Académique Documents
Professionnel Documents
Culture Documents
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:
31
2.1. Dé…nitions
8 Soit la fonction:
Exemple 2.1.1
< 0 si x < 0;
F (x) =
: 1 e x si x 0:
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
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
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
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
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
Solution:
1) F est croissante et continue sur R.
1 x
0 0
Fg;X (0) = 0; Fd;X (0) = 4
xe 2
x=0
= 0:
33
2.1. Dé…nitions
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) :
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.
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
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
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
Propriétés: Soit X une variable aléatoire absolument continue telle que E (X 2 ) < 1:
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
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
38
2.3. Fonction d’une variable aléatoire absolument continue
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
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
p p
Si z 1, alors z 1 et z 1:
p p
Ainsi, fX ( z) = 0 et fX ( 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
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] :
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:
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
Ainsi, X v U[0;1] :
Remarque 2.4.1 La loi uniforme sur [a; b] est également appelée loi rectangulaire.
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
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.
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:
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) :
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
(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) :
1 xa 1
f (x) = ; x>0
(a; b) (1 + x)a+b
X s B]0;+1[ (a; b) :
Propriétés
45
2.5. Approximation de la loi binomiale par la loi normale
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) :
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
Comme n = 400 > 30; np = 200 > 5 et npq = 100 > 5, alors on peut approximer la
loi de X par une loi normale.
X np X 200
Soit Y = p = s N (0; 1) :
npq 10
46
2.6. Fonction génératrice des moments
(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 :
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 :
MX (t) = E etX
par la relation
MX (t) = gX et :
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 ]
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:
48
2.7. Inégalités de Bienaymé-Tchebychev
Soit X une variable aléatoire positive d’espérance E (X) = …nie. Pour toute constante
> 0; on a:
E (X)
P (X ) :
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
49
2.7. Inégalités de Bienaymé-Tchebychev
=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