Probabilités et la courbe en cloche

Pourquoi le milieu gagne toujours !

Niveau Débutant — langage simple, sans maths

Imagine une planche parsemée de rangées de clous en triangle. Lâche une bille en haut, et à chaque clou elle rebondit à gauche ou à droite au hasard — un lancer de pièce équitable, à chaque fois. Après avoir dégringolé tout en bas, où finit-elle ?

Presque toujours quelque part près du milieu — et il y a une jolie raison. Pour finir tout à droite, la bille devrait rebondir à droite à chaque clou d'affilée, comme obtenir dix piles de suite : possible, mais rare. Pour finir près du milieu il lui suffit d'à peu près autant de gauches que de droites, et il y a des milliers de combinaisons gauche-droite différentes qui l'y mènent. Le milieu gagne non parce que quelque chose guide la bille, mais simplement parce qu'il y a bien plus de façons de l'atteindre.

Lâche assez de billes et elles s'entassent en un doux monticule — haut au centre, redescendant uniformément des deux côtés. C'est la courbe en cloche, et une fois que tu l'as rencontrée tu la verras partout : les tailles des gens, les températures quotidiennes, les notes d'examen, les minuscules erreurs de toute mesure. La recette ne change jamais. Chaque fois qu'un résultat est la somme de nombreux petits coups de pouce indépendants, le milieu est là où ils s'annulent le plus souvent — et le milieu est là où tu atterris le plus souvent.

La loi binomiale et la limite normale

Niveau Élève — les équations essentielles

La machine à clous a un nom — la planche de Galton, construite par Francis Galton en 1887. Avec \(n\) rangées, une bille fait \(n\) choix gauche/droite indépendants, chacun un lancer de pièce équitable, et la case où elle finit compte simplement combien de fois elle est allée à droite, \(k\). Ces décomptes suivent la loi binomiale \(P(k) = \binom{n}{k}(0.5)^n\).

Ce \(\binom{n}{k} = \dfrac{n!}{k!(n-k)!}\) n'est rien de plus qu'un décompte de combien de chemins distincts atteignent la case \(k\) — et c'est toute l'histoire. Avec 7 rangées il y a \(2^7 = 128\) chemins également probables en tout ; la case centrale est alimentée par \(\binom{7}{3} = 35\) d'entre eux, tandis que chaque bord extrême en a exactement un. Plus de chemins, plus de probabilité. Maintenant fais monter \(n\) et la binomiale dentelée se lisse en la loi normale (gaussienne), de moyenne \(\mu = np\) et d'étalement \(\sigma = \sqrt{np(1-p)}\). Ce n'est pas un heureux hasard ; c'est imposé par le théorème central limite.

Une fois qu'une quantité est normale, la règle 68–95–99,7 te dit presque tout d'un coup d'œil : environ 68% des valeurs tombent dans \(1\sigma\) de la moyenne, 95% dans \(2\sigma\), et 99,7% dans \(3\sigma\). C'est pourquoi les physiciens exigent « 5 sigmas » avant de célébrer : une bosse à cinq sigmas a moins d'une chance sur 3,5 millions d'être un hasard, et c'est la barre qu'une vraie découverte de particule doit franchir.

Le théorème central limite, Berry-Esséen et l'universalité de la statistique gaussienne

Niveau Expert — profondeur mathématique complète

01Le théorème derrière la portée de la courbe en cloche

Le théorème central limite est la raison pour laquelle une seule courbe hante toute la science. Prends des variables indépendantes et identiquement distribuées \(X_1,\dots,X_n\) de moyenne \(\mu\) et de variance finie \(\sigma^2\) — et peu importe vraiment ce qu'elles sont, des dés ou des revenus ou des comptes de photons — puis standardise leur moyenne : \(Z_n = \dfrac{\bar{X}_n - \mu}{\sigma/\sqrt{n}}\). Quand \(n\to\infty\), \(Z_n\) converge en loi vers la normale standard \(N(0,1)\). Les ingrédients sont oubliés ; seule la cloche survit. Cet effacement du détail est ce qu'il y a de plus profond en elle.

02Pourquoi c'est vrai : l'empreinte de Fourier

La preuve la plus propre passe par les fonctions caractéristiques — les transformées de Fourier des lois, \(\varphi_X(t) = \mathbb{E}[e^{itX}]\) — qui changent la convolution malcommode de la somme de variables en une multiplication ordinaire. Prends les logarithmes, développe en Taylor autour de l'origine, et les deux premiers termes sont exactement la moyenne et la variance ; tout ce qui est plus élevé est étouffé par des puissances de \(1/\sqrt{n}\). Ce qui reste est \(\log\varphi_{Z_n}(t) \to -t^2/2\), et \(e^{-t^2/2}\) est la signature indubitable de la gaussienne. La courbe en cloche est simplement ce que tu obtiens quand seuls les deux premiers moments survivent.

03À quelle vitesse : la borne de Berry-Esséen

La convergence est une chose ; une convergence que tu peux réellement utiliser en est une autre. Le théorème de Berry-Esséen cloue l'erreur. Avec \(\rho = \mathbb{E}[|X-\mu|^3]\) le troisième moment absolu, l'écart dans le pire cas entre la loi de \(Z_n\) et la vraie normale obéit à \(\sup_x |F_n(x) - \Phi(x)| \le \dfrac{C\rho}{\sigma^3\sqrt{n}}\), avec \(C \le 0.4748\). Le taux \(1/\sqrt{n}\) est optimal — quadruple l'échantillon pour diviser l'erreur par deux — et les lois asymétriques, portant un grand \(\rho\), rampent vers la cloche plus lentement que les symétriques.

04Quand la cloche se brise : les queues lourdes

Il y a un prix d'entrée : la variance finie. Brise cette condition et la gaussienne perd entièrement sa prise. La loi de Cauchy — le rapport de deux normales — a des queues si grasses que sa variance, et même sa moyenne, n'existent tout simplement pas ; moyenne un million de tirages de Cauchy et tu n'es pas mieux qu'avec un seul. De telles sommes convergent plutôt vers les lois stables de Lévy, une famille plus large à queues \(P(X>x)\sim x^{-\alpha}\) pour \(0<\alpha\le 2\), dont la gaussienne (\(\alpha=2\)) n'est que le cas particulier docile. Marchés, tremblements de terre et avalanches vivent ici — c'est pourquoi les « événements centennaux » ne cessent d'arriver en avance.

05Au-delà de l'indépendance

Les données réelles sont rarement si bien élevées, et le théorème s'étire pour les rejoindre. Il existe des versions pour variables faiblement dépendantes, pour tableaux triangulaires sous la condition de Lindeberg, et pour des sommes où aucun terme n'a le droit de dominer. Les dynamiques gaussiennes corrélées ont leurs propres chevaux de trait : le processus d'Ornstein-Uhlenbeck et son cousin discret le modèle AR(1) décrivent un bruit à retour vers la moyenne, affleurant partout, des taux d'intérêt aux tensions de membrane neuronale aux oscillations du climat.

06Pourquoi la nature revient toujours à la gaussienne

Assemblé, le TCL explique pourquoi la cloche est le réglage par défaut de l'univers. Tout ce que tu peux mesurer qui est bâti d'une foule de petites contributions à peu près indépendantes — une taille de milliers de gènes et de repas, un bruit thermique d'innombrables électrons qui se bousculent, une erreur de nombreuses minuscules imperfections — dérive vers la même forme. Il sous-tend aussi discrètement la statistique classique : tests t, intervalles de confiance et barres d'erreur s'appuient tous sur la normalité pour de grands échantillons. La courbe en cloche n'est pas la forme préférée de la nature par goût. C'est la forme qui reste une fois qu'on laisse les détails s'annuler.