{"id":7297,"date":"2026-10-14T18:02:11","date_gmt":"2026-10-14T18:02:11","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/distribution-binomiale-vs-geometrique-similitudes-differences\/"},"modified":"2026-10-14T18:02:11","modified_gmt":"2026-10-14T18:02:11","slug":"distribution-binomiale-vs-geometrique-similitudes-differences","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=distribution-binomiale-vs-geometrique-similitudes-differences","title":{"rendered":"Distribution binomiale vs distribution g\u00e9om\u00e9trique : similitudes et diff\u00e9rences"},"content":{"rendered":"

Dans l’arsenal des sciences quantitatives, la mod\u00e9lisation probabiliste des ph\u00e9nom\u00e8nes discrets constitue le socle sur lequel reposent l’inf\u00e9rence statistique, la psychom\u00e9trie et l’analyse exp\u00e9rimentale du comportement. Face \u00e0 l’incertitude inh\u00e9rente aux conduites humaines et aux processus biologiques, le chercheur doit fr\u00e9quemment r\u00e9duire la complexit\u00e9 du r\u00e9el \u00e0 des s\u00e9quences d’\u00e9v\u00e9nements \u00e9l\u00e9mentaires dichotomiques : la r\u00e9ussite ou l’\u00e9chec d’une t\u00e2che cognitive, l’\u00e9mission ou l’inhibition d’un comportement moteur, la d\u00e9tection ou la non-d\u00e9tection d’un stimulus sensoriel. Au c\u0153ur de cette formalisation se trouvent les \u00e9preuves r\u00e9p\u00e9t\u00e9es de Bernoulli, dont d\u00e9coulent directement deux lois fondamentales : la distribution binomiale et la distribution g\u00e9om\u00e9trique. Bien que ces deux mod\u00e8les partagent une gen\u00e8se stochastique identique, leurs finalit\u00e9s th\u00e9oriques, leurs espaces d’\u00e9chantillonnage et leurs propri\u00e9t\u00e9s structurelles divergent profond\u00e9ment, incarnant une distinction \u00e9pist\u00e9mologique cruciale entre le d\u00e9nombrement d’occurrences et l’attente temporelle d’un \u00e9v\u00e9nement critique.<\/p>\n

Comprendre l’articulation entre ces deux distributions est essentiel pour quiconque s’engage dans la mod\u00e9lisation formelle des donn\u00e9es comportementales. La distribution binomiale r\u00e9pond \u00e0 une interrogation ax\u00e9e sur la fr\u00e9quence : dans une s\u00e9rie rigoureusement born\u00e9e d’essais ind\u00e9pendants, combien de succ\u00e8s observera-t-on ? \u00c0 l’inverse, la distribution g\u00e9om\u00e9trique adopte une posture orient\u00e9e vers la dynamique s\u00e9quentielle et la pers\u00e9v\u00e9rance : combien d’essais ou d’\u00e9checs pr\u00e9alables seront n\u00e9cessaires avant d’observer le tout premier succ\u00e8s ? Cette divergence de perspective \u2014 quantit\u00e9 versus dur\u00e9e stochastique \u2014 transforme radicalement la nature des variables al\u00e9atoires associ\u00e9es, leur support math\u00e9matique, leur sensibilit\u00e9 aux fluctuations de param\u00e8tres et les protocoles exp\u00e9rimentaux requis pour leur mesure rigoureuse.<\/p>\n

Le pr\u00e9sent article propose une analyse comparative exhaustive de ces deux lois de probabilit\u00e9 fondamentales. En partant des postulats \u00e9l\u00e9mentaires du processus de Bernoulli, nous explorerons leurs d\u00e9finitions math\u00e9matiques, leurs fonctions de masse probabiliste, leurs moments d’ordre un et deux, ainsi que leurs sp\u00e9cificit\u00e9s analytiques telles que la singuli\u00e8re propri\u00e9t\u00e9 d’absence de m\u00e9moire. Nous examinerons ensuite leurs applications concr\u00e8tes en psychologie cognitive, en psychom\u00e9trie et dans les neurosciences computationnelles, avant de d\u00e9tailler les d\u00e9marches d’inf\u00e9rence statistique \u2014 fr\u00e9quentiste comme bay\u00e9sienne \u2014 et les diagnostics d’ad\u00e9quation n\u00e9cessaires pour pr\u00e9venir les \u00e9cueils m\u00e9thodologiques courants. Ce parcours offrira un cadre d\u00e9cisionnel robuste pour guider le choix du mod\u00e8le le plus ajust\u00e9 \u00e0 la r\u00e9alit\u00e9 empirique observ\u00e9e.<\/p>\n

1. Fondements th\u00e9oriques des \u00e9preuves de Bernoulli<\/h2>\n

1.1 D\u00e9finition et postulats fondamentaux de l’\u00e9preuve de Bernoulli<\/h3>\n

L’\u00e9preuve de Bernoulli constitue l’atome conceptuel de la th\u00e9orie des probabilit\u00e9s discr\u00e8tes. Introduite par le math\u00e9maticien suisse Jacob Bernoulli<\/a> dans son trait\u00e9 posthume Ars Conjectandi<\/em> (1713), elle se d\u00e9finit formellement comme une exp\u00e9rience al\u00e9atoire ne comportant que deux issues mutuellement exclusives et collectivement exhaustives. Par convention universelle, ces deux \u00e9tats sont d\u00e9sign\u00e9s sous les \u00e9tiquettes de \u00ab succ\u00e8s \u00bb et d’\u00ab \u00e9chec \u00bb, bien que ces qualifications ne rev\u00eatent aucune connotation morale ou t\u00e9l\u00e9ologique dans le cadre math\u00e9matique pur. Dans un dispositif de laboratoire, le succ\u00e8s peut repr\u00e9senter la d\u00e9tection correcte d’un photon, la s\u00e9lection d’une touche de r\u00e9ponse sp\u00e9cifique ou la commission d’une erreur d’inattention, la d\u00e9signation \u00e9tant arbitrairement fix\u00e9e par le protocole exp\u00e9rimental.<\/p>\n

Sur le plan formel, une telle \u00e9preuve est mod\u00e9lis\u00e9e par une variable al\u00e9atoire indicatrice, dite variable de Bernoulli, classiquement not\u00e9e X<\/em>. Cette variable prend ses valeurs dans l’ensemble discret {0, 1}, o\u00f9 la valeur 1 est conventionnellement assign\u00e9e \u00e0 l’\u00e9v\u00e9nement \u00ab succ\u00e8s \u00bb et la valeur 0 \u00e0 l’\u00e9v\u00e9nement \u00ab \u00e9chec \u00bb. L’assignation probabiliste sous-jacente est r\u00e9gie par un param\u00e8tre scalaire unique, p<\/em>, appartenant \u00e0 l’intervalle r\u00e9el [0, 1], qui repr\u00e9sente la probabilit\u00e9 intrins\u00e8que d’observer l’issue unitaire valoris\u00e9e :<\/p>\n

P(X = 1) = p<\/em>    et    P(X = 0) = 1 – p = q<\/em><\/p>\n

Cette binarit\u00e9 stricte requiert, sur le plan empirique, une imperm\u00e9abilit\u00e9 totale des conditions d’observation : l’appareil exp\u00e9rimental ne saurait admettre de troisi\u00e8me voie, d’ind\u00e9cision ou de r\u00e9ponse non interpr\u00e9table. Si le sujet h\u00e9site ou refuse de r\u00e9pondre, le dispositif d’enregistrement doit int\u00e9grer des r\u00e8gles d\u00e9terministes d’arbitrage afin de pr\u00e9server l’espace d’\u00e9chantillonnage binaire.<\/p>\n

L’\u00e9preuve de Bernoulli agit ainsi comme la brique \u00e9l\u00e9mentaire irr\u00e9ductible de constructions stochastiques infiniment plus riches. Tout syst\u00e8me probabiliste complexe mod\u00e9lisant des agr\u00e9gats d’\u00e9v\u00e9nements discrets pr\u00e9suppose, en amont, la stabilit\u00e9 ontologique de cette unit\u00e9 \u00e9l\u00e9mentaire. Lorsque plusieurs \u00e9preuves de cette nature sont agenc\u00e9es dans le temps ou dans l’espace, la structure de leurs interrelations d\u00e9termine l’\u00e9mergence des distributions de rang sup\u00e9rieur. Sans la rigueur conceptuelle de l’essai bernoullien unitaire, ni la combinatoire binomiale ni la dynamique d’attente g\u00e9om\u00e9trique ne sauraient pr\u00e9tendre \u00e0 la moindre validit\u00e9 inf\u00e9rentielle.<\/p>\n

1.2 Propri\u00e9t\u00e9s d’ind\u00e9pendance stochastique et stationnarit\u00e9<\/h3>\n

Pour qu’une succession d’\u00e9preuves de Bernoulli donne naissance \u00e0 une loi binomiale ou g\u00e9om\u00e9trique valide, deux axiomes fondamentaux doivent \u00eatre imp\u00e9rativement satisfaits : l’ind\u00e9pendance stochastique mutuelle et la stationnarit\u00e9 temporelle (ou homog\u00e9n\u00e9it\u00e9). Le principe d’ind\u00e9pendance stochastique postule que l’issue de n’importe quel essai n’exerce aucune influence causale, informative ou probabiliste sur l’issue des essais subs\u00e9quents, et n’est elle-m\u00eame nullement conditionn\u00e9e par les r\u00e9alisations ant\u00e9rieures. Math\u00e9matiquement, pour une suite de n<\/em> variables de Bernoulli X<\/em>1<\/sub>, X<\/em>2<\/sub>, …, Xn<\/sub><\/em>, la probabilit\u00e9 conjointe de la s\u00e9quence s’exprime rigoureusement comme le produit direct des probabilit\u00e9s marginales de chaque \u00e9v\u00e9nement :<\/p>\n

P(X1<\/sub> = x1<\/sub>, X2<\/sub> = x2<\/sub>, …, Xn<\/sub> = xn<\/sub>) = ∏i=1<\/sub>n<\/sup> P(Xi<\/sub> = xi<\/sub>)<\/em><\/p>\n

Cette condition interdit l’existence de toute forme de couplage temporel ou d’effet de m\u00e9moire dans le g\u00e9n\u00e9rateur stochastique produisant les donn\u00e9es.<\/p>\n

Le second axiome, la stationnarit\u00e9, impose l’invariance stricte de la probabilit\u00e9 fondamentale de succ\u00e8s p<\/em> tout au long de la s\u00e9quence exp\u00e9rimentale. Quel que soit le rang i<\/em> de l’essai consid\u00e9r\u00e9, la loi de probabilit\u00e9 marginale de la variable Xi<\/sub><\/em> demeure rigoureusement constante :<\/p>\n

∀ i<\/em> ∈ ℕ,    P(Xi<\/sub> = 1) = p<\/em><\/p>\n

Dans un contexte physique de tirage \u00e0 pile ou face ou d’extraction avec remise au sein d’une urne, cette condition est garantie par la sym\u00e9trie de l’objet et la permanence de sa structure mat\u00e9rielle. En revanche, dans les syst\u00e8mes dynamiques complexes, cette hypoth\u00e8se de fixit\u00e9 param\u00e9trique repr\u00e9sente souvent une id\u00e9alisation th\u00e9orique lourde de cons\u00e9quences \u00e9pist\u00e9mologiques.<\/p>\n

Le non-respect de ces postulats fondateurs alt\u00e8re irr\u00e9m\u00e9diablement la nature distributionnelle des donn\u00e9es collect\u00e9es. Une rupture d’ind\u00e9pendance \u2014 par exemple sous la forme d’une autocorr\u00e9lation positive o\u00f9 un succ\u00e8s augmente la probabilit\u00e9 que le coup suivant soit \u00e9galement un succ\u00e8s \u2014 conduit \u00e0 des ph\u00e9nom\u00e8nes de surdispersion ou \u00e0 des dynamiques markoviennes. De m\u00eame, si le param\u00e8tre p<\/em> fluctue de mani\u00e8re d\u00e9terministe ou stochastique au cours de la s\u00e9quence d’essais, les distributions classiques s’effondrent au profit de mod\u00e8les g\u00e9n\u00e9ralis\u00e9s, tels que les distributions binomiales compos\u00e9es ou les processus de renouvellement non homog\u00e8nes.<\/p>\n

1.3 Pertinence m\u00e9thodologique en mod\u00e9lisation psychologique<\/h3>\n

Dans le champ de la psychologie exp\u00e9rimentale et des sciences cognitives, l’\u00e9preuve de Bernoulli fournit le cadre formel privil\u00e9gi\u00e9 pour l’op\u00e9rationnalisation des comportements discrets. Qu’il s’agisse d’\u00e9valuer la m\u00e9moire de reconnaissance, la discrimination visuelle ou le raisonnement logique, les protocoles exp\u00e9rimentaux structurent massivement les r\u00e9ponses sous une forme dichotomique : acceptation versus rejet d’un item, s\u00e9lection du champ visuel gauche versus droit, identification correcte d’une cible versus fausse alerte. Cette r\u00e9duction m\u00e9thodologique permet d’extraire la substantifique moelle d’un processus d\u00e9cisionnel sous-jacent en \u00e9liminant les variations continues parasites pour ne conserver que l’arbitrage binaire final op\u00e9r\u00e9 par le syst\u00e8me cognitif.<\/p>\n

Cependant, l’application du cadre bernoullien \u00e0 l’humain ou \u00e0 l’animal pose un d\u00e9fi \u00e9pist\u00e9mologique majeur quant \u00e0 la validit\u00e9 \u00e9cologique des postulats d’invariance et d’ind\u00e9pendance. Contrairement \u00e0 un syst\u00e8me m\u00e9canique invariable, un sujet biologique subit des transformations internes continues au fil des essais. L’apprentissage perceptif ou proc\u00e9dural tend \u00e0 accro\u00eetre la probabilit\u00e9 de succ\u00e8s p<\/em> au fil du temps, tandis que l’\u00e9puisement des ressources attentionnelles, l’ennui ou la fatigue musculaire entra\u00eenent une d\u00e9gradation progressive de ce m\u00eame param\u00e8tre. D\u00e8s lors, le postulat de stationnarit\u00e9 (p<\/em> invariant) devient une approximation heuristique qu’il convient de tester formellement plut\u00f4t que de pr\u00e9supposer de mani\u00e8re aveugle.<\/p>\n

De surcro\u00eet, les effets d’inertie cognitive, de r\u00e9activit\u00e9 aux renforcements et d’adaptation strat\u00e9gique introduisent fr\u00e9quemment de fortes d\u00e9pendances s\u00e9quentielle entre essais successifs. Un participant venant de commettre une erreur modifie souvent son seuil de d\u00e9cision sur l’essai suivant \u2014 un ph\u00e9nom\u00e8ne largement document\u00e9 sous le nom de ralentissement post-erreur (post-error slowing<\/em>) et d’ajustement adaptatif de la prudence d\u00e9cisionnelle. Le mod\u00e9lisateur en sciences du comportement doit donc naviguer avec lucidit\u00e9 entre l’\u00e9l\u00e9gance formelle du processus de Bernoulli et les contraintes empiriques de la neurophysiologie, en s’assurant que la granularit\u00e9 de son analyse est compatible avec ces hypoth\u00e8ses simplificatrices.<\/p>\n

2. La distribution binomiale : mod\u00e9lisation du nombre de succ\u00e8s<\/h2>\n

2.1 D\u00e9finition formelle et fonction de masse probabiliste<\/h3>\n

La distribution binomiale repr\u00e9sente la loi de probabilit\u00e9 discr\u00e8te r\u00e9gissant la somme d’un nombre fini et pr\u00e9d\u00e9termin\u00e9 d’\u00e9preuves de Bernoulli ind\u00e9pendantes et identiquement distribu\u00e9es (i.i.d.). Soit n<\/em> un entier naturel strictement positif d\u00e9signant le nombre total d’essais fix\u00e9s a priori par le chercheur, et soit p<\/em> ∈ [0, 1] la probabilit\u00e9 invariante de succ\u00e8s \u00e0 chaque essai unitaire. Si l’on d\u00e9finit la variable al\u00e9atoire X<\/em> comme la somme alg\u00e9brique des n<\/em> variables indicatrices sous-jacentes :<\/p>\n

X = ∑i=1<\/sub>n<\/sup> Xi<\/sub><\/em>    avec    Xi<\/sub> ~ Bernoulli(p)<\/em><\/p>\n

alors la variable X<\/em> suit une loi binomiale de param\u00e8tres n<\/em> et p<\/em>, ce que l’on note conventionnellement X ~ B(n, p)<\/em>.<\/p>\n

La fonction de masse probabiliste (PMF pour probability mass function<\/em>) attribue \u00e0 chaque entier k<\/em> appartenant au support discret de la distribution la probabilit\u00e9 exacte d’observer pr\u00e9cis\u00e9ment k<\/em> succ\u00e8s au cours des n<\/em> \u00e9preuves. Ce support est intrins\u00e8quement born\u00e9 et comprend l’ensemble fini des entiers allant de 0 \u00e0 n<\/em>, soit Supp(X)<\/em> = {0, 1, 2, …, n<\/em>}. L’expression analytique s’\u00e9crit formellement :<\/p>\n

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

Cette formulation conjugue deux composantes distinctes. D’une part, le terme pk<\/sup>(1 – p)n – k<\/sup><\/em> repr\u00e9sente la probabilit\u00e9 stochastique d’une s\u00e9quence ordonn\u00e9e sp\u00e9cifique comportant exactement k<\/em> succ\u00e8s et n – k<\/em> \u00e9checs. D’autre part, le coefficient binomial<\/a> C(n, k)<\/em>, lu \u00ab k<\/em> parmi n<\/em> \u00bb, op\u00e8re le d\u00e9nombrement combinatoire de tous les agencements possibles de ces k<\/em> succ\u00e8s au sein des n<\/em> positions temporelles disponibles de la s\u00e9rie d’essais.<\/p>\n

L’espace d’\u00e9chantillonnage de l’exp\u00e9rience globale comprend 2n<\/em><\/sup> trajectoires \u00e9l\u00e9mentaires possibles. La fonction de masse binomiale op\u00e8re une partition rigoureuse de cet espace en regroupant les trajectoires selon le nombre total de r\u00e9alisations positives qu’elles contiennent. La somme de toutes les probabilit\u00e9s sur l’ensemble du support v\u00e9rifie scrupuleusement le th\u00e9or\u00e8me fondamental de normalisation gr\u00e2ce \u00e0 la formule du bin\u00f4me de Newton :<\/p>\n

∑k=0<\/sub>n<\/sup> P(X = k) = ∑k=0<\/sub>n<\/sup> C(n, k) pk<\/sup> (1 – p)n – k<\/sup> = (p + (1 – p))n<\/sup> = 1n<\/sup> = 1<\/em><\/p>\n

Ce r\u00e9sultat confirme la coh\u00e9rence axiomatique interne du mod\u00e8le sur son support discret.<\/p>\n

2.2 Propri\u00e9t\u00e9s distributionnelles et moments statistiques<\/h3>\n

L’\u00e9tude des moments statistiques d’une variable binomiale fournit une caract\u00e9risation approfondie de son comportement moyen et de sa dispersion. Le moment d’ordre un, ou esp\u00e9rance math\u00e9matique E(X)<\/em>, s’obtient de mani\u00e8re tr\u00e8s directe par application du principe de lin\u00e9arit\u00e9 de l’esp\u00e9rance \u00e0 la somme des variables indicatrices fondamentales. Sachant que l’esp\u00e9rance d’une variable de Bernoulli unitaire est E(Xi<\/sub>) = 1 · p + 0 · (1 – p) = p<\/em>, il d\u00e9coule imm\u00e9diatement que :<\/p>\n

E(X) = E(∑i=1<\/sub>n<\/sup> Xi<\/sub>) = ∑i=1<\/sub>n<\/sup> E(Xi<\/sub>) = n · p<\/em><\/p>\n

Cette esp\u00e9rance traduit une relation strictement lin\u00e9aire entre le volume global de l’\u00e9chantillonnage n<\/em> et la quantit\u00e9 attendue de r\u00e9ponses positives.<\/p>\n

La variance, qui quantifie l’amplitude des fluctuations de la variable al\u00e9atoire autour de son esp\u00e9rance, exploite directement l’hypoth\u00e8se d’ind\u00e9pendance mutuelle des essais. Dans la mesure o\u00f9 les covariances crois\u00e9es Cov(Xi<\/sub>, Xj<\/sub>)<\/em> sont rigoureusement nulles pour tout i ≠ j<\/em>, la variance de la somme est strictement \u00e9gale \u00e0 la somme des variances individuelles :<\/p>\n

Var(X) = Var(∑i=1<\/sub>n<\/sup> Xi<\/sub>) = ∑i=1<\/sub>n<\/sup> Var(Xi<\/sub>) = ∑i=1<\/sub>n<\/sup> p(1 – p) = n · p · (1 – p)<\/em><\/p>\n

L’\u00e9cart-type associ\u00e9 est donc donn\u00e9 par σ = √(n · p · (1 – p))<\/em>. Il appara\u00eet clairement que la dispersion atteint son maximum absolu lorsque p<\/em> = 0,5, valeur \u00e0 laquelle l’incertitude stochastique par essai est maximale. \u00c0 mesure que p<\/em> s’approche des bornes d\u00e9terministes 0 ou 1, la variance tend vers z\u00e9ro, refl\u00e9tant la d\u00e9g\u00e9n\u00e9rescence de la distribution vers une masse de Dirac.<\/p>\n

La morphologie de la fonction de masse d\u00e9pend enti\u00e8rement de la valeur de p<\/em>. Lorsque p<\/em> = 0,5, la distribution est rigoureusement sym\u00e9trique par rapport \u00e0 sa moyenne n\/2<\/em>, son coefficient d’asym\u00e9trie (skewness<\/em>) \u00e9tant \u00e9gal \u00e0 z\u00e9ro :<\/p>\n

γ1<\/sub> = (1 – 2p) \/ √(n p (1 – p))<\/em><\/p>\n

Pour p<\/em> < 0,5, l’asym\u00e9trie est positive (\u00e9talement vers la droite), tandis que pour p<\/em> > 0,5, elle devient n\u00e9gative (\u00e9talement vers la gauche). Enfin, en vertu du th\u00e9or\u00e8me de Moivre-Laplace \u2014 cas particulier pr\u00e9curseur du th\u00e9or\u00e8me central limite \u2014, lorsque n<\/em> tend vers l’infini tandis que p<\/em> demeure fix\u00e9, la distribution binomiale converge asymptotiquement en loi vers la distribution normale :<\/p>\n

(X – np) \/ √(np(1 – p)) ⟶ N(0, 1)<\/em><\/p>\n

Cette convergence justifie l’approximation gaussienne classiquement mobilis\u00e9e lorsque les conditions empiriques v\u00e9rifient simultan\u00e9ment np<\/em> ≥ 5 et n(1 – p)<\/em> ≥ 5.<\/p>\n

2.3 Illustration empirique dans les protocoles \u00e0 nombre fixe d’essais<\/h3>\n

Afin d’illustrer la mise en \u0153uvre pratique de la distribution binomiale dans la recherche comportementale, consid\u00e9rons un protocole de psychophysique visuelle reposant sur un paradigme de choix forc\u00e9 \u00e0 deux alternatives (2AFC, pour Two-Alternative Forced Choice<\/em>). Un participant est soumis \u00e0 une batterie invariable de n<\/em> = 100 essais ind\u00e9pendants. \u00c0 chaque essai, un stimulus visuel subliminal est projet\u00e9 bri\u00e8vement dans l’un des deux h\u00e9michamps visuels, le sujet \u00e9tant contraint d’indiquer la localisation du stimulus. En l’absence totale de perception consciente ou d’acc\u00e8s \u00e0 l’information (hypoth\u00e8se nulle de r\u00e9ponse purement al\u00e9atoire), la probabilit\u00e9 de donner la r\u00e9ponse correcte par simple devinement est rigoureusement de p<\/em> = 0,5.<\/p>\n

Sous cette hypoth\u00e8se nulle H0<\/sub> : X ~ B(100; 0,5)<\/em>, la performance attendue est de E(X)<\/em> = 100 · 0,5 = 50 succ\u00e8s, avec un \u00e9cart-type de σ<\/em> = √(100 · 0,5 · 0,5) = 5. Supposons que le participant obtienne un score de 62 r\u00e9ussites. Le chercheur souhaite d\u00e9terminer la probabilit\u00e9 d’observer un tel niveau de performance sous l’effet du seul hasard afin d’\u00e9valuer si le sujet poss\u00e8de une capacit\u00e9 de d\u00e9tection sensorielle r\u00e9elle. La valeur critique (p-value<\/em> unilat\u00e9rale) correspond \u00e0 la probabilit\u00e9 cumul\u00e9e d’obtenir un score \u00e9gal ou sup\u00e9rieur \u00e0 62 :<\/p>\n

P(X ≥ 62) = ∑k=62<\/sub>100<\/sup> C(100, k) · (0,5)k<\/sup> · (0,5)100 – k<\/sup> ≈ 0,01049<\/em><\/p>\n

Cette probabilit\u00e9 \u00e9tant inf\u00e9rieure au seuil alpha usuel de 0,05, le chercheur rejette H0<\/sub><\/em> et conclut \u00e0 l’existence d’une perception subliminale effective.<\/p>\n

Cet exemple met en lumi\u00e8re la force op\u00e9rationnelle de la loi binomiale : elle offre une mod\u00e9lisation exacte de l’espace de fluctuation d’un score agr\u00e9g\u00e9 sous une contrainte d’\u00e9chantillonnage rigide. Le nombre d’essais n<\/em> \u00e9tant d\u00e9termin\u00e9 par le design exp\u00e9rimental avant la passation du test, le chercheur dispose d’une r\u00e9f\u00e9rence math\u00e9matique close pour quantifier l’\u00e9cart entre le hasard pur et la performance observ\u00e9e.<\/p>\n

3. La distribution g\u00e9om\u00e9trique : mod\u00e9lisation du temps d’attente<\/h2>\n

3.1 D\u00e9finition formelle et variantes de param\u00e9trisation<\/h3>\n

Alors que la loi binomiale s’int\u00e9resse \u00e0 la somme de succ\u00e8s sur un horizon fixe, la distribution g\u00e9om\u00e9trique change radicalement de r\u00e9f\u00e9rentiel en mod\u00e9lisant le temps d’attente n\u00e9cessaire \u00e0 l’av\u00e8nement d’un \u00e9v\u00e9nement cible. Au sein d’une s\u00e9quence ind\u00e9finie d’\u00e9preuves de Bernoulli ind\u00e9pendantes caract\u00e9ris\u00e9es par une probabilit\u00e9 invariante de succ\u00e8s p<\/em> ∈ ]0, 1], la distribution g\u00e9om\u00e9trique formalise la loi probabiliste du premier succ\u00e8s rencontr\u00e9. Cette approche sous-tend un processus d’arr\u00eat stochastique : l’observation ne s’interrompt pas \u00e0 un terme pr\u00e9d\u00e9fini n<\/em>, mais s’arr\u00eate d\u00e8s que la condition terminale \u2014 l’apparition du premier succ\u00e8s \u2014 est mat\u00e9rialis\u00e9e.<\/p>\n

Il existe dans la litt\u00e9rature statistique deux param\u00e9trisations conventionnelles concurrentes de la loi g\u00e9om\u00e9trique, dont la distinction est essentielle pour \u00e9viter de lourdes erreurs d’interpr\u00e9tation :<\/p>\n