{"id":8686,"date":"2026-09-23T04:23:55","date_gmt":"2026-09-23T04:23:55","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-utiliser-geometpdf-et-geometcdf-sur-ti-84\/"},"modified":"2026-09-23T04:24:03","modified_gmt":"2026-09-23T04:24:03","slug":"comment-utiliser-geometpdf-et-geometcdf-sur-ti-84","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-utiliser-geometpdf-et-geometcdf-sur-ti-84","title":{"rendered":"Comment utiliser geometpdf() et geometcdf() sur une calculatrice TI-84"},"content":{"rendered":"

Dans l’univers des probabilit\u00e9s discr\u00e8tes et de la mod\u00e9lisation statistique appliqu\u00e9e aux sciences humaines, exp\u00e9rimentales et sociales, l’estimation pr\u00e9cise de l’occurrence temporelle ou s\u00e9quentielle d’un ph\u00e9nom\u00e8ne donn\u00e9 constitue une probl\u00e9matique fondamentale. Qu’il s’agisse d’\u00e9valuer la latence d’une r\u00e9ponse cognitive dans un protocole exp\u00e9rimental, de mesurer l’efficacit\u00e9 d’un protocole d’apprentissage chez un sujet ou d’\u00e9tudier la d\u00e9faillance d’un composant \u00e9lectronique au sein d’un laboratoire de m\u00e9trologie, les chercheurs se heurtent invariablement \u00e0 la question du temps d’attente discret. La loi g\u00e9om\u00e9trique s’impose alors comme le mod\u00e8le stochastique de r\u00e9f\u00e9rence pour d\u00e9crire le nombre d’essais ind\u00e9pendants n\u00e9cessaires avant d’observer le tout premier succ\u00e8s. Sa formulation math\u00e9matique \u00e9l\u00e9gante et ses propri\u00e9t\u00e9s analytiques singuli\u00e8res en font un outil incontournable de la recherche contemporaine.<\/p>\n

Afin de manipuler ces lois sans s’exposer \u00e0 la lourdeur calculatoire d’it\u00e9rations combinatoires manuelles, la calculatrice graphique de la famille Texas Instruments<\/a>, et plus particuli\u00e8rement la TI-84 Plus sous toutes ses d\u00e9clinaisons contemporaines, s’est impos\u00e9e comme le standard d’ing\u00e9nierie p\u00e9dagogique et scientifique le plus r\u00e9pandu. Int\u00e9grant un micro-syst\u00e8me d’exploitation d\u00e9di\u00e9 aux m\u00e9thodes quantitatives, cette machine met \u00e0 disposition des praticiens deux fonctions sp\u00e9cialis\u00e9es : la commande de densit\u00e9 de probabilit\u00e9 discr\u00e8te geometpdf()<\/em> et la commande de fonction de r\u00e9partition cumul\u00e9e geometcdf()<\/em>. Malgr\u00e9 leur apparente simplicit\u00e9 syntaxique, leur mise en \u0153uvre requiert une compr\u00e9hension conceptuelle rigoureuse, tant sur le plan des d\u00e9finitions probabilistes sous-jacentes que sur celui de la gestion interne des arguments par le processeur.<\/p>\n

Ce guide exhaustif a pour vocation d’analyser de mani\u00e8re approfondie l’int\u00e9gralit\u00e9 du cycle d’exploitation de ces deux commandes sur la plateforme TI-84. En combinant d\u00e9monstrations math\u00e9matiques formelles, protocoles pas \u00e0 pas, cas pratiques issus de la psychologie et des sciences du comportement, programmation d’algorithmes et analyse critique des pi\u00e8ges syntaxiques, cet article vise \u00e0 doter les \u00e9tudiants, universitaires et analystes des comp\u00e9tences techniques requises pour mener des inf\u00e9rences fiables et reproductibles, conformes aux exigences acad\u00e9miques les plus strictes.<\/p>\n

\"\"<\/figure>\n

1. Introduction aux distributions g\u00e9om\u00e9triques et aux fonctions de la TI-84<\/h2>\n

1.1 D\u00e9finition th\u00e9orique de la loi g\u00e9om\u00e9trique<\/h3>\n

La distribution g\u00e9om\u00e9trique prend racine dans la th\u00e9orie des processus stochastiques \u00e0 temps discret, plus pr\u00e9cis\u00e9ment au sein des s\u00e9quences d’\u00e9preuves de Bernoulli. Un processus de Bernoulli est caract\u00e9ris\u00e9 par une succession finie ou infinie d’exp\u00e9riences al\u00e9atoires v\u00e9rifiant trois axiomes fondamentaux : chaque \u00e9preuve ne tol\u00e8re que deux issues mutuellement exclusives et exhaustives (conventionnellement d\u00e9sign\u00e9es par \u00ab succ\u00e8s \u00bb et \u00ab \u00e9chec \u00bb), le r\u00e9sultat de chaque essai est strictement ind\u00e9pendant des r\u00e9alisations ant\u00e9rieures et post\u00e9rieures, et la probabilit\u00e9 \u00e9l\u00e9mentaire de succ\u00e8s, not\u00e9e scalairement p<\/em>, demeure invariable tout au long du processus, avec son compl\u00e9mentaire q = 1 – p<\/em> caract\u00e9risant la probabilit\u00e9 de l’\u00e9chec.<\/p>\n

Sur cette base axiomatique, la variable al\u00e9atoire discr\u00e8te g\u00e9om\u00e9trique, traditionnellement not\u00e9e X<\/em>, mod\u00e9lise le rang ordinal de l’essai lors duquel survient le tout premier succ\u00e8s. Il s’ensuit que le support de cette variable correspond \u00e0 l’ensemble des entiers naturels strictement positifs, soit l’ensemble des entiers sup\u00e9rieurs ou \u00e9gaux \u00e0 un. Il importe de souligner qu’une convention alternative existe dans la litt\u00e9rature scientifique, d\u00e9finissant la variable comme le nombre d’\u00e9checs pr\u00e9c\u00e9dant l’occurrence initiale du succ\u00e8s, ce qui d\u00e9cale le support vers l’ensemble des entiers naturels incluant z\u00e9ro. Dans le cadre de l’architecture logicielle de la TI-84, la premi\u00e8re convention \u2014 celle du rang d’apparition du succ\u00e8s \u2014 est universellement adopt\u00e9e.<\/p>\n

Cette distribution s’av\u00e8re particuli\u00e8rement puissante pour formaliser les m\u00e9canismes de temps de r\u00e9ponse, l’acquisition de patterns comportementaux en neurosciences ou encore la r\u00e9sistance aux stimuli aversifs. D\u00e8s lors que l’hypoth\u00e8se de stationnarit\u00e9 du param\u00e8tre p<\/em> est corrobor\u00e9e par l’observation empirique, la distribution g\u00e9om\u00e9trique fournit un cadre param\u00e9trique robuste permettant de quantifier la raret\u00e9 ou la pr\u00e9visibilit\u00e9 d’\u00e9v\u00e9nements critiques au sein de s\u00e9ries temporelles quantifi\u00e9es.<\/p>\n

1.2 R\u00f4le et pertinence de la calculatrice TI-84 en analyse statistique<\/h3>\n

Depuis son introduction, la famille des calculatrices TI-84 Plus<\/a> (incluant les versions Silver Edition, monochrome et les d\u00e9clinaisons modernes TI-84 Plus CE munies d’\u00e9crans couleur haute r\u00e9solution) constitue un vecteur essentiel de num\u00e9risation du calcul probabiliste. \u00c9quip\u00e9e d’une architecture articul\u00e9e autour de microprocesseurs Zilog Z80 ou eZ80 cadenc\u00e9s \u00e0 des fr\u00e9quences optimis\u00e9es pour l’arithm\u00e9tique en virgule flottante, la machine ex\u00e9cute des routines compil\u00e9es en langage machine hautement optimis\u00e9es pour le calcul combinatoire et les distributions statistiques.<\/p>\n

L’avantage m\u00e9trologique de ces dispositifs r\u00e9side dans leur capacit\u00e9 \u00e0 d\u00e9livrer des approximations num\u00e9riques d’une pr\u00e9cision de quatorze chiffres significatifs, minimisant ainsi les erreurs de troncature et d’arrondi inh\u00e9rentes aux calculs manuels it\u00e9ratifs d’exponentiation. En conditions d’examen acad\u00e9mique standardis\u00e9 ou au sein de laboratoires de terrain d\u00e9nu\u00e9s de stations de calcul informatique complexes, la standardisation des microprogrammes de Texas Instruments assure une parfaite homog\u00e9n\u00e9it\u00e9 des r\u00e9sultats statistiques. L’\u00e9volution de l’environnement TI-OS a par ailleurs introduit des interfaces adaptatives facilitant l’acc\u00e8s aux distributions discr\u00e8tes sans sacrifier la rigueur syntaxique du moteur de calcul sous-jacent.<\/p>\n

1.3 Pr\u00e9sentation liminaire des commandes geometpdf() et geometcdf()<\/h3>\n

Le syst\u00e8me d’exploitation de la TI-84 encapsule les calculs g\u00e9om\u00e9triques au travers de deux op\u00e9rateurs sp\u00e9cialis\u00e9s : geometpdf()<\/em> et geometcdf()<\/em>. Le suffixe \u00ab pdf \u00bb correspond \u00e0 l’acronyme anglo-saxon de probability density function<\/em>, d\u00e9signant ici par abus de langage usuel la fonction de masse de probabilit\u00e9 (FMP) propre aux variables discr\u00e8tes. Cette commande a pour objectif d’\u00e9valuer la probabilit\u00e9 ponctuelle exacte que le premier succ\u00e8s survienne pr\u00e9cis\u00e9ment \u00e0 un essai sp\u00e9cifi\u00e9. \u00c0 l’inverse, l’op\u00e9rateur \u00ab cdf \u00bb, signifiant cumulative distribution function<\/em>, impl\u00e9mente la fonction de r\u00e9partition cumulative (FDC), quantifiant la probabilit\u00e9 agr\u00e9g\u00e9e que l’\u00e9v\u00e9nement recherch\u00e9 se concr\u00e9tise au plus tard lors d’un essai fronti\u00e8re d\u00e9termin\u00e9.<\/p>\n

La distinction entre ces deux primitives conditionne l’exactitude des calculs statistiques. L’omission ou la confusion de leurs signatures algorithmiques respectives constitue l’une des sources majeures d’aberration num\u00e9rique chez les praticiens. Il est donc imp\u00e9ratif de ma\u00eetriser la dimensionnalit\u00e9 des arguments attendus par le processeur : le param\u00e8tre scalaire p<\/em> repr\u00e9sentant le taux de succ\u00e8s unitaire et la variable scalaire ou vectorielle x<\/em> d\u00e9finissant la borne temporelle ou ordinale de l’\u00e9valuation.<\/p>\n

2. Fondements math\u00e9matiques : Mod\u00e9lisation probabiliste et variables g\u00e9om\u00e9triques<\/h2>\n

2.1 Formulation rigoureuse de la fonction de masse de probabilit\u00e9 (FMP)<\/h3>\n

Consid\u00e9rons une suite d’\u00e9preuves de Bernoulli ind\u00e9pendantes o\u00f9 la probabilit\u00e9 \u00e9l\u00e9mentaire de survenue de l’\u00e9v\u00e9nement cible est mesur\u00e9e par le r\u00e9el p<\/em> appartenant \u00e0 l’intervalle ouvert ]0, 1[. La r\u00e9alisation du premier succ\u00e8s au rang exactement \u00e9gal \u00e0 k<\/em>, not\u00e9e formellement par l’\u00e9v\u00e9nement probabiliste {X = k}, n\u00e9cessite la r\u00e9alisation conjointe et ordonn\u00e9e de deux conditions ind\u00e9pendantes : l’obtention syst\u00e9matique d’un \u00e9chec lors des k – 1<\/em> premi\u00e8res it\u00e9rations cons\u00e9cutives, suivie de la mat\u00e9rialisation imm\u00e9diate d’un succ\u00e8s lors de la k<\/em>-i\u00e8me tentative.<\/p>\n

En vertu de l’ind\u00e9pendance stochastique postul\u00e9e par le processus de Bernoulli, la probabilit\u00e9 de l’intersection de ces \u00e9v\u00e9nements correspond au produit strict de leurs probabilit\u00e9s marginales respectives. D\u00e8s lors, la fonction de masse de probabilit\u00e9 s’\u00e9nonce comme suit :<\/p>\n

P(X = k) = (1 – p)^(k – 1) * p<\/strong>, pour tout entier k<\/em> appartenant \u00e0 l’ensemble {1, 2, 3, …}.<\/p>\n

Cette formulation met en lumi\u00e8re la nature intrins\u00e8quement g\u00e9om\u00e9trique de la suite des probabilit\u00e9s associ\u00e9es aux entiers successifs. En effet, le rapport entre deux probabilit\u00e9s successives P(X = k + 1) \/ P(X = k) est strictement constant et \u00e9gal \u00e0 la raison g\u00e9om\u00e9trique q = 1 – p<\/em>. La somme totale des probabilit\u00e9s sur l’ensemble du support discret converge rigoureusement vers l’unit\u00e9, validant ainsi la condition de normalisation probabiliste de Kolmogorov au travers de la formule classique de la s\u00e9rie g\u00e9om\u00e9trique convergente de raison inf\u00e9rieure \u00e0 un.<\/p>\n

Une propri\u00e9t\u00e9 remarquable et fondamentale de cette distribution r\u00e9side dans son \u00ab absence de m\u00e9moire \u00bb (propri\u00e9t\u00e9 d’amn\u00e9sie stochastique). Pour tout couple d’entiers naturels strictement positifs (m, n)<\/em>, la probabilit\u00e9 conditionnelle v\u00e9rifie l’\u00e9galit\u00e9 :<\/p>\n

P(X > m + n | X > m) = P(X > n)<\/strong>.<\/p>\n

Cette caract\u00e9ristique implique que le syst\u00e8me ne conserve aucune trace de son historique d’\u00e9checs : la probabilit\u00e9 de devoir patienter au moins n<\/em> essais additionnels sachant que le succ\u00e8s ne s’est pas manifest\u00e9 durant les m<\/em> premi\u00e8res \u00e9preuves demeure rigoureusement identique \u00e0 la probabilit\u00e9 initiale d’attendre au moins n<\/em> essais. En analyse psychologique ou comportementale, ce ph\u00e9nom\u00e8ne sert d’hypoth\u00e8se nulle pour tester si un organisme apprend au fil des essais ou s’il op\u00e8re selon un m\u00e9canisme stochastique stationnaire sans effet de fatigue ni de maturation progressive.<\/p>\n

2.2 Fonction de r\u00e9partition cumulative (FDC) et sommations partielles<\/h3>\n

La fonction de r\u00e9partition cumulative d’une variable al\u00e9atoire discr\u00e8te permet de calculer la probabilit\u00e9 que cette variable prenne une valeur inf\u00e9rieure ou \u00e9gale \u00e0 une borne d\u00e9termin\u00e9e. Dans le cas de la loi g\u00e9om\u00e9trique, l’\u00e9v\u00e9nement {X ≤ k} correspond \u00e0 l’union disjointe des \u00e9v\u00e9nements \u00e9l\u00e9mentaires {X = 1}, {X = 2}, …, {X = k}. La probabilit\u00e9 cumul\u00e9e s’obtient alors en effectuant la sommation finie suivante :<\/p>\n

P(X ≤ k) = ∑ [p * (1 – p)^(i – 1)]<\/strong> pour i<\/em> variant de 1 \u00e0 k<\/em>.<\/p>\n

En factorisant par le terme constant p<\/em> et en exploitant la formule alg\u00e9brique de la somme partielle d’une progression g\u00e9om\u00e9trique de raison 1 – p<\/em>, l’expression se simplifie de mani\u00e8re spectaculaire :<\/p>\n

P(X ≤ k) = p * [ (1 – (1 – p)^k) \/ (1 – (1 – p)) ] = p * [ (1 – (1 – p)^k) \/ p ] = 1 – (1 – p)^k<\/strong>.<\/p>\n

Cette relation analytique ferm\u00e9e poss\u00e8de une interpr\u00e9tation probabiliste intuitive directe : l’\u00e9v\u00e9nement compl\u00e9mentaire de {X ≤ k} est l’\u00e9v\u00e9nement {X > k}, qui signifie qu’aucun succ\u00e8s ne s’est produit au cours des k<\/em> premiers essais. La probabilit\u00e9 d’essuyer k<\/em> \u00e9checs cons\u00e9cutifs \u00e9tant \u00e9gale \u00e0 (1 – p)^k<\/em> en vertu de l’ind\u00e9pendance des tirages, la probabilit\u00e9 d’enregistrer au moins un succ\u00e8s durant cet intervalle correspond rigoureusement \u00e0 son compl\u00e9mentaire \u00e0 l’unit\u00e9. Lorsque k<\/em> cro\u00eet vers l’infini, le terme (1 – p)^k<\/em> d\u00e9cro\u00eet exponentiellement vers z\u00e9ro (puisque 0 < 1 – p < 1), garantissant que la fonction de r\u00e9partition converge de fa\u00e7on asymptotique et monotone vers 1.<\/p>\n

2.3 Moments statistiques et indicateurs de tendance centrale<\/h3>\n

La caract\u00e9risation d’une variable g\u00e9om\u00e9trique requiert le calcul formel de ses moments d’ordre un et deux, permettant de quantifier son esp\u00e9rance math\u00e9matique et sa dispersion autour du centre de gravit\u00e9 stochastique. L’esp\u00e9rance math\u00e9matique, not\u00e9e E(X)<\/em>, repr\u00e9sente le nombre moyen d’essais n\u00e9cessaires pour observer l’\u00e9mergence du premier succ\u00e8s. Elle est d\u00e9finie par la s\u00e9rie infinie :<\/p>\n

E(X) = ∑ [k * p * (1 – p)^(k – 1)]<\/strong> pour k<\/em> allant de 1 \u00e0 l’infini.<\/p>\n

En d\u00e9rivant terme \u00e0 terme la s\u00e9rie g\u00e9om\u00e9trique usuelle par rapport \u00e0 la raison q<\/em>, on d\u00e9montre de mani\u00e8re formelle que :<\/p>\n

E(X) = 1 \/ p<\/strong>.<\/p>\n

Ainsi, si un comportement cognitif particulier pr\u00e9sente une probabilit\u00e9 d’apparition de 0,20 lors de chaque sollicitation exp\u00e9rimentale, il faudra en moyenne 1 \/ 0,20 = 5 sollicitations pour que ce comportement se manifeste pour la premi\u00e8re fois. La variance, mesure de la dispersion quadratique moyenne des r\u00e9alisations observ\u00e9es autour de l’esp\u00e9rance, se d\u00e9duit via le th\u00e9or\u00e8me de K\u00f6nig-Huygens par le calcul de E(X^2) – [E(X)]^2<\/em>. Sa d\u00e9rivation analytique produit l’\u00e9galit\u00e9 :<\/p>\n

Var(X) = (1 – p) \/ p^2<\/strong>.<\/p>\n

L’\u00e9cart-type associ\u00e9 correspond \u00e0 la racine carr\u00e9e de cette variance : σ(X) = √(1 – p) \/ p<\/strong>. Cette relation souligne que lorsque la probabilit\u00e9 \u00e9l\u00e9mentaire p<\/em> s’av\u00e8re particuli\u00e8rement faible, l’\u00e9cart-type tend vers des valeurs consid\u00e9rables, indiquant une volatilit\u00e9 extr\u00eame du temps d’attente discret avant la r\u00e9alisation du premier succ\u00e8s.<\/p>\n

3. Navigation et localisation des commandes sur la calculatrice TI-84<\/h2>\n

3.1 Acc\u00e8s au sous-menu des distributions statistiques (DISTR)<\/h3>\n

L’environnement logiciel de la TI-84 centralise l’ensemble de ses g\u00e9n\u00e9rateurs probabilistes au sein d’un r\u00e9pertoire syst\u00e8me unifi\u00e9 accessible via le sous-menu des distributions. Contrairement aux fonctions arithm\u00e9tiques standard directement cartographi\u00e9es sur le clavier physique, l’acc\u00e8s \u00e0 ce gestionnaire statistique requiert une combinaison s\u00e9quentielle de touches con\u00e7ue pour \u00e9viter toute saisie accidentelle en mode calculatoire g\u00e9n\u00e9ral.<\/p>\n

Pour faire appara\u00eetre le menu DISTR, l’utilisateur doit imp\u00e9rativement presser en premier lieu la touche jaune ou bleue 2nd<\/strong> situ\u00e9e dans l’angle sup\u00e9rieur gauche du pav\u00e9 de commande, puis actionner imm\u00e9diatement la touche VARS<\/strong> situ\u00e9e sur la rang\u00e9e sup\u00e9rieure des fl\u00e8ches directionnelles. Cette action sollicite l’interruption logicielle routant l’affichage vers la table des distributions de probabilit\u00e9 continues et discr\u00e8tes pr\u00e9compil\u00e9es dans la ROM de l’appareil.<\/p>\n

L’\u00e9cran principal pr\u00e9sente alors une liste ordonn\u00e9e comprenant initialement les fonctions de distribution normale (normalpdf<\/em>, normalcdf<\/em>, invNorm<\/em>), de Student, de Fisher et du Chi-carr\u00e9. Les commandes g\u00e9om\u00e9triques \u00e9tant localis\u00e9es en bas d’arborescence, il est n\u00e9cessaire de faire d\u00e9filer le curseur vers le bas \u00e0 l’aide de la fl\u00e8che directionnelle descendante, ou plus efficacement, d’utiliser la fl\u00e8che ascendante pour remonter imm\u00e9diatement depuis le haut de la liste vers ses derni\u00e8res entr\u00e9es.<\/p>\n

Selon la version sp\u00e9cifique du microcode install\u00e9 sur la machine (syst\u00e8mes d’exploitation OS 2.55 MP pour TI-84 Plus classique ou versions OS 5.x pour TI-84 Plus CE), les commandes geometpdf(<\/em> et geometcdf(<\/em> se positionnent invariablement au niveau des items alphanum\u00e9riques E<\/strong> et F<\/strong>, ou D<\/strong> et E<\/strong> sur certaines \u00e9ditions ant\u00e9rieures. Pour un appel instantan\u00e9 sans d\u00e9filement visuel, le praticien peut appuyer directement sur les touches alphanum\u00e9riques correspondantes (par exemple en pressant ALPHA<\/strong> puis COS<\/strong> pour l’entr\u00e9e E, ou ALPHA<\/strong> puis TAN<\/strong> pour l’entr\u00e9e F), optimisant ainsi la vitesse d’ex\u00e9cution lors d’\u00e9preuves chronom\u00e9tr\u00e9es.<\/p>\n

3.2 Configuration des assistants graphiques (Stat Wizards)<\/h3>\n

L’interface homme-machine de la TI-84 int\u00e8gre un m\u00e9canisme d’assistance \u00e0 la saisie nomm\u00e9 \u00ab Stat Wizards \u00bb. Cette fonctionnalit\u00e9 contextuelle modifie radicalement l’agencement visuel lors de la s\u00e9lection d’une fonction statistique. Pour contr\u00f4ler l’\u00e9tat de cette option, il convient d’acc\u00e9der au menu global en pressant la touche MODE<\/strong>, puis de descendre le curseur jusqu’\u00e0 la ligne d\u00e9sign\u00e9e sous l’\u00e9tiquette STAT WIZARDS<\/em>.<\/p>\n

Lorsque cette option est positionn\u00e9e sur ON<\/strong>, l’appel de geometpdf()<\/em> ou geometcdf()<\/em> ne renvoie pas imm\u00e9diatement le texte de la fonction sur la ligne de calcul active, mais d\u00e9clenche un formulaire interactif structur\u00e9 en champs distincts. Ce formulaire invite explicitement l’op\u00e9rateur \u00e0 renseigner la valeur scalaire de la probabilit\u00e9 de succ\u00e8s (champ p:<\/em>), la valeur ordinale cible de l’\u00e9valuation (champ x value:<\/em>), puis \u00e0 positionner le curseur sur l’instruction Paste<\/em> avant de valider par la touche ENTER<\/strong>.<\/p>\n

Lorsque l’option est param\u00e9tr\u00e9e sur OFF<\/strong> \u2014 configuration fr\u00e9quemment impos\u00e9e lors de protocoles de test stricts ou pr\u00e9valant sur les anciens mat\u00e9riels TI-83 Plus \u2014, l’interpr\u00e9teur injecte directement la cha\u00eene textuelle brute geometpdf(<\/em> sur la fen\u00eatre principale (Home Screen). Dans cette configuration, l’utilisateur est tenu de saisir manuellement les arguments sous forme d’une liste ordonn\u00e9e s\u00e9par\u00e9e par des virgules strictes, avant de fermer obligatoirement la parenth\u00e8se finale. Bien que le mode avec assistant offre une s\u00e9curit\u00e9 cognitive appr\u00e9ciable contre les inversions d’arguments, la ma\u00eetrise de la syntaxe textuelle brute demeure indispensable pour l’\u00e9criture de scripts TI-Basic ou la manipulation avanc\u00e9e de structures matricielles.<\/p>\n

4. Ma\u00eetriser la fonction geometpdf() : Syntaxe, param\u00e8tres et calculs ponctuels<\/h2>\n
\"geometpdf()
geometpdf() on a TI-84<\/figcaption><\/figure>\n

4.1 Param\u00e9trage formel de la fonction geometpdf()<\/h3>\n

La commande geometpdf()<\/em> requiert une conformit\u00e9 syntaxique absolue avec la grammaire interne du compilateur TI-OS. Sa structure formelle canonique s’exprime selon le mod\u00e8le fonctionnel \u00e0 deux arguments :<\/p>\n

geometpdf(p, x)<\/strong><\/p>\n

Dans ce formalisme, le premier param\u00e8tre, p<\/em>, repr\u00e9sente la probabilit\u00e9 \u00e9l\u00e9mentaire invariante d’occurrence du succ\u00e8s au cours d’un essai unitaire. Ce nombre r\u00e9el doit imp\u00e9rativement respecter le domaine de d\u00e9finition ouvert 0 < p < 1<\/strong>. Toute tentative d’affectation d’une valeur n\u00e9gative, nulle, unitaire ou strictement sup\u00e9rieure \u00e0 l’unit\u00e9 d\u00e9clenche imm\u00e9diatement un blocage d’ex\u00e9cution mat\u00e9riel via une exception logicielle syst\u00e8me.<\/p>\n

Le second param\u00e8tre, x<\/em>, correspond au rang num\u00e9rique pr\u00e9cis de l’essai lors duquel la survenue du premier succ\u00e8s doit \u00eatre \u00e9valu\u00e9e. Dans le cadre de calculs scalaires standards, cet argument doit \u00eatre un nombre entier naturel non nul, tel que x ∈ {1, 2, 3, …}<\/em>. Si l’utilisateur saisit une valeur d\u00e9cimale non enti\u00e8re pour x<\/em>, le processeur de la TI-84 proc\u00e8de g\u00e9n\u00e9ralement \u00e0 une troncature implicite vers l’entier inf\u00e9rieur ou g\u00e9n\u00e8re une erreur d’argument selon la r\u00e9vision logicielle du syst\u00e8me d’exploitation.<\/p>\n

Il est par ailleurs fondamental de noter que l’interpr\u00e9teur de la TI-84 autorise le polymorphisme du second argument : en lieu et place d’un entier scalaire, l’utilisateur peut ins\u00e9rer une liste num\u00e9rique explicite (par exemple {1, 2, 3, 4}<\/em>) ou une variable de liste pr\u00e9d\u00e9finie (telle que L1<\/em>). Dans cette configuration vectorielle, la commande retourne simultan\u00e9ment un vecteur de probabilit\u00e9s ponctuelles correspondant \u00e0 chaque valeur de rang contenue dans la liste source, une flexibilit\u00e9 particuli\u00e8rement utile lors du tra\u00e7age de diagrammes de probabilit\u00e9s.<\/p>\n

4.2 Proc\u00e9dure pas \u00e0 pas d’ex\u00e9cution d’un calcul ponctuel<\/h3>\n

Afin d’illustrer la cin\u00e9matique op\u00e9ratoire compl\u00e8te sur l’interface de la TI-84, d\u00e9crivons la proc\u00e9dure s\u00e9quentielle visant \u00e0 \u00e9valuer une probabilit\u00e9 ponctuelle via l’assistant Stat Wizard :<\/p>\n

    \n
  • Actionner la s\u00e9quence 2nd<\/strong> puis VARS<\/strong> pour convoquer le catalogue DISTR.<\/li>\n
  • S\u00e9lectionner l’entr\u00e9e correspondant \u00e0 geometpdf(<\/strong> \u00e0 l’aide des fl\u00e8ches ou de la touche alphanum\u00e9rique d\u00e9di\u00e9e, puis valider par ENTER<\/strong>.<\/li>\n
  • Dans la bo\u00eete de dialogue contextuelle, positionner le curseur en regard du champ p:<\/em> et encoder la valeur d\u00e9cimale du param\u00e8tre probabiliste en utilisant le point d\u00e9cimal standard du clavier num\u00e9rique.<\/li>\n
  • Descendre au champ x value:<\/em> par la fl\u00e8che inf\u00e9rieure et entrer l’entier ordinal repr\u00e9sentant le rang d’occurrence vis\u00e9.<\/li>\n
  • S\u00e9lectionner l’option Paste<\/em> et valider par ENTER<\/strong> : l’interpr\u00e9teur retranscrit automatiquement la commande compl\u00e8te sur l’\u00e9cran de travail sous la forme geometpdf(p, x)<\/em>.<\/li>\n
  • Presser une derni\u00e8re fois ENTER<\/strong> pour solliciter l’unit\u00e9 arithm\u00e9tique et obtenir le r\u00e9sultat final.<\/li>\n<\/ul>\n

    La sortie num\u00e9rique d\u00e9livr\u00e9e par la calculatrice appara\u00eet sur la partie droite de l’\u00e9cran. Selon l’ordre de grandeur de la quantit\u00e9 \u00e9valu\u00e9e, le syst\u00e8me affiche le nombre en notation d\u00e9cimale conventionnelle ou bascule de fa\u00e7on autonome en notation scientifique normalis\u00e9e (par exemple 3.456E-4<\/em> pour d\u00e9signer 3,456 × 10^-4<\/em>). Pour convertir mentalement ou formellement ce r\u00e9sultat en pourcentage d’occurrence th\u00e9orique, il convient de translater le s\u00e9parateur d\u00e9cimal de deux crans vers la droite, ou de multiplier le registre de dernier r\u00e9sultat Ans<\/strong> par 100.<\/p>\n

    4.3 Cas pratique d’application : D\u00e9tection d’un trait psychologique lors d’un test<\/h3>\n

    Afin de concr\u00e9tiser la mise en \u0153uvre de cette fonction dans un contexte de recherche exp\u00e9rimentale, examinons le protocole suivant issu de la psychologie diff\u00e9rentielle. Un laboratoire s’int\u00e9resse \u00e0 l’identification d’un trait de personnalit\u00e9 atypique, caract\u00e9ris\u00e9 par un mode de traitement perceptif singulier. D’apr\u00e8s les enqu\u00eates \u00e9pid\u00e9miologiques de standardisation, ce trait poss\u00e8de une pr\u00e9valence stable de 15 % au sein de la population g\u00e9n\u00e9rale adulte, soit un param\u00e8tre de succ\u00e8s fix\u00e9 \u00e0 p = 0,15<\/strong>.<\/p>\n

    L’exp\u00e9rimentateur administre un test de d\u00e9pistage standardis\u00e9 \u00e0 des volontaires convoqu\u00e9s de mani\u00e8re strictement ind\u00e9pendante et al\u00e9atoire. Le chercheur souhaite d\u00e9terminer avec une rigueur math\u00e9matique exacte la probabilit\u00e9 que le tout premier participant manifestant ce trait cognitif soit pr\u00e9cis\u00e9ment le 5-i\u00e8me sujet interrog\u00e9, ce qui implique que les quatre premiers participants test\u00e9s en sont rigoureusement d\u00e9pourvus.<\/p>\n

    Sur la TI-84, la traduction algorithmique imm\u00e9diate de cette requ\u00eate se formalise par la commande :<\/p>\n

    geometpdf(0.15, 5)<\/strong><\/p>\n

    Apr\u00e8s validation sur la machine, l’\u00e9cran retourne la valeur d\u00e9cimale suivante : 0.0783009375<\/strong>, soit approximativement 7,83 %<\/strong>. Afin de v\u00e9rifier l’exactitude de ce r\u00e9sultat et de valider la conformit\u00e9 de l’algorithme interne de la machine avec le formalisme de la FMP, l’op\u00e9rateur peut proc\u00e9der \u00e0 l’\u00e9valuation arithm\u00e9tique manuelle directe :<\/p>\n

    P(X = 5) = (1 – 0,15)^(5 – 1) * 0,15 = (0,85)^4 * 0,15 = 0,52200625 * 0,15 = 0,0783009375.<\/p>\n

    La concordance absolue entre le calcul manuel et la sortie de la commande geometpdf()<\/em> atteste de la parfaite application par le syst\u00e8me TI-OS de la loi de probabilit\u00e9 discr\u00e8te associ\u00e9e au processus de Bernoulli.<\/p>\n

    5. Ma\u00eetriser la fonction geometcdf() : Probabilit\u00e9s cumul\u00e9es et fonctions de r\u00e9partition<\/h2>\n

    5.1 Param\u00e9trage formel et comportement cumulatif de geometcdf()<\/h3>\n

    Alors que la commande pr\u00e9c\u00e9dente se concentre exclusivement sur un point isol\u00e9 du support discret, la fonction geometcdf()<\/em> mat\u00e9rialise l’int\u00e9gration s\u00e9quentielle de la loi g\u00e9om\u00e9trique. Sa signature formelle adopte une syntaxe similaire :<\/p>\n

    geometcdf(p, x)<\/strong><\/p>\n

    N\u00e9anmoins, son comportement algorithmique sous-jacent diff\u00e8re substantiellement. Lorsqu’elle est ex\u00e9cut\u00e9e pour un couple de param\u00e8tres (p, x)<\/em>, l’instruction ne calcule pas simplement le produit ponctuel de l’\u00e9chec et du succ\u00e8s, mais proc\u00e8de \u00e0 la sommation dynamique discr\u00e8te de l’ensemble des probabilit\u00e9s \u00e9l\u00e9mentaires associ\u00e9es aux entiers allant de 1 jusqu’\u00e0 la borne sup\u00e9rieure x<\/em> incluse. En d’autres termes, elle r\u00e9sout l’\u00e9quation :<\/p>\n

    geometcdf(p, x) = P(X ≤ x) = ∑ [geometpdf(p, i)]<\/strong> pour i = 1<\/em> \u00e0 x<\/em>.<\/p>\n

    Gr\u00e2ce \u00e0 la d\u00e9rivation analytique expos\u00e9e dans les fondements math\u00e9matiques, le microcontr\u00f4leur de la TI-84 n’ex\u00e9cute g\u00e9n\u00e9ralement pas une boucle it\u00e9rative d’additions successives \u2014 qui serait computationnellement inefficace pour des valeurs de x<\/em> tr\u00e8s \u00e9lev\u00e9es \u2014, mais \u00e9value directement l’expression close factoris\u00e9e 1 – (1 – p)^x<\/strong>. Lorsque le param\u00e8tre x<\/em> est fix\u00e9 \u00e0 l’unit\u00e9 (x = 1<\/em>), les deux commandes geometpdf(p, 1)<\/em> et geometcdf(p, 1)<\/em> renvoient une valeur rigoureusement identique \u00e9gale \u00e0 p<\/em>, illustrant la coh\u00e9rence structurelle aux limites de la distribution.<\/p>\n

    \"\"<\/figure>\n

    5.2 Ex\u00e9cution standard pour les probabilit\u00e9s d’occurrence au plus tard \u00e0 l’essai x<\/h3>\n

    L’utilisation canonique de la fonction geometcdf()<\/em> intervient d\u00e8s lors qu’une probl\u00e9matique probabiliste soul\u00e8ve la question de la survenue d’un \u00e9v\u00e9nement dans un intervalle d\u00e9butant au commencement de l’exp\u00e9rience et se cl\u00f4turant \u00e0 une borne terminale explicite. Les locutions linguistiques associ\u00e9es sont typiquement : \u00ab au plus tard \u00e0 l’essai x<\/em> \u00bb, \u00ab au cours des x<\/em> premi\u00e8res tentatives \u00bb, ou encore \u00ab avant ou pendant la x<\/em>-i\u00e8me \u00e9preuve \u00bb.<\/p>\n

    Au niveau de l’interface graphique de la TI-84, la saisie s’effectue via le m\u00eame cheminement que pour la fonction de densit\u00e9, en s\u00e9lectionnant cette fois-ci l’entr\u00e9e \u00e9tiquet\u00e9e geometcdf(<\/strong> au sein du catalogue DISTR (accessible par 2nd<\/strong> puis VARS<\/strong>). La vitesse de convergence de la probabilit\u00e9 cumul\u00e9e vers l’asymptote horizontale y = 1<\/em> est dict\u00e9e par la grandeur scalaire du param\u00e8tre p<\/em>. Plus p<\/em> est \u00e9lev\u00e9, plus le terme compl\u00e9mentaire (1 – p)^x<\/em> s’\u00e9teint rapidement, signifiant qu’une quasi-certitude d’observation du succ\u00e8s est atteinte d\u00e8s les premi\u00e8res it\u00e9rations de l’exp\u00e9rience.<\/p>\n

    5.3 Cas d’\u00e9tude : R\u00e9ussite \u00e0 une t\u00e2che cognitive complexe avant un seuil critique<\/h3>\n

    Consid\u00e9rons un protocole de neuropsychologie clinique visant \u00e0 \u00e9valuer la flexibilit\u00e9 cognitive de patients c\u00e9r\u00e9bro-l\u00e9s\u00e9s au travers d’une t\u00e2che de r\u00e9solution de probl\u00e8me non verbale informatis\u00e9e (par exemple une adaptation informatis\u00e9e du test de classement de cartes de Wisconsin). \u00c0 chaque pr\u00e9sentation d’un nouveau pattern, la probabilit\u00e9 intrins\u00e8que qu’un patient d\u00e9couvre la r\u00e8gle latente de cat\u00e9gorisation par essai-erreur sans consigne explicite est estim\u00e9e \u00e0 p = 0,22<\/strong>.<\/p>\n

    Le protocole exp\u00e9rimental fixe un seuil d’interruption m\u00e9thodologique : si le sujet ne parvient pas \u00e0 d\u00e9gager la r\u00e8gle au cours des 4 premi\u00e8res tentatives<\/strong>, la proc\u00e9dure est suspendue afin de pr\u00e9venir l’installation d’une fatigue cognitive excessive. Le chercheur se propose donc d’\u00e9valuer la probabilit\u00e9 qu’un sujet r\u00e9ussisse \u00e0 identifier la r\u00e8gle avant ce seuil d’interruption, ce qui se traduit rigoureusement par l’in\u00e9galit\u00e9 probabiliste P(X ≤ 4)<\/strong>.<\/p>\n

    Sur la calculatrice TI-84, la saisie de l’op\u00e9rateur cumulatif s’articule comme suit :<\/p>\n

    geometcdf(0.22, 4)<\/strong><\/p>\n

    L’\u00e9valuation imm\u00e9diate par le syst\u00e8me d’exploitation produit le r\u00e9sultat num\u00e9rique suivant : 0.62985184<\/strong>. Cette mesure indique qu’environ 62,99 %<\/strong> des patients sous ces hypoth\u00e8ses exp\u00e9rimentales r\u00e9ussiront \u00e0 valider la t\u00e2che avant la coupure m\u00e9thodologique. En comparaison, l’\u00e9valuation ponctuelle au seul quatri\u00e8me essai via geometpdf(0.22, 4)<\/em> n’aurait retourn\u00e9 que (0,78)^3 * 0,22 = 0,10440336<\/em>, soit environ 10,44 %. Cette divergence spectaculaire met en relief la fonction d’agr\u00e9gation exerc\u00e9e par geometcdf()<\/em>, qui int\u00e8gre les probabilit\u00e9s associ\u00e9es aux r\u00e9ussites survenues aux essais 1, 2, 3 et 4.<\/p>\n

    6. Distinctions critiques entre geometpdf() et geometcdf() : Quand utiliser quelle commande<\/h2>\n

    6.1 Analyse linguistique et math\u00e9matique des \u00e9nonc\u00e9s de recherche<\/h3>\n

    L’un des \u00e9cueils majeurs rencontr\u00e9s par les \u00e9tudiants et les analystes quantitatifs r\u00e9side dans la transcription erron\u00e9e du langage naturel vers l’op\u00e9rateur algorithmique appropri\u00e9. La formulation des questions de recherche comporte fr\u00e9quemment des nuances s\u00e9mantiques subtiles qui modifient radicalement la structure math\u00e9matique de l’in\u00e9galit\u00e9 \u00e0 r\u00e9soudre. Une ambigu\u00eft\u00e9 sur la fronti\u00e8re d’un ensemble discret produit invariablement un biais syst\u00e9matique de calcul.<\/p>\n

    Pour pr\u00e9venir ces confusions r\u00e9currentes, il est indispensable de formaliser une grille d’\u00e9quivalence rigoureuse entre les syntagmes usuels de la litt\u00e9rature scientifique et les expressions ex\u00e9cutables sur la calculatrice TI-84 :<\/p>\n

      \n
    • \u00ab Exactement au k-i\u00e8me essai \u00bb<\/strong> : implique un \u00e9v\u00e9nement ponctuel unique {X = k}. Op\u00e9rateur requis : geometpdf(p, k)<\/em>.<\/li>\n
    • \u00ab Au plus tard au k-i\u00e8me essai \u00bb<\/strong> ou \u00ab Au cours des k premiers essais \u00bb<\/strong> : traduit l’in\u00e9galit\u00e9 large {X ≤ k}. Op\u00e9rateur requis : geometcdf(p, k)<\/em>.<\/li>\n
    • \u00ab Strictement avant le k-i\u00e8me essai \u00bb<\/strong> : correspond \u00e0 l’in\u00e9galit\u00e9 stricte {X < k}, \u00e9quivalente sur le treillis des entiers \u00e0 {X ≤ k – 1}. Op\u00e9rateur requis : geometcdf(p, k – 1)<\/em>.<\/li>\n
    • \u00ab Strictement apr\u00e8s le k-i\u00e8me essai \u00bb<\/strong> ou \u00ab N\u00e9cessite plus de k essais \u00bb<\/strong> : caract\u00e9rise l’\u00e9v\u00e9nement compl\u00e9mentaire {X > k}. Op\u00e9rateur requis : 1 – geometcdf(p, k)<\/em>.<\/li>\n
    • \u00ab Au plus t\u00f4t au k-i\u00e8me essai \u00bb<\/strong> ou \u00ab Au moins k essais n\u00e9cessaires \u00bb<\/strong> : d\u00e9finit l’in\u00e9galit\u00e9 large {X ≥ k}, r\u00e9ductible \u00e0 {X > k – 1}. Op\u00e9rateur requis : 1 – geometcdf(p, k – 1)<\/em>.<\/li>\n<\/ul>\n

      Une vigilance particuli\u00e8re doit \u00eatre port\u00e9e aux termes \u00ab avant \u00bb et \u00ab apr\u00e8s \u00bb. Dans un contexte discret, \u00ab avant l’essai 5 \u00bb exclut structurellement l’essai 5, rendant le calcul sur la base de geometcdf(p, 5)<\/em> math\u00e9matiquement faux et m\u00e9thodologiquement invalide.<\/p>\n

      6.2 Comparaison matricielle des sorties num\u00e9riques<\/h3>\n

      Pour appr\u00e9hender visuellement et num\u00e9riquement le m\u00e9canisme de divergence entre la masse ponctuelle et la r\u00e9partition cumulative, il est instructif d’observer le comportement compar\u00e9 des deux commandes pour un m\u00eame param\u00e8tre stochastique, par exemple p = 0,30<\/strong>, sur les six premiers rangs ordinaux :<\/p>\n

        \n
      • Pour x = 1<\/strong> : geometpdf(0.3, 1) = 0,3000<\/em> | geometcdf(0.3, 1) = 0,3000<\/em> (stricte \u00e9galit\u00e9 initiale).<\/li>\n
      • Pour x = 2<\/strong> : geometpdf(0.3, 2) = 0,2100<\/em> | geometcdf(0.3, 2) = 0,5100<\/em> (0,30 + 0,21).<\/li>\n
      • Pour x = 3<\/strong> : geometpdf(0.3, 3) = 0,1470<\/em> | geometcdf(0.3, 3) = 0,6570<\/em> (0,51 + 0,147).<\/li>\n
      • Pour x = 4<\/strong> : geometpdf(0.3, 4) = 0,1029<\/em> | geometcdf(0.3, 4) = 0,7599<\/em>.<\/li>\n
      • Pour x = 5<\/strong> : geometpdf(0.3, 5) = 0,0720<\/em> | geometcdf(0.3, 5) = 0,8319<\/em>.<\/li>\n
      • Pour x = 6<\/strong> : geometpdf(0.3, 6) = 0,0504<\/em> | geometcdf(0.3, 6) = 0,8824<\/em>.<\/li>\n<\/ul>\n

        L’observation s\u00e9quentielle de ces vecteurs d\u00e9montre de mani\u00e8re frappante la dualit\u00e9 structurelle des op\u00e9rateurs : alors que la fonction de masse pdf<\/em> d\u00e9cro\u00eet de mani\u00e8re strictement monotone au fur et \u00e0 mesure que les \u00e9checs s’accumulent (en raison de la multiplication r\u00e9p\u00e9t\u00e9e par la raison q = 0,70<\/em>), la fonction cumulative cdf<\/em> affiche une croissance concave monotone, se rapprochant asymptotiquement de la certitude empirique (valeur 1).<\/p>\n

        6.3 R\u00e8gles d\u00e9cisionnelles pour le choix algorithmique<\/h3>\n

        Face \u00e0 une probl\u00e9matique de mod\u00e9lisation sur calculatrice, l’analyste peut s’appuyer sur un protocole d\u00e9cisionnel s\u00e9quentiel clair. La premi\u00e8re interrogation concerne le caract\u00e8re ponctuel ou \u00e9tendu de l’hypoth\u00e8se : s’agit-il d’\u00e9valuer la probabilit\u00e9 d’une issue survenant \u00e0 une date discr\u00e8te pr\u00e9cise et isol\u00e9e ? Si la r\u00e9ponse est affirmative, la commande geometpdf()<\/em> est l’unique outil ad\u00e9quat.<\/p>\n

        Si la probl\u00e9matique engage une accumulation d’\u00e9preuves, la seconde interrogation porte sur les bornes de l’intervalle : le domaine d’int\u00e9r\u00eat d\u00e9bute-t-il au premier essai et s’\u00e9tend-il jusqu’\u00e0 une limite sup\u00e9rieure ? Dans ce cas, la primitive geometcdf()<\/em> r\u00e9pond directement \u00e0 la demande. Si l’intervalle d’int\u00e9r\u00eat correspond \u00e0 un d\u00e9passement de seuil ou \u00e0 un encadrement fini bilat\u00e9ral, geometcdf()<\/em> doit \u00eatre combin\u00e9e \u00e0 des op\u00e9rations alg\u00e9briques de compl\u00e9mentation ou de soustraction de sous-ensembles, selon les r\u00e8gles de calcul des probabilit\u00e9s sur variables discr\u00e8tes.<\/p>\n

        7. Applications pratiques en recherche comportementale et psychologique<\/h2>\n

        7.1 Conditionnement op\u00e9rant et programmes de renforcement<\/h3>\n

        Dans le paradigme exp\u00e9rimental du conditionnement op\u00e9rant initi\u00e9 par B.F. Skinner, les dispositifs de renforcement intermittent constituent un objet d’\u00e9tude classique. Au sein d’un programme \u00e0 ratio variable (not\u00e9 VR pour Variable Ratio<\/em>), la d\u00e9livrance d’une r\u00e9compense (renfor\u00e7ateur primaire tel qu’une boulette de nourriture ou renfor\u00e7ateur secondaire) survient de mani\u00e8re al\u00e9atoire autour d’une moyenne pr\u00e9d\u00e9finie, simulant fid\u00e8lement la cin\u00e9matique probabiliste de la distribution g\u00e9om\u00e9trique.<\/p>\n

        Supposons qu’un mod\u00e8le animal en chambre de Skinner soit soumis \u00e0 un protocole de renforcement o\u00f9 la probabilit\u00e9 unitaire d’obtention de la r\u00e9compense \u00e0 chaque pression sur un levier est fix\u00e9e \u00e0 p = 0,08<\/strong> (ce qui \u00e9quivaut \u00e0 un programme VR de moyenne th\u00e9orique 1 \/ 0,08 = 12,5<\/em> appuis). Les chercheurs s’int\u00e9ressent \u00e0 la r\u00e9sistance \u00e0 l’extinction et \u00e0 la r\u00e9gularit\u00e9 du comportement d’appui. Ils cherchent \u00e0 calculer la probabilit\u00e9 que l’animal doive actionner le levier au moins 20 fois avant d’obtenir son premier renforcement.<\/p>\n

        Cette condition \u00ab au moins 20 fois \u00bb correspond formellement \u00e0 l’in\u00e9galit\u00e9 P(X ≥ 20)<\/strong>, qui \u00e9quivaut \u00e0 affirmer que les 19 premi\u00e8res tentatives n’ont produit aucun renforcement : P(X > 19)<\/strong>. La saisie computationnelle sur la TI-84 s’exprime par :<\/p>\n

        1 – geometcdf(0.08, 19)<\/strong><\/p>\n

        Le r\u00e9sultat g\u00e9n\u00e9r\u00e9 par l’appareil est 0.20511<\/strong>, signifiant qu’il existe environ 20,51 % de chances que l’animal subisse une s\u00e9rie d’au moins 19 \u00e9checs cons\u00e9cutifs avant d’\u00eatre r\u00e9compens\u00e9 au 20-i\u00e8me essai ou au-del\u00e0. Cette quantification permet aux psychologues exp\u00e9rimentalistes d’\u00e9tablir des lignes de base rigoureuses pour distinguer le comportement stochastique normal d’une alt\u00e9ration motivationnelle li\u00e9e \u00e0 des l\u00e9sions c\u00e9r\u00e9brales sp\u00e9cifiques.<\/p>\n

        7.2 Psychom\u00e9trie et validation d’items dans les tests standardis\u00e9s<\/h3>\n

        En psychom\u00e9trie et en th\u00e9orie de la mesure \u00e9ducative, l’\u00e9valuation des propri\u00e9t\u00e9s diagnostiques des tests standardis\u00e9s fait un usage \u00e9tendu des distributions g\u00e9om\u00e9triques. Consid\u00e9rons un questionnaire \u00e0 choix multiples comportant quatre options par item, dont une seule est correcte. Si un candidat r\u00e9pond de mani\u00e8re totalement al\u00e9atoire (sans aucune ma\u00eetrise cognitive du domaine test\u00e9), la probabilit\u00e9 de s\u00e9lectionner la r\u00e9ponse exacte par pur hasard sur un item donn\u00e9 est de p = 0,25<\/strong>.<\/p>\n

        Un responsable d’\u00e9valuation souhaite d\u00e9tecter les strat\u00e9gies de devinette syst\u00e9matique chez des \u00e9tudiants en situation de d\u00e9crochage. Il cherche \u00e0 d\u00e9terminer la probabilit\u00e9 qu’un sujet r\u00e9pondant au hasard fournisse sa premi\u00e8re r\u00e9ponse correcte pr\u00e9cis\u00e9ment \u00e0 son sixi\u00e8me item explor\u00e9 :<\/p>\n

        geometpdf(0.25, 6)<\/strong><\/p>\n

        La calculatrice retourne 0.059326<\/strong>, soit une probabilit\u00e9 d’environ 5,93 %. Parall\u00e8lement, si l’on souhaite savoir quelle est la probabilit\u00e9 qu’un tel candidat n’obtienne sa premi\u00e8re r\u00e9ponse exacte qu’apr\u00e8s le huiti\u00e8me essai (refl\u00e9tant une s\u00e9rie d’au moins 8 \u00e9checs cons\u00e9cutifs), l’analyste ex\u00e9cutera :<\/p>\n

        1 – geometcdf(0.25, 8)<\/strong>, ce qui donne (0,75)^8 = 0,10011<\/em>, soit approximativement 10,01 %.<\/p>\n

        De telles estimations permettent aux m\u00e9thodologistes d’\u00e9talonner la longueur critique des batteries de tests afin d’emp\u00eacher que des strat\u00e9gies al\u00e9atoires ne produisent des scores aberrants susceptibles de biaiser l’\u00e9talonnage psychom\u00e9trique g\u00e9n\u00e9ral.<\/p>\n

        7.3 \u00c9tudes observationnelles et dynamique des interactions sociales<\/h3>\n

        Dans le domaine de la psychologie sociale observationnelle et de l’\u00e9thologie humaine, les chercheurs \u00e9tudient fr\u00e9quemment le temps d’attente avant la manifestation spontan\u00e9e de conduites prosociales ou de comportements coop\u00e9ratifs au sein d’un groupe en interaction. Les sessions d’observation sont alors d\u00e9coup\u00e9es en intervalles temporels discrets r\u00e9guliers (par exemple des tranches de deux minutes), chaque intervalle \u00e9tant cod\u00e9 de mani\u00e8re binaire selon qu’une interaction prosociale a d\u00e9but\u00e9 ou non.<\/p>\n

        Sous l’hypoth\u00e8se nulle d’ind\u00e9pendance temporelle et de stationnarit\u00e9 du climat social (probabilit\u00e9 constante p<\/em> qu’un acte de coop\u00e9ration s’initie au cours d’un intervalle donn\u00e9), la loi g\u00e9om\u00e9trique fournit le cadre d’analyse pr\u00e9dictif de r\u00e9f\u00e9rence. Si des interventions psychosociales visent \u00e0 promouvoir l’altruisme au sein d’une collectivit\u00e9, l’efficacit\u00e9 de ces m\u00e9diations se traduit concr\u00e8tement par une modification significative du param\u00e8tre empirique p<\/em>. L’utilisation des fonctions geometpdf()<\/em> et geometcdf()<\/em> sur TI-84 permet ainsi aux chercheurs de terrain de comparer instantan\u00e9ment la distribution observ\u00e9e des d\u00e9lais d’attente \u00e0 la distribution th\u00e9orique stationnaire, servant d’assise au calcul de tests d’ad\u00e9quation du Chi-carr\u00e9.<\/p>\n

        8. Calculs de probabilit\u00e9s compl\u00e9mentaires : Intervalles stricts, d\u00e9passements et seuils minimaux<\/h2>\n

        8.1 \u00c9valuation des probabilit\u00e9s de d\u00e9passement strict P(X > k)<\/h3>\n

        Dans de nombreuses applications d’ing\u00e9nierie et de recherche exp\u00e9rimentale, la question centrale ne porte pas sur la rapidit\u00e9 d’apparition du succ\u00e8s, mais au contraire sur la probabilit\u00e9 que le processus tarde anormalement \u00e0 se concr\u00e9tiser. Math\u00e9matiquement, cela revient \u00e0 \u00e9valuer la queue de distribution \u00e0 droite, formalis\u00e9e par la probabilit\u00e9 de d\u00e9passement strict P(X > k)<\/strong>.<\/p>\n

        Par d\u00e9finition de l’\u00e9v\u00e9nement compl\u00e9mentaire sur l’ensemble probabilis\u00e9 universel, la somme de la probabilit\u00e9 cumul\u00e9e jusqu’\u00e0 k<\/em> et de la probabilit\u00e9 de d\u00e9passer strictement k<\/em> est \u00e9gale \u00e0 1. La formulation standardis\u00e9e sur la calculatrice TI-84 s’\u00e9crit donc :<\/p>\n

        1 – geometcdf(p, k)<\/strong><\/p>\n

        Toutefois, sur le plan de l’\u00e9l\u00e9gance analytique et de la m\u00e9trologie computationnelle, il convient de se rappeler que l’\u00e9v\u00e9nement {X > k} \u00e9quivaut rigoureusement \u00e0 l’obtention de k<\/em> \u00e9checs successifs initiaux. Sa probabilit\u00e9 analytique exacte est donc tout simplement :<\/p>\n

        P(X > k) = (1 – p)^k<\/strong><\/p>\n

        Sur la TI-84, l’analyste dispose ainsi de deux m\u00e9thodes d’\u00e9valuation : soit par la commande cumulative compl\u00e9ment\u00e9e 1 – geometcdf(p, k)<\/em>, soit par l’\u00e9l\u00e9vation directe \u00e0 la puissance (1 – p)^k<\/em>. Sur des valeurs extr\u00eames de k<\/em> ou des probabilit\u00e9s p<\/em> infinit\u00e9simales, le calcul direct par exponentiation pr\u00e9sente l’avantage th\u00e9orique d’\u00e9viter les potentielles impr\u00e9cisions li\u00e9es \u00e0 la soustraction de deux nombres \u00e0 virgule flottante tr\u00e8s proches de l’unit\u00e9 (ph\u00e9nom\u00e8ne de perte de pr\u00e9cision relative par annulation catastrophique dans l’arithm\u00e9tique IEEE 754 \u00e9mul\u00e9e par le processeur).<\/p>\n

        8.2 Traitement des in\u00e9galit\u00e9s larges au seuil minimal P(X >= k)<\/h3>\n

        L’\u00e9valuation d’un seuil minimal large, formalis\u00e9 par P(X ≥ k)<\/strong> (\u00ab au moins k<\/em> essais requis pour observer le succ\u00e8s \u00bb), repr\u00e9sente la source la plus fr\u00e9quente d’erreur de codage chez les utilisateurs de la TI-84. En effet, l’inclusion de la borne inf\u00e9rieure k<\/em> dans l’\u00e9v\u00e9nement cible modifie la structure du compl\u00e9mentaire.<\/p>\n

        Puisque la variable X<\/em> \u00e9volue exclusivement sur l’ensemble des entiers naturels, l’\u00e9v\u00e9nement strictement compl\u00e9mentaire de {X ≥ k} n’est pas {X ≤ k}, mais bien l’ensemble discret {X ≤ k – 1}<\/strong>. En cons\u00e9quence, la traduction algorithmique exacte sur la machine TI-84 s’\u00e9tablit imp\u00e9rativement selon la syntaxe :<\/p>\n

        1 – geometcdf(p, k – 1)<\/strong><\/p>\n

        L’omission de cette d\u00e9cr\u00e9mentation unitaire constitue une erreur syst\u00e9matique connue sous le nom de \u00ab d\u00e9calage d’un cran \u00bb (ou off-by-one error<\/em> en informatique th\u00e9orique). Prenons un exemple concret avec p = 0,40<\/em> et cherchons \u00e0 calculer P(X ≥ 3)<\/em> :<\/p>\n