5 exemples réels de la loi géométrique

Dans l’arsenal des probabilités discrètes, peu de structures conceptuelles capturent avec autant d’élégance et d’acuité la tension fondamentale entre l’incertitude du présent et l’attente du futur que la loi géométrique. Issue directement de la répétition séquentielle d’épreuves de Bernoulli indépendantes, cette distribution constitue le modèle canonique du temps d’attente discret : elle quantifie le nombre d’échecs préliminaires indispensables avant qu’un succès singulier, fugace ou ardemment désiré, ne daigne enfin se manifester. Bien loin de se cantonner aux abstractions combinatoires des manuels universitaires, la loi géométrique s’avère être une lentille analytique d’une puissance redoutable pour décrypter le monde empirique, modélisant avec une égale pertinence la quête d’un premier emploi, la persistance d’un démarcheur téléphonique, l’errance diagnostique d’un clinicien face à une maladie orpheline ou encore l’obstination compulsive du joueur de casino.

Pourtant, si sa formulation mathématique brille par sa limpidité, son appréhension intuitive pose des défis cognitifs considérables à l’esprit humain. Gouvernée par la propriété singulière d’absence de mémoire — selon laquelle le passé n’exerce aucune force de rappel sur l’avenir stochastique —, la loi géométrique heurte frontalement nos représentations téléologiques spontanées. L’être humain, conditionné par l’apprentissage déterministe et la causalité physique, peine viscéralement à concevoir qu’une longue série d’insuccès ne rapproche en rien, mathématiquement, de la réussite imminente. Cette dissonance entre la réalité axiomatique du processus sans mémoire et les heuristiques de jugement constitue le creuset d’une multitude de distorsions comportementales, de l’illusion de contrôle à l’épuisement psychologique face à l’incertitude.

Le présent traité propose une exploration exhaustive, rigoureuse et multidimensionnelle de la loi géométrique à travers le prisme de cinq applications concrètes issues de la vie réelle. En articulant formalisation mathématique de pointe, analyse psychologique fine et implications décisionnelles pratiques, ce travail ambitionne de combler le fossé entre la rigueur de la théorie de la mesure et les réalités vécues de l’action humaine en contexte incertain. De la théorie axiomatique aux protocoles expérimentaux des sciences cognitives, des défis du recrutement moderne à la bioéthique du dépistage médical, nous analyserons comment cette distribution discrète fondamentale modèle silencieusement les structures temporelles et stochastiques de notre quotidien.

1. Cadre théorique et fondements formels de la loi géométrique

1.1 Définition axiomatique de l’épreuve de Bernoulli

L’édifice conceptuel de la distribution géométrique repose sur la formalisation rigoureuse de l’épreuve de Bernoulli, une expérience aléatoire fondamentale théorisée initialement par Jacques Bernoulli dans son ouvrage séminal Ars Conjectandi. Au sens axiomatique de Kolmogorov, considérons un espace probabilisé canonique défini par le triplet $(\Omega, \mathcal{F}, \mathbb{P})$, où $\Omega$ représente l’univers des événements possibles, $\mathcal{F}$ une tribu ou $\sigma$-algèbre de sous-ensembles de $\Omega$, et $\mathbb{P}$ une mesure de probabilité assignant une valeur comprise dans le segment réel $[0, 1]$ à chaque événement de $\mathcal{F}$. Dans le cadre élémentaire d’un essai bernoullien unique, l’univers est dichotomique et ne comporte que deux issues mutuellement exclusives et exhaustivement complémentaires, couramment dénommées « succès » ($S$) et « échec » ($E$), telles que $\Omega = {S, E}$.

L’hypothèse primordiale qui structure cette modélisation réside dans l’invariance stricte de la probabilité associée à l’occurrence du succès au fil des réalisations temporelles. Notons $p = \mathbb{P}(S)$ la probabilité intrinsèque de l’issue favorable, avec la condition d’existence non triviale $p in ]0, 1[$. Par complémentarité logique et additivité de la mesure de probabilité sur des événements disjoints, la probabilité de l’échec est identiquement fixée à $q = \mathbb{P}(E) = 1 – p$. Dans un processus de répétition indéfinie, l’univers produit s’exprime sous la forme d’un espace de suites infinies $\Omega^\infty = {S, E}^\mathbb{N}$, muni de la tribu produit $\mathcal{F}^{o\times \mathbb{N}}$.

L’exigence d’indépendance stochastique stricte constitue le pilier fondamental de ce cadre théorique. Deux événements temporels $A_i$ et $A_j$ observés à des indices d’essais distincts $i \neq j$ vérifient sans dérogation la relation de factorisation de leur mesure jointe :

$$\mathbb{P}(A_i \cap A_j) = \mathbb{P}(A_i) \cdot \mathbb{P}(A_j)$$

Cette condition élimine a priori toute possibilité de corrélation temporelle, d’apprentissage structurel, de modification de l’environnement physique sous-jacent ou d’usure mécanique des générateurs d’aléa. Chaque tirage réinitialise intégralement les conditions stochastiques du système, garantissant une stationnarité absolue du processus générateur de données.

1.2 Fonctions de masse et formulations mathématiques

La littérature probabiliste et statistique retient traditionnellement deux formulations distinctes pour la variable aléatoire régie par la loi géométrique, une dualité de conventions qui requiert une clarification formelle préalable pour prévenir toute ambiguïté analytique. La première convention, largement prédominante en théorie des files d’attente et en modélisation des processus de renouvellement, s’intéresse au nombre d’échecs consécutifs, noté $X$, observés strictement avant l’apparition de l’unique premier succès. Le support de cette variable aléatoire discrète coïncide avec l’ensemble des entiers naturels dans son intégralité :

$$\mathcal{X} = \mathbb{N} = {0, 1, 2, 3, dots}$$

En vertu de l’indépendance stochastique postulée entre les réalisations bernoulliennes, la probabilité jointe d’observer une trajectoire constituée d’exactement $k$ échecs successifs scellée par un unique succès final se factorise selon la fonction de masse de probabilité :

$$\mathbb{P}(X = k) = (1 – p)^k p = q^k p, \quad \forall k in \mathbb{N}$$

La seconde convention, couramment mobilisée dans les contextes expérimentaux et les sciences cognitives, s’attache à modéliser le rang ordinal ou l’indice temporel $Y$ de l’essai lors duquel le premier succès se concrétise. Il s’ensuit immédiatement la relation bijective de translation $Y = X + 1$, dont le support s’établit sur les entiers naturels strictement positifs $\mathcal{Y} = \mathbb{N}^* = {1, 2, 3, dots}$. La fonction de masse s’écrit alors de manière analogue pour tout $n in \mathbb{N}^*$ par $\mathbb{P}(Y = n) = (1 – p)^{n-1} p$.

À partir de la première formulation, la fonction de répartition cumulative $F_X(k) = \mathbb{P}(X le k)$ s’obtient par la sommation directe de la série géométrique finie de raison $q$ :

$$F_X(k) = \sum_{j=0}^{k} p (1 – p)^j = p \frac{1 – (1 – p)^{k+1}}{1 – (1 – p)} = 1 – (1 – p)^{k+1}$$

Par dérivation logique, la fonction de survie (ou fonction de queue de distribution), qui quantifie la probabilité de dépasser un seuil critique d’insuccès $k$, prend une formulation d’une remarquable concision analytique :

$$\mathbb{P}(X ge k) = 1 – F_X(k-1) = (1 – p)^k = q^k$$

Cette expression formalise l’intuition selon laquelle comptabiliser au moins $k$ échecs initiaux équivaut rigoureusement à exiger que les $k$ premiers essais indépendants soient intégralement composés d’échecs consécutifs.

L’évaluation des moments d’ordre un et deux s’opère par l’exploitation des techniques de dérivation formelle des séries entières. L’espérance mathématique de la variable $X$ représentant le nombre d’échecs s’obtient par :

$$\mathbb{E}(X) = \sum_{k=0}^{\infty} k p (1 – p)^k = p (1 – p) \sum_{k=1}^{\infty} k (1 – p)^{k-1} = p (1 – p) \frac{d}{d(1-p)} \left( \sum_{k=0}^{\infty} (1 – p)^k \right)$$

Sachant que $\sum_{k=0}^{\infty} (1-p)^k = \frac{1}{1 – (1 – p)} = \frac{1}{p}$, la dérivation conduit sans équivoque à :

$$\mathbb{E}(X) = p (1 – p) \left( \frac{1}{p^2} \right) = \frac{1 – p}{p}$$

Pour la variable $Y = X + 1$, la linéarité fondamentale de l’opérateur espérance confère immédiatement :

$$\mathbb{E}(Y) = \mathbb{E}(X) + 1 = \frac{1 – p}{p} + 1 = \frac{1}{p}$$

Le calcul du moment d’ordre deux $\mathbb{E}(X^2)$ via le moment factoriel $\mathbb{E}[X(X-1)]$ permet ensuite de déduire la variance canonique de la distribution, invariante sous translation et donc commune aux deux variables aléatoires :

$$\mathrm{Var}(X) = \mathrm{Var}(Y) = \frac{1 – p}{p^2}$$

On constate dès lors une propriété structurelle essentielle : à mesure que la probabilité unitaire de succès $p$ décroît vers zéro, l’espérance mathématique croît selon une dynamique hyperbolique en $\mathcal{O}(p^{-1})$, tandis que la dispersion quadratique matérialisée par la variance explose selon une cadence en $\mathcal{O}(p^{-2})$, illustrant l’extrême instabilité des processus d’attente à faible rendement initial.

1.3 La propriété fondamentale d’absence de mémoire

L’attribut distinctif le plus profond de la loi géométrique réside dans son caractère intrinsèquement « sans mémoire » (parfois désigné sous le vocable d’amnésie stochastique). Au plan formel, cette propriété stipule que pour tout couple d’entiers naturels $(s, t) in \mathbb{N}^2$, la probabilité conditionnelle que le nombre d’échecs excède le cumul $s + t$, sachant que le processus a déjà comptabilisé au moins $s$ échecs initiaux, est rigoureusement identique à la probabilité brute d’observer au moins $t$ échecs à partir de l’origine du temps stochastique :

$$\mathbb{P}(X ge s + t mid X ge s) = \mathbb{P}(X ge t)$$

La démonstration analytique de cette égalité se déploie avec une simplicité lumineuse grâce à l’application directe de la définition bayésienne du conditionnement et à l’exploitation de la fonction de survie dérivée en amont :

$$\mathbb{P}(X ge s + t mid X ge s) = \frac{\mathbb{P}({X ge s + t} \cap {X ge s})}{\mathbb{P}(X ge s)}$$

Puisque $s + t ge s$, l’inclusion d’événements ${X ge s + t} \subseteq {X ge s}$ est strictement vérifiée, ce qui réduit immédiatement l’intersection au premier événement. En injectant la fonction de survie $q^k$, le quotient prend la forme suivante :

$$\mathbb{P}(X ge s + t mid X ge s) = \frac{\mathbb{P}(X ge s + t)}{\mathbb{P}(X ge s)} = \frac{(1 – p)^{s+t}}{(1 – p)^s} = \frac{(1 – p)^s (1 – p)^t}{(1 – p)^s} = (1 – p)^t = \mathbb{P}(X ge t)$$

Ce résultat démontre de manière absolue que la distribution géométrique est amnésique. Plus encore, au sein des familles de lois de probabilité à support discret sur $\mathbb{N}$ ou $\mathbb{N}^*$, la loi géométrique représente l’unique distribution continue ou discrète vérifiant cette équation fonctionnelle de Cauchy sans vieillissement, son pendant continu unique étant la loi exponentielle.

Sur le plan ontologique et structurel, cette absence de vieillissement engendre des conséquences phénoménologiques fondamentales pour la prise de décision humaine. Elle implique qu’un observateur ou un acteur ayant consenti un investissement temporel, financier ou émotionnel matérialisé par l’accumulation préalable de $s$ échecs consécutifs ne jouit d’aucun avantage stochastique sur un intervenant novice qui aborderait le système à l’instant présent. Le système ne thésaurise aucune trace résiduelle de ses tentatives infructueuses passées. Cette imperméabilité de l’avenir vis-à-vis du passé s’oppose radicalement aux lois déterministes de la mécanique classique, où la fatigue des matériaux ou l’usure cinétique altèrent de façon cumulative les probabilités de rupture, et constitue l’écueil cognitif majeur auquel se heurte l’esprit humain lorsqu’il tente d’interagir rationnellement avec un processus d’attente géométrique.

2. Interface entre modélisation géométrique et cognition humaine

2.1 Perception psychologique du hasard et temps d’attente

L’appareil perceptif et cognitif de l’être humain s’est façonné au cours de l’évolution biologique dans un environnement physique macroscopique dominé par des mécanismes causaux déterministes et des processus d’accumulation progressive de matière et d’énergie. Par conséquent, l’esprit humain manifeste une propension spontanée à anticiper une régularité homéostatique dans le déroulement temporel des phénomènes. Lorsqu’il est confronté à la distribution fortement asymétrique à queue droite épaisse d’un temps d’attente géométrique, le sujet subit une violente dissonance cognitive. La variabilité intrinsèque de la loi — où un succès peut survenir dès le premier essai avec une probabilité non nulle, ou demeurer obstinément inaccessible après plusieurs dizaines de tirages consécutifs — est fréquemment vécue non pas comme une expression légitime de la stochasticité pure, mais comme une anomalie du système ou une manifestation d’injustice environnementale.

Cette asymétrie engendre l’attente subjective erronée d’une auto-correction immanente du hasard. Les individus projettent sur les suites aléatoires un principe téléologique d’équilibre : si les échecs s’accumulent au-delà de l’espérance mathématique $\frac{1-p}{p}$, le psychisme génère la conviction viscérale que le système doit « compenser » cette anomalie apparente en précipitant l’occurrence d’un succès libérateur. Cette attente débouche inévitablement sur une distorsion de la perception du coût temporel : chaque tentative stochastiquement vaine est perçue comme une taxe psychologique cumulative, amplifiant exponentiellement les sentiments de frustration, d’impuissance et d’épuisement mental chez l’opérateur humain engagé dans un processus séquentiel.

2.2 Les biais heuristiques face à l’indépendance des tirages

La négation psychologique de l’absence de mémoire se cristallise formellement à travers des biais de jugement amplement documentés par l’économie comportementale et les travaux pionniers de Daniel Kahneman et Amos Tversky sur la théorie des perspectives. Le biais le plus emblématique opérant contre la réalité d’un modèle géométrique est l’erreur du joueur (gambler’s fallacy). Cette distorsion heuristique conduit un individu à estimer que la probabilité conditionnelle d’un succès augmente mécaniquement en fonction de la longueur de la séquence ininterrompue d’échecs préalable. Le joueur suppose implicitement que l’univers stochastique dispose d’une mémoire et d’une volonté corrective, violant directement l’axiome $\mathbb{P}(X = s + 1 mid X ge s) = p$.

À l’opposé diamétral, mais procédant d’une altération cognitive analogue de l’indépendance statistique, l’illusion de la « main chaude » (hot hand fallacy) pousse l’agent à postuler qu’une réussite précoce ou une alternance d’essais fructueux traduit une modification transitoire favorable du paramètre fondamental $p$, interprétée comme une « dynamique de réussite » ou un état de grâce personnel. L’agent confond alors un regroupement probabiliste parfaitement naturel sous la loi géométrique avec une modification structurelle de son potentiel intrinsèque. De surcroît, le jugement est lourdement contaminé par l’effet d’ancrage : l’estimation a priori du taux de succès théorique formulée lors de la première interaction conditionne durablement l’évaluation du système, empêchant le sujet d’ajuster ses attentes de manière bayésienne rationnelle face au déploiement séquentiel des tirages.

2.3 Persévérance comportementale et seuils d’abandon

La structure formelle de la loi géométrique jette un éclairage décisif sur les mécanismes de la persévérance comportementale et de l’attrition séquentielle. En psychologie opérante, un processus géométrique équivaut rigoureusement à un programme de distribution de renforcement à ratio variable (variable-ratio schedule). Il a été formellement démontré par B.F. Skinner et ses successeurs que ces programmes stochastiques constituent le moyen le plus puissant et le plus robuste pour conditionner la répétition d’un comportement chez les mammifères supérieurs, précisément en raison de l’imprévisibilité totale du tirage gratifiant combinée à la possibilité continue d’une survenue immédiate.

Cependant, lorsque le coût marginal d’exécution de chaque tentative est élevé — qu’il soit d’ordre physique, cognitif, social ou monétaire —, le processus géométrique induit une dynamique d’épuisement de l’effort. L’acteur économique ou clinique doit arbitrer en continu entre la poursuite d’un engagement stochastiquement aveugle et le renoncement rationnel. Cet arbitrage est souvent perverti par le phénomène de l’aversion à la perte et l’effet des coûts irrécupérables (sunk cost fallacy) : ayant déjà consenti une suite substantielle d’efforts infructueux sans altérer d’un iota la probabilité du tirage subséquent, l’individu préfère s’enferrer dans la persévérance irrationnelle plutôt que d’acter la perte sèche des ressources précédemment investies. Le seuil effectif d’abandon dépend alors moins d’un calcul probabiliste optimal que de la capacité psychologique de tolérance à l’ambiguïté et à la futilité répétée.

3. Exemple 1 : Les lancers de pièces répétés et paradigmes expérimentaux

3.1 Protocole expérimental et modélisation canonique

Le lancer répété d’une pièce de monnaie équilibrée constitue le paradigme étalon pour la vérification empirique et l’enseignement fondamental des lois stochastiques discrètes. Dans un dispositif de laboratoire standard, une pièce dont la conformité mécanique et la symétrie pondérale excluent tout biais physique est lancée sous des conditions environnementales strictement contrôlées (hauteur de chute, vitesse de rotation initiale, surface d’impact absorbante). L’événement « succès » est arbitrairement attribué à l’apparition de la face « Pile », fixant rigoureusement le paramètre d’intérêt à $p = 0{,}5$, tandis que l’apparition de la face « Face » scelle l’occurrence d’un échec avec une probabilité strictement égale $q = 1 – p = 0{,}5$.

Dans ce cadre parfaitement équilibré, la fonction de masse de la variable $X$, quantifiant le nombre de « Faces » précédant l’apparition du premier « Pile », adopte la formulation dyadique élémentaire :

$$\mathbb{P}(X = k) = (0{,}5)^k (0{,}5) = \left(\frac{1}{2}\right)^{k+1} = 2^{-(k+1)}, \quad \forall k in \mathbb{N}$$

L’espérance mathématique du nombre d’échecs avant succès s’établit selon la formule analytique $\mathbb{E}(X) = \frac{1 – 0{,}5}{0{,}5} = 1$, tandis que le rang moyen du premier lancer victorieux est de $\mathbb{E}(Y) = \frac{1}{0{,}5} = 2$. La variance, commune aux deux variables, atteint la valeur $\mathrm{Var}(X) = \frac{1 – 0{,}5}{(0{,}5)^2} = 2$, ce qui dénote un écart-type de $\sigma = \sqrt{2} \approx 1{,}414$, supérieur à l’espérance elle-même. La probabilité conditionnelle d’observer une séquence extrême, par exemple dix « Faces » consécutives suivies d’un succès, s’établit à $2^{-11} \approx 0{,}000488$. Bien que marginale, cette éventualité appartient pleinement à l’espace probabilisé et survient nécessairement lorsque le nombre total de blocs expérimentaux croît à l’infini.

3.2 Applications dans les laboratoires de sciences cognitives

Dans les laboratoires de neuropsychologie et d’économie expérimentale, le protocole du lancer répété modélisé par la loi géométrique est massivement mobilisé comme tâche de référence pour sonder les architectures d’apprentissage et de régulation de l’effort. D’une part, il permet de mesurer la tolérance comportementale à la frustration face à des séquences d’essais dont la variance est théoriquement connue et exempte de tout artifice expérimental. Les sujets installés devant des consoles informatisées doivent valider des séquences de tirages géométriques automatisés simulant des tirages de pièces virtuelles ; les chercheurs enregistrent avec précision la conductance cutanée, la dilatation pupillaire et les temps de réaction pour identifier le moment exact où l’accumulation d’insuccès induit une bascule vers le désengagement attentionnel.

D’autre part, ce dispositif constitue une tâche de contrôle méthodologique idéale pour purifier les protocoles étudiant la flexibilité cognitive. Contrairement aux tâches d’apprentissage opérant par essais et erreurs avec rétroaction associative (telles que le test de tri de cartes du Wisconsin), la distribution géométrique à probabilité constante exclut structurellement tout apprentissage implicite. Les expérimentateurs peuvent ainsi distinguer avec certitude les modulations de réponse attribuables à la véritable plasticité cognitive du sujet de celles qui relèvent uniquement d’illusions d’apprentissage générées spontanément par le cortex préfrontal en réponse à la distribution stochastique sous-jacente.

3.3 Confrontation entre distribution théorique et empirisme psychologique

La confrontation directe entre la loi géométrique canonique issue du tirage de pièces et les prédictions subjectives formulées par les sujets humains en laboratoire met en évidence des anomalies méthodologiques d’une constance remarquable. Lorsqu’on sollicite un panel d’individus pour anticiper le résultat du prochain lancer après une suite observée de cinq échecs consécutifs, une majorité écrasante prédit l’apparition immédiate d’un « Pile », manifestant une répugnance cognitive profonde envers la répétition locale d’éléments identiques. Les participants jugent la séquence $[F, F, F, F, P]$ infiniment plus probable à l’instant présent que la séquence $[F, F, F, F, F]$, alors même que sous l’hypothèse d’indépendance bernoullienne, chaque issue élémentaire dispose strictement d’une probabilité conditionnelle identique de $0{,}5$.

Cette incapacité métacognitive à appréhender la queue de distribution — où la probabilité cumulée des événements rares $\mathbb{P}(X ge k) = 0{,}5^k$ s’amenuise sans jamais s’annuler — traduit une difficulté structurelle à intégrer l’absence de corrélation temporelle. L’analyse quantitative des séries de réponses subjectives collectées en laboratoire révèle une autocorrélation négative artificielle des choix, phénomène connu sous le nom d’alternance subjective excessive : les sujets humains produisent spontanément des séquences où les changements d’états sont surreprésentés par rapport à la distribution géométrique véritable, démontrant que le concept même de tirage sans mémoire constitue une construction contre-intuitive pour l’architecture neuronale humaine.

4. Exemple 2 : Le processus de recrutement et la recherche séquentielle d’emploi

4.1 Modélisation des candidatures comme épreuves répétées

L’insertion sur le marché du travail contemporain ou la transition de carrière d’un cadre hautement qualifié peut être appréhendée, sous certaines conditions d’abstraction structurelle, comme une séquence d’essais bernoulliens modélisée par une distribution géométrique. Dans ce paradigme socio-économique, chaque candidature unique transmise par un travailleur à une entreprise réceptrice constitue un essai aléatoire. Deux états terminaux seulement sanctionnent le processus : le rejet de la candidature (échec, avec la probabilité $q = 1 – p$) ou la formulation ferme d’une promesse d’embauche (succès, caractérisé par la probabilité marginale stationnaire $p$). La variable aléatoire $X$ représente ainsi le nombre total de refus essuyés par le candidat avant de décrocher sa première intégration professionnelle pérenne.

Sous l’hypothèse restrictive d’une adéquation moyenne constante entre le profil soumis et les exigences du marché macroéconomique, la probabilité d’obtenir une signature contractuelle après avoir accumulé une succession ininterrompue de $k$ refus s’exprime rigoureusement par :

$$\mathbb{P}(X = k) = (1 – p)^k p$$

Pour un marché compétitif où la probabilité unitaire de conversion d’une candidature en contrat s’établit par exemple à un modeste $p = 0{,}04$ (soit 4 % de chances par dossier déposé), l’espérance mathématique du nombre de refus à essuyer avant d’atteindre le but culmine à :

$$\mathbb{E}(X) = \frac{1 – 0{,}04}{0{,}04} = \frac{0{,}96}{0{,}04} = 24 \text{ refus}$$

Le nombre médian de dossiers requis pour sécuriser une opportunité avec une certitude d’au moins 50 % s’obtient par la résolution de l’inéquation cumulative de survie $(1 – p)^m le 0{,}5$, soit $m ge \frac{\ln(0{,}5)}{\ln(1 – 0{,}04)} \approx \frac{-0{,}6931}{-0{,}0408} \approx 17$ candidatures. Dès lors, plus de la moitié des chercheurs d’emploi devront affronter au bas mot 17 rejets successifs avant de rencontrer leur premier dénouement contractuel positif.

4.2 Variabilité individuelle et limites de l’homogénéité du paramètre

Bien que le modèle géométrique offre une grille de lecture statistique séduisante et épurée de la prospection d’emploi, la transposition directe des axiomes de Bernoulli à la sociologie du travail impose de reconnaître des limites structurelles majeures. En premier lieu, le postulat d’invariance temporelle du paramètre $p$ subit de plein fouet l’influence des boucles de rétroaction comportementales et de l’apprentissage humain. Au fil des entretiens et des lettres de motivation rédigées, un candidat proactif perfectionne ses compétences d’auto-présentation, raffine son curriculum vitae et optimise son ciblage sectoriel. Ce perfectionnement continu entraîne une dérive positive de la probabilité de succès :

$$p_1 < p_2 < dots < p_k$$

Ce processus dynamique brise la stationnarité géométrique au profit de distributions à taux de hasard croissant.

À l’inverse, l’hétérogénéité intrinsèque des employeurs et la sélection séquentielle des opportunités constituent un puissant facteur de distorsion opposé. Le demandeur d’emploi postule naturellement d’abord aux offres les plus en adéquation avec ses compétences fondamentales (où $p$ est maximal), pour ensuite, par épuisement des gisements préférentiels, se tourner vers des postes périphériques où sa probabilité de sélection chute drastiquement. De surcroît, le phénomène de stigmatisation du chômage de longue durée (hysteresis du capital humain) induit une pénalisation temporelle : les recruteurs valorisant moins un profil inactif depuis douze mois qu’un candidat immédiatement disponible, le paramètre $p$ tend à décroître avec le temps d’attente. Pour corriger ces imperfections empiriques, les économètres abandonnent la loi géométrique pure au profit de modèles de mélanges continus, tels que la distribution bêta-géométrique, capable d’agréger la variance des caractéristiques inobservables au sein d’une population de postulants hétérogènes.

4.3 Conséquences psychologiques de la recherche prolongée

L’application rigoureuse du cadre conceptuel géométrique au champ de la recherche d’emploi dévoile les soubassements de l’usure psychique documentée chez les demandeurs d’emploi de longue durée. L’attribut sans mémoire du système stochastique place le postulant dans une insécurité existentielle chronique : avoir essuyé cinquante refus consécutifs ne lui confère mathématiquement aucune garantie supplémentaire d’aboutir au cinquante-et-unième envoi. Cette absence de cumulativité tangible empêche l’individu d’apprécier sa progression objective vers l’objectif. Le travailleur ne vit pas sa démarche comme une marche progressive le long d’un sentier borné, mais comme un confinement stationnaire au sein d’une chambre d’attente opaque dont la porte ne s’ouvre que sous l’effet d’une impulsion probabiliste aléatoire.

Cette dynamique engendre avec une régularité tragique le syndrome d’« impuissance apprise », formalisé en psychologie expérimentale par Martin Seligman. Face à la récurrence de sanctions négatives (lettres de refus standardisées ou silences méprisants des recruteurs) totalement déconnectées de l’intensité ou de la rigueur du travail fourni pour postuler, le sentiment d’auto-efficacité d’Albert Bandura s’érode irrémédiablement. L’individu finit par internaliser l’échec stochastique comme une déficience ontologique personnelle. Dans cette perspective, les interventions d’accompagnement socioprofessionnel gagnent une efficacité substantielle lorsqu’elles intègrent la rationalisation mathématique du processus : expliciter formellement la variance hyperbolique et l’absence de mémoire de la loi géométrique permet de déculpabiliser le chercheur d’emploi en lui démontrant que l’attente prolongée résulte principalement de la géométrie de la distribution sous-jacente plutôt que d’une faillite de sa valeur intrinsèque.

5. Exemple 3 : La prospection commerciale et le démarchage téléphonique

5.1 Structure probabiliste des appels sortants non sollicités

L’univers de la prospection commerciale à froid (cold calling), pilier opérationnel des départements de développement commercial et des centres d’appels délocalisés, obéit avec une fidélité mathématique exemplaire aux axiomes de la distribution géométrique. Le protocole opérationnel standardisé contraint le téléopérateur à composer de manière séquentielle des numéros de téléphone issus de bases de données de prospects non qualifiés. Dans cette configuration d’action, chaque communication unitaire établie constitue une épreuve de Bernoulli. L’événement « succès » correspond à la franchisation du barrage commercial et à l’obtention immédiate d’un rendez-vous qualifié ou d’une signature contractuelle, tandis que le raccrochage précoce, le refus poli ou l’agression verbale scellent l’occurrence d’un échec.

Dans ce secteur d’activité, le taux marginal de conversion moyen oscille usuellement dans une fourchette étroite et modeste, comprise entre $p = 0{,}01$ et $p = 0{,}03$. En calibrant le modèle sur un taux empirique représentatif de $p = 0{,}02$ (2 % de taux de transformation), l’espérance mathématique du nombre d’appels infructueux nécessaires avant de générer le premier contrat s’élève sans appel à :

$$\mathbb{E}(X) = \frac{1 – 0{,}02}{0{,}02} = 49 \text{ échecs}$$

La planification quantitative de la charge de travail au sein de ces structures repose intimement sur cette métrique : un gestionnaire de plateforme sait qu’un opérateur doit délivrer en moyenne une cohorte de 50 communications complètes pour espérer clore un unique dossier favorable. Toutefois, l’analyse des risques opérationnels ne saurait se borner à l’espérance. La variance colossale inhérente à ce paramètre :

$$\mathrm{Var}(X) = \frac{1 – 0{,}02}{(0{,}02)^2} = \frac{0{,}98}{0{,}0004} = 2,450$$

engendre un écart-type massif de $\sigma \approx 49{,}5$. Il s’ensuit que des trajectoires opérationnelles impliquant plus de 150 refus consécutifs sans le moindre succès ne constituent aucunement des dysfonctionnements du personnel, mais s’inscrivent rigoureusement dans l’intervalle de fluctuation stochastique à 95 % de la loi géométrique régissant le canal commercial.

5.2 Dynamique psychologique de l’opérateur et attrition

La confrontation continue à une distribution géométrique à très faible valeur de $p$ soumet l’économie psychique des prospecteurs à une tension érosive singulière. Le téléacteur ne subit pas seulement une charge de travail répétitive ; il encaisse une succession continue de rejets sociaux explicites, amplifiée par la cruauté de la propriété d’absence de mémoire. Même après avoir courageusement essuyé 80 refus dégradants au cours d’une vacation journalière, la probabilité que le coup de téléphone suivant se solde par un succès demeure inaltérablement égale à 0,02. La croyance intuitive que « le prochain appel sera forcément le bon » est quotidiennement pulvérisée par la réalité amnésique de l’épreuve stochastique indépendante.

Cette condition de travail engendre une surcharge cognitive et émotionnelle extrême, découlant de l’impossibilité structurelle d’anticiper la temporalité de la gratification. L’opérateur navigue dans un brouillard stochastique total : la récompense peut jaillir dans les cinq prochaines secondes ou nécessiter encore quatre heures d’efforts ininterrompus. Cette configuration épuise les réserves d’optimisme dispositionnel des individus les plus résilients, favorisant le désengagement affectif, la dépersonnalisation de la relation client et l’apparition d’un épuisement professionnel précoce (burnout). Ce cocktail psychologique toxique explique pourquoi les centres d’appels sortants affichent les taux de rotation du personnel (turnover) et d’attrition spontanée les plus vertigineux du secteur tertiaire mondial, culminant fréquemment entre 40 % et 70 % par an.

5.3 Optimisation des performances et gestion organisationnelle

Face aux impératifs de rentabilité et à l’impératif de préservation de la santé mentale des ressources humaines, l’ingénierie managériale contemporaine s’efforce d’intégrer explicitement les axiomes de la distribution géométrique dans ses protocoles de pilotage opérationnel. La première avancée méthodologique réside dans le bannissement des objectifs de résultats à court terme (tels que l’exigence dogmatique de clore un contrat par tranche de deux heures), au profit exclusif d’objectifs de processus orientés vers le respect des volumétries d’essais. En fixant des cibles axées sur le volume d’appels qualifiés passés plutôt que sur les conversions immédiates, le management réaligne le cadre motivationnel de l’employé sur des variables dont il conserve la maîtrise causale pleine et entière, neutralisant l’angoisse liée à la variance de la queue de distribution.

Parallèlement, la rationalisation statistique sert de levier pour assainir le climat d’encadrement au sein des équipes. La formation systématique des chefs d’équipe aux propriétés de dispersion de la loi géométrique permet de désamorcer l’illusion managériale d’incompétence individuelle : un superviseur éclairé sait désormais qu’une série noire de 90 rejets consécutifs chez un agent chevronné ne justifie en rien une procédure de recadrage disciplinaire ou un doute sur sa technicité, mais traduit l’inévitable matérialisation d’un sentier probabiliste de queue de distribution. Sur le plan technologique, le déploiement de composeurs prédictifs algorithmiques vise à décharger l’humain du fardeau stochastique des échecs : les automates composent les numéros en arrière-plan, filtrent les répondeurs et les rejets instantanés, et ne commutent la ligne vers l’opérateur humain que lorsque le succès préliminaire d’une mise en relation réelle avec un interlocuteur valide est d’ores et déjà accompli, maximisant artificiellement le paramètre perçu $p$.

6. Exemple 4 : Le diagnostic médical et le dépistage de pathologies rares

6.1 Processus de détection clinique séquentielle

Le diagnostic de pathologies complexes, d’affections auto-immunes atypiques ou de maladies orphelines place l’institution médicale face à un défi séquentiel d’investigation que la loi géométrique formalise avec une rigueur mathématique clinique. Dans le cadre de l’errance diagnostique, un praticien prescrit de manière itérative une suite d’examens biologiques spécialisés, de dosages immunologiques ou de séquençages génétiques ciblés, chaque analyse visant à identifier un biomarqueur spécifique révélateur d’une étiologie sous-jacente insaisissable. L’événement « succès » s’incarne ici dans la détection franche et indiscutable de l’anomalie pathognomonique permettant d’établir le diagnostic définitif, l’événement « échec » correspondant à un compte-rendu d’analyse biologiquement négatif ou non concluant.

Sous l’hypothèse de travail selon laquelle le praticien explore un éventail d’hypothèses diagnostiques différentielles équiprobables et indépendantes présentant chacune une sensibilité intrinsèque analogue de détection notée $p$, le nombre d’examens négatifs $X$ précédant la découverte salvatrice de la cause se modèle fidèlement selon la loi géométrique canonique :

$$\mathbb{P}(X = k) = (1 – p)^k p$$

La sensibilité cumulée de la stratégie d’investigation — c’est-à-dire la probabilité globale d’identifier la pathologie au terme d’une cohorte d’au plus $n$ explorations paracliniques successives — s’exprime alors rigoureusement par l’évaluation de la fonction de répartition géométrique :

$$S_c(n) = \mathbb{P}(Y le n) = 1 – (1 – p)^n$$

Si la sensibilité analytique de chaque test pris individuellement est médiocre face à un tableau clinique polymorphe, disons $p = 0{,}10$, l’administration d’un test unique abandonne le clinicien dans une incertitude majeure (90 % de faux négatifs diagnostiques). En revanche, l’itération géométrique du protocole jusqu’à l’obtention du premier résultat positif permet d’élever la sensibilité cumulée à $S_c(5) = 1 – (0{,}90)^5 \approx 0{,}41$ après 5 tests, et à $S_c(22) = 1 – (0{,}90)^{22} \approx 0{,}901$ après 22 explorations consécutives.

6.2 Impact psychologique sur le patient en errance diagnostique

Pour le patient immergé dans le labyrinthe de la médecine diagnostique hautement spécialisée, la confrontation prolongée à un processus de type géométrique engendre une détresse psychologique singulière, analysée en psychopathologie sous le concept d’« angoisse d’incertitude suspendue ». À chaque nouvel examen d’imagerie par résonance magnétique ou biopsie tissulaire programmé, le malade investit un espoir immense dans la finitude de son errance. Or, la succession d’examens se révélant strictement négatifs génère une confusion cognitive majeure : dans le sens commun, un test négatif est synonyme de santé ; dans le contexte de la pathologie non identifiée, il représente l’effondrement d’une piste explicative et le renvoi sine die du patient à son statut anxiogène d’énigme médicale vivante.

De surcroît, le profane et son entourage succombent fréquemment à une interprétation fallacieuse des probabilités conditionnelles : l’accumulation d’une douzaine de bilans sanguins négatifs est inconsciemment interprétée comme la garantie probabiliste formelle de l’inexistence de toute pathologie organique réelle. Le malade est alors souvent confronté à la suspicion d’hypocondrie ou de somatisation psychiatrique émise par son écosystème social. Cette incompréhension brise l’alliance thérapeutique fondamentale : le patient, se sentant incompris et délaissé par une science médicale incapable d’anticiper le terme de ses investigations géométriques, multiplie les consultations parallèles et glisse vers des dérives sectaires ou des thérapeutiques alternatives non éprouvées promettant des certitudes illusoires immédiates.

6.3 Éthique médicale et allocation des ressources de santé

À l’échelle macroéconomique de la santé publique et des comités d’éthique hospitaliers, la distribution géométrique du temps d’accès au diagnostic soulève des dilemmes d’arbitrage vertigineux quant à l’allocation optimale de ressources médicales rares et coûteuses. Considérons un système d’assurance maladie fonctionnant sous contrainte budgétaire stricte : jusqu’à quel seuil d’échecs $k$ est-il éthiquement et économiquement soutenable de poursuivre une chaîne géométrique d’examens paracliniques onéreux pour un patient singulier, sachant que l’espérance marginale d’élucidation au prochain test demeure fixée au faible taux constant $p$, sans le moindre effet de renforcement cumulatif ?

La formalisation du coût marginal de survie probabiliste s’impose ici avec une crudité mathématique inévitable. Le coût global moyen attendu pour élucider un cas énigmatique s’établit à :

$$\mathbb{E}(C) = c \cdot \mathbb{E}(Y) = \frac{c}{p}$$

où $c$ symbolise le coût financier unitaire moyen de chaque procédure diagnostique. Si $c = 3,000\text{ €}$ et $p = 0{,}015$, l’enveloppe moyenne nécessaire pour parvenir au premier diagnostic positif s’élève à $200,000\text{ €}$. Dès lors, les instances de régulation sanitaire s’appuient sur l’analyse bayésienne et la loi géométrique pour définir des « seuils d’arrêt rationnel » : au-delà d’un nombre déterminé d’échecs empiriques consécutifs, le rapport coût-bénéfice marginal s’effondre au détriment de la collectivité, imposant la suspension des investigations poussées au profit d’une prise en charge purement symptomatique et d’une surveillance expectative passive.

7. Exemple 5 : Les jeux de hasard, loteries et conduites addictives

7.1 Mécanique des jeux à espérance de gain différé

Les jeux de tirage monétaire, les loteries d’État transnationales (comme l’EuroMillions) et les parcs de machines à sous électromécaniques constituent l’incarnation marchande la plus pure, et la plus dévastatrice, de la modélisation géométrique. L’architecture algorithmique de ces divertissements repose sur l’indépendance absolue des tirages physiques ou pseudo-aléatoires générés par microprocesseurs certifiés. L’événement « succès » correspond au décrochage de la combinaison gagnante maximale (le gros lot ou « jackpot »), dont la probabilité unitaire d’occurrence $p$ est délibérément calibrée par l’ingénierie actuarielle des opérateurs sur des valeurs infinitésimales, souvent comprises entre $10^{-6}$ et $10^{-8}$.

Cette faiblesse titanesque du paramètre $p$ projette immédiatement la dynamique du jeu dans les zones asymptotiques les plus distendues de la loi géométrique. Pour une grille de loterie caractérisée par une probabilité de gain majeur de $p = \frac{1}{139,838,160} \approx 7{,}15 \times 10^{-9}$, l’espérance mathématique du nombre d’achats hebdomadaires requis avant de contempler la fortune s’élève à un horizon vertigineux :

$$\mathbb{E}(Y) = \frac{1}{p} \approx 139,838,160 \text{ tirages}$$

ce qui équivaut, à raison d’une participation par semaine, à une durée moyenne d’attente excédant 2,68 millions d’années calendaires. La distribution présente une asymétrie droite absolue : la variance $\mathrm{Var}(X) \approx \frac{1}{p^2} \approx 1{,}95 \times 10^{16}$ reflète une instabilité stochastique telle que l’expérience concrète de l’immense majorité des joueurs se réduira invariablement à une séquence ininterrompue d’échecs monétaires purs tout au long de leur existence biologique, tandis qu’une infime poignée d’élus statistiques cueillera le succès dès leurs premières tentatives.

7.2 Neurobiologie du renforcement et escalade de l’engagement

L’exploitation industrielle de la géométrie stochastique trouve un relais d’une efficacité redoutable dans les circuits neurochimiques de la récompense cérébrale humaine. Les travaux de neurobiologie comportementale démontrent que les neurones dopaminergiques du mésencéphale (notamment au sein de l’aire tegmentale ventrale et du noyau accumbens) ne réagissent pas simplement à la délivrance passive d’une gratification matérielle, mais s’activent massivement lors de l’anticipation d’une récompense hautement incertaine. Le suspense inhérent à l’attente géométrique déclenche des décharges phasiques de dopamine proportionnelles à l’imprévisibilité de l’événement, transformant le processus même d’attente en une expérience addictive auto-renforçante indépendante du gain monétaire réel.

Ce mécanisme neurobiologique est pernicieusement magnifié par l’artifice du « presque-gain » (near-miss), omniprésent dans la cinématique visuelle des machines à sous modernes : afficher deux symboles gagnants sur une ligne de paiement et voir le troisième s’arrêter d’une fraction de millimètre au-delà de la zone de validation active les mêmes réseaux corticaux que le succès véritable. Cet événement tronqué pousse le cerveau du joueur à inférer fallacieusement que le système est en train de « chauffer » et que le paramètre fondamental $p$ est temporairement réévalué à la hausse. Dès lors s’enclenche la spirale de l’escalade de l’engagement : persuadé qu’il a déjà « payé » son quota géométrique d’échecs préliminaires et que le dénouement victorieux est imminent en vertu de la compensation du hasard, le joueur pathologique s’enferre dans le jeu, incapable d’interrompre sa trajectoire d’appauvrissement.

7.3 Stratégies de prévention et d’intervention clinique

La prise en charge psychothérapeutique des conduites de jeu pathologique au sein des unités d’addictologie s’appuie désormais de manière substantielle sur des protocoles de restructuration cognitive directement dérivés de l’enseignement des probabilités discrètes. Dans le cadre des thérapies cognitivo-comportementales (TCC), les cliniciens utilisent des logiciels de simulation graphique interactive permettant aux patients d’expérimenter de façon accélérée des tirages géométriques simulés. En visualisant l’évolution temporelle de milliers d’essais indépendants, le patient constate de ses propres yeux la persistance implacable de l’absence de mémoire : les séries d’échecs ne modifient d’aucune façon les probabilités futures, déconstruisant empiriquement le mythe enraciné de la « maturité des chances ».

Sur le versant de la régulation étatique, les autorités indépendantes de contrôle des jeux d’argent s’emparent de ces conclusions pour imposer des modifications structurelles aux opérateurs économiques. L’obligation d’apposer des messages préventifs sur les supports de loterie gagne en pertinence lorsqu’elle abandonne les formules laconiques et moralisatrices au profit d’énoncés probabilistes scientifiquement explicites sur la queue de distribution. De surcroît, la programmation obligatoire de fonctionnalités d’auto-exclusion temporaire, de bridage algorithmique de la cadence des lancers de machines à sous et de plafonnement automatique des mises cumulées vise précisément à briser la boucle opérante continue du renforcement géométrique avant que l’altération neurochimique ne submerge définitivement le contrôle inhibiteur préfrontal du joueur vulnérable.

8. Analyse comparative transversale des cinq situations concrètes

8.1 Échelle comparative des paramètres et degrés de variabilité

L’analyse synoptique des cinq cas empiriques investigués met en lumière une dispersion spectaculaire du paramètre canonique $p$, balayant plusieurs ordres de grandeur et modifiant radicalement la phénoménologie de l’attente pour les acteurs impliqués. Dans l’arène du laboratoire expérimental avec le lancer de pièce équilibrée, le système est caractérisé par un paramètre médian maximal $p = 0{,}5$, induisant une espérance infinitésimale de refus préliminaire ($\mathbb{E}(X) = 1$) et une variance étroitement confinée ($\mathrm{Var}(X) = 2$). Le système se révèle stable, immédiatement intelligible et exempt de fluctuations temporelles excessives.

À l’autre extrémité du spectre, les loteries et jeux de tirage massifs s’effondrent dans des abysses stochastiques où $p \sim 10^{-8}$. Entre ces deux bornes se déploient les réalités socio-professionnelles et médicales : le recrutement compétitif ($p \sim 0{,}04$, générant $\mathbb{E}(X) = 24$ et $\mathrm{Var}(X) = 600$), la prospection téléphonique agressive ($p \sim 0{,}02$, avec $\mathbb{E}(X) = 49$ et $\mathrm{Var}(X) = 2,450$) et l’errance diagnostique spécialisée ($p \sim 0{,}015$, avec $\mathbb{E}(X) \approx 66$ et $\mathrm{Var}(X) \approx 4,378$). Cette comparaison transversale formalise un principe mathématique fondamental : plus la probabilité élémentaire de succès se raréfie, plus la variance explose selon une dynamique quadratique en $\mathcal{O}(p^{-2})$, créant une asymétrie de distribution où les trajectoires empiriques réelles s’écartent massivement et violemment de la moyenne théorique attendue.

Le tableau suivant synthétise les propriétés structurelles comparées de ces cinq manifestations empiriques de la loi géométrique :

Contexte d’application	Paramètre typique ($p$)	Espérance $\mathbb{E}(X)$	Écart-type $\sigma(X)$	Degré de conformité à l’indépendance	Nature de la charge psychologique
Lancer de pièce (Laboratoire)	$0{,}5$	1	$1{,}41$	Parfaite (invariance physique stricte)	Curiosité cognitive, faible frustration
Recherche d’emploi (Recrutement)	$0{,}04$	24	$24{,}5$	Modérée (apprentissage vs stigmate)	Érosion d’auto-efficacité, impuissance
Démarchage (Centre d’appels)	$0{,}02$	49	$49{,}5$	Élevée (interlocuteurs distincts)	Rejet social direct, stress d’attrition
Dépistage clinique (Médecine)	$0{,}015$	$65{,}7$	$66{,}2$	Variable (tests non totalement orthogonaux)	Angoisse existentielle d’incertitude
Loterie d’État (Jeux de hasard)	$7{,}15 \times 10^{-9}$	$1{,}4 \times 10^8$	$1{,}4 \times 10^8$	Absolue (indépendance certifiée)	Addiction dopaminergique, ruine financière

8.2 Confrontation théorique : stricte géométrie versus réalité empirique

L’application d’un modèle mathématique pur au substrat empirique complexe du monde réel impose une lucidité épistémologique quant aux écarts inhérents aux conditions d’idéalité. L’hypothèse fondatrice d’indépendance stochastique stricte et stationnaire ne se vérifie rigoureusement et sans faille que dans deux des cinq domaines étudiés : les dispositifs physiques expérimentaux de laboratoire d’une part, et les générateurs cryptographiques de hasard des loteries et casinos d’autre part. Dans ces deux écosystèmes clos et hautement contrôlés, aucun paramètre biologique ne peut infléchir les tirages subséquents ; l’absence de mémoire s’y déploie dans sa pureté axiomatique absolue.

En revanche, dès que l’action humaine, l’intentionnalité sociologique ou la biologie clinique s’immiscent dans le processus générateur de données, la conformité au modèle géométrique se fragilise. Dans le recrutement professionnel, le candidat apprend, ajuste sa stratégie ou au contraire souffre d’usure morale, introduisant des ruptures de stationnarité flagrantes. En prospection commerciale, l’état d’épuisement vocal ou la charge émotionnelle accumulée au fil des refus détériore subtilement l’accroche verbale du démarcheur, dégradant la probabilité $p$ au fur et à mesure de l’avancement de la journée de travail. Enfin, dans le dépistage médical séquentiel, les examens diagnostiques successifs ne sont que rarement orthogonaux au sens probabiliste : un bilan métabolique négatif modifie mécaniquement la probabilité a posteriori des hypothèses génétiques concurrentes. La loi géométrique demeure néanmoins l’étalon de mesure indispensable (le modèle « nul » de référence), à partir duquel les distorsions du réel peuvent être formellement quantifiées et corrigées.

8.3 Réaction cognitive différentielle selon le contexte d’application

Bien que la signature probabiliste fondamentale demeure régie par la même équation fonctionnelle, la résonance émotionnelle et cognitive de l’attente géométrique varie de façon spectaculaire selon la nature ontologique de l’échec encaissé par le sujet humain. Lorsque l’insuccès est impersonnel et abstrait — comme lors d’un lancer de dé mécanique ou du tirage d’une boule de loto —, la réaction cognitive s’organise prioritairement autour de la fascination ludique et de la spéculation heuristique (erreur du joueur). L’absence de dimension relationnelle protège l’estime de soi du participant, qui impute volontiers la cause des déconvenues à des forces extérieures mystiques (« la malchance » ou « le destin »).

À l’inverse, dès lors que l’échec stochastique est médié par un refus social explicite émanant d’un semblable — qu’il s’agisse de la lettre de rejet d’une direction des ressources humaines ou de l’injonction agressive d’un prospect téléphonique qui raccroche —, la mécanique géométrique est vécue comme une agression narcissique violente. L’absence de mémoire de la loi devient alors un facteur de torture psychologique : le cerveau humain, machine herméneutique programmée pour trouver du sens et de la causalité morale partout, refuse d’admettre que ce rejet relationnel procède d’un simple tirage sous loi géométrique aveugle. Enfin, lorsque le temps d’attente touche à la survie somatique ou à la souffrance physique (comme dans l’errance diagnostique), l’asymétrie de la distribution génère un effondrement des mécanismes de défense du Moi, démontrant que la tolérance subjective à l’aléa géométrique est intimement corrélée à la charge existentielle de l’issue attendue.

9. Implications de l’absence de mémoire sur les théories de la décision

9.1 Déconstruction mathématique du mythe de la compensation

L’un des apports conceptuels les plus émancipateurs de la modélisation géométrique réside dans la déconstruction analytique implacable du mythe séculaire de la compensation stochastique, souvent désigné sous l’adage populaire fallacieux de « la roue qui tourne ». Dans l’esprit du profane comme chez certains décideurs d’entreprise non formés à la statistique inférentielle, il subsiste une croyance profondément ancrée selon laquelle une entité ayant accumulé un volume anormalement élevé de déconvenues passées se trouve investie d’un droit moral ou mathématique à un succès imminent. Cette vision téléologique assimile le hasard à un élastique qui, plus il est tendu par une suite d’échecs consécutifs, plus il accumule une énergie potentielle prête à libérer une poussée correctrice violente.

Or, la dérivation formelle de la propriété d’absence de mémoire anéantit intégralement cette métaphore mécanique. Pour une variable géométrique $X$, l’espérance mathématique résiduelle du nombre d’échecs restant à parcourir conditionnellement à l’observation préalable de $k$ revers demeure strictement constante et invariante :

$$\mathbb{E}(X – k mid X ge k) = \mathbb{E}(X) = \frac{1 – p}{p}$$

Aucune tension corrective n’existe au sein de la machine stochastique. Cette démonstration invalide formellement l’intégralité des stratégies financières fondées sur les systèmes de martingales classiques (comme la martingale de d’Alembert ou de doublement de mise aux jeux de table), qui postulent que l’allongement d’une série géométrique négative rapproche inéluctablement l’opérateur de la compensation finale, omettant que le risque de ruine du capital croît exponentiellement bien plus vite que la modeste espérance de gain unitaire résiduel.

9.2 L’illusion de contrôle et rationalisation post-hoc

L’invariance stochastique de la distribution géométrique se heurte avec une régularité fascinante à un autre biais cognitif majeur théorisé par Ellen Langer : l’illusion de contrôle. Face à un système géométrique sans mémoire, lorsqu’un succès advient de façon précoce (par exemple, à l’indice $Y = 1$ ou $Y = 2$), l’acteur humain tend presque systématiquement à attribuer cette réalisation fulgurante à son talent individuel, à la qualité intrinsèque de sa préparation ou à l’efficacité supérieure de son approche méthodique. L’esprit substitue instantanément un récit déterministe rassurant à une réalisation située dans la partie gauche de la fonction de masse géométrique.

Inversement, lorsque le processus stochastique s’enfonce profondément dans la queue droite de la distribution, forçant l’acteur à endurer une cohorte d’insuccès situés au-delà du troisième quartile, la rationalisation post-hoc prend le relais pour préserver la cohérence du cadre mental : l’échec prolongé est attribué à des interférences extérieures malveillantes, à la dégradation brutale de l’environnement ou à des boucs émissaires contextuels, plutôt que d’être reconnu comme la manifestation purement naturelle d’une distribution à forte dispersion. Cette incapacité à accepter le caractère amnésique du système nourrit la persistance de stratégies comportementales et managériales largement sous-optimales, les décideurs persistant à raffiner des méthodes illusoires pour « forcer » un système qui ne réagit qu’à l’aléatoire géométrique non maîtrisé.

9.3 Prise de décision séquentielle optimale sous hypothèse géométrique

Dans le domaine de la recherche opérationnelle et de la théorie de la décision statistique, la formalisation géométrique impose de repenser intégralement les critères d’arrêt rationnel lors d’une suite d’essais bernoulliens. Considérons un agent économique rationnel confronté à une opportunité stochastique géométrique caractérisée par un coût unitaire constant par tentative noté $c > 0$ et une récompense terminale en cas de premier succès fixée à $R > 0$. Si le paramètre fondamental $p$ est parfaitement connu, immuable et certain, l’espérance du gain net espéré dès l’origine du jeu s’exprime par la fonction :

$$G = p R – c$$

Si cette quantité est strictement positive ($p R > c$), alors, en vertu de l’absence de mémoire, il demeure rationnel de poursuivre indéfiniment la séquence quel que soit le nombre d’échecs historiques déjà accumulés, car à chaque étape future, l’espérance marginale conditionnelle du gain net subséquent demeure immuablement fixée à :

$$\mathbb{E}[\text{Gain marginal}] = p R – c > 0$$

Toutefois, dans le monde réel, le paramètre $p$ n’est jamais connu avec une certitude absolue ; il fait lui-même l’objet d’une estimation bayésienne continue au fil de l’expérience vécue. Chaque nouvel échec enregistré fournit une information statistique qui met à jour la distribution a posteriori du paramètre $p$, tirant tendanciellement son espérance révisée vers le bas. L’arbitrage rationnel relève alors de la classe fondamentale des problèmes de bandits manchots et de la gestion du compromis exploration-exploitation. L’agent doit alors définir un seuil d’arrêt optimal (souvent calculé par les indices de Gittins) : dès que l’espérance actualisée du rendement géométrique marginal passe sous le coût d’opportunité d’une allocation alternative des ressources, l’interruption immédiate de la séquence s’impose comme l’unique décision mathématiquement rationnelle.

10. Méthodologie statistique : Estimation, inférence et tests d’adéquation

10.1 Estimation ponctuelle et par intervalle du paramètre p

Dans la pratique de la recherche empirique, le statisticien est confronté au problème inverse de la modélisation probabiliste directe : il n’a pas accès à la valeur théorique du paramètre intrinsèque $p$, mais dispose d’un échantillon d’observations empiriques constitué des réalisations du nombre d’échecs avant succès pour $n$ sujets ou systèmes distincts et indépendants, noté $\mathbf{x} = (x_1, x_2, dots, x_n) in \mathbb{N}^n$. L’évaluation rigoureuse du paramètre passe par la méthode du maximum de vraisemblance (EMV). La fonction de vraisemblance jointe associée à cet échantillon s’écrit formellement par le produit des fonctions de masse élémentaires :

$$L(p; \mathbf{x}) = \prod_{i=1}^{n} \mathbb{P}(X_i = x_i) = \prod_{i=1}^{n} (1 – p)^{x_i} p = p^n (1 – p)^{\sum_{i=1}^{n} x_i}$$

En introduisant la statistique exhaustive de la somme totale d’échecs $S_n = \sum_{i=1}^{n} x_i$, le passage à la log-vraisemblance $ell(p; \mathbf{x}) = \ln L(p; \mathbf{x})$ simplifie considérablement la résolution analytique :

$$ell(p; \mathbf{x}) = n \ln(p) + S_n \ln(1 – p)$$

La recherche de la valeur critique annulant la dérivée première de la fonction de score s’établit par :

$$\frac{\partial ell}{\partial p} = \frac{n}{p} – \frac{S_n}{1 – p} = 0 iff n(1 – p) = p S_n iff n = p(n + S_n)$$

Il en découle sans ambiguïté l’expression canonique de l’estimateur du maximum de vraisemblance $\hat{p}$ :

$$\hat{p} = \frac{n}{n + S_n} = \frac{1}{1 + \bar{x}}$$

où $\bar{x} = \frac{S_n}{n}$ représente la moyenne empirique d’échecs par individu. Cet estimateur est convergent, asymptotiquement sans biais et asymptotiquement efficace, atteignant la borne inférieure de Fréchet-Cramér-Rao. L’information de Fisher associée à un échantillon de taille $n$ se dérive de la dérivée seconde de la log-vraisemblance et s’établit à :

$$I_n(p) = \frac{n}{p^2 (1 – p)}$$

Dès lors, pour un grand échantillon ($n to \infty$), le théorème central limite garantit la normalité asymptotique de l’estimateur, permettant de dériver l’intervalle de confiance asymptotique au niveau de confiance nominal $(1 – \alpha)$ :

$$\mathrm{IC}_{1-\alpha}(p) = \left[ \hat{p} – z_{1-alpha/2} \sqrt{\frac{\hat{p}^2 (1 – \hat{p})}{n}} ,,, \hat{p} + z_{1-alpha/2} \sqrt{\frac{\hat{p}^2 (1 – \hat{p})}{n}} \right]$$

où $z_{1-alpha/2}$ désigne le quantile d’ordre correspondant de la distribution normale standard $\mathcal{N}(0, 1)$. Pour des échantillons de petite taille, le recours à des intervalles exacts fondés sur la distribution de Clopper-Pearson pour sommes d’épreuves négatives s’avère indispensable pour garantir une couverture probabiliste stricte.

10.2 Tests d’hypothèses et diagnostics d’adéquation

Avant d’entériner les conclusions tirées d’un modèle géométrique sur des données de terrain, le praticien doit impérativement soumettre ses données à des protocoles de validation diagnostique. Le test d’adéquation le plus universellement déployé est le test du chi-deux de Pearson ($\chi^2$). Les classes d’occurrences d’échecs observées sont regroupées en $K$ classes disjointes pour garantir des effectifs théoriques suffisants (usuellement $E_j ge 5$). La statistique de test prend la forme classique :

$$\chi^2 = \sum_{j=1}^{K} \frac{(O_j – E_j)^2}{E_j}$$

où $O_j$ désigne l’effectif observé dans la classe $j$ et $E_j = n \cdot \mathbb{P}(X in \text{classe } j; \hat{p})$ symbolise l’effectif théorique attendu sous l’hypothèse nulle $H_0$ que les données suivent rigoureusement une distribution géométrique de paramètre $\hat{p}$. La variable de décision $\chi^2$ suit asymptotiquement une distribution du chi-deux à $\nu = K – 1 – 1 = K – 2$ degrés de liberté, la perte d’un degré supplémentaire découlant de l’estimation préalable du paramètre $p$ par maximum de vraisemblance.

Au-delà du test global du chi-deux, des diagnostics structurels fins doivent être conduits pour déceler d’éventuelles violations de l’absence de mémoire. L’examen graphique de la fonction de hasard empirique discrète (empirical hazard rate), définie par :

$$\hat{h}(k) = \frac{\mathbb{P}(X = k)}{\mathbb{P}(X ge k)}$$

constitue un indicateur décisif : sous l’hypothèse de géométrie pure, cette courbe empirique doit osciller de façon stationnaire autour d’une droite horizontale de constante $\hat{p}$. Toute tendance linéaire ascendante trahit l’existence d’un mécanisme de vieillissement ou de fatigue stochastique, tandis qu’une pente descendante signale un phénomène d’hétérogénéité non observée ou de sélection adverse au sein de la population étudiée. Enfin, les corrélations temporelles de rang entre essais successifs (test de Wald-Wolfowitz des suites) permettent de vérifier l’absence d’autocorrélation entre les tirages.

10.3 Gestion des données censurées et troncatures d’observation

L’un des écueils méthodologiques les plus sévères affectant la collecte de données séquentielles réelles réside dans l’omniprésence du phénomène de censure à droite. Dans les études longitudinales en sociologie de l’emploi comme dans les essais cliniques de dépistage, le chercheur ne peut pas toujours observer le système jusqu’à la concrétisation ultime du premier succès. Un demandeur d’emploi peut interrompre ses démarches pour reprendre une formation universitaire, un patient en errance diagnostique peut déménager dans une autre région ou décéder avant l’obtention du résultat, et un prospect commercial peut clore définitivement la ligne téléphonique. Pour ces individus, l’investigateur sait uniquement que le nombre d’échecs a dépassé un seuil de censure $c_i$, sans connaître la valeur exacte de l’issue finale.

Écarter purement et simplement ces observations incomplètes du jeu de données final constitue une faute méthodologique majeure, qui induit un biais d’attrition systématique et une surévaluation sévère du paramètre $p$, en amputant artificiellement la queue droite de la distribution de ses trajectoires les plus longues. Pour modéliser correctement ces données censurées, il convient de reformuler la fonction de vraisemblance sous le formalisme de l’analyse de survie. Soit $\delta_i$ un indicateur binaire valant $1$ si le premier succès est effectivement observé chez l’individu $i$, et $0$ si l’observation est censurée à droite au rang $c_i$. La fonction de vraisemblance généralisée s’exprime par le produit combiné des densités de masse et des probabilités de survie :

$$L(p) = \prod_{i=1}^{n} \left[ (1 – p)^{x_i} p \right]^{\delta_i} \left[ (1 – p)^{c_i} \right]^{1 – \delta_i} = p^{\sum \delta_i} (1 – p)^{\sum [\delta_i x_i + (1 – \delta_i) c_i]}$$

La maximisation de cette log-vraisemblance modifiée permet de dériver un estimateur non biaisé du paramètre de succès, intégrant l’intégralité du temps d’attente accompli par les sujets sortis prématurément de l’échantillon, et de préserver ainsi la validité écologique des inférences statistiques conduites en conditions réelles.

11. Distinctions conceptuelles avec les lois de probabilité connexes

11.1 Loi géométrique versus Loi binomiale négative

Pour appréhender avec clarté le statut singulier de la loi géométrique au sein du paysage stochastique, il est fondamental de formaliser ses liens de parenté et ses distinctions analytiques avec d’autres lois discrètes majeures, au premier rang desquelles trône la loi binomiale négative (souvent associée aux travaux de Pascal). La loi géométrique représente en vérité le cas particulier le plus élémentaire et le socle unitaire de la loi binomiale négative. Alors que la distribution géométrique se restreint rigoureusement à l’attente du premier succès unique ($r = 1$), la loi binomiale négative généralise ce processus à l’attente d’un nombre entier arbitraire $r ge 1$ de succès consécutifs ou non au cours d’une suite infinie d’épreuves de Bernoulli indépendantes.

Au plan fonctionnel, la somme de $r$ variables aléatoires indépendantes et identiquement distribuées selon une loi géométrique commune $\mathcal{G}(p)$ suit rigoureusement, par convolution successive, une loi binomiale négative de paramètres $(r, p)$, notée $\mathcal{NB}(r, p)$. L’espérance mathématique de la somme se trouve ainsi démultipliée par linéarité pour atteindre :

$$\mathbb{E}(S_r) = \frac{r(1 – p)}{p}$$

tandis que la variance s’élève à :

$$\mathrm{Var}(S_r) = \frac{r(1 – p)}{p^2}$$

La pertinence de cette distinction s’avère capitale dans les sciences empiriques : si une entreprise ne cherche pas simplement à obtenir un premier prospect validé mais doit impérativement constituer un portefeuille de cinq clients signataires pour amortir ses investissements structurels, le modèle analytique pertinent bascule immédiatement du cadre géométrique pur vers le modèle binomial négatif, dont la fonction de masse intègre le coefficient combinatoire $\binom{k+r-1}{k}$ traduisant la pluralité des arrangements séquentiels possibles des échecs intercalaires.

11.2 Loi géométrique versus Loi de Poisson

La confusion conceptuelle entre la loi géométrique et la loi de Poisson est un phénomène fréquemment observé chez les praticiens novices en statistique, ces deux distributions étant mobilisées pour modéliser des événements rares au sein de processus discrets. Pourtant, leur architecture stochastique et leurs objets d’évaluation relèvent d’une opposition ontologique fondamentale. La loi de Poisson, de paramètre d’intensité $lambda > 0$, est une distribution de comptage : elle quantifie le nombre d’occurrences ponctuelles d’un événement discret qui se matérialisent au sein d’une fenêtre continue d’observation fixe (intervalle de temps ou espace physique prédéterminé).

À l’inverse symétrique, la loi géométrique ne compte pas le nombre de succès apparus dans un intervalle fermé, mais mesure la durée discrète (l’intervalle d’attente d’essais) indispensable pour provoquer l’émergence d’une réalisation singulière. Le pont unificateur entre ces deux univers est apporté par la théorie formelle des processus de renouvellement : si l’on observe un processus de Poisson homogène en temps continu de paramètre $lambda$, le nombre d’événements par tranche d’une seconde suit une loi de Poisson de paramètre $lambda$, tandis que le temps séparant deux événements consécutifs suit une loi exponentielle continue. Lorsque ce même système de renouvellement est discrétisé sous forme d’une succession d’épreuves à pas fixe, la variable d’attente inter-événements adopte immédiatement la formulation géométrique discrète, démontrant que la géométrie probabiliste s’intéresse à la distance temporelle séparant les occurrences là où Poisson s’attache à la densité de leur foisonnement.

11.3 Loi géométrique versus Loi exponentielle

La relation la plus intime et la plus élégante qui relie la loi géométrique à l’analyse mathématique s’incarne dans sa correspondance avec la loi exponentielle en temps continu. Ces deux distributions partagent une propriété d’une rareté mathématique absolue : elles sont les seules lois de probabilité existantes, respectivement dans le domaine discret ($\mathbb{N}$) et dans le domaine continu ($\mathbb{R}^+$), à satisfaire de manière rigoureuse l’équation fonctionnelle d’amnésie ou d’absence de mémoire. La loi géométrique peut être envisagée sans détour comme la discrétisation exacte de la loi exponentielle sous une cadence d’échantillonnage temporelle périodique.

Pour matérialiser ce passage à la limite, imaginons un intervalle de temps réel continu divisé en une multitude de sous-intervalles infinitésimaux de largeur $\Delta t$. Soit un processus d’aléa dont le taux instantané continu de survenue d’un événement par unité de temps est désigné par $lambda > 0$. Au sein de chaque petite cellule temporelle $\Delta t$, la probabilité d’occurrence d’un succès s’établit selon la formulation asymptotique $p = \lambda \Delta t + o(\Delta t)$. Si nous nous intéressons à la variable continue $T = X \cdot \Delta t$ représentant le temps physique écoulé avant l’apparition du premier succès discret, le passage à la limite où le pas de discrétisation s’effondre vers zéro ($\Delta t to 0$) révèle la convergence de la fonction de survie :

$$\lim_{\Delta t to 0} \mathbb{P}(T > t) = \lim_{\Delta t to 0} (1 – \lambda \Delta t)^{t / \Delta t} = e^{-\lambda t}$$

On retrouve à l’identique la fonction de survie d’une variable aléatoire régie par une loi exponentielle $\mathcal{E}(\lambda)$. Cette équivalence asymptotique justifie pourquoi les théoriciens de la fiabilité et des files d’attente alternent continuellement entre la loi géométrique (pour les modélisations d’horloges logiques numériques à pas discret) et la loi exponentielle (pour les flux de paquets réseau et la désintégration de particules radioactives en temps continu), les deux régimes bénéficiant de l’invariance absolue de leur taux de hasard respectif.

12. Synthèse épistémologique et perspectives en sciences comportementales

12.1 Portée épistémologique de la loi géométrique

Au terme de cette analyse transversale, la loi géométrique s’affirme bien au-delà d’un instrument algorithmique spécialisé : elle constitue un repère épistémologique cardinal pour quiconque entreprend de théoriser l’interaction des systèmes complexes avec l’aléa. Dans l’édifice scientifique, la loi géométrique sert de modèle de référence du « hasard pur » et décorrélé. Elle formalise ce que doit être le déploiement du monde lorsqu’aucun apprentissage ne s’accumule, qu’aucune fatigue n’intervient, qu’aucune mémoire physique ou relationnelle ne s’inscrit dans le système, et qu’aucune intentionnalité cachée n’oriente les tirages subséquents.

À ce titre, elle joue un rôle comparable au principe de l’inertie en mécanique galiléenne ou à l’équilibre de Hardy-Weinberg en génétique des populations : un étalon de mesure nul face auquel la complexité du réel peut enfin émerger et être quantifiée. Si les comportements d’apprentissage d’un candidat à l’embauche ou les adaptations biologiques d’un agent pathogène face aux examens diagnostiques s’écartent des prédictions de la décroissance géométrique, c’est précisément parce que des rétroactions dynamiques non linéaires s’opposent à l’indépendance de Bernoulli. Reconnaître l’empreinte ou l’absence de la loi géométrique permet ainsi aux chercheurs de séparer méthodologiquement ce qui relève de la simple résonance du bruit blanc stochastique de ce qui appartient aux processus adaptatifs authentiques.

12.2 Recommandations pratiques pour la conception expérimentale

L’intégration de distributions géométriques dans les protocoles de recherche en sciences humaines et comportementales impose une discipline méthodologique rigoureuse pour prémunir les investigateurs contre des biais expérimentaux destructeurs. En premier lieu, la planification de la taille d’échantillon doit impérativement intégrer la très forte asymétrie de la queue de distribution. Sous-dimensionner une cohorte expérimentale soumise à un protocole géométrique expose le chercheur à rater systématiquement les événements rares de longue attente, aboutissant à une troncature involontaire des données et à une surévaluation grossière du paramètre de succès $p$. Les calculs de puissance statistique a priori doivent être conduits non pas sur la base de distributions normales symétriques, mais en intégrant explicitement les moments d’ordre supérieur de la loi géométrique.

En second lieu, la conduite d’expériences longitudinales longues exige la mise en place de dispositifs de remédiation actifs contre le biais d’attrition. Face à des chaînes d’échecs géométriques qui semblent interminables, les participants humains se découragent et abandonnent spontanément la tâche de laboratoire ou le suivi clinique. Cette déperdition de sujets déforme la représentativité de l’échantillon en éliminant sélectivement les individus les moins patients ou les trajectoires les plus extrêmes. Les chercheurs doivent donc concevoir des systèmes de rétribution et des interfaces expérimentales garantissant le maintien de l’engagement des cohortes, tout en intégrant des bilans d’évaluation métacognitive intermédiaires pour documenter la façon dont les sujets révisent subjectivement leurs croyances probabilistes au fil de l’attente.

12.3 Conclusion et horizons d’application futurs

En conclusion, la loi géométrique et son attribut singulier d’absence de mémoire forment l’une des architectures stochastiques les plus omniprésentes, et paradoxalement les plus contre-intuitives, de l’expérience humaine. Des paradigmes contrôlés des laboratoires de neurophysiologie aux arènes brutales du marché de l’emploi contemporain, de la planification opérationnelle des téléopérateurs aux déchirements éthiques des diagnostics médicaux suspendus, et jusqu’aux dérives addictives des jeux de tirage, elle trace silencieusement les frontières temporelles de notre quête du succès en univers incertain. Dans tous ces domaines, la méconnaissance de ses propriétés fondamentales alimente la détresse psychologique, l’incompréhension décisionnelle et des investissements économiques sous-optimaux.

À l’ère de la transformation numérique, de la captation algorithmique de l’attention et des flux de mégadonnées en temps réel, l’ubiquité de la loi géométrique est appelée à croître exponentiellement. Les interfaces numériques de nos téléphones intelligents et les plateformes de commerce en ligne articulent une multitude de micro-gratifications fonctionnant rigoureusement sur le modèle du renforcement géométrique à faible ratio, capturant les architectures dopaminergiques de millions d’usagers. Face à ces architectures persuasives, la démocratisation d’une éducation probabiliste de haut niveau s’affirme comme une urgence de santé publique et un enjeu d’émancipation démocratique. En apprenant à l’esprit humain à reconnaître et accepter la beauté sans mémoire de la loi géométrique, nous nous dotons de l’armure cognitive indispensable pour traverser la variance inévitable de l’existence sans sombrer dans l’illusion de la toute-puissance précoce ni dans le désespoir de l’attente stochastique prolongée.

Références

Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.

Bernoulli, J. (1713). Ars conjectandi, opus posthumum. Thurnisius.

Clopper, C. J., & Pearson, E. S. (1934). The use of confidence or fiducial limits illustrated in the case of the binomial. Biometrika, 26(4), 404-413. https://doi.org/10.1093/biomet/26.4.404

Feller, W. (1968). An introduction to probability theory and its applications (Vol. 1, 3rd ed.). John Wiley & Sons.

Gittins, J., Glazebrook, K., & Weber, R. (2011). Multi-armed bandit allocation indices (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/9780470980033

Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263-291. https://doi.org/10.2307/1914185

Kolmogorov, A. N. (1956). Foundations of the theory of probability (2nd English ed., N. Morrison, Trans.). Chelsea Publishing Company.

Langer, E. J. (1975). The illusion of control. Journal of Personality and Social Psychology, 32(2), 311-328. https://doi.org/10.1037/0022-3514.32.2.311

Papoulis, A., & Pillai, S. U. (2002). Probability, random variables, and stochastic processes (4th ed.). McGraw-Hill.

Ross, S. M. (2014). Introduction to probability models (11th ed.). Academic Press. https://doi.org/10.1016/C2012-0-06484-9

Schultz, W. (1998). Predictive reward signal of dopamine neurons. Journal of Neurophysiology, 80(1), 1-27. https://doi.org/10.1152/jn.1998.80.1.1

Seligman, M. E. (1975). Helplessness: On depression, development, and death. W. H. Freeman.

Skinner, B. F. (1953). Science and human behavior. Macmillan.

Tversky, A., & Kahneman, D. (1971). Belief in the law of small numbers. Psychological Bulletin, 76(2), 105-110. https://doi.org/10.1037/h0031322

Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131. https://doi.org/10.1126/science.185.4157.1124