Loi binomiale négative

Page d’aide sur l’homonymie

« Loi de Pascal » redirige ici. Ne pas confondre avec Principe de Pascal.

Binomiale négative
Image illustrative de l’article Loi binomiale négative
Fonction de masse
pour plusieurs valeurs de n et pour une loi de moyenne 10.
Paramètres n ∈ N ∗ {\displaystyle n\in \mathbb {N} ^{*}} [1]
p ∈ ] 0 , 1 ] {\displaystyle p\in \,]0,1]}
q = 1 − p {\displaystyle q=1-p}
Support N {\displaystyle \mathbb {N} }
Fonction de masse ( k + n − 1 k ) p n q k {\displaystyle {\binom {k+n-1}{k}}p^{n}\,q^{k}}
Fonction de répartition I p ( n , k + 1 )  où  I p {\displaystyle I_{p}(n,k+1){\text{ où }}I_{p}} est la fonction bêta incomplète régularisée
Espérance n q p {\displaystyle {\frac {nq}{p}}}
Mode ⌊ ( n − 1 ) q p ⌋ 1 n ≥ 1 {\displaystyle \left\lfloor {\frac {(n-1)\,q}{p}}\right\rfloor \mathbf {1} _{n\geq 1}}
Variance n q p 2 {\displaystyle {\frac {nq}{p^{2}}}}
Asymétrie q + 1 n q {\displaystyle {\frac {q+1}{\sqrt {nq}}}}
Kurtosis normalisé 6 q + p 2 n q {\displaystyle {\frac {6q+p^{2}}{nq}}}
Fonction génératrice des moments ( p 1 − q e t ) n {\displaystyle \left({\frac {p}{1-q\operatorname {e} ^{t}}}\right)^{n}}
Fonction caractéristique ( p 1 − q e i t ) n {\displaystyle \left({\frac {p}{1-q\operatorname {e} ^{\mathrm {i} t}}}\right)^{n}}
Fonction génératrice des probabilités ( p 1 − q t ) n {\displaystyle \left({\frac {p}{1-qt}}\right)^{n}}
modifier Consultez la documentation du modèle

En probabilité et en statistiques, une loi binomiale négative est la distribution de probabilité discrète du nombre d'échecs dans une série d'épreuves de Bernoulli indépendantes et identiquement distribuées jusqu'à avoir un nombre fixe n de succès. Par exemple, c'est la distribution de probabilité du nombre de piles obtenus dans une série de pile ou face jusqu'à avoir vu n faces. Plus précisément, elle décrit la situation suivante : une expérience consiste en une série de tirages indépendants, donnant un succès avec probabilité p (constante durant toute l'expérience) et un échec avec une probabilité complémentaire 1-p. Cette expérience se poursuit jusqu'à l'obtention d'un nombre donné n de succès. La variable aléatoire représentant le nombre d'échecs, avant l'obtention du nombre donné n de succès, suit alors une loi binomiale négative. Ses paramètres sont : le nombre n de succès attendus, et la probabilité p d'un succès. Le paramètre n se note parfois r, comme sur l'illustration ci-contre.

La loi se généralise à deux paramètres r et p, où r peut prendre des valeurs réelles strictement positives. Cette généralisation est aussi connue sous le nom de loi de Pólya[2], en l'honneur du mathématicien George Pólya.

Définition

Définition pour un premier paramètre entier

La loi binomiale négative dépend de deux paramètres, mais plusieurs autres paramétrisations sont envisageables. Une paramétrisation très répandue introduit un entier naturel n non nul et un réel non nul[3] p compris entre 0 et 1. Il est courant d'introduire la probabilité complémentaire q = 1 – p. La fonction de masse d'une variable aléatoire distribuée selon une loi binomiale négative de paramètres n et p prend la forme suivante :

f ( k ; n , p ) = ( k + n − 1 k ) p n q k       ∀ k = 0 , 1 , … {\displaystyle f(k;n,p)={k+n-1 \choose k}p^{n}q^{k}~~~\forall k=0,1,\dots }

où ( k + n − 1 k ) {\displaystyle {k+n-1 \choose k}} est un coefficient binomial.

La loi binomiale négative s'interprète comme la loi de probabilité de la variable aléatoire X qui compte le nombre d'échecs observés avant l'obtention de n succès pour une série d'expériences indépendantes, sachant que la probabilité d'un succès est p. Ainsi[4],[5]

P ( X = k ) = f ( k ; n , p ) = ( k + n − 1 k ) p n q k = ( k + n − 1 n − 1 ) p n q k       ∀ k = 0 , 1 , … {\displaystyle \mathbb {P} (X=k)=f(k;n,p)={k+n-1 \choose k}\,p^{n}\,q^{k}={k+n-1 \choose n-1}p^{n}q^{k}~~~\forall k=0,1,\dots }

La fonction de masse de la binomiale négative peut aussi s'écrire sous la forme

f ( k ; n , p ) = ( − n k ) p n ( − q ) k       ∀ k = 0 , 1 , … {\displaystyle f(k;n,p)={-n \choose k}p^{n}(-q)^{k}~~~\forall k=0,1,\dots }

où ( − n k ) {\displaystyle {-n \choose k}} est un coefficient binomial généralisé à un entier négatif et est défini par ( − n k ) = ( − n ) ( − n − 1 ) ⋯ ( − n − k + 1 ) k ! {\displaystyle {-n \choose k}={\frac {(-n)(-n-1)\cdots (-n-k+1)}{k!}}} .Cette expression justifie le nom de loi binomiale négative donnée à cette loi de probabilité. Elle facilite aussi, grâce à l'usage de la formule du binôme négatif, le calcul de son espérance E [ X ] = n q p {\displaystyle \mathbb {E} [X]={\frac {nq}{p}}} et de sa variance V a r ( X ) = n q p 2 {\displaystyle Var(X)={\frac {nq}{p^{2}}}} .

Si une variable aléatoire X suit une loi binomiale négative de paramètres n et p on pourra alors noter[6] X ∼ B N ( n , p ) {\displaystyle X\sim {\mathcal {BN}}(n,p)} .

Définitions alternatives

  • On trouve parfois la définition alternative suivante : la loi binomiale négative[7] de paramètres n et p, aussi appelée loi de Pascal pour la distinguer de la première définition[8], est la loi de la variable aléatoire Y comptant le nombre d'essais nécessaires avant l'obtention de n succès. Ainsi P ( Y = m ) = ( m − 1 m − n ) p n q m − n = ( m − 1 n − 1 ) p n q m − n       ∀ m = n , n + 1 , … {\displaystyle \mathbb {P} (Y=m)={m-1 \choose m-n}p^{n}q^{m-n}={m-1 \choose n-1}p^{n}q^{m-n}~~~\forall m=n,n+1,\dots } Les deux fonctions de masse (pour X et pour Y) se déduisent l'une de l'autre par la substitution Y = X + n et m = k + n, ainsi

E [ X ] = E [ Y ] − n = n p − n = n q p  et  Var ⁡ ( X ) = Var ⁡ ( Y ) = n q p 2 {\displaystyle \mathbb {E} [X]=\mathbb {E} [Y]-n={\frac {n}{p}}-n={\frac {nq}{p}}{\text{ et }}\operatorname {Var} (X)=\operatorname {Var} (Y)={\frac {nq}{p^{2}}}} .

  • La loi binomiale négative est parfois définie comme le nombre de succès observés avant l'obtention du nombre donné n d'échecs, conduisant à intervertir le rôle des paramètres p et q ainsi que les mots « succès » et « échec ».

Dans la suite, on prendra la première définition pour définir de la loi binomiale négative.

Généralisation à un premier paramètre réel

Il est possible de généraliser la définition de la loi binomiale négative à un paramètre r réel strictement positif (qui remplace alors le paramètre entier n) en utilisant des coefficients binomiaux généralisés. Plus précisément, pour r réel strictement positif et p réel non nul entre 0 et 1, la loi binomiale négative (généralisée) de paramètres r et p est la loi discrète définie par la fonction de masse

f ( k ; r , p ) = ( k + r − 1 k ) p r q k = ( k + r − 1 ) k k ! p r q k = Γ ( k + r ) k ! Γ ( r ) p r q k       ∀ k = 0 , 1 , … {\displaystyle f(k;r,p)={k+r-1 \choose k}p^{r}q^{k}={\frac {(k+r-1)_{k}}{k!}}p^{r}q^{k}={\frac {\Gamma (k+r)}{k!\Gamma (r)}}p^{r}q^{k}~~~\forall k=0,1,\dots }

où ( x ) k = x ( x − 1 ) … ( x − k + 1 ) {\displaystyle (x)_{k}=x(x-1)\dots (x-k+1)} désigne la factorielle décroissante et Γ {\displaystyle \Gamma } désigne la fonction gamma. Cette définition reste bien sûr compatible avec la définition dans le cas d'un paramétrage entier. La loi binomiale négative généralisée à un paramètre réel s'appelle parfois Loi de Pólya[2]. Dans le cadre de cette généralisation, il n'est plus possible d'interpréter la loi en termes de nombres de succès.

Propriétés

Fonction de répartition

La fonction de répartition peut s'exprimer à l'aide de la fonction bêta incomplète régularisée :

F ( k ) = I p ( n , k + 1 ) {\displaystyle F(k)=I_{p}(n,k+1)} .

Une démonstration par récurrence sur k prouve que

F ( k ) = 1 − q k + 1 ∑ i = 0 n − 1 ( k + i i ) p i {\displaystyle F(k)=1-q^{k+1}\,\sum _{i=0}^{n-1}{k+i \choose i}\,p^{i}} .

Mélange de lois Gamma-Poisson

La loi binomiale négative (généralisée) avec paramètres r réel strictement positif et p = ( 1 + θ ) − 1 {\displaystyle p=(1+\theta )^{-1}} où θ est un réel strictement positif est égale à un mélange de lois Gamma-Poisson où r et θ sont les paramètres de la loi Gamma.

Démonstration

Soit X λ {\displaystyle X_{\lambda }} suivant une loi de Poisson de paramètre λ et f ( λ ; r , θ ) {\displaystyle f(\lambda ;r,\theta )} la densité de la loi Gamma de paramètres r et θ (réels strictement positifs). Si X désigne la variable aléatoire issue du mélange alors pour tout entier k on a

P ( X = k ) = ∫ 0 + ∞ P ( X λ = k ) f ( λ ; r , θ ) d λ = ∫ 0 + ∞ λ k e − λ k ! λ r − 1 e − λ / θ Γ ( r ) θ r d λ = ∫ 0 + ∞ λ k + r − 1 e − λ θ + 1 θ k ! Γ ( r ) θ r d λ {\displaystyle {\begin{aligned}\mathbb {P} (X=k)&=\int _{0}^{+\infty }\mathbb {P} (X_{\lambda }=k)\,f(\lambda ;r,\theta )\,\mathrm {d} \lambda \\&=\int _{0}^{+\infty }{\dfrac {\lambda ^{k}\operatorname {e} ^{-\lambda }}{k!}}{\dfrac {\lambda ^{r-1}\operatorname {e} ^{-\lambda /\theta }}{\Gamma (r)\theta ^{r}}}\,\mathrm {d} \lambda \\&=\int _{0}^{+\infty }{\dfrac {\lambda ^{k+r-1}\operatorname {e} ^{-\lambda {\frac {\theta +1}{\theta }}}}{k!\Gamma (r)\theta ^{r}}}\,\mathrm {d} \lambda \end{aligned}}}

Le changement de variable t = λ ( 1 + θ ) θ − 1 {\displaystyle t=\lambda \,(1+\theta )\theta ^{-1}} conduit à :

P ( X = k ) = ( θ θ + 1 ) r + k 1 Γ ( r ) k ! θ r ∫ 0 + ∞ t k + r − 1 e − t d t = Γ ( k + r ) Γ ( r ) k ! ( 1 θ + 1 ) r ( θ θ + 1 ) k {\displaystyle {\begin{aligned}\mathbb {P} (X=k)&=\left({\dfrac {\theta }{\theta +1}}\right)^{r+k}{\dfrac {1}{\Gamma (r)k!\theta ^{r}}}\int _{0}^{+\infty }t^{k+r-1}\operatorname {e} ^{-t}\,\mathrm {d} t\\&={\dfrac {\Gamma (k+r)}{\Gamma (r)k!}}\left({\dfrac {1}{\theta +1}}\right)^{r}\left({\dfrac {\theta }{\theta +1}}\right)^{k}\end{aligned}}}

En posant q = θ ( 1 + θ ) − 1 {\displaystyle q=\theta (1+\theta )^{-1}} , on remarque que p + q = 1 et

P ( X = k ) = Γ ( k + r ) Γ ( r ) k ! p r q k {\displaystyle \mathbb {P} (X=k)={\dfrac {\Gamma (k+r)}{\Gamma (r)k!}}p^{r}q^{k}}

Convergence vers la loi de Poisson

Une loi binomiale négative de paramètres n et p = n ( n + λ ) − 1 {\displaystyle p=n(n+\lambda )^{-1}} avec λ réel fixé strictement positif converge faiblement vers une loi de Poisson de paramètre λ lorsque n converge vers l'infini. En d'autres termes, si X n ∼ B N ( n , n / ( n + λ ) ) {\displaystyle X_{n}\sim {\mathcal {BN(n,n/(n+\lambda ))}}} et X ∼ P ( λ ) {\displaystyle X\sim {\mathcal {P}}(\lambda )} alors on a la convergence en loi X n → X {\displaystyle X_{n}\rightarrow X} .

Démonstration

On remarque que fonction de masse de X n {\displaystyle X_{n}} peut se réécrire :

P ( X n = k ) = λ k k ! A n + k − 1 k ( n + λ ) k 1 ( 1 + λ n ) n {\displaystyle \mathbb {P} (X_{n}=k)={\frac {\lambda ^{k}}{k!}}\,{\frac {A_{n+k-1}^{k}}{(n+\lambda )^{k}}}\,{\frac {1}{\left(1+{\frac {\lambda }{n}}\right)^{n}}}}

où A n + k − 1 k {\displaystyle A_{n+k-1}^{k}} est le nombre de permutations ou d'arrangement de k éléments parmi n + k – 1.

On a alors la convergence

lim n → ∞ P ( X n = k ) = λ k k ! 1 1 exp ⁡ ( λ ) = P ( X = k ) {\displaystyle \lim _{n\to \infty }\mathbb {P} (X_{n}=k)={\frac {\lambda ^{k}}{k!}}\,1\,{\frac {1}{\exp(\lambda )}}=\mathbb {P} (X=k)}

Lien avec la loi géométrique

Comme il existe deux définitions de la loi binomiale négative, il existe deux définitions de la loi géométrique. Si celle-ci modélise le nombre d'échecs avant le premier succès, elle correspond à la loi binomiale négative de paramètres 1 et p.

G ( p ) = B N ( 1 , p ) {\displaystyle {\mathcal {G}}(p)={\mathcal {BN}}(1,p)} .

Si Xn est une variable aléatoire distribuée selon la loi binomiale négative de paramètres n et p, alors Xn est la somme de n variables aléatoires indépendantes distribuées selon une loi géométrique de paramètre p. Le théorème central limite indique de plus que Xn est approximativement normal, pour n suffisamment grand.

Lien avec la loi binomiale

En outre, si Yk+n est une variable aléatoire distribuée selon une loi binomiale de paramètre k + n et p, alors

P ( X n ≤ k ) = I p ( n , k + 1 ) = 1 − I 1 − p ( k + 1 , n ) = 1 − I 1 − p ( ( k + n ) − ( n − 1 ) , ( n − 1 ) + 1 ) = 1 − P ( Y k + n ≤ n − 1 ) = P ( Y k + n ≥ n ) . {\displaystyle {\begin{aligned}\mathbb {P} (X_{n}\leq k)&{}=I_{p}(n,k+1)\\&{}=1-I_{1-p}(k+1,n)\\&{}=1-I_{1-p}((k+n)-(n-1),(n-1)+1)\\&{}=1-\mathbb {P} (Y_{k+n}\leq n-1)\\&{}=\mathbb {P} (Y_{k+n}\geq n).\end{aligned}}}

La dernière ligne s'interprète ainsi : c'est la probabilité qu'après k + n épreuves, il y ait au moins n succès. Ainsi, la loi binomiale négative peut être vue comme la réciproque de la loi binomiale.

Stabilité par somme

La somme de k variables aléatoires indépendantes et distribuées selon des lois binomiales négatives de paramètres p et respectivement n1, n2,..., nk est encore une loi binomiale négative, de paramètres p et n = n1 +...+ nk. Cette propriété se démontre aisément à partir de l'expression de la fonction génératrice des moments.

Applications

Temps d'attente dans un processus de Bernoulli

Pour tout entier n, la loi binomiale négative est la distribution de succès et d'échecs dans une série d'épreuves de Bernoulli iid. Pour k + n épreuves de Bernoulli, avec probabilité de succès p, la loi binomiale négative donne la probabilité de k échecs et n succès, le dernier tirage étant un succès. Autrement dit, la loi binomiale négative est la distribution du nombre d'échecs avant le n-ième succès dans des épreuves de Bernoulli, de probabilité de succès p.

Considérons l'exemple suivant. On lance plusieurs fois un dé honnête, et la face 1 est considérée comme un succès. La probabilité de succès à chaque épreuve est 1/6. Le nombre d'épreuves nécessaires pour obtenir 3 succès appartient à l'ensemble infini { 3, 4, 5, 6, ... }. Ce nombre d'épreuves est une variable aléatoire distribuée selon une loi binomiale négative (décalée, car l'ensemble commence à 3 et pas à 0). Le nombre d'échecs avant le troisième succès appartient à l'ensemble { 0, 1, 2, 3, ... }. Ce nombre d'échecs est aussi distribuée selon une loi binomiale négative.

Loi de Poisson « sur-dispersée »

La loi binomiale négative, en particulier dans sa paramétrisation alternative décrite plus haut, est une alternative intéressante à la loi de Poisson. Elle est particulièrement utile pour des données discrètes, à valeurs dans un ensemble positif non-borné, dont la variance empirique excède la moyenne empirique. Si une Poisson est utilisée pour modéliser de telles données, la moyenne et la variance doivent être égales. Dans ce cas, les observations sont «sur-dispersées» par rapport au modèle Poisson. Puisque la loi binomiale négative possède un paramètre supplémentaire, il peut être utilisé pour ajuster la variance indépendamment de la moyenne.

Références

  1. ↑ La loi binomiale négative peut se généraliser à un paramètre réel strictement positif, dans ce cas on notera le paramètre r plutôt que n par souci de clarté. Pour cette généralisation toutes les formules de l'infoboite restent vraies en changeant les occurrences de n en r. Le coefficient binomial dans la fonction de masse devient alors un coefficient binomial généralisé.
  2. ↑ a et b A ne pas confondre avec la loi de Markov-Pólya.
  3. ↑ La probabilité p ne peut être nulle car sinon il serait impossible d'observer, en temps fini, les n succès attendus. D'ailleurs on remarquera que si on substituait 0 à p dans la formule de la fonction de masse, cette dernière serait alors toujours nulle, quel que soit la valeur de k, ce qui ne conviendrait pas pour une fonction de masse dont la somme sur toutes les valeurs de k se doit de valoir 1.
  4. ↑ Michel Lejeune, Statistiques : la théorie et ses applications, Springer Science & Business Media, (présentation en ligne), p. 49
  5. ↑ Ohilippe Tassi et Sylvia Legait, Théorie des probabilités en vue des applications statistiques, TECHNIP, (présentation en ligne), p. 115
  6. ↑ Astrid Jourdan et Célestin C Kokonendji, « Surdispersion et modèle binomial négatif généralisé », Revue de statistique appliquée, vol. 50,‎ , p. 73-86 (lire en ligne)
  7. ↑ D. Ghorbanzadeh, Probabilités : exercices corrigés, Technip, (lire en ligne), p. 156.
  8. ↑ G. Millot, Comprendre et réaliser les tests statistiques à l'aide de R, De Boeck Supérieur, (lire en ligne), p. 269-271.

Voir aussi

Articles connexes

Bibliographie

(en) Joseph M. Hilbe (en), Negative Binomial Regression, Cambridge University Press, (lire en ligne)

v · m
Lois discrètes
à support fini
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
3 paramètres de forme
N paramètres de forme
à support infini
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
3 paramètres de forme
Lois absolument continues
à support compact
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
3 paramètres de forme
à support semi-infini
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
3 paramètres de forme
N paramètres de forme
à support infini
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
Autres types de lois
Lois à support mixte continu-discret
Lois à support variable
Lois multidimensionnelles
Discrètes
Continues
Matricielles
Lois directionnelles
Univariantes
Sphériques bidimensionnelles
Toroïdales bidimensionnelles
Multidimensionnelles
Lois singulières
Familles de lois
  • icône décorative Portail des probabilités et de la statistique