Espérance loi binomiale : comprendre la formule E(X)=np, la démontrer et l’utiliser sans se tromper

L’expression espérance loi binomiale revient sans cesse dans les cours de probabilités, les sujets de bac, les exercices de prépa, mais aussi dans des raisonnements très concrets : combien de clients vont répondre à une campagne, combien de pièces seront défectueuses sur une série, combien de fois un joueur marquera sur n tentatives. On la cite souvent comme une formule à apprendre, presque un réflexe : “si X suit une loi binomiale, alors son espérance vaut np”. Le problème, c’est qu’on finit par l’utiliser mécaniquement, et qu’on se met à douter au premier énoncé un peu tordu : essai “réussi” ou “raté”, probabilité qui change, dépendance, échantillonnage sans remise, condition sur un événement, etc.

Or l’espérance d’une loi binomiale n’est pas une recette magique. C’est un résultat logique, très robuste, qui exprime une idée simple : si l’on répète n fois une expérience qui a une probabilité p de succès, alors le nombre moyen de succès est n fois p. C’est à la fois une intuition (une moyenne) et un théorème (une conséquence de la structure de la loi binomiale).

Dans cet article, on reprend tout depuis le début, en gardant le niveau “grand public intermédiaire” : ce qu’est exactement une loi binomiale, ce que signifie l’espérance, pourquoi E(X)=np est vrai, comment le démontrer de manière propre, comment l’interpréter, et surtout comment éviter les erreurs courantes. On finira par des exemples réalistes et quelques extensions utiles, parce que comprendre l’espérance loi binomiale, c’est aussi apprendre à reconnaître quand on n’est plus dans une binomiale.

Loi binomiale : la situation standard qui justifie la formule

On dit qu’une variable aléatoire X suit une loi binomiale de paramètres n et p, notée souvent X ~ B(n, p), lorsque X compte le nombre de “succès” obtenus en répétant n fois une même expérience aléatoire, dans des conditions bien précises.

Ces conditions sont les trois piliers de la binomiale :

La répétition : on fait n essais.

La probabilité constante : à chaque essai, la probabilité de succès est la même, égale à p.

L’indépendance : le résultat d’un essai ne doit pas influencer les suivants.

Dans ce cadre, X prend des valeurs entières entre 0 et n. La probabilité d’obtenir exactement k succès est donnée par la formule bien connue :
P(X = k) = C(n, k) p^k (1 − p)^(n−k),
où C(n, k) est le coefficient binomial “n parmi k”.

Derrière cette formule, il y a une idée combinatoire : choisir quelles positions, parmi les n essais, sont des succès (C(n, k)), puis multiplier par la probabilité d’une configuration donnée (p^k (1 − p)^(n−k)).

On peut déjà deviner l’espérance. Si p est la chance de succès à chaque essai, alors sur n essais, on “devrait” en avoir environ np. Mais cette intuition doit être formalisée. C’est ce que fait l’espérance.

Espérance : ce que mesure réellement “E(X)”

L’espérance d’une variable aléatoire X, notée E(X), est une moyenne théorique. Elle ne dit pas ce qui va arriver à coup sûr. Elle dit ce qui arriverait en moyenne si l’on pouvait répéter l’expérience un très grand nombre de fois et faire la moyenne des valeurs obtenues.

Il faut insister sur ce point, car il y a une confusion fréquente : l’espérance n’est pas nécessairement une valeur probable, et elle n’est pas toujours une valeur possible.

Par exemple, si X suit une loi binomiale avec n=3 et p=1/2, alors E(X)=1,5. Or X ne peut valoir que 0, 1, 2 ou 3. L’espérance 1,5 est un centre de gravité, pas un résultat réalisable.

Dans la binomiale, l’espérance est un repère : elle donne l’ordre de grandeur des succès attendus. Elle sert à prévoir des volumes, dimensionner des stocks, estimer des besoins. Mais elle doit être interprétée comme une moyenne à long terme, pas comme un destin.

Espérance loi binomiale : la formule E(X)=np

Le résultat clé est :

Si X ~ B(n, p), alors E(X) = n p.

On voit parfois cette formule comme un “fait” à mémoriser. Il vaut mieux la comprendre comme une conséquence naturelle du modèle. La loi binomiale est un comptage de succès sur n essais identiques. L’espérance est additive quand on additionne des variables, et c’est précisément le chemin le plus clair pour démontrer E(X)=np.

Il existe deux grandes démonstrations classiques. La première, la plus pédagogique, passe par les variables indicatrices. La seconde passe par la formule de l’espérance en sommant k P(X=k) et en manipulant des identités binomiales. Les deux aboutissent au même résultat, mais la première donne une intuition plus profonde et sert ensuite dans d’autres lois.

Démonstration par variables indicatrices : la méthode la plus solide

Imaginons n essais indépendants, chacun étant un succès avec probabilité p. Pour chaque essai i (de 1 à n), on définit une variable aléatoire indicatrice :

I_i = 1 si l’essai i est un succès, et I_i = 0 sinon.

Alors le nombre total de succès X s’écrit naturellement comme une somme :
X = I_1 + I_2 + … + I_n.

C’est une égalité simple : compter les succès, c’est additionner des 1 et des 0.

Maintenant, calculons l’espérance de chaque indicatrice. Pour un essai donné i, on a :
P(I_i = 1) = p et P(I_i = 0) = 1 − p.

Donc
E(I_i) = 1·p + 0·(1−p) = p.

Enfin, on utilise une propriété fondamentale : la linéarité de l’espérance. Elle dit que, pour toute somme de variables (indépendantes ou non), on a :
E(I_1 + … + I_n) = E(I_1) + … + E(I_n).

Ainsi :
E(X) = E(I_1 + … + I_n) = E(I_1) + … + E(I_n) = p + … + p = n p.

La formule est démontrée.

Ce qui est précieux dans cette démonstration, c’est qu’elle révèle la structure : l’espérance d’un nombre de succès est simplement la somme des probabilités de succès essai par essai. Dans la binomiale, toutes ces probabilités valent p, donc la somme vaut np.

Cette approche est aussi très utile quand les probabilités ne sont pas constantes. Si l’essai i a une probabilité p_i, alors E(I_i)=p_i et E(X)=p_1+…+p_n. On sort de la binomiale, mais la logique reste.

Une analogie concrète : l’indicatrice comme interrupteur “autorisé / interdit”

Pour rendre les indicatrices plus intuitives, on peut penser à des situations de la vie courante où un événement vaut 1 s’il se produit, 0 sinon. Par exemple, imaginez que vous traversez plusieurs carrefours et que vous vous demandez, à chacun, si un accès est bloqué par un panneau circulation interdite. À chaque carrefour i, vous pouvez définir une variable qui vaut 1 si vous rencontrez le panneau et 0 sinon. Sur n carrefours, le nombre total de panneaux rencontrés est la somme de ces indicatrices. L’espérance de ce total, c’est la somme des probabilités de rencontrer le panneau à chaque carrefour.

L’exemple n’a pas vocation à parler de signalisation routière en détail ; il sert à ancrer l’idée : compter des occurrences, c’est additionner des 0 et des 1. Et l’espérance, c’est additionner des probabilités.

Démonstration par la formule explicite : pour ceux qui aiment les calculs

On peut aussi partir de la définition :
E(X) = Σ_{k=0}^n k P(X=k)
= Σ_{k=0}^n k C(n,k) p^k (1−p)^(n−k).

Le terme k est gênant. On utilise alors une identité combinatoire :
k C(n,k) = n C(n−1, k−1).

Cette égalité se comprend intuitivement : compter les façons de choisir k éléments parmi n, en distinguant un élément “marqué”, revient à choisir d’abord l’élément marqué (n choix), puis choisir les k−1 autres parmi les n−1 restants.

On remplace :
E(X) = Σ_{k=1}^n n C(n−1, k−1) p^k (1−p)^(n−k).

On factorise n p, puis on fait un changement d’indice j = k−1 :
E(X) = n p Σ_{j=0}^{n−1} C(n−1, j) p^j (1−p)^{(n−1)−j}.

Or la somme est exactement le développement de (p + (1−p))^{n−1} = 1^{n−1} = 1.

Donc E(X) = n p.

Cette démonstration est élégante, mais elle a un défaut pédagogique : on peut l’apprendre sans comprendre. L’intérêt est surtout de montrer que la formule s’inscrit aussi dans l’algèbre des coefficients binomiaux.

Interprétation : pourquoi np est une moyenne et pas une promesse

Dire que l’espérance vaut np revient à dire que, sur le long terme, la proportion de succès est p. En effet, si E(X)=np, alors E(X/n)=p. La variable X/n est la proportion de succès sur n essais. Cela rejoint l’idée de fréquence.

C’est ici qu’intervient une intuition essentielle : la loi des grands nombres. Elle dit que, quand n est grand, la fréquence des succès X/n tend à se rapprocher de p, avec une variabilité qui diminue relativement. On n’a pas besoin d’entrer dans un formalisme lourd pour comprendre : plus on répète, plus la moyenne se stabilise.

Mais cela ne signifie pas que X sera “près” de np à chaque fois. Sur un n modeste, les écarts peuvent être importants. Même sur des n grands, des écarts restent possibles, simplement moins fréquents. L’espérance est un centre. Pour mesurer l’ampleur des fluctuations, on utilise la variance et l’écart-type.

Lien utile : variance et écart-type de la binomiale

Même si la demande porte sur l’espérance loi binomiale, il est difficile d’utiliser E(X)=np sans comprendre la dispersion. La variance de la binomiale vaut :
Var(X) = n p (1−p),
et l’écart-type vaut :
σ = √(n p (1−p)).

Ces formules ont la même logique : on additionne les variances des indicatrices. Chaque indicatrice I_i a une variance p(1−p), et la somme des variances vaut n p(1−p) lorsque les essais sont indépendants.

Pourquoi mentionner cela ? Parce que l’espérance seule peut induire en erreur. Dire “on attend 50 succès” n’a pas le même sens si la dispersion est faible ou forte. Avec p proche de 0,5, la variance est maximale, et la fluctuation est plus large. Avec p proche de 0 ou 1, la variance est faible, et le résultat est plus stable.

C’est un repère pratique : la binomiale est la plus “incertaine” quand p=0,5, et plus “prévisible” quand p est extrême.

Exemples concrets : utiliser E(X)=np dans la vraie vie

Prenons un exemple de contrôle qualité. Une usine produit des pièces, et l’on sait (par expérience) qu’une pièce a 2 % de chance d’être défectueuse. On prélève n=500 pièces. Si l’on modélise le nombre X de pièces défectueuses par une binomiale B(500, 0,02), alors l’espérance est :
E(X) = 500 × 0,02 = 10.

Cela ne signifie pas qu’on aura exactement 10 pièces défectueuses. Cela signifie qu’en moyenne, sur de nombreux lots de 500, on en verra autour de 10. C’est utile pour anticiper une capacité de reprise, un stock de remplacement, ou un seuil d’alerte.

Autre exemple : une campagne de communication. Un taux de clic estimé à p=3 % sur n=20 000 envois. Le nombre X de clics suit approximativement une binomiale si l’on considère les réponses indépendantes. On obtient :
E(X)=20 000 × 0,03 = 600 clics attendus.

Cela aide à dimensionner un serveur, une équipe commerciale ou un objectif réaliste. Mais la binomiale ici est un modèle simplifié : il peut y avoir des dépendances (mêmes segments, mêmes horaires, effet viral). L’espérance np reste une approximation utile, mais elle doit être contextualisée.

Dernier exemple : un joueur de basket réussit en moyenne p=0,75 de ses lancers francs. S’il en tire n=12 dans un match, l’espérance de réussites est :
E(X)=12×0,75=9.

Cela n’est pas un pronostic de score. C’est une moyenne théorique sur beaucoup de matchs similaires. Dans un match, il peut réussir 12/12 ou 6/12. Mais sur une saison, la moyenne se rapproche de 9 sur 12 en moyenne, si p est stable.

Les pièges classiques : quand on croit être en binomiale et qu’on ne l’est pas

Une bonne partie des erreurs vient du fait qu’on applique E(X)=np hors du bon cadre. Pour savoir si l’espérance loi binomiale s’applique, il faut vérifier les trois piliers : n essais, probabilité constante, indépendance.

Premier piège : la probabilité change. Par exemple, on tire des boules d’une urne sans remise. La probabilité de succès évolue à chaque tirage. On n’est plus dans une binomiale, mais dans une loi hypergéométrique. L’espérance existe et se calcule, mais la formule np n’est plus exactement la bonne, même si elle peut être proche dans certains cas.

Deuxième piège : dépendance entre essais. Exemple : des clients se parlent, une rumeur circule, un achat influence un autre achat. La binomiale suppose que les résultats sont indépendants. Quand ce n’est pas le cas, l’espérance peut rester proche de np si la probabilité marginale reste p, mais la variance et la distribution changent souvent fortement.

Troisième piège : l’essai n’est pas identique d’un cas à l’autre. Si vous avez des probabilités p_i différentes (parce que les individus ont des profils différents), alors le nombre total de succès n’est plus binomial. On parle parfois de “poisson binomial”. L’espérance, elle, reste simple : E(X)=p_1+…+p_n. Et si les p_i sont proches, on peut approximer par n p_moyen, mais il faut savoir ce qu’on fait.

Quatrième piège : confusion sur ce qu’est un “succès”. Dans les exercices, le succès est défini par l’énoncé. Ce n’est pas forcément “gagner”. C’est “réaliser l’événement A”. Si l’on change la définition, p change. Et la binomiale change.

Espérance conditionnelle : que devient E(X) si l’on sait déjà quelque chose ?

Un autre point subtil, souvent rencontré en exercices : l’espérance conditionnelle. Par exemple, on sait que X suit une binomiale B(n,p), mais on demande E(X | X ≥ 1) ou E(X | X = k) (ce dernier est trivial), ou E(X | événement sur un sous-ensemble).

Dans ce cas, la formule E(X)=np ne suffit plus, parce que la condition modifie la distribution. L’espérance conditionnelle se calcule alors à partir de la loi conditionnelle. Parfois, on peut la relier à E(X) via des identités (par exemple en utilisant la formule E(X) = E(X | A)P(A) + E(X | A^c)P(A^c)). Le message à retenir est simple : l’espérance loi binomiale np est l’espérance “non conditionnelle”. Dès que l’on impose une condition, on doit recalculer ou adapter.

C’est une source de confusion fréquente, notamment quand la condition “X>0” est introduite. On a tendance à conserver np, alors que la moyenne sur les cas où il y a au moins un succès est logiquement plus grande que la moyenne globale.

Pourquoi la formule est si utile : dimensionnement, prévision, test d’hypothèses

L’espérance de la binomiale est un outil central parce qu’elle transforme une probabilité individuelle en un volume attendu. Elle relie le micro (un essai) au macro (n essais). C’est exactement ce que l’on cherche dans beaucoup de domaines.

En statistique, on l’utilise pour construire des estimateurs. La fréquence observée X/n est un estimateur naturel de p, parce que E(X/n)=p. Cette propriété est la base de nombreux raisonnements : on observe une proportion, on l’utilise pour estimer une probabilité.

En contrôle qualité, en fiabilité, en assurance, en gestion de stocks, on s’intéresse à un nombre de défauts, de sinistres, de retours. L’espérance fournit une première estimation du volume. Ensuite, la variance permet d’anticiper des marges.

En tests d’hypothèses, on compare souvent une valeur observée à une valeur attendue np. Si l’observé est très éloigné de l’attendu, au regard de la dispersion, on suspecte que p n’est pas celui qu’on croyait, ou que l’indépendance est rompue, ou que le modèle est mauvais.

Autrement dit, E(X)=np n’est pas seulement une formule scolaire. C’est un point de départ pour juger la plausibilité d’un modèle.

Une lecture “bon sens” : ce que signifie np quand p est très petit ou très grand

Une manière de vérifier qu’on n’a pas fait d’erreur est de faire parler la formule.

Si p=0, alors E(X)=0. C’est logique : si le succès est impossible, on n’en attend aucun.

Si p=1, alors E(X)=n. Si le succès est certain, on s’attend à n succès.

Si p=0,5, alors E(X)=n/2. On s’attend à moitié de succès, en moyenne.

Ces vérifications de bord sont utiles. Elles permettent de repérer une confusion entre p et 1−p, ou un mauvais n (par exemple n essais mais on a mis n−1 dans la formule). Elles évitent les erreurs de manipulation.

Autre intuition utile : si p est très petit mais n est très grand, np peut rester modéré. C’est le principe de certains phénomènes rares mais fréquents à grande échelle : une faible probabilité individuelle multipliée par une grande population donne un nombre attendu non négligeable. C’est une lecture que l’on retrouve en épidémiologie, en sécurité informatique, en assurance.

Conclusion : l’espérance loi binomiale, un résultat simple qui oblige à bien modéliser

La formule E(X)=np est l’un des résultats les plus efficaces des probabilités élémentaires, parce qu’elle condense une idée intuitive dans un outil robuste : le nombre moyen de succès sur n essais identiques est n fois la probabilité de succès. Elle se démontre proprement par les variables indicatrices et la linéarité de l’espérance, et cette démonstration explique pourquoi la formule est vraie, au lieu de l’imposer comme une incantation.

Mais sa simplicité peut devenir un piège si l’on oublie les conditions : essais indépendants, probabilité constante, répétition de la même expérience. Dès qu’on sort de ce cadre, l’espérance ne disparaît pas, mais la loi n’est plus binomiale et la formule doit être adaptée.

Retenir l’essentiel, c’est donc retenir un couple : la formule np, et la question “suis-je vraiment dans une binomiale ?”. Quand on maîtrise ce couple, l’espérance loi binomiale cesse d’être un chapitre isolé. Elle devient un langage pour relier des probabilités à des volumes, et donc un outil pour raisonner sur le monde réel sans se laisser piéger par l’intuition seule.

vous pouvez également lire: panneau circulation interdite