Critère 2 — sommes et attentes d’atomes de Bernoulli
2. Loi binomiale
3. Loi binomiale négative
4. Loi binomiale négative étendue

• 3.Loi binomiale négative (parfois appelée loi de Pascal) est une distribution de probabilité discrète. Elle modélise le nombre d’échecs successifs (ou le temps d’attente) qui surviennent dans une série d’expériences indépendantes avant d’obtenir un nombre pré-défini de succès (). À l’inverse de la loi binomiale classique qui fixe le nombre total d’essais () et compte les succès aléatoires, la binomiale négative fixe le nombre de succès () et compte le nombre d’essais aléatoires nécessaires pour y parvenir. Formules principales : Paramètres et Domaine : k : le nombre d’échecs observés (k = 0, 1, 2, …). C’est la variable aléatoire. r : le nombre cible de succès (r > 0, un nombre entier). p : la probabilité d’obtenir un succès à chaque essai (0 < p < 1). Fonction de masse (Probabilité d’obtenir exactement k échecs avant le r-ième succès) : P(X = k) = C(k + r – 1, k) * (p^r) * ((1 – p)ᵏ ) (où C(n, k) est le coefficient binomial « k parmi n »). Espérance (Moyenne du nombre d’échecs) : E(X) = (r * (1 – p)) / p. Variance : Var(X) = (r * (1 – p)) / (p²).

La loi binomiale négative (loi de Pascal)

La loi binomiale négative, également appelée loi de Pascal, inverse la logique de la loi binomiale classique. Au lieu de fixer le nombre total d’essais et de compter les succès obtenus, elle fixe le nombre de succès à atteindre et mesure le nombre d’échecs nécessaires avant que cet objectif soit atteint.

La variable aléatoire $X$X représente le nombre d’échecs observés avant l’obtention du $r$r-ième succès.

---

1. Fonction de masse de probabilité

La fonction de masse de probabilité (PMF) est :$$P(X=k)=\binom{k+r-1}{k}\times p^r\times(1-p)^k$$P(X=k)=(kk+r−1​)×pr×(1−p)k

où :

• $k$k = nombre d’échecs observés ;
• $r$r = nombre de succès requis ;
• $p$p = probabilité de succès à chaque essai ;
• $1-p$1−p = probabilité d’échec.

---

2. Décomposition algébrique de la formule

La formule repose sur trois composantes fondamentales.

2.1 Moteur de succès : $p^r$pr

Le terme$$p^r$$pr

représente la probabilité conjointe d’obtenir exactement les $r$r succès exigés par le processus.

Puisque l’expérience s’arrête obligatoirement lors du $r$r-ième succès, ce facteur reste présent dans chaque probabilité calculée.

---

2.2 Moteur d’échec : $(1-p)^k$(1−p)k

Le terme$$(1-p)^k$$(1−p)k

représente la probabilité conjointe d’observer exactement $k$k échecs.

Chaque nouvel échec multiplie la probabilité totale par le facteur $(1-p)$(1−p).

---

2.3 Noyau combinatoire :

$$\binom{k+r-1}{k}$$(kk+r−1​)

Ce coefficient compte toutes les dispositions possibles des $k$k échecs parmi les $k+r-1$k+r−1 premières positions.

En effet :

• la séquence totale contient $k+r$k+r essais ;
• le dernier essai doit obligatoirement être le $r$r-ième succès ;
• seules les $k+r-1$k+r−1 positions précédentes peuvent être permutées.

Le coefficient binomial$$\binom{k+r-1}{k}$$(kk+r−1​)

calcule donc toutes les configurations admissibles.

---

3. Exemple numérique

Considérons :$$r=3$$r=3

et$$p=0.4$$p=0.4

Par conséquent :$$1-p=0.6$$1−p=0.6

Nous cherchons :$$P(X=2)$$P(X=2)

c’est-à-dire la probabilité d’obtenir exactement deux échecs avant le troisième succès.

---

Étape 1 : Calcul du coefficient combinatoire

$$\binom{2+3-1}{2} = \binom{4}{2}$$(22+3−1​)=(24​)$$= \frac{4!}{2!\times2!} = \frac{24}{2\times2} = 6$$=2!×2!4!​=2×224​=6

---

Étape 2 : Calcul du moteur de succès

$$p^r = 0.4^3 = 0.064$$pr=0.43=0.064

---

Étape 3 : Calcul du moteur d’échec

$$(1-p)^k = 0.6^2 = 0.36$$(1−p)k=0.62=0.36

---

Étape 4 : Probabilité finale

$$P(X=2) = 6\times0.064\times0.36$$P(X=2)=6×0.064×0.36$$= 0.13824$$=0.13824

Ainsi,$$\boxed{P(X=2)=0.13824}$$P(X=2)=0.13824​

---

4. Tableau de la masse de probabilité

Paramètres :$$r=3,\qquad p=0.4$$r=3,p=0.4$$P(X=k)=\binom{k+2}{k}\times0.4^3\times0.6^k$$P(X=k)=(kk+2​)×0.43×0.6k

k	Coefficient combinatoire	$0.6^k$0.6k	$0.4^3$0.43	$P(X=k)$P(X=k)
0	1	1.00000	0.064	0.06400
1	3	0.60000	0.064	0.11520
2	6	0.36000	0.064	0.13824
3	10	0.21600	0.064	0.13824
4	15	0.12960	0.064	0.12442
5	21	0.07776	0.064	0.10451

---

5. Analyse de la distribution

Cette distribution présente une asymétrie positive (queue à droite).

Au début, l’augmentation rapide du nombre de combinaisons possibles :$$1,\;3,\;6,\;10,\;15,\;21,\dots$$1,3,6,10,15,21,…

compense la diminution induite par la puissance$$(0.6)^k.$$(0.6)k.

La probabilité augmente alors progressivement jusqu’à atteindre son maximum.

Pour les paramètres étudiés :$$r=3,\qquad p=0.4$$r=3,p=0.4

le mode est double :$$k=2$$k=2

et$$k=3.$$k=3.

On obtient dans les deux cas :$$P(X=2)=P(X=3)=0.13824.$$P(X=2)=P(X=3)=0.13824.

Au-delà, la décroissance exponentielle du facteur$$(1-p)^k$$(1−p)k

domine la croissance combinatoire, ce qui entraîne une diminution progressive des probabilités.

---

6. Espérance et variance

Pour une loi binomiale négative définie comme le nombre d’échecs avant le $r$r-ième succès :

Espérance

$$E(X)=\frac{r(1-p)}{p}$$E(X)=pr(1−p)​

Avec :$$r=3,\qquad p=0.4$$r=3,p=0.4$$E(X) = \frac{3\times0.6}{0.4} = 4.5$$E(X)=0.43×0.6​=4.5

---

Variance

$$Var(X) = \frac{r(1-p)}{p^2}$$Var(X)=p2r(1−p)​$$= \frac{3\times0.6}{0.4^2} = 11.25$$=0.423×0.6​=11.25

---

Conclusion

La loi binomiale négative modélise le nombre d’échecs nécessaires avant l’obtention d’un nombre fixé de succès. Son comportement résulte d’une compétition entre deux mécanismes :$$\binom{k+r-1}{k}$$(kk+r−1​)

qui accroît le nombre de configurations possibles,

et$$(1-p)^k$$(1−p)k

qui réduit géométriquement la probabilité des longues séquences d’échecs.

Cette interaction produit une distribution asymétrique à queue droite, particulièrement adaptée à l’étude des temps d’attente, des phénomènes de surdispersion et des processus de répétition jusqu’à succès.

Développement explicite du coefficient binomial dans la loi binomiale négative

L’écriture compacte$$\binom{k+r-1}{k}$$(kk+r−1​)

n’est qu’une abréviation d’une opération arithmétique entièrement calculable. Une fois les valeurs de $k$k et $r$r fixées, il ne reste qu’une suite de multiplications et de divisions d’entiers.

---

Formule entièrement développée

Le coefficient binomial de la loi binomiale négative s’écrit :$$\binom{k+r-1}{k} = \frac{(k+r-1)!}{k!\times(r-1)!}$$(kk+r−1​)=k!×(r−1)!(k+r−1)!​

où le factoriel est défini par :$$n! = n\times(n-1)\times(n-2)\times\cdots\times2\times1$$n!=n×(n−1)×(n−2)×⋯×2×1

Par convention :$$0!=1$$0!=1

Quelques exemples simples :$$2!=2\times1=2$$2!=2×1=2$$4!=4\times3\times2\times1=24$$4!=4×3×2×1=24$$6!=6\times5\times4\times3\times2\times1=720$$6!=6×5×4×3×2×1=720

---

Exemple 1 : $k=2$k=2 échecs et $r=3$r=3 succès

Nous calculons :$$\binom{2+3-1}{2} = \binom{4}{2}$$(22+3−1​)=(24​)

Étape 1 : Numérateur

$$(2+3-1)! = 4! = 4\times3\times2\times1 = 24$$(2+3−1)!=4!=4×3×2×1=24

Étape 2 : Premier terme du dénominateur

$$2! = 2\times1 = 2$$2!=2×1=2

Étape 3 : Deuxième terme du dénominateur

$$(3-1)! = 2! = 2\times1 = 2$$(3−1)!=2!=2×1=2

Étape 4 : Produit du dénominateur

$$2\times2 = 4$$2×2=4

Étape 5 : Résultat final

$$\binom{4}{2} = \frac{24}{4} = 6$$(24​)=424​=6

Ainsi :$$\boxed{\binom{4}{2}=6}$$(24​)=6​

---

Exemple 2 : $k=4$k=4 échecs et $r=3$r=3 succès

Nous calculons :$$\binom{4+3-1}{4} = \binom{6}{4}$$(44+3−1​)=(46​)

Étape 1 : Numérateur

$$6! = 6\times5\times4\times3\times2\times1 = 720$$6!=6×5×4×3×2×1=720

Étape 2 : Premier terme du dénominateur

$$4! = 4\times3\times2\times1 = 24$$4!=4×3×2×1=24

Étape 3 : Deuxième terme du dénominateur

$$(3-1)! = 2! = 2$$(3−1)!=2!=2

Étape 4 : Produit du dénominateur

$$24\times2 = 48$$24×2=48

Étape 5 : Résultat final

$$\binom{6}{4} = \frac{720}{48} = 15$$(46​)=48720​=15

Ainsi :$$\boxed{\binom{6}{4}=15}$$(46​)=15​

---

Tableau de calcul complet ($r=3$r=3)

Le tableau suivant montre la décomposition arithmétique exhaustive du coefficient combinatoire pour $k=0$k=0 à $k=5$k=5.

Échecs $k$k	Succès cibles $r$r	Numérateur $(k+r-1)!$(k+r−1)!	$k!$k!	$(r-1)!$(r−1)!	Produit du dénominateur	Résultat final
0	3	$2!=2$2!=2	$0!=1$0!=1	$2!=2$2!=2	$1\times2=2$1×2=2	$\frac{2}{2}=1$22​=1
1	3	$3!=6$3!=6	$1!=1$1!=1	$2!=2$2!=2	$1\times2=2$1×2=2	$\frac{6}{2}=3$26​=3
2	3	$4!=24$4!=24	$2!=2$2!=2	$2!=2$2!=2	$2\times2=4$2×2=4	$\frac{24}{4}=6$424​=6
3	3	$5!=120$5!=120	$3!=6$3!=6	$2!=2$2!=2	$6\times2=12$6×2=12	$\frac{120}{12}=10$12120​=10
4	3	$6!=720$6!=720	$4!=24$4!=24	$2!=2$2!=2	$24\times2=48$24×2=48	$\frac{720}{48}=15$48720​=15
5	3	$7!=5040$7!=5040	$5!=120$5!=120	$2!=2$2!=2	$120\times2=240$120×2=240	$\frac{5040}{240}=21$2405040​=21

---

Interprétation mathématique

Pour $r=3$r=3, la suite des coefficients combinatoires obtenus est :$$1,\;3,\;6,\;10,\;15,\;21,\;\ldots$$1,3,6,10,15,21,…

Chaque valeur représente le nombre exact de séquences possibles contenant :$$k \text{ échecs}$$k eˊchecs

et$$r=3 \text{ succès}$$r=3 succeˋs

sous la contrainte fondamentale que le dernier essai soit obligatoirement le troisième succès.

Par exemple :$$\binom{5+3-1}{5} = \binom{7}{5} = 21$$(55+3−1​)=(57​)=21

signifie qu’il existe exactement 21 arrangements temporels distincts permettant de placer cinq échecs dans les sept premières positions de la séquence avant que le troisième succès terminal ne soit observé.

---

Conclusion

Une fois $k$k et $r$r connus, le coefficient binomial de la loi binomiale négative n’est plus un symbole abstrait :$$\binom{k+r-1}{k} = \frac{(k+r-1)!}{k!\times(r-1)!}$$(kk+r−1​)=k!×(r−1)!(k+r−1)!​

Il devient une suite finie de multiplications et de divisions entières produisant un résultat exact. Les valeurs $1,3,6,10,15,21,\ldots$1,3,6,10,15,21,… obtenues pour $r=3$r=3 constituent le moteur combinatoire qui entre ensuite dans la formule probabiliste complète :$$P(X=k) = \binom{k+r-1}{k}\times p^r\times(1-p)^k$$P(X=k)=(kk+r−1​)×pr×(1−p)k

où le coefficient combinatoire mesure le nombre de chemins admissibles tandis que les puissances $p^r$pr et $(1-p)^k$(1−p)k pondèrent ces chemins par leurs probabilités respectives.

Décomposition arithmétique complète du coefficient binomial dans la loi binomiale négative

Pour éliminer toute abstraction, le coefficient binomial$$\binom{k+r-1}{k}$$(kk+r−1​)

n’est qu’une écriture condensée d’une opération arithmétique entièrement calculable à l’aide de factorielles. Il ne cache aucune géométrie mystérieuse ni aucun procédé implicite : il s’agit simplement d’un quotient d’entiers.

Le rôle de ce coefficient est de compter exactement le nombre d’arrangements possibles des échecs et des succès avant que le processus ne s’arrête au $r$r-ième succès.

---

Formule de calcul direct

La formule explicite est :$$\binom{k+r-1}{k} = \frac{(k+r-1)!}{k!\times(r-1)!}$$(kk+r−1​)=k!×(r−1)!(k+r−1)!​

où la factorielle est définie par :$$n! = n\times(n-1)\times(n-2)\times\cdots\times2\times1.$$n!=n×(n−1)×(n−2)×⋯×2×1.

Par convention :$$0!=1.$$0!=1.

Par exemple :$$4! = 4\times3\times2\times1 = 24$$4!=4×3×2×1=24

et$$6! = 6\times5\times4\times3\times2\times1 = 720.$$6!=6×5×4×3×2×1=720.

---

Exemples de calcul détaillés

Fixons le paramètre de succès cible :$$r=4.$$r=4.

Nous allons calculer explicitement l’ordonnanceur combinatoire pour différents nombres d’échecs $k$k.

---

Exemple 1 : $k=3$k=3 échecs

Nous calculons :$$\binom{3+4-1}{3} = \binom{6}{3}.$$(33+4−1​)=(36​).

Étape 1 : Numérateur

$$(3+4-1)! = 6! = 6\times5\times4\times3\times2\times1 = 720$$(3+4−1)!=6!=6×5×4×3×2×1=720

Étape 2 : Premier facteur du dénominateur

$$k! = 3! = 3\times2\times1 = 6$$k!=3!=3×2×1=6

Étape 3 : Deuxième facteur du dénominateur

$$(r-1)! = (4-1)! = 3! = 6$$(r−1)!=(4−1)!=3!=6

Étape 4 : Produit total du dénominateur

$$6\times6 = 36$$6×6=36

Étape 5 : Résultat final

$$\binom{6}{3} = \frac{720}{36} = 20$$(36​)=36720​=20

Ainsi :$$\boxed{\binom{6}{3}=20}$$(36​)=20​

---

Exemple 2 : $k=5$k=5 échecs

Nous calculons :$$\binom{5+4-1}{5} = \binom{8}{5}.$$(55+4−1​)=(58​).

Étape 1 : Numérateur

$$(5+4-1)! = 8! = 8\times7\times6\times5\times4\times3\times2\times1 = 40320$$(5+4−1)!=8!=8×7×6×5×4×3×2×1=40320

Étape 2 : Premier facteur du dénominateur

$$k! = 5! = 120$$k!=5!=120

Étape 3 : Deuxième facteur du dénominateur

$$(r-1)! = (4-1)! = 3! = 6$$(r−1)!=(4−1)!=3!=6

Étape 4 : Produit total du dénominateur

$$120\times6 = 720$$120×6=720

Étape 5 : Résultat final

$$\binom{8}{5} = \frac{40320}{720} = 56$$(58​)=72040320​=56

Ainsi :$$\boxed{\binom{8}{5}=56}$$(58​)=56​

---

Tableau de calcul complet ($r=4$r=4 fixé)

Le tableau suivant présente la décomposition arithmétique intégrale du coefficient$$\binom{k+3}{k} = \frac{(k+3)!}{k!\times3!}$$(kk+3​)=k!×3!(k+3)!​

pour $k=0$k=0 à $k=5$k=5.

Échecs $k$k	Succès cibles $r$r	Numérateur $(k+r-1)!$(k+r−1)!	$k!$k!	$(r-1)!$(r−1)!	Produit du dénominateur	Résultat final
0	4	$3!=6$3!=6	$0!=1$0!=1	$3!=6$3!=6	$1\times6=6$1×6=6	$\frac{6}{6}=1$66​=1
1	4	$4!=24$4!=24	$1!=1$1!=1	$3!=6$3!=6	$1\times6=6$1×6=6	$\frac{24}{6}=4$624​=4
2	4	$5!=120$5!=120	$2!=2$2!=2	$3!=6$3!=6	$2\times6=12$2×6=12	$\frac{120}{12}=10$12120​=10
3	4	$6!=720$6!=720	$3!=6$3!=6	$3!=6$3!=6	$6\times6=36$6×6=36	$\frac{720}{36}=20$36720​=20
4	4	$7!=5040$7!=5040	$4!=24$4!=24	$3!=6$3!=6	$24\times6=144$24×6=144	$\frac{5040}{144}=35$1445040​=35
5	4	$8!=40320$8!=40320	$5!=120$5!=120	$3!=6$3!=6	$120\times6=720$120×6=720	$\frac{40320}{720}=56$72040320​=56

---

La suite combinatoire obtenue

Lorsque$$r=4,$$r=4,

les valeurs successives du coefficient sont :$$1,\;4,\;10,\;20,\;35,\;56,\;\ldots$$1,4,10,20,35,56,…

Ces nombres sont exactement les valeurs de$$\binom{k+3}{k}.$$(kk+3​).

Ils représentent le nombre exact de façons de répartir $k$k échecs parmi les $k+3$k+3 positions disponibles avant le succès terminal imposé par la loi binomiale négative.

Par exemple,$$\binom{8}{5} = 56$$(58​)=56

signifie qu’il existe exactement cinquante-six séquences admissibles contenant cinq échecs avant l’obtention du quatrième succès.

---

Interprétation probabiliste

Une fois calculé, ce coefficient est injecté dans la formule complète :$$P(X=k) = \binom{k+r-1}{k}\times p^r\times(1-p)^k.$$P(X=k)=(kk+r−1​)×pr×(1−p)k.

Le facteur$$\binom{k+r-1}{k}$$(kk+r−1​)

mesure le nombre de chemins possibles.

Le facteur$$p^r$$pr

pondère ces chemins par la probabilité d’obtenir les $r$r succès requis.

Le facteur$$(1-p)^k$$(1−p)k

pondère ces chemins par la probabilité d’obtenir exactement $k$k échecs.

---

Conclusion

Une fois $k$k et $r$r fixés, le coefficient binomial$$\binom{k+r-1}{k}$$(kk+r−1​)

cesse d’être une notation abstraite et devient simplement :$$\frac{(k+r-1)!}{k!\times(r-1)!}.$$k!×(r−1)!(k+r−1)!​.

Le calcul se réduit alors à une succession finie de multiplications et de divisions entières produisant un résultat exact. La notation combinatoire disparaît complètement derrière l’arithmétique élémentaire des factorielles, révélant directement la structure numérique qui alimente la loi binomiale négative.

Rappelons la définition d’une Fonction indicatrice. Soit Ω un ensemble et $A\subset\Omega$. L’indicatrice de A est l’application

$$1_A:\Omega\to\{0,1\}, \qquad 1_A(x)=\begin{cases} 1 & \text{si }x\in A,\\ 0 & \text{si }x\notin A. \end{cases}$$

Notation équivalente : $\mathbf{1}_A$​, $\chi_A$, $I_A$​.

Identités :

$$1_{A\cap B}=1_A\cdot 1_B, \qquad 1_{A\cup B}=1_A+1_B-1_A\cdot 1_B, \qquad 1_{A^c}=1-1_A, \qquad 1_\varnothing=0, \qquad 1_\Omega=1.$$

Si A∩B=∅, alors $1_{A\cup B}=1_A+1_B$

La loi binomiale négative entretient avec la fonction indicatrice d’appartenance une relation aussi naturelle que la loi binomiale, mais la perspective est inversée. Alors que la loi binomiale compte le nombre d’appartenances observées dans un nombre fixe d’évaluations, la loi binomiale négative compte le nombre de non-appartenances observées avant d’atteindre un nombre fixé d’appartenances.

1. Fonction indicatrice d’appartenance

Pour un ensemble $A$, on définit la fonction indicatrice classique :$$1_A(x)= \begin{cases} 1 & \text{si } x\in A,\\ 0 & \text{si } x\notin A. \end{cases}$$

Chaque évaluation produit donc une variable binaire.

2. Variables indicatrices

Pour une suite d’observations :$$x_1,x_2,\ldots,x_n,$$x

on définit :$$I_i=1_A(x_i).$$

Ainsi :$$I_i\in\{0,1\}.$$

L’événement$$I_i=1$$

correspond à une appartenance,

tandis que$$I_i=0$$

correspond à une non-appartenance.

On suppose :$$P(I_i=1)=p$$

et$$P(I_i=0)=1-p.$$

Chaque indicatrice suit alors :$$I_i\sim Bernoulli(p).$$

3. Vision binomiale

Dans la loi binomiale classique, on fixe :$$n.$$

On compte ensuite :$$X=\sum_{i=1}^{n} I_i.$$

La variable $X$ représente le nombre total d’appartenances observées.

On obtient :$$X\sim Binomiale(n,p).$$

La question devient :

« Combien d’éléments appartiennent à $A$parmi $n$ observations ? »

4. Vision binomiale négative

La loi binomiale négative inverse complètement le problème.

Au lieu de fixer $n$,

on fixe :$$r,$$

c’est-à-dire le nombre d’appartenances que l’on souhaite atteindre.

On continue alors à observer les indicatrices jusqu’à obtenir exactement $r$ valeurs égales à 1.

La variable aléatoire devient :$$K = \text{nombre d’échecs observés avant le }r\text{-ième succès}.$$

Ici :$$\text{succès} \iff I_i=1$$

et$$\text{échec} \iff I_i=0.$$

5. Interprétation via l’appartenance

Supposons que l’on inspecte successivement des éléments.

Les indicatrices observées sont :$$(0,1,0,1,0,0,1).$$

On décide d’atteindre :$$r=3$$

appartenances.

Le troisième succès apparaît à la septième observation.

Les échecs observés avant ce troisième succès sont :$$K=4.$$

La loi binomiale négative décrit précisément la distribution de ce nombre $K$K.

Ainsi :$$K\sim NegBin(r,p).$$

6. Fonction de masse

La probabilité d’obtenir exactement $k$k non-appartenances avant le $r$-ième événement d’appartenance vaut :

$$P(K=k) = \binom{k+r-1}{k} p^r (1-p)^k.$$

Cette formule admet une interprétation très naturelle.

Le terme :$$p^r$$

correspond aux $r$r appartenances nécessaires.

Le terme :$$(1-p)^k$$

correspond aux $k$k non-appartenances observées.

Le coefficient :$$\binom{k+r-1}{k}$$

compte toutes les manières possibles de répartir les $k$ échecs parmi les $r-1$ premiers succès.

7. Relation av

Considérons :

Soit :

Chaque fois que :$$I_i=1,$$

Supposons maintenant que l’on poursuive les comparaisons jusqu’à identifier exactement $r$ éléments appartenant à ENSeq.

On définit alors :$$K = \#\{I_i=0\}$$K=#{Ii​=0}

avant l’apparition du $r$r-ième élément reconnu.

On obtient :$$K\sim NegBin(r,p).$$K∼NegBin(r,p).

La loi binomiale négative mesure donc le nombre de non-appartenances rencontrées avant d’obtenir un certain quota d’appartenances.

8. Interprétation hiérarchique

On peut construire la hiérarchie :

Premier niveau :$$I_i = 1_A(x_i).$$

Second niveau :$$I_i\sim Bernoulli(p).$$Ii​∼Bernoulli(p).

Troisième niveau :$$K = \text{nombre de }I_i=0 \text{ avant }r\text{ succès}.$$K=nombre de Ii​=0 avant r succeˋs.

Finalement :$$K\sim NegBin(r,p).$$

La loi binomiale négative apparaît ainsi comme la loi naturelle des temps d’attente générés par des fonctions indicatrices.

9. Cardinal inverse

Dans la théorie classique des ensembles :$$|A| = \sum 1_A(x).$$

Le cardinal compte directement les appartenances.

La loi binomiale négative introduit une vision duale :$$T_A(r) = \min \left\{ n: \sum_{i=1}^{n} 1_A(x_i) = r \right\}.$$

Cette quantité représente le nombre d’observations nécessaires pour atteindre $r$ appartenances.

Ainsi :

• le cardinal classique mesure combien d’appartenances sont présentes ;
• la binomiale négative mesure combien d’observations sont nécessaires pour accumuler un certain nombre d’appartenances.

10. Interprétation probabiliste des ensembles

L’indicatrice classique répond :$$1_A(x)\in\{0,1\}.$$

Question :

« Cet élément appartient-il ? »

La loi binomiale répond :$$X=\sum 1_A(x_i).$$

Question :

« Combien d’éléments appartiennent ? »

La loi bêta-binomiale répond :

« Combien d’éléments appartiennent lorsque la probabilité d’appartenance est incertaine ? »

La loi binomiale négative répond :$$K\sim NegBin(r,p).$$

Question :

« Combien de non-appartenances ou combien d’observations faut-il attendre pour obtenir $r$r appartenances ? »

Synthèse

La loi binomiale négative est au temps d’apparition des appartenances ce que la loi binomiale est au comptage des appartenances.

La chaîne conceptuelle complète devient :$$1_A(x) \longrightarrow I_i \longrightarrow Bernoulli(p) \longrightarrow Binomiale(n,p)$$

pour le comptage des appartenances,

et$$1_A(x) \longrightarrow I_i \longrightarrow Bernoulli(p) \longrightarrow NegBin(r,p)$$

pour le temps d’attente jusqu’à l’obtention de $r$ appartenances.

La loi binomiale négative peut donc être interprétée comme un opérateur d’attente d’appartenance, complémentaire du cardinal probabiliste bêta-binomial : au lieu de mesurer combien d’éléments appartiennent, elle mesure combien de comparaisons, de non-appartenances ou d’observations sont nécessaires avant d’accumuler un niveau donné d’appartenance collective.

• Loi binomiale négative étendue est une généralisation mathématique de la loi binomiale négative classique. Elle permet d’étendre le paramètre de succès r à des valeurs réelles non entières (et même à certains nombres négatifs ou complexes dans des cas avancés), tout en ajustant la formulation analytique pour s’adapter à des ensembles de données empiriques complexes où le modèle classique s’effondre. Formules principales : Paramètres et Domaine : k : la variable aléatoire (le nombre d’échecs ou d’événements observés, k=0,1,2,3. r : le paramètre de forme (qui n’est plus restreint aux entiers naturels, mais r>0). p : la probabilité 0<p<1. Fonction de masse (Probabilité de l’événement k) : P(X = k) = [ Γ(k + r) / (Γ(r) · k!) ] · pʳ · (1 – p)ᵏ (où Γ(x) est la fonction Gamma d’Euler, qui généralise la factorielle aux nombres réels, et k! est la factorielle de k). Espérance (Moyenne) : E(X) = (r * (1 – p)) / p. Variance : Var(X) = (r * (1 – p)) / (p²).

La loi binomiale négative étendue

La loi binomiale négative étendue généralise la loi binomiale négative classique en autorisant le paramètre de forme $r$r à prendre toute valeur réelle strictement positive :$$r>0.$$r>0.

Cette extension repose sur la fonction Gamma d’Euler, qui prolonge la factorielle au-delà du domaine des entiers. Le coefficient combinatoire classique est alors remplacé par une version continue, permettant de modéliser des phénomènes présentant une forte asymétrie ou une surdispersion observée dans les données réelles.

---

1. Fonction de masse de probabilité

Pour une variable aléatoire discrète$$k=0,1,2,3,\ldots$$k=0,1,2,3,…

la fonction de masse s’écrit :$$P(X=k) = \frac{\Gamma(k+r)}{\Gamma(r)\times k!} \times p^r \times(1-p)^k.$$P(X=k)=Γ(r)×k!Γ(k+r)​×pr×(1−p)k.

---

2. Décomposition algébrique de la formule

La formule repose sur quatre composantes fondamentales.

---

2.1 Variable aléatoire $k$k

La variable$$k$$k

désigne le nombre discret d’événements observés avant l’arrêt du processus :$$k=0,1,2,3,\ldots$$k=0,1,2,3,…

---

2.2 Coefficient combinatoire étendu

Le terme$$\frac{\Gamma(k+r)} {\Gamma(r)\times k!}$$Γ(r)×k!Γ(k+r)​

généralise le coefficient binomial classique :$$\binom{k+r-1}{k}.$$(kk+r−1​).

Lorsque $r$r est entier :$$\frac{\Gamma(k+r)} {\Gamma(r)\times k!} = \binom{k+r-1}{k}.$$Γ(r)×k!Γ(k+r)​=(kk+r−1​).

Lorsque $r$r est réel non entier, la fonction Gamma assure une interpolation continue.

---

2.3 Ancre probabiliste

Le facteur$$p^r$$pr

constitue la composante fixe associée à la probabilité fondamentale de succès.

Comme$$0<p<1,$$0<p<1,

le terme$$p^r$$pr

reste constant pour toute la distribution.

---

2.4 Moteur de décroissance géométrique

Le facteur$$(1-p)^k$$(1−p)k

introduit une décroissance exponentielle.

Lorsque $k$k augmente :$$(1-p)^k\rightarrow0.$$(1−p)k→0.

Ce terme impose l’atténuation progressive des probabilités dans la queue droite de la distribution.

---

3. Moments théoriques

Pour la loi binomiale négative étendue :

Espérance

$$E(X) = \frac{r(1-p)}{p}$$E(X)=pr(1−p)​

---

Variance

$$Var(X) = \frac{r(1-p)} {p^2}.$$Var(X)=p2r(1−p)​.

---

4. Exemple numérique

Considérons :$$r=2.5$$r=2.5

et$$p=0.6.$$p=0.6.

Le complément vaut :$$1-p=0.4.$$1−p=0.4.

---

Calcul de l’espérance

$$E(X) = \frac{2.5\times0.4} {0.6}$$E(X)=0.62.5×0.4​$$= \frac{1.0}{0.6}$$=0.61.0​$$\approx1.6667.$$≈1.6667.

---

Calcul de la variance

$$Var(X) = \frac{2.5\times0.4} {0.6^2}$$Var(X)=0.622.5×0.4​$$= \frac{1.0}{0.36}$$=0.361.0​$$\approx2.7778.$$≈2.7778.

---

5. Constantes de base du système

Ancre de probabilité

$$p^r = 0.6^{2.5}$$pr=0.62.5$$\approx0.27885.$$≈0.27885.

Fonction Gamma de référence

$$\Gamma(2.5) \approx1.32934.$$Γ(2.5)≈1.32934.

---

6. Calcul détaillé pour $k=2$k=2

Nous cherchons :$$P(X=2).$$P(X=2).

---

Étape 1 : Numérateur Gamma

$$\Gamma(2+2.5) = \Gamma(4.5)$$Γ(2+2.5)=Γ(4.5)$$= 3.5\times2.5\times\Gamma(2.5)$$=3.5×2.5×Γ(2.5)$$\approx11.6317.$$≈11.6317.

---

Étape 2 : Dénominateur

$$\Gamma(2.5)\times2!$$Γ(2.5)×2!$$= 1.32934\times2$$=1.32934×2$$= 2.65868.$$=2.65868.

---

Étape 3 : Coefficient fractionnaire

$$\frac{11.6317}{2.65868}$$2.6586811.6317​$$\approx4.3750.$$≈4.3750.

---

Étape 4 : Composante géométrique

$$(0.4)^2 = 0.1600.$$(0.4)2=0.1600.

---

Étape 5 : Probabilité finale

$$P(X=2) = 4.3750 \times0.1600 \times0.27885$$P(X=2)=4.3750×0.1600×0.27885$$\approx0.1952.$$≈0.1952.

Ainsi :$$\boxed{P(X=2)\approx0.1952}.$$P(X=2)≈0.1952​.

---

7. Tableau de répartition des masses ($r=2.5,\;p=0.6$r=2.5,p=0.6)

$k$k	$\Gamma(k+2.5)$Γ(k+2.5)	$\Gamma(2.5)\times k!$Γ(2.5)×k!	Coefficient fractionnaire	$(0.4)^k$(0.4)k	$P(X=k)$P(X=k)
0	1.3293	1.3293	1.0000	1.0000	0.2789
1	3.3234	1.3293	2.5000	0.4000	0.2789
2	11.6317	2.6587	4.3750	0.1600	0.1952
3	52.3428	7.9760	6.5625	0.0640	0.1171
4	287.8850	31.9040	9.0234	0.0256	0.0644

---

8. Lecture analytique du tableau

Pour$$k=0$$k=0

et$$k=1,$$k=1,

le coefficient fractionnaire passe de$$1.0$$1.0

à$$2.5.$$2.5.

Cette augmentation compense exactement la diminution du moteur géométrique :$$1.0 \rightarrow 0.4.$$1.0→0.4.

On obtient ainsi un maximum partagé :$$P(X=0) = P(X=1) = 0.2789.$$P(X=0)=P(X=1)=0.2789.

---

À partir de$$k=2,$$k=2,

la croissance du coefficient fractionnaire devient insuffisante pour compenser l’effondrement exponentiel de$$(0.4)^k.$$(0.4)k.

La probabilité chute alors à :$$P(X=2) \approx 0.1952.$$P(X=2)≈0.1952.

---

Pour$$k=4,$$k=4,

le numérateur Gamma atteint déjà :$$\Gamma(6.5) \approx287.885.$$Γ(6.5)≈287.885.

Cependant :$$k!=24$$k!=24

et$$(0.4)^4 = 0.0256$$(0.4)4=0.0256

freinent fortement cette croissance.

Le résultat final devient :$$P(X=4) \approx0.0644.$$P(X=4)≈0.0644.

---

Conclusion

La loi binomiale négative étendue conserve la structure fondamentale de la loi binomiale négative tout en remplaçant le coefficient binomial classique par le rapport :$$\frac{\Gamma(k+r)} {\Gamma(r)\times k!}.$$Γ(r)×k!Γ(k+r)​.

Cette généralisation permet à $r$r de prendre des valeurs réelles positives et produit une famille beaucoup plus riche de distributions discrètes. Dans l’exemple étudié $(r=2.5,\;p=0.6)$(r=2.5,p=0.6), la croissance du facteur Gamma est progressivement dominée par la combinaison de la factorielle $k!$k! et de la décroissance géométrique $(1-p)^k$(1−p)k, ce qui force la masse probabiliste à décroître asymptotiquement malgré l’expansion du numérateur Gamma.

Le Noyau Binomial Négatif

Définition Générale

L’expression$$\binom{k-i+r-1}{k-i}\,p^r\,(1-p)^{k-i}$$(k−ik−i+r−1​)pr(1−p)k−i

constitue le noyau algébrique de la loi binomiale négative.

En introduisant la variable$$m=k-i,$$m=k−i,

la formule s’écrit sous la forme plus compacte :$$f(m) = \binom{m+r-1}{m}\,p^r\,(1-p)^m.$$f(m)=(mm+r−1​)pr(1−p)m.

Cette fonction calcule la probabilité d’obtenir exactement $m$m événements secondaires avant l’apparition du $r$r-ième événement terminal.

---

1. Déconstruction des Trois Moteurs Algébriques

La fonction est le produit de trois blocs indépendants :$$f(m) = \underbrace{\binom{m+r-1}{m}}_{\text{Combinatoire}} \times \underbrace{p^r}_{\text{Statique}} \times \underbrace{(1-p)^m}_{\text{Dynamique}}.$$f(m)=Combinatoire(mm+r−1​)​​×Statiquepr​​×Dynamique(1−p)m​​.

---

Bloc 1 : Le Compteur Combinatoire

$$\binom{m+r-1}{m}$$(mm+r−1​)

Ce coefficient compte le nombre exact d’arrangements possibles de la séquence.

Sa définition factorielle est :$$\binom{m+r-1}{m} = \frac{(m+r-1)!} {m!\times(r-1)!}.$$(mm+r−1​)=m!×(r−1)!(m+r−1)!​.

Le dernier élément de la séquence étant obligatoirement le $r$r-ième événement terminal, seuls les $m$m événements secondaires et les $r-1$r−1 premiers événements terminaux peuvent être permutés.

Lorsque $m$m augmente, ce coefficient croît rapidement :$$1,\;3,\;6,\;10,\;15,\;21,\ldots$$1,3,6,10,15,21,…

---

Bloc 2 : L’Accumulateur Statique

$$p^r$$pr

Cette quantité dépend uniquement de $p$p et $r$r.

Pour un système fixé, elle reste constante.

Elle agit comme un facteur multiplicatif uniforme appliqué à toutes les valeurs de $m$m.

---

Bloc 3 : L’Accumulateur Dynamique

$$(1-p)^m$$(1−p)m

Comme

$$0<1-p<1,$$0<1−p<1,

les puissances successives produisent une décroissance géométrique :$$1,\;(1-p),\;(1-p)^2,\;(1-p)^3,\ldots$$1,(1−p),(1−p)2,(1−p)3,…

Ce facteur diminue inexorablement lorsque $m$m augmente.

À long terme :$$(1-p)^m \rightarrow 0.$$(1−p)m→0.

---

2. Mécanique de Calcul Numérique

Considérons le système :$$r=3$$r=3$$p=0.4$$p=0.4$$1-p=0.6.$$1−p=0.6.

Nous voulons calculer :$$f(2).$$f(2).

---

Étape 1 : Accumulateur Statique

$$0.4^3 = 0.4\times0.4\times0.4 = 0.064.$$0.43=0.4×0.4×0.4=0.064.

---

Étape 2 : Accumulateur Dynamique

$$0.6^2 = 0.6\times0.6 = 0.36.$$0.62=0.6×0.6=0.36.

---

Étape 3 : Coefficient Combinatoire

$$\binom{2+3-1}{2} = \binom{4}{2}.$$(22+3−1​)=(24​).

Numérateur :$$4! = 4\times3\times2\times1 = 24.$$4!=4×3×2×1=24.

Dénominateur :$$2!\times2! = (2\times1)\times(2\times1) = 4.$$2!×2!=(2×1)×(2×1)=4.

Donc :$$\binom{4}{2} = \frac{24}{4} = 6.$$(24​)=424​=6.

---

Étape 4 : Assemblage Final

$$f(2) = 6\times0.064\times0.36.$$f(2)=6×0.064×0.36.$$f(2) = 0.13824.$$f(2)=0.13824.

Résultat final :$$\boxed{f(2)=0.13824}.$$f(2)=0.13824​.

---

3. Tableau d’Arbitrage Algébrique

Paramètres fixes :$$r=3, \qquad p=0.4, \qquad 1-p=0.6.$$r=3,p=0.4,1−p=0.6.

La fonction devient :$$f(m) = \binom{m+2}{m} \times0.4^3 \times0.6^m.$$f(m)=(mm+2​)×0.43×0.6m.

m	Coefficient combinatoire	Valeur résolue	$0.4^3$0.43	$0.6^m$0.6m	Produit final
0	$\frac{2!}{0!\times2!}$0!×2!2!​	1	0.064	1.0000	0.06400
1	$\frac{3!}{1!\times2!}$1!×2!3!​	3	0.064	0.6000	0.11520
2	$\frac{4!}{2!\times2!}$2!×2!4!​	6	0.064	0.3600	0.13824
3	$\frac{5!}{3!\times2!}$3!×2!5!​	10	0.064	0.2160	0.13824
4	$\frac{6!}{4!\times2!}$4!×2!6!​	15	0.064	0.1296	0.12442
5	$\frac{7!}{5!\times2!}$5!×2!7!​	21	0.064	0.07776	0.10451

---

Analyse Algébrique

Les deux forces antagonistes de la formule sont :$$\binom{m+r-1}{m}$$(mm+r−1​)

et$$(1-p)^m.$$(1−p)m.

Le coefficient combinatoire augmente avec $m$m :$$1,\;3,\;6,\;10,\;15,\;21,\ldots$$1,3,6,10,15,21,…

tandis que l’accumulateur dynamique décroît :$$1.0000,\;0.6000,\;0.3600,\;0.2160,\;0.1296,\;0.07776,\ldots$$1.0000,0.6000,0.3600,0.2160,0.1296,0.07776,…

Pour les petites valeurs de $m$m, la croissance combinatoire domine :$$0.06400 \rightarrow 0.11520 \rightarrow 0.13824.$$0.06400→0.11520→0.13824.

La fonction augmente donc.

---

Point de Rupture

Dans cet exemple particulier,$$f(2)=f(3)=0.13824.$$f(2)=f(3)=0.13824.

La densité atteint alors son maximum numérique.

À partir de :$$m=4,$$m=4,

la décroissance géométrique de$$0.6^m$$0.6m

devient plus rapide que l’augmentation du coefficient combinatoire.

Le produit total est alors contraint à diminuer :$$0.13824 \rightarrow 0.12442 \rightarrow 0.10451 \rightarrow \cdots$$0.13824→0.12442→0.10451→⋯

---

Forme Condensée Finale

$$\boxed{ f(m) = \binom{m+r-1}{m} \,p^r\, (1-p)^m }$$f(m)=(mm+r−1​)pr(1−p)m​

avec$$\binom{m+r-1}{m} = \frac{(m+r-1)!} {m!\times(r-1)!}.$$(mm+r−1​)=m!×(r−1)!(m+r−1)!​.

La structure de la formule résulte de l’équilibre entre :$$\text{croissance combinatoire} \qquad\text{et}\qquad \text{décroissance géométrique}.$$croissance combinatoireetdeˊcroissance geˊomeˊtrique.

La première tend à augmenter les probabilités lorsque $m$m croît, tandis que la seconde les comprime vers zéro. La loi binomiale négative est précisément le produit de ces deux mécanismes algébriques concurrents.

Rappelons la définition d’une Fonction indicatrice. Soit Ω un ensemble et $A\subset\Omega$. L’indicatrice de A est l’application

$$1_A:\Omega\to\{0,1\}, \qquad 1_A(x)=\begin{cases} 1 & \text{si }x\in A,\\ 0 & \text{si }x\notin A. \end{cases}$$

Notation équivalente : $\mathbf{1}_A$​, $\chi_A$, $I_A$​.

Identités :

$$1_{A\cap B}=1_A\cdot 1_B, \qquad 1_{A\cup B}=1_A+1_B-1_A\cdot 1_B, \qquad 1_{A^c}=1-1_A, \qquad 1_\varnothing=0, \qquad 1_\Omega=1.$$

Si A ∩ B=∅, alors $1_{A\cup B}=1_A+1_B$

La loi binomiale négative étendue entretient une relation particulièrement profonde avec la fonction indicatrice d’appartenance, car elle généralise la notion de temps d’attente nécessaire pour accumuler de l’appartenance dans une suite d’observations. Là où la loi binomiale négative classique suppose un nombre entier de succès $r$, la version étendue autorise un paramètre réel $r>0$, permettant de modéliser des niveaux continus ou fractionnaires d’appartenance collective.

1. Fonction indicatrice d’appartenance

Pour un ensemble $A$, la fonction indicatrice classique est :$$1_A(x)= \begin{cases} 1 & \text{si } x\in A,\\ 0 & \text{si } x\notin A. \end{cases}$$

Chaque évaluation produit donc une décision binaire d’appartenance.

2. Variables indicatrices

Considérons une suite :$$x_1,x_2,\ldots$$

et définissons :$$I_i=1_A(x_i).$$

Chaque variable vérifie :$$I_i\in\{0,1\}.$$

avec$$P(I_i=1)=p$$

et$$P(I_i=0)=1-p.$$

On obtient :$$I_i\sim Bernoulli(p).$$

Les indicatrices constituent donc les briques élémentaires de la théorie probabiliste de l’appartenance.

3. Accumulation d’appartenance

La somme :$$S_n = \sum_{i=1}^{n}I_i$$

compte le nombre total d’appartenances observées.

La loi binomiale classique décrit :$$S_n\sim Binomiale(n,p).$$

On fixe alors :$$n$$

et l’on observe combien d’appartenances apparaissent.

4. Inversion de la perspective

La loi binomiale négative inverse le problème.

Au lieu de fixer le nombre d’observations :$$n,$$

on fixe le nombre d’appartenances désirées :$$r.$$

On continue les observations jusqu’à atteindre :$$r$$

succès.

La variable aléatoire devient alors :$$K = \text{nombre de non-appartenances observées.}$$

La question n’est plus :

« Combien d’appartenances obtient-on ? »

mais :

« Combien faut-il attendre pour accumuler un certain niveau d’appartenance ? »

5. Extension du paramètre r

Dans la loi binomiale négative classique :$$r\in\mathbb N.$$

Le nombre de succès doit être entier.

La loi binomiale négative étendue remplace cette contrainte par :$$r>0.$$

Le paramètre $r$ devient continu.

Il représente alors non plus uniquement un nombre entier de succès mais une quantité abstraite d’appartenance accumulée.

Cette extension s’obtient grâce à la fonction Gamma :$$\Gamma(x).$$

qui généralise :$$n!$$

aux réels.

6. Fonction de masse

La loi étendue possède la fonction de masse :$$P(K=k) = \frac{\Gamma(k+r)} {\Gamma(r)\,k!} \,p^{\,r}(1-p)^k.$$

Lorsque :$$r=n\in\mathbb N,$$

on retrouve :$$P(K=k) = \binom{k+r-1}{k} p^{\,r} (1-p)^k.$$

La loi classique apparaît ainsi comme un cas particulier.

7. Interprétation par les indicatrices

Les indicatrices successives produisent :$$I_1,I_2,I_3,\ldots$$

Chaque fois que :$$I_i=1,$$

une unité d’appartenance est accumulée.

Chaque fois que :$$I_i=0,$$

aucune appartenance supplémentaire n’est acquise.

La binomiale négative étendue considère alors :$$K = \text{nombre d’échecs observés avant d’atteindre une masse }r \text{ d’appartenance}.$$

L’appartenance n’est plus nécessairement comptée en unités entières mais en quantité continue.

Considérons :

Chaque élément reconnu contribue à l’accumulation d’appartenance.

Au lieu de rechercher exactement :$$3,4,5$$

appartenances,

on peut rechercher un seuil continu :$$r=2.7, \qquad r=4.3, \qquad r=6.25.$$

La loi binomiale négative étendue modélise alors l’attente nécessaire pour atteindre ce niveau théorique d’appartenance.

9. Cardinal d’attente étendu

Le cardinal classique s’écrit :$$|A| = \sum 1_A(x).$$

Le cardinal probabiliste bêta-binomial s’écrit :$$|A|_{\mathrm{prob}} = \sum I_A(x).$$

La loi binomiale négative étendue conduit naturellement à définir :$$T_A(r) = \inf \left\{ n: \sum_{i=1}^{n} 1_A(x_i) \ge r \right\}.$$

Cette quantité représente le temps d’attente nécessaire pour accumuler un niveau $r$r d’appartenance.

Lorsque :$$r\in\mathbb N,$$

on retrouve le temps d’attente classique.

Lorsque :$$r\in\mathbb R^+,$$

on obtient une notion continue d’accumulation d’appartenance.

10. Hiérarchie probabiliste

On obtient alors la hiérarchie :

Premier niveau :$$1_A(x).$$

Deuxième niveau :$$I_i=1_A(x_i).$$

Troisième niveau :$$I_i\sim Bernoulli(p).$$

Quatrième niveau :$$K = \text{temps d’attente avant accumulation de }r.$$

Finalement :$$K \sim NegBinExt(r,p).$$

La loi binomiale négative étendue apparaît comme la loi naturelle du temps d’accumulation des fonctions indicatrices lorsque le niveau cible d’appartenance devient continu.

11. Interprétation en théorie des ensembles probabilistes

La hiérarchie des indicatrices devient :

Indicateur classique :$$1_A(x)\in\{0,1\}.$$

Indicateur bêta :$$I_A(x)\in[0,1].$$

Indicateur bêta-prime :$$O_A(x)\in[0,+\infty[.$$

Cardinal bêta-binomial :$$K_A = \sum 1_A(x_i).$$

Temps d’attente binomial négatif :$$T_A(r).$$

Temps d’attente binomial négatif étendu :$$T_A(r), \qquad r\in\mathbb R^+.$$

Cette dernière construction ne mesure plus simplement la présence ou le nombre d’appartenances, mais la dynamique d’accumulation de l’appartenance elle-même.

Synthèse

La loi binomiale négative étendue peut être interprétée comme la loi du temps d’attente nécessaire pour atteindre un niveau continu d’appartenance généré par une collection de fonctions indicatrices.

elle généralise le cardinal d’attente classique :$$T_A(r) = \min \left\{ n: \sum_{i=1}^{n} 1_A(x_i) = r \right\}$$

vers un opérateur continu :$$T_A(r), \qquad r\in\mathbb R^+,$$

où $r$ représente une quantité abstraite d’appartenance accumulée. La loi binomiale négative étendue devient ainsi le prolongement naturel de la fonction indicatrice individuelle, non plus vers le comptage d’appartenances, mais vers la mesure probabiliste du temps nécessaire à l’émergence progressive de l’appartenance collective.

• Loi binomiale est l’une des distributions de probabilité discrètes les plus fondamentales en mathématiques. Elle modélise le nombre de « succès » obtenus lors de la répétition indépendante de n expériences identiques de Bernoulli (qui ne possèdent que deux issues : succès ou échec). Formules principales : Paramètres et Domaine : k : le nombre de succès observés (k = 0, 1, 2,…, n). C’.est la variable aléatoire. n : le nombre total d’essais réalisés (un entier strictement positif). p : la probabilité de succès à chaque essai individuel 0≤p≤1. q : la probabilité d’échec, avec q=1-p . Fonction de masse (Probabilité d’obtenir exactement k succès) : P(X = k) = C(n, k) · pᵏ · (1 – p)⁽ⁿ ⁻ ᵏ⁾ (où C(n, k) est le coefficient binomial « k parmi n », c’est-à-dire [n! / (k! * (n – k)!)]). Espérance (Moyenne) : E(X) = n * p. Variance : Var(X) = n * p * (1 – p).

La loi binomiale : forme entièrement calculable

La loi binomiale détermine la probabilité d’obtenir exactement $k$k succès au cours de $n$n essais indépendants, sachant que la probabilité de succès à chaque essai est $p$p.

Pour éliminer la notation abstraite du coefficient binomial$$\binom{n}{k},$$(kn​),

l’équation peut être écrite directement sous forme factorielle :$$P(X=k) = \frac{n!}{k!\times(n-k)!} \times p^k \times(1-p)^{\,n-k}.$$P(X=k)=k!×(n−k)!n!​×pk×(1−p)n−k.

---

Décomposition des trois moteurs de l’équation

1. L’ordonnanceur combinatoire

$$\frac{n!}{k!\times(n-k)!}$$k!×(n−k)!n!​

Ce bloc n’est qu’un quotient d’entiers calculé à partir de factorielles.

Il mesure le nombre exact de permutations possibles permettant de placer $k$k succès parmi $n$n positions.

---

2. Le moteur de succès

$$p^k$$pk

Il représente la probabilité conjointe d’obtenir exactement les $k$k succès recherchés.

Il s’agit simplement d’une puissance décimale.

---

3. Le moteur d’échec

$$(1-p)^{\,n-k}$$(1−p)n−k

Il représente la probabilité conjointe que les $n-k$n−k essais restants soient des échecs.

Comme la somme des probabilités des deux états possibles doit être égale à $1$1,$$p+(1-p)=1,$$p+(1−p)=1,

la probabilité d’échec apparaît naturellement sous la forme complémentaire $(1-p)$(1−p).

---

Calcul numérique

détaillé

Considérons le système suivant :$$n=5$$n=5

et$$p=0.3.$$p=0.3.

Par conséquent,$$1-p=0.7.$$1−p=0.7.

Nous voulons calculer :$$P(X=2),$$P(X=2),

c’est-à-dire la probabilité d’obtenir exactement deux succès parmi cinq essais.

---

Étape A : Calcul de l’ordonnanceur combinatoire

Nous calculons :$$\frac{5!}{2!\times(5-2)!}.$$2!×(5−2)!5!​.

Numérateur

$$5! = 5\times4\times3\times2\times1 = 120$$5!=5×4×3×2×1=120

Dénominateur, première partie

$$2! = 2\times1 = 2$$2!=2×1=2

Dénominateur, deuxième partie

$$(5-2)! = 3! = 3\times2\times1 = 6$$(5−2)!=3!=3×2×1=6

Division finale

$$\frac{120}{2\times6} = \frac{120}{12} = 10.$$2×6120​=12120​=10.

Il existe donc exactement$$10$$10

configurations possibles contenant deux succès parmi cinq essais.

---

Étape B : Calcul des puissances décimales

Moteur de succès

$$0.3^2 = 0.09$$0.32=0.09

Moteur d’échec

$$0.7^{(5-2)} = 0.7^3 = 0.343$$0.7(5−2)=0.73=0.343

---

Étape C : Produit probabiliste final

$$P(X=2) = 10\times0.09\times0.343$$P(X=2)=10×0.09×0.343$$= 0.3087.$$=0.3087.

Ainsi :$$\boxed{P(X=2)=0.3087}$$P(X=2)=0.3087​

---

Tableau complet de la distribution ($n=5,\;p=0.3$n=5,p=0.3)

Le tableau suivant exécute le calcul pour l’ensemble des états possibles, de $k=0$k=0 à $k=5$k=5.

Succès $k$k	Ordonnanceur combinatoire $\frac{5!}{k!(5-k)!}$k!(5−k)!5!​	Moteur de succès $0.3^k$0.3k	Moteur d’échec $0.7^{5-k}$0.75−k	Produit complet	$P(X=k)$P(X=k)
0	$\frac{120}{1\times120}=1$1×120120​=1	$1.00000$1.00000	$0.16807$0.16807	$1\times1.00000\times0.16807$1×1.00000×0.16807	0.16807
1	$\frac{120}{1\times24}=5$1×24120​=5	$0.30000$0.30000	$0.24010$0.24010	$5\times0.30000\times0.24010$5×0.30000×0.24010	0.36015
2	$\frac{120}{2\times6}=10$2×6120​=10	$0.09000$0.09000	$0.34300$0.34300	$10\times0.09000\times0.34300$10×0.09000×0.34300	0.30870
3	$\frac{120}{6\times2}=10$6×2120​=10	$0.02700$0.02700	$0.49000$0.49000	$10\times0.02700\times0.49000$10×0.02700×0.49000	0.13230
4	$\frac{120}{24\times1}=5$24×1120​=5	$0.00810$0.00810	$0.70000$0.70000	$5\times0.00810\times0.70000$5×0.00810×0.70000	0.02835
5	$\frac{120}{120\times1}=1$120×1120​=1	$0.00243$0.00243	$1.00000$1.00000	$1\times0.00243\times1.00000$1×0.00243×1.00000	0.00243

---

Analyse arithmétique de la répartition

La somme exacte de la dernière colonne vaut :$$0.16807+0.36015+0.30870+0.13230+0.02835+0.00243 = 1.00000.$$0.16807+0.36015+0.30870+0.13230+0.02835+0.00243=1.00000.

La normalisation probabiliste est donc rigoureusement respectée.

Le maximum de la distribution apparaît pour :$$k=1,$$k=1,

avec :$$P(X=1)=0.36015.$$P(X=1)=0.36015.

Cette dominance ne provient pas d’une position centrale dans l’espace des états mais du produit simultané :$$5 \times 0.3 \times 0.7^4.$$5×0.3×0.74.

Le coefficient combinatoire$$5$$5

reste suffisamment élevé tandis que le terme$$0.7^4$$0.74

conserve encore une valeur importante.

À partir de$$k=2,$$k=2,

la croissance combinatoire ne compense plus la décroissance induite par les puissances successives de$$0.3,$$0.3,

ce qui provoque une diminution progressive de la masse probabiliste.

---

Conclusion

La loi binomiale peut être vue comme l’interaction de trois mécanismes purement calculables :$$\frac{n!}{k!\times(n-k)!}$$k!×(n−k)!n!​

qui compte les arrangements possibles,$$p^k$$pk

qui pondère les succès,

et$$(1-p)^{\,n-k}$$(1−p)n−k

qui pondère les échecs.

Dans l’exemple$$n=5, \qquad p=0.3,$$n=5,p=0.3,

la probabilité maximale est atteinte pour$$k=1,$$k=1,

car le rapport entre la croissance combinatoire et l’atténuation des puissances décimales y est le plus favorable. Une fois les valeurs numériques substituées, toute l’équation se réduit à une suite finie de multiplications et de divisions élémentaires.

Rappelons la définition d’une Fonction indicatrice. Soit Ω un ensemble et $A\subset\Omega$. L’indicatrice de A est l’application

$$1_A:\Omega\to\{0,1\}, \qquad 1_A(x)=\begin{cases} 1 & \text{si }x\in A,\\ 0 & \text{si }x\notin A. \end{cases}$$

Notation équivalente : $\mathbf{1}_A$​, $\chi_A$, $I_A$​.

Identités :

$$1_{A\cap B}=1_A\cdot 1_B, \qquad 1_{A\cup B}=1_A+1_B-1_A\cdot 1_B, \qquad 1_{A^c}=1-1_A, \qquad 1_\varnothing=0, \qquad 1_\Omega=1.$$

Si A ∩ B=∅, alors $1_{A\cup B}=1_A+1_B$

La loi binomiale entretient probablement la relation la plus directe et la plus fondamentale avec la fonction indicatrice d’appartenance, car elle est littéralement construite comme la somme d’un ensemble de fonctions indicatrices indépendantes.

1. Fonction indicatrice classique

Pour un ensemble $A$A, la fonction indicatrice est définie par :$$1_A(x)= \begin{cases} 1 & \text{si } x\in A,\\ 0 & \text{si } x\notin A. \end{cases}$$

Elle représente la forme la plus élémentaire de l’appartenance en théorie des ensembles.

Chaque évaluation produit donc une réponse binaire.

2. Apparition de la variable de Bernoulli

Considérons une suite d’éléments :$$x_1,x_2,\ldots,x_n.$$

Pour chacun d’eux, on définit :$$I_i=1_A(x_i).$$

Chaque variable vérifie :$$I_i\in\{0,1\}.$$

Si l’on suppose que la probabilité d’appartenance vaut :$$P(I_i=1)=p,$$

alors :$$P(I_i=0)=1-p=q.$$

On obtient :$$I_i\sim Bernoulli(p).$$

Autrement dit, une variable de Bernoulli n’est rien d’autre qu’une fonction indicatrice probabilisée.

3. Somme des indicatrices

La quantité naturelle associée à une famille d’indicatrices est :$$X = \sum_{i=1}^{n}I_i.$$

Comme chaque $I_i$ vaut soit $0$, soit $1$

la somme compte directement le nombre total d’appartenances observées.

Par exemple :$$(I_1,I_2,I_3,I_4,I_5) = (1,0,1,1,0).$$

Alors :$$X = 1+0+1+1+0 = 3.$$

Trois éléments appartiennent à $A$

4. Naissance de la loi binomiale

Lorsque les indicatrices sont indépendantes et possèdent toutes la même probabilité :

$$P(I_i=1)=p,$$

la somme :$$X = \sum_{i=1}^{n}I_i$$

suit une loi binomiale :$$X \sim Binomiale(n,p).$$

La loi binomiale est donc exactement la loi du cardinal aléatoire obtenu en additionnant des fonctions indicatrices.

5. Fonction de masse

La probabilité d’obtenir exactement $k$ appartenances est :$$P(X=k) = \binom{n}{k} p^k (1-p)^{\,n-k}.$$

Cette formule se comprend naturellement à partir des indicatrices.

Le facteur :$$p^k$$

correspond aux $k$ indicatrices valant 1.

Le facteur :$$(1-p)^{n-k}$$

correspond aux $n-k$ indicatrices valant 0.

Le coefficient :$$\binom{n}{k}$$

compte toutes les façons possibles de placer les $k$ appartenances parmi les $n$n observations.

6. Interprétation en termes d’appartenance

La fonction indicatrice répond à la question :$$1_A(x)$$

« Cet élément appartient-il à $A$ ? »

La loi binomiale répond à la question :$$X = \sum_{i=1}^{n}1_A(x_i)$$

« Combien d’éléments appartiennent à $A$ parmi les $n$ éléments observés ? »

La loi binomiale apparaît donc comme une généralisation collective de la fonction indicatrice.

Cette quantité représente le nombre d’éléments reconnus comme appartenant à A.

Si chaque appartenance possède la probabilité $p$,

alors :$$K \sim Binomiale(n,p).$$

La loi binomiale devient ainsi la loi naturelle du cardinal probabiliste de ENSeq.

8. Interprétation de l’espérance

L’espérance vaut :$$E(X)=n\,p.$$

Cette expression possède une interprétation immédiate.

Chaque élément apporte en moyenne :$$p$$

unité d’appartenance.

Après $n$ observations :$$n\times p$$

correspond au nombre moyen attendu d’éléments appartenant à l’ensemble.

9. Interprétation de la variance

La variance vaut :$$Var(X) = n\,p(1-p).$$

Elle mesure la fluctuation du cardinal observé autour du cardinal moyen.

Lorsque :$$p=0$$

ou$$p=1,$$

la variance devient :$$0.$$

L’appartenance est alors certaine.

Lorsque :$$p= \frac12,$$

l’incertitude est maximale.

10. Hiérarchie probabiliste

On obtient la hiérarchie fondamentale suivante :

Premier niveau :$$1_A(x).$$

Deuxième niveau :$$I_i=1_A(x_i).$$

Troisième niveau :$$I_i\sim Bernoulli(p).$$

Quatrième niveau :$$X = \sum_{i=1}^{n}I_i.$$

Finalement :$$X \sim Binomiale(n,p).$$

La loi binomiale apparaît donc comme la loi naturelle engendrée par une collection de fonctions indicatrices indépendantes.

11. Interprétation en théorie des ensembles probabilistes

La hiérarchie des objets devient :

Indicateur classique :$$1_A(x)\in\{0,1\}.$$

Indicateur bêta :$$I_A(x)\in[0,1].$$

Indicateur bêta-prime :$$O_A(x)\in[0,+\infty[.$$

Cardinal binomial :$$K_A = \sum_{i=1}^{n} 1_A(x_i) \in \{0,1,\ldots,n\}.$$

La fonction indicatrice décrit un élément isolé. La loi binomiale décrit une population entière d’éléments.

12. Cardinal probabiliste

En théorie des ensembles classique :$$|A| = \sum_x1_A(x).$$

La loi binomiale conduit naturellement à la notion de cardinal aléatoire :$$|A|_{\mathrm{prob}} = \sum_{i=1}^{n} 1_A(x_i).$$

avec$$|A|_{\mathrm{prob}} \sim Binomiale(n,p).$$

Le cardinal n’est alors plus un nombre fixe mais une variable aléatoire.

Synthèse

La loi binomiale peut être interprétée comme la loi de comptage des fonctions indicatrices d’appartenance.

La chaîne conceptuelle fondamentale est :$$1_A(x) \longrightarrow I_i \longrightarrow Bernoulli(p) \longrightarrow \sum_{i=1}^{n}I_i \longrightarrow Binomiale(n,p).$$

la loi binomiale joue le rôle d’un opérateur cardinal probabiliste discret, transformant une collection de fonctions indicatrices individuelles en une mesure probabiliste du nombre total d’éléments appartenant à la séquence. Elle constitue ainsi le prolongement naturel de l’appartenance individuelle vers l’appartenance collective quantifiée.