{"id":7936,"date":"2026-10-14T18:02:17","date_gmt":"2026-10-14T18:02:17","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/une-introduction-a-la-distribution-multinomiale\/"},"modified":"2026-10-14T18:02:17","modified_gmt":"2026-10-14T18:02:17","slug":"une-introduction-a-la-distribution-multinomiale","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=une-introduction-a-la-distribution-multinomiale","title":{"rendered":"Une introduction \u00e0 la distribution multinomiale"},"content":{"rendered":"

Dans le champ de l’analyse stochastique et de la statistique inf\u00e9rentielle, la mod\u00e9lisation rigoureuse des variables cat\u00e9gorielles constitue un enjeu \u00e9pist\u00e9mologique et m\u00e9thodologique fondamental. Alors que les fondations de la th\u00e9orie des probabilit\u00e9s reposent traditionnellement sur des \u00e9v\u00e9nements dichotomiques formalis\u00e9s par l’\u00e9preuve de Bernoulli et la loi binomiale, la complexit\u00e9 intrins\u00e8que des ph\u00e9nom\u00e8nes naturels, comportementaux et sociaux exige un cadre analytique consid\u00e9rablement plus vaste. Les situations empiriques se r\u00e9sument rarement \u00e0 une alternative binaire de type succ\u00e8s ou \u00e9chec. Qu’il s’agisse de mesurer les r\u00e9ponses polytomiques d’un sujet face \u00e0 un questionnaire psychom\u00e9trique, d’\u00e9valuer le choix d’une marque par un consommateur ou d’analyser la r\u00e9partition des all\u00e8les au sein d’un locus g\u00e9n\u00e9tique complexe, le spectre des issues possibles d\u00e9passe largement le cadre d’une partition binaire.<\/p>\n

La distribution multinomiale s’impose d\u00e8s lors comme la g\u00e9n\u00e9ralisation canonique et multidimensionnelle de la loi binomiale. En permettant de mod\u00e9liser des exp\u00e9riences al\u00e9atoires o\u00f9 chaque observation est class\u00e9e de mani\u00e8re univoque parmi un ensemble fini de cat\u00e9gories mutuellement exclusives et collectivement exhaustives, cette loi de probabilit\u00e9 fournit la structure math\u00e9matique indispensable \u00e0 l’analyse des vecteurs de comptage. Sa formulation \u00e9l\u00e9gante int\u00e8gre harmonieusement la combinatoire des arrangements avec r\u00e9p\u00e9tition et les contraintes g\u00e9om\u00e9triques du simplexe des probabilit\u00e9s, offrant ainsi aux chercheurs un outil polyvalent dot\u00e9 de propri\u00e9t\u00e9s asymptotiques remarquables.<\/p>\n

Ce trait\u00e9 exhaustif a pour vocation d’explorer en profondeur l’architecture th\u00e9orique, les propri\u00e9t\u00e9s analytiques, les m\u00e9thodes d’estimation inf\u00e9rentielle et les applications empiriques de la distribution multinomiale. De ses axiomes probabilistes \u00e9l\u00e9mentaires jusqu’\u00e0 son int\u00e9gration dans les mod\u00e8les cognitifs de pointe et les architectures computationnelles modernes en passant par les diagnostics de surdispersion, cette \u00e9tude propose une synth\u00e8se rigoureuse destin\u00e9e aux statisticiens, psychom\u00e9triciens et mod\u00e9lisateurs du comportement souhaitant ma\u00eetriser l’ensemble des ramifications formelles de cette distribution fondamentale.<\/p>\n

1. Fondements th\u00e9oriques et d\u00e9finition de la distribution multinomiale<\/h2>\n

1.1 Origines conceptuelles et cadre probabiliste discret<\/h3>\n

L’origine formelle des processus polytomiques s’inscrit au c\u0153ur du d\u00e9veloppement de la th\u00e9orie des probabilit\u00e9s<\/a> classique, initi\u00e9e par les travaux pionniers de Jacob Bernoulli et approfondie ult\u00e9rieurement par Abraham de Moivre et Pierre-Simon de Laplace. Dans un univers probabilis\u00e9 d\u00e9fini par le triplet classique, consid\u00e9rons une exp\u00e9rience al\u00e9atoire discr\u00e8te dont l’espace d’\u00e9chantillonnage fondamental est partitionn\u00e9 en un nombre fini k<\/em> d’issues \u00e9l\u00e9mentaires mutuellement exclusives et collectivement exhaustives. Chaque tentative \u00e9l\u00e9mentaire ne peut donner lieu qu’\u00e0 une seule et unique r\u00e9alisation parmi ces k<\/em> modalit\u00e9s distinctes. La r\u00e9p\u00e9tition ind\u00e9pendante et identique de cette exp\u00e9rience fondamentale engendre un vecteur al\u00e9atoire de comptage dont les composantes d\u00e9crivent le nombre de r\u00e9alisations observ\u00e9es pour chaque modalit\u00e9.<\/p>\n

L’extension des processus stochastiques simples aux variables qualitatives polytomiques r\u00e9pond \u00e0 la n\u00e9cessit\u00e9 th\u00e9orique de d\u00e9passer le cadre r\u00e9ducteur des indicatrices d’\u00e9v\u00e9nements. Dans la th\u00e9orie de la mesure, la mod\u00e9lisation d’une variable nominale ou ordinale \u00e0 k<\/em> \u00e9tats n\u00e9cessite la transition d’une mesure bor\u00e9lienne unidimensionnelle \u00e0 une mesure d\u00e9finie sur l’ensemble discret des vecteurs de dimension k<\/em>. Cette d\u00e9marche conceptuelle op\u00e8re une rupture fondamentale avec les distributions univari\u00e9es classiques. Alors qu’une variable univari\u00e9e attribue un scalaire \u00e0 chaque \u00e9tat du monde, la distribution multinomiale g\u00e9n\u00e8re un vecteur al\u00e9atoire de dimension k<\/em>, imposant une structure conjointe o\u00f9 la r\u00e9alisation d’une modalit\u00e9 d\u00e9pend m\u00e9caniquement, par contrainte globale d’effectif, de la distribution des autres composantes.<\/p>\n

Cette distinction entre distributions univari\u00e9es et multivari\u00e9es modifie en profondeur la nature de l’espace d’\u00e9chantillonnage. Dans le cas multinomial, la somme arithm\u00e9tique des \u00e9l\u00e9ments du vecteur al\u00e9atoire est strictement \u00e9gale au nombre total d’essais r\u00e9alis\u00e9s. Il s’ensuit que les r\u00e9alisations marginales ne peuvent jamais \u00eatre appr\u00e9hend\u00e9es comme des variables statistiquement ind\u00e9pendantes au sens fort, ce qui conf\u00e8re \u00e0 la distribution multinomiale une place unique au confluent de l’analyse combinatoire, de la g\u00e9om\u00e9trie vectorielle et de la th\u00e9orie classique des lois conjointes discr\u00e8tes.<\/p>\n

1.2 Structure combinatoire des \u00e9v\u00e9nements polytomiques<\/h3>\n

La structure alg\u00e9brique sous-jacente \u00e0 la loi multinomiale repose sur l’analyse combinatoire des partitions d’ensembles finis. Lorsqu’une exp\u00e9rience globale consiste en la r\u00e9alisation de n<\/em> \u00e9preuves \u00e9l\u00e9mentaires ind\u00e9pendantes, le nombre total d’agencements s\u00e9quentiels possibles donnant lieu \u00e0 l’observation exacte de x<\/em>1<\/sub> r\u00e9alisations de la premi\u00e8re modalit\u00e9, x<\/em>2<\/sub> de la seconde, et ainsi de suite jusqu’\u00e0 x<\/em>k<\/em><\/sub> r\u00e9alisations de la k<\/em>-i\u00e8me modalit\u00e9, est dict\u00e9 par le coefficient multinomial. Ce coefficient g\u00e9n\u00e9ralise directement le coefficient binomial d’Euler et s’exprime sous la forme du quotient entre la factorielle du cardinal total et le produit des factorielles des effectifs marginaux :<\/p>\n

Le partitionnement d’un ensemble de n<\/em> observations ind\u00e9pendantes en k<\/em> sous-ensembles disjoints constitue un probl\u00e8me canonique d’affectation combinatoire. Chaque s\u00e9quence ordonn\u00e9e d’issues poss\u00e8de une probabilit\u00e9 \u00e9l\u00e9mentaire qui d\u00e9pend uniquement du produit des probabilit\u00e9s marginales \u00e9lev\u00e9es \u00e0 la puissance de leur effectif respectif, en vertu de l’ind\u00e9pendance stochastique postul\u00e9e entre les essais. Le coefficient multinomial joue le r\u00f4le indispensable de facteur de multiplicit\u00e9 g\u00e9om\u00e9trique, agr\u00e9geant l’ensemble des permutations indiscernables de s\u00e9quences aboutissant au m\u00eame vecteur de comptage final.<\/p>\n

D’un point de vue g\u00e9om\u00e9trique, les param\u00e8tres probabilistes associ\u00e9s aux k<\/em> modalit\u00e9s d\u00e9finissent un sous-espace vectoriel contraint nomm\u00e9 simplexe de probabilit\u00e9s standard. Cet ensemble convexe, d\u00e9limit\u00e9 par l’hyperplan affine de sommation unitaire dans l’espace euclidien de dimension k<\/em>, impose que la somme des probabilit\u00e9s marginales soit rigoureusement \u00e9gale \u00e0 l’unit\u00e9 tout en conservant une stricte non-n\u00e9gativit\u00e9. Les r\u00e9alisations de la distribution multinomiale peuvent ainsi \u00eatre interpr\u00e9t\u00e9es comme la projection discr\u00e8te de trajectoires d’\u00e9chantillonnage op\u00e9rant sur la surface et \u00e0 l’int\u00e9rieur de ce simplexe g\u00e9om\u00e9trique fondamental.<\/p>\n

1.3 Importance paradigmatique dans les sciences du comportement<\/h3>\n

Dans l’investigation empirique des sciences du comportement, de la psychologie cognitive et de la neuropsychologie, la quantification rigoureuse des choix multiples repr\u00e9sente une n\u00e9cessit\u00e9 m\u00e9thodologique omnipr\u00e9sente. Lorsqu’un participant est confront\u00e9 \u00e0 un protocole exp\u00e9rimental requ\u00e9rant la s\u00e9lection d’une alternative parmi un ensemble ferm\u00e9 de stimuli perceptifs, d’options motrices ou de cat\u00e9gories d\u00e9cisionnelles, les donn\u00e9es brutes issues de la collecte se mat\u00e9rialisent invariablement sous la forme de fr\u00e9quences de choix cat\u00e9gorielles polytomiques. Ignorer la nature multinomiale de ces vecteurs de comptage expose le chercheur \u00e0 des biais d’inf\u00e9rence majeurs, notamment par l’oblit\u00e9ration des corr\u00e9lations r\u00e9siduelles induites par la finitude du nombre d’essais.<\/p>\n

La formalisation rigoureuse des r\u00e9ponses qualitatives, qu’elles soient purement nominales (par exemple, le choix entre plusieurs strat\u00e9gies de m\u00e9morisation) ou ordinales (telles que les degr\u00e9s d’accord ou les intensit\u00e9s d’\u00e9valuation symptomatique), repose sur l’hypoth\u00e8se g\u00e9n\u00e9rative selon laquelle le vecteur des choix observ\u00e9s proc\u00e8de d’un \u00e9chantillonnage multinomial param\u00e9tr\u00e9 par un \u00e9tat latent de pr\u00e9f\u00e9rence ou d’activation mn\u00e9sique. Les mod\u00e8les de d\u00e9cision contemporains, incluant les th\u00e9ories de l’accumulation de preuves et les r\u00e9seaux connexionnistes de classification, postulent que la probabilit\u00e9 d’activer une r\u00e9ponse sp\u00e9cifique converge vers un param\u00e8tre probabiliste multinomial sous-jacent.<\/p>\n

Par cons\u00e9quent, la distribution multinomiale ne se cantonne pas \u00e0 une simple commodit\u00e9 descriptive d’alg\u00e8bre probabiliste ; elle constitue le fondement \u00e9pist\u00e9mologique sur lequel reposent la mod\u00e9lisation des architectures de d\u00e9cision chez l’\u00eatre humain, la validation exp\u00e9rimentale des th\u00e9ories du choix discret et la d\u00e9composition computationnelle des processus cognitifs sous-jacents aux comportements d’arbitrage face \u00e0 des alternatives concurrentes.<\/p>\n

2. De la distribution binomiale \u00e0 la loi multinomiale : Une g\u00e9n\u00e9ralisation math\u00e9matique<\/h2>\n

2.1 L’\u00e9preuve de Bernoulli et la loi binomiale classique<\/h3>\n

Pour appr\u00e9hender la m\u00e9canique profonde de la loi multinomiale, il convient de r\u00e9examiner la dynamique fondamentale de l’\u00e9preuve de Bernoulli<\/a>. Une \u00e9preuve bernoullienne formalise une exp\u00e9rience stochastique \u00e9l\u00e9mentaire ne tol\u00e9rant que deux \u00e9tats mutuellement exclusifs, conventionnellement d\u00e9sign\u00e9s par le succ\u00e8s, cod\u00e9 1, et l’\u00e9chec, cod\u00e9 0. La distribution de probabilit\u00e9 associ\u00e9e est r\u00e9gie par un unique param\u00e8tre scalaire p<\/em>, repr\u00e9sentant la probabilit\u00e9 de succ\u00e8s, la probabilit\u00e9 d’\u00e9chec \u00e9tant par compl\u00e9mentarit\u00e9 1 – p<\/em>. La r\u00e9p\u00e9tition ind\u00e9pendante de n<\/em> \u00e9preuves bernoulliennes identiques donne naissance \u00e0 la variable al\u00e9atoire binomiale, qui quantifie la somme scalaire des succ\u00e8s accumul\u00e9s au cours des n<\/em> it\u00e9rations.<\/p>\n

Toutefois, la rigidit\u00e9 structurelle du cadre binomial limite son applicabilit\u00e9 aux ph\u00e9nom\u00e8nes polytomiques. D\u00e8s lors qu’un syst\u00e8me physique, biologique ou cognitif est susceptible de se stabiliser dans plus de deux configurations disjointes, la dichotomie bernoullienne impose une compression artificielle de l’information. R\u00e9duire un choix complexe \u00e0 un ensemble de sous-choix binaires isol\u00e9s d\u00e9truit la structure de covariance conjointe et introduit des distorsions d’estimation notables, car l’occurrence d’une issue tierce alt\u00e8re simultan\u00e9ment les probabilit\u00e9s relatives des deux issues initialement consid\u00e9r\u00e9es.<\/p>\n

Sur le plan analytique, la distribution binomiale s’av\u00e8re \u00eatre un cas d\u00e9g\u00e9n\u00e9r\u00e9 et particulier de la distribution multinomiale. Lorsque le nombre de cat\u00e9gories k<\/em> est fix\u00e9 \u00e0 deux, le vecteur al\u00e9atoire multinomial de dimension 2 se r\u00e9duit math\u00e9matiquement \u00e0 un couple de variables al\u00e9atoires o\u00f9 la seconde est enti\u00e8rement d\u00e9termin\u00e9e par la soustraction de la premi\u00e8re au nombre total d’essais. La loi binomiale classique \u00e9merge alors spontan\u00e9ment, tant au niveau de sa fonction de masse que de ses moments d’ordre sup\u00e9rieur, confirmant l’harmonie et la coh\u00e9rence de l’extension multinomiale.<\/p>\n

2.2 G\u00e9n\u00e9ralisation alg\u00e9brique aux espaces d’\u00e9chantillonnage \u00e9tendus<\/h3>\n

L’extension alg\u00e9brique de la loi binomiale vers la distribution multinomiale repose sur la transition du th\u00e9or\u00e8me du bin\u00f4me de Newton vers le th\u00e9or\u00e8me du multin\u00f4me. Dans l’alg\u00e8bre \u00e9l\u00e9mentaire, le d\u00e9veloppement de l’expression (a<\/em> + b<\/em>) \u00e9lev\u00e9 \u00e0 la puissance n<\/em> engendre une somme pond\u00e9r\u00e9e par les coefficients binomiaux. Lorsque l’on \u00e9tend cette d\u00e9composition \u00e0 une somme de k<\/em> termes arbitraires \u00e9lev\u00e9s \u00e0 la puissance n<\/em>, la formule du multin\u00f4me de Newton \u00e9tablit que :<\/p>\n

Cette \u00e9galit\u00e9 polynomiale poss\u00e8de une analogie probabiliste imm\u00e9diate et profonde. En substituant aux ind\u00e9termin\u00e9es alg\u00e9briques les param\u00e8tres de probabilit\u00e9 associ\u00e9s \u00e0 chacune des k<\/em> issues \u00e9l\u00e9mentaires possibles, la somme de ces probabilit\u00e9s \u00e9tant \u00e9gale \u00e0 un, l’\u00e9l\u00e9vation \u00e0 la puissance n<\/em> de cette somme unitaire vaut rigoureusement un. Le d\u00e9veloppement multinomial d\u00e9compose ainsi l’unit\u00e9 probabiliste absolue en une somme finie de composantes discr\u00e8tes, chacune correspondant exactement \u00e0 la probabilit\u00e9 d’observer un profil sp\u00e9cifique d’effectifs marginaux.<\/p>\n

Cette transition alg\u00e9brique formalise le passage des variables al\u00e9atoires scalaires aux vecteurs al\u00e9atoires de comptage. Tout au long de ce processus d’\u00e9chantillonnage polytomique, l’ind\u00e9pendance conditionnelle entre les tirages successifs est rigoureusement pr\u00e9serv\u00e9e : le r\u00e9sultat d’un tirage particulier ne modifie en rien la distribution de probabilit\u00e9 gouvernant les tirages ult\u00e9rieurs, assurant ainsi la stationnarit\u00e9 du processus stochastique sur l’ensemble de la trajectoire exp\u00e9rimentale de taille n<\/em>.<\/p>\n

2.3 Comparaison structurelle des param\u00e8tres et des contraintes<\/h3>\n

L’analyse structurelle des espaces param\u00e9triques met en lumi\u00e8re les contraintes g\u00e9om\u00e9triques qui diff\u00e9rencient intrins\u00e8quement les lois binomiales et multinomiales. Dans le cas binomial, l’espace des param\u00e8tres est un intervalle unidimensionnel compact d\u00e9limit\u00e9 par l’intervalle ferm\u00e9 [0, 1]. En revanche, pour la distribution multinomiale \u00e0 k<\/em> modalit\u00e9s, l’espace des param\u00e8tres est initialement d\u00e9fini dans un espace vectoriel de dimension k<\/em>, soumis \u00e0 une contrainte holonome de sommation unitaire stricte :<\/p>\n

Cette contrainte lin\u00e9aire r\u00e9duit imm\u00e9diatement la dimensionnalit\u00e9 intrins\u00e8que du probl\u00e8me. Bien que le vecteur des probabilit\u00e9s comporte formellement k<\/em> composantes scalaires, seuls k<\/em> – 1 param\u00e8tres sont libres d’\u00e9voluer de mani\u00e8re ind\u00e9pendante. La k<\/em>-i\u00e8me probabilit\u00e9 est invariablement d\u00e9termin\u00e9e par le compl\u00e9ment \u00e0 l’unit\u00e9 de la somme des k<\/em> – 1 premi\u00e8res valeurs. Ce ph\u00e9nom\u00e8ne math\u00e9matique correspond \u00e0 une perte d’un degr\u00e9 de libert\u00e9 sur le plan statistique.<\/p>\n

Les cons\u00e9quences analytiques de cette r\u00e9duction de dimension sont d\u00e9terminantes pour l’inf\u00e9rence. L’espace param\u00e9trique effectif se configure sous la forme d’un simplexe ferm\u00e9 de dimension k<\/em> – 1. Toute d\u00e9rivation analytique, qu’il s’agisse de la maximisation de la vraisemblance, du calcul des m\u00e9triques d’information ou de la formulation des r\u00e9gions de confiance, doit obligatoirement int\u00e9grer cette fronti\u00e8re g\u00e9om\u00e9trique sous peine d’engendrer des projections probabilistes incoh\u00e9rentes ou situ\u00e9es hors du domaine de validit\u00e9 stochastique.<\/p>\n

3. Formulation math\u00e9matique rigoureuse et fonction de masse de probabilit\u00e9<\/h2>\n

3.1 \u00c9quation de la fonction de masse multinomiale<\/h3>\n

La caract\u00e9risation probabiliste compl\u00e8te d’un vecteur al\u00e9atoire discret r\u00e9gi par une loi multinomiale s’\u00e9tablit par le biais de sa fonction de masse conjointe. Soit un vecteur al\u00e9atoire discret X<\/strong> = (X<\/em>1<\/sub>, X<\/em>2<\/sub>, …, X<\/em>k<\/em><\/sub>) dont la r\u00e9alisation s’\u00e9crit x<\/strong> = (x<\/em>1<\/sub>, x<\/em>2<\/sub>, …, x<\/em>k<\/em><\/sub>), o\u00f9 chaque composante x<\/em>i<\/em><\/sub> repr\u00e9sente un entier naturel quantifiant le nombre d’occurrences de la modalit\u00e9 i<\/em> au cours de n<\/em> \u00e9preuves. La fonction de masse conjointe de probabilit\u00e9 est formellement d\u00e9finie par l’expression analytique suivante :<\/p>\n

Cette formulation analytique se d\u00e9compose en deux op\u00e9rateurs math\u00e9matiques conjoints aux r\u00f4les distincts. Le premier terme, constitu\u00e9 du rapport factoriel, d\u00e9nombre pr\u00e9cis\u00e9ment toutes les configurations combinatoires possibles permettant de distribuer les n<\/em> r\u00e9alisations physiques parmi les k<\/em> cellules disponibles, en neutralisant les permutations internes aux modalit\u00e9s qui demeurent indistinguables. Le second op\u00e9rateur correspond au produit direct des probabilit\u00e9s \u00e9l\u00e9mentaires \u00e9lev\u00e9es \u00e0 la puissance de leur fr\u00e9quence de r\u00e9alisation empirique respective, quantifiant ainsi la probabilit\u00e9 sp\u00e9cifique d’une s\u00e9quence \u00e9l\u00e9mentaire unique non ordonn\u00e9e.<\/p>\n

\"Multinomial
Multinomial probability distribution example<\/figcaption><\/figure>\n

Lorsque la taille de l’\u00e9chantillon n<\/em> tend vers l’infini, le comportement asymptotique de cette fonction de masse est r\u00e9gi par des th\u00e9or\u00e8mes limites fondamentaux. En appliquant la formule d’approximation de Stirling aux expressions factorielles, la fonction de masse multinomiale converge uniform\u00e9ment vers une densit\u00e9 normale multivari\u00e9e d\u00e9g\u00e9n\u00e9r\u00e9e sur le simplexe de dimension k<\/em> – 1, pr\u00e9figurant l’applicabilit\u00e9 des approximations gaussiennes et des th\u00e9or\u00e8mes de convergence en loi pour les grands effectifs d’\u00e9chantillonnage.<\/p>\n

3.2 Conditions de validit\u00e9 du domaine param\u00e9trique<\/h3>\n

Pour que la fonction de masse multinomiale constitue une mesure de probabilit\u00e9 l\u00e9gitime au sens des axiomes de Kolmogorov, un ensemble strict de conditions aux limites et de contraintes structurelles doit \u00eatre imp\u00e9rativement satisfait. En premier lieu, chaque \u00e9l\u00e9ment du vecteur de param\u00e8tres de probabilit\u00e9 doit appartenir au domaine r\u00e9el et satisfaire une condition de non-n\u00e9gativit\u00e9 stricte ou faible, telle que pour tout indice i<\/em> compris entre 1 et k<\/em>, le param\u00e8tre p<\/em>i<\/em><\/sub> appartienne au sous-ensemble [0, 1].<\/p>\n

En second lieu, la condition de fermeture de l’espace d’\u00e9chantillonnage impose que la sommation des param\u00e8tres de probabilit\u00e9 soit rigoureusement \u00e9gale \u00e0 l’unit\u00e9. Simultan\u00e9ment, sur le plan des r\u00e9alisations num\u00e9riques, chaque valeur marginale observ\u00e9e x<\/em>i<\/em><\/sub> doit constituer un entier naturel positif ou nul, et la sommation de l’ensemble des composantes vectorielles doit reconstituer exactement le cardinal d’observation global n<\/em>, ce qui formalise le support discret de la loi multinomiale :<\/p>\n

La gestion rigoureuse des cas limites, notamment lorsqu’une fr\u00e9quence observ\u00e9e x<\/em>i<\/em><\/sub> est nulle, exige une attention math\u00e9matique particuli\u00e8re. En analyse combinatoire et en calcul infinit\u00e9simal, la convention arithm\u00e9tique standard \u00e9tablit que la factorielle de z\u00e9ro (0!) est rigoureusement \u00e9gale \u00e0 1. De surcro\u00eet, dans l’\u00e9valuation du produit probabiliste, le terme p<\/em>i<\/em><\/sub> \u00e9lev\u00e9 \u00e0 la puissance z\u00e9ro \u00e9quivaut conventionnellement \u00e0 1, m\u00eame lorsque le param\u00e8tre p<\/em>i<\/em><\/sub> tend vers z\u00e9ro, garantissant ainsi l’int\u00e9grit\u00e9 et la continuit\u00e9 alg\u00e9brique de la fonction de masse sur l’ensemble de son domaine de d\u00e9finition.<\/p>\n

3.3 Propri\u00e9t\u00e9s analytiques et fonction g\u00e9n\u00e9ratrice des moments<\/h3>\n

L’exploration des propri\u00e9t\u00e9s analytiques d’une distribution multivari\u00e9e discr\u00e8te est consid\u00e9rablement facilit\u00e9e par l’\u00e9tude de sa fonction g\u00e9n\u00e9ratrice des moments conjointe. Pour le vecteur al\u00e9atoire multinomial X<\/strong>, la fonction g\u00e9n\u00e9ratrice des moments, not\u00e9e M<\/em>X<\/strong><\/sub>(t<\/strong>), est d\u00e9finie pour tout vecteur d’arguments r\u00e9els t<\/strong> = (t<\/em>1<\/sub>, t<\/em>2<\/sub>, …, t<\/em>k<\/em><\/sub>) par l’esp\u00e9rance math\u00e9matique de l’exponentielle du produit scalaire entre le vecteur al\u00e9atoire et le vecteur t<\/strong>. En exploitant la d\u00e9composition du multin\u00f4me de Newton, cette fonction prend une forme analytique particuli\u00e8rement compacte :<\/p>\n

Cette \u00e9criture alg\u00e9brique \u00e9l\u00e9gante permet d’extraire la totalit\u00e9 des moments simples et conjoints de la distribution par l’application successive de d\u00e9riv\u00e9es partielles d’ordre quelconque. En d\u00e9rivant partiellement le logarithme de cette fonction, nomm\u00e9 fonction g\u00e9n\u00e9ratrice des cumulants, par rapport aux variables t<\/em>i<\/em><\/sub> et en \u00e9valuant le r\u00e9sultat au point o\u00f9 l’ensemble des arguments t<\/strong> s’annule, on obtient directement les esp\u00e9rances, variances et covariances du syst\u00e8me multivari\u00e9 sans recourir \u00e0 de fastidieuses sommations combinatoires explicites.<\/p>\n

Une propri\u00e9t\u00e9 analytique remarquable r\u00e9side dans la reproductibilit\u00e9 stochastique de la loi multinomiale pour des sous-\u00e9chantillons conditionnels ou agr\u00e9g\u00e9s. Si l’on somme arbitrairement deux ou plusieurs cat\u00e9gories au sein d’un m\u00eame ensemble pour former une nouvelle modalit\u00e9 combin\u00e9e, le vecteur de comptage r\u00e9sultant suit fid\u00e8lement une nouvelle distribution multinomiale de dimension r\u00e9duite, dont les param\u00e8tres de probabilit\u00e9 correspondent simplement \u00e0 la somme arithm\u00e9tique des probabilit\u00e9s marginales initiales associ\u00e9es aux modalit\u00e9s fusionn\u00e9es.<\/p>\n

4. Propri\u00e9t\u00e9s statistiques fondamentales : Esp\u00e9rance, variance et covariance<\/h2>\n

4.1 Esp\u00e9rance math\u00e9matique marginale de chaque modalit\u00e9<\/h3>\n

L’obtention des moments marginaux du premier ordre fournit des indications cruciales sur le comportement moyen des variables de comptage associ\u00e9es \u00e0 chaque modalit\u00e9 cat\u00e9gorielle. Pour un indice i<\/em> arbitraire, l’esp\u00e9rance math\u00e9matique de la variable al\u00e9atoire marginale X<\/em>i<\/em><\/sub> peut \u00eatre formellement d\u00e9montr\u00e9e par sommation directe sur l’ensemble du support discret, ou par le calcul de la d\u00e9riv\u00e9e premi\u00e8re de la fonction g\u00e9n\u00e9ratrice des moments. L’\u00e9valuation de l’esp\u00e9rance th\u00e9orique aboutit \u00e0 la formule canonique :<\/p>\n

Cette relation lin\u00e9aire d\u00e9coule directement de la lin\u00e9arit\u00e9 intrins\u00e8que de l’op\u00e9rateur d’esp\u00e9rance math\u00e9matique appliqu\u00e9 au vecteur multinomial. L’esp\u00e9rance du vecteur al\u00e9atoire X<\/strong> \u00e9quivaut au produit scalaire de l’effectif global n<\/em> par le vecteur de probabilit\u00e9s p<\/strong>. Cette propri\u00e9t\u00e9 fondamentale d\u00e9montre que l’esp\u00e9rance marginale d’une cat\u00e9gorie ne d\u00e9pend que de sa propre probabilit\u00e9 d’occurrence et du nombre total d’essais, sans \u00eatre math\u00e9matiquement affect\u00e9e par la r\u00e9partition des probabilit\u00e9s r\u00e9siduelles entre les k<\/em> – 1 autres cat\u00e9gories disponibles.<\/p>\n

Dans les contextes appliqu\u00e9s aux sciences du comportement et \u00e0 la recherche cognitive, l’esp\u00e9rance th\u00e9orique repr\u00e9sente la valeur centrale attendue lors d’une r\u00e9p\u00e9tition asymptotique du protocole exp\u00e9rimental. Lorsqu’un chercheur soumet un \u00e9chantillon d’individus \u00e0 une t\u00e2che de choix \u00e0 options multiples, les \u00e9carts syst\u00e9matiques entre les comptages empiriques moyens et ces esp\u00e9rances th\u00e9oriques fournissent la base de la quantification des biais d\u00e9cisionnels ou des asym\u00e9tries perceptives.<\/p>\n

4.2 Structure de la variance marginale univari\u00e9e<\/h3>\n

L’\u00e9valuation de la dispersion stochastique marginale autour de l’esp\u00e9rance th\u00e9orique n\u00e9cessite la d\u00e9rivation formelle du moment centr\u00e9 d’ordre deux. Pour toute cat\u00e9gorie indic\u00e9e par i<\/em>, la variance de la variable al\u00e9atoire X<\/em>i<\/em><\/sub> s’\u00e9tablit analytiquement en soustrayant le carr\u00e9 de l’esp\u00e9rance math\u00e9matique \u00e0 l’esp\u00e9rance du carr\u00e9 de la variable, ce qui se d\u00e9duit par d\u00e9rivation double de la fonction g\u00e9n\u00e9ratrice des moments. L’expression analytique de la variance marginale est donn\u00e9e par :<\/p>\n

L’examen de cette \u00e9quation r\u00e9v\u00e8le une identit\u00e9 structurelle parfaite avec la variance d’une distribution binomiale classique de param\u00e8tres n<\/em> et p<\/em>i<\/em><\/sub>. Ce r\u00e9sultat math\u00e9matique fondamental s’explique par le fait que si l’on focalise l’attention analytique sur une cat\u00e9gorie unique i<\/em> en agr\u00e9geant l’ensemble des k<\/em> – 1 autres cat\u00e9gories dans une entit\u00e9 compl\u00e9mentaire unique assimil\u00e9e \u00e0 un \u00ab non-\u00e9v\u00e9nement \u00bb, l’exp\u00e9rience polytomique se collapse rigoureusement en une suite d’\u00e9preuves de Bernoulli dichotomiques de probabilit\u00e9 de succ\u00e8s p<\/em>i<\/em><\/sub>.<\/p>\n

L’impact de l’accroissement de la taille de l’\u00e9chantillon n<\/em> sur la dispersion univari\u00e9e se caract\u00e9rise par une double dynamique. D’une part, la variance absolue cro\u00eet de mani\u00e8re strictement lin\u00e9aire avec n<\/em>, ce qui signifie que l’incertitude sur le comptage brut s’\u00e9largit. D’autre part, la variance de la fr\u00e9quence relative empirique, obtenue en divisant le comptage par n<\/em>, d\u00e9cro\u00eet de fa\u00e7on proportionnelle \u00e0 l’inverse de la taille d’\u00e9chantillon (1\/n<\/em>), illustrant l’application rigoureuse de la loi faible des grands nombres et garantissant la convergence asymptotique de la fr\u00e9quence observ\u00e9e vers le param\u00e8tre probabiliste th\u00e9orique sous-jacent.<\/p>\n

4.3 Covariance et corr\u00e9lation n\u00e9gative intrins\u00e8que<\/h3>\n

La dimension multivari\u00e9e de la distribution multinomiale s’exprime pleinement \u00e0 travers l’\u00e9tude des moments conjoints d’ordre deux, \u00e0 savoir les covariances entre diff\u00e9rentes composantes vectorielles. Soient deux modalit\u00e9s distinctes indic\u00e9es par i<\/em> et j<\/em>, telles que l’indice i<\/em> soit diff\u00e9rent de j<\/em>. La covariance th\u00e9orique entre les variables al\u00e9atoires de comptage X<\/em>i<\/em><\/sub> et X<\/em>j<\/em><\/sub> s’obtient par la d\u00e9termination de l’esp\u00e9rance de leur produit crois\u00e9 \u00e0 laquelle on soustrait le produit de leurs esp\u00e9rances individuelles :<\/p>\n

La pr\u00e9sence du signe n\u00e9gatif constitue la caract\u00e9ristique structurelle primordiale de la loi multinomiale. D’un point de vue conceptuel, cette corr\u00e9lation n\u00e9gative intrins\u00e8que est une cons\u00e9quence directe et in\u00e9vitable de la contrainte holonome de sommation fixe : le nombre total de r\u00e9alisations \u00e9tant strictement born\u00e9 par l’effectif n<\/em>, toute occurrence suppl\u00e9mentaire enregistr\u00e9e en faveur de la modalit\u00e9 i<\/em> s’effectue n\u00e9cessairement au d\u00e9triment des ressources combinatoires disponibles pour l’ensemble des autres cat\u00e9gories concurrentes.<\/p>\n

Cette structure de covariance permet d’\u00e9laborer la matrice de variance-covariance compl\u00e8te du syst\u00e8me, souvent not\u00e9e \u03a3<\/strong>, qui prend la forme matricielle suivante :<\/p>\n

O\u00f9 D<\/strong>(p<\/strong>) est la matrice diagonale dont les \u00e9l\u00e9ments sont les probabilit\u00e9s marginales, et p<\/strong>p<\/strong>T<\/sup> repr\u00e9sente le produit tensoriel externe du vecteur de probabilit\u00e9s par lui-m\u00eame. Sur le plan spectral, cette matrice carr\u00e9e sym\u00e9trique de dimension k<\/em> poss\u00e8de la propri\u00e9t\u00e9 d\u00e9terminante d’\u00eatre singuli\u00e8re et de rang exactement \u00e9gal \u00e0 k<\/em> – 1. Le vecteur colonne constitu\u00e9 uniquement de valeurs unitaires forme le vecteur propre associ\u00e9 \u00e0 la valeur propre nulle, refl\u00e9tant math\u00e9matiquement le confinement de l’ensemble des trajectoires stochastiques sur l’hyperplan de dimension inf\u00e9rieure dict\u00e9 par la contrainte de sommation.<\/p>\n

5. Conditions d’application et hypoth\u00e8ses sous-jacentes du mod\u00e8le<\/h2>\n

5.1 Ind\u00e9pendance mutuelle des \u00e9preuves \u00e9l\u00e9mentaires<\/h3>\n

L’\u00e9difice math\u00e9matique de la distribution multinomiale repose sur un ensemble d’hypoth\u00e8ses probabilistes strictes dont la violation invalide les inf\u00e9rences inf\u00e9r\u00e9es \u00e0 partir du mod\u00e8le. La condition d’application la plus critique concerne l’ind\u00e9pendance mutuelle absolue entre les \u00e9preuves \u00e9l\u00e9mentaires successives constituant l’\u00e9chantillon global de taille n<\/em>. Au sens probabiliste de Borel-Cantelli, deux essais successifs indic\u00e9s a<\/em> et b<\/em> sont stochastiquement ind\u00e9pendants si et seulement si la r\u00e9alisation conjointe de n’importe quel \u00e9v\u00e9nement sur ces deux essais est rigoureusement \u00e9gale au produit de leurs probabilit\u00e9s marginales respectives.<\/p>\n

Dans la conduite d’enqu\u00eates psychosociales ou de protocoles exp\u00e9rimentaux, cette hypoth\u00e8se se traduit par l’imp\u00e9ratif d’invariance des r\u00e9ponses entre les diff\u00e9rents sujets constituant la cohorte exp\u00e9rimentale. Si des interactions sociales, des ph\u00e9nom\u00e8nes d’imitation, d’influence collective ou d’apprentissage vicariant surviennent au sein du groupe durant le recueil des donn\u00e9es, les r\u00e9alisations observ\u00e9es cessent d’\u00eatre ind\u00e9pendantes. De m\u00eame, les d\u00e9pendances spatiales, \u00e9cologiques ou contextuelles induisent des corr\u00e9lations r\u00e9siduelles qui violent l’axiome fondamental d’orthogonalit\u00e9 stochastique des \u00e9preuves.<\/p>\n

Une probl\u00e9matique particuli\u00e8rement aigu\u00eb \u00e9merge lors de l’application erron\u00e9e de la distribution multinomiale standard \u00e0 des plans d’exp\u00e9rimentation \u00e0 mesures r\u00e9p\u00e9t\u00e9es. Lorsqu’un m\u00eame participant fournit des r\u00e9ponses s\u00e9quentielles polytomiques sur plusieurs dizaines d’essais, les dynamiques d’apprentissage, d’attention fluctuante ou de fatigue cognitive cr\u00e9ent une d\u00e9pendance intra-individuelle s\u00e9v\u00e8re, \u00e9galement d\u00e9sign\u00e9e sous le concept d’autocorr\u00e9lation temporelle<\/a>. Dans une telle configuration, l’utilisation directe du mod\u00e8le multinomial sans param\u00e9trisation de cette structure s\u00e9rielle aboutit in\u00e9vitablement \u00e0 une sous-estimation syst\u00e9matique des erreurs-types des estimations.<\/p>\n

5.2 Homog\u00e9n\u00e9it\u00e9 temporelle et stabilit\u00e9 des param\u00e8tres probabilistes<\/h3>\n

La seconde hypoth\u00e8se structurelle fondamentale r\u00e9side dans l’homog\u00e9n\u00e9it\u00e9 temporelle des param\u00e8tres de probabilit\u00e9, propri\u00e9t\u00e9 souvent d\u00e9sign\u00e9e sous le vocable de stationnarit\u00e9 probabiliste. Cette condition stipule que le vecteur de probabilit\u00e9s p<\/strong> = (p<\/em>1<\/sub>, p<\/em>2<\/sub>, …, p<\/em>k<\/em><\/sub>) doit demeurer rigoureusement invariant et constant d’une \u00e9preuve \u00e0 l’autre, depuis la premi\u00e8re jusqu’\u00e0 la n<\/em>-i\u00e8me it\u00e9ration. Le syst\u00e8me g\u00e9n\u00e9rant les donn\u00e9es al\u00e9atoires ne doit pr\u00e9senter aucune d\u00e9rive param\u00e9trique latente au cours du temps.<\/p>\n

Dans l’ing\u00e9nierie des protocoles en sciences humaines, le maintien de cette stabilit\u00e9 constitue un d\u00e9fi m\u00e9thodologique permanent. L’intervention d’effets d’habituation, de consolidation mn\u00e9sique ou d’\u00e9puisement mental chez les participants alt\u00e8re insidieusement la distribution sous-jacente des propensions de r\u00e9ponse au fil de l’exp\u00e9rience. Si la probabilit\u00e9 d’\u00e9mettre une r\u00e9ponse i<\/em> \u00e9volue au cours de la session de test, la distribution agr\u00e9g\u00e9e finale des comptages n’ob\u00e9it plus \u00e0 une loi multinomiale pure, mais correspond plut\u00f4t \u00e0 une convolution h\u00e9t\u00e9rog\u00e8ne de lois multinomiales distinctes, g\u00e9n\u00e9rant un ph\u00e9nom\u00e8ne m\u00e9canique d’inflation de variance.<\/p>\n

Le contr\u00f4le m\u00e9thodologique de cette homog\u00e9n\u00e9it\u00e9 exige la mise en place de contrebalancements exp\u00e9rimentaux stricts, l’insertion de pauses r\u00e9guli\u00e8res pour dissiper la fatigue cognitive et la randomisation syst\u00e9matique de l’ordre de pr\u00e9sentation des stimuli. De surcro\u00eet, les chercheurs doivent d\u00e9ployer des tests de stationnarit\u00e9 a posteriori, en segmentant les s\u00e9ries chronologiques de r\u00e9ponses cat\u00e9gorielles en fen\u00eatres temporelles successives pour v\u00e9rifier formellement l’absence de rupture structurelle dans l’estimation des fr\u00e9quences marginales.<\/p>\n

5.3 Tirage avec remise et approximation pour grands effectifs<\/h3>\n

La troisi\u00e8me exigence th\u00e9orique concerne la nature du processus physique de pr\u00e9l\u00e8vement au sein de la population parente. Le mod\u00e8le multinomial est le mod\u00e8le exact des exp\u00e9riences de tirage avec remise, ou plus g\u00e9n\u00e9ralement des processus de g\u00e9n\u00e9ration infinis o\u00f9 le pr\u00e9l\u00e8vement d’une unit\u00e9 n’exerce aucune r\u00e9troaction informationnelle sur la composition probabiliste de la population r\u00e9siduelle. Lorsque le tirage s’op\u00e8re sans remise au sein d’une population de cardinal fini N<\/em>, la probabilit\u00e9 d’occurrence des modalit\u00e9s varie dynamiquement apr\u00e8s chaque pr\u00e9l\u00e8vement, et le processus stochastique est alors formellement r\u00e9gi par la distribution hyperg\u00e9om\u00e9trique multivari\u00e9e.<\/p>\n

N\u00e9anmoins, la mise en \u0153uvre de la distribution hyperg\u00e9om\u00e9trique multivari\u00e9e se heurte fr\u00e9quemment \u00e0 des complexit\u00e9s calculatoires substantielles. Dans les contextes o\u00f9 l’\u00e9chantillonnage s’effectue sans remise au sein d’une population finie, les statisticiens recourent \u00e0 une approximation par la distribution multinomiale, fond\u00e9e sur des th\u00e9or\u00e8mes limites asymptotiques. Cette approximation est consid\u00e9r\u00e9e comme m\u00e9thodologiquement valide et rigoureuse lorsque la taille de l’\u00e9chantillon n<\/em> est n\u00e9gligeable par rapport \u00e0 la taille de la population globale N<\/em>.<\/p>\n

La r\u00e8gle empirique g\u00e9n\u00e9ralement admise en statistique m\u00e9thodologique stipule que la fraction d’\u00e9chantillonnage, d\u00e9finie par le ratio n<\/em>\/N<\/em>, ne doit pas exc\u00e9der le seuil critique de 5 % \u00e0 10 %. Sous cette condition de mod\u00e9ration de l’\u00e9chantillonnage, la probabilit\u00e9 conditionnelle d’alt\u00e9ration de l’urne devient n\u00e9gligeable, et les erreurs d’approximation r\u00e9siduelles commises en substituant la distribution multinomiale \u00e0 la loi hyperg\u00e9om\u00e9trique multivari\u00e9e se r\u00e9v\u00e8lent math\u00e9matiquement imperceptibles au regard des marges d’erreur stochastiques inh\u00e9rentes \u00e0 la taille n<\/em>.<\/p>\n

6. D\u00e9monstration pratique par l’exemple de tirage avec remise<\/h2>\n

6.1 Param\u00e9trisation exacte du protocole exp\u00e9rimental classique<\/h3>\n

Afin d’ancrer les concepts math\u00e9matiques pr\u00e9c\u00e9dents dans une d\u00e9monstration concr\u00e8te et didactique, consid\u00e9rons l’exp\u00e9rience canonique de l’urne probabiliste. Soit une urne opaque contenant un ensemble fini et volumineux de billes color\u00e9es, r\u00e9parties en trois modalit\u00e9s chromatiques distinctes et exhaustives : des billes rouges, des billes vertes et des billes bleues. Nous d\u00e9finissons ainsi un espace polytomique o\u00f9 le nombre de cat\u00e9gories est fix\u00e9 \u00e0 k<\/em> = 3. La composition interne de l’urne est parfaitement \u00e9talonn\u00e9e : elle contient initialement 50 billes rouges, 30 billes vertes et 20 billes bleues, soit un total cumul\u00e9 de 100 billes.<\/p>\n

Puisque chaque tirage individuel est imm\u00e9diatement suivi d’une remise de la bille pr\u00e9lev\u00e9e dans l’urne et d’un brassage complet, les probabilit\u00e9s marginales associ\u00e9es \u00e0 chaque extraction demeurent strictement invariantes d’un essai \u00e0 l’autre. Nous pouvons d\u00e9terminer formellement le vecteur des param\u00e8tres de probabilit\u00e9 p<\/strong> = (p<\/em>rouge<\/sub>, p<\/em>vert<\/sub>, p<\/em>bleu<\/sub>) \u00e0 partir des effectifs relatifs initiaux :<\/p>\n