Chapitre 1

Probabilité continue

1.1 Variable aléatoire continue

Une variable X : Ω −→ R est dite continue lorsqu'elle peut prendre plusieurs

valeurs dans un intervalle de R ou elle peut prendre même un intervalle de R.
Dans ce cas, on s'intéresse pas à calculer la probabilité d'une seule valeur prise
par X, mais à la probabilité des intervalles. C'est à dire aux événements de type
a ≤ X ≤ b.

Comme il y a une innité de nombres entre a et b, la probabilité qu'un nombre

en particulier (par exemple α ∈ [a, b]) sorte est nulle
P (X = α) = 0.

Donc dans le cas d'une variable continue, on ne calcule que la probabilité que X
soit entre deux valeurs réelles a et b par la façon suivante :
Z b
P (a ≤ X ≤ b) = f (x)dx
a

où f est une fonction intégrable sur R satisfaisant les conditions suivantes :

1. f (x) ≥ 0 pour tout x ∈ R (pour que P le soit)
2. f est continue (pour admettre une primitive)
3. −∞ f (x)dx = 1 (pour que P (Ω) = 1)
R +∞

Une fonction qui vérie les conditions 1, 2 et 3 est appelée densité de probabi-
lité ou fonction de densité.
Exemple : Exemples de variables aléatoires continues :
1. Variable qui correspond à la taille d'une personne.

1
 2. Variable qui correspond à la durée de communications téléphoniques.
3. Variable qui correspond aux temps d'attente à une caisse.

1.1.1 Fonction de répartition

Dénition ;
La fonction de répartition F d'une variable aléatoire continue X est dénit par :
Z x
F (x) = P (X ≤ x) = f (t)dt
−∞

Propriété 1 :
La dénition nous permet d'écrire :

1. F (x) = P (X ∈] − ∞, x]).
2. P (a ≤ X ≤ b) = P (X ≤ b)−P (X ≤ a) = ab f (t)dt = F (b)−F (a), ∀a, b ∈ R
R

3. P (X > b) = f (t)dt = 1 − P (X ≤ b) = 1 − F (b), ∀b ∈ R.

R +∞
b
Remarque :
On admet que pour une variable aléatoire continue, pour tout a ∈ R on a
P (X = a) = 0

On a donc :
1. P (X ≤ a) = P (X < a) + P (X = a) = P (X < a),
2. P (X ≥ b) = P (X > b) + P (X = b) = P (X > b).
3. P (a ≤ X ≤ b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a < X < b).
Propriété 2 :
La fonction de répartition F d'une variable aléatoire continue X a les propriétés
suivantes :
1. Si F est dérivable alors F (x) = f (x) pour tout x réel
0

2. F est une fonction croissante, dénie et continue sur R.

3. Pour tout x ∈ R, F (x) ∈ [0, 1].
Exemple : Voici quelques exemples des fonctions de densité ainsi que leurs
courbes.

2
1.1.2 Caractéristiques d'une variable aléatoire continue

1. Espérance mathématiques
Soit X une v.a.c admettant une densité f, l'espérance mathématique de X,
noté E(X), est le réel Z +∞
E(X) = xf (x)dx
−∞

une v.a.c X est dite centrée si et seulement si son espérance est nulle : E(X) =
0. Si X admettant une espérance alors la v.a X − E(X) est centrée.
2. Variance
Soit X une v.a.c. On appelle variance de X, noté V(X), le réel positif
Z +∞
2
V (X) = E[(X − E(X)) ] = (x − E(x))2 f (x)dx
−∞

3
 3. Ecart-type
On appelle écart-type de X le réel, noté σ(X), dénit par :
p
σ(X) = V (X)

Exemple : Calculez l'espérance, variance et écart-type de la densité f2 (x).

Propriété 3 :
Soient X et Y deux variables aléatoires continues admettant une espérance et une
variance, alors pour tout a, b ∈ R, on a :
1. E(aX+b)=aE(X)+b
2. V (aX + b) = a2 V (X)
3. σ(aX + b) = |a|σ(X)
4. E(X+Y)=E(X)+E(Y)
5. E(X-Y)=E(X)-E(Y)
Si de plus X et Y sont indépendantes,
6. V(X+Y)=V(X)+V(Y)
7. V(X-Y)=V(X)+V(Y)

1.2 Lois de probabilité continue

Une probabilité est dite continue si elle est associée à une variable aléatoire
continue. Il existe plusieurs lois de probabilité continue, les plus utilisées sont :

1.2.1 Loi uniforme

La loi uniforme est utilisée pour modéliser une grandeur aléatoire qui prend
au hasard ses valeurs dans un intervalle [a,b] de R. Pour cette loi, tous les inter-
valles de même longueur inclus dans l'intervalle [a,b] ont la même probabilité. Cela
se traduit par le fait que la densité de probabilité de cette loi est constante sur [a,b].

Dénition. Une v.a continue X suit une loi uniforme sur [a,b] si sa fonction
de densité est ( 1
si x ∈ [a, b],
f (x) = b−a
0 sinon
On note X ∼ U([a, b]).

4
 Exemple : La durée de la communication téléphonique d'une personne est
entre 1 et 10 min. On considère la variable aléatoire continue X qui modélise cette
communication en minute, et on cherche la probabilité qu'elle soit entre 2 et 3 min.
On a : Z 3
1
P (2 ≤ X ≤ 3) = dx = 1/9
2 10 − 1
Propriétés :

1. Dans le cas de la loi uniforme, on a

a+b (b − a)2
E(X) = et V (X) =
2 12
2. La fonction de répartition de la loi uniforme sur l'intervalle [a,b] est la sui-
vante : 
 0x − a si x < a,

F (x) = si a ≤ x ≤ b,
 b−a

1 six > b

1.2.2 La loi exponentielle

La loi exponentielle modélise la durée de vie d'un phénomène ou d'un compo-

sant électronique.
Dénition. Soit λ > 0, on dit que X suit une loi exponentielle de paramètre
λ si sa densité de probabilité est donnée par
λe−λx si x > 0,

f (x) =
0 sinon
On note X ∼ E(λ).

Exemple : La durée de vie d'un agenda électronique, exprimé en année, peut

être représentée par une variable aléatoire continue X qui suit une loi exponentielle
de paramètre λ = 4 × 10−2 . On cherche la probabilité que la durée de vie de cet
agenda dépasse 3 ans. On a :
Z 3
P (X > 3) = 1 − P (X ≤ 3) = 1 − λe−λx dx.
−∞

Propriété :
Dans le cas d'une variable aléatoire continue X qui suit une loi exponentielle de
paramètre λ, on a
1 1
E(X) = et V (X) = 2
λ λ
5
La fonction de répartition de la loi exponentielle est la suivante :
1 − e−λx si x > 0,

F (x) =
0 sinon

1.2.3 Loi normale

Dénition. On dit que X suit la loi normale de paramètre m et σ si elle admet

comme densité de probabilité la fonction suivante :
−1 (x − m)2
1
f (x) = √ e 2 σ2
2πσ 2
On note X ∼ N (m, σ).

Propriété :
Si X une variable aléatoire continue qui suit une loi normale, alors :
E(X) = m et σ(X) = σ.
Ainsi les paramètres d'une loi normale sont en fait son espérance mathématique
m et son écart-type σ .

Propriété :
La fonction de répartition correspondante à la loi normale n'a pas de formule
simple. Donc, pour tous a et b tels que a ≤ b, on écrit :
Z b
−1 (x − m)2
1
P (a ≤ X ≤ b) = √ e 2 σ2 dx.
2πσ 2 a

Loi normale centrée réduite

Dénition :
On dit que X suit une loi normale centré réduite de paramètre m = 0 et σ = 1, et
on note X ∼ N (1, 0), si sa fonction de densité est la suivante :
−1 2
1 x
f (x) = √ e 2
2π
La fonction de répartition correspondante à cette loi n'a pas aussi de formule
simple. Donc on écrit :
Z x
−1 2
1 x
F (x) = √ e 2 dx
−∞ 2π

6
 Si X suit une loi normale centré réduite, on a
E(X) = 0 et V (X) = 1
Remarque :
La loi normale N (0, 1) est tabulée. La table donne les valeurs des probabilités
F (x) = P (X ≤ x) pour diérentes valeurs de x, avec x ≥ 0.

Propriété :
Soit X une variable aléatoire continue qui suit une loi normale centrée réduite,
alors on peut utiliser les propriétés suivantes :
−x2
1
1.
Ra
P (X ≤ a) = −∞ √ e 2 dx = F (a)
2π
2. P (X ≥ a) = 1 − F (a)
3. Si a est positif : P (X ≤ −a) = F (−a) = 1 − P (X ≤ a) = 1 − F (a).
4. P (−a ≤ X ≤ a) = F (a) − F (−a) = 2F (a) − 1

Utilisation de la table de la loi normale

Le formulaire ne donne que les valeurs de la loi normale centrée réduite et pour
des valeurs positives. En voici un extrait pour comprendre la méthode de lecture :
x 0.05 0.06 0.07
1.1 0,8749 0,8770 0,8790
1.2 0,8944 0,8962 0,8980
1.3 0,9115 0,9131 0,9147
Calcul de P (X ≤ 1, 36) :
Le nombre situé à l'intersection de la colonne 0,06 et de la ligne 1,3 est la valeur
de la fonction de répartition de X pour x = 1, 3 + 0, 06 = 1, 36.
Ainsi, P (X ≤ 1, 36) = F (1, 36) = 0, 9131.

Calcul de P (X ≥ 1, 25) :
P (X ≥ 1, 25) = 1 − F (1, 25) = 1 − 0, 8944 = 0, 1056.
Calcul de P (X ≤ −1, 17) :
P (X ≤ −1, 17) = 1 − F (1, 17) = 1 − 0, 8790 = 0, 121.
Calcul de P (1, 15 ≤ X ≤ 1, 37) :
P (1, 15 ≤ X ≤ 1, 37) = F (1, 37) − F (1, 15) = 0, 9147 − 0, 8749 = 0, 0398.

7
Lien avec la loi normale
Le résultat suivant montre comment passer d'une loi normale N (m, σ) à une
loi normale centrée réduite N (0, 1).

Proposition :
Soit X une v.a continue qui suit une loi normale N (m, σ), avec σ > 0 et m ∈ R.
X −m
On pose Z = , alors Z suit une loi normale centrée réduite N (0, 1). Réci-
σ
proquement, si Y une v.a continue qui suit une loi normale centrée réduite, alors
Y = σY + m suit une loi normale N (m, σ).
0

Ce résultat est très important, puisqu'alors il nous sut d'étudier la loi nor-
male centrée réduite puis de procéder à un changement de variable pour obtenir
n'importe quelle valeur de la loi normale.

Exemple :
Soit X une variable aléatoire qui suit une loi normale de paramètre m = 12 et
σ = 3.
X −m X − 12
On pose Y = = .
σ 3
Calcul de P (X ≤ 16) :
On a
4
X ≤ 16 ⇐⇒ Y ≤
3
Donc
P (X ≤ 16) = P (Y ≤ 1.33) = F (1.33)
D'après la table de la loi normale centrée réduite, on a :
P (X ≤ 16) = F (1.33) = 0.9082

Calcul de P (9 ≤ X ≤ 15) :
P (9 ≤ X ≤ 15) = P (−1 ≤ Y ≤ 1) = 2F (1) − 1 = (2 × 0, 8413) − 1 = 0, 6828