Chapitre 3 : DISTRIBUTIONS DE

PROBABILITE DISCRETES ET
LOIS USUELLES

Plan :

 Variables aléatoires
 Distributions de probabilités discrètes
 Fonction de répartition
 Espérance et variance
 Loi Binomiale
 Loi de Poisson
 loi Hypergéométrique

Pr. H. CHAMLAL
Variable aléatoire

• Pour étudier une expérience aléatoire, on a construit un modèle

mathématique sur la base de trois éléments:
– S : l’ensemble fondamental des résultats
– Une famille d’événements associés à S
– Une probabilité P
• Cependant, souvent, on ne s’intéresse pas aux résultats eux-
mêmes mais plutôt à une ou des caractéristiques particulières de
ces résultats
• Une variable aléatoire fournit un moyen de décrire de façon
numérique les résultats d’une expérience

Pr. H. CHAMLAL
Remarquons que :
• Il arrive souvent que les résultats d’une expérience aléatoire ne
soient pas définis sous forme numérique. Il est pratiquement
impossible d’effectuer des opérations mathématiques sur des
résultats comme des triplets (P,F,P)
• Il est donc utile de faire correspondre à chacun des résultats non
numériques un résultat de type numérique
• Ainsi à chaque triplet on fera correspondre, par exemple, le
nombre réel défini comme le nombre de faces dans le triplet

Pr. H. CHAMLAL
• Une variable aléatoire est une fonction qui associe à chaque résultat
d’une expérience aléatoire un nombre réel
X : S 
 x
• Elle nous fournit un moyen de décrire de façon numérique les résultats
d’une expérience
• Elle associe une valeur numérique à chaque résultat possible
• Exemples :
– Exemple 1 :
On considère l’expérience aléatoire qui consiste à tirer une carte.
 = {A♥, 2♠, ... ,R♣, 2♦, ... ,A♠, 2♥, ... ,R♠,A♣, 2♣, ... ,R♥}
On définit les variables aléatoires :
 X(w)=1 si w est une figure, 0 sinon
X est une quantité qui prend les valeurs 1 ou 0 par exemple
X(A♥)=?

Pr. H. CHAMLAL 4
 X(w)=n si w est un n, o sinon
X est une variable aléatoire qui prend les valeurs {0,1,2,....,10} par
exemple X(2♦)=? et X(R♣)=?

– Exemple2 :
On considère l’expérience aléatoire consistant à lancer une pièce de
monnaie, non truquée, 4 fois.
||=24, ={PPPP,PPPF,PPFP,…..,FFFF}
On définit la variable aléatoire X par : X=« nombre de piles obtenus »,
X est une quantité dont la valeur numérique dépend du résultat de
l’expérience aléatoire. X est à valeurs dans {0,1,2,3,4}, par
exemple X(FFFF)=?, X(PPFP)=?

Pr. H. CHAMLAL 5
Variable aléatoire discrète

– Lorsque l’ensemble des résultats est un

ensemble fini ou infini dénombrable

– La variable aléatoire discrète peut prendre soit

un nombre fini de valeurs, soit un nombre infini
dénombrable de valeurs telles 0, 1, 2, 3...

Pr. H. CHAMLAL
Exemple 3 :

Expérience Variable Valeurs x que peut

aléatoire aléat prendre la
oire variable aléatoire
(X) X
Inspecter 50 Nombre de 0,1,2,…,49,50
pièces pièces
défectueuses
Gérer des pannes Nombre de 0,1,2,3,…
pendant un pannes
trimestre

Pr. H. CHAMLAL
 Variable aléatoire continue

Lorsque l’ensemble des résultats est un intervalle de nombres

réels ou une suite d’intervalles.
• Poids, température, temps, distance, etc.
Exemple 4:

Expérience Variable aléatoire Valeurs x que peut prendre la

(X) variable aléatoire X

Gérer une banque Temps écoulé entre x≥0

les arrivées des
clients en minutes
Travailler sur un Pourcentage du 0≤ x ≤100
projet de projet réalisé après
construction six mois

Pr. H. CHAMLAL
Distribution de probabilité discrète

• Définir la fonction (distribution, loi) de probabilité d’une v.a. discrète

c’est associer à X, chacune des valeurs possibles de la v.a., la probabilité
qui lui correspond

• Pour une variable aléatoire discrète X, la distribution de probabilité est

définie par une fonction de probabilité (ou fonction de masse) notée
p(x). Celle-ci donne la probabilité que la variable aléatoire X prenne
la valeur x

Pr. H. CHAMLAL
• Propriété : Si on note V l’ensemble de valeurs de X alors
(a)p(x)0 xV
 p(x)  1
(b)
xV

Exemple 5:
On lance une pièce de monnaie, non truquée, et on définit la variable
aléatoire X qui prend la valeur 1 si le résultat est « pile » et 0 sinon.
L’ensemble de valeurs possibles de X est {0,1}.
La fonction de masse de X est :
p(0)=P({F})=1/2 et p(1)=P({P})=1/2.
On présente cette fonction de masse comme suit :
x 0 1
p(x) ½ ½

Cette loi de probabilité est appelée loi de Bernoulli, une loi de

probabilité classique

Pr. H. CHAMLAL
Exemple 6: On lance un pièce de monnaie, non truquée, 2 fois et on
définit la variable aléatoire X=« nombre de pile obtenus ».
L’ensemble de valeurs possibles de X est {0,1,2}
La fonction de masse de X est :
p(0)=P({FF})=1/4,p(1)=P({PF,FP})=2/4=1/2 et p(2)=P({PP})=1/4.
On présente la fonction de masse comme suit :

x 0 1 2

p(x) ¼ ½ ¼

On représente cette loi de la manière suivante :

1/2
1/4 1/4

0 1 2
Cette loi de probabilité est appelée loi Binomiale, une loi de
probabilité classique.

Pr. H. CHAMLAL
Fonction de répartition

• La fonction de répartition est la somme des probabilités des

valeurs xj de X (inférieures à x) jusqu’àx:

– F(x) = P( X  x ) = p(x1) + p(x2) +…+ p(xj)

• tel que x1, ..xj,  x

- C’est la fonction de probabilités cumulées des valeurs de X jusqu’à xj

Exemple 8: On lance une pièce de monnaie non truquée deux fois et
on note :
X : « le nombre de piles obtenus » valeurs de X? Fonction de masse?
Fonction de répartition? représentation de F
F(1,5)=?

Pr. H. CHAMLAL
 Propriétés de la fonction de répartition

1. Une fonction de répartition F(xi) prends ses valeurs dans

l’intervalle [0, 1]
2. F(-) = lim- F(x) = 0
3. F(+) = lim +F(x) = 1
4. F(x) est croissante, i.e. si x1<x2 alors F(x1)F(x2)
Et on a :
P(a < X  b) = F(b) – F(a)
P(a < X < b) = F(b-) – F(a)
P(a  X < b) = F(b-) – F(a-)
P(a  X  b) = F(b) – F(a-)
où : F(x-) = P(X <x)

Pr. H. CHAMLAL
Lien entre fonction de répartition et fonction de masse :

• X(S )={points de discontinuité de F}

• p(x)=F(x)- F(x-)

• F caractérise complétement la loi de X

Pr. H. CHAMLAL
Espérance et variance
L’espérance mathématique d’une v.a. X permet de caractériser la tendance
centrale ou la position de l’ensemble des valeurs possibles d’une v.a.
Notation : E[X] ou 
Si X est une v.a. discrète : E[X] =  xi p(xi)
Exemple 10 : On lance un pièce de monnaie, non truquée, 2 fois et on
définit la variable aléatoire X=« nombre de pile obtenus ».
V=X()={0,1,2}
La fonction de masse de X est :
p(0)=P({FF})=1/4,p(1)=P({PF,FP})=2/4=1/2 et p(2)=P({PP})=1/4.
x 0 1 2

p(x) ¼ ½ ¼

X*p(x) 0 ½ ½

E(X)=1

Pr. H. CHAMLAL
La variance sert d’indicateur pour l’étalement des valeurs de la variable
aléatoire par rapport à  (l’espérance mathématique)

n 2
Var(X) = 2 = E[(X-)2] =  x i    . p xi 
On a aussi : i 1
n 2

Var[X ]   i p(xi )  

 2
x
i1

L’écart type (déviation standard) de la variable aléatoire X, noté (X) ou

simplement , est défini comme la racine carrée positive de Var(X)

(X) = VAR(X)

Pr. H. CHAMLAL
Exercice d’application :

Soit F la fonction de répartition suivante :

0 𝑠𝑖 𝑡 < −6
1
𝑠𝑖 − 6 ≤ 𝑡 < 0
10
1
𝐹(𝑡) = 𝑠𝑖 0 ≤ 𝑡 < 2
5
2
𝑠𝑖 2 ≤ 𝑡 < 3
5
1 𝑠𝑖 𝑡 ≥ 3

1. Donner X(S ) et la fonction de masse p.

2. Calculer, de deux manières différentes, P(1<X<2,5)
3. Calculer E(X) et var(X)

Pr. H. CHAMLAL
Loi Binomiale

Expérience Bernoulli et expérience binomiale

• Une expérience Bernoulli est une expérience aléatoire qui a 2

résultats possibles (succès, échec), le succès se réalise avec la
probabilité p.
• Exemple : lancer d’une pièce de monnaie.
• Une expérience binomiale est une répétition, n fois dans les
mêmes conditions et de manière indépendante, d’une expérience
de bernoulli
• Exemple : lancer d’une pièce de monnaie n fois

Pr. H. CHAMLAL
 Distribution Bernoulli
On considère une expérience Bernoulli et on définit la v.a. qui prend 1 si
le résultat est succès et 0 sinon.
On dit que XB(p) où p est la probabilité de succès.
 Distribution binomiale
Si une variable aléatoire X représente le nombre de succès lorsqu’on
effectue n épreuves indépendantes de Bernoulli, alors X obéit à une
distribution binomiale. Et on note XB(n,p)
L’intérêt est de compter le nombre de succès après n répétitions d’une
expérience bernoulli

Pr. H. CHAMLAL
• n = le nombre d’épreuves de Bernoulli
• p = la probabilité de succès
• Définition : Une v.a. X qui prend les valeurs entières x telles que
x = 0,1,2,…n pour n entier positif, 0  p  1, q=1-p, avec les
probabilités :

P(X  x)  C .p .q n
x
x nx

Pr. H. CHAMLAL
• Si X est une v.a. binomiale alors :

E( X )  n.p
VAR( X )  n.p.q

Pr. H. CHAMLAL
Exemple:
• Soit l’expérience aléatoire consistant à lancer 2 dés où un succès
consiste à obtenir une somme égale à 8 ou une somme égale à 9.
Si on répète 10 fois cette expérience aléatoire, quelle est la
probabilité d’obtenir 4 succès ?

• p= ? q= ? n= ? x=?

• Utilisation de la table statistique: probabilité d’obtenir x succès en

n tirages lorsque p est la probabilité de succès

• Quelle est la probabilité d’obtenir moins de 4 succès?

• Quelle est la probabilité d’obtenir au moins 8 succès?

Pr. H. CHAMLAL
Exemple
Dans une population, il y a 45% de filles et 55% de garçons. Quelle
est la probabilité que dans un groupe de 20 personnes, il y ait au
moins 3 garçons?

Pr. H. CHAMLAL
Exemple
• À l'entrée de l'hiver, une épidémie de grippe affecte une
population et on estime que 20% des personnes âgées sont
menacées.
– 1- Calculer la probabilité que, dans un groupe de 20 personne
âgées, il y en ait moins de 5 atteintes.
– 2- Une campagne de vaccination est mise en place, à l'issue de
laquelle, soit le risque de maladie reste le même, soit il est
diminué de moitié: on estime à 40% les chances que la
campagne soit efficace. Que devient la probabilité de la
question précédente?
(ind. (P(risque)=P(risque/efficace)P(efficace)+P(risque/non
effi)P(non effi)=0.1*0.4+0.2*0.6=0.16)

Pr. H. CHAMLAL
 Distribution de Poisson (distribution des événements rares)
• Une v.a. souvent utilisée pour décrire le nombre d’occurrences
d’un événement au cours d’un intervalle de temps ou d’espace
bien défini
• Si les deux propriétés suivantes sont satisfaites:
1. La probabilité d’occurrence est la même dans deux
intervalles de la même longueur
2. L’occurrence ou la non-occurrence d’un événement dans un
intervalle est indépendante de l’occurrence ou de la non-
occurrence d’un événement dans un autre intervalle
– Alors: X P ()

Pr. H. CHAMLAL
• Définition mathématique d’une v.a. de Poisson :
Une v.a. X qui prend toutes les valeurs entières x telles que x = 0, 1,
2,… avec les probabilités :

-
 .e x
f (x)  P( X  x) 
x!
s’appelle une v.a. de Poisson de paramètre 

Pr. H. CHAMLAL
• Variables utilisées :
– V.a. X donne le nombre de succès obtenus pour une période de
temps donnée;
– t= période de temps considérée;
- a= l’intensité du processus considéré (constante de proportionnalité)
(correspond au nombre moyen de succès pour une période de temps
unitaire);
– = a.t
– e=2,71828183…

Pr. H. CHAMLAL
• Si X est une v.a. de Poisson alors :

– E(X) = 

– VAR(X) = 

Pr. H. CHAMLAL
• Dans une grande usine, on sait par expérience qu’il se produit en
moyenne 1,5 accidents de travail par semaine. Trouvons :

1 La probabilité qu’il se produise, dans cette usine, au plus 2

accidents dans une semaine;
2 La probabilité qu’il se passe 2 semaines sans qu’il se produise
d’accident dans cette usine. (=2*1.5)
3 La probabilité qu’il se passe 2 jours sans qu’il se produise
un accident dans cette usine.(=(1.5*2)/7=0.4)

Pr. H. CHAMLAL