Loi multinomiale

Multinomiale ou polynomiale
Paramètres n > 0 {\displaystyle n>0} nombre d'épreuves (entier)
p 1 , p m {\displaystyle p_{1},\ldots p_{m}} probabilités des événements ( p i = 1 {\textstyle \sum p_{i}=1} )
Support N i { 0 , , n } {\displaystyle N_{i}\in \{0,\dots ,n\}}
n i = n {\textstyle \sum n_{i}=n\!}
Fonction de masse n ! n 1 ! n m ! p 1 n 1 p m n m {\displaystyle {\frac {n!}{n_{1}!\cdots n_{m}!}}p_{1}^{n_{1}}\cdots p_{m}^{n_{m}}}
Espérance E [ N i ] = n p i {\displaystyle E\left[N_{i}\right]=np_{i}}
Variance V a r ( N i ) = n p i ( 1 p i ) {\displaystyle {\mathrm {Var} }(N_{i})=np_{i}(1-p_{i})}
C o v ( N i , N j ) = n p i p j {\displaystyle {\mathrm {Cov} }(N_{i},N_{j})=-np_{i}p_{j}}
pour

i j {\displaystyle i\neq j}

Fonction génératrice des moments ( i = 1 m p i e t i ) n {\displaystyle \left(\sum _{i=1}^{m}p_{i}{\rm {e}}^{t_{i}}\right)^{n}}
modifier Consultez la documentation du modèle

En théorie des probabilités, la loi multinomiale (aussi appelée distribution polynomiale[1]) 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 chiffre 1 seul peut être modélisée par une loi binomiale alors que l'ensemble des apparitions des faces 1 à 6 est modélisé par une loi multinomiale.

Rappel sur la loi binomiale

Article détaillé : Loi binomiale.
Pile ou face.

On considère une pièce de monnaie où la probabilité d'obtenir « pile » est p. On considère une variable aléatoire binomiale X : il s'agit du nombre de « piles » obtenus pour n lancers d'une pièce de monnaie. La loi de probabilité s'écrit

P ( X = k ) = n ! k ! ( n k ) ! p k ( 1 p ) n k {\displaystyle \mathbb {P} (X=k)={\frac {n!}{k!(n-k)!}}p^{k}(1-p)^{n-k}} .

Cette expression peut se réécrire de manière symétrique en faisant intervenir deux variables aléatoires N 1 {\displaystyle N_{1}} et N 2 {\displaystyle N_{2}} dont la somme est égale à n : N 1 {\displaystyle N_{1}} est le nombre de « piles » obtenus durant n lancers et N 2 {\displaystyle N_{2}} est le nombre de « faces » obtenues durant ces n lancers. Formellement,

N 1 = X , N 2 = n X , p 1 = p , p 2 = 1 p {\displaystyle N_{1}=X,\quad N_{2}=n-X,\quad p_{1}=p,\quad p_{2}=1-p}
P ( N 1 = n 1 , N 2 = n 2 ) = n ! n 1 ! n 2 ! p 1 n 1 p 2 n 2 {\displaystyle \mathbb {P} (N_{1}=n_{1},N_{2}=n_{2})={\frac {n!}{n_{1}!n_{2}!}}p_{1}^{n_{1}}p_{2}^{n_{2}}} .

Définition

Un dé à six faces.

Dans le cas multinomial à m {\displaystyle m\,} résultats possibles au lieu de 2, les variables aléatoires deviennent N i {\displaystyle N_{i}\,} , i { 1 , , m } {\displaystyle i\in \{1,\ldots ,m\}\,} et correspondent aux probabilités p i {\displaystyle p_{i}\,} , i { 1 , , m } {\displaystyle i\in \{1,\ldots ,m\}\,} avec les contraintes

i = 1 m n i = n i = 1 m p i = 1 {\displaystyle \sum _{i=1}^{m}n_{i}=n\quad \sum _{i=1}^{m}p_{i}=1} .

Par exemple, pour n lancers d'un dé à six faces, N i {\displaystyle N_{i}\,} est le nombre de fois où on obtient i { 1 , , 6 } {\displaystyle i\in \{1,\ldots ,6\}\,} . Pour un dé non pipé, on a p i = 1 6 {\displaystyle p_{i}={\frac {1}{6}}} pour tout i { 1 , , 6 } {\displaystyle i\in \{1,\ldots ,6\}\,} . Si le dé est pipé, alors les valeurs p i {\displaystyle p_{i}\,} sont différentes.

La loi de probabilité s'écrit alors, sous la condition portant sur la somme des variables :

P ( N 1 = n 1 , , N m = n m ) = n ! n 1 ! n m ! p 1 n 1 p m n m = ( n n 1 , n 2 , , n m ) p 1 n 1 p m n m {\displaystyle \mathbb {P} (N_{1}=n_{1},\ldots ,N_{m}=n_{m})={\frac {n!}{n_{1}!\ldots n_{m}!}}p_{1}^{n_{1}}\ldots p_{m}^{n_{m}}={n \choose n_{1},n_{2},\ldots ,n_{m}}p_{1}^{n_{1}}\ldots p_{m}^{n_{m}}} .

Propriétés

Chacune des variables N i {\displaystyle N_{i}\,} suit une loi binomiale dont l'espérance et la variance sont

E ( N i ) = n p i var ( N i ) = n p i ( 1 p i ) {\displaystyle \mathbb {E} (N_{i})=np_{i}\quad \operatorname {var} (N_{i})=np_{i}(1-p_{i})}

et les covariances s'écrivent

cov ( N i , N j ) = n p i p j {\displaystyle \operatorname {cov} (N_{i},N_{j})=-np_{i}p_{j}\,} .

Approximation

Approximation par loi normale

Lorsque la variable aléatoire Ni devient assez grande (par convention, au-delà de 30), le théorème central limite montre qu'elle est raisonnablement approchée par une variable normale à laquelle correspond la variable centrée réduite N i n p i n p i ( 1 p i ) {\displaystyle {\frac {N_{i}-np_{i}}{\sqrt {np_{i}(1-p_{i})}}}} .

Références

  1. Pierre Dagnélie, Statistiques théorique et appliquée, éditions de Boeck, Bruxelles, 2013.

Voir aussi

Lien interne

  • Coefficient multinomial

Lien externe

(en) Eric W. Weisstein, « Multinomial Distribution », sur MathWorld

v · m
Lois discrètes
à support fini
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
3 paramètres de forme
N paramètres de forme
à support infini
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
3 paramètres de forme
Lois absolument continues
à support compact
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
3 paramètres de forme
à support semi-infini
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
3 paramètres de forme
N paramètres de forme
à support infini
0 paramètre de forme
1 paramètre de forme
2 paramètres de forme
Autres types de lois
Lois à support mixte continu-discret
Lois à support variable
Lois multidimensionnelles
Discrètes
  • Ewens (en)
  • multinomiale
Continues
Matricielles
Lois directionnelles
Univariantes
Sphériques bidimensionnelles
Toroïdales bidimensionnelles
Multidimensionnelles
Lois singulières
Familles de lois
v · m
Index du projet probabilités et statistiques
Théorie des probabilités
Bases théoriques
Principes généraux
Convergence de lois
Calcul stochastique
Lois de probabilité
Lois continues
Lois discrètes
Mélange entre statistiques et probabilités
Interprétations de la probabilité
Théorie des statistiques
Statistiques descriptives
Bases théoriques
Tableaux
Visualisation de données
Paramètres de position
Paramètres de dispersion
Paramètres de forme
Statistiques inductives
Bases théoriques
Tests paramétriques
Tests non-paramétriques
Application
  • icône décorative Portail des probabilités et de la statistique