importance sanitaire de l’eau potable sûre | Réduction forte du risque de maladies hydriques avec surveillance et traitement | Le paramètre p dépend directement de la robustesse opérationnelle du système |
| WHO-UNICEF JMP relayé par institutions publiques | Population mondiale ayant accès à un service d’eau potable géré de façon sûre | Environ 73 % en 2022 | Montre que le niveau de p varie fortement selon les contextes territoriaux |
Comment choisir une valeur réaliste de p ?
Le plus grand piège consiste à choisir arbitrairement la probabilité p. Pour une utilisation sérieuse, il faut s’appuyer sur l’historique local : taux de conformité microbiologique, conformité physico-chimique, nature des incidents, saisonnalité, incidents de chloration, sensibilité des captages, réseau de distribution, travaux ou épisodes pluvieux. Une estimation de p peut venir :
- des résultats de contrôle sanitaire passés ;
- d’un plan HACCP ou d’une analyse de risques ;
- d’audits qualité internes ;
- d’un benchmark sectoriel prudent ;
- de scénarios prospectifs conservateurs et optimistes.
Par exemple, si un historique local montre 194 prélèvements conformes sur 200, une estimation simple conduit à p = 0,97. Cette valeur n’est pas une vérité absolue : c’est une base de modélisation. On peut ensuite tester la sensibilité du résultat à p = 0,95, 0,97 et 0,99 afin de visualiser l’impact d’une amélioration ou d’une dégradation du système.
| Scénario | Probabilité unitaire p | Espérance sur 20 analyses | Lecture opérationnelle |
|---|---|---|---|
| Réseau sous tension | 0,90 | 18,0 | Le risque de résultats insuffisants devient significatif |
| Réseau bien maîtrisé | 0,97 | 19,4 | Quelques non-conformités isolées restent statistiquement possibles |
| Réseau très robuste | 0,995 | 19,9 | Une campagne parfaite devient très probable, sans être garantie |
Ce que le calcul binomial permet de décider
Le calcul de potabilité dans le cadre d’une loi binomiale n’est pas seulement un exercice théorique. Il peut soutenir des décisions concrètes :
- Définir un plan d’échantillonnage : combien de prélèvements faut-il pour obtenir une information suffisamment discriminante ?
- Comparer des scénarios : quelle différence de performance observe-t-on si p passe de 0,95 à 0,98 ?
- Évaluer un objectif de conformité : a-t-on une forte probabilité d’atteindre au moins 99 prélèvements conformes sur 100 ?
- Communiquer le risque : expliquer qu’un incident isolé n’implique pas nécessairement une défaillance structurelle, mais doit être replacé dans une analyse globale.
Limites du modèle
Pour rester crédible, il faut aussi connaître les limites de la loi binomiale appliquée à la potabilité :
- les prélèvements ne sont pas toujours indépendants ;
- la probabilité de conformité peut évoluer dans le temps ;
- la notion de potabilité dépend du paramètre observé et du seuil réglementaire ;
- une campagne avec faible effectif peut donner des estimations instables ;
- des événements rares mais graves peuvent nécessiter d’autres outils statistiques ou épidémiologiques.
Lorsque l’indépendance est douteuse ou que la probabilité n’est pas constante, d’autres approches peuvent être préférables : modèles bêta-binomiaux, séries temporelles, cartes de contrôle, méthodes bayésiennes ou analyses par strates spatiales et saisonnières. Toutefois, comme première approximation, la loi binomiale reste l’un des meilleurs compromis entre simplicité, lisibilité et utilité opérationnelle.
Bonnes pratiques d’interprétation
Pour tirer de la valeur du calculateur, adoptez les bonnes pratiques suivantes :
- documentez l’origine de la valeur p ;
- analysez plusieurs scénarios plutôt qu’un seul ;
- regardez à la fois les probabilités exactes et cumulées ;
- comparez les résultats au contexte réglementaire réel ;
- n’utilisez jamais le calcul statistique pour minimiser une non-conformité sanitaire avérée.
En résumé, le calcul de potabilité dans le cadre d’une loi binomiale permet d’objectiver une question fréquente : compte tenu d’un niveau de conformité attendu, quels résultats sont plausibles sur une série de prélèvements ? C’est un excellent outil pour la pédagogie, la planification et l’aide à la décision. Bien utilisé, il aide à passer d’une lecture intuitive de la qualité de l’eau à une lecture probabiliste robuste, transparente et argumentée.