{"id":3045,"date":"2026-09-07T00:04:21","date_gmt":"2026-09-07T00:04:21","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/explication-simple-correction-continuite-statistique\/"},"modified":"2026-09-07T00:04:27","modified_gmt":"2026-09-07T00:04:27","slug":"explication-simple-correction-continuite-statistique","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=explication-simple-correction-continuite-statistique","title":{"rendered":"Une explication simple de la correction de continuit\u00e9 en statistique"},"content":{"rendered":"

Dans le vaste univers de la th\u00e9orie des probabilit\u00e9s et de l’inf\u00e9rence statistique, la transition analytique entre le monde discret du d\u00e9nombrement et le monde continu de la mesure physique repr\u00e9sente l’une des passerelles conceptuelles les plus fascinantes et d\u00e9licates. Lorsqu’un chercheur observe un ph\u00e9nom\u00e8ne reposant sur des \u00e9v\u00e9nements binaires \u2014 qu’il s’agisse de la r\u00e9ussite ou de l’\u00e9chec \u00e0 un item psychom\u00e9trique, de la pr\u00e9sence ou de l’absence d’un sympt\u00f4me clinique, ou de choix dans une t\u00e2che d\u00e9cisionnelle \u2014, les variables sous-jacentes sont fondamentalement discontinues, progressant par sauts discrets sur l’ensemble des entiers naturels. Pourtant, depuis les travaux pionniers d’Abraham de Moivre au XVIIIe si\u00e8cle, prolong\u00e9s avec g\u00e9nie par Pierre-Simon de Laplace, la statistique math\u00e9matique a appris \u00e0 mod\u00e9liser ces distributions granulaires \u00e0 l’aide d’une courbe continue, lisse et infiniment d\u00e9rivable : la courbe de Gauss, ou distribution normale<\/a>.<\/p>\n

Cette substitution fonctionnelle, bien que d’une \u00e9l\u00e9gance math\u00e9matique ind\u00e9niable et d’une puissance computationnelle remarquable, soul\u00e8ve un dilemme g\u00e9om\u00e9trique fondamental. Comment peut-on l\u00e9gitimement \u00e9valuer la probabilit\u00e9 qu’une variable discr\u00e8te prenne une valeur enti\u00e8re exacte, ou se situe \u00e0 l’int\u00e9rieur d’un intervalle born\u00e9, en utilisant une fonction dont l’int\u00e9grale sur un point unique est rigoureusement nulle ? C’est pr\u00e9cis\u00e9ment pour r\u00e9soudre ce paradoxe dimensionnel et combler le d\u00e9calage g\u00e9om\u00e9trique entre une sommation finie de rectangles unitaires et une int\u00e9gration sous une courbe continue qu’a \u00e9t\u00e9 introduite la correction de continuit\u00e9<\/strong>. Souvent r\u00e9sum\u00e9e de fa\u00e7on pratique par la r\u00e8gle de l’ajustement de \u00b1 0,5, cette technique est bien plus qu’une simple astuce arithm\u00e9tique : elle constitue un pontage th\u00e9orique rigoureux garantissant la fid\u00e9lit\u00e9 de l’approximation asymptotique.<\/p>\n

Le pr\u00e9sent article propose une analyse approfondie, exhaustive et accessible de ce m\u00e9canisme fondamental. Destin\u00e9 aux statisticiens, psychom\u00e9triciens, data scientists et chercheurs en sciences du comportement, ce guide explore la gen\u00e8se historique du concept, ses justifications topologiques et g\u00e9om\u00e9triques, sa mise en \u0153uvre calculatoire dans les approximations binomiales et les tests du Chi-deux de Yates, ainsi que les d\u00e9bats contemporains relatifs \u00e0 sa pertinence \u00e0 l’\u00e8re du calcul num\u00e9rique de haute pr\u00e9cision. En articulant rigueur math\u00e9matique et contextualisation empirique, nous mettrons en lumi\u00e8re les conditions exactes sous lesquelles cette correction doit \u00eatre imp\u00e9rativement appliqu\u00e9e, et celles o\u00f9 les approches exactes modernes lui sont pr\u00e9f\u00e9rables.<\/p>\n

1. Introduction aux fondements de la correction de continuit\u00e9<\/h2>\n

1.1 D\u00e9finition formelle et gen\u00e8se th\u00e9orique du concept<\/h3>\n

D’un point de vue formel, la correction de continuit\u00e9 se d\u00e9finit comme un ajustement arithm\u00e9tique appliqu\u00e9 aux bornes d’une variable al\u00e9atoire discr\u00e8te lorsque la fonction de r\u00e9partition de cette derni\u00e8re est approch\u00e9e au moyen d’une fonction de r\u00e9partition issue d’une variable al\u00e9atoire continue. L’objectif premier de cette op\u00e9ration est de minimiser l’erreur syst\u00e9matique d’approximation inh\u00e9rente au remplacement d’une s\u00e9rie finie de probabilit\u00e9s ponctuelles discr\u00e8tes par une int\u00e9grale d\u00e9finie sur un continuum r\u00e9el. Dans son acception la plus canonique, cet ajustement consiste \u00e0 \u00e9tendre ou restreindre l’intervalle d’\u00e9valuation d’une demi-unit\u00e9 (g\u00e9n\u00e9ralement 0,5 pour les distributions \u00e0 pas entier), permettant ainsi \u00e0 chaque valeur discr\u00e8te d’\u00eatre repr\u00e9sent\u00e9e non pas par un point sans \u00e9paisseur, mais par un segment continu de largeur unitaire centr\u00e9 sur cet entier.<\/p>\n

L’\u00e9mergence historique de cette m\u00e9thode trouve ses racines dans les contraintes de calcul analytique qui pr\u00e9valaient bien avant l’av\u00e8nement de l’informatique moderne. D\u00e8s le d\u00e9but des ann\u00e9es 1730, le math\u00e9maticien fran\u00e7ais exil\u00e9 \u00e0 Londres, Abraham de Moivre, cherchait \u00e0 simplifier le calcul des probabilit\u00e9s combinatoires associ\u00e9es aux jeux de hasard r\u00e9p\u00e9t\u00e9s, sp\u00e9cifiquement les tirages \u00e0 pile ou face d\u00e9crits par la loi binomiale. Calculer manuellement la somme de centaines de coefficients binomiaux factoriels repr\u00e9sentait une t\u00e2che d’une lourdeur prohibitive, souvent hors de port\u00e9e des calculateurs humains de l’\u00e9poque. De Moivre d\u00e9couvrit que la distribution binomiale sym\u00e9trique pouvait \u00eatre remarquablement approch\u00e9e par une courbe exponentielle d’allure campaniforme, pr\u00e9figurant la distribution normale que Laplace g\u00e9n\u00e9ralisera en 1812 dans sa monumentale Th\u00e9orie analytique des probabilit\u00e9s<\/em>.<\/p>\n

Toutefois, les premiers th\u00e9oriciens de la probabilit\u00e9 ont imm\u00e9diatement identifi\u00e9 une divergence structurelle : l’application directe de la fonction continue sans r\u00e9alignement g\u00e9om\u00e9trique produisait des erreurs d’estimation substantielles, particuli\u00e8rement pour les probabilit\u00e9s cumul\u00e9es proches de l’esp\u00e9rance ou dans les queues de distribution. La formalisation de la correction de continuit\u00e9 a ainsi constitu\u00e9 un progr\u00e8s d\u00e9cisif dans l’optimisation de la convergence asymptotique<\/a>. En alignant pr\u00e9cis\u00e9ment l’aire des rectangles discrets de l’histogramme de probabilit\u00e9 sur la surface sous la fonction de densit\u00e9 gaussienne, les math\u00e9maticiens ont forg\u00e9 un outil analytique d’une pr\u00e9cision remarquable, transformant une heuristique approximative en un standard de calcul rigoureux adopt\u00e9 par toute la communaut\u00e9 scientifique internationale.<\/p>\n

1.2 La transition fonctionnelle entre espaces discrets et continus<\/h3>\n

Pour appr\u00e9hender la n\u00e9cessit\u00e9 ontologique de la correction de continuit\u00e9, il convient d’examiner attentivement la nature de la transition fonctionnelle entre les espaces probabilis\u00e9s discrets et continus. Dans le cas d’une variable al\u00e9atoire discr\u00e8te, l’espace des \u00e9v\u00e9nements \u00e9l\u00e9mentaires observables est constitu\u00e9 d’un ensemble d\u00e9nombrable de valeurs isol\u00e9es, le plus souvent les entiers naturels. La mesure de probabilit\u00e9 est assign\u00e9e directement \u00e0 chacun de ces points au travers d’une fonction de masse. Par cons\u00e9quent, la probabilit\u00e9 d’un intervalle ou d’un ensemble d’\u00e9v\u00e9nements s’obtient par une simple sommation alg\u00e9brique discr\u00e8te de ces masses individuelles. L’espace math\u00e9matique est intrins\u00e8quement granulaire : entre deux valeurs cons\u00e9cutives, disons 14 et 15 succ\u00e8s, il n’existe aucune r\u00e9alit\u00e9 probabiliste mesurable dans le mod\u00e8le.<\/p>\n

\u00c0 l’inverse, l’univers des variables al\u00e9atoires continues op\u00e8re sur un corps non d\u00e9nombrable, typiquement l’ensemble des nombres r\u00e9els ou un intervalle de celui-ci. Dans ce cadre, la probabilit\u00e9 n’est plus attribu\u00e9e \u00e0 des points singuliers, mais est d\u00e9finie par une fonction de densit\u00e9 de probabilit\u00e9 via l’int\u00e9grale de Riemann ou de Lebesgue. En analyse r\u00e9elle \u00e9l\u00e9mentaire, un point g\u00e9om\u00e9trique isol\u00e9 poss\u00e8de une mesure de Lebesgue nulle ; il est d\u00e9pourvu de longueur, de largeur et de volume. D\u00e8s lors, si l’on tente d’interroger un mod\u00e8le continu sur la probabilit\u00e9 ponctuelle d’une valeur exacte, la r\u00e9ponse math\u00e9matique rigoureuse est in\u00e9luctablement \u00e9gale \u00e0 z\u00e9ro. Il est formellement impossible de sommer des probabilit\u00e9s ponctuelles nulles pour reconstruire la probabilit\u00e9 d’un \u00e9v\u00e9nement global continu.<\/p>\n

Cette divergence cr\u00e9e une fracture lors du passage d’une sommation discr\u00e8te \u00e0 une int\u00e9grale continue. Lorsque l’on cherche \u00e0 approximer la somme d’une fonction de masse discr\u00e8te entre les entiers a<\/em> et b<\/em>, on ne peut pas simplement poser l’int\u00e9grale de la fonction de densit\u00e9 entre ces deux m\u00eames bornes sans commettre une erreur de troncature spatiale. En proc\u00e9dant ainsi, on omettrait la moiti\u00e9 g\u00e9om\u00e9trique du premier pav\u00e9 de masse centr\u00e9 en a<\/em> ainsi que la moiti\u00e9 g\u00e9om\u00e9trique du dernier pav\u00e9 de masse centr\u00e9 en b<\/em>. L’ajustement syst\u00e9matique des bornes d’int\u00e9gration \u2014 en soustrayant une demi-unit\u00e9 \u00e0 la borne inf\u00e9rieure et en ajoutant une demi-unit\u00e9 \u00e0 la borne sup\u00e9rieure \u2014 permet de r\u00e9tablir l’\u00e9quivalence volumique entre le cumul discret des masses et la surface sous la courbe continue.<\/p>\n

1.3 Pertinence \u00e9pist\u00e9mologique en psychom\u00e9trie et sciences du comportement<\/h3>\n

L’utilisation de la correction de continuit\u00e9 rev\u00eat une importance \u00e9pist\u00e9mologique capitale dans les sciences empiriques humaines, tout particuli\u00e8rement en psychom\u00e9trie, en neuropsychologie et dans l’\u00e9tude exp\u00e9rimentale du comportement. Dans ces disciplines, les chercheurs sont constamment confront\u00e9s au d\u00e9fi de quantifier des construits latents non directement observables \u2014 tels que l’anxi\u00e9t\u00e9, la m\u00e9moire de travail, l’intelligence fluide ou les biais cognitifs \u2014 \u00e0 travers des instruments de mesure qui produisent quasi exclusivement des variables discr\u00e8tes. Qu’il s’agisse du nombre de r\u00e9ponses correctes \u00e0 un test de performance cognitive, du nombre d’items valid\u00e9s sur une \u00e9chelle de d\u00e9pistage ou d’orientations spatiales dichotomiques dans un labyrinthe comportemental, les donn\u00e9es brutes sont constitu\u00e9es de comptages d’\u00e9v\u00e9nements \u00e9l\u00e9mentaires.<\/p>\n

Or, pour inf\u00e9rer des propri\u00e9t\u00e9s sur la population g\u00e9n\u00e9rale ou pour tester des hypoth\u00e8ses de causalit\u00e9, les m\u00e9thodologues s’appuient massivement sur des mod\u00e8les statistiques param\u00e9triques ou non param\u00e9triques reposant sur l’hypoth\u00e8se de distributions d’\u00e9chantillonnage continues. Les tailles d’\u00e9chantillon disponibles dans les protocoles cliniques ou les paradigmes de neuro-imagerie sont fr\u00e9quemment mod\u00e9r\u00e9es, oscillant souvent entre 20 et 80 participants en raison de contraintes mat\u00e9rielles ou \u00e9thiques. Dans cette zone critique d’effectifs mod\u00e9r\u00e9s, le th\u00e9or\u00e8me central limite ne d\u00e9ploie pas encore toute sa puissance asymptotique brute, et les erreurs d’approximation r\u00e9sultant de la n\u00e9gligence de la granularit\u00e9 des donn\u00e9es peuvent fausser significativement les valeurs de p<\/em> (p-values) calcul\u00e9es.<\/p>\n

L’omission d’une correction de continuit\u00e9 sur un \u00e9chantillon clinique de taille r\u00e9duite peut conduire \u00e0 une sous-estimation syst\u00e9matique de la variance d’\u00e9chantillonnage ou \u00e0 un d\u00e9calage artificiel de la statistique de test vers la r\u00e9gion critique de rejet. Cela accro\u00eet substantiellement le risque de commettre une erreur de type I, consistant \u00e0 rejeter \u00e0 tort l’hypoth\u00e8se nulle d’absence d’effet ou de diff\u00e9rence inter-groupes. Pr\u00e9server la rigueur math\u00e9matique par l’ajustement de continuit\u00e9 constitue ainsi un garde-fou m\u00e9thodologique indispensable. Il garantit que les conclusions th\u00e9oriques tir\u00e9es de protocoles exp\u00e9rimentaux complexes reposent sur une inf\u00e9rence probabiliste exempte d’artefacts calculatoires, conf\u00e9rant une validit\u00e9 interne robuste aux mod\u00e8les psychom\u00e9triques modernes.<\/p>\n

2. Distinctions fondamentales entre variables discr\u00e8tes et variables continues<\/h2>\n

2.1 Caract\u00e9ristiques intrins\u00e8ques des distributions discr\u00e8tes<\/h3>\n

Pour ma\u00eetriser l’architecture de la correction de continuit\u00e9, il est indispensable de poser avec une clart\u00e9 absolue les fronti\u00e8res qui s\u00e9parent les deux grandes familles de variables probabilistes. Une distribution est dite discr\u00e8te lorsque la variable al\u00e9atoire qui la g\u00e9n\u00e8re ne peut prendre que des valeurs distinctes, isol\u00e9es et d\u00e9nombrables au sein de son espace d’\u00e9chantillonnage. Ce support math\u00e9matique peut \u00eatre fini, comme l’ensemble des r\u00e9sultats possibles lors d’un test compos\u00e9 de 10 questions \u00e0 choix multiples (allant de 0 \u00e0 10), ou d\u00e9nombrable infini, comme dans le cas du nombre d’appels re\u00e7us par un standard t\u00e9l\u00e9phonique d’urgence au cours d’une heure donn\u00e9e, mod\u00e9lis\u00e9 par une distribution de Poisson<\/a>.<\/p>\n

Le comportement stochastique d’une variable discr\u00e8te est int\u00e9gralement d\u00e9crit par sa fonction de masse de probabilit\u00e9 (not\u00e9e habituellement P(X = x)<\/em> ou p(x)<\/em>). Cette fonction assigne \u00e0 chaque valeur ponctuelle admissible une probabilit\u00e9 positive non nulle, comprise strictement ou largement entre 0 et 1. La somme totale de ces probabilit\u00e9s ponctuelles sur l’ensemble du support est obligatoirement \u00e9gale \u00e0 l’unit\u00e9 :<\/p>\n

\u2211 P(X = xi<\/sub>) = 1<\/strong><\/p>\n

Graphiquement, la distribution discr\u00e8te se mat\u00e9rialise par une succession de barres verticales ou de b\u00e2tons discontinus, s\u00e9par\u00e9s par des zones de vide probabiliste o\u00f9 la probabilit\u00e9 d’occurrence est strictement nulle. Des exemples canoniques illustrent cette r\u00e9alit\u00e9 au quotidien : le nombre de succ\u00e8s dans une s\u00e9rie d’\u00e9preuves r\u00e9p\u00e9t\u00e9es (loi binomiale), le nombre de tentatives requises avant l’obtention du premier succ\u00e8s (loi g\u00e9om\u00e9trique), ou encore les scores attribu\u00e9s sur des \u00e9chelles ordinales d’attitudes de type Likert en psychologie sociale.<\/p>\n

2.2 Propri\u00e9t\u00e9s topologiques des distributions continues<\/h3>\n

\u00c0 l’autre extr\u00e9mit\u00e9 du spectre analytique se d\u00e9ploient les distributions continues. Une variable al\u00e9atoire est qualifi\u00e9e de continue lorsque son support n’est plus d\u00e9nombrable, mais correspond \u00e0 un sous-ensemble ind\u00e9nombrable de la droite r\u00e9elle \u211d, tel qu’un intervalle ouvert ou ferm\u00e9, ou encore la totalit\u00e9 de l’axe r\u00e9el de moins l’infini \u00e0 plus l’infini. Ces variables repr\u00e9sentent traditionnellement des grandeurs physiques mesurables en continu : le temps de r\u00e9action \u00e0 un stimulus sensoriel exprim\u00e9 en millisecondes, la taille d’un individu en centim\u00e8tres, la temp\u00e9rature corporelle, ou encore la concentration s\u00e9rique d’une hormone dans le plasma sanguin.<\/p>\n

Puisque l’ensemble des valeurs possibles est ind\u00e9nombrable, la probabilit\u00e9 ne peut plus \u00eatre distribu\u00e9e sous forme de masses isol\u00e9es sur des points discrets. Elle est d\u00e9crite par une fonction de densit\u00e9 de probabilit\u00e9<\/strong>, traditionnellement not\u00e9e f(x)<\/em>. Cette fonction pr\u00e9sente des caract\u00e9ristiques topologiques radicalement diff\u00e9rentes : elle n’exprime pas directement une probabilit\u00e9, mais une intensit\u00e9 locale ou une densit\u00e9 surfacique. Ses seules contraintes sont d’\u00eatre partout positive ou nulle (f(x) \u2265 0<\/em>) et de poss\u00e9der une int\u00e9grale totale sur son domaine de d\u00e9finition strictement \u00e9gale \u00e0 1 :<\/p>\n

\u222b-\u221e<\/sub>+\u221e<\/sup> f(x) dx = 1<\/strong><\/p>\n

Dans ce mod\u00e8le continu, l’\u00e9valuation d’une probabilit\u00e9 s’effectue exclusivement par le calcul de l’aire g\u00e9om\u00e9trique sous la courbe de la densit\u00e9 entre deux bornes d\u00e9termin\u00e9es. Cela conduit au paradoxe apparent, mais fondamental, de l’analyse r\u00e9elle : pour toute valeur ponctuelle isol\u00e9e c<\/em>, la probabilit\u00e9 que la variable X<\/em> prenne exactement cette valeur est strictement nulle :<\/p>\n

P(X = c) = \u222bc<\/sub>c<\/sup> f(x) dx = 0<\/strong><\/p>\n

Par cons\u00e9quent, dans une distribution continue rigoureuse, la distinction entre in\u00e9galit\u00e9s strictes et in\u00e9galit\u00e9s larges devient formellement caduque : P(X \u2264 c)<\/em> est rigoureusement identique \u00e0 P(X < c)<\/em>, une propri\u00e9t\u00e9 qui n’a absolument aucun \u00e9quivalent dans le monde discret.<\/p>\n

2.3 L’incompatibilit\u00e9 conceptuelle du calcul ponctuel<\/h3>\n

C’est pr\u00e9cis\u00e9ment cette divergence sur le traitement de la probabilit\u00e9 ponctuelle qui engendre une incompatibilit\u00e9 conceptuelle majeure lorsqu’on cherche \u00e0 approximer une loi discr\u00e8te par une loi continue. Imaginons un protocole psychologique o\u00f9 l’on d\u00e9nombre le nombre de r\u00e9ussites X<\/em> \u00e0 une batterie de tests cognitifs. La variable X<\/em> est strictement discr\u00e8te. Le chercheur peut parfaitement s’interroger sur la probabilit\u00e9 empirique d’observer exactement 50 r\u00e9ussites, ce qui s’\u00e9crit P(X = 50)<\/em>. Dans le mod\u00e8le discret d’origine (par exemple une loi binomiale), cette probabilit\u00e9 poss\u00e8de une valeur num\u00e9rique parfaitement d\u00e9finie, positive et calculable via des formules combinatoires.<\/p>\n

Si l’analyste d\u00e9cide d’utiliser une approximation normale continue sans pr\u00e9caution m\u00e9thodologique et tente d’\u00e9valuer directement la probabilit\u00e9 de cette valeur ponctuelle 50 \u00e0 l’aide de la loi normale, le formalisme de l’int\u00e9grale continue lui renverra instantan\u00e9ment la valeur 0. L’application brute du mod\u00e8le continu d\u00e9truit ainsi l’information recherch\u00e9e. Pour surmonter ce blocage analytique, il devient \u00e9pist\u00e9mologiquement indispensable de proc\u00e9der \u00e0 un changement de repr\u00e9sentation g\u00e9om\u00e9trique : chaque \u00e9v\u00e9nement unitaire discret doit \u00eatre dilat\u00e9 pour occuper un espace g\u00e9om\u00e9trique continu.<\/p>\n

La justification \u00e9pist\u00e9mique de cette op\u00e9ration r\u00e9side dans la notion d’intervalle de tol\u00e9rance unitaire. On postule que la valeur enti\u00e8re observ\u00e9e, par exemple 50, n’est en r\u00e9alit\u00e9 que le repr\u00e9sentant central d’une tranche continue s’\u00e9tendant de la demi-unit\u00e9 inf\u00e9rieure \u00e0 la demi-unit\u00e9 sup\u00e9rieure, soit l’intervalle r\u00e9el [49,5 ; 50,5]. Sous cette convention, l’\u00e9v\u00e9nement discret ponctuel {X = 50}<\/em> est math\u00e9matiquement traduit dans l’espace continu par l’\u00e9v\u00e9nement d’intervalle {49,5 < X < 50,5}<\/em>. D\u00e8s cet instant, l’incompatibilit\u00e9 analytique s’\u00e9vanouit : l’int\u00e9grale de la fonction de densit\u00e9 gaussienne sur ce segment unitaire produit une aire positive non nulle, offrant une estimation extraordinairement fid\u00e8le de la masse discr\u00e8te originelle.<\/p>\n

3. La loi binomiale et son comportement asymptotique<\/h2>\n

3.1 Param\u00e9trage math\u00e9matique et combinatoire binomiale<\/h3>\n

La distribution binomiale constitue le terrain d’\u00e9lection historique et p\u00e9dagogique de la correction de continuit\u00e9. Elle mod\u00e9lise le nombre total de succ\u00e8s obtenus au cours d’une suite de n<\/em> \u00e9preuves de Bernoulli identiques et mutuellement ind\u00e9pendantes, o\u00f9 chaque essai individuel ne pr\u00e9sente que deux issues exclusives : le succ\u00e8s, avec une probabilit\u00e9 constante not\u00e9e p<\/em>, et l’\u00e9chec, survenant avec une probabilit\u00e9 compl\u00e9mentaire q = 1 – p<\/em>. La variable al\u00e9atoire X<\/em>, repr\u00e9sentant le nombre total de succ\u00e8s enregistr\u00e9s sur les n<\/em> r\u00e9p\u00e9titions, peut prendre n’importe quelle valeur enti\u00e8re comprise dans l’ensemble discret {0, 1, 2, …, n}.<\/p>\n

La probabilit\u00e9 exacte d’observer pr\u00e9cis\u00e9ment k<\/em> succ\u00e8s parmi les n<\/em> essais est r\u00e9gie par la formule combinatoire binomiale classique :<\/p>\n

P(X = k) = Cn<\/sub>k<\/sup> pk<\/sup> (1 – p)n – k<\/sup> = [n! \/ (k! (n – k)!)] pk<\/sup> (1 – p)n – k<\/sup><\/strong><\/p>\n

Cette expression fait intervenir le coefficient binomial, qui quantifie le nombre distinct d’agencements ou de s\u00e9quences temporelles menant \u00e0 l’obtention de k<\/em> succ\u00e8s au cours des n<\/em> tirages. \u00c0 partir de cette fonction de masse, le calcul des moments statistiques fondamentaux de la loi binomiale permet d’\u00e9tablir formellement son esp\u00e9rance math\u00e9matique \u03bc<\/em> et sa variance \u03c3\u00b2<\/em> :<\/p>\n