Chapitre 2

Variable aléatoire continue

Dans le cas d’une variable aléatoire discrète, le support de la variable est un ensemble au
plus dénombrable (…ni ou in…ni) et sa fonction de répartition est une fonction en escalier.
Dans le cas d’une variable aléatoire dont le domaine de dé…nition est l’axe des nombres
réels ou un intervalle de R, le concept de fonction de masse n’a plus de sens, puisque dans
ce cas on verra que P (X = x) = 0 pour toute valeur x de R:

2.1 Dé…nitions
Dé…nition 2.1.1 Soit X une variable aléatoire dé…nie sur un espace de probabilité ( ; F; P )
de fonction de répartition FX . La variable X est dite absolument continue si sa fonction
de répartition satisfait les deux conditions suivantes:
1) FX est continue sur R;
2) FX est dérivable sur R sauf peut être sur un ensemble …ni de points I. En tout
point a de I, FX admet une dérivée à gauche et une dérivée à droite.

Remarque 2.1.1 Une fonction réelle F dé…nie sur R est la fonction de répartition d’une
variable aléatoire absolument continue X, si elle véri…e les propriétés suivantes:
1) F est continue et croissante sur R:

2) lim F (x) = 0; lim F (x) = 1:

x! 1 x!+1

3) F est dérivable sur R sauf peut être sur I (I est …ni).

31
 2.1. Dé…nitions

4) En tout point a de I, F admet une dérivée à gauche et une dérivée à droite.

8 Soit la fonction:
Exemple 2.1.1
< 0 si x < 0;
F (x) =
: 1 e x si x 0:

1) F est croissante et continue sur R:

2) lim F (x) = lim 0 = 0:

x! 1 x! 1

x
lim F (x) = lim 1 e = 1:
x!+1 x!+1

F (x) F (0)
3) Fg0 (0) = lim = 0: La fonction F est dérivable à gauche de 0:
<
x!0 x 0
x
F (x) F (0) 1 e
Fd0 (0) = lim = lim :
>
x!0 x 0 >
x!0 x

Cherchons le développement limité de 1 e x:

x2
ex = 1 + x + + (x2 ) :
2!
x2 x2
e x =1 x+ + (x2 ) ) 1 e x
=x + (x2 ) :
2! 2!
x2
x + (x2 )
Fd0 (0) = lim 2! = 1:
>
x!0 x

Ainsi, la fonction F est dérivable à droite de 0.

0
Comme Fd (0) 6= Fg0 (0), alors on en déduit que la fonction F n’est pas dérivable au
point x = 0: F est dérivable sur R :
D’où, 8
< 0 si x < 0;
F 0 (x) =
: e x
si x 0:

On conclut que F est une fonction de répartition d’une variable aléatoire absolument
continue.

32
 2.1. Dé…nitions

Dé…nition 2.1.2 Une variable aléatoire X, dé…nie sur un espace de probabilité ( ; F; P )

et de fonction de répartition FX , est dite variable absolument continue s’il existe une
fonction réelle fX véri…ant les conditions suivantes:

1) fX (x) 0; 8x 2 R;

2) fX est continue sur R, sauf peut être sur un ensemble …ni de points où elle admet
une limite …nie à gauche et une limite …nie à droite,
Z +1
3) fX (x) dx existe et est égale à 1,
1

4) La fonction de répartition FX peut s’écrire pour tout x 2 R, sous la forme

Z x
FX (x) = fX (u) du
1

La fonction fX est appelée fonction de densité de probabilité de la variable aléatoire

X.

Exemple 2.1.2 Soit X une variable aléatoire de fonction de répartition FX donnée par:
8
< 0 si x < 0
FX (x) =
: 1 1 (x + 2) e 2 si x > 0
x
2

1) Montrer que la variable aléatoire X est absolument continue.

2) Trouver la constante c pour que la fonction fX dé…nie par:
8
< c x e x2 si x 0
fX (x) =
: 0 si x < 0

soit une densité de probabilité

Z x pour cette variable.
3) Véri…er que FX (x) = f (t) dt; 8x 2 R:
1

Solution:
1) F est croissante et continue sur R.

lim F (x) = 0; lim F (x) = 1:

x! 1 x!+1

1 x
0 0
Fg;X (0) = 0; Fd;X (0) = 4
xe 2
x=0
= 0:

33
 2.1. Dé…nitions

Ainsi, FX est dérivable sur R:

8
< 0 si x < 0
FX0 (x) = continue sur R:
: 1 xe x
2 si x 0
4

Z +1 Z 0 Z +1
2) fX (x) dx = fX (x) dx + f (x) dx
1 1 0
Z +1 Z +1
x x +1 x
=c xe 2 dx = c 2xe 2
0
+ 2e 2 dx
0 0
Z +1
x x +1
= 2c e 2 dx = 4c e 2
0
= 4c
0
Z +1
1
f (x) dx = 1 =) 4c = 1 =) c = :
1 4
Z x
3) FX (x) = fX (t) dt:
1
Z x
Si x < 0 : FX (x) = 0 dt = 0:
1
Z 0 Z x ix Z x
1 t 1 t 1 t
Si x 0 : FX (x) = 0 dt + 4
te 2 dt = 2
te 2 + 2
e 2 dt
1 0 0 0

x
h t
ix x x
1 1
= 2
xe 2 + e 2 = 2
xe 2 e 2 +1
0

1 x
=1 2
e 2 (x + 2) :

Propriétés Soit X une variable aléatoire absolument continue de fonction de répar-

tition FX et de densité de probabilité fX :

1. 8a 2 R : P (X = a) = FX (a) FX (a ) = 0 (puisque FX est continue sur R).

2. 8a; b 2 R tels que a < b :

P (a X b) = P (a X < b) = P (a < X b) = P (a < X < b) = FX (b) FX (a)

Z b
De plus, FX (b) FX (a) = fX (x) dx:
a

34
 2.1. Dé…nitions
Z +1
3. 8a 2 R : P (X a) = P (X > a) = 1 FX (a) = fX (x) dx:
a

4. 8b 2 R : P (X < b) = P (X b) = FX (b) :
Z
5. En général, P (X 2 A) = fX (x) dx:
A

Exemple 2.1.3 Soit X une variable aléatoire absolument continue de densité de proba-
bilité fX donnée par: 8
>
> 0 si x < 0
>
<
1
fX (x) = si 0 x<2
>
>
8
: c si x
>
2
x3
où c est une constante réelle.
1) Déterminer c.

2) Trouver la fonction de répartition FX :

1 3
3) Calculer P <X< ; P (3 X < 5) ; P (1 < X < 5) :
2 2

Solution:
Z +1 Z 0 Z 2 Z +1
1 c
1) fX (x) dx = 1 =) 0 dx + dx + dx = 1
1 1 0 8 2 x3
2 +1
1 1
=) x +c =1
8 0 2x2 2

1 c
=) + = 1 =) c = 6:
4 8
Z 0
2) Si x < 0 : FX (x) = 0 dt = 0:
1
Z 0 Z x
1 x
Si 0 x < 2 : FX (x) = 0 dt + dt = :
1 0 8 8
Z 0 Z 2 Z x 2 x
1 6 t 3
Si x 2 : FX (x) = 0 dt + dt + dt = +
1 0 8 2 t3 8 0 t2 2

1 3 3 3
= 2
+ =1 :
4 x 4 x2

35
 2.2. Moments d’une variable aléatoire absolument continue

Ainsi, 8
>
> 0 si x < 0
>
< x
FX (x) = si 0 x<2
>
> 8
>
: 1 3
si x 2
x2

1 3 3 1 1 3 1 1
3) P <X< = FX FX = = :
2 2 2 2 8 2 2 8
3 3 16
P (3 X < 5) = FX (5) FX (3) = 1 1+ = :
25 9 75
3 1 151
P (1 < X < 5) = FX (5) FX (1) = 1 = :
25 8 200

2.2 Moments d’une variable aléatoire absolument con-

tinue
Dé…nition 2.2.1 soit X une variable aléatoire absolument continue, de densité fX . On
appelle sous réserve de convergence des intégrales concernées:
1) Espérance de X, le nombre
Z +1
E (X) = x fX (x) dx
1

2) Moment d’ordre n (n 2 N ), le nombre

Z +1
n
mn (X) = E (X ) = xn fX (x) dx
1

3) Moment centré d’ordre n, le nombre

Z +1
n
n (X) = E [(X E (X)) ] = (x E (X))n fX (x) dx
1

4) Variance de X, le nombre

V (X) = 2 (X)

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

36
 2.3. Fonction d’une variable aléatoire absolument continue

Remarque 2.2.1 1) Si X ( ) est un intervalle borné, alors E (X n ) existe pour tout

n2N .
2) Si E (X n ) existe, alors E X k existe pour tout k n:

Exemple 2.2.1 Soit X une variable aléatoire absolument continue de densité

8
>
> 0 si x < 0
>
>
>
< 1
fX (x) = si 0 x < 2
>
> 8
>
>
>
: 6 si x 2
x3
Z +1
E (X) = x fX (x) dx si cette intégrale converge.
1

Z +1 Z 2 Z +1 2 +1
x 6 x2 6 13
x fX (x) dx = dx + x 3 dx = + = :
1 0 8 2 x 16 0 x 2 4
Z +1
E (X 2 ) = x2 fX (x) dx si cette intégrale converge.
1

Z +1 Z 2 Z +1 2
x2 6 x3
E (X ) =2 2
x fX (x) dx = dx + x2 dx = + 6 ln (x)]+1
2 = +1
1 0 8 2 x3 24 0

D’où, E (X 2 ) n’existe pas =) V (X) n’existe pas =) E (X n ) n’existe pas, 8n 2:

Propriétés: Soit X une variable aléatoire absolument continue telle que E (X 2 ) < 1:

1. E (aX + b) = a E (X) + b; 8a; b 2 R:

2. V (aX + b) = a2 V (X) ; 8a; b 2 R:

2.3 Fonction d’une variable aléatoire absolument con-

tinue
Théorème 2.3.1 Soit X une variable aléatoire absolument continue de densité fX : Soit
g une fonction réelle continue et dérivable sur X ( ). Alors, Y = g (X) est une variable

37
 2.3. Fonction d’une variable aléatoire absolument continue

aléatoire absolument continue et si celle-ci admet une espérance, elle est donnée par la
formule Z +1
E (Y ) = E [g (X)] = g (x) fX (x) dx
1

La détermination de la loi de probabilité de Y passe par sa fonction de répartition

FY (y) = P (Y y), dé…nie pour tout y 2 R par la probabilité, pour X associée à
l’ensemble des valeurs x telles que g (x) 2 ] 1; y] : En utilisant la symbolique des évène-
ments, il su¢ t de résoudre l’évènement (Y y) en terme d’évènements pour X.

1) Si g est strictement croisssante; le passage de FX à FY est simple puisque FY (y) =

1
FX (g (y)) :

1
2) Si g est strictement décroissante; on a FY (y) = 1 FX (g (y)) :

1
Théorème 2.3.2 Si l’application g est monotone et son inverse g est continue et dériv-
able sur R; alors la densité de la variable aléatoire Y = g (X) est donnée par:
1
1 @g (y)
fY (y) = fX g (y) ; y 2 DY :
@y

Preuve. FY (y) = P (Y y) = P (g (X) y)

8
< P (X g 1 (y)) si g est croissante
=
: P (X g 1 (y)) si g est décroissante
8
< F (g 1 (y)) si g est croissante
X
=
: 1 F (g 1 (y)) si g est décroissante
X

Comme FX et g 1 sont supposées dérivables dont les dérives sont, respectivement, fX

@g 1 (y)
et ; alors la densité de la variable aléatoire Y est donnée par:
@y
8
>
> @g 1 (y)
< fX (g 1 (y)) si g est croissante
fY (y) = @y
>
> @g 1 (y)
: fX (g 1 (y)) si g est décroissante
@y

38
 2.3. Fonction d’une variable aléatoire absolument continue

Cette densité peut être réécrite sous la forme

1
1 @g (y)
fY (y) = fX g (y) ; y 2 DY :
@y

Exemple 2.3.1 Soit X une variable aléatoire de densité:

8
> 3
< x si 1 < x < 1;
fX (x) = 2
>
: 0 sinon

Déterminer la loi de probabilité des deux variables aléatoires Y = X + 1 et Z = X 2 :

Solution:

X ( ) = ] 1; 1[ :

1) Loi de Y = X + 1:

Y ( ) = ]0; 2[ :

Soit y 2 R : FY (y) = P (Y y) = P (X + 1 y) = P (X y 1) = FX (y 1) :
8
> 3
@ @ < (y 1)2 si 0<y<2
fY (y) = [FX (y 1)] = (y 1) fX (y 1) = 2
@y @y >
: 0 sinon

2) Loi de Z = X 2 :

Z ( ) = [0; 1[ :
8
< P ( pz X
p
z) si z > 0
Soit z 2 R : FZ (z) = P (Z z) = P (X 2 z) =
: 0 si z 0
8
< F (pz) FX (
p
z) si z > 0
X
=
: 0 si z 0

La densité de la variable aléatoire Z est donnée par:

39
 2.4. Lois continues usuelles
8
>
< 0 si z 0
@
fZ (z) = FZ (z) = 1 p 1 p
@z >
: p fX ( z) + p fX ( z) si z > 0
2 z 2 z

Si z 0; alors fZ (z) = 0 car FZ (z) = 0:

p p
Si z 1, alors z 1 et z 1:

p p
Ainsi, fX ( z) = 0 et fX ( z) = 0:

Delà, on obtient: fZ (z) = 0:

p p
Si z 2 ]0; 1[, alors 0 < z < 1 et 1< z < 0:

p 3 p 2 3
fX ( z) = ( z) = z:
2 2
p 3 p 2 3
fX ( z) = ( z) = z:
2 2
1 3 1 3 3p
Delà, on obtient: fZ (z) = p z + p z = z:
2 z 2 2 z 2 2

Ainsi,
8
> 3p
< z si 0 < z < 1;
fZ (z) = 2
>
: 0 sinon

2.4 Lois continues usuelles

Soit X une variable aléatoire absolument continue de densité f et de fonction de réparti-
tion F:

2.4.1 Loi continue uniforme

On dit que X est une variable aléatoire uniforme sur [a; b] ; b > a; si
8
> 1
< si x 2 [a; b]
f (x) = b a
>
: 0 sinon

40
 2.4. Lois continues usuelles

a+b 1 (b a)2
E (X) = ; E (X 2 ) = (b2 + ab + a2 ) ; V (X) = :
2 3 12

8
>
> 0 si x < a
>
>
>
< x a
F (x) = si a x<b
>
> b a
>
>
>
: 1 si x b

X v U[a;b] :

Propriété Si X v U[0;1] alors Y = a + (b a) X v U[a;b] :

Exemple 2.4.1 Soit X une variable aléatoire absolument continue de fonction de répar-
tition 8
< 0 si x < 0
FX (x) =
: 1 e x
si x 0
X
Déterminer la loi de la variable aléatoire Y = 1 e :

Solution:

On a X ( ) = [0; +1[:

x x
x 0 =) x 0 =) e 1 =) 1 e 0 =) y 0:

x x x
D’autre part, on a: e >0) e <0)1 e < 1:

Ainsi, Y ( ) = [0; 1[:

Soit y 2 Y ( ) :
X X
FY (y) = P (Y y) = P 1 e y =P e 1 y

1
= P (X ln (1 y)) = FX ln
1 y

41
 2.4. Lois continues usuelles
8
>
< 1 eln(1 y)
si 0 y<1
=
>
: 0 sinon
8
< y si 0 y<1
=
: 0 sinon

dFX ( ln (1 y))
fY (y) = = [ ln (1 y)]0 fX ( ln (1 y))
dy

1 1
= fX ( ln (1 y)) = fX ( ln (1 y)) :
1 y 1 y
8 1
>
< eln(1 y)
si 0 y 1
1 y
=
>
:
0 sinon

8
< 1 si 0 y 1
=
: 0 sinon

qui n’est autre que la distribution uniforme sur l’intervalle [0; 1] :

Ainsi, X v U[0;1] :

Remarque 2.4.1 La loi uniforme sur [a; b] est également appelée loi rectangulaire.

2.4.2 Loi Gamma

On dit que X suit une loi Gamma de paramètres a; b > 0 si

8
>
> si x 0;
< 0
f (x) = xa 1 a bx
>
>
: b e si x > 0
(a)

(a) désigne la fonction Gamma dé…nie par:

Z +1
(a) = xa 1 e x dx; a > 0
0

42
 2.4. Lois continues usuelles

a a
E (X) = ; V (X) = 2 :
b b

Xv (a; b) :

Propriétés

1. Si a 2 N : (a) = (a 1)!

2. (a + 1) = a (a) ; 8a 2 R:
1 p
3. = :
2
b
4. Si X v (a; b) alors cX v a; ; c > 0:
c

Cas Particuliers

1. Si a = 1 alors (1; b) correspond à la loi Exponentielle de paramètre b:

bx
fX (x) = be ; x > 0:

bx
FX (x) = 1 e ; x > 0:

1 1
E (X) = ; V (X) = 2 :
b b

X s (b) :

En …abilité, la loi exponentielle est très utilisée pour représenter la durée de vie des
circuits électroniques.

On note X le temps de fontionnement d’un appareil avant la première panne. On

suppose que X s (b) :

La probabilité P (X > t) est appelée …abilité de cet appareil à l’instant t:

2. Si a = n 2 N ; on obtient la loi d’Erlang d’ordre n, de paramètre b, et on note

X s En (b) :

43
 2.4. Lois continues usuelles

n 1
3. Si a = et b = ; on obtient la loi de Khi-deux à n degrés de liberté, et on note
2 2
2
X s n:

E (X) = n; V (X) = 2n:

La loi de Khi-deux est une loi tabulée.

2.4.3 Loi normale (loi de Laplace-Gauss)

2
On dit que X suit une loi normale de paramètres m; si

1 1
(x m)2
f (x) = p e 2 2 ; x 2 R:
2
2
E (X) = m; V (X) = :

2
X s N (m; ):

2
Si m = 0 et = 1; on obtient la loi normale centrée réduite N (0; 1) de densité notée

1 x2
(x) = p e 2 ; x2R
2
et de fonction de répartition notée
Z x Z x
1 t2
(x) = (t) dt = p e 2 dt:
1 1 2
La loi normale centrée réduite est tabulée.
Propriétés

1. (0) = 0:5:

2. ( x) = 1 (x) :

3. P (jXj > x) = 1 P( x X x) = 1 ( (x) ( x)) = 2 (1 (x)) :

4. (x) < 0:5 si x < 0 et (x) > 0:5 si x > 0:

2 X m
5. Si X s N (m; ) alors Y = 2
s N (0; 1) :

6. Si X s N (0; 1) alors Z = X 2 s 2
(1) :

44
 2.4. Lois continues usuelles

2.4.4 Loi Béta

a) On dit que X suit la loi Béta de 1ere espèce de paramètres a; b > 0, si

8
>
< 0 si x 2
= ]0; 1[
f (x) = 1
>
: xa 1 (1 x)b 1 si x 2 ]0; 1[
(a; b)

Où (:; :) désigne la fonction Béta dé…nie par:

Z 1 Z +1
a 1 b 1 xa 1
(a; b) = x (1 x) dx = dx
0 0 (1 + x)b 1

(a) (b)
(a; b) = ; a; b > 0:
(a + b)

a ab
E (X) = ; V (X) = 2 :
a+b (a b) (a + b + 1)

X s B]0;1[ (a; b) :

b) On dit que X suit la loi Béta de 2eme espèce de paramètres a; b > 0, si

1 xa 1
f (x) = ; x>0
(a; b) (1 + x)a+b

X s B]0;+1[ (a; b) :

Propriétés

1. Si X s B]0;1[ (a; b) ; alors Y = 1 X s B]0;1[ (b; a) :

X
2. Si X s BR+ (a; b) ; alors Y = s B[0;1] (a; b) :
1+X

45
 2.5. Approximation de la loi binomiale par la loi normale

2.5 Approximation de la loi binomiale par la loi nor-

male
Théorème 2.5.1 Soit X une variable aléatoire de loi Binomiale de paramètres n et p:
Pour a < b, on peut écrire:

X np
lim P a p b = (b) (a)
n!+1 npq
C’est-à-dire pour n assez grand, on a:

X np
p s N (0; 1)
npq
ou bien X s N (np; npq) :

Conditions d’approximation: n 30; np 5 et npq 5:

Exemple 2.5.1 On lance 400 fois une pièce de monnaie équilibrée. Soit X la variable
aléatoire égale au nombre de pile obtenu.
Calculer la probabilité que le nombre de pile obtenu soit compris entre 190 et 210.

Solution:
1
On a X s B 400; :
2

On cherche à calculer P (190 X 210) :

Comme n = 400 > 30; np = 200 > 5 et npq = 100 > 5, alors on peut approximer la
loi de X par une loi normale.

X s N (np; npq) = N (200; 100) :

X np X 200
Soit Y = p = s N (0; 1) :
npq 10

190 200 X 200 210 200

P (190 X 210) = P =P( 1 Y 1)
100 100 100

= (1) ( 1) = 2 (1) 1=2 0:8413 1 = 0:6826

46
 2.6. Fonction génératrice des moments

2.6 Fonction génératrice des moments

Dé…nition 2.6.1 Soit X une variable aléatoire (discrète ou continue). On appelle fonc-
tion génératrice des moments de la variable aléatoire X, si elle existe, la fonction notée
MX dé…nie par:
8 X
>
> etx P (X = x) si X est discrète
<
MX (t) = E etX = Z
x2X( )
>
>
: tx
e fX (x) dx si X est continue
R

Proposition 2.6.1 Le moment d’ordre n de la variable aléatoire X est donnée par:

(n)
MX (0) = E (X n ) ;

(n)
où MX est la dérivée d’ordre n de MX :

En particulier, E (X) = MX0 (0) ; E (X 2 ) = MX00 (0) ; V (X) = MX00 (0) (MX0 (0))2 :

Proposition 2.6.2 Pour a; b réels, on a MaX+b (t) = ebt MX (at) :

Cas particuliers
Soit X une variable aléatoire à valeurs dans N; il est d’usage de lui associer la fonction
génératrice des moments factoriels:

gX (t) = E tX :

qui est liée à la fonction génératrice des moments MX :

MX (t) = E etX

par la relation

MX (t) = gX et :

Exemple 2.6.1 1) Si X s B (n; p), alors P (X = k) = Cnk pk q n k ; k 2 f0; 1; ; ng.

X
n
k
MX (t) = E etX = Cnk (et p) q n k : = (q + pet ) ; 8t
k=0

47
 2.7. Inégalités de Bienaymé-Tchebychev

n 1
MX0 (t) = npet (q + pet ) : =) E (X) = MX0 (0) = np:

n 1 n 2
MX00 (t) = npet (q + pet ) + npet (n 1) pet (q + pet )

n 2
= npet (q + pet ) [(q + pet ) + (n 1) pet ]

E (X 2 ) = MX00 (0) = np (q + pet ) :

V (X) = E (X 2 ) (E (X))2 = npq + n2 p2 n2 p2 npq:

2) Si X s ( ), alors fX (x) = e x ; x > 0 et > 0

Z +1 Z +1
tX tx
MX (t) = E e = e fX (x) dx = etx e x
dx
1 0

Z +1 +1
(t )x (t )x
= e dx = e = avec > t:
0 t 0 t

1
MX0 (t) = 2 =) E (X) = MX0 (0) = :
( t)

2 2
MX00 (t) = 3 =) E (X 2 ) = MX00 (0) = 2:
( t)
2 1 1
V (X) = E (X 2 ) (E (X))2 = 2 2 = 2:

2.7 Inégalités de Bienaymé-Tchebychev

Il arrive fréquemment que l’on désire connaître la probabilité que la variable aléatoire soit
comprise dans un intervalle. Si l’on connaît la loi de probabilité de la variable aléatoire,
on sait comment calculer cette probabilité.
Toutefois, si la loi de probabilité nous est inconnue, on peut quand même obtenir un
ordre de grandeur de cette probabilité en faisant intervenir l’espérance mathématique de
la variable aléatoire, sa variance ainsi que l’inégalité de Bienaymé-Tchebychev.

48
 2.7. Inégalités de Bienaymé-Tchebychev

2.7.1 Inégalité de Markov

Soit X une variable aléatoire positive d’espérance E (X) = …nie. Pour toute constante
> 0; on a:
E (X)
P (X ) :

2.7.2 Inégalité de Bienaymé-Tchebychev

Appliquons l’inégalité de Markov à la variable aléatoire positive (X )2 et posons = "2

(" > 0) : On obtient:
2 2 E (X )2
P (X ) " :
"2
On a alors l’inégalité suivante dite de Bienaymé-Tchebychev:
2
P (jX j ") :
"2

Le passage à l’évènement contraire conduit à la deuxième inégalité suivante:

2
P (jX j < ") 1 :
"2

Remarque 2.7.1 Cette inégalité est valable pour toutes les lois de probabilité (continue
ou discrète), elle ne suppose que l’existence de E (X) et (X) : Toutefois, si la loi de
probabilité de la variable aléatoire a une expression mathématique bien déterminée, cette
inégalité est imprécise et ne peut remplacer la table de la loi de probabilité de cette variable.

Exemple 2.7.1 Soit X une variable aléatoire disccrète qui suit la loi uniforme sur f1; 2; : : : ; 9g :

1
On a P (X = k) = ; 8k 2 f1; 2; : : : ; 9g :
9
1) Calcul de E (X) et V (X) :

n+1 n2 1
Si X s Uf1;2;:::;ng , alors E (X) = et V (X) = :
2 12
9+1 92 1 20
E (X) = = 5: V (X) = = = 6:666
2 12 3

2) Majorer la quantité P (jX 5j > 4) = P (jX 5j > ") où " = 4:

49
 2.7. Inégalités de Bienaymé-Tchebychev

D’après l’inégalité de Bienaymé-Tchebychev, on a:

20
P (jX 5j > 4) 3 = 5 = 0:416:
16 12

On a en réalité cette probabilité vale:

P (jX 5j > 4) = 1 P (jX 5j 4) = 1 P( 4 X 5 4)

=1 P (1 X 9) = 1 1 = 0:

On remarque que la vraie valeur de cette probabilité est très petite par rapport à 0:416:
On conclut que la majoration fournie par l’inégalité de Tchebychev est rarement ef-
…cace, comme on le voit avec cet exemple. Elle peut cependant se révéler utile dans des
situations où la loi de probabilité n’est pas connue.
Toutefois, si la loi de probabilité de la variable aléatoire a une expression mathématique
bien déterminée, cette inégalité est imprécise. Elle a par ailleurs un grand intérêt théorique
puisque c’est elle qui permet de démontrer la loi des grands nombres.

50