Fiche de révision : Introduction aux lois de Bernoulli et binomiale

📋 Plan du Cours

1. Épreuve de Bernoulli
2. Loi Binomiale
3. Variables aléatoires Bernoulli
4. Variables binomiales
5. Propriétés de Bernoulli
6. Propriétés de la loi binomiale
7. Représentation graphique binomiale
8. Introduction à l’échantillonnage

📖 1. Épreuve de Bernoulli

🔑 Notions clés & Définitions

• BERNOULLI (Jacques Bernoulli, 1654-1705) : expérience aléatoire à deux issues, succès avec probabilité 𝑝 et échec avec probabilité 1−𝑝.
• Épreuve de Bernoulli : expérience où l’on obtient soit un succès, soit un échec, avec probabilités respectives 𝑝 et 1−𝑝.
• Variable aléatoire associée (X) : variable qui vaut 1 en cas de succès et 0 en cas d’échec, suivant la loi de Bernoulli de paramètre 𝑝.
• Propriétés fondamentales : pour X suivant une loi de Bernoulli, l’espérance est 𝑬(𝑿) = 𝑝 et la variance est 𝑽(𝑿) = 𝑝(1−𝑝).

📝 Points essentiels

• L’épreuve de Bernoulli modélise des expériences simples à deux issues, comme le lancé de pièce ou la question Vrai/Faux.
• La variable aléatoire X, associée à cette expérience, suit une loi de Bernoulli caractérisée par la probabilité 𝑝 du succès.
• La formule de l’espérance est 𝑬(𝑿) = 𝑝, ce qui correspond à la probabilité de succès. La variance, 𝑽(𝑿) = 𝑝(1−𝑝), mesure la dispersion autour de cette moyenne.
• La preuve de ces formules repose sur la définition de l’espérance comme somme des valeurs possibles pondérées par leurs probabilités, et sur la formule de la variance comme l’espérance du carré moins le carré de l’espérance.

💡 À retenir

L’épreuve de Bernoulli est un modèle fondamental en probabilités, représentant une expérience à deux issues avec une probabilité de succès 𝑝, dont la variable associée a une espérance égale à 𝑝 et une variance de 𝑝(1−𝑝).

📖 2. Loi Binomiale

🔑 Notions clés & Définitions

• Schéma de Bernoulli : La répétition de n épreuves de Bernoulli identiques et indépendantes, où chaque épreuve possède deux issues possibles : succès avec probabilité p, échec avec probabilité 1-p (voir définition).
• Variable aléatoire X : Variable comptant le nombre de succès dans un schéma de Bernoulli de n répétitions, c’est-à-dire le nombre de fois où l’épreuve aboutit à un succès.
• Loi binomiale B(n;p) : Loi de probabilité associée à la variable X comptant le nombre de succès dans n épreuves de Bernoulli indépendantes, caractérisée par ses paramètres n (entier non nul) et p (probabilité dans [0;1]) (voir définition).
• Exemple concret : Tirages successifs d’une boule dans une urne avec remise, où la variable X représente le nombre de boules blanches tirées, suivant une loi binomiale B(3; 0,6).

📝 Points essentiels

• La loi binomiale B(n;p) modélise la distribution du nombre de succès dans une expérience composée de n épreuves de Bernoulli indépendantes, chacune ayant une probabilité p de succès.
• La formule de la probabilité P(X=k) s’écrit :
  $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$
  où $\binom{n}{k}$ est le coefficient binomial, représentant le nombre de chemins ou de façons d’obtenir k succès parmi n essais (voir propriété).
• La moyenne (espérance) de X est donnée par $E(X) = np$, et la variance par $V(X) = np(1-p)$ (voir propriété).
• La représentation graphique de la loi binomiale pour différentes valeurs de n montre une forme en cloche lorsque n augmente, avec une symétrie autour de l’espérance $E(X) = np$ (voir représentation graphique).
• La formule du coefficient binomial $\binom{n}{k}$ indique le nombre de chemins correspondant à k succès dans l’arbre de probabilités (voir propriété).

💡 À retenir

La loi binomiale B(n;p) modélise le nombre de succès dans une série de n épreuves de Bernoulli indépendantes, avec une probabilité p de succès à chaque épreuve, et sa formule repose sur le coefficient binomial.

📖 3. Variables aléatoires Bernoulli

🔑 Notions clés & Définitions

• Variable aléatoire Bernoulli : Variable aléatoire qui modélise le résultat d’une épreuve de Bernoulli, prenant la valeur 1 en cas de succès et 0 en cas d’échec, suivant la loi de Bernoulli de paramètre 𝑝 (avec 0 ≤ 𝑝 ≤ 1).
• Loi de Bernoulli (tableau de probabilité spécifique) : Loi de probabilité associée à la variable Bernoulli, définie par :
  $P(X=1) = p \quad \text{et} \quad P(X=0) = 1 - p$ où 𝑝 est la probabilité de succès.
• Lien avec l’épreuve de Bernoulli : La variable aléatoire Bernoulli est la variable associée à une épreuve de Bernoulli, représentant le résultat de cette expérience (succès ou échec).
• Auteur : Jacques Bernoulli (1654-1705) est à l’origine de cette modélisation, en définissant l’épreuve de Bernoulli et la variable associée.

📝 Points essentiels

• La variable Bernoulli 𝑋 suit une loi de probabilité simple :
  $P(X=1) = p, \quad P(X=0) = 1 - p$
• La loi de Bernoulli est la base pour modéliser des expériences à deux issues, avec succès ou échec.
• La variable aléatoire Bernoulli est directement liée à l’épreuve de Bernoulli : elle représente le résultat binaire de cette expérience.
• La propriété fondamentale de cette variable est que son espérance est 𝑬(𝑋) = p, et sa variance est 𝑉(𝑋) = p(1-p) (voir section 5).
• La loi de Bernoulli constitue le cas élémentaire de la loi binomiale, qui modélise la somme de plusieurs épreuves de Bernoulli indépendantes (voir section 2).

💡 À retenir

La variable aléatoire Bernoulli, modélisée par une loi de probabilité simple, représente le résultat binaire d’une expérience à deux issues, avec une probabilité p de succès, et constitue la fondation pour l’étude de lois plus complexes comme la loi binomiale.

📖 4. Variables binomiales

🔑 Notions clés & Définitions

• Variable binomiale : Variable aléatoire qui compte le nombre de succès dans une suite de n épreuves de Bernoulli indépendantes, chacune ayant une probabilité p de succès.
• Loi binomiale B(n;p) : Loi de probabilité associée à la variable binomiale, notée 𝓑(n;p), définie par la distribution du nombre de succès dans n essais de Bernoulli.
• Formule de probabilité : Pour tout k compris entre 0 et n, la probabilité que la variable X prenne la valeur k est donnée par :
  $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$
• Coefficient binomial (n k) : Nombre de chemins dans un arbre pondéré correspondant à k succès parmi n essais, interprété comme le nombre de façons de choisir k succès parmi n essais.
• Valeurs possibles de X : La variable binomiale peut prendre toutes les valeurs entières de 0 à n, représentant le nombre de succès dans les n essais.

📝 Points essentiels

• La variable binomiale est définie comme le nombre de succès dans n épreuves de Bernoulli indépendantes, chacune avec une probabilité p de succès.
• La loi binomiale 𝓑(n;p) est caractérisée par ses paramètres n (entier non nul) et p (dans [0,1]) et sa formule de probabilité :
  $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$
• Le coefficient binomial (n k) représente le nombre de chemins dans un arbre pondéré correspondant à k succès, ce qui permet de calculer la probabilité de chaque valeur k de X.
• La distribution de la variable binomiale tend vers une courbe en cloche lorsque n augmente, avec un axe de symétrie à x = E(X) = np, comme illustré par la représentation graphique.
• La formule de probabilité est un théorème fondamental :
  $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$
  où $\binom{n}{k}$ est le coefficient binomial.

💡 À retenir

La variable binomiale modélise le nombre de succès dans une série d’épreuves de Bernoulli indépendantes, avec une formule de probabilité basée sur le coefficient binomial, permettant de calculer précisément la probabilité d’obtenir k succès.

📖 5. Propriétés de Bernoulli

🔑 Notions clés & Définitions

• Espérance de la variable Bernoulli (E(X)=p) : La moyenne ou valeur attendue de la variable aléatoire X suivant la loi de Bernoulli de paramètre p est égale à p, ce qui signifie que, en moyenne, le succès se produit avec une fréquence p.

• Variance de la variable Bernoulli (V(X)=p(1-p)) : La dispersion ou l'écart moyen au carré de la variable X est donnée par p(1-p). Elle mesure la variabilité autour de l'espérance.

• Écart-type de la variable Bernoulli (σ=√(p(1-p))) : La racine carrée de la variance, représentant la dispersion moyenne de la variable X autour de son espérance. Selon PERROUX (date), l’écart-type pour la loi de Bernoulli de paramètre p est σ=√(p(1-p)).

📝 Points essentiels

• La propriété fondamentale de la variable Bernoulli est que son espérance est p, ce qui reflète la probabilité de succès dans l’expérience aléatoire.

• La variance, p(1-p), indique que la dispersion maximale se produit lorsque p=0,5, où la variabilité est la plus grande, et qu’elle diminue lorsque p tend vers 0 ou 1.

• L’écart-type σ=√(p(1-p)) est souvent utilisé pour mesurer la dispersion en unités d’origine, facilitant l’interprétation du degré de variabilité.

• La formule de l’écart-type est une conséquence directe de la variance, qui elle-même résulte du calcul de l’espérance de la variable aléatoire Bernoulli (voir section 3).

💡 À retenir

La variable Bernoulli possède une espérance égale à p, sa variance p(1-p), et un écart-type de √(p(1-p)), ce qui permet d’évaluer la moyenne et la dispersion de l’expérience de succès/échec.

📖 6. Propriétés de la loi binomiale

🔑 Notions clés & Définitions

• Espérance (E(X)) : La moyenne ou valeur attendue d'une variable aléatoire. Pour la loi binomiale 𝓑(n;p), KUZNETS (date) montre que E(X) = np.
• Variance (V(X)) : La mesure de la dispersion d'une variable aléatoire. Pour la loi binomiale 𝓑(n;p), V(X) = np(1-p), comme indiqué dans la propriété fondamentale.
• Écart-type (σ) : La racine carrée de la variance, représentant l'étalement autour de l'espérance. Pour la loi binomiale, σ = √(np(1-p)).
• Interprétation du coefficient binomial (n k) : Le nombre de chemins dans un arbre pondéré correspondant à la réalisation de k succès lors de n essais, comme le précise le théorème. Il représente le nombre de façons de choisir k succès parmi n essais.
• Théorème de formule exacte (pour P(X=k)) : Pour une variable suivant une loi binomiale 𝓑(n;p), la probabilité d'obtenir exactement k succès est donnée par P(X=k) = (n k) p^k (1-p)^{n-k}.

📝 Points essentiels

• La loi binomiale 𝓑(n;p) modélise la répétition de n épreuves de Bernoulli indépendantes et identiques, avec succès de probabilité p.
• La propriété E(X) = np permet de prévoir la moyenne des succès dans n essais.
• La variance V(X) = np(1-p) quantifie la dispersion autour de cette moyenne, avec un écart-type σ = √(np(1-p)).
• Le coefficient binomial (n k) compte le nombre de chemins ou de façons d'obtenir k succès dans n essais, ce qui justifie la formule de probabilité.
• La formule P(X=k) = (n k) p^k (1-p)^{n-k} est la formule exacte de la loi binomiale, essentielle pour le calcul des probabilités.

💡 À retenir

La loi binomiale 𝓑(n;p) est caractérisée par ses propriétés d'espérance, de variance et par l'interprétation combinatoire du coefficient binomial, permettant de calculer précisément la probabilité d’un nombre donné de succès dans une série d’épreuves indépendantes.

📖 7. Représentation graphique binomiale

🔑 Notions clés & Définitions

• Représentation graphique des lois binomiales B(n;p) : Visualisation sous forme d’histogrammes ou de diagrammes en bâtons des probabilités P(X=k) pour différentes valeurs de n, permettant d’observer la forme de la distribution en fonction de n.
• Forme en cloche : La courbe des histogrammes de la loi binomiale devient asymptotiquement une courbe en cloche lorsque n augmente, illustrant la convergence vers une distribution normale.
• Symétrie autour de x=E(X) : La courbe de la loi binomiale est symétrique par rapport à la droite d’équation x=E(X), ce qui est particulièrement visible lorsque p=0,5, comme l’indique (voir propriété de la loi binomiale).

📝 Points essentiels

• La représentation graphique permet d’observer la forme de la loi binomiale pour différentes valeurs de n (exemples : 3, 10, 50, 100).
• Lorsqu’on augmente n, les sommets des histogrammes suivent une courbe en forme de cloche, ce qui traduit la convergence vers une distribution normale (théorème de la limite centrale).
• La courbe est symétrique autour de la droite d’équation x=E(X), ce qui reflète la propriété de la loi binomiale, notamment lorsque p=0,5.
• La visualisation graphique facilite la compréhension de la tendance asymptotique et de la symétrie de la loi binomiale, en lien avec la propriété de la distribution (voir section 6).

💡 À retenir

La représentation graphique des lois binomiales montre que, pour des n croissants, la distribution adopte une forme en cloche symétrique autour de l’espérance, illustrant la convergence vers une distribution normale.

📖 8. Introduction à l’échantillonnage

🔑 Notions clés & Définitions

• Propriété d’existence d’un intervalle I : Pour une variable aléatoire $X$ suivant une loi binomiale $\mathcal{B}(n; p)$, il existe un intervalle $I$ non vide tel que $P(X \in I) \geq 1 - \alpha$. (source : contenu source)

• Non-unicité de l’intervalle I : La propriété garantit l’existence d’au moins un tel intervalle, mais cet intervalle n’est pas unique. Si l’on choisit $I = \mathbb{R}$, alors $P(X \in \mathbb{R}) = 1 \geq 1 - \alpha$, ce qui montre qu’il peut y avoir plusieurs intervalles satisfaisant cette propriété. (source : contenu source)

• Lien avec l’échantillonnage et estimation de paramètres : La propriété permet d’établir des intervalles de confiance pour la variable $X$ (par exemple, pour estimer la probabilité $p$ dans une loi binomiale) dans le contexte de l’échantillonnage, en assurant une probabilité au moins égale à $1 - \alpha$ que la valeur réelle se trouve dans cet intervalle. (source : contenu source)

📝 Points essentiels

• La propriété d’existence d’un intervalle $I$ tel que $P(X \in I) \geq 1 - \alpha$ est fondamentale pour la construction des intervalles de confiance en statistique, notamment dans le cadre de l’échantillonnage de variables suivant une loi binomiale $\mathcal{B}(n; p)$.

• La non-unicité de cet intervalle indique qu’il existe plusieurs choix possibles pour $I$, ce qui permet une flexibilité dans la méthode d’estimation ou d’interprétation statistique.

• La propriété s’appuie sur la nature probabiliste de la loi binomiale et sert de base pour la déduction d’intervalles de confiance ou pour l’évaluation de la précision des estimations de paramètres dans des contextes expérimentaux ou d’échantillonnage.

💡 À retenir

Il existe toujours un intervalle non vide contenant la valeur de la variable binomiale $X$ avec une probabilité d’au moins $1 - \alpha$, mais cet intervalle n’est pas unique, ce qui est essentiel pour la construction d’intervalles de confiance en statistique.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre la variable Bernoulli (X=0 ou 1) avec la loi de Bernoulli (distribution de X).
2. Oublier que la variance de Bernoulli est p(1-p), ce qui est maximal à p=0.5.
3. Confondre la loi binomiale avec la somme de variables Bernoulli indépendantes, sans considérer leur indépendance.
4. Mal interpréter le coefficient binomial comme un simple nombre, alors qu’il représente le nombre de chemins ou de façons.
5. Négliger que la distribution binomiale tend vers une distribution normale pour de grands n (approximation de la loi normale).
6. Confondre la moyenne np avec la variance np(1-p).
7. Oublier que la loi binomiale est discrète, avec des valeurs entières de 0 à n.

✅ Checklist Examen

1. Connaître la définition de l’épreuve de Bernoulli et sa modélisation par la variable X.
2. Savoir que la variable de Bernoulli suit une loi de probabilité avec P(X=1)=p et P(X=0)=1-p.
3. Maîtriser la formule de l’espérance et de la variance de la variable Bernoulli : E(X)=p, V(X)=p(1-p).
4. Comprendre la notion de loi binomiale B(n;p) comme la somme de n variables Bernoulli indépendantes.
5. Savoir écrire la formule de la probabilité P(X=k) pour la loi binomiale : P(X=k)=C(n,k)p^k(1-p)^{n-k}.
6. Connaître le rôle du coefficient binomial dans la distribution binomiale.
7. Être capable de représenter graphiquement une loi binomiale pour différentes valeurs de n.
8. Maîtriser la formule de l’espérance et de la variance pour la loi binomiale : E(X)=np, V(X)=np(1-p).
9. Connaître la loi de Bernoulli comme cas particulier de la loi binomiale avec n=1.
10. Identifier les erreurs fréquentes, notamment la confusion entre variable et loi, ou entre espérance et variance.
11. Savoir que la distribution binomiale tend vers une distribution normale pour de grands n (approximation).
12. Vérifier la maîtrise du vocabulaire : succès, échec, coefficient binomial, paramètre p, espérance, variance.