La fonction Gamma d’Euler \u00e9tend la factorielle aux nombres r\u00e9els et complexes avec partie r\u00e9elle strictement positive au travers de l’int\u00e9grale impropre g\u00e9n\u00e9ralis\u00e9e :<\/p>\n
$$\\Gamma(\\alpha) = \\int_{0}^{+\\infty} t^{\\alpha – 1} e^{-t} , dt$$<\/span><\/p>\n Dans sa formulation probabiliste canonique, la densit\u00e9 d’une variable al\u00e9atoire $X$<\/span> suivant une loi Gamma s’\u00e9nonce comme le produit d’une composante polynomiale en $x^{\\alpha – 1}$<\/span> et d’un amortissement exponentiel en $e^{-\\beta x}$<\/span> ou $e^{-x\/\\theta}$<\/span>. Cette construction duale conf\u00e8re \u00e0 la distribution une propri\u00e9t\u00e9 d’asym\u00e9trie positive permanente (asym\u00e9trie orient\u00e9e vers la droite), le terme exponentiel dictant l’amenuisement progressif de la queue de distribution pour les grandes valeurs de la variable. La queue lourde \u00e0 droite permet de capturer efficacement des \u00e9v\u00e9nements rares ou extr\u00eames sans pour autant attribuer une probabilit\u00e9 excessive aux d\u00e9viations massives, contrairement aux lois \u00e0 queues sous-exponentielles plus lourdes comme la loi de Pareto ou de Cauchy.<\/p>\n L’asym\u00e9trie g\u00e9om\u00e9trique de la loi Gamma n’est pas fig\u00e9e ; elle varie de fa\u00e7on dynamique selon la magnitude relative de son param\u00e8tre structurel. Cette plasticit\u00e9 analytique permet d’absorber une vaste diversit\u00e9 de patrons empiriques observ\u00e9s dans les donn\u00e9es r\u00e9elles, allant d’une pente abrupte hyper-asym\u00e9trique pour des valeurs proches de l’origine jusqu’\u00e0 une morphologie pseudo-sym\u00e9trique rappelant une loi normale lorsque la masse de probabilit\u00e9 s’\u00e9loigne substantiellement de la contrainte de fronti\u00e8re inf\u00e9rieure.<\/p>\n La litt\u00e9rature probabiliste et les impl\u00e9mentations logicielles exploitent deux grandes conventions param\u00e9triques distinctes pour formuler la fonction de densit\u00e9 de la loi Gamma. La premi\u00e8re param\u00e9trisation repose sur le couple Forme-\u00c9chelle (not\u00e9 g\u00e9n\u00e9ralement $\\alpha$<\/span> et $\\theta$<\/span>, ou shape<\/em> et scale<\/em> en anglais). Sous cette formulation, la fonction de densit\u00e9 s’\u00e9crit formellement :<\/p>\n $$f(x; \\alpha, \\theta) = \\frac{1}{\\theta^\\alpha \\Gamma(\\alpha)} x^{\\alpha – 1} \\exp\\left(-\\frac{x}{\\theta}\\right), \\quad x > 0, \\quad \\alpha > 0, \\quad \\theta > 0$$<\/span><\/p>\n La seconde param\u00e9trisation, largement pr\u00e9valente dans l’environnement de calcul statistique R et dans le cadre des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM)<\/a>, substitue au param\u00e8tre d’\u00e9chelle $\\theta$<\/span> un param\u00e8tre de taux (not\u00e9 $\\beta$<\/span>, ou rate<\/em>), d\u00e9fini par la relation r\u00e9ciproque directe $\\beta = 1\/\\theta$<\/span>. La densit\u00e9 de probabilit\u00e9 adopte alors l’expression alternative :<\/p>\n $$f(x; \\alpha, \\beta) = \\frac{\\beta^\\alpha}{\\Gamma(\\alpha)} x^{\\alpha – 1} \\exp(-\\beta x), \\quad x > 0, \\quad \\alpha > 0, \\quad \\beta > 0$$<\/span><\/p>\n L’impact g\u00e9om\u00e9trique du param\u00e8tre de forme $\\alpha$<\/span> est d\u00e9terminant pour la morphologie globale de la fonction de densit\u00e9. Lorsque $\\alpha 1$<\/span>, la courbe devient strictement unimodale, pr\u00e9sentant un mode unique situ\u00e9 \u00e0 $x = (\\alpha – 1)\/\\beta = (\\alpha – 1)\\theta$<\/span>, et s’annule \u00e0 l’origine ($f(0) = 0$<\/span>).<\/p>\n Les moments th\u00e9oriques de premier et de second ordre d\u00e9rivent \u00e9l\u00e9gamment de ces formulations. L’esp\u00e9rance math\u00e9matique $E(X)$<\/span> et la variance statistique $Var(X)$<\/span> s’expriment respectivement comme :<\/p>\n $$E(X) = \\alpha \\theta = \\frac{\\alpha}{\\beta}$$<\/span><\/p>\n $$Var(X) = \\alpha \\theta^2 = \\frac{\\alpha}{\\beta^2}$$<\/span><\/p>\n Une propri\u00e9t\u00e9 fondamentale d\u00e9coule imm\u00e9diatement de ces expressions : la variance de la distribution Gamma est proportionnelle au carr\u00e9 de son esp\u00e9rance, soit $Var(X) = [E(X)]^2 \/ \\alpha$<\/span>. Le coefficient de variation th\u00e9orique ($CV = \\sigma \/ \\mu$<\/span>) vaut ainsi rigoureusement $1\/\\sqrt{\\alpha}$<\/span>. Cette relation structurelle illustre la propri\u00e9t\u00e9 d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 naturelle de la loi Gamma, o\u00f9 la dispersion des mesures s’accro\u00eet quadratiquement avec l’ampleur moyenne du ph\u00e9nom\u00e8ne observ\u00e9, un trait empirique omnipr\u00e9sent dans les sciences du vivant.<\/p>\n L’application de la distribution Gamma s’av\u00e8re particuli\u00e8rement f\u00e9conde dans l’analyse des latences comportementales et des temps de r\u00e9action continus au sein des neurosciences et de la psychologie cognitive. L’ex\u00e9cution d’une t\u00e2che motrice ou cognitive, telle que la reconnaissance lexicale ou la discrimination sensorielle, implique l’agr\u00e9gation s\u00e9quentielle d’un ensemble de micro-processus neuronaux \u00e9l\u00e9mentaires. Si l’on con\u00e7oit une t\u00e2che cognitive complexe comme une cha\u00eene de sous-op\u00e9rations successives ind\u00e9pendantes, chacune demandant un d\u00e9lai mod\u00e9lis\u00e9 par une loi exponentielle de taux identique, la dur\u00e9e totale cumul\u00e9e de l’action suit alors intrins\u00e8quement une loi Gamma enti\u00e8re (souvent d\u00e9nomm\u00e9e distribution d’Erlang).<\/p>\n Sur le plan psychom\u00e9trique, le traitement des dur\u00e9es par des mod\u00e8les normaux se heurte syst\u00e9matiquement \u00e0 l’asym\u00e9trie positive marqu\u00e9e des distributions de temps de r\u00e9ponse. Les chercheurs ont historiquement palli\u00e9 cette non-normalit\u00e9 par une transformation logarithmique pr\u00e9alable ($log(X)$<\/span>). Toutefois, cette pratique introduit de profonds biais d’interpr\u00e9tation. La moyenne d’une variable log-transform\u00e9e refl\u00e8te la moyenne g\u00e9om\u00e9trique sur l’\u00e9chelle originale et non la moyenne arithm\u00e9tique. De surcro\u00eet, le passage au logarithme compresse artificiellement la variance pour les scores \u00e9lev\u00e9s et modifie la nature des interactions factorielles, transformant un effet purement additif en une relation multiplicative.<\/p>\n En adoptant la distribution Gamma, les analystes s’affranchissent de toute distorsion d’\u00e9chelle. Les param\u00e8tres estim\u00e9s conservent une signification m\u00e9trique directe dans l’unit\u00e9 native de recueil (millisecondes, secondes, indices d’intensit\u00e9 physiologique). Par ailleurs, la loi Gamma r\u00e9sout nativement le probl\u00e8me de la fronti\u00e8re physique de positivit\u00e9. Une distribution gaussienne assignera in\u00e9vitablement une probabilit\u00e9 non nulle, bien que th\u00e9oriquement infinit\u00e9simale, \u00e0 des valeurs strictement n\u00e9gatives, ce qui constitue une aberration conceptuelle manifeste pour des temps de compl\u00e9tion ou des volumes de consommation. La loi Gamma garantit que la masse de probabilit\u00e9 sur le semi-axe r\u00e9el n\u00e9gatif $]-\\infty, 0]$<\/span> demeure rigoureusement nulle.<\/p>\n Pour ex\u00e9cuter un ajustement param\u00e9trique selon les canons de l’art statistique, le syst\u00e8me de base du logiciel R doit \u00eatre compl\u00e9t\u00e9 par des biblioth\u00e8ques logicielles sp\u00e9cialis\u00e9es. L’\u00e9cosyst\u00e8me le plus \u00e9prouv\u00e9 et document\u00e9 pour cette t\u00e2che est articul\u00e9 autour du package fitdistrplus<\/a>, d\u00e9velopp\u00e9 par l’\u00e9quipe de Delignette-Muller et Dutang. Cette suite logicielle standardise l’estimation univari\u00e9e sous de multiples paradigmes d’inf\u00e9rence, tout en int\u00e9grant des interfaces graphiques diagnostiques d’une haute pr\u00e9cision scientifique.<\/p>\n En parall\u00e8le, l’utilisation de la biblioth\u00e8que L’ex\u00e9cution dans la console R du script suivant assure l’initialisation ad\u00e9quate du socle logiciel :<\/p>\n Une pr\u00e9caution m\u00e9thodologique \u00e9l\u00e9mentaire consiste \u00e0 surveiller les conflits potentiels d’espaces de noms. Par exemple, la fonction Avant d’engager toute proc\u00e9dure num\u00e9rique d’optimisation, un audit strict des propri\u00e9t\u00e9s arithm\u00e9tiques du vecteur de donn\u00e9es s’av\u00e8re imp\u00e9ratif. La fonction de log-vraisemblance de la loi Gamma comporte un terme proportionnel \u00e0 $\\sum \\log(x_i)$<\/span>. En cons\u00e9quence, la pr\u00e9sence d’une seule observation inf\u00e9rieure ou rigoureusement \u00e9gale \u00e0 z\u00e9ro induira imm\u00e9diatement une ind\u00e9termination num\u00e9rique fatale, le logarithme de z\u00e9ro divergeant vers $-\\infty$<\/span> et le logarithme d’un r\u00e9el n\u00e9gatif n’\u00e9tant point d\u00e9fini dans l’ensemble des r\u00e9els, g\u00e9n\u00e9rant l’erreur d’ex\u00e9cution classique Le protocole de v\u00e9rification pr\u00e9liminaire doit donc syst\u00e9matiquement comporter le recensement et l’isolation des donn\u00e9es manquantes (marqu\u00e9es comme Si la structure sous-jacente du processus g\u00e9n\u00e9rateur implique des z\u00e9ros r\u00e9els (par exemple, des temps d’inactivit\u00e9 avant premier stimulus o\u00f9 aucune latence n’a \u00e9t\u00e9 enregistr\u00e9e), une distribution continue classique ne peut pas \u00eatre ajust\u00e9e directement sans alt\u00e9rer la th\u00e9orie probabiliste sous-jacente. Il convient alors de recourir soit \u00e0 des mod\u00e8les en deux parties (two-part hurdle models<\/em>), soit \u00e0 une translation d\u00e9terministe minime, dont l’impact statistique sera discut\u00e9 de mani\u00e8re approfondie \u00e0 la section 11.<\/p>\n Dans un cadre didactique orient\u00e9 vers la validation des protocoles computationnels, l’utilisation de donn\u00e9es synth\u00e9tiques pr\u00e9sente l’avantage d\u00e9cisif de confronter les estimations algorithmiques \u00e0 des param\u00e8tres g\u00e9n\u00e9rateurs parfaitement connus (la v\u00e9rit\u00e9 terrain). La fonction Pour assurer une reproductibilit\u00e9 computationnelle absolue de notre \u00e9tude, il est indispensable de fixer initialement l’\u00e9tat du g\u00e9n\u00e9rateur de congruences lin\u00e9aires via l’instruction Un effectif d’\u00e9chantillon fix\u00e9 \u00e0 $N = 1500$<\/span> observations garantit une puissance statistique robuste pour les tests d’ad\u00e9quation ult\u00e9rieurs et limite la variance d’\u00e9chantillonnage asymptotique lors de l’ajustement du maximum de vraisemblance, permettant une convergence rapide des algorithmes num\u00e9riques de r\u00e9solution.<\/p>\n Les signaux observ\u00e9s dans le monde r\u00e9el ne s’alignent jamais de fa\u00e7on immacul\u00e9e sur une loi th\u00e9orique pure ; ils sont invariablement alt\u00e9r\u00e9s par des erreurs instrumentales de capture, des fluctuations d’attention ou des impr\u00e9cisions de mesure. Afin de rendre notre simulation repr\u00e9sentative d’une \u00e9tude de laboratoire rigoureuse, nous incorporons un terme d’al\u00e9a stochastique sous la forme d’un bruit gaussien centr\u00e9 \u00e0 faible variance relative.<\/p>\n Cette perturbation doit n\u00e9anmoins \u00eatre modul\u00e9e avec circonspection afin de pr\u00e9server l’imp\u00e9ratif biologique et physique de stricte positivit\u00e9 des observations finales :<\/p>\n L’inspection des premiers \u00e9l\u00e9ments renvoy\u00e9s par la fonction L’\u00e9valuation des moments empiriques constitue la premi\u00e8re \u00e9tape d’une analyse quantitative syst\u00e9matique. L’examen simultan\u00e9 de la moyenne, de la variance, du coefficient d’asym\u00e9trie (skewness<\/em>) et du coefficient d’aplatissement (kurtosis<\/em>) renseigne imm\u00e9diatement sur l’\u00e9loignement potentiel par rapport aux conditions de normalit\u00e9 gaussienne.<\/p>\n La statistique d’asym\u00e9trie empirique \u00e9value le d\u00e9s\u00e9quilibre de la distribution autour de son centre arithm\u00e9tique. Une valeur positive indique un \u00e9talement pr\u00e9f\u00e9rentiel de la tra\u00eene vers les valeurs sup\u00e9rieures. Le kurtosis mesure quant \u00e0 lui la propension des donn\u00e9es \u00e0 former des queues lourdes par rapport \u00e0 la distribution de r\u00e9f\u00e9rence normale, pour laquelle le kurtosis d’ordre 4 vaut exactement 3 (ou un exc\u00e8s de kurtosis nul si l’on soustrait 3).<\/p>\n Sur notre \u00e9chantillon synth\u00e9tique, l’instruction descriptive renvoie une moyenne empirique voisine de $2.01$, une variance d’environ $1.18$, une asym\u00e9trie positive nette situ\u00e9e aux alentours de $1.05$, et un kurtosis sup\u00e9rieur \u00e0 $4.2$. Ces valeurs concordent intimement avec les moments th\u00e9oriques formels de la distribution Gamma parente, pour lesquels le coefficient d’asym\u00e9trie th\u00e9orique s’\u00e9tablit \u00e0 $\\gamma_1 = 2\/\\sqrt{\\alpha} = 2\/\\sqrt{3.5} \\approx 1.069$<\/span> et le kurtosis th\u00e9orique \u00e0 $\\beta_2 = 3 + 6\/\\alpha = 3 + 6\/3.5 \\approx 4.714$<\/span>. Cette concordance empirico-th\u00e9orique conforte l’opportunit\u00e9 d’un ajustement par cette loi param\u00e9trique.<\/p>\n L’inspection visuelle forme le socle indispensable sur lequel reposent les d\u00e9cisions de mod\u00e9lisation inf\u00e9rentielle. Pour contourner les biais inh\u00e9rents au choix arbitraire de la largeur des classes dans un histogramme brut, il convient de tracer un histogramme d’effectifs normalis\u00e9 en densit\u00e9 surfacique totale (o\u00f9 l’aire cumul\u00e9e des rectangles \u00e9gale l’unit\u00e9) et d’y superposer un estimateur de densit\u00e9 par noyau non param\u00e9trique (KDE<\/a>, pour Kernel Density Estimation<\/em>).<\/p>\n La superposition conjointe de la fonction de r\u00e9partition empirique cumulative (ECDF, pour Empirical Cumulative Distribution Function<\/em>) permet d’observer la courbure de la probabilit\u00e9 cumul\u00e9e sur l’ensemble de l’\u00e9tendue des donn\u00e9es. Le script de rendu avec Le trac\u00e9 r\u00e9v\u00e8le une silhouette caract\u00e9ristique : une ascension rapide de la densit\u00e9 depuis l’origine jusqu’au sommet modal, suivie d’une d\u00e9croissance asymptotique \u00e9tir\u00e9e vers la droite, sans cassure de pente notable ni discontinuit\u00e9 suspecte. L’absence de bimodalit\u00e9 \u00e9carte l’hypoth\u00e8se de sous-populations latentes h\u00e9t\u00e9rog\u00e8nes, confortant le bien-fond\u00e9 de l’ajustement d’une distribution univari\u00e9e homog\u00e8ne.<\/p>\n La s\u00e9lection a priori d’une famille de lois ne saurait se satisfaire d’une simple appr\u00e9ciation visuelle subjective. Le diagramme de Cullen et Frey, impl\u00e9ment\u00e9 au sein de Dans cette g\u00e9om\u00e9trie statistique, les lois de probabilit\u00e9 ne sont point distribu\u00e9es de mani\u00e8re indiff\u00e9renci\u00e9e : la distribution normale est r\u00e9duite \u00e0 un point unique invariable $(0, 3)$<\/span>, la distribution exponentielle \u00e0 un autre point fixe $(4, 9)$<\/span>, la loi uniforme \u00e0 un point singulier distinct, tandis que les lois \u00e0 deux param\u00e8tres comme les distributions Gamma et Lognormale d\u00e9crivent des trajectoires lin\u00e9aires ou courbes continues distinctes.<\/p>\n L’adjonction du param\u00e8tre Si le nuage de points issu du bootstrap s’agglutine \u00e9troitement le long de la courbe th\u00e9orique caract\u00e9ristique de la loi Gamma, la pr\u00e9somption en faveur de cette derni\u00e8re acquiert une l\u00e9gitimit\u00e9 empirique robuste. Il arrive fr\u00e9quemment que la r\u00e9gion de la loi Lognormale se situe \u00e0 proximit\u00e9 imm\u00e9diate de la trajectoire de la loi Gamma dans cet espace. Cette contigu\u00eft\u00e9 rappelle la n\u00e9cessit\u00e9 imp\u00e9rieuse de proc\u00e9der ensuite \u00e0 des tests formels d’ad\u00e9quation et \u00e0 des arbitrages fond\u00e9s sur les crit\u00e8res d’information p\u00e9nalis\u00e9s.<\/p>\n L’estimation par le Maximum de Vraisemblance<\/a> (MLE, pour Maximum Likelihood Estimation<\/em>) s’impose comme l’\u00e9talon-or de l’inf\u00e9rence statistique param\u00e9trique contemporaine en raison de ses propri\u00e9t\u00e9s d’optimalit\u00e9 asymptotique : convergence en probabilit\u00e9 (consistance), efficacit\u00e9 asymptotique (atteinte de la borne inf\u00e9rieure de Cram\u00e9r-Rao) et normalit\u00e9 distributionnelle limite des estimateurs.<\/p>\n Soit un \u00e9chantillon de variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es (i.i.d.) $\\mathbf{x} = (x_1, x_2, dots, x_n)$<\/span> issues d’une population parente distribu\u00e9e selon une loi $\\text{\\Gamma}(\\alpha, \\beta)$<\/span>. La fonction de vraisemblance conjointe $L(\\alpha, \\beta; \\mathbf{x})$<\/span> s’exprime comme le produit tensoriel des densit\u00e9s univari\u00e9es marginales :<\/p>\n $$L(\\alpha, \\beta; \\mathbf{x}) = \\prod_{i=1}^n \\frac{\\beta^\\alpha}{\\Gamma(\\alpha)} x_i^{\\alpha – 1} \\exp(-\\beta x_i) = \\frac{\\beta^{n\\alpha}}{[\\Gamma(\\alpha)]^n} \\left( \\prod_{i=1}^n x_i \\right)^{\\alpha – 1} \\exp\\left(-\\beta \\sum_{i=1}^n x_i\\right)$$<\/span><\/p>\n Pour des imp\u00e9ratifs \u00e9vidents de tractabilit\u00e9 calculatoire et de stabilit\u00e9 num\u00e9rique sous virgule flottante, les calculs s’effectuent sur la fonction de log-vraisemblance $ell(\\alpha, \\beta; \\mathbf{x}) = \\ln L(\\alpha, \\beta; \\mathbf{x})$<\/span> :<\/p>\n $$ell(\\alpha, \\beta; \\mathbf{x}) = n\\alpha \\ln(\\beta) – n \\ln \\Gamma(\\alpha) + (\\alpha – 1) \\sum_{i=1}^n \\ln(x_i) – \\beta \\sum_{i=1}^n x_i$$<\/span><\/p>\n Pour maximiser cette fonction par rapport aux deux param\u00e8tres inconnus, on annule ses d\u00e9riv\u00e9es partielles premi\u00e8res (formant les \u00e9quations du score) :<\/p>\n $$\\frac{\\partial ell}{\\partial \\beta} = \\frac{n\\alpha}{\\beta} – \\sum_{i=1}^n x_i = 0 implies \\hat{\\beta}_{MLE} = \\frac{n\\hat{\\alpha}_{MLE}}{\\sum_{i=1}^n x_i} = \\frac{\\hat{\\alpha}_{MLE}}{\\bar{x}}$$<\/span><\/p>\n $$\\frac{\\partial ell}{\\partial \\alpha} = n \\ln(\\beta) – n \\psi(\\alpha) + \\sum_{i=1}^n \\ln(x_i) = 0$$<\/span><\/p>\n Dans la seconde \u00e9quation, la fonction $\\psi(\\alpha) = \\frac{d}{d\\alpha} \\ln \\Gamma(\\alpha) = \\frac{Gamma'(\\alpha)}{\\Gamma(\\alpha)}$<\/span> repr\u00e9sente la fonction digamma<\/a>. En injectant l’expression de $\\hat{\\beta}_{MLE}$<\/span> au sein de la condition stationnaire sur $\\alpha$<\/span>, nous obtenons l’\u00e9quation transcendante univari\u00e9e fondamentale :<\/p>\n $$\\ln(\\hat{\\alpha}) – \\psi(\\hat{\\alpha}) = \\ln(\\bar{x}) – \\frac{1}{n}\\sum_{i=1}^n \\ln(x_i)$$<\/span><\/p>\n1.2 Param\u00e9trisations : Forme, \u00c9chelle et Taux<\/h3>\n
1.3 Pertinence empirique pour les sciences comportementales et quantitatives<\/h3>\n
2. Configuration de l’environnement de calcul statistique R<\/h2>\n
2.1 Installation et chargement des d\u00e9pendances requises<\/h3>\n
MASS<\/code> (fournie nativement avec le c\u0153ur de R mais n\u00e9cessitant une initialisation explicite pour certaines fonctions de vraisemblance) et du package de r\u00e9f\u00e9rence graphique ggplot2<\/code> permet d’allier robustesse math\u00e9matique et polyvalence dans la production de visualisations conformes aux exigences de publication des revues scientifiques internationales. Il convient d’installer ces outils depuis le r\u00e9seau de miroirs du Comprehensive R Archive Network (CRAN) via une instruction conditionnelle \u00e9vitant les r\u00e9installations superflues.<\/p>\npackages_requis <- c(\"fitdistrplus\", \"MASS\", \"ggplot2\", \"moments\", \"dplyr\")
\npackages_manquants <- packages_requis[!(packages_requis %in% installed.packages()[, \"Package\"])]
\nif(length(packages_manquants) > 0) install.packages(packages_manquants)
\nlibrary(fitdistrplus)
\nlibrary(ggplot2)
\nlibrary(moments)<\/code><\/p>\nselect<\/code> peut \u00eatre masqu\u00e9e si l’environnement charge simultan\u00e9ment MASS<\/code> et dplyr<\/code>. Pour pr\u00e9venir tout dysfonctionnement silencieux, il demeure pr\u00e9f\u00e9rable de pr\u00e9fixer les appels critiques par l’op\u00e9rateur d’adressage strict (par exemple fitdistrplus::fitdist<\/code>).<\/p>\n2.2 Gestion des contraintes structurelles des donn\u00e9es<\/h3>\n
NaNs produced<\/code>.<\/p>\nNA<\/code> ou NaN<\/code>), ainsi que la validation empirique de la borne inf\u00e9rieure stricte du support. Le code suivant formalise cette routine de filtrage et d’audit structurel :<\/p>\nnettoyer_vecteur <- function(vecteur) {
\n vecteur_sans_na <- vecteur[!is.na(vecteur)]
\n nb_zeros <- sum(vecteur_sans_na == 0)
\n nb_negatifs <- sum(vecteur_sans_na < 0)
\n if(nb_zeros > 0 || nb_negatifs > 0) {
\n warning(paste(\"Pr\u00e9sence de valeurs invalides identifi\u00e9e :\", nb_zeros, \"z\u00e9ros et\", nb_negatifs, \"n\u00e9gatifs.\"))
\n }
\n vecteur_valide <- vecteur_sans_na[vecteur_sans_na > 0]
\n return(vecteur_valide)
\n}<\/code><\/p>\n3. G\u00e9n\u00e9ration et structure d’un jeu de donn\u00e9es synth\u00e9tique<\/h2>\n
3.1 Simulation d’une variable al\u00e9atoire Gamma<\/h3>\n
rgamma()<\/code> impl\u00e9ment\u00e9e dans le noyau de R repose sur les algorithmes de rejet sophistiqu\u00e9s de Marsaglia et Tsang pour g\u00e9n\u00e9rer des r\u00e9alisations pseudo-al\u00e9atoires de variables Gamma avec une efficacit\u00e9 temporelle et une pr\u00e9cision num\u00e9rique optimales.<\/p>\nset.seed()<\/code>. Nous configurons ici une simulation repr\u00e9sentant une exp\u00e9rience psycholinguistique mesurant des temps de d\u00e9nomination lexicale (en secondes), avec un param\u00e8tre de forme th\u00e9orique $\\alpha_{reel} = 3.5$<\/span> et un param\u00e8tre de taux th\u00e9orique $\\beta_{reel} = 1.75$<\/span> (correspondant \u00e0 une \u00e9chelle $\\theta_{reel} = 1 \/ 1.75 \\approx 0.5714$<\/span> seconde).<\/p>\nset.seed(42)
\ntaille_echantillon <- 1500
\nalpha_reel <- 3.5
\nbeta_reel <- 1.75
\ndonnees_pures <- rgamma(n = taille_echantillon, shape = alpha_reel, rate = beta_reel)<\/code><\/p>\n3.2 Adjonction d’un bruit gaussien contr\u00f4l\u00e9<\/h3>\n
bruit_mesure <- rnorm(n = taille_echantillon, mean = 0, sd = 0.08)
\ntemps_reaction <- donnees_pures + bruit_mesure
\ntemps_reaction <- temps_reaction[temps_reaction > 0]
\nhead(temps_reaction, n = 8)<\/code><\/p>\nhead()<\/code> permet de s’assurer de la coh\u00e9rence de l’ordre de grandeur de nos latences simul\u00e9es, oscillant majoritairement autour de $1.5$ \u00e0 $2.5$ secondes, ce qui s’av\u00e8re parfaitement conforme aux attentes th\u00e9oriques calcul\u00e9es par $E(X) = 3.5 \/ 1.75 = 2.0$<\/span> secondes.<\/p>\n3.3 Statistiques descriptives initiales de l’\u00e9chantillon<\/h3>\n
moyenne_emp <- mean(temps_reaction)
\nvariance_emp <- var(temps_reaction)
\nskewness_emp <- moments::skewness(temps_reaction)
\nkurtosis_emp <- moments::kurtosis(temps_reaction)
\nsummary(temps_reaction)<\/code><\/p>\n4. Analyse exploratoire et pr\u00e9-identification de la loi Gamma<\/h2>\n
4.1 Visualisation de la distribution empirique<\/h3>\n
ggplot2<\/code> s’organise selon la syntaxe vectorielle :<\/p>\ndf_graph <- data.frame(Temps = temps_reaction)
\np1 <- ggplot(df_graph, aes(x = Temps)) +
\n geom_histogram(aes(y = after_stat(density)), bins = 40, fill = \"#34495E\", color = \"#FFFFFF\", alpha = 0.8) +
\n geom_density(color = \"#E74C3C\", linewidth = 1.2) +
\n labs(title = \"Densit\u00e9 empirique et ajustement par noyau non-param\u00e9trique\", x = \"Temps de r\u00e9action (s)\", y = \"Densit\u00e9\") +
\n theme_minimal()<\/code><\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/gammaFit.jpg\")
<\/figure>\n4.2 Utilisation du graphique de Cullen et Frey<\/h3>\n
fitdistrplus<\/code> par l’appel de la fonction descdist()<\/code>, fournit un outil d’orientation math\u00e9matique de premier plan. Ce graphique cartographie l’espace bidimensionnel d\u00e9fini par le carr\u00e9 de l’asym\u00e9trie en abscisse ($Skewness^2$<\/span>) et le kurtosis total en ordonn\u00e9e.<\/p>\ngraphique_cf <- descdist(temps_reaction, discrete = FALSE, boot = 1000)<\/code><\/p>\nboot = 1000<\/code> d\u00e9ploie un algorithme de bootstrap non param\u00e9trique qui g\u00e9n\u00e8re mille r\u00e9\u00e9chantillons avec remise \u00e0 partir du vecteur initial. Chaque r\u00e9plique calcule son couple d’indices ($Skewness^2$<\/span>, $Kurtosis$<\/span>), mat\u00e9rialis\u00e9 par un nuage de points circulaires \u00e9parpill\u00e9s sur le graphe. Cette projection permet d’appr\u00e9cier visuellement l’incertitude d’\u00e9chantillonnage.<\/p>\n5. Estimation des param\u00e8tres par le Maximum de Vraisemblance (MLE)<\/h2>\n
5.1 Principe de la log-vraisemblance pour la loi Gamma<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/gammaFit2.png\")
<\/figure>\n