Chapitre 3 

: LOIS DE PROBABILITE CONTINUES

Les V.A discrètes prennent leurs valeurs dans IN ou Z. Les V.A continues sont des
applications qui prennent leurs valeurs dans IR ou dans un intervalle de IR). Nous en
étudierons une classe particulière vérifiant la condition pour tout réel a P(X = a) = 0.

I. GENERALITES SUR LES V.A CONTINUES

f
Définitions : Soit  une fonction définie de IR dans IR vérifiant les trois conditions
+∞
∫ f ( x)dx=−∞∫ f ( x)dx
f f IR
suivantes :1. est intégrable ; 2. est positive ; 3. = 1 ;
f
alors est appelée densité de probabilité associée à une V.A X dite absolument continue.
f
2. Soit X une V.A continue de densité . On appelle fonction de répartition de X la
x
F X ( x )=P( X< x )= ∫ f (t )dt
−∞ ∀x∈
fonction définie sur IR par : IR.
FX
Remarque : Si est dérivable (sauf peut être en quelques points) alors sa dérivée
'
F X ( x )=f ( x ) .

Propriétés :
FX
Les propriétés de sont les mêmes que dans le cas discret néanmoins dans le cas continue
FX FX '
F X =f
est continue sur IR et partout où est dérivable on a .
II. ELEMENTS CARACTERISTIQUES
Ces notions généralisent celles déjà vues dans le cas discret.
2.1. : Espérance ou moyenne de X :
+∞
∫ xf ( x)dx=−∞∫ xf ( x)dx.
IR
E(X) = (sous réserve de convergence de l’intégrale)
2.2. : Variance de X. Elle mesure l’écart à la moyenne
+∞ +∞
∫−∞ ( x−E( X)) ²f (x )dx= −∞∫ x² f ( x)dx−( E( X )) ²
V(X) = (sous réserve de convergence de
l’intégrale)
2-3 Moment de X : Soit k est un entier naturel non nul.

1/6
 +∞
M k ( X ) = ∫ ( x−E ( X )) f ( x)dx .
k
−∞
- On appelle moment centré d’ordre k le nombre s’il existe :
+∞
μk ( X )= ∫ x f ( x)dx
k
−∞
- On appelle moment d’ordre k le nombre s’il existe :
μ1 ( X )=E ( X ) μk ( X )=E ( X k ) V ( X )=M 2 ( X ) . M 1 ( X )=0
En particulier :  ;  ; et .

III. QUELQUES INEGALITES DE PROBABILITE

3.1 Inégalité de Markov
Soient X une V.A positive (discrète ou continue) et a un réel strictement positif alors :
E(X )
P ( X >a ) ≤
a
.
Preuve : Exercice
3.2. Inégalité de Bienaymé Tchebychev
Soit X une V.A discrète ou continue d’espérance E(X) et de variance V(X) alors  pour tout
V ( X)
P (|X −E( X )|>a ) ≤
a²
réel a strictement positif on :
Preuve : Exercice
3.3 : Loi faible des grands nombres
Soient X1 . X2. ; …… ; Xn ; n V.A indépendantes deux à deux et de même loi de probabilité
X + X +. .. ..+ X n
Y n= 1 2
n
et tel que E(X1) = …….. = E(Xn) = p . On pose . Alors pour tout
lim P (|Y − p|> a )=0
+∞
n
réel a strictement positif on a :
Preuve : Exercice

IV. QUELQUES LOIS THEORIQUES

4.1 : Loi uniforme

- Soit a<b . On appelle V.A uniforme sur l’intervalle [ a;b ] une V.A X absolument ayant
pour densité de probabilité la fonction définie sur IR par :

{
0 si x ∉ [ a ,b ]
f ( x )= 1
si a≤x≤b
b−a

- La fonction de répartition est donnée par :

2/6
 {
0 si x≤a
x−a
F( x )=P( X≤a)= si a≤x≤b
b−a
1 si x≥b

a+b ( b−a ) ² σ ( X )= b−a

E( X )= ; V ( X )=
- Paramètres statistiques : 2 12  ; 2 √3

4.2. : Loi exponentielle

a. Définition : Soit  un réel strictement positif. On appelle variable exponentielle de
paramètre , une V.A X absolument continue dont la densité est définie par la fonction :

f (x )= {
αe
0
−αx
si x<0
si x≥0

b. La fonction de répartition est définie par :

F( x )= { 0
1−e −αx
si x <0
si x≥0

1 1 1
E ( X )= ; V ( X )= ; σ ( X )=
c. Valeurs caractéristiques : α α2 α

4.3. : Loi normale ou de Gauss – Laplace

4.3.1. : Définition
Comme son nom l’indique, cette loi a été introduite pour rendre compte des fluctuations
« normales » d’une grandeur physique. On s’attend à avoir :
- la plupart des valeurs centrées autour d’une moyenne m,
- une dispersion symétrique autour de m,
- de faibles chances d’être loin de m, d’autant plus faible qu’on s’en éloigne.
σ
a. Fonction densité : soit m un réel et un réel strictement positif, une V.A X suit une
loi normale N(m ; ) si sa fonction de densité est donnée par :

h( x )=
1
√ 2 πσ
exp − (
( x−m)²
σ² ) pour tout réel x
.

b. Fonction de répartition :
x
H ( x )=P( X ≤x)= ∫ f (t )dt
x −∞
Pour tout réel . La fonction de répartition est donnée par :
E ( X )=m; V ( x ) =σ 2 ; σ ( X ) =σ .
c. Valeurs caractéristiques :

4.3.2 : Loi normale centrée réduite

3/6
 a. C’est la loi normale de moyenne 0 et d’écart type 1. Sa densité est alors :
x²
−
2
e
f (x )=
√2 π , pour tout réel x . On la note N(0 ; 1).
X−m
T=
X Ν ( m,σ ) σ Ν ( 0;1 ) . T
b. Soit  alors suit On dit que est la Loi normale centrée
X.
réduite associée à
Remarque (très importante)
Ν ( 0;1 )
La fonction de répartition de la loi est tabulée. Elle sert moyennant le changement de
X−m
Τ=
σ Ν ( m;σ )
variable à l’étude de toute loi normale .
c. Utilisation pratique
X−m
Τ=
X Ν ( m,σ ) σ N ( 0;1 )
Soient  et  la loi normale centrée réduite associée. Soit  un
réel donné alors on a les règles de calcul suivantes :

1.
P ( X≤α )=P ( X −m α−m
σ
≤
σ
=P T ≤ ) (
α −m
σ
. ) = P (T ≤a) avec a= α−m
σ

P ( X≤α )=F ( a )
et deux cas sont agréables.
a≥0 Ν ( 0;1 ) P ( X≤α )=F ( a )
 , alors on lit directement dans la table de
a<0 F α
 La table ne donne que les valeurs de pour 0 ; il faut exploiter la symétrie
de la fonction densité.
F (−a )=P ( T <−a )=P ( T >a ) 1−P ( T <a ) 1−F (a )
= =
F (−α )=1−F ( α )
D’où :
a≥0 F(−a )=P ( T <−a ) =1−P ( T <a )=1−F (a )
De même si .
On peut alors écrire pour tous réels a et b :
P (T >−a )=P ( T < a )
2. .
P (T >a )=1−P ( T ≤a ) .
3. (Evénement contraire).
P ( a<T <b )=P ( T <b )−P ( T <a ) .
4.

4/6
 P (−a<T <a ) =P (|T|<a )=2 P (T <a )−1
5. .
P (T <a )= p 0< p<0,5 Ν ( 0;1 )
6. et c’est à dire p n’existe pas dans la table de alors
P (T <−a )=1− p .
X1 Ν ( m1 ;σ 1 ) . X2 Ν ( m 2 ;σ 2 ) .
Théorème : Soient  ,  deux V.A normales indépendantes,
alors :

X 1 + X 2 =X N ( m1 + m2 ; √ σ 21 +σ 22 ) .
a. 

X 1 −X 2 =Y N ( m1 −m2 ; √ σ 21 + σ 22 ) .
b. 
Ν ( m,σ ) .
4.3.4 : Approximation d’une loi binomiale B(n ; p) par une loi normale
Théorème de Moivre-Laplace

X Ν ( np; √ npq ) .
Soit  B(n ; p) lorsque n tend vers l’infini p fixé alors B(n ; p) 
Dans la pratique les conditions d’approximation sont :

n≥30

¿ Ν ( np; √ npq )
(p proche de 0,5)  B(n ; p)
np≥10
(c’est-à-dire ou15)

Récapitulatif

Début

Η ( N , B ,n )

n
<5 %
N

5/6
 B ( n, p )

n≥30, p<0,1 n≥30

np≤15 p≃0,5ou np≥10

P ( λ=np )

Ν ( np, √ npq )
np≥15

Ν ( np , √ np ) FIN

4.4. LOI DU KHI-DEUX OU LOI DE PEARSON

a. Définition : Soit X1 ; X2 ; …. Xn n V.A normales centrées réduites Ν ( 0;1 ) la variable
χ 2n =X 12 + X 22 + .. .. . .. ..+ X 2n suit une loi dite du Khi-deux à n degrés de libertés (d.d.l)
b. Valeurs caractéristiques :
E ( Y )=n ; V (Y )=2 n

2
χn
 Dans la pratique si n est grand ( càd n  30) alors suit sensiblement la loi normale

N( n ;
√ 2n )
4.5. LOI DE STUDENT
Cette Loi a été construite spécialement pour les besoins des sondages sur des petits
échantillons.

1 Y
Z n = χ 2n T n=
a. Définition : Soient
n
et
Y

N ( 0;1 ) .
Alors
√ Zn suit une loi de STUDENT à
n degrés de Libertés (d.d.l).
b. Paramètres statistiques
n
E ( T n ) =0 , V ( T n )=
n−2
 On démontre que .

6/6
 N ( 0;1 )
 Dans la pratique si n est grand (càd n  30) on peut prendre la loi normale pour
loi limite de loi de Student..

NB : Les lois de Pearson et de Student sont tabulées.

7/6