Probabilits et variables

alatoires
Adapt de Yannis Korilis, Christian St-Jean, Dave DeBarr,
Bob Carpenter, Jennifer Chu-Carroll et plusieurs autres
Exprience alatoire :
Ensemble dvnements pris parmi les lments dun
espace O sur lequel est dfinie une probabilit P.
Un vnement est reprsent par une partie de O note A.
Chaque vnement possde une probabilit P(A) telle que,
dans lespace probabilis (O, A, P), on a :
P(O)=1= vnement certain
P(A) + P(A
c
)=1
La loi de probabilit triviale est :
Cas discret Cas continu
) (
) (
) (
O
=
Card
A Card
A P
}
=
A
dx x p A P ) ( ) (
vnements alatoires et probabilits
Variable numrique X dont les valeurs dpendent des
rsultats e dune exprience alatoire. X est une fonction
dfinie sur lespace O associ lexprience alatoire.
Lusage des V.A. permet le calcul des probabilits par des
mthodes analytiques, sans passer par les lments de O
Variable alatoire discrte : dont lensemble des valeurs
est dnombrable
Esprance : la valeur moyenne de X

Variance : lecart quadratique moyen de la valeur de x
par rapport sa valeur moyenne

= =
E
x X xP X E ) ( ) (
| | ) ) ( ( ) (
2
X E X E X V =
Variable alatoire
V.A. dont les valeurs sont dans R.
Caractrises par une fonction de densit de probabilit f :
positive, intgrable , ,

Fonction de rpartition :


Esprance :

}
+

=1 ) ( dx x f
}
= < <
b
a
dx x f b X a P ) ( ) (
}

= < =
x
dt t f x X P x F ) ( ) ( ) (
}
+

= ) ( ) ( . ) ( x d x f x X E
Variables alatoires continues
) (
) (
) / (
B P
B A P
B A P

=
Probabilit conditionnelle :

vnements indpendants :

V.A. indpendantes :

Thorme de Bayes :
) ( ) ( ) ( B P A P B A P =
) y ( p ) x ( p ) y , x ( p
Y X Y , X
=
) (
) ( ) / (
) / (
B P
A P A B P
B A P =

=
k
k k
i i
i
A P A B P
A P A B P
B A P
) ( ) / (
) ( ) / (
) / (
Variables alatoires indpendantes et
conditionnelles
Lois de probabilit discrtes
Loi uniforme
X={1,2,,n} :
n
1
) k X ( P = =
12
1
) (
2
1
) (
2

=
+
=
n
X V
n
X E
Loi de Bernouilli
X={0,1} :
p ) 1 X ( P = =
) 1 ( ) ( ) ( p p X V p X E = =
Loi binomiale
Lvnement de probabilit p apparat X fois en n essais =>
n preuves de bernouilli, plus combinaisons de X dans n.
X={0,1,2, , n) :
k n k k
n
) p 1 ( p C ) k X ( P

= =
) 1 ( ) ( ) ( p p n X V p n X E = =
Loi gomtrique
Lvnement de probabilit p apparat au Xime essai :




Loi sans mmoire, La probabilit de lvnement
au temps k ne dpend pas du fait quil ne soit
pas apparu avant.
Proprit ignore par les joueurs !
p p X X X P k X P
k
k
1
2 1
) 1 ( ) 1 ;...; 0 ; 0 ( ) (

= = = = = =
2
1
) (
1
) (
P
p
X V
p
X E

= =
Loi de Poisson
Loi frquemment utilise pour modliser le nombre moyen X
dvnements arrivant dans un temps donn T
X={0,1,} :


= nombre moyen dvnement par unit de temps.
! k
e ) k X ( P
k

= =
= = ) ( ) ( X V X E
Relation avec la loi binomiale :
Si p<0.1 et n>50 : B(n,p)~P(np)
Lois de probabilit continues
Loi uniforme
| |
a
x
x F
a
x f a x = = e ) (
1
) ( ; 0
12
a
) x ( V
2
a
) x ( E
2
= =
Loi exponentielle
Utilise en fiabilit pour reprsenter la dure de vie dun matriel.

x x
e x F e x f x

= = > 1 ) ( ) ( 0
2
1
) x ( V
1
) x ( E

= =
Lesprance 1/ est souvent appel MTBF ( mean time between
failures ) et le taux de dfaillance
Loi sans mmoire : le pass ne permet pas de prdire
lavenir.
P(X>x)=probabilit dattendre plus de x avant lapparition dun
phnomne lorsque 1/ est le temps moyen dattente.
Loi Gamma
Gnralisation de la loi exponentielle. Souvent utilise dans les
files dattentes. P(X>x) = probabilit dattendre plus de x minutes
avant la kime apparition du phnomne tudi, avec 1/ comme
temps moyen dattente du phnomne entre deux apparitions.


}

= I
I
= >
0
1
1
) (
) (
) ( 0 dy e y k e
k
x
x f x
y
k x
k k

2
k
) x ( V
k
) x ( E

= =
Loi de Gauss ( normale )
Loi fondamentale en statistique. Trs souvent utilise en
modlisation.
( )
2
2
2
1
2
1
) (
o
t o
m x
e x f x

=
2
) x ( V m ) x ( E o = =
) 1 ; 0 ( ) ; ( N
m X
m N X si ~

~
o
o
B(n;p)N(np;np(1-p)) (np et n(1-p) suprieurs 5)
P()N(; ) (avec >18)
Elle est la loi limite de caractristiques issus dun
chantillon de grande taille.
On a les convergences suivantes :
Loi du Chi 2 (Khi-deux de Pearson)
) 1 ; 0 ( ,..., , 2 1 N Z Z Z Si k ~
2
) (
1
2
k
k
i
i
Z _ ~

=
On dit chi2 k degrs de libert
Loi de Student
) ( ) 1 ; 0 (
2
k t
k
Z
N Z Si
k
~
_
~
On dit student k degrs de libert
Loi de Fisher-Sndcor
) ; (
2
2
l k F
l
k
l
k
~
_
_
On dit fisher k et l degrs de libert
Exemple 1
Une machine industrielle comprend trois modules. Si lun
deux prsente une dfaillance, la machine tombe en
panne. Sachant que les dfaillances possibles de trois
modules sont indpendantes, avec probabilits 0.02 0.05
et 0.10, quelle est la probabilit que la machine tombe en
panne ?
P(A)=0.02 P(B)=0.05 P(C)=0.10
P(panne)=1-P(pas panne)=
8379 . 0 90 . 0 95 . 0 98 . 0 ) C ( P ) B ( P ) A ( P
) C B A ( P ) C et B et A ( P
= =
= =
Exemple 2
Une machine utilise quatre dispositifs D
1
, D
2
, D
3
, D
4
dont la
dfaillance peut intervenir de manire indpendante. La
machine tombe en panne si D
1
est dfaillant ou que deux de
D2, D3, D4 les sont.
A
i
: Di fonctionne sans dfaillance pendant un intervalle T,
avec probabilit P(Ai ).
Quelle est la probabilit de fonctionnement de cette machine
sur lintervalle de temps T si P(A
1
)=0.80, P(A
2
)=0.85, P(A
3
)=0.90
P(A
4
)=0.90 ?
) A A A A ( ) A A A A (
) A A A A (
) A A A A ( A
4 3 2 1 4 3 2 1
4 3 2 1
4 3 2 1


=
7704 . 0 ... 90 . 0 90 . 0 15 . 0 80 . 0 90 . 0 90 . 0 85 . 0 80 . 0 ) ( = + + = A P
Exemple 3
Un systme S se prsente de manire alatoire sous deux
tats, 0 et 1, avec P(S=0)= 0.4 et P(S=1)=0.6. Une station T
1

fournit des informations sur ltat de S. La probabilit que T
1

soit en erreur pour ltat 0 est 0.98 ; la probabilit quelle le soit
pour ltat 1 est 0.95.
A un instant donn, T
1
reporte S dans ltat 0. Quelle est la
probabilit que S soit vraiment dans ltat 0 ?
Posons E
1
: {S est dans ltat 0}, A : {S est observ dans ltat 0 par T
1
}
P(E
1
)=0.4 P(A /E
1
)=0.98 P(A/
c
E
1
)=0.05


929 . 0
) ( ) / ( ) ( ) / (
) ( ) / (
) / (
1 1 1 1
1 1
1 ~
+
=
E P E A P E P E A P
E P E A P
A E P
T
1
=0 T
1
=1
S=0 0.392 0.008 0.4
S=1 0.03 0.57 0.6
0.422 0.578 1
422 . 0
392 . 0
) A / E ( P
1
=
Exemple 4
Un systme S se prsente de manire alatoire sous deux tats,
0 et 1, avec P(S=0)= 0.4 et P(S=1)=0.6. Deux stations T
1
et T
2

fournissent des informations sur ltat de S. La probabilit
derreur de T
1
est 0.02 et celle de T
2
est 0.06


A un instant donn, T
1
donne S dans ltat 0 et T
2
donne S dans
ltat 1. Quelle est la probabilit que S soit dans ltat 0 ?
Posons E
1
{S est dans ltat 0} et E
2
{S est dans ltat 1}
A:{S est observ dans ltat 0 par T
1
et dans ltat 1 par T
2
}
P(E
1
)=0.4 P(E
2
)=0.6
P(A/ E
1
)=0.98*0.06 (=proba que T
1
soit vraie et T
2
soit fausse sachant que S
est dans ltat 0)
P(A/ E
2
)=0.02*0.94

68 . 0
60 . 0 0188 . 0 4 . 0 0588 . 0
40 . 0 0588 . 0
) ( ) / ( ) ( ) / (
) ( ) / (
) / (
2 2 1 1
1 1
1 ~
+

=
+
=
E P E A P E P E A P
E P E A P
A E P
Une machine tombe en panne selon la loi exponentielle avec un
facteur =0.5/heure. Quelle est la probabilit que la machine tombe en
panne entre la premire et deuxime heure aprs le dmarrage.
Exemple 5
La dure de vie d'un composant d'un systme est suppose suivre
une loi exponentielle de paramtre . Un grand nombre de ces
composants sont tests et on a observ que 5% ne durent pas plus
de 100 heures.
Estimer la probabilit qu'un composant pris au hasard dure plus de
200 heures, ou T est la dure de la vie en heures
La probabilit de survie est
Pour T > 200,

100 100
95 . 0 ) 1 ( 1 ) 100 (

= = = >

e e T P
( ) ( ) 24 . 0 e 1 e 1
) hr 1 T ( P ) hr 2 T ( P ) hr 2 T hr 1 ( P
hr 1 hr / 5 . 0 hr 2 hr / 5 . 0
= =
s s s = s s

Le taux global de dfaillance dun carte lectronique est la somme des
taux de chaque composant et ceux-ci suivent une loi de mortalit
exponentielle. Les taux lmentaires sont donns par des documents
fournis par les constructeurs.
Pour un taux de dfaillance = 12 10
-6
h
-1
et pour un fonctionnement
continu pendant 208 jours par an, donnez la probabilit thorique que
cette carte lectronique fonctionne encore au bout de ces 208 jours.
Exemple 6
t = 24 x 208 5000 heures
la probabilit thorique que cette carte lectronique fonctionne encore est
alors de R(5000) = e
-0.000012.x5000
= 0,9418. Ceci signifie que la probabilit
d'avoir une dfaillance pendant la dure de fonctionnement de 5000 heures est
de f = 1 - 0,9418 = 0,0582 soit 5,8 %.