ECN1260 – ÉCONOMÉTRIE 1

Automne 2023

Chapitre 5
Distributions de probabilités discrètes

1
 Objectifs du chapitre
Au terme de ce chapitre, l’étudiant devrait être capable de:

Comprendre ce qu’est une variable aléatoire

Expliquer la différence entre une variable aléatoire discrète et

une variable aléatoire continue

Savoir calculer les moments de variables aléatoires discrètes

Connaître les caractéristiques des distributions de probabilité

uniforme, binomiale, Poisson et hypergéométrique

2
 Variables aléatoires

Une variable aléatoire est une variable qui prend une valeur
numérique et qui est le résultat d’une expérience aléatoire

Variable
aléatoire

Variable aléatoire Variable aléatoire

discrète continue

3
 Variable aléatoire discrète

Variable dont l’ensemble des valeurs possibles est dénombrable:

on peut compter le nombre de résultats distincts de l’expérience
aléatoire.

Exemples:

Lancer un dé deux fois; soit X le nombre de fois que 4

apparaît. Alors, X peut prendre les valeurs 0, 1, ou 2

Lancer une pièce de monnaie 5 fois; soit X le nombre de fois

où la pièce tombe sur face. Alors X ∈ 0, 1, 2, 3, 4, 5

4
 Variable aléatoire continue
Peut prendre n’importe quelle valeur sur un intervalle. Les
valeurs possibles sont mesurées sur un continuum de valeurs

Exemples:

• Température extérieure
• Le poids d‘un chargement rempli à l’aide d’une pelle
mécanique
• Durée d’une panne électrique
• Le revenu d’un ménage

5
 Variable aléatoire continue
Dans plusieurs situations, la variable aléatoire peut prendre un
grand nombre de valeurs discrètes lors de sa mesure, par
exemple le revenu sera mesuré en dollars ou en cents.

Il sera tout de même utile de considérer les situations où la

différence entre valeurs adjacentes est négligeable comme des
variables aléatoires continues

Exemple: la différence entre un revenu de 21 636,35$ et

21 636,36$ sera généralement négligeable

À la différence des variables discrètes, nous assignerons des

probabilités qu’à des intervalles. La probabilité d’une valeur
précise sera nulle.
6
 Distribution de probabilité d’une
variable aléatoire discrète
Soit X une variable aléatoire discrète et soit x une de ses valeurs
possibles.

La probabilité que la variable aléatoire X prenne la valeur x est

donnée par PX  x

La fonction de distribution de probabilité d’une variable

aléatoire est une représentation des probabilités pour toutes
les valeurs possibles:
Px  PX  x

Cette représentation peut prendre la forme d’une formule,

d’un graphique ou d’un tableau
7
 Exemple
Expérience: Lancer deux pièces de monnaie; soit X = # de faces

Calculer P(x) , soit P(X = x) pour toutes les valeurs possibles x de

X
4 résultats possibles
Distribution de probabilité
x P(x)
0 1/4 = 0,25
1 2/4 = 0,5
2 1/4 = 0,25

8
 Propriétés d’une variable aléatoire
Soit X une variable aléatoire discrète avec distribution de
probabilité P(x). Alors:

1- les probabilités sont bornées par 0 et 1:

0 ≤ Px ≤ 1

2- la somme des probabilités est 1:

∑ x Px  1

où la somme est pour toutes les valeurs possibles de X.

9
 Fonction de probabilité cumulative

La fonction de probabilité cumulative (ou fonction de répartition),

dénotée Fx 0  , donne la probabilité que la variable aléatoire X est
plus petite ou égale à x0 :

Fx 0   PX ≤ x 0 
 ∑ PX  x
x≤x o

10
 Exemple
Lancer de deux pièces de monnaie; soit X = nombre de faces

x P(x) F(x)
0 0,25 0,25
1 0,50 0,75
2 0,25 1,0

Il faut noter que F(x) est définie pour tout x et non seulement
pour x = 0, x = 1 et x = 2.

Par exemple, F(1,5) = 0,75.

11
 Propriétés dérivées
Les propriétés suivantes de la distribution de probabilité
cumulative sont dérivées directement de celles de la
distribution de probabilité.

Soit X une variable aléatoire discrète dont la distribution de

probabilité cumulative est F(x). Alors

1. 0 ≤ F(x) ≤ 1 pour toute valeur de x

2. si x0 < x1, alors F(x0) ≤ F(x1)

12
 Espérance d’une variable
aléatoire discrète
L’espérance (ou valeur espérée ou moyenne) d’une variable
aléatoire discrète X est donnée par:

EX    ∑ x xPX  x

Exemple: Lancer de deux pièces de monnaie

X = nombre de faces
EX  0  0, 25  1  0, 5  2  0, 25
 0, 5  0, 5
1
13
Variance d’une variable aléatoire discrète

La variance d’une variable aléatoire est une mesure de

dispersion. Celle-ci est donnée par:

 2  E X −  2  ∑ x x −  2 Px

qui peut aussi être écrite comme:

2  ∑ x x 2 Px −  2
 EX  − EX
2 2

L’écart-type est la racine carrée de la variance.

14
 Écart-type: exemple

Exemple: Lancer de deux pièces de monnaie

X = nombre de faces

Calculez l’écart-type (note: E[X] = 1)

 0 − 1 2  0, 25  1 − 1 2  0, 5  2 − 1 2  0, 25
 0, 50
 0, 71

15
 Fonctions d’une variable aléatoire

Soit X une variable aléatoire discrète ave fonction de

probabilité P(x).

Soit g(X) une fonction de la variable aléatoire X.

Alors, l’espérance de g(X) est donnée par:

EgX  ∑ x gxPx
Cette valeur peut être interprétée comme la valeur moyenne
de g(X) si on répétait l’expérience aléatoire un grand nombre
de fois.

16
 Fonctions d’une variable aléatoire
Attention! À moins que g(X) ne soit linéaire, on ne peut
pas « sortir » l’espérance:

gEX ≠ EgX
Exemple: Supposons que X peut prendre deux valeurs 1 et -1
avec probabilité 0,5 (Rademacher) et que g(X) = X2.
EgX  EX 2 
 1  0, 5  1  0, 5
1
Alors que gEX  EX 2  0
17
 Fonctions linéaires
Dans le cas où g(X) = a + bX = Y pour des constantes a et b,
alors,

 Y  EgX  Ea  bX  a  bEX

et
 2Y  vara  bX  b 2  2X

Ce qui implique que

 Y  |b| X
18
 Cas particuliers

1- Si b = 0, c’est-à-dire que Y = a, alors E(Y) = a et var(Y) = 0.

2- Si a = 0 et Y = bX, alors E(Y) = bE(X) et var(Y) = b2var(X).

3- Un cas important est la transformation qui consiste à

centrer et standardiser (ou réduire), score z,

X− X
Z X

Dans ce cas, E(Z) = 0 et var(Z) = 1.

19
Distributions de probabilité
Distributions de
probabilité

Distributions de Distributions
probabilité discrètes de probabiité
continues
Uniforme

Bernoulli / Binomiale Uniforme

Poisson Normale

Hypergéométrique Exponentielle

20
 Loi uniforme
Une loi uniforme met une même probabilité pour toutes les
valeurs possibles de X.

Exemple: lancer d’un dé. Soit X le résultat obtenu.

x= P(X = x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
21
 Loi binomiale
Distributions de
probabilité

Distributions de
probabilité discrètes
Uniforme

Bernoulli / Binomiale

Poisson

Hypergéométrique

22
 Distribution de Bernoulli
Supposons une expérience aléatoire qui n’a que deux résultats
possibles: « succès » et « échec ». Ces résultats sont exclusifs et
exhaustifs.

Supposons que la probabilité de succès est p et la probabilité

d’échec est 1 - p.

Soit X la variable aléatoire qui prend la valeur 1 en cas de

succès et 0 et cas d’échec.

Alors, X suit la distribution de Bernoulli:

P1  p
P0  1 − p
23
 Moyenne et variance pour
variable Bernoulli
Nous pouvons calculer directement la moyenne et la variance:
X  ∑ x xPx
 0  1 − p  1  p
p

 2X  ∑ x x −  X  2
Px
 −p 2  1 − p  1 − p 2  p
 p1 − pp  1 − p
 p1 − p
24
 Distribution binomiale
Supposons le cas d’une série de n expériences de Bernoulli
indépendantes avec probabilité de succès p.

Le résultat de cette série d’expériences donne une séquence de

0 et de 1. Il y a un total de 2n de ces séquences.

Quelle est la probabilité de chaque séquence? On utilise la

règle de multiplication avec indépendance

Exemple: 1, 0, 0, 1, 0, 1, 0
n7, x3

Prob. de cette séquence = p  1 − p  1 − p  p  1 − p  p  1 − p

 p 3 1 − p 4
25
 Distribution binomiale
La position où apparaît les 1 et 0 n’est pas importante et
seulement le total de 1 et de 0 compte.

Le nombre des 2n séquences qui compte x succès peut donc

être vu comme le tirage de x positions où mettre les 1 parmi les
n positions totales.

Le nombre de possibilités de x positions parmi n est:

C nx  n!
x!n−x!

26
 Loi binomiale
Supposons que nous répétons une expérience aléatoire n fois
de manière indépendante. Chaque expérience aléatoire a deux
résultats possibles (« succès » ou « échec ») qui sont exhaustifs
et mutuellement exclusifs et la probabilité d’un succès est p.

Soit X le nombre de succès parmi ces n expériences aléatoires.

La variable X suit une loi binomiale avec fonction de
probabilité:
Px  C nx p x 1 − p n−x

nombre de séquences avec x succès prob. séquence avec x succès

 n! p x 1 − p n−x
x!n − x!
27
 Exemples de situations impliquant
la loi binomiale
• Un manufacturier étiquette ses produits comme « défectueux »
ou « acceptable »

• Une entreprise présente des soumissions à un appel d’offres et

va soit obtenir le contrat ou non

• Une maison d’enquête reçoit les réponses « oui j’achèterai » ou

« Non, je n’achèterai pas » un nouveau produit

• Un chercheur d’emploi acceptera ou rejettera une offre

d’emploi

28
 Loi binomiale: exemple
Quelle est la probabilité d’avoir un succès à l’issue de 5
expériences lors desquelles la probabilité d’un succès égale 0,1?

x = 1, n = 5, et p = 0.1

PX  1  5! 0, 1 1 1 − 0, 1 5−1
1!5 − 1!
 5! 0, 10, 9 4
4!
 0, 32805

29
 Forme d’une loi binomiale
La forme d’une loi binomiale dépend des valeurs de la probabilité
de succès (p) et du nombre d’expériences (n)

30
 Moyenne et variance
d’une loi binomiale
Supposons que X suit une loi binomiale avec n expériences et
probabilité de succès p. Alors,

EX  np

et
 2X  np1 − p

31
 Exemples

 X  np  5  0, 1  0, 5 P(x) n = 5 p = 0,1
.6
 2X  np1 − p  5  0, 1  0, 9 .4
.2
 0, 45 0 x
0 1 2 3 4 5

 X  np  5  0, 5  2, 5 P(x) n = 5 p = 0,5
.6
.4
 2X  np1 − p  5  0, 5  0, 5
.2
 1, 25 0 x
0 1 2 3 4 5

32
 Table binomiale (Table 5)

n x … p=.20 p=.25 p=.30 p=.35 p=.40 p=.45 p=.50

10 0 … 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010
1 … 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098
2 … 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439
3 … 0.2013 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172
4 … 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051
5 … 0.0264 0.0584 0.1029 0.1536 0.2007 0.2340 0.2461
6 … 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051
7 … 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0.1172
8 … 0.0001 0.0004 0.0014 0.0043 0.0106 0.0226 0.0439
9 … 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098
10 … 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010

Exemples:
n = 10, x = 3, p = 0,35: P(X = 3|n =10, p = 0,35) = 0,2522
n = 10, x = 8, p = 0,45: P(X = 8|n = 10, p = 0,45) = 0,0226
33
 Loi de Poisson
Distributions de
probabilité

Distributions de
probabilité discrètes
Uniforme

Bernoulli / Binomiale

Poisson

Hypergéométrique

34
 La loi de Poisson
La loi de Poisson est utilisée pour décrire le nombre d’occurrences
ou de succès d’un événement dans un intervalle continu donné (de
temps, de superficie ou de longueur).

Exemples:

• Nombre de clients qui entrent dans un magasin

• Nombre de pannes d’une machine
• Nombre d’électeurs qui arrivent à l’isoloir

35
 La loi de Poisson
Supposons qu’un intervalle est divisé en un très grand
nombre de sous-intervalles tel que la probabilité
d’occurrence d’un événement dans tout sous-intervalle est
très petit.

Hypothèses de la loi de Poisson

1. La probabilité d’occurrence de l’événement est constante
sur tous les sous-intervalles.
2. L’événement ne peut survenir au maximum une fois dans
chaque sous-intervalle.
3. Les occurrences de l’événement sont indépendantes;
l’occurrence dans un sous-intervalle n’influence pas la
probabilité d’occurrence dans un autre sous-intervalle
36
Fonction de distribution de Poisson
Si la variable aléatoire X a une loi de Poisson, sa fonction de
probabilité est:

e −  x
Px  x!
x = 0, 1, 2, 3…

où

x est le nombre d’évènements pendant une période donnée

λ est le nombre espéré d’occurrences de l’événement par

unité (de temps ou d’espace), λ > 0

e = 2,71828…. (base naturelle)

37
 Moments d’une loi de Poisson
Si la variable aléatoire X a une loi de Poisson avec paramètre
λ, sa moyenne et variance sont:

EX  
et

varX  

De plus, la somme de variables aléatoires avec loi de Poisson

a aussi une loi de Poisson

38
 Table de Poisson (Table 7)
λ

X 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90

0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4493 0.4066

1 0.0905 0.1637 0.2222 0.2681 0.3033 0.3293 0.3476 0.3595 0.3659
2 0.0045 0.0164 0.0333 0.0536 0.0758 0.0988 0.1217 0.1438 0.1647
3 0.0002 0.0011 0.0033 0.0072 0.0126 0.0198 0.0284 0.0383 0.0494
4 0.0000 0.0001 0.0003 0.0007 0.0016 0.0030 0.0050 0.0077 0.0111
5 0.0000 0.0000 0.0000 0.0001 0.0002 0.0004 0.0007 0.0012 0.0020
6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0003
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Exemple: Trouvez P(X = 2) si λ = 0,50

e −0,5 0,5 2
PX  2  2!
 0, 0758

39
 Graphique d’une distribution
de probabilité de Poisson
0.70

0.60

λ = 0,50 0.50

λ= P(x) 0.40

X 0.50
0.30
0 0,6065
0.20
1 0,3033
2 0,0758 0.10

3 0,0126 0.00
0 1 2 3 4 5 6 7
4 0,0016
5 0,0002 x
6 0,0000
P(X = 2) = 0,0758
7 ,.0000

40
 Forme d’une loi de Poisson

La forme d’une loi de Poisson dépend du paramètre λ:

λ = 0,50 λ=3
0.70 0.25

0.60
0.20
0.50

0.15
0.40

P(x)
P(x)

0.30 0.10

0.20
0.05
0.10

0.00 0.00
0 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12

x x

41
 Loi de Poisson: exemple

Soit X le nombre de pannes informatiques par jour. Selon les

données historiques, le nombre moyen de panne est:

3 pannes
  0, 03 pannes/jour
100 jours

La probabilité qu’une journée passe sans panne est donnée par:

e −0,03 0,03 0
PX  0   0, 9704
0!
La probabilité qu’il y ait au moins une panne dans une journée
est

PX ≥ 1  1 − PX  0  0, 0296

42
 Approximation de la binomiale
Soit X le nombre de succès à l’issue de n essais indépendants,
chacun ayant une probabilité de succès p.

Nous avons vu que la distribution de X est binomiale, de

moyenne np.

Si le nombre d’essais, n, est grand, mais que np est un nombre

pas trop élevé (np ≤ 7 ), alors la distribution de X peut être
approchée par une distribution de Poisson avec λ = np.

La distribution approximative est alors:

e −np np x
Px  x!
43
 Exemple
On estime que 3,5% des entreprises déclarent faillite chaque
année. Sur un portefeuille de 100 entreprises, quelle est la
probabilité qu’au moins 3 entreprises déclarent faillite en
une année?

Soit X le nombre d’entreprises qui déclarent faillite en une

année. Si ces déclarations sont indépendantes, X suit une loi
binomiale avec n = 100 et p = 0,035.

L’espérance de X est np = 100 x 0,035 =3,5. Nous allons

utiliser la loi de Poisson avec λ = np comme approximation
pour calculer cette probabilité, P (X  3).

44
 Exemple
Nous savons que P (X  3) = 1 - P (X  2) et que

P (X  2) = P (X = 0) + P (X = 1) + P (X = 2)

En utilisant la loi de Poisson,

e −−3,5 3, 5 0
PX  0   0, 030197
0!
e −−3,5 3, 5
PX  1   0, 1056895
1!
e −−3,5 3, 5 2
PX  2   0, 1849566
2!
et donc P (X  3) est approximativement 0,6792. La vraie
probabilité binomiale est 0,6841.
45
La loi hypergéométrique
Distributions de
probabilité

Distributions de
probabilité discrètes
Uniforme

Bernoulli / Binomiale

Poisson

Hypergéométrique

46
 Loi hypergéométrique
On considère une situation où on doit choisir n objets parmi une
population de N objets définis comme « succès » ou « échec ». On
suppose qu’il y a S « succès » dans la population.

Après chaque tirage, on ne replace pas les objets déjà tirés.

Donc, contrairement à la binomiale, les expériences ne sont pas

indépendantes et la probabilité de « succès » change à chaque
tirage.

Soit X le nombre de « succès » tirés dans l’échantillon.

47
 Distribution hypergéométrique

Alors, X a une distribution hypergéométrique:

N−S!
C Sx C N−S
S!
 n−x!N−S−nx!
Px  n−x
C Nn
 x!S−x!
N!
n!N−n!

La valeur minimale de x est le maximum de 0 et [n – (N - S)] et le

nombre maximal de succès dans l’échantillon est le minimum de
n et S.

48
 Intuition
Il y a x succès et n – x échecs dans notre échantillon.

Le nombre de façons de tirer x succès parmi les S de la

population est:
C Sx  S!
x!S−x !
Le nombre de façons de tirer n - x échecs parmi les N - S de la
population est:
N−S !
C N−S
n−x  n−x !N−S−nx !
Le nombre total d’échantillons de taille n possibles est:

C Nn  N!
n!N−n !
49
 Exemple
On procède à une vérification de 3 des 10 ordinateurs d’une
entreprise. On sait que 4 des 10 ordinateurs possèdent une copie
illégale d’un logiciel.

Quelle est la probabilité qu’aucun des 3 ordinateurs sélectionnés

ne possède une copie de logiciel illégale?

10−4!
4!
0!4−0!
 3−0!10−4−30!
P0  10!
3!10−3!

1  3!3!
6!

120
 20  1
120 6
50
 Exemple
On peut trouver les probabilités pour les autres valeurs de x.
10−4! 10−4!
4!
1!4−1!
 3−1!10−4−31! 4!
2!4−2!
 3−2!10−4−32!
P1  10!
P2  10!
3!10−3! 3!10−3!

4 6! 4!
 6!

 2!4!  2!2!
10!
5!
120 3!7!
 4  15  1  6  6  0, 3
120 2 10−4! 120
4!
3!4−3!
 3−3!10−4−33!
P3  10!
3!10−3!

4  6!
 6!
120
 4  1
120 30
51