Chapitre 1: Introduction et Fondamentaux des

Processus Aléatoires

Samuel BOWONG

Université de Douala, Cameroun

Licence 2 d’Informatique
Année académique 2024-2025

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des 1Processus
/ 40 Aléatoires
 Introduction

Introduction

Les processus aléatoires sont des modèles mathématiques

permettant de représenter l’évolution d’un phénomène incertain
dans le temps. Contrairement aux processus déterministes, où l’état
futur du système est entièrement connu, les processus aléatoires
intègrent une part d’imprévisibilité.
Les processus aléatoires sont omniprésents dans divers domaines :
Finance : Modélisation des prix d’actifs financiers.
Télécommunications : Simulation du trafic réseau et de la congestion.
Ingénierie : Fiabilité des systèmes et files d’attente.
Sciences physiques : Mouvement brownien, diffusion moléculaire.
L’étude et la simulation des processus aléatoires permettent de mieux
comprendre et prédire l’évolution des systèmes soumis à l’incertitude.

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des 2Processus
/ 40 Aléatoires
 Introduction

Plan du chapitre

1 Rappels de Probabilités et Statistiques

Variables aléatoires (discrètes et continues)
Espérance, variance et moments
Lois de probabilité courantes :
Loi uniforme
Loi exponentielle
Loi normale
Processus de Poisson
Théorème central limite et convergence
2 Fondamentaux des Processus Aléatoire
3 Applications des Processus Aléatoires

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des 3Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Modéliser une expérience aléatoire

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des 4Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Modéliser une expérience aléatoire

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des 5Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Modéliser une expérience aléatoire

Espace probabilisé

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des 6Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Modéliser une expérience aléatoire

Le cas du lancé de 2 dés

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des 7Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Propriétés découlant des axiomes des probabilités

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des 8Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Variables aléatoires

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des 9Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi d’une variable aléatoire

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des10Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi d’une variable aléatoire discrète

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des11Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Densité et fonction de répartition d’une variables

discrète
Exemple avec la variable somme des dés

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des12Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Densité et fonction de répartition d’une variables

discrète
Exemple avec la variable somme des dés

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des13Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Densité et fonction de répartition d’une variables

discrète
Exemple avec la variable somme des dés

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des14Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Fonction de répartition et densité de probabilité

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des15Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Fonction de répartition et densité de probabilité

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des16Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Densité de probabilité

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des17Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Espérance

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des18Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Variance et écart-type

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des19Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Lois usuelles

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des20Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi discrète uniforme

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des21Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi uniforme continue

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des22Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi de Bernoulli : on tire une pièce une fois

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des23Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi binomiale : on tire la même pièce n fois

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des24Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi géométrique : temps d’attente du premier succès

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des25Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi normale = loi gaussienne (Saint Graal des

statisticiens)

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des26Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi normale = loi gaussienne

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des27Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Loi exponentielle

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des28Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

La loi faible des grands nombres

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des29Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Définition d’un Processus Aléatoire

Un processus aléatoire est une collection de variables aléatoires

X (t), indexées par un paramètre t (le temps).
Si t est discret (ex. jours, itérations) : X0 , X1 , X2 , . . . . On a un
processus à temps discret.
Si t est continu (ex. secondes, années) : X (t), avec t ∈ R+ On a un
processus à temps continu.
A chaque instant t , X (t) suit une distribution de probabilité, ce qui
rend son évolution incertaine mais modélisable.

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des30Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Caractéristiques des Processus Aléatoires

1 Espérance et Variance
L’espérance mathématique représente la moyenne du processus :
E[X (t)]
La variance Var(X (t)) mesure la dispersion des valeurs autour de
l’espérance : Var(X (t)) = E[X 2 (t)] − (E[X (t)])2 .
2 Fonction d’Autocorrélation
L’autocorrélation mesure la dépendance entre les valeurs du processus
à différents instants :

RX (t1 , t2 ) = E[X (t1 )X (t2 )]

Cela permet d’analyser si le processus présente une mémoire ou une
dépendance temporelle.
Si RX (t1 , t2 ) est élevé, cela signifie que X(t) conserve une mémoire du
passé.
3 Stationnarité et Ergodicité
Stationnarité : Le processus garde les mêmes propriétés statistiques
dans le temps.
Ergodicité : Les statistiques calculées sur un long intervalle Simulation des de temps
processus aléatoiires
Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des31Processus
/ 40 Aléatoires
 Rappels de Probabilités et Statistiques

Types de Processus Aléatoires

1 Processus de Poisson (événements Aléatoires Discrets)
Modélise l’apparition d’événements aléatoires dans le temps, comme
l’arrivée d’appels dans un centre téléphonique.
(λt)k e −λt
P(X = k) =
k!
à chaque instant t, le nombre d’événements suit une loi de Poisson de
paramètre λ.
Propriété importante : Les arrivées sont indépendantes entre elles.
Applications : Appels téléphoniques, trafic internet.
2 Mouvement Brownien (Processus de Wiener) (Processus
Continu)
Le mouvement brownien est une trajectoire continue et aléatoire
souvent utilisée pour modéliser l’évolution des prix boursiers.
Il suit une dynamique :

dX = µdt + σdW
t t Simulation des processus aléatoiires
Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des32Processus
/ 40 Aléatoires
 Outils Mathématiques et Statistiques

Applications

L’étude des processus aléatoires repose sur des outils mathématiques et

statistiques permettant d’analyser leur comportement et leurs propriétés.
Voici les principaux concepts utilisés.

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des33Processus
/ 40 Aléatoires
 Outils Mathématiques et Statistiques

Probabilités et Variables Aléatoires

Les processus aléatoires sont constitués de variables aléatoires indexées
dans le temps.
1 Loi de Probabilité

Décrit la distribution d’une variable aléatoire X .

Discrète : P(X = k) (ex. : loi de Poisson).
Continue : Fonction de densité fX (x) (ex. : loi normale, exponentielle).
2 Espérance et Variance
Mesures de tendance centrale et de dispersion :
Espérance mathématique d’une variable aléatoire discrète
X
E[X ] = xP(X = x) (discrète)
Espérance mathématique d’une variable aléatoire continue
Z
E[X ] = xfX (x)dx (continue)
Variance
Var(X ) = E[X 2 ] − (E[X ])2
Simulation des processus aléatoiires
Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des34Processus
/ 40 Aléatoires
 Outils Mathématiques et Statistiques

Fonctions de Corrélation et Dépendance

1 Autocorrélation
Mesure la dépendance entre deux valeurs d’un processus à différents
instants : RX (t1 , t2 ) = E[X (t1 )X (t2 )]
Si RX (t1 , t2 ) décroı̂t rapidement, le processus perd sa mémoire
rapidement.
2 Fonction de Covariance
Cov(Xt , Xs ) = E[Xt Xs ] − E[Xt ]E[Xs ]
Si Cov(Xt , Xs ) = 0, Xt et Xs sont indépendants.

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des35Processus
/ 40 Aléatoires
 Outils Mathématiques et Statistiques

Processus Stationnaires et Ergodiques

1 Stationnarité
Un processus est stationnaire au sens large si :
E[X (t)] est constant.
Var(X (t)) est constante.
RX (t1 , t2 ) ne dépend que de t2 − t1 .
2 Ergodicité
Un processus est ergodique si les moyennes temporelles sont
équivalentes
PT aux moyennes statistiques :
1
T t=1 Xt ≈ E[X ]
Cela signifie qu’une seule réalisation du processus est suffisante pour
estimer ses propriétés statistiques.

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des36Processus
/ 40 Aléatoires
 Outils Mathématiques et Statistiques

Equations Différentielles Stochastiques (EDS)

Utiliser pour décrire les processus aléatoires continus :

dXt = µ(Xt , t)dt + σ(Xt , t)dWt

où µ(Xt , t) est le terme de dérive (tendance moyenne), σ(Xt , t) le
terme de diffusion (aléatoire). et Wt est mouvement brownien
standard.
Exemple : Le mouvement brownien géométrique suit :
dXt = µXt dt + σXt dWt
Application : Application : Modélisation des prix en finance
(Black-Scholes).

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des37Processus
/ 40 Aléatoires
 Outils Mathématiques et Statistiques

Modélisation stochastique et simulation

La modélisation stochastique est une approche qui permet d’inclure

l’incertitude dans les modèles mathématiques.
En intégrant des éléments aléatoires, cette technique renforce la
capacité à prédire et analyser des systèmes complexes.
Elle constitue la base des simulations qui aident à mieux comprendre
et anticiper des phénomènes affectés par l’incertitude.

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des38Processus
/ 40 Aléatoires
 Outils Mathématiques et Statistiques

Concepts clés de la modélisation stochastique

Définition
Une variable aléatoire est une variable dont les valeurs sont déterminées
par le résultat d’un phénomène aléatoire. Mathématiquement, on la
représente souvent avec une fonction qui attribue des probabilités aux
résultats possibles.

Les modèles stochastiques comprennent plusieurs outils et concepts

essentiels tels que :
Distribution de probabilité : Représente les probables valeurs d’une
variable aléatoire.
Processus stochastiques : Séquence de variables aléatoires
représentant un système évoluant dans le temps.
Espérance mathématique : Moyenne pondérée des valeurs possibles
d’une variable, souvent notée
En ingénierie et sciences, ces concepts permettent de capturer les
comportements incertains pour des prévisions plus ciblées.
Simulation des processus aléatoiires
Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des39Processus
/ 40 Aléatoires
 Outils Mathématiques et Statistiques

Concepts clés de la modélisation stochastique

Exemple
Dans un contexte financier, modéliser le prix d’une action peut être réalisé
à l’aide d’un processus stochastique. Considérons le modèle de
déplacement brownien géométrique :La distribution logarithmique du prix
de l’action suit un paramètre médiocre plus un terme de variance aléatoire,
représenté par l’équation :

dSt = St × (µ × dt + σdWt ),

Ici, St est le prix de l’action à l’instant t, µ la dérivé, σ la volatilité, et

dWt une variation wiener, illustrant la partie aléatoire.

Simulation des processus aléatoiires

Samuel BOWONG ( Samuel BOWONG)
Chapitre 1: Introduction et Fondamentaux des40Processus
/ 40 Aléatoires