Les variables aléatoires réelles à densités

EL AMDAOUI Mustapha,
Lycée IBN TIMIYA,
site web: www.elamdaoui.com,
email: elamdaoui@gmail.com

Niveau: MP-MP*

Table des matières

I Notion de variable aléatoire à densité 2
I.1 Variable aléatoire réelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
I.2 Image d’une variable aléatoire réelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
I.3 Variable aléatoire à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
I.4 Exemples de lois continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

II Indépendances 7
II.1 Indépendances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
II.2 Somme de deux variables aléatoires indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . 8

III Moments d’une variable à densité 10

III.1 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
III.2 Moments, variance et écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
III.3 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

IV Inégalités 14
IV.1 Inégalité de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
IV.2 Inégalité de Bienaymé-Tchebychev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
IV.3 Inégalité de Jensen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

V Convergences 15
V.1 Convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
V.2 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Notion de variable aléatoire à densité 2

(Ω, T, P ) est un espace probabilisé

I Notion de variable aléatoire à densité

I.1 Variable aléatoire réelle

Définition 1

On appelle variable aléatoire réelle définie sur (Ω, T ) toute application X de Ω dans R telle que :

∀ x ∈ R, X −1 (]−∞, x]) ∈ T

X (Ω) est l’ensemble des valeurs prises par X .

Remarque :

Lorsque X (Ω) est un ensemble discret on dit que X est une variable aléatoire réelle discrète.

Notation :
J (R) désigne l’ensemble des intervalles de R

Propriété 1

Soit X : Ω → R, alors X est une variable aléatoire si, et seulement, si ∀ I ∈ J (R) , [ X ∈ I ] ∈ T

Démonstration. Soit a, b ∈ R tels que a É b

( X ∈ ]a, +∞[) = ( X ∈ ]−∞, a])

1
µ ¸ ·¶
\
( X ∈ [a, +∞[) = X ∈ a − , +∞
n∈N∗ n
( X ∈ ]−∞, a[) = ( X ∈ [a, +∞[)
\
( X ∈ ]a, b]) = ( X ∈ ]−∞, a]) ( X ∈ ]−∞, b])
\
( X ∈ [a, b]) = ( X ∈ ]−∞, a[) ( X ∈ ]−∞, b])
\
( X ∈ [a, b[) = ( X ∈ ]−∞, a[) ( X ∈ ]−∞, b[)
\
( X ∈ ]a, b[) = ( X ∈ ]−∞, a]) ( X ∈ ]−∞, b[)

Exemple 1
Soit A ∈ T , alors χ A est une variable aléatoire

Propriété 2: Limite simple d’une suite de variables aléatoires

Soit ( X n ) une suite de variables aléatoires réelles sur (Ω, T, P ) qui converge simplement vers X , une
application de Ω dans R. Alors X est une variable aléatoire réelle sur (Ω, T, P )

Démonstration. Par application directe de la définition de la limite : Pour tout x ∈ R et ω ∈ Ω

1
· µ ¶¸
X (ω) É x ⇐⇒ ∀ k ∈ N∗ , ∃ p ∈ N, ∀ n ∈ N, n Ê p ⇒ X n (ω ) É x +
k
Cette équivalence se traduit par l’égalité ensembliste
1
· ¸
\ [ \
[ X É x] = Xn É x +
k∈N∗ p∈N nÊ p k

M. EL AMDAOUI Mustapha
I.2 Image d’une variable aléatoire réelle 3

D’après la stabilité d’une tribu par intersections et réunions dénombrables on obtient ( X É x) ∈ T . Comme
x est arbitraire dans R l’application X est une variable aléatoire réelle sur (Ω, T, P )

Remarque :

L’ensemble des variables aléatoires est un fermé de RΩ pour la topologie de la convergence simple

I.2 Image d’une variable aléatoire réelle

Propriété 3

Soit X 1 , · · · , X k des variables aléatoires réelles définies sur le même espace probabilisé (Ω, T, P ) et f : Rk −→
R une fonction continue. Alors
(
Ω −→ R
f (X1, · · · , X k ) :
ω 7−→ f ( X 1 (ω), · · · , X k (ω))

est une variable aléatoire réelle (Ω, T, P )

Démonstration. Conformément au programme ce résultat est admis

Remarque :

Si les variables X 1 , · · · , X k sont discrètes, f ( X 1 , · · · , X k ) est une variable réelle discrète sans l’hypothèse de
la continuité de f

Conséquence 1
Si X 1 , · · · , X n une famille finie de variables aléatoires réelles définies sur le même espace probabilisé
n n
(Ω, T, P ), alors
X Y
X i, X i , min X i et max X i sont des variables aléatoires réelles
i =1 i =1 1É i É n 1É i É n

Propriété 4: Cas particulier

Soit X une variable aléatoire réelle et f : R −→ R une fonction monotone, alors f ◦ X est une variable
aléatoire réelle sur (Ω, T, P ). On la note f ( X )

Démonstration. Soit I un intervalle de R. Montrons d’abord que f −1 ( I ) est un intervalle de R

• Si f −1 ( I ) contient au moins deux points alors : Soient a, b ∈ f −1 ( I ), alors f (a) et f ( b) sont dans I ,
donc : ∃ x entre a et b, par monotonie, f ( x) est entre f (a) et f ( b) donc f ( x) ∈ I , donc x ∈ f −1 ( I ).
• Si f −1 ( I ) est vide ou réduit à un point, c’est aussi un intervalle.
On utilise l’égalité ( f ◦ X )−1 ( I ) = X −1 f −1 ( I ) , ce qui montre que ( f ◦ X )−1 ( I ) ∈ T
¡ ¢

Remarque :

Le résultat précédent est encore valable pour f est monotone par morceaux

Exemple 2
Si X est une variable aléatoire réelle sur (Ω, T, P ), alors :
1. [ X ], la partie entière de X est est une variable aléatoire réelle sur (Ω, T, P )
2. La partie fractionnaire { X } = X − [ X ] est une variable aléatoire réelle sur (Ω, T, P )

M. EL AMDAOUI Mustapha
I.3 Variable aléatoire à densité 4

I.3 Variable aléatoire à densité

Pour une variable aléatoire réelle X on définit la fonction de répartition de X , que l’on note F X , par :

∀ x ∈ R, F X ( x) = P ( X É x)

Définition 2

Une variable aléatoire réelle X est dite de loi à densité (relativement à la probabilité P ) si :
1. F X est continue sur R
2. F X est de C 1 sur R privé d’un sous-ensemble fini F ( éventuellement vide )
On appelle densité de X la fonction définie sur R par f X ( t) = F0X ( t) pour t ∈ R \ F et f X ( t) = 0 pour t ∈ F

Propriété 5

Toute variable aléatoire réelle à densité X et tout réel x vérifient l’égalité

P ( X = x) = 0

Démonstration. Cela résulte de la continuité de F et de l’égalité

P ( X = x) = F ( x) − lim− F ( t)
t→ x

Propriété 6

Soit f X une densité d’une variable aléatoire réelle X de fonction de répartition F X . On a

1. f X est à valeurs réelles positives ou nulles
2. f X est continue sur R, sauf éventuellement en un nombre fini de points
Z +∞ Z +∞
3. f X ( t) d t est convergente et f X ( t) d t = 1
−∞ −∞
Inversement pour toute f fonction d’une variable réelle vérifiant les trois assertions précédentes, il existe
un espace probabilisé et une variable aléatoire réelle X sur cet espace dont la loi est à densité de densité f

Démonstration. 1. Par définition

2. Par définition
3. La première égalité découlant de la seconde en faisant tendre x vers +∞, il suffit de démontrer cette
dernière. Soit x un réel et a un réel inférieur ou égal à x ; il existe une suite finie - peut-être vide -
de réels (a 1 , a 2 , · · · , a p ) vérifiant les relations a < a 1 < a 2 < · · · < a p < x telle que F soit dérivable et de
dérivée continue en dehors peut-être de a, de x et des points a i . Posant a 0 = a et a p+1 = x, on dispose
des relations Z v Z v
f ( t) d t = F 0 ( t) d t = F (v) − F ( u) É F (a i+1 ) − F (a i )
u u
sur tout segment [ u, v] inclus dans l’un des intervalles ouverts ]a i , a i+1 [ avec 0 É i É p. La majoration
ci-dessus et la positivité de f montrent que, faisant tendre u vers a i et v vers a i+1 , le premier membre
permet de définir une intégrale généralisée convergente ; la continuité de F implique alors l’égalité
Z v
F (a i+1 ) − F (a i ) = ulim
→a
f ( t) d t
i u
v→a i +1

On sait que, l’on note cette égalité sous la forme

Z a i+1
F (a i+1 ) − F (a i ) = f ( t) d t
ai

M. EL AMDAOUI Mustapha
I.3 Variable aléatoire à densité 5

et que le théorème de Chasles donne finalement

Z x
F ( x) = F ( a) + f ( t) d t
a

Il suffit alors de faire tendre a vers −∞ pour obtenir l’inégalité qu’il fallait démontrer.
La réciproque est admise

Propriété 7

Soit X une variable aléatoire admettant une densité f .

1. Pour tout x réel : Z x
P ( X < x) = P ( X É x) = f ( t) dt
−∞
Z +∞
P ( X > x) = P ( X Ê x) = f ( t) dt = 1 − F X ( x)
x

2. Pour tout a et b réels tels que a É b :

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

Z b
= P (a É X É b) = f ( t) dt
a

Démonstration. Soit x un réel et a un réel inférieur ou égal à x ; il existe une suite finie - peut-être vide - de
réels (a 1 , a 2 , · · · , a p ) vérifiant les relations a < a 1 < a 2 < · · · < a p < x telle que F soit dérivable et de dérivée
continue en dehors peut-être de a, de x et des points a i . Posant a 0 = a et a p+1 = x, on dispose des relations
Z v Z v
f ( t) d t = F 0 ( t) d t = F (v) − F ( u) É F (a i+1 ) − F (a i )
u u

sur tout segment [ u, v] inclus dans l’un des intervalles ouverts ]a i , a i+1 [ avec 0 É i É p. La majoration
ci-dessus et la positivité de f montrent que, faisant tendre u vers a i et v vers a i+1 , le premier membre
permet de définir une intégrale généralisée convergente ; la continuité de F implique alors l’égalité
Z v
F (a i+1 ) − F (a i ) = ulim
→a
f ( t) d t
i u
v→a i +1

On sait que, l’on note cette égalité sous la forme

Z a i+1
F (a i+1 ) − F (a i ) = f ( t) d t
ai

et que le théorème de Chasles donne finalement

Z x
F ( x) = F ( a) + f ( t) d t
a

Il suffit alors de faire tendre a vers −∞ pour obtenir l’inégalité qu’il fallait démontrer.
Tous les autres résultats se découlent facilement

Corollaire 1
Soit X une variable à densité et f une densité de X . Si f est nulle en dehors d’un intervalle [a; b], alors on
a P ( X < a) = 0 et P ( X > b) = 0. On dit alors que X prend ses valeurs dans l’intervalle [a; b].

Remarque :

 La probabilité de l’événement [a É X É b] apparaît comme l’aire de la partie du plan située en dessous

de la courbe représentative de f , au dessus de l’axe des abscisse et entre les droites d’équation x = a et
x = b.

M. EL AMDAOUI Mustapha
I.4 Exemples de lois continues 6

 On voit que contrairement aux variables discrètes, on a ici pour tout x, P ( X = x) = 0. Ainsi ce n’est pas
la donnée de P ( X = x) qui est la loi de X mais plutôt la donnée de la fonction de répartition ou de la
densité.

I.4 Exemples de lois continues

Définition 3: Loi uniforme

Soient a et b deux réels tels que a < b. On dit qu’une variable aléatoire X suit la loi uniforme sur [a; b],
et on note X ,→ U ([a; b]), si elle admet pour densité la fonction f définie par :

 1

si t ∈ [a; b]
f ( t) = b − a
0 sinon


Définition 4: Loi exponentielle

Soit λ un réel strictement positif.

On dit qu’une variable aléatoire X suit la loi exponentielle de paramètre λ ; et on note X ,→ E (λ), si
elle admet pour densité la fonction f définie sur R par :

λ e−λ x
(
−λ x si x > 0
f ( x) = λ e χ[0,+∞[ ( x) =
0 si x É 0

Remarque :

Soient deux réels strictement positifs α et λ.

Z +∞
L’existence de l’intégrale tα−1 e−λ t d t peut être établie par un changement de variable simple. On obtient
0
l’égalité
+∞ Γ(α)
Z
tα−1 e−λ t d t =
0 λα
Si α ∈ N∗ , on sait que Γ(α) = (α − 1)!

Définition 5: Loi gamma

On dit qu’une variable aléatoire X est de loi Gamma de paramètre (α, λ) ∈ R∗+2 ; et on note X ,→ Γ (α, λ),
si elle admet pour densité la fonction f définie sur R par :
 α
λα  λ xα−1 e−λ x si x > 0
α−1 −λ x
f ( x) = x e χ]0,+∞[ ( x) = Γ(α)
Γ(α) 
0 si x É 0

Remarque :

Γ(1, λ) = E (λ)

Remarque :
x2
¶ continue et paire sur R.
L’application x 7−→ e− µ2 est
2
− x2 1
En ∞, on a e = ◦ 2 , donc la fonction considérée est intégrable et
+∞ x
Z +∞ Z +∞
x2 x2
e− 2 d x = 2 e− 2 d x
−∞ 0
p Z +∞ − t2
= 2 2 e dt
0
p
= 2π

M. EL AMDAOUI Mustapha
Indépendances 7

Définition 6: Loi gaussienne standard

On dit que X est de loi gaussienne standard ou de loi normale de paramètres (0, 1) si elle admet pour
densité la fonction f définie sur R par :
µ 2¶
1 x
f ( x) = p exp −
2π 2

On note X ,→ N (0, 1).

Définition 7

On dit qu’une variable aléatoire X suit la loi normale centrée réduite si X ,→ N (0, 1).

Propriété 8

Soit X une variable réelle à densité de loi gaussienne standard N (0, 1) et Φ sa fonction de répartition.
1. Φ vérifie : ∀ x ∈ R Φ(− x) = 1 − Φ( x)
1
2. Φ(0) =
2

Démonstration. Tout repose ici sur le fait que la densité est paire :
Z −x
Φ (− x ) = f ( t) dt
Z−∞
x
= f (− u) (− du) changement de variable u = − t
+∞
Z +∞
= f ( u) du = 1 − Φ( x)
x

Définition 8: Loi gaussienne de paramètres

Soit µ un réel, et σ un réel strictement positif.

On dit que X est de loi gaussienne de paramètres (µ, σ2 ) ou de loi normale de paramètres (µ, σ2 ) si
elle admet pour densité la fonction f définie sur R par :

1 ( x − µ)2
µ ¶
f ( x) = p exp −
σ 2π 2σ 2

On note X ,→ N (µ, σ2 ).

II Indépendances

II.1 Indépendances

Définition 9
¡ ¢ ¡ ¢
Une famille X j j∈ J de variables aléatoires réelles est dite indépendante si, pour toute famille I j j∈ J
d’intervalles de R, la famille d’événements X j ∈ I j j∈ J est indépendante
¡ ¢

M. EL AMDAOUI Mustapha
II.2 Somme de deux variables aléatoires indépendantes 8

Remarque :

Cela signifie que pour tous k ∈ N∗ et j 1 , · · · , j k distincts dans J

¡ ¢ Yk ¡ ¢
P X j1 ∈ I j1 , · · · , X j k ∈ I j k = P X ji ∈ I ji
i =1

Exemple 3
Si X obéit à la loi exponentielle de paramètre λ > 0 alors les variables [ X ] et { X } sont indépendantes.

Solution:
On sait que la loi de Y = 1 + [ X ] est la loi géométrique de paramètre p = 1 − e−λ . On remarque que Z = { X }
ne prend que les valeurs entre 0 et 1 et que, pour tout r ∈ [0, 1[

{ X } É r ⇐⇒ ∃ k ∈ N, X ∈ [ k, k + r ]

Or, pour tout k ∈ N

Z k+ r
P ( X ∈ [ k, k + r ]) = λ e−λ t d t = e−λk − e−λ(k+r)
k
On en déduit
X
P ({ X } É r ) = P ( X ∈ [ k, k + r ])
k∈N
X³ ´
= e−λk − e−λ(k+r)
k∈N
1 − e−λr
=
1 − eλ
ce qui fournit pour densité
λ e−λr
(
1− e−λ
si r ∈ ]0, 1[
f Z (r) =
0 sinon
On note alors que, pour tout ( k, r ) ∈ N × ]0, 1[,

P ([ X ] = k, { X } É r )
= P ( X ∈ [ k, k + r ])
= e−λk − e−λ(k+r)
³ ´ 1 − e−λr
= 1 − e−λ e−λk ×
1 − e−λ
= P ([ X ] = k) × P ({ X } É r )

Puis on montre plus généralement P ([ X ] ∈ I, { X } ∈ J ) = P ([ X ] ∈ I ) × P ({ X } ∈ J ) où I, J sont des intervalles

réels quelconques, ce qui signifie l’indépendance du couple ([ X ] , { X })

II.2 Somme de deux variables aléatoires indépendantes

On rappelle que la loi de la somme de deux variables aléatoires discrètes indépendantes X et Y est donnée
comme somme d’une série de la forme
X
P ( X + Y = s) = P ( X = x ) P (Y = s − x )
x ∈ X (Ω )

Théorème 1

Soient X et Y deux variables aléatoires réelles indépendantes dont les lois sont discrète pour X et à
densité pour Y . Alors la fonction de répartition de S = X + Y est donnée par

FS : s 7−→ P ( X = x ) . FY ( s − x )
X
x ∈ X (Ω )

M. EL AMDAOUI Mustapha
II.2 Somme de deux variables aléatoires indépendantes 9

Démonstration. Soit s ∈ R, alors

F S ( s) = P ( X + Y É s)
FPT
P ( X + Y É s, X = x)
X
=
x ∈ X (Ω )

P (Y É s − x, X = x)
X
=
x ∈ X (Ω )

P (Y É s − x) P ( X = x)
X
=
x ∈ X (Ω )

FY ( s − x ) P ( X = x )
X
=
x ∈ X (Ω )

Théorème 2: Loi de la somme de deux variables à densités

Soient X et Y deux variables aléatoires réelles indépendantes admettant respectivement des densités
f X et f Y . Alors la loi de S = X + Y est à densité, de densité
Z +∞
f S : s 7−→ f X ( t) f Y ( s − t) d t
−∞

Démonstration. Résultat admis

Remarque :

 Il est possible d’échanger les rôles de f X et de f Y dans cette égalité comme le montre le changement de
variable u = s − t.
 Une fonction f S ainsi définie s’appelle produit de convolution de f X et f Y , note f X ∗ f Y . Toutefois, f S
pouvant être remplacé par n’importe quelle fonction qui ne diffère d’elle qu’en un nombre fini de points,
ce produit n’est pas unique ; il s’agit encore ici d’une classe d’equivalence de fonctions plutôt que d’une
fonction particulière.

Exemple 4
Soit X et Y deux variables aléatoires réelles indépendantes chacune de loi N (0, 1), alors la loi de S = X + Y
est N (0, 2)

Solution: Z +∞ u2 ( s− u)2
Soit s ∈ R. On doit calculer e− 2 e− 2 d u. On a
−∞

u2 ( s− u)2 2 + su s2
e− 2 e− 2 = e−u e− 2
¶2
p
µ
2 u− ps
2 s2
−
= e 2 e− 4

On en déduit
¶2
p
µ
+∞ 2 2 +∞ 2 u− ps
s2
Z Z
2
− u2 − (s−2u) −
e e du = e 2 e− 4 du
−∞ −∞
¶2
p
µ
2
Z +∞ 2 u− ps
2
− s4 −
= e e 2 du
−∞
s2 p
e− 4 +∞ 2 2π s2
Z
− v2
= p e dv = p e− 4
2 −∞ 2

et par conséquent la loi de S est gaussienne de paramètre (0, 2)

M. EL AMDAOUI Mustapha
Moments d’une variable à densité 10

Corollaire 2
Si de plus X et Y sont à valeurs positives ou nulles, alors f S est définie sur R+ par
Z s
f S ( s) = f X ( t) f Y ( s − t) d t
0

et est nulle sur R∗−

Propriété 9

Soit X 1 et X 2 des variables aléatoires indépendantes suivant respectivement les lois normales N m 1 , σ21
¡ ¢

et N m 2 , σ22 , alors la somme X 1 + X 2 suit la loi normale N m 1 + m 2 , σ21 + σ22

¡ ¢ ¡ ¢

Démonstration. La densité de probabilité de X 1 + X 2 est

1 ( x− t− m )2 2 ( t− m )2
Z ∞ 1 − 1 −
2σ 2 2
h( x) = p e 1 p e 2σ2 dt
−∞ 2πσ1 2πσ2
σ 2 ( x− t− m )2 +σ2 ( t− m )2
Z ∞ − 2 1 1 2
1 2σ 2 σ 2
= e 1 2 dt
2πσ1 σ2 −∞

Ensuite, le polynôme P ( t) = σ22 ( x − t − m 1 )2 + σ21 ( t − m 2 )2 est de degré deux en t est mis sous forme canonique :

P ( t) = σ22 ( x − t − m 1 )2 + σ21 ( t − m 2 )2
σ22 ( x − m 1 ) + σ21 m 2 σ21 σ22 ( x − m 1 − m 2 )2
= (σ21 + σ22 )[ t − ]2 + .
σ21 + σ22 σ21 + σ22

Ainsi,
q
( x− m 1 − m 2 )2 σ2 +σ2 σ2 ( x− m 1 )+σ2 m 2
1 −
Z ∞ σ21 + σ22 − 1 2 [ t− 2 1 ]2
2(σ2 +σ2 ) 2σ 2 σ 2 σ2 +σ2
h( x) = e 1 2 p e 1 2 1 2 dt
2πσ1 σ2
q
2π(σ21 + σ22 ) −∞

( x− m 1 − m 2 )2
1 −
2(σ2 +σ2 )
= q e 1 2

2π(σ21 + σ22 )

Et, le résultat demandé est ainsi prouvé.

Corollaire 3 (Stabilité des lois normales)

Soit ( X i )1É iÉn des variables aléatoires indépendantes suivant respectivement les lois normales N m i , σ2i ,
¡ ¢
à !
n n n
2
X i suit la loi normale N
X X X
alors la somme m i , σi
i =1 i =1 i =1

III Moments d’une variable à densité

III.1 Espérance

Définition 10
Z +∞
Soit X une variable aléatoire réelle de densité f . Si l’intégrale t f ( t) dt est absolument convergente
−∞
alors on dit que X admet une espérance que l’on note E( X ) et on a :
Z +∞
E( X ) = t f ( t) dt
−∞

M. EL AMDAOUI Mustapha
III.2 Moments, variance et écart-type 11

Propriété 10: Dominantion

Soit X et Y deux variables aléatoires réelles sur l’espace probabilisé (Ω, T, P ).

Si Y admet une espérance et si | X | É Y alors X admet une espérance

Propriété 11

Soient X et Y deux variables aléatoires admettant chacune une espérance.

1. Pour tout réels a et b, la variable aX + b admet une espérance et

E(aX + b) = aE( X ) + b

2. X + Y admet une espérance et E( X + Y ) = E( X ) + E(Y ).

3. Si X Ê 0 presque sûrement, alors E( X ) Ê 0
4. Si X Ê Y presque sûrement, alors E( X ) Ê E (Y )
5. Inégalité triangulaire : |E ( X )| É E (| X |)
6. Si de plus les deux variables X et Y sont indépendantes, alors Z = X Y admet une espérance mathé-
matique vérifiant
E( Z ) = E( X Y ) = E( X )E(Y ).

Théorème 3: de transfert

Soit X une variable aléatoire réelle de densité f et g une fonction continue sur R sauf éventuellement en
Z +∞
un nombre fini de points. Si l’intégrale g( t) f ( t) dt est absolument convergente alors la variable g( X )
−∞
admet une espérance et : Z +∞
E( g( X )) = g( t) f ( t) dt
−∞

III.2 Moments, variance et écart-type

Définition 11

Soit r ∈ N∗ et X une variable réelle à densité de densité f .

On dit que X admet un moment d’ordre r , notée m r ( X ), si X r admet une espérance et on a
Z +∞
mr (X ) = x r f ( x) d x
−∞

Remarque :

Le moment d’ordre 1 de X est tout simplement l’espérance de X .

Exemple 5
Soit X une variable aléatoire réelle de loi N (0, 1) elle admet des moments de tout ordre.

Solution:
Les moments m 2k+1 d’ordre impair sont tous nuls.
Les moments m 2k d’ordre pair vérifiant la relation de récurrence m 2(k+1) = (2 k + 1) m 2k .
En effet
2 0
Z +∞ Z +∞
1 1
2
· ¸
2 k+2 − t2 2 k+1 − t2
m 2(k+1) = p t e dt = p t −e dt
2π −∞ 2π −∞
+∞
2 k + 1 +∞ 2k − t2
· ¸
t2
Z
= − t2k+1 e− 2 + p t e 2 dt
−∞ 2π −∞
| {z }
=0
= (2 k + 1) m 2k

M. EL AMDAOUI Mustapha
III.3 Lois usuelles 12

ce qui permet un calcul récursif, on trouve

(2 k)!
m 2k =
2k k!

Propriété 12

Soit r ∈ N∗ et X une variable aléatoire réelle admettant un moment d’ordre r , alors pour tout s ∈ [[1, r ]] la
variable aléatoire réelle X admet un moment d’ordre s

Définition 12

Si la variable aléatoire X admet une espérance et si la variable ( X − E( X ))2 admet une espérance, on appelle
variance de X le réel
V( X ) = E ( X − E( X ))2
¡ ¢

p
On appelle alors écart-type le réel σ( X ) = V( X )

Remarque :

Pour le calcul de variance dans la pratique on utilisera tout comme pour les variables discrètes plutôt le
théorème suivant

Théorème 4: Huygens Kœnig

Soit X une variable aléatoire réelle à densité.

X admet une variance si, et seulement, si X admet un moment d’ordre 2 et en cas d’existence, on a :

V( X ) = E X 2 − E( X )2
¡ ¢

Propriété 13

Soit X une variable à densité admettant une variance. Alors pour tout réels a et b, aX + b admet une
variance et
V(aX + b) = a2 V( X )

Définition 13

Si X est une variable à densité telle que σ( X ) = 1, on dit que X est une variable réduite.

Définition 14

X − E( X )
Si X admet une espérance et un écart-type non nul, la variable X ∗ = est appelée la variable
σ( X )
centrée réduite associée à X .

III.3 Lois usuelles

Propriété 14: Loi uniforme

Soit X une variable aléatoire réelle à densité d’une loi uniforme sur [a; b]. Alors

a+b ( b − a )2
E (X ) = et V (X ) =
2 12

Z a
Démonstration. Sur ] − ∞; a] et sir [ b; +∞[, la fonction t → | t f ( t)| est nulle donc | t f ( t)| dt et
Z +∞ −∞

| t f ( t)| dt sont convergente. De plus t → | t f ( t)| est continue sur ]a; b[ et admet des limites finies en a et
b

M. EL AMDAOUI Mustapha
III.3 Lois usuelles 13

Z b
b donc | t f ( t)| dt est convergente.
a
Z +∞
L’intégrale t f ( t) dt est donc absolument convergente et X admet donc une espérance. De plus :
−∞

· 2 ¸b
b t 1 t b 2 − a2 a+b
Z
E( X ) = dt = = =
a b−a b − a 2 a 2( b − a) 2

Propriété 15: Loi exponentielle

Si X suit une loi exponentielle de paramètre λ > 0 alors X admet une espérance et une variance et :

1 1
E( X ) = V( X ) =
λ λ2

Démonstration. Calculons uniquement l’espérance.

Z 0
Sur ] − ∞; 0[ la fonction t → | t f ( t)| est nulle donc | t f ( t)| dt est convergente et vaut 0.
−∞
Sur [0; +∞[ la fonction t → | t f ( t)| est continue donc le problème se pose uniquement en +∞. Soit A > 0 :

A A iA A e−λ A 1
Z Z h Z
−λ t −λ t
| t f ( t)| dt = λ te dt = − te + e−λ t dt = − Ae−λ A − +
0 0 0 0 λ λ

e−λ A 1 1 +∞ 1
Z
Or lim − Ae−λ A − + = donc | t f ( t)| dt est convergente et vaut .
A →+∞
Z +∞ λ λ λ 0 λ
1
Ainsi t f ( t) dt est absolument convergente donc X admet une espérance et E( X ) = .
−∞ λ

Propriété 16

X −m
X suit une loi normale de paramètres ( m, σ2 ) si et seulement si X ∗ = suit la loi normale centrée
σ
réduite.

Démonstration. Nous allons ici utiliser ce que nous avonsµ fait dans l’exemple ??, qui nous permet de dire
1 x−b
¶
que si X est de densité f alors aX + b est de densité f
| a| a
X −m
• Supposons que X ,→ N ( m, σ ). Alors la densité de Y =
2
est :
σ

(σ( x − m/σ) − m)2

µ 2¶
σ 1 x
µ ¶
g( x) = p exp − = p exp −
σ 2π 2σ 2
2π 2

Donc Y ,→ N (0, 1)
• Supposons que Y ,→ N (0, 1). Alors X = σY + m et donc une densité de X est :

1 1 ( x − m)2 /σ2 1 ( x − m )2
µ ¶ µ ¶
f ( x) = × p exp − = p exp −
σ 2π 2 σ 2π 2σ2
Donc X ,→ N ( m, σ2 ).

Propriété 17

Si X est de loi N ( m, σ2 ) où m ∈ R e σ ∈ R∗+ . Alors X admet une espérance et une variance et :

E( X ) = m et V( X ) = σ 2

M. EL AMDAOUI Mustapha
Inégalités 14

1 m
Démonstration. Soit Y = X − , autrement-dit, X = σY + m. La variable Y est de loi N (0, 1), donc X
σ σ
admet une espérance et une variance et telles que

E( X ) = E(σY + m) = σE(Y ) + m = m

et
V( X ) = V(σY + m) = σ2 V(Y ) = σ2

Propriété 18: Lois de Gamma

Soit X une variable aléatoire réelle de loi Gamma de paramètre (α, λ) où α, λ ∈ R∗+ . Alors X admet une
espérance et une variance et :
α α
E( X ) = et V( X ) = 2
λ λ

Démonstration. Calculons uniquement l’espérance.

Z 0
Sur ] − ∞; 0] la fonction t → | t f ( t)| est nulle donc | t f ( t)| dt est convergente et vaut 0.
−∞
Sur [0; +∞[ la fonction t → | t f ( t)| est
³ ´continue donc le problème se pose uniquement en +∞. Mais au
voisinage de +∞, on a bien t f ( t) = ◦ t12 .
− e−λ t − tα e−λ t
Les deux fonctions t 7−→ tα et t 7−→ sont de classe C 1 sur ]0, +∞[ vérifiant −−−−→ 0 et
λ λ t→+∞
− tα e−λ t
−−−→ 0, donc par une intégration par parties
λ t →0

¸+∞
λα +∞ λα − tα e−λ t α λα +∞
Z · Z
tα e−λ t d t = + × tα−1 e−λ t d t
Γ(α) 0 Γ(α) λ 0 λ Γ(α) 0
α
=
λ
De même on montre que X admet un moment d’ordre 2 et que

α(α + 1)
E( X 2 ) =
λ2
α
Par la formule de Huygens V ( X ) = E( X 2 ) − E( X )2 =
λ2

IV Inégalités

IV.1 Inégalité de Markov

Théorème 5: Inégalité de Markov

Soit X une variable aléatoire réelle telle que X (Ω) ⊂ R+ et possédant une espérance, alors

E (X )
∀λ > 0 P ( X Ê λ) É .
λ

Démonstration. Soit f la densité de X .

Z +∞ Z +∞ Z +∞
E( X ) = x f ( x) dx Ê x f ( x) dx Ê λ f ( x) dx.
0 λ λ

M. EL AMDAOUI Mustapha
IV.2 Inégalité de Bienaymé-Tchebychev 15

Z +∞
Or P [ X Ê λ] = f ( x) dx, d’ou le résultat.
λ

IV.2 Inégalité de Bienaymé-Tchebychev

Théorème 6: Inégalité de Bienaymé-Tchebychev

Soit X une variable aléatoire réelle définie sur un espace probabilisé (Ω, T, P ) possédant un moment d’ordre
2, alors on a
V( X )
∀ε > 0 P[| X − E( X )| Ê ε] É 2 .
ε

Démonstration. On applique l’inégalité de Markov pour la variable Y = ( X − m)2 et λ = ε2

Corollaire 4
Si V( X ) = 0 alors [ X = E ( X )] est presque sûr.

· ∞ 1
¸ ·
1
¸
6 E ( X )] = | X − E ( X )| > . Or les événements A n = | X − E ( X )| >
[
Démonstration. L’événement [ X =
n=1 n n
1 1
forment une suite croissante d’événement en effet si ω ∈ A n , comme | X (ω) − m| > > donc ω ∈ A n+1
n n+1
1
µ ¶
soit A n ⊂ A n+1 . Par conséquent P( X 6= E ( X )) = lim P | X − E ( X ) | > = 0 car par l’inégalité de Bienaymé-
n→∞ n
1
µ ¶
Tchebychev P | X − E ( X ) | > É n2 V ( X ) = 0
n

IV.3 Inégalité de Jensen

Propriété 19: Inégalité de Jensen

Si X est une variable aléatoire réelle admettant une espérance, si f : R −→ R est une application convexe
sur R et si Y = f ( X ) admet une espérance alors

f (E ( X )) É E ( f ( X )) Inégalité de Jensen

V Convergences

V.1 Convergence en probabilité

Définition 15: Convergence en probabilité

Soit ( X n )n∈ N une suite de variables aléatoires réelles et X une variable aléatoire réelles définies sur un
espace probabilisé (Ω, T, P ), on dit que ( X n ) converge en probabilité vers X si

∀ε > 0 lim P [| X n − X | Ê ε] = 0.
n→∞

P
On écrit X n −→ X

M. EL AMDAOUI Mustapha
V.1 Convergence en probabilité 16

Propriété 20

On considère ( f n )n∈N une suite de fonctions continues à valeurs réelles définies sur R qui converge simple-
ment sur R vers l’application f . On considère X une variable aléatoire réelle et on définit des variables
aléatoires réelles par
X k = fk (X ) , Y = f (X )

Alors la suite ( X n ) converge en probabilité en Y

Démonstration. Pour ε > 0. Pour n ∈ N, on pose

[| X n − Y | É ε]
\
B n :=
kÊ n

Clairement B n ⊂ B n+1 , la suite est croissante. En utilisant l’hypothèse sur la suite de fonctions on a
B n = Ω. Par la continuité monotone lim P (B n ) = 1.
[
n→+∞
nÊ0 ³ ´
Ceci se traduit aussi par lim P B n = 0. Comme [|Y − X n | Ê ε] ⊂ B n , on a l’encadrement
n→+∞
³ ´
P ([|Y − X n | Ê ε]) É P B n

et en conséquence le résultat proposé

Exemple 6
Soit X une variable aléatoire réelle sur l’espace propbabilisé (Ω, T , p).
1 s P
 On a n→− 0sur R donc Xn −−−−−→ 0.
n→+∞
¢n s x ¢n P
 On a 1 + nx → − e sur R donc 1 + Xn −−−−−→ e X .
¡ ¡
n→+∞

Théorème 7: Loi faible des grands nombres

Soit ( X n )n∈N∗ une suite de variables aléatoires réelles indépendantes définies sur un espace probabilisé
(Ω, T, P ) , de même loi, possédant une espérance m et une variance σ2 . On pose
n
X
Xi
i =1
Xn = .
n
Alors
P
X n −→ m

Démonstration. Puisque les variables sont indépendantes

σ2
E( X n ) = m et V( X n ) = .
n
On applique l’inégalité de BT et on obtient

h¯ ¯ i σ2
∀ε > 0 P ¯ X n − m¯ Ê ε É 2 .
¯ ¯
nε
Par conséquent h¯ ¯ i
∀ε > 0 lim P ¯ X n − m¯ Ê ε = 0.
¯ ¯
n→∞

M. EL AMDAOUI Mustapha
V.2 Convergence en loi 17

V.2 Convergence en loi

Définition 16: Convergence en loi

Soit ( X n )n∈ N une suite de variables aléatoires réelles et X une variable aléatoire réelles définies sur un
espace probabilisé (Ω, T, P ), on note F n la fonction de répartition de X n et F celle de X . On dit que ( X n )
converge en loi vers X si en tout point x où F est continue

lim F n ( x) = F ( x).
n→∞

L
On note X n −→ X

Remarque :

Dans le cas des variables à valeurs entiers positifs on a le résultat suivant

Propriété 21: Convergence en loi

Soit ( X n )n∈N une suite de variables aléatoires et Y une variable aléatoire définies sur un espace probabilisé
(Ω, T, P ), on suppose que
∀ n ∈ N X n (Ω) ⊂ Y (Ω) ⊂ N.

La convergence en loi de la suite ( X n ) vers Y équivaut à :

∀ k ∈ N lim P ( X n = k) = P (Y = k).
n→∞

1 1
Démonstration.  Soit k ∈ N, les réels x = k − et x = k + , sont des points de continuité de F et donc
2 2
tels que F X n ( x) et F X n ( y) convergent respectivement vers FY ( x) et F( y). Or

P ( X n = k ) = F X n ( y) − F X n ( x ) et P ( X = k) = F X ( y) − F X ( x)

Le résultat annoncé en découle par passage à la limite.

X
 Pour l’implication indirecte, il suffit de voir F X n ( x) = P ( X n = p) Le résultat annoncé en découle
pÉ x
par passage à la limite.

Exemple 7
[Approximation de la loi de Poisson par la loi binomiale] Soit ( X n )n∈ N une suite de variables aléatoires
indépendantes. On suppose que X n suit une loi binomiale B ( n, p n ) avec limn→∞ np n = λ > 0, alors ( X n )
converge en loi vers X qui suit une loi de poisson P (λ).

Propriété 22

La convergence en probabilité implique la convergence en loi.

Démonstration. Non exigible!

Soit ( X n )n∈N une suite de variables aléatoires réelles définies sur un même espace probabilisé (Ω, T, P ), et
soit X une variable aléatoire réelle définie sur le même espace telles que
P
X n −→ X
Soit n ∈ N, ε > 0 et x ∈ R.
Notons F X n et F X les fonctions de répartitions respectivement de X n et X .
On a
[ X n É x] ⊂ [ X É x + ε] ∪ [| X n − X | > ε]

M. EL AMDAOUI Mustapha
V.2 Convergence en loi 18

En effet, si X n É x et X > x + ε, alors | X n − X | = X − X n Ê X − x > ε.

De l’inclusion ainsi démontrée, il résulte que

F X n ( x) É F X ( x + ε) + P (| X n − X | > ε)

De même, de l’inclusion
[ X É x − ε] ⊂ [ X n É x] ∪ [| X n − X | > ε]

On obtient
F X ( x − ε) É F X n ( x) + P (| X n − X | > ε)

Soit δ > 0. Supposons que x est un point de continuité de F X . On peut alors choisir ε tel que l’on ait

F X ( x + ε) < F X ( x) + δ et F X ( x − ε) > F X ( x) − δ

Il en résulte que
F X ( x) − δ − P (| X − X n | > ε) < F X n ( x) < F X ( x) + δ + P (| X − X n | > ε)

Or il existe un N tel que, pour tout n Ê N , on ait P (| X − X n | > ε) < δ, d’où enfin

−2δ < F X n ( x) − F X ( x) < 2δ

L
Quelque soit δ > 0, il existe donc N tel que, n Ê N ⇒ ¯F X n ( x) − F X ( x)¯ < 2δ, ce qui prouve que X n −→ X
¯ ¯

Attention
La réciproque est fausse. Comme le montre le contre-exemple suivant

Contre exemple 1
1
Soit X une variable de Bernoulli de paramètre . La variable Y = 1 − X est également une variable de
2
1 L L
Bernoulli de paramètre . Posons, pour tout entier n, X n = X . On a naturellement X n → X , donc X n → Y ,
2
puisque X et Y ont la même loi. Mais | X n − Y | = |2 X − 1| = 1 (en effet, si X = 1, alors |2 X − 1| = 1, et si X = 0,
alors |2 X − 1| = 1). Donc, pour ε ∈]0, 1[, P (| X n − Y | > ε) = 1 et ne tend donc pas vers 0. La suite ( X n )n∈N ne
converge donc pas en probabilité.

Théorème 8: Théorème de la limite centrée

Soit ( X n )n∈ N une suite de variables aléatoires réelles définies sur un espace probabilisé (Ω, T, P ) indépen-
dantes, de même loi, possédant une espérance m = E ( X ) et une variance σ2 = V( X ) > 0. On pose
n
X
Xi
i =1 Xn − m
Xn = et Z n = p .
n σ/ n

Alors Z n converge en loi vers une variable aléatoire réelle de loi N (0, 1).

Exemple 8: Formule de Bernstein

Montrons
n nk 1
e−n
X
−−−−−→
k=0 k! 2
n →+∞

Solution:
Soit ( X n ) une suite de variables aléatoires indépendantes de même loi P (1) donc ∀ n ∈ N, E ( X n ) = V ( X n ) = 1.

M. EL AMDAOUI Mustapha
V.2 Convergence en loi 19

D’après le théorème de la limite centrée

n
X 
Xk − n Z 0

 k=1
 1 t2 1
p p É 0 −−−−−→ p e− 2 d t =

 n  n→+∞ 2π −∞ 2

n
X k ,→ P ( n) donc
X
D’autre part, par stabilité de la loi de poisson
k=1

n
X 
Xk − n à !
  n n nk
 k=1
X k É n = e−n
X X
p p É 0 = p

n k=1 k=0 k!
 

n nk 1
d’où e−n
X
−−−−−→
k=0 k ! n→+∞ 2

M. EL AMDAOUI Mustapha