Prof BENMOUMEN
Chapitre 4 : Les variables aléatoires réelles
continues
4.1. Définition et propriétés
Définition :
Soit 𝒇 une fonction de ℝ dans ℝ. On dit que f est une densité de
probabilité si et seulement si :
(i) 𝒇 ≥ 𝟎 𝒔𝒖𝒓 ℝ
(ii) 𝑓 est continue sur ℝ sauf en nombre fini de points
+∞
(iii) ∫−∞ 𝒇(𝒙)𝒅𝒙 = 𝟏
Une application 𝑿 : 𝜴 → ℝ est appelée une variable aléatoire réelle
continue (ou de loi continue) s’il existe une fonction de densité f telle que
pour tout 𝒂, 𝒃 ∈ ℝ ∶
𝒃
𝒑(𝒂 ≤ 𝑿 ≤ 𝒃) = ∫ 𝒇(𝒙)𝒅𝒙
𝒂
Avec (−∞ ≤ 𝒂 ≤ 𝒃 ≤ +∞)
Propriétés :
∀ 𝒂 ∈ ℝ 𝒑(𝑿 = 𝒂) = 𝟎 (𝒂 ≤ 𝑿 ≤ 𝟎 )
∀ 𝒂, 𝒃 ∈ ℝ ; 𝒑(𝒂 ≤ 𝑿 ≤ 𝒃) = 𝒑(𝒂 ≤ 𝑿 < 𝒃)
= 𝒑(𝒂 < 𝑿 ≤ 𝒃) = 𝑷(𝒂 ≤ 𝑿 < 𝒃)
= 𝑷(𝒂 < 𝑿 ≤ 𝒃) = 𝑷(𝒂 < 𝑿 < 𝒃)
4.2. Fonction de répartition
Définition :
Même définition que pour une variable aléatoire réelle discrète
Si 𝑿 est une variable aléatoire réelle continue de densité 𝒇 alors :
𝒙
(i) ∀ 𝒙 ∈ ℝ 𝒑(𝑿 ≤ 𝒙) = 𝑭𝑿 (𝒙) = ∫−∞ 𝒇(𝒕)𝒅𝒕
(ii) 𝑭𝑿 est une fonction croissante et continue
(iii) 𝑭′𝑿 (𝒙) = 𝒇(𝒙)
𝒃
(iv) 𝒑(𝒂 ≤ 𝑿 ≤ 𝒃) = ∫𝒂 𝒇(𝒙)𝒅𝒙 = 𝑭𝑿 (𝒃) − 𝑭𝑿 (𝒂)
(v) 𝒑(𝑿 > 𝒂) = 𝟏 − 𝑷(𝑿 ≤ 𝒂)
𝒂
= 𝟏 − ∫ 𝒇(𝒙)𝒅𝒙 = 𝟏 − 𝑭𝑿 (𝒂).
−∞
4.3. Espérance et variance
Définition :
Si 𝑿 est une variable aléatoire réelle continue de densité 𝒇, on définit
l’espérance par :
+∞
𝑬(𝑿) = ∫−∞ 𝒙𝒇(𝒙)𝒅𝒙
Ici aussi l’espérance est linéaire
𝑬(𝒂𝑿 + 𝒃𝒀) = 𝒂𝑬(𝑿) + 𝒃𝑬(𝒀)
Proposition :
Soit 𝑿 une variable aléatoire réelle continue de densité 𝒇, si 𝒉 est une
fonction de ℝ dans ℝ.
+∞
Alors : 𝑬(𝒉(𝑿)) = ∫−∞ 𝒉(𝒙)𝒇(𝒙)𝒅𝒙
Dès que cette intégrale a un sens en particulier si 𝒉(𝑿) = 𝑿𝟐
+∞
On a: 𝑬(𝑿𝟐 ) = ∫−∞ 𝒙𝟐 𝒇(𝒙)𝒅𝒙
Définition :
La définition de la variance reste inchangée : 𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿))𝟐
+∞
Avec 𝑬(𝑿𝟐 ) = ∫−∞ 𝒙𝟐 𝒇(𝒙)𝒅𝒙
Quantile :
Soit 𝑿 une variable aléatoire continue de fonction de répartition F et
𝜶 ∈ ]𝟎, 𝟏[ .
On appelle quantile d’ordre 𝜶 , tout réel 𝒙𝜶 tel que : 𝑭(𝒙𝜶 ) = 𝜶
⟺ 𝒑(𝑿 ≤ 𝒙𝜶 ) = 𝜶
4.3. Lois usuelles continues
4.3.1. Loi uniforme
Une variable aléatoire réelle continue 𝑿 suit une loi uniforme, si sa
densité est constante sur un intervalle [𝒂, 𝒃].
𝟏
𝒇(𝒙) = {𝒃 − 𝒂 𝒔𝒊 𝒙 ∈ [𝒂, 𝒃]
𝟎 𝒔𝒊𝒏𝒐𝒏
On écrit 𝑿~𝓤([𝒂, 𝒃]). Sa fonction de répartition est définie par :
𝟎 𝒔𝒊 𝒙 < 𝒂
𝒙−𝒂
𝑭(𝒙) = { 𝒔𝒊 𝒂 ≤ 𝒙 < 𝒃
𝒃−𝒂
𝟏 𝒔𝒊 𝒙 ≥ 𝒃
Son espérance est donnée par :
+∞ 𝒃
𝑬(𝑿 ) = ∫ 𝒙𝒇(𝒙)𝒅𝒙 = ∫ 𝒙𝒇(𝒙)𝒅𝒙
−∞ 𝒂
𝒃 𝒃
𝒙 𝟏 𝒙𝟐
=∫ 𝒅𝒙 = [ ]
𝒂 𝒃−𝒂 𝒃−𝒂 𝟐 𝒂
𝒃𝟐 − 𝒂𝟐 𝒂+𝒃
= =
𝟐(𝒃 − 𝒂) 𝟐
Or :
+∞ 𝒃
𝟐) 𝟐
𝒙𝟐
𝑬(𝑿 =∫ 𝒙 𝒇(𝒙)𝒅𝒙 = ∫ 𝒅𝒙
−∞ 𝒂 𝒃−𝒂
𝒃
𝟏 𝒙𝟑 𝒂𝟐 + 𝒃𝟐 + 𝒂𝒃
= [ ] =
𝒃−𝒂 𝟑 𝒂 𝟑
La variance est donc :
𝟐
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿))
𝒂𝟐 + 𝒃𝟐 + 𝒂𝒃 𝒂+𝒃 𝟐
= −( )
𝟑 𝟐
(𝒃 − 𝒂)𝟐
=
𝟏𝟐
4.3.2. Loi normale
Une variable aléatoire réelle continue 𝑿 suit une loi normale de
paramètre (𝝁, 𝝈𝟐 ) si elle a pour densité, la fonction :
𝟏 𝟏 (𝒙 − 𝝁 )𝟐
𝒇(𝒙) = 𝐞𝐱𝐩 (− × )
√𝟐𝝅𝝈𝟐 𝟐 𝝈𝟐
On note : 𝑿~𝓝(𝝁, 𝝈𝟐 )
Avec : 𝑬(𝑿) = 𝝁 et 𝑽(𝑿) = 𝝈𝟐
Loi normale centrée réduite
Définition :
Dans le cas particulier où 𝝁 = 𝟎 et 𝝈𝟐 = 𝟏
On dit que 𝑿 est centrée réduite, on note 𝑿~𝓝(𝟎, 𝟏).
Proposition :
𝑿−𝝁
Si 𝑿~𝓝(𝝁, 𝝈𝟐 ) alors la variable 𝑻 = suit la loi 𝓝(𝟎, 𝟏).
𝝈
Propriété :
F étant la fonction de répartition de la loi normale 𝓝(𝟎, 𝟏), on a alors :
(i) 𝑭(−𝒙) = 𝟏 − 𝑭(𝒙) ∀ 𝒙 ∈ ℝ
(ii) 𝒑(|𝒙| ≤ 𝒂) = 𝒑(−𝒂 ≤ 𝑿 ≤ 𝒂)
= 𝑭(𝒂) − 𝑭(−𝒂)
= 𝟐𝑭(𝒂) − 𝟏
Quantile d’une loi 𝓝(𝟎, 𝟏) :
Soit 𝑢~𝒩 (0,1), le quantile d’ordre 𝛼 est 𝑥𝛼
Tel que : 𝒑(𝒖 ≤ 𝒙𝜶 ) = 𝜶 .
Avec :
Si 𝜶 ≥ 𝟎, 𝟓𝟎 alors 𝒙𝜶 ≥ 𝟎.
Si 𝜶 ≤ 𝟎, 𝟓𝟎 alors 𝒙𝜶 ≤ 𝟎 et on a : 𝒙𝜶 = − 𝒙𝟏−𝜶
4.3.3. Loi de khi-deux
La loi de Khi-deux à 𝒏 degrés de liberté, notée 𝝌𝟐𝒏 est définie par :
Soit 𝑿𝟏 , 𝑿𝟐 , … . , 𝑿𝒏 , 𝒏, variables aléatoires indépendantes telles que :
∀ 𝒊 ∈ {𝟏, … . , 𝒏} 𝑿𝒊 ~𝓝(𝟎, 𝟏).
Alors 𝑿𝟐𝟏 + 𝑿𝟐𝟐 + ⋯ + 𝑿𝟐𝒏 suit une loi de khi-deux à 𝒏 degré de liberté.
Avec : 𝑬(𝑿) = 𝒏 et 𝑽(𝑿) = 𝟐𝒏
4.3.4. Loi de Student
Si 𝑿 suit une loi 𝓝(𝟎, 𝟏) et Y suit une loi 𝝌𝟐𝒏 et si 𝑿 et 𝒀 sont indépendantes.
𝑿
Alors la variable aléatoire 𝑻 = 𝒀
suit une loi de Student à 𝒏 degrés de liberté
√
𝒏
notée : 𝓩𝒏
Avec :
𝒏
𝑬(𝑿) = 𝟎 pour 𝒏 > 𝟏 et 𝑽(𝑿) = pour 𝒏 > 𝟐
𝒏−𝟐
Remarque :
Pour 𝒏 > 𝟑𝟎, la loi de Student peut être approchée par une loi normale
centrée réduite.
N.B : Si 𝑿 une v.a de fonction de répartition 𝑭 suit une loi symétrique par
rapport à 0 comme la loi normale ou la loi de Student alors
𝑭(−𝒙) = 𝟏 − 𝑭(𝒙) et 𝒙𝜶 = − 𝒙𝟏−𝜶
