L’inf\u00e9rence statistique moderne repose sur une tension dialectique fondamentale : concilier la complexit\u00e9 discr\u00e8te et combinatoire des ph\u00e9nom\u00e8nes observables avec l’\u00e9l\u00e9gance analytique et la tractabilit\u00e9 computationnelle des mod\u00e8les continus. Dans l’\u00e9tude des variables dichotomiques \u2014 omnipr\u00e9sentes d\u00e8s lors que l’on s’int\u00e9resse \u00e0 la pr\u00e9sence ou \u00e0 l’absence d’un attribut, \u00e0 la r\u00e9ussite ou \u00e0 l’\u00e9chec d’une t\u00e2che cognitive, ou encore \u00e0 la r\u00e9mission clinique d’un patient \u2014, la distribution exacte sous-jacente rel\u00e8ve rigoureusement de la loi binomiale. Cependant, le calcul direct des probabilit\u00e9s binomiales cumul\u00e9es a longtemps constitu\u00e9, avant l’av\u00e8nement du calcul \u00e9lectronique distribu\u00e9, un d\u00e9fi calculatoire insurmontable pour des \u00e9chantillons de taille mod\u00e9r\u00e9e ou grande, n\u00e9cessitant l’\u00e9valuation de factorielles astronomiques et de coefficients combinatoires prohibitifs.<\/p>\n
Pour surmonter cet \u00e9cueil, les pionniers de la th\u00e9orie des probabilit\u00e9s ont d\u00e9montr\u00e9 qu’une somme de variables al\u00e9atoires de Bernoulli ind\u00e9pendantes et identiquement distribu\u00e9es converge, sous certaines conditions de r\u00e9gularisation, vers une distribution gaussienne continue. Cette passerelle math\u00e9matique, immortalis\u00e9e par le th\u00e9or\u00e8me de Moivre-Laplace et g\u00e9n\u00e9ralis\u00e9e par le th\u00e9or\u00e8me central limite, autorise le chercheur \u00e0 substituer l’arsenal d’inf\u00e9rence de la loi normale aux calculs discrets de la loi binomiale. C’est pr\u00e9cis\u00e9ment \u00e0 cette intersection critique qu’intervient la condition de succ\u00e8s\/\u00e9chec<\/strong> (souvent d\u00e9sign\u00e9e en litt\u00e9rature anglophone sous l’appellation de success\/failure condition<\/em>). Cette r\u00e8gle m\u00e9thodologique cardinale stipule que l’approximation normale d’une distribution binomiale n’est empiriquement et th\u00e9oriquement valide que si le nombre attendu d’occurrences du ph\u00e9nom\u00e8ne d’int\u00e9r\u00eat ainsi que le nombre attendu de non-occurrences atteignent ou d\u00e9passent un seuil critique minimal, conventionnellement fix\u00e9 \u00e0 10.<\/p>\n L’omission de cette v\u00e9rification pr\u00e9alable ou son application m\u00e9canique sans compr\u00e9hension de ses soubassements distributionnels engendre des cons\u00e9quences m\u00e9thodologiques d\u00e9l\u00e9t\u00e8res : distorsion du taux nominal d’erreur de type I, affaiblissement dramatique de la puissance statistique, et g\u00e9n\u00e9ration d’intervalles de confiance aux limites aberrantes, violant parfois l’espace param\u00e9trique unitaire. Dans le cadre de cet article de synth\u00e8se approfondi, nous explorerons les fondements probabilistes de la condition de succ\u00e8s\/\u00e9chec, son comportement asymptotique, ses implications cliniques et exp\u00e9rimentales \u2014 particuli\u00e8rement au sein des sciences psychologiques et comportementales \u2014, ainsi que les m\u00e9thodes exactes et robustes de substitution \u00e0 adopter en cas de violation av\u00e9r\u00e9e de ses crit\u00e8res fondamentaux.<\/p>\n La condition de succ\u00e8s\/\u00e9chec est une r\u00e8gle heuristique et formelle de d\u00e9cision employ\u00e9e en statistique inf\u00e9rentielle pour attester de la l\u00e9gitimit\u00e9 de l’approximation normale appliqu\u00e9e \u00e0 des variables al\u00e9atoires discr\u00e8tes suivant une distribution binomiale<\/a>. Lorsqu’un analyste cherche \u00e0 mod\u00e9liser la fr\u00e9quence relative d’un \u00e9v\u00e9nement binaire, les donn\u00e9es brutes sont constitu\u00e9es d’une succession de z\u00e9ros et d’uns, r\u00e9gies par les lois discr\u00e8tes de l’analyse combinatoire. N\u00e9anmoins, la plupart des outils param\u00e9triques standards \u2014 tels que le test Z pour une proportion ou les intervalles de confiance bas\u00e9s sur les quantiles de la distribution normale centr\u00e9e r\u00e9duite \u2014 pr\u00e9supposent que l’estimateur de la proportion se distribue selon une densit\u00e9 continue caract\u00e9ris\u00e9e par la fameuse courbe en cloche de Gauss.<\/p>\n La condition de succ\u00e8s\/\u00e9chec agit comme un filtre de validit\u00e9 interne indispensable avant toute tentative d’inf\u00e9rence param\u00e9trique. Elle postule que pour une taille d’\u00e9chantillon donn\u00e9e $n$<\/span> et une probabilit\u00e9 de succ\u00e8s th\u00e9orique $p$<\/span> (ou une proportion empirique $\\hat{p}$<\/span>), les quantit\u00e9s esp\u00e9r\u00e9es $np$<\/span> et $n(1-p)$<\/span> doivent \u00eatre simultan\u00e9ment sup\u00e9rieures ou \u00e9gales \u00e0 un seuil arithm\u00e9tique donn\u00e9, classiquement \u00e9tabli \u00e0 10. Ce crit\u00e8re assure que l’\u00e9chantillon analys\u00e9 contient une densit\u00e9 informative suffisante sur les deux p\u00f4les de la variable dichotomique. Sans cette v\u00e9rification pr\u00e9alable, projeter une fonction de densit\u00e9 continue sur un espace probabiliste asym\u00e9trique et discret rel\u00e8ve d’une extrapolation fallacieuse, qui compromet imm\u00e9diatement la rigueur analytique et l’exactitude des conclusions quantitatives formul\u00e9es par l’investigateur.<\/p>\n Dans le domaine des sciences psychologiques, de la psychiatrie exp\u00e9rimentale et de la neuropsychologie, la quantification des comportements humains requiert tr\u00e8s fr\u00e9quemment le recueil de donn\u00e9es binaires. Qu’il s’agisse de mesurer la r\u00e9ussite ou l’\u00e9chec \u00e0 un item d’\u00e9valuation des fonctions ex\u00e9cutives, l’adh\u00e9sion compl\u00e8te versus l’abandon d’une th\u00e9rapie cognitivo-comportementale au terme d’un protocole de douze semaines, ou encore l’atteinte du seuil diagnostique d’un trouble anxieux caract\u00e9ris\u00e9 via un entretien clinique standardis\u00e9, les variables de sortie sont intrins\u00e8quement dichotomiques.<\/p>\n La pr\u00e9valence de ces \u00e9tats cliniques ou comportementaux est souvent extr\u00eamement d\u00e9s\u00e9quilibr\u00e9e. Par exemple, l’\u00e9tude d’un trouble neuropsychologique rare ou d’un comportement d’addiction sp\u00e9cifique au sein d’une cohorte g\u00e9n\u00e9rale induit souvent des valeurs du param\u00e8tre $p$<\/span> tr\u00e8s proches de z\u00e9ro. Si un chercheur tente d’\u00e9valuer l’efficacit\u00e9 diff\u00e9rentielle d’un traitement en comparant les taux d’am\u00e9lioration binaire sur un petit groupe de patients sans satisfaire la condition de succ\u00e8s\/\u00e9chec, les marges d’erreur calcul\u00e9es deviennent fallacieuses. La psychom\u00e9trie cognitive moderne, de m\u00eame que la recherche sur la validit\u00e9 pr\u00e9dictive des biomarqueurs comportementaux, se trouve ainsi expos\u00e9e \u00e0 des risques \u00e9lev\u00e9s de faux positifs ou de fausses non-rejets d’hypoth\u00e8ses en raison d’une mod\u00e9lisation normale abusive d’\u00e9v\u00e9nements \u00e0 faible occurrence observ\u00e9e.<\/p>\n L’int\u00e9r\u00eat historique et contemporain d’adopter une mod\u00e9lisation asymptotique r\u00e9side principalement dans l’\u00e9conomie calculatoire et l’harmonisation m\u00e9thodologique de l’inf\u00e9rence statistique. Avant la d\u00e9mocratisation des supercalculateurs et des environnements d’analyse statistique int\u00e9gr\u00e9s tels que le R Project for Statistical Computing<\/a> ou Python, calculer la somme cumul\u00e9e de dizaines d’expressions combinatoires impliquant des factorielles de grande dimension constituait un goulot d’\u00e9tranglement math\u00e9matique majeur. L’approximation normale offrait une m\u00e9thode \u00e9l\u00e9gante pour transformer une sommation discr\u00e8te fastidieuse en une int\u00e9grale analytique simple calcul\u00e9e sur une courbe gaussienne standardis\u00e9e.<\/p>\n Au-del\u00e0 de la simplification computationnelle, l’approche asymptotique offre un cadre conceptuel unifi\u00e9 pour d\u00e9terminer la puissance statistique a priori<\/em> d’une \u00e9tude quantitative et dimensionner les cohortes exp\u00e9rimentales. La normalit\u00e9 asymptotique standardise les distributions d’\u00e9chantillonnage, facilitant la d\u00e9rivation math\u00e9matique des fonctions de puissance, des tailles d’effet standardis\u00e9es (telles que le d de Cohen appliqu\u00e9 aux logits ou le $h$<\/span> d’Arcsinus de Jacob Cohen), et l’\u00e9tablissement d’intervalles de confiance bilat\u00e9raux sym\u00e9triques ais\u00e9ment interpr\u00e9tables pour la communaut\u00e9 scientifique et les praticiens.<\/p>\n \u00c0 la base de toute mod\u00e9lisation binaire se trouve le concept probabiliste formalis\u00e9 par le math\u00e9maticien suisse Jacques Bernoulli au tournant du XVIIIe si\u00e8cle : le sch\u00e9ma de Bernoulli. Une \u00e9preuve de Bernoulli<\/a> est une exp\u00e9rience al\u00e9atoire id\u00e9alis\u00e9e n’admettant exactement que deux issues possibles, mutuellement exclusives et collectivement exhaustives. Par convention s\u00e9mantique universelle en statistique, l’une de ces issues est d\u00e9sign\u00e9e arbitrairement sous le terme de \u00ab succ\u00e8s \u00bb (associ\u00e9e conventionnellement \u00e0 la valeur binaire 1) et l’autre sous le terme d’\u00ab \u00e9chec \u00bb (associ\u00e9e \u00e0 la valeur 0), ind\u00e9pendamment de la connotation axiologique ou morale que ces mots peuvent porter dans le langage courant.<\/p>\n Pour qu’une succession d’\u00e9preuves de Bernoulli constitue un processus stochastique valide r\u00e9pondant \u00e0 cette d\u00e9finition, deux conditions structurales intangibles doivent \u00eatre rigoureusement satisfaites :<\/p>\n Dans la recherche empirique, ces hypoth\u00e8ses exigent un contr\u00f4le rigoureux du protocole d’acquisition des donn\u00e9es : absence d’effet d’apprentissage non mod\u00e9lis\u00e9 chez un sujet humain, tirage avec remise ou tirage sans remise au sein d’une population parente suffisamment vaste pour que le pr\u00e9l\u00e8vement d’une unit\u00e9 ne modifie pas les proportions marginales.<\/p>\n Lorsque l’on comptabilise le nombre total de succ\u00e8s, not\u00e9 sous la forme d’une variable al\u00e9atoire discr\u00e8te $X$<\/span>, obtenus au cours d’une s\u00e9quence fixe de $n$<\/span> \u00e9preuves de Bernoulli ind\u00e9pendantes pr\u00e9sentant chacune une probabilit\u00e9 stationnaire de succ\u00e8s $p$<\/span>, cette variable al\u00e9atoire se distribue selon la loi binomiale<\/a> de param\u00e8tres $n$<\/span> et $p$<\/span>, symbolis\u00e9e classiquement par la notation $X \\sim \\mathcal{B}(n, p)$<\/span>. La fonction de masse de probabilit\u00e9, qui associe \u00e0 chaque entier naturel $k$<\/span> (avec $0 le k le n$<\/span>) sa probabilit\u00e9 exacte d’occurrence, est explicit\u00e9e par la formule math\u00e9matique suivante :<\/p>\n $$P(X = k) = \\binom{n}{k} p^k (1 – p)^{n – k} = \\frac{n!}{k!(n – k)!} p^k (1 – p)^{n – k}$$<\/span><\/p>\n L’esp\u00e9rance math\u00e9matique de la distribution, repr\u00e9sentant la moyenne distributionnelle th\u00e9orique \u00e0 long terme sur une infinit\u00e9 de r\u00e9plications de l’exp\u00e9rience globale, s’exprime par le produit de la taille de l’\u00e9chantillon par la probabilit\u00e9 de succ\u00e8s \u00e9l\u00e9mentaire :<\/p>\n $$E(X) = \\mu = np$$<\/span><\/p>\n De mani\u00e8re analogue, la variance th\u00e9orique, qui quantifie la dispersion des r\u00e9alisations possibles de la variable al\u00e9atoire autour de son centre de gravit\u00e9 math\u00e9matique, d\u00e9pend simultan\u00e9ment du nombre d’essais, de la probabilit\u00e9 de succ\u00e8s et de son compl\u00e9mentaire :<\/p>\n $$Var(X) = \\sigma^2 = np(1 – p) = npq$$<\/span><\/p>\n o\u00f9 la lettre $q = 1 – p$<\/span> d\u00e9signe traditionnellement la probabilit\u00e9 th\u00e9orique de survenue de l’\u00e9chec. L’\u00e9cart-type correspondant correspond naturellement \u00e0 la racine carr\u00e9e arithm\u00e9tique de cette variance, soit $\\sigma = \\sqrt{np(1 – p)}$<\/span>.<\/p>\n Bien que conceptuellement \u00e9l\u00e9mentaire, l’\u00e9valuation num\u00e9rique de cette distribution devient singuli\u00e8rement complexe lorsque la taille de l’\u00e9chantillon $n$<\/span> s’accro\u00eet. Le terme combinatoire $\\binom{n}{k}$<\/span>, calcul\u00e9 \u00e0 partir de produits factoriels exponentiellement croissants, d\u00e9passe tr\u00e8s rapidement les capacit\u00e9s de repr\u00e9sentation en pr\u00e9cision finie des calculateurs s’il n’est pas lin\u00e9aris\u00e9 sous forme logarithmique via l’approximation de Stirling, ce qui motive depuis plusieurs si\u00e8cles la qu\u00eate de formes asymptotiques lisses.<\/p>\n La g\u00e9om\u00e9trie distributionnelle de la loi binomiale est profond\u00e9ment tributaire de la valeur prise par le param\u00e8tre $p$<\/span>. La sym\u00e9trie parfaite de la fonction de masse de probabilit\u00e9 n’est rigoureusement atteinte que dans la configuration unique o\u00f9 la probabilit\u00e9 \u00e9l\u00e9mentaire est exactement \u00e9quiprobable, c’est-\u00e0-dire lorsque $p = 0{,}5$<\/span>. Dans cette situation, les coefficients binomiaux $\\binom{n}{k}$<\/span> et $\\binom{n}{n-k}$<\/span> \u00e9tant identiques en vertu des propri\u00e9t\u00e9s fondamentales du triangle de Pascal, les probabilit\u00e9s de part et d’autre de l’esp\u00e9rance $np = 0{,}5n$<\/span> se refl\u00e8tent en miroir, conf\u00e9rant \u00e0 l’histogramme discret une forme parfaitement \u00e9quilibr\u00e9e.<\/p>\n D\u00e8s que le param\u00e8tre $p$<\/span> s’\u00e9carte de cette valeur centrale d’\u00e9quiprobabilit\u00e9, une asym\u00e9trie structurale s’installe. Lorsque la probabilit\u00e9 d’occurrence est faible ($p < 0{,}5$), la masse de probabilit\u00e9 s’accumule massivement \u00e0 proximit\u00e9 de l’origine z\u00e9ro, et la distribution s’\u00e9tire en une longue queue vers la droite : il s’agit d’une asym\u00e9trie positive (ou \u00e9talement \u00e0 droite). Inversement, lorsque l’\u00e9v\u00e9nement consid\u00e9r\u00e9 devient dominant ($<\/span>p > 0{,}5$), la masse de probabilit\u00e9 est concentr\u00e9e au voisinage de la borne sup\u00e9rieure$<\/span>n$, formant une queue r\u00e9siduelle \u00e9tendue vers les faibles valeurs : il s’agit alors d’une asym\u00e9trie n\u00e9gative (ou \u00e9talement \u00e0 gauche). Cette d\u00e9formation g\u00e9om\u00e9trique s’av\u00e8re particuli\u00e8rement prononc\u00e9e pour les petits \u00e9chantillons et r\u00e9siste tant que le nombre global d’essais$<\/span>n$ ne s’est pas accru de mani\u00e8re suffisante pour compenser l’excentricit\u00e9 de la probabilit\u00e9 sous-jacente.<\/p>\n L’histoire de l’approximation de la loi binomiale par une fonction continue marque la gen\u00e8se m\u00eame de la th\u00e9orie analytique des probabilit\u00e9s. En 1738, le math\u00e9maticien fran\u00e7ais \u00e9migr\u00e9 \u00e0 Londres, Abraham de Moivre<\/a>, publia dans la seconde \u00e9dition de son ouvrage s\u00e9minal The Doctrine of Chances<\/em> une d\u00e9monstration \u00e9tablissant que les termes binomiaux m\u00e9dians pour un jeu d’argent \u00e9quilibr\u00e9 ($p = 0{,}5$<\/span>) pouvaient \u00eatre approxim\u00e9s avec une extraordinaire pr\u00e9cision en \u00e9valuant l’aire sous une courbe exponentielle d’\u00e9quation quadratique n\u00e9gative.<\/p>\n Pr\u00e8s de huit d\u00e9cennies plus tard, en 1812, dans son magistral trait\u00e9 Th\u00e9orie analytique des probabilit\u00e9s<\/em>, Pierre-Simon de Laplace<\/a> \u00e9tendit le r\u00e9sultat de De Moivre \u00e0 une valeur quelconque du param\u00e8tre $p$<\/span> comprise dans l’intervalle ouvert $]0, 1[$<\/span>. Le r\u00e9sultat math\u00e9matique issu de cette synth\u00e8se est formellement connu sous le nom de th\u00e9or\u00e8me de Moivre-Laplace<\/strong>, qui constitue un cas particulier fondamental du th\u00e9or\u00e8me central limite<\/a>. Ce th\u00e9or\u00e8me d\u00e9montre que si $X_n \\sim \\mathcal{B}(n, p)$<\/span>, alors la variable standardis\u00e9e associ\u00e9e converge en loi vers une variable normale centr\u00e9e r\u00e9duite lorsque $n$<\/span> tend vers l’infini :<\/p>\n $$Z_n = \\frac{X_n – np}{\\sqrt{np(1 – p)}} x\\rightarrow{\\mathcal{L}} \\mathcal{N}(0, 1) \\quad \\text{quand} \\quad n to \\infty$$<\/span><\/p>\n Cette d\u00e9couverte a transform\u00e9 le calcul probabiliste : au lieu de sommer laborieusement les probabilit\u00e9s ponctuelles discr\u00e8tes pour un grand nombre d’issues mutuellement exclusives, les math\u00e9maticiens pouvaient d\u00e9sormais int\u00e9grer la densit\u00e9 gaussienne continue $\\phi(z) = \\frac{1}{\\sqrt{2\\pi}} e^{-\\frac{z^2}{2}}$<\/span> sur des intervalles standardis\u00e9s.<\/p>\n La transition d’une distribution discr\u00e8te, dont l’espace d’\u00e9tat est l’ensemble discret des entiers naturels $\\mathbb{N}$<\/span>, \u00e0 une distribution continue dont l’espace d’\u00e9tat est le continuum des nombres r\u00e9els $\\mathbb{R}$<\/span>, soul\u00e8ve un probl\u00e8me d’incompatibilit\u00e9 g\u00e9om\u00e9trique imm\u00e9diat. Dans une distribution continue, la probabilit\u00e9 ponctuelle d’une valeur exacte est rigoureusement nulle : $P(Y = c) = 0$<\/span> pour tout $c in \\mathbb{R}$<\/span>. En revanche, pour une distribution binomiale, la probabilit\u00e9 $P(X = k)$<\/span> correspond \u00e0 la hauteur non nulle d’un rectangle \u00e9l\u00e9mentaire discret centr\u00e9 sur l’entier $k$<\/span> et poss\u00e9dant une base unitaire de largeur 1.<\/p>\n Pour rem\u00e9dier \u00e0 cette distorsion lors de l’approximation par l’aire sous la courbe normale, le statisticien britannique Frank Yates a introduit en 1934 la correction de continuit\u00e9<\/strong>. Elle stipule que chaque entier ponctuel $k$<\/span> doit \u00eatre repr\u00e9sent\u00e9 sur le continuum r\u00e9el par l’intervalle d’int\u00e9gration $[k – 0{,}5 , ; , k + 0{,}5]$<\/span>. Ainsi, pour \u00e9valuer la probabilit\u00e9 binomiale cumulative $P(a le X le b)$<\/span>, la formulation corrig\u00e9e avec continuit\u00e9 requiert d’int\u00e9grer la loi normale de $a – 0{,}5$<\/span> \u00e0 $b + 0{,}5$<\/span> :<\/p>\n $$P(a le X le b) \\approx P\\left(\\frac{a – 0{,}5 – np}{\\sqrt{np(1 – p)}} le Z le \\frac{b + 0{,}5 – np}{\\sqrt{np(1 – p)}}\\right)$$<\/span><\/p>\n L’introduction de ce d\u00e9calage d’un demi-point compense le d\u00e9coupage en escalier de la distribution discr\u00e8te et att\u00e9nue drastiquement l’erreur syst\u00e9matique d’arrondi. Il convient toutefois de souligner que l’impact num\u00e9rique de la correction de continuit\u00e9 de Yates diminue proportionnellement au fur et \u00e0 mesure que la variance $np(1-p)$<\/span> augmente, devenant quasiment n\u00e9gligeable d\u00e8s que les effectifs atteignent des ordres de grandeur \u00e9lev\u00e9s.<\/p>\n Le th\u00e9or\u00e8me de Moivre-Laplace garantit la convergence asymptotique \u00e0 la limite math\u00e9matique, c’est-\u00e0-dire lorsque $n to \\infty$<\/span>. N\u00e9anmoins, le praticien ou l’exp\u00e9rimentateur en laboratoire ne dispose jamais d’un \u00e9chantillon infini ; il op\u00e8re sur des jeux de donn\u00e9es d’effectif fini $n$<\/span>. La question op\u00e9rationnelle cruciale n’est donc pas de savoir si la distribution converge \u00e0 l’infini, mais de d\u00e9terminer si, pour la taille $n$<\/span> et la probabilit\u00e9 $p$<\/span> observables dans l’\u00e9tude, l’erreur d’approximation absolue entre la fonction de r\u00e9partition empirique binomiale et la fonction de r\u00e9partition cumulative normale est suffisamment t\u00e9nue pour ne pas biaiser les inf\u00e9rences d\u00e9ductives.<\/p>\n La validit\u00e9 de cette convergence pr\u00e9coce repose sur trois piliers m\u00e9thodologiques fondamentaux :<\/p>\n Afin de concr\u00e9tiser de mani\u00e8re op\u00e9rationnelle les pr\u00e9requis de l’approximation normale, la communaut\u00e9 m\u00e9thodologique internationale a formalis\u00e9 un crit\u00e8re arithm\u00e9tique unifi\u00e9 : la condition de succ\u00e8s\/\u00e9chec. Sous sa d\u00e9clinaison canonique la plus largement admise dans les r\u00e9f\u00e9rentiels acad\u00e9miques contemporains, ce crit\u00e8re impose la satisfaction stricte et simultan\u00e9e d’un syst\u00e8me de deux in\u00e9galit\u00e9s portant sur le nombre esp\u00e9r\u00e9 de r\u00e9alisations de chacun des deux \u00e9v\u00e9nements compl\u00e9mentaires :<\/p>\n $$n \\times p ge 10$$<\/span><\/p>\n $$n \\times (1 – p) ge 10$$<\/span><\/p>\n Il est imp\u00e9ratif d’insister sur la nature conjonctive de ce crit\u00e8re logique : le terme \u00ab et \u00bb est ici absolu. Si la premi\u00e8re in\u00e9galit\u00e9 est largement valid\u00e9e (par exemple $np = 150$<\/span>) mais que la seconde se trouve transgress\u00e9e (par exemple $n(1-p) = 4$<\/span>), la condition de succ\u00e8s\/\u00e9chec est globalement viol\u00e9e. Dans une telle configuration, la distribution binomiale demeure s\u00e9v\u00e8rement asym\u00e9trique, ce qui invalide math\u00e9matiquement l’usage non corrig\u00e9 des tests et des intervalles param\u00e9triques fond\u00e9s sur l’hypoth\u00e8se de sym\u00e9trie gaussienne.<\/p>\n Par ailleurs, une distinction analytique primordiale doit \u00eatre \u00e9tablie entre les fr\u00e9quences observ\u00e9es empiriquement dans un jeu de donn\u00e9es et les fr\u00e9quences th\u00e9oriques esp\u00e9r\u00e9es sous le mod\u00e8le probabiliste. La formulation math\u00e9matique de la condition engage l’esp\u00e9rance arithm\u00e9tique sous-jacente \u2014 le mod\u00e8le conceptuel g\u00e9n\u00e9rant les donn\u00e9es \u2014 et non pas simplement le d\u00e9compte brut d’unit\u00e9s \u00e9chantillonn\u00e9es, bien que ce dernier serve fr\u00e9quemment d’estimateur de substitution lors de l’exploration pr\u00e9liminaire des observations.<\/p>\n L’\u00e9valuation quantitative de la condition d\u00e9pend exclusivement de deux param\u00e8tres alg\u00e9briques : la taille d’\u00e9chantillon $n$<\/span> et la probabilit\u00e9 \u00e9l\u00e9mentaire $p$<\/span>. Cependant, la nature \u00e9pist\u00e9mologique et la source d’\u00e9valuation du param\u00e8tre $p$<\/span> divergent radicalement selon l’objectif de la mod\u00e9lisation statistique :<\/p>\n Dans le cadre d’un test d’hypoth\u00e8se de conformit\u00e9<\/strong> (test Z pour une seule proportion), la valeur du param\u00e8tre $p$<\/span> est th\u00e9oriquement ancr\u00e9e : elle est postul\u00e9e a priori<\/em> par l’hypoth\u00e8se nulle ($H_0 : p = p_0$<\/span>). L’analyste doit par cons\u00e9quent \u00e9valuer le respect de la condition de succ\u00e8s\/\u00e9chec en utilisant exclusivement la valeur fix\u00e9e sous l’hypoth\u00e8se nulle, en testant rigoureusement les in\u00e9galit\u00e9s :<\/p>\n $$n \\times p_0 ge 10 \\quad \\text{et} \\quad n \\times (1 – p_0) ge 10$$<\/span><\/p>\n \u00c0 l’inverse, dans le cadre de l’estimation par intervalle de confiance<\/strong>, le param\u00e8tre populationnel $p$<\/span> est par d\u00e9finition une grandeur inconnue que l’investigateur cherche pr\u00e9cis\u00e9ment \u00e0 situer. D\u00e8s lors, le calcul ne peut reposer sur une valeur th\u00e9orique pr\u00e9existante. La v\u00e9rification de la condition repose donc sur la proportion empirique observ\u00e9e, not\u00e9e $\\hat{p} = \\frac{k}{n}$<\/span>, ce qui revient \u00e0 v\u00e9rifier que les effectifs observ\u00e9s de succ\u00e8s ($k$<\/span>) et d’\u00e9checs ($n – k$<\/span>) v\u00e9rifient :<\/p>\n $$n \\times \\hat{p} = k ge 10 \\quad \\text{et} \\quad n \\times (1 – \\hat{p}) = n – k ge 10$$<\/span><\/p>\n Cette dualit\u00e9 d’application induit une asym\u00e9trie de rigueur : dans l’estimation par intervalle, l’incertitude d’\u00e9chantillonnage affecte l’\u00e9valuation m\u00eame de la validit\u00e9 de la condition de r\u00e9gularit\u00e9, ce qui amplifie le risque d’erreur d’approximation lorsque $\\hat{p}$<\/span> fluctue au voisinage des fronti\u00e8res critiques.<\/p>\n Pour appr\u00e9hender l’importance de ce double crit\u00e8re arithm\u00e9tique, il convient d’en explorer la signification g\u00e9om\u00e9trique directe sur la courbe de densit\u00e9. La loi normale est caract\u00e9ris\u00e9e par une fonction de densit\u00e9 non born\u00e9e, d\u00e9finie sur l’ensemble de la droite r\u00e9elle $]-\\infty, +\\infty[$<\/span>. Ses points d’inflexion sont situ\u00e9s \u00e0 $\\mu \\pm \\sigma$<\/span>, et ses queues s’\u00e9tendent ind\u00e9finiment. Or, la variable binomiale physique est intrins\u00e8quement born\u00e9e par la structure m\u00eame de l’exp\u00e9rience : elle ne peut math\u00e9matiquement descendre sous la valeur 0, ni exc\u00e9der la valeur totale d’essais $n$<\/span>. L’espace des proportions est quant \u00e0 lui strictement confin\u00e9 \u00e0 l’intervalle compact $[0, 1]$<\/span>.<\/p>\n D’un point de vue g\u00e9om\u00e9trique, l’intervalle canonique couvrant environ 99,7 % de la masse de probabilit\u00e9 d’une loi normale correspond \u00e0 une extension de trois \u00e9carts-types de part et d’autre de son centre de gravit\u00e9 : $[\\mu – 3\\sigma , ; , \\mu + 3\\sigma]$<\/span>. Pour qu’une distribution normale puisse approcher une distribution binomiale sans cr\u00e9er d’artefacts structurels, il est donc n\u00e9cessaire que cette enveloppe de dispersion statistique \u00e0 $\\pm 3\\sigma$<\/span> puisse s’ins\u00e9rer confortablement \u00e0 l’int\u00e9rieur des barri\u00e8res infranchissables que constituent les bornes physiques 0 et $n$<\/span>.<\/p>\n Consid\u00e9rons la borne inf\u00e9rieure : imposer que le bord gauche de la distribution normale reste sup\u00e9rieur ou \u00e9gal \u00e0 z\u00e9ro revient \u00e0 poser l’in\u00e9galit\u00e9 analytique suivante :<\/p>\n $$\\mu – 3\\sigma ge 0 iff np – 3\\sqrt{np(1 – p)} ge 0$$<\/span><\/p>\n En divisant par la quantit\u00e9 strictement positive $\\sqrt{np}$<\/span>, l’in\u00e9galit\u00e9 se simplifie en :<\/p>\n $$\\sqrt{np} ge 3\\sqrt{1 – p}$$<\/span><\/p>\n En \u00e9levant les deux membres au carr\u00e9, nous obtenons imm\u00e9diatement la contrainte arithm\u00e9tique sous-jacente :<\/p>\n $$np ge 9(1 – p)$$<\/span><\/p>\n Puisque $(1 – p) le 1$<\/span>, cette relation d\u00e9montre que la quantit\u00e9 $np$<\/span> doit approximativement \u00eatre sup\u00e9rieure ou \u00e9gale \u00e0 9 pour \u00e9viter que la queue gauche de la distribution gaussienne de substitution ne traverse artificiellement l’origine z\u00e9ro et n’attribue des densit\u00e9s probabilistes absconses \u00e0 des effectifs de succ\u00e8s n\u00e9gatifs. Le nombre 10 repr\u00e9sente ainsi l’entier de s\u00e9curit\u00e9 sup\u00e9rieur garantissant g\u00e9om\u00e9triquement l’absence d’\u00e9crasement ou de troncature de la courbe contre les bornes physiques naturelles de l’espace d’\u00e9chantillonnage.<\/p>\n1. Introduction fondamentale \u00e0 la condition de succ\u00e8s\/\u00e9chec en statistique<\/h2>\n
1.1 D\u00e9finition conceptuelle et r\u00f4le dans l’inf\u00e9rence statistique<\/h3>\n
1.2 Pertinence dans le champ des sciences psychologiques et comportementales<\/h3>\n
1.3 Objectifs de la mod\u00e9lisation asymptotique en recherche<\/h3>\n
2. Fondements probabilistes : Les \u00e9preuves de Bernoulli et la loi binomiale<\/h2>\n
2.1 La nature d’un essai de Bernoulli<\/h3>\n
\n
2.2 Propri\u00e9t\u00e9s distributionnelles de la loi binomiale<\/h3>\n
2.3 Comportement de la loi binomiale selon les variations de probabilit\u00e9<\/h3>\n
3. L’approximation normale : Le th\u00e9or\u00e8me central limite et le th\u00e9or\u00e8me de Moivre-Laplace<\/h2>\n
3.1 Origine historique et math\u00e9matique de l’approximation normale<\/h3>\n
3.2 N\u00e9cessit\u00e9 de la correction de continuit\u00e9 de Yates<\/h3>\n
3.3 Conditions sous-jacentes pour une convergence asymptotique valide<\/h3>\n
\n
4. Formulation math\u00e9matique rigoureuse de la condition de succ\u00e8s\/\u00e9chec<\/h2>\n
4.1 Les in\u00e9galit\u00e9s cardinales du crit\u00e8re classique<\/h3>\n
4.2 Param\u00e8tres fondamentaux : taille d’\u00e9chantillon n et probabilit\u00e9 p<\/h3>\n
4.3 Sens physique et g\u00e9om\u00e9trique de la condition<\/h3>\n
5. Le d\u00e9bat m\u00e9thodologique : Seuil de 10 versus seuil de 5<\/h2>\n
5.1 Historique de la divergence entre manuels acad\u00e9miques<\/h3>\n