Chapitre 1

CHAPITRE 1
LOIS DISCRETES USUELLES

loi de Bernouilli
o Définition : nous dirons qu’une

variable aléatoire discrète est une
indicatrice ou suit une loi de
Bernoulli de paramètre p si elle ne
prend que deux valeurs 0 et 1 avec
les probabilités : p et (1-p).
o Cette définition est issue d’une
expérience qu’on appelle expérience
ou épreuve de Bernouilli.
2
loi de Bernouilli
o Une épreuve de Bernouilli est une
expérience aléatoire dont l ’ensemble des
résultats peut se résumer à deux états:
1) un succès
2) un échec.
o Nous noterons la probabilité d ’un succès p
et celle d ’un échec q = 1-p.
o On dit que X suit la loi de Bernouilli ssi:
 P[X = 1] = p

 P [ X = 0] = 1 − p
Exemples:
1- On lance une pièce de monnaie et on définit
un succès par « pile » et un échec par « face »:
p = 1/2 et q = 1/2.
2- Un jeu de roulette contient 38 cases, 18 sont
rouges, 18 sont noirs et 2 sont vertes. Les
cases gagnantes sont les cases rouges:
p = 18/38 (= 9/19) et q = 20/38 (= 10/19).
4
Exemple d’application:
On effectue un sondage auprès de 2500
électeurs en vue de connaître leur
intention de vote pour le candidat M. LM.
Les réponses sont oui pour M. LM ou non
pour M. LM
Supposons que la proportion des oui dans
l’échantillon est égale à 55%.
Si on considère « obtenir oui » est un
succès alors la variable aléatoire de
Bernouilli est définie par:
 P[X = 1] = 0,55

 P[X = 0] = 0,45
5
Loi de probabilité binômiale
Définition:
Considérons une expérience aléatoire
qui consiste à répéter n fois de suite, et
de façon indépendante, une même
épreuve de Bernouilli.
Définissons X = le nombre de succès
obtenus au cours de ces n épreuves.
6
Alors, X est une variable aléatoire discrète
avec une loi de probabilité que l ’on appelle
binômiale de paramètres n et p, où
n = le nombre d’épreuves (d’essais)
p = probabilité de succès à chaque épreuve
Notation: X → B(n ; p).
7
Exemple:
On lance 10 fois une pièce de
monnaie. Quelle est la probabilité
de voir le côté « Pile » apparaître
trois fois?
Les cas possibles sont:
(P,P,P,F,F,F,F,F,F,F);
(P,F,P,F,P,F,F,F,F,F)….
3
Il y’a C possibilités.
10
8
Exemple:
On applique la propriété de l’intersection

Des événements indépendants pour
calculer la probabilité de voir le côté
« Pile » apparaître trois fois:
3 7
13 1
P=C  10  
2 2
Fonction de probabilité d ’une variable soumise
à une loi binômiale
Dans notre exemple, X peut prendre les

valeurs suivantes: S = {0, 1, 2, 3, 4,…,10}
Nous voulons maintenant établir le
tableau de la distribution de probabilités
de cette variable, soit:
xi 0 1 2 3 ….. 10
p(xi) = P[X = xi]
10
Dénombrements
Si X=0, alors aucun succès, i.e. 10

échecs:
E E ….. E
Si X=1, alors 1 succès et 9 échecs:
S E ….. E
E S ….. E
E E S E
…… ….. …… ……
E E …… S
Et ainsi de suite pour X=2, X=3… et
11
X=10.
Formule générale de p(k) pour une loi
binômiale
Soit X une variable aléatoire discrète

avec une loi de probabilité binômiale de
paramètres n et p, c.-à-d. X→ B( n ; p),
alors,
S = {0, 1, 2, 3, …, n}
p(k) = P[X = k ] = C kn p k q n-k ∀ k ∈{0, 1, 2, 3, ..., n}
12
Exemple
Dans une urne il y a 3 boules blanches et
2 noires.
On tire au hasard 1 boule et on la remet.
On répète 4 fois cette épreuve.
Considérons X la variable aléatoire qui
compte le nombre de boules blanches
obtenues.
Justifions que X suit la loi binomiale dont on
donnera les paramètres.
On répète 4 fois la même épreuve de
manière identique et indépendante.
Exemple
Chaque épreuve a deux

éventualités :
Le succès : « on a tiré une boule
blanche » avec la probabilité p=3/5.
L’échec : « on a une boule noir » avec la
probabilité q=1-p=2/5.
X suit la loi binomiale B(4,3/5).
Exemple
4
2
P ( X = 0) =  
5
3
 3  2 
1
P ( X = 1) = C    
4
 5  5 
2 2
3 2
2
P( X = 2) = C    
4
5 5
3
3 3   2 
P ( X = 3) = C 4    
5 5
4
3
P( X = 4) =  
5
Espérance et variance d ’une variable
soumise à une loi binômiale
Théorème:
Si X→ B( n ; p) alors,
E [X] = np
V [X] = npq
Revenons à l’exemple précédent
E [X] = 4 x 3/5 =12/5
V [X] = 4 x 2/5 x 3/5 = 24/5
16
Somme de variables soumises à des
lois binômiales
Théorème:
Soit X1 →B(n1;p), X2 →B(n2;p), …, Xn →
B(nn;p),
n variables aléatoires discrètes binômiales
indépendantes les unes des autres.
Soit Y = X1+ X2+ …+ Xn , alors
Y→ B(n1 + n2 + … + nn ; p).
17
Loi de probabilité de Poisson
Soit λ > 0 et X une variable aléatoire telle que

S={0, 1, 2, 3, …} , c.-à-d. S est l ’ensemble des
nombres entiers, et
 e -λ λ k
 ∀ k∈N
p(k) = P[X = k] =  k!
 0 ailleurs
alors X est une variable aléatoire discrète

soumise à une loi de Poisson de paramètre λ,
et noté X→ P(λ).
18
Espérance et variance d ’une variable soumise à
une loi de Poisson
Théorème:
Si X→ P(λ) alors,
E [X] = λ et V [X] = λ .
Exemple: Une compagnie d ’assurances reçoit,

en moyenne, 4,5 réclamations par jour.
Déterminer la probabilité que, durant une
certaine journée, le nombre de réclamations
reçues soit inférieur ou égale à 2.
19
Exemple (suite) :
Soit X = nombre de réclamations reçues
dans une journée.
On suppose que X→ P(λ = 4,5).
P[ X ≤ 2 ] = p(0) + p(1) + p(2)
-4 , 5 0 -4 , 5 1 -4 , 5 2
e ( 4,5) e ( 4,5) e ( 4,5)
= + +
0! 1! 2!
= 0,0111 + 0,0500 + 0,1125 = 0,1736
20
EXEMPLE
Un standard téléphonique reçoit en

moyenne 0,7 appel à la minute.
Quelle est la probabilité pour que,
entre 09 h 59 et 10 h, il reçoive :
a) 0 appel
b) 1 appel
c) plus d'un appel
EXEMPLE
Soit X la loi de survenance des appels qui

suit la loi de Poisson P(0,7).
a) P("0 appel") = P(X=0) = e-0,7 *0,7^0 /0!
=0,4966
b) P("1 appel") = P(X=1) = e-0,7* 0,7^1 /1!
= 0,3476
c) P("plus d'un appel ") = 1 - P(X ≤ 1) = 1 -
(P(X=0) + P(X=1)) = 0,1558
Théorème: approximation d ’une loi binômiale
par une loi de Poisson
Soit X→ B(n ; p) ,
si n → ∞ (c ’est-à-dire si n est grand)
et si p → 0 (c ’est-à-dire si p est petit)
alors X→ ≈ P(λ) où λ = np .
Plus n est grand et p petit, plus cette
approximation est juste.
En pratique, nous considérons qu ’elle
est valable lorsque n ≥ 50 et np ≤ 10.
23
EXEMPLE
Dans une chaîne de fabrication, 5% des pièces
sont défectueuses ; on prélève une pièce, on
examine si elle est défectueuse et on la replace
parmi les autres. On répète 120 fois cette
expérience. On désigne par X la variable aléatoire
qui à chaque tirage de 120 pièces associe le
nombre des pièces défectueuses.
1° X suit la loi binomiale, précisez ses
paramètres.
2° Calculer la probabilité que le nombre de pièces
défectueuses soit égale à 5?
3° Peut-on approximer cette loi par une loi
poissonnienne? Calculer dans ce cas la probabilité
ci-dessus.

Chapitre 1

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 1

Transféré par

Droits d'auteur :

Formats disponibles

CHAPITRE 1

LOIS DISCRETES USUELLES

o Définition : nous dirons qu’une

On applique la propriété de l’intersection

Dans notre exemple, X peut prendre les

Si X=0, alors aucun succès, i.e. 10

Soit X une variable aléatoire discrète

p(k) = P[X = k ] = C kn p k q n-k ∀ k ∈{0, 1, 2, 3, ..., n}

Chaque épreuve a deux

Soit λ > 0 et X une variable aléatoire telle que

alors X est une variable aléatoire discrète

Exemple: Une compagnie d ’assurances reçoit,

Un standard téléphonique reçoit en

Soit X la loi de survenance des appels qui

Vous aimerez peut-être aussi