Chapitre 2

Les variables aléatoires

discrètes

Une variable aléatoire (notée v.a) est une variable associée à une ex-
périence aléatoire et servant à caractériser le résultat de cette expérience.
Décrire une v.a, c’est déterminer les valeurs possibles de cette variable et la
probabilité de réalisation de chaque valeur observée.
Définition : Variable aléatoire
Soit un espace probabilisable (Ω, P(Ω)). On appelle variable aléatoire toute
application X de Ω dans R ayant la propriété suivante : chaque élément de
l’ensemble d’arrivé a pour antécédent un événement, il a donc une probabilité.

Exemple : si on lance deux dés, alors Ω = {(x1 , x2 )/x1 = 1, 2, ..., 6; x2 =

1, 2, ..., 6)}
La somme des points obtenus est une variable aléatoire X :
X : Ω → X(Ω)
w 7→ X(w)
avec X(Ω) = {2, 3, ..., 12}
X(Ω) est l’ensemble des valeurs que peut prendre X.

Une variable aléatoire peut être classée comme discrète ou continue selon
les valeurs numériques qu’elle peut prendre.

1
Cours de Probabilité et Statistiques Mme Zghidi Sonia

2.1 Variables aléatoires et distributions de pro-

babilités discrètes
Définition : Variable aléatoire discrète
Une variable aléatoire X de Ω dans R est dite discrète si l’ensemble d’arrivé
X(Ω) est fini ou dénombrable.

2.1.1 Loi de probabilité

Soit une variable aléatoire discrète X, on appelle loi de probabilité de X
ou distribution de X, l’application associant à chaque valeur possible xi de
X,sa probabilité f (xi )
f : X(Ω) → [0, 1]
x 7→ f (xi ) = P (X = xi )

Les conditions requises pour une distribution d’une variable aléatoire dis-
rète :
1. ∀xi , 0 ≤ f (xi ) ≤ 1 ;
P
2. i f (xi ) = 1

Exemple : Reprenons l’exemple de la somme des points obtenue lorsqu’on

lance deux dés, la loi de probabilité est :

xi
f (xi ) = P (X = xi )

2.1.2 Fonction de répartition

Soit une variable aléatoire discrète X, on appelle fonction de répartition
de X, la fonction F, telle que :
X
F (x) = P (X ≤ x) = P (X = xi )
xi ≤x

2
Cours de Probabilité et Statistiques Mme Zghidi Sonia

Les propriétés les plus importantes de cette fonction sont les suivantes :
• F est une fonction croissante.
• Pour tout x ∈ R, on a 0 ≤ F (x) ≤ 1
•

lim F (x) = 0
x→−∞
lim F (x) = 1
x→+∞

Pour tout x ∈ [a, b], on a P (a < X ≤ b) = F (b) − F (a)

Exemple : Un garagiste loue des voitures à la journée. Soit X la variable

aléatoire associée au ”nombre de voitures demandées dans une journée” dont
la probabilité est donnée par :
xi 0 1 2 3 4 5 6
Pi = P (X = xi ) P0 0.15 0.27 0.23 0.16 P5 0.04

1. Sachant que P5 = 2P0 , compléter le tableau.

2. Déterminer la fonction de répartition de X.
3. Déterminer la probabilité que le garage ait moins de trois demandes
dans la journée.
4. Déterminer les probabilités suivantes :
• P (1 < X ≤ 4)
• P (1 < X < 4)
........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................

3
Cours de Probabilité et Statistiques Mme Zghidi Sonia

2.1.3 Les moments d’une variable discrète

∗ Espérance mathématique

Définition : Soit X une variable aléatoire discrète, on appelle espé-

rance mathématique ou moyenne de X, la quantité suivante :
X
E(X) = xi f (xi )
i

Exemple : Soit la distribution de probabilité de la demande journa-

lière d’un certain produit suivante :
xi 0 1 2 3 4 5
f (xi ) 0.1 0.15 0.2 0.3 0.18 0.07
Calculer l’espérance E(X).
........................................................................................................................
.........................................................................................................................
.........................................................................................................................
Propriétés :
• Linéarité : E(X + Y ) = E(X) + E(Y )
• Si X et Y sont indépendantes alors E(XY ) = E(X) × E(Y )
• Soient a et b deux réels, a 6= 0, on a : E(aX + b) = aE(X) + b

∗ Variance et écart-type

Définition : On appelle variance de X, la quantité positive suivante :

X
V (X) = E(X − E(X))2 = (xi − E(X))2 f (xi )
i

On appelle écart-type le nombre réel positif suivant :

p
σ(X) = V (X)

4
Cours de Probabilité et Statistiques Mme Zghidi Sonia

Propriétés :
• V (aX + b) = a2 V (X) ⇒ σ(aX + b) = |a|σ(X)
• Si X et Y sont indépendantes alors V (X + Y ) = V (X) + V (Y )

Exemple : Soit la distribution de probabilité d’une variable aléatoire

X suivante :
xi 0 1 2 3
f (xi ) 1/8 3/8 3/8 1/8
Calculer la variance ainsi que l’écart-type de X.
........................................................................................................................
.........................................................................................................................
.........................................................................................................................

2.2 Les lois discrètes

2.2.1 La loi Bernoulli
A une expérience aléatoire qui na que deux alternatives, S (le succès) et
S (l’échec), on associe la variable aléatoire X qui prend les valeurs 1 lorsque
S est réalisé et 0 lorsque S n’est pas réalisé.
X 0 1
P (X = x) q=1-p p
Définition :
On dit qu’une variable aléatoire X suit une loi de Bernoulli de paramètres p,
noté X ∼ B(1, p) si X(Ω) = {0, 1}

P (X = k) = pk (1 − p)1−k k ∈ {0, 1}

Caractéristiques :
E(X) = p
V (X) = p(1 − p)

Exemple : On tire une boule dans une urne contenant 10 boules noires
et 20 boules blanches. On considère la variable aléatoire X qui prend la valeur
1 si la boule tirée est noire ; 0 sinon. Quelle le loi de X ?
........................................................................................................................

5
Cours de Probabilité et Statistiques Mme Zghidi Sonia

.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................

2.2.2 La loi Binomiale

Une variable aléatoire suit une loi binomiale, si elle compte le nombre
de succès obtenus lors de la répétition indépendante de plusieurs expériences
aléatoires identiques ayant deux issues : succès et échec.
Cette loi de probabilité discrète est donc décrite par deux paramètres :

• n le nombre d’expériences réalisées (n est fini et connu d’avance).

• p la probabilité de succès.
Définition :
On dit qu’une variable aléatoire X suit une loi binomiale de paramètres n et
p, noté X ∼ B(n, p) si X(Ω) = {0, 1, 2, ..., n}

P (X = k) = Cnk pk (1 − p)n−k

Caractéristiques :
E(X) = np
V (X) = np(1 − p)
Théorème fondamental :
Une loi binomiale de paramètres (n, p) est la somme de n variables aléatoires
indépendantes Bernoulli de paramètre p.
Exemple : On joue à pile ou face avec une pièce de monnaie non équi-
librée 50 fois de suite et de manières indépendantes. On considère que la
probabilité de faire ”pile” avec cette pièce est de 80%. Soit X le nombre de
lancers parmi les 50 lancers où l’on a obtenu le résultat ”pile”.
1. Justifier que X suit une loi binomiale et donner ses paramètres.
2. Calculer la probabilité d’obtenir au moins 2 piles.
3. Calculer E(X) et interpréter la valeur obtenue.
........................................................................................................................
.........................................................................................................................

6
Cours de Probabilité et Statistiques Mme Zghidi Sonia

.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
Remarque :
La somme de deux v.a. indépendantes suivant les lois binomiales B(n, p) et
B(m, p) suit la loi binomiale B(n + m, p)

2.2.3 La loi de Poisson

La variable aléatoire de Poisson est une variable aléatoire discrète qui dé-
crit le nombre de fois qu’un événement se produit durant un intervalle donné
et d’une manière indépendante.
Cette distribution intervient dans la modélisation des phénomènes aléatoires
où le futur est indépendant du passé (pannes des machines, appels télépho-
niques à standard, files d’attente...)
Définition :
On dit qu’une variable aléatoire X suit une loi Poisson de paramètres λ, noté
X ∼ P (λ) si X(Ω) = N

λk
P (X = k) = e−λ avec λ > 0
k!
Caractéristiques :
E(X) = V (X) = λ

Exemple : Les chutes de neige se produisent de manière aléatoire et in-

dépendante au cours de l’hiver dans une ville. La moyenne d’une chute de
neige tous les 3 jours est égale à 2. Quelle est la probabilité de 3 chutes de
neige dans 3 jours ?
........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
Remarque :
La somme de deux v.a. indépendantes suivant les lois de Poisson P (λ) et

7
Cours de Probabilité et Statistiques Mme Zghidi Sonia

P (µ) suit la loi de Poisson P (λ + µ)

Approximation de la loi binomiale par une loi de Poisson :

On demontre que si n tend vers l’infini et si p tend vers 0 (n ≥ 50 et p <
0.1), la loi binomiale tend vers une loi de poisson de parametre (λ = np).
Exemple : Dans une entreprise, une étude statistique a montré que 5%
des articles d’une chaı̂ne de fabrication présentent des défauts. Lors d’un
contrôle de qualité, on envisage de prélever un échantillon de 120 articles.
Bien que ce prélèvement soit exhaustif (sans remise), on considère que la
production est suffisamment importante pour que l’on puisse assimiler cette
épreuve à un tirage avec remise et que la probabilité qu’un article prélevé
soit défectueux est constante.
Déterminer la loi de la variable aléatoire X donnant le nombre d’articles dé-
fectueux d’un tel échantillon.
........................................................................................................................
........................................................................................................................
........................................................................................................................
........................................................................................................................
........................................................................................................................

2.2.4 La loi Géométrique

Soit une expérience Bernoulli où probabilité de succès est p. on réalise une
série de tirages successif jusqu’à l’obtention d’un succès. le nombre d’essais
avant le premier succès, X, suit une loi Géométrique. Définition :
On dit qu’une VA X suit une loi géométrique de paramètre p, si X(Ω) =
{1, 2, ..., n, ..., +∞}
P (X = k) = (1 − p)k−1 p
Caractéristiques :
E(X) = p1
V (X) = 1−p
p2

Exemple : On lance un dé, on considère la variable aléatoire X associée

au nombre de lancés jusqu’à l’obtention du chiffre 6 pour la première fois.
1. Quelle est la loi de X ?

8
Cours de Probabilité et Statistiques Mme Zghidi Sonia

2. Calculer la probabilité d’obtenir le chiffre 6 pour la première fois au

3me lancé.