Professional Documents
Culture Documents
PROCESSUS STOCHASTIQUE
COURS1: RAPPEL SUR LES
VARIABLES ALÉATOIRES
1
2
EVALUATION
Cours intégré
Processus de Poisson
Processus stochastique
Files d’attente 4
EXEMPLE INTRODUCTIF
Une urne contient 20 billets: 4 billet de 10d, 4
billets de 20d et 12 billets perdants.
Pour jouer au jeu le joueur doit dépenser 5d.
Le cardinal de Ω = 20
5
Les valeurs prises par X : X(Ω)={-5, 5, 15}
EXEMPLE INTRODUCTIF
La loi de probabilité de X est la probabilité
associée à chacune des valeurs prises par X
P(X=-5)=12/20= 0.6 P(X=5)=4/20=0.2
P(X=15)=4/20=0.2
E(X)=1 : lorsque le joueur joue un nombre de fois
répété, son gain se rapproche à 1d (jeu favorable
pour le joueur car le gain est positif)
L’espérance est un paramètre de position
La variance et l’écart type sont des paramètres
de dispersion pour mesurer la dispersion de xi à
la moyenne
V(X)=64 (n’a pas la même unité que xi)
6
σ(X)=8 (même unité que les valeurs de xi)
VARIABLES ALÉATOIRES
7
Variables aléatoires
Fonction de répartition
Propriétés :
lim F(x) = 0 lim F(x) = 1 0 F(x) 1 F(x) est non décroissante
x– x+
Densité de probabilité
Lorsque la fonction de répartition F(x) est dérivable, sa dérivée f(x) est la densité de
probabilité :
dF (x)
f(x) =
dx
Propriétés :
x +
F(x) = f(x) dx f(x) dx = 1 8
– –
T3.6
EXEMPLE: V.A DISCRETE
9
EXEMPLE: V.A CONTINUE
10
d
S F
Variables aléatoires
Variance de la V.A. X :
+
V ( X ) xi E ( X ) P X xi
2
V[x] = x – E[x] f(x) dx 2
–
Ecart-Type :
s = V[x]
11
T3.7
EXEMPLE V.A: TEMPS BON FONCTIONNEMENT
12
EXEMPLE: FONCTION DE DÉFAILLANCE
13
EXEMPLES: DENSITÉ DE PROBABILITÉ
Q:
Dites si cette fonction est une densité de probabilité:
f( x) =3/x4si x∈ [1, +∞ [ ;f ( x) = 0 sinon
R:
f est continue positive
Sa fonction de répartition: F(x)= − 1/x3+1
Les limites de F: lim x->+∞ F(x)=1 et F(1)=0
Donc f est une densité de probabilité
14
EXEMPLES: DENSITÉ DE PROBABILITÉ
Soit I l’intervalle [1 ;10] et fλ la fonction définie sur
I par : fλ(t)= λt −2
1) Déterminer le réel λ pour lequel f λ est une
densité de probabilité
2) Même question avec I = [1, +∞ [
15
16
d
S F
Principales lois de probabilité
Lois discrètes La variable aléatoire prend des valeurs discrètes
Loi Binomiale
• p pour-cent de pièces défectueuses dans un lot et que l’on tire un échantillon de taille
n, la loi binomiale B(n,p) donne la probabilité d’avoir k éléments défectueux dans
l’échantillon.
•Pour modéliser des systèmes avec n composants indépendants ou n
essais pour effectuer une tache.
k k n– k
p : probabilité de réalisation de l’événement
P (X = K) = Cn p 1–p X : v.a représente le nombre de réalisation de l’événement
n!
0 k n; 0 p 1 Cn
k
k ! n k !
k
Fonction de répartition : F(k) = P(X k) = S Cin p i 1 – p n – i
i= 0
Loi de Poisson
La v.a. représente le nombre d’événements (par exemple des pannes)
qui se produisent dans l’intervalle [0, t[.
• Un seul paramètre : le taux des arrivées m
k
–m m
P(x = k) = e .
k!
k
Fonction de répartition : P(xk)= Se –m
.
mi
i!
i= 0
Variance : s 2[x] = m
18
d
S F
Loi Exponentielle
Lois Continues La variable aléatoire prend des valeurs continues
Loi Exponentielle
Densité de Probabilité : – lt
f(t) = l e ; l > 0; t > 0
1
Moyenne : E(x) =
l
1
Variance : s 2x =
l2
19
d
S F
Loi exponentielle
Représentation graphique :
f(t)
t
Remarque :
• C’est une loi, qui ne dépend que d’un paramètre l (ou q 1/ l )
20
d
S F
Loi exponentielle
Exemple
Solution
t2
l lt1 – lt2 – 200 * 0.0001
l.e– tdt = e – –e =e – e – 300 * 0.0001 = 0.001
t1
21
La v.a exponentielle est sans mémoire
22
SPN: SITUATION DE CONFLIT
23
Pr{X>x}=1-Pr{X<x}=1-FX(x)=1-(1-e-λx)=e-λx
d
S F Loi Normale ou de Gauss N(m,s)
2
1 1 t–m
f(t) = exp – ;
Densité de Probabilité : s 2p 2 s
– < t < + ; s > 0; – < m < +
t
1 1 x–m 2
Fonction de répartition : F(t) = exp – dx
s 2p – 2 s
Moyenne : E[x] = m
Variance : Variance = s 2
24
* La loi N(0.1) est appelée loi normale réduite
d
S F Loi Normale ou de Gauss N(m,s)
Représentation graphique
f(t) F(t)
t
m
t
2
1 1 t–m
f(t) = exp – ;
s 2p 2 s
25
– < t < + ; s > 0; – < m < +
d
S F
Loi de Weibull
b– 1 b
Densité de Probabilité : b t–g t– g
f(t) = exp – pour t ≥ g
h h h
b
t–g
: =1 – exp –
Fonction de répartition F(t) pour t g F(t) = 0 pour t < g
h
1
Moyenne : m =g+h G 1+
b
Variance : 2 1
s2 = h2 G 1 + - G2 1 +
b b 26