Processus Stochastique Prérequis

1
Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15
Cours de Processus Stochastique,
Chp1: Rappels
Hatem El Meddeb, ISAMM 2020-21
hatem.elmeddeb@gmail.com
2
1. Rappels des concepts
2. Notion de probabilité
3. Indépendance
4. Probabilités conditionnelles
5. Variables aléatoires: VAD, VAC et lois

Définitions 3
Expérience aléatoire : Expérience dont le résultat n’est pas connu à

l’avance.
Espace fondamental : ensemble de toutes les issues possibles de

l’expérience aléatoire.
•Exemple 1 : Jet de dé : Ω = {1, 2, . . . , 6}.
•Exemple 2 : Trois jets de pièces de monnaie :
Ω = {{FFF},{FFP},{FPF},{PFF},{FPP},{PFP},{PPF},{PPP}}.
Evénements particuliers 4
•Evénement impossible : ∅ avec ∅ ⊆ Ω.
•Evénement certain : Ω ⊆ Ω.
•Evénement élémentaire : A = {ω}.
•Union d’événements : A ∪ B. L’événement “A ou B” sera réalisé si au moins un

des deux événements a lieu.
•Intersection d’évènements : A ∩ B (événement “A et B”). L’événement “A et B”

sera réalisé si les deux évènements ont lieu.
Evénements particuliers 5
•Evènement complémentaire : L’événement complémentaire A¯ ne sera réalisé

que si A n’est pas réalisé.
Remarque : Deux événement sont incompatibles ou exclusifs si A ∩ B = ∅.

Notion de probabilité 6
Une loi de probabilité va assigner un nombre positif P(A)

à chaque événement A de Ω de l’expérience aléatoire.
Ce nombre satisfait les axiomes suivants :
0 ≤ P(A) ≤ 1
P(Ω) = 1
P(∅) = 0
P(A) + P(A¯) = 1
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
P(A ∪ B) = P(A) + P(B) si A ∩ B = ∅
A ⊆ B ⇒ P(A) ≤ P(B)
Indépendance 7
Définition : L’événement A est indépendant de l’événement

B si le fait de savoir que l’événement B s’est déroulé
n’influence pas la probabilité de A.
Autrement dit :
P(A ∩ B) = P(A).P(B)
Exemple : la valeur d'un premier lancer d’un dé n'a

aucune influence sur la valeur du second lancer.
Ensembles fondamentaux à événements équiprobables 8
Dans de nombreuses expériences il est naturel d’admettre

que chaque élément élémentaire de l’espace fondamental
Ω = {ω1, ω2, ..., ωn} a la même probabilité de se réaliser.
Si l’espace fondamental est fini alors P({ωi}) = 1/n, i = 1, 2, .
. . , n, et
𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃 𝐴 =
𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑝𝑜𝑠𝑠𝑖𝑏𝑙𝑒𝑠
Exemple : Reprenons l’expérience qui consiste à jeter trois pièces de

monnaie.
Probabilités conditionnelles 9
Supposez que nous connaissions l’issue d’un événement

B ⊂ Ω. Etant donné cette information, quelle est la
probabilité de l’évènement A ⊂ Ω ?
Cette probabilité est écrite P[A|B] et est lue la probabilité

conditionnelle de A étant donné B , ou la probabilité de A
étant donné B. Que vaut-elle ?
L’issue doit être dans A ∩ B si on veut qu’elle soit dans A.

On sait qu’elle est dans B. La probabilité de toutes les
issues dans B doit être renormalisée pour donner 1 (ou
diviser par P(B))
𝑃(𝐴 ∩ 𝐵)
𝑠𝑖 𝑃(𝐵) > 0
𝑃 𝐴\𝐵 = 𝑃(𝐵)
0 𝑠𝑖 𝑃 𝐵 = 0
Exemple1 :
Choix d’une carte au hasard d’un jeu de cartes de 52 cartes.
On admet que le jeu est parfaitement mélangé. Quelle est la
probabilité que la carte tirée soit un as si nous savons que la
carte est noire ?
Exemple 2: Montrer que

𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 = 𝑃 𝐴 . 𝑃 𝐵\𝐴 𝑃 𝐶\𝐵 ∩ 𝐴
Définition :
Soit un espace fondamental Ω. On appelle partition de Ω tout

ensemble H1, H2, . . . , Hn de sous-ensembles 2 à 2 disjoints
de Ω dont la réunion est dans Ω.
Théorème des probabilités totales :
Soient un espace fondamental Ω, une partition

de Ω et un événement A, alors :
𝑛
𝑃 𝐴 = 𝑃 𝐴\𝐻𝑘 . 𝑃( 𝐻𝑘 )
𝑘 =1
Théorème de Bayes
Soient une partition H1, H2, . . . , Hn, et un événement B

d’un espace fondamental Ω, avec 𝑃(𝐵) ≠ 0 alors pour tout k,
1≤k≤n:
𝑃(𝐻𝑘 ∩ 𝐵)
𝑃 𝐻𝑘 \𝐵 =
𝑃(𝐵)
𝑃 𝐵\𝐻𝑘 . 𝑃(𝐻𝑘 )
= 𝑛
𝑘=1 𝑃 𝐵\𝐻𝑘 . 𝑃( 𝐻𝑘 )
Exercice : Filtre anti-spam

Les spams sont à l’heure actuelle un véritable fléau dans le monde informatique.
90% des messages envoyés sur le net sont des messages de spam. Un des outils
les plus efficaces est le filtre baysien pour les combattre. On arrive à des taux de
détection de 98%. Pour commencer on doit constituer une base de données de mots
suspects (par exemple la plupart des gens rencontreront fréquemment le mot
« euros» dans leurs spams, mais ils le rencontreront rarement dans leurs courriers
légitimes) que nous allons numéroter de 1 à n. Ensuite on va pouvoir définir la
probabilité que le mot numéro i apparaisse dans un message donné alors qu’on sait
que ce dernier est du spam (pi). On va également définir la probabilité que le mot
numéro i apparaisse dans un message donné alors qu’on sait que ce dernier n’est
pas du spam (qi). Si nous recevons un message contenant le mot “miracle” (mot
numéro 1). Quelle est la probabilité que ce message soit du spam si p1 = 0.05 et q1
= 0.001?
Solution
Soit les événements :
Mi : Le mot choisi au hasard dans le message électronique est
le mot i.
S : Le message électronique est un spam.
Déterminons les probabilités que nous connaissons :
𝑃1 = 𝑃 𝑀1 \𝑆 = 0.05
𝑞1 = 𝑃 𝑀1 \𝑆 = 0.001
Solution (suite)
Or nous savons que P(S)=0.9. Donc en appliquant le

théorème de Bayes il vient :
𝑃 𝑀1 \𝑆 . 𝑃(𝑆)
𝑃 𝑆\𝑀1 = = 0.998
𝑃 𝑀1 \𝑆 . 𝑃 𝑆 + 𝑃 𝑀1 \𝑆 . 𝑃(𝑆 )
les messages marqués comme spam peuvent être automatiquement

déplacés dans un dossier « détritus », ou même supprimés sur le champ.
Certains logiciels mettent en place des mécanismes de quarantaine qui
définissent un intervalle de temps pendant lequel l'utilisateur a
l'opportunité de réexaminer la décision du logiciel.
Variables Aléatoires 16
Une variable aléatoire X est une application à valeurs dans

R, définie sur l’espace fondamental Ω d’une expérience
aléatoire :
X:Ω→R
Exemple
Trois pièces de monnaie sont jetées. X égal le nombre de
faces : ω ∈ Ω,
X(ω) ∈ {0, 1, 2, 3}
P({X = 0}) = P({PPP}) = 1/8
P({X = 1}) = P({FPP},{PFP},{PPF}) = 3/8
P({X = 2}) = P({FFP,FPF,PFF}) = 3/8
P({X = 3}) = P({FFF}) = 1/8
Variables Aléatoires Discrètes 17
Définition : On appelle variable aléatoire discrète une

variable aléatoire qui ne prend que des valeurs dénombrables.
Pour une variable aléatoire discrète X, on défini sa distribution
ou loi de probabilité par
𝑃(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) = 𝑃 𝑤 𝑋 𝑤 = 𝑥𝑖 , 𝑖
= 1,2, … . . , 𝑛
Il est clair que ces probabilités satisfont
𝑃(𝑋 = 𝑥𝑖 ) ≥ 0 et
𝑛
𝑃( 𝑋 = 𝑥𝑖 ) = 1
𝑖=1
Fonction de Répartition 18
Définition : La fonction de répartition d’une variable

aléatoire X est une fonction F : R → [0, 1] donnée par
𝐹𝑋 𝑥 = 𝑃(𝑋 ≤ 𝑥)
et qui a les propriétés suivantes :
𝑙𝑖𝑚 −∞ 𝐹𝑋 𝑥 = 0 et 𝑙𝑖𝑚+∞ 𝐹𝑋 𝑥 = 1
𝐹𝑋 est croissante
𝐹𝑋 est continue à droite

Espérance mathématique 19
Définition : Soient X une variable aléatoire discrète sur Ω et

P(X = xi) = p(xi) = pi, i = 1, . . . , n, la densité de X.
L’espérance mathématique de X, notée E(X), est un nombre
réel défini par
𝑛 𝑛
𝐸 𝑋 ≡ 𝜇𝑋 = 𝑥𝑖 . 𝑃( 𝑋 = 𝑥𝑖 ) = 𝑥𝑖 . 𝑝𝑖
𝑖=1 𝑖=1
Variance et écart type 20
Définition : Soient X une variable aléatoire discrète sur Ω et

P(X = xi) = p(xi) = pi, i = 1, . . . , n, la densité de X.
La variance de X, notée Var(X), est le nombre réel positif défini

par :
𝑛
𝑉𝑎𝑟 𝑋 ≡ 𝜎𝑋2 = (𝑥𝑖 − 𝐸 𝑋 )2 . 𝑝𝑖
𝑖=1
La variance peut s’écrire :

𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 𝐸(𝑋)2
avec
𝑛
𝐸(𝑋 ) =
2
𝑥𝑖 2 . 𝑝𝑖
𝑖=1
L’écart-type est un paramètre de dispersion et a les

mêmes unités que la variable aléatoire :
𝜎𝑋 = 𝑉𝑎𝑟(𝑋)
Loi Uniforme 22
Une distribution de probabilité suit une loi uniforme lorsque

toutes les valeurs prises par la variable aléatoire X sont
équiprobables. Si n est le nombre de valeurs différentes
prises par la variable aléatoire,
1
𝑃(𝑋 = 𝑥𝑖 ) = , ∀𝑖
𝑛
𝑛+1 𝑛 2 −1
 𝐸 𝑋 = 2
et 𝑉𝑎𝑟 𝑋 = 𝜎𝑋 = 2
12
Exemple : jet de dé
Loi de Bernoulli 23
Nous faisons une expérience dont l’issue est classifiée

comme étant un “succès” ou un “échec”.
Nous définissons la variable aléatoire X sur Ω = {succès,
échec} en fixant :
•un paramètre : p.
•X( succès ) = 1 et X( échec ) = 0
•La densité ou loi de probabilité est donnée par :
𝑝 𝑠𝑖 𝑥 = 1
𝑝 𝑋=𝑥 = 𝑝 𝑥 (1 − 𝑝)1−𝑥 =
1 − 𝑝 𝑠𝑖 𝑥 = 0
 𝐸 𝑋 = 𝑝 et 𝑉𝑎𝑟 𝑋 = 𝜎𝑋 2 = 𝑝(1 − 𝑝)
Loi Binomiale 24
Modélisation: Dans le cadre de cette expérience aléatoire, n

épreuves indépendantes de Bernoulli se réalisent. Chacune
d’elle a une probabilité de succès p. On défini la variable
aléatoire X qui compte le nombre de succès sur l’ensemble
des n épreuves.
•Deux paramètres : n et p.
•La densité ou loi de probabilité est donnée par :
𝑝 𝑋 = 𝑥 = 𝐶𝑛𝑥 𝑝 𝑥 (1 − 𝑝)𝑛 −𝑥
 𝐸 𝑋 = 𝑛𝑝 et 𝑉𝑎𝑟 𝑋 = 𝜎𝑋 2 = 𝑛𝑝(1 − 𝑝)
Loi Binomiale 25
Exemple:
Système actif/passif
On effectue une séquence de n observations d’un système
qui se trouve dans l’un de deux états 0 ou 1, avec probabilité
p d’être actif (valeur observée = 1). On considère la variable
aléatoire qui donne le nombre de fois où le système est actif.
•Précisez ce qu’est Ω,
•Définissez la variable aléatoire X.
•Calculez la probabilité P(X = x).
Loi Géométrique 26
Modélisation: Dans cette expérience aléatoire, on répète

des épreuves de Bernoulli, chacune ayant une probabilité
de succès p. Désignons par X le nombre d’épreuves
nécessaires pour obtenir le premier succès.
•un paramètre : p
•Densité ou loi de probabilité :
𝑝 𝑋 = 𝑥 = 𝑝(1 − 𝑝)𝑥−1 , 𝑥 = 1,2, ….
1 1−𝑝
 𝐸 𝑋 = et 𝑉𝑎𝑟 𝑋 = 𝜎𝑋 = 2
𝑝 𝑝2
•Sans mémoire
•Sans mémoire:
𝑃 𝑋 > 𝑚 + 𝑛\𝑋 > 𝑚 = 𝑃 𝑋 > 𝑛 ∀ 𝑚, 𝑛 ∈ ℕ
Exemple:
Un homme ivre rentre chez lui avec 10 clés différentes dans

sa poche. Pour ouvrir la porte, il essaie une clé au hasard et,
si la porte ne s'ouvre pas, il remet la clé dans sa poche et
recommence. Calculer 𝑃 𝑋 > 7\𝑋 > 5
Solution: Soit X est le nombre de clés essayées jusqu'à ce que la porte

s'ouvre.
L'essai d'une clé au hasard est une épreuve de Bernoulli, avec deux
résultats possibles :
• le succès : la porte s'ouvre. Sa probabilité est la probabilité p = 0,1 d'avoir

choisi la bonne clé.
• l'échec : la porte ne s'ouvre pas. Sa probabilité est q = 1 – p = 0,9.
La probabilité d'un résultat élémentaire est donnée par le produit des

probabilités des résultats des épreuves de Bernoulli qui le composent :
P (w n) = p q n – 1. Ainsi,?
En d'autres termes, cette loi correspond à la loi du temps d’attente dans un

processus de Bernoulli.
Loi de Poisson 29
 un paramètre ∶ 𝜆 > 0
𝜆𝑥 −𝜆
𝑝 𝑋 = 𝑥 = 𝑒 , 𝑥 = 0,1,2, ….
𝑥!
 𝐸 𝑋 = 𝜆 et 𝑉𝑎𝑟 𝑋 = 𝜎𝑋 2 = 𝜆
Remarques:
•Modélisation de la loi de Poisson : Nombre d’appels téléphonique pendant

cette période T
•Approximation de la loi binomiale par la loi de Poisson
Loi de Poisson 30
Exemple:
Un central téléphonique possède L lignes. On estime à 1200 le nombre de

personnes susceptibles d’appeler le standard sur une journée de 8 heures,
la durée des appels étant de deux minutes en moyenne. On note X la
variable aléatoire égale au nombre de personnes en train de téléphoner à
un instant donné.
1- Montrer que l’on est en droit d’approcher la distribution de X par une loi
de Poisson. Donner ses paramètres.
2- Calculer la probabilité qu’il y ait au moins un appel.
3- On suppose L = 3. Calculer la probabilité d’encombrement à un instant

donné.
Loi de Poisson 31

Variables aléatoires continues 32
𝑃 𝑋∈𝐴 = 𝑓𝑋 𝑡 𝑑𝑡
𝐴
Variables aléatoires continues 33
Propriétés de la fonction densité de probabilité
+∞
𝑃 𝑋∈ℝ = 𝑓𝑋 𝑡 𝑑𝑡 = 1
−∞
𝑏
𝑃 𝑎<𝑋≤𝑏 = 𝑓𝑋 𝑡 𝑑𝑡
𝑎
𝑏
𝑃 𝑋≤𝑏 = 𝑓𝑋 𝑡 𝑑𝑡
−∞
𝑃 𝑋=𝑎 =0
Fonction de Répartition 34
𝑥
𝐹𝑋 𝑥 = 𝑃(𝑋 ≤ 𝑥) = 𝑓𝑋 𝑡 𝑑𝑡
−∞
FX est une fonction continue croissante dans [0,1]

𝑙𝑖𝑚−∞ 𝐹𝑋 𝑥 = 0 et 𝑙𝑖𝑚+∞ 𝐹𝑋 𝑥 = 1
𝐹 ′ 𝑋 𝑥 = 𝑓𝑥 (𝑥)
𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝐹 𝑏 − 𝐹(𝑎)
𝑃 𝑋≤𝑏 =𝐹 𝑏
Espérance mathématique 35
+∞
𝐸 𝑋 ≡ 𝜇𝑋 = 𝑥. 𝑓𝑋 𝑥 𝑑𝑥
−∞
Variance, écart-type 36
+∞
𝑉𝑎𝑟 𝑋 ≡ 𝜎𝑋2 = (𝑥 − 𝐸 𝑋 )2 . 𝑓𝑋 𝑥 𝑑𝑥
−∞
 L’écart-type est un paramètre de dispersion et a les

mêmes unités que la variable aléatoire :
𝜎𝑋 = 𝑉𝑎𝑟(𝑋)
La variance peut s’écrire :

𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 𝐸(𝑋)2
avec
+∞
𝐸(𝑋 2 ) = 𝑥 2 . 𝑓𝑋 𝑥 𝑑𝑥
−∞
 Propriétés: Soit X et Y deux variables aléatoires, a et b deux

constantes réelles:
𝐸 𝑏 =𝑏 𝑉 𝑏 =0
𝐸 𝑎. 𝑋 + 𝑏 = 𝑎. 𝐸 𝑋 + 𝑏 𝑉 𝑎. 𝑋 + 𝑏 = 𝑎2 . 𝐸 𝑋
𝐸 𝑋 + 𝑌 = 𝐸 𝑋 + 𝐸(𝑌) 𝑉 𝑋+𝑌 =𝑉 𝑋 +𝑉 𝑌
Loi uniforme 38
•La densité de la loi de probabilité uniforme continue sur Ω =

[a, b] est définie par
1
𝑓𝑋 𝑥 = 𝑏 − 𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
0 𝑠𝑖𝑛𝑜𝑛
• La fonction de répartition correspondante est donnée par
0 𝑠𝑖 𝑥≤𝑎
𝑥−𝑎
𝐹𝑋 𝑥 = 𝑠𝑖 𝑎<𝑥≤𝑏
𝑏−𝑎
1 𝑠𝑖 𝑥>𝑏
𝑎 +𝑏 (𝑏−𝑎)2
 𝐸 𝑋 = et 𝑉 𝑋 =
2 12
Loi exponentielle 39
• Un paramètre: 𝜆
• Fonction de densité
𝑓𝑋 𝑥 = 𝜆𝑒 −𝜆𝑥 pour 𝑥 ≥ 0, nulle ailleurs
• Fonction de Répartition
𝐹𝑋 𝑥 = 1 − 𝑒 −𝜆𝑥 pour 𝑥 ≥ 0, nulle ailleurs
1 1
 𝐸 𝑋 = , 𝑉 𝑥 =
𝜆 𝜆2
Loi exponentielle 40
• Sans mémoire:
Cette propriété se traduit mathématiquement par l'équation suivante :
𝑃 𝑇 > 𝑠 + 𝑡\𝑇 > 𝑡 = 𝑃 𝑇 > 𝑠 ∀𝑠, 𝑡 ≥ 0
Imaginons que T représente la durée de vie d'une ampoule à LED

avant qu'elle ne tombe en panne : la probabilité qu'elle dure au moins
s+ t heures sachant qu'elle a déjà duré t heures sera la même que la
probabilité de durer s heures à partir de sa mise en fonction initiale. En
d'autres termes, le fait qu'elle ne soit pas tombée en panne pendant
t heures ne change rien à son espérance de vie à partir du temps t.
Loi Normale quelconque 41
•Deux paramètres: 𝜇 et 𝜎 2 et on note 𝑋~𝑁(𝜇; 𝜎 2 )
•Fonction de densité:
1 1 𝑥−𝜇 2
− ( )
𝑓𝑋 𝑥 = 𝑒 2 𝜎
2𝜋 𝜎
•Fonction de répartition:
𝑥 1 𝑡−𝜇 2
1 − (
𝑒 2 𝜎 ) 𝑑𝑡
−∞ 2𝜋 𝜎
 𝐸 𝑋 = 𝜇, 𝑉 𝑥 = 𝜎2
Loi Normale quelconque 42

Loi Normale centrée réduite 43
•La loi normale centrée réduite 𝑁(0; 1) qui sera noté Z est la
distribution de référence (à l’aide d’une table).
•Toute probabilité sur un intervalle d’une variable aléatoire
normale quelconque 𝑁(𝜇; 𝜎 2 ) peut être calculée à l’aide de
cette distribution Z en effectuant la transformation suivante :
𝑋−𝜇
𝑍= ,
𝜎
et on a :
𝑆𝑖 𝑋~𝑁 𝜇; 𝜎 2 𝑎𝑙𝑜𝑟𝑠 𝑍~𝑁(0; 1).
Exemple : Soit 𝑋~𝑁 1; 4 , calculer 𝑃 𝑋 < 3.48 ?

44

Loi des Grands Nombres LGN 45
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
𝑋𝑛 = +∞ 𝜇
𝑛
𝜇
…
𝑋𝑗 … …
..
.. ..
. .. …
... . ..
...
.. … 𝑋1
..
Théorème Central Limite: TCL 46
𝐸 𝑋𝑖 = 𝜇 et 𝑉𝑎𝑟 𝑋𝑖 = 𝜎 2
Conséquences:
 𝐸 𝑋𝑛 = 𝜇
𝜎2
 𝑉 𝑋𝑛 =
𝑛
𝑋𝑛 − 𝜇
. 𝑍= 𝜎 ~𝑁(0; 1)
𝑛
Notez bien que ce résultat est valable pour n’importe quelle distribution ayant une
espérance mathématique et une variance définies.
47
•Application:
48
Fin

Processus Stochastique Prérequis

Transféré par

Informations du document

Titre original

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

Processus Stochastique Prérequis

Transféré par

Droits d'auteur :

Formats disponibles

1

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Cours de Processus Stochastique,

Hatem El Meddeb, ISAMM 2020-21

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

1. Rappels des concepts

5. Variables aléatoires: VAD, VAC et lois

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Expérience aléatoire : Expérience dont le résultat n’est pas connu à

Espace fondamental : ensemble de toutes les issues possibles de

•Exemple 1 : Jet de dé : Ω = {1, 2, . . . , 6}.

•Exemple 2 : Trois jets de pièces de monnaie :

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

•Evénement impossible : ∅ avec ∅ ⊆ Ω.

•Evénement élémentaire : A = {ω}.

•Union d’événements : A ∪ B. L’événement “A ou B” sera réalisé si au moins un

•Intersection d’évènements : A ∩ B (événement “A et B”). L’événement “A et B”

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

•Evènement complémentaire : L’événement complémentaire A¯ ne sera réalisé

Remarque : Deux événement sont incompatibles ou exclusifs si A ∩ B = ∅.

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Une loi de probabilité va assigner un nombre positif P(A)

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

P(A ∪ B) = P(A) + P(B) si A ∩ B = ∅

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Déﬁnition : L’événement A est indépendant de l’événement

Exemple : la valeur d'un premier lancer d’un dé n'a

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Dans de nombreuses expériences il est naturel d’admettre

Exemple : Reprenons l’expérience qui consiste à jeter trois pièces de

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Supposez que nous connaissions l’issue d’un événement

Cette probabilité est écrite P[A|B] et est lue la probabilité

L’issue doit être dans A ∩ B si on veut qu’elle soit dans A.

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Exemple 2: Montrer que

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Soit un espace fondamental Ω. On appelle partition de Ω tout

Théorème des probabilités totales :

Soient un espace fondamental Ω, une partition

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Soient une partition H1, H2, . . . , Hn, et un événement B

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Exercice : Filtre anti-spam

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Or nous savons que P(S)=0.9. Donc en appliquant le

les messages marqués comme spam peuvent être automatiquement

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Une variable aléatoire X est une application à valeurs dans

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Déﬁnition : On appelle variable aléatoire discrète une

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Déﬁnition : La fonction de répartition d’une variable

et qui a les propriétés suivantes :

𝐹𝑋 est continue à droite

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Déﬁnition : Soient X une variable aléatoire discrète sur Ω et

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

Déﬁnition : Soient X une variable aléatoire discrète sur Ω et

La variance de X, notée Var(X), est le nombre réel positif déﬁni

Hatem Elmeddeb 2006/07 Département informatique SIRE ISIG 2020-10-15

La variance peut s’écrire :