La distribution binomiale est un cheval de bataille statistique. Il vous aide à prédire les résultats dans des situations où vous disposez d’un nombre fixe de tentatives et où chaque tentative a la même probabilité de succès.
Considérez-le comme le calcul derrière « quelles sont les chances ? »
Ce modèle s’applique aux processus discrets. Les règles sont strictes. Vous avez besoin d’un nombre fixe d’essais. Chaque essai doit être indépendant. Les chances de succès restent constantes. Si l’une de ces conditions n’est plus remplie, le modèle binomial cesse de fonctionner.
Cela a commencé dans les jeux de hasard. Jakob Bernoulli l’a formalisé en 1713. Sa preuve est sortie après sa mort. Il a montré que la probabilité d’obtenir exactement k succès dans n essais correspond au k ème terme dans le développement de (p + q)^n. Ici, p est la probabilité de succès. q est la probabilité d’échec, qui est simplement 1 – p.
C’est de cette expansion que vient le nom. Deux termes. Élevé à un pouvoir. Binôme.
Regardons un exemple concret. Vous lancez un dé 50 fois. Vous voulez connaître la chance d’obtenir exactement 10 six.
La probabilité d’obtenir un six est de 1/6. La probabilité de ne pas obtenir un six est de 5/6. Donc p = 1/6 et q = 5/6. La formule examine le 10ème terme (en partant de zéro) dans le développement de (5/6 + 1/6)^50.
Le résultat est d’environ 0,1156. Environ 11,5%. Ce n’est pas rare, mais ce n’est pas garanti.
Ce n’est pas seulement théorique. C’est pratique. Il vous indique la probabilité de résultats spécifiques lors d’événements répétés.
La controverse Mendel
En 1936, Ronald Fisher a utilisé cet outil pour défier l’un des plus grands noms de la science. Gregor Mendel a publié ses expériences sur la génétique du pois en 1866. Elles sont devenues le fondement de la génétique moderne.
Fisher a réanalysé les données de Mendel en utilisant la distribution binomiale. Les lois de Mendel sur l’héritage prédisaient que les 3/4 de la progéniture d’un certain croisement seraient des pois jaunes.
Mendel a compté 8 023 pois au cours d’une expérience. Le nombre moyen de pois jaunes devrait être d’environ 6 017. Mendel a signalé 6 022 pois jaunes.
C’est incroyablement proche.
Fisher a calculé la probabilité d’un match aussi serré. Cela n’est arrivé qu’environ 1 fois sur 10. C’est étrangement bon.
Mendel a réalisé sept expériences différentes. Tous correspondaient presque parfaitement aux valeurs binomiales attendues. Il y avait même une légère erreur de calcul de la part de Mendel, mais le résultat final correspondait encore trop bien au modèle.
Fisher a publié ses découvertes. Il a fait allusion à une chicane scientifique. Mendel a-t-il modifié ses données pour les adapter à la théorie ? Le débat continue. Personne n’a définitivement prouvé la fraude. Mais l’anomalie statistique demeure.
Pourquoi c’est important pour vous
Comprendre la distribution binomiale vous aide à repérer des modèles. Cela vous aide à séparer la chance de la compétence. Cela vous aide à comprendre quand les données semblent « trop belles pour être vraies ».
Vous l’utilisez chaque fois que vous évaluez le risque lors d’événements répétés.
- Coin flips : combien de faces en 100 lancers ?
- Contrôle qualité : combien d’articles défectueux dans un lot de 1 000 ?
- Marketing : combien de clics pour 1 000 impressions d’annonces ?
Le calcul reste le même. Le contexte change.
La clé est de savoir quand l’appliquer. Vous avez besoin d’indépendance. Vous avez besoin d’une probabilité fixe. Vous avez besoin d’un nombre défini d’essais.
Si ceux-ci existent, le binôme