Espérance et simulation d'une loi binomiale
Une moyenne prévue doit-elle apparaître lors d’une expérience ?
Environ 35 minutes
- Calculer une espérance comme somme pondérée
- Interpréter E(X) = np pour une loi binomiale
- Construire une simulation et comparer fréquences et probabilités
Une moyenne prévue doit-elle apparaître lors d’une expérience ?
Dans une série de quatre essais, on peut compter zéro, un, deux, trois ou quatre succès. Pourtant, le nombre moyen de succès peut être 1,2. L’espérance et la simulation permettent de comprendre cette différence entre un résultat possible et une moyenne sur beaucoup de répétitions. Les probabilités utilisées dans cette leçon appartiennent à des modèles, sans décrire des observations sanitaires réelles.
1. Pondérer les valeurs par leurs probabilités
Une variable aléatoire discrète finie X associe un nombre à chaque issue d’une expérience. Si elle prend les valeurs x₁, x₂, … avec les probabilités correspondantes, son espérance est la somme des produits valeur × probabilité : E(X) = ΣxᵢP(X = xᵢ). On ne fait pas une moyenne simple des valeurs, sauf si elles sont toutes équiprobables.
L’espérance est une caractéristique du modèle. Elle représente la moyenne autour de laquelle on s’attend à voir se stabiliser une moyenne empirique lorsque l’expérience est répétée un grand nombre de fois dans les mêmes conditions indépendantes. Une réalisation isolée peut s’en éloigner. Il n’est pas nécessaire que l’espérance soit elle-même une valeur possible de X.
Pour une loi donnée par un tableau, on commence par vérifier que les probabilités sont positives ou nulles et de somme 1. On multiplie ensuite chaque valeur par sa probabilité et on additionne tous les produits. L’espérance possède la même unité que les valeurs de X : euros pour un gain, nombre de succès pour un comptage, jours pour une durée.
Exemple résolu
Une variable X prend les valeurs 0, 1 et 2 avec les probabilités 0,2, 0,5 et 0,3. Calculer son espérance.
- Étape 1 : Les probabilités totalisent 0,2 + 0,5 + 0,3 = 1.
- Étape 2 : Les contributions sont 0 × 0,2 = 0 ; 1 × 0,5 = 0,5 ; 2 × 0,3 = 0,6.
- Étape 3 : La somme pondérée vaut 0 + 0,5 + 0,6 = 1,1.
Résultat : E(X) = 1,1. Cette moyenne théorique n’est pas une valeur possible de X, qui reste entière.
Piège à éviter : La moyenne simple (0 + 1 + 2)/3 = 1 ignorerait les probabilités différentes des trois valeurs.
À toi d'essayer
Une variable prend les valeurs 2 et 6 avec les probabilités 0,75 et 0,25. Calcule son espérance et compare-la à la moyenne simple des deux valeurs.
Voir la réponseMasquer la réponse
E(X) = 2 × 0,75 + 6 × 0,25 = 1,5 + 1,5 = 3. La moyenne simple serait 4 ; elle ne convient pas, car la valeur 2 est trois fois plus probable que la valeur 6.
2. Interpréter la formule np
Si X suit une loi binomiale B(n ; p), son espérance est E(X) = np. Le paramètre n compte les épreuves d’une série et p est la probabilité de succès d’une épreuve. La formule peut se comprendre en associant 1 à chaque succès et 0 à chaque échec : chaque épreuve contribue en moyenne p au total. Les n contributions donnent alors np.
Pour n = 4 et p = 0,3, l’espérance vaut 4 × 0,3 = 1,2. Cela ne signifie pas qu’une série contient 1,2 succès : chaque série en contient un nombre entier. Cela ne signifie pas non plus que 1 ou 2 apparaissent forcément. Même zéro ou quatre succès restent possibles. L’espérance résume une moyenne et ne décrit pas à elle seule toute la distribution.
Exemple résolu
Retrouver l’espérance de B(4 ; 0,3) à partir de sa loi, puis avec la formule np.
- Étape 1 : Les probabilités pour k = 0, 1, 2, 3, 4 sont 0,2401 ; 0,4116 ; 0,2646 ; 0,0756 ; 0,0081.
- Étape 2 : Les produits kP(X = k) valent 0 ; 0,4116 ; 0,5292 ; 0,2268 ; 0,0324. Leur somme vaut 1,2.
- Étape 3 : La formule directe donne aussi np = 4 × 0,3 = 1,2.
Résultat : Les deux méthodes donnent E(X) = 1,2 succès par série de quatre essais.
Piège à éviter : Confondre la plus haute barre de la loi avec l’espérance donnerait 1 : c’est ici la valeur la plus probable, pas la moyenne théorique.
Deux lois peuvent avoir la même espérance sans avoir les mêmes valeurs possibles ni les mêmes probabilités. Par exemple, B(4 ; 0,3) et B(6 ; 0,2) ont toutes deux une espérance de 1,2. La première ne peut pas dépasser quatre succès, tandis que la seconde peut en atteindre six. Pour évaluer le risque d’un nombre élevé de succès, il faut donc étudier les probabilités, pas seulement la moyenne.
À toi d'essayer
Deux dispositifs sont modélisés par B(10 ; 0,2) et B(4 ; 0,5). Ont-ils la même espérance ? Peut-on en conclure qu’ils ont la même probabilité d’obtenir zéro succès ?
Correction détaillée pas à pasDans ce chapitre : 2 corrections détaillées.
3. Simuler une série, puis répéter des séries
Pour simuler une épreuve de Bernoulli de probabilité p, on utilise un nombre pseudo-aléatoire uniforme U entre 0 et 1. On compte un succès lorsque U < p et un échec sinon. La portion de l’intervalle qui produit un succès a une longueur p, ce qui correspond à la probabilité souhaitée. Un nouveau tirage est nécessaire pour chaque épreuve.
En Python, la fonction random du module random fournit un tel nombre pseudo-aléatoire. Après l’instruction from random import random, l’expression random() < p donne un résultat vrai ou faux. On peut augmenter un compteur de 1 lorsque le test est vrai. Dans une boucle portant sur range(n), on effectue exactement n essais et on obtient un entier entre 0 et n.
Pour étudier la distribution de X, il faut répéter toute cette série N fois. Les deux nombres n et N n’ont pas le même rôle : n est le nombre d’essais dans une série, tandis que N est le nombre de séries simulées. On remet le compteur de succès à zéro au début de chaque nouvelle série. Sinon, on cumulerait les succès de toutes les séries dans une seule variable.
Construire une simulation en Python
- Choisis n, p et N ; vérifie que n et N sont des entiers positifs et que 0 ≤ p ≤ 1.
- Pour chacune des N séries, initialise compteur à zéro.
- Répète n fois un nouveau tirage random(). Si le nombre est inférieur à p, ajoute 1 au compteur.
- Ajoute le compteur obtenu à une liste de résultats, puis recommence une série avec un compteur nul.
- Pour chaque k de 0 à n, compte les résultats égaux à k et divise cet effectif par N. Calcule aussi la moyenne de la liste.
Les fonctions pseudo-aléatoires utilisent un état interne. Fixer une graine permet de reproduire la même suite de tirages pour vérifier un calcul. On initialise cet état une seule fois avant les simulations. Réinitialiser la même graine avant chaque épreuve ferait répéter le même tirage et détruirait le comportement indépendant recherché. Une simulation informatique constitue un outil pour explorer le modèle, pas un nouveau relevé de terrain.
Pour la simulation représentée, les 2 000 séries comportent chacune quatre essais de probabilité 0,3. Les effectifs de zéro à quatre succès sont 486, 785, 536, 174, 19. Leur somme est 2 000. Les fréquences correspondantes sont 0,243, 0,3925, 0,268, 0,087, 0,0095. La moyenne observée est 1,2275 succès par série.
Exemple résolu
Comment calculer la moyenne empirique d’une simulation à partir des effectifs de chaque nombre de succès ?
- Étape 1 : On note Nₖ le nombre de séries qui ont donné k succès. La somme des Nₖ doit être N.
- Étape 2 : Le nombre total de succès est 0N₀ + 1N₁ + 2N₂ + … + nNₙ.
- Étape 3 : On divise ce total par N. C’est aussi la somme de k multiplié par la fréquence Nₖ/N.
Résultat : Dans la simulation présentée, le total vaut 2455 succès sur 2 000 séries, donc la moyenne est 1,2275. Elle se compare à l’espérance théorique 1,2.
Piège à éviter : Diviser le nombre total de succès par le nombre n d’essais d’une seule série ne donne pas la moyenne par série.
4. Comparer sans exiger une égalité exacte
Les fréquences simulées varient d’une répétition à l’autre : c’est la fluctuation d’échantillonnage. Une fréquence obtenue sur un nombre fini de séries ne doit pas être confondue avec la probabilité exacte du modèle. Augmenter le nombre de séries tend à rendre les estimations plus stables, mais ne garantit pas que chaque fréquence se rapproche à chaque ajout d’une nouvelle série.
Une catégorie rare peut ne jamais apparaître dans une petite simulation alors que sa probabilité est positive. Pour B(4 ; 0,3), quatre succès ont une probabilité 0,0081. Sur un petit nombre de séries, une fréquence nulle n’établit donc pas une impossibilité. À l’inverse, une simulation proche de la théorie ne prouve pas que les hypothèses du modèle décrivent une population réelle.
Pour comparer deux simulations de tailles différentes, on représente les fréquences et non les effectifs bruts. Un effectif de 50 dans 100 séries correspond à une fréquence 0,5 ; un effectif de 200 dans 1 000 séries correspond à 0,2. Des barres d’effectifs seules pourraient donner l’impression inverse. Les axes doivent préciser ce qui est mesuré.
À toi d'essayer
Un programme tire un seul nombre U, puis utilise ce même U pour les dix essais d’une série, en comptant un succès lorsque U < 0,2. Peut-il simuler B(10 ; 0,2) ? Analyse les résultats possibles et propose la correction.
Correction détaillée pas à pasDans ce chapitre : 2 corrections détaillées.
Au bac : lire une simulation avec recul
- Identifie la variable comptée, le nombre d’essais n et le nombre de répétitions N.
- Calcule la référence théorique, notamment E(X) = np et les probabilités utiles.
- Compare des fréquences et des moyennes, en conservant le nombre de simulations.
- Explique les écarts par la fluctuation seulement après avoir vérifié le programme et ses hypothèses.
- Conserve la distinction entre résultat théorique, résultat simulé et observation réelle.
Une moyenne correcte ne valide pas toute une simulation : il faut aussi contrôler les valeurs possibles, les fréquences et le renouvellement des tirages.
Vocabulaire
- Espérance :
- Moyenne théorique pondérée par les probabilités.
- Moyenne empirique :
- Moyenne calculée à partir des résultats effectivement obtenus.
- Fréquence :
- Effectif d’un résultat divisé par le nombre total de répétitions.
- Fluctuation :
- Variation des résultats d’une série d’expériences aléatoires à une autre.
Bilan
| Situation | Relation | Point de vigilance |
|---|---|---|
| Loi théorique | Probabilités et espérance | Valeurs déterminées par le modèle. |
| Simulation | Fréquences et moyenne empirique | Valeurs dépendant des tirages. |
| Plusieurs tailles de simulation | Comparer des proportions | Les effectifs bruts ne suffisent pas. |
S’entraîner
Poursuis ton travail dans l’espace Exercices du site.
À retenir
- Pour une variable discrète finie, E(X) est la somme des valeurs multipliées par leurs probabilités.
- Pour X suivant B(n ; p), E(X) = np.
- Une espérance n’est pas nécessairement une valeur possible.
- Une simulation donne des fréquences soumises à la fluctuation.
Fiche de révision
Distingue les deux répétitions
n essais composent une série, N séries forment la simulation.
Un compteur neuf pour chaque série et un tirage neuf pour chaque essai sont indispensables.
Pour une loi B(4 ; 0,3), la moyenne théorique vaut 1,2 ; aucun essai ne produit pour autant 1,2 succès.
Une fréquence nulle dans une petite simulation ne prouve pas une probabilité nulle.
Pour contrôler le programme, examine aussi la distribution : une bonne moyenne peut cacher des essais dépendants.
Et maintenant ?
Tu as lu le cours. L’étape suivante tient en une action.
Relis le coursReprends l’essentiel avant de passer à la suite.Prolonge l’expérience !
Continue à explorer ce chapitre à travers de nouvelles activités, des défis et des expériences interactives. Avec Premium, l’apprentissage continue !
Ici, tu débloques aussi 2 corrections détaillées.
Parent ? Suivez les progrès de votre enfant.
