Académique Documents
Professionnel Documents
Culture Documents
1
Chapitre 2
2
Chapitre 3
Dans le chapitre précédent, nous avons traité des variables aléatoires discrétes, c’est-é-dire de
variables dont l’ensemble des états est fini ou infini dénombrable. Cependant, il existe des variables
dont l’ensemble des issues possibles est infini non dénombrable. On qualifiera par X une telle va-
riable que l’on nomme variable aléatoire continue.
Remarque 3.1.1. h
• On ne rencontrera dans la suite que des v.a.r. X absolument continues pour lesquelles, ∀x ∈ R,
P (X = x) = 0. Les événements de probabilité non nulles seront donc les intervalles de R.
• Puisque l’ensemble des observations
P X(Ω) n’est pas dénombrable dans le cas continu. Il nous faut
donc
R abandonner le signe somme utilisé pour le cas discret et le remplacer par le signe intégrale
.
k
Tous les problémes de probabilité relatifs é X peuvent étre traités gréce é fX . À partir de la définition
précédente, on obtient directement le résultat suivant :
3
Variables aléatoires continues 4
Propriété 3.2.1. h
Soit X une v.a.r. continue de densité de probabilité fX . Alors, on a :
— ∀x ∈ R, fX (x) ≥ 0.
— ZfX est une fonction continue sur R sauf en un nombre fini de points.
+∞
— fX (x)dx = 1.
−∞
Exemple 3.2.1. h
Soit X une v.a.r. continue de densité fX définie sur R par :
−x
e si x ≥ 0
fX (x) =
0 sinon
R +∞
fX est positive, continue sur R sauf en 0 et −∞ fX (x)dx = 1.
Exemple 3.2.2. h
Supposons que X est une v.a.r. continue dont densité de probabilité fX est :
C(4x − 2x2 ) si 0 < x < 2,
fX (x) =
0 sinon.
a-Quelle est la valeur de C ?
b-Calculer P (X > 1).
R +∞
Du fait que fX est une densité de probabilité, elle vérifie la relation −∞
fX (x)dx = 1 ce qui
donne : Z 2
C (4x − 2x2 )dx = 1
0
Donc
3
C=
8
Z ∞ Z 2
3 1
P (X > 1) = fX (x)dx = (4x − 2x2 )dx = .
1 8 1 2
4
Variables aléatoires continues 5
Propriété 3.3.1. h
Soit X une v.a.r. continue de fonction de répartition FX . Alors, on a :
— FX est continue sur R.
— FX est é valeurs dans [0, 1].
— lima→−∞ FX (a) = 0 et lima→∞ FX (a) = 1.
— FX est croissante.
— FX (b) − FX (a) = P (a ≤ X ≤ b).
Remarque 3.3.1. h
Pour cette derniére propriété, on peut écrire a < X < b, a ≤ X < b ou a < X ≤ b sans changer le
résultat final.
j
La proposition suivante découle directement de la définition précédente en dérivant les deux membres
dans l’équation ci-dessus. Autrement dit, la densité d’une variable aléatoire continue est la dérivée
de la fonction de répartition
Propriété 3.3.2. h
Soit X une v.a.r. continue de densité fX et de fonction de répartition FX . Alors, ∀x ∈ R
Z x
FX (x) = fX (t)dt
−∞
Remarque 3.4.1. h
Il peut arriver que l’intégrale ci-dessus soit divergente. Dans ce cas, on dit que X n’a pas d’espérance.
Exemple 3.4.1. h
Dans l’exemple 3.2.1. Par intégration par parties, on a :
Z +∞ Z +∞
E(X) = xfX (x)dx = xe−x dx = 1.
−∞ 0
5
Variables aléatoires continues 6
Théoréme 3.4.1. h
Soit X une v.a.r. continue de densité de probabilité fX . Soit h une fonction définie sur X(Ω) é valeurs
réelles. Alors, l’espérance de h(X), si elle existe, est donnée par :
Z +∞
E(h(X)) = h(x)fX (x)dx.
−∞
Remarque 3.4.2. h
On a en particulier Z +∞
2
E(X ) = x2 fX (x)dx.
−∞
Exemple 3.4.2. h
Dans l’exemple 3.2.1., pour le calcul de E(X 2 ), on trouve en intégrant par parties :
Z +∞ Z +∞
2
E(X ) = 2
x fX (x)dx = x2 e−x dx = 2.
−∞ 0
3.4.2 Moments
Définition 3.4.2. h
Soit X une v.a.r continue de densité fX . Pour m ∈ N, on appelle moment d’ordre m de X, l’espérance
de la v.a.r. X m , si elle existe, donnée par :
Z +∞
m
E(X ) = xm fX (x)dx.
−∞
Dans le cas particulier de v.a.r. centrée X − E(X), on parle alors du moment centré d’ordre m de
X Z +∞
m
E [(X − E(X)) ] = (x − E(X))m fX (x)dx.
−∞
3.4.3 Variance
Définition 3.4.3. h
Soit X une v.a.r continue de densité fX . On appelle variance, notée V ar(X), l’espérance, si elle
existe, de E(X − E(X))2
Z +∞
V ar(X) = (x − E(X))2 fX (x)dx.
−∞
Remarques 3.4.1. h
— Il peut arriver que l’intégrale ci-dessus soit divergent. Dans ce cas, on dit que X n’a pas de
variance.
— On rappelle que la variance est toujours positive car il s’agit de l’espérance d’une v.a.r.
positive.
6
Variables aléatoires continues 7
Définition 3.4.4. h
On appelle écart-type de X, noté σ(X), la racine carrée de sa variance
p
σ(X) = V ar(X).
Corollaire 3.4.2. h
Soit X une v.a.r continue, a et b sont deux nombres réels. Alors, on a
Théoréme 3.4.3. h
Soit X une v.a.r continue de densité fX , possédant une variance. Alors, on a
k
À partir de la définition précédente, on obtient directement le résultat suivant :
Propriété 3.5.1. h
Soit (X, Y ) un couple de v.a.r. continues de densité de probabilité fX,Y . Alors, on a :
7
Variables aléatoires continues 8
= 2e−2y ([−e−x ]∞
1 )dy
0
Z 1
−1
=e 2e−2y
0
= e−1 (1 − e−2 )
Propriété 3.5.2. h
Soit (X, Y ) un couple de v.a.r. continues de densité fX,Y et de fonction de répartition FX,Y . Alors
pour tous réels a et b :
Z b Z a
∂2
FX,Y (a, b) = fX,Y (a, b)dxdy , FX,Y (a, b) = fX,Y (a, b).
−∞ −∞ ∂a∂b
Théoréme 3.5.1. h
Soit (X, Y ) un couple aléatoire de densité fX,Y (x, y) et g : R2 → R, Alors, l’espérance de g(X, Y ),
si elle existe, est donnée par :
Z Z
E(g(X, Y )) = g(x, y)fX,Y (x, y)dxdy.
R R
8
Variables aléatoires continues 9
De méme, on appelle espérance de Y , notée E(Y ), le nombre réel, s’il existe, défini par :
Z +∞ Z +∞ Z +∞
E(Y ) = yfY (y)dy = yfX,Y (x, y)dxdy.
−∞ −∞ −∞
Définition 3.5.5. h
Soit (X, Y ) un couple aléatoire continu. La fonction de répartition de X peut étre déduite de la
fonction de répartition conjointe de X et Y , ∀(a, b) ∈ R2 , comme suit :
Z a Z +∞
FX (a) = fX,Y (x, y)dxdy
−∞ −∞
et Z b Z +∞
FY (b) = fX,Y (x, y)dxdy
−∞ −∞
3.5.4 Indépendance
Définition 3.5.6. h
Soit (X, Y ) un couple aléatoire continu. On dit que les v.a.r X et Y sont indépendantes si et seule-
ment si ∀(x, y) ∈ R2
fX,Y (x, y) = fX (x)fY (y).
On peut donner une autre définition de l’indépendance :
9
Variables aléatoires continues 10
Définition 3.5.7. h
X et Y sont indépendantes si pour tout couple (a, b) de R2
Théoréme 3.5.2. h
Soient (X, Y ) un couple aléatoire continue et f et g deux fonctions définies de R2 → R.
Si X et Y sont indépendantes, alors on a :
Corollaire 3.5.3. h
Soit (X, Y ) un couple aléatoire continue. Si X et Y sont indépendantes, alors cov(X, Y ) = 0. La
réciproque est fausse.
Définition 3.5.8. h
Soient X et Y des variables de densité conjointe fX,Y . On définit la densité conditionnelle de X
sachant Y = y, et lorsque fY (y) > 0 par la relation :
fX,Y (x, y)
fX/Y (x/y) = .
fY (y)
Exemple 3.5.2. h
La densité de probabilité conjointe de X et Y est donnée par :
( 12
x(2 − x − y) si 0 < x < 1, 0 < y < 1
fX,Y (x, y) = 5
0 sinon
10
Variables aléatoires continues 11
fX,Y (x, y)
fX/Y (x/y) =
fY (y)
fX,Y (x, y)
= R +∞
f (x, y)dx
−∞ X,Y
(x(2 − x − y))
= R1
(x(2 − x − y))dx
0
x(2 − x − y)
=
2 y
−
3 2
6x(2 − x − y)
=
4 − 3y
Remarque 3.6.1. h
On a bien :
+∞ b
b−a
Z Z
1 1
fX (x)dx = dx = [x]ba = = 1.
−∞ b−a a b−a b−a
Propriété 3.6.1. h
Si X ∼ U([a, b]) alors sa fonction de répartition FX est donnée par :
0 si x < a
x−a
FX (x) = si a ≤ x ≤ b
b−a
1 si x > b
De plus on a :
a+b (b − a)2
E(X) = et V ar(X) =
2 12
11
Variables aléatoires continues 12
Exemple 3.6.1. h
Soit X une variable uniforme sur [0, 10]. Calculer les probabilités suivantes :
a) Z 3
1 3
P (X < 3) = dx =
0 10 10
b) Z 10
1 4
P (X > 6) = dx =
6 10 10
c) Z 8
1 1
P (3 < X < 8) = dx =
3 10 2
Définition 3.6.2. h
Soit λ ∈ R avec λ > 0. On dit que X suit la loi exponentielle de paramétre λ, si sa densité fX est
définie par : −λx
λe si x ≥ 0
fX (x) =
0 sinon
On note en abregé
X ∼ Exp(λ).
Remarque 3.6.2. h
On a bien Z Z +∞ ∞
λe−λx dx = −e−λx 0 = 1.
fX (x)dx =
R 0
Propriété 3.6.2. h
Si X suit la loi exponentielle Exp(λ) alors la fonction de répartition FX est donnée par :
1 − e−λx si x > 0
FX (x) =
0 si sinon
De plus on a :
1 1
E(X) = et V ar(X) =
λ λ2
12
Variables aléatoires continues 13
Son utilité n’est cependant apparue claire qu’en 1809, lorsque le fameux mathématicien allemand
Gauss l’a utilisée comme partie intégrante de son approche pour prédire l’emplacement des entités
atomiques. Il devint alors commun d’appeler cette distribution la distribution Gaussienne.
La loi normal ou la loi de Laplace-Gauss est la plus célébre des lois de probabilités. On débute
par le résultat de base de ce paragraphe communément appelé l’intégrale de Gauss :
Z +∞
t2 √
e− 2 dt = 2π.
−∞
Définition 3.7.1. h
Soient m ∈ R et σ 2 > 0. On dit que X suit une loi normale de paramétre m et σ 2 si sa densité de
probabilité fX est définie sur R par :
1 (x−m)2
fX (x) = √ e− 2σ2 .
σ 2π
On note en abrégé :
X ∼ N (m, σ 2 ).
La loi N (0, 1) est appelée la loi normal centrée réduite. Sa densité de probabilité est :
1 x2
fX (x) = √ e− 2 .
2π
Remarque 3.7.1. h
x−m
Par un changement de variable t = , on a :
σ
Z +∞ Z +∞ Z +∞
1 −
(x−m)2 1 t2
fX (x)dx = √ e 2σ dx = √
2
e− 2 dt = 1.
−∞ −∞ σ 2π 2π −∞
Propriété 3.7.1. h
Si X ∼ N (m, σ 2 ) alors les paramétres m et σ 2 sont respectivement l’espérance et la variance de X
c’est-é-dire :
E(X) = m et V ar(X) = σ 2 .
Théoréme 3.7.1. h
Si X ∼ N (m, σ 2 ) alors la variable aléatoire
X −m
Z= ∼ N (0, 1).
σ
Tout calcul de probabilité portant sur la loi N (m, σ 2 ) se raméne par réduction é la loi N (0, 1). Pour
tout a ∈ R, on note Φ la fonction de répartition de la loi normal N (0, 1), on a
Z a
1 t2
Φ(a) = √ e− 2
2π −∞
13
Variables aléatoires continues 14
Propriété 3.7.2. h
Soit Z ∼ N (0, 1) alors , on a
Φ(−a) = 1 − Φ(a)
Φ(a < Z < b) = Φ(b) − Φ(a)
et en particulier Φ(0) = 1/2. De plus
P (| Z |≤ a) = 2Φ(a) − 1
Lectures de Table
On ne peut pas trouver d’expression analytique de Φ, primitive de fX . On utilise alors la table de
la loi normal N (0, 1) pour obtenir une valeur de Φ(a). Par exemple, soit X une v.a.r. de loi N(6, 4)
et Z une v.a.r de loi N(0, 1). Alors, on a
X −6 7−6 1 1
P (X ≤ 7) = P ≤ =P Z≤ =Φ = 0.6915,
2 2 2 2
X −6 1−6 −5 5
P (X > 1) = P > =P Z> =Φ = 0.99385,
2 2 2 2
P (4 ≤ X ≤ 8) = P (−1 ≤ Z ≤ 1) = P (| Z |≤ 1) = 2Φ(1) = 0.6826.
Corollaire 3.8.1. h
Soit Z une v.a.r de loi N (0, 1). Alors la v.a.r X = Z 2 suit la loi Khi- deux é un degré de liberté i.e :
Z 2 ∼ χ21 = γ(1/2, 1/2), de densité de probabilité
1
f (x) = √ e−x/2 , x>0
2πx
Théoréme 3.8.2. h
Pour : n ≥ 1, soit Z1 , Z2 , . . . , Zn n v.a.r. indépendantes et de méme loi N (0, 1). Alors
n
X
Zi ∼ χ2n
i=1
14
Variables aléatoires continues 15
Corollaire 3.8.3. h
Si X suit une loi khi-deux χ2n , alors on a
Corollaire 3.8.4. h
X ∼ χ2n , alors sa fonction caractéristique Φ est donnée par :
1
ΦX (t) = , pour tout t ∈ R.
(1 − 2it)n/2
Corollaire 3.8.5. h
Si X et Y deux v.a.r indépendantes de lois respectivement χ2n et χ2m et soit Z = X + Y . Alors
Z ∼ χ2n+m .
X/n
S= .
Y /m
15