Faculté des Sciences de Tunis

Département des Sciences de l’Informatique

Section M1 INFO

PROCESSUS STOCHASTIQUE
COURS1: RAPPEL SUR LES
VARIABLES ALÉATOIRES
1

Sana Younes Dridi

younessana@yahoo.fr
OBJECTIF DU COURS
 Comprendre c’est quoi un processus stochastique

 Introduire le processus markovien

 Introduire le formalisme des files d’attentes

 Présentation des exemples de Modèles

analytiques

2
EVALUATION
 Cours intégré

 Il faut prendre note en classe.

 Deux notes: DS et Examen

 Modélisation markovienne (cours processus

stochastique)

 Vérification (cours méthodes formelles)

3
PLAN GÉNÉRAL DU COURS
 Rappels sur les variables aléatoires

 Processus de Poisson

 Processus stochastique

 Chaine de Markov à temps discret

 Chaine de Markov à temps continu

 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.

 Soit X la v.a associant le gain du joueur.

 Quelles sont les valeurs prises par X, xi?

 Quelle est la loi de probabilité de X?

 Calculez l’espérance mathématique, la variance

et l’écart type de X?
 Ω= l’ensemble univers=l’ensemble des 20 billets

 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

 Une variable aléatoire (v.a) est une variable

pouvant prendre n’importe quelle valeur d’un
ensemble déterminé de valeurs numériques, et à
laquelle est associée une loi de probabilité.
 Une variable aléatoire peut être continue ou
discontinue.

7
 Variables aléatoires

Fonction de répartition

La fonction de répartition d’une variable aléatoire X définie

de -  à +  est la fonction F(x) définie par : F(x) = P[X  x]

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

E[x] est l’espérance mathématique ou moyenne

+
E X =
–
x f(x) dx E( X )   xi P[ X  xi ]

Moment d’ordre k de la V.A X :

+
k k
E X = x f(x) dx
–

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

 Soit T: v.a associe le temps de bon fonctionnement

d’un système S
 Fonction de répartition de T: F(t) = Prob(T ≤ t)
= ∫0t f(x)dx
 F '(t) = f(t) 0 ≤ F(t) ≤ 1
 F(t) est la probabilité que le système ait une
défaillance avant l'instant t.
 La probabilité de défaillance dans l’intervalle (t1,t2]
est F(t2)-F(t1)

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

 Même question pour f (x) =xe−x si x∈ [0; +∞ [; 0

sinon

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

Espérance mathématique : E[x] = n.p

Variance : s 2 [x] = n.p.(1 – p )

17
 d
S F
Loi de Poisson

 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(xk)= Se –m
.
mi
i!
i= 0

Espérance mathématique : E[x] = m

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

Où λ est une constante positive et t le temps

Fonction de répartition : F(t) = 1 – e – lt

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

Sur un matériel électronique, on connaît le taux de défaillance : l = 0.00001 / h

Trouver la probabilité de défaillance entre t 1 = 200 h et t 2 = 300 h.

Solution

Probabilité de défaillance entre t 1 et t2 : F(t2)-F(t1)

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

La loi de Weibull dépend des trois paramètres suivants :

γ : paramètre de position (décalage à l’origine) γ  0 (homogène au temps) ;
β : paramètre de forme, β > 0 sans dimension (décide de l’allure globale de la loi) ;
η : paramètre d’échelle (ou de durée de vie), η > 0 (homogène au temps).

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