Ecole des Hautes Etudes Commerciales (EHEC)

Année universitaire : 2021/2022 préparé par : Dr. Asri

Cours de Probabilités :

10- La loi Binomiale

II. Les variables aléatoires discrètes

12. Les lois usuelles

b. La loi Binomiale

b.1. Contexte

Souvent, on s’intéresse à modéliser la fréquence du nombre de succès obtenues lors de la

répétition de plusieurs expériences aléatoires identiques et indépendantes. De telle sorte que la
probabilité de succès pour chaque expérience est fixe lors de chaque répétition.

Si on répète l’expérience 𝑛 fois alors on peut avoir entre 0 succès (toutes les expériences ont un
résultat d’échec) et 𝑛 succès (un succès résultant pour chaque expérience). Donc, l’ensemble
des valeurs possibles est 𝑋(Ω) = {0, 1, 2, … , 𝑛}.

La variable aléatoire suivant une loi de Binomiale doit avoir deux paramètres 𝑛 (le nombre de
fois de répétition de l’expérience) et 𝑝 (la probabilité de succès fixe pour chaque expérience).

Exemple : On reprend l’expérience aléatoire, qui consiste à lancer un dé 10 fois et on définit

la variable aléatoire 𝑌 : « Le fréquence d’obtention de la face 5 ».

Le succès pour cette expérience aléatoire varie entre 0 (toutes les lancers ont donnée des faces
différentes de 5) et 10 (l’obtention de la face 5 lors de chaque lancer). Donc 𝑌(Ω) =
{0,1,2, … ,10}.

1
La variable aléatoire 𝑌 suit une loi Binomiale avec paramètres 𝑛 = 10 et 𝑝 = 6

1
𝑌~Binomiale (𝑛 = 10, 𝑝 = )
6

Exemple : On prend la même urne contenant 32 Boules Blanches et 07 Boules Rouges. On tire
5 Boules Avec Remise (AR) et on définit la variable aléatoire 𝑌 : « Le nombre de Boules
Rouges parmi les 5 boules tirées ».

Pour que les expériences aléatoires soient identiques et indépendantes il faut effectuer un tirage
Avec Remise (AR). Lors du tirage avec remise la probabilité de succès (la probabilité de tirer
7
une Boule Rouge lors de chaque tirage) est fixe pour les 5 tirages et qui est égale à 39.
Puisque on effectue 5 tirages, alors 𝑌(Ω) = {0,1,2,3,4,5}

7
Donc, la variable aléatoire 𝑌 suit une loi Binomiale de paramètres 𝑛 = 5 et 𝑝 = 39

7
𝑌~Binomiale (𝑛 = 5, 𝑝 = )
39

b.2. La relation avec la loi Bernoulli

Puisque la loi Binomiale caractérise la fréquence de succès lors de la répétition de 𝑛 expériences

aléatoires identiques. Alors on peut considérer chaque répétition 𝑖, 𝑖 ∈ {1, … , 𝑛} de l’expérience
aléatoire comme une réalisation de loi de Bernoulli, car chaque réalisation est soit « un succès »
ou « un échec ».

D’une manière plus formelle, si on répète plusieurs expériences aléatoires indépendantes de

Bernoulli avec le même paramètre 𝑝,

1 (𝑠𝑢𝑐𝑐è𝑠) 𝑝
𝑌𝑖 = { , 𝑖 ∈ {1, … , 𝑛}
0 (é𝑐ℎ𝑒𝑐) 1−𝑝

𝑌𝑖 ~Bernoulli(𝑝) , 𝑖 ∈ {1, … , 𝑛}

Donc,
𝑛

𝑋 = ∑ 𝑌𝑖 ~Binomial(𝑛, 𝑝)
𝑖=1

b.2. La fonction de masse

Définition : Fonction de masse d’une variable aléatoire Binomiale
Soit 𝑋 une variable aléatoire suivant la loi Binomiale de paramètre 𝑛 et 𝑝,
𝑋~Binomiale(𝑛, 𝑝), sa fonction de masse est :
𝑃(𝑋 = 𝑥) = 𝐶𝑛𝑥 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , 𝑥 ∈ {0,1,2, … , 𝑛}
Vérification :
𝑛
𝑛
∑ 𝑃(𝑋 = 𝑥) = ∑ 𝐶𝑛𝑥 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = (𝑝 + (1 − 𝑝)) = 1𝑛 = 1
𝑥∈𝑋(Ω) 𝑥=0

Exemple : Lancée d’une pièce 10 fois

1
𝑌~Binomiale (𝑛 = 10, 𝑝 = )
6

 La fonction de masse de la variable aléatoire 𝑌

 𝑦 1
𝑦
5 10−𝑦
𝑃(𝑌 = 𝑦) = 𝐶10 ( ) ( ) , ∀𝑥 ∈ {0,1,2, … ,10}
6 6

Exemple : Tirage de 05 Boules de l’urne

7
𝑌~Binomiale (𝑛 = 5, 𝑝 = )
39

 La fonction de masse de la variable aléatoire 𝑌

𝑦 7
𝑦
32 5−𝑦
𝑃(𝑌 = 𝑦) = 𝐶5 ( ) ( ) , ∀𝑥 ∈ {0,1,2,3,4,5}
39 39

b.3. L’espérance

Définition : Espérance d’une variable aléatoire Binomiale

Soit 𝑋 une variable aléatoire suivant la loi Binomiale de paramètre 𝑛 et 𝑝,
𝑋~Binomiale(𝑛, 𝑝), son espérance est :
𝐸[𝑋] = 𝑛𝑝
Preuve :
𝑛 𝑛 𝑛
𝑛!
𝐸[𝑋] = ∑ 𝑥𝑃(𝑋 = 𝑥) = ∑ 𝑥 𝐶𝑛𝑥 𝑝 𝑥 (1 − 𝑝) 𝑛−𝑥
= ∑𝑥 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! (𝑛 − 𝑥)!
𝑥=0 𝑥=0 𝑥=1
𝑛
𝑛!
=∑ 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
(𝑥 − 1)! (𝑛 − 𝑥)!
𝑥=1
𝑛
(𝑛 − 1)!
= 𝑛𝑝 ∑ 𝑝 𝑥−1 (1 − 𝑝)𝑛−𝑥 = 𝑛𝑝
(𝑥 − 1)! (𝑛 − 𝑥)!
𝑥=1

Exemple : Lancée d’une pièce 10 fois

1
𝑌~Binomiale (𝑛 = 10, 𝑝 = )
6

 L’espérance de la variable aléatoire 𝑌

1 5
𝐸[𝑌] = 𝑛𝑝 = 10 × =
6 3

Exemple : Tirage de 05 Boules de l’urne

7
𝑌~Binomiale (𝑛 = 5, 𝑝 = )
39
  L’espérance de la variable aléatoire 𝑌

7 35
𝐸[𝑌] = 𝑛𝑝 = 5 × =
39 39

b.4. La variance

Définition : Variance d’une variable aléatoire Binomiale

Soit 𝑋 une variable aléatoire suivant la loi Binomiale de paramètre 𝑛 et 𝑝,
𝑋~Binomiale(𝑛, 𝑝), sa variance est :
𝑉(𝑋) = 𝑛𝑝(1 − 𝑝)
Preuve :
𝑉(𝑋) = 𝐸[𝑋 2 ] − 𝐸[𝑋]2 = (𝑛2 𝑝2 − 𝑛𝑝2 + 𝑛𝑝) − (𝑛𝑝)2 = 𝑛𝑝 − 𝑛𝑝2 = 𝑛𝑝(1 − 𝑝)
On a :
𝐸[𝑋(𝑋 − 1)] = 𝐸[𝑋 2 ] − 𝐸[𝑋] ⇒ 𝐸[𝑋 2 ] = 𝐸[𝑋(𝑋 − 1)] + 𝐸[𝑋]
𝑛 𝑛

𝐸[𝑋(𝑋 − 1)] = ∑ 𝑥(𝑥 − 1)𝑃(𝑋 = 𝑥) = ∑ 𝑥(𝑥 − 1) 𝐶𝑛𝑥 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥

𝑥=0 𝑥=2
𝑛
𝑛!
= ∑ 𝑥(𝑥 − 1) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! (𝑛 − 𝑥)!
𝑥=2
𝑛
𝑛!
=∑ 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
(𝑥 − 2)! (𝑛 − 𝑥)!
𝑥=2
𝑛
2
(𝑛 − 2)!
= 𝑛(𝑛 − 1)𝑝 ∑ 𝑝 𝑥−2 (1 − 𝑝)𝑛−𝑥 = 𝑛(𝑛 − 1)𝑝2
(𝑥 − 2)! (𝑛 − 𝑥)!
𝑥=1

Donc,
𝐸[𝑋 2 ] = 𝑛(𝑛 − 1)𝑝2 + 𝑛𝑝 = 𝑛2 𝑝2 − 𝑛𝑝2 + 𝑛𝑝

Exemple : Lancée d’une pièce 10 fois

1
𝑌~Binomiale (𝑛 = 10, 𝑝 = )
6

 La variance de la variable aléatoire 𝑌

1 5 50 25
𝑉(𝑌) = 𝑛𝑝(1 − 𝑝) = 10 × × = =
6 6 36 18

Exemple : Tirage de 05 Boules de l’urne

7
𝑌~Binomiale (𝑛 = 5, 𝑝 = )
39
  L’espérance de la variable aléatoire 𝑌

7 32 1120
𝑉(𝑌) = 𝑛𝑝(1 − 𝑝) = 5 × × =
39 39 392

b.5. La fonction génératrice des probabilités

Définition : Fonction génératrice d’une variable aléatoire Binomiale
Soit 𝑋 une variable aléatoire suivant la loi Binomiale de paramètre 𝑛 et 𝑝,
𝑋~Binomiale(𝑛, 𝑝), sa fonction génératrice des probabilités est :
𝑛
𝐺𝑋 (𝑡) = (𝑝𝑡 + (1 − 𝑝))

Preuve :
𝑛 𝑛 𝑛

𝐺𝑋 (𝑡) = 𝐸[𝑡 𝑋 ] = ∑ 𝑡 𝑥 𝑃(𝑋 = 𝑥) = ∑ 𝑡 𝑥 𝐶𝑛𝑥 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = ∑ 𝐶𝑛𝑥 (𝑝𝑡)𝑥 (1 − 𝑝)𝑛−𝑥

𝑥=0 𝑥=0 𝑥=0
𝑛
= (𝑝𝑡 + (1 − 𝑝))

b.6. La fonction génératrice des moments

Définition : Fonction génératrice des moments d’une variable aléatoire Binomiale

Soit 𝑋 une variable aléatoire suivant la loi Binomiale de paramètre 𝑛 et 𝑝,
𝑋~Binomiale(𝑛, 𝑝), sa fonction génératrice des moments est :
𝑛
𝑀𝑋 (𝑡) = (𝑝𝑡 + (1 − 𝑝))

Preuve :
𝑛 𝑛
𝑡𝑋 ]
𝑀𝑋 (𝑡) = 𝐸[𝑒 = ∑ 𝑒 𝑃(𝑋 = 𝑥) = ∑(𝑒 𝑡 )𝑥 𝐶𝑛𝑥 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑡𝑥

𝑥=0 𝑥=0
𝑛
𝑛
= ∑ 𝐶𝑛𝑥 (𝑝𝑒 𝑡 )𝑥 (1 − 𝑝)𝑛−𝑥 = (𝑝𝑒 𝑡 + (1 − 𝑝))
𝑥=0

Exemple : On va utiliser la fonction génératrice des moments pour calculer l’espérance et la

variance d’une variable aléatoire Binomiale de paramètres 𝑛 et 𝑝.
 Si 𝑋~Binomiale(𝑛, 𝑝), alors sa fonction génératrice des moments est donnée par :
𝑛
𝑀𝑋 (𝑡) = ((1 − 𝑝) + 𝑝𝑒 𝑡 )

 L’espérance : 𝐸[𝑋] = 𝑀𝑋′ (𝑡 = 0)

𝜕 𝜕 𝑛 𝑛−1
𝑀𝑋′ (𝑡) = 𝑀𝑋 (𝑡) = (((1 − 𝑝) + 𝑝𝑒 𝑡 ) ) = 𝑛𝑝𝑒 𝑡 ((1 − 𝑝) + 𝑝𝑒 𝑡 )
𝜕𝑡 𝜕𝑡
𝑀𝑋′ (𝑡 = 0) = 𝑛𝑝𝑒 0 (1 − 𝑝 + 𝑝𝑒 0 )𝑛−1 = 𝑛𝑝
  Le moment d’ordre 2 : 𝐸[𝑋 2 ] = 𝑀𝑋′′ (𝑡 = 0)
𝜕 𝜕 𝑛−1
𝑀𝑋′′ (𝑡) = 𝑀𝑋′ (𝑡) = (𝑛𝑝𝑒 𝑡 ((1 − 𝑝) + 𝑝𝑒 𝑡 ) )
𝜕𝑡 𝜕𝑡
𝑛−1 𝑛−2
= 𝑛𝑝𝑒 ((1 − 𝑝) + 𝑝𝑒 𝑡 )
𝑡
+ 𝑛(𝑛 − 1)(𝑝𝑒 𝑡 )2 ((1 − 𝑝) + 𝑝𝑒 𝑡 )
𝑀𝑋′′ (𝑡 = 0) = 𝑛𝑝 + 𝑛(𝑛 − 1)𝑝2 = 𝑛𝑝 + 𝑛2 𝑝2 − 𝑛𝑝2
 La variance : 𝑉(𝑋)

𝑉(𝑋) = 𝐸[𝑋 2 ] − 𝐸[𝑋]2 = 𝑛𝑝 + 𝑛2 𝑝2 − 𝑛𝑝2 − (𝑛𝑝)2 = 𝑛𝑝 − 𝑛𝑝2 = 𝑛𝑝(1 − 𝑝)

b.7. Le mode

Définition : Mode d’une variable aléatoire Binomiale

Soit 𝑋 une variable aléatoire suivant la loi Binomiale de paramètre 𝑛 et 𝑝,
𝑋~Binomiale(𝑛, 𝑝), son mode est :
[𝑛𝑝 + 𝑝] si 𝑝(𝑛 + 1) pas entier ou 𝑝 = 0
𝑥𝑚𝑜𝑑𝑒 = { 𝑝(𝑛 + 1) et 𝑝(𝑛 + 1) − 1 si 𝑝(𝑛 + 1) entier
𝑛 si 𝑝 = 1

Preuve :
Pour calculer le mode, il faut calculer :
𝑛! 𝑥+1 𝑛−𝑥−1
𝑃(𝑋 = 𝑥 + 1) 𝐶𝑛𝑥+1 𝑝 𝑥+1 (1 − 𝑝)𝑛−𝑥−1 (𝑥 + 1)! (𝑛 − 𝑥 − 1)! 𝑝 (1 − 𝑝)
= =
𝑃(𝑋 = 𝑥) 𝐶𝑛𝑥 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑛!
𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! (𝑛 − 𝑥)!
𝑛−𝑥 𝑝
=
𝑥 +11−𝑝
 Si 𝑃(𝑋 = 𝑥 + 1) = 𝑃(𝑋 = 𝑥)
𝑛−𝑥 𝑝
= 1 ⇒ 𝑥 = 𝑝(𝑛 + 1) − 1
𝑥 +11−𝑝
Cela implique que si 𝑛(𝑝 + 1) est un entier alors 𝑃(𝑋 = 𝑥 + 1) = 𝑃(𝑋 = 𝑥). Donc, il
existe deux modes, 𝑝(𝑛 + 1) et 𝑝(𝑛 + 1) − 1
 Si 𝑃(𝑋 = 𝑥 + 1) > 1
𝑛−𝑥 𝑝
> 1 ⇒ 𝑥 < 𝑝(𝑛 + 1) − 1
𝑥 +11−𝑝
Cela implique que si 𝑝(𝑛 + 1) n’est pas entier, alors il existe un seul mode, [𝑝(𝑛 + 1)]

Exemple : Lancée d’une pièce 10 fois

1
𝑌~Binomiale (𝑛 = 10, 𝑝 = )
6

 Le mode de la variable aléatoire 𝑌

 11
On a : 𝑝(𝑛 + 1) = qui n’est pas entier, alors on a un seul mode qui est :
6

11
𝑦𝑚𝑜𝑑𝑒 = [𝑛𝑝 + 𝑝] = [ ]=1
6

On peut vérifier ce résultat en calculant les différentes probabilités

 La fonction de masse de la variable aléatoire 𝑌

𝑦 1
𝑦
5 10−𝑦
𝑃(𝑌 = 𝑦) = 𝐶10 ( ) ( )
6 6

𝑦 0 1 2 3 4 5 6 7 8 9 10

𝑃(𝑌 = 𝑦) 0.1615 0.323 0.2907 0.155 0.054 0.013 0.002 0.0002 … … …

On remarque que 𝑃(𝑋 = 1) ≥ 𝑃(𝑋 = 𝑥), ∀𝑥 ∈ 𝑋(Ω).

Exemple : Soit la variable aléatoire 𝑋

3
𝑋~Binomiale (𝑛 = 4, 𝑝 = )
5

 Le mode de la variable aléatoire 𝑋

On a : 𝑝(𝑛 + 1) = 3 qui est entier, alors on deux modes qui sont :

𝑥𝑚𝑜𝑑𝑒 = 𝑝(𝑛 + 1) = 3 et 𝑥𝑚𝑜𝑑𝑒 = 𝑝(𝑛 + 1) − 1 = 2

On peut vérifier ce résultat en calculant les différentes probabilités

 La fonction de masse de la variable aléatoire 𝑋

3 𝑥 3 4−𝑥
𝑃(𝑋 = 𝑥) = 𝐶4𝑥 ( ) ( )
5 5

𝑥 0 1 2 3 4

𝑃(𝑋 = 𝑥) 0.0256 0.1536 0.3456 0.3456 0.1296

On remarque que 𝑃(𝑋 = 2) = 𝑃(𝑋 = 3) ≥ 𝑃(𝑋 = 𝑥), ∀𝑥 ∈ 𝑋(Ω).