Chapitre 4

Variable aléatoire réelle à densité

Contents
4.1 Densité et fonction de répartition . . . . . . . . . . . . . . . . . . . . 23
4.2 Espérance et variance mathématique . . . . . . . . . . . . . . . . . . 25
4.3 Lois usuelles d’une variable aléatoire à densité . . . . . . . . . . . . 26
4.3.1 Loi uniforme sur [a, b], (a < b) . . . . . . . . . . . . . . . . . . . . . . 26
4.3.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3.3 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3.4 Loi de parito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3.5 Loi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3.6 Loi de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

On va maintenant chercher à donner un sens au fait qu’une variable aléatoire prenne ses valeurs dans un
ensemble non dénombrable, et par exemple qu’elle pisse prendre toutes les valeures de R.

4.1 Densité et fonction de répartition

Définition 4.1.1 OnZdit qu’une variable aléatoire admet une densité f si sa fonction de répartion F s’écrie
x
sous la forme F (x) = f (t)dt où f est une fonction à valeur réelle positive ayant un nombre fini de point de
1
Z +1
discontinuité et telle que f (t)dt = 1. On dit alors que X est une variable aléatoire à densité.
1

Remarque : Une fonction f : R ! R est une densité de probabilité ssi

— Continue sauf en un nombre fini de points
— f 0
24 Probabilités et Statistiques

Z +1
— f (t)dt = 1.
1

Proposition 4.1.1 Soient X une variable aléatoire admet une densité f et F sa fonction de répartition. F est
continu sur R et en tout x0 où f est continue telle que F 0 (x0 ) = f (x0 ).
8
< cos(x), si x 2]0, ⇡2 ];
Exercice : Soit f : R ! R définie par : f (x) =
: 0 si non.

Z +1 Z 0 Z ⇡
2
Z +1
f (t)dt = f (t)dt + f (t)dt + f (t)dt
⇡
1 1 0 2
Z ⇡
2
= 0+ cos(t)dt + 0
0
⇡ ⇡
=
[sin(t)]02 = sin( ) = 1
2
Z x
Donc f est une densité de probabilité. Soit F (x) = f (t)dt
1
— Si x < 0 alors F (x) = 0 Z Z
x x
— si 0  x  ⇡
2 alors F (x) = f (t)dt = cos(t)dt = sin(x)
Z ⇡2 0 0

— si x > ⇡
2 alors F (x) = cos(t)dt = 1.
0

Proposition 4.1.2 Soient a, b 2 R telle que a < b et X une variable aléatoire de fonction de répartition F
alors on a :
Z b
1. P(x  b) = F (b) = f (t)dt.
1
Z b
2. P(a  X  b) = F (b) F (a) = f (t)dt.
a
Z +1
3. P(X > a) = f (t)dt = 1 F (a).
a
4. P(a  X  b) = P(a < X  b) = P(a  X < b) = P(a < X < b).

5. 8 a 2 IR; P(X = a) = 0.

Application : Soit X une variable aléatoire admet une densité f .

Déterminer la loi de Y = exp(X).

Réponse: soit x 2 R, G(x) = P(Y  x) = P(exp(X)  x).

— Si x  0, G(x) = 0

— Si x > 0, G(x) = P(X  log(x))

8 = F (log(x)), G0 (x) = x1 F 0 (log(x)) = x1 f (log(x)).
< 0 si x  0;
Alors Y a pour densité g(x) =
: 1 f (log(x)) si x > 0.
x
Rafika LASSOUED - (ENIM) 25

4.2 Espérance et variance mathématique

Z
Définition 4.2.1 Soit X une variable aléatoire admet une densité f si xf (x)dx converge, on dit que X
Z R

admet une espérance mathématique on la note par E(x) = xf (x)dx et aussi appellé moment d’ordre 1 de X
R
ou moyenne d’ordre 1.

Exercice : Déterminer l’espérance si elle existe de la variable aléatoire X qui admet la densité f définie par
f (x) = cos(x) ⇠]0, ⇡2 ] .
Z Z ⇡
2
E(X) = xf (x)dx = x cos(x)dx, par intégration par parties nous obtenons
R 0
⇡
E(X) = 1.
2

Proposition 4.2.1 Soient X et Y deux variabless aléatoires à densité qui admetent un moument d’ordre 1,
8 a, b 2 R E(aX + bY ) = aE(X) + bE(Y ).

Définition 4.2.2 On dit que X est une variable aléatoire centrée si et seulement si E(X) = 0. Remarque : si
X admet une espérance mathématique alors Y = X E(X) est une variable aléatoire centrée.
Z
Proposition 4.2.2 Soient X une variable aléatoire admet une densité f et g : R ! R telle que g(x)f (x)dx
Z R

converge, alors la variable aléatoire Y = g(X) admet une espérance mathématique E(Y ) = E(g(X)) = g(x)f (x)dx.
Z R

En particulier si xf (x)dx converge alors la variable aléatoire X 2 admet une espérance mathématique et
Z R

E(X 2 ) = x2 f (x)dx.
R

Définition 4.2.3 On appelle moment d’ordre 2 de X le nombre réel s’il existe

Z
— m2 (X) = E(X ) = 2
x2 f (x)dx où f est une densité de probabilité de X.
R

Si X admet une espérance mathématique, on appelle variance de X,

Z +1
— V (X) = m2 (xE (X)) = E((X E(X))2 ) = (x E(X))2 f (x)dx,
1

Si X admet une variance, on appelle écart type le nombre réel

p
— (X) = V (X).

Proposition 4.2.3 Soit X une variable aléatoire a pour densité f admet une espérance mathématique. V (X)
existe si et seulement si E(X 2 ) existe,

V (X) = E(X 2 ) (E(X))2 .

26 Probabilités et Statistiques

Preuve :
Z
V (X) = (x E(X))2 f (x)dx
R
Z Z Z
2 2
= x f (x)dx 2E(X) xf (x)dx + E(X) f (x)dx
R R R
= E(X 2 ) E(X)2

Contre exemple :

Soit X une variable aléatoire qui admet une densité f (x) = 2

x3 ⇠]1,+1[

— f est continue sauf en 1.

— fZ 0. Z +1
2 1
— f (t)dt = dt = [ 2 ]+1 = 1.
R 1 t3 t 1
Z Z +1  +1
2 2
— E(X) = tf (t)dt = 2
dt = = 2.
t t 1
ZR 1
Z +1
2
— E(X 2 ) = t2 f (t)dt = dt diverge, donc V (X) n’existe pas.
R 1 t
Proposition 4.2.4 Soient a, b 2 R, a 6= 0. et X une variable aléatoire.
p
Alors Y = aX + b admet une variance V (aX + b) = a2 V (X) et (X) = |a| V (X).

Définition 4.2.4 On dit que X est une variable aléatoire réduite si et seulement si (X) = 1.
X E(X)
Remarque : si X admet une espérance mathématique et une écart type non null alors (X) est une variable
aléatoire centrée réduite associé à X.

4.3 Lois usuelles d’une variable aléatoire à densité

4.3.1 Loi uniforme sur [a, b], (a < b)

On dit que X suit la loi uniforme sur [a, b] si et seulement si sa fonction de densité. f (x) = 1
b a [a,b] (x), x 2 R.
On note X ⇠ U ([a, b]).
8
< 1 si x 2 [a, b];
[a,b] (x) =
: 0 si x 62 [a, b].
Z Z b
xb2 a 2 a+b
— E(X) = xf (x)dx = dx =
= .
R a b a 2(b a) 2
Z b ✓ ◆2 ✓ ◆2
x2 a+b b2 a 2 a+b a2 + b2 2ab (a b)2
— V (X) = = = = .
a b a 2 3(b a) 2 12 12
p
— (X) = V (X) = b pa
2 3
.
Rafika LASSOUED - (ENIM) 27

4.3.2 Loi exponentielle

Soit ↵ > 0 on dit que X suit la loi exponentielle de paramètre ↵ et on note X ⇠ C(↵), si X a pour densité
f (x) = ↵ exp( ↵x) ⇠]0,+1[ .
Vérification :

— f est continue sauf en 0

— f 0
Z +1
— ↵ exp( ↵x)dx = [ exp( ↵x)]+1
0 = 1.
1
Z +1
— E(X) = ↵x exp( ↵x)dx à l’aide d’une intégration par parties on obtient que
1

— E(X) = 1
↵.

Z +1
— E(X 2 ) = ↵x2 exp( ↵x)dx à l’aide d’une intégration par parties nous obtenons
1

— E(X 2 ) = 2
↵2 donc V (X) = E(X 2 ) E(X)2 = 2
↵2
1
↵2 = 1
↵2 .

q
— (X) = 1
↵2 = ↵.
1

4.3.3 Loi normale

Soit X une variable aléatoire, on dit que X suit la loi normale de paramètres m, et on note X ⇠ N (m, 2
)
si X à pour densité

1 1 x m
f (x) = p exp( ( )2 ), x2R (4.3.1)
2⇡ 2
Lemme 4.3.1 On a : Z +1
x2 p
exp( )dx = 2⇡.
1 2
Z +1 2 Z +1
x x2
Preuve : exp(
)dx = 2 exp( )dx
1 2 0 2
Z +1 2 Z +1 Z +1
y x2 + y 2
On pose I = exp( )dy, ce qui implique I 2 = 4 exp( )dxdy.
1 2 0 0 2
8
< x = r cos(✓)
Changements de variable en coordonées polaires avec r > 0 et ✓ 2]0, ⇡2 [ :
: y = r sin(✓),
0 1
dx dx
|J| = det @ dr
dy
d✓
dy
A=r
dr d✓
28 Probabilités et Statistiques

Z +1 Z ⇡
2 r2 2
I = 4 )rdrd✓exp(
0 0 2
Z +1 Z ⇡2
r2
= 4 exp( )rdr d✓
0 2 0
⇡ r2 +1
= 4 [ exp( )]
2 2 0
= 2⇡
p
Donc I = 2⇡
— f est continue sur R
— f 0
Z Z ✓ ◆2 !
1 1 x m
— f (x)dx = p exp dx.
R 2⇡ R 2
Z Z
1 1 2
On pose t = x m
, dx = dt, alors f (x)dx = p exp( t )dt = 1
R 2⇡ R 2
Donc f est une densité de probabilité.

Z ✓ ◆2 Z
1 x m 1
E(X) = xf (x)dx = x exp( p )dx
R R ✓ 2 2⇡
Z ◆2
p1
1 x m (4.3.2)
= 2⇡
(x m) exp( )dx + m
R 2
= m.

V (X) = E (X E(X))2 = E((X m)2 ) = E(X 2 ) (E(X))2 ,

Z +1 (4.3.3)
p 1 x m 2
V (X) = 2⇡ (x m)2 exp( ( ) )dx,
1 2

On pose t = x m
. alors :

Z +1
2 2 t2
V (X) = p1 t exp( ) dt,
2⇡ 2
Z 1
+1 (4.3.4)
2 t2
= p
2⇡
t2 exp( )dt.
1 2
8 8
< u = t, < u0 = 1
Par intégration par parties : t2
=) t2
: v 0 = te 2 : v= e 2
✓ Z +1 ◆
2 t2 t2 /2
Alors V (X) = p2⇡ [ te 2 ]+1 1 + e dt = 2.
p 1
(X) = V (X) = .

Cas particulier : la loi normale centrée réduite :

x2
On dit que X suit la loi normale centrée réduite si X admet la densité f (x) = p1 e
2⇡
2 , x 2 R.

Si X suit la loi normale N (m, 2

) alors X m
⇠ N (0, 1).
Rafika LASSOUED - (ENIM) 29

4.3.4 Loi de parito

Soient a, ↵ deux réels strictements positif et x0 2 R. Une variable aléatoire X suit la loi de Parito de
paramètre a, ↵ et x0 , si X a pour densité :

8 ⇣ ⌘↵+1
< ↵ a
, si x x0 > a
a x x0
f (x) =
: 0, si x x0  a

— f est continue sauf en x = x0 + a

— f 0

Z +1 Z +1 ✓ ◆↵+1
↵ a
f (x)dx = dx
1 a a+x0 x0x
Z +1 ✓ ◆↵+1
↵ ↵+1 1
= a dx
a a+x0 x x0
 +1
↵ ↵+1 1
= a
a ↵(x x0 ) ↵ a+x0
↵+1
↵a 1
= = 1.
a ↵a↵

Alors f est une densité de probabilité.

Z +1 Z +1 ✓ ◆
↵ ↵+1 x
E(X) = xf (x)dx = a dx, (4.3.5)
1 a a+x0 (x x0 )↵+1

x
(x x0 )↵+1 est équivalent au voisinage de l’infini à 1
x↵ qui converge si et seulement si ↵ > 1. Donc E(X) existe
si et seulement si ↵ > 1, dans ce cas nous avons :

Z +1 ✓ ◆
↵ ↵+1 x x0
E(X) = a dx + x0
a a+x0 (x x0 )↵+1
 +1
↵ ↵+1 x x0
= a + x0
a ↵ + 1) a+x0
↵a↵+1
= + x0
a(↵ 1)
a↵
= + x0 , ↵ > 1
a(↵ 1)
Z +1
De même pour E(X ) = 2
x2 f (x)dx. Nous avons : x2 f (x) ⇠ x↵
1
1 converge si et seulement si ↵ > 2.
1
Dans ce cas (↵ > 2) on a :
Z +1
x2
E(X 2 ) = ↵a a↵+1 dx, posons t = x x0
a+x0 (x x0 )↵+1
30 Probabilités et Statistiques

Z
2 ↵ ↵+1 +1 (t + x0 )2
E(X ) = a dt
a a t↵+1
✓Z +1 Z +1 Z +1 ◆
↵ ↵+1 dt dt 2 dt
= a + 2x 0 + x 0
a a t↵+1 a t↵ a t↵+1
 2
↵ ↵+1 1 1 x
= a a↵ 2 + 2x0 a↵ 1 + 0↵
a ↵ 2 ↵ 1 ↵a
↵a2 a↵
= + 2x0 + x20
↵ 2 ↵ 1

p q
↵a2
V (X) = E(X 2 ) E(X)2 = (↵ 2)(↵ 1)2 et (X) = V (X) = a
↵ 1
↵
↵ 2

4.3.5 Loi Gamma

Z +1
On définit la fonction Gamma de l’Euler sur ]0, +1[ par (n) = e x n+1
x dx 8x > (n + 1) =
0
n (n) 8 n 2 N, (n + 1) = n!.
Soient b, t deux réels strictement positive, on dit que X suit la loi de paramètre (b, t) et on note X ⇠ G(b, t)
x
xt 1
si X à pour densité f (x) = e b
(t)bt ⇠]0,+1[ .
— f 0

— f est continue sauf peut être en 0

Z +1 x Z +1
e bxt 1 (t)
— dx, on pose s = x
b = 1
(t)bt e s t 1 t 1
b s bds = = 1.
0 (t)bt 0 (t)

D’où f est une densité de probabilité.

Z +1 x Z +1
xe b xt 1
1 x
— E(X) = dx = e b xt dx
0 (t)bt (t)bt 0

Par intégration par parties on obtient E(X) = bt.

Z +1 x Z +1 x
x2 e xt
xt+1
b 1
e b
— E(X 2 ) = dx, dx =
0 0 (t)bt
(t)bt
8 8
< v(x) = xt+1 , < v 0 (x) = (t + 1)xt
Par intégration par parties : =)
: u0 (x) = e bx
: u(x) = be xb
 Z +1
1 x
+1 x
— E(X 2 ) = [ x t+1
be b ]
0 + b(t + 1)xt e b dx = b2 (t + 1)t.
(t)bt 0

p
— Alors V (X) = E(X 2 ) E(X)2 = b2 (t + 1)t b2 t2 = b2 t. =) (X) = b t.
Rafika LASSOUED - (ENIM) 31

4.3.6 Loi de Cauchy

Soit X une variable aléatoire. On dit que X suit la loi de Cauchy si sa densité f (x) = 1
⇡(1+x2 ) , x 2 R.
d’espérence E(X) existe mais pas de variance.
— Application 1.
Soit X une variable aléatoire qui suit la loi uniforme sur ] 1, 1[.
2y
1. Montrer que 1< e 1
e2y +1 < 1, 8 x 2 IR.
⇣ ⌘
2. Déterminer la loi de la variable aléatoire Y = 1
2 log 1+X
1 X .

— Réponse.
1. Évident.

2. Pour tout t 2 R

FY (t) = P(Y  t)
✓ ✓ ◆ ◆
1 1+X
= P log t
2 1 X
✓ ✓ ◆ ◆
1+X
= P log  2t
1 X
✓✓ ◆ ◆
1+X
= P  e2t
1 X
= P 1 + X  e2t (1 X)
✓ ◆
e2t 1
= P X  2t
e +1
✓ 2t ◆ Z e2t 1
e 1 e2t +1 1 e2t
= FX 2t
= dt = 2t .
e +1 1 2 e +1

2e2t
Donc la variable aléatoire Y à pour densité fY (t) = (e2t +1)2 .

— Application 2.
Soit X une variable aléatoire à densité f .

1. Déterminer la loi de la variable aléatoire Y = X 2 .

2. Déterminer la variable aléatoire centrée réduite associée à Y.

— Réponse.
1) FY (t) = P(Y  t) = P(X 2  t).
— Pour t  0, FY (t) = 0.
p p p p
— Pour t > 0, FY (t) = P( tX t) = P(0  X  t) = FX ( t).
2) ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?