Résumé
La loi hypergéométrique de paramètres associés , et est une loi de probabilité discrète, décrivant le modèle suivant : On tire simultanément (ou successivement sans remise (mais cela induit un ordre)) boules dans une urne contenant boules gagnantes et boules perdantes (avec , soit un nombre total de boules valant = ). On compte alors le nombre de boules gagnantes extraites et on appelle la variable aléatoire donnant ce nombre. L'univers est l'ensemble des entiers de 0 à . La variable suit alors la loi de probabilité définie par (probabilité d'avoir succès). Cette loi de probabilité s'appelle la loi hypergéométrique de paramètres et l'on note . Il est nécessaire que soit un réel compris entre 0 et 1, que soit entier et que . Lorsque ces conditions ne sont pas imposées, l'ensemble des possibles est l'ensemble des entiers entre et . Un lac renferme une centaine de poissons dont un quart sont des brochets. On pêche 10 poissons ; la loi du nombre de brochets dans la prise est . On trouve alors pour les couples successifs : (0, 5%), (1, 18%), (2, 30%), (3, 26%), (4, 15%), (5, 5%), (6, 1%), (7, 0%), (8, 0%), (9, .0%), (10, 0%) Donc un maximum de chances pour 2 ou 3 brochets. D'ailleurs, l'espérance du nombre de brochets vaut 10/4 = 2,5. Il s'agit d'un tirage simultané (c'est-à-dire non ordonné et sans remise, même si la loi de probabilité resterait la même si l'on décidait d'ordonner le tirage car cela reviendrait à multiplier par le numérateur et le dénominateur de la quantité ) de éléments parmi , tirage que l'on considère comme équiprobable. La combinatoire permet de dire que le cardinal de l'univers est . L'évènement (voir tableau) représente le cas où l'on a tiré boules gagnantes parmi et boules perdantes parmi . Le cardinal de cet événement est donc . La probabilité de l'évènement est donc . Remarque : comme pour toute densité de probabilité, la somme des vaut 1, ce qui prouve l'identité de Vandermonde. L'espérance d'une variable aléatoire suivant une loi hypergéométrique de paramètres , est la même que celle d'une variable binomiale de paramètres : .
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (3)
MATH-232: Probability and statistics
A basic course in probability and statistics
CS-101: Advanced information, computation, communication I
Discrete mathematics is a discipline with applications to almost all areas of study. It provides a set of indispensable tools to computer science in particular. This course reviews (familiar) topics a
COM-406: Foundations of Data Science
We discuss a set of topics that are important for the understanding of modern data science but that are typically not taught in an introductory ML course. In particular we discuss fundamental ideas an
Séances de cours associées (31)
Estimation R: Uniforme, Hypergéométrique, Poisson
Couvre l'estimation de R par des distributions équilibrées de dés, uniformes, hypergéométriques et Poisson.
Comptage : Bit Strings et Comités
Explore les chaînes de bits de comptage, les comités, la distribution des boules, les mains de poker et les coefficients, avec des exemples du principe de Pigeonhole et de la sélection des cartes.
Théorie de la probabilité : Solutions à moyen terme
Couvre les solutions à l'examen à mi-parcours d'un cours de théorie des probabilités, y compris le calcul des probabilités et des attentes.
Afficher plus
Publications associées (15)
Concepts associés (16)
Loi bêta-binomiale
En théorie des probabilités, la loi bêta-binomiale est une loi de probabilité discrète à support fini, correspondant à un processus de tirages Bernoulli dont la probabilité de succès est aléatoire (suivant une loi bêta). Elle est fréquemment utilisée en inférence bayésienne. La loi de Bernoulli en est un cas particulier pour le paramètre n = 1. Pour α = β = 1, elle correspond à la loi uniforme discrète sur {0,..,n} . Elle approche également la loi binomiale lorsque les paramètres α et β sont arbitrairement grands.
Conjugate prior
In Bayesian probability theory, if the posterior distribution is in the same probability distribution family as the prior probability distribution , the prior and posterior are then called conjugate distributions, and the prior is called a conjugate prior for the likelihood function . A conjugate prior is an algebraic convenience, giving a closed-form expression for the posterior; otherwise, numerical integration may be necessary. Further, conjugate priors may give intuition by more transparently showing how a likelihood function updates a prior distribution.
Loi multinomiale
En théorie des probabilités, la loi multinomiale (aussi appelée distribution polynomiale) généralise la loi binomiale. Tandis que la loi binomiale concerne le nombre de succès lors d'une série de n épreuves de Bernoulli indépendantes, comme dans le jeu de pile ou face, la loi multinomiale ne se restreint pas aux épreuves comportant deux issues. La loi multinomiale s'applique par exemple au cas de n jets d'un dé à six faces : l'apparition du seul peut être modélisé par une loi binomiale alors que l'ensemble des apparitions des à 6 est modélisé par une loi multinomiale.
Afficher plus