Chapitre 3

Les variables aléatoires

continues

Définition : Une variable aléatoire est dite continue si l’ensemble X(Ω)

est un intervalle (ou une réunion d’intervalles) de R.
Exemples :
◦ Le poids est une variable aléatoire continue.
◦ La taille est une variable aléatoire continue.

3.1 Variables aléatoires et distributions de pro-

babilités continues
3.1.1 Loi de probabilité
Dans le cas d’une variable aléatoire continue X, la terminologie change.
En fait, f (x) est identifiée comme une densité de probabilité et le signe de
sommation est remplcé par le signe de l’intégrale. Plus précisément, la densité
de probabilité de X est une fonction f telle que :
i) f (x) ≥ 0 pour tout x ;
ii) f (x) est continue sur R, sauf peut être pour un nombre fini des points
où la continuité n’est pas vérifiée ;
R +∞
iii) −∞ f (x)dx = 1

1
Cours de Probabilité et Statistiques Mme Zghidi Sonia

Exemple : Soit une variable aléatoire continue X définie par la fonction de

densité de probabilité suivante :
 2
cx si − 1 ≤ x ≤ 1
f (x) =
0 sinon,
Déterminer la constante c.
........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................

Fonction de répartition
Dans le cas d’une variable aléatoire continue, la fonction de répartition
de X est définie par :
Z x
F (x) = P (X ≤ x) = f (t)dt ∀x ∈ R
−∞

La fonction de répartition F(x) est la primitive de la fonction de densité de

probabilité f(x), donc on a :
∂F (x)
f (x) =
∂x
La fonction de répartition possède les mêmes propriétés que dans le cas dis-
cret :
◦ F est une fonction croissante.
◦ Pour tout x ∈ R, on a 0 ≤ F (x) ≤ 1
◦
lim F (x) = 0
x→−∞
lim F (x) = 1
x→+∞

◦ P (X > a) = 1 − F (a)
Dans le cas d’une variable continue, on a ∀ x P (X = x) = 0, par consé-
quent :
P (a < X < b) = P (a ≤ X < b) = P (a < X ≤ b) = P (a ≤ X ≤ b) = F (b)−F (a)

2
Cours de Probabilité et Statistiques Mme Zghidi Sonia

Exemple : Soit X une variable aléatoire de fonction de densité :

 1 1
2
− 8 x si 0 ≤ x ≤ 4
f (x) =
0 sinon,
1. Déterminer la fonction de répartition de X.
2. Calculer P (0 < X < 2).
3. Calculer P (X > 1).
........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................

3.1.2 Les moments d’une variable continue

• Espérance mathématique

Définition : Soit X une variable aléatoire continue, on appelle espé-

rance mathématique ou moyenne de X, la quantité suivante :
Z +∞
E(X) = xf (x)dx
−∞

Exemple :Soit X une variable aléatoire de fonction de densité :

 x
 4 si 0 < x ≤ 2
4−x
f (x) = si 2 < x ≤ 4
 4
0 sinon,
1. Déterminer la fonction de répartition de X
2. Calculer l’espérance E(X).
........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................

3
Cours de Probabilité et Statistiques Mme Zghidi Sonia

◦ Linéarité : E(X + Y ) = E(X) + E(Y )

◦ Si X et Y sont indépendantes alors E(XY ) = E(X) × E(Y )
◦ Soient a et b deux réels, a 6= 0, on a : E(aX + b) = aE(X) + b

• Variance et écart-type

Définition : On appelle variance de X, la quantité positive suivante :

Z +∞
2
V (X) = E(X − E(X)) = (x − E(X))2 f (x)dx
−∞

On appelle écart-type le nombre réel positif suivant :

p
σ(X) = V (X)

Propriétés :
◦ V (aX + b) = a2 V (X) ⇒ σ(aX + b) = |a|σ(X)
◦ Si X et Y sont indépendantes alors V (X + Y ) = V (X) + V (Y )
Exemple : Reprenons l’exemple précédent, calculer V(X).
........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
• Le quantile d’une variable aléatoire continue
Soit une variable aléatoire X de fonction de densité f(x) et de fonction
de répartition F(x). Soit 0 ≤ α ≤ 1, on appelle quantille d’ordre α de
X, le nombre qα tel que :

F (qα ) = P (X ≤ qα ) = α

Exemple : Soit une variable aléatoire X de fonction de répartition

suivante :

 0 si x < −2
x+2
F (x) = si − 2 ≤ x ≤ 1
 3
1 si x > 1,

4
Cours de Probabilité et Statistiques Mme Zghidi Sonia

Déterminer le quantille d’ordre 0.04.

........................................................................................................................
.........................................................................................................................
.........................................................................................................................

3.2 Les lois continues

3.2.1 La loi Exponentielle
La loi exponentielle donne le temps d’attente avant un événement lorsque
le processus est régi par une loi de Poisson. Dans le cas de la loi de Poisson
la variable aléatoire était le nombre d’événements tandis que dans la loi
exponentielle c’est le temps d’attente avant le premier événement. Il est à
noter que le nombre d’événements est une variable aléatoire discrète tandis
que le temps d’attente est une variable aléatoire continue.
• Définition :
On dit qu’une variable aléatoire X suit une loi exponentielle de para-
mètre λ > 0, si elle admet une densité de probabilité :
 −λx
λe si x ≥ 0
f (x) =
0 si x < 0

Figure 3.1 – Densité de probabilité λ = 2.

5
Cours de Probabilité et Statistiques Mme Zghidi Sonia

• Caractéristiques :
E(X) = λ1
V (X) = λ12

• Fonction de répartition :
Si X suit une loi exponentielle, alors sa fonction de répartition F est
la suivante : 
1 − e−λx si x ≥ 0
F (x) =
0 si x < 0

Exemple : X suit une loi exponentielle de paramètre λ. Déterminer

la valeur du réel λ telle que la probabilité P (1 ≤ X ≤ 2) = 1/4.
........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................
.........................................................................................................................

3.2.2 La loi normale

La loi normale est très importante en statistique : plusieurs phénomènes
ont une loi de probabilité très proche de la loi normale, suffisamment proche
pour utiliser cette dernière pour les modéliser. De plus, elle est souvent utilisée
pour faire des approximations dans le domaine de l’estimation et des tests
d’hypothèses.
• Définition :
On dit qu’une variable aléatoire X suit une loi normale de moyenne µ
et de variance σ 2 et on note X ∼ N (µ, σ 2 ) si sa fonction de densité
est la suivante :
1 1 x−µ 2
f (x) = √ e− 2 ( σ ) ∀ x ∈ R et σ > 0
σ 2Π

• Caractéristiques :
E(X) = µ
V (X) = σ 2

6
Cours de Probabilité et Statistiques Mme Zghidi Sonia

• Remarques :

1. Il existe une famille entière des lois normales. Elles se différencient

par leur moyenne µ et leur écart-type σ.
2. Le point le plus élevé de la courbe normale (le mode) correspond
à la moyenne qui est aussi la médiane de la distribution. La loi
normale est donc parfaitement symétrique.
3. La moyenne de la distribution peut être négative, nulle ou posi-
tive. Trois courbes normales ayant le même écart-type mais trois
moyennes différentes (-10 ; 0 ; 20) sont représentées par le graphique
suivant :

Figure 3.2 – Densité de probabilité de N(0,1).

7
Cours de Probabilité et Statistiques Mme Zghidi Sonia

4. L’écart-type détermine la largeur de la courbe. Plus l’écart-type

est grand, plus la courbe sera large, aplatie, traduisant ainsi une
plus grande dispersion des données. Deux distributions normales
de même moyenne mais avec des écarts-types différents sont repré-
sentées ainsi :

Figure 3.3 – Densité de probabilité de N(0,1).

• Fonction de répartition :
Si X suit une loi normale, alors sa fonction de répartition F est la
suivante :
Z x Z x
1 1 t−µ 2
F (x) = f (t)dt = √ e− 2 ( σ ) dt
−∞ −∞ σ 2Π

• Propriétés :

◦ Si X ∼ N (µ, σ 2 ), alors Y = aX + b ∼ N (aµ + b, a2 σ 2 ), avec a, b ∈ R

et a 6= 0.
◦ Si X1 ∼ N (µ1 , σ12 ), X2 ∼ N (µ2 , σ22 ) et X1 et X2 sont indépendantes
alors X1 + X2 ∼ N (µ1 + µ2 , σ12 + σ22 ).
Exemples :

X−1
X ∼ N (1, 4) alorsY = 2
∼.......................................................................

X1 ∼ N (2, 0.04) et X2 ∼ N (0, 0.09) et X1 et X2 sont indépendantes

alors X1 +2X2 ∼.............................................................................................

8
Cours de Probabilité et Statistiques Mme Zghidi Sonia

Le calcul des probabilités à partir de la fonction de la loi normale n’est pas

facile. Même le recours à des logiciels ne résout pas le problème car il y a
une infinité de couples (µ, σ 2 ) et il est impossible de construire pour chaque
couple un programme permettant de calculer les probabilités demandées.
La solution consiste donc à rendre le problème sans dimension, d’où la loi
normale centrée réduite.

3.2.3 La loi normale centrée réduite

Soit X une variable aléatoire qui suit la loi normale N (µ, σ 2 ), alors la
variable Z = X−µ
σ
suit la loi normale centré réduite N(0,1) de densité :

1 1 2
fZ (z) = √ e− 2 z ∀ z∈R
σ 2Π
La représentation graphique de cette distribution est donnée par le graphique
suivant :

Figure 3.4 – Densité de probabilité de N(0,1).

C’est une courbe sous forme de cloche symétrique par rapport à z=0.

9
Cours de Probabilité et Statistiques Mme Zghidi Sonia

La symétrie par rapport à z=0 signifie que P (Z > z) = P (Z ≤ −z) = α.

Les graphiques suivants illustrent cette situation :

Le passage de X à Z correspond réellement à un changement d’échelle,

ainsi :
x1 − µ X −µ x2 − µ
P (x1 < X < x2 ) = P ( < < ) = P (z1 < Z < z2 )
σ σ σ
• Tables de la loi normale centrée réduite

◦ Table de la fonction de Répartition

Soit Z ∼ N (0, 1), cette table permet de donner P (Z < z) avec z
connu.

Exemples :
P (Z ≤ 1.96) =........................................................................................................
P (Z ≤ 1.72) =........................................................................................................
P (Z ≤ −1.96) =.....................................................................................................
P (−1.96 < Z < 1.96) =..........................................................................................
Soit X ∼ N (µ, σ 2 ), dans ce cas P (X < x) n’est peut pas être
déterminé à travers la table, il faut centrer et réduire la variable X
en posant Z = X−µ σ
.
Exemples :
Soit X ∼ N (2, 4),
P (X ≤ 2) =........................................................................................................
P (X < 1) =........................................................................................................

10
Cours de Probabilité et Statistiques Mme Zghidi Sonia

◦ Table des quantiles de la loi normale centrée réduite

Soit Z ∼ N (0, 1), on veut déterminer z/P (Z < z) = p. La valeur
de z est interprétée comme le quantile d’ordre p.
Exemples :
Déterminer z/P (Z < z) = 0.334...........................................................................
.............................................................................................................................
Déterminer z/P (−z < Z < z) = 0.95....................................................................
..............................................................................................................................

Exemples :
Soit X ∼ N (1, 4), déterminer x/P (X < x) = 0.95
..............................................................................................................................
..............................................................................................................................
Soit X ∼ N (m, σ 2 ), calculer m et σ telles que : P(X>10)=0,5 et
P(X<8)=0,1587.

3.2.4 La loi Gamma

Les lois Γ peuvent être utilisées pour modéliser des variables unimodales
à valeurs positives, comme des durées de vie.
• Définition :
La loi Gamma Γ(a, λ) de paramètres a > 0, λ > 0 est une loi de
densité : ( a
λ
Γ(a)
xa−1 e−λx si x ≥ 0
f (x) =
0 sinon.
R +∞
avec Γ(a) = 0 e−x xa−1 dx.
Cette intégrale est bien définie et vérifie ∀a > 0, Γ(a + 1) = aΓ(a).

11
Cours de Probabilité et Statistiques Mme Zghidi Sonia

Figure 3.5 – Densité de probabilité de Γ(a, λ).

Exemple :
Déterminer Γ(1, λ).
..............................................................................................................................
..............................................................................................................................

• Caractéristiques :
E(X) = λa
V (X) = λa2

12