Variables aléatoires et distributions

de probabilité continues
Variables aléatoires et distributions de
probabilité continues
 Définition
 Fonction de densité et de répartition
 Paramètres de position et de dispersion
 Distribution Uniforme
 Distribution Exponentielle
 Distribution Normale
 Théorème central limite
Définition

Une variable aléatoire est dite continue si

l’ensemble des valeurs prises par cette variable est
infini non dénombrable.

En d’autres termes, une v.a. continue peut prendre

n’importe quelle valeur d’un intervalle de nombres
réels

3
Exemples

 La v.a. Y représentant la taille, en centimètre, d’un

individu ;

 La v.a. Z représentant le poids, en gramme, d’une

pièce mécanique ;

 ...

4
Fonction de densité de probabilité

 Fonction de densité d’une v.a. continue est l’équivalent d’une

fonction de masse de probabilité d’une v.a. discrète.

 Rappel : lorsque la v.a. X est discrète, la fonction de masse

de probabilité est la probabilité que X prenne une valeur
particulière x :
f ( x)  P ( X  x)
 Remarque importante !!! : Si la v.a. X est continue, alors la
probabilité que X prenne une valeur particulière x est nulle

f ( x)  P ( X  x)  0

5
Fonction de densité de probabilité

 À l’issue de la remarque précédente, lorsque la v.a. X

est continue on s’intéresse à déterminer la probabilité
que la v.a. X prenne n’importe quelle valeur dans un
intervalle [a, b] plutôt qu’une valeur particulière x.

 Une fonction de densité de probabilité f(x) d’une v.a.

continue X peut être donnée sous deux formes :
 Analytique

 Graphique

6
Fonction de densité de probabilité

 Exemple :
 soit X la v.a. représentant la durée de vie, en années, d’une
ampoule électrique.
 La forme analytique de la fonction de densité de la
v.a. X est donnée par l’expression suivante :

 x si 0  x  1

f ( x )  2  x si 1  x  2
 0 ailleurs


7
Fonction de densité de probabilité

 La forme graphique de la fonction de densité de la

v.a. X se présente comme suit :

1
Densité f(x)

0.5

0
0 0.5 1 1.5 2
Durée de vie x

f(x) = x f(x) = 2 - x
8
Fonction de densité de probabilité

 Remarque importante !!! : contrairement à une

fonction de masse d’une v.a. discrète, une fonction
de densité de probabilité d’une v.a. continue ne
fournit pas directement les probabilités

Une v.a. discrète : loi binomiale Bi(4, 0.7)

f ( x)  P( X  x)  C xn .p x .qn x
f (1)  P ( X  1)  C14 .(0.7).(0.3) 3

Une v.a. continue

 x si 0  x  1 Il strictement faux de dire que

f ( x )  2  x si 1  x  2 f (0.25)  P( X  0.25)  0.25
 0 ailleurs

puisque f (0.25)  P ( X  0.25)  0
9
Fonction de densité de probabilité

 Ainsi, pour déterminer la probabilité pour qu’une v.a.

continue ait des valeurs dans un intervalle [a, b], il
faut calculer l’aire sous la courbe de f (fonction de
densité) entre les deux valeurs a et b.

Courbe de f
1
Densité f(x)

0.5

0
0 0.5 0.75 1 1.5 2
Durée de vie x

10
Rappel calcul intégrales

 Définition primitive: x
F ( x)   f (t )dt est la primitive de f tel que:
a
f est la dérivée de F : F '( x)  f ( x), et F ( a)  0.
x
x
F ( x)   f (t )dt   F (t ) a  F ( x)  F (a )  F ( x ).
a

 Primitives usuelles ( a  R, avec a  0 )

Fonction (f ) Primitive à une constante prés (F)

0 Cste
a a.x
xr 1 xr+1
r+1
expa.x 1 expa.x
a
11
Fonction de densité de probabilité

 Une fonction de densité de probabilité d’une v.a.

continue possède deux principales propriétés :

1. f ( x)  0 x  IR Une probabilité
est toujours positive



2. 

f ( x) dx  1 L’aire total sous la courbe
de f doit être égale à 1

Densité f(x)
0.5

0
0 0.5 1 1.5 2
Durée de vie x

12
Fonction de densité de probabilité

 Comment calculer les probabilités dans le cas où la

v.a. est continue ?

1. En utilisant le graphique de la fonction de

densité : on calcule l’aire sous la courbe de f
entre deux valeurs a et b.
2. En utilisant la forme analytique de la fonction de
densité : on calcule l’intégrale de f entre deux
valeurs a et b, soit :
def b
P ( a  X  b)   f ( x)dx
a

13
Fonction de densité de probabilité

 Exemple : Calculer la probabilité que la durée de

vie de l’ampoule électrique soit comprise entre 1 et
1,5 an.
1. En utilisant le graphique de la fonction de
densité
(1.5 - 1) * (0.5 – 0) = 0.25

((1.5 - 1) * (1 - 0.5)) / 2 = 0.125

1
0.375
Densité f(x)

0.5
2
1
0
0 0.5 1 1.5 2
Durée de vie x

14
Fonction de densité de probabilité

2. En utilisant la forme analytique de la fonction de densité

1 .5 1.5
 1 2
P(1  X  1.5)   (2  x) d ( x)  2 x  x 
1  2 1
1 2 1 2
 (2  1.5  (1.5) )  (2  1  (1) )  0.375
2 2

15
 Fonction de répartition
 La définition de la fonction de répartition d’une v.a.
continue est identique à celle d’une v.a. discrète.
 Définition : on appelle fonction de répartition de la
v.a. continue X et on la note F la fonction définie
sur IR et à valeurs dans [0, 1], par la relation :
def
F ( x)  P( X  x)
 Graphiquement
F (0.8)  P( X  0.8)

1
D ensité f(x)

0.5

0
0 0.5 0.8 1 1.5 2
Durée de vie x

16
Fonction de répartition

Relation entre la fonction de répartition et la

fonction de densité

x
F ( x)   f (t ) dt

Formule à utiliser pour calculer
F(x) à partir de f(x)

dF ( x)
f ( x)   F ' ( x) Formule à utiliser pour calculer
dx f(x) à partir de F(x)

Dérivée de F(x)
17
 Fonction de répartition

 Exemple : soit X la v.a. représentant la durée de vie,

en année, d’une ampoule électrique. La fonction de
densité de X se présente comme suit :
0 si x0
x si 0  x  1

f ( x)  
2  x si 1  x  2
0 si x2

La fonction de répartition de X est la suivante :

0 si x0
1 x 0 1 x
 x2 si 0  x 1
2
F ( x)  
F ( x)   f (t ) dt   f (t ) dt   f (t ) dt   f (t ) dt
  0 1
 1  2 x  1 x 2 si 1 x  2 1 x
1   1 
  cte
0
2    t 2   2t  t 2 
1 si x2  2 0  2 1

18
Fonction de répartition

Représentation graphique d’une fonction de répartition

1
Répartition F(x)

0,8
0,6
0,4
0,2
0
0 0,5 1 1,5 2
Durée de vie x

19
Fonction de répartition

Propriétés d’une fonction de répartition

1. F(x) est définie pour tout réel x

2. On a toujours 0  F(x)  1

3. Limites : F(-)=0 et F(+)=1

4. F(x) est non-décroissante : si x  y alors F(x)  F(y)

20
Fonction de répartition

 Remarque : lorsque X est une v.a. continue, alors on

a:

P(a < X < b) = P(a  X < b) =b

P(a < X  b)
P(a  X  b) = F(b) – F(a) =  f ( x ) dx
a

Lorsqu’on dispose de la forme analytique

de F, cette formule est utilisée pour déterminer
la probabilité que X appartienne à un intervalle [a,b]

21
Fonction de répartition

Exercice d’application
La vie utile d’une certaine composante d’une pièce
électronique est décrite par la fonction suivante :
x
 0 x6
f ( x)  18
0 ailleurs
où x est exprimé en centaines d’heures.
a) Prouver que l’on a bien une fonction de densité ;
b) Donner la représentation graphique de cette fonction ;
c) Trouver la fonction de répartition ;
d) Calculer : P(X  2); P(X > 4) et P(2  X  4).
22
Fonction de répartition

Réponse
a) Prouver que l’on a bien une fonction de densité ;
Pour répondre à cette question il suffit de vérifier les
deux points suivants :
1. f ( x)  0 x  IR On peut vérifier facilement
 que f(x) ≥ 0
2.  f ( x) dx  1


 0 6 

 f ( x) dx   f ( x) dx   f ( x) dx   f ( x) dx 
  0 6
6
x 
2
 0    0 1
 36  0

23
Fonction de répartition

Réponse …

b) Donner la représentation graphique de cette

fonction
f(x)
1.5

0.5
0.33

0 x
2 4 6 8

24
Fonction de répartition

Réponse …
c) Trouver la fonction de répartition ;
F(x) est déterminée en appliquant la formule suivante :
x
F ( x)   f (t ) dt


0 x0
 2
x
F ( x)   0 x6
 36
1 x6

25
Fonction de répartition

Réponse …
d) Calculer : P(X  2), P(X > 4) et P(2  X  4).

22 1
1. P(X  2) = F(2) = 
36 9

42 4 5
2. P(X > 4) = 1 – F(X  4) = 1 – F(4) = 1   1  
36 9 9

42 22 3 1
3. P(2≤ X ≤ 4) = F(4) – F(2) = 36  36  9  3

26
Paramètres de position et de dispersion

L’espérance mathématique
def 
EX      x. f ( x)dx


La variance et l’écart type

def 
Var(X)   2  E  X 2   E X   E (X -  )2  
2

2
( x   ) f ( x) dx


def
 (X)  Var(X)

27
Paramètres de position et de dispersion

Exercice d’application
La vie utile d’une certaine composante d’une pièce électronique est
décrite par la densité de probabilité suivante:
x
 0 x6
f ( x)  18
0 ailleurs

où x est exprimé en centaines d’heures.

a) Calculer E[X] ;
b) Calculer la variance et l’écart type de X.

28
Paramètres de position et de dispersion
Réponse …
 6 2 6
x 1 1 3 
E  X    x. f ( x)dx   dx   x   4
 0
18 18  3  0

Var(X)  E X   EX 
2 2
 
 E X 2  16

 6 6
1 1 1 4 
 
2 3
x . f ( x ) dx  x dx   x   18
18 0 18  4  0

Var(X)  18  16  2
 (X)  Var(X)  2

29
Distribution Uniforme

Une v.a. continue X obéit à une distribution

uniforme sur un intervalle [a, b] si sa densité de
probabilité est donnée par :

 1
def
 si a  x  b
f ( x)   b  a
 0 ailleurs

On dit que X  U(a, b) où a et b  IR et a < b

30
Distribution Uniforme

La représentation graphique de la fonction de

densité d’une v.a. X qui suit une distribution
uniforme sur un intervalle [a, b] se représente
comme suit :

f(x)

1 /(b – a)

a b x

31
Distribution Uniforme

La fonction de répartition d’une v.a. X qui obéit à

une distribution uniforme sur un intervalle [a, b] est
donnée par :

 0 si x  a
def 
 x-a
F(X )   si a  x  b
 b-a
 1 xb

32
Distribution Uniforme

Si X est une v.a. qui suit une distribution uniforme

sur un intervalle [a, b], alors :

L’espérance mathématique est égale à :

def
ab
E X    
2
La variance est égale à :
2
def
(b  a )
Var (X)   2 
12
33
Distribution Exponentielle

Si une v.a. X représente le temps requis pour obtenir

un premier succès ou le temps entre deux succès
consécutifs, alors X obéit à une distribution
exponentielle.

X  Exp (b)

Ce qui se lit «X suit une loi exponentielle de paramètre

b»

34
 Distribution Exponentielle

Définition mathématique d’une v.a. exponentielle

Une v.a. continue X pouvant prendre toutes les
valeurs x dans l’intervalle de 0 à , pour β > 0 dont la
fonction de densité est :

0 si x  0
def

f  x    1  x/β
β e si x  0


s’appelle une v.a. exponentielle de paramètre β.

x est le temps écoulé entre deux succès successifs
35
Distribution Exponentielle

La représentation graphique de la fonction de

densité d’une v.a. X qui suit une distribution
exponentielle de paramètre β se présente comme
suit :

f(x)

36
Distribution Exponentielle

La fonction de répartition d’une v.a. X qui suit une

β
distribution exponentielle de paramètre est donnée
par :

 0
def si x  0
F  x    -x/β
1 - e si x  0

37
Distribution Exponentielle

Si X est une v.a. qui suit une distribution

exponentielle de paramètre β, alors :

L’espérance mathématique est égale à :

def
E X     
La variance est égale à :
def
2 2
Var (X)    

38
Distribution exponentielle/distribution de poisson
 La distribution de Poisson est une distribution des v.a.
discrètes, s’applique pour compter le nombre
d’occurrence d’un événement pendant un intervalle de
temps donné.
 La distribution exponentielle est continue, elle permet
de mesurer la durée de temps entre la réalisation de
deux occurrences.
 Le paramètre de la distribution exponentielle est
l’inverse du paramètre de la distribution de poisson.

39
Distribution Normale

Une v.a. continue X pouvant prendre toutes les

valeurs réelles x dans l’intervalle de -  à +, pour 
 IR, pour   IR+ dont la fonction de densité est :

2
1  x μ 
def
1  
2 σ 

f(x)  e
σ 2π
s’appelle une v.a. normale de paramètres  et  2. On
note par N(,  2) la famille de toute v.a. qui suit une
distribution normale.

40
Distribution Normale

La représentation graphique de la fonction de

densité d’une v.a. X qui suit une distribution
normale de paramètres  et 2 se présente comme
suit :
L’aire totale sous la
courbe est égale à 1 maximum
f(x)

Point d’inflexion

50 % 50 %

x
μ-σ μ μ+σ

41
Distribution Normale

Si X est une v.a. qui suit une distribution normale

de paramètres  et  2 , alors :

L’espérance mathématique est égale à :

def
E X   
La variance est égale à :
def
Var (X)   2

42
Distribution Normale

Calcul pratique des probabilités d’une

v.a. normale
Étant donné qu’une distribution normale possède
deux paramètres  et 2 et que ces derniers
peuvent prendre une infinité de valeurs
Il est pratiquement impossible de créer une table
pour chaque valeur de  et  2.

On a pensé à standardiser toutes les distributions

normales en une seule distribution centrée réduite.

43
Distribution Normale

Calcul pratique des probabilités d’une v.a.

normale

La standardisation s’effectue avec l’égalité suivante :

X  N ( , 2 ) Z  N (0,1)
X 
Z
P(x1 ≤ X ≤ x2)  P(z1 ≤ Z ≤ z2)

x1 μ x2
z1 0 z2

Si X est une v.a. qui suit N(,  2), alors Z est une
v.a. qui suit N(0, 1).
44
Distribution Normale

Calcul pratique des probabilités d’une v.a.

normale
Trois types de probabilités peuvent être calculées pour
une v.a. qui suit une distribution normale :
1. P(X ≥ x) ;
2. P(X ≤ x) ; X  N ( , 2 )
3. P(x1 ≤ X ≤ x2).

alors
1. P(Z ≥ (x – μ)/σ) ; Z  N (0,1)
2. P(Z ≤ (x – μ)/σ) ;
3. P((x1 – μ)/σ ≤ Z ≤ (x2 – μ)/σ).

45
Distribution Normale

Propriété
Une des propriétés les plus intéressantes de la distribution
normale est le fait que plusieurs v.a. ont des distributions de
probabilité qui convergent vers la distribution normale
lorsqu’on répète l’expérience un grand nombre de fois.
Exemple d’explication
Soit la v.a. X1 donnant le nombre de points obtenus sur la
face supérieure d’un dé.
P(X1 = x) n=1
1
6

1 2 3 4 5 6

46
Distribution Normale

Exemple d’explication …
Soit la v.a. X2 donnant le nombre de points obtenus si
on lance le dé une deuxième fois. Posons Y = X1 + X2
= la somme des points obtenus au cours des deux
lancers.
P(Y = y)
n=2

2 3 4 5 6 7 8 9 10 11 12

47
Distribution Normale

Le Théorème Central Limite (TCL)

Soit X1, X2, X3,…, Xn des v. a. indépendantes de
même distribution de probabilité, d’espérances i et
de variances  i2, i = 1, 2, … n, alors, lorsque n tend
vers l’infini, la distribution de probabilité de la v.a. Y
n Elles suivent des

Y   Xi distributions
Quelconques mais
identiques
i 1

n
converge vers la distribution normale d’espérance Y   i
n i 1
et de variance  Y2    i2 .
i 1

48
Distribution Normale

Convergence de la distribution Binomiale vers la

distribution Normale

Lorsque une v.a. X suit Bi(n, p) où n > 30 et p est

voisin de 0.5, alors on peut approximer cette
distribution Binomiale par la distribution Normale
N(np, npq).

Exemple d’explication
Soit X une v.a. qui suit Bi(n=100, p=0.5). Vérifiant que X peut être
approximée par une distribution normale N(np=50, npq=25).

49
Distribution Normale

Exemple d’explication …
Graphiquement
0.09

0.08

0.07

0.06

0.05

0.04

0.03

0.02

0.01

On constate que la surface des rectangles (représentant les

probabilités de la loi binomiale) coïncide assez fidèlement
avec la surface sous la courbe normale.
50