Probabilités ; Chapitre II

Variables aléatoires discrètes

Nous définissons une variable aléatoire discrète ainsi que sa loi probabilité, puis nous
déterminons ses principales caractéristiques. Nous étudions les lois discrètes usuelles.

I. Définitions et caractéristiques
Soient Ω l’univers d’une expérience aléatoire, P(Ω) l’ensemble de ses parties et P une
probabilité sur P(Ω) (ou sur un sous-ensemble de P(Ω)).

Définition1 Une variable aléatoire X : Ω → R est discrète si son image X(Ω) est un
sous-ensemble fini ou dénombrable de l’ensemble des réels R : X(Ω) = { x1, x2, …, xn / xi
réel}.
Sa loi de probabilité est alors donnée par les xi et leurs probabilités pi = P(X = xi), i = 1, 2, …,
n.
Elle est souvent représentée sur un tableau de la forme:
xi x1 x2 ………………………………… xi Total
………………………………………..…… xn
pi p1 p2 ………………………………... pi 1
……………………………………………. Pn

Sa fonction de répartition est la fonction F qui à tout réel x associe F(x) = P(X ≤ x) ϵ [0 , 1].
F est donc une fonction en escalier entièrement définie par les picc (probabilités cumulées
croissantes) comme suit: F(x) = 0 si x < x1, F(x) = p1 si x1 ≤ x < x2, F(x) = p1+p2 si x2 ≤ x < x3, ….,
F(x) = p1+p2+….+pi si xi ≤ x < xi+1, …., F(x) = 1 si x ≥ xn. Il est à noter que pi = F(xi) – F(xi-1) pour
tout i et que P(xi < x ≤ xj) = F(xj) – F(xi).
Définition2 L’espérance mathématique, la variance et l’écart-type d’une variable aléatoire
discrète X sont données respectivement par:
Espérance mathématique = E(X) = ∑pixi = p1x1+ …. +pnxn ;

Variance = V(X) = ∑pi(xi)2 – (E(X))2 = ∑pi(xi – E(X))2 ; Ecart-type = σ(X) = 𝑉(𝑋).

Propriétés Soient a, b deux constantes réelles et X, Y deux variables aléatoires discrètes.
On a les relations suivantes:
1.​ E(a X + b) = a E(X) + b ;
2.​ V(a X + b) = a2 V(X) ;
3.​ E(a X + b Y) = a E(X) + b E(Y) ;
4.​ Si X et Y sont indépendantes alors V(a X + b Y) = a2 V(X) + b2 V(Y) ;
5.​ Si X et Y sont indépendantes alors E(XY) = E(X)E(Y).
Exercice1 Soit X la variable aléatoire représentant le nombre de filles que l’on peut observer
dans une quelconque famille de trois enfants.
a)​ Déterminer sa loi de probabilité et sa fonction de répartition ;
b)​ Calculer son espérance mathématique, sa variance et son écart-type.
Solution
a. L’expérience aléatoire est le tirage des enfants d’une famille à trois enfants. Son univers Ω
est donc un ensemble de triplets : Ω = { (E1, E2, E3) / Ei = Fille ou Garçon }. Son cardinal est
donc Card(Ω) = 23 = 8, d’après le principe multiplicatif. Les probabilités étant donc calculées à
l’aide de la probabilité de Laplace (Ω fini et équiprobabilité), nous obtenons la loi de
probabilité de X représentée par les deux premières lignes du tableau ci-dessous :
xi 0 1 2 3 Total
pi 1/8 3/8 3/8 1/8 1
pixi 0 3/8 6/8 3/8 3/2
Pi(xi)2 0 3/8 12/8 9/8 3
picc 1/8 4/8 7/8 1 Xxx

La dernière ligne des picc montre que la fonction de répartition de X est définie par : F(x) = 0 si
x < 0, F(x) = 1/8 si 0 ≤ x < 1, F(x) = 1/2 si 1 ≤ x < 2, F(x) = 7/8 si 2 ≤ x < 3 et F(x) = 1 si x ≥ 3.
b. D’après les définitions précédentes et les calculs effectués sur le tableau ci-dessus on a :
Espérance mathématique de X = E(X) = ∑pixi =3/2 ;

Variance = V(X) = ∑pi(xi)2 – (E(X))2 = 3 – (3/2)2 = 3 - 9/4 = 3/4 ; Ecart-type de X = σ(X) = 3/2.
Exercice2 Dans une boite sont placés cinq jetons numérotés de 1 à 5. On tire simultanément
deux jetons en supposant que tous les tirages de deux jetons sont équiprobables. On note X
la variable aléatoire représentant la somme des deux numéros indiqués sur les 2 jetons tirés.
a)​ Déterminer la loi de probabilité de X et sa fonction de répartition ;
b)​ Calculer l’espérance mathématique et la variance de X ;
c)​ Soit la variable aléatoire Y = 2 X – 11. Calculer E(Y), V(Y), E(X + Y) et V(X + Y).
Solution
a. L’expérience aléatoire est le tirage de deux jetons. Son univers Ω est donc un ensemble de
couples : Ω = { (J1, J2) / Ji est un jeton de la boite}. Puisque les deux jetons sont tirés
simultanément alors les numéros ne peuvent pas se répéter et l’ordre n’importe pas, donc
2
Card(Ω) = 𝐶5 = 10. Les probabilités étant donc calculées à l’aide de la probabilité de Laplace,
la loi de probabilité de X est représentée par les deux premières lignes de ce tableau :
xi 3 4 5 6 7 8 9 Total
pi 1/10 1 /10 2/10 2/10 2/10 1/10 1/10 1
pixi 3/10 4/10 10/10 12/10 14/10 8/10 9/10 6
Pi(xi)2 9/10 16/10 50/10 72/10 98/10 64/10 81/10 39
picc 1/10 2/10 4/10 6/10 8/10 9/10 1 Xxx

La dernière ligne des picc montre que la fonction de répartition de X est définie par :
F(x) = 0 si x < 3, F(x) = 1/10 si 3 ≤ x < 4, F(x) = 2/10 si 4 ≤ x < 5, F(x) = 4/10 si 5 ≤ x < 6,
F(x) = 6/10 si 6 ≤ x < 7, F(x) = 8/10 si 7 ≤ x < 8, F(x) = 9/10 si 8 ≤ x < 9 et F(x) = 1 si x ≥ 9.
b. D’après les définitions précédentes et les calculs effectués sur le tableau ci-dessus on a :
Espérance mathématique de X = E(X) = ∑pixi =6 ;

Variance de X = V(X) = ∑pi(xi)2 – (E(X))2 = 39 – 36 = 3 et donc écart-type de X = σ(X) = 3.

c. Soit Y = 2 X – 11. Y est de la forme a X + b et donc d’après les propriétés du cours on a :
E(Y) = E(a X + b) = a E(X) + b = 2 (6) – 11 = 1 ; V(Y) = V(a X + b) = a2 V(X) = 4 (3) = 12 ;
E(X + Y) = E(X) + E(Y) = 7 = E(3 X – 11) = 3 E(X) – 11 ; V(X + Y) = V(3 X – 11) = 27. ​
Exercice3 On lance quatre fois de suite une pièce de monnaie et on considère la variable
aléatoire X représentant le nombre de faces obtenues.
a)​ Etablir la loi de probabilité et la fonction de répartition de X ;
b)​ Calculer l’espérance mathématique et la variance de X ;
c)​ Quelle est la probabilité d’avoir plus de deux faces ?
Exercice4 Lors d’un jeu, on lance simultanément deux dés standards et on considère la
variable aléatoire définissant la somme des deux résultats obtenus.
a)​ Donner la loi de probabilité de X puis calculer son espérance mathématique ;
b)​ Pour un joueur, est-il profitable de parier sur une somme paire ou impaire ?
c)​ Quelle est la probabilité d’obtenir une somme divisible par 3 ?
Exercice5 Soient a, b deux constantes réelles et X, Y deux variables aléatoires discrètes.
Montrer qu’on a les relations suivantes:
a)​ E(a X + b) = a E(X) + b ; b) V(a X + b) = a2 V(X) ; c) E(a X + b Y) = a E(X) + b E(Y).

II. Lois discrètes usuelles

L’étude d’un phénomène aléatoire peut se faire à l’aide de la statistique descriptive par
considération d’une variable statistique et effectuation d’un sondage, par exemple.
Malheureusement, plusieurs éventualités du phénomène peuvent échapper à une telle
étude. Au contraire, la modélisation du phénomène par une loi de probabilité théorique
permet de calculer la probabilité de toute éventualité associée au phénomène aléatoire
considéré. Nous étudions ici certaines lois de probabilité discrètes souvent utilisées en
pratique. Ces lois sont construite à partir d’une loi de base dite loi de Bernouilli.
II.1. Loi de Bernouilli
Définition Une variable aléatoire discrète X suit une loi de Bernouilli de paramètre p si X
consiste en une alternance entre deux états uniques : le succès S de probabilité p et l’échec E
de probabilité 1 – p = q. Quantitativement, l’échec se traduit par 0 et le succès par 1.
La loi de probabilité de X est donc
xi 0 1 Total
pi 1–p P 1
Son espérance mathématique est E(X) = p et sa variance est V(X) = p(1 – p). Le schéma de
Bernouilli est le plus simple des modèles probabilistes, il indique la réalisation éventuelle du
succès de probabilité p. Par exemple, si on tire une pièce de la production d’une fabrique au
niveau de laquelle 20% des pièces produite sont défectueuses et on considère la variable
aléatoire représentant le nombre de pièces défectueuses obtenues, alors X suit une loi de
Bernouilli de paramètre p = 0,2.
II.2. Loi Binomiale
Définition Une variable aléatoire discrète X suit une loi Binomiale de paramètres n et p,
notée X ~ B(n , p), si X consiste en la succession de n épreuves de Bernouilli indépendantes
de même paramètre du succès p.
𝑖
La loi de probabilité de X est définie par : X(Ω) = {0 , 1 , …. , n} et pi = P(X = i) = 𝐶𝑛pi(1-p)n-i
pour tout 0 ≤ i ≤ n. Son espérance mathématique E(X) = np et sa variance est V(X) = np(1-p).
Des tables permettant d’éviter le calcul de probabilités par des lois binomiales sont
disponibles. Notons à ce niveau que l’hypothèse d’indépendance peut être supposée dès
que la taille N de la population est assez grande part rapport au nombre n de répétitions non
nécessairement indépendantes, il suffit d’avoir n < N/10.
Propriétés

1.​ Si X ~ B(n , p) alors X = X1 + X2 + … + Xn, Xi étant la iième épreuve de Bernouilli ;

2.​ Si X ~ B(n1 , p) et Y ~ B(n2 , p) et sont indépendantes alors X + Y ~ B(n1 + n2 , p).
Propriété valable pour toute somme finie de telles lois binomiales indépendantes;
(𝑛−𝑖+1)𝑝
3.​ Si X ~ B(n , p) alors P(X = i) = 𝑖(1−𝑝)
𝑃(𝑋 = 𝑖 − 1) pour tout 1 ≤ i ≤ n.

Exemple Soit une population formée de N1 individus vérifiant une propriété S (succès) et N2
individus ne la vérifiant pas. On tire avec remise n individus (avec n < N1 et n < N2) et on note
X la variable aléatoire représentant le nombre d’individus vérifiant S obtenus. Alors X suit
une loi binomiale de paramètres n et p = N1/(N1 + N2) : X ~ B(n , N1/(N1 + N2)). Si les tirages
sont sans remise alors l’indépendance peut être supposée dès que n < (N1+N2)/10.
Exercice6 Un vendeur de voiture arrive à convaincre 20% de ses clients à acheter les voitures
qu’ils choisissent. Un jour donné, 10 clients dont les choix sont indépendants se sont
présentés dans son magasin. Calculer la probabilité qu’il vende ce jour là
a)​ aucune voiture, b) au plus trois voitures, c) au moins deux voitures,
d) plus de quatre voitures, e) moins de cinq voitures, f) deux voitures.
Solution
Le modèle de base est le choix d’une voiture par un client. Deux éventualités sont alors
possibles, ou bien la voiture est vendue (succès) ou bien elle ne l’est pas (échec). Il s’agit
donc d’une épreuve de Bernouilli de paramètre p = 20%. Les 10 choix étant indépendants, la
variable aléatoire X représentant le nombre de voitures vendues parmi les 10 voitures
choisies suit alors une loi binomiale de paramètres n = 10 et p = 0,2 : X ~ B(10 , 0,2). Ainsi en
utilisant les formules ou plus simplement la table qui donne P(X ≤ i) pour chaque i compris
entre 0 et 10, les probabilités cherchées sont alors facilement calculées comme suit:
a. P(X = 0) = 0,1074 ; b. P(X ≤ 3) = 0,879 ;
c. P(X ≥ 2) = 1 –P(X < 2) = 1 – P(X ≤ 1) = 1 – 0,375 = 0,625 ;
d. P(X > 4) = P(X ≥ 5) = 1 – P(X < 5) = 1 - P(X ≤ 4) = 1 – 0,967 = 0,033 ;
e. P(X < 5) = P(X ≤ 4) = 0,967 ; f. P(X = 2) = P(X ≤ 2) – P(X ≤ 1) = 0,677 – 0,375 = 0,302.
Exercice7 Dans une grande population humaine on sait que les cadres sont en proportion de
30%. Calculer la probabilité qu’un groupe de 10 personnes considérées au hasard contienne
a)​ un seul cadre, b) entre 2 et 7 cadres, c) 10 cadres, d) au moins 3 cadres.
Solution
Le modèle de base est le choix aléatoire d’une personne. Deux éventualités sont alors
possibles, ou bien la personne est un cadre (succès) ou bien elle ne l’est pas (échec). Il s’agit
donc d’une épreuve de Bernouilli de paramètre p = 30%. La taille de la population étant
considérée assez grande, les 10 choix peuvent alors être supposés indépendants. Ainsi, la
variable aléatoire X représentant le nombre de cadres parmi les 10 personnes choisies suit
alors une loi binomiale de paramètres n = 10 et p = 0,3 : X ~ B(10 , 0,3). En utilisant les
formules ou la table, les probabilités cherchées sont facilement calculées comme suit :
a. P(X = 1) = P(X ≤ 1) – P(X = 0) = 0,149 – 0,028 = 0,121 ;
b. P(2 ≤ X ≤ 7) = P(1 < X ≤ 7) = P(X ≤ 7) – P(X ≤ 1) = 0,997 – 0,149 = 0,848 ;
c. P(X = 10) = P(X ≤ 10) – P(X ≤ 9) = 1 – 0,999 = 0,001 ;
d. P(X ≥ 3) = 1- P(X < 3) = 1 - P(X ≤ 2) = 1 – 0,382 = 0,618.
II.3. Loi hypergéométrique
Soit une population de taille N = N1 + N2, N1 individus vérifiant une propriété S (succès) et N2
individus ne la vérifiant pas. Le bons sens d’effectuer des tirages est de ne pas prendre le
même individu plus d’une fois. Ceci renvoie à des tirages sans remise et donc à des épreuves
de Bernouilli dépendantes. D’où l’importance du schéma hypergéométrique qui consiste en
une succession d’épreuves de Bernouilli non nécessairement indépendantes. En effectuant n
tirages sans remise (avec n < N1 et n < N2) et en notant p = N1/N, on a la définition suivante :
Définition La variable aléatoire discrète X représentant le nombre d’individus vérifiant S
parmi les n individus tirés suit une loi Hypergéométrique de paramètres N et n et p. Ce qu’on
note X ~ H(N, n , p). On a : X = ∑Xi, Les Xi étant des épreuves de Bernouilli dépendantes.

La loi de probabilité de X est définie par : X(Ω) = {0 , 1 , …. , n} et pour tout i compris entre 0
𝑖 𝑛−𝑖 𝑛
et n on a pi = P(X = i) = 𝐶𝑁1𝐶𝑁2 /𝐶 . Son espérance mathématique est E(X) = np et sa
𝑁
variance est donnée par V(X) = np(1-p)(N-n)/N-1. Notons à ce niveau qu’en pratique
l’indépendance est supposée dès que n < N/10 : H(N, n , p) est approximée par B(n , p).

Exercice8 A un guichet se présentent deux femmes et trois hommes desquels on veut choisir
au hasard deux personnes pour un entretien. Notons X la variable aléatoire discrète
représentant le nombre de femmes choisies.
a)​ Etablir la loi de probabilité de X et calculer E(X) et V(X) ;
b)​ Quelle est la probabilité qu’au moins une femme soit choisie ?
Solution
a. Le modèle de base est le choix aléatoire d’une personne. Deux éventualités sont alors
possibles, ou bien la personne est une femme (succès) ou bien elle est un homme (échec). Il
s’agit donc d’une épreuve de Bernouilli de paramètre p = 2/5. La taille de la population étant
petite (N = 5) et les tirages sont évidement sans remise alors les deux choix sont dépendants.
Ainsi, la variable aléatoire X considérée suit une loi hypergéométrique de paramètres N = 5
et n = 2 et p = 2/5 : X ~ H(5, 2 , 2/5). Son espérance mathématique est donc E(X) = np = 4/5
et sa variance est V(X) = np(1-p)(N-n)/N-1 = 2×2/5×3/5×3/4 = 9/25.
1 1 2 2 0 2
b. P(X ≥ 1) = P(X = 1) + P(X = 2) = 𝐶2𝐶3/𝐶 + 𝐶 𝐶 /𝐶 = 7/10.
5 2 3 5

Exercice9 A un entretien pour 10 postes différents se sont présentées 233 hommes et 304
femmes. Notons X la variable aléatoire discrète représentant le nombre de femmes choisies.
a)​ Etablir la loi de probabilité de X et calculer E(X) et V(X) ;
b)​ Quelle est la probabilité que 5 femmes soient choisies ?
Solution
a. Le modèle de base est le choix aléatoire d’une personne. Deux éventualités sont alors
possibles, ou bien la personne est une femme (succès) ou bien elle est un homme (échec). Il
s’agit donc d’une épreuve de Bernouilli de paramètre p = 304/537. Les tires étant évidement
sans remise alors la variable aléatoire discrète X suit une loi hypergéométrique de
paramètres N = 537 et n = 10 et p = 304/537 : X ~ H(537, 10 , 304/537). La taille de la
population étant assez grande par rapport au nombre de tirage (n = 10 < N/10 = 537/10)
alors on peut supposer que les dix choix sont indépendants et approximer la loi de X par une
loi binomiale de paramètres n = 10 et p = 304/537 : X ~ B(10 , 304/537). Son espérance
mathématique est donc E(X) = np = 10×304/537 = 3040/537 = 5,6611 et sa variance est
donnée par V(X) = np(1-p) = 10×304/537×233/537 = 2,4563.
 5
b. P(X = 5) = P(X ≤ 5) – P(X ≤ 4) = 𝐶10(304/537)5(233/537)5 = 0,0322

II.4. Loi de Poisson

La loi de Poisson, due au mathématicien français Siméon Denis Poisson et appelée encore loi
des phénomènes rares, s’applique pour une large classe de problèmes de gestion. Par
exemple, nombre de pièces défectueuses dans un échantillon de grande taille prélevé à
partir de la production d’une fabrique au niveau de laquelle la proportion des pièces
défectueuses est très faible. Cette loi consiste à répéter un grand nombre (ou une infinité) de
fois et de façons indépendantes une épreuve de bernouilli de paramètre (probabilité du
succès) p assez petit et de sorte que np = m. Elle est formellement définie comme suit :
Définition Une variable aléatoire discrète X suit une loi Poisson de paramètre m si, et
seulement si, tout entier naturel i est un élément de X(Ω) et sa probabilité est donnée par
P(X = i) = mie-m/i!. On note X ~ P(m). Elle consiste en la succession d’un grand nombre n
d’épreuves de Bernouilli indépendantes de même paramètre p assez petit avec np = m.
Son espérance mathématique et sa variance sont identiques E(X) = V(X) = m. Des tables
permettant d’éviter le calcul de probabilités par des lois de Poisson sont disponibles.
Propriétés

1.​ Si X ~ P(m1) et Y ~ P(m2) et sont indépendantes alors X + Y ~ P(m1 + m2). Cette

propriété reste valable pour toute somme finie de lois de Poisson indépendantes;
2.​ Si X ~ P(m) alors P(X = i)/P(X = i-1) = m/i pour tout entier naturel i. Les probabilités
augmentent tant que i ≤ m puis diminuent pour i ≥ m, P(X = m) est maximale ;
3.​ Si X ~ B(n , p) avec n assez grand (tend vers plus l’infini) et p assez petit (tend vers 0)
alors la loi de X est approximée par la loi de Poisson de paramètre m = np : X ~ P(m).
En pratique, l’approximation est adoptée lorsque n > 50 et p < 0,1 et np = m.
Exercice10 Suppose que le nombre de cadres, que l’on peut observer dans un échantillon
tiré d’une population donnée, soit une variable aléatoire discrète qui suit une loi de Poisson
de paramètre m = 4. Calculer la probabilité d’avoir
a)​ deux cadres, b) plus de 4 cadres, c) entre 3 et 8 cades.
Solution
Notons X la variable aléatoire discrète représentant le nombre de cadres observés dans
l’échantillon prélevé de la population considérée. Nous avons X ~ P(4). Ainsi la table et/ou
les formules associées à cette loi conduisent facilement aux probabilités cherchées.
a. P(X = 2) = P(X ≤ 2) - P(X ≤ 1) = 0,238 – 0,091 = 0,147 ;
b. P(X > 4) = P(X ≥ 5) = 1 – P(X < 5) = 1 – P(X ≤ 4) = 1 – 0,628 = 0,372 ;
c. P(3 ≤ X ≤ 8) = P(2 < X ≤ 8) = P(X ≤ 8) - P(X ≤ 2) = 0,978 – 0, 238 = 0,74.
Exercice11 On admet que 5% des pièces en sortie d’une fabrique sont défectueuses. Calculer
la probabilité que le nombre de pièces défectueuses observées dans un échantillon de 60
pièces tirées au hasard de la production de cette fabrique soit
a)​ quatre pièces, b) au moins 6 pièces, c) au plus 3 pièces.

Solution
Le modèle de base est le tirage d’une pièce. Deux éventualités sont alors possibles, ou bien la
pièce est défectueuse (succès) ou bien elle est saine (échec). Il s’agit donc d’une épreuve de
Bernouilli de paramètre p = 5%. La taille de la population (la production totale de la fabrique)
peut être considérée assez grande (il suffit que N > 600) pour pouvoir supposer
l’indépendance des 60 tirages. La variable aléatoire X représentant le nombre des pièces
défectueuses parmi les 60 pièces tirées suit donc une loi binomiale de paramètres n = 60 et p
= 0,05. Or n = 60 > 50 et p = 0,05 < 0,1 et np = 60×0,05 = 3 alors la loi de X peut être
approximée par la loi de Poisson de paramètre m = 3 : X ~ P(3). La table et/ou les formules
associées à cette loi conduisent alors facilement aux probabilités cherchées comme suit :
a. P(X = 4) = P(X ≤ 4) - P(X ≤ 3) = 0,815 - 0,647 = 0,168 ;
b. P(X ≥ 6) = 1 – P(X < 6) = 1 - P(X ≤ 5) = 1 – 0,916 = 0,084 ; c. P(X ≤ 3) = 0,647.
II.5. Loi de Pascal et loi géométrique
Le modèle de base étant toujours une épreuve de Bernouilli de paramètre p. On ne
s’intéresse plus au nombre de succès obtenus après un nombre fixé d’épreuves (tirages),
mais plus tôt au nombre inconnu d’épreuves successives et indépendantes nécessaires pour
la réalisation du kième succès, k ≥ 1. La variable aléatoire représente ici le nombre d’épreuves.
Définition Soit k un entier naturel ≥ 1. Une variable aléatoire discrète X suit une loi de Pascal
de paramètre p si, et seulement si, X représente le nombre d’épreuves de Bernouilli
indépendantes à réaliser pour obtenir pour la kième fois le succès de probabilité p. Dans le cas
particulier où k = 1, on dit que X suit une loi géométrique de paramètre p notée X ~ G(p).

La loi de probabilité de X est définie par : tout entier naturel i ≥ k est un élément de X(Ω) et
𝑘−1
sa probabilité est donnée par pi = P(X = i) = 𝐶𝑖−1 pk(1-p)i-k. Son espérance mathématique est
E(X) = k/p et sa variance est V(X) = k(1-p)/p2. Dans le cas de la loi géométrique (k = 1) on a P(X
= i) = p(1-p)i-1, il en découle facilement que P(X ≤ i) = 1 – (1-p)i pour tout i ≥ 1.
Exercice12 Suppose que 5% des pièces produites par une machine sont défectueuses.
Calculer la probabilité que la première (respectivement la seconde) pièce défectueuse ne
soit pas l’une des 20 premières pièces tirées de la production de la machine considérée.
Solution
Le modèle de base est le tirage d’une pièce, ceci renvoie à une épreuve de Bernouilli de
paramètre p = 5%. La production totale de la machine peut être assez grande pour pouvoir
supposer l’indépendance des tirages successifs. Notons X (respectivement Y) la variable
aléatoire discrète représentant le nombre de tirages successifs nécessaires pour obtenir la
première (respectivement la deuxième) pièce défectueuse. Il est clair que la variable X suit
une loi géométrique de paramètre 5% et que la variable Y suit une loi de Pascal de même
paramètre p = 5%. Il suffit alors de calculer P(X ≥ 21) et P (Y ≥ 21) en utilisant les formules.
P(X ≥ 21) = ∑0,05(0,95)k-1 = 0,05(0,95)20(1-0,95 )/(1-0,95) = 0,9520 = 0,3585. De même on
calcule P(Y ≥ 21) par application des formules caractérisant la loi de Pascal, k = 2.