2 LIC–RO-Sect A Chap3. Proba1. 2022-2023.

Chapitre 3
Variables Aléatoires Absolument Continues

1.Variable aléatoire absolument continue.

Dans ce chapitre on s’interesse à des v.a. réelle dont l’ensemble des états possibles est in…ni non dénom-
brable i.e X ( ) R. On peut citer par exemple l’heure d’arrivée d’un train à une gare ou encore la durée
de vie d’un transistore, le poids d’un adulte..etc.
Dans toute la suite ( ; BR ; P) désigne un espace de probabilité, avec BR la tribu des boréliens.

Dé…nition 1.1.
Une variable aléatoire X est absolument continue si sa fonction de répartition FX (x) = P (X x)
possède les propriétés suivantes:

1- FX est continue sur R et .dérivable sur R moins (un nombre …ni de points) :

2- FX est croissante.

3- lim FX (x) = 0 ; lim FX (x) = 1:

x ! 1 x ! +1

Dé…nition 1.2.
Soit une variable aléatoire X absolument continue, de fonction de répartition FX .
On appelle densité de probabilité la fonction dérivée de FX , notée fX et dé…nie par:

d FX (x)
fX (x) = :
dx

Propriétés 1.1.
fX est une densité de la v.a absolument continue X si:

1- fX (x) 0 ; 8x 2 R.
R
+1
2- fX (x)dx = 1
1

Remarque 1.1
La densité de probabilité fX peut être estimée par la limite de l’histogramme des fréquences relatives,
voir …gure çi dessous.

1
 Chap3. Proba1. 2022-2023.

Exemple1.
Soit X une variable
8 aléatoire de fonction de répartition:
< 0 Si x<0
FX (x) =
:
1 e x Si x 0
FX est-elle la fonction de répartition d’une v.a. absolument continue X.?

Propriété 1.2.
Soit X une v.a absolument continue, la fonction de répartition est dé…nie par:
Rx
FX (x) = P (X x) = f (t)dt , 8x 2 R
1

Propriétés 1.3.
Soit X une v.a absolument continue et a; b deux réels avec a < b alors on a:
Rb
1- P (X 2 [a; b] ) = f (x)dx = F X (b) F X (a):
a
2- P (X 2 [a; b] ) = P (X 2 [a; b[ ) = P (X 2 ]a; b] ) = P (X 2 ]a; b[ )
Ra
3- P (X = a) = f (x)dx = 0
a
Ra
4- P (X a) = FX (a) = P (X < a) = f (x)dx:
1

2. Les moments d’une variable à densité.

Soit X une v.a de densité f (x): Sous réserve de convergence des intégrales, on dé…nit:
R
- Moment d’ordre k de X : E(X k ) = R
xk f (x)dx = mk , k2N
R
- Espérance mathématique de X : E(X) = R
x f (x)dx = u:
R
- Espérance mathématique de g(X) : E [g(X)] = R
g(x) f (x)dx :
R
- Variance de X: V ar(X) = E (X E(X))2 = R
(x u)2 f (x)dx
p
- Ecart-type de X : (X) = V ar(X):
R
- Fonction génératrice des moments : MX (t) = E(etX ) = R
etx f (x) dx
(k)
- Moment d’ordre k de X : E X k = MX (0):

2
 Chap3. Proba1. 2022-2023
.
Propriétés 2.1:
Pour tous réels a et b on a:

1- V ar(X) = E (X E(X))2 = E(X 2 ) E(X)2 :

2- E (aX + b) = aE (X) +b:
3- V ar (aX + b) = a2 V ar (X) :

3. Changement de Variable.
Proposition 3.1:
Soit X une v.a absolument continue de densité fX :

Soit g(X) une fonction strictement monotone et dérivable sur X( ):

La densité de la variable aléatoire absolument continue Y = g(X) est alors donnée par:
8
< d g 1 (y)
fX [g 1 (y)] Si y 2 Y ( )
fY (y) = dy
:
0 Si y 2= Y( )
1
dg (y)
Avec : la dérivée de la fonction réciproque de g.
dy
Preuve. Exercice.

Exercice 3.1.
La densité d’une v.a X est donnée par:

kx ; 0 x 2
fX (x) =
0 sinon
1- Déterminer la constante k:
2- Trouver la fonction de répartition
3- Déterminer les moments d’ordre k et en déduire E(X) et V ar(X):
4- Trouver la densité de la v.a Y = X 2 :

4- Loi continues usuelles.

Comme dans le cas discrêt, il existe un nombre de lois classiques pour les variables à densité. Nous en
détaillons ici quelques-unes.

4-1 la loi Uniforme.

Soit a et b deux réels, avec a < b. On dit que X suit la loi uniforme sur l’intervalle [a; b], noté X ! U [a; b] ;si
X admet pour densité: ( 1
Si x 2 [a; b]
f (x) = b a
0 Sinon
On détermine la fonction de répartition
8 de X ! U [a; b] et on obtient:
>
> 0 ; Si x<a
>
>
>
< x a
FX (x) = ; Si a x<b
>
> b a
>
>
>
:
1 , Si b x

3
 Chap3. Proba1. 2022-2023

Proposition 4.1:
a+b (b a)2 etb eta
Si X ! U [a; b] ; alors: E (X) = , V ar (X) = et MX (t) = :
2 12 t(b a)
Preuve: Exercice.

4-2 La loi Exponentielle.

La loi exponentielle est généralement utilisée dans les phénomènes d’attentes entre deux évènements aussi
elle modélise la durée de vie d’un phénomène sans mémoire, ou sans vieillissements.
.
Soit un réel strictement positif. On dit que X suit la loi exponentielle de paramètre ; noté X ! E ( ) ;
si X admet pour densité:
e x Si x 0
f (x) =
0 Sinon

La fonction de répartition de 8X ! E ( ) ; est comme suit:

< 0 Si x<0
FX (x) =
:
1 e x Si 0 x

4
 Chap3. Proba1. 2022-2023

Proposition 4.2:
Si X ! E ( ) ; Alors:
1 1
E (X) = , V ar (X) = 2 et MX (t) = , avec > t:
t
Preuve: Exercice

4-3 La loi Normale.

La loi Normale ou la loi gaussienne est l’une des lois de probabilité les plus adaptées pour modéliser
des phénomènes naturels issus de plusieurs évènements aléatoires, c’est l’une des lois continues la plus
importante en probabilités et statistiques.
a/-La loi Normale centrée Réduite.
Une variable aléatoire réelle absolument continue Z est de distribution normale centrée réduite , et on
note Z ! N (0; 1) lorsque sa fonction de densité s’écrit:
z2
1
fZ (z) = p e 2 ; z2R
2
Soit la représentation graphique de la densité d’une v.a X ! N (0; 1) :

X suit la loi N(0,1) ; P(X<-t)=P(X>t)

5
 Chap3. Proba1. 2022-2023

La fonction de répartition de Z ! N (0; 1) s’écrit:

Z z
u2
1
(z) = P (Z z) = p e 2 du ;z 2 R
1 2

(z) n’est pas calculable par les méthodes classiques d’intégration, son calcul est établi par des méthodes
numériques d’approximation.

- Une table des valeurs: (z) pour 0 z 3:29 est donnée.

- Du fait de la symétrie de la loi Z ! N (0; 1) par rapport à 0; les valeurs ( z), pour 0 z 3:29
s’endéduisent i.e :

( z) = P (Z z) = P (Z z) = 1 P (Z < z)
= 1 (z):

Exemples:
(0) = P (X 0) = 0:5; ( 1:62) = 1 (1:62) = 1 0:9474 = 0:052 6; ( 4) = 1 (4) = 1 1 = 0:
(1; 00) = P (X 1; 00) = 0:8413 , (1; 09) = 0:8621 , (1; 10) = 0:8643:

Proposition 4.3:
t2
Si Z ! N (0; 1) alors on a: E (Z) = 0; V ar (Z) = 1 et MZ (t) = e 2 ; t 2 R:

Preuve:
z2 z 2 + 2tz
R
+1 1 R
+1 1
MZ (t) = E etZ = etz p e 2 dz = p e 2 dz
1 2 1 2
z 2 + 2tz t2 + t2
R 1
+1
= p e 2 dz
1 2
(z t)2
t2 R
+1 1
=e2 p e 2 dz
1 2
on pose y = (z t); on aura
t2 +1 y2 t2
R 1
MZ (t) = E etZ = e 2 p e
2
2 dy = e 2 :
1
t2
:
Ainsi la fonction génératrice des moments de Z ! N (0; 1) est: MZ (t) = e 2 ; t 2 R:
(1) t2 (1)
donc MZ (t) = t e 2 , alors E (Z) = MZ (0) = 0
(2) t2 t2 (2)
et MZ (t) = e 2 + t2 e 2 ,alors E (Z 2 ) = MZ (0) = 1;

et donc V ar(Z) = E (X 2 ) E (X)2 = 1:

6
 Rappels 287

E}.3 Tables des lois usuelles

8.3.1 Loi normale X *,Âf(0,1)

--20u2
Valeurs de Pr(X ( u) en foaction de u.

Φ(0)=P(X≤0)=0.5 u u, UrUl U.U2 U.Uü 0.04 U.U5 U.UTi u.$7 U.Ud U,UY
0-0 .5000 .5040 .5080 .51.2û .5160 .5199 .52Ss .5279 .5319 .5359
0.1 .5398 .54:t8 .5478 .5517 ,ilàt) / .5596 -563{t .5675 .57]{ .5753
4"2 .5793 .5832 .5871 .591.0 .5948 .5987 .6026 .6064 .6103 ^6141
0.3 .617S .6217 -6255 .6293 .6331 .6368 .640ii .64l8 .6480 .6517
0.4 .65M .659L .6628 .66ô4 -6700 .6736 -6W2 .6808 .6A44 .6879
û.5 .6915 .6950 .6985 .7019 .7û54 .7088 .'t123 .1157 .7190 .7224
Φ(1,00)=P(X≤1,00)=0.8413 0"6 .7257 .?1297 .7324 .7457 .7389 .7464 .748,ô :7517 .7545
.7422
Φ(1,09)=P(X≤1,09)=0.8621 b.7 .?EBo .7611 .7642 .7673 .?704 .773l .7164 .7794 .7823 .7852
0.8 .7881 .7910 .7939 -7567 .7S95 .8023 .8051 .8078 -8106 .8133
0.9 .815S .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 ,8389
1.0 .8413 .8438 .8461 .8485 .8608 .8531 .8554 .85?7 .8599 .8621.
1.1 .864:! .8665 .8686 .8?08 .8V29 .8749 .877A .87e0 .8810 .8830
1..2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .s015
1.3 .9032 .9049 .9066 .9û82 .909S .9115 .9131 "9L47 -9162 -9177
Φ(-1.62)=1-Φ(1.62) 1.4 .9192 .9247 .9222 .9236 .9261 .9265 .9279 .s292 .9306 .9â19
=1-0.9474 1.5 .9332 .s345 .9S57 .9370 .s382 .9394 .s406 .9418 .9429 .§ML
= 0.0526. 1.6 .9452 .9463 .9474 .9484 .94S5 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .s5& .s573 .95B2 .9591 .9599 .9608 .9616 .9625 .s63:,
1.8 .9641 .9649 .s656 .S66,1 .s671 "9678 -s686 .9693 .9699 .9706
1.S .9713 .9rr9 .9726 .9732 .9738 .9744 .9?50 .9756 .9761 .9767
2.t .9772 .s778 .9783 .s?88 .9?93 .9798 .98t3 .9808 .9812 .9817
,1 .9821 -9826 .9&30 .9834 .9838 .984.2 .s846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 -9871 .9875 .9878 .988r .s884 .s88? .s890
2.3 -s893 .98S6 .9898 "9901 .s904 .9906 "9909 .9S11 .9913 .9916
2.4 Æ918 .9920 oor9 .s925 ooqi7 .99?9 .9931 .9932 .9934 .9936
2.6 .9938 "9S40 .s941 .9943 .9945 .9946 .9948 .9949 .0s51 .s95?
2.6 .9S53 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .ss64
2.7 .9965 -9966 .9967 .9S68 .9S69 .997û .99?1 .9972 .9973 .9974
.,e .9974 .s975 .s976 .s*w .9977 .9978 .99?9 .9979 .9980 .9981
2.9 .9S81 .9S82 .9982 "9S83 .9S84 .ss84 .9S85 .9985 -s986 .s986
3.0 .9987 -9987 .9987 .9S88 .9S88 .9989 .998S .9S89 .9990 .9SS0
3.1 .s990 .9991 .s991 ,9991 ooo, ooo, .sgs2 oôofJ .9993 .9S93
.3 -/, .9993 .9993 .9994 .9994 .s994 .9994 -sgg4 "9995 .9395 .9995
 Chap3. Proba1. 2022-2023
b/-La loi Normale quelconque.
2
Soit m et deux réels, avec > 0; On dit que X suit la loi Normale de paramètres m et ; notée
2
X ! N (m; ), si X admet pour densité:
1 x m !2
1
fX (x) = p e 2 ; x2R
2

En particulier, si m = 0 et = 1, on dit que X ! N (0; 1).

Densités de X qui suivent la loi Normale (u, 2 )

Propriétés 4.1.
2 X m
1- Si X ! N (m; ) ) la variable aléatoire: Z = ! N (0; 1) :
2
2- Si Z ! N (0; 1) ) la variable alétoire: X = Z + m ! N (m; ): >0

Preuves. Exercice.

Proposition 4.4.
2 2
t
mt+
2 2 2
Si X ! N (m; ) alors: E (X) = m; V ar (X) = et MX (t) = e ; t 2 R:

Preuve.Exercice.

Proposition 4.5
Soit a et b deux réels, avec a < b et soit (:) la valeur de la fonction de répartition de la loi N (0; 1) donnée
dans la table statistique. Si X ! N (m; 2 ) alors on a:

1- P (X b) = P ( X m b m
) = P (Z b m
) = (b m
):

2- P (X > a) = 1 P (X a) = 1 (a m
):

3- P (a X b) = P ( a m
Z b m
) = (b m
) (a m
):

7
 Chap3. Proba1. 2022-2023

4-4 la loi Gamma:

Soit deux réels > 0 et > 0. On dit que X suit la loi Gamma de paramètres et , notée
X ! G ( ; ) ; si X8admet pour densité:
<
x 1e x
Si x 0
fX (x) = ( )
:
0 Sinon
- La fonction gamma: ( ) est dé…nie par l’intégrale suivante:
R
+1
( )= t 1 e t dt pour un réel strictement positif.
0

Propriétés 4.2.
La fonction (:) possède les propriétés suivantes:

1- (1) = p 1:
2- ( 12 ) = :
3- ( ) = ( 1) ( 1):
4- ( ) = ( 1)! 2N :

Densités de loi G( ; )

Proposition 4.6:
Si X ! G ( ; ) Alors: E (X) = ; V ar (X) = 2 et MX (t) = avec t< :
t
Preuve. Exercice.

Remarque 4.1. Pour = 1; on retrouve la loi exponentielle i.e: X ! G (1; ) E( ):

4.5 - La loi du Chi-deux :

Soit n 2 N ; on dit que X suit la loi du Chi-deux de paramètre n; noté X ! 2
(n), si X admet pour
densité:

8 n
< 2 2 n
1 x
x2 e 2 si x>0
fX (x) = ( n2 )
:
0 sinon

8
 Chap3. Proba1. 2022-2023

X! 2
(k),

n
On remarque qu’une loi du Chi-deux de paramètre n est exactement la loi Gamma de paramètres = 2
et = 12 , i:e 2
(n) G( n2 ; 12 ):

Proposition 4.7.
Si X ! 2 (n) on a: , E(X) = n; V ar(X) = 2n:
Preuve: Exercice.

4.6 - la loi de Student.

Soit k 2 N : On dit que X suit la loi de Student de paramètre k; noté X ! t(k), si X admet pour densité:

k+1 k+1
1 ( ) x2
f X (x) = p 2 (1 + ) 2 x2R
k k k
( )
2

X ! t(k)

9
 Chap3. Proba1. 2022-2023
Proposition 4.8 .
n
Si X ! t(n) on a: E(X) = 0; V ar(X) = (n 3):
n 2

4.7 La Loi Beta de 1 espèce. ère

Soit p 2 R+ et q 2 R+ :
On dit que X suit la loi Beta de 1ere espèce:de paramètres p et q; noté X v [0;1] (p; q), si X admet pour
densité:
8
< (p + q) p 1
x (1 x)q 1 si 0 x 1
fX (x) = (p) (q)
:
0 sinon.
Proposition 4.9 :
p pq
Si X ! [0;1] (p; q), on a: E(X) = ; V ar(X) = 2 :
p+q (p + q) (p + q + 1)

4.8 La Loi Beta de 2 espèce:

+ +
eme

Soit p 2 R et q 2 R :
On dit que X suit la loi Beta de 2eme espèce:de paramètres p et q; noté X ! R+ (p; q), si X admet pour
densité:

(p + q) xp 1
fX (x) = x 0
(p) (q) (1 + x)p+q
Proposition 4.10 :
p p(p + q 1)
Si X ! (p; q), on a: E(X) = ; q > 1 ; V ar(X) = ; q > 2:
R+ q 1
(q 1)2 (q 2)

4.9 La loi de Fisher-Snedecor:

Soit: n1 2 N et n2 2 N :
On dit que X suit la loi de Fisher de paramètres n1 et n2 ; noté X ! F (n1 ; n2 ), si X admet pour densité:
n1
( n1 +n2 ) n1 n2
x2 1
f (x) = n1 2 n2 n12 n22 n1 +n2 ; x 0:
(2) (2) (n1 x + n2 ) 2

Proposition 4.11.
n2 2n22 (n1 + n2 2)
Si X ! F (n1 ; n2 ) on a E(X) = si n2 3 , V ar(X) = si n2 5:
n2 2 n1 (n2 2)2 (n2 4)

10