Loi binomiale négative

En Probabilité et en Statistiques, la loi binomiale négative est une distribution de probabilité discrète. Elle décrit la situation suivante : une expérience consiste en une série de tirages indépendants, donnant un "succès" avec probabilité p...



Catégories :

Loi de probabilité - Statistiques

Page(s) en rapport avec ce sujet :

  • La loi de probabilité de la loi binomiale négative est p (X = k) = Ckr+1−1 p r (1 − p) k − r Supposons que le paramètre m de la loi Y soit donné par la... (source : slideshare)
  • La loi binomiale négative est une loi de probabilité discrète. HISTORIQUE Le premier à avoir traité la loi binomiale négative fut Biaise Pascal (1679).... (source : books.google)
  • On sait que la loi i binomiale est celle du nombre aléatoire de succès sur un nombre donné d'épreuves, tandis que la loi binomiale négative est celle... (source : archive.numdam)
Binomiale négative
Densité de probabilité / Fonction de masse
Negative binomial.svgLa ligne rouge représente la moyenne et la ligne verte a pour longueur approximativement 2σ.

Paramètres <img class= (réel) et q = 1 − p
Support k \in \{0,1,2,\ldots\}\!
Densité de probabilité (fonction de masse) \frac{\Gamma(r+k)}{k!\,\Gamma(r)}\,pˆr\,qˆk \!
Fonction de répartition Ip (r, k + 1) où Ip (x, y) est la fonction bêta incomplète régularisée
Espérance r\,\frac{q}{p}\!
Mode <img class=
Variance r\,\frac{q}{pˆ2}\!
Asymétrie (statistique) \frac{2-p}{\sqrt{r\,q}}\!
Kurtosis
(non-normalisé)
\frac{6}{r} + \frac{pˆ2}{r\,q}\!
Fonction génératrice des moments \left(\frac{p}{1-q eˆt}\right)ˆr \!
Fonction caractéristique \left(\frac{p}{1-q eˆ{i\,t}}\right)ˆr \!

En Probabilité et en Statistiques, la loi binomiale négative est une distribution de probabilité discrète. 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. 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 n, le nombre de succès attendus, et p, la probabilité d'un succès. Cette loi est aussi connue sous le nom de loi de Pascal en l'honneur de Blaise Pascal et de loi de Polya, en l'honneur de George Pólya.

La loi se généralise à deux paramètres r et p, où r peut prendre des valeurs réelles strictement positives.

Loi binomiale négative à premier paramètre entier

Loi de probabilité

La loi binomiale négative dépend de deux paramètres, et plusieurs paramétrisations sont envisageables. Une paramétrisation particulièrement répandue introduit un entier naturel n non nul et un réel p compris entre 0 et 1. Il est courant d'introduire la probabilité complémentaire q = 1 − p. La loi de probabilité d'une variable aléatoire distribuée selon une binomiale négative de paramètres n et p, notée NegBin (n, p), prend la forme suivante : pour k = 0, 1, 2, ...

 f(k;n,p) = {k+n-1 \choose k}\cdot pˆn \cdot qˆk \!

Le cœfficient binomial est :

 {k+n-1 \choose k} =  C_{n+k-1}ˆ{k} = \frac{(k+n-1)!}{k!(n-1)!} = {k+n-1 \choose n-1}

La loi binomiale négative est la loi de probabilité de la variable aléatoire X qui comptabilise le nombre d'échecs nécessaires avant obtention de n succès, sachant que la probabilité d'un succès est p :

\mathbb{P}(X=k)=f(k;n;p) =  {k+n-1 \choose n-1}\cdot pˆn \cdot qˆk

La loi binomiale négative peut aussi s'écrire sous la forme

f(k;n,p)={-n\choose k}pˆn(-q)ˆk

{-n\choose k} est un cœfficient binomial appliqué à un entier négatif et est défini par

{-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 favorise aussi, grâce à l'usage de la formule du binôme négatif, le calcul de son espérance \left(n\frac qp\right ) et de sa variance \left(n\frac q{pˆ2}\right).

Définition alternative

On trouve quelquefois la définition alternative suivante : la loi binomiale négative de paramètres n et p est la loi de la variable aléatoire Y donnant le nombre d'essais nécessaires pour obtenir n succès. Alors pour tout m \ge n,

 \mathbb{P}(Y=m)={m-1 \choose m-n}\cdot pˆn\cdot qˆ{m-n} = {m-1 \choose n-1}\cdot pˆn\cdot qˆ{m-n}

Les deux formules se déduisent l'une de l'autre. Il suffit de remarquer que Y = X + n et que m = k+n.

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

Fonction de répartition

La fonction de répartition peut s'exprimer avec la fonction bêta incomplète régularisée :

 F(k) = I_{p}(n, k+1) \!

Une démonstration par récurrence sur k prouve que

 F(k) = 1-qˆ{k+1}\, \sum_{i=0}ˆ{n-1} C_{k+i}ˆ{i}\cdot pˆi\!

Propriétés

Mélange de Gamma-Poisson

Il arrive que l'occurrence de certains phénomènes suive une loi de Poisson de paramètre λ variant lui-même de manière aléatoire. C'est le cas quand le phénomène peut se produire dans des populations différentes dans lesquelles la loi de Poisson change de paramètre. C'est ce qu'on nomme des mélanges de loi de Poisson. Quand le paramètre λ suit une distribution Gamma de paramètres r et θ, l'occurrence du phénomène suit une loi de mélange Gamma-Poisson. La probabilité que le phénomène se réalise k fois est alors

\mathbb{P}(X=k)=\int_0ˆ{+ \infty}\mathbb{P}(X_{\lambda}=k)\times f(\lambda;r, \theta)\mathrm{d}\lambda

Xλ suit une loi de Poisson de paramètre λ et f (λ;r, θ) est la densité de la loi Gamma de paramètres r et θ (réels positifs).

Si Γ (r) est la valeur de la fonction gamma en r, on obtient alors :

\mathbb{P}(X=k)=\int_0ˆ{+ \infty}\dfrac{\lambdaˆkeˆ{-\lambda}}{k!}\dfrac{\lambdaˆ{r-1}eˆ{-\lambda/\theta}}{\Gamma(r)\thetaˆr}\mathrm{d}\lambda
\mathbb{P}(X=k)=\int_0ˆ{+ \infty}\dfrac{\lambdaˆ{k+r-1}eˆ{-\lambda\frac{\theta+1}{\theta}}}{k!\Gamma(r)\thetaˆr}\mathrm{d}\lambda

Le changement de variable t=\lambda\frac{\theta+1}{\theta} conduit à :

 \mathbb{P}(X=k)=\left(\dfrac{\theta}{\theta+1}\right)ˆ{r+k}\dfrac{1}{\Gamma(r)k!\thetaˆr}\int_0ˆ{+ \infty}tˆ{k+r-1}eˆ{-t}dt
 \mathbb{P}(X=k)=\dfrac{\Gamma(k+r)}{\Gamma(r)k!}\left(\dfrac{1}{\theta+1}\right)ˆr\left(\dfrac{\theta}{\theta+1}\right)ˆk

En posant p=\dfrac{1}{\theta+1} et q=\dfrac{\theta}{\theta+1}, on remarque que p + q = 1 et

\mathbb{P}(X=k)=\dfrac{\Gamma(k+r)}{\Gamma(r)k!}pˆrqˆk

Cette formule est une généralisation de la loi précédente pour un paramètre r réel strictement positif. En effet, pour tout entier naturel n non nul,

 \dfrac{(k+n - 1)!}{k!(n-1)!}= \dfrac{\Gamma(k+n)}{\Gamma(n)k!}

On généralise ainsi la loi binomiale négative à un premier paramètre r réel positif. Les formules de la moyenne, de la variance et de la fonction de répartition (sous la forme Ip (r, k + 1) ) restent valables.

Le mélange Gamma-Poisson de paramètres r et θ est par conséquent une loi binomiale négative de paramètres r et p=\frac{1}{\theta+1}.

Cas limite

Si on note λ l'espérance de cette loi, on a les relations suivantes :

 \lambda = r \frac qp = r\frac{1-p}{p}
 p = \frac{r}{r+\lambda} \!

la loi de probabilité devient :

 g_{\lambda,r}(k) = \frac{\lambdaˆk}{k!} \cdot \frac{P(r+k-1,k)}{(r+\lambda)ˆk} \cdot \frac{1}{\left(1+\frac{\lambda}{r}\right)ˆ{r}} \!

λ est un réel positif, r un entier naturel non nul et P (r + k - 1, k), noté aussi A_{r+k-1}ˆ{k}, est le nombre de permutations ou d'arrangement de k éléments parmi r + k - 1

Sous cette paramétrisation, on a

 \lim_{r\to\infty} g_{\lambda,r}(k) = \frac{\lambdaˆk}{k!} \cdot 1 \cdot \frac{1}{\exp(\lambda)} \!

qui est la loi de probabilité d'une loi de Poisson avec un paramètre λ. En d'autres termes, cette loi binomiale négative converge vers une loi de Poisson, et r régit la déviation vis-à-vis de la Poisson. La loi binomiale négative peut par conséquent être vue comme une alternative robuste à la loi de Poisson, approchant cette loi pour r grand, mais avec une variance plus grande pour r petit.

En d'autres termes, la loi binomiale négative converge en distribution vers une Loi de Poisson, dans le sens :

\mathrm{Poisson}(\lambda) = \lim_{r \to \infty} \mathrm{NegBin}(r, r/(\lambda+r)).\,

Loi géométrique associée

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.

\mathrm{Geometrique}(p) = \mathrm{Neg Bin}(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 de la limite centrale 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


\begin{align}
\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{align}

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 l'inverse de la loi binomiale.

Somme

La somme de deux variables aléatoires indépendantes et semblablement distribuées selon une loi binomiale négative de paramètres p et respectivement r1, r2, etc. est toujours une loi binomiale négative, de paramètres p et r = r1 + r2. Cette propriété provient de l'expression de la fonction génératrice des moments et peut se généraliser à la somme de n variables.

Applications

Temps d'attente dans un processus de Bernoulli

Pour tout n entier, la loi binomiale négative est la distribution de succès et d'échecs dans une série d'épreuves de Bernouilli 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. C'est à dire, la loi binomiale négative est la distribution du nombre d'échecs avant le n ème succès dans des épreuves de Bernouilli, de probabilité de succès p.

Considérons l'exemple suivant. On lance plusieurs fois un dé honnête, et la face "1" est reconnue comme un succès. La probabilité de succès à chaque épreuve est 1/6. Le nombre d'épreuves nécessaires pour obtenir 3 succès appartient à la totalité illimité { 3, 4, 5, 6, ... }. Ce nombre d'épreuves est une variable aléatoire distribuée selon une loi binomiale négative (décalée, car la totalité commence à 3 et pas à 0). Le nombre d'échecs avant le troisième succès appartient à la totalité { 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, surtout dans sa paramétrisation alternative décrite plus haut, est une alternative intéressante à la loi de Poisson. Elle est spécifiquement 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 identiques. Dans ce cas, les observations sont «sur-dispersée» comparé au modèle Poisson. Puisque la loi binomiale négative possède un paramètre supplémentaire, il est parfois utilisé pour ajuster la variance indépendamment de la moyenne.


Références

Recherche sur Amazon (livres) :



Ce texte est issu de l'encyclopédie Wikipedia. Vous pouvez consulter sa version originale dans cette encyclopédie à l'adresse http://fr.wikipedia.org/wiki/Loi_binomiale_n%C3%A9gative.
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 07/04/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.
Accueil Recherche Aller au contenuDébut page
ContactContact ImprimerImprimer liens d'évitement et raccourcis clavierAccessibilité
Aller au menu