Chapitre 4

Lois de probabilités discrètes

1
Introduction
Assez souvent on rencontre dans la pratique des expériences
aléatoires qui ont deux résultats possibles (oui ou non;
défectueux ou normal;…). Ces expériences peuvent être répétées
un certain nombre de fois, indépendantes ou dépendantes entre
elles
On considère aussi des expériences aléatoires relatives aux
événements rares.
L'étude de ces expériences se fait par, la définition des variables
aléatoires correspondantes et la détermination de leurs lois de
probabilités et leurs propriétés.
2
1) Loi uniforme

Soit X une v.a.d qui a n valeurs possibles c.à.d. DX={x1, x2, …,

xn}, on dit que la loi de probabilité de X est uniforme si,
Pour tout xi 𝜖DX, on a: P(xi)=1/n.

2) Loi de Bernoulli
Soit A un événement de probabilité p=P(A) connue, on définit
la variable
aléatoire X associée à la réalisation ou non de A, par:
X=1 si A est réalisé (succès) et
X= 0 sinon (échec)
3
On a donc : DX={0, 1}, P(X=1)=P(A)=p et P(X=0)=1-p=q. On dit
alors que la v.a. X suit une loi de Bernoulli de paramètre p, et on
note X~ B(p).
On montre que: E(X) =p et V(X)=p(1-p)=pq.
Exemple: Un lot de pièces mécaniques contient 5% de pièces
défectueuses. On tire au hasard une pièce dans ce lot et on définit la
v.a.d. X par:

0 𝑠𝑖 𝑙𝑎 𝑝𝑖é𝑐𝑒 𝑒𝑠𝑡 𝑑é𝑓é𝑐𝑡𝑢𝑒𝑢𝑠𝑒

𝑋=$
1 𝑠𝑖 𝑙𝑎𝑝𝑖é𝑐𝑒 𝑒𝑠𝑡 𝑛𝑜𝑟𝑚𝑎𝑙𝑒

p=P(avoir une pièce normale)=0,95 et q=0,05.

4
On a donc, X~ B(0,95).
E(X)=p=0,95 et VX)=0,95×0,05=0,0475.

𝜎! = 0,0475 ≈ 0,218

5
Utilisation de la loi de Bernoulli

On utilise la loi de Bernoulli pour les v.a associées à des

expériences aléatoires qui n'ont que deux issus:
Succès avec une probabilité p.
Échec avec une probabilité 1-p=q.
Ces expériences sont dites de Bernoulli ou bernoulliennes .

6
3) Loi binomiale

Soit A un événement de probabilité p=P(A) connue et n un

entier≠0.
On considère l'expérience aléatoire qui consiste à effectuer n
expériences aléatoires indépendantes de Bernoulli associées à
l'événement A.
Soit X la variable aléatoire associée au nombre de réalisations
de A, au cours des n expériences.
X est une v.a.d. telle que:

7
Dx = {0, 1, 2, …, n} et pour tout kÎDx on a,
P ( X = k ) = Cnk p k q n - k
On dit alors que la v.a. X suit une loi Binomiale
de paramètres n et p, et on note X~ B(n, p).
Une variable binomiale, suivant la loi B(n ; p),
peut être considérée comme la somme de n
variables indépendantes de Bernoulli. D’où les
résultats :
E(X) = np et V(X) = np(1-p) = npq

8
Remarques:
i) Si n=1 on retrouve B(1, p)= B(p).
ii) Si on définit n v.a X1, X2, …, Xn de Bernoulli indépendantes par:

alors on vérifie que la v.a. X s'écrit comme une somme des Xi:
X=∑%"#$ 𝑋" = 𝑋$+ 𝑋&+ 𝑋'+……….+ 𝑋%
Où, pour tout i, 𝑋" ~ B(p).
Propriétés:
1) D'après le résultats ii) de la remarque précédente, on montre que:
E(X) =np et V(X)=np(1-p)=npq.
2) Si X et Y sont deux variables aléatoires indépendantes de lois
respectivement B(n,p) et B(m,p), alors la variable aléatoire Z=X+Y
suit aussi une loi binomiale B(n+m,p). 9
Exercice: Un lot de pièces mécaniques contient 5% de pièces

défectueuses. On tire au hasard 7 pièces avec remise dans ce lot.

Calculer la probabilité d'avoir 2 pièces défectueuses parmi les

7 pièces tirées.

Solution: Soit A l'événement "avoir une pièce défectueuse

lors d'un tirage", d'où, P(A) = p = 0,05.

Tirer 7 pièces avec remise revient à effectuer 7 expériences de

Bernoulli indépendantes.

Soit X la v.a. associée au nombre de pièces défectueuses

parmi les 7 pièces tirées. D'où, X~ B(7; 0,05).
10
Donc, Dx = {0, 1, 2, …, 7} et pour tout kÎ Dxon a,
P ( X = k ) = C7k 0,05k ´ 0,957 - k
On calcule alors:
P ( X = 2) = C72 0,052 ´ 0,955 » 0,041

Utilisation de la loi binomiale

On utilise cette loi dans la pratique pour calculer la
probabilité d'avoir k succès dans n expériences de Bernoulli
répétées indépendamment les une des autres, quand la probabilité
de succès p est connue.

La probabilité d'échec est donc q = 1- p.

11
4. Loi hypergéométrique ou loi du tirage exhaustif
Soit une population de taille N, que l'on partage en
deux catégories selon que les individus possèdent
(ou vérifient) une certaine propriété A ou non.
Si on pose,
N1 = nombre d'individus ayant A.
N2 = nombre d'individus n'ayant pas A.
On a N = N1+ N2
Si on tire au hasard un individu de la population, on a:
P(avoir un individu ayant A) = N1 /N = p.
12
 Soit n un entier (0 < n ≤ N). On considère l'expérience
aléatoire qui consiste à tirer au hasard et sans remise n
individus parmi les N.
Soit X la variable aléatoire associée au nombre
d'individus ayant A, parmi les n tirés. Alors :
Dx ={ kÎN : sup(0; n - N2) ≤ k ≤ inf(n; N1)}
et pour tout kÎDx on a,
n-k
C k
N1 ´C N2
P( X = k ) = n
C N

13
 On dit alors que la v.a. X suit une loi
hypergéométrique de paramètres N, n et p.
On note X~ H(N; n; p).
On encore:
E(X) = np et
N -n
V ( X ) = npq
N -1
N -n
est le facteur d’exhaustivité
N -1

14
Approximation d'une loi hypergéométrique par une loi
binomiale
Lorsque N tend vers l'infini, la loi hypergéométrique
H(N; n; p) converge vers la loi binomiale B(n; p).
lim H ( N ; n; p ) = B ( n; p ).
N ® +¥

Dans la pratique on utilise l'approximation d'une

loi hypergéométrique par une loi binomiale dès que le
taux de sondage n/N est inférieur à 0,1 (ou 10%). C'est-
à-dire :
si n/N ≤ 0,1 on a H(N; n; p) ≈ B(n; p).

15
 Exercice: On sait que 4% d'une population de 1000
personnes ont une maladie R. On choisit au hasard et
sans remise un échantillon de 10 personnes dans cette
population.
Calculer la probabilité d'avoir une seule personne
malade dans l'échantillon.
Solution:
On a, N = 1000 et p = 0,04, donc N1 = pN = 40 et
N2 = N - N1 = 960.
Soit X la v.a. associée au nombre de personnes
malades parmi les 10 choisies.
D'où, X~ H(1000; 10; 0,04).
16
Donc, Dx ={kÎN: sup(0; 10-960) ≤ k ≤ inf(10; 40)}

Dx = {kÎN: 0 ≤ k ≤ 10}

et pour tout kÎDx on a,

10 - k
k
C 40 ´ C960
P( X = k ) = 10
C1000
1) Avec la loi exacte de X on a:
# $
𝐶!" ×𝐶$%"
𝑃 𝑋=1 = #" = 0,2791
𝐶#"""

17
 2) Le taux de sondage n/N = 10/1000 = 0,01< 0,1,
donc on peut utiliser l'approximation d'une loi
hypergéométrique par une loi binomiale .

H(1000; 10; 0,04) ≈ B(10; 0,04).

D'où, on calcule une valeur approchée de P(x =1),

par :
P ( X = 1) = C10
1
0,041 ´ 0,969 » 0,2770

Remarque: Plus le taux de sondage n/N est faible

plus l'approximation est meilleure.

18
5. Loi de Poisson ou loi des événements rares
Soit un nombre réel λ >0 , on dit qu'une v.a. X
suit une loi de Poisson de paramètre λ , et on note :
X~ P(λ), si:
Dx = N (ensemble des entiers naturels) et pour tout
kÎN, on a,
e - l ´ lk
P( X = k ) = .
k!
En statistique , la loi de Poisson de paramètre λ , ou loi des événements
rares, correspond au modèle suivant:
Sur une période T, un événement arrive en moyenne λ fois.
On appelle X la v.a déterminant le nombre de fois où l'événement se
produit dans la période T. X prend des valeurs entières : 0, 1, 2, ...
19
i) La loi de Poisson est la seule loi discrète possédant la
propriété,
E(X)= V ( X) = λ, et donc s X = l.
ii) La somme de deux variables aléatoires de Poisson,
indépendantes, de paramètres, λ1 et λ2 est une variable
aléatoire de Poisson, de paramètre λ = λ1 + λ2
Utilisation de la loi de Poisson
Dans la pratique on utilise la loi de Poisson pour
étudier le nombre d'apparitions d'un événement rare
pendant une période donnée (l'arrivée d'un client à un
guichet, panne d'une machine, appel téléphonique, …).

20
Exercice:

Le nombre de pannes d’une machine sur une période donnée suit une

loi de Poisson. Sachant qu’en moyenne la machine fait 2 pannes par

trimestre.

Travail à faire

1) Calculer la probabilité de n’ avoir aucune panne à un mois donné.

2) Calculer la probabilité d'avoir 4 pannes pendant une année.

21
Solution:

Si l'unité de temps est le trimestre.

Soient les v.a. X, Y et Z associées respectivement au nombre de

pannes de la machine pendant, un trimestre, un mois et une année.

Donc,
X~ P(2) ; Y~ P(2/3); Z~ P(8)

22
 ! !"/$× "⁄$ %
1) 𝑃 𝑌=0 = $!
= 𝑒 &'/) = 0,513

! !&× *'
2) 𝑃 𝑍=4 = +!
≈ 0,0573

23
 Approximation d’une loi binomiale par une loi de Poisson

On montre que lorsque n tend vers l'infini ,p tend

vers 0 et n p tend vers λ >0,alors la loi binomiale
B(n;p)converge vers la loi de Poisson P(λ).

Dans la pratique on utilise l'approximation d’une

loi binomiale par une loi Poisson quand n est
grand (n≥50) et p est petit (p≤0,1).Ainsi,

24
 Si n≥50 et p≤0,1;on a, B(n;p)≈P(np).

Exercice:

A l’entrée d’une station de train un marchand de journaux remarque

qu’entre 8h et 9h en moyenne, une personne sur 10 achète un journal.

Sachant qu’ils passent 120 personnes entre 8h et 9h,et soit X la v.a. définie

par: X=«nombre de journaux vendus pendant cette période».

1) Indiquer la loi de probabilité exacte de X.

2) Par quelle loi peut-on approcher la loi de X

3) Calculer P(X=15)par la loi exacte puis par la loi approximative.

25
Solution:

1) Les clients arrivent à la station de train indépendamment

les uns des autres. Donc d'après la définition de X on a:
X~B(120;0,1).
DX={k ∈ N:0 ≤k ≤ 120} et pour tout k∈ 𝐷, on a:

𝑃 𝑋 = 𝑘 = 𝐶%9 𝑝9 𝑞%:9
𝑷 𝑿 = 𝒌 = 𝑪𝒌𝟏𝟐𝟎 𝟎, 𝟏𝒌 𝟎, 𝟗𝟏𝟐𝟎&𝒌

2) On a n=120≥50 et p=0,1 ≤ 0,1;alors on peut approximer

la loi binomiale par une loi de poisson, en effet:

B(120;0,1)≈P(120 ×0,1)= P(12).

𝑒 &1 × 𝜆2 𝑒 &3' × 122

𝑃 𝑋=𝑘 = =
𝑘! 𝑘!
26
 3) Par la loi exacte on a:

𝑷 𝑿 = 𝟏𝟓 = 𝑪𝟏𝟓 𝟏𝟓
𝟏𝟐𝟎 𝟎, 𝟏 𝟎, 𝟗
𝟏𝟐𝟎&𝟏𝟓 = 𝑪𝟏𝟓 𝟎, 𝟏𝟏𝟓 𝟎, 𝟗𝟏𝟎𝟓 = 0,0742
𝟏𝟐𝟎

Par la loi approximative on a:

𝑒 &3' × 1235
𝑃 𝑋 = 15 = = 0,07239
15!
Remarques:

i)Plus n est grand et p est petit plus l'approximation est meilleure.

ii) Si on a n≥50 et p≥0,9; alors q=1-p≤0,1.

Donc, on considère la v.a.Y=n-X~B(n;q).
On applique l'approximation à Y:B(n; q) ≈ P(nq)

P(X=k)=P(n-Y=k)=P(Y=n-k)≈𝑒 −nq (𝑛𝑞)n−k /(n-k)!

27
 Exercice:

Durant une semaine, 200 clients sont passés par une agence
bancaire dont 95% ont effectué un retrait d’argent.
On suppose que les clients arrivent à l’agence indépendamment les
uns des autres.
X=«nombre de clients ayant effectué un retrait d’argent durant une
semaine».
1) Indiquer la loi de probabilité exacte de X.
2)Par quelle loi peut on approcher la loi de X
3) Calculer P(X=180) par la loi exacte puis par la loi
approximative.
28
On applique l'approximation à Y: B(200; 0,05) ≈ P(200×0,05) =P(10)

𝑒 &3$ × 10'$$&2
𝑃 𝑋 = 𝑘 = 𝑃 200 − 𝑌 = 𝑘 = 𝑃 𝑌 = 200 − 𝑘 =
(200 − 𝑘)!

3) Par la loi exacte on a:

$ON
𝑃 𝑋 = 180 = 𝐶&NN 0,95$ON 0,05&NN:$ON ≈ 0,0015

-Par la loi approximative on a:

𝑒 &3$ × 10'$$&3*$
𝑃 = 𝑋 = 180 = 𝑃 𝑌 = 200 − 180 = = 0,0019
(200 − 180)!

29
2) On a n=200≥50 et p=0,95≥0,9;alors q=1-p=0,05≤0,1.

Donc, on considère la v.a. Y=200-X~B(200;0,05).

30
 Généralement l’espace fondamental associé à une
expérience aléatoire est un ensemble "abstrait", sur lequel
Chapitre III on ne peut pas effectuer des opérations et faire des
comparaisons.

Variables aléatoires D’où il est intéressant de pouvoir passer d’un espace

fondamental quelconque à l'ensemble R des nombres
réels. Ce passage est assuré par les variables
aléatoires.

1 2

1 2

F On dit qu'une variable aléatoire X est continue

Définition 1: (v.a.c.) si DX est infini non dénombrable (R ou un
Soit (W, A, P) un espace probabilisé. On appelle
intervalle de R).
variable aléatoire sur W toute application X de W dans Remarque : Sur un même espace fondamental on
R. peut définir plusieurs variables aléatoires selon les
X:W R objectifs de l'expérience aléatoire.
w X(w)=x. Exemple: On lance deux fois un dé équilibré.
On note: DX= X(W)={x=X(w) ÎR: w Î W}; l'ensemble
W={w=(i, j): 1 ≤i ≤ 6 et 1 ≤ j ≤ 6 }
de toutes les réalisations possibles de X. (card(W)=36).
F On dit qu'une variable aléatoire X est discrète X (w)=X (i, j)=i+j, "wÎW,
(v.a.d.) si DX est fini ou infini dénombrable. DX={nÎN : 2 ≤ n ≤ 12} (card(DX)=11).
3 4

3 4

2 1
 F Pour toute partie I de DX , on note X-1 (I) Définition 2:

l'événement de W défini par. X-1 (I)={wÎW : X(w)ÎI} Soient (W, A, P) un espace probabilisé, X une

(Image réciproque de I). variable aléatoire sur W et AX une tribu de parties de

Ainsi: DX. On appelle loi de probabilité de X,

▪ Pour I={x} on a X-1 (I)={wÎW : X(w)=x}. l'application PX définie par:

▪ Pour I=[a,b] on a, X-1([a, b])={wÎW : a ≤ X(w) ≤b}. PX: AX [0 , 1]

I PX(I)=P[X-1(I)].
Exemple: Pour l'exemple précédent. On montre que PX est une loi de probabilité sur DX.
-1
Si, I={4} alors, X (I)={(1, 3); (3, 1); (2, 2)} Ainsi on a un espace probabilisé (DX, AX, PX).
En particulier, pour xÎDX
on a: PX (x) =P[X-1(x)]. = P{w Î W: X(w)=x}
5 6

5 6

On peut présenter la loi de probabilité d'une v.a.d. X

II) Variables aléatoires discrètes
comme un ensemble de couples, {(xi , pi): xi ÎDx }, où
1) Loi de probabilité d'une v.a.d. pi = P(xi) et tels que :

Soient (W, A, P) un espace probabilisé et X une åp

xi ÎDx
i = 1.
v.a.d. sur W.
Si Dx est fini (card Dx = n), on peut présenter la loi de
La loi de probabilité de X est définie comme une probabilité de X par un tableau:
application de DX dans [0, 1] par:
xi Î Dx x1 x2 … xi … xn
P X : DX [0 , 1]
Pi = P(xi) P1 P2 … Pi … Pn
x PX (x )=P[{wÎW : X(w)=x}]=P[X-1(x)].

7 8

7 8

2 2
 Exemple 2. Fonction de répartition d'une v.a.d.
On lance deux fois un dé équilibré. Soit X une v.a.d. sur W. On appelle fonction de
répartition de X l'application, Fx (ou F) de R dans [0, 1],
W={w=(i, j): 1 ≤i ≤6 et 1 ≤j≤6 }
définie par:
(card(W)=36).
Fx : R [0, 1]
ìi si i ³ j
X (w ) = sup(i, j ) = í x F x (x) = P[X< x].
îj si j ³ i , "w Î W.
= å P( X
xi ÎDx
= xi )
Dx = {1; 2; 3; 4; 5; 6 }, (card(Dx) = 6 ). xi < x

La loi de probabilité de X est donnée par :

La fonction de répartition F d'une v.a. X vérifie les
xi Î Dx 1 2 3 4 5 6 propriétés suivantes :
Pi = P(xi) 1/36 3/36 5/36 7/36 9/36 11/36
ü Par définition on a , 0 ≤ F(x) ≤1 , "xÎR.

9 10

9 10

Exemple: On détermine la fonction de répartition de la v.a.d.

X(w)=Sup(i,j)
(l'exemple précédent) et on trace sa représentation graphique. " x Î
R, on a:

ü lim F ( x) = 0
x ® -¥

ü lim F ( x) = 1
x ® +¥

ü F est croissante, c.à.d., si x ≤ y alors F(x) ≤ F(y).

ü pour tous réels a et b de R on :

Pr (a ≤ X < b) = F (b) − F (a)

11 12

11 12

2 3
 [Link]éristiques d'une v.a.d.
a. Espérance mathématique
Si X est une v.a.d. de loi de probabilité,{(xi , pi) :
xÎDx}, alors l'espérance mathématique de X, que l'on note
E(X), est le nombre réel donné par :

E ( x) = å x ´ P( X = x ) = å p ´x .
xi ÎDx
i i
xi ÎDx
i i

Propriétés
§ Soient X et Y deux v.a., a et b deux nombres réels,
alors on a:

E (aX + bY ) = aE ( X ) + bE (Y )
13 14

13 14

§ Si f est une fonction de Dx dans R, alors,

Propriétés
E [ f ( x)] = å f ( x ) ´ P( X = x).
xi ÎDx
i
§ On peut montrer que V(X) s'écrit comme :

[Link] et écart-type é ù 2
V ( X ) = ê å pi ´ xi2 ú - [E ( X ) ]
Si X est une v.a.d. de loi de probabilité,{(xi , pi) : ë xi ÎDx û
xÎDx}, alors la variance de X que l'on note V(X) est
le nombre réel positif donné par : ( )
= E X 2 - (E ( X ) ) .
2

§ Si a et b sont 2 nombres réels, alors on a:

å p ´ (x - E ( X ) ) .
2
V (X ) =
xi ÎDx
i i
V (aX + b) = a 2V ( X ) et s ( aX +b ) = a s X
•L'écart-type de X est noté sx (ou s) donné par:
s x = V ( X ).
15 16

15 16

2 4
 Exemple [Link] aléatoire centrée et réduite
On calcule l'espérance et l'écart type de la v.a.d.
Une v.a. X est dite centrée si E(X) = 0 et elle est
X(w) = Sup (i,j) (l'exemple précédent).
réduite si V(X) =1(ou sx = 1).
6
E ( x) = åp
xi ÎDx
i ´ xi = 4,472. Pour toute v.a. X d'espérance E(X) ≠ 0 et d'écart type
sx ≠ 0 on définit la v.a. Y centrée et réduite
é 6 ù 2 correspondante par :
V ( X ) = ê å pi ´ xi2 ú - [E ( X )]
ë xi ÎDx û X - E( X )
Y= .
= 21,972 - ( 4,472) = 1,94. 2 sx

s x = V ( X ) = 1,97 = 1,403.

17 18

17 18

2 5