Chap 1 Proba S2

Ecole Nationale Polytechnique
de Constantine
COURS DE PROBABILITES
(Semestre 2)
Zaher MOHDEB
E-mail: z.mohdeb@gmail.com, zaher.mohdeb@umc.edu.dz
Zaher Mohdeb (E. N. P. de Constantine) 1 / 46

Notion de variables aléatoires réelles
Chapitre 1 Notion de variables aléatoires réelles

1- Introduction et définition
En théorie des probabilités, une variable aléatoire réelle est une
application définie sur l’ensemble des résultats possibles d’une
expérience aléatoire noté Ω à valeurs dans IR. Les jeux de hasard tels
que le lancer d’un dé, d’un tirage à pile ou face, d’une roulette,. . .
qui amenèrent à concevoir les variables aléatoires, en associant à une
éventulaité un gain. Cette association éventualité-gain a donné lieu
par la suite à la conception d’une fonction de portée plus générale.
La fonction décrivant les valeurs possibles d’une variable aléatoire et
leur probabilité est connue sous le nom de la distribution de
probabilité.

Les variables aléatoires peuvent être discrètes, qui est, en prenant tous les
éléments d’une liste finie ou dénombrable de valeurs spécifiée, doté d’une
fonction de masse de probabilité, caractéristique d’une distribution de
probabilités ; ou continues, en prenant une valeur numérique dans un
intervalle ou d’une famille d’intervalles, par l’intermédiaire d’une fonction
de densité de probabilité qui est une caractéristique de la distribution de
probabilités ; ou un mélange des deux types.
Ainsi la notion de variable aléatoire permet de créer une relation entre un
espace probabilisé et un espace mesurable qui est presque toujours l’espace
IR ou IRn . Par cette relation, l’espace qui n’était que mesurable devient
aussi probabilisé. Dans ce cas, la variable aléatoire présente le grand intérêt
pratique d’associer des nombres à une expérience soumise au hasard dont
les issues sont abstraites. Pour un expérientateur, l’espace probabilisé est
le phénomène étudié et l’espace mesurable sera l’ensemble de tous les
résultats chiffrés des expériences portant sur le phénomène en question.

Définition
Soit X l’application définie de Ω dans IR, on note X −1 l’application
de P(IR) dans P(Ω) qui à B ⊂ IR associe son image réciproque par
X : X −1 (B) = {ω ∈ Ω/X (ω) ∈ B}.
Remarque : Il s’agit d’une application réciproque ensembliste mais

pas de l’application réciproque d’une application bijective.
Propriétés
Soient X une application de Ω dans IR, A, B deux sous-ensembles de
IR et Ai ⊂ IR, ∀i ∈ I ⊂ IN, alors

1) X −1 (∅) = ∅ 4) X −1 ∩ Ai = ∩ X −1 (Ai )
i ∈I i ∈I
−1
2) X (IR) = Ω 5) X −1
∪ Ai = ∪ X −1 (Ai )
i ∈I i ∈I
3) X −1 (CIR B) = CΩ X −1 (B) 6)X −1 (A∆B) = X −1 (A)∆X −1 (B) .
Tribu engendrée, tribu borélienne sur IR

Proposition
( et définition) i) L’intersection d’une collection non vide quelconque
de tribus de parties de Ω est elle-même une tribu.
ii) Pour toute classe C de parties de Ω, l’intersection de toutes les
tribus contenant C est donc une tribu : elle est appelée la plus petite
tribu contenant C, ou tribu engendrée par C et notée σ(C) :
\
σ(C) := A.
A tribu, C⊆A
Définition
On appelle tribu borélienne sur IR (ou tribu des boréliens de IR) la
tribu engendrée par les intervalles ouverts de IR et on note B(IR) ou
B
ZaherIR . (E. N. P. de Constantine)
Mohdeb 5 / 46
Proposition
La tribu BIR des boréliens de IR est engendrée par
i) la famille des intervalles ouverts bornés,
ii) la famille des intervalles de la forme ] − ∞, a[ avec a ∈ IR,
iii) la famille des intervalles de la forme ] − ∞, a] avec a ∈ IR.
Définition
Soit (Ω, A, P) un espace probabilisé. On appelle variable aléatoire réelle
définie
sur (Ω, A), l’application
X de Ω dans IR
X : (Ω, A) −→ (IR, BIR ) , telle que l’image réciproque par X de tout
intervalle ] − ∞, x] est un événement de A, c’est-à-dire
X −1 (] − ∞, x]) ∈ A, ∀x ∈ IR.
Remarque : Dire que X est une variable aléatoire réelle sur (Ω, A) revient
à dire ∀B ∈ BIR , X −1 (B) ∈ A, puisque la famille des intervalles de la
forme ] − ∞, x] , avec x ∈ IR, engendrent la tribu des boréliens B IR .
Exemple : Soient (Ω, A, P) un espace probabilisé et A un événement de

A. On appelle fonction indicatrice de l’événement A la fonction notée 1I A
(ou IA ) définie de (Ω, A) dans (IR, BIR ) par

1 si ω ∈ A,
1IA (ω) =
0 si ω ∈ / A.
La fonction indicatrice 1IA est clairement une variable aléatoire car pour
tout borélien B dans BIR , on a


 A si 0∈
/B et 1 ∈ B,
CΩ A si 0∈B et 1 ∈
/ B,

(1IA )−1 (B) = {ω ∈ Ω : 1IA (ω) ∈ B} =

 Ω si 0∈B et 1 ∈ B,
∅ si 0∈
/B et 1 ∈
/B

(1)
et ∅, A, CΩ A et Ω sont des événements de A.

Ou bien, on peut faire le raisonnement suivant. Soit x un nombre réel

quelconque, on a :
(1IA )−1 (] − ∞, x]) = {ω ∈ Ω : 1IA (ω) ≤ x}


 ∅ si x < 0,
= CΩ A si 0 ≤ x < 1,
Ω si x ≥ 1

et ∅, CΩ A et Ω sont des événements de A.

Proposition
Soit X une variable aléatoire réelle définie sur un espace probabilisé
(Ω, A, P) à valeurs dans un espace probabilisable (IR, BIR ). Alors la
famille des parties {X −1 (B) : B ∈ BIR } est une tribu (ou σ-algèbre)
de Ω, appelée tribu engendrée par X .
On note σ(X ) cette tribu de parties de Ω et on remarquera que σ(X )
est une sous-tribu de la tribu A de Ω.
Exemple : Reprenons l’exemple de la fonction indicatrice 1I A définie

de (Ω, A) dans (IR, BIR ).
D’après la relation (1), la tribu engendrée par la fonction indicatrice
1IA est donnée par σ(1IA ) = {∅, Ω, A, CΩ A}.

2- Variables aléatoires discrètes

2.1- Préliminaires- Définitions : - Considérons l’expérience qui consite à
jeter trois fois une pièce, la probabilité de tomber sur ”pile” étant p à
chaque fois. Supposons qu’à chaque jet donnant ”pile”, on gagne un Dinar
et qu’à chaque jet donnant ”face” on en perde un.
Intéressons nous au gain total, soit X cette quantité. L’espace des
épreuves Ω correspondant est formé des éléments suivant :
PPP, PPF , PFP, FPP, PFF , FPF , FFP, FFF .
La quantité X ne peut prendre que les valeurs +3, +1, −1, −3 ; mais nous
ne pouvons dire avec certitude laquelle ; cela dépend de résultat de notre
expérience.
Posons q = 1 − p et résumons dans le tableau suivant la liste des valeurs
de X correspondant à chacun des événements avec leurs probabilités
respectives.

ω PPP PPF PFP FPP PFF FPF FFP FFF
X (ω) 3 1 1 1 −1 −1 −1 −3
P({ω}) p3 p2q p2q p2q pq 2 pq 2 pq 2 q3
X est donc une fonction à valeurs réelles définie sur l’espace de
probabilité correspondant à l’expérience.
Considérons l’événement {ω ∈ Ω/X (ω) = −1}, il est formé de trois
éléments PPF , FPF , FFP et donc la probabilité de cet événement est
égale à 3pq 2 et nous écrivons en abrégé
P(X = −1) = 3pq 2 .
A chaque valeur possible x de X est attaché le nombre P(X = x).

X est un exemple de variable aléatoire (en abrégé v.a.) discrète.

Définition
Une variable aléatoire (v.a.) discrète sur un espace probabilisé
(Ω, A, P) est une application définie sur Ω prenant un nombre fini ou
dénombrable de valeurs réelles {x1 , x2 , . . .} telle que ∀xi ∈ X (Ω),
X −1 ({xi }) ∈ A.
Définition
Soit X une variable aléatoire réelle discrète sur (Ω, A, P) et
X (Ω) = {xi , i ∈ I }. On appelle tribu engendrée par X , notée σ(X )
(ou AX ), la sous-tribu de A engendrée par la famille des
{X −1 ({xi }), i ∈ I }.
Remarque : La tribu engendrée par X apparaı̂t comme l’ensemble

des événements qui peuvent être décrits au moyen de X .

2.2- Loi de probabilité d’une variable aléatoire réelle

Définition
Soit X une variable aléatoire définie sur l’espace probabilisé (Ω, A, P) à
valeurs dans l’espace probabilisable (IR, B IR ), (où BIR est la tribu des
boréliens de IR), on appelle loi de probabilité (ou distribution) de la
variable aléatoire X , la probabilité P X sur (IR, BIR ) définie par
∀B ∈ BIR , PX (B) = P[X −1 (B)]

notation
= P({ω ∈ Ω/X (ω) ∈ B}) = P(X ∈ B) .
Notation : PX ({x}) = P(X = x), PX (B) = P(X ∈ B).

Remarque : Si X est une variable aléatoire réelle discrète définie sur
(Ω, A, P) telle que X (Ω) = {xi , i ∈ I ⊆ IN}, la loi de probabilité de X est
déterminée par la donnée de tous les (P(X = x i ), xi ∈ X (Ω)).
Définition
La fonction f définie sur IR par f (x) = P(X = x) est appelée fonction
densité discrète de X .
Propriétés : La densité discrète f d’une variable aléatoire X vérifie
a) f (x) ≥ 0, ∀x ∈ IR,
b) {x ∈ IR/f (x) 6= 0} est un sous-ensemble fini ou dénombrable
{x1X, x2 , . . .} de IR.
c) f (xi ) = 1.
i
Définition
Deux variables aléatoires réelles discrètes X et Y définies sur le même
espace probabilité (Ω, A, P) sont dites presque sûrement égales si
P({ω ∈ Ω/X (ω) 6= Y (ω)}) = 0, on note X =Y p.s.

2.3- Loi usuelles discrètes

- Loi de Bernoulli
Définition
Une expérience qui a deux résultats possibles (représentés en général par
échec et succès) est appelée expérience de Bernoulli.
Remarque : Si on note échec par ”e” et succès par ”s”, l’espace

probabilisé correspondant à cette expérience est (Ω, A, P), où Ω = {e, s},
A = P(Ω) et la probabilité P est déterminée par P({s}) = p et
P({e}) = q = 1 − p.
Définition
L’application X de Ω dans {0, 1} telle que X (e) = 0, X (s) = 1,
P(X = 1) = p et P(X = 0) = 1 − p est appelée variable aléatoire de
Bernoulli de paramètre p notée B(p).

- Loi binomiale
Considérons n répétitions indépendantes d’une expérience de Bernoulli
(pile-face, succès-échec, boule rouge - boule blanche) de probabilités
respectives p et q = 1 − p.
si succès à la i eme épreuve avec une probabilité p

1
Xi =
0 si échec à la i eme épreuve avec une probabilité q = 1 − p,
i = 1, 2, . . P
. , n.
Soit Sn = ni=1 Xi : le nombre de succès au cours des n répétitions. Il est
clair que Sn peut prendre les valeurs 0, 1, 2, . . . , n. Essayons de déterminer
la probabilité P(Sn = k), où k ∈ {0, 1, . . . , n}.
On a Sn = k, si les k variables Xi prenant la valeur 1, les (n − k) autres
prenant la valeur 0. L’événement {S n = k} peut donc être considéré
comme la réunion de Ckn événements disjoints tels que k et k seulement
des Xi prennent la valeur 1. Ces événements sont équiprobables et il suffit
de calculer la probabilité de l’un d’eux.
On a aussi, compte tenu de l’indépendance des X i (car pour tout

i = 1, . . . , n, Xi est lié à la i ieme répétition et que les n répétitions sont
indépendantes)
P{(X1 = 1) ∩ (X2 = 1) ∩ . . . ∩ (Xk = 1) ∩ (Xk+1 = 0) ∩ . . . ∩ (Xn = 0)}

= P(X1 = 1)P(X2 = 1) . . . P(Xk = 1)P(Xk+1 = 0) . . . P(Xn = 0)
= p k q n−k ,
d’où
Ckn p k q n−k

si k = 0, 1, . . . , n
P(Sn = k) = (2)
0 sinon.
Cette distribution est l’une des plus importantes de la théorie des
probabilités, appelée distribution binomilale car son k ieme terme b(k, n, p)
est le k ieme terme du développement de (p + q)n . On note Sn ∼ B(n, p).

Remarques
i ) La loi binomiale décrit des phénomènes ne pouvant prendre que
deux états s’excluant mutuellement, par exemple : succès ou échec
dans un jeu, bonne pièce ou pièce défectueuse dans une fabrication,
lot acceptable ou lot refusé, défaillance ou fonctionnement d’un
matériel, etc. . .
ii ) Elle est utilisée dans le domaine technique pour déterminer la
probabilité de défaillance à la sollicitation de matériels, en contrôle
qualité, mais elle ne peut s’appliquer rigoureusement que si les
expériences sont non exhaustives, c’est la loi du tirage avec remise.
iii ) Les événements considérés doivent être indépendants et la
probabilité de réalisation d’un événement doit être constante.

- Loi hypergéométrique
Considérons une population de N objets parmi lesquels M sont d’un
type et N − M d’un second type.
Supposons que nous tirions un échantillon aléatoire (tirage sans
remise) de taille n ≤ N de la population.
Soit X le nombre d’objets du 1er type dans l’échantillon de taille n. Il
est clair que le nombre k d’objets du premier type et donc (n − k)
objets du second type dans l’échantillon de taille n doivent vérifier les
conditions suivantes :
 
 0 ≤ k ≤n  0 ≤ k ≤n
0 ≤ k ≤M ⇐⇒ 0 ≤ k ≤M
 0 ≤ n−k ≤ N −M  n−N +M ≤ k ≤ n.

Donc X est une variable aléatoire dont les valeurs possibles varient entre
max(0, n − N + M) et min(n, M), avec
 k n−k
 CM CN−M
P(X = k) = n si k = max(0, n − N + M), . . . , min(n, M)
C N
0 sinon,

(3)
où n, M, N sont des entiers tels que n ≤ N et M ≤ N. On dira que X suit
une loi hypergéométrique de paramètres N, n, M
N et on note
X ∼ H(N, n, M N ).
Remarque : Notons que si n ≤ M et n ≤ N − M, alors la formule donnée
par (3) s’écrit
 k n−k
 CM CN−M
P(X = k) = si k = 0, 1, . . . , n (4)
CnN
0 sinon.


- Loi de Poisson
Définition
Soit λ un nombre réel positif. On dit que la variable aléatoire X suit une
loi de Poisson de paramètre λ, si X est une variable aléatoire discrète
prenant la valeur entière n avec la probabilité

 e −λ λn
P(X = n) = si k = 0, 1, 2, . . . (5)
n!
 0 sinon.
On note X ∼ P(λ).
Remarques : 1) - Notons que la suite p n = P(X = n) définit bien une loi

de probabilité. En effet, on a : i) pn ≥ 0, ∀n ∈ IN,
∞ ∞ ∞
X X e −λ λn −λ
X λn
ii) pn = =e = e −λ e λ = 1.
n! n!
n=0 n=0 n=0
2) - Sous certaines conditions, une distribution binomilale peut être

approchée par une distribution de Poisson (n > 50 et p < 0, 10).
En effet, si X ∼ B(n, p), on a
P(X = k) = Ckn p k (1 − p)n−k

1
= n(n − 1) . . . (n − k + 1) p k (1 − p)n−k
k!
nk k −1

1 2
= 1− 1− ... 1− p k (1 − p)n−k .
k! n n n
Posons λ = np et supposons que λ reste constant lorsque n
augmente (ce qui sous-entend que p décroit).

On a
n
1 1 2 k −1 k λ 1
P(X = k) = 1− 1− ... 1 − λ 1− .
k! n n n n (1 − λn )k
n
λ
Lorque n −→ ∞, 1− −→ e −λ , d’où
n
e −λ λk
P(X = k) = Ckn p k (1 − p)n−k −→ , quand n −→ ∞ .
k!
La distribution binomiale B(n, p) peut être approximée par une
distribution de Poisson de paramètre λ = np , dès que n > 50 et
p < 0, 10.

- Loi géométrique
Supposons qu’une expérience admette deux résultats possibles
appelés succès et échec notés respectivement ”s” et ”e” tels que
P(s) = p et P(e) = 1 − p = q.
Répétons cette expérience (répétitions indépendantes) et définissons
la variable aléatoire X représentant ”le nombre de répétitions de
l’expérience nécessaires à l’obtention du premier succès”.
Pour calculer P(X = k), on note Ak l’événement : ”obtenir un succès
à la k ieme répétition de l’expérience”. A cause de l’indépendance des
répétitions de l’expérience, il est clair que
P(X = k) = P(A1 ∩ . . . ∩ Ak−1 ∩ Ak )

= P(A1 ) . . . P(Ak−1 )P(Ak )
= (1 − p)k−1 p .

Définition
On dit qu’une variable aléatoire X suit une loi géométrique de
paramètre p et on note X ∼ G(p), si
P(X = k) = (1 − p)k−1 p, ∀k ∈ IN∗ = {1, 2, . . .} . (6)
Remarque : Notons que la suite pk = P(X = k), k ∈ IN∗ définit

bien une loi de probabilité.
En effet, on a :
i ) pk ≥ 0, ∀k ∈ IN∗ ,
+∞ +∞ +∞
X X
k−1
X 1
ii ) pk = (1 − p) p = p (1 − p)k−1 = p = 1.
k=1 k=1 k=1
1 − (1 − p)

3- Variables aléatoires continues, fonction de répartition

3.1- Définition, fonction de répartition
Dans la section précédente, nous avons considéré des variables aléatoires
discrètes, mais on peut trouver de nombreuses situations dans lesquelles
les variables aléatoires naturelles à considérer sont continues, en particulier
les mesures de quantités physiques comme par exemple : les coordonnées
spatiales, le poids, le temps, la température, la durée de vie d’une batterie
de voiture, l’heure d’arrivée des voitures à un péage donné d’autoroute,
sont mieux décrites par des variables aléatoires continues, c’est-à-dire des
variables aléatoires dont les valeurs possibles sont des intervalles (ou une
réunion d’intervalles) de IR.

Définition
Soit (Ω, A, P) un espace probabilisé. Une variable aléatoire X continue est
une application de (Ω, A, P) dans IR pour laquelle la fonction F X qui à x
notation
appartenant à IR associe P({ω ∈ Ω/X (ω) ≤ x}) = P(X ≤ x) est bien
définie et continue.
La fonction FX est appelée fonction de répartition (en abrégé f.r.) de la
variable aléatoire X ,
FX (x) = P(X ≤ x), ∀x ∈ IR .

Propriétés
i) FX (+∞) = lim FX (x) = 1 et FX (−∞) = lim FX (x) = 0.
x→+∞ x→−∞
En effet, on a FX (+∞) = lim P({ω ∈ Ω/X (ω) ≤ x}) = P(Ω) = 1
x→+∞
et FX (−∞) = lim P({ω ∈ Ω/X (ω) ≤ x}) = P(∅) = 0.
x→−∞
ii) ∀ x1 , x2 ∈ IR tels que x1 < x2 , on a
P(x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 ) .
En effet, on a
{ω ∈ Ω/X (ω) ≤ x2 } = {ω ∈ Ω/X (ω) ≤ x1 } ∪ {ω ∈ Ω/x1 < X (ω) ≤ x2 }
=⇒ P(X ≤ x2 ) = P(X ≤ x1 ) + P(x1 < X ≤ x2 )
=⇒ P(x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 ).

iii ) P(x1 < X < x2 ) = FX (x2− ) − FX (x1 ) , où FX (x2− ) = lim FX (x).
<
x → x2
En effet, on a {ω ∈ Ω/X (ω) < x2 } = {ω ∈ Ω/X (ω) ≤ x1 } ∪ {ω ∈
Ω/x1 < X (ω) < x2 },
comme P(X < x2 ) = lim P(X ≤ x) = lim FX (x) = FX (x2− ),
< <
x → x2 x → x2
d’où
FX (x2− ) = FX (x1 ) + P(x1 < X < x2 ).
iv ) FX est monotone non décroissante.
En effet, soit x1 , x2 ∈ IR tels que x1 < x2 , on a
0 ≤ P(x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 ) =⇒ FX (x2 ) ≤ FX (x1 ).

v ) FX est continue à droite.

>
En effet, soit (xn )n∈IN une suite de nombres réels tels que x n → x, quand
n → +∞, il s’agit de montrer que lim FX (xn ) = FX (x).
n→+∞
On a xn & x et x0 > x1 > x2 > . . . > xn > . . .
Considérons les intervalles ]xi , xi −1 ], i = 1, 2, . . . Ces intervalles sont deux
à deux disjoints et ]x, x0 ] = ∪ ]xi , xi −1 ], donc
i ≥1

FX (x0 ) − FX (x) = P X ∈]x, x0 ] = P X ∈ ∪ ]xi , xi −1 ]
i ≥1
X X
= P X ∈]xi , xi −1 ] = P(xi < X ≤ xi −1 )
i ≥1 i ≥1
Xh i
= FX (xi −1 ) − FX (xi )
i ≥1
n h
X i
= lim FX (xi −1 ) − FX (xi )
n→+∞
i =1
d’où
h
FX (x0 ) − FX (x) = lim FX (x0 ) − FX (x1 ) + FX (x1 ) − FX (x2 )
n→+∞
i
+ . . . + FX (xn−1 ) − FX (xn )
h i
= lim FX (x0 ) − FX (xn )
n→+∞
= FX (x0 ) − lim FX (xn ) ,
n→+∞
ainsi
FX (x) = lim FX (xn ) .
n→+∞

vi) P(X = a) = 0 ⇐⇒ FX est continue en a.

En effet,
a) Supposons que P(X = a) = 0, montrons que F X est continue en a.
On sait que FX est continue à droite en tout point de IR, il s’agit donc de
montrer que FX est continue à gauche en a.
On a
lim FX (x) = lim P(X ≤ x) = P(X ≤ a− )
< <
x →a x →a
= P(X ≤ a− ) + P(X = a) = P(X ≤ a) .
b) Supposons maintenant que FX est continue en a, montrons que
P(X = a) = 0.
On a, d’après la continuité de FX en a,
lim FX (x) = FX (a) = P(X ≤ a)
<
x →a
et
P(X ≤ a) = P(X = a) + P(X ≤ a − )

FX (a) = P(X = a) + lim FX (x)
<
x →a
= P(X = a) + FX (a) ,
d’où P(X = a) = 0.
Remarque
On en déduit que si X est une v.a. réelle continue, alors P(X = x) = 0,
∀x ∈ IR.

Types de fonction de répartition

(i) Fonction de répartition d’une variable aléatoire discrète
Soit X une variable aléatoire discrète définie de (Ω, A, P) dans (IR, B IR )),
avec X (Ω) = {x1 , x2 , . . . , xn , . . .}. La fonction de répartition de la variable
aléatoire X s’écrit
X
FX (x) = P(X ≤ x) = P ∪ {X = xi } = P(X = xi ) .
xi ≤x
xi ≤x
FX est donc une fonction en escalier constante sur tout intervalle ne

contenant pas de points de X (Ω) et admettant un saut d’amplitude égal à
P(X = xi ) en chaque point xi , i = 1, 2, . . . , n, . . . Le saut en un point x i
est égal à
FX (xi ) − FX (xi− ) = P(xi− < X ≤ xi ) = P(X = xi ) .

1 F.r. d’une v.a. discrète
0.5
y=F (x)
X
x 0 x x x ....
1 2 3 4
Figure: Fonction de répartition d’une variable aléatoire réelle discrète.

(ii) Fonction de répartition d’une variable aléatoire continue
Définition
Soit F la fonction de répartition d’une variable aléatoire réelle X , s’il existe
une fonction f positive, intégrable au sens de Riemann et telle que
Z x
∀x ∈ IR, F (x) = f (t) dt ,
−∞
f est appelée densité de probabilité de la loi de X .
Propriétés
dF (x)
a) F 0 (x) = f (x) , = f (x) ,
dx
Z +∞
b) f (t) dt = F (+∞) − F (−∞) = 1 ,
−∞

Z b
c) P(a ≤ X ≤ b) = P(a < X < b) = f (t) dt,
a
d) P(x < X ≤ x + dx) = f (x) dx, Z +∞
e) Soit g une fonction positive, telle que g (t) dt = 1, alors la
Z x −∞
fonction définie par G (x) = g (t) dt est la fonction de répartition

−∞
d’une loi dont g est la densité de probabilité.
Exemple : Soit X une variable aléatoire continue dont la loi admet pour
densité de probabilité
c(4x + 2x 2 ) si 0 < x < 2

f (x) =
0 sinon.
1) Déterminer la valeur de la constante réelle c.

2) Calculer P(X > 1).

Solution
1) f étant une densité de probabilité de la loi de la variable aléatoire X , on
doit avoir
i) fZ(x) ≥ 0, ∀x ∈ IR, ce qui entraine que c ≥ 0,
+∞
ii) f (t) dt = 1, ce qui entraı̂ne que
−∞
2 2
2x 3

8 3
Z
2 2
1=c (4x − 2x ) dx = c 2 x − = c =⇒ c= .
0 3 0 3 8
+∞ 2
3 1
Z Z
2) P(X > 1) = f (x) dx = (4x − 2x 2 ) dx = .
1 8 1 2

3.2- Lois usuelles continues

- Loi uniforme
Définition
- Une loi de probabilité P de support [a, b] (avec a et b deux nombres réels
distincts) définie sur (IR, BIR ) est dite uniforme sur cet intervalle, si elle
admet une densité de probabilité de la forme

 1
si x ∈ [a b]
f (x) = b−a (7)
 0 sinon .
On note U([a, b]) la loi uniforme sur [a, b].

- On dira qu’une v.a. réelle X suit une loi uniforme sur l’intervalle [a, b], si
sa loi de probabilité admet une densité de probabilité de la forme (7) et on
note X ∼ U([a, b]).

- Loi normale
Définition
- Une loi de probabilité P définie sur (IR, B IR ) est appelée loi normale de
paramètres m et σ, si elle admet une densité de probabilité de la forme
1 1 x −m 2
f (x) = √ e − 2 ( σ ) , ∀x ∈ IR . (8)
σ 2π
On note N (m, σ 2 ) la loi normale de paramètres m et σ.

- On dira qu’une v.a. réelle X suit une loi normale N (m, σ 2 ), si sa loi de
probabilité admet une densité de probabilité de la forme (8) et on note
X ∼ N (m, σ 2 ).
- Si m = 0 et σ 2 = 1, la loi est dite loi normale centrée réduite notée
X ∼ N (0, 1).

Remarques : i) La loi normale est également appelée loi de

Laplace-Gauss où simplement loi gaussienne.
X −m
ii) Si X ∼ N (m, σ 2 ), alors Y = ∼ N (0, 1).
σ
En effet, soit FY la fonction de répartition de la v.a. Y . Pour tout y ∈ IR,
on a
X −m

FY (y ) = P(Y ≤ y ) = P ≤ y = P(X ≤ σy +m) = FX (σy +m) ,
σ
où FX est la fonction de répartition de la v.a. X . La densité de probabilité
fY de la loi de Y est donnée par
d d
fY (y ) = FY (y ) = FX (σy + m) = σFX0 (σy + m) = σfX (σy + m) ,
dy dy
où fX est la densité de probabilité de la loi normale N (m, σ 2 ), d’où
1 y2
fY (y ) = √ e − 2 , ∀y ∈ IR .
2π
- Loi de Cauchy
Définition
- Une loi de probabilité P définie sur (IR, B IR ) est appelée loi de Cauchy de
paramètres réels a et b (avec a > 0), si elle admet une densité de
probabilité de la forme

1 a
f (x) = , ∀x ∈ IR . (9)
π a2 + (x − b)2
Remarque : La courbe de la fonction de densité d’une loi de Cauchy

rappelle celle d’une loi normale, à savoir une forme de cloche, mais avec
un étalement plus large. En effet, on peut le constater sur les courbes de la
représentation (2) suivante pour une loi de Cauchy avec a = 1 et b = 0 et
une loi normale centrée réduite N (0, 1).

0.4
y=f (x)
1
0.35
0.3
0.25
0.2
y
0.15
0.1 y=f (x)

2
0.05
−10 −5 0 5 10
x
x2
Figure: Courbe de la densité d’une loi normale N (0, 1) : f1 (x) = √1 e − 2 ,
2π
1
ainsi que celle de la densité d’une loi de Cauchy : f 2 (x) = π(1+x 2) .

- Loi exponentielle
Définition
- Une loi de probabilité P définie sur (IR, B IR ) est appelée loi exponentielle
de paramètre réel λ > 0, si elle admet une densité de probabilité de la
forme
λ e −λx si x > 0

f (x) = (10)
0 sinon .
Remarques :
- La loi de probabilité exponentielle peut être associée aux processus de
Poisson. En effet, un tel processus génère des événements dont les temps
d’occurrence sont indépendants et distribués suivant une loi exponentielle.
- La loi de probabilité exponentielle de paramètre λ est également utilisée
en fiabilité. Le paramètre λ représente le taux de défaillance d’un appareil
et son inverse 1/λ désigne le temps moyen de bon fonctionnement.
- Loi Gamma
Définition
- Soient a et b deux nombres réels strictement positifs. Une loi de
probabilité P définie sur (IR, BIR ) est appelée loi Gamma de paramètres a
et b, si elle admet une densité de probabilité de la forme
 a
 b x a−1 e −bx si x > 0
f (x) = Γ(a) (11)
0 sinon ,

où Γ(.)Rest la fonction Gamma d’Euler définie, pour a > 0, par

+∞
Γ(a) = 0 e −x x a−1 dx.
Cette loi de probabilité est identifiée par la notation Γ(a, b).

Remarques :
i) Dans le cas particulier a = 1, on retrouve la loi exponentielle de
paramètre λ = b.
ii) La loi Γ(a, b) peut être utilisée pour modéliser un certain nombre de
phénomènes aléatoires. Par exemple :
- Dans la théorie des files d’attente, la loi gamma représente la loi de
probabilité d’occurrence de a événements (a étant un entier), dans un
processus poissonnien. Si le temps T , entre les défaillances successives
d’un système, suit une loi exponentielle, le temps cumulé d’apparitions de
b défaillances suit une loi Γ(a, b),
- En fiabilité, la loi Γ(a, b) peut être utilisée pour modéliser les temps de
défaillance d’un matériel.

Chap 1 Proba S2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chap 1 Proba S2

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Nationale Polytechnique

E-mail: z.mohdeb@gmail.com, zaher.mohdeb@umc.edu.dz

Zaher Mohdeb (E. N. P. de Constantine) 1 / 46

Chapitre 1 Notion de variables aléatoires réelles

Zaher Mohdeb (E. N. P. de Constantine) 2 / 46

Zaher Mohdeb (E. N. P. de Constantine) 3 / 46

Remarque : Il s’agit d’une application réciproque ensembliste mais

Tribu engendrée, tribu borélienne sur IR

Exemple : Soient (Ω, A, P) un espace probabilisé et A un événement de

Zaher Mohdeb (E. N. P. de Constantine) 7 / 46

Ou bien, on peut faire le raisonnement suivant. Soit x un nombre réel

(1IA )−1 (] − ∞, x]) = {ω ∈ Ω : 1IA (ω) ≤ x}

et ∅, CΩ A et Ω sont des événements de A.

Zaher Mohdeb (E. N. P. de Constantine) 8 / 46

Exemple : Reprenons l’exemple de la fonction indicatrice 1I A définie

Zaher Mohdeb (E. N. P. de Constantine) 9 / 46

2- Variables aléatoires discrètes

Zaher Mohdeb (E. N. P. de Constantine) 10 / 46

P(X = −1) = 3pq 2 .

A chaque valeur possible x de X est attaché le nombre P(X = x).

Zaher Mohdeb (E. N. P. de Constantine) 11 / 46

Remarque : La tribu engendrée par X apparaı̂t comme l’ensemble

Zaher Mohdeb (E. N. P. de Constantine) 12 / 46

2.2- Loi de probabilité d’une variable aléatoire réelle

∀B ∈ BIR , PX (B) = P[X −1 (B)]

Notation : PX ({x}) = P(X = x), PX (B) = P(X ∈ B).

P({ω ∈ Ω/X (ω) 6= Y (ω)}) = 0, on note X =Y p.s.

Zaher Mohdeb (E. N. P. de Constantine) 14 / 46

2.3- Loi usuelles discrètes

Remarque : Si on note échec par ”e” et succès par ”s”, l’espace

Zaher Mohdeb (E. N. P. de Constantine) 15 / 46

si succès à la i eme épreuve avec une probabilité p

On a aussi, compte tenu de l’indépendance des X i (car pour tout

P{(X1 = 1) ∩ (X2 = 1) ∩ . . . ∩ (Xk = 1) ∩ (Xk+1 = 0) ∩ . . . ∩ (Xn = 0)}

Zaher Mohdeb (E. N. P. de Constantine) 17 / 46

Zaher Mohdeb (E. N. P. de Constantine) 18 / 46

Zaher Mohdeb (E. N. P. de Constantine) 19 / 46

Zaher Mohdeb (E. N. P. de Constantine) 20 / 46

Remarques : 1) - Notons que la suite p n = P(X = n) définit bien une loi

2) - Sous certaines conditions, une distribution binomilale peut être

P(X = k) = Ckn p k (1 − p)n−k

Zaher Mohdeb (E. N. P. de Constantine) 22 / 46

Zaher Mohdeb (E. N. P. de Constantine) 23 / 46

P(X = k) = P(A1 ∩ . . . ∩ Ak−1 ∩ Ak )

Zaher Mohdeb (E. N. P. de Constantine) 24 / 46

P(X = k) = (1 − p)k−1 p, ∀k ∈ IN∗ = {1, 2, . . .} . (6)

Remarque : Notons que la suite pk = P(X = k), k ∈ IN∗ définit

Zaher Mohdeb (E. N. P. de Constantine) 25 / 46

3- Variables aléatoires continues, fonction de répartition

Zaher Mohdeb (E. N. P. de Constantine) 26 / 46

FX (x) = P(X ≤ x), ∀x ∈ IR .

Zaher Mohdeb (E. N. P. de Constantine) 27 / 46

ii) ∀ x1 , x2 ∈ IR tels que x1 < x2 , on a

P(x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 ) .

Zaher Mohdeb (E. N. P. de Constantine) 28 / 46

Zaher Mohdeb (E. N. P. de Constantine) 29 / 46

v ) FX est continue à droite.

Zaher Mohdeb (E. N. P. de Constantine) 31 / 46

vi) P(X = a) = 0 ⇐⇒ FX est continue en a.

P(X ≤ a) = P(X = a) + P(X ≤ a − )

Zaher Mohdeb (E. N. P. de Constantine) 33 / 46

Types de fonction de répartition

FX est donc une fonction en escalier constante sur tout intervalle ne