L'approche de régression non-paramétrique à noyau discret fournit généralement des estimations de distributions discrètes, qui ne tiennent pas compte de l'incertitude sur les paramètres sous jacents de ces distributions. Dans ce travail, nous avons développé une approche bayésienne pour estimer l'incertitude autour des paramètres d'un modèle de régression discrète par noyau. L'estimation des densités a posteriori des paramètres est réalisée par des simulations de Monte Carlo de Chaines de Markov à l'aide du logiciel JAGS. Une illustration est proposée sur des données simulées d'un modèle de régression discrète. L'intervalle de crédibilité Bayésien des estimations est donné, et les performances de l'estimateur de régression non-paramétrique sont comparées selon différents noyaux associés discrets. La qualité d'ajustement est mesurée en termes de biais et de variance d'estimation. Le noyau associé discret qui permet d'obtenir les estimations les moins baisées ne fournit pas toujours la meilleure précision. La démarche développée dans ce travail permet notamment d'identifier les points sur lesquelles il y a une plus grande incertitude d'estimation, et d'évaluer la probabilité de sur- ou sous-estimer au niveau de ces points.