Cours de Probabilités & Statistique (L2 Automatique)

A. MENNI
2021 – 2022

Cours 4 : Variables Aléatoires Absolument Continues

1 Introduction
Contrairement au cours précédent, on considère ici des variables aléatoires dont le support est
R ou un intervalle de R ; et nous nous contenterons, pour les présenter, de procéder par analogie
avec le cas discret. On commence d’abord par donner une définition plus générale d’une variable
aléatoire :

Définition Soit (Ω, T , P ) un espace probabilisé. On appelle variable aléatoire sur (Ω, T , P )
toute application X telle que
X : Ω −→ R
ω 7−→ X(ω),

et telle que, pour tout intervalle I de R, l’ensemble AI = {ω ∈ Ω, X(ω) ∈ I} ∈ T

Ici, l’événement AI est noté {X ∈ I} ; il est noté aussi X −1 (I).

Remarque
Si X prend ses valeurs dans un sous-ensemble au plus dénombrable de R, on retrouve la définition
d’une variable discrète puisqu’alors :
[
{X ∈ I} = {X = xi } ∈ T
xi ∈I

car la tribu T est stable par union dénombrable.

Réciproquement, si I = {xi } = [xi , xi ], alors {X ∈ I} = {X = xi } ∈ T .

1
2 Densité de probabilité
Définition Soit X une variable aléatoire à valeurs dans R. On appelle densité de probabilité de
X la fonction fX : R → R vérifiant :
1. fX (x) ≥ 0, ∀x ∈ R,
Z +∞
2. fX (x)dx = 1,
−∞
Z
et telle que P (X ∈ I) = fX (x)dx.
I

Remarque Si X est absolument continue, alors la probabilité qu’elle prenne une valeur donnée
x0 est nulle puisque :
Z x0
P (X = x0 ) = P (X ∈ [x0 , x0 ]) = fX (x)dx = 0.
x0

ATTENTION ! fX (x0 ) n’est pas une probabilité ; On peut souvent avoir fX (x0 ) > 1.

3 Fonction de répartition
Comme dans le cours précédent, on peut définir très facilement la fonction de répartition
P R
d’une variable aléatoire absolument continue. Le signe est remplacé par le signe :

Définition On appelle Fonction de répartition de la variable aléatoire continue X, la fonction

FX : R −→ [0, 1] définie par :
Z x
FX (x) = PX (] − ∞, x]) = P (X ≤ x) = f (t)dt.
−∞

La fonction de répartition permet de calculer la probabilité de tomber dans n’importe quel

intervalle :

P (a ≤ X ≤ b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a < X < b) = F (b) − F (a).

Proporiétés

1. F est croissante,
2. lim F (x) = 0 et lim F (x) = 1,
x→−∞ x→+∞
3. F est continue sur R.

Proposition Soit X une variable aléatoire absolument continue, de densité f et de fonction de

répartition F . Alors, en tout point où f est continue, F est dérivable et on a :

F 0 (x) = f (x).

2
4 Espérance mathématique
L’espérance mathématique d’une variable aléatoire continue X est définie par :
Z
E(X) = xf (x)dx.
R

Proporiétés

— Si deux variables aléatoires X et Y ont la même loi, alors E(X) = E(Y ).

Z
— E (g(X)) = g(x)f (x)dx, (formule du transfert).
R
— Pour tout a ∈ R, E(a) = a.
— E(X + Y ) = E(X) + E(Y ).
— E(aX + b) = aE(X) + b ; (E(·) est un opérateur linéaire).

Remarque Certaines variables aléatoires continues n’admet pas d’espérance.

5 Moments d’ordre p
On appelle moment d’ordre p, de la variable aléatoire X, le nombre
Z
mp = E(X p ) = xp f (x)dx.
R

6 Variance et écart-type
On appelle variance, de la variable aléatoire continue X, la quantité
  Z
2 2
V (X) = E (X − E(X)) = (x − E(X)) f (x)dx
R

p
et on appelle écart-type la quantité σ(X) = V (X).

Proporiétés

2
— V (X) = E(X 2 ) − (E(X)) ,
— V (X) ≥ 0,
— V (X) = 0 ⇔ X est une variable constante,
— V (aX + b) = a2 V (X).

3
7 Moments centrés d’ordre r
On appelle moment centré d’ordre r, de la variable aléatoire continue X, le nombre

r
µr = E ((X − E(X)) )

Remarque V (X) = µ2 .

8 Lois usuelles
8.1 Loi uniforme
On dit que X suit une loi uniforme sur un intervalle [a, b], et on note X ∼ U[a, b] , si X admet
1
pour densité f (x) = 1[a, b] (x).
b−a

Espérance et Variance

a+b (b − a)2
E(X) = , V (X) =
2 12

Fonction de répartition


 0 si x≤a
 x−a
F (x) = si x ∈ [a, b]

 b−a
1 si x≥1


4
8.2 Loi exponentielle
Soit λ un réel strictement positif. On dit que X suit une loi exponentielle de paramètre λ, et
on note X ∼ E(λ), si X admet pour densité :

f (x) = λeλx 1x≥0 .

Espérance et Variance

1 1
E(X) = , V (X) = 2
λ λ

Fonction de répartition
(
0 si x≤0
F (x) =
1 − e−λx si x≥0

8.3 Loi normale

Soit m et σ deux réels, avec σ > 0. On dit que X suit une loi normale (ou Gaussienne) de
paramètres m et σ 2 et on note X ∼ N (m, σ 2 ), si X admet pour densité :

(x − m)2
1 −
f (x) = √ e 2σ 2
2πσ 2

En particulier, si m = 0 et σ = 1, on dit que X suit une loi normale centrée et réduite.

5
 Espérance et Variance

E(X) = m , V (X) = σ 2

Proporiétés

— si X ∼ N (m, σ 2 ) et Y = αX + β, avec α et β deux réels quelconques, alors

Y ∼ N (αm + β, α2 σ 2 ).

— en particulier, si X ∼ N (m, σ 2 ) alors

X −m
Y = ∼ N (0, 1).
σ

— réciproquement, si X ∼ N (0, 1), alors Y = σX + m ∼ N (m, σ 2 ).

Fonction de répartition

2
En raison d’absence de primitive de e−x , la fonction de répartition d’une loi normale n’a pas
d’expression analytique simple : si Y ∼ N (m, σ 2 ), alors

Z y
(t − m)2
1 −
FY (y) = P (Y ≤ y) = √ e 2σ 2 dt.
−∞ 2πσ 2

Néanmoins, on peut toujours se ramener à une loi normale centrée et réduite :

   
Y −m y−m y−m
FY (y) = P (Y ≤ y) = P ≤ =Φ
σ σ σ

où Φ est la fonction de répartition de N (0, 1) dont les valeurs sont tabulées.

Proporiété

Φ(−x) = P (X ≤ −x) = P (X ≥ x) = 1 − P (X ≤ x) = 1 − Φ(x).

6
9 Théorème Central Limite (TCL)
Soit X1 , X2 ,..., Xn une suite de n variables aléatoires réelles définies sur le même espace
de probabilité, indépendantes et identiquement distribuées suivant la même loi. Supposons que
l’espérance µ de cette loi et son écart-type σ existent avec σ 6= 0.
Considérons la somme Sn = X1 + X2 + . . . + Xn . Alors, pour n assez grand, la loi N (nµ, nσ 2 )
est une bonne approximation de la loi de Sn .