Cours de probabilités

(Chapitre 5 : Lois Descrites Classiques)

n N

Pr. A. GHAZDALI
a.ghazdali@usms.ma

2021
cbna

Université Sultan Moulay Slimane

 Ce document présente un résumé de cours, sans détails superflus, sans
démonstration, avec parfois des exemples.

Programme
1 Chap. I : Analyse Combinatoire,
2 Chap. II : Notions de Probabilités,
3 Chap. III : Variables aléatoires,
4 Chap. IV : Variables aléatoires discrètes,
5 Chap. V : Lois discrètes classiques,
6 Chap. VI : Variables aléatoires continues,
7 Chap. VII : Lois continues classiques,

Pr. A. GHAZDALI | cbna 2 / 37

 Objectifs du chapitre
Dans ce chapitre :
1

Pr. A. GHAZDALI | cbna 3 / 37

Plan du chapitre

1 Loi uniforme

2 Loi Bernoulli

3 Loi Binomiale

4 Loi de poisson

5 Loi géométrique

6 Loi hypergéométrique

7 Tableaux des lois de probabilités discrètes

Pr. A. GHAZDALI | cbna 4 / 37

| Loi uniforme

Pr. A. GHAZDALI | cbna 5 / 37

| Loi uniforme

————————————————————————————-

Loi uniforme

Pr. A. GHAZDALI | cbna 5 / 37

| Loi uniforme

Définition 1.1 (Loi uniforme)

La v.a 𝑋 suit la loi uniforme sur 𝑆 = {𝑥1 , . . . , 𝑥𝑛 } si :
≻ 𝑋(Ω) = 𝑆.
1 1
≻ 𝑃 ({𝑋 = 𝑥𝑘 }) = 𝑛 = 𝐶𝑎𝑟𝑑(𝑆) , ∀𝑘 = 1, . . . , 𝑛.
On écrira :
𝑋 ∼ 𝒰{𝑥1 ,...,𝑥𝑛 }
On a alors
𝑛 𝑛
1 ∑︁ 1 ∑︁
𝐸(𝑋) = 𝑥𝑖 et 𝑉 (𝑋) = 𝑥2 − [𝐸(𝑋)]2
𝑛 𝑖=1 𝑛 𝑖=1 𝑖

Pr. A. GHAZDALI | cbna 6 / 37

| Loi uniforme

Exemple 1.1
On jette un dé bien équilibré, on considère la v.a.d 𝑋 définie par 𝑋 = le
point marqué par le dé. Déterminer la loi de probabilité de 𝑋.

Ω = {1, . . . , 6}, 𝑋(Ω) = {1, . . . , 6} = 𝑆,

si 𝑘 ∈ 𝑆,
1 1
𝑃 ({𝑘}) = 𝑃 (𝑋 = 𝑘) = =
6 𝐶𝑎𝑟𝑑(𝑆)

Pr. A. GHAZDALI | cbna 7 / 37

| Loi uniforme

Exemple 1.1
On jette un dé bien équilibré, on considère la v.a.d 𝑋 définie par 𝑋 = le
point marqué par le dé. Déterminer la loi de probabilité de 𝑋.

Ω = {1, . . . , 6}, 𝑋(Ω) = {1, . . . , 6} = 𝑆,

si 𝑘 ∈ 𝑆,
1 1
𝑃 ({𝑘}) = 𝑃 (𝑋 = 𝑘) = =
6 𝐶𝑎𝑟𝑑(𝑆)

Pr. A. GHAZDALI | cbna 7 / 37

| Loi Bernoulli

Loi Bernoulli

Pr. A. GHAZDALI | cbna 8 / 37

| Loi Bernoulli

Soit une expérience à deux issues, succès et échec (ou vrai et faux) par
exemple. Soit la v.a 𝑋 :
{︃
𝑋 = 0 si le résultat est un échec
𝑋 = 1 si le résultat est un succès

La loi de probabilité de la v.a 𝑋 est : 𝑃 (𝑋 = 1) = 𝑝 et

𝑃 (𝑋 = 0) = 1 − 𝑝, (0 < 𝑝 < 1). Avec 𝑝 c’est la probabilité du succès.

Pr. A. GHAZDALI | cbna 9 / 37

| Loi Bernoulli

Définition 2.1 (Loi Bernoulli)

𝑋 est une v.a qui suit une loi de Bernoulli de paramètre 𝑝 (0 ≤ 𝑝 ≤ 1)
si :
1) 𝑋(Ω) = {0, 1}.
2) 𝑃 ({1}) = 𝑃 (𝑋 = 1) = 𝑝, 𝑃 ({0}) = 𝑃 (𝑋 = 0) = 1 − 𝑝.
On écrira :
𝑋 ∼ ℬ𝑒𝑟 (𝑝).
L’espérance et la variance de 𝑋 sont :

𝐸(𝑋) = 𝑝, 𝑉 (𝑋) = 𝑝(1 − 𝑝)

Pr. A. GHAZDALI | cbna 10 / 37

| Loi Bernoulli

Exemple 2.1
On jette une fois une pièce de monaie dont la probabilité d’avoir pile est
p (0 ≤ 𝑝 ≤ 1), on considère la v.a 𝑋 définie par :
{︃
1, si la pièce fait pile ;
𝑋(𝜔) =
0, sinon.
Déterminer la loi de probabilité de 𝑋. Comme
Ω = {𝜋, 𝐹 }, 𝜋 : 𝑝𝑖𝑙𝑒, 𝐹 : 𝑓 𝑎𝑐𝑒.
Si 𝜔 ∈ {𝜋, 𝐹 } alors
{︃
𝑃 (𝑋 = 1) = 𝑝, si 𝜔 = 𝜋 ;
𝑃 ({𝜔}) =
𝑃 (𝑋 = 0) = 1 − 𝑝, si 𝜔 = 𝐹 .

Pr. A. GHAZDALI | cbna 11 / 37

| Loi Bernoulli

Exemple 2.1
On jette une fois une pièce de monaie dont la probabilité d’avoir pile est
p (0 ≤ 𝑝 ≤ 1), on considère la v.a 𝑋 définie par :
{︃
1, si la pièce fait pile ;
𝑋(𝜔) =
0, sinon.
Déterminer la loi de probabilité de 𝑋. Comme
Ω = {𝜋, 𝐹 }, 𝜋 : 𝑝𝑖𝑙𝑒, 𝐹 : 𝑓 𝑎𝑐𝑒.
Si 𝜔 ∈ {𝜋, 𝐹 } alors
{︃
𝑃 (𝑋 = 1) = 𝑝, si 𝜔 = 𝜋 ;
𝑃 ({𝜔}) =
𝑃 (𝑋 = 0) = 1 − 𝑝, si 𝜔 = 𝐹 .

Pr. A. GHAZDALI | cbna 11 / 37

| Loi Binomiale

Loi Binomiale

Pr. A. GHAZDALI | cbna 12 / 37

| Loi Binomiale

Soit une expérience à deux issues, succès ou échec (ou vrai et faux) par
exemple, on répète cette expérience dans les mêmes conditions 𝑛 fois. On
note 𝑋𝑘 la 𝑘 ème observations
{︃
0 si le résultat est un échec
𝑋𝑘 =
1 si le résultat est un succès

et 𝑝 la probabilité du succès.
Les v.a 𝑋1 , · · · , 𝑋𝑛 sont des v.a de Bernoulli de paramètre 𝑝
indépendantes.

Pr. A. GHAZDALI | cbna 13 / 37

| Loi Binomiale

Définition 3.1 (Loi Binomiale)

On dit qu’une v.a.d 𝑋vsuit une loi Binomiale de pramètres 𝑛, p
(0 ≤ 𝑝 ≤ 1) si :
≻ 𝑋(Ω) = 𝑆 = {0, 1, . . . , 𝑛}.
≻ ∀𝑘 ∈ 𝑆 𝑃𝑋 ({𝑘}) = 𝑃 (𝑋 = 𝑘) = 𝒞𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 .
On note : 𝑋 ∼ ℬ(𝑛, 𝑝).
L’espérance et la variance de 𝑋 sont :
𝑛
∑︁ 𝑛
∑︁
𝐸(𝑋) = 𝐸(𝑋𝑘 ) = 𝐸(𝑋1 ) = 𝑛𝑝
𝑘=1 𝑘=1

𝑛
∑︁ 𝑛
∑︁
𝑉 (𝑋) = 𝑉 (𝑋𝑘 ) = 𝑉 (𝑋1 ) = 𝑛𝑝(1 − 𝑝)
𝑘=1 𝑘=1

car 𝑋1 , . . . , 𝑋𝑛 sont indépendantes.

Pr. A. GHAZDALI | cbna 14 / 37

| Loi Binomiale

Propriété 3.1
Soient 𝑋1 et 𝑋2 deux v.a indépendantes suivant respectivent les lois
binomiales ℬ(𝑛1 , 𝑝) et ℬ(𝑛2 , 𝑝), alors 𝑋1 + 𝑋2 suit la loi binomiale
ℬ(𝑛1 + 𝑛2 , 𝑝).

Pr. A. GHAZDALI | cbna 15 / 37

| Loi Binomiale

Exemple 3.1
On lance un dé dont les faces sont numérotées de 1 à 6. On appelle
événement 𝐸 l’obtention sur la face supérieure 3 ou 6. On lance le dé,
quelle est la probabilité de l’événement 𝐸 ? On lance le dé, 8100 fois,
calculer la moyenne et l’écart-type du nombre d’arrivées de l’événement
𝐸.

Pr. A. GHAZDALI | cbna 16 / 37

| Loi Binomiale

≻ 𝑃 (𝐸) = 1/3
On considère l’épreuve à deux issues
≻ "succès" si 𝐸 se produit c’est à dire on obtient 3 ou 6. 𝑝 = 1/3.
≻ "échec" si 𝐸 ne se produit pas c’est à dire on n’obtient ni 3 ni 6.
On répète l’épreuve 8100 fois. Soit la v.a, 𝑋 = "nombre d’arrivées de 𝐸
ou nombre de succès ou nombre d’apparitions de 3 et 6".
𝑋 suit la loi binomiale ℬ(8100, 1/3). Pour 𝑘 = 0, 1, 2, . . . , 8100,
𝑃 (𝑋 = 𝑘) = 𝐶𝑛𝑘 (1/3)𝑘 (2/3)𝑛−𝑘 , 𝐸(𝑋) = 8100 × 13 = 2700,
√ √
𝑉 (𝑋) = 8100 × 31 × 23 = 1800 et 𝜎(𝑋) = 1800 = 30 2

Pr. A. GHAZDALI | cbna 17 / 37

| Loi Binomiale

Exemple 3.2
On jette une pièce de monnaie 𝑛 fois dans les mêmes conditions.
La probabilité d’avoir pile est p (0 ≤ 𝑝 ≤ 1).
On considère la v.a.d X égale au nombre de piles lors des 𝑛 jets.

Ω = {(𝜔1 , . . . , 𝜔𝑛 )/𝜔𝑖 ∈ {𝜋, 𝐹 }, 𝑖 = 1, . . . , 𝑛}

{︃
𝑝, 𝑠𝑖 𝜔𝑖 = 𝜋 5cm𝑖 = 1, . . . , 𝑛 ;
𝒫({𝜔𝑖 }) =
1 − 𝑝, 𝑠𝑖 𝜔𝑖 = 𝐹 .

et 𝒫({𝜔}) = 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 où k est le nombre de piles, 𝑘 = 0, 1, . . . , 𝑛.

𝑋(Ω) = 𝑆 = {0, 1, . . . , 𝑛}, ℬ = P(𝑆).

Si 𝑘 ∈ 𝑆,
𝒫𝑋 ({𝑘}) = 𝒫(𝑋 = 𝑘).
Considérons l’événement (𝑋 = 𝑘), s’il est réalisé, on a donc 𝑘 piles et
(𝑛 − 𝑘) faces.
Pr.Les 𝑘 piles |ont
A. GHAZDALI cbnaété obtenue lors des jets numéros 𝑛 , . . . , 𝑛 . 18 / 37
| Loi Binomiale

Exemple 3.2
On jette une pièce de monnaie 𝑛 fois dans les mêmes conditions.
La probabilité d’avoir pile est p (0 ≤ 𝑝 ≤ 1).
On considère la v.a.d X égale au nombre de piles lors des 𝑛 jets.

Ω = {(𝜔1 , . . . , 𝜔𝑛 )/𝜔𝑖 ∈ {𝜋, 𝐹 }, 𝑖 = 1, . . . , 𝑛}

{︃
𝑝, 𝑠𝑖 𝜔𝑖 = 𝜋 5cm𝑖 = 1, . . . , 𝑛 ;
𝒫({𝜔𝑖 }) =
1 − 𝑝, 𝑠𝑖 𝜔𝑖 = 𝐹 .

et 𝒫({𝜔}) = 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 où k est le nombre de piles, 𝑘 = 0, 1, . . . , 𝑛.

𝑋(Ω) = 𝑆 = {0, 1, . . . , 𝑛}, ℬ = P(𝑆).

Si 𝑘 ∈ 𝑆,
𝒫𝑋 ({𝑘}) = 𝒫(𝑋 = 𝑘).
Considérons l’événement (𝑋 = 𝑘), s’il est réalisé, on a donc 𝑘 piles et
(𝑛 − 𝑘) faces.
Pr.Les 𝑘 piles |ont
A. GHAZDALI cbnaété obtenue lors des jets numéros 𝑛 , . . . , 𝑛 . 18 / 37
| Loi Binomiale

Remarque 3.1
Si 𝐴1 , . . . , 𝐴𝑛 sont des événements indépendants de même probabilité p,
alors la v.a.d 𝑛
∑︁
𝑋= I𝐴𝑘 ∼ ℬ(𝑛, 𝑝),
𝑘=1

la somme de 𝑛 ℬernoulli ℬ𝑒𝑟 (𝑝) est un Binomiale ℬ(𝑛, 𝑝).

Pr. A. GHAZDALI | cbna 19 / 37

| Loi de poisson

Loi de poisson

Pr. A. GHAZDALI | cbna 20 / 37

| Loi de poisson

Définition 4.1 (Loi de poisson)

On dit que la v.a 𝑋 suit la loi de poisson de paramètre 𝜆 > 0 si :
≻ 𝑋(Ω) = N.
≻
𝜆𝑘 exp[−𝜆]
𝑃 (𝑋 = 𝑘) = ∀𝑘∈N
𝑘!
On note
𝑋 ∼ P(𝜆).
L’espérance et la variance de 𝑋 sont :
+∞ +∞ +∞
∑︁ ∑︁ 𝜆𝑘 exp[−𝜆] ∑︁ 𝜆𝑘
𝐸(𝑋) = 𝑘𝑃 (𝑋 = 𝑘) = 𝑘 = 𝜆 car = exp[𝜆]
𝑘=0 𝑘=0
𝑘! 𝑘=0
𝑘!

𝑉 (𝑋) = 𝜆

Pr. A. GHAZDALI | cbna 21 / 37

| Loi de poisson

Propriété 4.1
Soient 𝑋1 et 𝑋2 deux v.a indépendantes suivant respectivent les lois de
poisson 𝑃 (𝜆1 ) et 𝑃 (𝜆2 ), alors 𝑋1 + 𝑋2 suit la loi de poisson 𝑃 (𝜆1 + 𝜆2 ).

Pr. A. GHAZDALI | cbna 22 / 37

| Loi de poisson

Exemple 4.1
Une machine utilisée dans une chaîne de production tombe en panne en
moyenne 2 fois par mois. Soit 𝑋 le nombre de pannes par mois. Quelle
est la probabilité que dans un mois donnée la machine ne tombe pas en
panne ?, tombe en panne au moins deux fois ?
𝑋 suit la loi de poisson de paramètre 𝜆 = 2, 𝑋 ≈ 𝒫(2),
𝑘
𝑃 (𝑋 = 𝑘) = 2 exp[−2]
𝑘! . La machine ne tombe pas en panne donc 𝑘 = 0
0
et la probabilité est 𝑃 (𝑋 = 0) = 2 exp[−2]
0! = exp[−2] = 0.135.
La machine tombe en panne au moins deux fois donc 𝑘 ≥ 2 et la
probabilité est :
𝑃 (𝑋 ≥ 2) = 1 − 𝑃 (𝑋 < 2) = 1 − (𝑃 (𝑋 = 0) + 𝑃 (𝑋 = 1)) = 1 −
0 1
( 2 exp[−2]
0! + 2 exp[−2]
1! ) = 1−(exp[−2]+2×exp[−2]) = 1−0.405 = 0.595.

Pr. A. GHAZDALI | cbna 23 / 37

| Loi de poisson

Exemple 4.1
Une machine utilisée dans une chaîne de production tombe en panne en
moyenne 2 fois par mois. Soit 𝑋 le nombre de pannes par mois. Quelle
est la probabilité que dans un mois donnée la machine ne tombe pas en
panne ?, tombe en panne au moins deux fois ?
𝑋 suit la loi de poisson de paramètre 𝜆 = 2, 𝑋 ≈ 𝒫(2),
𝑘
𝑃 (𝑋 = 𝑘) = 2 exp[−2]
𝑘! . La machine ne tombe pas en panne donc 𝑘 = 0
0
et la probabilité est 𝑃 (𝑋 = 0) = 2 exp[−2]
0! = exp[−2] = 0.135.
La machine tombe en panne au moins deux fois donc 𝑘 ≥ 2 et la
probabilité est :
𝑃 (𝑋 ≥ 2) = 1 − 𝑃 (𝑋 < 2) = 1 − (𝑃 (𝑋 = 0) + 𝑃 (𝑋 = 1)) = 1 −
0 1
( 2 exp[−2]
0! + 2 exp[−2]
1! ) = 1−(exp[−2]+2×exp[−2]) = 1−0.405 = 0.595.

Pr. A. GHAZDALI | cbna 23 / 37

| Loi de poisson

Approximation de la loi binomiale par la loi de poisson

Théorème 4.1
Soient 𝑋1 , . . . , 𝑋𝑛 𝑛 v.a de Bernoulli indépendantes de paramètre 𝑝𝑛 .
𝑆𝑛 = 𝑋1 + · · · + 𝑋𝑛 suit la loi binomiale de paramètre (𝑛, 𝑝𝑛 ),
(𝑆𝑛 ≈ ℬ(𝑛, 𝑝𝑛 )).
Si 𝑛 → +∞, 𝑝𝑛 → 0 et 𝑛𝑝𝑛 → 𝜆 > 0, alors
𝑘
lim 𝑃 (𝑆𝑛 = 𝑘) = 𝜆 exp[−𝜆] 𝑘!
𝑛→+∞
Pour 𝑛 assez grand et 𝑝𝑛 assez petit 𝑃 (𝑆𝑛 = 𝑘) est approchée par
𝜆𝑘 exp[−𝜆]
𝑘! avec 𝜆 = 𝑛𝑝𝑛 . En pratique, on a :
La⎧loi ℬ(𝑛, 𝑝) peut être approchée par la loi de poisson 𝑃 (𝑛 × 𝑝)
⎨ 𝑛 > 30
⎪
si 𝑝 ≤ 0.1
⎪
⎩ 𝑛𝑝 < 15

Pr. A. GHAZDALI | cbna 24 / 37

| Loi de poisson

Exemple 4.2
Soit 𝑋 une v.a qui suit la loi ℬ(40, 0.03),
Déterminer une approche de ℬ(40, 0.03) et Calculer 𝑃 (𝑋 = 2) par les 2
lois
ℬ(40, 0.03) peut être approchée par 𝑃 (40 × 0.03) et si 𝑋 suit la loi
𝑃 (1.2), et on par Poisson

1.22 exp[−1.2]
𝑃 (𝑋 = 2) = ≈ 0.2168
2!
et par Bernoulli
2
𝑃 (𝑋 = 2) = 𝐶40 × 0.032 × 0.9738 ≈ 0.2206

Or

Pr. A. GHAZDALI | cbna 25 / 37

| Loi de poisson

Exemple 4.2
Soit 𝑋 une v.a qui suit la loi ℬ(40, 0.03),
Déterminer une approche de ℬ(40, 0.03) et Calculer 𝑃 (𝑋 = 2) par les 2
lois
ℬ(40, 0.03) peut être approchée par 𝑃 (40 × 0.03) et si 𝑋 suit la loi
𝑃 (1.2), et on par Poisson

1.22 exp[−1.2]
𝑃 (𝑋 = 2) = ≈ 0.2168
2!
et par Bernoulli
2
𝑃 (𝑋 = 2) = 𝐶40 × 0.032 × 0.9738 ≈ 0.2206

Or

Pr. A. GHAZDALI | cbna 25 / 37

| Loi géométrique

Loi géométrique

Pr. A. GHAZDALI | cbna 26 / 37

| Loi géométrique

On considère une épreuve dont l’issue est un succès ou un échec avec 𝑝 la

probabilité du succès. L’épreuve est répétée une infinité de fois. Le nombre
de fois nécessaire pour obtenir le premier succès est représenté par la
variable aléatoire 𝑋.
Par exemple on lance une pièce de monnaie, avec 𝑝 la probabilité d’avoir
face, si c’est face qui apparaît on arrête si non on lance la pièce une
deuxième fois et ainsi de suite jusqu’à ce qu’on obtient une face. Soit 𝑋 la
v.a obtenir une face
𝑃 (𝑋 = 𝑘) = 𝑝(1 − 𝑝)𝑘−1
On dit que 𝑋 suit la loi géométrique de paramètre 𝑝.

Pr. A. GHAZDALI | cbna 27 / 37

| Loi géométrique

Définition 5.1
Loi géométrique
On dit qu’une v.a X définie suit une loi Géométrique de paramètres p
(0 < 𝑝 < 1) si :
≻ 𝑋(Ω) = N* .
≻ ∀𝑘 ∈ N* , 𝑃 ({𝑘}) = 𝑃 (𝑋 = 𝑘) = 𝑝(1 − 𝑝)𝑘−1 .
On note 𝑋 ∼ 𝒢(𝑝). L’espérance et la variance de 𝑋 sont
1 1−𝑝
𝐸(𝑋) = et 𝑉 (𝑋) = .
𝑝 𝑝2

Pr. A. GHAZDALI | cbna 28 / 37

| Loi géométrique

Exemple 5.1
Dans une boîte, il y a n cartes numérotées de 1 à 𝑛. On effectue des
tirages successifs avec remise, jusqu’à obtenir la carte 𝑛. Soit 𝑋 le
nombre de tirages effectués.
1 Quelle est la loi de 𝑋.
2 Calculer la probabilité que le nombre de cartes tirées soit égal à 𝑥,
pour 𝑥 = 31.
3 Quelle est la probabilité que le nombre de cartes tirées soit inférieur
ou égal à 50 ? Application : 𝑛 = 100.

Pr. A. GHAZDALI | cbna 29 / 37

| Loi géométrique

On répète, de façon indépendante, une épreuve de Bernoulli (tirage d’une

carte) dans laquelle la probabilité du succès (tirer la carte numéro 𝑛) est
𝑝 = 𝑛1 , jusqu’à l’obtention d’un succès. Le nombre de répétitions nécessaire
à l’obtention d’un succès suit une loi géométrique sur N* de paramètre 𝑝.

(𝑛 − 1)𝑥−1
𝑃 (𝑋 = 𝑥) = 𝑝(1 − 𝑝)𝑥−1 = ,
𝑛𝑥
(99)30
𝑃 (𝑋 = 31) = 𝑝(1 − 𝑝)30 = = 0.0074.
10031

+∞
∑︁
𝑃 (𝑋 ≤ 50) = 1 − 𝑃 (𝑋 > 50) = 1 − 𝑃 (𝑋 = 𝑥)
𝑥=51
+∞
∑︁ 1
=1− 𝑝(1 − 𝑝)𝑥−1 = 1 − 𝑝(1 − 𝑝)50
𝑥=51
1 − (1 − 𝑝)
(𝑛 − 1)50 (99)50
= 1 − (1 − 𝑝)50 = 1 − 50
=1− = 0.395
𝑛 10050

Pr. A. GHAZDALI | cbna 30 / 37

| Loi géométrique

Proposition 5.1
Si 𝑋 ∼ 𝒢(𝑝) (0 < 𝑝 < 1) alors ∀𝑘 ≥ 1,

𝑃 (𝑋 = 𝑛 + 𝑘 | 𝑋 > 𝑛) = 𝑃 (𝑋 = 𝑘), ∀𝑛.

Pr. A. GHAZDALI | cbna 31 / 37

| Loi hypergéométrique

Loi hypergéométrique

Pr. A. GHAZDALI | cbna 32 / 37

| Loi hypergéométrique

Définition 6.1 (Loi hypergéométrique)

On dit qu’une v.a 𝑋 définie suit une loi Hypergéométrique de paramètres
𝑁, 𝑛, 𝑀 si :
≻ 𝑋(Ω) ⊂ {0, 1, · · · , 𝑛}.
𝑘 𝒞 𝑛−𝑘
𝒞𝑀 𝑁 −𝑀
≻ 𝑃 (𝑋 = 𝑘) = 𝒞𝑁𝑛 .
On note 𝑋 ∼ ℋ(𝑁, 𝑛, 𝑀 ).
L’espérance et la variance de 𝑋 sont :
𝑀 𝑀 𝑀 𝑁 −𝑛
𝐸(𝑋) = 𝑛 et 𝑉 (𝑋) = 𝑛 (1 − )
𝑁 𝑁 𝑁 𝑁 −1

Pr. A. GHAZDALI | cbna 33 / 37

| Loi hypergéométrique

Remarque 6.1
𝑀
Si les tirages sont effectués avec remise, 𝑋 ≈ ℬ(𝑛, 𝑝) avec 𝑝 = 𝑁.

Pr. A. GHAZDALI | cbna 34 / 37

| Loi hypergéométrique

Exemple 6.1
On prélève au hasard un échantillon de 𝑛 = 10 pièces dans une
production totale de 𝑁 = 1000 pièces comportant en tout 𝑀 = 50
pièces défectueuses. Quelle est la probabilité qu’il y ait exactement 𝑘 = 6
pièces défectueuses dans l’échantillon ?
Soit 𝑋 le nombre de pièces défectueuses dans l’échantillon.
Le nombre 𝑋 de pièces défectueuses dans un échantillon de 𝑛 pièces suit
une loi hypergéométrique de paramètre 𝑁 , 𝑛 et 𝑀 (𝑋 ≈ ℋ(𝑁, 𝑛, 𝑀 ))
𝐶 𝑘 𝐶 𝑛−𝑘
−𝑀
donnée par : 𝑃 (𝑋 = 𝑘) = 𝑀 𝐶 𝑁 𝑛 pour tout
𝑁
𝑘 ∈ {0, 1, . . . , 10 = min(𝑛, 𝑀 )}
𝐶6 𝐶4
𝑃 (𝑋 = 6) = 𝐶5010 950 = 2.3 × 10−3
1000

Pr. A. GHAZDALI | cbna 35 / 37

| Loi hypergéométrique

Exemple 6.1
On prélève au hasard un échantillon de 𝑛 = 10 pièces dans une
production totale de 𝑁 = 1000 pièces comportant en tout 𝑀 = 50
pièces défectueuses. Quelle est la probabilité qu’il y ait exactement 𝑘 = 6
pièces défectueuses dans l’échantillon ?
Soit 𝑋 le nombre de pièces défectueuses dans l’échantillon.
Le nombre 𝑋 de pièces défectueuses dans un échantillon de 𝑛 pièces suit
une loi hypergéométrique de paramètre 𝑁 , 𝑛 et 𝑀 (𝑋 ≈ ℋ(𝑁, 𝑛, 𝑀 ))
𝐶 𝑘 𝐶 𝑛−𝑘
−𝑀
donnée par : 𝑃 (𝑋 = 𝑘) = 𝑀 𝐶 𝑁 𝑛 pour tout
𝑁
𝑘 ∈ {0, 1, . . . , 10 = min(𝑛, 𝑀 )}
𝐶6 𝐶4
𝑃 (𝑋 = 6) = 𝐶5010 950 = 2.3 × 10−3
1000

Pr. A. GHAZDALI | cbna 35 / 37

| Tableaux des lois de probabilités discrètes

Tableaux des lois de probabilités discrètes

Pr. A. GHAZDALI | cbna 36 / 37

| Tableaux des lois de probabilités discrètes

Tableaux des lois de probabilités discrètes

Loi Loi de probabilié Espérance Variance

1 𝑛+1 𝑛2 −1
Uniforme 𝑃 (𝑋 = 𝑘) = ∈ {1, . . . , 𝑛}
𝑛
,𝑘 2 12
bernoulli 𝑃 (𝑋 = 1) = 𝑝 et 𝑃 (𝑋 = 0) = 1 − 𝑝 𝑝 𝑝(1 − 𝑝)
𝑃 (𝑋 = 𝑘) = 𝑘 𝑝𝑘 (1
𝐶𝑛 − 𝑝)𝑛−𝑘
Binomiale 𝑛𝑝 𝑛𝑝(1 − 𝑝)
𝑘 ∈ {0, 1, . . . , 𝑛}
𝜆 𝑘
𝑒 𝜆
Poisson 𝑃 (𝑋 = 𝑥) = 𝑘!
pour 𝜆 ≥ 0 et 𝑘 ∈ N 𝜆 𝜆
1 1−𝑝
Géométrique 𝑃 (𝑋 = 𝑘) = 𝑝(1 − 𝑝)𝑘−1 , 𝑘 ∈ N* 𝑝 𝑝2
𝑘 𝑛−𝑘
𝐶𝑀 𝐶𝑁 −𝑀
Hyperéométrique 𝑃 (𝑋 = 𝑘) = 𝑛
𝐶𝑁 𝑛𝑀 𝑛𝑀 (1 − 𝑀
)𝑁 −𝑛
𝑁 𝑁 𝑁 𝑁 −1
𝑘 ∈ {0, 1, . . . , min(, 𝑀 )}

Pr. A. GHAZDALI | cbna 37 / 37