Aller au contenu

Accueil › 1re année santé › Biostatistiques › Chapitre 3

1re année santé · Biostatistiques · chapitre 3

Lois binomiale, de Poisson, normale

Trois modèles pour prévoir ce que donne le hasard : la loi binomiale pour compter des succès, la loi de Poisson pour compter des événements rares, la loi normale pour les mesures, avec l'exemple de l'intervalle de référence d'un dosage.

La fiche

Le problème : un intervalle de référence

Un laboratoire rend le résultat d'un dosage, avec à côté un intervalle de référence. D'où viennent ses deux limites ?

Résultat fictif : 112, avec un intervalle de référence de 80 à 120, dans une unité fictive.

Le plus souvent, cet intervalle contient les 95 % du milieu des valeurs mesurées chez des personnes en bonne santé : la population de référence.

2,5 % de ces valeurs sont sous la limite basse, et 2,5 % au dessus de la limite haute.

Par construction, environ 5 % des personnes de la population de référence, toutes en bonne santé, ont donc une valeur hors de l'intervalle.

Comment fixer ces limites ? Quand les valeurs suivent une courbe en cloche, on prend la moyenne, plus ou moins environ deux écarts-types.

Autre exemple : la drépanocytose, la maladie génétique du sang de la vidéo 2. Chaque enfant de deux parents porteurs a une chance sur quatre d'être atteint.

Un porteur a une copie normale et une copie modifiée du gène (vu en vidéo 2). Ces probabilités sont celles d'un modèle.

La fiche répond à trois questions :

  1. Pour quatre enfants de deux parents porteurs, combien d'enfants atteints attend-on en moyenne, et quelle est la probabilité qu'aucun ne le soit ?
  2. Un service fictif reçoit en moyenne deux admissions d'un type rare par jour. Quelle est la probabilité qu'il n'en reçoive aucune aujourd'hui ?
  3. D'où vient le facteur environ deux, qui donne 95 % des valeurs d'une courbe en cloche ?

Prérequis

  • Vu en biostatistiques, vidéo 2 : une variable aléatoire est une grandeur dont la valeur dépend du résultat d'une expérience aléatoire.
  • Vu au lycée : sa loi de probabilité est la liste de ses valeurs avec leurs probabilités.
  • Vu en vidéo 1 : la moyenne et l'écart-type résument une série de valeurs.
  • Vu en vidéo 2 : deux événements sont indépendants quand savoir l'un ne change pas la probabilité de l'autre. Dans un arbre pondéré, on multiplie les probabilités le long d'un chemin.

L'idée en une phrase

À retenir

Une loi de probabilité est un modèle qui donne la probabilité de chaque valeur d'une variable aléatoire à partir d'un ou deux nombres ; on la choisit selon ce que l'on fait : compter ou mesurer.

Compter des succès sur un nombre fixé d'essais : loi binomiale. Compter des événements rares dans un intervalle : loi de Poisson. Mesurer : loi normale.

Au programme : les variables aléatoires discrètes et continues, l'espérance et la variance, la loi binomiale, la loi de Poisson, puis la loi normale.

Variables aléatoires discrètes et continues

Rappel de la vidéo 2 : une variable aléatoire prend une valeur numérique selon le résultat d'une expérience aléatoire.

Comme les variables de la vidéo 1, c'est une variable aléatoire discrète quand ses valeurs viennent d'un comptage : le nombre d'enfants atteints.

C'est une variable aléatoire continue quand ses valeurs viennent d'une mesure et peuvent être toutes les valeurs d'un intervalle : un dosage.

La loi d'une variable discrète est la liste de ses valeurs avec leurs probabilités, dont la somme vaut 1.

On la dessine en bâtons : la hauteur d'un bâton est la probabilité d'une valeur.

Pour une variable continue, ce dessin ne convient plus : la probabilité d'obtenir exactement une valeur donnée est nulle. On donne donc la probabilité d'un intervalle.

La loi se décrit alors par une courbe, la densité de probabilité : la probabilité d'un intervalle est l'aire sous la courbe au dessus de cet intervalle, et l'aire totale vaut 1.

Pourquoi une valeur seule a-t-elle une probabilité nulle ? Au dessus d'une seule valeur, il n'y a aucune aire.

Une densité ressemble au contour lissé d'un histogramme de la vidéo 1, quand les valeurs sont très nombreuses et les classes très étroites.

L'espérance et la variance

Une variable aléatoire a une position et une dispersion, comme une série de valeurs. Deux nombres les mesurent.

Son espérance (vue en spécialité de mathématiques) est sa valeur moyenne à long terme : espérance = somme de chaque valeur × sa probabilité.

Les deux enfants de la vidéo 2, avec un quart de risque chacun : 0, 1 ou 2 enfants atteints, dans le modèle où les conceptions sont indépendantes.

Enfants atteints Probabilité Valeur × probabilité Écart à l'espérance Carré de l'écart
0 9/16 0 −1/2 1/4
1 6/16 6/16 1/2 1/4
2 1/16 2/16 3/2 9/4

L'espérance vaut 0 + 6/16 + 2/16 = 8/16, soit 1/2. Ce n'est pas une valeur possible du nombre d'enfants atteints : c'est une moyenne à long terme.

La variance (vue elle aussi en spécialité de mathématiques) mesure la dispersion : c'est l'espérance des carrés des écarts à l'espérance.

L'écart-type de la variable est la racine carrée de sa variance.

Ici : variance = 9/16 × 1/4 + 6/16 × 1/4 + 1/16 × 9/4 = 24/64, soit 3/8.

Quand toutes les valeurs sont équiprobables, ces formules redonnent la moyenne et l'écart-type d'une population entière, vus en vidéo 1.

La loi binomiale

Revenons au couple porteur, avec quatre enfants. Dans le modèle de la vidéo 2, chaque conception est un essai à deux issues, indépendant des autres : enfant atteint, avec une probabilité de 1/4, ou non.

Une épreuve de Bernoulli est une expérience aléatoire à deux issues, que l'on appelle succès et échec.

Ici, le mot succès désigne l'enfant atteint : c'est un mot technique, qui ne dit rien de souhaitable.

Répéter des épreuves de Bernoulli identiques et indépendantes s'appelle un schéma de Bernoulli (vu en terminale, en spécialité de mathématiques).

Le nombre de succès suit alors la loi binomiale. Elle suppose trois conditions :

  1. un nombre d'essais fixé à l'avance, noté n ;
  2. deux issues à chaque essai, avec la même probabilité de succès, notée p ;
  3. des essais indépendants.

Un paramètre est un nombre qui règle la loi. La loi binomiale en a deux, n et p : on écrit X suit la loi B(n ; p). Pour les quatre enfants, n = 4 et p = 1/4.

À quoi servent ces conditions ? Calculons la probabilité d'un seul enfant atteint sur quatre.

Prenons un ordre précis : le premier enfant atteint, les trois autres non. Les essais sont indépendants, donc on multiplie, comme le long d'un chemin : 1/4 × 3/4 × 3/4 × 3/4 = 27/256.

La probabilité de succès est la même à chaque essai : chacun des ordres possibles a donc cette probabilité. Il reste à compter les façons de choisir l'enfant atteint : il y en a 4.

Le total vaut P(X = 1) = 4 × 1/4 × (3/4)³ = 108/256, environ 42 %.

Le nombre de façons de choisir les succès parmi les essais est un coefficient binomial (vu en terminale), noté ici C(n, k).

La formule générale : P(X = k) = C(n, k) × pᵏ × (1 − p)ⁿ⁻ᵏ. C'est un nombre de façons, multiplié par la probabilité d'une seule.

Pour aucun enfant atteint, il n'y a qu'une façon : (3/4)⁴ = 81/256, environ 32 %.

Enfants atteints 0 1 2 3 4
Probabilité 81/256 108/256 54/256 12/256 1/256
Environ 32 % 42 % 21 % 5 % 0,4 %

La loi binomiale a pour espérance n × p et pour variance n × p × (1 − p) (résultat démontré en terminale, spécialité de mathématiques).

Pourquoi n × p ? Chaque enfant a une chance sur quatre d'être atteint : sur quatre enfants, on attend en moyenne un quart de quatre, soit un enfant atteint.

La variance vaut 4 × 1/4 × 3/4 = 3/4, et l'écart-type √(3/4), soit environ 0,87.

La loi de Poisson

Deuxième situation. On ne compte plus des succès sur un nombre d'essais fixé, mais des événements qui surviennent dans un intervalle de temps ou d'espace.

Le nombre d'admissions d'un type rare en une journée, dans un service fictif.

La loi de Poisson donne la probabilité de chaque nombre d'événements dans un intervalle fixé, quand ils surviennent à un rythme moyen connu, indépendamment du temps écoulé depuis le dernier.

Elle a un seul paramètre, λ (lambda) : le nombre moyen d'événements dans l'intervalle.

Au lycée, la loi de Poisson est seulement un approfondissement possible en terminale : elle est nouvelle ici.

Sa limite : les événements doivent être indépendants, à un rythme moyen constant. Elle ne convient donc pas quand ils arrivent groupés.

Son espérance vaut λ, et sa variance vaut aussi λ : l'écart-type est √λ.

La formule : P(X = k) = e^(−λ) × λ^k / k!. Ici, e^(−λ) est l'exponentielle de −λ (vue en spécialité de mathématiques) et k! est le produit des entiers de 1 à k, avec 0! = 1.

Pour le service fictif, λ = 2 (données fictives).

Admissions dans la journée 0 1 2 3 4 5 6
Probabilité 0,135 0,271 0,271 0,180 0,090 0,036 0,012

La probabilité de n'avoir aucune admission est e⁻², soit environ 13,5 %. Cinq admissions ou plus ont environ 5 % de probabilité.

La loi de Poisson approche la loi binomiale quand la probabilité de succès est petite et le nombre d'essais grand : par exemple 0,01 et 1 000, d'après un manuel.

Son paramètre est alors λ = n × p, le nombre d'essais multiplié par la probabilité de succès.

Exemple fictif : 1 000 personnes, une probabilité de 0,002, donc λ = 2. Les deux lois donnent presque les mêmes probabilités.

Nombre d'événements Loi binomiale Loi de Poisson
0 0,1351 0,1353
1 0,2707 0,2707
2 0,2709 0,2707

Un signe de cette parenté : quand p est petit, 1 − p est presque 1. La variance n × p × (1 − p) est alors presque égale à l'espérance n × p, comme pour la loi de Poisson.

La loi normale

Troisième situation : on mesure. La loi normale est une loi continue, dont la densité est une courbe en cloche, symétrique autour de sa moyenne. On la dit aussi gaussienne.

Elle a deux paramètres, d'où la notation N(μ ; σ). La moyenne, μ, place le centre : changer μ déplace la cloche. L'écart-type, σ, règle l'étalement.

Plus σ est grand, plus la cloche est large et basse. Pourquoi basse ? Parce que l'aire totale reste égale à 1 : la cloche ne peut pas s'élargir sans s'abaisser.

Comme la courbe est symétrique, la moyenne est aussi la médiane. La formule de la densité existe, mais il est inutile de la retenir.

La règle empirique et le facteur 1,96

Pour toute loi normale, la règle empirique dit : environ 68 % des valeurs sont à moins d'un écart-type de la moyenne, environ 95 % à moins de deux, environ 99,7 % à moins de trois.

Dosage fictif de moyenne 100 et d'écart-type 10, dans une unité fictive.

Intervalle Dans l'exemple fictif Part des valeurs
μ ± σ de 90 à 110 environ 68 %
μ ± 2 σ de 80 à 120 environ 95 %
μ ± 3 σ de 70 à 130 environ 99,7 %

Plus précisément, 95 % des valeurs sont à moins de 1,96 écart-type de la moyenne : c'est proche des deux écarts-types de la règle empirique.

C'est pourquoi les limites d'un intervalle de référence calculé avec la loi normale sont μ − 1,96 σ et μ + 1,96 σ.

Il reste 2,5 % de chaque côté, dans les deux queues (les extrémités de la distribution, vues en vidéo 1).

Centrer et réduire : la valeur z

Comment comparer des lois normales de moyennes et d'écarts-types différents ? On centre (on soustrait la moyenne), puis on réduit (on divise par l'écart-type) : z = (x − μ) / σ.

Le résultat, la valeur centrée réduite z, dit de combien d'écarts-types une valeur est au dessus ou au dessous de la moyenne.

La variable obtenue suit la loi normale centrée réduite, de moyenne 0 et d'écart-type 1.

Dans l'exemple fictif, la valeur 125 a pour valeur centrée réduite (125 − 100) / 10 = 2,5 : elle est 2,5 écarts-types au dessus de la moyenne.

Pourquoi est-ce utile ? Une fois centrée et réduite, toute loi normale donne la même loi. Une seule table suffit donc, quels que soient μ et σ.

On ne calcule pas l'aire à la main. La table de la loi normale centrée réduite donne, pour chaque z, la probabilité d'être au dessous de z. Une calculatrice donne la même chose.

Pour z = 1, la table donne 0,8413, environ 0,84. Par symétrie, la probabilité d'être au dessous de −1 vaut 1 − 0,84 = 0,16.

La probabilité d'être entre −1 et 1 vaut donc 0,84 − 0,16 = 0,68 : on retrouve les 68 % de la règle empirique.

La même table donne 95 % entre −1,96 et 1,96 : ce facteur fixe les limites de l'intervalle de référence.

Où rencontre-t-on la loi normale ?

Un manuel donne par exemple la taille de garçons de 15 à 18 ans, mais précise que la loi normale ne s'applique pas à tout.

Les valeurs de beaucoup de grandeurs dosées au laboratoire ne sont pas gaussiennes.

Pour fixer un intervalle de référence, on transforme alors les valeurs, ou on emploie une méthode qui n'impose pas de loi.

La loi normale sert aussi pour une autre raison, précisée dans la vidéo suivante : la moyenne d'un échantillon tend à suivre une loi normale quand la taille de l'échantillon grandit.

Le schéma à compléter

Rassemblons tout : en haut une loi normale, en dessous une loi binomiale. La courbe en cloche est la densité de probabilité, symétrique autour de la moyenne.

L'écart-type est la distance entre la moyenne et le premier repère à droite. Sous l'axe, trois accolades emboîtées : plus ou moins un, deux et trois écarts-types.

Au delà de 1,96 écart-type, chaque queue porte 2,5 %. Les valeurs centrées réduites, de −3 à 3, forment l'axe des z.

En dessous, la loi binomiale du nombre d'enfants atteints parmi quatre, dessinée en bâtons. Le losange marque l'espérance, qui vaut 1.

Voici ce schéma, avec ses dix repères numérotés. Touchez un numéro, puis choisissez le terme.

Le mode Corrigé montre toutes les légendes et leur définition.

Schéma à légender

Les schémas à légender sont réservés aux abonnés Amphi Médecine+.

Débloquer avec Amphi Médecine+

Retour au problème

Question 1 : pour quatre enfants de deux parents porteurs, l'espérance du nombre d'enfants atteints vaut 1, et la probabilité qu'aucun ne soit atteint vaut (3/4)⁴, environ 32 %.

Ce sont des probabilités d'un modèle, pas une prévision pour un couple donné.

Question 2 : avec deux admissions en moyenne par jour, la probabilité de n'en avoir aucune est d'environ 13,5 %, soit à peu près une journée sur sept (nombres fictifs).

Question 3 : pour une loi normale, l'aire sous la courbe vaut 95 % à moins de 1,96 écart-type de la moyenne, avec 2,5 % dans chaque queue. D'où l'intervalle de référence.

Dans l'exemple fictif (moyenne 100, écart-type 10), il va de 100 − 19,6 à 100 + 19,6, soit de 80,4 à 119,6. Le résultat fictif 112 de l'ouverture est dedans.

Pour des valeurs non gaussiennes, on passe par une transformation des valeurs, ou par une méthode sans loi imposée.

À retenir

À retenir

  • Variable aléatoire : discrète (comptage, loi en bâtons) ou continue (mesure, densité dont l'aire donne les probabilités).
  • Espérance : moyenne à long terme, somme des valeurs × probabilités. Variance : dispersion, espérance des carrés des écarts à l'espérance.
  • Loi binomiale B(n ; p) : nombre de succès de n essais identiques et indépendants ; espérance n × p, variance n × p × (1 − p).
  • Loi de Poisson : nombre d'événements dans un intervalle fixé ; espérance = variance = λ ; elle approche la binomiale si p est petit et n grand.
  • Loi normale : cloche symétrique réglée par μ et σ ; règle empirique : environ 68, 95 et 99,7 % des valeurs à moins de 1, 2 et 3 écarts-types.
  • Valeur centrée réduite : z = (x − μ) / σ ; une table la traduit en probabilité.
  • Intervalle de référence : pour des valeurs gaussiennes, μ ± 1,96 σ, environ deux écarts-types ; environ 5 % de la population de référence, en bonne santé, est dehors.

20 QCM corrigés

Cinq propositions, une ou plusieurs exactes. Coche, valide : la correction de chaque proposition s'affiche. Barème indicatif : 1 point sans erreur, 0,7 avec une erreur, 0,1 avec deux, 0 au-delà.

QCM 1 choisir la loi qui convient à une situation décrite

Cinq situations fictives.

  • Situation 1 : on compte les personnes qui présentent un événement donné parmi 12 personnes, chacune avec la même probabilité de 0,1, indépendamment des autres.
  • Situation 2 : on compte les appels reçus par un standard en une heure ; ils arrivent à un rythme moyen constant de 6 par heure, indépendamment les uns des autres.
  • Situation 3 : on mesure une grandeur dont les valeurs se répartissent selon la courbe en cloche du cours, symétrique autour de la moyenne.
  • Situation 4 : on répète un essai à deux issues, de façon indépendante, jusqu'au premier succès, et on compte le nombre d'essais faits.
  • Situation 5 : on compte, sur une journée, des événements qui arrivent par groupes : quand l'un survient, d'autres suivent presque aussitôt.

Quelles propositions sont exactes ?

QCM 2 loi binomiale à trois essais : probabilités, espérance, variance

Dans un modèle fictif, un essai a deux issues et réussit avec une probabilité de 0,2. On fait 3 essais identiques et indépendants, et on note X le nombre de succès.

Quelles propositions sont exactes ?

QCM 3 loi binomiale : trois enfants dans le modèle du cours

Dans le modèle du cours, chaque enfant de deux parents porteurs a une probabilité de 1/4 d'être atteint, indépendamment des autres. On note X le nombre d'enfants atteints parmi 3 enfants. Ce sont des probabilités d'un modèle, pas une prévision pour un couple donné.

Quelles propositions sont exactes ?

QCM 4 espérance et variance d'une loi donnée par un tableau

Dans un service fictif, on note X le nombre d'appareils en panne un jour donné. La loi de X est donnée par le tableau. Données fictives.

Valeur de X 0 1 2 3
Probabilité 0,1 0,4 0,3 0,2

Quelles propositions sont exactes ?

QCM 5 loi de Poisson de paramètre 3 : probabilités et dispersion

Un laboratoire fictif reçoit des demandes d'un type rare, à un rythme moyen constant de 3 par jour, indépendamment les unes des autres. On note X le nombre de demandes reçues un jour donné. Données fictives.

On rappelle la formule du cours, P(X = k) = e^(−λ) × λ^k / k!, et on donne : exponentielle de −3 ≈ 0,0498 ; 2! = 2 ; 3! = 6.

Quelles propositions sont exactes ?

15 QCM de plus dans ce chapitre

Tous les QCM corrigés · les schémas à légender : réservés aux abonnés Amphi Médecine+.

Débloquer avec Amphi Médecine+