{"id":6421,"date":"2026-09-16T08:40:01","date_gmt":"2026-09-16T08:40:01","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/approximation-normale-loi-binomiale-definition-exemple\/"},"modified":"2026-09-16T08:40:01","modified_gmt":"2026-09-16T08:40:01","slug":"approximation-normale-loi-binomiale-definition-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=approximation-normale-loi-binomiale-definition-exemple","title":{"rendered":"Approximation normale de la loi binomiale : D\u00e9finition et exemple"},"content":{"rendered":"

Dans l’\u00e9difice de la th\u00e9orie des probabilit\u00e9s et de la statistique inf\u00e9rentielle, la transition du discret au continu constitue l’une des avanc\u00e9es conceptuelles les plus f\u00e9condes de l’histoire des sciences math\u00e9matiques. Au c\u0153ur de cette passerelle th\u00e9orique se trouve l’approximation normale de la loi binomiale<\/a>, une m\u00e9thode analytique d’une remarquable puissance qui permet de mod\u00e9liser le comportement cumul\u00e9 d’une somme de variables al\u00e9atoires binaires ind\u00e9pendantes au moyen de la courbe en cloche gaussienne. Con\u00e7ue initialement pour surmonter les limitations calculatoires insurmontables pos\u00e9es par les coefficients binomiaux d’\u00e9chantillons massifs, cette technique a transcend\u00e9 son statut d’exp\u00e9dient num\u00e9rique pour devenir un pilier fondamental de la mod\u00e9lisation stochastique moderne, de l’inf\u00e9rence statistique<\/a> et des sciences exp\u00e9rimentales.<\/p>\n

La mod\u00e9lisation d’\u00e9v\u00e9nements dichotomiques \u2014 qu’il s’agisse de succ\u00e8s ou d’\u00e9checs dans les essais cliniques, de choix binaires dans les protocoles de psychophysique, ou de r\u00e9ponses correctes \u00e0 des \u00e9preuves psychom\u00e9triques standardis\u00e9es \u2014 rel\u00e8ve intrins\u00e8quement de la distribution binomiale. N\u00e9anmoins, d\u00e8s lors que le nombre d’observations s’\u00e9l\u00e8ve \u00e0 plusieurs dizaines ou centaines, le calcul exact des probabilit\u00e9s combinatoires exige des puissances factorielles vertigineuses, rendant la manipulation directe de la fonction de masse fastidieuse, voire instable sur le plan arithm\u00e9tique. C’est pr\u00e9cis\u00e9ment l\u00e0 qu’intervient l’approximation normale, formalis\u00e9e par les travaux s\u00e9minaux d’Abraham de Moivre et de Pierre-Simon de Laplace, en substituant \u00e0 un univers de d\u00e9nombrement discret une int\u00e9grale d\u00e9finie sous une fonction de densit\u00e9 continue.<\/p>\n

Le pr\u00e9sent article propose une exploration exhaustive, rigoureuse et didactique de l’approximation normale de la loi binomiale. \u00c0 travers une analyse d\u00e9taill\u00e9e de ses fondements axiomatiques, de ses exigences de validit\u00e9 empirique, du m\u00e9canisme correcteur indispensable qu’est la continuit\u00e9 g\u00e9om\u00e9trique, et de ses applications concr\u00e8tes en recherche quantitative, ce guide a pour vocation d’offrir aux \u00e9tudiants, chercheurs et praticiens une compr\u00e9hension magistrale de ce m\u00e9canisme probabiliste essentiel. En alliant pr\u00e9cision math\u00e9matique et perspective appliqu\u00e9e, nous mettrons en lumi\u00e8re la p\u00e9rennit\u00e9 conceptuelle de cette approximation \u00e0 une \u00e9poque paradoxalement domin\u00e9e par la puissance de calcul informatique brute.<\/p>\n

1. Fondements th\u00e9oriques et structure de la loi binomiale<\/h2>\n

1.1 D\u00e9finition formelle de l’\u00e9preuve et du sch\u00e9ma de Bernoulli<\/h3>\n

L’architecture fondamentale de la distribution binomiale s’enracine dans le concept \u00e9l\u00e9mentaire d’\u00e9preuve de Bernoulli<\/a>, introduite par le math\u00e9maticien suisse Jacques Bernoulli dans son ouvrage posthume Ars Conjectandi<\/em> publi\u00e9 en 1713. Une \u00e9preuve de Bernoulli est une exp\u00e9rience al\u00e9atoire id\u00e9alis\u00e9e ne comportant que deux issues possibles, mutuellement exclusives et collectivement exhaustives, conventionnellement d\u00e9sign\u00e9es sous les vocables de \u00ab succ\u00e8s \u00bb et d’\u00ab \u00e9chec \u00bb. D’un point de vue formel, si l’on d\u00e9signe par l’univers des possibles l’ensemble constitu\u00e9 de ces deux \u00e9ventualit\u00e9s, la variable al\u00e9atoire indicatrice associ\u00e9e assigne arbitrairement la valeur num\u00e9rique 1 \u00e0 la r\u00e9alisation du succ\u00e8s et la valeur 0 \u00e0 celle de l’\u00e9chec. Cette binarisation stricte constitue l’atome probabiliste sur lequel repose l’ensemble des mod\u00e9lisations ult\u00e9rieures.<\/p>\n

Le sch\u00e9ma de Bernoulli \u00e9merge lorsque cette \u00e9preuve unitaire est r\u00e9p\u00e9t\u00e9e un nombre fini et d\u00e9termin\u00e9 de fois, not\u00e9 n<\/em>, au sein d’un processus stochastique rigoureusement stationnaire. Deux axiomes fondamentaux gouvernent cette s\u00e9quence d’essais. Le premier est l’invariance stricte de la probabilit\u00e9 de succ\u00e8s : \u00e0 chaque r\u00e9p\u00e9tition i<\/em> (pour tout i<\/em> appartenant \u00e0 l’ensemble des entiers naturels de 1 \u00e0 n<\/em>), la probabilit\u00e9 d’observer un succ\u00e8s demeure invariablement \u00e9gale \u00e0 une constante r\u00e9elle p<\/em>, comprise dans l’intervalle ouvert ou ferm\u00e9 [0, 1]. Par voie de cons\u00e9quence directe, la probabilit\u00e9 d’obtenir un \u00e9chec est univoquement d\u00e9finie par le compl\u00e9ment arithm\u00e9tique q = 1 – p<\/em>. Aucune usure du syst\u00e8me, aucun ph\u00e9nom\u00e8ne de m\u00e9moire et aucune modification de l’environnement exp\u00e9rimental ne doivent venir alt\u00e9rer cette probabilit\u00e9 sous-jacente au fil des it\u00e9rations successives.<\/p>\n

Le second axiome imp\u00e9ratif r\u00e9side dans l’ind\u00e9pendance stochastique<\/a> absolue des r\u00e9p\u00e9titions. En termes probabilistes formels, cela signifie que le r\u00e9sultat conditionnel de l’essai num\u00e9ro k<\/em>, sachant la suite historique int\u00e9grale des r\u00e9sultats obtenus du premier au (k<\/em> – 1)-i\u00e8me essai, est strictement identique \u00e0 sa probabilit\u00e9 inconditionnelle marginale. En d’autres termes, l’information acquise sur le pass\u00e9 du processus n’apporte aucune r\u00e9duction d’incertitude quant \u00e0 l’issue du tirage pr\u00e9sent ou \u00e0 venir. C’est la conjonction indissoluble de ces deux propri\u00e9t\u00e9s \u2014 probabilit\u00e9 invariante et ind\u00e9pendance mutuelle \u2014 qui conf\u00e8re au sch\u00e9ma de Bernoulli son statut de mod\u00e8le canonique pour les tirages avec remise ou pour les \u00e9chantillonnages au sein de populations conceptuellement infinies.<\/p>\n

1.2 Propri\u00e9t\u00e9s math\u00e9matiques de la variable al\u00e9atoire binomiale<\/h3>\n

Lorsqu’une variable al\u00e9atoire X<\/em> est d\u00e9finie comme la somme arithm\u00e9tique de n<\/em> variables de Bernoulli ind\u00e9pendantes et de m\u00eame param\u00e8tre p<\/em>, elle d\u00e9nombre la quantit\u00e9 totale de succ\u00e8s survenus au terme des n<\/em> \u00e9preuves. La distribution de cette variable al\u00e9atoire discr\u00e8te est d\u00e9sign\u00e9e sous le terme de loi binomiale, conventionnellement not\u00e9e B(n, p)<\/em>. Le support math\u00e9matique de cette loi, c’est-\u00e0-dire l’ensemble des valeurs admissibles que peut prendre la variable X<\/em>, est intrins\u00e8quement discret, discontinu et born\u00e9 ; il est rigoureusement circonscrit \u00e0 l’ensemble fini des entiers naturels compris entre 0 et n<\/em> inclus. Il est impossible pour une telle variable de g\u00e9n\u00e9rer des valeurs n\u00e9gatives, des entiers strictement sup\u00e9rieurs \u00e0 n<\/em> ou des nombres non entiers r\u00e9els.<\/p>\n

La fonction de masse de probabilit\u00e9<\/a>, qui conf\u00e8re \u00e0 chaque entier k<\/em> du support sa probabilit\u00e9 exacte d’occurrence, s’exprime au moyen de la formule combinatoire classique :<\/p>\n

P(X = k) = C(n, k) * pk<\/sup> * (1 – p)n – k<\/sup><\/em><\/p>\n

Dans cette formulation, le terme pk<\/sup> * (1 – p)n – k<\/sup><\/em> repr\u00e9sente la probabilit\u00e9 exacte d’une trajectoire s\u00e9quentielle particuli\u00e8re comportant pr\u00e9cis\u00e9ment k<\/em> succ\u00e8s et (n – k)<\/em> \u00e9checs dispos\u00e9s dans un ordre chronologique sp\u00e9cifique. Cependant, dans la mesure o\u00f9 l’ordre d’apparition des succ\u00e8s au sein de la s\u00e9quence d’essais est sans incidence sur le r\u00e9sultat global agr\u00e9g\u00e9, il convient de multiplier cette probabilit\u00e9 unitaire par le coefficient binomial C(n, k)<\/em>, \u00e9galement not\u00e9 sous la forme matricielle de la combinaison de k<\/em> \u00e9l\u00e9ments parmi n<\/em>. Ce multiplicateur combinatoire correspond au nombre d’arrangements distincts permettant de positionner les k<\/em> succ\u00e8s dans la s\u00e9quence de longueur n<\/em> et se calcule analytiquement selon l’expression factorielle :<\/p>\n

C(n, k) = n! \/ (k! * (n – k)!)<\/em><\/p>\n

Lorsque la taille d’\u00e9chantillon n<\/em> s’accro\u00eet et progresse vers des valeurs consid\u00e9rables, la dynamique interne de cette fonction de masse subit une m\u00e9tamorphose spectaculaire. Bien que le support demeure irr\u00e9ductiblement discret, les b\u00e2tonnets repr\u00e9sentant les probabilit\u00e9s \u00e9l\u00e9mentaires se densifient le long de l’axe des abscisses tandis que leurs amplitudes relatives se r\u00e9duisent proportionnellement. L’espacement unitaire s\u00e9parant les entiers successifs k<\/em> et k + 1<\/em> devient infinit\u00e9simal par rapport \u00e0 l’amplitude globale de la dispersion de la distribution. Cette concentration progressive autour d’une zone centrale privil\u00e9gi\u00e9e pr\u00e9figure le comportement asymptotique de la loi, ouvrant la voie \u00e0 une approximation continue o\u00f9 les sauts discrets peuvent \u00eatre liss\u00e9s au sein d’un continuum g\u00e9om\u00e9trique.<\/p>\n

1.3 Param\u00e8tres fondamentaux : Esp\u00e9rance et variance<\/h3>\n

L’analyse descriptive et inf\u00e9rentielle d’une variable al\u00e9atoire binomiale exige la d\u00e9termination exacte de ses moments th\u00e9oriques fondamentaux de premier et second ordre, \u00e0 savoir son esp\u00e9rance math\u00e9matique<\/a> et sa variance. Par application directe de la propri\u00e9t\u00e9 fondamentale de lin\u00e9arit\u00e9 de l’esp\u00e9rance math\u00e9matique, l’esp\u00e9rance de X<\/em> \u2014 somme de n<\/em> variables indicatrices de Bernoulli Xi<\/sub><\/em> de moyenne p<\/em> \u2014 s’\u00e9tablit de mani\u00e8re limpide sans qu’il soit n\u00e9cessaire de d\u00e9velopper la sommation combinatoire int\u00e9grale :<\/p>\n

E(X) = E(\u03a3 Xi<\/sub>) = \u03a3 E(Xi<\/sub>) = n * p<\/em><\/p>\n

Ce r\u00e9sultat indique que, sur un horizon de n<\/em> essais stationnaires, le nombre moyen th\u00e9orique de succ\u00e8s attendu \u00e9quivaut simplement au produit du nombre de tentatives par la probabilit\u00e9 constante de r\u00e9ussite \u00e0 chaque essai. Ce param\u00e8tre de centralit\u00e9, couramment d\u00e9sign\u00e9 par la lettre grecque \u03bc<\/em> (mu), ancre le barycentre de la distribution sur la droite r\u00e9elle.<\/p>\n

La d\u00e9rivation de la variance<\/a> de la variable al\u00e9atoire repose quant \u00e0 elle de mani\u00e8re critique sur l’hypoth\u00e8se d’ind\u00e9pendance mutuelle des \u00e9preuves. Sachant que la variance d’une somme de variables ind\u00e9pendantes est \u00e9gale \u00e0 la somme arithm\u00e9tique stricte de leurs variances individuelles respectives, et constatant que la variance d’une \u00e9preuve \u00e9l\u00e9mentaire de Bernoulli s’obtient par la relation Var(Xi<\/sub>) = E(Xi<\/sub>2<\/sup>) – [E(Xi<\/sub>)]2<\/sup> = p – p2<\/sup> = p(1 – p)<\/em>, la variance globale de la loi binomiale s’\u00e9nonce :<\/p>\n

Var(X) = \u03c32<\/sup> = n * p * (1 – p) = n * p * q<\/em><\/p>\n

L’\u00e9cart-type th\u00e9orique de la distribution, symbolis\u00e9 par la lettre grecque \u03c3<\/em> (sigma), n’est autre que la racine carr\u00e9e arithm\u00e9tique de cette quantit\u00e9, soit la racine carr\u00e9e de n * p * (1 – p)<\/em>. Il quantifie l’amplitude moyenne de la fluctuation stochastique attendue autour de la valeur centrale np<\/em>.<\/p>\n

Il est primordial d’observer l’impact majeur de la valeur num\u00e9rique du param\u00e8tre p<\/em> sur l’architecture morphologique de la distribution. Lorsque p = 0,5<\/em>, la loi binomiale fait preuve d’une sym\u00e9trie bilat\u00e9rale parfaite autour de son esp\u00e9rance n\/2<\/em>, quelle que soit la valeur de n<\/em> ; les probabilit\u00e9s associ\u00e9es aux \u00e9carts sym\u00e9triques (n\/2 – k)<\/em> et (n\/2 + k)<\/em> sont rigoureusement identiques. En revanche, lorsque p<\/em> s’\u00e9loigne de la valeur m\u00e9diane 0,5 pour tendre vers 0 ou vers 1, la distribution d\u00e9veloppe une asym\u00e9trie<\/a> prononc\u00e9e (skewness). Si p < 0,5<\/em>, la distribution pr\u00e9sente un \u00e9talement vers la droite avec une queue positive \u00e9tendue ; inversement, lorsque p > 0,5<\/em>, elle exhibe une asym\u00e9trie n\u00e9gative avec une queue \u00e9tir\u00e9e vers la gauche. Ce n’est que sous l’action d’une \u00e9l\u00e9vation substantielle de la taille n<\/em> que cette distorsion asym\u00e9trique se r\u00e9sorbe progressivement, un ph\u00e9nom\u00e8ne structural indispensable pour envisager une convergence valide vers la sym\u00e9trie canonique de la courbe de Gauss.<\/p>\n

2. Le th\u00e9or\u00e8me de De Moivre-Laplace et le passage au continu<\/h2>\n

2.1 Origine historique et gen\u00e8se du th\u00e9or\u00e8me central limite<\/h3>\n

L’histoire de la transition du calcul combinatoire discret vers l’analyse infinit\u00e9simale continue s’est cristallis\u00e9e au XVIIIe si\u00e8cle sous l’impulsion du math\u00e9maticien fran\u00e7ais huguenot Abraham de Moivre. \u00c9migr\u00e9 \u00e0 Londres pour fuir les pers\u00e9cutions religieuses cons\u00e9cutives \u00e0 la r\u00e9vocation de l’\u00c9dit de Nantes, de Moivre consacra une \u00e9nergie intellectuelle consid\u00e9rable \u00e0 l’analyse math\u00e9matique des jeux de hasard. Confront\u00e9 aux calculs titanesques requis pour \u00e9valuer la probabilit\u00e9 cumul\u00e9e d’obtenir un intervalle pr\u00e9cis de faces lors d’un nombre astronomique de lancers d’une pi\u00e8ce de monnaie \u00e9quilibr\u00e9e, il publia en 1733 un opuscule capital intitul\u00e9 Approximatio ad Summam Terminorum Binomii (a + b)n<\/sup> in Seriem expansi<\/em>, ult\u00e9rieurement int\u00e9gr\u00e9 dans l’\u00e9dition de 1738 de son chef-d’\u0153uvre, The Doctrine of Chances<\/em>.<\/p>\n

Dans cette publication fondatrice, Abraham de Moivre d\u00e9couvrit que la limite des termes de la loi binomiale sym\u00e9trique (o\u00f9 p = 0,5<\/em>) pouvait \u00eatre rigoureusement exprim\u00e9e \u00e0 l’aide d’une fonction exponentielle faisant intervenir le carr\u00e9 de l’\u00e9cart \u00e0 la moyenne, esquissant ainsi pour la premi\u00e8re fois la forme fonctionnelle de la courbe en cloche. Pour accomplir cet exploit analytique sans disposer de la puissance computationnelle moderne, de Moivre dut d\u00e9velopper des approximations asymptotiques novatrices des factorielles, anticipant les travaux majeurs de son contemporain James Stirling avec lequel il collabora \u00e9troitement pour formaliser ce que la communaut\u00e9 scientifique nomme aujourd’hui la formule de Stirling<\/a>.<\/p>\n

Pr\u00e8s de huit d\u00e9cennies plus tard, le polymathe fran\u00e7ais Pierre-Simon de Laplace reprit et universalisa les propositions partielles de de Moivre. Dans son monumental trait\u00e9 de 1812, la Th\u00e9orie analytique des probabilit\u00e9s<\/em>, Laplace g\u00e9n\u00e9ralisa le r\u00e9sultat \u00e0 des valeurs quelconques de la probabilit\u00e9 de succ\u00e8s p<\/em>, affranchissant l’approximation de la stricte contrainte de sym\u00e9trie initiale p = 0,5<\/em>. Ce faisant, Laplace ne se contenta pas d’\u00e9largir le spectre de l’approximation binomiale : il posa la premi\u00e8re pierre de ce qui allait devenir le th\u00e9or\u00e8me central limite<\/a>, l’un des r\u00e9sultats les plus profonds de l’histoire math\u00e9matique, d\u00e9montrant que la somme d’une multitude de fluctuations al\u00e9atoires ind\u00e9pendantes tend in\u00e9luctablement vers une distribution normale universelle.<\/p>\n

2.2 Convergence en loi de la loi binomiale standardis\u00e9e<\/h3>\n

La formalisation math\u00e9matique moderne de cette perc\u00e9e historique s’articule autour du th\u00e9or\u00e8me de De Moivre-Laplace, qui constitue un cas particulier rigoureux du th\u00e9or\u00e8me central limite appliqu\u00e9 aux sommes de variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es suivant une loi de Bernoulli. Soit Xn<\/sub><\/em> une suite de variables al\u00e9atoires distribu\u00e9es selon des lois binomiales B(n, p)<\/em> de param\u00e8tres n<\/em> et p<\/em> constants, o\u00f9 p<\/em> appartient strictement \u00e0 l’intervalle ouvert (0, 1). Pour \u00e9tudier la convergence globale de cette loi lorsque n<\/em> tend vers l’infini sans que la distribution ne d\u00e9rive vers l’infini spatial ou ne s’aplatisse ind\u00e9finiment sur l’axe, il est indispensable de proc\u00e9der \u00e0 un centrage et \u00e0 une r\u00e9duction de la variable al\u00e9atoire.<\/p>\n

On d\u00e9finit ainsi la variable al\u00e9atoire standardis\u00e9e, ou variable centr\u00e9e et r\u00e9duite, not\u00e9e Zn<\/sub><\/em>, par la transformation affine suivante :<\/p>\n

Zn<\/sub> = (Xn<\/sub> – n*p) \/ sqrt(n * p * (1 – p))<\/em><\/p>\n

Cette op\u00e9ration math\u00e9matique conf\u00e8re structurellement \u00e0 la variable Zn<\/sub><\/em> une esp\u00e9rance math\u00e9matique nulle (E(Zn<\/sub>) = 0<\/em>) et une variance unitaire (Var(Zn<\/sub>) = 1<\/em>), stabilisant son comportement central quelle que soit la magnitude num\u00e9rique du param\u00e8tre n<\/em>.<\/p>\n

Le th\u00e9or\u00e8me de De Moivre-Laplace stipule alors que la suite de variables al\u00e9atoires Zn<\/sub><\/em> converge en loi (ou convergence \u00e9troite) vers la loi normale standardis\u00e9e N(0, 1)<\/em> lorsque n<\/em> tend vers l’infini asymptotique. En termes de fonction de r\u00e9partition<\/a>, cela se traduit par le fait que pour tout couple de r\u00e9els a<\/em> et b<\/em> v\u00e9rifiant a < b<\/em>, la limite s’\u00e9tablit formellement comme suit :<\/p>\n

lim (n \u2192 \u221e) P(a \u2264 Zn<\/sub> \u2264 b) = \u222ba<\/sub>b<\/sup> (1 \/ sqrt(2 * \u03c0)) * exp(-u2<\/sup> \/ 2) du = \u03a6(b) – \u03a6(a)<\/em><\/p>\n

o\u00f9 \u03a6<\/em> d\u00e9signe la fonction de r\u00e9partition cumulative universelle de la loi normale centr\u00e9e r\u00e9duite. L’importance de ce r\u00e9sultat r\u00e9side dans son caract\u00e8re uniforme : l’erreur r\u00e9siduelle entre la probabilit\u00e9 cumul\u00e9e discr\u00e8te et l’int\u00e9grale gaussienne continue converge vers z\u00e9ro de fa\u00e7on homog\u00e8ne sur l’ensemble de la droite r\u00e9elle, justifiant rigoureusement le basculement d’un univers combinatoire discontinu vers l’analyse infinit\u00e9simale de la courbe en cloche.<\/p>\n

2.3 Diff\u00e9rences fondamentales entre mod\u00e8les discrets et continus<\/h3>\n

Bien que le th\u00e9or\u00e8me de De Moivre-Laplace garantisse la l\u00e9gitimit\u00e9 asymptotique de l’approximation, il est imp\u00e9ratif de souligner les divergences ontologiques majeures qui s\u00e9parent un univers probabiliste discret d’un univers continu. Dans le cadre discret de la loi binomiale, la probabilit\u00e9 est r\u00e9gie par une fonction de masse : chaque point entier isol\u00e9 k<\/em> poss\u00e8de une masse de probabilit\u00e9 propre non nulle, P(X = k) > 0<\/em>. La mesure de probabilit\u00e9 d’un ensemble d’\u00e9v\u00e9nements s’obtient par une simple sommation arithm\u00e9tique discr\u00e8te de ces masses ponctuelles. La repr\u00e9sentation graphique canonique de ce mod\u00e8le est un histogramme constitu\u00e9 de barres disjointes centr\u00e9es sur chaque entier.<\/p>\n

\u00c0 l’inverse, dans le cadre continu de la loi normale<\/a>, la distribution est gouvern\u00e9e par une fonction de densit\u00e9 de probabilit\u00e9, not\u00e9e usuellement f(x)<\/em>. Une propri\u00e9t\u00e9 fondamentale et souvent d\u00e9routante des variables continues est que la probabilit\u00e9 affect\u00e9e \u00e0 un point g\u00e9om\u00e9trique isol\u00e9 et infiniment pr\u00e9cis est rigoureusement nulle : pour tout r\u00e9el c<\/em>, P(Y = c) = 0<\/em>. Dans un continuum, la probabilit\u00e9 ne prend de sens physique et math\u00e9matique qu’au-dessus d’un intervalle d’int\u00e9gration, en s’identifiant \u00e0 l’aire g\u00e9om\u00e9trique sous la courbe de densit\u00e9 comprise entre deux bornes :<\/p>\n

P(a \u2264 Y \u2264 b) = \u222ba<\/sub>b<\/sup> f(y) dy<\/em><\/p>\n

Cette dissemblance structurelle entra\u00eene une cons\u00e9quence op\u00e9rationnelle directe lors du calcul des probabilit\u00e9s : alors que pour une variable al\u00e9atoire binomiale discr\u00e8te, la distinction entre les in\u00e9galit\u00e9s strictes et les in\u00e9galit\u00e9s larges est capitale \u2014 P(X < k)<\/em> \u00e9tant strictement diff\u00e9rent de P(X \u2264 k)<\/em> d’une quantit\u00e9 \u00e9gale \u00e0 P(X = k)<\/em> \u2014, cette distinction s’\u00e9vanouit totalement au sein du mod\u00e8le continu, o\u00f9 P(Y < c) = P(Y \u2264 c)<\/em>. L’omission de cette divergence conceptuelle \u00e9l\u00e9mentaire est la source d’erreurs syst\u00e9matiques massives dans l’estimation pratique des probabilit\u00e9s, rendant indispensable l’\u00e9laboration d’un protocole d’ajustement g\u00e9om\u00e9trique rigoureux entre l’histogramme discret et la surface continue.<\/p>\n

3. Conditions formelles d’application de l’approximation normale<\/h2>\n

3.1 Le crit\u00e8re canonique des esp\u00e9rances de succ\u00e8s et d’\u00e9chec<\/h3>\n

Bien que la convergence asymptotique garantie par le th\u00e9or\u00e8me de De Moivre-Laplace soit math\u00e9matiquement irr\u00e9futable lorsque n<\/em> tend vers l’infini, la pratique statistique s’exerce invariablement sur des \u00e9chantillons de taille finie. Il s’av\u00e8re par cons\u00e9quent indispensable d’\u00e9tablir des crit\u00e8res pragmatiques d’admissibilit\u00e9 permettant de d\u00e9terminer si, pour un couple de param\u00e8tres (n, p)<\/em> donn\u00e9, l’erreur commise en substituant la courbe normale \u00e0 la distribution binomiale demeure dans des limites de tol\u00e9rance acceptables. Le crit\u00e8re le plus largement enseign\u00e9 et appliqu\u00e9 dans la litt\u00e9rature statistique classique repose sur l’\u00e9valuation conjointe de l’esp\u00e9rance math\u00e9matique des succ\u00e8s et de l’esp\u00e9rance math\u00e9matique des \u00e9checs.<\/p>\n

La r\u00e8gle empirique traditionnelle exige que les deux conditions suivantes soient simultan\u00e9ment et rigoureusement satisfaites :<\/p>\n

n * p \u2265 5<\/em>   et   n * (1 – p) \u2265 5<\/em><\/p>\n

Ce double seuil repose sur une logique g\u00e9om\u00e9trique et distributionnelle intuitive. Le produit np<\/em> repr\u00e9sente le centre moyen de gravit\u00e9 de la distribution des succ\u00e8s, tandis que l’\u00e9cart-type est approximativement \u00e9gal \u00e0 la racine carr\u00e9e de cette valeur (lorsque p<\/em> est mod\u00e9r\u00e9). Exiger que np \u2265 5<\/em> et n(1 – p) \u2265 5<\/em> garantit que l’esp\u00e9rance se trouve positionn\u00e9e \u00e0 une distance d’au moins deux \u00e0 trois \u00e9carts-types de la borne inf\u00e9rieure absolue (z\u00e9ro succ\u00e8s) et de la borne sup\u00e9rieure absolue (n<\/em> succ\u00e8s). Cette distance minimale pr\u00e9vient le ph\u00e9nom\u00e8ne pathologique d’\u00ab \u00e9crasement \u00bb ou de troncature artificielle de la cloche gaussienne contre les barri\u00e8res naturelles du support fini.<\/p>\n

Si l’un de ces deux produits s’av\u00e8re inf\u00e9rieur au seuil fatidique de 5, la distribution binomiale r\u00e9elle conserve une asym\u00e9trie trop marqu\u00e9e ou une concentration excessive sur les valeurs extr\u00eames. L’application m\u00e9canique de la distribution normale dans un tel contexte produit des estimations fallacieuses, caract\u00e9ris\u00e9es par des erreurs relatives particuli\u00e8rement d\u00e9l\u00e9t\u00e8res dans les queues de distribution, et peut m\u00eame assigner des probabilit\u00e9s non nulles aberrantes \u00e0 des \u00e9v\u00e9nements impossibles tels que l’obtention d’un nombre n\u00e9gatif de succ\u00e8s.<\/p>\n

3.2 Crit\u00e8res de robustesse accrus en recherche exp\u00e9rimentale<\/h3>\n

Bien que la r\u00e8gle canonique des 5 succ\u00e8s et 5 \u00e9checs ait rendu de grands services \u00e0 l’\u00e8re du calcul purement manuel, la recherche exp\u00e9rimentale contemporaine, guid\u00e9e par des imp\u00e9ratifs accrus de reproductibilit\u00e9 et de pr\u00e9cision m\u00e9trologique, tend \u00e0 consid\u00e9rer ce seuil historique comme excessivement lib\u00e9ral. De nombreux biostatisticiens, psychom\u00e9triciens et m\u00e9thodologistes recommandent aujourd’hui d’adopter des r\u00e8gles de d\u00e9cision plus conservatrices et robustes. L’exigence moderne la plus fr\u00e9quemment prescrite consiste \u00e0 doubler le seuil d’admissibilit\u00e9, imposant la v\u00e9rification simultan\u00e9e des conditions :<\/p>\n

n * p \u2265 10<\/em>   et   n * (1 – p) \u2265 10<\/em><\/p>\n

Dans certains contextes de recherche m\u00e9dicale de pointe ou d’analyse financi\u00e8re o\u00f9 le contr\u00f4le rigoureux des faux positifs (erreur de type I) s’av\u00e8re critique, des auteurs influents pr\u00e9conisent m\u00eame un seuil rehauss\u00e9 \u00e0 15, voire un seuil minimal absolu de n \u2265 30<\/em> combin\u00e9 \u00e0 ces exigences. La fameuse r\u00e8gle formul\u00e9e par le statisticien William Cochran relative aux approximations asymptotiques dans les tableaux de contingence souligne \u00e9galement que l’approximation gaussienne perd rapidement sa validit\u00e9 d\u00e8s lors que les fr\u00e9quences attendues deviennent trop faibles, distordant de mani\u00e8re impr\u00e9visible le comportement des statistiques de test fond\u00e9es sur la normalit\u00e9 asymptotique.<\/p>\n

L’\u00e9valuation de la taille totale de l’\u00e9chantillon n<\/em> ne doit donc jamais \u00eatre op\u00e9r\u00e9e de mani\u00e8re isol\u00e9e de la valeur de la proportion p<\/em>. Un \u00e9chantillon imposant de n = 200<\/em> individus s’av\u00e8re largement surdimensionn\u00e9 pour valider l’approximation si p = 0,40<\/em> (car np = 80<\/em> et nq = 120<\/em>), mais devient m\u00e9thodologiquement insuffisant et non conforme aux crit\u00e8res modernes de robustesse si l’on \u00e9tudie une mutation g\u00e9n\u00e9tique rare dont la pr\u00e9valence est de p = 0,02<\/em> (dans ce cas, np = 4<\/em>, violant m\u00eame la r\u00e8gle \u00e9l\u00e9mentaire des 5 occurrences attendues). La puissance inf\u00e9rentielle et la fiabilit\u00e9 globale du mod\u00e8le continu reposent ind\u00e9fectiblement sur cette interaction multiplicatrice conjointe.<\/p>\n

3.3 \u00c9valuation du degr\u00e9 d’asym\u00e9trie de la distribution<\/h3>\n

Pour appr\u00e9hender avec une rigueur math\u00e9matique optimale la propension d’une loi binomiale \u00e0 \u00eatre approch\u00e9e fid\u00e8lement par une loi normale, il est instructif d’examiner son troisi\u00e8me moment centr\u00e9 standardis\u00e9, d\u00e9sign\u00e9 sous le vocable de coefficient d’asym\u00e9trie de Pearson<\/a> (ou skewness), traditionnellement not\u00e9 \u03b31<\/sub><\/em> (gamma un). Pour une variable al\u00e9atoire binomiale X ~ B(n, p)<\/em>, ce param\u00e8tre s’exprime analytiquement par la relation formelle :<\/p>\n

\u03b31<\/sub> = E[((X – \u03bc) \/ \u03c3)3<\/sup>] = (q – p) \/ sqrt(n * p * q) = (1 – 2p) \/ sqrt(n * p * (1 – p))<\/em><\/p>\n

L’inspection de cette \u00e9l\u00e9gante formule livre des enseignements fondamentaux sur la vitesse de convergence normale :<\/p>\n