{"id":2065,"date":"2026-09-05T18:43:40","date_gmt":"2026-09-05T18:43:40","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/introduction-distribution-hypergeometrique\/"},"modified":"2026-09-05T18:43:40","modified_gmt":"2026-09-05T18:43:40","slug":"introduction-distribution-hypergeometrique","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=introduction-distribution-hypergeometrique","title":{"rendered":"Une introduction \u00e0 la distribution hyperg\u00e9om\u00e9trique"},"content":{"rendered":"

La th\u00e9orie des probabilit\u00e9s et la mod\u00e9lisation stochastique constituent l’armature formelle sur laquelle repose l’ensemble des sciences quantitatives contemporaines, de la biostatistique \u00e0 l’\u00e9conom\u00e9trie en passant par la psychom\u00e9trie et la physique statistique. Parmi la multitude de distributions discr\u00e8tes r\u00e9pertori\u00e9es dans la litt\u00e9rature math\u00e9matique, la distribution hyperg\u00e9om\u00e9trique<\/strong> occupe une place tout \u00e0 fait singuli\u00e8re. Contrairement aux mod\u00e8les fond\u00e9s sur l’hypoth\u00e8se de tirages ind\u00e9pendants et r\u00e9p\u00e9t\u00e9s au sein de r\u00e9servoirs pr\u00e9sum\u00e9s infinis ou renouvelables, la loi hyperg\u00e9om\u00e9trique formalise math\u00e9matiquement l’acte physique fondamental de l’extraction sans remplacement au sein d’une population finie, exhaustivement born\u00e9e et structurellement h\u00e9t\u00e9rog\u00e8ne.<\/p>\n

Cette particularit\u00e9 op\u00e9rationnelle conf\u00e8re \u00e0 la distribution hyperg\u00e9om\u00e9trique une pertinence m\u00e9thodologique incomparable d\u00e8s lors que l’on \u00e9tudie des syst\u00e8mes clos o\u00f9 chaque observation pr\u00e9lev\u00e9e modifie substantiellement l’\u00e9tat informationnel et la composition du milieu r\u00e9siduel. Alors que le mod\u00e8le binomial classique repose sur une hypoth\u00e8se de stationnarit\u00e9 probabiliste — o\u00f9 chaque \u00e9preuve de Bernoulli s’ex\u00e9cute dans des conditions strictement identiques \u00e0 la pr\u00e9c\u00e9dente —, le paradigme hyperg\u00e9om\u00e9trique introduit une dynamique de d\u00e9pendance stochastique s\u00e9quentielle. Chaque \u00e9v\u00e9nement unitaire conditionne irr\u00e9vocablement la distribution de probabilit\u00e9 des \u00e9v\u00e9nements ult\u00e9rieurs, faisant \u00e9merger un syst\u00e8me \u00e0 m\u00e9moire d’\u00e9chantillonnage.<\/p>\n

Comprendre la loi hyperg\u00e9om\u00e9trique dans toutes ses dimensions analytiques n\u00e9cessite d’examiner ses fondements axiomatiques, son articulation combinatoire rigoureuse, ainsi que son comportement asymptotique face \u00e0 d’autres grandes lois de probabilit\u00e9. Le pr\u00e9sent trait\u00e9 a pour vocation de dresser un panorama encyclop\u00e9dique de cette distribution fondamentale : de la d\u00e9rivation alg\u00e9brique de sa fonction de masse et de ses moments jusqu’\u00e0 ses prolongements multivari\u00e9s, ses implications d\u00e9cisives dans l’inf\u00e9rence non param\u00e9trique — incarn\u00e9e par le c\u00e9l\u00e8bre test exact de Fisher<\/a> — et ses d\u00e9fis d’impl\u00e9mentation computationnelle au c\u0153ur des architectures algorithmiques modernes.<\/p>\n

1. Fondements conceptuels et d\u00e9finition de la distribution hyperg\u00e9om\u00e9trique<\/h2>\n

1.1 D\u00e9finition formelle et cadre probabiliste discret<\/h3>\n

D’un point de vue formel, la distribution hyperg\u00e9om\u00e9trique est une loi de probabilit\u00e9 discr\u00e8te mod\u00e9lisant le nombre de succ\u00e8s observ\u00e9s dans un \u00e9chantillon de taille d\u00e9termin\u00e9e, pr\u00e9lev\u00e9 de mani\u00e8re al\u00e9atoire et sans remise au sein d’une population finie. Contrairement aux variables al\u00e9atoires continues dont le support s’\u00e9tend sur des intervalles non d\u00e9nombrables de nombres r\u00e9els et dont les probabilit\u00e9s ponctuelles sont nulles par nature, la variable hyperg\u00e9om\u00e9trique est intrins\u00e8quement un processus de comptage. Son support math\u00e9matique est constitu\u00e9 d’un sous-ensemble discret d’entiers naturels, refl\u00e9tant le d\u00e9nombrement pr\u00e9cis d’entit\u00e9s observables qui satisfont un crit\u00e8re binaire d’int\u00e9r\u00eat.<\/p>\n

Le cadre probabiliste s’\u00e9tablit sur un univers probabilis\u00e9 d\u00e9nombrable et fini, explicitement d\u00e9limit\u00e9 dans le temps et dans l’espace physique ou conceptuel. On consid\u00e8re une population source dont le cardinal est connu, fixe et invariable durant la phase exp\u00e9rimentale. Chaque unit\u00e9 constitutive de cet ensemble est cat\u00e9goris\u00e9e sans ambigu\u00eft\u00e9 : elle poss\u00e8de ou ne poss\u00e8de pas l’attribut distinctif faisant l’objet de la recherche. Cette partition stricte de la population en deux sous-classes mutuellement exclusives — arbitrairement d\u00e9sign\u00e9es sous les termes de \u00ab succ\u00e8s \u00bb et d’\u00ab \u00e9chec \u00bb — constitue le socle structural du mod\u00e8le.<\/p>\n

L’exclusion de toute variation continue conf\u00e8re \u00e0 la distribution une armature analytique directement issue de la combinatoire \u00e9num\u00e9rative. Les probabilit\u00e9s associ\u00e9es \u00e0 chaque \u00e9tat de la variable ne sont pas obtenues par int\u00e9gration de densit\u00e9s, mais par le calcul exact des rapports de cardinaux entre des sous-ensembles configur\u00e9s selon l’analyse combinatoire. Cette sp\u00e9cificit\u00e9 en fait un instrument de mod\u00e9lisation math\u00e9matique privil\u00e9gi\u00e9 pour les contextes empiriques o\u00f9 l’approximation d’une population infinie ne peut \u00eatre tol\u00e9r\u00e9e sous peine d’induire des distorsions pr\u00e9dictives majeures.<\/p>\n

1.2 Le principe fondamental du tirage sans remise<\/h3>\n

L’\u00e9l\u00e9ment moteur de la loi hyperg\u00e9om\u00e9trique r\u00e9side dans le protocole exp\u00e9rimental de l’\u00e9chantillonnage sans remplacement. Lorsqu’une unit\u00e9 est extraite de la population m\u00e8re pour \u00eatre int\u00e9gr\u00e9e \u00e0 l’\u00e9chantillon d’analyse, elle est d\u00e9finitivement soustraite du r\u00e9servoir initial. Ce m\u00e9canisme physique entra\u00eene une alt\u00e9ration imm\u00e9diate de la structure d\u00e9mographique du collectif restant. Par cons\u00e9quent, la proportion relative d’individus porteurs de la caract\u00e9ristique d’int\u00e9r\u00eat n’est plus constante : elle fluctue en fonction directe des r\u00e9sultats constat\u00e9s lors des tirages pr\u00e9c\u00e9dents.<\/p>\n

Ce protocole de non-remplacement g\u00e9n\u00e8re une d\u00e9pendance stochastique absolue entre les \u00e9preuves successives. Si l’on d\u00e9compose l’\u00e9chantillonnage de taille globale sous la forme d’une cha\u00eene s\u00e9quentielle d’extractions unitaires, la probabilit\u00e9 d’obtenir un succ\u00e8s \u00e0 l’\u00e9tape d\u00e9pend intimement de l’histoire probabiliste des \u00e9tapes ant\u00e9rieures. L’extraction d’un succ\u00e8s r\u00e9duit le r\u00e9servoir de succ\u00e8s disponibles pour les tirages futurs, tandis que l’extraction d’un \u00e9chec accro\u00eet m\u00e9caniquement la probabilit\u00e9 relative de pr\u00e9lever un succ\u00e8s \u00e0 l’instant suivant. L’espace d’\u00e9chantillonnage se contracte \u00e0 chaque \u00e9tape d’observation.<\/p>\n

Cette d\u00e9pendance s\u00e9quentielle rompt avec le principe markovien d’oubli du pass\u00e9 : le syst\u00e8me poss\u00e8de une m\u00e9moire int\u00e9grale de son processus d’extraction. Le calcul des probabilit\u00e9s conditionnelles requiert une actualisation permanente du d\u00e9nominateur (la taille r\u00e9siduelle de la population) et du num\u00e9rateur (le nombre de succ\u00e8s restants). C’est pr\u00e9cis\u00e9ment l’agr\u00e9gation ordonn\u00e9e ou combinatoire de ces probabilit\u00e9s conditionnelles enchev\u00eatr\u00e9es qui engendre la formule analytique singuli\u00e8re de la loi hyperg\u00e9om\u00e9trique.<\/p>\n

1.3 Distinction avec les processus de Bernoulli stationnaires<\/h3>\n

Pour appr\u00e9hender l’originalit\u00e9 du mod\u00e8le hyperg\u00e9om\u00e9trique, il convient de le confronter au paradigme concurrent de la loi binomiale, r\u00e9gie par les processus de Bernoulli stationnaires. Dans un sch\u00e9ma de Bernoulli classique, les \u00e9preuves \u00e9l\u00e9mentaires sont postul\u00e9es comme mutuellement ind\u00e9pendantes et identiquement distribu\u00e9es. Une telle condition est rigoureusement satisfaite soit dans le cadre d’un \u00e9chantillonnage avec remise au sein d’une population finie, soit lors du tirage sans remise dans une population conceptuellement infinie, au sein de laquelle le pr\u00e9l\u00e8vement d’une particule ne modifie pas la densit\u00e9 globale du milieu.<\/p>\n

La rupture de ces postulats d’invariance probabiliste et d’ind\u00e9pendance statistique constitue l’acte de naissance de la distribution hyperg\u00e9om\u00e9trique. Dans une suite d’\u00e9preuves de Bernoulli, la probabilit\u00e9 de succ\u00e8s demeure fix\u00e9e de fa\u00e7on immuable \u00e0 une constante pour toute extraction. Sous la loi hyperg\u00e9om\u00e9trique, cette probabilit\u00e9 est un objet math\u00e9matique dynamique, soumis aux al\u00e9as du tirage. Il n’existe pas de param\u00e8tre scalaire invariant d\u00e9crivant la probabilit\u00e9 unitaire d’un tirage particulier ind\u00e9pendamment des autres tirages de la s\u00e9quence.<\/p>\n

Cette sensibilit\u00e9 math\u00e9matique devient cruciale d\u00e8s lors que le ratio d’\u00e9chantillonnage — c’est-\u00e0-dire la fraction de la population totale extraite dans l’\u00e9chantillon — d\u00e9passe les seuils conventionnels d’insignifiance. Alors que l’application erron\u00e9e d’un sch\u00e9ma binomial tend \u00e0 surestimer la variance et \u00e0 biaiser les probabilit\u00e9s des \u00e9v\u00e9nements extr\u00eames, l’approche hyperg\u00e9om\u00e9trique prend en compte l’\u00e9puisement progressif du stock d’unit\u00e9s, restituant la structure de d\u00e9pendance du ph\u00e9nom\u00e8ne physique \u00e9tudi\u00e9.<\/p>\n

2. Param\u00e8tres fondamentaux et notation standard<\/h2>\n

2.1 La taille globale de la population cible (N)<\/h3>\n

Le premier param\u00e8tre structurel de la distribution hyperg\u00e9om\u00e9trique est d\u00e9sign\u00e9 universellement par la lettre majuscule N<\/em>. Il quantifie l’effectif exhaustif de la population m\u00e8re au sein de laquelle s’effectue le pr\u00e9l\u00e8vement. Ce param\u00e8tre appartient imp\u00e9rativement \u00e0 l’ensemble des entiers naturels strictement positifs. Il borne de mani\u00e8re absolue le cadre de r\u00e9f\u00e9rence probabiliste : aucune entit\u00e9 ext\u00e9rieure \u00e0 cette enceinte d’effectif N<\/em> ne peut \u00eatre observ\u00e9e, et aucune entit\u00e9 int\u00e9rieure ne peut \u00e9chapper \u00e0 l’\u00e9ligibilit\u00e9 du pr\u00e9l\u00e8vement.<\/p>\n

Dans la pratique exp\u00e9rimentale, la d\u00e9termination exacte de N<\/em> impose une d\u00e9limitation spatio-temporelle sans \u00e9quivoque du champ d’\u00e9tude. Qu’il s’agisse d’un lot industriel de composants manufactur\u00e9s, des membres d’une communaut\u00e9 biologique isol\u00e9e ou des \u00e9lecteurs enregistr\u00e9s sur une liste \u00e9lectorale communale, N<\/em> cristallise la finitude du r\u00e9el. Une sous-estimation ou une surestimation de N<\/em> d\u00e9s\u00e9quilibre imm\u00e9diatement les rapports combinatoires, faussant l’\u00e9valuation des probabilit\u00e9s associ\u00e9es \u00e0 chaque \u00e9v\u00e9nement.<\/p>\n

L’hypoth\u00e8se d’un N<\/em> fini et invariable entra\u00eene des cons\u00e9quences m\u00e9thodologiques profondes : le mod\u00e8le interdit tout flux migratoire, toute d\u00e9gradation physique faisant dispara\u00eetre des \u00e9l\u00e9ments en cours de manipulation, et toute apparition de nouvelles unit\u00e9s. Le syst\u00e8me est thermodynamiquement et statistiquement clos, ce qui conf\u00e8re aux r\u00e9sultats analytiques une exactitude math\u00e9matique d\u00e9terministe sous r\u00e9serve de la validit\u00e9 de l’inventaire initial.<\/p>\n

2.2 Le nombre d’\u00e9l\u00e9ments cibles porteurs de l’attribut (K)<\/h3>\n

Au sein de la population totale N<\/em>, le param\u00e8tre K<\/em> identifie le cardinal du sous-ensemble des \u00e9l\u00e9ments qui poss\u00e8dent la caract\u00e9ristique ou l’attribut d’int\u00e9r\u00eat. Tout comme N<\/em>, la quantit\u00e9 K<\/em> est un entier naturel, soumis \u00e0 la contrainte d’admissibilit\u00e9 stricte 0 ≤ K ≤ N<\/em>. Par d\u00e9duction logique, le nombre d’unit\u00e9s d\u00e9pourvues dudit attribut s’\u00e9tablit \u00e0 N – K<\/em>, formant ainsi la classe compl\u00e9mentaire des \u00ab \u00e9checs \u00bb.<\/p>\n

Le rapport p = K \/ N<\/em> formalise la pr\u00e9valence initiale ou la proportion intrins\u00e8que du sous-ensemble cible dans la population avant l’engagement de toute proc\u00e9dure d’\u00e9chantillonnage. Bien que ce quotient rappelle formellement la probabilit\u00e9 de succ\u00e8s d’un sch\u00e9ma binomial, il ne doit pas \u00eatre interpr\u00e9t\u00e9 comme une probabilit\u00e9 stationnaire attach\u00e9e \u00e0 chaque tirage individuel, mais comme la mesure de la densit\u00e9 globale de l’attribut au point z\u00e9ro de l’exp\u00e9rience.<\/p>\n

Dans de nombreuses applications d’inf\u00e9rence statistique, la valeur num\u00e9rique de K<\/em> est inconnue du chercheur et constitue la cible de l’estimation. L’observateur cherche \u00e0 d\u00e9duire la plausibilit\u00e9 de diverses valeurs hypoth\u00e9tiques de K<\/em> \u00e0 partir de la composition d’un \u00e9chantillon empirique extrait de la population. La dualit\u00e9 entre les grandeurs connues et inconnues fonde l’usage de la loi hyperg\u00e9om\u00e9trique dans les tests d’ajustement et d’ind\u00e9pendance.<\/p>\n

2.3 La taille de l’\u00e9chantillon extrait (n)<\/h3>\n

Le troisi\u00e8me param\u00e8tre cardinal est d\u00e9sign\u00e9 par la lettre minuscule n<\/em>. Il caract\u00e9rise le nombre total d’unit\u00e9s extraites sans remise de la population globale N<\/em>. En vertu du protocole de non-remplacement, ce param\u00e8tre est intrins\u00e8quement born\u00e9 par la taille de la population source, ce qui impose la restriction fondamentale 1 ≤ n ≤ N<\/em>. L’exp\u00e9rimentateur ne saurait en effet extraire un nombre d’\u00e9l\u00e9ments sup\u00e9rieur au volume physique disponible dans le r\u00e9servoir ferm\u00e9.<\/p>\n

La magnitude de n<\/em> d\u00e9termine l’intensit\u00e9 de l’information extraite du syst\u00e8me ainsi que l’ampleur de la perturbation inflig\u00e9e \u00e0 la population r\u00e9siduelle. Lorsque n<\/em> est marginal par rapport \u00e0 N<\/em>, la population r\u00e9siduelle reste quantitativement proche de la configuration de d\u00e9part. En revanche, lorsque n<\/em> approche N<\/em>, la structure de la population r\u00e9siduelle se trouve modifi\u00e9e de mani\u00e8re drastique, accentuant la d\u00e9pendance stochastique entre les tirages.<\/p>\n

Dans le cas limite o\u00f9 n = N<\/em>, le protocole d’\u00e9chantillonnage cesse d’\u00eatre une estimation probabiliste pour devenir un recensement exhaustif. L’incertitude stochastique s’\u00e9vanouit totalement : le nombre de succ\u00e8s observ\u00e9s dans l’\u00e9chantillon est alors d\u00e9termin\u00e9 avec certitude et \u00e9gal \u00e0 K<\/em> avec une probabilit\u00e9 de 1. Ce comportement illustre le r\u00f4le de r\u00e9gulation d\u00e9terministe exerc\u00e9 par le param\u00e8tre n<\/em> \u00e0 l’approche de la borne maximale N<\/em>.<\/p>\n

2.4 Le comptage des succ\u00e8s observ\u00e9s (k) et son support admissible<\/h3>\n

La variable al\u00e9atoire d’int\u00e9r\u00eat, conventionnellement not\u00e9e X<\/em>, mesure le nombre d’\u00e9l\u00e9ments porteurs de l’attribut d’int\u00e9r\u00eat effectivement constat\u00e9s dans l’\u00e9chantillon de taille n<\/em>. La valeur r\u00e9alis\u00e9e de cette variable est not\u00e9e k<\/em>. L’identification du support math\u00e9matique de X<\/em> — c’est-\u00e0-dire l’ensemble des valeurs enti\u00e8res que k<\/em> peut l\u00e9gitimement prendre — constitue l’un des aspects les plus subtils de la loi hyperg\u00e9om\u00e9trique.<\/p>\n

Le support admissible n’est pas simplement d\u00e9limit\u00e9 par l’intervalle [0, n]<\/em>, car des contraintes combinatoires \u00e9mergent de la confrontation entre les param\u00e8tres N<\/em>, K<\/em> et n<\/em>. D’une part, le nombre de succ\u00e8s observ\u00e9s ne peut exc\u00e9der le nombre total de succ\u00e8s disponibles dans la population ni la taille de l’\u00e9chantillon pr\u00e9lev\u00e9. La borne sup\u00e9rieure s’\u00e9tablit donc formellement selon l’expression :<\/p>\n

kmax<\/sub> = min(n, K)<\/em><\/p>\n

D’autre part, la borne inf\u00e9rieure ne correspond pas n\u00e9cessairement \u00e0 z\u00e9ro. Si la taille de l’\u00e9chantillon n<\/em> est sup\u00e9rieure au nombre total d’\u00e9checs disponibles dans la population (qui est \u00e9gal \u00e0 N – K<\/em>), l’exp\u00e9rimentateur est contraint par la combinatoire d’extraire un nombre minimal de succ\u00e8s, m\u00eame dans la pire des configurations. La borne inf\u00e9rieure s’\u00e9crit formellement :<\/p>\n

kmin<\/sub> = max(0, n – (N – K))<\/em><\/p>\n

Ainsi, le support formel de la variable al\u00e9atoire X<\/em> est l’ensemble des entiers k<\/em> satisfaisant la double in\u00e9galit\u00e9 :<\/p>\n

max(0, n – N + K) ≤ k ≤ min(n, K)<\/em><\/p>\n

Pour toute valeur de k<\/em> situ\u00e9e en dehors de cet intervalle discret, la probabilit\u00e9 d’occurrence est strictement nulle, les configurations combinatoires correspondantes \u00e9tant impossibles \u00e0 r\u00e9aliser physiquement.<\/p>\n

3. Formulation math\u00e9matique et fonction de masse de probabilit\u00e9<\/h2>\n

3.1 D\u00e9composition de la formule par l’analyse combinatoire<\/h3>\n

La fonction de masse de probabilit\u00e9 d’une variable al\u00e9atoire X<\/em> suivant une loi hyperg\u00e9om\u00e9trique de param\u00e8tres (N, K, n)<\/em>, not\u00e9e de mani\u00e8re usuelle X ~ H(N, K, n)<\/em>, est d\u00e9finie pour tout k<\/em> appartenant \u00e0 son support admissible par l’expression combinatoire fondamentale :<\/p>\n

P(X = k) = [ C(K, k) × C(N – K, n – k) ] \/ C(N, n)<\/em><\/p>\n

o\u00f9 la notation C(a, b)<\/em> d\u00e9signe le coefficient binomial<\/a>, correspondant au nombre de combinaisons sans r\u00e9p\u00e9tition de b<\/em> \u00e9l\u00e9ments choisis parmi a<\/em>. Cette expression analytique se d\u00e9compose conceptuellement en trois blocs distincts r\u00e9gis par le principe fondamental de la th\u00e9orie de la mesure de probabilit\u00e9 sur des espaces finis \u00e9quiprobables : le rapport entre le cardinal des configurations favorables et le cardinal des configurations totales admissibles.<\/p>\n

Le premier terme du num\u00e9rateur, C(K, k)<\/em>, quantifie le nombre distinct de fa\u00e7ons de s\u00e9lectionner k<\/em> \u00e9l\u00e9ments cibles parmi les K<\/em> succ\u00e8s pr\u00e9sents au sein de la population. Le second terme du num\u00e9rateur, C(N – K, n – k)<\/em>, calcule le nombre de mani\u00e8res ind\u00e9pendantes de s\u00e9lectionner les n – k<\/em> \u00e9l\u00e9ments non porteurs de l’attribut parmi la r\u00e9serve r\u00e9siduelle d’\u00e9checs, dont le volume est de N – K<\/em>. En vertu du principe de multiplication combinatoire, le produit de ces deux coefficients fournit le nombre total d’\u00e9chantillons non ordonn\u00e9s contenant pr\u00e9cis\u00e9ment k<\/em> succ\u00e8s et n – k<\/em> \u00e9checs.<\/p>\n

Le d\u00e9nominateur, C(N, n)<\/em>, repr\u00e9sente quant \u00e0 lui le cardinal de l’espace d’\u00e9chantillonnage global, \u00e0 savoir le nombre total de sous-ensembles uniques de taille n<\/em> pouvant \u00eatre extraits d’une population de taille N<\/em>, sans \u00e9gard pour l’ordre d’apparition des \u00e9l\u00e9ments. D\u00e8s lors que l’on postule l’\u00e9quiprobabilit\u00e9 de tirage de chaque sous-ensemble de taille n<\/em>, la probabilit\u00e9 de l’\u00e9v\u00e9nement {X = k}<\/em> est donn\u00e9e par le rapport de ces quantit\u00e9s combinatoires.<\/p>\n

3.2 Propri\u00e9t\u00e9s analytiques des coefficients binomiaux appliqu\u00e9s<\/h3>\n

L’\u00e9valuation rigoureuse de la fonction de masse de la distribution hyperg\u00e9om\u00e9trique repose sur les propri\u00e9t\u00e9s formelles des factorielles sous-jacentes aux coefficients binomiaux. Par d\u00e9finition, pour deux entiers naturels a<\/em> et b<\/em> v\u00e9rifiant 0 ≤ b ≤ a<\/em>, le coefficient binomial s’exprime selon :<\/p>\n

C(a, b) = a! \/ [ b! × (a – b)! ]<\/em><\/p>\n

En injectant cette d\u00e9finition factorielle dans la formule de la fonction de masse hyperg\u00e9om\u00e9trique, on obtient l’expansion alg\u00e9brique brute suivante :<\/p>\n

P(X = k) = [ (K! \/ (k!(K – k)!)) × ((N – K)! \/ ((n – k)!(N – K – n + k)!)) ] \/ [ N! \/ (n!(N – n)!) ]<\/em><\/p>\n

Cette forme d\u00e9velopp\u00e9e met en \u00e9vidence plusieurs propri\u00e9t\u00e9s analytiques d’int\u00e9r\u00eat. D’une part, elle r\u00e9v\u00e8le des propri\u00e9t\u00e9s de sym\u00e9trie structurelle : l’interversion des r\u00f4les des param\u00e8tres d’\u00e9chantillonnage et de population d’int\u00e9r\u00eat — notamment la substitution r\u00e9ciproque de n<\/em> et de K<\/em> — laisse la valeur de la probabilit\u00e9 invariante. D’autre part, elle impose des contraintes computationnelles strictes aux bornes du support : lorsque k = 0<\/em> ou k = n<\/em>, l’intervention de termes nuls affect\u00e9s de factorielles requiert l’application de la convention axiomatique 0! = 1<\/em> pour pr\u00e9server la continuit\u00e9 alg\u00e9brique du calcul.<\/p>\n

De surcro\u00eet, la structure de cette formule interdit l’usage d’une simple d\u00e9composition multiplicative de probabilit\u00e9s univari\u00e9es ind\u00e9pendantes, soulignant \u00e0 nouveau l’enchev\u00eatrement stochastique caus\u00e9 par le terme factoriel du d\u00e9nominateur global N!<\/em>, qui agr\u00e8ge et m\u00e9lange l’ensemble des trajectoires d’\u00e9chantillonnage concevables.<\/p>\n

3.3 V\u00e9rification axiomatique de la fonction de masse<\/h3>\n

Pour qu’une fonction r\u00e9elle d\u00e9finie sur un ensemble discret constitue une fonction de masse de probabilit\u00e9 valide au sens de l’axiomatique de Kolmogorov, deux conditions n\u00e9cessaires et suffisantes doivent \u00eatre formellement attest\u00e9es : la non-n\u00e9gativit\u00e9 stricte des probabilit\u00e9s sur l’ensemble du support, et la sommation unitaire de ces probabilit\u00e9s sur l’int\u00e9gralit\u00e9 du domaine admissible.<\/p>\n

La premi\u00e8re condition est v\u00e9rifi\u00e9e de fa\u00e7on triviale. Les coefficients binomiaux C(K, k)<\/em>, C(N – K, n – k)<\/em> et C(N, n)<\/em> repr\u00e9sentent des cardinaux d’ensembles finis r\u00e9els ; ils sont donc strictement positifs pour toute valeur de k<\/em> localis\u00e9e \u00e0 l’int\u00e9rieur du support admissible born\u00e9 par kmin<\/sub><\/em> et kmax<\/sub><\/em>. Leur produit et leur quotient sont par cons\u00e9quent strictement positifs, garantissant P(X = k) > 0<\/em> sur le support, et P(X = k) = 0<\/em> en dehors.<\/p>\n

La seconde condition requiert la d\u00e9monstration formelle de l’identit\u00e9 :<\/p>\n

∑k<\/sub> P(X = k) = 1<\/em> pour k<\/em> variant de max(0, n – N + K)<\/em> \u00e0 min(n, K)<\/em><\/p>\n

Cette sommation \u00e9quivaut \u00e0 v\u00e9rifier que la somme des num\u00e9rateurs combinatoires est \u00e9gale au d\u00e9nominateur commun :<\/p>\n

∑k<\/sub> [ C(K, k) × C(N – K, n – k) ] = C(N, n)<\/em><\/p>\n

Cette \u00e9galit\u00e9 est d\u00e9montr\u00e9e par l’identit\u00e9 de convolution de Vandermonde<\/a>, un r\u00e9sultat classique d’alg\u00e8bre combinatoire. Cette identit\u00e9 d\u00e9coule de l’expansion du polyn\u00f4me (1 + x)N<\/sup> = (1 + x)K<\/sup> × (1 + x)N – K<\/sup><\/em> par le bin\u00f4me de Newton, o\u00f9 l’identification syst\u00e9matique des coefficients du mon\u00f4me xn<\/sup><\/em> de part et d’autre de l’\u00e9galit\u00e9 confirme la fermeture unitaire de la distribution hyperg\u00e9om\u00e9trique.<\/p>\n

4. R\u00e9solution d\u00e9taill\u00e9e d’un cas pratique : L’extraction de cartes<\/h2>\n

4.1 Mod\u00e9lisation du probl\u00e8me du jeu de 52 cartes<\/h3>\n

Afin d’illustrer la m\u00e9canique op\u00e9ratoire de la fonction de masse, examinons un probl\u00e8me classique d’extraction au sein d’un jeu standardis\u00e9 de 52 cartes \u00e0 jouer. Cette configuration exp\u00e9rimentale fournit un exemple paradigmatique : la population est rigoureusement finie, chaque carte est discernable et aucun m\u00e9canisme de renouvellement n’intervient durant le pr\u00e9l\u00e8vement.<\/p>\n

Supposons que nous souhaitions \u00e9valuer la probabilit\u00e9 d’obtenir pr\u00e9cis\u00e9ment deux reines lors du tirage al\u00e9atoire, simultan\u00e9 et sans remise, de deux cartes hors du paquet pr\u00e9alablement battu. Les param\u00e8tres de notre distribution se d\u00e9clinent de la fa\u00e7on suivante :<\/p>\n