Module : Techniques d’estimation pour l’ingénieur Classe : 3ème année

Rappel probabilité

1 Notions de base :
▶ Expérience aléatoire ε : Une expérience aléatoire est une expérience dont on ne
peut pas prédire le résultat.
▶ Espace fondamental : ou Univers, est l’ensemble de tous les résultats possibles
d’une expérience aléatoire. On note Ω l’univers associé à une expérience aléatoire.
Les éléments de Ω sont souvent notés ω.
▶ Evènement : est une partie de l’ensemble des résultats possibles, c’est un sous en-
semble de l’univers Ω.

Définition 1 (évènements incompatibles)

Deux événements A et B sont dits incompatibles s’ils ne peuvent se réaliser si-

multanément c’est-à-dire lorsque l’intersection des évènements A et B est vide tel
que :
A ∩ B=∅

▶ Notion de probabilité : Considérons une expérience dont l’ensemble fondamental

est Ω. On définit sur l’ensemble des événements une fontion qui à chaque événement
associe un poids, appelé probabilité, compris entre 0 et 1 : plus le poids est proche de 0
moins l’événement risque de se réaliser, plus le poids est proche de 1 plus l’événement
se réalisera souvent.

1
 Définition 2 (Probabilité)

On appelle une probabilité sur Ω toute fonction P de Ω à valeurs dans [0, 1] vérifiant :
— P(Ω) = 1 .
— Pour toute suite (Ai )i≥1 d’évènements deux à deux disjoints, on a :

n
[ n
X
P( Ai ) = P(Ai ),
i=1 i=1

Exemple 1 : Un cas particulier d’une probabilité dite probabilité uniforme définie par :

P : A → [0, 1]
card(A)
A 7→ P (A) =
card(Ω)

On considère l’expérience aléatoire

ε = ”jet d’une pièce de monnaie deux fois ”

L’univers de l’expérience est

Ω = {(P,P) ; (P,F) ; (F,P) ; (F,F)}

Soit l’évènement A=”avoir au moins une pile” qui est présenté par :

A = {(P,P) ; (P,F) ; (F,P)}

En particulier on a :
card(A) 3
P(A) = =
card(Ω) 4

Définition 3 (Probabilité conditionnelle)

Soient A et B deux événements de A tel que P(B) ̸= 0. Alors la probabilité de

l’évènemet A sachant B notée P(A/B) est définie par :

P(A ∩ B)
P(A/B) =
P(B)

2
 Définition 4 (événements indépendants)

Deux événements A et B de A sont dit indépendants si et seulement si :

P(A ∩ B) = P(A) × P(B)

Exemple 2 : On tire une carte au hasard dans un jeu classique de 32 cartes. On considère
les évènements :
A : ”obtenir une figure (valet, dame ou roi)” et B : ”obtenir un carreau”.
On a alors : A ∩ B = ”obtenir un valet de carreau ou une dame de carreau ou un roi de
carreau”.
3 12 3 1
Donc P (A ∩ B) = . De même P (A) = = et P (B) = .
32 32 8 4

Ceci implique que les évènements A et B sont indépendants, puisque :

P (A ∩ B) = P (A)P (B)

Définition 5

L’indépendance est aussi caractérisée par la probabilité conditionnelle. Autrement

dit, A et B sont indépendants ssi :

P(A/B) = P(A)

2 Variable aléatoire réelle :

Définition 6 (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 → R
ω 7→ X(ω)

3
 Lorsque X est une variable aléatoire
discrète, alors elle prend ses valeurs dans un
ensemble E discret de valeurs réelles.

2.1 Loi de probabilité de X :

Définition 7 (Loi de probabilité de X)

Soit X une variable aléatoire discrète à valeurs dans X(Ω) = {x1 , x2 , . . . , xn }. On

appelle loi de probabilité ou distribution de X l’ensemble des probabilités :

∀i = 1 . . . n, P(X = xi )

Pn
On note que i=1 P(X = xi ) = 1.

2.2 Fonction de répartition de la loi de X :

Définition 8 (Fonction de répartition de la loi de X)

Soit X une variable aléatoire discrète à valeurs dans X(Ω). On appelle fonction de
répartition de X la fonction de R dans [0, 1], telque :

F : R → [0, 1]
P
x 7→ P(X ≤ x) = xi ∈X(Ω)|xi ≤x P(X = xi )

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

Exemple 3 : On jette une pièces de monnaie deux fois et on considère la variable aléatoire
X représentant le nombre de piles obtenues.
D’une part, la loi de X est donnée par l’ensemble de ces valeurs possibles ainsi que leurs
probabilités :

X(Ω) = {0; 1; 2}
1 1 1
P(X = 0) = , P(X = 1) = , P(X = 2) =
4 2 4

4
D’autre part, la fonction de répartition de X est définie par :



 0 si x ∈] − ∞, 0[


 1 si

x ∈ [0, 1[
F (x) = 4
3



 4
si x ∈ [1, 2[


1 si x ∈ [2, +∞[


2.2.1 Espérence mathématique

Définition 9 (Espérence mathématique)

L’espérance ou la moyenne d’une variable aléatoire discrète X est donnée par :

X
E[X] = xi P(X = xi )
xi ∈X(Ω)

Propriétés :

Soit X une variable aléatoire discrète, a et b deux constantes réelles.

• E[a X + Y ] = a E[X] + E[Y ] • E[a] = a

2.2.2 Variance et écart-type

Définition 10 (Variance et écart-type)

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

V [X] = E[(X − E[X])2 ] = E[X 2 ] − E[X]2

• L’écart-type de X est la racine carrée de sa variance.

p
σ[X] = V [X]

Propriétés :

Soit X une variable aléatoire discrète, a et b deux constantes réelles.

• V [a X + b] = a2 V [X] • V [a] = 0

5
3 Lois usuelles discrètes

3.1 La loi de Bernoulli B(p)

Définition 11 (Loi de Bernoulli B(p))

La variable aléatoire X suit une loi de Bernouilli de probabilité p, si X vaut 1 ou

0 avec les probabilités respectives p et 1 − p.

On note X ∼ B(p) on a alors

• P(X = x) = px (1 − p)1−x , ∀ x ∈ {0; 1}

• E[X] = p
• V [X] = p(1 − p)

3.2 La loi binomiale B(n, p)

Définition 12 (Loi binomiale B(n, p))

Si la variable aléatoire X suit une loi binomiale : X ∼ B(n, p), cela veut dire que X
est égale au nombre de succès obtenus dans une série de n épreuves de Bernouilli
indépendantes de probabilité p.

On note X ∼ B(p) on a alors

• P(X = k) = Cnk pk (1 − p)n−k ∀ k ∈ {0, 1, . . . , n}

• E[X] = np
• V [X] = np(1 − p)

3.3 La loi de Poisson P(λ)

Définition 13 (Loi de Poisson P(λ))

Si une variable aléatoire X représente le nombre de succès dans un intervalle de

temps considéré, alors X obéit à une distribution de Poisson : X ∼ P(λ) ; λ est
le paramètre de la loi qui décrit le nombre moyen de succès dans cet intervalle de
temps.

6
On note X ∼ P(λ) on a alors

e−λ λk
• P(X = k) = ∀k∈N
k!
• E[X] = λ
• V [X] = λ

3.4 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).
Vue 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

1. Déterminer X(Ω) l’ensemble des valeurs prise

par la v.a. X.
2. Exprimer P(X = 4) en fonction de E et S. Puis
l’écrire en fonction de p.
3. Déterminer alors P(X = k), ∀k ∈ X(Ω)

Vu que le nombre de transmission peut parfois devenir important, on aimerait borner celui-
là et considérer qu’une transmission fiable ne réussit pas au-delà d’une limite l et que la
connexion à la destination sera perdue en dépassant l.
On aimerait dans ce cas, calculer le nombre de transmission nécessaire pour que la connexion
ne soit pas perdue.
On sait par ailleurs que :

1
L’espérance de X : E[X] =
p
La fonction de répartition de X : F (x) = P(X ≤ x) = 1 − (1 − p)k

7
 4. Exprimer la probabilité de perte de la connexion en fonction de p et l.
Selon des expériences ultérieures, le nombre de transmissions moyen nécessaire à la réception
du message est égal à 4 et la probabilité que la connexion soit perdue est égale à 0.1.
5. Déterminer le nombre de transmissions l à partir duquel la connexion serait perdue.