Distribution hypergéométrique

Explication de la signification de la distribution hypergéométrique

La distribution hypergéométrique n'est pas aussi intimidante qu'elle peut le paraître au premier abord. Il s'agit fondamentalement du cadre d'une distribution de probabilité discrète. Cette distribution illustre la probabilité d'obtenir un nombre spécifique de succès dans une séquence de tirages d'une population finie sans remplacement.

Pour renforcer ta compréhension, décomposons la formule de la distribution hypergéométrique :

La formule donnée calcule la probabilité de "k" succès (résultats souhaités) dans "n" tirages, sans remplacement, à partir d'une population finie de taille "N" qui contient exactement "K" objets avec cette caractéristique, où "C" désigne le coefficient binomial.

Histoire et contexte de la distribution hypergéométrique

Le nom "hypergéométrique" peut sembler plutôt exotique, mais la signification qui se cache derrière est enracinée dans une simple logique mathématique. Le terme hypergéométrique a d'abord été associé à une fonction introduite par le célèbre mathématicien, John Wallis, au 17e siècle, pour dériver l'aire d'une hyperbole. Cependant, cette distribution n'a pas été nommée en tant que telle jusqu'à ce que Sørensen (1948) et Fisher (1950) la fassent entrer dans le domaine des statistiques et des probabilités.

Notions de base sur la distribution hypergéométrique

Pour appliquer la distribution hypergéométrique, il y a quelques conditions préalables que tu dois garder à l'esprit. Cette distribution est appropriée lorsque :

• La taille totale de la population ('N') est connue et finie.
• La population comprend des "succès" et des "échecs".
• Les échantillons sont tirés sans remplacement.

Par exemple, le contrôle de la qualité dans la fabrication est une application courante de la distribution hypergéométrique. Elle est utilisée par les ingénieurs et les experts en qualité pour tester un échantillon de produits provenant d'une chaîne de montage afin d'identifier les articles défectueux.

La puissance et l'élégance de la distribution hypergéométrique résident dans sa capacité à traiter directement des populations finies et des échantillons tirés sans remplacement, te fournissant ainsi un outil mathématique qui permet d'obtenir des résultats et des analyses précis dans de nombreux scénarios complexes.

Propriétés principales de la distribution hypergéométrique

Les propriétés essentielles de la distribution hypergéométrique sont des éléments fondamentaux qui façonnent son comportement et déterminent son utilité dans des scénarios pratiques. Elles permettent non seulement de bien comprendre ce concept, mais aussi de le différencier des autres types de distributions de probabilités.

Explication des propriétés de la distribution hypergéométrique

Pour entrer dans le vif du sujet, mettons en lumière les propriétés cruciales de la distribution hypergéométrique. Lorsque tu travailles avec cette distribution, chaque tirage que tu fais aboutit ou non à un succès, et chaque tirage affecte la probabilité du suivant. Cette caractéristique, associée aux propriétés suivantes, fait de cette distribution un outil précieux dans le domaine des probabilités statistiques.

• Discrétion : La distribution hypergéométrique est une distribution discrète. Cela signifie que le nombre de succès qui t'intéresse doit être un nombre entier. La notion de "demi-succès" n'existe pas dans ce contexte.
• Dépendance : Contrairement à d'autres types de distribution, tes tirages ne sont pas indépendants. Le résultat d'un tirage a un impact sur le résultat du tirage suivant. Et c'est pourquoi la distribution hypergéométrique est souvent utilisée lorsque l'échantillonnage est effectué sans remplacement.
• Population finie : La taille totale de la population est finie et connue dans la distribution hypergéométrique. Ce facteur te permet de calculer précisément les probabilités de réussite.

La formule de la distribution hypergéométrique présente très clairement ces propriétés :

Ici, \(K\) est le nombre total de succès dans la population, \(N\) est la taille totale de la population, \(n\) est le nombre de tirages, et \(k\) est le nombre de succès qui t'intéressent. Chacun de ces éléments reflète les propriétés mentionnées ci-dessus.

Importance des propriétés

Les propriétés distinctes de la distribution hypergéométrique en font un instrument indispensable dans divers domaines, notamment le contrôle de la qualité, la recherche écologique et les sciences sociales, entre autres. Sa capacité à modéliser efficacement l'échantillonnage sans remplacement dans une population connue et finie élimine les limitations courantes rencontrées dans de nombreux scénarios du monde réel, ce qui la rend très précieuse.

Dans l'étude des systèmes probabilistes où la probabilité de réussite change à chaque tirage (les essais successifs ne sont pas indépendants), la propriété de dépendance de la distribution hypergéométrique s'avère cruciale. Ceci est particulièrement significatif dans le cas des études de recherche où l'unité d'analyse ne peut pas être facilement reproduite ou remplacée.

Différences entre la distribution hypergéométrique et les autres types de distribution

Chaque distribution de probabilité, y compris la distribution hypergéométrique, possède des caractéristiques uniques qui la rendent adaptée à des scénarios spécifiques. Voici comment la distribution hypergéométrique se distingue de certains autres types de distribution populaires :

• Comparée à la distribution binomiale : Alors que la distribution binomiale suppose que chaque observation ou essai est indépendant et effectué avec remplacement, la distribution hypergéométrique s'étend aux scénarios où les essais sont dépendants et effectués sans remplacement.
• Comparée à la distribution de Poisson : La distribution de Poisson traite du nombre d'événements se produisant dans un intervalle de temps ou d'espace fixe, en supposant que ces événements se produisent avec un taux moyen constant connu et qu'ils sont indépendants du temps écoulé depuis le dernier événement. La distribution hypergéométrique, quant à elle, tourne autour des succès et des échecs dans une population finie.
• Comparée à la distribution normale : La distribution normale est une distribution continue liée à un large éventail de phénomènes naturels. La distribution hypergéométrique, étant une distribution discrète, en diffère sensiblement en ce qui concerne la nature des variables qu'elle peut traiter et sa forme graphique.

Ces comparaisons montrent comment la distribution hypergéométrique, avec ses attributs particuliers, complète les autres distributions N pour enrichir le paysage des méthodologies statistiques.

Application de la distribution hypergéométrique

La distribution hypergéométrique, avec son éventail d'attributs uniques, n'est pas simplement un concept théorique limité aux manuels. Elle joue un rôle crucial dans la résolution de problèmes pratiques dans des domaines variés, en particulier l'ingénierie, les statistiques et les probabilités. Armés d'une solide compréhension des principes fondamentaux et des propriétés de la distribution hypergéométrique, nous pouvons maintenant nous plonger dans ses applications pratiques et explorer la façon dont elle s'inscrit dans les domaines des mathématiques de l'ingénieur, des statistiques et des probabilités.

Applications réelles de la distribution hypergéométrique

Le véritable charme de tout concept mathématique réside dans sa capacité à expliquer ou à prédire des scénarios pratiques. La distribution hypergéométrique n'est pas différente. Ce domaine d'étude trouve ses racines profondément ancrées dans la réalité de la vie quotidienne. Explorons donc quelques applications réelles de la distribution hypergéométrique.

L'une des applications les plus populaires de la distribution hypergéométrique se trouve dans le domaine du contrôle de la qualité et de l'inspection au sein des industries manufacturières. Dans ce cas, la distribution hypergéométrique permet d'évaluer la probabilité de trouver des articles défectueux dans un échantillon tiré d'un lot plus important. Ainsi, si tu as un lot de 100 produits, dont 10 sont connus pour être défectueux, la distribution hypergéométrique peut être appliquée pour calculer la probabilité de trouver un certain nombre de produits défectueux dans un échantillon choisi au hasard d'une taille spécifiée, disons 20.

Outre le contrôle de la qualité, la distribution hypergéométrique joue un rôle important dans la recherche biologique et écologique. Par exemple, dans le domaine de la gestion de la faune, les chercheurs peuvent vouloir estimer le nombre d'une certaine espèce dans un habitat défini. Ils pourraient capturer un nombre déterminé d'animaux, les étiqueter et les relâcher dans la nature. Plus tard, ils capturent un autre échantillon et observent combien d'animaux sont marqués. La distribution hypergéométrique est alors utilisée pour estimer la taille totale de la population.

Applications en mathématiques de l'ingénieur

L'ingénierie est un domaine qui traite fréquemment d'instances de populations connues et finies. Par conséquent, la distribution hypergéométrique trouve de nombreuses applications en ingénierie, en particulier dans la recherche opérationnelle, l'ingénierie de la fiabilité et les processus de fabrication.

Par exemple, dans le domaine de la recherche opérationnelle, les analystes doivent souvent gérer et contrôler des systèmes structurés avec un nombre connu et fini de composants identiques et indépendants. Ces systèmes subissent généralement un mélange de plusieurs types de chocs aléatoires. Dans un tel scénario, une approche populaire consiste à modéliser le problème à l'aide d'une distribution hypergéométrique multivariée.

Dans des aspects tels que la maintenance des systèmes et l'ingénierie de la fiabilité, la distribution hypergéométrique joue un rôle clé. Si un système technique est composé d'éléments redondants et que l'on s'intéresse à la fiabilité du système étant donné qu'un certain nombre d'éléments sont tombés en panne, la distribution hypergéométrique devient un outil précieux.

De plus, dans le cadre des processus de fabrication, les ingénieurs appliquent souvent la distribution hypergéométrique pour le contrôle de la qualité, comme nous l'avons déjà mentionné. Ils ont souvent besoin d'échantillonner des pièces ou des unités d'un lot de production et de calculer la probabilité qu'un certain nombre d'entre elles soient conformes à des spécifications de qualité acceptables. Cela permet de déterminer si l'ensemble du lot est acceptable ou s'il nécessite une inspection ou un traitement supplémentaire.

Distribution hypergéométrique dans Statistiques et probabilités

En statistiques et probabilités, la distribution hypergéométrique constitue un concept central, en particulier dans les statistiques inférentielles et les tests paramétriques.

Un exemple classique de son application dans les statistiques inférentielles est le test exact de Fisher. Il s'agit d'un test de signification statistique utilisé dans l'analyse des tableaux de contingence 2x2. Il est souvent appliqué à des échantillons de petite taille, pour lesquels l'utilisation d'approximations comme le test du Khi-deux n'est pas appropriée. Le test calcule la probabilité exacte, en supposant une distribution hypergéométrique, d'obtenir les données observées, sous l'hypothèse nulle.

De plus, la distribution hypergéométrique est l'analogue discret de la distribution bêta continue, c'est pourquoi elle est fréquemment utilisée dans la modélisation statistique lorsque les populations ont une structure discrète. Il s'agit notamment de l'échantillonnage d'enquête, de l'estimation des populations d'animaux sauvages, de la génétique médico-légale, de l'épidémiologie et de l'apprentissage automatique.

Décoder la formule de la distribution hypergéométrique

La formule de la distribution hypergéométrique résume l'essence de cette distribution et t'aide à te familiariser avec les mathématiques. La beauté de la formule réside dans la façon dont elle capture les propriétés uniques de ce type de distribution dans une expression mathématique simple.

Introduction à la formule de la distribution hypergéométrique

En considérant la formule de la distribution hypergéométrique, nous explorons un outil mathématiquement riche mais accessible qui nous permet de nous plonger dans des scénarios du monde réel où la probabilité change à chaque événement. La formule de la distribution hypergéométrique est la suivante :

\[P(X=k) = \frac{{C(K,k) C(N-K, n-k)}}{C(N, n)}\]

Dans cette formule, \N(N\N) est la taille totale de la population, \N(K\N) est le nombre total d'états de réussite dans la population, \N(n\N) est le nombre de tirages et \N(k\N) est le nombre de réussites observées. La fonction \(C(\cdot, \cdot)\) est la fonction de combinaison, qui calcule le nombre de façons dont tu peux choisir des éléments dans un ensemble plus large.

Comprendre les éléments de la formule

En apprenant les subtilités de la formule de la distribution hypergéométrique, tu développes non seulement une meilleure compréhension de cette distribution, mais aussi de concepts statistiques plus larges. Décomposons donc les composants de cette formule.

• La fonction \(C(K,k)\) calcule le nombre de façons dont tu peux choisir \(k\) succès parmi les \(K\) succès totaux de la population.
• L'expression \(C(N-K, n-k)\Ncalcule le nombre de façons dont nous pouvons choisir les \(n-k\Néchecs restants parmi les \(N-K\Néchecs présents dans la population.
• Le dénominateur \(C(N, n)\) donne le nombre total de façons dont tu peux tirer \(n\) éléments d'une population de taille \(N\).
• La formule entière exprime donc la probabilité d'obtenir exactement \(k\) succès en \(n\) tirages de la population.

Application de la formule dans les calculs

La formule de la distribution hypergéométrique est plus qu'un concept mathématique abstrait ; elle a la capacité de s'attaquer à des problèmes concrets du monde réel. C'est ce mélange d'élégance théorique et d'application pratique qui en fait un outil si puissant.

) = [C(13,2) * C(52-13, 3-2)] / C(52, 3) P(X=2) = [78 * 39] / 22 100 P(X=2) = 3 042 / 22 100 P(X=2) ≈ 0,1375

Cette probabilité, arrondie à la quatrième décimale, suggère environ 13,75 % de chances de tirer deux Piques à partir de trois tirages de cartes au hasard.

La formule de la distribution hypergéométrique offre donc un moyen mathématiquement solide de calculer des probabilités dans des scénarios où les événements ne sont pas indépendants, ce qui en fait un outil essentiel pour les analyses dans divers domaines, notamment l'ingénierie, l'écologie et le contrôle de la qualité, entre autres.

Apprentissage pratique avec des exemples de distribution hypergéométrique

La distribution hypergéométrique n'est certainement pas qu'une question de concepts abstraits ou de théories déconnectées. Elle se branche sur des applications du monde réel, apportant de la clarté à des situations pratiques variées. Pour découvrir son caractère unique et son authenticité, plongeons-nous dans quelques exemples pratiques et voyons la théorie prendre vie.

Examiner des exemples de distribution hypergéométrique

Comme tu le sais peut-être déjà, la distribution hypergéométrique modélise la probabilité d'un nombre spécifié de succès dans une séquence de tirages d'une population finie sans remplacement. Pour mieux assimiler le concept, nous allons examiner quelques exemples et appliquer nos connaissances de la formule et des principes de la distribution hypergéométrique.

Commençons par un scénario classique de distribution de cartes. Supposons qu'un ami te distribue 5 cartes d'un jeu standard de 52 cartes. Quelle est la probabilité qu'exactement 2 de ces cartes soient des carreaux ?

Dans ce scénario, la taille totale de la population \(N\) est de 52 (nombre total de cartes dans le jeu), le nombre total d'états de réussite \(K\) est de 13 (nombre de diamants dans le jeu), le nombre de tirages \(n\) est de 5 (nombre de cartes qui nous sont distribuées), et le nombre de réussites observées \(k\) est de 2 (nombre de diamants que nous voulons avoir).

En appliquant ces valeurs à la formule de la distribution hypergéométrique, on obtient la solution du problème :

) = [C(13,2) * C(52-13, 5-2)] / C(52, 5) P(X=2) = [78 * 1716] / 2 598 960 P(X=2) ≈ 0,325

Par conséquent, il y a environ 32,5 % de chances que tu reçoives deux diamants à partir de cinq tirages de cartes aléatoires.

Cet exemple de carte est une illustration classique et directe de la façon dont la distribution hypergéométrique peut être utilisée pour résoudre des problèmes de probabilité dans des situations réelles.

Visite guidée de la résolution de problèmes à l'aide de la distribution hypergéométrique

Pour mieux comprendre les mécanismes de la résolution de problèmes à l'aide de la distribution hypergéométrique, examinons une question plus complexe. Supposons qu'il y ait 200 étudiants dans un collège - 100 étudient l'informatique (CS) et 100 étudient l'électrotechnique (EE). Tu choisis 50 étudiants au hasard. Quelle est la probabilité qu'exactement 20 de ces élèves étudient l'informatique ?

Ici, la taille totale de la population \(N\) est de 200 (nombre total d'étudiants) ; le nombre total d'états de réussite \(K\) est de 100 (nombre d'étudiants en informatique) ; le nombre de tirages \(n\) est de 50 (nombre d'étudiants que tu choisis), et le nombre de réussites observées \(k\) est de 20 (nombre d'étudiants en informatique que tu souhaites voir participer à ton choix).

P(X=20) = [C(100,20) * C(200-100, 50-20)] / C(200, 50) P(X=20) = [2.29e+20 * 5.35e+21] / 4.72e+45 P(X=20) ≈ 0.260

Ce résultat t'indique qu'il y a environ 26,0 % de probabilité de choisir exactement 20 élèves CS parmi un choix aléatoire de 50 élèves.

Cet exemple expose la méthode de formulation et de résolution de problèmes utilisant la distribution hypergéométrique en conjonction avec sa formule. De telles questions sont courantes dans les sondages et représentent un cas d'utilisation courant de cette distribution.

Apprendre à partir d'exemples dérivés

Maintenant que nous nous sommes aventurés dans les exemples de résolution directe de problèmes, il est temps de nous plonger dans les exemples dérivés, qui reposent sur certaines conditions préalables ou conditions dérivées. Prenons le cas d'unités défectueuses dans des lots.

Supposons que dans une chaîne de production de téléphones portables, une entreprise sache que 10 % de tous les téléphones portables produits sont défectueux. Une fois fabriqué, si un lot de 100 mobiles contient plus de 5 unités défectueuses, le lot entier est envoyé pour être retravaillé.

Maintenant, pour trouver la probabilité qu'un lot n'ait pas besoin d'être retravaillé, nous devons trouver la probabilité d'avoir de 0 à 5 unités défectueuses dans le lot. Cette probabilité peut être calculée à l'aide de la formule de la distribution hypergéométrique :

Nous additionnons les probabilités d'avoir 0, 1, 2, 3, 4 et 5 unités défectueuses dans un lot de 100 :

P(X<=5) = ∑ de k=0 à 5 de [C(10,k) * C(90, 100-k)] / C(100, 100)

Le résultat de ce calcul donne la probabilité qu'un lot ne soit pas envoyé en reprise pour cause de défauts. Cet exemple montre comment on peut utiliser la distribution hypergéométrique pour calculer la probabilité d'une série de résultats dans des situations où il y a une condition claire de réussite ou d'échec.

De tels exemples dérivés clarifient les scénarios de résolution de problèmes avancés en illustrant la complexité de la distribution hypergéométrique, ce qui permet d'approfondir l'approche d'apprentissage.

Attentes à l'égard de la distribution hypergéométrique

Le concept d'espérance, également connu sous le nom de valeur attendue ou de moyenne, fait partie intégrante de la compréhension du comportement de la distribution hypergéométrique et de la façon dont il influence tes calculs. Il offre des attentes réalistes pour la distribution des résultats dans des scénarios pratiques où les concepts hypergéométriques s'appliquent.

Comprendre l'espérance de la distribution hypergéométrique

Dans les contextes statistiques, l'espérance, ou la moyenne, d'une variable aléatoire est essentiellement ce à quoi tu "t'attendrais" en tant que résultat moyen à long terme de nombreuses répétitions de la même expérience qu'elle représente. Pour la distribution hypergéométrique, la valeur attendue est donnée par la formule :

\[E(X) = n\frac{K}{N}\]

Ici, \(E(X)\) représente la valeur attendue, \(n\) est le nombre de tirages, \(K\) est le nombre d'états de réussite dans la population, et \(N\) est la taille totale de la population. Cette formule reflète la moyenne à long terme de nombreuses répétitions de la même expérience hypergéométrique.

Décompose les différents éléments de cette formule :

• \(n\) est le nombre de tirages, ou le nombre d'éléments choisis dans la population. C'est ce qui détermine l'échelle du nombre de succès probables.
• \(K\) est le nombre total d'états de réussite dans la population. Il s'agit du nombre total de résultats que tu considérerais comme réussis dans l'expérience.
• \(N\) est la taille totale de la population, qui définit la base de la mesure de probabilité.

Importance et applications de l'espérance en ingénierie

Le concept d'espérance est largement déployé en ingénierie, où des incertitudes planent sur les résultats des processus et des opérations. Il permet de prédire les résultats moyens d'expériences répétées et d'obtenir des informations stratégiques bénéfiques.

De même, dans les situations de contrôle de la qualité, les ingénieurs peuvent utiliser la mesure de l'espérance pour prédire le nombre moyen d'articles défectueux qui pourraient être trouvés dans un certain nombre de produits choisis au hasard sur une chaîne de production. Cette prédiction peut guider le déploiement des ressources pour les contrôles de qualité et les reprises, rationalisant ainsi l'ensemble du processus de production.

Examiner des exemples de problèmes sur les attentes

L'examen de problèmes types est un moyen constructif de comprendre les applications pratiques de l'espérance dans une expérience hypergéométrique. Un exemple d'application consisterait à calculer le nombre moyen d'articles défectueux dans des lots sélectionnés au hasard dans un processus de production.

) = n * K/N E(X) = 200 * 0,05 E(X) = 10

On s'attendrait donc, en moyenne, à trouver 10 articles défectueux dans chaque lot de 200. Par conséquent, le service de contrôle de la qualité de l'usine peut concevoir sa stratégie d'inspection en conséquence.

Des situations comme celle-ci témoignent définitivement de l'applicabilité et de l'importance pratique des concepts de la distribution hypergéométrique et de l'espérance qui lui est associée.

En examinant la théorie et les principes qui sous-tendent la distribution hypergéométrique et son espérance, ainsi que leurs applications pratiques, tu pourras mieux comprendre comment ces concepts s'appliquent dans des scénarios réels.

Comprendre la distribution hypergéométrique cumulative

En tant qu'extension de la distribution hypergéométrique, la distribution hypergéométrique cumulative est un concept important qui aide à comprendre la probabilité globale d'une certaine gamme de résultats dans les expériences hypergéométriques. La compréhension de cette distribution favorise une compréhension plus profonde du comportement statistique, ce qui, à son tour, favorise des processus de prise de décision plus éclairés et plus précis.

Aperçu de la distribution hypergéométrique cumulative

En tant que développement intrigant de la distribution hypergéométrique standard, la distribution hypergéométrique cumulative joue un rôle important dans la compréhension des probabilités additionnées des résultats hypergéométriques. Essentiellement, elle calcule la probabilité qu'une variable aléatoire dérivée d'une distribution hypergéométrique prenne une valeur inférieure ou égale à une valeur spécifique.

La fonction de distribution cumulative (FDC) d'une variable aléatoire à distribution hypergéométrique est formulée comme suit :

Dans cette formule :

• \(F(k;N,K,n)\) représente la probabilité cumulative pour la distribution hypergéométrique.
• \N(k\N) est la limite supérieure des succès cumulés.
• \N(N\N) est la taille totale de la population.
• \N(K\N) est le nombre total d'états de succès dans la population.
• \N(n\N) est le nombre de tirages.
• \(P(X = i)\) est la fonction de masse de probabilité de la distribution hypergéométrique.

Dans cette équation, la somme s'étend de \(i=0\) à la limite supérieure spécifiée \(k\), qui est cumulative pour tous les résultats jusqu'à \(k\). Ce calcul donne donc la probabilité qu'une variable aléatoire à distribution hypergéométrique soit inférieure ou égale à \(k\).

Interprétation des applications de la distribution hypergéométrique cumulative

Déduire les significations et les applications de la distribution hypergéométrique cumulative fait partie intégrante de la compréhension de son utilisation dans divers scénarios du monde réel. Des processus de sélection à l'inspection de la qualité, des études de santé à la recherche environnementale, les situations impliquant la sélection d'éléments d'une population finie sans remplacement nécessitent souvent l'application de la distribution cumulative.

Prenons l'exemple d'un inspecteur de la qualité qui examine un lot de produits provenant d'une chaîne de production afin de repérer les articles défectueux. Cet inspecteur pourrait évaluer la probabilité que le nombre d'articles défectueux dans un échantillon aléatoire prélevé dans le lot soit au maximum de 3, en utilisant la probabilité hypergéométrique cumulative. Si la probabilité s'avère très élevée, le lot peut être approuvé sans inspection manuelle, ce qui permet d'économiser des ressources et d'optimiser le processus d'inspection.

Probabilités et centiles dans la distribution hypergéométrique cumulative

La distribution hypergéométrique cumulative te permet de calculer et d'interpréter les probabilités cumulées et les percentiles, qui sont indispensables pour évaluer les résultats et les risques associés dans le domaine de l'ingénierie et dans d'autres applications pratiques.

Supposons qu'une usine de fabrication de voitures inspecte des sacs de 100 composants de voiture envoyés par un fournisseur, avec une moyenne de 5 pièces défectueuses par sac. Pour trouver le 90e centile, l'usine veut savoir combien de pièces défectueuses un sac doit contenir pour que seulement 10 % de tous les sacs aient un nombre de défauts égal ou supérieur.

En utilisant les concepts de la distribution hypergéométrique cumulative :

Soit Q représentant le 90e centile (quantile), q = 0,90 (90 %), N = 100 (le nombre de résultats totaux), K = 5 (le nombre de résultats réussis), et on fait varier n pour calculer la probabilité cumulative

La probabilité cumulative calculée peut ensuite être interpolée pour estimer que le 90e centile se situe autour de 9. Cela signifie que 90 % de tous les sacs contiennent moins de 9 pièces défectueuses.

De telles déductions témoignent de la pertinence et de la valeur de la perspective de la distribution hypergéométrique cumulative dans les applications du monde réel, en particulier dans les domaines du contrôle de la qualité et de la fabrication.