Probabilité

Variables aléatoire

PAR HADJ HAMOU ABDELMAJID

a.hadjhamou9@gmail.com
 Plan
1. Exemple introductif……………………………..……3
2. Définition de la variable aléatoire…………………....4
3. Types de variables aléatoires……………………..…..5
3.1. Variable aléatoire discrète…………………..……6
3.1.1. Définition……………………………………..….6
3.1.2. Loi de probabilité…………………………….…..7
3.1.3. Fonction de répartition……………………….…11
3.1.4. Espérance mathématique…………………….…15
3.1.5. Variance…………………………………….…..18
3.1.6. Covariance……………………………………...18
3.2. Fonction de densité……………………………….22
3.3. Variable aléatoire continue……………………..24
3.3.1. Définition………………………………………..24
3.3.2. Densité de probabilité…………………………...27
3.3.3. Fonction de répartition…………………………. 29
3.3.4. Espérance mathématique……………………….. 31
2 3.3.5. Variance………………………………………… 32
 1. Exemple introductif
Considérons une famille de 3 enfants tirée au
hasard (expérience aléatoire). On s’intéresse
au nombre de garçons dans la famille.
Aléatoire car il est impossible de connaître le résultat à l’avance de l’issue (le résultat possible).

L’ensemble fondamental Ω (univers) associé à cette expérience

On appelle ensemble fondamental (ou univers des possibles) l’ensemble de tous les résultats possibles (les issues ) d’une expérience aléatoire. Il est noté Ω.

aléatoire est :
A chaque élément de cette ensemble s’appelle une issue : résultat possible

Ω ={FFF, FFG, FGF, FGG, GFF, GFG, GGF, GGG}, card(Ω)=8

Associons à chaque élément (issue) ω de Ω le nombre de garçons :
ω FFF FFG FGF FGG GFF GFG GGF GGG
Nb de garçons 0 1 1 2 1 2 2 3

Remarque :
2 événements élémentaires ω de Ω
peuvent conduire au même nombre.
3
FGG GGF
 2. Définition de la variable aléatoire
On appelle variable aléatoire (v.a.) 𝑋, l’application définie
sur Ω et à valeur dans ℝ :
𝑋∶Ω →𝐸⊂ℝ
On associe à chaque élément de Ω un résultat possible dans ℝ
X : est une relation entre Ω et ℝ 𝜔 → 𝑋(𝜔)
Les images sont les valeurs prisent par X

𝑋(𝜔) est une réalisation de 𝑋 : 𝑋 𝜔 = 0,1,2 𝑜𝑢 3 valeurs0 numériques

1
Exemple :
2

Ω={FFF, FFG, FGF, FGG, GFF, GFG, GGF, GGG} 3

E ={0,1,2,3} E⊆N
𝑋(𝜔) = Le nb de garçons pour une configuration possible ω
ω FFF FFG FGF FGG GFF GFG GGF GGG
Nb de garçons 0 1 1 2 1 2 2 3
4
3. Types de variables aléatoires

Une variable aléatoire peut être de deux types :

5
 Une v.a discrète qui prend des valeurs numériques
3.1. Variable aléatoire discrète distinctes ou ‘séparées’ , par analogie des ensemble ℕ
: 1,2,…. Entre ces valeurs il n’y pas de valeurs entiers,
par contre l’ensemble des réels est un ensemble
continue : entre deux valeurs il y a d’autres valeurs.
3.1.1. Définition
On appelle variable aléatoire discrète (v.a.d.) 𝑋 ,
l’application :
𝑋∶ Ω → 𝐸 ⊆𝑁
𝜔 → 𝑋(𝜔)
Afin de modéliser l’expérience aléatoire, on cherche à déterminer la
probabilité de chaque valeur possible de 𝑋 : ∀𝑥 ∈ 𝐸, 𝑃(𝑋 = 𝑥)
Exemple : E ={0,1,2,3}
Calculons la probabilité pour chaque valeur possible de 𝑋 :

ω FFF FFG FGF FGG GFF GFG GGF GGG

Nb de garçons 0 1 1 2 1 2 2 3

6
 3.1.2. Loi de probabilité
Probabilité :
Grandeur par laquelle on évalue le nombre de
chances qu'a un phénomène de se produire.
Définition :
On appelle loi de probabilité d’une variable aléatoire discrète 𝑋,
l’application : 𝑃 ∶ 𝐸 → [0 , 1 ]
𝑐𝑎𝑟𝑑(𝑋 = 𝑥)
𝑥 → 𝑃(𝑋 = 𝑥) 𝑃 𝑋=𝑥 =
𝑐𝑎𝑟𝑑 (Ω)
Exemple :
1 3 3 1
𝑃 𝑋=0 =8 𝑃 𝑋=1 =8 𝑃 𝑋=2 =8 𝑃 𝑋=3 =8
On résume cela dans un tableau, on a ainsi toutes les probabilités des
valeurs prisent par 𝑥 c’est ce qui s’appelle la loi de probabilité.
𝑋 0 1 2 3 Propriétés :
1 3 3 1 • ∀𝑥𝜖𝐸 O ≤ 𝑃(𝑋 = 𝑥) ≤ 1
P(𝑋 = 𝑥)
8 8 8 8 • σ𝑥 𝜖 𝐸 𝑃(𝑋 = 𝑥) = 1
On met Sur la 1ère ligne les valeurs de 𝑋, c.à.d. toutes les valeurs que peut prendre la v.a et sur la 2ème ligne on met les probabilités correspondantes.
7
8

3.1.3. Fonction de répartition

Définition : On appelle Fonction de répartition d’une
variable aléatoire l’application F telle que :
𝑭 ∶ 𝑬 → [ 𝟎 ,𝟏 ]
𝒙 → 𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙)
𝒋
Dans le cas d’une v.a.d : F(𝒙𝒋 ) = P(𝑿 ≤ 𝒙𝒋 ) = σ𝒊=𝟏 𝑷(𝑿 = 𝒙𝒋 )
Comment déterminer la fonction de répartition d’une v.a.d ?
1) On détermine la probabilité pour chaque valeur 𝑥𝑖 .
2) On représente ces résultats dans un tableau à double entrée.
2) On regroupe toutes les probabilités possible pour les valeurs ≤ 𝑥𝑖
7 En s’appuyant sur l’exemple
Exemple : 𝐹(2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = 8
qu’on a déjà évoqué déduit du nb
de garçon par famille. On calcule
l’image des élément de E par la
On représente graphiquement fonction de répartition F
X 0 1 2 3
1 3 3 1
P(𝑋 = 𝑥)
8 8 8 8
1 4 7
F(𝑥) = P(𝑋 ≤ 𝑥) 1
8 8 8
 La fonction de répartition est également utile pour
calculer un intervalle :
Soit X une variable aléatoire discrète à valeur dans E
E ={𝑥1 , 𝑥2 ,..., 𝑥𝑝 } 𝑥1 < 𝑥2 <......< 𝑥𝑝 et
P(𝑿 ∈ [𝒙𝒂 , 𝒙𝒃 ]) = F(𝒙𝒃 )− F(𝒙𝒂 )
Exemple : X 0 1 2 3
1 3 3 1
Nous cherchons à déterminer 𝑃(𝑋 ∈ [1,2]) P(𝑋 = 𝑥) 8 8 8 8
1 4 7
F(𝑥) = P(𝑋 ≤ 𝑥) 1
Selon la formule, nous avons : 8 8 8

𝑃(𝑋 ∈ [1,2]) = 𝑃 𝑋 ∈ 𝑥2 , 𝑥3 = 𝐹 𝑥3 − 𝐹 𝑥2 = 𝐹(2) − 𝐹(1)

𝐹(2) = 𝑃(𝑋 ≤ 2) = σ2𝑖=1 𝑃(𝑋 = 𝑥𝑖 )
= 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)
1
𝐹 0 = 𝑃 𝑋 ≤0 =𝑃 𝑋 =0 = On peut faire le calcule directement :
7 1
8 𝐹 2 −𝐹 0 = 8−8
3 3 3
𝐹 2 −𝐹 0 =𝑃 𝑋 =1 +𝑃 𝑋 =2 = + =
8 8 4 9
 Propriété :
Une propriété qui lit maintenant la fonction de répartition
et la loi de probabilité
∀𝑖 ∈ 1, 𝑛 , 𝑃 𝑋 = 𝑥𝑖 = 𝐹 𝑥𝑖 − 𝐹 𝑥𝑖−1
= 𝑃 𝑋 ≤ 𝑥𝑖 − 𝑃(𝑋 ≤ 𝑥𝑖−1 )
Exemple :
𝑋 0 1 2 3
1 3 3 1
P(𝑋 = 𝑥) 8 8 8 8
1 4 7
F(𝑥) = P(𝑋 ≤ 𝑥) 8 8 8
1
on cumule les probabilités
1 1
𝐹 0 =𝑃 𝑋≤0 = 8
⇔𝑃 𝑋=0 =𝐹 0 = 8
4 4 1 3
𝐹 1 =𝑃 𝑋≤1 = ⇔ 𝑃 𝑋 =1 =𝐹 1 −𝐹 0 = − =8
8 8 8
7 7 4 3
𝐹 2 =𝑃 𝑋≤2 = ⇔ 𝑃 𝑋 =2 =𝐹 2 −𝐹 1 = − =
8 8 8 8
7 1
𝐹 3 =𝑃 𝑋 ≤3 =1 ⇔ 𝑃 𝑋 = 3 =𝐹 3 −𝐹 2 =1 − =
10 8 8
 3.1.4. Espérance mathématique
Introduction :
Soit une expérience aléatoire d’ensemble fondamental Ω à
laquelle on associe une variable aléatoire 𝑋.
A chaque résultat de l’expérience aléatoire, on obtient une valeur
𝑋(𝜔).
Si on répète l’expérience aléatoire une infinité de fois, quelle serait
la moyenne de 𝑋 ?
En gros on parle de moyenne lorsqu’on est dans le domaine des
statistiques et on parle d’espérance lorsqu’on est dans le domaine
des probabilités.
L’espérance donne une idée de la valeur qu’on peut espérer. En gros,
à nôtre jeu, on voudrait savoir sur un grand nombre de jeux en
moyenne quel est le gain que je peux espérer obtenir ?
Est-ce que il est en ma faveur où en ma défaveur ?
11
 Définition :
On appelle espérance mathématique d’une variable
aléatoire discrète 𝑋 prenant les valeurs dans l’ensemble
𝐸 ={𝑥1 , 𝑥2 ,..., 𝑥𝑘 }, la quantité notée E[X] :
On multiplie chaque valeur de 𝑋 par sa probabilité 𝑬 𝑿 = σ𝒌𝒊=𝟏 𝒙𝒊 𝑷 𝑿 = 𝒙𝒊
On s’appuie sur un exemple

Exemple : Nombre moyen de garçons dans une famille de 3 enfants

𝑋 0 1 2 3 1 3 3 1
𝐸 𝑋 =0* +1* + 2* + 3*
1 3 3 1 8 8 8 8
P(𝑋 = 𝑥) 3
8 8 8 8 𝐸𝑋= Le tableau résumant la loi de probabilité est bien fait, il suffit à
2 chaque fois de multiplier sur les colonnes et on fait la somme.
Propriétés :
𝐸[𝜆𝑋] = σ𝑛𝑖=1 𝑝𝑖 𝜆𝑥𝑖 = 𝜆 σ𝑛𝑖=1 𝑝𝑖 𝑥𝑖 = 𝜆𝐸[𝑋]

• 𝐸[𝜆𝑋] = 𝜆𝐸[𝑋] avec λ une constante

• 𝐸[𝑋 + 𝑌] = 𝐸[𝑋] + 𝐸[𝑌]
• 𝐸[𝜆𝑋 + 𝛿𝑌] = 𝜆𝐸[𝑋] + 𝛿𝐸[𝑌] avec λ et δ des constantes
• 𝐸[𝜆] = 𝜆 12
 Exemple :
Un jeu de hasard
On jette un dé équilibré.
On regarde le résultat :
• 1 : on perd 175 euros
• 2 : on perd 50 euros
• 3 : on ne gagne rien
• 4 :on gagne 25 euros
• 5 : on gagne 50 euros
• 6 : on gagne 120 euros
Est-il intéressant de jouer à ce jeu?

13 PAR HADJ HAMOU ABDELMAJID

 Modélisation mathématique
Soit une expérience aléatoire (lancé de dé équilibré)
d’ensemble fondamental équiprobable Ω={1,2,3,4,5,6}.
Soit 𝑋 une v.a.d. qui associe à un lancé de dé le gain d’argent.
E ={−175,−50,0,25,50,120}
1 2 3 4 5 6
1 1 1 1 1 1
Probabilité
6 6 6 6 6 6
Résultat du jeu -175 -50 0 25 50 120
−175 −50 0 25 50 120 ⟹ E[X] = −5
Espérance + + + + +
6 6 6 6 6 6

E[X] = −5 ⟹ "En moyenne" nous aurons un gain négatif.

PAR HADJ HAMOU ABDELMAJID 14

 L’espérance nous donne une idée de la position, c’est une
3.1.5. Variance caractéristique de position. La variance et l’écart type nous donne
une idée sur la dispersion des valeurs autour de l’espérance. La
Définition : variance c’est en fait juste un passage vers l’écart type, car l’écart
type est dont le résultat est dans la même unité que les valeurs.

Soit X une variable aléatoire définie sur un espace

probabilisé (Ω,P) et d’espérance mathématique E[X].
On appelle variance de 𝑋, la quantité notée 𝑉[𝑋] :
𝟐
𝑽 𝑿 = 𝑬 𝑿−𝑬 𝑿
Si 𝑋 est discrète et prend ses valeurs dans E ={𝑥1 , 𝑥2 ,..., 𝑥𝑘 }, alors :
𝑽 𝑿 = σ𝒌𝒊=𝟏 𝒙𝒊 − 𝑬 𝑿 𝟐
𝑷(𝑿 = 𝒙𝒊 )
Note :
Variance : 𝑉 𝑋 ≥ 0
Ecart type : 𝜎 𝑋 = 𝑉 𝑋

PAR HADJ HAMOU ABDELMAJID 15

 Propriétés :
• 𝑉 𝑋 ≥0
• 𝑉 𝑋 =𝐸 𝑋−𝐸 𝑋 2
• 𝑉 𝑋 = 𝐸 𝑋2 − 𝐸 𝑋 2 (Théorème de Huygens)

La variance est donc la différence

entre le moment d'ordre 2 et le
carré du moment d'ordre 1.
• 𝑉[𝑎] = 0 a est une constante :
• 𝑉[𝑎 𝑋] = 𝑎2𝑉[𝑋]
• 𝑉[𝑋 + 𝑌] = 𝑉[𝑋] + 𝑉[𝑌] + 2[𝐸[𝑋𝑌] − 𝐸[𝑋]𝐸[𝑌]]
Si 𝑋 et 𝑌 sont indépendantes, on a :

16
 On travail avec les colonnes du tableau qui résume la
Exemple : loi de probabilité : on met la probabilité en facteur la
valeur moins l’espérance qu’on élève au carré
Famille de 3 enfants

X 0 1 2 3
1 3 3 1
P(𝑋 = 𝑥)
1 3 3 1 𝐸 𝑋 = 0 * 8 + 1 * 8+ 2 * 8+ 3 * 8
8 8 8 8 3
0 3 6 3 𝐸𝑋=
Espérance 2
8 8 8 8

𝑉 𝑋 = σ4𝑖=1 𝑥𝑖 − 𝐸 𝑋 2
𝑃(𝑋 = 𝑥𝑖 )
3 21 3 23 3 23 3 21
𝑉 𝑋 = 0− + 1− + 2− + 3−
2 8 2 8 2 8 2 8
3
𝑉[𝑋] = 4 = 0.75

PAR HADJ HAMOU ABDELMAJID 17

18
𝐸[𝜆𝑋] = 𝜆𝐸[𝑋] • 𝐸[𝑋 + 𝑌] = 𝐸[𝑋] + 𝐸[𝑌]
3.1.6. Covariance • 𝐸[𝜆𝑋 + 𝛿𝑌] = 𝜆𝐸[𝑋] + 𝛿𝐸[𝑌] • 𝐸[𝜆] = 𝜆
Définition :
Soient 𝑿 et 𝒀 deux variables aléatoires sur un espace
probabilisé (Ω,P). On appelle covariance de 𝑋 et 𝑌, notée
𝐶𝑜𝑣[𝑋, 𝑌], la quantité :
𝑪𝒐𝒗[𝑿, 𝒀] = 𝑬[ 𝑿 − 𝑬 𝑿 (𝒀 − 𝑬[𝒀])] = 𝑬[𝑿𝒀] − 𝑬[𝑿] 𝑬[𝒀]
• Mesure de la variation simultanée de deux variables aléatoires :
elle permet d’évaluer l’importance et le sens de cette variation.
Elle peut être positive, négative ou nulle. 𝑉 𝑋 ≥0
𝑉 𝑋 =𝐸 𝑋−𝐸 𝑋 2

• Utile dans le calcul de V[X +Y] 𝑉 𝑋 =𝐸 𝑋 − 𝐸 𝑋 2 2

𝑽[𝑿 + 𝒀] = 𝑽[𝑿] + 𝑽[𝒀] + 𝟐[𝑬[𝑿𝒀] − 𝑬[𝑿] 𝑬[𝒀]]

 Théorème :
Soient X et Y deux variables aléatoires sur un espace
probabilisé (Ω,P). Si X et Y sont indépendantes alors :
𝐶𝑜𝑣[𝑋, 𝑌] = 0
Attention :
𝐶𝑜𝑣[𝑋, 𝑌] = 0 ⇏ 𝑋 𝑒𝑡 𝑌 𝑖𝑛𝑑é𝑝𝑒𝑛𝑑𝑎𝑛𝑡𝑒𝑠
Conséquence :
Si X et Y sont indépendantes alors 𝐶𝑜𝑣[𝑋, 𝑌] = 0
𝑉[𝑋 + 𝑌] = 𝑉[𝑋] + 𝑉[𝑌] + 2[𝐸[𝑋𝑌] − 𝐸[𝑋]𝐸[𝑌]]
Puisque : 𝐶𝑜𝑣[𝑋, 𝑌] = [𝐸[𝑋𝑌] − 𝐸[𝑋]𝐸[𝑌]] = 0
𝑉[𝑋 + 𝑌] = 𝑉[𝑋] + 𝑉[𝑌]

PAR HADJ HAMOU ABDELMAJID 19

 3.2. Fonction de densité
Une densité c’est une fonction définie sur un intervalle I,
qui vérifie les conditions suivantes :
1. Continue,
2. Positive,
𝑏
3. ‫ = 𝑡𝑑 𝑡 𝑓 𝑎׬‬1 l’air sous la courbe vaut 1
Alors concrètement faisons un petit schéma pour rendre les choses
plus clair. On prend la courbe d’une fonction définie sur un intervalle
I, cette fonction on souhaite qu’elle soit :
• Continue : c’est-à-dire on la trace d’un seul trait
• Qu’elle soit positive : c’est-à-dire que la courbe soit au dessus de
l’axe des abscisses.
• L’air sous la courbe soit égal à 1 c’est-à-dire la partie hachuré=1
Si ces conditions sont réunies la fonction représenter ici est bien c’est
une densité. 20
Exemple :
Démonter que la fonction 𝑓 définie sur 2; 4 par :
𝑓 𝑥 = 0,5𝑥 − 1 est une fonction de densité.

21
 Exemple :
Démonter que la fonction 𝑓 définie sur 2; 4 par :
𝑓 𝑥 = 0,5𝑥 − 1 est une fonction de densité.

• 𝑓 est une fonction affine, elle est donc continue sur 2; 4

• 𝑓(𝑥) ≥ 0 ?
0,5𝑥 − 1 ≥ 0 ⇒ 0,5𝑥 ≥ 1 ⇒ 𝑥 ≥ 2
• 𝑓 est positive sur 2; 4
4 4
‫׬‬2 𝑓 𝑡 𝑑𝑡 = ‫׬‬2 0,5𝑥 − 1 𝑑𝑡
0,5 2 4
= 𝑡 −𝑡
2 2
= 0,25𝑡 2 − 𝑡 42
=4−4−1+2=1
𝟒
‫𝒇 𝟐׬‬ 𝒕 𝒅𝒕 = 𝟏
𝑓 est donc une fonction de densité sur 2; 4 22
 Une v.a discrète qui prend des valeurs numériques
distinctes ou ‘séparées’ , par analogie des ensemble ℕ
3.3. Variable aléatoire continue : 1,2,…. Entre ces valeurs il n’y pas de valeurs entiers,
par contre l’ensemble des réels est un ensemble
3.3.1. Définition : continue : entre deux valeurs il y a d’autres valeurs.
Valeurs dans intervalle
Une variable aléatoire continue est une application de
l’univers Ω dans ℝ : X : Ω → ℝ X(Ω) est un intervalle (ou une
réunion d’intervalles) de ℝ.
X : taille d’un individu
ω → X(ω)
Problèmes que soulèvent cette définition :
La description d’une loi continue diffère de celles des lois discrètes
puisque pour une v.a continue 𝑋, la probabilité que 𝑋 prenne une valeur
bien précise 𝑥 est nulle, 𝑃[𝑋 = 𝑥] = 0 .
Il y a en effet une infinité de valeurs dans ℝ ou dans un intervalle, et au
regard de toutes ces valeurs précises, le poids de la valeur particulière est
tellement insignifiant qu’il en est nul !

Ex : si 𝑋 = 𝑡𝑎𝑖𝑙𝑙𝑒 𝑑’𝑢𝑛 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢 ,

alors 𝑃(𝑋 = 1, 8245756) = 0

23
 Solution : Dans le cadre de loi continue comme on a
quelque chose continue. Le calcul de probabilité se fait
toujours sur un intervalle.
𝑏
𝑃 𝑋 ∈ [𝑎, 𝑏] = ‫𝑡𝑑 𝑡 𝑓 𝑎׬‬

Il n’est ainsi pas possible de définir la loi de 𝑋 par la donnée des

probabilités des événements élémentaires. Par contre, il est possible de
déduire les probabilités que 𝑋 prenne ses valeurs dans une partie de ℝ à
partir de la fonction de répartition définie par :
𝐹(𝑥) = 𝑃[𝑋 ≤ 𝑥] = 𝑃[𝑋 < 𝑥]

24
 Remarque :
 Variable aléatoire discrète
Les v.a discrètes prennent des valeurs entières : 𝑥 ∈ ℕ.

Représentation graphique :
On a en abscisse toutes les valeurs prisent par la variable aléatoire
(1,2,3,……) et chaque valeur de la v.a prend une certaine valeur de
probabilité: 𝑃(𝑋 = 𝑥)
Et tout cela on pouvait les compter, par exemple si on voulait
déterminer la probabilité que 𝑋 soit inférieure 𝑋 ≤ 4 et bien ça
nous mener à additionner la probabilité que 𝑋 = 1 à 𝑋 = 4,……on
faisait 4 calculs séparés pour obtenir la probabilité que 𝑋 ≤ 4 .

25
  Variable aléatoire continue
Les valeurs d’une variable aléatoire continue vont
prendre des valeurs sur des réels, c’est-à-dire les valeurs
de 𝑋 appartiennent à un intervalle.
Dans ce cas, pour calculer 𝑃 𝑋 ≤ 4 au lieu d’additionner la
probabilité de chaque valeur de 𝑋 on calculer l’air sous la courbe
pour toutes les valeur de 𝑋 ≤ 4 autrement dit, on est mené à faire un
calcul intégral puisque calculé l’air sous une courbe c’est bien un
calcul intégral.

PAR HADJ HAMOU ABDELMAJID 26

 Exercice :
Une entreprise produit des briques suivant une variable
aléatoire continue X, en tonnes, qui prend ses valeurs sur
0,20 avec une densité de probabilité 𝑓 définie par :
𝑓 𝑥 = 0,015𝑥 − 0,00075𝑥 2
Continue, positive et air=1

Calculer la probabilité de l’événement

E : ‘la production quotidienne est supérieur ou égale à 12 tonnes.’

PAR HADJ HAMOU ABDELMAJID 27

 Solution :
𝑓 𝑥 = 0,015𝑥 − 0,00075𝑥 2
𝑓 définie sur 0,20
E : ‘la production quotidienne est ≥ 12 tonnes.’
20
𝑃 𝐸 = ‫׬‬12 𝑓 𝑥 𝑑𝑥 = 𝑃 12 ≤ 𝑋 ≤ 20
1 2 1 3
𝐹 𝑥 = ‫= 𝑥𝑑 𝑥 𝑓 ׬‬ 0,015 2 𝑥 − 0,00075 3 𝑥
= 0,0075 𝑥 2 − 0,00025 𝑥 3
20
𝑃 𝐸 = 0,0075 𝑥 2 − 0,00025 𝑥 3 12

= 0,0075 202 − 0,00025 203 − 0,0075 122 − 0,00025 123

= 0,352
Continue, positive et air=1

28
29
3.3.2. Densité de probabilité :
Définition :
Une variable aléatoire continue 𝑋 a pour densité 𝑓(𝑥) si
la fonction vérifie :
1) la fonction doit être continue sur l’intervalle donné
2) la fonction doit être positive : ∀ 𝑡 ∈ ℝ 𝑓 𝑡 ≥ 0
+∞
3) ‫׬‬−∞ 𝑓 𝑡 𝑑𝑡 = 1
Remarque :
𝑏
𝑃 𝑋 ∈ [𝑎, 𝑏] = 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = ‫𝑡𝑑 𝑡 𝑓 𝑎׬‬
et la probabilité de trouver 𝑋 dans un intervalle [𝑎, 𝑏] donné, apparaît
comme l’aire d’une partie du graphique située entre la courbe de la
densité 𝑓 et l’axe des abscisses.
Origine de ces points de vue : histogramme des
fréquences d’une série regroupée par classe
dont l’amplitude des classes devient "petites"...
Exercice :
On considère la fonction 𝑓 défini sur 0, +∞ par
𝑓 𝑥 = 𝑒 −𝑥 et 𝑋 est une variable aléatoire de densité 𝑓.
Calculer les probabilités suivantes :
a) 𝑃(1 ≤ 𝑋 ≤ 2) b) 𝑃(𝑋 ≥ 3)

30
 Exercice :
On considère la fonction 𝑓 défini sur 0, +∞ par
𝑓 𝑥 = 𝑒 −𝑥 et 𝑋 est une variable aléatoire de densité 𝑓.
Calculer les probabilités suivantes :
a) 𝑃(1 ≤ 𝑋 ≤ 2) b) 𝑃(𝑋 ≥ 3)
2 −𝑥 Lorsque on vous demande de
a) 𝑃 1 ≤ 𝑋 ≤ 2 = ‫׬‬1 𝑒 𝑑𝑥 calculer une probabilité avec une
densité compris entre a et b c’est
l’air sous la courbe compris entre a
𝑏
𝟐 𝟏
= −𝑒 −𝑥 = 𝑒 −𝑥
et b c.à.d. l’air =‫𝑥𝑑 𝑥 𝑓 𝑎׬‬
𝟏 𝟐
−1 −2 1 1
=𝑒 −𝑒 = − 2
𝑒 𝑒

b) 𝑃 𝑋 ≥ 3 = 1 − 𝑃 0 ≤ 𝑋 ≤ 3
3 −𝑥 𝟑
=1 − ‫׬‬0 𝑒 𝑑𝑥 = 1 − −𝑒 −𝑥 𝟎
𝑃(𝑋 ≥ 3) qui correspond à l’air compris entre la courbe et l’intervalle
𝑏
3, +∞ au lieu de calculer cet air il faut penser à calculer 1 − ‫𝑥𝑑 𝑥 𝑓 𝑎׬‬
𝟎
= 1 − 𝑒 −𝑥 𝟑 = 1 − 𝑒 0 − 𝑒 −3 trouver une primitive de 𝑓(𝑥)
On a à -f(x) l’intérieur du crochet donc on inverse les bornes
1 1 On remplace x par 1 puis par 2
= 1 − 1 − 𝑒3 = 𝑒3 cette difficile à calculer car on est sur 0, +∞ , or on sait que l’air sous la
courbe vaut 1
31
 Exemple : Soit une fonction 𝑓 𝑥 définie par :
2𝑥 𝑠𝑖 𝑥 ∈ [0,1]
𝑓 𝑥 = ቊ
0 𝑠𝑖𝑛𝑜𝑛
𝑓 𝑥 est-elle une densité?
+∞
∀ 𝑥 ∈[0,1], 𝑓 𝑥 > 0 ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 1 ?
+∞ 0 1 +∞
‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 + ‫׬‬0 𝑓 𝑥 𝑑𝑥 + ‫׬‬1 𝑓 𝑥 𝑑𝑥
1
1 1 𝑥2
= ‫׬‬0 2𝑥 𝑑𝑥 = 2‫׬‬0 𝑥 𝑑𝑥 = 2 = F(1) − F(0) =1
2
0
Donc f(x) est bien une fonction de densité.
1
1 1 𝑥2 3
Calculons P(X ∈ [ 2
, 1] : ‫׬‬1/2 𝑓 𝑥 𝑑𝑥 = 2 2
= 4
1/2
Note : il peut devenir fastidieux de calculer P(X ∈[a,b])⇒ Calcul
d’intégral
On préfère utiliser la fonction de répartition de X 32
 3.3.3. Fonction de répartition
Définition :
Soit X une variable aléatoire continue sur Ω.

On appelle fonction de répartition de 𝑋 l’application 𝐹(𝑥) définie par :

• a chaque valeur 𝑥 c’est-à-dire une des valeurs
que peu prendre X associe 𝑃(𝑋 ≤ 𝑥).
𝐹 : ℝ → 0,1
• Ca ressemble à la loi de probabilité mais
attention ici c’est ≤ au lieu de = 𝑥 → 𝐹 𝑥 = 𝑃(𝑋 ≤ 𝑥)
𝑥
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ‫׬‬−∞ 𝑓 𝑡 𝑑𝑡
𝑏 la probabilité de trouver X dans un intervalle [a,b] donné,
𝑃(𝑋 ∈ [𝑎, 𝑏]) = ‫𝑓 𝑎׬‬ 𝑡 𝑑𝑡 = 𝐹(𝑏) − 𝐹(𝑎) apparaît comme l’aire d’une partie du graphique située
entre la courbe de la densité f et l’axe des abscisses.

Propriétés :
 F est croissante
𝐹 : ℝ → 0,1

 lim 𝐹(𝑋) = 0
𝐹 : ℝ → 0,1
𝑥 →−∞
 lim 𝐹(𝑋) = 1
𝑥 →+∞
′
 𝐹(𝑥) =𝑓 𝑥
33
 Retour à l’exemple :
2𝑥 𝑠𝑖 𝑥 ∈ [0,1]
𝑓 𝑥 = ቊ
0 𝑠𝑖𝑛𝑜𝑛

𝐹(𝑥) = 0 𝑠𝑖 𝑥 < 0
𝑥2 𝑠𝑖 𝑥 ∈ [0,1]
1 𝑠𝑖 𝑥 > 0
1 1
Calculons P(X ∈ [ , 1] = 𝐹(1) − 𝐹
2 2
1 3
= 1− 4 = 4
Le calcul est plus rapide qu’en passant à chaque fois par la densité
(calcul d’intégrale).

PAR HADJ HAMOU ABDELMAJID 34

 3.3.4. Espérance mathématique :
Définition :
Soit X une variable aléatoire continue sur un espace
probabilisé (Ω,P). On appelle espérance mathématique
de X, la quantité notée E 𝑋
+∞
E𝑋 = ‫׬‬−∞ 𝑥 𝑓 𝑥 𝑑𝑥
Exemple :
2𝑥 𝑠𝑖 𝑥 ∈ [0,1]
𝑓 𝑥 = ቊ
0 𝑠𝑖𝑛𝑜𝑛
+∞ 1 1 1
E𝑋 = ‫׬‬−∞ 𝑥 𝑓 𝑥 𝑑𝑥 = ‫׬‬0 𝑥 𝑓 𝑥 𝑑𝑥 = ‫׬‬0 𝑥 2𝑥𝑑𝑥 = ‫׬‬0 2𝑥 2 𝑑𝑥
1
1 2𝑥 3 2 2 2
‫׬‬0 2𝑥 2 𝑑𝑥 =
3
= 𝐹 1 − 𝐹(0) = - 0 =
3 3
E𝑋 =
3
0

PAR HADJ HAMOU ABDELMAJID 35

 3.3.5. Variance :
Définition :
Soit X une variable aléatoire continue sur un espace
probabilisé (Ω,P) et d’espérance E[X]. On appelle
variance de X, la quantité notée V[X] :

V[X] = E[(X −E[X])2] = E[X2] − E[X]2

+∞ 2
V[X] = ‫׬‬−∞ 𝑋 − 𝐸 𝑋 𝑓 𝑥 𝑑𝑥
+∞ 2
= ‫׬‬−∞ 𝑥 𝑓 𝑥 𝑑𝑥 − (𝐸 𝑋 )2

PAR HADJ HAMOU ABDELMAJID 36

 Exemple :
2𝑥 𝑠𝑖 𝑥 ∈ [0,1]
𝑓 𝑥 = ቊ 2
0 𝑠𝑖𝑛𝑜𝑛 Et 𝐸[𝑋] = 3

+∞
V[X] = ‫׬‬−∞ 𝑥 2 𝑓 𝑥 𝑑𝑥 − (𝐸 𝑋 )2
1 2 2
V[X] = ‫׬‬0 2𝑥 3 𝑑𝑥 − 3
1 1
2𝑥 4 4 𝑥4 4
V[X] = - = -
4 9 2 9
0 0
1 4 1 4 1
= -0- = - =
2 9 2 9 18
1
V[X]=
18

PAR HADJ HAMOU ABDELMAJID

37