Calculateur de moyenne et variance binomiale négative

Calculateur de moyenne et variance binomiale négative

Émergent AI Skill PRO

Entrez le calcul

Résultats

Espérance (échecs attendus avant r succès)
5
Succès (r) 5
Probabilité de succès (p) 0,5
Variance (σ²) 10
Écart type (σ) 3,1623

Formule

IQR=Q3−Q1\text{IQR} = Q_3 - Q_1
Statistiques d'utilisation

Publicité

Signaler une erreur sur cette page

Ce que fait ce calculateur

Le calculateur de moyenne et variance binomiale négative renvoie les deux premiers moments d'une loi binomiale négative. Dans la paramétrisation standard « nombre d'échecs avant les succès », la variable aléatoire X compte le nombre d'échecs survenant avant le r-ième succès dans une suite d'essais de Bernoulli indépendants, où chaque essai réussit avec une probabilité p. Saisissez r et p, et l'outil indique la moyenne, la variance et l'écart type de X.

Comment ça fonctionne

Chaque essai est une expérience indépendante de type succès ou échec, avec une probabilité de succès constante p. Vous continuez à tirer jusqu'à avoir accumulé r succès ; X est le nombre d'échecs observés en cours de route. Comme X peut s'écrire comme la somme de r variables géométriques indépendantes, comptant chacune les échecs avant un unique succès, sa moyenne et sa variance valent exactement r fois la moyenne et la variance d'un seul terme géométrique. On obtient ainsi des expressions en forme close ne dépendant que de r et p.

Boîte à moustaches indiquant les positions du minimum, de Q1, de la médiane, de Q3 et du maximum sur une droite graduée
Une boîte à moustaches montrant les quartiles : l'IQ est la largeur de la boîte entre Q1 et Q3.

Formule

La moyenne, la variance et l'écart type de X sont :

Publicité
$$\mu = \frac{r(1-p)}{p}$$ $$\sigma^2 = \frac{r(1-p)}{p^2}$$ $$\sigma = \sqrt{r(1-p)}\,/\,p$$

Ici, r est le nombre de succès visé et p la probabilité de succès par essai, avec 0 < p <= 1. Notez que la variance est toujours supérieure à la moyenne d'un facteur 1/p ; la loi binomiale négative est donc surdispersée par rapport à la loi de Poisson.

Droite graduée divisant les données triées en quatre quarts égaux en Q1, la médiane et Q3
Les quartiles divisent les données ordonnées en quatre parties égales ; l'IQ couvre les deux du milieu.

Exemple résolu

Supposons que vous ayez besoin de r = 5 succès et que chaque essai réussisse avec une probabilité p = 0.5. Le nombre moyen d'échecs avant le 5e succès est 5(1 - 0.5)/0.5 = 5. La variance est 5(1 - 0.5)/0.5^2 = 2.5/0.25 = 10, si bien que l'écart type est sqrt(10), soit environ 3.16. En moyenne, vous attendez à peu près 5 échecs, avec une dispersion typique d'environ 3 échecs autour de cette moyenne.

FAQ

Quelle paramétrisation de la loi binomiale négative est utilisée ? Elle emploie la convention standard « nombre d'échecs avant le r-ième succès », si bien que la moyenne vaut r(1-p)/p. Si votre manuel compte le nombre total d'essais plutôt que les échecs, ajoutez r à la moyenne pour passer d'une convention à l'autre.

Publicité

r doit-il être un entier ? Pour l'interprétation classique du comptage, r est un entier positif, mais les formules de la moyenne et de la variance restent valables pour tout réel r > 0, ce qui correspond à la loi binomiale négative généralisée (de Pólya).

Que se passe-t-il lorsque p tend vers 1 ? Lorsque p est proche de 1, presque tous les essais réussissent : il n'y a quasiment aucun échec, et la moyenne comme la variance tendent vers 0. Lorsque p devient petit, les échecs s'accumulent et les deux moments croissent rapidement.

Moyenne et variance de la binomiale négative selon différentes valeurs de r et p

Le tableau utilise le paramétrage où \(X\) = nombre d'échecs avant le \(r\)-ième succès, avec une moyenne \(\mu = r(1-p)/p\) et une variance \(\sigma^2 = r(1-p)/p^2\). Le rapport variance/moyenne se simplifie en \(1/p\).

r p Moyenne r(1-p)/p Variance r(1-p)/p² Écart-type Rapport variance/moyenne 1/p
1 0.5 1 2 1.4142 2
5 0.5 5 10 3.1623 2
5 0.2 20 100 10 5
10 0.8 2.5 3.125 1.7678 1.25
3 0.1 27 270 16.4317 10

Vérification détaillée pour r = 5, p = 0.2 : \(\mu = 5(0.8)/0.2 = 4/0.2 = 20\), \(\sigma^2 = 5(0.8)/0.2^2 = 4/0.04 = 100\), \(\sigma = \sqrt{100} = 10\), et \(1/p = 5 = 100/20\).

Définitions et glossaire

  • r : le nombre cible de succès ; le processus s'arrête au r-ième succès. Il s'agit d'un entier positif dans la forme classique (la loi peut être étendue aux réels positifs).
  • p : la probabilité de succès à chaque essai indépendant, avec 0 < p ≤ 1.
  • X : le nombre d'échecs observés avant le r-ième succès, prenant les valeurs 0, 1, 2, …
  • Moyenne : la valeur espérée de X, \(E[X] = r(1-p)/p\).
  • Variance : l'écart quadratique moyen par rapport à la moyenne, \(\operatorname{Var}(X) = r(1-p)/p^2\).
  • Écart-type : la racine carrée de la variance, \(\sqrt{r(1-p)}/p\).
  • Surdispersion : variance supérieure à la moyenne. La binomiale négative est surdispersée dès que 0 < p < 1.
  • Loi géométrique : le cas particulier r = 1, qui compte les échecs avant le premier succès, avec une moyenne \((1-p)/p\) et une variance \((1-p)/p^2\).
  • Paramétrage par nombre total d'essais : si Y = X + r compte tous les essais jusqu'au r-ième succès inclus, alors la moyenne est \(r/p\) tandis que la variance reste \(r(1-p)/p^2\), car l'ajout de la constante r décale la moyenne sans modifier la dispersion.
Dernière mise à jour:

Les plus populaires dans Mathématiques et statistiques

Voir toutes les calculatrices de Mathématiques et statistiques