Vous êtes sur la page 1sur 14

Leçon no

Variables aléatoires réelles à densité 9

Introduction
Nous avons vu dans la leçon « Variables aléatoires discrètes » que des variables aléatoires peuvent
prendre leur valeur dans un sous-ensemble des nombres entiers. On va essayer de généraliser en
élargissant l’ensemble des valeurs de départ d’une variable aléatoire à un intervalle de R.
 Exemple 4.1 On tire au hasard un point a sur le segment [0 , 1] et on note X = a. On a alors
X(Ω) = [0 , 1].
1. Calculer P ({X = 0,5}).
2. Calculer la probabilité que X appartienne au segment [0 , 12 ].


4.2 Densité et loi de probabilité


Définition 4.2 — Densité de probabilité. Soit I un intervalle de R. On appelle densité de probabilité
sur I, toute fonction f continue et positive sur I telle que :
Z
f (t) dt = 1.
I
4.3
R
R La notation I
désigne l’intégrale sur l’intervalle I.
1. Si I = [a , b] alors
Z Z b
f (t) dt = f (t) dt.
I a

2. Si I est non borné d’un coté (par exemple I = [a , +∞[ alors


Z Z x
f (t) dt = lim f (t) dt.
I x→+∞ a
3. Si I = R alors : Z Z Z
0 x
f (t) dt = lim f (x) dt + lim f (t) dt.
I x→−∞ x x→+∞ 0

 Exemple 4.4 Soit f une fonction constante sur l’intervalle [0 , 1]. On cherche la valeur de cette
constante pour que f soit une densité. On note γ cette constante :
Z 1
γ dt = 1 ⇔ γ = 1.
0

Plus généralement, si f est une fonction continue sur l’intervalle [a , b], on montre que f (t) = γ =
1
b−a . 
10 Leçon no 6 • Variables aléatoires réelles à densité

Définition 4.5 — Loi de probabilité.Soit I un intervalle et f une densité de probabilité sur I. L’appli-
cation P qui, à tout sous-intervalle [a , b] de I associe la quantité :
Z b
P ([a , b]) = f (t) dt
a

est appelé loi de probabilité sur I.

 Exemples 4.7 1. Si f est constante sur [a , b], on dit que P est la loi uniforme.
2. Si f est de la forme f (t) = λe−λt sur R avec λ > 0, on dit que P est la loi exponentielle de
paramètre λ. On a tout de même besoin d’une justification. Soit λ > 0 un réel. On montre que
f (t) = λe−λt définie sur R est une densité de probabilité sur R+ . On calcule :
Z x Z x " #x
e−λt
f (t) dt = −λt
λe dt = λ − = 1 − e−λx .
0 0 λ 0

Or, on a :
lim (1 − e−λx ) = 1.
x→+∞
Rx
La limite en +∞ de 0 f (t) dt existe bien et on a :
Z
f (t) dt = 1.
R+

4.3 Variables aléatoires continues. Loi uniforme, loi exponentielle


Définition 4.8 Soit P une loi de probabilité sur un intervalle I de f . On dit qu’une variable aléatoire
X, à valeurs dans I, suit une loi de probabilité P lorsque pour tout sous-intervalle [a , b] de I, on a :
Z b
P (a ≤ X ≤ b) = f (t) dt.
a
6.3 Variables aléatoires continues. Loi uniforme, loi exponentielle 11

 Exemples 4.9 1. On peut maintenant répondre aux questions de l’exemple introductif. X suit
une loi uniforme sur l’intervalle [0 , 1]. Donc :
(a) Z 0,5
P (X = 0,5) = 1 dt = 0.
0,5

(b) Z 0,5
P (X ∈ [0 , 0,5]) = P (0 ≤ X ≤ 0,5) = 1 dt = 0,5.
0
Dans le cas général, supposons que X suivent la loi uniforme sur [a , b]. Alors :
Z β
1 β−α
P (α ≤ X ≤ β) = dt = .
α b−a b−a
On note L([a , b]) la longueur de l’intervalle de [a , b]. Si X suit une loi uniforme sur un
intervalle I, alors la probabilité d’un sous-intervalle J est donné par la formule :
L(J)
P (X ∈ J) = .
L(I)
2. Si X suit la loi exponentielle de paramètre λ > 0, alors
Z x
P (0 ≤ X ≤ x) = λe−λt dt = 1 − e−λt
0

et par complémentarité :
P (X ≥ x) = 1 − P (0 ≤ X ≤ x) = e−λx .


Définition 4.10 — Fonction de répartition. Soit X une variable aléatoire, à valeurs dans un intervalle
I de la forme [a , b] (ou de la forme [a , +∞[) qui suit une loi de probabilité P . On appelle fonction
de répartition de X, la fonction F définie pour tout réel x de I par :

F (x) = P (X ≤ x).

Propriété 4.11 Si F est une fonction de répartition de X alors :


1. F est croissante sur [a , x],
2. F (a) = 0,
3. F (b) = 1 (si I = [a , b]) ou

lim F (x) = 1 si I = [a , +∞[.


x→+∞

4. P (X > x) = 1 − F (x)
5. P (α < X ≤ β) = F (β) − F (α).
 Exemple 4.12 Si X suit la loi exponentielle de paramètre λ, on a :
F (x) = 1 − e−λt .

12 Leçon no 6 • Variables aléatoires réelles à densité

4.4 Espérance d’une variable aléatoire continue


Définition 4.13 — Espérance d’une variable aléatoire continue. Soit X une variable aléatoire conti-
nue prenant ses valeurs dans un intervalle I. On appelle espérance de X la quantité :
Z
E(X) = tf (t) dt
I

 Exemples 4.14 1. Si X suit une loi uniforme sur I = [a , b] alors :


Z b " #b
t 1 t2 b+a
E(X) = dt = = .
a b−a b−a 2 a
2

2. Soit X suit une loi exponentielle de paramètre λ > 0 sur R+ . On calcule l’intégrale suivante :
Z x Z x
tλe−λt dt = λ te−λt dt.
0 0

On pose :
u(t) = t et v 0 (t) = e−λt ,
ainsi
e−λt
u0 (t) = 1 et v(t) = − .
λ
Une intégration par parties donne :
Z x Z x
h ix 1 h −λt ix −λxe−λx − e−λx + 1
λ te−λt dt = −te−λt + e−λt dt = −xe−λx − e = .
0 0 0 λ 0 λ
Puis, on étudie la limite lorsque x tend vers +∞. On sait que :

lim −xe−λx = 0
x→+∞

grâce à la règle des croissances comparées et

lim e−λx = 0
x→+∞

donc E(X) = λ1 .


4.5 Exemples de variables aléatoires à densité


4.5.1 Lois normales
Définition
Définition 4.15 — Loi normale. Soit m ∈ R et σ ∈ R∗+ . On dit que la variable aléatoire réelle X suit
la loi normale N(m, σ) si elle a pour densité de probabilité la fonction f définie par :
1 2
∀x ∈ R, f (x) = √ e−1/2[(x−m)/σ] .
σ 2π
6.5 Exemples de variables aléatoires à densité 13

Conséquence 4.16
Z b
1 2
P (a ≤ X ≤ b) = √ e−1/2[(x−m)/σ] dx.
σ 2π a

Cas particulier de N(0, 1)


2
La densité de probabilité est alors f (x) = √1 e−x /2 et on appelle, dans ce cas, Π la fonction de

répartition.
On a donc : Z b 1 2
P (a ≤ X ≤ b) = √ e−x 2 dx = Π(b) − Π(a).
a 2π
Les valeurs de la fonction de répartition pour la loi normale centrée réduite étant tabulées, il est
désormais possible de calculer P (a ≤ X ≤ b).
Propriété 4.17 La fonction f est paire sur R.

O 1

Conséquence 4.18 Si x > 0 alors Π(−x) = 1 − Π(x).

Dv

• Preuve En effet :
Z −x Z −x
Π(−x) = P (X ≤ −x) = f (t) dt = f (−t) dt
−∞ − inf

car f une fonction paire

Z +∞
= f (t) dt
x

après le changement de variable u = −t


Z +∞ Z x
= f (t) dt − f (t) dt = 1 − Π(x).
−∞ −∞
14 Leçon no 6 • Variables aléatoires réelles à densité

 Exemples 4.19 1. Π(1) = P (X ≤ 1) correspond donc à l’aire sous la courbe délimité à droite
par la droite d’équation x = 1.
2. Π(−1) = P (X ≤ −1) = 1 − Π( 1) correspond à l’aire sous la courbe délimité à gauche par
la droite d’équation x = 1.


O 1

Se ramener à une N(0, 1)


Propriété 4.20 Soit X ∼ N(m, σ). Alors Y = X−m
σ ∼ N(0, 1). On dit qu’on centre et qu’on réduit
la variable aléatoire X.

Dv

• Preuve
 
X −m
P (a ≤ Y ≤ b) = P a≤ ≤b
σ
Z bσ+m
1 2
= P (Aσ + m ≤ X ≤ bσ + m) = √ e−1/2[(x−m)/σ] dx
aσ+m σ 2π

On effectue alors le changement de variable y = x−m


σ et on obtient :
Z Z
b
1 2
b
1 2
P (a ≤ Y ≤ b) = √ e−y /2 σ dy = √ e−y /2 dy
a σ 2π a 2π
2
donc Y a pour densité f (x) = √1 e−x 2. La variable aléatoire Y suit bien une loi normale centrée réduite.

 Exemple 4.21La variable aléatoire X suit une loi normale de paramètres m = 2, 09 et σ = 0, 13,
autrement dit X ∼ N(2.09, 0.13).
On va se ramener à une loi normale centrée réduit en posant : T = X−mσ et donc T ∼ N(0, 1).
On demande de calculer P (X ≤ 2, 35) et P (1, 895 ≤ X ≤ 2, 285).
—  
X − 2, 09
P (X ≤ 2, 35) = P ≤ 2 = P (T ≤ 2) = 0, 9772.
0, 13
6.5 Exemples de variables aléatoires à densité 15

P (1, 895 ≤ X ≤ 2, 285) = P (−1, 5 ≤ T ≤ 1, 5) = P (T ≤ 1, 5) − P (T ≤ −1, 5)


= P (T ≤ 1, 5) − (1 − P (T ≤ 1, 5)) = 2 × P (T ≤ 1, 5) − 1
= 2 × 0, 9332 − 1 = 0, 8664.

Espérance et variance
Propriété 4.22 Si X ∼ N(m, σ) alors E(X) = m et Var(X) = σ 2 .

Dv

• Preuve — Z +∞
1 2
E(X) = x √ e−1/2[(x−m)/σ] dx.
−∞ σ 2π
On considère la variable aléatoire Y = X−m
σ alors Y ∼ N(0, 1). On a : X = σY + m donc :
(
E(X) = σE(Y ) + m
Var(X) = σ 2 Var(Y )
( (
E(Y ) = 0 E(X) = m
donc si alors .
Var(Y ) = 1 Var(X) = σ 2
— Z +∞
y 2
E(Y ) = √ e−y /2 dy = 0 car f est une fonction paire.
−∞ 2π

Var(Y ) = E(Y 2 ) − (E(Y ))2 = E(Y 2 ).
Il faut donc calculer : Z +∞
2 y2 2
E(Y ) = √ e−y 2 dy.
−∞ σ 2π
Pour cela, on va faire une IPP en considérant l’intégrale suivante :
Z a
1 2
soit a > 0, I(a) = √ e−y /2 dy
−a 2π
avec : ( 2 2
u(y) = e−y 2, u0 (x) = −ye−y /2

v 0 (y) = √12π , v(y) = √y2π .

 a Z a
y 2 1 2
I(a) = √ e−y /2 +√ y 2 e−y 2 dy
2π −a 2π −a
Z a
2a −a2 /2 y 2 −y2 /2
=√ e + √ e dy.
2π −a 2π
16 Leçon no 6 • Variables aléatoires réelles à densité

Puis on fait tendre a vers +∞ et on obtient :


Z +∞ Z +∞ 2
1 −y2 /2 y 2
√ e dy = 1 = √ e−y /2 dy.
−∞ 2π −∞ 2π
Au final, on a :
Var(Y ) = E(Y 2 ) = 1.

4.5.2 Loi uniforme


La loi uniforme sur [a, b], notée Unif([a, b]) a pour densité de probabilité :
(
f (x) = 0 / [a , b]
si x ∈
1
f (x) = b−a si x ∈ [a , b].

Propriété 4.23 Si X ∼ Unif([a, b]) alors :

a+b (b − a)2
E(X) = et Var(X) = .
2 12

F IGURE 6.1 – Densité de la loi uniforme [a, b]

4.5.3 Loi exponentielle


La loi exponentielle Exp(λ) a pour densité de probabilité :
(
f (x) = 0 si x < 0
f (x) = λe−λx si x ≥ 0

Propriété 4.24 La densité de probabilité h de la somme de deux variables aléatoires indépendantes


6.6 Applications 17

F IGURE 6.2 – Fonction de répartition de la loi uniforme [a, b]

dont les densités f et g sont nulles pour x ≤ 0, est définie par :


Z x
h(x) = f (x − t)g(t) dt.
0

Propriété 4.25 Si X ∼ Exp(λ) alors :


1 1
E(X) = et Var(X) = .
λ λ2

F IGURE 6.3 – Densité de la loi exponentielle Exp(λ) pour λ = 0, 5, λ = 1, λ = 1, 5

4.6 Applications
4.6.1 Loi de durée de vie sans vieillissement
18 Leçon no 6 • Variables aléatoires réelles à densité

F IGURE 4.4 – Fonction de répartition de la loi exponentielle Exp(λ) pour λ = 0, 5, λ = 1, λ = 1, 5

Définition 4.26 Soit T une variable aléatoire correspondant à la durée de vie d’un individu ou d’un
objet. On dit que T suit la loi de durée de vie sans vieillissement lorsque la probabilité que l’individu
(ou l’objet) soit vivant (ou fonctionne) à l’instant t + h sachant qu’il est vivant (ou qu’il fonctionne)
à l’instant t ne dépend pas de son âge :

P(T ≥t) (T ≥ t + h) = P (T ≥ h).

Proposition 4.27 Une variable aléatoire T suit la loi de durée sans vieillissement si et seulement si
elle suit une loi exponentielle.

Dv

• Preuve — Démonstration de la proposition 4.27. (⇐) On suppose que T suive une loi ex-
ponentielle de paramètre λ ∈ R+ . Par définition d’une probabilité conditionnelle, on a :

P ((T ≥ t + h) ∩ (T ≥ t))
P(T ≥t) (T ≥ t + h) = .
P (T ≥ t)

Or l’événement « T ≥ t + h » est inclus dans l’événement « T ≥ t » donc :

P ((T ≥ t + h) ∩ (T ≥ t)) = P (T ≥ t + h) = e−λ(t+h) .

Par ailleurs :
P (T ≥ t) = e−λt ,
d’où :
e−λ(t+h)
P(T ≥t) (T ≥ t + h) = = e−λh = P (T ≥ h).
e−λt
(⇒) Réciproquement, soit T une variable aléatoire suivant une loi de durée de vie sans vieillissement.
Alors, pour tout réel t de R+ et tout réel h de R+ :

P(T ≥t) (T ≥ t + h) = P (T ≥ h) ⇔ P (T ≥ t + h) = P (T ≥ h)P (T ≥ t).


6.6 Applications 19

Soit F la fonction de répartition de la variable aléatoire T . On note ϕ la fonction définie sur R+


par :
ϕ(t) = 1 − F (t) = 1 − P (T ≤ t) = P (T > t) = P (T ≥ t).
Comme F est dérivable sur R+ , ϕ l’est aussi et on a :

ϕ(0) = 1 − F (0) = 1 et ϕ(t + h) = ϕ(t)ϕ(t),

autrement dit, ϕ vaut 1 en 0 et transforme les sommes en produits. Il existe donc un réel a (voir la
leçon « Équations différentielles ») tel que

ϕ(t) = eat .

Mais comme ϕ est en fait une probabilité, on a pour tout t ∈ R+ :

ϕ(t) ≤ 1 ⇔ eat ≤ 1 ⇔ at ≤ 0 ⇔ a ≤ 0.

On pose λ = −a ∈ R+ . Si a était nul, on aurait, pour tout t ∈ R+ :

ϕ(t) = 1 ⇔ P (T ≥ t) = 1

Ce qui signifierait que notre individu est éternel, hypothèse que l’on peut rejeter. Donc, on a bien
λ ∈ R∗+ . D’où, pour tout t ∈ R+ :

ϕ(t) = e−λt ⇔ 1 − F (t) = e−λt

et en dérivant, on obtient :

−f (t) = −λe−λt ⇔ f (t) = λe−λt .

La variable aléatoire T suit donc une loi exponentielle de paramètre λ.

.
.

.
22 BIBLIOGRAPHIE

[21] C. S UQUET, Initiation à la Statistique, 2010. http://math.univ-lille1.fr/


~suquet/Polys/IS.pdf.
[22] J.-F. D ELMAS, Modélisation stochastique, Cours de M2, 2009. URL : http://cermics.
enpc.fr/~delmas/Enseig/mod-stoch.pdf
[23] L.-M. B ONNEVAL, Chaînes de Markov au lycée, APMEP no 503, 2013. URL : http://
publimath.irem.univ-mrs.fr/biblio/AAA13018.htm
[24] Marche aléatoire, IREM de Franche-Comte. URL : http://www-irem.
univ-fcomte.fr/download/irem/document/ressources/lycee/marche/
marche-aleatoire.pdf.
[25] Marches sur Z, culturemath.ens.fr, URL : http://culturemath.ens.fr/maths/
pdf/proba/marchesZ.pdf
[26] Contributeurs à Wikipedia, Marche aléatoire, Wikipédia, l’encyclopédie libre, 2014.
[27] Marche au hasard dans les rues de Toulouse, URL : http://mappemonde.mgm.fr/
actualites/M_toulouse2.html