Calculateur binomial négatif

Utilisez la distribution binomiale négative lorsque vous comptez combien de tentatives il faut pour obtenir un certain nombre de succès, ou lorsque vous avez des données de comptage plus variables que ne le permet la distribution de Poisson. Elle est couramment utilisée en biologie pour modéliser l'abondance des espèces, en assurance pour le décompte des sinistres et dans le contrôle qualité pour l'analyse des défauts—partout où les comptages présentent plus de variabilité que prévu.

Qu'est-ce que la distribution binomiale négative ?

La distribution binomiale négative modélise le nombre d'essais nécessaires pour obtenir un nombre spécifié de succès, ou de manière équivalente, le nombre d'échecs avant d'obtenir r succès.

Également utilisée pour : Données de comptage avec surdispersion (variance > moyenne), que la loi de Poisson ne peut pas gérer.

Deux paramétrages

Type 1 : Essais jusqu'à r succès

Question : « Combien d'essais jusqu'à ce que j'obtienne r succès ? »

$P(X = k) = \binom{k-1}{r-1} p^r (1-p)^{k-r}$

Où :

• X = nombre d'essais (minimum r)
• k = total d'essais
• r = succès requis
• p = probabilité de succès par essai

Type 2 : Échecs avant r succès

Question : « Combien d'échecs avant r succès ? »

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

Où :

• X = nombre d'échecs (minimum 0)
• k = nombre d'échecs
• r = succès requis
• p = probabilité de succès par essai

Type 3 : Forme moyenne-dispersion (comptages surdispersés)

$P(X = k) = \binom{k+r-1}{k} \left(\frac{r}{r+\mu}\right)^r \left(\frac{\mu}{r+\mu}\right)^k$

Où :

• μ = moyenne
• r = paramètre de dispersion (r plus petit = plus de surdispersion)

Exemple : Essais jusqu'au succès

Scénario : Un joueur de basket a un taux de réussite de 70% aux lancers francs. Quelle est la probabilité qu'il ait besoin d'exactement 5 tirs pour réussir 3 paniers ?

Paramètres :

• r = 3 (besoin de 3 succès)
• p = 0,70
• k = 5 (total de tirs)

$P(X = 5) = \binom{4}{2}(0,70)^3(0,30)^2$ $= 6 \times 0,343 \times 0,09 = 0,185$

Interprétation : 18,5% de chance d'avoir besoin d'exactement 5 tirs.

Exemple : Comptages surdispersés

Scénario : Visites quotidiennes aux urgences. Moyenne = 20, mais variance = 45 (bien supérieure à la moyenne).

Poisson suppose que variance = moyenne, donc inapproprié.

Binomiale négative avec μ = 20 et r = 16 (estimé à partir des données) : $\text{Variance} = \mu + \frac{\mu^2}{r} = 20 + \frac{400}{16} = 45$ ✓

Moyenne et variance

Pour la version « Échecs avant r succès »

$E[X] = \frac{r(1-p)}{p}$

$\text{Var}(X) = \frac{r(1-p)}{p^2}$

Pour la version « Comptages surdispersés »

$E[X] = \mu$

$\text{Var}(X) = \mu + \frac{\mu^2}{r}$

Idée clé : La variance dépasse toujours la moyenne (surdispersion).

Relation avec d'autres distributions

Cas particulier : Distribution géométrique

La binomiale négative avec r = 1 est la distribution géométrique (essais jusqu'au premier succès).

Cas limite : Distribution de Poisson

Lorsque r → ∞, la binomiale négative se rapproche de la loi de Poisson avec paramètre μ.

Interprétation en mélange

La binomiale négative peut être vue comme une distribution de Poisson où le paramètre de taux lui-même suit une distribution gamma (mélange Poisson-gamma).

Détecter la surdispersion

Vérification visuelle

Comparez l'histogramme des comptages à une loi de Poisson avec la même moyenne.

Rapport variance/moyenne

$\text{Dispersion} = \frac{\text{Variance}}{\text{Moyenne}}$

• Rapport = 1 : Poisson approprié
• Rapport > 1 : Surdispersion → envisager la binomiale négative
• Rapport >> 1 : Forte surdispersion

Test statistique

En régression de Poisson, tester si le paramètre de dispersion = 1.

Quand utiliser la binomiale négative

Processus de comptage

• Nombre d'échecs avant succès
• Essais jusqu'à ce qu'un quota soit atteint
• Attente d'événements rares

Données de comptage surdispersées

• Décomptes de maladies avec regroupement
• Données d'accidents
• Sinistres d'assurance
• Décomptes écologiques (abondance des espèces)
• Visites de sites web avec effets viraux

Quand Poisson ne convient pas

Si le modèle de Poisson montre une surdispersion, essayez la binomiale négative.

Régression binomiale négative

Modéliser les données de comptage avec des covariables :

$\log(\mu_i) = \beta_0 + \beta_1 x_{1i} + \beta_2 x_{2i} + \cdots$

Avec variance binomiale négative :

$\text{Var}(Y_i) = \mu_i + \frac{\mu_i^2}{r}$

À utiliser quand : La régression de Poisson montre une surdispersion (déviance >> df).

Probabilités cumulées

$P(X \leq k) = \sum_{i=0}^{k} P(X = i)$

Pour les calculs pratiques, utilisez un logiciel ou des tables statistiques.

Applications

Contrôle qualité

Nombre d'inspections jusqu'à trouver r articles défectueux.

Essais cliniques

Nombre de patients dépistés jusqu'à trouver r sujets éligibles.

Épidémiologie

Décomptes de maladies lorsqu'il existe un regroupement ou une hétérogénéité.

Écologie

Données d'abondance d'espèces (souvent très surdispersées).

Assurance

Décomptes de sinistres par assuré.

Génie logiciel

Décomptes de bogues dans les modules de code.

Exemple : Réadmissions hospitalières

Données : Décomptes de réadmission à 30 jours pour 500 patients

La binomiale négative s'ajuste beaucoup mieux en raison de la surdispersion provenant de l'hétérogénéité des patients non observée.

Estimer les paramètres

Méthode des moments

$\hat{p} = \frac{\bar{X}}{\text{Var}(X)}$ $\hat{r} = \frac{\bar{X}^2}{\text{Var}(X) - \bar{X}}$

Maximum de vraisemblance

Plus précis ; nécessite un calcul itératif.

Intervalles de confiance

Pour les probabilités estimées, utilisez des méthodes exactes pour les petits échantillons ou l'approximation normale pour les grands échantillons.

Rapporter les résultats

Pour la régression :

« Une régression binomiale négative a été utilisée en raison d'une surdispersion significative dans le modèle de Poisson (dispersion = 2,8). Les décomptes de réadmission hospitalière étaient significativement associés à l'âge (IRR = 1,03 par an, IC à 95% : 1,01-1,05, p = 0,003) et aux admissions antérieures (IRR = 1,45, IC à 95% : 1,22-1,72, p < 0,001). »

Pour le calcul de probabilité :

« Selon un modèle binomial négatif avec r = 3 succès et p = 0,70, la probabilité d'avoir besoin d'exactement 5 essais est de 18,5%. »

Erreurs courantes

Utiliser Poisson en cas de surdispersion

Vérifiez le rapport variance/moyenne. Si > 1,5, envisagez la binomiale négative.

Confondre les paramétrages

Précisez clairement si vous comptez les essais, les échecs ou utilisez la forme moyenne-dispersion.

Ignorer l'inflation de zéros

S'il y a un excès de zéros au-delà de ce que la binomiale négative prédit, envisagez des modèles avec inflation de zéros.

Mauvaise formule de variance

La formule de variance diffère selon le paramétrage—utilisez celle qui correspond à votre formulation.

Comparaison avec Poisson

Contexte historique

La distribution binomiale négative a été étudiée par Pascal au 17ème siècle dans le contexte de l'attente de succès dans des essais répétés.

Son application aux données de comptage surdispersées s'est développée au 20ème siècle, notamment grâce aux travaux de Greenwood et Yule (1920) en épidémiologie et de Fisher en génétique.

Calculs associés

• Calculateur de probabilité binomiale — Nombre fixe d'essais
• Calculateur de probabilité de Poisson — Quand variance ≈ moyenne
• Distribution géométrique — Cas particulier r = 1
• Khi-deux d'ajustement — Tester l'ajustement

Résumé

La distribution binomiale négative modélise soit le nombre d'essais jusqu'à r succès, soit des données de comptage surdispersées où la variance dépasse la moyenne. Elle est plus flexible que Poisson, s'adaptant au regroupement et à l'hétérogénéité dans les données de comptage. Les applications clés incluent le contrôle qualité (attente de r défauts), l'épidémiologie (regroupement de maladies) et toutes données de comptage ne respectant pas l'hypothèse de variance de Poisson. Le paramètre de dispersion r contrôle le degré de surdispersion—r plus petit signifie plus de surdispersion. Utilisez la régression binomiale négative lorsque la régression de Poisson montre une surdispersion.