Prob. hypergéométrique

L'échantillonnage sans remise est le cadre quotidien des cartes, des lots de contrôle qualité et des modèles d'urne : chaque tirage change la composition de ce qui reste, de sorte que les essais successifs ne sont pas indépendants. Lorsqu'une population finie de taille N contient exactement K états de succès et que vous tirez n éléments d'un coup ou en séquence sans les remettre, la chance d'observer exactement k succès suit la fonction de masse de probabilité hypergéométrique. Cette formule multiplie les façons de choisir k succès parmi les K bons par les façons de choisir le reste des tirages parmi les non-succès, puis divise par les façons de choisir tout échantillon de taille n dans toute la population. Cette capacité accepte N, K, n et k, valide que les paramètres sont cohérents avec une expérience légale sans remise, et renvoie la probabilité ainsi que des coefficients binomiaux exacts sous forme de chaînes décimales, une courte chaîne de formule et l'intervalle réalisable de k pour ces N, K et n. Les combinaisons impossibles, comme plus de succès dans l'échantillon qu'il n'en existe dans la population, sont rejetées avec une erreur de validation claire au lieu d'un zéro silencieux.

Comment fonctionne la probabilité hypergéométrique sans remise

Partez d'une population finie de N éléments distincts dont exactement K sont étiquetés succès (as, défectueux, poissons marqués, billets gagnants). Vous tirez un échantillon de taille n sans remise, de sorte que l'ordre des tirages ne crée pas de nouvelles combinaisons : chaque sous-ensemble de taille n est également probable. Soit X le nombre de succès dans cet échantillon.

Alors X suit une loi hypergéométrique, et la probabilité d'observer exactement k succès est C(K, k) multiplié par C(N moins K, n moins k) divisé par C(N, n), où chaque C(a, b) est un coefficient binomial comptant les combinaisons. Le support de X n'est pas simplement de zéro à n : k ne peut dépasser ni K ni n, et ne peut descendre sous max(0, n moins (N moins K)), car vous pouvez être forcé de prendre certains succès une fois le réservoir de non-succès épuisé.

Les contrôles classiques incluent un jeu de 52 cartes avec quatre as, en tirant cinq cartes et en demandant exactement deux as : C(4, 2) multiplié par C(48, 3) sur C(52, 5). Un autre cas de manuel est une urne avec vingt boules dont huit sont rouges, en tirant cinq et en demandant exactement trois rouges.

Les cas limites comptent pour la correction : si n est zéro alors seul k égal à zéro a probabilité un ; si K est zéro alors seul k égal à zéro est possible lorsque n est positif ; si k sort de l'intervalle réalisable les paramètres sont inconsistants pour ce modèle.

Cette implémentation n'utilise jamais d'échantillonnage Monte Carlo, de graines aléatoires, d'horloge murale ni de requêtes réseau : elle calcule des coefficients binomiaux exacts avec l'arithmétique BigInt et évalue la probabilité de façon numériquement stable pour que les produits intermédiaires restent bien conditionnés pour de plus grands N.

Où les probabilités hypergéométriques apparaissent dans le travail réel

Les cours d'introduction à la statistique et aux mathématiques discrètes demandent constamment la chance d'exactement k éléments marqués dans une main ou un échantillon tiré sans remise, des problèmes de cartes style poker aux croquis de recapture de poissons marqués qui motivent l'échantillonnage de populations finies. Les ingénieurs qualité utilisent la même fonction de masse lorsqu'un lot de taille N contient K défectueux et qu'un inspecteur tire n unités, ayant besoin de la probabilité de trouver exactement k pièces mauvaises avant d'accepter ou de rejeter le lot.

Écologues et concepteurs d'enquêtes comparent les récupérations de marques observées aux attentes hypergéométriques lorsque la population d'individus marqués est connue et que l'échantillonnage est sans remise. Les data scientists valident des simulateurs Monte Carlo d'urnes finies et de battages de cartes en comparant les fréquences échantillonnées à la probabilité hypergéométrique sous forme fermée pour de modestes N avant d'élargir les simulations. Les enseignants construisent des corrigés et des auto-correcteurs qui ont besoin d'une seule valeur déterministe plutôt que d'une simulation aléatoire qui changerait d'une exécution à l'autre.

Concepteurs de jeux et démos de probabilité exposent souvent des valeurs par défaut de jeu et d'urne tout en permettant le contrôle total de N, K, n et k pour enseigner la dépendance à la composition de la population. Si vous avez ensuite besoin de la distribution cumulée P(X inférieur ou égal à k), des tables du test exact de Fisher, de quantiles inverses ou d'odds binomiaux d'essais indépendants avec remise, traitez-les comme des intentions de recherche distinctes plutôt que de surcharger cette page.

Gardez N dans la borne documentée pour que la latence du niveau gratuit reste prévisible, et rappelez-vous que la probabilité flottante est idéale pour le classement et les seuils tandis que les coefficients en chaîne restent exacts pour les contrôles combinatoires.