Variables aléatoires à densité

Rappels :
Une variable aléatoire réelle (VAR) est une application X : Ω → R où (Ω, A, P ) est un espace proba-
bilisé. Lorsque X(Ω) est un ensemble discret on dit que X est une VAR discrète.
Pour toutes les VAR (discrètes ou non) on définit la fonction de répartition de X, que l’on note FX ,
par Fx (x) = P (X 6 x) pour tout réel x.

I Notion de variable aléatoire à densité

1 Densité

Définition 1
Soit X une VAR définie sur un espace probabilisé (Ω, A, P ) et FX sa fonction de répartition. On dit
que X est une variable aléatoire réelle à densité s’il existe une fonction fX : R → R vérifiant :
(i) fX est à valeur réelles positives ou nulles
(ii) fX est continue sur R, sauf éventuellement en un nombre fini de points
Z +∞ Z +∞
(iii) fX (t) dt est convergente et fX (t) dt = 1
−∞ −∞
Z x
(iv) Pour tout x ∈ R, FX (x) = fX (t) dt
−∞
La fonction fX s’appelle alors une densité de la variable aléatoire X.

Remarque :
La fonction fX n’est pas unique c’est pourquoi on dit que c’est une densité de X. En effet si g est une
fonction égale à fX sauf en un nombre fini de points alors g est aussi une densité de X.
Nous admettrons le théorème suivant, qui nous permet de vérifier si une fonction f donnée est une
densité d’une variable X.
Théorème 1
Soit f : R → R une fonction vérifiant :
(i) f est à valeur réelles positives ou nulles
(ii) f est continue sur R, sauf éventuellement en un nombre fini de points
Z +∞ Z +∞
(iii) f (t) dt est convergente et f (t) dt = 1
−∞ −∞
alors il existe un espace probabilisé (Ω, A, P ) et une variable aléatoire réelle X définie sur cet espace,
tels que f est une densité de la variable X.
On dit alors que f est une densité de probabilité.

Exemple 1:
(
e−x si x > 0
Soit f la fonction définie sur R par f (x) = . Montrons que c’est une densité de proba-
0 si x < 0
bilité.
Nous allons ici appliquer le théorème 1 donc il nous faut vérifier les 3 hypothèses de ce théorème :
(i) Comme l’exponentielle est positive, f est bien une fonction à valeurs positives ou nulles.
(ii) Sur ] − ∞; 0[ f est la fonction nulle donc f est continue sur ] − ∞; 0[.
Sur [0; +∞[, f est la composée des fonctions x → −x et t → et qui sont continues donc f est continue
sur [0; +∞[.

Probabilités : Chapitre 4 Page 1 Variables aléatoires à densité

 De plus lim+ f (x) = 1 et lim− f (x) = 0. Donc f n’est pas continue en 0.
x→0 x→0
Donc f est continue sur R∗ .
Z +∞
(iii) Il nous faut maintenant vérifier la convergence de f (x) dx et calculer la valeur de cette intégrale.
−∞
Z 0
• f est nulle sur ] − ∞; 0[ donc f (x) dx est convergente et vaut 0.
−∞
Z +∞
• Montrons la convergence de f (x) dx.
0
La fonction f est continue sur [0; +∞[ donc le problème se pose uniquement en +∞.
Z A Z A
 A
Soit A > 0, f (x) dx = e−x , dx = −e−x 0 = 1 − e−A .
Z 0A 0

Donc lim f (x) dx = 1.

A→+∞ 0
Z +∞ Z +∞
Ainsi f (x) dx converge et f (x) dx = 1
0 0
Z +∞
• En conclusion l’intégrale f (x) dx est convergente et vaut 0 + 1 = 1.
−∞

f est donc bien une densité de probabilité.

2 Caractérisation par la fonction de répartition

Théorème 2
Si F est la fonction de répartition d’une variable à densité X et si f est une densité de X alors :
– F est continue sur R.
– F est de classe C 1 sauf éventuellement en un nombre fini de points et lorsque F est dérivable en x,
F ′ (x) = f (x).

Remarques :
– Les variables discrètes ne sont donc pas des variables à densité.
– Comme f est positive, la fonction de répartition est bien croissante.
– La fonction de répartition est une primitive de la densité.
Ces propriétés sur la fonction de répartition suffisent à caractériser les variables à densité :
Théorème 3
Soit X une variable aléatoire réelle de fonction de répartition F . Si :
(i) F est continue sur R
(ii) F est C 1 sur R sauf en un nombre fini de points
alors X est une variable aléatoire à densité.
De plus si f est une fonction positive ou nulle telle que F ′ (x) = f (x) en tout point x où F est dérivable,
alors f est une densité de X.

En pratique :
Pour démontrer qu’une variable X donnée est une variable à densité, il faut trouver sa fonction de
répartition et vérifier qu’elle est continue sur R et C 1 sauf peut être en un nombre fini de points. Pour
trouver la densité de X il suffit de prendre la dérivée de F .

Probabilités : Chapitre 4 Page 2 Variables aléatoires à densité

 Exemple 2:
Soit X une variable aléatoire dont la fonction de répartition est la fonction F définie sur R par :

0 si x < 2
F (x) = 8
1 − si x > 2
x3
Montrer que X est une variable à densité et en déterminer une densité.
On va utiliser le théorème 3 donc nous avons deux choses à vérifier sur F .
8
(i) Sur ] − ∞; 2[, F est une fonction constante donc continue. Sur ]2; +∞[ la fonction x → 3 est
x
continue donc F est continue sur cet intervalle.
8
De plus lim− F (x) = 0 et lim+ F (x) = 1 − = 0 = F (2).
x→2 x→2 8
Donc F est continue sur R.
8
(ii) Sur ] − ∞; 2[, F est une fonction constante donc C 1 . Sur ]2; +∞[ la fonction x → 3 est C 1 donc F
x
est C 1 sur ]2; +∞[.
Ainsi F est de classe C 1 sur R \ {2} et pour x 6= 2 :

0 si x < 2
′
F (x) = 24
 si x > 2
x4

0 si x < 2
X est donc bien une variable à densité et une densité de X est par exemple f (x) = 24
 si x > 2
x4
Le théorème suivant permet de déterminer si une fonction F donnée est la fonction de répartition d’une
variable à densité X.
Théorème 4
Soit F une fonction de R dans R. Si
(i) F est une fonction continue sur R
(ii) F est C 1 sur R sauf en un nombre fini de points
(iii) F est croissante sur R.
(iv) lim F (x) = 1 et lim F (x) = 0
x→+∞ x→−∞

alors il existe un espace probabilisé (Ω, A, P ) et une variable aléatoire X définie sur cet espace, tels
que F est la fonction de répartition de X.
De plus X est alors une variable à densité et si f est une fonction positive ou nulle telle que F ′ (x) = f (x)
en tout point x où F est dérivable, alors f est une densité de X.

Exemple 3:
On considère la fonction F définie par :

0 si x < −1
√


− −x


 1

 si − 1 6 x < 0
F (x) = 2√
1+ x
si 0 6 x 6 1



 2



1 si x > 1

Montrer que F est la fonction de répartition d’une variable à densité et en déterminer une densité.

Probabilités : Chapitre 4 Page 3 Variables aléatoires à densité

 • Sur ] − ∞; −1[ et sur ]1; +∞[, F est une fonction constante donc continue. Sur ] − 1; 0[ et sur ]0; 1[,
F est continue comme composée de fonctions usuelles continues. La continuité ne pose problème qu’en -1,
0 et 1. Or :
lim− F = lim+ F = 0 = F (−1)
−1 −1
1
lim F = lim F = = F (0)
0− 0+ 2
lim F = lim
+
F = 1 = F (1)
1− 1
Donc F est continue sur R.
• A l’aide des fonction usuelles on voit que F est C 1 sur R \ {−1; 0; 1} et sur cet ensemble :


 0 si x < −1 ou x > 1
 1


√ si − 1 < x < 0
F ′ (x) = 4 −x
1


 √ si 0 < x < 1


4 x
• Aux points où F est dérivable, on voit que F ′ (x) > 0 et comme F est continue, F est bien croissante
sur R.
• Enfin lim F (x) = 0 et lim F (x) = 1
x→−∞ x→+∞
On peut donc dire que F est la fonction de répartition d’une variable aléatoire X à densité. Une densité
de X est par exemple :  1
 p si 0 < |x| 6 1
f (x) = 4 |x|
0 sinon


1.0 1.0

0.5 0.5

−2 −1 1 2 −2 −1 1 2
Représentation graphique de F Représentation graphique de f

3 Quelques propriétés

Propriété 1
Soit X une variable aléatoire admettant une densité f .
(i) Pour tout a ∈ R, P (X = a) = 0
(ii) Pour tout x réel : Z x
P (X < x) = P (X 6 x) = f (t) dt
−∞
Z +∞
P (X > x) = P (X > x) = f (t) dt
x

(iii) Pour tout a et b réels tels que a 6 b :

Z b
P (a < X < b) = P (a 6 X < b) = P (a < X 6 b) = P (a 6 X 6 b) = f (t) dt
a

Probabilités : Chapitre 4 Page 4 Variables aléatoires à densité

 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].

Remarques :
– La probabilité de l’événement [a 6 X 6 b] apparait 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.
– 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.

4 Indépendance

Définition 2
Des VAR à densité X1 , · · · , Xn sur le même espace probabilisé (Ω, A, P ) sont dites indépendantes si
pour tous réels (x1 , · · · , xn ) :
n
! n
\ Y
P [Xk 6 xk ] = P (Xk 6 xk )
k=1 k=1

Remarque :
Pour montrer que deux variables à densité X et Y sont indépendantes ils faut montrer que pour tout
x ∈ R et y ∈ R on a P ([X 6 x] ∩ [Y 6 y]) = P (X 6 x) × P (Y 6 y).

II Moments d’une variable aléatoire à densité

1 Espérance

a Définition
Définition 3 Z +∞
Soit X une VAR de densité f . Si l’intégrale tf (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) = tf (t) dt
−∞

Exemple 4:
(
6x(1 − x) si x ∈ [0; 1]
Soit f la fonction définie sur R par : f (x) =
0 sinon
Montrer que f est une densité d’une variable aléatoire X. X admet-elle une espérance ? Si oui, la
calculer.
• - Comme x(1 − x) > 0 pour x ∈ [0; 1], f est bien une fonction positive.
- De plus on vérifie Zfacilement que Zf est continue sur R.
0 +∞
- Enfin on voit que f (x) dx et f (x) dx sont convergentes car f est nulle sur ] − ∞; 0] et sur
Z 1 −∞ 1

[1; +∞[ et f (x) dx est convergente car f est continue sur [0; 1].
0

Probabilités : Chapitre 4 Page 5 Variables aléatoires à densité

 Z +∞
Donc f (x) dx est convergente et :
−∞

Z +∞ Z 0 Z 1 Z +∞ Z 1
f (x) dx = 0 dx + 6x(1 − x) dx + 0 dx = (6x − 6x2 ) dx = [3x2 − 2x3 ]10 = 1
−∞ −∞ 0 1 0

Donc f est bien une densité de probabilité. Z 0 Z +∞

• La fonction x → |xf (x)| est nulle sur ] − ∞; 0] et sur [1; +∞[ donc |xf (x)| dx et |xf (x)| dx
Z 1 −∞ 1

sont convergente. De plus x → |xf (x)| est continue sur [0; 1] donc |xf (x)| dx est aussi convergente.
Z +∞ 0

Par conséquent xf (x) dx est absolument convergente et X admet donc une espérance. De plus :
−∞

0 1 +∞ 1  1
3 4 1
Z Z Z Z
2 2 3 3
E(X) = 0 dx + 6x (1 − x) dx + 0 dx = (6x − 6x ) dx = 2x − x =
−∞ 0 1 0 2 0 2

Exemple 5: 
0 si x < 1
Soit f la fonction définie sur R par f (x) = 1 .
 si x > 1
x2
Montrer que f est une densité d’une variable aléatoire X. X admet-elle une espérance ? Si oui, la
calculer.
• - f est bien une fonction à valeurs positive
- De plus f est continue sur R \ {1}.
Z 1
- On voit que f (x) dx est convergente car f est nulle sur ] − ∞; 1[.
Z −∞
+∞
Sur [1; +∞[, f (x) dx converge car c’est une intégrale de Riemann avec α = 2 > 1.
Z +∞ 1

Donc f (x) dx est convergente et :

−∞

+∞ 1 +∞ Z A  A  
1 1 1 1
Z Z Z
f (x) dx = 0 dx + dx = lim dx = lim − = lim 1 − =1
−∞ −∞ 1 x2 A→+∞ 1 x2 A→+∞ x 1 A→+∞ A

f est donc bien une densité de probabilité.

Z 1
• - Sur ] − ∞; 1[, |xf (x)| = 0 donc |xf (x)| dx converge.
−∞
Z +∞
1
- Sur [1; +∞[, |xf (x)| = et donc |xf (x)| dx diverge.
Z +∞ x 1

Donc xf (x) dx n’est pas absolument convergente et donc X n’admet donc pas d’espérance.
−∞

Définition 4
Si X est une VAR telle que E(X) = 0 on dit que X est une variable centrée.

b Linéarité
Propriété 2
Soit X une VAR à densité admettant une espérance. Alors pour tout réels a et b, aX + b admet une
espérance et E(aX + b) = aE(X) + b.

Probabilités : Chapitre 4 Page 6 Variables aléatoires à densité

 Théorème 5
Soient X et Y deux VAR à densité admettant une espérance. Si X + Y est une VAR à densité alors
elle admet une espérance et E(X + Y ) = E(X) + E(Y ).

c Moment d’ordre r
Définition 5 Z +∞
Soit r ∈ N . Si l’intégrale
∗
xr f (x) dx est absolument convergente alors on dit que X admet un
−∞
moment d’ordre r, notée mr (X) et on a
Z +∞
mr (X) = xr f (x) dx
−∞

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

2 Variance et écart-type

Définition 6
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

Pour le calcul de variance dans la pratique on utilisera tout comme pour les variables discrètes plutôt
le théorème suivant :
Théorème 6
Soit X une VAR à densité. X admet une variance ssi X admet un moment d’ordre 2 et en cas d’existence,
on a :
V (X) = E(X 2 ) − [E(X)]2

Exemple 6:
Soit X une VAR dont une densité f est définie par f (x) = 6x(1 − x) si x ∈ [0; 1] et f (x) = 0 sinon.
1
Nous avons vu que E(X) = .
2
X admet-elle une variance ? Si oui, la calculer
Il nous reste ici à vérifier que X admet un moment
Z d’ordre 2 et à le
Z calculer.
0 +∞
2
2
– Sur ]−∞; 0] et sur [1; +∞[, |x f (x)| = 0 donc |x f (x)| dx et |x2 f (x)| dx sont convergentes.
Z 1 −∞ 1

– Sur [0; 1] x → |x2 f (x)| est continue donc |x2 f (x)| dx est convergente.
Z +∞ 0

Donc l’intégrale x2 f (x) dx est absolument convergente ainsi X admet un moment d’ordre 2 et
−∞
donc une variance. De plus :
+∞ 1  1
3 6 3
Z Z
2 2
E(X ) = x f (x) dx = (6x − 6x ) dx = x4 − x5
3 4
=
−∞ 0 2 5 0 10

3 1 1
Donc V (X) = E(X 2 ) − E(X)2 = − = .
10 4 20

Probabilités : Chapitre 4 Page 7 Variables aléatoires à densité

 Exemple 7:
2
Soit X une VAR dont une densité f est définie par f (x) = 0 si x < 1 et f (x) = 3 si x > 1.
x
X admet-elle une espérance ? Si oui, la calculer. Même question pour la variance.
Z 1
• Sur ] − ∞; 1[, |xf (x)| = 0 donc |xf (x)| dx converge.
Z−∞+∞
2
Sur [1; +∞[, |xf (x)| = 2 et donc |xf (x)| dx converge, car 2 > 1.
Z +∞ x 1

Donc xf (x) dx est absolument convergente ce qui signifie que X admet une espérance qui vaut
Z −∞+∞ Z +∞
2 1
E(X) = dx = 2. (On a déjà calculé dans l’exemple 5 dx )
1 x2 Z 1 1 x2

2
• Sur ] − ∞; 1[, |x f (x)| = 0 donc |x2 f (x)| dx converge.
Z−∞ +∞
2
2
Sur [1; +∞[, |x f (x)| = et donc |x2 f (x)| dx diverge.
Z +∞ x 1

Donc x2 f (x) dx ne converge pas absolument et ainsi X n’admet pas de moment d’ordre 2 et donc
−∞
n’admet pas de variance.
Définition 7 p
Si X admet une variance alors V (X) > 0. On appelle alors écart-type le réel σ(X) = V (X)

Propriété 3
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 8
Si X est une variable à densité telle que σ(X) = 1, on dit que X est une variable réduite.

Définition 9
X − E(X)
Si X admet une espérance et un écart-type non nul, la variable X ∗ = est appelée la
σ(X)
variable centrée réduite associée à X.

III Lois usuelles

1 Loi uniforme

Il s’agit ici de la loi la plus simple pour les variables aléatoires à densité. Elle correspond au fait de
choisir au hasard un réel dans un segment [a; b].

Définition 10
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

Probabilités : Chapitre 4 Page 8 Variables aléatoires à densité

 Propriété 4
La fonction de répartition d’une variable aléatoire suivant une loi uniforme sur [a; b] est :


 0 si x 6 a
x − a
F (x) = si a < x < b

 b−a
1 si x > b


Démonstration :
Par définition
Z x de la densité, on sait que la fonction de répartition de X est donnée par
F (x) = f (t) dt.
−∞ Z x
– Si x 6 a sur ] − ∞; x] on a f (t) = 0 et donc alors F (x) = 0 dt = 0.
−∞
1
– Si a < x < b alors si t ∈] − ∞; x] on a f (t) = 0 si t 6 a et f (t) = si a < t 6 x
b−a
donc a x x
x−a

1 t
Z Z
F (x) = 0 dt + dt = 0 + =
−∞ a b−a b−a a b−a
– Si x > b alors
a b x  b
1 t b−a
Z Z Z
F (x) = 0 dt + dt + 0 dt = 0 + +0= =1
−∞ a b−a b b−a a b−a

On a donc bien le résultat demandé.

2

Voici la représentation graphique de la densité et de la fonction de répartition d’une VAR suivant une
loi uniforme sur [1; 3] :
1.0
0.5

0.5

−1 1 2 3 4

−1 1 2 3 4
−0.5

Densité de la loi U([1; 3]) Fonction de répartition de la loi U([1; 3])

Théorème 7
Soit X une VAR à densité suivant une loi uniforme sur [a; b]. Alors X admet une espérance égale à
a+b
.
2

Probabilités : Chapitre 4 Page 9 Variables aléatoires à densité

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

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

L’intégrale tf (t) dt est donc absolument convergente et X admet donc une espérance.
−∞
De plus :
b  2 b
t 1 t b2 − a2 a+b
Z
E(X) = dt = = =
a b−a b − a 2 a 2(b − a) 2

2
(b − a)2
La variance sera vue en exercice mais doit savoir être retrouvée très vite. (V (X) = .)
12
2 Loi exponentielle

Définition 11
Soit λ un réel strictement positif. On dit qu’une variable aléatoire X suit la loi exponentielle de
paramètre λ si elle admet pour densité la fonction f définie sur R par :
(
0 si x < 0
f (x) =
λe−λx
si x > 0

On note X ֒→ E(λ).

Propriété 5
La fonction de répartition d’une variable aléatoire suivant une loi exponentielle de paramètre λ est :
(
0 si x < 0
F (x) =
1 − e−λx si x > 0

Démonstration :
Z x
On a pour tout réel x, F (x) = f (t) dt.
−∞ Z x
– Si x < 0 alors pour tout t ∈] − ∞; x], f (t) = 0 et donc F (x) = 0 dt = 0.
Z 0 Z x −∞
 x
– Si x > 0, F (x) = 0 dt + λe−λt dt = −e−λt 0 = 1 − e−λx
−∞ 0

Probabilités : Chapitre 4 Page 10 Variables aléatoires à densité

 Voici la représentation graphique de la densité et de la fonction de répartition d’une variable aléatoire
suivant une loi E(1) :

1.0 1.0

0.5 0.5

−1 1 2 3 4 −1 1 2 3 4

−0.5 −0.5

Densité de la loi E(1) Fonction de répartition de la loi E(1)

Théorème 8
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 → |tf (t)| est nulle donc |tf (t)| dt est convergente et vaut 0.
−∞
Sur [0; +∞[ la fonction t → |tf (t)| est continue donc le problème se pose uniquement en
+∞. Soit A > 0 :
Z A Z A Z A
−λt
 −λt A
 −λt −λA e−λA 1
|tf (t)| dt = λte dt = −te 0
+ e dt = −Ae − +
0 0 0 λ λ
Z +∞
−λA e−λA 1 1 1
Or lim − Ae − + = donc |tf (t)| dt est convergente et vaut .
A→+∞
Z +∞ λ λ λ 0 λ
Ainsi tf (t) dt est absolument convergente donc X admet une espérance et E(X) =
−∞
1
.
λ
2

Théorème 9
Caractérisation de la loi exponentielle
Soit X une VAR à densité, qui n’est pas la variable certaine nulle et qui est à valeur dans R+ .
X suit une loi exponentielle ssi :

∀(s, t) ∈ R+ × R+ , P[X>s] (X > s + t) = P (X > t) (1)

Remarque :
L’égalité (1) est équivalente à P (X > s + t) = P (X > s)P (X > t).

Définition 12
Un VAR à densité vérifiant l’égalité (1) est dite sans mémoire.

Probabilités : Chapitre 4 Page 11 Variables aléatoires à densité

 Démonstration : Hors programme
Nous n’allons ici démontrer qu’un sens de l’équivalence :
Soit X suivant la loi E(λ). Alors pour tout réels s et t positifs :

P ([X > s + t] ∩ [X > s])

P[X>s] (X > s + t) =
P (X > s)
P (X > s + t)
=
P (X > s)
Z +∞
Or P (X > s) = λe−λx dx = [−e−λx ]+∞
s = e−λs et de même P (X > s + t) = e−λ(s+t) .
s
Donc :
e−λ(s+t)
P[X>s] (X > s + t) = = e−λt = P (X > t)
e−λs

3 Loi normale

a Loi normale centrée réduite

Définition 13
On dit qu’une variable aléatoire X suit la loi normale centrée réduite si elle admet pour densité la
fonction f définie sur R par :  2
1 x
f (x) = √ exp −
2π 2
On note X ֒→ N (0, 1).

Remarque :
Z +∞
2 /2 √
Pour vérifier que f est une densité de probabilité, il vous faudra admettre que e−x dx = 2π.
−∞
Voici la représentation graphique de la densité d’une loi normale centrée réduite :

0.5

−3 −2 −1 1 2

Densité de la loi N (0, 1)

Pour la fonction de répartition, nous ne sommes pas capable de l’exprimer avec de fonctions usuelles.
Il faudra cependant bien savoir utiliser la propriété que nous allons mettre ci-dessous et savoir utiliser le
tableau de valeurs approchées que nous verrons en exercice.

Probabilités : Chapitre 4 Page 12 Variables aléatoires à densité

 Propriété 6
Soit Φ la fonction de répartition d’une VAR X suivant la loi N [0, 1). Alors Φ vérifie :

∀x ∈ R Φ(−x) = 1 − Φ(x)

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

2
Théorème 10
Soit X qui suit une loi normale centrée réduite. Alors X admet une espérance et une variance :

E(X) = 0 V (X) = 1

b Loi normale de Laplace-Gauss

Définition 14
Soit m un réel, et σ un réel strictement positif. On dit que X suit la loi normale de paramètres
(m, σ 2 ) si elle admet pour densité la fonction f définie sur R par :

(x − m)2
 
1
f (x) = √ exp −
σ 2π 2σ 2

On note X ֒→ N (m, σ 2).

Voici la représentation graphique de la densité d’une loi normale.

1
√
σ 2π

Densité de la loi N (m, σ 2 )

Théorème 11
Si X ֒→ N (m, σ 2 ) alors X admet une espérance et une variance et :

E(X) = m V (X) = σ 2

Probabilités : Chapitre 4 Page 13 Variables aléatoires à densité

 IV Exemples de fonctions d’une variable à densité
Lorsqu’on vous donne une variable à densité X vous devez être capable, pour des fonctions g assez
simples, de déterminer une densité de la variable g(X). La méthode est toujours la même et nous allons
ici traiter 3 cas de fonctions g simples.
On peut aussi vous demander de calculer l’espérance de g(X). Voici donc le théorème de transfert :
Théorème 12
Soient X une VAR de densité Z f et g une fonction continue sur R sauf éventuellement en 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
−∞

1 g est affine

Exemple 8:
Soit X une variable aléatoire de densité f et soient a et b deux réels tels que a 6= 0.
On considère la variable aléatoire Y = aX + b. Montrer que Y est une variable à densité et donner une
densité de Y .
– Étape 1 : fonction de répartition de Y
On pose F la fonction de répartition de X et G celle de Y .
Le but est d’exprimer G en fonction de F .
Par définition, ∀x ∈ R, G(x) = P (Y 6 x) = P (aX + b 6 x) = P (aX 6 x − b). Afin de ≪ passer a
de l’autre côté ≫ il nous faut différencier
 2 cas : 

x−b x−b
• Si a > 0, G(x) = P X 6 =F
a  a
x−b x−b
 
• Si a < 0, G(x) = P X > = 1−F
a a
– Étape 2 : vérifier que Y est une variable à densité
On souhaite ici utiliser le théorème 3 donc nous avons deux hypothèses à vérifier sur G.
• Que a soit positif ou négatif, G est bien une fonction continue sur R car F est continue ainsi que
x−b
la fonction x → .
a
• Si on note x1 , · · · , xn les points où F n’est pas dérivable, alors en posant yi = axi + b, on voit que
G est C 1 sur R \ {y1, · · · , yn }.
On en déduit donc grâce au théorème 3 que Y est bien une variable à densité.
– Étape 3 : donner une densité de Y
Pour donner une densité de Y il nous faut calculer G′ . En tout point où G est dérivable, on a :

−
  
si a > 0 G (x) = f
 ′ 1 x b
a a

−

1 x b
si a < 0 G′ (x) = − f


a a

x−b
 
1
Ainsi en posant g(x) = f on a obtenu une densité de Y .
|a| a

Probabilités : Chapitre 4 Page 14 Variables aléatoires à densité

 Grâce à cet exemple on peut démontrer la propriété suivante qui montre que toute les lois normales
sont liées à la loi normale centrée réduite :
Propriété 7
X −m
X suit une loi normale de paramètres (m, σ 2 ) si et seulement si X ∗ = suit la loi normale centrée
σ
réduite.

Démonstration :
Nous allons ici utiliser ce que nous avons fait dans l’exemple 8, 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 2 ). Alors la densité de Y = est :
σ
(σ(x − m/σ) − m)2
   2
σ 1 x
g(x) = √ exp − 2
= √ exp −
σ 2π 2σ 2π 2

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

(x − m)2 /σ 2 (x − m)2
   
1 1 1
f (x) = × √ exp − = √ exp −
σ 2π 2 σ 2π 2σ 2
Donc X ֒→ N (m, σ 2 ).
2
Cette propriété sera extrêmement importante dans les deux chapitres suivants.

2 Fonction carrée

Exemple 9:
Soit X une variable aléatoire de densité f .
On considère la variable aléatoire Y = X 2 . Montrer que Y est une variable à densité et donner une
densité de Y .
– Étape 1 : fonction de répartition de Y
On pose F la fonction de répartition de X et G celle de Y .
Par définition, ∀x ∈ R, G(x) = P (Y 6 x) = P (X 2 6 x)
• Si x < 0, G(x) = 0. √ √ √ √
• Si x > 0, G(x) = P (− x 6 X 6 x) = F ( x) − F (− x)
– Étape 2 : vérifier que Y est une variable à densité
• G est bien évidemment continue sur ] − ∞; 0[ et par opération sur les fonctions continues, G est
continue sur ]0; +∞[. De plus lim+
G = F (0) − F (0) = 0 = lim G = G(0) donc G est en fait continue
0 − 0
sur R.
• Si on note x1 , · · · , xn les points où F n’est pas dérivable, alors en posant yi = x2i , on voit que G
est C 1 sur R \ {0, y1, · · · , yn }.
On en déduit donc grâce au théorème 3 que Y est bien une variable à densité.
– Étape 3 : donner une densité de Y

0 si x < 0
Lorsque G′ (x) existe, on a G′ (x) = 1 √ √
 √ (f ( x) + f (− x)) si x > 0
 2 x
0 si x 6 0
Donc en posant : g(x) = 1 √ √ on obtient une densité de Y .
 √ (f ( x) + f (− x)) si x > 0
2 x

Probabilités : Chapitre 4 Page 15 Variables aléatoires à densité

 3 Fonction exponentielle

Exemple 10:
Soit X une variable aléatoire de densité f .
On considère la variable aléatoire Y = eX . Montrer que Y est une variable à densité et donner une
densité de Y .
– Étape 1 : fonction de répartition de Y
On pose F la fonction de répartition de X et G celle de Y .
Par définition, ∀x ∈ R, G(x) = P (Y 6 x) = P (eX 6 x)
• Si x 6 0, G(x) = 0.
• Si x > 0, G(x) = P (X 6 ln(x)) = F (ln(x))
– Étape 2 : vérifier que Y est une variable à densité
• G est bien évidemment continue sur ] − ∞; 0[ et par opération sur les fonctions continues, G est
continue sur ]0; +∞[. De plus lim +
G = 0 car limF = 0, et comme lim G = 0 = G(0), G est en fait
0 −∞ − 0
continue sur R.
• Si on note x1 , · · · , xn les points où F n’est pas dérivable, alors en posant yi = exi , on voit que G
est C 1 sur R \ {0, y1, · · · , yn }.
On en déduit donc grâce au théorème 3 que Y est bien une variable à densité.
– Étape 3 : donner une densité deY
0 si x < 0
• Lorsque G′ (x) existe, on a G′ (x) = 1
 f (ln(x)) si x > 0
 x
0 si x 6 0
Donc en posant : g(x) = 1 on obtient une densité de Y .
 f (ln(x)) si x > 0
x

Probabilités : Chapitre 4 Page 16 Variables aléatoires à densité

 A savoir
– Je dois savoir répondre à la question ≪ Montrer que f est une densité de probabilité. ≫(cf. théo 1)
– Si on me donne une VAR X dont je Zconnais la densité f je dois savoir calculer sa fonction de
x
répartition grâce à la formule : F (x) = f (t) dt. (cf. exercice 1)
−∞
– Si je connais la fonction de répartition F d’une VAR X je dois savoir répondre à la question ≪ Montrer
que X est une VAR à densité et donner une densité de X. ≫(cf. théo 3)
– Si on me donne une fonction F , sans rien me dire de plus, je dois savoir répondre à la question
≪ Montrer que F est la fonction de répartition d’une variable à densité X et donner une densité de

X. ≫(cf. théo 4)
La différence avec le point d’avant est qu’ici on ne sait pas déjà que F est une fonction de répartition.
– Je dois savoir rapidement faire le lien entre des calculs de probabilités, la densité et la fonction de
répartition. Soit X une VAR de densité f et de fonction de répartition F :

∀a ∈ R, P (X = a) = 0
Z a
∀a ∈ R, P (X 6 a) = P (X < a) = F (a) = f (t) dt
−∞
Z a Z +∞
∀a ∈ R, P (X > a) = P (X > a) = 1 − F (a) = 1 − f (t) dt = f (t) dt
−∞ a
Z b
2
∀(a, b) ∈ R , P (a 6 X 6 b) = F (b) − F (a) = f (t) dt
a
la formule est aussi valable avec des inégalités strictes
– Je dois connaitre la définition de l’indépendance de VAR à densité (cf. définition 2)
– Je dois connaitre la définition de l’espérance, du moment d’ordre r, et de la variance d’une VAR à
densité (cf. définitions 3, 5 et 6) et je dois savoir les reconnaitre dans un exercice pour utiliser les
variables usuelles (cf. exercice 14).
– Je dois connaitre les propriété de l’espérance : théorème de transfert, linéarité, ...
– Je dois savoir construire la variable centrée réduite associée à n’importe quelle variable aléatoire X.
On la note X ∗ :
X − E(X)
X∗ =
σ(X)
– Lois usuelles :
Densité Fonction de répartition Espérance Variance

0 si x < a
 1
 
(b − a)2

si t ∈ [a; b] x − a a+b
U ([a; b]) f (t) = b − a F (x) = si x ∈ [a; b] E(X) = V (X) =
0 sinon 
 b−a 2 12
1 si x > b

( (
0 si t < 0 0 si x < 0 1 1
E(λ) f (t) = F (x) = E(X) = V (X) =
λe−λt si t > 0 1−e −λx si x > 0 λ λ2
1 2
N (0, 1) f (t) = √ e−t /2 Φ(x) E(X) = 0 V (X) = 1
2π
(t − m)2
 
1
N (m, σ 2 ) f (t) = √ exp − E(X) = m V (X) = σ 2
σ 2π 2σ 2
– Je dois savoir bien manipuler la fonction de répartition de la loi normale centrée réduite : formule
Φ(x) + Φ(−x) = 1 et savoir lire le tableau de valeur de Φ.
– Je dois savoir que si X suit la loi N (m, σ) alors X ∗ suit la loi normale centrée réduite.
– Si on me donne une VAR X je dois savoir trouver la fonction de répartition d’une VAR Y qui
s’exprime en fonction de X (par exemple 2X − 1, X 2 , eX , ...)

Probabilités : Chapitre 4 Page 17 Variables aléatoires à densité