Les fondements mathématiques de la loi de Bernoulli
La loi de Bernoulli représente le cas le plus simple en probabilités discrètes. Un essai Bernoulli suit une variable aléatoire X prenant valeur 1 avec probabilité p (succès) et 0 avec q = 1 - p (échec). Sa fonction de masse de probabilité s'écrit P(X = 1) = p et P(X = 0) = q. L'espérance est E(X) = p, la variance V(X) = p q.
Ce modèle capture des situations binaires quotidiennes, comme un lancer de pièce équilibrée où p = 0,5. Historiquement, Jakob Bernoulli l'a formalisée en 1713 dans Ars Conjectandi, posant les bases de la théorie des probabilités modernes. Sans n, elle ignore les répétitions, limitant son usage à l'isolé.
En pratique, on l'utilise pour des tests unitaires : probabilité qu'un email soit spam (p = 0,3 environ dans les datasets comme Enron). Précise, mais étroite.
La loi binomiale décortiquée : de n essais à la distribution complète
La loi binomiale B(n, p) généralise Bernoulli à n essais indépendants identiquement distribués (i.i.d.). La variable X compte les succès, avec P(X = k) = C(n, k) p^k q^(n-k), où C(n, k) est le coefficient binomial, soit n! / (k! (n-k)!).
Pour n=1, elle coïncide exactement avec Bernoulli : B(1, p) = Bernoulli(p). L'espérance E(X) = n p grimpe linéairement, variance V(X) = n p q. Exemple concret : 10 lancers de pièce (n=10, p=0,5), P(X=5) ≈ 0,246 selon la formule, calculable via la loi binomiale négative pour variantes.
Des logiciels comme R ou Python (scipy.stats.binom) la simulent en millisecondes, avec pmf pour masse et cdf pour cumulative. Sa forme en cloche pour n grand (≈100, p=0,5) préfigure le théorème central limite.
Une digression rapide : les coefficients binomiaux relient au triangle de Pascal, outil mnémotechnique pour mémoriser C(5,2)=10 sans calculette.
Différence principale entre loi Bernoulli et loi binomiale : un cas particulier vs une famille
La loi Bernoulli est un cas dégénéré de la binomiale quand n=1. Là où Bernoulli fixe un essai, la binomiale scale à n arbitraire, multipliant les combinaisons par C(n,k). Probabilité d'un succès unique : Bernoulli donne p direct ; binomiale pour k=1 : n p q^(n-1), qui tend vers 0 si n explose.
Chiffres à l'appui : pour p=0,4, n=20, espérance binomiale 8 contre 0,4 pour Bernoulli. Variance : 20*0,4*0,6=4,8 vs 0,24. La binomiale capture l'accumulation, Bernoulli l'instantané.
En statistique inférentielle, Bernoulli sert d'hypothèse nulle pour un test ; binomiale pour clopper un intervalle de confiance à 95% via Wilson score, précis à ±3% pour n=30.
Comment calculer les probabilités : formules et exemples chiffrés
Pour Bernoulli, trivial : P(succès)=p. Binomiale exige itération ou approximation. Exemple : usine produisant 2% de défauts (p=0,02), n=100 pièces. P(au moins 1 défaut)=1 - (0,98)^100 ≈ 0,80 via cdf binomiale.
Tables binomiales anciennes (pour n≤20) obsolètes face aux ordis, mais pour n=50, p=0,1, P(X≤3)≈0,92. Python : from scipy import binom ; binom.cdf(3,50,0.1). Erreur relative <1% vs simulation Monte Carlo (10^6 tirages).
La binomiale domine en précision pour n moyen (5-50), où normale approxime mal (erreur 5-10%).
À noter, la loi binomiale négative inverse : nombre d'essais jusqu'à r succès, mais c'est une autre bête.
Applications réelles : où la loi Bernoulli suffit-elle et quand passer à la binomiale ?
En marketing, Bernoulli modélise clic/no-clic (CTR= p=0,05). Pour 1000 impressions, binomiale prédit distribution clics : E=50, sd≈7. Pour A/B test, test exact de Fisher utilise binomiale pour p1 vs p2, puissance 80% avec n=1000 par bras.
Biostat : vaccination efficacité 95% (p=0,95), n=1000 vaccinés, P(≤10 échecs)≈0,95. Bernoulli trop myope pour ça. Finance : défaut crédit p=0,01 par prêt, portefeuille n=1000 risque faillite P(X≥10) minuscule mais critique.
Je préfère la binomiale pour tout au-delà d'un essai ; elle quantifie le risque systémique absent en Bernoulli.
Pourquoi la loi binomiale généralise-t-elle si efficacement la Bernoulli ?
Par indépendance et additivité : somme de n Bernoulli i.i.d. forme binomiale (propriété clé). Convolution des pmf donne la formule. Limite : si dépendances (comme corrélations spatiales), Poisson ou hypergéométrique mieux.
Théorème : pour n fixe, p→0, np=λ fixe, binomiale → Poisson(λ), approx 5% erreur pour λ=1. Bernoulli n'offre pas ce spectre.
En machine learning, GLM binomiale étend logit pour régression logistique, AIC réduit de 20% vs modèles linéaires sur datasets UCI.
Erreurs courantes à éviter dans l'usage des deux lois
Confondre : appliquer binomiale à n=1 gaspille CPU. Oublier indépendance : virus propagation viole i.i.d., biais probas de 30%. Approximation prématurée : pour n=5, p=0,5, normale donne P(X=3) erroné de 15%.
Solution : Vérifiez np≥5 et nq≥5 pour normale ; sinon exact. Logiciels crashent sur n=10^6 sans vectorisation.
Le mythe que Bernoulli "vaut" binomiale pour petits n ? Faux : variance diffère factoriellement.
FAQ : questions fréquentes sur la différence loi Bernoulli et loi binomiale
Comment choisir entre loi de Bernoulli et loi binomiale pour un problème ?
Un essai ? Bernoulli. Plusieurs indépendants ? Binomiale. Critère : si comptage succès fixe n, binomiale ; sinon, géométrique ou autre.
Quelle est la relation exacte mathématique entre les deux ?
B(n,p) = somme n Bernoulli(p). Preuve par induction sur pmf.
Combien d'essais n pour que binomiale approxime normale à 95% ?
np≥10 et nq≥10 suffit souvent ; études NIST confirment erreur <2%.
Conclusion : maîtriser la distinction pour des analyses probabilistes solides
La différence entre la loi Bernoulli et la loi binomiale marque la transition d'un outil ponctuel à un framework scalable, essentiel en data science, finance et biostat. Bernoulli pose le b.a.-ba, mais binomiale quantifie volumes réels avec espérance np et variance npq, supportant tests et prédictions précises. Priorisez-la pour n>1 ; les erreurs coûtent cher en inférence. Cette hiérarchie clarifie 90% des modélisations discrètes – passez maître pour dominer les probas.