Rappel: Notions de base en probabilités

Module : Probabilité et Statistiques

Notions de base, Variable aléatoire réelle

Lois usuelles discrètes, Application
Notions de base

Expérience aléatoire ε
Une expérience aléatoire est une une épreuve dont le résultat ne peut pas
être déterminé avec certitude à priori.

Exemples:
• Le lancer d’un dé.

• Le lancer d’une pièce de monnaie.

1
Notions de base

Univers d’une expérience aléatoire

L’ensemble des résultats possibles d’une expérience aléatoire (dites aussi
issues d’une expérience aléatoire) est dit Univers,
et est noté généralement Ω.

Exemples:
• Les résultats possibles d’un lancer d’un dé sont :

Ω = {1, 2, 3, 4, 5, 6}
• Les résultats possibles d’un lancer d’une pièce de monnaie sont :

Ω = {0, 1}
2
Notions de base

Evènement
Un évènement est un résultat possible d’une expérience aléatoire, c’est un
élément de Ω noté ω.

Exemple:
Pour l’expérience : jet d’un dé à 6 faces numérotées de 1 à 6, l’univers
est : Ω = {1, 2, 3, 4, 5, 6}.

• A : ’ Obtenir 3 ’ est l’évènement élémentaire {3}.

• B : ’Obtenir un nombre pair’ est l’évèvement {2, 4, 6}.

3
Notions de base

Une probabilité
Une probabilité P est une fonction permettant de ’mesurer’ la chance de
réalisation d’un évènement de Ω.

P : Ω −→ [0, 1]
ω −→ P(ω)

Probabilité de deux évènements indépendants

Deux évènements sont dits indépendants ssi, P(A ∩ B) = P(A) × P(B)

Avec 0 A ∩ B 0 est l’évènement tels que A et B sont réalisés les 2 à la fois.

Exemple:
La valeur d’un premier lancer d’un dé n’a aucune influence
sur la valeur du second lancer.
4
Exemple

On considère l’expérience aléatoire suivante:

• ε : "Jet de deux pièces de monnaie".

• Ω = {(P, P); (P, F ); (F , P); (F , F )}.
• ω = {(P, P)} est un résultat possible ( un évènement).
• P(ω) = 41 .

D’une manière générale, lorsque le nombre de résultats possibles de

l’expérience est fini et que ces résultats sont équiprobables, alors

Nombre de cas où ω se réalise

P(ω) =
Nombre de tous les cas possibles

5
Variable aléatoire réelle

Une variable aléatoire (v.a) X est une fonction définie sur l’espace
fondamental Ω, qui associe une valeur numérique à chaque résultat de
l’expérience aléatoire étudiée.
Ainsi à chaque évènement élémentaire ω, on associe un nombre X (ω) :

X : Ω −→ E
ω −→ X (ω)

Où E : est l’ensemble des valeurs possibles de X

X prend ses valeurs dans un ensemble E discret de valeurs réelles, X

est dite v.a discrète. 6
Variable aléatoire réelle

La loi d’une variable aléatoire discrète X est la liste de toutes les

différentes valeurs que peut prendre X avec les probabilités qui leur sont
associées.
Pour la variable aléatoire discrète , la loi de probabilité est connue par la
la fonction de masse de probabilité notée par f , telle que:

f (x) = P(X = xi )

Exemple On jette 2 dés et on s’intéresse à la somme des nombres

obtenus.
• X : ’ la somme des nombres obtenus’.
• Ω = {(1, 1), (1, 2), (2, 1)..., (6, 6)}; Card(Ω) = 36.
• Les valeurs possibles de X sont X (ω) = {2, 3, ..., 12}.
• La probabilité que X prend la valeur 2 respectivement 3 :
• f (2) = P(X = 2) = 1
36
.
• f (3) = P(X = 3) = 2
36
= 18
1
.
7
Variable aléatoire réelle

Fonction de répartition de la loi de X

soit X une v.a. On appelle fonction de répartition de X la fonction de R
dans [0, 1], telle que :

F : R −→ [0, 1]
x −→ P(X ≤ x)

Exemple On reprend l’exemple précédent:

• F (3, 7) = P(X ≤ 3, 7) = P(X = 2) + P(X = 3)

F additionne les probabilités des valeurs de X situées à gauche de x.

8
Variable aléatoire réelle

Propriétés
• F est croissante.
• lim F = 0 et lim F = 1.
x→−∞ x→+∞
• P(a < X ≤ b) = F (b) − F (a).
• P(X > a) = 1 − P(X ≤ a)

9
Variable aléatoire réelle

• ε : " Jet de deux pièces de monnaie ".

• Ω = {(P, P); (P, F ); (F , P); (F , F )}.
• X représente le nombre de piles obtenus, X (ω) = {0, 1, 2}.
• La loi de X et la fonction de répartition sont décris dans le tableau
suivant:
X x1 = 0 x2 = 1 x3 = 2
P( X= xi ) 1
4
1
2
1
4
F(x) 1
4
3
4 1

10
Variable aléatoire réelle

Espérance mathématique d’une v.a

L’espérance ou moyenne d’une variable aléatoire discrète X est le réel :
X
E (X ) = xi .P(X = xi )
xi

Exemple
Reprenons le tableau précédent:
X x1 = 0 x2 = 1 x3 = 2
P( X= xi ) 1
4
1
2
1
4
F(x) 1
4
3
4 1

L’espérance de la variable aléatoire X est :

X 1 1 1
E (X ) = xi .P(X = xi ) = 0 × + 1 × + 2 × = 1
4 2 4
xi ,i∈{1,2,3}
11
Variable aléatoire réelle

Propriétés
Soient X une v.a réelle, a et b deux réels, on a:
• E (a) = a
• E (a.X ) = a.E (X ).
• E (a.X + b) = a.E (X ) + b.

12
Variable aléatoire réelle

Variance d’une v.a

La variance d’une variable aléatoire discrète X est le réel positif :

Var (X ) = E ((X − E (X ))2 ) = E (X 2 ) − E (X )2

Remarque: E (X 2 ) = xi2 .P(X = xi ).

P
xi

Exemple
Reprenons le tableau précédent:
X 0 1 2
P( X= xi ) 1
4
1
2
1
4
F(x) 1
4
3
4 1

La variance de la variable aléatoire X est :

Var (X ) = xi ,i∈{1,2,3} xi2 .P(X = xi ) − E (X )2
P

= 0 × 14 + 12 × 21 + 22 × 14 − 1 = 12 13
Variable aléatoire réelle

Propriétés
Soient X une v.a réelle, a et b deux réels, on a:
• Var (a) = 0
• Var (a.X ) = a2 .Var (X ).
• Var (a.X + b) = a2 .Var (X ).

Ecart-type
L’écart-type de la v.a X est la racine carrée de sa variance:
p
σ(X ) = Var (X )

14
Lois usuelles discrètes

• Loi de Bernoulli Ber (p)

• Loi Binomiale B(n, p)

• Loi du poisson Po(λ)

15
La loi de Bernoulli Ber(p)

La loi de Bernoulli Ber(p)

La variable aléatoire X suit une loi de Bernoulli de probabilité p, si X vaut
1 ou 0 avec les probabilités respectives p et 1-p.
On écrit X ∼ Ber (p).

On a alors :

• Pour tout x ∈ {0, 1}, P(X = x) = p x (1 − p)1−x

• E (X ) = p
• Var (X ) = p(1 − p)

16
La loi Binomiale

La loi Binomiale B(n,p)

Si la variable X suit une loi binomiale B(n,p), cela veut dire que X est égale
au nombre de succés obtenus dans une série de n épreuves de Bernoulli
indépendantes de probabilité p. La variable aléatoire X peut donc prendre
n+1 valeurs : 0, 1...n.
On écrit X ∼ B(n, p).

On a alors :

• Pour tout x ∈ {0, 1, ..., n}, P(X = x) = Cxn p x (1 − p)n−x

• E (X ) = np
• Var (X ) = np(1 − p)

17
La loi du poisson

La loi du poisson
La variable aléatoire X suit une loi de poisson si elle représente le nombre
de succés dans un intervalle du temps considéré.
On écrit X ∼ P(λ).

On a alors :
e −λ λx
• Pour tout x ∈ R, P(X = x) = x! ; λ>0
• E (X ) = λ
• Var (X ) = λ

18
Application

Une source veut émettre un message (ou un segment de données) vers

une destination. Pour ce faire, elle se connecte à un réseau de
communication. Cependant, ce réseau est caractérisé par une probabilité
de perte de message q. (Respectivement p = (1-q) la probabilité de
transmission du message).

19
Appliaction

Vu que la source désire obligatoirement que le message soit livré à la

destination, elle sera obligée de retransmettre le message autant de fois
qu’il est perdu jusqu’à ce qu’une transmission soit réussite. On suppose
que les pertes du message sont indépendantes. Soit X une variable
aléatoire qui représente le nombre de transmissions nécessaires à la
réception du message.
Soient les évènements :

• E : le message est perdu

• S :le message est transmis

20
Application

La situation est décrite par le schéma illustratif suivant:

Modélisation de la solution:
Chaque transmission du message est une épreuve de Bernoulli:

Un succés : le message est reçu par la destination avec une

probabilité p=1-q.
Un échec : Le message est perdu dans le réseau avec une
probabilité q.
21
Application

Une transmission fiable d’un message est :

Une répitition de l’épreuve de Bernoulli de façon indépendante jusqu’à

l’obtention d’un succés.

X : le nombre de transmissions nécéssaires à la réception d’un message.

• X (Ω) = {1, 2, ....} = N∗

X se comporte comme étant une variable aléatoire discrète.

22
Application

• Exprimons P(X = 4) en fonction de E et S. Puis l’écrire en fonction

de p.

P(X = 4) = P(EEES)
= P(E ∩ E ∩ E ∩ S)
(les épreuves sont indépendantes ) = P(E ) × P(E ) × P(E ) × P(S)
= P(E )3 .P(S)
= q 3 .p
= (1 − p)4−1 .p

23
Application

• Exprimons P(X = 4) en fonction de E et S. Puis l’écrire en fonction

de p.

P(X = 4) = P(EEES)
= P(E ∩ E ∩ E ∩ S)
(les épreuves sont indépendantes ) = P(E ) × P(E ) × P(E ) × P(S)
= P(E )3 .P(S)
= q 3 .p
= (1 − p)4−1 .p

Généralisation:
La loi de probabilité de X est donnée par:

P(X = k) = (1 − p)k−1 .p ; k ∈ N∗

C’est la loi géomètrique

23
Application

Définition
La loi géométrique est une loi de probabilité discrète qui modélise
l’observation du nombre d’épreuves de Bernoulli identiques et
indépendantes devant se succéder pour espérer un premier succès.
On note X ∼ G(p)

Propriétés

• La probabilité de remporter un premier succès à l’épreuve k est égale

à : P(X = k) = p.(1 − p)k−1 .
• E (X ) = p1 .
(1−p)
• Var (X ) = p2 .

24
Application

Calcul de la moyenne et la variance de la loi géomètrique

• La moyenne

+∞
X
E (X ) = k.P(X = k)
k=1
+∞
X
= k.(1 − p)k−1 .p
k=1
+∞
X
= p. k.q k−1
k=1
+∞
X d k
= p. q
dq
k=1
+∞
d X
= p. qk
dq
k=1
25
Application

+∞
X d k
= p. (q − 1)
dq
k=0
1
= p.
p2
1
E (X ) =
p

• Variance

Var (X ) = E (X 2 ) − E (X )2
+∞
X 1
= k 2 .P(X = k) − , or k 2 = k(k − 1) + k
p2
k=1
+∞ +∞
X X 1
= k(k − 1).P(X = k) + k.P(X = k) −
p2 26
k=2 k=1
Appliaction

+∞
X 1 1
Var (X ) = k.(k − 1).p.(1 − p)k−1 + − 2
p p
k=2
+∞
X 1 1
= p(1 − p). k(k − 1).(1 − p)k−2 + − 2
p p
k=2
2(1 − p) 1 1
= + − 2
p2 p p
1−p
=
p2

27
Application

Revenons à la transmission fiable d’un message.

Objectif: limiter la charge non utile de réseau.

• Si X > `, (` une limite donnée ), la connexion à la destination est

supposée perdue .
Déterminons P(X > `)?

P(X > `) = 1 − P(X ≤ `)

28
Application

Revenons à la transmission fiable d’un message.

Objectif: limiter la charge non utile de réseau.

• Si X > `, (` une limite donnée ), la connexion à la destination est

supposée perdue .
Déterminons P(X > `)?

P(X > `) = 1 − P(X ≤ `)

La fonction de
répartition de X

28
Application

La fonction de répartition de X :
`
X
P(X ≤ `) = P(X = k)
k=1
`
X
= (1 − p)k−1 .p
k=1
`
X
=p (1 − p)k−1
k=1
`−1
X
=p (1 − p)k
k=0
1 − (1 − p)`
=p
1 − (1 − p)
1 − (1 − p)`
= p. = 1 − (1 − p)`
p
P(X > `) = 1 − (1 − (1 − p)` ) = (1 − p)` 29
Application

• Selon des expériences ultérieures, le nombre de transmissions

moyen nécessaire à la réception du message est égal à 4.

• Connaissant le réseau, la probabilité que la connexion soit

perdue est égale à 0.1.

• Déterminer le nombre de transmissions à partir du quel la

connexion sera perdue.

• Solution
Soit X une v.a qui représente le nombre de transmission nécessaire à
la réception du message X suit la loi géométrique de paramètre 14 .
On a alors :

30
Application

P(X > `) = (1 − p)` = (1 − 0.25)` = 0.1

= ln(1 − 0.25)` ) = ln(0.1)
= `.ln(0.75) = ln(0.1)
ln(0.1)
`= =8
ln(1 − 0.25)

31