Processus Stochastiques

RAPPEL PROBABILITÉS
Rappel probabilités
2
 Théorie des probabilités

 Probabilités conditionnelles

 Variables aléatoires
 Variables aléatoires discrètes
 Variables aléatoires de Poisson
 Variables aléatoires continues
 Variables aléatoires exponentielles
Rappel probabilité
Théorie des probabilités 3
 Le but de la théorie des probabilités est de fournir un modèle mathématique
pour décrire les phénomènes aléatoires.

 Cette théorie contient trois ingrédients :

 l’univers,
 les événements,
 la mesure de probabilité.
Rappel probabilité
Théorie des probabilités 4
 Univers : ensemble, noté S, dont les éléments correspondent à tous les résultats
possibles de l’expérience aléatoire que l’on cherche à modéliser. Appelé
aussi l’espace échantillon.

Exemples
 Tirage d’une pièce de monnaie : S = {P,F}
 Lancement d’un dé S = {1,2,3,4,5,6}
 Lancement successive de 2 dés: S = {(i, j) ∈ {1,2,3,4,5,6} × {1,2,3,4,5,6}}
Rappel probabilité
Théorie des probabilités 5
 Événement : est une propriété dont on peut dire si elle est vérifiée ou non une
fois le résultat de l’expérience connu. Mathématiquement, un événement est
caractérisé par l’ensemble des résultats dans lesquels il est réalisé (un tel
résultat est alors appelé une réalisation de l’événement).
Exemples
On lance successivement 2 dés: S = {(i, j) ∈ {1,2,3,4,5,6} × {1,2,3,4,5,6}}
 L’événement « le second lancer est un 6 » :{ i, 6 : 𝑖 ∈ {1,2,3,4,5,6}}
 L’événement « le premier lancer est supérieur au second » :{(i, j) ∈ S ∶ i > 𝑗}
Rappel probabilité
Théorie des probabilités 6
 La mesure de probabilité : en possession d’un sous-ensembe E de S on
cherche à attribuer à ses éléments une probabilité P(E), qui représente le
degré de confiance que l’on a en sa réalisation. P(E) sont des nombres réels
compris dans l’intervalle [0;1]. Plus la probabilité est proche de 1, plus notre
confiance dans la réalisation de l’événement est grande.
Rappel probabilité
Variables aléatoires 7
Une variable est dite aléatoire lorsque la grandeur qu’elle mesure dépend du
hasard.
Exemple

 Le résultat du lancer d’une pièce de monnaie (pile ou face). On peut associer

à cet événement la valeur 1 pour pile et 0 pour face (loi de Bernouilli).
 Considérons l'expérience du lancement de deux dés. Le résultat qui nous
intéresse est la somme des faces des deux dés que nous dénotons par la
variable aléatoire X : X variable entière prenant une valeur entre 2 et 12 :
P(X=2), P(X=3) et P(X=12) ?
1
P(X=2) = P({1,1}) =
36
2
P(X= 3) = P({1,2},{2,1}) =
36
1
P(X=12) = P({6,6}) =
36
Rappel probabilité
Probabilités conditionnelles 8
Considérons deux sous-ensembles E et F de l'espace échantillon S : E,F ⊂ S.
 Nous désirons déterminer la probabilité conditionnelle que le résultat de
l'expérience soit dans E étant donné que nous savons que le résultat est dans
F noté : P(E|F)
 Si le résultat est dans F, pour qu'il soit aussi dans E il faut que le résultat soit à la
fois dans E et F. De plus, puisque le résultat est dans F, alors l'espace
échantillon où se trouve le résultat (E|F) est donc le sous-ensemble F.

𝑃(𝐸∩𝐹)
 𝑃 𝐸𝐹 =
𝑃(𝐹)
 Exemple : On lance deux dés. Quelle est la probabilité d'obtenir une somme
supérieure à 6, sachant que l'un des deux dés indique un 2 ?
Rappel probabilité
Variable aléatoire discrète 9
 Lorsque la variable aléatoire peut prendre un nombre dénombrable de
valeurs, alors la variable aléatoire est discrète.
 Considérons une variable aléatoire discrète X pouvant prendre une des
valeurs x1, x2, …
 La fonction de probabilité p(a) de X est définie comme suit:
p(a) = P(X=a)
 La fonction p(a) prend une valeur positive pour un nombre dénombrable de
valeurs de :
p(xi) = P(X=xi) > 0
 Puisqu'elle doit prendre une des valeurs alors σ∞
𝑖=1 𝑝 𝑥𝑖 = 1

 La fonction de distribution cumulative F(a) de X est définie comme suit: 𝐹 𝑎 =

σ𝑥𝑖≤𝑎 𝑝(𝑥𝑖)
Rappel probabilité
Variable aléatoire de Poisson 10
 Considérons une variable aléatoire X prenant les valeurs discrètes 0,1,2, … ;
 X est une variable aléatoire de Poisson avec le paramètre λ, si pour un λ > 0,
𝜆𝑖
 𝑝 𝑖 =𝑃 𝑋=𝑖 = 𝑒 −𝜆 i = 0,1, …
𝑖!

 Les valeurs 𝑝 𝑖 définissent bien une fonction de probabilité puisque :

෍ 𝑝 𝑖 =?
𝑖=0

 Cette variable aléatoire de Poisson joue un rôle très important dans la théorie
des files d'attente.
 Pour la loi de poisson on a : E[X]=λ, V[X]=λ
Rappel probabilité
Variable aléatoire de Poisson 11
 Un responsable site web de vente en ligne de billet d’avion veut effectuer des
modifications sur son site. Pour cela le site va être inactif durant une demi-
heure. Afin de minimiser les pertes de clients il observe que le Lundi matin
entre 8h et 9h il fait généralement le moins de vente soit en moyenne 6
requêtes d’achat.
 En supposant que ces requêtes d’achat arrivent selon une loi de poisson
quelle est la probabilité qu’il perde 0, 1,2, 3 clients?
 Y a-t-il un risque qu’il perde plus que 5 clients?
Rappel probabilité
Variable aléatoire continue 12
 Considérons maintenant les variables aléatoires pouvant prendre un nombre
non dénombrable de valeurs.
 Nous disons que X est une variable aléatoire continue s'il existe une fonction
f(x) non négative définie pour toutes les valeurs réelles 𝑥 ∈ (−∞, ∞) telle que
pour toute paire de points a et b
𝑏
 𝑃 𝑋 ∈ 𝑎, 𝑏 = 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = ‫𝑥𝑑 𝑥 𝑓 𝑎׬‬
 Notons
∞
 𝑃 𝑋 ∈ (−∞, ∞) = ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 1
𝑎
 𝑃 𝑋 = 𝑎 = ‫ = 𝑥𝑑 𝑥 𝑓 𝑎׬‬0
Rappel probabilité
Variable aléatoire continue 13
 La fonction de distribution cumulative F(a) de X est définie comme suit :
𝑎
F (a) = 𝑃 𝑋 ∈ (−∞, 𝑎) = ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥
 Si nous prenons la dérivée de chaque côté de la fonction cumulative de
distribution cumulative F (a)
𝑑 𝑑 𝑎
 F (a) = ‫׬‬−𝑥 𝑓 𝑥 𝑑𝑥 = f(a)
𝑑𝑎 𝑑𝑎

 la fonction de densité de probabilité est la dérivée de la fonction cumulative

de distribution
Rappel probabilité
Variable aléatoire exponentielle 14
 Considérons la variable aléatoire continue X ayant la fonction de densité le
probabilité suivante pour une valeur λ > 0 :
−𝜆𝑥
𝑓 𝑥 = 𝜆 𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑠𝑖 𝑥 < 0
 Alors X est une variable aléatoire exponentielle avec paramètre λ.
 La fonction cumulative de distribution F est de la forme :
𝑎
𝐹 𝑎 = ‫׬‬0 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 1 − 𝑒 −𝜆𝑎 a≥0

𝐹 ∞ =?
Rappel probabilité
15
 L’acheteur de pièces de chez un fabriquant s’intéresse à la probabilité de
trouver une pièce défectueuse. Sachant que sur les 4 machines de l’usine le
responsable qualité observe:

Machine % production % pièces défectueuses

1 40 1
2 30 2
3 20 4
4 10 5