Chapitre V: Variables aléatoires continues

V.1 Introduction
La variable aléatoire la plus simple est donnée par
le résultat d’un lancer au jeu de pile ou face, qui
vaut pile ou face. Un autre exemple simple est
donné par le résultat d’un jet de dés, pour lequel
les valeurs possibles sont 1, 2, 3, 4, 5, 6 (si le dé
est classiquement cubique équilibré).

De telles variables aléatoires sont qualifiées de discrètes

car elles prennent des valeurs bien séparées. A
contrario, la mesure de la taille d’un individu pris
au hasard dans une population ressemble davan-
tage à un nombre réel positif, si l’outil de mesure
est suffisamment précis cette variable peut prendre
toutes les valeurs dans un intervalle. Cette vari-
able aléatoire est alors qualifiée par convention de
continue. Comme nous l’avons déjà vu, l’étude
de la répartition des valeurs prises par une variable
aléatoire conduit à la notion de loi de probabilité.
V.2 Propriétés d’une v.a. continue.

V.2.1 Fonction de densité. La distribution

d’une variable aléatoire continue X est entièrement
déterminée par sa fonction de densité f (x). Cette
densité est une fonction réelle positive qui est telle
que l’aire totale sous celle-ci est égale à 1. Ces
deux propriétés s’écrivent:
Z +∞
f (x) ≥ 0, ∀x ∈ R, et f (x)dx = 1.
−∞

V.2.2 Calcul des probabilités. Le calcul de la

probabilité pour que X prenne sa valeur dans un
intervalle donné correspond au calcul de l’aire sous
f (x) pour l’intervalle en question. Si l’intervalle
se réduit à un seul point x, l’aire est nulle d’où
P(X = x) = 0, pour tout x ∈ R. Par conséquent,
contrairement au cas discret,
P(X < x) = P(X ≤ x)
et
P(X > x) = P(X ≥ x),
pour tout x ∈ R.
1
En relation avec le graphique du tableau,

Z a
Aire en bleu = f (x)dx
−∞
= P(X < a) = P(X ≤ a).
Z b
Aire en rouge = f (x)dx
a
= P(a ≤ X ≤ b) = P(a < X ≤ b)
= P(a ≤ X < b) = P(a < X < b).
Z +∞
Aire en blanc = f (x)dx
b
= P(X > b) = P(X ≥ b).
V.2.3 Support d’une v.a. continue. Le sup-
port d’une v.a. continue est

X(Ω) = {x ∈ R|f (x) > 0}.

il correspond à un intervalle de nombre réels. Des
cas usuels sont X(Ω) = R, X(Ω) = [0, +∞[ ou
X(Ω) = [b1, b2] où b1 et b2 sont deux nombres réels.

2
V.2.4 Fonction de répartition La fonction de
répartition d’une v.a. continues X de fonction de
densité f (x) se définit par
Z x
F (x) = P(X ≤ x) = f (t)dt, ∀x ∈ R.
−∞
F (x) est une fonction continue et croissante qui
est définit ∀x ∈ R. Ses valeurs sont comprises en-
tre 0 et 1. On a toujours limx→−∞ F (x) = 0 et
limx→∞ F (x) = 1.
Si le support de X admet une borne inférieure b1
alors F (x) = 0, ∀x ≤ b1 et s’il admet une borne
supérieur b2 alors F (x) = 1, ∀x ≥ b2.
Enfin F 0(x) = f (x) (en dehors des points de dis-
continuités de f ).

La fonction de répartition d’une v.a. X permet le

calcul de toute probabilité sur X. Ainsi, pour a < b,
deux réels,

• P(X ≤ a) = P(X < a) = F (a).

• P(X > b) = P(X ≥ b) = 1 − F (b).

• P(a ≤ X ≤ b) = P(a < X < b) = F (b) − F (a).

3
V.2. 5 Quantiles d’ordre α. Pour une variable
aléatoire continue X, il existe toujours des solu-
tions à l’équation F (x) = α, où 0 < α < 1. Cette
solution est un nombre réels xα appelé quantile
d’ordre α de la loi de la v.a. X.

V.2.6 Calcul de l’espérance et de l’écart-type

Pour les v.a. continues, on utilise l’intégration pour
effectuer ces calculs qui s’obtiennent par somma-
tions dans le cas discret. Ainsi,
Z +∞
E(X) = xf (x)dx
−∞
et
Z +∞
E(X 2) = x2f (x)dx.
−∞

On en déduit la variance par la formule déjà vue

V (X) = E(X 2) − [E(X)]2,

ou encore l’écart-type
q
σ(X) = V (x).
4
V.3 Lois normales.
Parmi les lois continues usuelles, une famille re-
vient très souvent dans les applications en raisons
de ses propriétés remarquables: la famille des lois
normales (ou encore lois gaussiennes).

V.3.1 Définition. Une variable aléatoire continue

X suit une loi normale de paramètres µ ∈ R et
σ ∈ [0, +∞[ si et seulement si sa fonction de den-
sité est
( µ ¶2 )
1 1 x−µ
f (x) = √ exp − , ∀x ∈ R.
σ 2π 2 σ
le paramètre µ correspond à l’espérance de X tan-
dis que le paramètre σ correspond à l’écart-type de
X. Notation:
X Ã N (µ, σ 2).
Remarque: En pratique, la définition de la fonc-
tion de densité de nous sera pas utile pour effectuer
les calculs de probabilités puisque nous utiliserons
des tables statistiques qui donnent les valeurs de la
fonction de répartition la loi N (0, 1).

5
V.3.2 Représentation graphique de la densité.
La densité d’une loi normale a l’allure d’une ”cloche”
centrée et symétrique par rapport à l’axe vertical
x = µ. Plus l’écart-type est grand, plus la cloche
est aplatie et étalée. Illustration ci-dessous pour
une loi normale avec µ = 3 et σ qui vaut succes-
sivement 0.5, 1, puis 2:
0.8

sig=0.5
sig=1
sig=2
0.6
fdr1

0.4
0.2
0.0

0 1 2 3 4 5 6

x0

6
Ci-dessous sont représentées deux distributions nor-
males ayant même variance σ = 0.5 et d’espérances
différentes µ = 1 puis µ = 3:
0.8

mu=1
mu=3
0.6
den

0.4
0.2
0.0

−1 0 1 2 3 4 5

x0

7
V.3.3 La loi normale centrée réduite Lorsqu’une
variable aléatoire Z suit une loi normale telle que
µ = 0 et σ = 1 on dit qu’elle suit une loi normale
centrée réduite : Z Ã N (0, 1). Ci-dessous fig-
urent les représentations graphiques de la densité
et de la fonction de répartition d’une telle variable
aléatoire:
0.4

1.0
0.8
0.3

0.6
0.2

0.4
0.1

0.2
0.0
0.0

−3 −2 −1 0 1 2 3 −3 −2 −1 0 1 2 3

8
On notera Φ(z) := P(Z ≤ z), z ∈ R, la fonc-
tion de répartition d’une variable aléatoire Z Ã
N (0, 1). Une propriété remarquable de cette loi
est la symétrie de la densité par rapport à l’axe
vertical z = 0, cela entraı̂ne que

Φ(−z) = 1 − Φ(z), ∀z ∈ R.
Une conséquence de cette symétrie pour les quan-
tiles est que
zα = −z1−α.
La fonction Φ est tabulée, c’est à dire qu’il ex-
iste une table statistique (voir page 8 du livret) qui
donne les valeurs de Φ(z) pour des z ≥ 0. Lorsque
la valeur recherchée n’est pas dans la table, on fait
parfois usage de l’interpolation linéaire.

Exemples Donner en faisant usage de la table, les

valeurs Φ(1, 23), Φ(1, 96), z0.5 et z0.95.

9
V.3.4 Propriétés importantes

1. Soit X Ã N (µ, σ 2) une variable aléatoire alors

X −µ
Z := Ã N (0, 1).
σ
Cette propriété permet de ramener les calculs de
probabilités liés à une loi normale quelconque à la
loi normale centrée réduite et à utiliser la table
statistique donnant les valeurs de sa fonction de
répartition.
L’approche traditionnelle consiste à reformuler toute
question sur X Ã N (µ, σ 2) en une question sur
Z Ã N (0, 1), il suffit alors d’avoir accès à une ta-
ble donnant P(Z ≤ z) pour différentes valeurs de
z ≥ 0 pour pouvoir calculer une probabilité ou un
quantile lié à X.

Exemple: Soit X Ã N (2, 9). Calculer P(X ≤ 8).

X −2 8−2
P(X ≤ 8) = P( ≤ )
3 3
= P(Z ≤ 2)
= 0, 9772.
10
2. Soient X Ã N (µ1, σ12) et Y Ã N (µ2, σ22) deux
variables aléatoires indépendantes définies sur le
même espace probabilisé alors
aX + bY Ã N (aµ1 + bµ2, a2σ12 + b2σ22).

V.3. 5 Approximation d’une loi binomiale par

une loi normale Soit X une variable aléatoire qui
suit une loi binomiale B(n, p).
80
60

densité B(100,0.5)
y

40
20
0

34 37 39 41 43 45 47 49 51 53 55 57 59 61 64

Approximation sans correction de continuité.

Si n ≥ 60, np ≥ 5 et nq ≥ 5 alors
X ≈ N (np, npq ) .
11
Approximation avec correction de continuité.
Lorsqu’on approche une loi discrète par une loi con-
tinue, il faut réécrire les probabilités de la fonction
de masse P(X = x) sous la forme d’une proba-
bilité d’intervalle. Lorsque les valeurs du support
de X sont des nombres entiers consécutifs, comme
c’est le cas pour une loi binomiale, la probabilité
P(X = x) doit se réécrire P(x − 0, 5 ≤ X ≤ x + 0, 5)
pour qu’on puisse effectuer le calcul de l’aire corre-
spondante dans le modèle continu. En particulier
pour l’approximation d’une loi binomiale par une loi
normale
 
 a − 0, 5 − np b + 0, 5 − np 
P(a ≤ X ≤ b) ' P  q ≤Z≤ q ,
np(1 − p) np(1 − p)
ou encore
à !
x + 0, 5 − np
P(X ≤ x) ' P Z ≤ √ .
npq

12
Exemple. Soit X Ã B(100, 0.5). L’approximation
de la loi de X par une loi normale d’espérance 50
et de variance 25 est justifiée.
On s’intéresse à P(X ≤ 52).

La valeur exacte par calcul direct ou lecture dans

les tables binomiales est 0,6914.
Par l’approximation sans correction de continuité
par une loi normale, on obtient
à !
X − 50 52 − 50
P(X ≤ 52) ' P √ ≤ √
25 25
= P (Z ≤ 0, 4) = Φ(0, 4) = 0, 6554.

L’erreur n’est pas négligeable!

Par l’approximation avec correction de conti-

nuité par une loi normale, on obtient
à !
X − 50 52 + 0.5 − 50
P(X ≤ 52) ' P √ ≤ √
25 25
= P(Z ≤ 0, 5) = Φ(0, 5) = 0, 6915.
13
V.4. Autres lois continues usuelles Nous al-
lons présenter deux autres familles de lois contin-
ues usuelles toutes deux dérivées des lois normales:
les lois du khi-deux et les lois de Student.

V.4.1 Lois du khi-deux Si X1, X2, ..., Xi, ..., Xn

sont indépendantes et suivent des lois normales
centrées réduites alors Y := X12 + ... + Xi2 + ... + Xn2
suit une loi du Khi-deux (ou χ2) à n degrés de
liberté. Notation
n
X
Y = Xi2 Ã χ2
n.
i=1
Attention, contrairement aux lois normales, les den-
sités ne sont pas symétriques! Par ailleurs, par
construction le support de ces lois est [0, +∞[.

14
Graphique de la densité. La figure ci-dessous
donnent plusieurs fonctions densités de lois du chi-
deux pour des ddl de 3, 5, 10, 15 et 20.
0.25
0.20

Chi2 3 ddl
Chi2 5 ddl
Chi2 10 ddl
Chi2 15 ddl
0.15

Chi2 20 ddl
Chi2 density

0.10
0.05
0.00

0 5 10 15 20 25 30

Lecture des tables du χ2. Soit Y Ã χ2

5 , don-
ner les valeurs de P(Y ≤ 9, 2363), P(Y > 1, 6103),
y0.90 et y0.95.
15
V.4.2 Lois de Student. Soit Y Ã χ2 n et Z Ã
N (0, 1) deux variables aléatoires indépendantes. La
variable aléatoire T := √Z suit une loi de Student
Y /n
à n degrés de liberté. Notation

T Ã tn .
Les lois de Student sont très proches de la loi nor-
male centrée réduite. Leurs densités ont pour sup-
port R et sont symétriques par rapport à l’axe ver-
tical x = 0. De plus lorsque le nombre de degré
de liberté n devient grand, les valeurs des quantiles
tn,α s’approchent des valeurs des quantiles de la loi
de Z Ã N (0, 1):

tn,α −→ zα, n → ∞.

Lecture des tables de Student

16
Graphique de la densité. La figure ci-dessous
donnent plusieurs fonctions densités de lois de Stu-
dent pour des ddl de 1, 3, et 10 ainsi que la densité
de la N (0, 1).
0.4
0.3

Normal
t ddl 1
t ddl 3
t ddl 10
dnorm(x0)

0.2
0.1
0.0

−4 −2 0 2 4

x0

17
V.4.1 Lois de Fisher-Snedecor

Soient Y1 Ã χ2 2
n1 et Y2 Ã χn2 deux variables aléatoires
indépendantes, alors

Y /n
F = 1 1 Ã Fn1,n2 .
Y2/n2

Densités de lois de Fisher−Snedecor.

n1=4 n2=6
n1=10 n2=6
0.6

n1=4 n2=10
0.5
0.4
y

0.3
0.2
0.1
0.0

0 1 2 3 4 5 6 7

Lecture de tables: donner les valeurs des quantiles

f6,9;0.95 et f6,9;0.05
18