Chapitre 10a

Variables aléatoires à densité

1 Généralités sur les variables aléatoires à den-

sité 2
1.1 Définition . . . . . . . . . . . . . . . . . . . . 2
1.2 Densité de probabilité . . . . . . . . . . . . . 3
1.3 Variable aléatoire fonction d’une variable
aléatoire à densité . . . . . . . . . . . . . . . 6

2 Moments d’une variable aléatoire à densité 8

2.1 Espérance . . . . . . . . . . . . . . . . . . . . 8
2.2 Théorème de transfert . . . . . . . . . . . . . 10
2.3 Moments d’ordre supérieur, variance . . . . . 11

Compétences attendues.

3 Prouver qu’une variable aléatoire X est à densité.

3 Montrer qu’une fonction f est une densité de probabilité.

3 Déterminer la fonction de répartition d’une variable aléatoire Y = g(X).

3 Déterminer une densité d’une variable aléatoire X.

3 Prouver l’existence et calculer l’espérance ou la variance d’une variable à densité.

3 Utiliser le théorème de transfert pour calculer une espérance.

Mathieu Mansuy
Professeur en ECG deuxième année spécialité mathématiques approfondies au Lycée Louis Pergaud (Besançon)
Page personnelle : [Link]/
E-mail : [Link]@[Link]
ECG2 - Maths approfondies Lycée Louis Pergaud

1 Généralités sur les variables aléatoires à densité

Dans tout ce chapitre, (Ω, A , P ) désigne un espace probabilisé.

1.1 Définition
Rappels.
• On appelle fonction de répartition d’une variable aléatoire réelle X la fonction FX définie sur R
par :
∀x ∈ R, FX (x) = P (X ≤ x).

• Une application F : R → R est la fonction de répartition d’une variable aléatoire réelle X si, et
seulement si, elle satisfait les points suivants :
(i) F est croissante sur R ;
(ii) F est continue à droite en tout point de R ;
(iii) lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞

De plus, on dispose de l’égalité :

∀x ∈ R, P (X = x) = P (X ≤ x) − P (X < x) = F (x) − lim F (t).
t→x−

Définition.
Soit X une variable aléatoire réelle sur (Ω, A , P ). On dit que X est une variable aléatoire à densité
(ou variable aléatoire continue) si sa fonction de répartition FX est de plus :

(iv) continue sur R ;

(v) de classe C 1 sur R éventuellement privé d’un nombre fini de points.

Remarque. Les trois courbes suivantes sont celles de fonctions de répartition de variables aléatoires
réelles.

• La courbe bleue est en escalier. C’est donc la fonction de répartition d’une variable discrète
X. Rappelons qu’elle est discontinue à droite en tout point de son ensemble image X(Ω). En
particulier, une variable discrète n’est donc pas à densité.
• La courbe rouge représente une fonction de répartition (celle de la loi normale N (0, 1)) de classe
C 1 sur R. C’est donc la fonction de répartition d’une variable continue.
• La fonction représentée par la courbe noire est discontinue en certains points, et n’est pas en
escalier. C’est la fonction de répartition d’une variable aléatoire qui n’est ni discrète, ni continue.
Cette année, nous n’étudierons pas ce type de variables aléatoires. On se focalisera sur les cas
discret et continu.

2
ECG2 - Maths approfondies Lycée Louis Pergaud

0 si x < 0,
(
Exercice. Soient λ > 0 et la fonction F : R → R définie pour tout x ∈ R par F (x) =
1 − e−λx si x ≥ 0.

1. Montrer qu’il existe une variable aléatoire X définie sur l’espace probabilisé (Ω, A , P ) de fonction
de répartition F .
On dit qu’une telle variable aléatoire suit une loi exponentielle de paramètre λ, ce qu’on note
X ,→ E (λ).

2. Montrer que X est une variable aléatoire continue.

1.2 Densité de probabilité

Définition.
Soit X une variable aléatoire à densité.
On appelle densité de probabilité de X toute fonction f satisfaisant les deux points suivants :

(i) f est positive sur R ;

(ii) f (x) = FX0 (x) pour tout x appartenant à R éventuellement privé d’un nombre fini de points.

Mise en garde.
Une densité d’une variable aléatoire n’est pas unique : si f est une densité de X et si l’on change
la valeur de f en un nombre fini de points (en prenant pour nouvelles valeurs des réels positifs),
alors on obtient une autre densité de f . Ainsi, on parlera pour f d’une densité de X et non de
la densité de X.

Exercice. Soient λ > 0 et X ,→ E (λ). Déterminer une densité de X.

3
ECG2 - Maths approfondies Lycée Louis Pergaud

Pour aller plus loin.

Soit X une variable à densité, f une densité de X. Pour tout x ∈ R en lequel
f (x) = FX0 (x) 6= 0 et pour tout h > 0 « petit » :

P (x < X ≤ x + h) = FX (x + h) − FX (x) ≈ f (x) · h.

La quantité f (x) · h correspond donc approximativement à la probabilité que X soit proche de x

par valeurs supérieures à la précision h. Ainsi, plus la densité prend une valeur élevée au point
x, plus la probabilité d’obtenir une valeur proche de x est importante.

Propriété 1 (Lien fonction de répartition/densité)

Soit X une variable aléatoire à densité, fX une densité de X. Pour tout x ∈ R, l’intégrale
Z x
fX (t) dt converge, et :
−∞
Z x
FX (x) = P (X ≤ x) = fX (t) dt.
−∞

Remarque. La donnée d’une densité d’une variable aléatoire caractérise donc sa loi. En particulier si
X et Y sont à densité de densités respectives fX et fY , elles ont même loi si, et seulement si, fX = fY
sauf éventuellement en un nombre fini de points.

Propriété 2 (Lien probabilités/densité)

Soit X une variable aléatoire à densité, fX une densité de X. Pour tout (a, b) ∈ R2 :

• P (X = a) = 0.
Z b
• P (a ≤ X ≤ b) = P (a ≤ X < b) = P (a < X ≤ b) = P (a < X < b) = fX (t) dt.
a

Preuve. FX étant continue sur R, on obtient pour tout a ∈ R :

P (X = a) = FX (a) − lim FX (x) = 0.

x→a−

Il suit que, pour tout a, b ∈ R, P (a ≤ X ≤ b) = P (X = a) + P (a < X ≤ b) = P (a < X ≤ b). On

démontre de même les autres égalités. Notons enfin que :
Z b
P (a ≤ X ≤ b) = P (a < X ≤ b) = P (X ≤ b) − P (X ≤ a) = FX (b) − FX (a) = fX (t) dt.
a

Mise en garde.
Ainsi si X est continue, P (X = a) = 0 pour tout a ∈ R. Ceci est bien évidemment faux lorsque
X est une variable aléatoire discrète.

4
ECG2 - Maths approfondies Lycée Louis Pergaud

Propriété 3

Soit f une fonction de R dans R. f est une densité d’une variable aléatoire si, et seulement
si, elle satisfait les points suivants :

(i) f est continue sur R sauf éventuellement en un nombre fini de points ;

(ii) f est positive sur R ;

Z +∞
(iii) f (t) dt converge et vaut 1.
−∞

λ
Exercice. Soit λ ∈ R. Pour tout t ∈ R, on pose f (t) = .
1 + t2
1. Déterminer la valeur de λ pour que f soit une densité d’une variable aléatoire X.
On dit que X suit une loi de Cauchy.

2. Déterminer sa fonction de répartition FX .

3. Tracer les courbes représentatives de f et FX et représenter graphiquement les probabilités

P (−1 ≤ X ≤ 1) et P (X ≥ 1). Calculer ces probabilités. Que vaut P (X ≤ −1) ?

5
ECG2 - Maths approfondies Lycée Louis Pergaud

 Notation.
Soit X une variable à densité, et fX une densité de X. Pour I = {t ∈ R, fX (t) > 0} :
Z Z +∞
P (X ∈ I) = fX (t) dt = fX (t) dt = 1.
I −∞

On notera dans la suite X(Ω) = {t ∈ R, fX (t) > 0}, qu’on appellera l’ensemble image de la
variable X. Cet ensemble ainsi défini, dépend de la densité fX choisie pour X.

Remarque. En notant m = inf(X(Ω)) et M = sup(X(Ω)) (dans le cas où l’ensemble X(Ω) est

minoré et majoré), on a :
Z x Z x
∀x ≤ m, FX (x) = P (X ≤ x) = f (t) dt = 0 dt = 0,
−∞ −∞
Z x Z +∞
∀x ≥ M, FX (x) = P (X ≤ x) = f (t) dt = f (t) dt = 1.
−∞ −∞

1.3 Variable aléatoire fonction d’une variable aléatoire à densité

Propriété 4

Soit X une variable aléatoire réelle sur (Ω, A , P ), et soit g : X(Ω) → R une fonction
continue. Alors g(X) est une variable aléatoire réelle sur (Ω, A , P ).

Exemple. Si X est une variable aléatoire réelle, alors X 2 , eX , aX +b, . . . sont des variables aléatoires
réelles.

Question. Si X est à densité, est-ce que g(X) est encore à densité ? La réponse est non en général,
et il nous faudra étudier chaque cas pour pouvoir conclure. Pour cela, nous procéderons comme suit.

Méthode. Comment montrer que Y = g(X) est à densité et en donner une densité ?
Nous procèderons en quatre étapes :

Étape 1 : Recherche de Y (Ω).

On fixe une densité de X et on précise X(Ω). On détermine alors Y (Ω), image de
X(Ω) par g, afin de trouver sans calcul sur quels intervalles FY vaut 0 ou 1.
Étape 2 : Détermination de FY .
On revient à la définition FY (x) = P (Y ≤ x), puis on résout cette inéquation (en
prenant bien garde au sens des inégalités) pour l’exprimer à l’aide de FX .
Étape 3 : Y est-elle continue ?
Une fois FY exprimée à l’aide de FX , on étudie sa continuité sur R et son caractère
C 1 sur R privé éventuellement d’un nombre fini de points. On conclut ainsi que Y
est (ou non) à densité.
Étape 4 : Détermination d’une densité de Y .
On dérive FY aux points où c’est possible pour obtenir une densité de Y . On prendra
des valeurs arbitraires (positives) aux points où FY n’est pas dérivable.

6
ECG2 - Maths approfondies Lycée Louis Pergaud

Propriété 5 (Transformation affine d’une variable à densité)

Soit X une variable aléatoire à densité, fX une densité de X. Pour tout a ∈ R∗ et b ∈ R, la

variable Y = aX + b est à densité, et une densité de Y est donnée par :
1 t−b
 
t 7→ fX .
|a| a

Preuve.

Exercice. Supposons que X ,→ E (2). Déterminer une densité de probabilité de Y = −2X + 3.

Exercice. Soit X une variable aléatoire suivant une loi de Cauchy.

1. Montrer que Z = eX est une variable à densité, puis en déterminer une densité.

2. Même question pour T = X 2 .

7
ECG2 - Maths approfondies Lycée Louis Pergaud

2 Moments d’une variable aléatoire à densité

2.1 Espérance
Définition.
Soit X une variable aléatoire à densité sur (Ω, A , P ), fZX une densité de X.
+∞
On dit que X admet une espérance lorsque l’intégrale tfX (t) dt converge absolument.
−∞
Dans ce cas, on appelle espérance de X, et on note E(X), le réel défini par :
Z +∞
E(X) = tfX (t) dt.
−∞

8
ECG2 - Maths approfondies Lycée Louis Pergaud

Exercice. Déterminer l’espérance de X, si elle existe, dans les cas suivants :

1. X suit une loi exponentielle E (λ) ; 2. X suit une loi de Cauchy.

Propriété 6 (Linéarité de l’espérance)

Soient X et Y des variables aléatoires à densité admettant une espérance. Alors pour tout
λ, µ ∈ R, la variable aléatoire λX + µY admet une espérance, et :

E(λX + µY ) = λE(X) + µE(Y ).

Propriété 7 (Existence de l’espérance par domination)

Soient X, Y deux variables aléatoires à densité telles que 0 ≤ |X| ≤ Y presque sûrement.
Si Y admet une espérance, alors X admet aussi une espérance, et |E(X)| ≤ E(Y ).

Propriété 8 (Variables bornées et espérance)

Soit X une variable aléatoire à densité.

Si X est bornée, c’est-à-dire si X(Ω) est bornéea , alors X admet une espérance.
a
Bien que X(Ω) dépende de la densité de X choisie, son caractère borné est lui indépendant de ce choix
puisque deux densités de X diffèrent au plus sur un nombre fini de points.

Exemple. Une variable X suit une loi uniforme

sur un intervalle [a, b] si elle admet pour densité la 1
fonction : b−a


1
 si a ≤ t ≤ b,
f : t ∈ R 7→ b − a
0 sinon.


a b
Puisque X(Ω) = [a, b], X est bornée et admet donc
une espérance.
Densité de la loi uniforme sur [a, b].

9
ECG2 - Maths approfondies Lycée Louis Pergaud

Propriété 9

Soient X, Y des variables aléatoires à densité admettant une espérance.

• Positivité de l’espérance : si X ≥ 0 presque sûrement, alors E(X) ≥ 0.

• Croissance de l’espérance : si X ≤ Y presque sûrement, alors E(X) ≤ E(Y ).

2.2 Théorème de transfert

Théorème 10 (de transfert)

Soit X une variable aléatoire admettant une densité fX nulle en dehors de ]a, b[
(a, b ∈ R ∪ {±∞}), et soit ϕ : ]a, b[→ R une fonction continue sauf éventuellement en
un nombre fini de points.
Z b
E(ϕ(X)) existe si, et seulement si, ϕ(t)fX (t) dt converge absolument. Et en cas de
a
convergence absolue :
Z b
E(ϕ(X)) = ϕ(t)fX (t) dt.
a

Corollaire 11

Si X est une variable aléatoire à densité admettant une espérance, alors pour tout a, b ∈ R,
la variable aX + b admet une espérance, et :

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

Preuve. Soit ϕ : R → R définie par ϕ(t) = at + b. ϕ est continue sur R, et pour tout t ∈ R :

|ϕ(t)fX (t)| = |atfX (t) + bfX (t)| ≤ |a||tfX (t)| + |b||fX (t)| par inégalité triangulaire.
Z +∞ Z +∞
Or tfX (t) dt converge absolument car X admet une espérance, et fX (t) dt converge (ab-
−∞ Z +∞ −∞

solument). Par théorème de comparaison, ϕ(t)fX (t) dt converge absolument. Par le théorème
−∞
de transfert, E(aX + b) existe donc bien, et :
Z +∞ Z +∞ Z +∞
tout converge
E(aX + b) = (at + b)fX (t) dt = a tfX (t) dt + b fX (t) dt = aE(X) + b.
−∞ −∞ −∞

Exercice. Soit X une variable aléatoire suivant une loi exponentielle E (1).

1. La variable aléatoire Y = eX admet-elle une espérance ?

2. Montrer que Z = X 2 admet une espérance qu’on calculera.

10
ECG2 - Maths approfondies Lycée Louis Pergaud

2.3 Moments d’ordre supérieur, variance

Définition.
Soit X une variable aléatoire à densité, fX une densité de X, et r ∈ N∗ .
On dit que X admet un moment d’ordre r si X r admet une espérance. Par le théorème de transfert,
c’est le cas si, et seulement si :
Z +∞
tr fX (t) dt converge absolument.
−∞

Dans ce cas, on note mr (X) = E(X r ) le moment d’ordre r de X.

Propriété 12

Soit X une variable aléatoire à densité, et soit q, r ∈ N∗ tels que q ≤ r.

Si X admet un moment d’ordre r, alors X admet un moment d’ordre q.

Preuve. La preuve est semblable au cas où X est discrète, et laissée en exercice. 

Remarque. Si une variable à densité X admet un moment d’ordre 2, alors X admet une espérance.

Définition.
Soit X une variable aléatoire à densité admettant une espérance, et fX une densité de X.
On dit que X admet une variance si (X − E(X))2 admet une espérance. D’après le théorème de
transfert, c’est le cas si, et seulement si :
Z +∞
(t − E(X))2 fX (t) dt converge absolument.
−∞

Dans ce cas, la variance de X, notée V (X), est :

Z +∞
V (X) = (t − E(X))2 fX (t) dt.
−∞

11
ECG2 - Maths approfondies Lycée Louis Pergaud

Propriété 13

Si X est une variable aléatoire à densité admettant une variance, alors V (X) > 0.
On appelle écart-type de X, et on note σ(X), le réel défini par σ(X) = V (X).
p

Preuve. Supposons que X admette une variance, et notons fX une densité de X. La fonction
g : t 7→ (t − E(X))2 fX (t) est positive sur R, d’où par positivité de l’intégrale :
Z +∞
V (X) = (t − E(X))2 fX (t) dt ≥ 0.
−∞

Supposons V (X) = 0. Notons a1 < a2 < · · · < an les points de discontinuité (éventuels) de fX . Pour
tout i ∈ J1, n−1K, la fonction g est continue et positive sur ]ai , ai+1 [, d’intégrale nulle sur cet intervalle.
Par théorème de nullité de l’intégrale, g est nulle sur ]ai , ai+1 [. Puisque de plus (t − E(X))2 s’annule
uniquement pour t = E(X), fX est donc nulle sur R sauf éventuellement en un nombre fini de points
Z +∞
E(X), a1 , . . . , an . Mais alors fX (t) dt = 0, ce qui est faux puisque cette intégrale est égale à 1.
−∞
Ainsi V (X) est bien strictement positive. 

Propriété 14

Soit X une variable aléatoire à densité admettant une variance, et soient a, b ∈ R. Alors
aX + b admet une variance, et :

V (aX + b) = a2 V (X).

Propriété 15 (Formule de Huygens)

Soit X une variable aléatoire à densité admettant une espérance.

Alors X admet une variance si, et seulement si, X admet un moment d’ordre deux. Et
lorsque c’est le cas :
V (X) = E(X 2 ) − E(X)2 .

Définition.
Soit X une variable aléatoire à densité.

• X est dite centrée si X admet une espérance et si E(X) = 0.

• X est dite centrée réduite si X admet une variance, et E(X) = 0, V (X) = 1.

Propriété 16

Soit X une variable aléatoire à densité admettant une variance. Alors :

• X − E(X) est centrée ;

X − E(X)
• X∗ = est centrée réduite. On l’appelle la variable aléatoire centrée réduite
σ(X)
associée à X.

12