Cours

Probabilités & Statistique

1ère année Mathématiques et Informatique
Année académique 2025-2026

Dr Prevot Chirac BATSINDILA NGANGA 1

Maître-assistant du CAMES
Faculté des Sciences Appliquées
E-mail: [Link]@[Link]

1. Colossiens, 3:23-25 — Tout ce que vous faites, faites-le de bon cœur, comme pour le Seigneur et non
pour des hommes, sachant que vous recevrez du Seigneur l’héritage pour récompense. Servez Christ, le
Seigneur. Car celui qui agit injustement recevra selon son injustice, et il n’y a point d’acception de personnes.
I Avertissement pédagogique :
Les définitions, remarques, propositions, théorèmes, exemples , ainsi que les preuves associées et
les formules fondamentales présentés dans ce polycopié constituent le socle théorique du cours de
probabilités. À ce titre, l’ensemble des résultats et de leurs preuves doivent être connus par cœur
et rigoureusement maîtrisés. Ils seront exigés tels quels, sans indication préalable, lors des devoirs
surveillés et examens.
PREMIÈRE PARTIE
Probabilités
 ALPHABET GREC

Α α Alpha Ν ν Nu

Β β Beta Ξ ξ Xi (Ksi)

Γ γ Gamma Ο ο Omikron

∆ δ Delta Π π Pi

Ε ε Epsilon Ρ ρ Rho

Ζ ζ Zeta Σ σ Sigma

Η η Eta Τ τ Tau

Θ θ Theta Υ υ Upsilon

Ι ι Iota Φ ϕ Phi

Κ κ Kappa Χ χ Chi (Ki)

Λ λ Lambda Ψ ψ Psi

Μ µ Mu Ω ω Omega

Dr Prevot Chirac BATSINDILA NGANGA page 3 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
 Alphabet grec

L’alphabet grec comporte un total de 24 lettres. Les lettres suivies de (∗) sont utilisées en mathématiques et il faut les
apprendre.

Numéro Minuscule Majuscule Nom Valeur

1 α (∗) A alpha a

2 β (∗) B beta b

3 γ (∗) Γ (∗) gamma g (dur)

4 δ (∗) ∆ (∗) delta d

5 ε (∗) E epsilon é (bref)

6 ζ (∗) Z zéta z

7 η (∗) H éta e (long)

8 θ (∗) Θ (∗) théta th (aspiré)

9 ι I iota i

10 κ K kappa k

11 λ (∗) Λ (∗) lambda l

12 µ (∗) M mu m

13 ν (∗) N nu n

14 ξ (∗) Ξ xi x (cs)

15 o O omikron o (bref)

16 π (∗) Π (∗) pi p

17 ρ (∗) P rho r, rh

18 σ (∗) Σ (∗) sigma s

19 τ (∗) T tau t

20 υ Υ upsilon u

21 ϕ (∗) Φ (∗) phi f

22 χ (∗) X khi kh (aspiré)

23 ψ (∗) Ψ (∗) psi ps

24 ω (∗) Ω (∗) oméga o (long)

Dr Prevot Chirac BATSINDILA NGANGA page 4 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
c Jean-Louis Rouget, 2007. Tous droits réservés. 1 http ://[Link]
 Table des matières

1 Variables aléatoires à densité 7

1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.1 Densité et fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.2 Fonctions d’une V.A.R. à densité . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.3 Espérance mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.1.4 Variance et écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.1.5 V.A.R. à densité indépendantes . . . . . . . . . . . . . . . . . . . . . . . . 28
1.1.6 Fonctions génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
[Link] Fonctions génératrices des moments . . . . . . . . . . . . . . . 38
[Link] Fonction génératrice des moments factoriels . . . . . . . . . . . 43
1.1.7 Fonction caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.2 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.2.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.2.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.2.3 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1.2.4 Loi log −normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
1.2.5 Loi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
[Link] Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
[Link] Loi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
1.2.6 Loi Bêta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
1.2.7 Loi de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
1.2.8 Loi du khi-deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
1.2.9 Loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
1.2.10 Loi de Fisher-Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

2 Convergences 142
2.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
2.1.1 Inégalité de Bienaymé-Tchébychev . . . . . . . . . . . . . . . . . . . . . 143
2.1.2 Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . 145
2.2 Convergences et approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
2.2.1 Convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 146
2.2.2 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
2.2.3 Approximation de la loi binomiale par la loi de Poisson . . . . . . . . . . . 149
2.2.4 Approximation de la loi hypergéométrique par la loi binomiale . . . . . . . 150
2.2.5 Théorème de la limite centrée (TCL) . . . . . . . . . . . . . . . . . . . . . 150
2.2.6 Approximation de la loi binomiale par la loi normale . . . . . . . . . . . . 152

5
TABLE DES MATIÈRES TABLE DES MATIÈRES

2.3 Travaux d’entraînement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

Dr Prevot Chirac BATSINDILA NGANGA page 6 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1 Variables aléatoires à densité

Table des matières du chapitre

1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.1 Densité et fonction de répartition . . . . . . . . . . . . . . . . . . . . . . 10
1.1.2 Fonctions d’une V.A.R. à densité . . . . . . . . . . . . . . . . . . . . . . 15
1.1.3 Espérance mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.1.4 Variance et écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.1.5 V.A.R. à densité indépendantes . . . . . . . . . . . . . . . . . . . . . . . 28
1.1.6 Fonctions génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.1.7 Fonction caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.2 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.2.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.2.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.2.3 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1.2.4 Loi log −normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
1.2.5 Loi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
1.2.6 Loi Bêta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
1.2.7 Loi de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
1.2.8 Loi du khi-deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
1.2.9 Loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
1.2.10 Loi de Fisher-Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

Objectifs pédagogiques
Après avoir étudié ce chapitre, vous devriez être capable de :
– Comprendre la notion de densité de probabilité pour une variable aléatoire réelle.
– Connaître la relation entre densité et fonction de répartition.
– Calculer des probabilités à l’aide d’intégrales de densité.

7
1. Variables aléatoires à densité 1.1. Généralités

– Déterminer l’espérance, la variance et les moments d’une variable continue.

– Manipuler et maîtriser les propriétés fondamentales (ainsi que leurs preuves) des lois conti-
nues usuelles : uniforme, exponentielle, normale, log-normale, gamma, bêta, Pareto, khi-deux,
Student, Fisher-Snedecor.
– Résoudre des problèmes probabilistes impliquant des lois à densité.

1.1 Généralités
L’ensemble des réalisations possibles d’une expérience est appelé univers de l’expérience. Il est
souvent noté Ω.

Définition 1 (σ–algèbre) Soit Ω un ensemble. On appelle σ–algèbre de sous-ensembles de Ω, tout

sous-ensemble A de P(Ω) tel que :
(i) Ω ∈ A ;
(ii) Pour tout A ∈ A, son complément Ac ∈ A ;
(iii) Pour toute famille finie ou dénombrable (Ai )i∈I d’éléments de A,
[
Ai ∈ A.
i∈I

Définition 2 Le couple (Ω, A) est appelé espace probabilisable. Les éléments de A sont appelés
événements.

Définition 3 Soit (Ω, A) un espace probabilisable. On appelle variable aléatoire réelle définie
sur (Ω, A), toute application X : Ω −→ R telle que, pour tout intervalle I de R :

{ω ∈ Ω : X(ω) ∈ I} ∈ A. (1.1)

L’ensemble de toutes les réalisations possibles de X, {X (ω) : ω ∈ Ω}, est noté X (Ω).

Remarque 1 Les réalisations possibles de la variable aléatoire X dépendent des résultats de l’expé-
rience aléatoire sur laquelle l’univers est défini. De manière générale, une variable aléatoire réelle
est une fonction de Ω dans R telle que les réalisations de la fonction sont entièrement déterminées
par les résultats de l’expérience aléatoire.

Définition 4 Lorsque l’ensemble des réalisations possibles de la variable aléatoire réelle X est
fini ou infini dénombrable, on dit que la variable aléatoire réelle X est discrète . Sinon, on dit que
la variable aléatoire réelle X est continue.

Dr Prevot Chirac BATSINDILA NGANGA page 8 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.1. Densité et fonction de répartition

Exemple 1 (Variable aléatoire réelle avec X(Ω) fini) Soit un événement A associé à l’expérience
aléatoire e (c’est-à-dire : A ⊂ Ω où Ω est l’univers associé). On définit la variable aléatoire 1A de la
façon suivante :
1A : Ω −→ {0, 1}

1, si ω ∈ A,
ω 7−→ 1A (ω) = 
0, si ω ∈
/ A.
Ici, 1A (Ω) = {0, 1} est un ensemble fini, donc la variable aléatoire réelle 1A est discrète. Notons
que dans l’Exemple 1, Ω n’est pas obligatoirement fini ou infini dénombrable.

Définition 5 Soit (Ω, A) un espace probabilisable.

On appelle probabilité sur (Ω, A) toute application P de A dans [0, 1], vérifiant les deux axiomes :
– P(Ω) = 1.
– Si (An )n∈N est une famille infinie dénombrable d’événements deux à deux incompatibles :
+∞ +∞
!
[ X
P An = P(An ). (1.2)
n=0 n=0

(Ω, A, P) est alors appelé espace probabilisé, et pour tout A ∈ A, P(A) est la probabilité de
l’événement A.

De façon générale, soit X une variable aléatoire réelle de Ω dans R. Soit I une partie de R. La
probabilité que X ait une réalisation dans I, notée P(X ∈ I), est la probabilité d’obtenir un résultat
ω ∈ Ω tel que X(ω) ∈ I :
PX (I) := P(X ∈ I) = P ({ω : X(ω) ∈ I}) .

Définition 6 (Loi de probabilité) La loi de probabilité de la variable aléatoire réelle X est l’ap-
plication PX , aussi notée PX −1 , qui, à toute partie I de R, fait correspondre la probabilité que X
ait une réalisation dans I, notée
 
P(X ∈ I) = P {ω : X(ω) ∈ I} . (1.3)
C’est l’image réciproque par l’application X de la probabilité P.

Dr Prevot Chirac BATSINDILA NGANGA page 9 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.1. Densité et fonction de répartition

1.1.1 Densité et fonction de répartition

La fonction de répartition est l’un des outils permettant de caractériser la loi de probabilité d’une
variable aléatoire réelle. En effet, pour connaître la probabilité que X ait une réalisation dans une
partie de R, il suffit de connaître P(X ≤ x) pour tout x ∈ R.

Définition 7 Soit X une variable aléatoire. On suppose qu’il existe une fonction réelle non
négative
fX : R −→ [0, +∞[
telle que, pour tout intervalle A, on ait
Z
P(X ∈ A) = fX (x) dx. (1.4)
A

Alors X est dite absolument continue ou, par souci de simplicité,continue.

Par conséquent, chaque fois que nous dirons que X est continue, nous entendrons qu’elle est
absolument continue et qu’elle satisfait l’Équation (1.4).
La fonction fX est appelée la fonction de densité de probabilité, ou simplement la densité, de X.

Remarque 2 Si A = ]−∞, t] où t ∈ R ; alors, en utilisant l’Équation (1.4), on peut écrire

Z Z t
P(X ∈ A) = P(X ≤ t) = f (x) dx = f (x) dx = FX (t) . (1.5)
A −∞

Dans l’Expression (1.5), on rappelle que fX est la fonction de densité de probabilité d’une variable
aléatoire X dont la fonction de répartition est FX .

Définition 8 (Fonction de répartition) La fonction de répartition d’une variable aléatoire réelle

X est la fonction réelle d’une variable réelle, notée FX (ou simplement F s’il n’y a pas d’ambiguïté),
définie par  
FX (t) := PX (] − ∞, t]) = P(X ≤ t) = P {ω : X(ω) ≤ t} .

Proposition 1 (Bornitude et limites) Pour tout t ∈ R, on a les inégalités

0 ≤ FX (t) ≤ 1.
De plus,
FX (−∞) := lim FX (t) = 0 et FX (+∞) := lim FX (t) = 1.
t→−∞ t→+∞

Preuve. Par définition, la quantité FX (t) est égale à

FX (t) := P(X ≤ t),
pour tout t ∈ R. Or, par le premier axiome d’une probabilité,
P(X ≤ t) ∈ [0, 1].
Puis, l’événement {X ≤ −∞} étant vide, on a FX (−∞) = 0, et l’événement {X ≤ +∞} étant
certain, on obtient FX (+∞) = 1.

Dr Prevot Chirac BATSINDILA NGANGA page 10 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.1. Densité et fonction de répartition

Proposition 2 Pour tout t ∈ R, on dispose de l’expression suivante de la probabilité de ]t, +∞[ :

P(X > t) = 1 − FX (t).

Preuve. L’événement {X > t} est le complémentaire de {X ≤ t}. On a ainsi

P(X > t) = 1 − P(X ≤ t) = 1 − FX (t).


Il est essentiel de faire attention à la manipulation des relations d’ordre. En effet, comme la fonction
de répartition n’est pas nécessairement continue, il faut bien différencier P(X < t) et P(X ≤ t).

Proposition 3 Pour tous les réels t1 et t2 avec t2 > t1 , l’égalité suivante est vraie :

P(t1 < X ≤ t2 ) = FX (t2 ) − FX (t1 ).

Preuve. En effet, on peut écrire l’événement {t1 < X ≤ t2 } comme suit :

{t1 < X ≤ t2 } = {X ≤ t2 } ∩ {X ≤ t1 }c .

Conséquemment, on a

P(t1 < X ≤ t2 ) = P(X ≤ t2 ) − P({X ≤ t1 } ∩ {X ≤ t2 }).

Or, comme t1 < t2 , on a

{X ≤ t1 } ∩ {X ≤ t2 } = {X ≤ t1 },
d’où
P(t1 < X ≤ t2 ) = P(X ≤ t2 ) − P(X ≤ t1 ),
ce qui achève la preuve. 

Proposition 4 La fonction FX est croissante sur R.

Preuve. D’après la Proposition 3, quels que soient s < t, on a

FX (t) − FX (s) = P(s < X ≤ t) ≥ 0,

d’où FX (t) ≥ FX (s). La fonction est donc bien croissante sur R. On peut aussi noter {X ≤ t} ⊃
{X ≤ s} et le résultat est immédiat par la croissance de la probabilité.

Remarque 3 La fonction FX n’est pas nécessairement strictement croissante.

Proposition 5 La fonction FX est càdlàg (continue à droite et limitée à gauche). En d’autres termes,
pour tout t ∈ R, la limite
lim− FX (s)
s→t
existe et
lim FX (s) = FX (t).
s→t+

Dr Prevot Chirac BATSINDILA NGANGA page 11 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.1. Densité et fonction de répartition

Définition 9 On dit qu’une V.A.R. X admet une densité fX lorsque sa fonction de répartition FX
peut s’écrire sous la forme :
Z x
FX (x) = fX (t) dt
−∞

où fX est une fonction à valeurs réelles positives, ayant un nombre fini de points de discontinuité
et telle que :
Z +∞
fX (t) dt = 1.
−∞

On dit alors que X est une V.A.R. à densité.

Remarque 4 Toute fonction g positive, égale à fX sauf éventuellement en un nombre fini de points,
est aussi une densité de X.

Théorème 1 Une fonction réelle fX définie sur R est une densité de probabilité si et seulement si :
– fX est continue sur R sauf éventuellement en un nombre fini de points,

– fX (x) ≥ 0 pour tout x ∈ R,

Z +∞
– fX (x) dx = 1.
−∞

Exemple 2 Soit fX la fonction définie sur R par :

 h i
cos x si x ∈ 0, π2
fX (x) =
0 sinon

– fX est continue sur R sauf au point 0 ;

– fX (x) ≥ 0 pour tout x ∈ R ;
Z 0 Z +∞ π π
π
Z Z
2 2
– fX (x) dx = π
fX (x) dx = 0 et fX (x) dx = cos x dx = [sin x]02 = 1.
−∞ 2
0 0
Donc fX est une densité de probabilité.

Proposition 6 Soit X une V.A.R. admettant une densité f , et soit sa fonction de répartition FX :
– FX est continue ;
– En tout point x0 où f est continue, FX est dérivable et F 0 (x0 ) = fX (x0 ). FX est croissante de
0 à 1, dérivable sauf peut-être en un nombre fini de points ; sa dérivée est continue là où elle est
définie.

Dr Prevot Chirac BATSINDILA NGANGA page 12 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.1. Densité et fonction de répartition

Proposition 7 Soit X une V.A.R. de fonction de répartition FX .

– Si FX est continue sur R,

– Si FX est dérivable sur R sauf peut-être en un nombre fini de points x1 , . . . , xn ,

– et si FX0 est continue sur R − {x1 , . . . , xn },

alors X est une V.A.R. à densité et toute fonction positive sur R qui coïncide avec FX0 en tout point
de R − {x1 , . . . , xn } est une densité de X.

Remarque 5 Cette proposition est souvent utilisée pour déterminer la loi d’une V.A.R. Y fonction
d’une V.A.R. à densité X, c’est-à-dire pour déterminer une densité de Y .

Proposition 8 Soit X une V.A.R. admettant une densité fX et une fonction de répartition FX :
(i) Pour tout a ∈ R, P(X = a) = 0.
(ii) Pour tous a et b réels tels que a < b :
Z b
P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b) = fX (t) dt. (1.6)
a

(iii) Pour tous a et b réels :

Z a
P(X < a) = P(X ≤ a) = fX (t) dt. (1.7)
−∞

Z +∞
P(X > b) = P(X ≥ b) = fX (t) dt. (1.8)
b

Lorsque X est une variable aléatoire continue, on notera parfois P(X ∈ (a, b)) chacune des quantités
égales

P(X ∈]a, b[) = P(X ∈ [a, b]) = P(X ∈]a, b]) = P(X ∈ [a, b[). (1.9)

Dr Prevot Chirac BATSINDILA NGANGA page 13 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.1. Densité et fonction de répartition

Preuve de la Proposition 8
(i) Pour tout a ∈ R, et tout n ∈ N∗ , on a :
1
 
0 ≤ P(X = a) ≤ P a − <X≤a .
n
Or
1 1
   
P a − < X ≤ a = F (a) − F a −
n n
et
1
 
lim FX a− = FX (a) car FX est continue sur R, donc en a,
n→∞ n
donc
1
 
lim P a − <X≤a =0 ⇒ P(X = a) = 0.
n→∞ n
(ii) Si a et b sont tels que a < b, on sait que :
Z b Z a
P(a < X ≤ b) = FX (b) − FX (a) = fX (t) dt − fX (t) dt
−∞ −∞

donc Z b
P(a < X ≤ b) = fX (t) dt
a

et comme P(X = a) = P(X = b) = 0, on a

P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b).

(iii) Par définition,

Z a
P(X ≤ a) = fX (t) dt et comme P(X = a) = 0,
−∞

On a

P(X < a) = P(X ≤ a).

De même,
P(X > b) = P(X ≥ b) car P(X = b) = 0.
Z b Z +∞
P(X > b) = 1 − P(X ≤ b) = 1 − fX (t) dt = fX (t) dt
−∞ b

donc Z +∞
P(X > a) = fX (t) dt.
a

Remarque 6 Si fX est nulle en dehors de [a, b], P(X < a) = 0 et P(X > b) = 0 donc on peut
considérer que X prend ses valeurs dans [a, b]. Plus généralement, si fX est nulle en dehors de I, on
dit que X prend ses valeurs dans I.

Dr Prevot Chirac BATSINDILA NGANGA page 14 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.2. Fonctions d’une V.A.R. à densité

Travail no 1.
Déterminer si les fonctions suivantes sont des densités de probabilité et si oui, déterminer la fonction
de répartition associée à cette densité.
1. 
4xe−2x , si x ≥ 0,
fX (x) = 
0, si x < 0.
2. 
 4 ln(x) ,

si x ≥ 1,
gX (x) =  x3

0, si x < 1.

Travail no 2.
On considère la fonction définie par :

 4 (1 − x)1/3 ,

si 0 ≤ x ≤ 1,

fX (x) =  3
0, sinon.

(i) Montrer que fX est bien une densité de probabilité.

(ii) Déterminer sa fonction de répartition F .
(iii) Calculer P (0,488 < X ≤ 1,2).

1.1.2 Fonctions d’une V.A.R. à densité

Exemple 3 Soit X une V.A.R. de densité f . Déterminons la loi de Y = eX . Soit FX (resp. GY ) la
fonction de répartition de X (resp. Y ).
∀x ∈ R, G(x) = P(Y ≤ x) = P(eX ≤ x).
Si x ≤ 0, alors P(eX ≤ x) = 0 donc G(x) = 0.
Si x > 0, GY (x) = P(X ≤ ln x) car ln est une fonction croissante sur R∗ .

GY (x) = FX (ln x)
GY est continue sur ] − ∞, 0] car sur cet intervalle GY est composée de F et de ln qui sont continues
sur leurs domaines de définition.

lim ln x = −∞ et lim F (ln x) = lim F (y) = 0 donc lim G(x) = G(0)

x→0+ x→0+ y→−∞ x→0+

Donc GY est continue en 0, et finalement GY est continue sur R.

GY est dérivable sur ]0, +∞[.
FX étant la fonction de répartition d’une V.A.R. à densité, FX est dérivable sur R sauf peut-être en
un nombre fini de points x1 , . . . , xn , et F 0 est continue sur R − {x1 , . . . , xn }. ln est en classe C 1 sur
]0, +∞[.
Donc GY est dérivable sur R − {0, ex1 , . . . , exn } et G0Y est continue sur R − {0, ex1 , . . . , exn }.

Dr Prevot Chirac BATSINDILA NGANGA page 15 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.2. Fonctions d’une V.A.R. à densité


0 si x < 0
G0Y (x) =
1F0 si x ∈ R∗ − {0, ex1 , . . . , exn }
x X (ln x)

Y est donc une V.A.R. à densité et une densité de Y est la fonction g définie par :

0 si x ≤ 0
gY (x) =
 1 fX (ln x) si x > 0
x

Remarque 7 On a posé gY (0) = 0 et gY (x) = x1 fX (ln x) mais on aurait pu choisir d’autres valeurs
pour gY (x) lorsque x ∈ {0, ex1 , . . . , exn }.

Exemple 4 (Transformation affine d’une variable aléatoire) Soit X une V.A.R. de densité fX et
a et b deux nombres réels (a 6= 0). Déterminons la loi de la V.A.R. Y = aX + b.
Soit FX (resp. GY ) la fonction de répartition de X (resp. Y ).

∀x ∈ R, GY (x) = P(Y ≤ x) = P (aX + b ≤ x)

– Si a > 0 : ! !
x−b x−b
GY (x) = P X ≤ = FX
a a
– Si a < 0 :
! ! !
x−b x−b x−b
GY (x) = P X ≥ =1−P X ≤ = 1 − FX
a a a

Comme FX est la fonction de répartition d’une V.A.R. à densité et comme x 7→ x−ba

est une bijection
1
de classe C de R dans R, dans les deux cas GY est continue sur R, dérivable sauf éventuellement
en un nombre fini de points et G0Y est continue sur R privée de ces points.
On en déduit que Y est une V.A.R. à densité. En tout point où G0Y est défini, on a :
  
 1 fX x−b
 si a > 0
a
G0Y (x) = a 
− fX x−b
 1
si a < 0
a a

Donc une densité de Y est gY définie par :

!
1 x−b
gY (x) = fX .
|a| a

Exemple 5 Soit X une V.A.R. de densité f . Déterminons la loi de Y = X 2 .

Soit FX (resp. GY ) la fonction de répartition de X (resp. Y ).
∀x ∈ R, GY (x) = P(Y ≤ x) = P(X 2 ≤ x)
Si x < 0, (X 2 ≤ x) est vide
√ donc GY√(x) = 0, √ √
Si x > 0, GY (x) = P(− x ≤ X ≤ x) = FX ( x) − FX (− x).
• G est de classe C 1 sur ] − ∞, 0[.
√
Comme FX est la fonction de répartition d’une V.A.R. à densité et comme x 7→ x est une bijection
de classe C 1 de ]0, +∞[ sur ]0, +∞[, GY est continue sur ]0, +∞[ et dérivable sauf éventuellement
en un nombre fini de points et G0 est continue sur R privé de ces points.

Dr Prevot Chirac BATSINDILA NGANGA page 16 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.2. Fonctions d’une V.A.R. à densité

Enfin lim− GY (x) = GY (0) = lim+ GY (x), donc GY est continue en 0 et par suite GY est continue
x→0 x→0
sur R.
Y est donc une V.A.R. à densité.
En tout point où G0Y est défini, on a :

0
 si x < 0,
G0Y (x) =  1 h √ √ i
 √ f ( x) + f (− x) si x ≥ 0.
2 x

Donc une densité de Y est gY définie par :


0
 si x < 0,
gY (x) = 1 h√ √ i
 √ f ( x) + f (− x) si x ≥ 0.
2 x


Théorème 2 (Méthode de transformation) Soit X une variable aléatoire continue de densité de

probabilité fX et de support ΩX . Pour une fonction inversible h : ΩX → R, soit Y = h(X) une
variable aléatoire dont le support est ΩY = h(ΩX ) = { h(x) : x ∈ ΩX }.
On suppose que l’inverse de la relation y = h(x) est donnée par x = h−1 (y), et que cette fonction
est dérivable pour tout y ∈ ΩY . Alors la densité de probabilité de Y , notée fY , est donnée par
   0
fY (y) = fX h−1 (y) h−1 (y) , y ∈ ΩY . (1.10)

Exemple 6 Soit X une variable aléatoire de densité de probabilité


2e−2x , si x > 0,
fX (x) =
0, sinon.

En utilisant la méthode des transformations, déterminer la densité de probabilité de

√
Y = X.

Solution. L’ensemble des valeurs possibles de X est ΩX = (0, +∞). Soit h : ΩX → R définie par
√
h(x) = x.

Nous voulons déterminer la densité de probabilité de

√
Y = h(X) = X.

L’ensemble des valeurs possibles de h(X) est

ΩY = { h(x) : x ∈ ΩX } = (0, +∞).

Dr Prevot Chirac BATSINDILA NGANGA page 17 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.2. Fonctions d’une V.A.R. à densité

La fonction h est inversible et son inverse est

x = h−1 (y) = y 2 ,

qui est dérivable, et sa dérivée est

(h−1 )0 (y) = 2y.
Par conséquent, d’après le Théorème 2,
  2
fY (y) = fX h−1 (y) (h−1 )0 (y) = 2e−2y |2y|, y ∈ ΩY = ]0, +∞[ .

Comme y ∈ ]0, +∞[, on a |2y| = 2y, et l’on obtient


4y e−2y2 , si y > 0,
fY (y) = 
0, sinon.
√
C’est la densité de probabilité de Y = X. 

Exemple 7 Soit X une variable aléatoire continue de densité de probabilité


4x3 , si 0 < x < 1,
fX (x) =
0, sinon.

En utilisant la méthode des transformations, déterminer la densité de probabilité de la variable

aléatoire Y = 1 − 3X 2 .

Solution. L’ensemble des valeurs possibles de X est ΩX = ]0, 1[. Soit h : ΩX → R définie par

h(x) = 1 − 3x2 .

Nous voulons déterminer la densité de probabilité de

Y = h(X) = 1 − 3X 2 .

L’ensemble des valeurs possibles de h(X) est

ΩY = { h(x) : x ∈ ΩX } = ]−2, 1[ .

Comme le domaine de la fonction h est ΩX = ]0, 1[, h est inversible, et son inverse est obtenu en
résolvant
1 − 3x2 = y
par rapport à x, ce qui donne s
1−y
x= .
3
Par conséquent, l’inverse de h est
s
−1 1−y
x = h (y) = ,
3

Dr Prevot Chirac BATSINDILA NGANGA page 18 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.2. Fonctions d’une V.A.R. à densité

qui est dérivable, et sa dérivée est

1
(h−1 )0 (y) = − q .
2 3(1 − y)

En utilisant le Théorème 2, on obtient

s 3
  1 − y 1 2
fY (y) = fX h−1 (y) (h−1 )0 (y) = 4  − q = (1 − y).
3 2 3(1 − y) 9

C’est la densité de probabilité de Y pour y ∈ ΩY = ]−2, 1[. 

Preuve du Théorème 2. Soient FX et FY les fonctions de répartition de X et de Y = h(X),

respectivement.
La différentiabilité de h−1 implique qu’elle est continue. Puisqu’une fonction inversible continue est
strictement monotone, h−1 est soit strictement croissante, soit strictement décroissante.
Si h−1 est strictement croissante, alors (h−1 )0 (y) > 0, et donc

(h−1 )0 (y) = (h−1 )0 (y) .

Dans ce cas, h est aussi strictement croissante, donc

 
FY (y) = P(h(X) ≤ y) = P(X ≤ h−1 (y)) = FX h−1 (y) .

En différentiant par la règle de la chaîne, on obtient :

   
FY0 (y) = (h−1 )0 (y)FX0 h−1 (y) = (h−1 )0 (y) fX h−1 (y) ,

ce qui donne le théorème.

Si h−1 est strictement décroissante, alors (h−1 )0 (y) < 0, et donc

(h−1 )0 (y) = −(h−1 )0 (y).

Dans ce cas, h est aussi strictement décroissante, et on a :

 
FY (y) = P(h(X) ≤ y) = P(X ≥ h−1 (y)) = 1 − FX h−1 (y) .

En différentiant cette expression par la règle de la chaîne, on trouve :

   
FY0 (y) = −(h−1 )0 (y)FX0 h−1 (y) = (h−1 )0 (y) fX h−1 (y) ,

ce qui montre que le théorème est aussi valable dans ce cas. 

Dr Prevot Chirac BATSINDILA NGANGA page 19 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.2. Fonctions d’une V.A.R. à densité

Travail no 3.

1. Soit X une variable aléatoire de densité de probabilité

x2
fX (x) = , −1 < x < 2.
3

Déterminer la loi de la variable aléatoire Y = X 2 .

2. Soit X une variable aléatoire de densité de probabilité

fX (x) = 4x3 , 0 < x < 1.

Déterminer la densité de probabilité de Y = X 2 .

3. Soit X une variable aléatoire de densité de probabilité
2 /2
fX (x) = xe−x , 0 < x < ∞.

Déterminer la densité de probabilité de Y = X 2 .

4. Soit X une variable aléatoire suivant une loi gamma (voir la Définition 35, Page 89) de
paramètres a = 3 et θ = 2. Déterminer la densité de probabilité de
√
Y = X.

5. La densité de probabilité de X est

fX (x) = 2x, 0 < x < 1.

(i) Déterminer la fonction de répartition de X.

(ii) Décrire comment une observation de X peut être simulée.
(iii) Simuler 10 observations de X.
6. La densité de probabilité de X est

fX (x) = θxθ−1 , 0 < x < 1, 0 < θ < ∞.

Soit
Y = −2θ ln X.
Quelle est la loi de Y ?
7. Soit X une variable aléatoire suivant une loi logistique de densité

e−x
fX (x) = , −∞ < x < ∞.
(1 + e−x )2

Montrer que
1
Y =
1 + e−X
suit une loi uniforme sur [0, 1] (voir la Définition 28, Page 45).

Dr Prevot Chirac BATSINDILA NGANGA page 20 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.3. Espérance mathématique

8. Soit X une variable aléatoire de densité de probabilité donnée par


e−x , si x ≥ 0,
fX (x) = 
0, ailleurs.
On définit 
X,
 si X ≤ 1,
Y = 1
 , si X > 1.

X
Déterminer la densité de probabilité de Y .
9. Soit X une variable aléatoire de densité de probabilité

e−x , si x > 0,
f (x) = 
0, ailleurs.
En utilisant la méthode des transformations, déterminer les densités de probabilité des variables
aléatoires √
Y = X X et Z = e−X .
10. Soit X une variable aléatoire continue de densité de probabilité

3e−3x , si x > 0,
f (x) =
0, sinon.
En utilisant la méthode des transformations, déterminer la densité de probabilité de la variable
aléatoire
Y = log2 X.
11. Soit X une variable aléatoire de densité de probabilité

λe−λx , si x ≥ 0,
f (x) = 
0, sinon,
pour un certain λ > 0. En utilisant la méthode des fonctions de répartition, calculer la densité
de probabilité de la variable aléatoire
√3
Y = X 2.

1.1.3 Espérance mathématique

Z +∞
Définition 10 Soit X une V.A.R. de densité fX . Si l’intégrale |x|fX (x) dx converge, on dit
−∞
que X admet une espérance mathématique définie par :
Z +∞
E(X) = xfX (x) dx.
−∞

E(X) est aussi appelé moment d’ordre 1 de X, ou encore moyenne de X.

Dr Prevot Chirac BATSINDILA NGANGA page 21 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.3. Espérance mathématique

Remarque 8 L’espérance mathématique s’interprète souvent comme un indicateur de centralité.

On parle souvent de valeur moyenne de X.

Le théorème suivant relie directement la fonction de répartition d’une variable aléatoire à son
espérance. Il permet de trouver l’espérance d’une variable aléatoire continue sans avoir besoin de
calculer explicitement sa fonction de densité de probabilité. Il a également d’importantes applications
théoriques.

Théorème 3 Pour toute variable aléatoire continue X ayant pour fonction de répartition FX et
pour fonction densité de probabilité fX , on a
Z +∞ Z +∞
E(X) = [1 − FX (t)] dt − FX (−t) dt.
0 0

Preuve. Remarquons que

Z +∞ Z 0 Z +∞
E(X) = xfX (x) dx = xfX (x) dx + xfX (x) dx, (1.11)
−∞ −∞ 0
Z 0 Z −x  Z +∞ Z x 
= − dt fX (x) dx + dt fX (x) dx, (1.12)
−∞ 0 0 0
Z +∞ Z −t  Z +∞ Z +∞ 
= − fX (x) dx dt + fX (x) dx dt, (1.13)
0 −∞ 0 t

où la dernière égalité est obtenue en changeant l’ordre des intégrales.

Le théorème en découle car :
Z −t Z +∞
fX (x) dx = FX (−t) et fX (x) dx = P(X > t) = 1 − FX (t). 
−∞ t

Remarque 9 Dans la preuve de ce théorème, on a supposé que la variable aléatoire X est continue.
Même sans cette condition, le théorème reste valide. De plus, comme 1 − FX (t) = P(X > t), ce
théorème peut aussi s’énoncer ainsi :
Pour toute variable aléatoire X,
Z +∞ Z +∞
E(X) = P(X > t) dt − P(X ≤ −t) dt.
0 0

En particulier, si X est positive (non négative), c’est-à-dire si P(X < 0) = 0, alors :

Z +∞ Z +∞
E(X) = P(X > t) dt = P(X ≥ t) dt. 
0 0

Théorème 4 (Formule de transfert) Soit X une variable aléatoire réelle continue définie sur
(Ω, A, P) de fonction densité de probabilité fX (x) ; alors pour toute fonction h : R → R, on a :
Z +∞
E[h(X)] = h(x)fX (x) dx.
−∞

Dr Prevot Chirac BATSINDILA NGANGA page 22 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.3. Espérance mathématique

Preuve no 1. Soit

h−1 (t, +∞) = {x : h(x) ∈ (t, +∞)} = {x : h(x) > t}

avec une représentation similaire pour h−1 (−∞, −t). Remarquons que nous n’affirmons pas que h
possède une fonction inverse. Nous considérons simplement l’ensemble {x : h(x) ∈ (t, +∞)}, qui
est appelé l’image réciproque de (t, +∞) et est notée h−1 (t, +∞).
Par le Théorème 3, nous avons :

Z +∞ Z +∞
E[h(X)] = P(h(X) > t) dt − P(h(X) ≤ −t) dt
0 0
Z +∞ Z +∞
= P(X ∈ h−1 (t, +∞)) dt − P(X ∈ h−1 (−∞, −t)) dt
0 0
Z +∞ Z ! Z +∞ Z !
= f (x) dx dt − f (x) dx dt
0 {x:h(x)>t} 0 {x:h(x)≤−t}
Z Z h(x) ! Z Z 0 !
= dt f (x) dx − dt f (x) dx.
{x:h(x)>0} 0 {x:h(x)≤0} h(x)

Maintenant, nous changeons l’ordre d’intégration pour ces deux intégrales doubles. En effet :

{(t, x) : 0 < t < +∞, h(x) > t} = {(t, x) : h(x) > 0, 0 < t < h(x)},

et
{(t, x) : 0 < t < +∞, h(x) ≤ −t} = {(t, x) : h(x) < 0, 0 < t < −h(x)}.
Ainsi, nous obtenons :

Z Z h(x) ! Z Z −h(x) !
E[h(X)] = dt f (x) dx − dt f (x) dx
{x:h(x)>0} 0 {x:h(x)<0} 0
Z Z
= h(x)f (x) dx + h(x)f (x) dx
{x:h(x)>0} {x:h(x)<0}
Z +∞
= h(x)f (x) dx.
−∞

Remarquons que la dernière égalité découle du fait que

Z
h(x)f (x) dx = 0.
{x:h(x)=0}

Preuve no 2. Procédons à la preuve dans le cas où la fonction h est une bijection de R dans R telle
que h0 ne s’annule pas. L’idée est la même avec une fonction quelconque mais choisir une telle
fonction permet de s’affranchir de certaines considérations techniques. Dans cette preuve, on va se
restreindre au cas où h0 est strictement positive. Le cas où h0 est négative strictement se traite de
manière très similaire. Par définition, l’espérance de la variable aléatoire réelle à densité h (X) est
égale à
Z
E [h(X)] = x fh(X) (x) dx, (1.14)
R

Dr Prevot Chirac BATSINDILA NGANGA page 23 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.3. Espérance mathématique

où fh(X) est la densité de probabilité de la variable aléatoire réelle h(X). Pour la calculer, on regarde
d’abord la fonction de répartition de h(X) :
 
Fh(X) (t) = P(h(X) ≤ t) = P(X ≤ h−1 (t)) = FX h−1 (t) , (1.15)

car la fonction h est strictement croissante. Il suffit ensuite de dériver pour obtenir
d
fh(X) (t) = Fh(X) (t) (1.16)
dt
d  
= FX h−1 (t) (1.17)
dt  
= (h−1 )0 (t) FX0 h−1 (t) (1.18)
 
= (h−1 )0 (t) fX h−1 (t) . (1.19)

On en déduit
Z
E[h(X)] = t fh(X) (t) dt (1.20)
ZR  
= t (h−1 )0 (t) fX h−1 (t) dt. (1.21)
R

On procède au changement de variable

t := h(x),
et la preuve est terminée. 

Corollaire 1 Soit X une variable aléatoire continue ayant pour fonction densité de probabilité
fX (x). Soient h1 , h2 , . . . , hn des fonctions réelles, et α1 , α2 , . . . , αn des réels. Alors :

E [α1 h1 (X) + α2 h2 (X) + · · · + αn hn (X)] = α1 E[h1 (X)] + α2 E[h2 (X)] + · · · + αn E[hn (X)].

Ce corollaire affirme que si α et β sont des réels, alors :

E(αX + β) = αE(X) + β.

Définition 11 Si E(X) = 0, on dit que X est une V.A.R. centrée. Si X admet une espérance
mathématique, X − E(X) est appelée V.A.R. centrée associée à X.

Définition 12 Le moment d’ordre k (ou k e moment) d’une variable aléatoire X par rapport à un
point a est défini par
h i Z +∞
E (X − a)k = (x − a)k fX (x) dx. (1.22)
−∞

Cas particuliers
(i) Les moments par rapport à l’origine, ou moments non centrés, de X sont :
Z +∞
k
E[X ] = µ0k = xk fX (x) dx. (1.23)
−∞

Dr Prevot Chirac BATSINDILA NGANGA page 24 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.4. Variance et écart-type

pour k = 0, 1, . . .. On a : µ00 = 1 et µ01 = µX = E[X].

(ii) Les moments par rapport à la moyenne, ou moments centrés, de X sont :
h i Z +∞
E (X − µX )k ≡ µk = (x − µX )k fX (x) dx. (1.24)
−∞

Remarque 10 On peut facilement montrer, en utilisant la formule du binôme de Newton, que

k
!
h i k 0
µk ≡ E (X − µX )k (−1)i µk−i µXi .
X
= (1.25)
i=0 i

Proposition 9 Si A ∈ A, on a P(A) = E(1A ), où


1, si x ∈ A,
1A (x) = 
0, si x ∈
/ A.

1.1.4 Variance et écart-type

Définition 13 Si X est une variable aléatoire continue avec E(X) = µ, alors la variance Var(X)
et l’écart-type σX , appelés respectivement variance et écart-type de X, sont définis par :
 
Var(X) = E (X − µ)2 ,
q
σX = E ((X − µ)2 ).

Ainsi, si fX est la fonction de densité de probabilité de X, alors, d’après le Théorème 4,

  Z +∞
2
Var(X) = E (X − µ) = (x − µ)2 fX (x) dx.
−∞

De plus, comme précédemment, nous avons les relations importantes suivantes, dont les démonstra-
tions sont analogues à celles du cas discret :

Var(X) = E(X 2 ) − (E(X))2 ,

Var(aX + b) = a2 Var(X), σaX+b = |a|σX , où a et b sont des réels.

Remarque 11 La variance peut s’interpréter comme une mesure de dispersion d’une V.A.R.
1
Exemple 8 (voir la Sous-section 1.2.1, Page 44) 1. Loi uniforme sur [0, 1] : Var (X) = 12
;
h i
1 3 1
2. Loi uniforme sur ,
4 4
: Var (X) = 48
.
h i
1 3
On retrouve bien que la loi uniforme sur ,
4 4
est moins dispersée que la loi uniforme sur [0, 1].

Dr Prevot Chirac BATSINDILA NGANGA page 25 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.4. Variance et écart-type

Définition 14 Soit σX (X) = 1, on dit que X est une V.A.R. réduite. Si X admet une espérance
mathématique et un écart-type non nul,

X − E(X)
σ(X)

est appelée V.A.R. centrée réduite associée à X.

La Remarque 10 permet de vérifier que Var (X) = E[X 2 ] − (E[X])2 , ce qui peut être réécrit comme
suit :

µ2 = µ02 − µX2 = µ02 − (µ01 )2 . (1.26)

Deux autres quantités qui sont utilisées pour caractériser la distribution d’une variable aléatoire X
sont le coefficient d’asymétrie et le coefficient d’aplatissement. Ces deux coefficients sont définis en
fonction des moments de X.
D’abord, la quantité µ3 ≡ E[(X − µX )3 ] est utilisée pour mesurer le degré d’asymétrie des distribu-
tions de probabilité. Si la distribution est symétrique par rapport à sa moyenne µX , alors µ3 = 0 (si
l’on suppose que µ3 existe). Si µ3 > 0 (respectivement < 0), alors la distribution est dite asymétrique
vers la droite (respectivement vers la gauche).

Remarque 12 En fait, si la distribution est symétrique par rapport à sa moyenne et si tous ses
moments centrés existent, alors on peut écrire que µ2k+1 = 0 pour k = 0, 1, . . ..

Définition 15 Le coefficient d’asymétrie d’une variable aléatoire X est défini par

µ32
β1 = . (1.27)
σ6

Remarque 13 (i) Le coefficient β1 est une quantité sans unité de mesure.

√
(ii) Certains auteurs travaillent plutôt avec le coefficient γ1 := β1 .

Définition 16 Le coefficient d’aplatissement d’une variable aléatoire X est la quantité sans unité
de mesure
µ4
β2 = . (1.28)
σ4

Remarque 14 (i) Lorsque la distribution de X est symétrique, β2 est une mesure de l’épaisseur
relative des extrémités de la distribution par rapport à sa partie centrale.

Dr Prevot Chirac BATSINDILA NGANGA page 26 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.4. Variance et écart-type

(ii) Comme dans le cas du coefficient β1 , certains auteurs utilisent un coefficient différent :

γ2 := β2 − 3.

Travail no 4.

1. Soit a > 1. Soit fX la fonction définie sur R par


f (x) = x+ln
X x2
x
si x ∈ [1, a]
fX (x) = 0 sinon

(i) Montrer qu’il existe a tel que fX soit une densité de probabilité d’une V.A.R. X.
(ii) Calculer E (X) et Var (X) en fonction de a.

2. Une agence de voyages propose à sa clientèle différents forfaits. Le montant du forfait versé à
l’agence, par un client choisi au hasard est une variable aléatoire Y s’exprimant en milliers de
francs sous la forme Y = 2 + 0.5X, où X est une variable aléatoire à densité de fonction de
répartition FX définie par :

FX (x) = 0 si x ≤ 0
   
x+6
FX (x) = 1 − 6
exp − x6 si x > 0.

(i) Calculer la probabilité pour que le forfait ne dépasse pas 8.000 Francs.
(ii) Déterminer une densité de probabilité de la variable X.
(iii) Calculer l’espérance de X puis en déduire le montant moyen du forfait.
(iv) Déterminer la fonction de répartition de la variable aléatoire Y .

3. La nuit dans une savane, un lion se rend à la rivière pour boire et y reste un quart d’heure.
Après de nombreuses observations, on estime que l’instant T d’arrivée du lion à la rivière se
situe entre 0 heure et 2 heures. T , exprimée en heures, est une variable aléatoire réelle dont
une densité de probabilité est la fonction f définie par :

si

 t ∈ ]−∞, 0[, fT (t) = 0

si t ∈ [0, 2], fT (t) = 34 t (2 − t)


si t ∈ ]2, +∞], fT (t) = 0

(i) Vérifier que fT est une densité de probabilité.

(ii) Un observateur se présente à la rivière à 0 h 30 min et y reste un quart d’heure. Quelle
est la probabilité pour qu’il aperçoive le lion ?

4. La fonction de répartition d’une V.A.R. X à densité est définie par :


si x < x0 , FX (x) = 0
k
,
si x ≥ x0 , FX (x) = 1 − xα

où α > 0 et x0 > 0.

Dr Prevot Chirac BATSINDILA NGANGA page 27 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.5. V.A.R. à densité indépendantes

(i) Déterminer k en fonction de α > 0 et x0 > 0.

(ii) Déterminer une densité de la loi de X.

5. La durée de fonctionnement, exprimée en jours, d’un certain composant électronique est une
variable aléatoire D dont la densité de probabilité est la fonction fD définie par

βx2 exp (−αx) si x ≥ 0
fD (x) = ,
0 si x < 0

où α > 0.
(i) Calculer β en fonction de α.
(ii) Sachant qu’un tel composant fonctionne en moyenne pendant 200 jours, calculer α.
√
(iii) Déterminer une densité de probabilité de la variable Y = D.

1.1.5 V.A.R. à densité indépendantes

Définition 17 Deux variables aléatoires X et Y sont dites indépendantes si, pour tout sous-
ensemble arbitraire A et B de nombres réels, les événements {X ∈ A} et {Y ∈ B} sont in-
dépendants, c’est-à-dire si :

P (X ∈ A, Y ∈ B) = P (X ∈ A) P (X ∈ B) . (1.29)

En utilisant les axiomes de la probabilité, on peut prouver que X et Y sont indépendantes si et

seulement si, pour tous réels a et b,

P (X ≤ a, Y ≤ b) = P (X ≤ a) P (Y ≤ b) . (1.30)

Ainsi, l’Expression (1.29) et l’Expression (1.30) sont équivalentes.

l’Expression (1.30) affirme que X et Y sont des variables aléatoires indépendantes si et seulement
si leur fonction de répartition conjointe est le produit de leurs fonctions de répartition marginales.
Le théorème suivant exprime ce fait.

Théorème 5 Soient X et Y deux variables aléatoires définies sur le même espace probabilisé. Si F
est la fonction de répartition conjointe de X et Y , alors X et Y sont indépendantes si et seulement
si, pour tous réels x et y,
F (x, y) = FX (x)FY (y).

Théorème 6 (Lemme des coalitions) Soient X et Y deux variables aléatoires indépendantes. Soit
g(x) une fonction ne dépendant que de x et h(y) une fonction ne dépendant que de y. Alors les
variables aléatoires U = g(X) et V = h(Y ) sont indépendantes.

Dr Prevot Chirac BATSINDILA NGANGA page 28 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.5. V.A.R. à densité indépendantes

Preuve. Pour montrer que g(X) et h(Y ) sont indépendantes, il suffit, d’après l’Expression (1.30),
de prouver que, pour tous réels a et b,

P (g(X) ≤ a, h(Y ) ≤ b) = P (g(X) ≤ a) P ((h(Y ) ≤ b) .

Soient A = {x : g(x) ≤ a} et B = {y : h(y) ≤ b}. Clairement, x ∈ A si et seulement si g(x) ≤ a,
et y ∈ B si et seulement si h(y) ≤ b. Donc,

P (g(X) ≤ a, h(Y ) ≤ b) = P (X ∈ A, Y ∈ B)
= P (X ∈ A) P (Y ∈ B)
= P (g(X) ≤ a) P (h(Y ) ≤ b) . 

Exemple 9 Ainsi, d’après ce théorème, si X et Y sont des variables aléatoires indépendantes, alors
des ensembles tels que {X 2 , Y }, {sin X, eY }, {X 2 − 2X, Y 3 + 3Y } sont des ensembles de variables
aléatoires indépendantes.

Une autre propriété importante des variables aléatoires indépendantes est que l’espérance de leur
produit est égale au produit de leurs espérances respectives.

Théorème 7 Soient X et Y deux variables aléatoires indépendantes. Alors, pour toutes fonctions
réelles g : R → R et h : R → R,

E[g(X)h(Y )] = E[g(X)]E[h(Y )],

où on suppose que E[g(X)] et E[h(Y )] sont finis.

Preuve. Soit fX,Y (x, y) la fonction de densité de probabilité conjointe de X et Y . Alors,

Z ∞ Z ∞
E[g(X)h(Y )] = g(x)h(y)f (x, y) dx dy
−∞ −∞
Z ∞ Z ∞
= g(x)h(y)fX (x)fY (y) dx dy
−∞ −∞
Z ∞ Z ∞ 
= h(y)fY (y) g(x)fX (x) dx dy
−∞ −∞
Z ∞  Z ∞ 
= g(x)fX (x) dx h(y)fY (y) dy
−∞ −∞
= E[g(X)]E[h(Y )]. 

Encore une fois, d’après le Théorème 7, si X et Y sont indépendantes, alors :

E(XY ) = E(X)E(Y ).

Théorème 8 Soient X et Y deux variables aléatoires continues dont la fonction densité de probabi-
lité conjointe est fX,Y (x, y). Alors, X et Y sont indépendantes si et seulement si fX,Y (x, y) est le
produit de leurs densités marginales fX (x) et fY (y).

Dr Prevot Chirac BATSINDILA NGANGA page 29 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.5. V.A.R. à densité indépendantes

Proposition 10 Soient X et Y deux variables aléatoires continues dont la fonction de densité de

probabilité conjointe est fX,Y (x, y). Alors X et Y sont des variables aléatoires indépendantes si et
seulement s’il existe des fonctions g(x) et h(y) telles que, pour tout x ∈ R et y ∈ R,

fX,Y (x, y) = g(x)h(y). (1.31)

Preuve de la Proposition 10. La partie « seulement si » est prouvée en posant g(x) = fX (x) et
h(y) = fY (y) et en utilisant le Théorème 8. Pour prouver la partie « si » pour des variables aléatoires
continues, supposons que f (x, y) = g(x)h(y). Définissons :
Z ∞ Z ∞
g(x) dx = c et h(y) dy = d,
−∞ −∞

où les constantes c et d satisfont :

Z ∞  Z ∞ 
cd = g(x) dx h(y) dy (1.32)
−∞ −∞
Z ∞ Z ∞
= g(x)h(y) dx dy
−∞ −∞
Z ∞ Z ∞
= f (x, y) dx dy
−∞ −∞
= 1, car fX,Y (x, y) est une densité conjointe

De plus, les densités marginales sont données par :

Z ∞
fX (x) = g(x)h(y) dy = g(x)d
−∞
Z ∞
fY (y) = g(x)h(y) dx = h(y)c (1.33)
−∞

Ainsi, en utilisant les Expressions (1.32) et (1.33), on a :

f (x, y) = g(x)h(y) = g(x)h(y)cd = fX (x)fY (y),

ce qui montre que X et Y sont indépendantes. 

Définition 18 (Lois conditionnelles) La densité conditionnelle de Y sachant X = x est définie

par 
 fX,Y (x, y) , si f (x) > 0,


X
f (y | x) = fY |X (y | x) = fX (x)

0,

si fX (x) = 0.

Définition 19 (Espérance conditionnelle) La variable aléatoire qui, à chaque valeur x de X,

associe la quantité E[Y | X = x] et qui est définie sur l’espace de probabilité avec la densité fX (x)
est appelée espérance conditionnelle de Y sachant X. On la note E[Y | X].

Dr Prevot Chirac BATSINDILA NGANGA page 30 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.5. V.A.R. à densité indépendantes

Proposition 11 (Espérance par conditionnement) Soit Y une variable aléatoire dont l’espérance
existe. Alors l’espérance conditionnelle de Y sachant X, notée E[Y | X], admet aussi une espérance
et l’on a :  
E E[Y | X] = E(Y ).
Preuve. La preuve est la même que dans le cas discret. La variable aléatoire E[Y | X] prend les
valeurs E[Y | X = x] avec la densité fX (x) ; son espérance vaut donc
Z Z Z 
E[E[Y | X]] = E[Y | X = x] fX (x) dx = y fY |X (y | x) dy fX (x) dx.
R R R

D’après le théorème de Fubini, on peut inverser l’ordre d’intégration :

Z Z 
E[E[Y | X]] = y fY |X (y | x) fX (x) dx dy.
R R

Or, par définition de la densité marginale de Y ,

Z
fY (y) = fY |X (y | x) fX (x) dx.
R

On obtient donc Z
E[E[Y | X]] = y fY (y) dy = E[Y ].
R


Proposition 12 Soient X et Y deux variables aléatoires indépendantes et notons FX (x) et FY (y)

leurs fonctions de répartition respectives. Posons T = X + Y et notons par FT (t) la fonction de
répartition de T . On a alors :
FT (t) = E[FX (t − Y )]
ou encore
FT (t) = E[FY (t − X)] .

Preuve. En utilisant la définition de la fonction de répartition, on obtient :

FZ (z) = P(Z ≤ z) = P(X + Y ≤ z) (1.34)
= P(X ≤ z − Y ) = E[P(X ≤ z − Y | Y )] (1.35)
= E[P(X ≤ z − Y )] = E[FX (z − Y )] . (1.36)
L’avant-dernière égalité est justifiée par l’indépendance de X et Y , qui implique que les probabilités
conditionnelles sont égales aux probabilités marginales. La seconde formule s’obtient de façon
analogue en échangeant les rôles de X et Y . 

Théorème 9 (Théorème de Convolution : Somme de variables aléatoires indépendantes) Soient

X et Y deux variables aléatoires continues indépendantes, de densités de probabilité respectives
fX et fY , et de fonctions de répartition respectives FX et FY . Alors hX+Y et FX+Y , les densité et
fonction de répartition de la variable T = X + Y , sont données par :
Z ∞ Z ∞
∀t ∈ R, hX+Y (t) = fX (x)fY (t − x) dx = fX (t − u)fY (u) dx,
−∞ −∞
Z ∞
FX+Y (t) = fX (x)FY (t − x) dx.
−∞

Dr Prevot Chirac BATSINDILA NGANGA page 31 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.5. V.A.R. à densité indépendantes

Preuve no 1. Puisque T est une variable aléatoire continue, on commence par déterminer sa fonction
de répartition, puis on en prend la dérivée. Puisque X et Y sont indépendantes,

FT (t) = P(T ≤ t) = P(X + Y ≤ t) (1.37)

Z +∞ Z t−x
= fX (x) fY (y) dy dx (1.38)
−∞ −∞
Z +∞ Z t−x 
= fX (x) fY (y) dy dx (1.39)
−∞ −∞
Z +∞
= fX (x) FY (t − x) dx. (1.40)
−∞

Dans la dernière étape, on a utilisé la définition de la fonction de répartition de Y (on calcule l’aire
sous la densité de Y jusqu’à t − x).
Maintenant, on dérive l’Expression (1.40) par rapport à t. L’intégrale se comporte comme une
somme, ce qui permet de faire passer la dérivation à l’intérieur du signe intégral. De plus, fX (x) est
une constante par rapport à t.
Z +∞
d d
FT (t) = fX (x) FY (t − x) dx (1.41)
dt −∞ dt
Z +∞
= fX (x) fY (t − x) dx, (1.42)
−∞

ce qui était précisément ce que l’on voulait montrer.

Preuve no 2. La fonction de répartition de la somme de deux variables aléatoires indépendantes est

donnée par
FZ (z) = E[FX (z − Y )] . (1.43)
La fonction de densité étant la dérivée de la fonction de répartition, on obtient
d d
fZ (z) = FZ (z) = E[FX (z − Y )] (1.44)
dz dz
" #
d
= E FX (z − Y ) = E[fX (z − Y )] (1.45)
dz
Z +∞
= fX (z − y) fY (y) dy. (1.46)
−∞

La seconde expression s’obtient de manière analogue en échangeant les rôles de X et Y . 

Exemple 10 Soit X une variable aléatoire de densité de probabilité


si x ∈ X (Ω) = [0, 1],
1,
fX (x) = 
0, sinon.

Soit Y une autre variable aléatoire indépendante de X, de densité de probabilité


1, si y ∈ Y (Ω) = [0, 1],
fY (y) = 
0, sinon.

Dr Prevot Chirac BATSINDILA NGANGA page 32 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.5. V.A.R. à densité indépendantes

Déterminer la loi de la variable aléatoire Z = X + Y .

Solution. La fonction de répartition de X est


Z x 0,

 si x ≤ 0,
FX (x) = fX (t) dt = x, si 0 < x ≤ 1,
−∞ 

1, si x > 1.

La fonction de répartition de Z = X + Y est donnée par

FZ (z) = E[FX (z − Y )] (1.47)

Z +∞
= FX (z − y) fY (y) dy (1.48)
−∞
Z 1
= FX (z − y) dy (1.49)
0
Z z−1
[t=z−y]
= − FX (t) dt (1.50)
Z zz
= FX (t) dt. (1.51)
z−1

Il y a alors quatre cas à considérer :

1. Si z ≤ 0, alors
Z z Z z
FZ (z) = FX (t) dt = 0 dt = 0. (1.52)
z−1 z−1

2. Si 0 < z ≤ 1, alors
Z z Z 0 Z z
FZ (z) = FX (t) dt = FX (t) dt + FX (t) dt (1.53)
z−1 z−1 0
z
Z 0 Z z
1 2 1

= 0 dt + t dt = 0 + t = z2. (1.54)
z−1 0 2 0 2
3. Si 1 < z ≤ 2, alors
Z z Z 1 Z z
FZ (z) = FX (t) dt = FX (t) dt + FX (t) dt (1.55)
z−1 z−1 1
Z z 1
Z 1
1

= t dt + 1 dt = t2 + [t]z1 (1.56)
z−1 1 2 z−1
1 1
= − (z − 1)2 + z − 1 (1.57)
2 2
1 1 2 1 1
= − z + z − + z − 1 = − z 2 + 2z − 1. (1.58)
2 2 2 2
4. Si z > 2, alors
Z z
FZ (z) = FX (t) dt (1.59)
z−1
Z z
= 1 dt = [t]zz−1 = z − (z − 1) = 1. (1.60)
z−1

Dr Prevot Chirac BATSINDILA NGANGA page 33 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.5. V.A.R. à densité indépendantes

Par conséquent, en combinant ces quatre cas, on obtient






0, si z ≤ 0,


 1 2
si 0 < z ≤ 1,

 z ,


FZ (z) = 2
 1
− z2 + 2z − 1, si 1 < z ≤ 2,






 2

1,

si z > 2.

Proposition 13 Si X et Y sont deux V.A.R. à densité, indépendantes et admettant chacune une

variance, alors
X + Y admet une variance et :

Var (X + Y ) = Var (X) + Var (Y ) .

Preuve.

Var (X + Y ) = E((X + Y )2 ) − [E(X + Y )]2

= E(X 2 ) + E(Y 2 ) + 2E(XY ) − E(X)2 − 2E(X)E(Y ) − E(Y )2
= E(X 2 ) − E(X)2 + E(Y 2 ) − E(Y )2 = V (X) + V (Y ). 

Proposition 14 Soit ai ∈ R, i ∈ J1 ; nK. Si X1 , X2 , . . . , Xn sont indépendantes deux à deux, alors :

n n
!
a2i Var(Xi ),
X X
Var ai X i =
i=1 i=1
n n
!
X X
Var Xi = Var(Xi ).
i=1 i=1

Définition 20 Une médiane d’une variable aléatoire X est une valeur xm (≡ x̃) pour laquelle
1 1
P[X ≤ xm ] ≥ et P[X ≥ xm ] ≥ . (1.61)
2 2
Remarque 15 Lorsque X est une variable aléatoire continue qui prend toutes ses valeurs dans un
seul intervalle (fini ou infini), la médiane est unique et on peut la définir comme suit :
1 1
 
P[X ≤ xm ] = =⇒ P[X ≥ xm ] = . (1.62)
2 2
La médiane, dans le cas continu, est un cas particulier de la notion de quantile.

Définition 21 Soit X une variable aléatoire continue dont l’ensemble des valeurs possibles est un
intervalle quelconque ]a, b[. Le nombre xp est appelé 100(1 − p)e quantile de X si

P[X ≤ xp ] = 1 − p, où 0 < p < 1. (1.63)

Dr Prevot Chirac BATSINDILA NGANGA page 34 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.5. V.A.R. à densité indépendantes

Remarque 16 Si 100p est un entier, alors xp est aussi appelé 100(1 − p)e centile de X. La médiane
d’une variable aléatoire continue est donc le 50e centile de X. Le 25e centile est aussi appelé premier
quartile, le 50e centile est le second quartile, et le 75e centile est le troisième quartile. Finalement,
la différence entre le troisième et le premier quartile est appelée écart interquartile.

Définition 22 Le percentile d’ordre (100p) (0 ≤ p ≤ 1) d’une loi de probabilité de fonction de

répartition F est la valeur πp telle que

F (πp ) = P (X ≤ πp ) = p. (1.64)

Pour déterminer le percentile πp d’une variable aléatoire continue, qui est une valeur possible de
la variable aléatoire, on fixe une probabilité cumulée p et l’on résout, par rapport à πp , l’équation
suivante :
Z πp
f (t) dt = p. (1.65)
−∞

Remarque 17 Il existe certaines valeurs de p pour lesquelles le percentile correspondant porte un

nom particulier.
— Médiane ou 50e percentile :
π0.5 = µ = Q2 ,
elle partage la probabilité (aire sous la densité) en deux parties égales.
— Premier quartile ou 25e percentile :

π0.25 = Q1 ,

il sépare le premier quart (25%) de la probabilité totale du reste.

— Troisième quartile ou 75e percentile :

π0.75 = Q3 ,

il sépare les trois quarts (75%) de la probabilité totale du reste.

Travail no 5.
Soit la variable aléatoire X représentant le temps d’attente (en minutes) d’une personne avant
l’arrivée d’un ascenseur. On suppose que le temps d’attente maximal est de 2 minutes, de sorte que
les valeurs possibles de X sont données par l’intervalle [0, 2]. Une densité de probabilité pour X est
définie par


 x, pour 0 ≤ x ≤ 1,


fX (x) = 2 − x, pour 1 < x ≤ 2, (1.66)



0, sinon.


Déterminer la médiane et les quartiles.

Dr Prevot Chirac BATSINDILA NGANGA page 35 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.5. V.A.R. à densité indépendantes

F IGURE 1.1 – Courbe représentative de fX

Solution Le graphe de la fonction fX est donné ci-dessus.

Déterminons la fonction de répartition associée. Commençons par calculer la fonction de répartition
en deux valeurs possibles de X, à savoir x = 0,5 et x = 1,5.
Pour x = 0,5 :
" #0.5
Z 0.5 Z 0.5
t2
FX (0.5) = f (t) dt = t dt = = 0.125. (1.67)
−∞ 0 2 0

Pour x = 1,5 :
Z 1.5
FX (1.5) = f (t) dt
−∞
Z 1 Z 1.5
= t dt + (2 − t) dt
0 1
" #1 " #1.5
t2 t2
= + 2t −
2 0 2 1
= 0.5 + (1.875 − 1.5) = 0.875. (1.68)

Déterminons maintenant FX (x) de manière générale, en travaillant sur les intervalles où la densité
fX (x) admet des expressions différentes.
Pour x < 0 :
Z x
FX (x) = 0 dt = 0. (1.69)
−∞

Pour 0 ≤ x ≤ 1 :
" #x
Z x
t2 x2
FX (x) = t dt = = . (1.70)
0 2 0
2

Dr Prevot Chirac BATSINDILA NGANGA page 36 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.6. V.A.R. à densité indépendantes

Pour 1 < x ≤ 2 :
Z 1 Z x
FX (x) = t dt + (2 − t) dt
0 1
" #x
1 t2
= + 2t −
2 2 1
!
x2
= 0.5 + 2x − − (2 − 0.5)
2
2
x
= 2x − − 1. (1.71)
2

Pour x > 2 :
Z x
FX (x) = fX (t) dt = 1. (1.72)
−∞

En rassemblant ces résultats, on obtient la fonction de répartition sous forme définie par morceaux :




0, si x < 0,


x2





 , si 0 ≤ x ≤ 1,
FX (x) = 2 (1.73)
x2


2x − − 1, si 1 < x ≤ 2,



2






1, si x > 2.
Déterminons la médiane et les quartiles.
— Médiane : on cherche π0.5 telle que F (π0.5 ) = 0.5. D’après le graphe de la fonction de répartition
(Figure 1.1), on obtient

π0.5 = 1. (1.74)

— Premier quartile : on cherche Q1 = π0.25 telle que F (π0.25 ) = 0.25. Pour cela, on utilise
l’expression de la fonction de répartition et son graphe ( voir la Figure 1.1) :
2
π0.25 √
= 0.25 =⇒ Q1 = π0.25 = 0.5 ' 0.707. (1.75)
2

— Troisième quartile : on cherche Q3 = π0.75 telle que F (π0.75 ) = 0.75. En utilisant à nouveau
l’expression de la fonction de répartition, on obtient
2
π0.75
2π0.75 − − 1 = 0.75. (1.76)
2
En résolvant cette équation du second degré, il vient
√
4− 2
Q3 = π0.75 = ' 1.293. (1.77)
2

Dr Prevot Chirac BATSINDILA NGANGA page 37 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.6. Fonctions génératrices

Définition 23 Un mode d’une variable aléatoire X est n’importe quelle valeur x qui correspond à
un maximum local pour fX (x).

Remarque 18 Le mode n’est donc pas nécessairement unique. Une distribution qui possède un seul
mode est dite unimodale.

Définition 24 L’étendue d’une variable aléatoire est la différence entre la plus grande valeur que
cette variable peut prendre et la plus petite.

1.1.6 Fonctions génératrices

[Link] Fonctions génératrices des moments

Définition 25 Soit X une variable aléatoire. On définit sa fonction génératrice des moments par :

MX (t) = E(etX ).
Si MX (t) est finie pour toutes les valeurs de t appartenant à un intervalle ]−δ, δ[, avec δ > 0, alors
MX (t) est appelée la fonction génératrice des moments de X. Dans le cas contraire, on dit que
la fonction génératrice des moments de X n’existe pas.

Lorsque X est une variable aléatoire continue admettant une fonction de densité de probabilité
fX (x), alors :
Z +∞
MX (t) = etx fX (x) dx. (1.78)
−∞

Il est important de noter que la condition selon laquelle MX (t) est finie dans un voisinage de 0,
c’est-à-dire sur un intervalle ]−δ, δ[ pour un certain δ > 0, est essentielle. Sans cette hypothèse,
certains moments de X peuvent ne pas exister.
Comme son nom l’indique et comme cela sera précisé par la suite, la fonction génératrice des
moments d’une variable aléatoire X permet de retrouver les moments de X en différentiant MX (t)
et en évaluant les dérivées en t = 0.

Théorème 10 Soit X une variable aléatoire admettant une fonction génératrice des moments
MX (t). Alors, pour tout entier n ≥ 1,
(n) (n)
E(X n ) = MX (0)
(0), (1.79)
où l’on définit :

(n)
(n) dn
MX (0) = MX (t) , (1.80)
dtn t=0
(n)
(n)
où MX (t) désigne la dérivée n-ième de MX (t) relativement à t. Autrement dit, le n-ième moment
est égal à la n-ième dérivée de MX (t) évaluée en t = 0.

Dr Prevot Chirac BATSINDILA NGANGA page 38 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.6. Fonctions génératrices

Le but du Théorème 11 suivant est non seulement de caractériser les conditions sous lesquelles il
est légitime d’interchanger l’ordre d’intégration et de différentiation, mais aussi de nous préparer à
établir la preuve du Théorème 10.
Beaucoup de ces conditions peuvent être établies en utilisant des théorèmes standards du calcul
différentiel et intégral, et des démonstrations détaillées peuvent être trouvées dans la plupart des
cours d’analyse. Ainsi, elles ne seront pas présentées ici.
Nous souhaitons d’abord donner la méthode de calcul suivante :
d Z b(θ)
f (x, θ) dx,
dθ a(θ)
où −∞ < a(θ), b(θ) < +∞ pour tout θ. La règle pour dériver cette expression est appelée règle de
Leibniz, et elle constitue une application du théorème fondamental du calcul intégral ainsi que
de la règle de la chaîne.

Théorème 11 (Règle de Leibniz) Si f (x, θ), a(θ) et b(θ) sont différentiables par rapport à θ,
alors :

d Z b(θ) d d Z b(θ)
∂
f (x, θ) dx = f (b(θ), θ) b(θ) − f (a(θ), θ) a(θ) + f (x, θ) dx.
dθ a(θ) dθ dθ a(θ) ∂θ

Remarquons que si a(θ) et b(θ) sont constants, nous obtenons un cas particulier de la règle de
Leibniz :
d Zb Z b
∂
f (x, θ) dx = f (x, θ) dx. (1.81)
dθ a a ∂θ

Ainsi, en général, si l’on considère l’intégrale d’une fonction différentiable sur un intervalle fini, la
différentiation sous le signe intégral ne pose aucun problème. En revanche, si l’intervalle d’intégra-
tion est infini, des problèmes peuvent survenir.
Remarquons que l’interversion entre dérivée et intégrale dans l’Équation (1.81) précédente corres-
pond à identifier une dérivée partielle avec une dérivée ordinaire. Formellement, cela doit être le cas
puisque le membre de gauche est une fonction uniquement de θ, tandis que l’intégrande du membre
de droite dépend à la fois de θ et de x.
Preuve no 1 du Théorème 10. Si X est continue et admet une fonction de densité f (x), alors :
d +∞ Z Z +∞ 
MX0 (t) = etx fX dx = xetx fX dx,
dt −∞ −∞
Z +∞ Z +∞
d

00 tx
MX (t) = xe fX dx = x2 etx fX dx,
dt −∞ −∞
..
. Z +∞
(n)
MX (t) = xn etx fX (x) dx. (1.82)
−∞

La validité du passage de la dérivation sous le signe intégral repose sur la régularité suffisante de la
fonction fX . En prenant t = 0 dans l’Équation (1.82), on obtient :
Z +∞
(n)
MX (0) = xn fX dx = E(X n ),
−∞

ce qui conclut la preuve. 

Dr Prevot Chirac BATSINDILA NGANGA page 39 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.6. Fonctions génératrices

Remarque 19 Puisque MX (t) est finie dans un intervalle ]−δ, δ[ avec δ > 0, il en résulte que pour
(n)
tout entier n ≥ 1, la dérivée MX (t) existe.

Preuve no 2 du Théorème 10. Supposons que l’on puisse différencier sous le signe intégral. Alors :

Z +∞
d d

tx
MX (t) = e fX (x) dx
dt dt −∞
!
Z +∞
d tx
= e fX (x) dx
−∞ dt
Z +∞
= (xetx )fX (x) dx
−∞
= E(XetX ).
Ainsi,
d
MX (t) = E(XetX ) = E(X).
dt t=0 t=0

En procédant de manière analogue, on établit que :

dn
MX (t) = E(X n etX ) = E(X n ). 
dtn t=0 t=0

Corollaire 2 La série de Maclaurin de MX (t) est donnée par :

∞ (n) ∞
X MX (0) n X E(X n ) n
MX (t) = t = t .
n=0 n! n=0 n!

Ainsi, E(X n ) est le coefficient de tn /n! dans le développement en série de Maclaurin de MX (t).

Il est important de savoir que si MX doit être fini, alors les moments de tous les ordres de X doivent
être finis. Mais la réciproque n’est pas nécessairement vraie. C’est-à-dire que tous les moments
peuvent être finis et pourtant il n’existe aucun voisinage de 0, de la forme ]−δ, δ[, avec δ > 0, sur
lequel MX soit fini.

Preuve no 3 du Théorème 10. En utilisant la définition de la fonction génératrice des moments, on

peut écrire :
(n) dn  tX 
MX (t) = E e . (1.83)
dtn
En utilisant le développement en série entière de la fonction exponentielle
+∞
x
X xn
e = , (1.84)
n=0 n!

l’Équation (1.83) devient

+∞
dn X tm X m
!
(n)
MX (t) = E . (1.85)
dtn m=0 m!

Dr Prevot Chirac BATSINDILA NGANGA page 40 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.6. Fonctions génératrices

Comme l’espérance est un opérateur linéaire, on obtient

(n) dn +∞
X  tm X m 
MX (t) = E
dtn m=0 m!
+∞
dn t m
 
E(X m ).
X
= n m!
(1.86)
m=0 dt
En utilisant la dérivée d’ordre n de la puissance m-ième,

n
d m mn xm−n , si n ≤ m,

x = (1.87)
dxn  0, si n > m,
où la factorielle décroissante est définie par
n−1
m!
mn =
Y
(m − i) = . (1.88)
i=0 (m − n)!

L’Équation (1.86) devient

+∞
(n) mn tm−n
E(X m )
X
MX (t) =
m=n m!
+∞
m! tm−n
E(X m )
X
= (1.89)
m=n (m − n)! m!
+∞
tm−n
E(X m )
X
=
m=n (m − n)!
+∞
tn−n tm−n
E(X n ) + E(X m )
X
=
(n − n)! m=n+1 (m − n)!

+∞
(n) t0 tm−n
E(X n ) + E(X m )
X
MX (t) =
0! m=n+1 (m − n)!
+∞
n tm−n
E(X m ).
X
= E(X ) + (1.90)
m=n+1 (m − n)!

En posant t = 0 dans l’Équation (1.90), on obtient

+∞
(n) 0m−n
MX (0) = E(X n ) + E(X m )
X

m=n+1 (m − n)!
= E(X n ), (1.91)
ce qui est conforme à l’Équation (1.79). 

Théorème 12 Soient X1 , X2 , . . . , Xn des variables aléatoires indépendantes, de fonctions géné-

ratrices des moments respectives MXi (t), i = 1, 2, . . . , n, définies pour −hi < t < hi , où hi > 0,
i = 1, 2, . . . , n. Alors, la fonction génératrice des moments de Y = ni=1 ai Xi est donnée par
P

n
Y
MY (t) = MXi (ai t), −hi < ai t < hi , i = 1, 2, . . . , n. (1.92)
i=1

Dr Prevot Chirac BATSINDILA NGANGA page 41 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.6. Fonctions génératrices

Preuve. D’après le Théorème 7, la fonction génératrice des moments de Y est

  h i
MY (t) = E etY = E et(a1 X1 +a2 X2 +···+an Xn )
h i
= E ea1 tX1 ea2 tX2 · · · ean tXn . (1.93)

Comme X1 , . . . , Xn sont indépendantes, on a

     
MY (t) = E ea1 tX1 E ea2 tX2 · · · E ean tXn . (1.94)

Or, par définition,

 
E etXi = MXi (t), (1.95)

d’où
 
E eai tXi = MXi (ai t). (1.96)

Ainsi,
n
Y
MY (t) = MX1 (a1 t)MX2 (a2 t) · · · MXn (an t) = MXi (ai t). (1.97)
i=1

Corollaire 3 Soient X1 , X2 , . . . , Xn n variables aléatoire dont la fonction génératrice des moments

est M (t), définie pour −h < t < h. Alors :
Pn
(i) la fonction génératrice des moments de Y = i=1 Xi est donnée par
n
M (t) = [M (t)]n ,
Y
MY (t) = −h < t < h. (1.98)
i=1

n
X 1
(ii) la fonction génératrice des moments de la moyenne empirique X = Xi est donnée par
i=1 n

n  n
t t t
Y   
MX (t) = M = M , −h < < h. (1.99)
i=1 n n n

Théorème 13 Soient X et Y deux variables aléatoires ayant pour fonctions génératrices des
moments MX (t) et MY (t). S’il existe un δ > 0 tel que MX (t) = MY (t) pour toutes les valeurs de t
dans ]−δ, δ[, alors X et Y ont la même fonction de probabilité.

Dr Prevot Chirac BATSINDILA NGANGA page 42 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.1. Généralités 1.1.7. Fonction caractéristique

[Link] Fonction génératrice des moments factoriels

Définition 26 Soit X une variable aléatoire (à valeurs entières non négatives). La fonction géné-
ratrice des moments factoriels de X, notée ηX , est définie pour tout t ∈ R par
 
ηX (t) = E tX , t ∈ R. (1.100)

Remarque 20 Il est important de remarquer que :

ηX (t) = MX (ln t) , t > 0. (1.101)

En différenciant n fois l’Expression (1.100), on obtient

dn dn dn X
!
X
ηX (t) = E(t ) = E t (1.102)
dtn dtn dtn
 
= E X(X − 1) · · · (X − n + 1) tX−n . (1.103)

Ainsi,
dn
ηX (t) = E[X(X − 1) · · · (X − n + 1)] . (1.104)
dtn t=1

Si n = 2,
d2
ηX (t) = E[X(X − 1)] . (1.105)
dt2
Si n = 1,
d
ηX (t) = E(X). (1.106)
dt
Puisque

E(X 2 ) = E[X(X − 1) + X] = E[X(X − 1)] + E(X), (1.107)

alors les Expressions (1.105) et (1.106) dans l’Expression 1.107 donnent :

d2 d
E(X 2 ) = 2
ηX (t) + ηX (t). (1.108)
dt dt
D’où :
" # !2
d2 d d
Var(X) = 2
ηX (t) + ηX (t) − ηX (t) . (1.109)
dt dt dt
Il est bon de noter que :
!
d d
ηX (t) = (ln t) MX0 (ln t). (1.110)
dt dt

Dr Prevot Chirac BATSINDILA NGANGA page 43 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.1. Loi uniforme

1.1.7 Fonction caractéristique

Définition 27 Soit X une variable aléatoire réelle. La fonction caractéristique de X, notée ϕX ,

est définie pour tout t ∈ R par
 
ϕX (t) = E eitX , où i2 = −1. (1.111)

Remarque 21 Comme ϕX (t) = E(eitX ), alors pour tout n ∈ N∗ ,

dn dn dn itX
!
itX
ϕX (t) = E(e ) = E e (1.112)
dtn dtn dtn
= E(in X n eitX ). (1.113)

On a donc
dn
n
ϕX (t) = in E(X n ). (1.114)
dt t=0

Autrement dit,
dn
E(X n ) = n
ϕX (t) · (−i)n , n ∈ N∗ . (1.115)
dt t=0

La fonction génératrice des moments d’une variable aléatoire X, notée MX , est définie par :
 
MX (t) = E etX , t ∈ R. (1.116)

Il est important de remarquer que :

ϕX (t) = MX (it), t ∈ R. (1.117)

Théorème 14 (Inversion de la fonction caractéristique)

  Soit X une variable aléatoire réelle. On
suppose que sa fonction caractéristique ϕX (t) = E eitX est intégrable sur R. Alors la variable
aléatoire X admet une densité de probabilité fX , et cette densité est donnée, pour presque tout
x ∈ R, par
1 Z
fX (x) = ϕX (t) e−itx dt. (1.118)
2π R

1.2 Lois usuelles

1.2.1 Loi uniforme
La loi uniforme (ou rectangulaire) est une loi très simple. Elle fournit un modèle utile pour certains
phénomènes aléatoires, comme le fait de choisir un nombre au hasard dans l’intervalle [0, 1] ; dans
ce cas, on considère la valeur d’une variable aléatoire uniformément distribuée sur l’intervalle [0, 1].

Dr Prevot Chirac BATSINDILA NGANGA page 44 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.1. Loi uniforme

Définition 28 Une V.A.R. X suit la loi uniforme sur [a, b] (notée U([a, b])) lorsque X admet pour
densité la fonction fX définie par :

1

fX (x) =

si x ∈ [a, b]
b−a .


fX (x) = 0 sinon

La définition est la même sur chacun des intervalles ]a, b[, [a, b] et ]a, b].

Remarque 22 fX est continue sur R \ {a, b}, positive et :

Z a Z b
Z +∞
1 Z +∞
fX (x) dx = 0 dx + dx + 0 dx = 1.
−∞ −∞ a b−a b

Donc f est bien une densité de probabilité.

Théorème 15 Soit X une variable aléatoire suivant une loi uniforme continue : X U(a, b).
Alors, la fonction de répartition de X est donnée par



0, si x < a,


x−a


FX (x) = , si a ≤ x ≤ b,




b−a

1,

si x > b.

Preuve. La fonction de densité de probabilité de la loi uniforme continue est donnée par
1


 , si a ≤ x ≤ b,
fX (x) = b − a


0, sinon.
Ainsi, la fonction de répartition est
Z x
FX (x) = fX (z) dz. (1.119)
−∞

Tout d’abord, si x < a, on a

Z x
FX (x) = 0 dz = 0. (1.120)
−∞

De plus, si a ≤ x ≤ b, on obtient
Z a Z x
FX (x) = fX (x) dz + fX (x) dz (1.121)
−∞ a
Z a Z x
1
= 0 dz + dz (1.122)
−∞ a b−a
1
= 0+ [z]x (1.123)
b−a a
x−a
= . (1.124)
b−a

Dr Prevot Chirac BATSINDILA NGANGA page 45 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.1. Loi uniforme

Enfin, si x > b, on a
Z b Z x
FX (x) = fX (x) dz + fX (x) dz (1.125)
−∞ b
Z x
= FX (b) + 0 dz (1.126)
b

b−a
= +0 (1.127)
b−a
= 1. (1.128)
Ceci achève la preuve. 

Proposition 15 Si X suit la loi uniforme sur [a, b], alors X admet une espérance mathématique :
a+b
E(X) = .
2
Preuve
Z b
Z +∞
x 1 Zb
E(X) = xf (x) dx = dx = x dx
−∞ a b−a b−a a
" #b
1 x2 1 b 2 − a2 b+a
= = · = .
b−a 2 a b−a 2 2
b+a
Donc E(X) existe et E(X) = .
2
Proposition 16 Soit X une variable aléatoire suivant une loi uniforme continue :
X U(a, b). (1.129)
Alors, la variance de X est
1
Var(X) = (b − a)2 . (1.130)
12

Preuve. La variance est la moyenne pondérée du carré de l’écart à la moyenne :

Z
Var(X) = (x − E(X))2 fX (x) dx. (1.131)
R
Avec l’espérance et la densité de la loi uniforme continue, cela donne :
Z b !2 !2
a+b 1 1 Zb a+b
Var(X) = x− dx = x− dx (1.132)
a 2 b−a b−a a 2
 !3 b  !3 b
1 1 a+b 1 2x − (a + b)
= x−  =   (1.133)
b−a 3 2 3(b − a) 2
a a

1 h ib
= (2x − a − b)3 (1.134)
24(b − a) a

1 h i
= (2b − a − b)3 − (2a − a − b)3 (1.135)
24(b − a)

Dr Prevot Chirac BATSINDILA NGANGA page 46 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.1. Loi uniforme

1 h i
= (b − a)3 − (a − b)3 (1.136)
24(b − a)
1 h i
= (b − a)3 + (−1)3 (b − a)3 (1.137)
24(b − a)
2(b − a)3 1
= = (b − a)2 . (1.138)
24(b − a) 12
Ceci achève la preuve. 

Remarque 23 (voir l’Exemple 10, Page 32) La loi triangulaire est obtenue en faisant le produit
de convolution de deux lois uniformes (continues) de même support (ce qui correspond à la loi de la
somme de deux variables aléatoires réelles indépendantes suivant une même loi uniforme).

Travail no 6.
Le service de recherche d’un fabricant d’acier pense que l’une des machines de laminage de
l’entreprise produit des tôles d’acier d’épaisseur variable. L’épaisseur est une variable aléatoire
uniforme prenant des valeurs comprises entre 150 et 200 mm.
Soit X l’épaisseur des tôles produites par cette machine.
(i) Calculer la moyenne et l’écart-type de X.
(ii) Représenter graphiquement la loi de probabilité de X.
(iii) Toute tôle dont l’épaisseur est inférieure à 160 mm doit être mise au rebut ; calculer la
proportion de tôles produites par cette machine qui doivent être rebutées.

Travail no 7.
Soit (Xi )1≤i≤n une famille de V.A.R. uniformes sur [0, a] indépendantes. (a > 0). On pose U =
sup (Xi ) et V = inf (Xi ).
1≤i≤n 1≤i≤n

(i) Déterminer les densités de U et V .

(ii) Calculer E (U ) et Var (V ).

Travail no 8.

1. Soient X0 , . . ., Xk des V.A.R. uniformes sur [0, 1], indépendantes.

(i) Calculer la loi de Uk = min (X0 , . . . Xk ).
 
(ii) Soit N la loi binomiale B n, 21 . Calculer la loi de U = min (X0 , . . . XN ).
2. X suit la loi uniforme sur [−1, 1]. Déterminer la loi de Y = 21 ln 1−X
1+X
.
3. Soit n un entier ≥ 2 et X1 , . . . , Xn n V.A.R. indépendantes de densité f :

f (x) = x12 si x ∈ ]1, +∞[
.
f (x) = 0 sinon

Dr Prevot Chirac BATSINDILA NGANGA page 47 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.2. Loi exponentielle

(i) Étudier l’existence de E (Xi ) et Var (Xi ). Effectuer le calcul en cas d’existence.
(ii) Soit Y = min (Xi ). Déterminer la loi de Y et étudier l’existence de E (Y ).
(iii) Même question pour Z = max (Xi ).

Travail no 9.
Une personne doit se rendre à un rendez-vous à 17 h 30 min. Elle appelle un taxi qui arrive à son
domicile entre 16 h et 17 h à un instant 16 + t, où t exprimé en heures suit une loi uniforme sur
[0, 1]. Étant donné la circulation, la durée de la course est :

t+1 1
d = 2
si t ≤ 2
d = 3t
.
2
sinon

(i) Déterminer la fonction de répartition de l’heure d’arrivée au rendez-vous.

(ii) Déterminer l’espérance mathématique de l’heure d’arrivée.
(iii) Sachant que la personne est arrivée à l’heure à son rendez-vous, quelle est la probabilité que le
taxi soit arrivé chez elle avant 16 h 30 min ?

1.2.2 Loi exponentielle

La loi exponentielle trouve des applications dans les situations liées à la durée de vie d’un équipement
ou au temps de service à un guichet dans une file d’attente. Ainsi, la loi exponentielle constitue un
bon modèle chaque fois qu’un temps d’attente est associé à la survenue d’un événement donné, par
exemple le temps d’attente avant qu’une panne se produise dans une machine. La loi exponentielle
est définie comme suit.

Définition 29 Une V.A.R. X suit la loi exponentielle de paramètre α > 00, et on note X E(α)
ou X exp (α), lorsque X admet pour densité la fonction fX définie par

f (x) = αe−αx si x ≥ 0
X
fX (x) = 0 si x < 0.

Remarque 24 On a bien une densité de probabilité puisque

– f (x) ≥ 0 ∀x ∈ R,
– f est continue sur R+ et R−∗ ,
– Z +∞ Z 0 Z +∞
f (t) dt = 0 dt + λe−λt dt.
−∞ −∞ 0
Or, si A > 0, Z A h iA
λe−λt dt = −e−λt = 1 − e−λA −−−−→ 1,
0 0 A→+∞

donc Z +∞
f (t) dt = 1.
−∞

Dr Prevot Chirac BATSINDILA NGANGA page 48 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.2. Loi exponentielle

Remarque 25 La loi exponentielle peut être considérée comme l’équivalent en continu de la loi
géométrique dans le cas discret. En effet, elle modélise un temps d’attente du premier succès dans
un processus de Poisson.

Théorème 16 Soit X une variable aléatoire suivant une loi exponentielle : X exp(α). Alors,
la fonction de répartition de X est donnée par

0,
 si x < 0,
FX (x) =
1 − exp(−αx),

si x ≥ 0.

Preuve. La fonction de densité de probabilité de la loi exponentielle est


0,
 si x < 0,
fX (x) = (1.139)
α exp(−αx), si x ≥ 0.


Ainsi, la fonction de répartition est

Z x
FX (x) = fX (z) dz. (1.140)
−∞

Si x < 0, on a
Z x
FX (x) = 0 dz = 0. (1.141)
−∞

Si x ≥ 0, en utilisant l’Expression (1.139), on obtient :

Z 0 Z x
FX (x) = fX (z) dz + fX (z) dz
−∞ 0
Z 0 Z x
= 0 dz + α exp[−αz] dz
−∞ 0
x
1
 
= 0 + α − exp[−αz]
α 0
1 1
   
= α − exp[−αx] − − exp[−α · 0]
α α
= 1 − exp[−αx].  (1.142)

Théorème 17 Soit X une variable aléatoire suivant une loi exponentielle :

X exp(α). (1.143)

Alors, la fonction génératrice des moments de X est

α
MX (t) = , (1.144)
α−t
qui est bien définie pour t < α.

Dr Prevot Chirac BATSINDILA NGANGA page 49 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.2. Loi exponentielle

Preuve. Supposons que X suive une loi exponentielle de paramètre (taux) α, c’est-à-dire
X Exp(α). (1.145)
Alors, la fonction de densité de probabilité est donnée par
fX (x) = αe−αx , α > 0 (1.146)
et la fonction génératrice des moments est définie par
h i
MX (t) = Eα etX . (1.147)
En utilisant la définition de l’espérance pour les variables aléatoires continues, la fonction génératrice
des moments de X est donnée par :
Z +∞ Z +∞ Z +∞
MX (t) = etx fX (x) dx = etx αe−αx dx = αex(t−α) dx
0 0 0
α α x(t−α) α α
   
x=+∞
= ex(t−α) = lim e − = lim e x(t−α)
−1 .
t−α x=0 x→+∞ t−α t−α t−α x→+∞

Notons que t ne peut pas être égal à α, sinon MX (t) n’est pas définie. De plus, si t > α, alors
limx→+∞ ex(t−α) = +∞, ce qui implique que MX (t) diverge pour t ≥ α. Nous devons donc
restreindre le domaine de MX (t) à t < α. Sous cette hypothèse, on peut simplifier davantage :

α α α
 
x(t−α)
MX (t) = lim e −1 = [0 − 1] = . (1.148)
t−α x→+∞ t−α α−t
Ceci achève la démonstration. 

Remarque 26 Si X1 , X2 , . . . , Xn sont i.i.d. et admettent une fonction génératrice des moments

MX (t), alors la fonction génératrice des moments de ni=1 Xi est donnée par
P

h Pn i n h i n
t Xi
E etXi = MX (t) = (MX (t))n .
Y Y
MPn Xi (t) = E e = (1.149)
i=1
i=1
i=1 i=1
Pn
Si X1 , X2 , . . . , Xn sont i.i.d. de loi exponentielle exp(α), quelle est la loi de i=1 Xi ?
La fonction génératrice des moments de la loi exponentielle exp(α) est, d’après l’Expression (1.148),
donnée par
α
MX (t) = . (1.150)
α−t
Pn
La fonction génératrice des moments de i=1 Xi est alors
n −n −n
α α−t t
  
n
MPn X (t) = (MX (t)) = = = 1− , (1.151)
i=1 i
α−t α α
qui est la fonction génératrice des moments d’une loi Gamma (voir la Définition 35, Page 89 et l’
Expression (1.414), Page 93) de paramètres n et α > 0.
Ainsi,
n
X
Xi Gamma(n, α). (1.152)
i=1

Dr Prevot Chirac BATSINDILA NGANGA page 50 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.2. Loi exponentielle
i.i.d.
Soient X1 , · · · , Xn exp(α), c’est-à-dire des variables aléatoires indépendantes et de même loi
exponentielle de paramètre α > 0. On souhaite calculer la densité de Sn = X1 + · · · + Xn .
Cas de base : X1
fS1 (x) = fX1 (x) = αe−αx , x ≥ 0. (1.153)

Cas n = 2 : S2 = X1 + X2
Z x
fS2 (x) = fX1 (y)fX2 (x − y) dy (1.154)
0
Z x
= αe−αy · αe−α(x−y) dy (1.155)
0
Z x
= α2 e−αx dy = α2 xe−αx . (1.156)
0

Donc :
α2 x1 e−αx
fS2 (x) = , x ≥ 0. (1.157)
1!
Cas n = 3 : S3 = S2 + X3
Z x
fS3 (x) = fS2 (y)fX3 (x − y) dy (1.158)
Z0x
= α2 ye−αy · αe−α(x−y) dy (1.159)
0

3 −αx
Z x
x2
= α e y dy = α3 e−αx · . (1.160)
0 2
Donc :
α3 x2 e−αx
fS3 (x) = , x ≥ 0. (1.161)
2!
Cas n = 4 : S4 = S3 + X4
Z x
fS4 (x) = fS3 (y)fX4 (x − y) dy (1.162)
0
α3 y 2 −αy
Z x
= e · αe−α(x−y) dy (1.163)
0 2
α4 e−αx Z x 2 α4 e−αx x3 α4 x3 e−αx
= y dy = · = . (1.164)
2 0 2 3 6
Donc :
α4 x3 e−αx
fS4 (x) = , x ≥ 0. (1.165)
3!
Conclusion : On obtient bien la forme de la densité de la loi Gamma (voir la Définition 35) de
paramètres n et α :
αn xn−1 e−αx αn n−1 −αx
fSn (x) = = x e , x ≥ 0. (1.166)
(n − 1)! Γ (n)

Dr Prevot Chirac BATSINDILA NGANGA page 51 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.2. Loi exponentielle

Proposition 17 Si X suit la loi exponentielle de paramètre α, X admet une espérance mathéma-

1 1
tique : Eα (X) = , et une variance : Varα (X) = 2 .
α α

Preuve Z +∞ Z A
xfX (x) dx = lim αxe−αx dx si cette limite existe.
0 A→+∞ 0

On a :

Z A h iA Z A
−αx
αxe dx = −xe−αx + e−αx dx
0 0 0
−αx A
" #
e
= −Ae−αA + −
α 0
−αA
" #
−αA 1 e
= −Ae − − +
α α
e−αA 1
= −Ae−αA + − .
α α
1 −αA 1
limA→+∞ (−A − )e = 0 donc Eα (X) existe et Eα (X) = .
α α
Remarquons que
Z +∞ Z A
x2 fX (x) dx = lim αx2 e−αx dx
0 A→+∞ 0

et

"Z #
A h iA Z A Z A
2 −αx
lim αx e dx = −x2 e−αx + 2xe −αx
dx = −A e 2 −αA
+2 −αx
xe dx = 0.
A→+∞ 0 0 0 0

2 Z +∞ −αx 2 1 2
Donc Eα (X 2 ) existe et Eα (X 2 ) = xe dx = · = 2 .
α 0 α α α
Par suite, Varα (X) existe et
1
Varα (X) = Eα (X 2 ) − Eα (X)2 = .
α2

Proposition 18 (Caractérisation de la loi exponentielle : Propriété de non vieillissement)

Une X une V.A.R. suit une loi exponentielle si et seulement si :


 X (Ω) =]0, +∞[



∀(s, t) ∈ R2+ , P [(X > s + t) | (X > s)] = P(X > t)


∀s ∈ R+ , P(X > s) 6= 0.


Dr Prevot Chirac BATSINDILA NGANGA page 52 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.2. Loi exponentielle

Preuve
X suit la loi exponentielle E(α), X(Ω) = R+∗ et
Z +∞
∀s ∈ R+ , P(X > s) = αe−αx dx = e−αs 6= 0
s

donc ∀(s, t) ∈ R+ × R+ , s + t ∈ R+∗ et on a :

P[(X > s + t) ∩ (X > s)] P(X > s + t)

P[(X > s + t)/(X > s)] = =
P(X > s) P(X > s)
−α(s+t)
e
= −αs
= e−αt = P(X > t)
e
Supposons que X(Ω) = R+ , que pour tout x ∈ R+ , P(X > x) 6= 0 et que pour tout (s, t) ∈
R+ × R+ ,
P[(X > s + t)/(X > s)] = P(X > t).
Alors P(X > s + t) = P(X > s)P(X > t).
En notant G la fonction définie par G(t) = P(X > t) pour t ∈ R+ , on a :
– G définie sur R+ et à valeurs dans R+ .
– G(s + t) = G(s)G(t) pour tout s, t ∈ R+ .
– G(1) = P(X > 1) 6= 0.
– G est décroissante sur R+ , en effet pour tout t ∈ R+ :

G(t) = 1 − P(X ≤ t) = 1 − FX (t) et FX est croissante.

– Il existe donc α ∈ R+ tel que pour tout t ∈ R+ , G(t) = e−αt .

On en déduit la fonction de répartition FX de X :

0 si x < 0
FX (x) =
1 − e−αx si x ≥ 0

FX est continue sur ] − ∞, 0[ et [0, +∞[. FX (0) = 0 = lim− FX (x), donc FX est continue sur R.
x→0

De plus, FX est dérivable sur R sauf peut-être en 0, et


0 si x < 0
FX0 (x) =  −αx
αe si x > 0

donc FX0 est continue sur ] − ∞, 0[ et sur ]0, +∞[.

Par suite, X est une V.A.R. à densité et X suit la loi exponentielle de paramètre α.
On a ainsi prouvé que si X a pour fonction de répartition FX définie par :

0 si x < 0
FX (x) =  ,
1 − e−αx si x ≥ 0

Dr Prevot Chirac BATSINDILA NGANGA page 53 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.2. Loi exponentielle

alors X suit la loi exponentielle E(α). 

Travail no 10.
La durée de vie (en années) d’un appareil de radio présente une distribution exponentielle de
paramètre α = 1/10. Si l’on achète un appareil vieux de 5 ans, quelle est la probabilité qu’il
fonctionne moins de 10 années additionnelles ?

Remarque 27 À cause de sa propriété de non-vieillissement, la distribution exponentielle est

beaucoup utilisée en fiabilité. Cette propriété implique que le taux de panne d’un appareil est constant
dans le temps. La distribution exponentielle apparaît également dans les processus stochastiques et
la théorie des files d’attente.
Une extension de la distribution exponentielle à toute la droite réelle est obtenue en définissant
α −α|x|
fX (x) = e pour − ∞ < x < +∞, (1.167)
2
où λ est une constante positive. On dit que la variable aléatoire X présente une distribution exponen-
tielle double, ou encore une distribution de Laplace, de paramètre α.

Exemple 11 D’après la Définition 20, si X exp(α), alors on a :

Z xm h i xm
P[X ≤ xm ] = αe−αx dx = −e−αx = 1 − e−αxm . (1.168)
0 0

Il s’ensuit que
1 1
P[X ≤ xm ] = ⇐⇒ 1 − e−αxm = (1.169)
2 2
ln 2
⇐⇒ xm = . (1.170)
α
On peut vérifier que l’on a bien :
" #
ln 2 Z +∞ h i+∞
P X≥ = αe−αx dx = −e−αx ln 2
(1.171)
α ln 2
α α

ln 2 1
= e−α α = . (1.172)
2
Donc, la médiane est donnée par
ln 2
xm = .
α

Travail no 11.
Soit X une v.a. continue de densité de probabilité f (x) donnée par :
  
c e−2αx 1 − e−αx , si x ≥ 0,
fX (x) =
0, sinon,
où α est une constante connue strictement positive et c une constante réelle à déterminer.

Dr Prevot Chirac BATSINDILA NGANGA page 54 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.2. Loi exponentielle

1. Montrer que la constante c est égale à 6α.

2. Calculer la fonction de répartition de la v.a. X.
3. Pour α = 1, calculer les probabilités suivantes :

P(−1 ≤ X ≤ 2,5), P(1,5 < X ≤ 3,75), P(X > 6).

4. Soit la v.a. Y = e−αX .

(i) Trouver la densité de probabilité de la v.a. Y .
(ii) Déterminer la fonction de répartition FY de la V.A.R. Y .
(iii) Calculer les probabilités suivantes :

P(Y ≤ 0,5), P(0,25 < Y ≤ 1), P(|Y − 0,5| ≥ 0,1).

Travail no 12.

1. Soit une v.a. X qui suit la loi exponentielle de paramètre 1. Rappeler la fonction de densité et
la fonction de répartition de la variable étudiée.
 
2. On pose Y = ln eX − 1 .
(a) Déterminer la fonction de répartition F de la v.a. Y .
(b) Déterminer la fonction de densité f de la v.a. Y .
(c) Montrer que la fonction f est paire.
(d) Déduire E(Y ).

Travail no 13.
La durée de vie en années d’un ordinateur est une v.a. notée X suivant la loi exponentielle de
paramètre λ.
(i) Sachant que P(X > 10) = 0,286, déterminer la valeur de λ.
(ii) Calculer la probabilité qu’un ordinateur ait une durée de vie inférieure à 6 mois.
(iii) Sachant qu’un ordinateur a déjà fonctionné huit années, quelle est la probabilité qu’il ait une
durée de vie supérieure à 10 ans.

Travail no 14.
Soit la v.a. continue X modélisée par la loi uniforme continue sur l’intervalle [0, 1] :

X U[0,1] .

1. Rappeler la fonction de densité de la variable étudiée.

2. On pose Y = −α ln(X), (α > 0).
(i) Déterminer la fonction de densité de la v.a. Y . Reconnaître sa loi.
(ii) En déduire son espérance et sa variance.
3. Déduire la fonction de répartition de la v.a. réelle Y .

Dr Prevot Chirac BATSINDILA NGANGA page 55 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.2. Loi exponentielle

4. Calculer la probabilité suivante :

P(Y > 2α).

Travail no 15.
Le fonctionnement d’une machine est perturbé par des pannes. On considère les variables aléatoires
X1 , X2 et X3 définies par :
– X1 est le temps, exprimé en heures, écoulé entre la mise en route de le machine et la première
panne.
– X2 (resp. X3 ) est le temps, exprimé en heures, écoulé entre la mise en route de le machine
après la première (resp. la deuxième) panne et la suivante.
Après la troisième panne, l’utilisation de la machine est suspendue. On suppose que les variables
aléatoires X1 , X2 et X3 sont indépendantes et suivent la même loi exponentielle de paramètre 12 .
(i) Quelle est la durée moyenne de fonctionnement entre deux pannes consécutives ?
(ii) Soit E l’événement : « chacune des 3 périodes de fonctionnement de la machine dure plus de
2 heures ». Calculer P (E).
(iii) Soit Y la variable aléatoire égale à la plus grande des 3 durées de fonctionnement de la machine
sans interruption. Calculer P (Y ≤ t) en fonction de t pour t ∈ R. Déterminer une densité de
Y.
(iv) Soit a un réel non nul. Z x
– Pour tout réel x, calculer t exp (αt) dt.
0
– À l’aide des résultats précédents, montrer que la variable aléatoire Y a une espérance et
calculer sa valeur. Exprimer le résultat en heures et minutes.

Travail no 16.
Soit T une V.A.R. exponentielle de paramètre λ. Déterminer α pour que :

P (T > α) = P (T ≤ α) .

Travail no 17.

1. On considère deux variables aléatoires réelles X et Y , définies sur le même espace probabilisé,
indépendantes, suivant toutes deux la loi exponentielle de paramètre 1.
(i) Soit t un réel strictement positif. Montrer que la variable aléatoire Y − tX admet pour
densité l’application h définie par :

exp(−x)

 t+1 si x > 0
h (x) =  .
 exp(x/t) sinon
t+1

Y
(ii) En déduire une densité de la variable aléatoire Z = X
.
X
(iii) Déterminer la loi de la variable aléatoire U = X+Y
.
2. Soit X une V.A.R. exponentielle de paramètre λ > 0. Soit Y = [X] la partie entière de X.

Dr Prevot Chirac BATSINDILA NGANGA page 56 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

(i) Loi de Y ? E (Y ) ?
(ii) Loi de X − Y ?

Travail no 18.
On dit que Z suit la loi exponentielle bilatérale si une densité de Z est fZ définie sur R par :
fZ (z) = 12 exp (−|z|), z ∈ R.
1. Soient Z1 et Z2 deux V.A.R. indépendantes suivant la loi exponentielle bilatérale. Déterminer
une densité de Z1 + Z2 .
2. Dans cette question, X et Y sont deux variables indépendantes suivant toutes les deux la loi
exponentielle de paramètre 1 et on pose Z = X − Y .
(i) Déterminer la fonction de répartition, puis une densité de −Y .
(ii) Déterminer une densité de Z et vérifier que Z suit la loi exponentielle bilatérale.
(iii) On pose T = |Z|. Déterminer la fonction de répartition de T et vérifier que T suit une
loi exponentielle dont on donnera le paramètre.

1.2.3 Loi normale

Définition 30 Une V.A.R. X suit la loi normale centrée réduite et on note X N (0, 1), lorsque
X admet pour densité la fonction fX définie par :
1 x2
fX (x) = √ e− 2 , −∞ < x < +∞. (1.173)
2π

Remarque 28 La fonction fX (x) est une densité de probabilité légitime si elle est non négative
et si son intégrale sur son support est égale à 1. La première propriété est évidente, tandis que la
seconde peut être démontrée comme suit :
Z +∞ Z +∞
1 Z +∞
1
   
fX (x) dx = (2π)−1/2 exp − x2 dx = (2π)−1/2 2 exp − x2 dx (1.174)
−∞ −∞ 2 0 2
1/2
1 2 1
Z +∞  Z +∞   
−1/2
= (2π) 2 exp − x dx exp − x2 dx (1.175)
0 2 0 2
1/2
1 1
Z +∞  Z +∞  
−1/2
= (2π) 2 exp − x2 dx exp − y 2 dy (1.176)
0 2 0 2
1/2
1
Z +∞ Z +∞  
= (2π)−1/2 2 exp − (x2 + y 2 ) dy dx (1.177)
0 0 2
1/2
1
Z +∞ Z +∞  
[y = xs] −1/2
= (2π) 2 exp − (x2 + s2 x2 ) x ds dx (1.178)
0 0 2
1/2
1 2
Z +∞ Z +∞  
−1/2 2
= (2π) 2 exp − x (1 + s ) x dx ds (1.179)
0 0 2

Dr Prevot Chirac BATSINDILA NGANGA page 57 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

+∞ !1/2
Z +∞ Z +∞ 
1 1

−1/2
fX (x) dx = (2π) 2 − 2
exp − x2 (1 + s2 ) ds (1.180)
−∞ 0 1+s 2 0

1/2
1
Z +∞  
−1/2
= (2π) 2 0+ ds (1.181)
0 1 + s2
1/2
1
Z +∞
−1/2
= (2π) 2 ds (1.182)
0 1 + s2
 1/2
= (2π)−1/2 2 [arctan(s)]+∞
0 (1.183)

= (2π)−1/2 2 (arctan(+∞) − arctan(0))1/2 (1.184)

1/2
π

−1/2
= (2π) 2 −0 = 2−1/2 π −1/2 2 π 1/2 2−1/2 = 1. (1.185)
2
Donc fX est bien une densité de probabilité.

F IGURE 1.2 – Courbe de la loi normale centrée réduite

– Cette courbe est symétrique par Zrapport à l’axe des ordonnées car fX est paire.
t
– L’aire du domaine hachuré vaut fX (x)dx = Φ(t) où Φ désigne la fonction de répartition
−∞
de X. Z +∞
– L’aire du domaine compris entre la courbe et l’axe des abscisses vaut fX (x)dx = 1.
−∞

Proposition 19 Si X suit la loi normale N (0, 1), alors X admet une espérance mathématique et
une variance :

E(X) = 0 Var(X) = 1 (1.186)

Remarque 29 Ceci justifie l’appellation « loi normale centrée réduite ».

Dr Prevot Chirac BATSINDILA NGANGA page 58 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Preuve de la Proposition 19
Z +∞ Z +∞
1 x2
xfX (x)dx = √ xe− 2 dx
−∞ −∞ 2π
Pour tout A > 0,
Z A  A
x2 x2 A2 A2
xe− 2 dx = −e− 2 = −e− 2 + e− 2 =0
−A −A
RA x2
et limA→+∞ −A xe− 2 dx converge (et vaut 1).
x2
Comme x 7→ xe− 2 est impaire, alors

Z +∞
xfX (x)dx = 0, ce qui prouve que X admet une espérance mathématique nulle.
−∞

Par ailleurs, Z +∞ Z +∞
1 x2
x2 fX (x)dx = √ x2 e− 2 dx
−∞ −∞ 2π
Pour tout A > 0,
Z A 2
 2
A Z A
x2
2 − x2 − x2
xe dx = −xe + e− 2 dx
0 0 0

Z A √
2
− A2 − x2
2 2π
lim −Ae = 0 et lim e dx =
A→+∞ A→+∞ 0 2
√
Z +∞
− x2
2 √ − x2
2
Z +∞ 2
− x2 2π
e dx = 2π et x 7→ e est paire donc e dx = .
−∞ −∞ 2
Ainsi
√
Z +∞
− x2
2 2π
x2 e dx = .
0 2
2
− x2
De plus, x 7→ x2 e est paire, donc
Z +∞
x2 √
x2 e− 2 dx = 2π.
−∞

Donc Z +∞
x2 ϕ(x)dx = 1, ce qui prouve que E(X 2 ) existe et vaut 1.
−∞

Par suite Var(X) existe et Var(X) = 1. 

On rappelle que la fonction de répartition d’une variable aléatoire X est la fonction



 R −→ [0, 1] Z x
FX : (1.187)

 x 7−→ FX (x) = P(X ≤ x) = fX (t) dt.
−∞

Dr Prevot Chirac BATSINDILA NGANGA page 59 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Théorème 18 La fonction de répartition ΦX de la loi normale centrée réduite N (0, 1) vérifie :

(i) ∀x∗ ∈ R, ΦX (−x∗ ) = 1 − ΦX (x∗ ).

(ii) ∀x∗ ∈ R+ , P(|X| ≤ x∗ ) = 2ΦX (x∗ ) − 1.

Preuve. La densité de la loi N (0, 1) est paire :

fX (t) = fX (−t), ∀t ∈ R

donc la courbe associée à cette densité est symétrique par rapport à l’axe des ordonnées. Ainsi,
Z −x∗ Z +∞
fX (t) dt = fX (t) dt. (1.188)
−∞ x∗

Il vient :

FX (x∗ ) + FX (−x∗ ) = P(X ≤ x∗ ) + P(X ≤ −x∗ ) (1.189)

Z x∗ Z −x∗
= fX (t) dt + fX (t) dt (1.190)
−∞ −∞
Z x∗ Z +∞
= fX (t) dt + fX (t) dt (1.191)
−∞ x∗
Z +∞
= fX (t) dt = 1. (1.192)
−∞

Ainsi :
ΦX (x∗ ) = 1 − ΦX (−x∗ ) ou ΦX (−x∗ ) = 1 − ΦX (x∗ ).
Par ailleurs, pour tout x∗ ∈ R+ :

P(|X| ≤ x∗ ) = P(−x∗ ≤ X ≤ x∗ ) (1.193)

= ΦX (x∗ ) − ΦX (−x∗ ) (1.194)
= ΦX (x∗ ) − 1 + ΦX (x∗ ) (1.195)
= 2ΦX (x∗ ) − 1. (1.196)

Finalement,
P(|X| ≤ x∗ ) = 2ΦX (x∗ ) − 1.


Remarque 30 – Le graphe de fX permet de visualiser ce résultat :

Dr Prevot Chirac BATSINDILA NGANGA page 60 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

F IGURE 1.3

Les domaines hachurés en rouge sont symétriques l’un de l’autre par rapport à Oy, donc leurs
aires sont égales.
– Il est impossible d’exprimer les primitives de ϕ à l’aide des fonctions usuelles. La table donnée
en annexe permet d’obtenir les valeurs approchées à 10−4 près de Φ(x) pour certaines valeurs
positives de x.
Par exemple : Φ(1,96) = 0,9750 (valeur située sur la ligne 1,9 et la colonne 0,06).
Pour x = −1,96, on écrit Φ(−1,96) = 1 − Φ(1,96) = 0,0250.
Par contre : Φ(1,964) ne figure pas dans la table.
On peut : soit approcher Φ(1,964) par Φ(1,96) = 0,9750
soit effectuer une interpolation linéaire,
c’est-à-dire approcher Φ(1,964) par

Φ(1,96) + 0,4 · (Φ(1,97) − Φ(1,96)) = 0,97524.

Définition 31 Une V.A.R. X suit la loi normale (ou : de Laplace-Gauss) de paramètres m

(moyenne) et σ2 > 0 (variance), et on note X N (m, σ 2 ), lorsque X admet pour densité
la fonction fX définie par :
1 1 x−m 2
fX (x) = √ e− 2 ( σ ) , −∞ < x < +∞.
σ 2π
On dit aussi que X est une variable aléatoire gaussienne.

Remarque 31 – fX est continue et positive sur R. De plus :

Z +∞
1 Z +∞ − 12 ( x−m 2
σ ) dx = √
1 Z +∞ − t2
fX (x) dx = √ e e 2 dt = 1.
−∞ σ 2π −∞ 2π −∞
Donc fX est bien une densité de probabilité.

– On dit aussi que fX est la densité de la loi N (m, σ).

– Graphe de fX :

Dr Prevot Chirac BATSINDILA NGANGA page 61 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

F IGURE 1.4

Pour déterminer le(s) point(s) d’inflexion d’une fonction, on calcule sa dérivée seconde et on étudie
le signe de cette dernière. Si le signe change pour une abscisse particulière, la fonction admet un
point d’inflexion en cette abscisse. Déterminons les points d’inflexion de fX . Le calcul de la dérivée
première donne :

1 −2(x − m) − (x−m) 2

fX0 (x) = √ e 2σ 2
σ 2π 2σ 2
1 (x−m)2
= − 3 √ (x − m) e− 2σ2 . (1.197)
σ 2π
Le calcul de la dérivée seconde donne :
" #
1 (x − m)2 − (x−m) 2

fX00 (x) = − √ 1− e 2σ 2
σ3 2π σ2
1 (x−m)2
= √ (x − m − σ)(x − m + σ) e− 2σ 2 . (1.198)
σ 5 2π
On obtient alors le tableau de signes suivant :

x −∞ m − σ m + σ +∞
x − (m − σ) − 0 + + +
x − (m + σ) − − − 0 +
00
f (x) + 0 − 0 +

Par conséquent, la courbe admet deux points d’inflexion pour

x=m−σ et x = m + σ.

Proposition 20 Soit X une V.A.R. X suit la loi N (m, σ 2 ) ⇐⇒ X ∗ = X−m

σ
suit la loi N (0, 1).

Preuve. Soit

X N (m, σ 2 ), m ∈ R, σ > 0, (1.199)

on peut faire le changement de variable aléatoire :

X −m
X∗ = ⇐⇒ X = σX ∗ + m. (1.200)
σ

Dr Prevot Chirac BATSINDILA NGANGA page 62 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Si on note FX (respectivement FX ∗ ) la fonction de répartition de X (respectivement de X ∗ ), on a :

X −m
 
∀x∗ ∈ R, FX ∗ (x∗ ) = P(X ∗ ≤ x∗ ) = P ≤ x∗ (1.201)
σ
= P(X ≤ σx∗ + m) = FX (σx∗ + m). (1.202)

Par dérivation de la fonction de répartition FX ∗ (x∗ ), on obtient une fonction de densité :

fX ∗ (x∗ ) = FX0 ∗ (x∗ ) = (σx∗ + m)0 FX0 (σx∗ + m) = σ fX (σx∗ + m). (1.203)

Comme X N (m, σ 2 ), on a :
2 !
1 1 σx∗ + m − m

∗
fX (σx + m) = √ exp − . (1.204)
2πσ 2 σ

Donc,
2 !
1 1 σx∗ 1 1
  
∗
fX (x ) = σ ·
∗ √ exp − = √ exp − (x∗ )2 . (1.205)
2πσ 2 σ 2π 2

Ainsi,
1 1 ∗ 2
fX ∗ (x∗ ) = √ e− 2 (x ) , x∗ ∈ R (1.206)
2π
est une densité de X ∗ , d’où :

X∗ N (0, 1). (1.207)


On peut utiliser la Proposition 20 pour déterminer des probabilités relatives à la variable aléatoire X,
lorsque X N (m, σ 2 ), comme suit :
!
a−m X −m b−m
P(a ≤ X ≤ b) = P ≤ ≤
σ σ σ
!
b−m a−m
 
= Φ −Φ , (1.208)
σ σ

puisque (X − µ)/σ N (0, 1). par

Exemple 12 Soient X N (m = 30, σ = 3) et sa variable centrée réduite associée

X − 30
Z= N (0, 1).
3
Déterminons les probabilités P(X = 28), P(X ≤ 33), P(X ≤ 27), P(27 ≤ X ≤ 33) et P(X > 33).

Solution
— P(X = 28) = 0.

Dr Prevot Chirac BATSINDILA NGANGA page 63 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale
33 − 30
X ≤ 33 ⇐⇒ Z ≤ = 1, donc
3
P(X ≤ 33) = P(Z ≤ 1) = Φ(1) = 0,8413.
n o
27−30
— {X ≤ 27} = Z ≤ 3
= −1 , donc

P(X ≤ 27) = P(Z ≤ −1) = Φ(−1) = 1 − Φ(1) = 0,1587.

— {27 ≤ X ≤ 33} = {−1 ≤ Z ≤ 1}, par conséquent
P(27 ≤ X ≤ 33) = Φ(1) − Φ(−1) = 2Φ(1) − 1,
ce qui donne
P(27 ≤ X ≤ 33) = 2 × 0,8413 − 1 = 0,6826.
— P (X > 33) = 1 − P(X ≤ 33) = 1 − Φ(1) = 0,1587.

Exemple 13 Soit X une variable aléatoire réelle dont on sait qu’elle suit une loi normale. On sait
de plus que
P(X ≤ 3) = 0,5517 et P(X > 7) = 0,0166.
Déterminons les paramètres m et σ de la loi normale suivie par X.
Solution. On a
X −m
X N (m, σ) ⇐⇒ Z = ∼ N (0, 1).
σ
   
— X ≤ 3 ⇐⇒ Z ≤ 3−m σ
, et P(X ≤ 3) = P Z ≤ 3−m
σ
= Φ 3−m
σ
= 0,5517. D’après la table de
la loi normale centrée réduite,
3−m
Φ(0,13) = 0,5517, donc = 0,13.
σ
7−m
— X > 7 ⇐⇒ Z > σ
, donc
P(X ≤ 7) = 1 − P(X > 7) = 1 − 0,0166 = 0,9834.
Ainsi,
7−m
 
Φ = 0,9834.
σ
D’après la table,
7−m
Φ(2,13) = 0,9834, donc = 2,13.
σ
On résout alors le système 
3 − m = 0,13 σ,
7 − m = 2,13 σ.

Par soustraction,
4 = 2σ ⇒ σ = 2,
puis
m = 3 − 0,13 × 2 = 2,74.
Conclusion :
X N (m = 2,74, σ = 2).

Dr Prevot Chirac BATSINDILA NGANGA page 64 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Remarque 32 On sait que

X −m
X N (m, σ) ⇐⇒ Z = ∼ N (0, 1),
σ
donc :
— {m − σ ≤ X ≤ m + σ} = {−1 ≤ Z ≤ 1} et

P(m − σ ≤ X ≤ m + σ) = Φ(1) − Φ(−1) = 2Φ(1) − 1 = 0,6826.

On peut alors affirmer que 68,26% de la population étudiée appartient à l’intervalle

[m − σ ; m + σ].

— {m − 2σ ≤ X ≤ m + 2σ} = {−2 ≤ Z ≤ 2} et

P(m − 2σ ≤ X ≤ m + 2σ) = 2Φ(2) − 1 = 0,9544.

On peut alors affirmer que 95,44% de la population étudiée appartient à l’intervalle

[m − 2σ ; m + 2σ].

— {m − 3σ ≤ X ≤ m + 3σ} = {−3 ≤ Z ≤ 3} et

P(m − 3σ ≤ X ≤ m + 3σ) = 2Φ(3) − 1 = 0,9973.

On peut alors affirmer que 99,73% de la population étudiée appartient à l’intervalle

[m − 3σ ; m + 3σ].

Exemple 14 Si X N (3, 16), alors

4−3 X −3 8−3
 
P(4 ≤ X ≤ 8) = P ≤ ≤
4 4 4
= ΦX ∗ (1.25) − ΦX ∗ (0.25) = 0.8944 − 0.5987 = 0.2957. (1.209)

0−3 5−3
 
P(0 ≤ X ≤ 5) = P ≤ X∗ ≤
4 4
= ΦX ∗ (0.5) − ΦX ∗ (−0.75) = 0.6915 − 0.2266 = 0.4649. (1.210)

et
−2 − 3 1−3
 
P(−2 ≤ X ≤ 1) = P ≤ X∗ ≤
4 4
= ΦX (−0.5) − ΦX (−1.25) = 0.3085 − 0.1056 = 0.2029. (1.211)
∗ ∗

Dr Prevot Chirac BATSINDILA NGANGA page 65 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Exemple 15 Si X N (25, 36), on cherche une constante c telle que

P(|X − 25| ≤ c) = 0.9544. (1.212)

Nous voulons
c X − 25 c
 
P − ≤ ≤ = 0.9544. (1.213)
6 6 6
Ainsi,
c c
    
Φ − 1−Φ = 0.9544, (1.214)
6 6
et
c
 
Φ = 0.9772. (1.215)
6
Par conséquent, c/6 = 2 et donc c = 12. Autrement dit, la probabilité que X se situe à moins de
deux écarts-types de sa moyenne est la même que la probabilité que la variable normale centrée
réduite Z se situe à moins de deux unités (écarts-types) de zéro.

Exemple 16 Si Z N (0, 1), alors on obtient :

P(Z ≤ 1.24) = Φ(1.24) = 0.8925, (1.216)

P(1.24 ≤ Z ≤ 2.37) = Φ(2.37) − Φ(1.24) = 0.9911 − 0.8925 = 0.0986, (1.217)

P(−2.37 ≤ Z ≤ −1.24) = P(1.24 ≤ Z ≤ 2.37) = 0.0986. (1.218)

À présent, en utilisant la Table, on trouve :

P(Z > 1.24) = 0.1075, (1.219)

P(Z ≤ −2.14) = P(Z ≥ 2.14) = 0.0162. (1.220)

En utilisant les deux tables, on obtient alors :

P(−2.14 ≤ Z ≤ 0.77) = P(Z ≤ 0.77) − P(Z ≤ −2.14)

= 0.7794 − 0.0162 = 0.7632. (1.221)

Il arrive parfois que l’on souhaite lire la table de la loi normale dans le sens inverse, c’est-à-dire
déterminer l’inverse de la fonction de répartition de la loi normale centrée réduite. Autrement dit,
étant donnée une probabilité p, on cherche une constante a telle que

P(Z ≤ a) = p.

Cette situation est illustrée dans l’exemple suivant.

Dr Prevot Chirac BATSINDILA NGANGA page 66 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Exemple 17 Si la variable aléatoire Z suit une loi normale centrée réduite N (0, 1), déterminer des
constantes a et b telles que

P(Z ≤ a) = 0.9147 et P(Z ≥ b) = 0.0526. (1.222)

Pour cela, on recherche les probabilités correspondantes dans les tables Va et Vb, on lit les valeurs
correspondantes de z. À partir de la table Va, on obtient a = 1.37, et à partir de la table Vb, on
obtient b = 1.62.
Dans les applications statistiques, on est souvent amené à déterminer un nombre zα tel que

P(Z ≥ zα ) = α, (1.223)

où Z N (0, 1) et où α est généralement inférieur à 0.5. Autrement dit, zα est le centile d’ordre
100(1 − α) (parfois appelé le point centile supérieur 100α) de la loi normale centrée réduite. La
valeur de zα est donnée dans la table Va pour certaines valeurs de α. Pour les autres valeurs de α, zα
peut être trouvé à l’aide de la table Vb.
En raison de la symétrie de la densité de la loi normale, on a

P(Z ≤ −zα ) = P(Z ≥ zα ) = α. (1.224)

De plus, puisque l’indice de zα correspond à la probabilité de la queue droite, on a

z1−α = −zα . (1.225)

Par exemple,

z0.95 = z1−0.05 = −z0.05 . (1.226)

Exemple 18 Pour déterminer z0.0125 , remarquons que

P(Z ≥ z0.0125 ) = 0.0125. (1.227)

Ainsi,

z0.0125 = 2.24, (1.228)

d’après la table Vb de l’Annexe B.

De plus,

z0.05 = 1.645 et z0.025 = 1.960, (1.229)

d’après les dernières lignes de la table Va.

Remarque 33 Le centile d’ordre 100p, noté souvent πp , d’une variable aléatoire X, est un nombre
tel que

P(X ≤ πp ) = p. (1.230)

Dr Prevot Chirac BATSINDILA NGANGA page 67 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Si Z N (0, 1), alors, puisque

P(Z ≥ zα ) = α, (1.231)

il en résulte que

P(Z < zα ) = 1 − α. (1.232)

Ainsi, zα est le centile d’ordre 100(1 − α) de la loi normale centrée réduite N (0, 1). Par exemple,
z0.05 = 1.645 est le 95e centile et z0.95 = −1.645 est le 5e centile.

Exemple 19 Soit X la note d’un étudiant choisi au hasard lors d’un examen d’un cours de proba-
bilités, supposée être une variable aléatoire normale. On dit qu’un professeur note l’examen selon
la courbe lorsqu’il calcule la moyenne m et l’écart-type σ des notes, puis attribue les mentions
conformément au tableau suivant.

Intervalle des notes X ≥m+σ m≤X <m+σ m−σ ≤X <m m − 2σ ≤ X < mσ X < m − 2σ
Mention A B C D F

Supposons que le professeur du cours de probabilités note l’examen selon la courbe. Déterminer le
pourcentage des étudiants qui obtiendront respectivement les mentions A, B, C, D et F.

Solution. Du fait que (X − m)/σ suit une loi normale centrée réduite, on a :

X −m
 
P(X ≥ m + σ) = P ≥ 1 = 1 − Φ(1) ≈ 0.1587, (1.233)
σ

X −m
 
P(m ≤ X < m + σ) = P 0 ≤ < 1 = Φ(1) − Φ(0) ≈ 0.3413, (1.234)
σ

X −m
 
P(m − σ ≤ X < m) = P −1 ≤ < 0 = Φ(0) − Φ(−1) = 0.5 − 0.1587 ≈ 0.3413,
σ

X −m
 
P(m − 2σ ≤ X < m − σ) = P −2 ≤ < −1 = Φ(−1) − Φ(−2)
σ
= 0.1587 − 0.0228 ≈ 0.1359,

X −m
 
P(X < m − 2σ) = P < −2 = Φ(−2) ≈ 0.0228. (1.235)
σ
Par conséquent, environ 16% des étudiants obtiennent la note A, 34% la note B, 34% la note C, 14%
la note D, et 2% la note F. Si un enseignant note un examen selon la courbe, au lieu de calculer m et
σ, il ou elle peut attribuer A aux 16% les mieux classés, B aux 34% suivants, et ainsi de suite.

Dr Prevot Chirac BATSINDILA NGANGA page 68 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Travail no 19. (i) z0.10 ,

Si Z N (0, 1), calculer : (ii) −z0.05 ,
(i) P(0.53 < Z ≤ 2.06). (iii) −z0.0485 ,
(ii) P(−0.79 ≤ Z < 1.52). (iv) z0.9656 .
(iii) P(Z > −1.77). Travail no 23.
(iv) P(Z > 2.89).
Si X N (6, 25), calculer :
(v) P(|Z| < 1.96).
(i) P(6 ≤ X ≤ 12).
(vi) P(|Z| < 1).
(ii) P(0 ≤ X ≤ 8).
(vii) P(|Z| < 2).
(iii) P(−2 < X ≤ 0).
(viii) P(|Z| < 3).
(iv) P(X > 21).
Travail no 20. (v) P(|X − 6| < 5).
Si Z N (0, 1), calculer : (vi) P(|X − 6| < 10).
(i) P(0 ≤ Z ≤ 0.87). (vii) P(|X − 6| < 15).
(ii) P(−2.64 ≤ Z ≤ 0). (viii) P(|X − 6| < 12.41).
(iii) P(−2.13 ≤ Z ≤ −0.56).
Travail no 24.
(iv) P(|Z| > 1.39).
Si la fonction génératrice des moments de X est
(v) P(Z < −1.62).
(vi) P(|Z| > 1). M (t) = exp(166t + 200t2 ),
(vii) P(|Z| > 2).
déterminer :
(viii) P(|Z| > 3).
(i) E(X),
Travail no 21. (ii) Var(X),
Si Z N (0, 1), déterminer c tel que : (iii) P(170 < X < 200),
(i) P(Z ≥ c) = 0.025. (iv) P(148 ≤ X ≤ 172).
(ii) P(|Z| ≤ c) = 0.95.
Travail no 25.
(iii) P(Z > c) = 0.05.
Si X N (650, 625), calculer :
(iv) P(|Z| ≤ c) = 0.90.
(i) P(600 ≤ X < 660).
Travail no 22. (ii) une constante c > 0 telle que P(|X −
Déterminer les valeurs de 650| ≤ c) = 0.9544.

Proposition 21 Si X suit la loi nor male N (m, σ 2 ), X admet une espérance mathématique et une
variance :
E(X) = m et Var(X) = σ 2 .

Preuve no 1. Remarquons que X ∗ = X−m

σ
suit la loi N (0, 1), donc Em (X ∗ ) = 0 et Var(X ∗ ) = 1.
On en déduit : Em (X) = Em (σX ∗ + m) = σEm (X ∗ ) + m = m et Varσ (X) = Varσ (σX ∗ + m) =

Dr Prevot Chirac BATSINDILA NGANGA page 69 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

σ 2 Varσ (X ∗ ) = σ 2 . 

Preuve no 2. La fonction caractéristique de X, notée ϕX , est définie par :

ϕX (t) = Em,σ (eitX ), où i2 = −1, t ∈ R. (1.236)
Comme X N (m, σ), on a :
X −m
X∗ = N (0, 1). (1.237)
σ
On calcule alors :
∗ +m)
 
ϕX (t) = ϕσX ∗ +m (t) = Em,σ eit(σX (1.238)
iσtX ∗ iσtX ∗
= Em,σ (e · eitm ) = eitm Em,σ (e ). (1.239)
Remarquons que :
iσtX ∗
Z +∞
iσtx∗ 1 − 1 (x∗ )2 ∗ 1 Z +∞ − 12 ((x∗ )2 −2σtx∗ ) ∗
Em,σ (e ) = e √ e 2 dx = √ e dx (1.240)
−∞ 2π 2π −∞
1 2 2
1 Z +∞ − 12 [(x∗ −σt)2 +σ2 t2 ] ∗ e− 2 σ t Z +∞ − 1 (x∗ −σt)2 ∗
= √ e dx = √ e 2 dx .(1.241)
2π −∞ 2π −∞
En posant u = x∗ − σt, on obtient du = dx∗ . Soit
1 2 2
iσtX ∗ e− 2 σ t Z +∞ − 1 u2 1 2 2
Em,σ (e ) = √ e 2 du = e− 2 σ t . (1.242)
2π −∞
Ainsi,
1
 
1 2 t2 1 2 t2
ϕX (t) = eitm · e− 2 σ = eitm− 2 σ = exp itm − σ 2 t2 . (1.243)
2

Il est important de rappeler que si

X −m
X N (m, σ), alors X∗ = N (0, 1). (1.244)
σ
On a :
∗ +m) ∗
MX (t) = MσX ∗ +m (t) = Em,σ (et(σX ) = etm Em,σ (etσX ). (1.245)
Or,
tσX ∗
Z +∞
tσx∗ 1 1 ∗ 2 1 Z +∞ tσx∗ − 1 (x∗ )2 ∗
Em,σ (e ) = e √ e− 2 (x ) dx∗ = √ e 2 dx (1.246)
−∞ 2π 2π −∞
1 Z +∞ − 12 [(x∗ )2 −2tσx∗ ] ∗ 1 Z +∞ − 12 [(x∗ −tσ)2 −(tσ)2 ] ∗
= √ e dx = √ e dx
2π −∞ 2π −∞
1 1 2 Z +∞ − 1 (x∗ −tσ)2 ∗ [u=x∗ −tσ] 1 1 σ2 t2 Z +∞ − 1 u2
= √ e 2 (tσ) e 2 dx = √ e2 e 2 du (1.247)
2π −∞ 2π −∞

1 2 t2
Z +∞
1 1 2
= e2σ , car √ e− 2 u du = 1
−∞ 2π

Dr Prevot Chirac BATSINDILA NGANGA page 70 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

donc
1
 
1 2 t2
MX (t) = etm+ 2 σ = exp tm + σ 2 t2 . (1.248)
2
Remarque 34 Il existe une correspondance bijective entre la fonction caractéristique et la fonction
densité de probabilité d’une variable aléatoire.
 
σ 2 u2
Si X N (m, σ), alors MX (u) = exp mu + 2
. Il vient,
! !
σ 2 (ln t)2 d m σ 2 ln t
ηX (t) = exp m ln t + =⇒ ηX (t) = + ηX (t). (1.249)
2 dt t t

On obtient :
d
ηX (t) = m =⇒ E(X) = m. (1.250)
dt t=1

De plus,
!
d2 σ 2 m2 2mσ 2 ln t σ 4 (ln t)2
ηX (t) = + 2 + + ηX (t).
dt2 t2 t t2 t2
Donc :
d d2
ηX (t) = m et η (t)
2 X
= m2 + σ 2 . (1.251)
dt t=1
dt t=1

Ainsi :

Var(X) = (m2 + σ 2 ) + m − m2 = σ 2 , (1.252)

ceci achève la Preuve no 2 

Preuve no 3.
Z +∞ Z +∞
E(X) = xfX (x) dx = (x − m + m)fX (x) dx (1.253)
−∞ −∞
Z +∞ Z +∞
= (x − m)fX (x) dx + m fX (x) dx (1.254)
−∞ −∞
Z +∞
= (x − m)fX (x) dx + m (1.255)
−∞

Remarquons que :
Z +∞ Z +∞
1 1 µ
2
(x − m)fX (x) dx = µ √ e− 2 σ2 dµ (1.256)
−∞ −∞ σ 2π
Comme l’intégrande est une fonction impaire, on a :
Z +∞
1 1 µ
2
µ √ e− 2 σ2 dµ = 0 (1.257)
−∞ σ 2π

Dr Prevot Chirac BATSINDILA NGANGA page 71 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Donc

Em (X) = m (1.258)

Par ailleurs,
Z +∞
Em (X 2 ) = x2 fX (x) dx (1.259)
−∞

x−m
en posant t = σ
, on obtient :
Z +∞
1 1 2
E(X 2 ) = (σt + m)2 · √ e− 2 t dt (1.260)
−∞ σ 2π
1 Z +∞ 2 2 1 2
= √ (σ t + 2mσt + m2 )e− 2 t dt (1.261)
2π −∞
σ 2 Z +∞ 2 − 1 t2 2mσ Z +∞ − 1 t2 m2 Z +∞ − 1 t2
= √ te 2 dt + √ te 2 dt + √ e 2 dt (1.262)
2π −∞ 2π −∞ 2π −∞
σ 2 Z +∞ 2 − 1 t2
= √ t e 2 dt + m2 . (1.263)
2π −∞
Faisons une intégration par parties :

1 2
 u = t, dv = te− 2 t dt
 du = dt, v = −e− 12 t2

σ2 h 1 2 +∞
i Z +∞
σ2 1 2
E(X 2 ) = √ −te− 2 t + √ e− 2 t dt + m2 (1.264)
2π −∞ −∞ 2π
Z +∞
1 1 2
= σ2 √ e− 2 t dt + m2 (1.265)
−∞ 2π
2 2
= σ +m (1.266)

Par définition,

Varm,σ (X) = Em,σ (X 2 ) − (Em,σ (X))2 . (1.267)

D’où

Varm,σ (X) = σ 2 + m2 − m2 = σ 2 . (1.268)

Proposition 22 (Stabilité de la normalité par fonction affine non constante)

Soit X = aX ∗ + b où X ∗ N (0, 1), a ∈ R∗ , b ∈ R. Alors X N (b, a2 ). Plus généralement, si
2
X N (m, σ ) alors

Y = aX + b N (am + b, |a|σ 2 ). (1.269)

Dr Prevot Chirac BATSINDILA NGANGA page 72 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Preuve. Soit X = aX ∗ + b où X ∗ N (0, 1), a ∈ R∗ , b ∈ R. Nous voulons déterminer la loi de

X.
FX (x) = P(X ≤ x) = P(aX ∗ + b ≤ x) = P(aX ∗ ≤ x − b). (1.270)
Si a > 0, alors
! !
x−b ∗ x−b
FX (x) = P X ≤ = FX ∗ . (1.271)
a a
En dérivant l’expression précédente par rapport à x, on obtient :
! !
x−b 1 x−b 1
fX (x) = FX0 ∗ · = fX ∗ · . (1.272)
a a a a
Comme
1 2
fX ∗ (u) = √ e−u /2 avec u ∈ R, (1.273)
2π
alors on obtient :
 !2 
1 1 x−b
fX (x) = √ exp− . (1.274)
a 2π 2 a
Si a < 0, alors
! !
x−b ∗ x−b ∗
FX (x) = P X ≥ =1−P X < (1.275)
a a
!
x−b
= 1 − FX ∗ . (1.276)
a
En dérivant par rapport à x l’expression précédente, on obtient :
 !2 
1 1 1 x−b
fX0 (x) = − √ exp− , x ∈ R. (1.277)
a 2π 2 a
Finalement, si X = aX ∗ + b où X ∗ N (0, 1), alors
 !2 
1 1 x−b
fX (x) = √ exp− , x ∈ R. (1.278)
|a| 2π 2 a
On en déduit que X N (b, a2 ) .

Théorème 19 (Théorème de Lévy–Cramer) I Soit X1 et X2 deux V.A.R. indépendantes qui

suivent respectivement les lois normales N (m1 , q σ1 ) et N (m2 , σ2 ).
Alors X1 + X2 suit la loi normale N (m1 + m2 , σ12 + σ22 ).
I Plus généralement, si X1 , . . . , Xn sont n V.A.R. indépendantes qui suivent respectivement les
lois normales N (mk , σk ) pour k ∈ {1, . . . , n}, alors Sn = nk=1 Xk suit la loi normale :
P

 v 
n
X
u n
uX
N mk , t σk2  .
k=1 k=1

Dr Prevot Chirac BATSINDILA NGANGA page 73 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Preuve no 1. Soient X1 N (m1 , σ1 ) et X2 N (m2 , σ2 ) indépendantes. La fonction caractéris-

tique de X1 + X2 est :
       
ϕX1 +X2 (t) = E eit(X1 +X2 ) = E eitX1 eitX2 = E eitX1 E eitX2 . (1.279)

Comme X1 N (m1 , σ1 ) :
1 2 2
ϕX1 (t) = e itm1 − 2 σ1 t . (1.280)

Comme X2 N (m2 , σ2 ) :
1 2 2
ϕX2 (t) = e itm2 − 2 σ2 t . (1.281)

D’où :
1 2 2 2
ϕX1 +X2 (t) = ϕX1 (t) ϕX2 (t) = e it(m1 +m2 )− 2 (σ1 +σ2 )t . (1.282)

La fonction densité de probabilité de X1 + X2 est donnée par :

1 Z +∞ −itx 1 Z +∞ it(m1 +m2 −x)− 1 (σ12 +σ22 )t2
fX1 +X2 (x) = e ϕX1 +X2 (t) dt = e 2 dt (1.283)
2π −∞ 2π −∞
1 Z +∞ − 1 (σ12 +σ22 )t2 +it(m1 +m2 −x)
= e 2 dt. (1.284)
2π −∞ h i
2 −x)
1 Z +∞ − 12 (σ12 +σ22 ) t2 −2it (m1σ+m
2 +σ 2
= e 1 2 dt (1.285)
2π −∞
h i
2 −x) (σ 2 +σ 2 )
1 Z +∞ − 12 t2 −2it (m1σ+m
2 +σ 2 1 2
= e 1 2 dt (1.286)
2π −∞
 2  2 
Z +∞ − 1 m1 +m2 −x m1 +m2 −x
1 t−i + (σ12 +σ22 )
2 σ 2 +σ 2 σ 2 +σ 2
= e 1 2 1 2
dt.
2π −∞

On a :
 2
m1 +m2 −x
− 12 Z +∞ − 1 t− m1 +m2 −x 2 (σ2 +σ2 )
 
σ 2 +σ 2
e 1 2
2 2
σ +σ 2 1 2
fX1 +X2 (x) = e 1 2 dt.
2π −∞

Posons :
m1 + m2 − x
y =t− =⇒ dy = dt. (1.287)
σ12 + σ22
Ainsi :
 2
m1 +m2 −x
− 21
σ 2 +σ 2 Z +∞
e 1 2 1 2 2 2
fX1 +X2 (x) = e− 2 (σ1 +σ2 )y dy. (1.288)
2π −∞

Remarquons que :
Z +∞
π
r
−ay 2
e dy = , a > 0. (1.289)
−∞ a

Dr Prevot Chirac BATSINDILA NGANGA page 74 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

En posant a = 12 (σ12 + σ22 ), dans l’Expression (1.289), on obtient :

s
Z +∞
− 12 (σ12 +σ22 )y 2 2π
e dy = . (1.290)
−∞ σ12 + σ22
Ainsi :
  2 
1  1 x − (m + m2 )  
 q 1
fX1 +X2 (x) = q exp− , (1.291)
2 2
(σ1 + σ2 ) 2π 2 σ12 + σ22

avec x ∈ R. On reconnaît la densité d’une loi normale :

 q 
X1 + X2 N m1 + m2 , σ12 + σ22 . (1.292)

Preuve no 2. Commençons par le cas particulier où m1 = m2 = 0.

X1 + X2 est une V.A.R. dont une densité f est définie par :
u2 (x−u)2
Z +∞
1 −
2σ 2
1 −
2σ 2
∀x ∈ R, fX+Y (x) = √ e 1 · √ e 2 du (1.293)
−∞ σ1 2π σ2 2π
 
Z +∞ − u2 + (x−u)2
1 2 2
= e 2σ1 2σ2 du (1.294)
2πσ1 σ2 −∞
 
Z +∞ − u2 + x2 −2xu+u2
1 2σ 2 2σ 2
= e 1 2 du (1.295)
2πσ1 σ2 −∞
   
Z +∞ − u2 1 + 1 − xu + x2
1 2σ 2 2σ 2 σ 2 2σ 2
= e 1 2 2 2 du. (1.296)
2πσ1 σ2 −∞
Posons σ 2 = σ12 + σ22 , alors :

   
1 2 Z +∞ − u2
− x2
1
+ 12 − xu
2σ 2 σ2
∀x ∈ R, fX+Y (x) = e 2σ e 1
2σ
2 2 du. (1.297)
2πσ1 σ2 −∞

σ1 u xσ1
Dans l’intégrale on pose t = σσ2
− σσ2

1 2
− x2 σ1 σ2 Z +∞ − t2 1 − x22 √ 1 x2
f (x) = e 2σ · e 2 dt = e 2σ · 2π = √ e− 2σ2 . (1.298)
2πσ1 σ2 σ −∞ 2πσ 2πσ
q
Donc X1 + X2 suit la loi normale N (0, σ) avec σ = σ12 + σ22 .
Cas général :
X1 suit la loi N (m1 , σ1 ) =⇒ X1 − m1 suit la loi N (0, σ1 )
De même X2 − m2 suit la loi N (0, σ2 ) q
D’après ce qui précède, X1 + X2 − (m1 + m2 ) suit la loi N (0, σ12 + σ22 ), donc

X1 + X2 − (m1 + m2 ) q
q N (0, σ12 + σ22 ) ⇒ X1 + X2 N (m1 + m2 , σ12 + σ22 )
σ12 + σ22
La généralisation à n V.A.R. se démontre par récurrence.

Dr Prevot Chirac BATSINDILA NGANGA page 75 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

Remarque 35 Pour retenir le Théorème 19 il suffit de se rappeler que la somme Sn de n V.A.R.

indépendantes qui suivent chacune une loi normale, suit la loi N (E(Sn ), σ(Sn )) et que pour tout
k ∈ J1, nK, Xk suit la loi N (mk , σk ) donc E(Xk ) = mk et σ(Xk ) = σk .
n
X
Pn
Par suite, puisque Sn = k=1 Xk , on a E(Sn ) = mk et, comme les Xk sont indépendantes,
k=1
v
u n
uX
σ(Sn ) = t σ2. k
k=1

Travail no 26.

1. (i) Si X suit la loi normale de moyenne 4 et d’écart-type 2, déterminez P(X ≤ 6).

(ii) Si X suit la loi normale de moyenne 3 et d’écart-type 1.5, déterminez y pour que

P(X ≤ y) = 0,4218.

(iii) Si X suit la loi normale de moyenne 5 et d’écart-type 2, déterminez

P(2,5 ≤ X ≤ 6,5).

(iv) Si X suit la loi normale de moyenne 6 et d’écart-type 2, déterminez un intervalle, centré

sur la moyenne, de probabilité 0,9.
2. Dans une population de veaux, la masse d’un animal pris au hasard est une variable aléatoire
X qui suit une loi normale d’espérance mathématique 500 kg et d’écart type 40 kg. On prélève
un échantillon de 80 veaux.
(i) Combien de veaux pèsent plus de 560 kg ?
(ii) Combien de veaux pèsent moins de 480 kg ?
(iii) Combien de veaux ont une masse comprise entre 450 et 550 kg ?
(iv) On sélectionne pour la reproduction les 15% supérieurs de l’échantillon. À partir de
quelle masse un animal sera-t-il sélectionné ?
3. On suppose, dans cet exercice, que toutes les durées de trajet suivent des lois normales.
(i) Une directrice quitte son domicile à 8 h 45 pour aller à son bureau qui ouvre à 9 h. Quelle
est la probabilité pour qu’elle arrive en retard sachant que la durée moyenne du trajet est
de 13 min avec un écart type égal à 3 min ?
(ii) Le secrétaire se rend au même bureau en utilisant le train puis l’autobus. Le train part à
8 h 32, le trajet durant en moyenne 16 min avec un écart type de 2 min. L’autobus part à
8 h 50 (sans attendre l’arrivée du train), le trajet durant en moyenne 9 min avec un écart
type de 1 min. Quelle est la probabilité pour que le secrétaire arrive à l’heure ?
(iii) Quelle est la probabilité pour que la directrice ou le secrétaire arrive à l’heure ?
4. Dans une population homogène de 20 000 habitants, la probabilité pour qu’une personne
quelconque demande à être vaccinée contre la grippe est de 0,4.
De combien de vaccins doit-on disposer pour que la probabilité qu’on vienne à en manquer
soit inférieure à 0,1 ?

Dr Prevot Chirac BATSINDILA NGANGA page 76 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.3. Loi normale

5. Dans un certain type de graine, la probabilité de germination est p = 0,8. Une personne sème
400 graines. Calculez la probabilité pour que 300, au moins, germent.

Travail no 27.

1. La longueur des tiges de chrysanthèmes en fleurs coupées intervient dans le classement par
catégorie. Pour simplifier, on supposera par la suite que cette longueur sera le seul critère
de classement. Un chrysanthème sera classé en catégorie extra si la longueur de sa tige est
supérieure ou égale à 80 cm.
Au 1er décembre, on évalue la production d’une certaine serre à 6 000 chrysanthèmes pour le
mois. À cette époque, les chrysanthèmes classés en catégorie extra sont payés au producteur
10 frs les dix, et les autres 6 frs les dix seulement.
La qualité de la production ayant été étudiée sur un échantillon de 100 tiges coupées de
chrysanthèmes, on en conclut que la longueur des tiges coupées est une variable aléatoire qui
suit une loi normale de moyenne 92 cm et d’écart type 8 cm.
(i) Quelle est la probabilité pour qu’une fleur soit classée en catégorie extra ?
(ii) Quelle est l’espérance mathématique du nombre de fleurs qui seront classées en catégorie
extra sur les 6 000 fleurs de la production de décembre ?
(iii) Déduisez-en l’espérance mathématique de la recette pour le total de la production de la
serre pendant ce mois.
2. Seth et Bouesso décident de faire n parties de pile ou face, avec un enjeu de 1 frs par partie.
Chacun d’eux dispose de la somme de 20 frs. Le règlement aura lieu à la fin de la n-ième
partie.
(i) Soit X le nombre de parties que gagnera Seth . À quelle double inégalité doit satisfaire
X pour que le règlement puisse s’effectuer sans dette de l’un ou l’autre joueur ?
(ii) Déterminez une valeur de n pour que la probabilité d’un règlement sans dette soit au
moins égale à 0,68.

Travail no 28.
La distance (en mètres) parcourue par un projectile suit une loi normale. Au cours d’un entraînement,
on constate que :
– la probabilité qu’un projectile dépasse 60 mètres est 0,0869 ;
– la probabilité qu’un projectile parcoure une distance inférieure à 45 mètres est 0,6406.
Calculer la distance moyenne parcourue par un projectile, ainsi que l’écart-type de celle-ci.

Travail no 29.
Une enquête a été menée auprès de ménages de 4 personnes en vue de connaître leur consommation
de lait sur 1 mois. On suppose que sur l’ensemble des personnes interrogées, la consommation a une
distribution de type normale avec une moyenne de 20 litres et un écart-type de 5 litres. Dans le cadre
d’une campagne publicitaire, on souhaite connaître :
(i) Le pourcentage des faibles consommateurs (moins de 10 litres par mois).

Dr Prevot Chirac BATSINDILA NGANGA page 77 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.4. Loi log −normale

(ii) Le pourcentage des grands consommateurs (plus de 30 litres par mois).

(iii) La consommation maximale de 50% des consommateurs.
(iv) Au-dessus de quelle consommation se trouvent 33% des consommateurs.

Travail no 30.

(i) Soit X une V.A.R. suivant la loi N (0, 1). Déterminer t > 0 tel que

P (−t < X < t) = 0.95

(ii) Soit X une V.A.R. suivant la loi N (8, 4). Calculer P (X < 7.5), P (X > 8.5), P (6.5 < X < 10),
P [(X > 6) / (X > 5)].

(iii) Soit X une V.A.R. gaussienne, déterminer l’espérance et la variance de X, sachant que :

P (X < −1) = 0.05
P (X > 3)
.
= 0.12

Déterminer P (X > 0).

(iv) On suppose que la distance en mètres parcourue par un javelot suit une loi normale. Au cours
d’un entraînement, on constate que :

10% des javelots atteignent plus de 75 mètres.
.
25% des javelots parcourent moins de 50 mètres.

Calculer la longueur moyenne parcourue par un javelot, ainsi que l’écart type de cette longueur.

Travail no 31.

1. Soit T une V.A.R. qui suit la loi normale N (0, 1). Soit a un nombre réel strictement positif.
Soit X = |T | + a.
(i) Calculer la fonction de répartition FX de X en fonction de la fonction de répartition Φ
de la loi N (0, 1).
(ii) En déduire une densité fX de X.
(iii) Calculer E (X) et Var (X).

2. X suit la loi N (0, 1). Soit n un entier supérieur ou égal à 2. Pour quelle valeur de a ∈ R∗ , la
probabilité P (a < X < na) est-elle maximale ?

Dr Prevot Chirac BATSINDILA NGANGA page 78 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.4. Loi log −normale

1.2.4 Loi log −normale

Définition 32 Soit ln X une variable aléatoire suivant une loi normale de moyenne µ ∈ R et de
variance σ 2 > 0 (ou d’écart-type σ) :

Y = ln(X) N (µ, σ 2 ). (1.299)

Alors, la variable aléatoire obtenue en prenant l’exponentielle de Y est dite suivre une loi log-
normale de paramètre de localisation µ et de paramètre d’échelle σ :

X = exp(Y ) ln N (µ, σ 2 ). (1.300)

Théorème 20 Soit X une variable aléatoire suivant une loi log-normale de paramètres µ ∈ R et
σ2 > 0 :

X ln N (µ, σ 2 ). (1.301)

Alors, la densité de probabilité de X est donnée par

" #
1 (ln x − µ)2
fX (x) = √ exp − , x > 0. (1.302)
x σ 2π 2σ 2

Preuve. Une variable aléatoire suivant une loi log-normale est définie comme l’exponentielle d’une
variable aléatoire normale :

Y N (µ, σ 2 ) =⇒ X = exp(Y ) ln N (µ, σ 2 ). (1.303)

La densité de probabilité de la loi normale est donnée par

" #
1 (y − µ)2
fY (y) = √ exp − , y ∈ R. (1.304)
σ 2π 2σ 2

En écrivant X comme une fonction de Y , on obtient

X = g(Y ) = exp(Y ). (1.305)

La fonction réciproque est alors

Y = g −1 (X) = ln(X). (1.306)

Comme la dérivée de exp(Y ) est strictement positive, la fonction g(Y ) = exp(Y ) est strictement
croissante. La densité de X = g(Y ) est alors donnée par

 dg −1 (x)
fY (g −1 (x)) , si x ∈ X ,


fX (x) = dx (1.307)

0, si x ∈
/ X,



Dr Prevot Chirac BATSINDILA NGANGA page 79 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.4. Loi log −normale

où

X = {x = g(y) : y ∈ Y}. (1.308)

Comme g(y) = exp(y), et puisque Y = R, alors X = {x = exp(y) : y ∈ R}.

Ainsi, l’ensemble image de g est

X = {x = exp(y) : y ∈ R} = ]0, +∞[ . (1.309)

En utilisant la densité de la loi normale, on obtient

 dg −1 (x)
−1

fX (x) = fY g (x) (1.310)
 dx
!2 
−1
1 1 g (x) − µ dg −1 (x)
= √ exp−  (1.311)
σ 2π 2 σ dx
 !2 
1 1 ln x − µ d(ln x)
= √ exp−  (1.312)
σ 2π 2 σ dx
 !2 
1 1 ln x − µ 1
= √ exp−  (1.313)
σ 2π 2 σ x
" #
1 (ln x − µ)2
= √
exp − , x ∈ ]0, +∞[ . (1.314)
xσ 2π 2σ 2

Théorème 21 Soit X une variable aléatoire suivant une loi log-normale de paramètres µ ∈ R et
σ2 > 0 : X ln N (µ, σ 2 ).
Alors, la fonction de répartition de X est donnée par
" !#
1 ln x − µ
FX (x) = 1 + erf √ , x > 0. (1.315)
2 2σ
où la fonction d’erreur est définie par
2 Zx
erf(x) = √ exp(−t2 ) dt. (1.316)
π 0

Preuve. La densité de probabilité de la loi log-normale est

 !2 
1 ln x − µ
fX (x) = √ exp− √ , x > 0. (1.317)
x σ 2π 2σ

Par définition, la fonction de répartition est

Z x
FX (x) = P(X ≤ x) = fX (z) dz. (1.318)
0

Dr Prevot Chirac BATSINDILA NGANGA page 80 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.4. Loi log −normale

En substituant l’expression explicite de la densité, on obtient

 !2 
Z x
1 ln z − µ
FX (x) = √ exp− √  dz. (1.319)
0 z σ 2π 2σ

On effectue le changement de variable

ln z − µ √ √ √ √
t= √ =⇒ ln z = 2σt + µ =⇒ z = exp( 2σt + µ) =⇒ dz = 2σ exp( 2σt + µ) dt.
2σ
Les bornes deviennent :
ln x − µ
z = 0 =⇒ t = −∞ puis z = x =⇒ t = √ . (1.320)
2σ
Ainsi,
ln x−µ
1 Z √2 σ 1 √ √
FX (x) = √ √ exp(−t2 ) 2σ exp( 2σt + µ) dt
σ 2π −∞ exp( 2σt + µ)
ln x−µ
1 Z √2 σ
= √ exp(−t2 ) dt. (1.321)
π −∞
On décompose alors l’intégrale :
ln x−µ
1 Z0 1 Z √2 σ
FX (x) = √ exp(−t2 ) dt + √ exp(−t2 ) dt. (1.322)
π −∞ π 0
Or,
Z 0 Z ∞ √
2 2 π
exp(−t ) dt = exp(−t ) dt = . (1.323)
−∞ 0 2
On en déduit
ln x−µ
1 1 Z √2 σ
FX (x) = +√ exp(−t2 ) dt. (1.324)
2 π 0
En utilisant la définition de la fonction d’erreur,
2 Zu
erf(u) = √ exp(−t2 ) dt, (1.325)
π 0
on obtient finalement
" !#
1 ln x − µ
FX (x) = 1 + erf √ . (1.326)
2 2σ
On obtient
!
1 1 ln x − µ
FX (x) = lim erf(u) + erf √ .
2 u→+∞ 2 2σ

Dr Prevot Chirac BATSINDILA NGANGA page 81 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.4. Loi log −normale

Or, par définition de la fonction d’erreur,

2 Zu
erf(u) = √ exp(−t2 ) dt. (1.327)
π 0

En faisant tendre u vers +∞, on obtient

√
2 Z +∞ 2 2 π
lim erf(u) = √ exp(−t ) dt = √ × = 1. (1.328)
u→+∞ π 0 π 2

Ainsi,
!
1 1 ln x − µ
FX (x) = + erf √
2 2 2σ
" !#
1 ln x − µ
= 1 + erf √ . (1.329)
2 2σ

Théorème 22 Soit X une variable aléatoire suivant une loi log-normale :

X ln N (µ, σ 2 ). (1.330)

Alors, l’espérance (ou valeur moyenne) de X est donnée par

1
 
E(X) = exp µ + σ 2 , (1.331)
2
le mode de X est donné par

mode(X) = exp(µ − σ 2 ), (1.332)

la variance de X est donnée par

Var(X) = exp(2µ + 2σ 2 ) − exp(2µ + σ 2 ). (1.333)

Preuves.
Preuve de l’Expression (1.331). Par définition, l’espérance d’une variable aléatoire continue est la
moyenne pondérée par la densité de probabilité :
Z
E(X) = x fX (x) dx. (1.334)
X(Ω)

La densité de la loi log-normale étant donnée par

 !2 
1 1 ln x − µ
fX (x) = √
exp− , x > 0, (1.335)
x σ 2π 2 σ

Dr Prevot Chirac BATSINDILA NGANGA page 82 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.4. Loi log −normale

on obtient
 !2 
Z +∞
1 1 ln x − µ
E(X) = x· √ exp−  dx
0 x σ 2π 2 σ
 !2 
1 Z +∞ 1 ln x − µ
= √ exp−  dx. (1.336)
σ 2π 0 2 σ

On effectue le changement de variable

ln x − µ
z= , (1.337)
σ
c’est-à-dire

ln x = µ + σz =⇒ x = exp(µ + σz) =⇒ dx = σ exp(µ + σz) dz. (1.338)

Les bornes deviennent :

x = 0 =⇒ z = −∞, (1.339)
x → +∞ =⇒ z → +∞. (1.340)

Ainsi,
1 Z +∞ 1
 
E(X) = √ exp − z 2 exp(µ + σz)σ dz
σ 2π −∞ 2
1 Z +∞ 1 2
 
= √ exp − z + σz + µ dz. (1.341)
2π −∞ 2
On regroupe les termes dans l’exponentielle :
1 1 
− z 2 + σz + µ = − z 2 − 2σz + µ
2 2
1  1
= − z 2 − 2σz + σ 2 + µ + σ 2 . (1.342)
2 2
On en déduit
1 1 1
  Z +∞  
E(X) = √ exp µ + σ 2 exp − (z − σ)2 dz. (1.343)
2π 2 −∞ 2
Or, on reconnaît l’intégrale de la densité d’une loi normale centrée réduite :
Z +∞
1 1
 
√ exp − u2 du = 1. (1.344)
−∞ 2π 2
Ainsi,
1
 
E(X) = exp µ + σ 2 . (1.345)
2
La démonstration est achevée.

Dr Prevot Chirac BATSINDILA NGANGA page 83 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.4. Loi log −normale

Preuve de l’Expression (1.332). Par définition, le mode d’une variable aléatoire continue est la
valeur qui maximise la densité de probabilité :

mode(X) = arg max fX (x). (1.346)

x

La densité de la loi log-normale est

" #
1 (ln x − µ)2
fX (x) = √ exp − , x > 0. (1.347)
x σ 2π 2σ 2

On calcule les dérivées première et seconde de fX .

Première dérivée :
" # !
1 (ln x − µ)2 ln x − µ
fX0 (x) = − 2 √ exp − 1+ . (1.348)
x σ 2π 2σ 2 σ2

Seconde dérivée :
" # !
1 (ln x − µ)2 ln x − µ
fX00 (x) = √ exp − 2
(ln x − µ) 1 +
2
2πσ x 3 2σ σ2
√ " # !
2 (ln x − µ)2 ln x − µ
+ √ 3 exp − 2
1+
πx 2σ σ2
" #
1 (ln x − µ)2
−√ exp − . (1.349)
2πσ 2 x3 2σ 2

On cherche les zéros de la dérivée première :

ln x − µ
fX0 (x) = 0 ⇐⇒ 1 + = 0. (1.350)
σ2
Il vient alors

ln x − µ = −σ 2 , (1.351)

soit

x = exp(µ − σ 2 ). (1.352)

On évalue la dérivée seconde en ce point :

!
  1 σ2
fX00 exp(µ − σ 2 ) = −√ exp − < 0. (1.353)
2πσ 2 exp(3(µ − σ 2 )) 2

La dérivée seconde étant strictement négative, le point critique correspond à un maximum. On en

déduit que

mode(X) = exp(µ − σ 2 ). (1.354)

La preuve est achevée.

Dr Prevot Chirac BATSINDILA NGANGA page 84 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.4. Loi log −normale

Preuve de l’Expression (1.333). Par définition, la variance d’une variable aléatoire est
h i
Var(X) = E (X − E(X))2 . (1.355)

Cette expression peut être réécrite sous la forme

 2
Var(X) = E(X 2 ) − E(X) . (1.356)

Or, l’espérance d’une variable aléatoire suivant une loi log-normale est
1
 
E(X) = exp µ + σ 2 . (1.357)
2
Il reste donc à calculer le second moment E(X 2 ).
Calcul du second moment.
Par définition,
Z +∞
E(X 2 ) = x2 fX (x) dx. (1.358)
0

La densité de la loi log-normale étant

 !2 
1 1 ln x − µ
fX (x) = √ exp− , x > 0, (1.359)
x σ 2π 2 σ

on obtient
 !2 
Z +∞
1 1 ln x − µ
E(X 2 ) = x2 √exp−  dx
0 x σ 2π 2 σ
 !2 
1 Z +∞ 1 ln x − µ
= √ x exp−  dx. (1.360)
σ 2π 0 2 σ

On effectue le changement de variable

ln x − µ
z= , (1.361)
σ
c’est-à-dire

ln x = µ + σz =⇒ x = exp(µ + σz) =⇒ dx = σ exp(µ + σz) dz. (1.362)

Les bornes deviennent

x = 0 =⇒ z = −∞, (1.363)
x → +∞ =⇒ z → +∞. (1.364)

Ainsi,
1 Z +∞ 1
 
2
E(X ) = √ exp(µ + σz) exp − z 2 σ exp(µ + σz) dz
σ 2π −∞ 2
1 Z +∞ 1 2
 
= √ exp − z + 2σz + 2µ dz. (1.365)
2π −∞ 2

Dr Prevot Chirac BATSINDILA NGANGA page 85 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

On regroupe les termes dans l’exponentielle :

1 1 
− z 2 + 2σz + 2µ = − z 2 − 4σz + 2µ
2 2
1 
= − z 2 − 4σz + 4σ 2 + 2µ + 2σ 2 . (1.366)
2
On en déduit
1 Z +∞
1
 
2 2
E(X ) = √ exp(2µ + 2σ ) exp − (z − 2σ)2 dz. (1.367)
2π −∞ 2
Or, on reconnaît l’intégrale de la densité d’une loi normale centrée réduite :
Z +∞
1 1
 
√ exp − u2 du = 1. (1.368)
−∞ 2π 2
Ainsi,

E(X 2 ) = exp(2µ + 2σ 2 ). (1.369)

En reportant les expressions de E(X 2 ) et E(X) dans la formule de la variance, on obtient

2
1
 
Var(X) = exp(2µ + 2σ ) − exp µ + σ 2 2
2
= exp(2µ + 2σ ) − exp(2µ + σ 2 ).
2
(1.370)

La démonstration est achevée.

1.2.5 Loi Gamma

[Link] Rappel

Définition 33 (Fonction gamma) La fonction gamma notée Γ est définie :

Z ∞
Γ(a) = ta−1 e−t dt, a > 0. (1.371)
0

En utilisant une intégration par parties, on trouve que :

Z ∞ Z ∞
Γ(a + 1) = ta e−t dt = − ta de−t
0
h i∞ Z ∞ 0
= −e−t ta + e−t ata−1 dt
0 0
Z ∞
−t a−1
= a e t dt = aΓ(a), a > 0.
0

Dr Prevot Chirac BATSINDILA NGANGA page 86 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

Théorème 23
Γ(a + 1) = aΓ(a), a > 0. (1.372)
De plus, on a : Z ∞ h i∞
Γ(1) = e−t dt = −e−t = 1. (1.373)
0 0

En combinant les Équations (1.372) et (1.373), on obtient :

Γ(n + 1) = n! n ∈ N. (1.374)

Définition 34 (Fonction bêta) L’intégrale

Z 1
B(u, v) = tu−1 (1 − t)v−1 dt, u > 0, v>0
0

est souvent appelée intégrale bêta ou fonction bêta.

Remarque 36 D’après la Définition 34, on obtient facilement la symétrie :

B (u, v) = B (v, u) , (1.375)

puisque le changement de variable t = 1 − s donne :

Z 1 Z 1 Z 1
u−1 v−1 v−1 u−1
B (u, v) = (1 − t) t dt = (1 − s) s ds = su−1 (1 − s)v−1 ds = B (v, u) .
0 0 0

Théorème 24 La connexion entre la fonction bêta et la fonction gamma est donnée par :

Γ(u)Γ(v)
B(u, v) = , u > 0, v > 0. (1.376)
Γ(u + v)

Preuve no 1. Pour prouver ce théorème, nous utilisons la Définition 33 pour obtenir :

Z ∞ Z ∞ Z ∞Z ∞
Γ(u)Γ(v) = e−t tu−1 dt · e−s sv−1 ds = e−(t+s) tu−1 sv−1 dt ds. (1.377)
0 0 0 0

Remarquons que :
Z +∞ Z +∞
Γ(u)Γ(v) = tu−1 e−t dt sv−1 e−s ds. (1.378)
0 0

On a
Z +∞Z +∞
Γ(u)Γ(v) = tu−1 sv−1 e−(t+s) dt ds (1.379)
0 0

Dr Prevot Chirac BATSINDILA NGANGA page 87 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

t = u(1 − v)
Posons : . Comme t > 0 et s > 0, alors :
s = uv
  
u(1 − v) >0 u > 0, 1 − v > 0 u < 0, 1 − v < 0
⇐⇒ ou (1.380)
uv >0 u > 0, v > 0 u < 0, v < 0
 
u > 0, v < 1 u < 0, v > 1
⇐⇒ ou (1.381)
u > 0, v > 0 u < 0, v < 0

0 < v < 1,
⇐⇒ (1.382)
u ∈]0, +∞[.

Le jacobien du changement de variables est :

∂(t, s) 1−v v
= = u(1 − v) + uv = u > 0.
∂(u, v) −u u

L’Expression (1.379) s’écrit alors comme suit

Z +∞ Z 1
Γ(u)Γ(v) = uu−1 (1 − v)u−1 uv−1 v v−1 e−u u dv du (1.383)
0 0
Z +∞ Z 1
= uu+v−1 e−u du v v−1 (1 − v)u−1 dv (1.384)
0 0
Z 1
= Γ(u + v) v v−1 (1 − v)u−1 dv (1.385)
0

Ainsi,
Z 1
Γ(u)Γ(v)
v v−1 (1 − v)u−1 dv = , (1.386)
0 Γ(u + v)
ce qui achève la démonstration. 

Preuve no 2. On peut aussi procéder comme suit.

Z +∞  Z +∞ 
α−1 −x β−1 −y
Γ(α)Γ(β) = x e dx y e dy
0 0
Z +∞Z +∞
= xα−1 y β−1 e−(x+y) dx dy. (1.387)
0 0

En posant
x
u= , (1.388)
x+y
on obtient
uy y y
x= , dx = du, u ∈ (0, 1), x+y = . (1.389)
1−u (1 − u)2 1−u

Dr Prevot Chirac BATSINDILA NGANGA page 88 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

L’intégrale devient alors

Z +∞Z 1
uα−1 du
Γ (α) Γ (β) = α−1
y α−1 y β−1 e−y/(1−u) y dy
0 0 (1 − u) (1 − u)2
Z +∞Z 1
uα−1
= y α+β−1 e−y/(1−u) du dy. (1.390)
0 0 (1 − u)α+1
Posons
y
= v, (1.391)
1−u
de sorte que

y = v(1 − u), dy = (1 − u) dv, v ∈ ]0, +∞[ . (1.392)

Alors l’intégrale est

Z +∞Z 1
Γ(α)Γ(β) = uα−1 (1 − u)β−1 v α+β−1 e−v du dv
0 0
Z +∞ Z 1
α+β−1 −v
= v e dv uα−1 (1 − u)β−1 du
0 0
Z 1
= Γ(α + β) uα−1 (1 − u)β−1 du. (1.393)
0

Ainsi,
Z 1
Γ(α)Γ(β) = Γ(α + β) xα−1 (1 − x)β−1 dx  (1.394)
0

[Link] Loi Gamma

Définition 35 (Loi Gamma) On dit qu’une variable aléatoire X suit la loi Gamma de paramètres
a et θ, où a > 0 et θ > 0, et on note X Γ(a, θ) ou X Gamma (a, θ) si X possède la fonction
densité de probabilité :


 θa a−1 −θx

 fX (x) = x e , si x > 0,
Γ(a) (1.395)

f (x) = 0,

sinon.
X

En particulier, pour a = 1, la variable aléatoire X Γ(1, θ) n’est rien d’autre que la V.A.R.
exponentielle de paramètre θ.

Remarque 37 Lorsque la variable X Γ(a, θ), la variable est alors appelée variable Gamma de
paramètres a et θ.

Dr Prevot Chirac BATSINDILA NGANGA page 89 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

Remarque 38 Le paramètre θ est un paramètre d’échelle, tandis que a est un paramètre de forme.
La forme de la fonction densité de probabilité fX varie beaucoup avec a, lorsque a est relativement
petit. Lorsque a devient grand, fX (x) tend vers une densité normale (voir la Proposition 27, page
103) ; cela est une conséquence du théorème central limite, car lorsque a est un entier, la variable
aléatoire X peut être représentée comme une somme de a variables aléatoires (voir la Remarque 26,
page 50).

D’après la Définition 35, une variable aléatoire continue X est dite suivre une loi Gamma de
paramètres a et θ (a > 0, θ > 0) si sa fonction de densité de probabilité est donnée par

θa a−1 −θx


 x e , 0 < x < +∞,
fX (x) =  Γ(a)
0,

sinon.

La fonction définie ci-dessus est bien une densité de probabilité, car l’aire totale sous la courbe de
probabilité est égale à 1, c’est-à-dire
Z +∞ Z +∞
θa −θx a−1 θa Z +∞ −θx a−1
fX (x) dx = e x dx = e x dx. (1.396)
0 0 Γ(a) Γ(a) 0
Posons
t dt
t = θx, x= , dx = . (1.397)
θ θ
Lorsque x → 0, alors t → 0, et lorsque x → +∞, alors t → +∞. Ainsi,
Z +∞
θa Z +∞ −t t a−1 dt
 
fX (x) dx = e
0 Γ(a) 0 θ θ
1 Z +∞
= e−t ta−1 dt
Γ(a) 0
1
= Γ(a) = 1. (1.398)
Γ(a)

Cas particuliers
(i) Si α est un entier naturel (n ∈ N), alors on dit aussi que X suit une loi d’Erlang, laquelle est
importante dans la théorie des files d’attente.
(ii) Si a = ν/2, où ν ∈ {1, 2, . . .}, et θ = 1/2, alors la loi gamma porte aussi le nom de loi du
khi-deux (ou khi-carré) à ν degrés de liberté.
(iii) Si a = 1, alors la fonction densité fX devient

fX (x) = θe−θx pour x > 0. (1.399)

On dit que X suit une loi exponentielle de paramètre θ > 0. On écrit : X exp(θ).

Dr Prevot Chirac BATSINDILA NGANGA page 90 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

Remarque 39 Si X1 , . . . , Xn sont des variables aléatoires indépendantes et si Xi exp(α) pour

i = 1, . . . , n, alors
n
X
Y := Xi
i=1

suit une distribution gamma de paramètres n et α (voir la Remarque 26, page 50, pour plus de
détails).

On peut reformuler la Définition 35 de la manière suivante.

Définition 36 (Loi Gamma) Soit b et t deux nombres réels strictement positifs. Une V.A.R. X suit
la loi Gamma de paramètres b et t , et on note X Gamma(b, t) si et ssi X admet pour densité
la fonction fX définie par :
x

 e− t xb−1
X (x) = si x > 0
f



Γ(t)bt (1.400)
f (x) = 0 si x ≤ 0 .

X

Remarque 40 fX est continue sur R∗ , positive sur R et :

Z +∞ − xt b−1
Z +∞
e x x=bu 1 Z +∞ −u 1−b t−1
fX (x) dx = dx = e b u b du
−∞ 0 Γ(t)bt Γ(t)bt 0
1
= · Γ(t)bt = 1
Γ(t)bt

Donc f est bien une densité de probabilité.

Proposition 23 (Relation avec la loi normale centrée réduite) Soit Z une variable aléatoire sui-
vant une loi normale centrée réduite et soit X son carré : X = Z 2 . Alors X suit une loi gamma de
paramètres b = 2 et t = 1/2.

Preuve. Pour x ≥ 0, la fonction de répartition de X est

FX (x) = P(X ≤ x) (1.401)

= P(Z 2 ≤ x) (1.402)
 
= P −x1/2 ≤ Z ≤ x1/2 (1.403)
Z x1/2
= fZ (z) dz. (1.404)
−x1/2

Dr Prevot Chirac BATSINDILA NGANGA page 91 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

Pour x < 0, on a FX (x) = 0, car X, étant un carré, ne peut pas être négative. En utilisant la règle
de Leibniz pour l’intégration et le fait que la fonction de densité est la dérivée de la fonction de
répartition, la densité de probabilité de X, notée fX (x), est obtenue comme suit (pour x ≥ 0) :

dFX (x) d Z x1/2

fX (x) = = fZ (z) dz (1.405)
dx dx −x1/2
d(x1/2 ) d(−x1/2 )
= fZ (x1/2 ) − fZ (−x1/2 ) (1.406)
dx dx
1 1 1 −1/2 1 1 1
    
= √ exp − (x1/2 )2 x − √ exp − (−x1/2 )2 − x−1/2 (1.407)
2π 2 2 2π 2 2
1 1 −1/2 1 1 1 −1/2 1
   
= √ x exp − x + √ x exp − x (1.408)
2π 2 2 2π 2 2
1 1 1 1
   
= √ x−1/2 exp − x = 1/2 x1/2−1 exp − x . (1.409)
2π 2 2 Γ(1/2) 2
où, à la dernière étape, on a utilisé le fait que
1
 
√
Γ = π.
2
Pour x < 0, on a trivialement fX (x) = 0. Par conséquent,

1 1
 
x1/2−1 exp − x , si x ≥ 0,



1/2
2 Γ(1/2) 2
fX (x) = (1.410)

0,

si x < 0,

ce qui est la densité de probabilité d’une loi gamma de paramètres b = 2 et t = 1/2. 

Proposition 24 La fonction génératrice des moments de X suivant la loi Gamma de paramètres

(a, θ) est donnée par :

MX (t) = (1 − t/θ)−a . (1.411)

On en déduit la fonction caractéristique de X :

ΦX (t) = MX (it) = (1 − i t/θ)−a . (1.412)

Preuve no 1.

tX
 θa a−1 −θx
Z +∞
tx
MX (t) = Ea,θ e = e x e dx. (1.413)
0 Γ(a)
θa Z +∞ a−1 (t−θ)x θa Γ(a) Z +∞ (θ − t)a a−1 −(θ−t)x
= x e dx = x e dx
Γ(a) 0 Γ(a) (θ − t)a 0 Γ(a)
!a !a
θa
a
θ t 1

= = = 1+ = = (1 − t/θ)−a .
(θ − t)a θ−t θ−t 1 − t/θ

Dr Prevot Chirac BATSINDILA NGANGA page 92 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

D’où :

MX (t) = (1 − t/θ)−a . (1.414)

Preuve no 2. Par définition, la fonction génératrice des moments d ?une variable aléatoire réelle X
suivant la loi Gamma Γ(a, θ) est donnée par :
 
MX (t) = Ea,θ etX . (1.415)

On a alors
Z +∞ Z +∞
θa a−1 −θx
MX (t) = etx fX (x) dx = etx x e dx
0 0 Γ(a)
θa Z +∞ a−1 −(θ−t)x
= x e dx (1.416)
Γ(a) 0
u=(θ−t)x θa Z +∞ ua−1 −u du θa 1 Z +∞
= e = ua−1 e−u du
Γ(a) 0 (θ − t)a−1 θ−t Γ(a) (θ − t)a 0
!a −a
θa 1 θ t t

= Γ(a) = = 1− , < 1. (1.417)
Γ(a) (θ − t)a θ−t θ θ
On en déduit la fonction caractéristique de X :

ΦX (t) = MX (it) = (1 − i t/θ)−a . (1.418)

Proposition 25 Si X suit la loi Gamma (b, t), alors X admet une espérance mathématique :

Eb,t (X) = bt. (1.419)

Si X suit la loi Gamma (a, θ), alors

a a
Ea,θ (X) = et Vara,θ (X) = . (1.420)
θ θ2

Preuve de l’Expression (1.419). Sous réserve d’existence,

x
Z +∞ Z +∞
xe− t xb−1 1 Z +∞ −u 1−b t
xf (x) dx = dx = e b u b du (changement de variable x = bu)
−∞ 0 Γ(t)bt Γ(t)bt 0
b Z +∞ −u t bΓ(t + 1)
= e u du = = bt
Γ(t) 0 Γ(t)
Donc E(X) existe et E(X) = bt.

Preuve no 1 de l’Expression (1.420). Comme

X Γ(a, θ), (1.421)

Dr Prevot Chirac BATSINDILA NGANGA page 93 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

alors sa fonction génératrice des moments est :

−a
t

MX (t) = 1 − , t ∈ [−h, h], avec h > 0. (1.422)
θ
Comme
 
MX (t) = Ea,θ etX , (1.423)

alors on a
dn  
MX (t) = Ea,θ X n tX
e , n ∈ N∗ . (1.424)
dtn
En particulier,

dn
MX (t) = Ea,θ (X n ) . (1.425)
dtn t=0

Autrement dit,
(n)
Ea,θ (X n ) = MX (0). (1.426)

Si n = 1, alors l’Expression (1.426) s’écrit :

(1)
Ea,θ (X) = MX (0). (1.427)

Or
−a −a−1
d t 1 t
  
(1)
MX (t) = 1− = −a − 1− , (1.428)
dt θ θ θ
donc
(1) a a
MX (0) = , i.e. Ea,θ (X) = . (1.429)
θ θ
Par ailleurs, si n = 2, alors l’Expression (1.426) donne :
(2)
Ea,θ (X 2 ) = MX (0). (1.430)

Or
 2  −a−2
(2) 1 t
MX (t) = −a 1− (−a − 1), (1.431)
θ θ
donc
(2) 1 a2 + a
MX (0) = −a(−a − 1) = . (1.432)
θ2 θ2
Ainsi,
a2 + a
Ea,θ (X 2 ) = . (1.433)
θ2
Dr Prevot Chirac BATSINDILA NGANGA page 94 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

Il vient,

2 a2 + a a2 a
Vara,θ (X) = Ea,θ (X ) − E2a,θ (X) = 2
− 2 = 2. (1.434)
θ θ θ
Finalement, si

X Γ(a, θ), (1.435)

alors
a a
Ea,θ (X) = et Var(X) = . (1.436)
θ θ2

Preuve no 2 de l’Expression (1.420). On a :

Z +∞
θa a−1 −θx 1 Z +∞ a a −θx
Ea,θ (X) = x x e dx = θ x e dx. (1.437)
0 Γ(a) Γ(a) 0

En effectuant le changement de variable

u = θx, du = θ dx, (1.438)

et en notant que Γ(a + 1) = aΓ(a), il vient :

1 Z +∞ a −u du 1 a
Ea,θ (X) = u e = Γ(a + 1) = . (1.439)
Γ(a) 0 θ θΓ(a) θ

Par définition de l’espérance, on a :

Z +∞
Ea,θ (X 2 ) = x2 fa,θ (x) dx. (1.440)
0

En utilisant l’expression de la densité de la loi Gamma G(a, θ) :

θa a−1 −θx
fa,θ (x) = x e 1R+ (x), (1.441)
Γ(a)

il vient :
θa Z +∞ a+1 −θx
Ea,θ (X 2 ) = x e dx. (1.442)
Γ(a) 0

On effectue le changement de variable :

u du
u = θx, x= , dx = . (1.443)
θ θ
L’intégrale devient alors :
Z +∞  a+1
Z +∞
a+1 −θx u −u du 1 Z +∞
x e dx = e = ua+1 e−u du. (1.444)
0 0 θ θ θa+2 0

Dr Prevot Chirac BATSINDILA NGANGA page 95 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

On reconnaît l’intégrale définissant la fonction Gamma :

Z +∞
ua+1 e−u du = Γ(a + 2). (1.445)
0

On obtient ainsi :
θa 1 Γ(a + 2)
Ea,θ (X 2 ) = · a+2 Γ(a + 2) = 2 . (1.446)
Γ(a) θ θ Γ(a)
En utilisant la propriété de la fonction Gamma :

Γ(a + 2) = (a + 1)a Γ(a), (1.447)

il vient finalement :

(a + 1)a
Ea,θ (X 2 ) = . (1.448)
θ2
Ainsi, la variance de X vaut :
(a + 1)a a2 a
Var(X) = E(X 2 ) − E(X)2 = 2
− 2 = 2. (1.449)
θ θ θ

Preuve no 3 de l’Expression (1.420). On a :

X Γ(a, θ)

Alors,
Z +∞
E(X n ) = xn f (x) dx
0
Z +∞
θa a−1 −θx θa Z +∞ (a+n)−1 −θx
= xnx e dx = x e dx
0 Γ(a) Γ(a) 0
θa Γ(a + n) Γ(a + n)
= = , n ∈ N. (1.450)
Γ(a) θa+n θn Γ(a)
Par conséquent, l’espérance est
a
E(X) = . (1.451)
θ
Le second moment est
(a + 1)a
E(X 2 ) = . (1.452)
θ2
Et la variance est
 2
(a + 1)a a a
Var(X) = E(X 2 ) − (E(X))2 = − = . (1.453)
θ2 θ θ2


Dr Prevot Chirac BATSINDILA NGANGA page 96 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

Remarque 41 Considérons la variable aléatoire

n
X
Sn = Xi où Xi Γ(ai , θ).
i=1

On a :
n n n
!
X X X ai
E(Sn ) = E Xi = E(Xi ) = . (1.454)
i=1 i=1 i=1 θ
i.e.
n
1X
E(Sn ) = ai . (1.455)
θ i=1
Puis,
n n n
!
X X 1 X
Var(Sn ) = Var Xi = Var(Xi ) = ai . (1.456)
i=1 i=1 θ2 i=1

Remarque 42 (Le mode) Le mode Mo est la valeur de la variable pour laquelle la densité fX (x)
est maximale, c’est-à-dire que le mode est la solution de
fX0 (x) = 0 et fX00 (x) < 0. (1.457)
Par conséquent,
d
fX0 (x) = fX (x) = 0. (1.458)
dx
Pour la loi Gamma de paramètres a et θ,
θa −θx a−1
fX (x) = e x , x > 0.
Γ(a)
On dérive :
θa −θx a−1
!
d
e x = 0. (1.459)
dx Γ(a)
Ce qui donne
(a − 1)xa−2 e−θx = θxa−1 e−θx . (1.460)
En simplifiant,
a − 1 = θx. (1.461)
Ainsi,
a−1
x = . (1.462)
θ
Le mode de la loi Gamma est donc
a−1
Mo = .
θ

Dr Prevot Chirac BATSINDILA NGANGA page 97 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

Remarque 43 (Coefficient d’asymétrie) Le coefficient d’asymétrie de Karl Pearson est

Moyenne − Mode
Sk = . (1.463)
Écart-type
Pour une loi Gamma de paramètres a et θ, on a
√
a a−1 q a
Ea,θ (X) = , Mode = et Vara,θ (X) = . (1.464)
θ θ θ
Ainsi,
a a−1
−
Sk = θ √ θ = √1 . (1.465)
a a
θ

Théorème 25 (Stabilité de la loi Gamma) Soient X et Y deux V.A.R. indépendantes telles que :
X Γ(a, θ), Y Γ(b, θ). Alors X + Y Γ(a + b, θ).
Plus généralement, si X1 , . . . , Xn sont
! indépendantes et Xk Γ(ak , θ), k = 1, . . . , n, alors
n
X
Sn = X1 + · · · + Xn Γ ak , θ .
k=1

Preuve. La densité de X + Y est donnée par l’intégrale de convolution :

Z +∞ Z +∞
∀t ∈ R, fX+Y (t) = fX (u) fY (t − u) du = fX (t − v) fY (v) dv, (1.466)
−∞ −∞

si l’on a posé v = t − u.
Remarquons que si t ≤ 0 et si u ≤ 0, alors fX (u) = 0 et donc fX+Y (t) = 0.
Si t < 0 et si u > 0, alors t − u < 0 et donc fX+Y (t) = 0.
En fait, on a :
Z t Z +∞
∀t ∈ R, fX+Y (t) = fX (u) fY (t − u) du + fX (u) fY (t − u) du. (1.467)
−∞ t

Si t > 0, alors :
Z 0 Z t
fX+Y (t) = fX (u)fY (t − u) du + fX (u)fY (t − u) du
−∞ 0
Z +∞ Z t
+ fX (u)fY (t − u) du = fX (u) fY (t − u) du. (1.468)
t 0
D’où
θa a−1 −θu θb
Z t
∀t > 0, fX+Y (t) = u e (t − u)b−1 e−θ(t−u) du (1.469)
0 Γ(a) Γ(b)
θa+b Z t a−1 θa+b Z t
= u (t − u)b−1 e−θt du = e−θt ua−1 (t − u)b−1 du
Γ(a)Γ(b) 0 Γ(a)Γ(b) 0

θa+b Z t
u b−1 b−1
 
= e−θt ua−1 1 − t du (1.470)
Γ(a)Γ(b) 0 t

Dr Prevot Chirac BATSINDILA NGANGA page 98 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

En posant v = u/t, i.e. dv = 1t du, on a :

θa+b −θt a+b−1

Z 1
fX+Y (t) = e t v a−1 (1 − v)b−1 dv. (1.471)
Γ(a)Γ(b) 0

Ainsi, l’Expression (1.394) et l’Expression (1.471) donnent alors

θ a+b a+b−1 −θt

fX+Y (t) = t e , t > 0. (1.472)
Γ(a + b)

On voit que X + Y suit la loi Gamma de paramètres a + b et θ

Nous allons maintenant démontrer ce même résultat en utilisant une technique de changement de
variables. Tout d’abord, posons Z = X + Y. Nous allons maintenant déterminer la fonction de
répartition de Z :

FX+Y (z) = P(Z ≤ z)

= P(X + Y ≤ z) pour x, y ∈ (0, +∞)
= P(X ≤ z − y)
Z +∞ Z z−y
= fX (x)fY (y) dx dy
0 0
Z +∞
= FX (z − y)fY (y) dy. (1.473)
0

La fonction de densité de probabilité associée peut alors être déterminée :

Z +∞
fX+Y (z) = fX (z − y)fY (y) dy, z ∈ (0, +∞)
0
Z +∞ Z z−y
= fX (x)fY (y) dx dy
0 0
Z +∞
θa θb b−1 −θy
= (z − y)a−1 e−θ(z−y) y e dy
0 Γ(a) Γ(b)
θa θb Z +∞
= (z − y)a−1 y b−1 e−θz dy. (1.474)
Γ(a)Γ(b) 0

y = zu, dy = z du
Faisons maintenant une substitution simple afin que le résultat final puisse être mis en évidence :

θa θb −θz
Z +∞
fX+Y (z) = e (z − zu)a−1 (zu)b−1 z du
Γ(a)Γ(b) 0

θa θb Z +∞
= e−θz z a+b−1 (1 − u)a−1 ub−1 du
Γ(a)Γ(b) 0

θa θb Z +∞
= e−θz z a+b−1 ub−1 (1 − u)a−1 du. (1.475)
Γ(a)Γ(b) 0

Dr Prevot Chirac BATSINDILA NGANGA page 99 / 170 1ère année Mathématiques-Info

Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

On remarquera ici que la partie intégrale de cette équation correspond à la fonction de la loi Bêta.
Par conséquent, on obtient :

θa+b
fX+Y (z) = e−θz z a+b−1 B(a, b) (1.476)
Γ(a)Γ(b)

En utilisant une définition alternative de la loi Bêta, qui a été démontrée dans la démonstration
précédente, on arrive à notre résultat final :

θa+b
fX+Y (z) = e−θz z (a+b)−1 (1.477)
Γ(a + b)

Ceci correspond, de la manière la plus évidente, à la fonction de densité de probabilité d ?une loi
Gamma :

Z Γ(a + b, θ) (1.478)

On peut aussi procéder comme suit. On a montré que si X suit une loi Gamma Γ(a, θ), alors
−a
t

MX (t) = 1 − . (1.479)
θ
Soient X et Y deux variables aléatoires réelles suivant respectivement les lois Gamma de paramètres
(a, θ) et (b, θ). Autrement dit,

X Γ(a, θ) et Y Γ(b, θ). (1.480)

On suppose que X et Y sont indépendantes. On a alors

     
MX+Y (t) = E et(X+Y ) = E etX E etY , par indépendance de X et Y . (1.481)

Ainsi,
−a  −b −(a+b)
t t t
 
MX+Y (t) = MX (t)MY (t) = 1 − 1− = 1− . (1.482)
θ θ θ
On reconnaît la fonction génératrice des moments d’une loi Gamma de paramètres

a + b, θ > 0. (1.483)

Comme la fonction génératrice des moments d’une loi est unique, on en déduit que

X +Y Γ(a + b, θ). (1.484)

Désignons par Pn la propriété :

n
!
n ∈ N∗ .
X
Sn Γ ai , θ , (1.485)
i=1

Dr Prevot Chirac BATSINDILA NGANGA page 100 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

Par hypothèse,
n
X
Sn = Xi , où Xi Γ(ai , θ). (1.486)
i=1

Initialisation. Pour n = 1, on a

S1 = X 1 Γ(a1 , θ). (1.487)

Si n = 2, alors

S2 = X + Y. (1.488)

Nous avons montré précédemment que

X +Y Γ(a + b, θ). (1.489)

En prenant a = a1 et b = a2 , on obtient

X +Y Γ(a1 + a2 , θ). (1.490)

Autrement dit,

S2 Γ(a1 + a2 , θ). (1.491)

Hérédité. Supposons qu’au rang n, la propriété Pn est vraie. Autrement dit,

n
!
X
Sn Γ ai , θ . (1.492)
i=1

Examinons si
n+1
!
X
Sn+1 Γ ai , θ . (1.493)
i=1

Par hypothèse,

Sn = X1 + · · · + Xn , Sn+1 = Sn + Xn+1 . (1.494)

Comme Sn et Xn+1 sont deux variables aléatoires indépendantes et que

 Pn
 Sn Γ( i=1 ai , θ) ,
(1.495)
 Xn+1 Γ(an+1 , θ),
alors, d’après ce qui précède,
n
!
X
Sn + Xn+1 Γ ai + an+1 , θ . (1.496)
i=1

Autrement dit,
n+1
!
X
Sn+1 Γ ai , θ . (1.497)
i=1

Dr Prevot Chirac BATSINDILA NGANGA page 101 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma

Comme P(2) est vraie et qu’il y a hérédité, alors la propriété P(n) est vraie pour tout n ∈ N∗ .
On peut donc en déduire que la loi Gamma est stable par additivité des variables aléatoires réelles
indépendantes. 

Théorème 26 (Stabilité de la loi Gamma) Si X et Y sont deux V.A.R. indépendantes, suivant

respectivement les lois Gamma (b, t) et Gamma (b, s), alors X + Y suit la loi Gamma (b, s + t).
Plus généralement, si X1 , X2 , . . . , Xn sont n V.A.R. indépendantes telles que : pour tout k ∈ J1, nK,
Xk suit la loi Gamma (b, tk ), alors
n n
!
X X
Sn = Xk Gamma b, tk .
k=1 k=1

Preuve
– X admet pour densité la fonction f définie par :
 x
− t b−1
e x

si x > 0

f (x) =

Γ(t)bt .
0 si x ≤ 0


– Y admet pour densité la fonction g définie par :

 x
− b−1
e s x

 si x > 0
g(x) =

Γ(s)bs .
0 si x ≤ 0


D’après le Théorème 9, X + Y admet pour densité la fonction fX+Y définie par :

Z +∞
∀x ∈ R, fX+Y (x) = fX (u)fY (x − u) du.
−∞

Si x ≤ 0, fX+Y (x) = 0 car si u ≤ 0, f (u) = 0 si u > 0, x − u < 0 et fY (x − u) = 0.

Si ∀x > 0,

Z x − ub t−1 x−u
e u e− b (x − u)s−1
fX+Y (x) = · du
0 Γ(t)bt Γ(s)bs
x
e− b Z x
= t+s
ut−1 (x − u)s−1 du
Γ(t)Γ(s)b 0
− xb s+t−1 Z 1
e x
= ut−1 (1 − u)s−1 dx (changement de variable u = vx)
Γ(t)Γ(s)bt+s 0
x x
e− b xs+t−1 e− b xs+t−1
= B(t, s) =
Γ(t)Γ(s)bt+s bt+s Γ(t + s)

Donc X + Y suit la loi Gamma (b, t + s).

Dr Prevot Chirac BATSINDILA NGANGA page 102 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.5. Loi Gamma
n
!
X
On montre par récurrence sur n que Sn suit la loi Gamma b, tk (On utilise le fait que si
k=1
X1 , . . . , Xn , Xn+1 sont indépendantes, alors X1 , . . . , Xn sont indépendantes de Xn+1 , donc Xn+1
est indépendante de Sn ). 

Proposition 26 La somme de n V.A.R. exponentielles indépendantes et de même paramètre α suit

la loi Gamma α1 , n .

Preuve
  Pn  
1 1
∀k ∈ J1, nK, Xk E(α) = Γ α
,1 , donc k=1 Xk Γ α
,n , α 6= 0. 

Proposition 27 (Propriété limite) La loi Gamma tend vers une loi normale lorsque a → +∞.

Preuve. Si X Γ(a, θ), alors

a a
Ea,θ (X) = , Vara,θ (X) = . (1.498)
θ θ2
La variable Gamma standardisée est donnée par
a a
X − E(X) X− X−
Z = q = r aθ = √ θ . (1.499)
Var(X) a
θ 2
θ
On considère maintenant

MZ (t) = E(etZ ). (1.500)

  a 
X −

t √
 θ tθX ta tθX √ tθX
       
 a/θ  

√ −√  √ −t a  √ √ 
a a  = Ee a  = Ee a · e−t a 
    
MZ (t) = e
E  = E

 e     
 
 
 
 

tθX
 
 √a 
! !−a
√ √ tθ √ tθ
−t a  = e−t a M −t a
= e Ee X √ =e 1− √
  a θ a

!−a
√ t
−t a
= e 1− √ (1.501)
a

Dr Prevot Chirac BATSINDILA NGANGA page 103 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.6. Loi Bêta

En prenant le logarithme des deux côtés de l’Expression (1.501), il vient

√ √
! !
t t t2 t3
log MZ (t) = −t a − a log 1 − √ = −t a − a − √ − − √ − ···
a a 2a 3a a
√ √
!
t2 t3 t2 t3
= −t a + t a + + √ + · · · = + √ + · · · (1.502)
2 3 a 2 3 a
" #
t2 t3 t2 t2
lim log MZ (t) = lim + √ + ··· = + 0 + ··· = . (1.503)
a→∞ α→∞ 2 3 a 2 2
Par conséquent,
2 /2
lim MZ (t) = et
a→∞
. (1.504)
Ce qui est la fonction génératrice des moments de la variable normale centrée réduite. Ainsi, par le
théorème d’unicité de la fonction génératrice des moments, la variable Gamma standard tend vers la
variable normale centrée réduite lorsque a → ∞. En d’autres termes, la loi Gamma tend vers la loi
normale lorsque a → ∞.
Travail no 32.
Tous les jours, un étudiant parcourt le même trajet de 40 Km pour se rendre à son université. Sa
vitesse est une v.a. V qui dépend des conditions météorologiques et de la circulation. Sa densité est
de la forme : 
λ2 xe−λx , si x ≥ 0,
fV (x) =
0, sinon,
avec λ > 0.
(i) Reconnaître la loi de probabilité de la v.a. V . Déterminer la valeur de λ sachant que l’étudiant
roule à une vitesse moyenne de 80 Km/h.
(ii) Calculer la fonction de répartition de la v.a. V .
(iii) Sur la route empruntée par l’étudiant, la vitesse est limitée à 120 Km/h, un radar mesure la
vitesse de toutes les automobiles. Quelle est la probabilité pour que l’étudiant paye une amende
pour excès de vitesse ?
(iv) La durée du trajet est décrite par la v.a.
40
T = .
V
Déterminer la densité ainsi que l’espérance mathématique de la v.a. T .
(v) On pose U = 2λV . Déterminer la densité de la v.a. U . De quelle loi usuelle s’agit-il ?

Travail no 33.
1. Montrer que pour tout λ > 0 et pour tout entier n non nul :
n−1
λ λk Z λ λ−t tn−1
X
e = + e dt.
k=0 k! 0 (n − 1)!
2. Soit Y une variable aléatoire suivant la loi de Poisson de paramètre λ et X une variable
aléatoire suivant la loi Gamma (2, n). Montrer que P (X > 2λ) = P (Y < n).

Dr Prevot Chirac BATSINDILA NGANGA page 104 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.6. Loi Bêta

1.2.6 Loi Bêta

Définition 37 (Lien entre les lois Gamma et Bêta) Soient X Gamma(α, λ) et Y

Gamma(β, λ) deux variables aléatoires indépendantes. Alors, la variable aléatoire

X
Z=
X +Y
suit la loi Bêta de paramètres α et β, c’est-à-dire :

Z Beta(α, β).

Théorème 27 Soit Z une variable aléatoire suivant une loi bêta : Z Beta(α, β). Alors, la
fonction de densité de probabilité de Z est donnée par :
1
fZ (z) = z α−1 (1 − z)β−1 , pour z ∈ ]0, 1[ , (1.505)
B(α, β)

où B(α, β) désigne la fonction bêta d’Euler.

L’espérance de X est donnée par
α
Eα,β [X] = , (1.506)
α+β
la variance de X est donnée par
αβ
Varα,β (X) = . (1.507)
(α + β)2 (α + β + 1)

X
Preuve de l’Expression (1.505). On a Z = X+Y

X
 
P(Z ≤ z) = P ≤ z = P (X ≤ z(X + Y )) (1.508)
X +Y
z
 
= P ((1 − z)X ≤ zY ) = P X ≤ Y (1.509)
1−z
Z +∞ Z zy
1−z
= fX (x)fY (y) dxdy. (1.510)
0 0

En différentiant sous le signe intégral, on obtient la densité de Z :

d
h(z) = P(Z ≤ z) (1.511)
dz
Z +∞
y zy
 
= fX fY (y) dy. (1.512)
0 (1 − z)2 1−z

Dr Prevot Chirac BATSINDILA NGANGA page 105 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.6. Loi Bêta

En remplaçant par les densités des lois Gamma :

λα α−1 −λx
fX (x) = x e , (1.513)
Γ(α)
λβ β−1 −λy
fY (y) = y e , (1.514)
Γ(β)
On a donc :
λα λβ β−1 −λy
Z +∞ α−1
y zy

zy
h(z) = · e−λ 1−z · y e dy (1.515)
0 (1 − z)2 Γ(α) 1 − z Γ(β)
λα+β z α−1 Z +∞
y
= α+1
y α+β−1 e−λ 1−z dy. (1.516)
Γ(α)Γ(β)(1 − z) 0

Posons u = λy/(1 − z) ⇒ y = u(1 − z)/λ, alors dy = (1 − z)/λ du, donc :

!α+β−1
λα+β z α−1 Z +∞
u(1 − z) 1−z
h(z) = α+1
· e−u · du (1.517)
Γ(α)Γ(β)(1 − z) 0 λ λ
λα+β z α−1 (1 − z)β−1 Z +∞ α+β−1 −u
= u e du (1.518)
Γ(α)Γ(β)λα+β 0

z α−1 (1 − z)β−1
= Γ(α + β) (1.519)
Γ(α)Γ(β)
1
= z α−1 (1 − z)β−1 , pour z ∈ ]0, 1[ . (1.520)
B(α, β)

Donc Z Beta(α, β). 

Preuve de l’Expression (1.506). L’espérance de X est :

Z 1 Z 1
1
Eα,β [X] = x · f (x) dx = x· xα−1 (1 − x)β−1 dx
0 0 B(α, β)
1 Z 1
= xα (1 − x)β−1 dx (1.521)
B(α, β) 0

Or cette dernière intégrale est :

Z 1
xα (1 − x)β−1 dx = B(α + 1, β) (1.522)
0

On a donc :
B(α + 1, β)
Eα,β [X] =
B(α, β)
Comme
Γ(a)Γ(b)
B(a, b) = ,
Γ(a + b)
alors

Dr Prevot Chirac BATSINDILA NGANGA page 106 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.6. Loi Bêta

Γ(α + 1)Γ(β)
Γ(α + β + 1) Γ(α + 1) Γ(α + β)
Eα,β [X] = = · (1.523)
Γ(α)Γ(β) Γ(α) Γ(α + β + 1)
Γ(α + β)

Se rappeler que
Γ(α + 1) = αΓ(α), Γ(α + β + 1) = (α + β)Γ(α + β)

Ainsi
αΓ(α) Γ(α +β) α
 

Eα,β [X] = · 
= (1.524)
Γ(α) (α + β)
Γ(α + β) α+β
 
  

D’où
α
Eα,β [X] = (1.525)
α+β

Preuve de l’Expression (1.507). Par hypothèse, X Beta(α, β), on rappelle la densité :

1
f (x) = xα−1 (1 − x)β−1 , x ∈ [0, 1]
B(α, β)

On calcule :
Z 1
1
Z 1
E[X ] =2 2
x f (x)dx = xα−1 (1 − x)β−1 dx
x2 · (1.526)
0 0 B(α, β)
1 Z 1
B(α + 2, β)
= xα+1 (1 − x)β−1 dx = (1.527)
B(α, β) 0 B(α, β)
Γ(α+2)Γ(β)
Γ(α+β+2) Γ(α + 2)Γ(α + β)
= Γ(α)Γ(β)
= (1.528)
Γ(α+β)
Γ(α)Γ(α + β + 2)

Or Γ(α + 2) = (α + 1)αΓ(α), donc :

(α + 1)α
Γ(α)Γ(α +β) α(α + 1)
 
2 
Eα,β [X ] = = .
Γ(α)(α + β)(α + β + 1)
Γ(α + β) (α + β)(α + β + 1)
 
  

On en déduit alors la variance de X :

αβ
Varα,β (X) = . (1.529)
(α + β)2 (α + β + 1)

Théorème 28 Soit X une variable aléatoire suivant une loi bêta :

X Beta(α, β). (1.530)

Dr Prevot Chirac BATSINDILA NGANGA page 107 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.6. Loi Bêta

Alors, le mode de X est


 {0, 1}, si α < 1 et β < 1,
mode(X) =  (1.531)
[0, 1], si α = 1 et β = 1,
et




0 ou 1, si α < 1 ou β < 1 (mais pas α < 1 et β < 1),
mode(X) =  α−1 (1.532)
 , si α ≥ 1 et β ≥ 1 (mais pas α = 1 et β = 1).
α+β−2


Preuve. Le mode est la valeur qui maximise la densité de probabilité :

mode(X) = arg max

x
fX (x). (1.533)

La densité de probabilité de la loi bêta est

1
fX (x) = xα−1 (1 − x)β−1 . (1.534)
B(α, β)

(i) Si α < 1, alors 0 est le mode, puisque

lim fX (x) = ∞, car lim xα−1 = ∞ pour α < 1. (1.535)

x→0 x→0

et si β < 1, alors 1 est le mode, puisque

lim fX (x) = ∞, car lim (1 − x)β−1 = ∞ pour β < 1. (1.536)

x→1 x→1

(ii) Si à la fois α < 1 et β < 1, alors

lim fX (x) = ∞ et lim fX (x) = ∞, (1.537)

x→0 x→1

de sorte que toute valeur de l’ensemble {0, 1} peut être considérée comme le mode.
(iii) Si α = 1 et β = 1, alors

1 Γ(2)
fX (x) = x1−1 (1 − x)1−1 = x0 (1 − x)0 = 1 = constante. (1.538)
B(1, 1) Γ(1)Γ(1)

c’est-à-dire que la distribution devient équivalente à la loi uniforme continue (standard) sur [0, 1],
qui possède une densité de probabilité constante. Ainsi, toute valeur de l’intervalle [0, 1] peut être
considérée comme le mode.
(iv) Pour les cas restants, nous devons analyser la densité de probabilité. Les deux premières dérivées
de cette fonction sont :
dfX (x) 1 h i
fX0 (x) = = −(β − 1)xα−1 (1 − x)β−2 + (α − 1)xα−2 (1 − x)β−1 . (1.539)
dx B(α, β)

Dr Prevot Chirac BATSINDILA NGANGA page 108 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.6. Loi Bêta

d2 fX (x) 1 h
fX00 (x) = = (α − 1)(α − 2)xα−3 (1 − x)β−1
dx2 B(α, β)
i
−2(α − 1)(β − 1)xα−2 (1 − x)β−2 + (β − 1)(β − 2)xα−1 (1 − x)β−3 .(1.540)

Nous calculons maintenant la racine de la dérivée première (1.539) :

fX0 (x) = 0 ⇐⇒ (β − 1)xα−1 (1 − x)β−2 = (α − 1)xα−2 (1 − x)β−1 . (1.541)

(β − 1)x = (α − 1)(1 − x),
x(α + β − 2) = α − 1,
α−1
x = . (1.542)
α+β−2
On remarque que pour cette quantité :
α−1
< 0, si α < 1 et β > 2 − α,
α+β−2
α−1
> 1, si β < 1 et α > 2 − β. (1.543)
α+β−2
On note également que
α−1 β−1
1−x = 1− = . (1.544)
α+β−2 α+β−2
En substituant x et 1 − x dans la dérivée seconde, on obtient :

!  !α−3 !β−1
α−1 1  α−1 β−1
fX00 = (α − 1)(α − 2)
α+β−2 B(α, β) α+β−2 α+β−2
!α−2 !β−2
α−1 β−1
−2(α − 1)(β − 1)
α+β−2 α+β−2
!α−1 !β−3 
α−1 β−1
+(β − 1)(β − 2) . (1.545)
α+β−2 α+β−2

En multipliant par des facteurs qui sont certainement positifs, on peut se concentrer sur les parties
de la dérivée seconde qui déterminent son signe :
!2
fX00 (x) B(α, β) β−1
α−3  β−3 = (α − 1)(α − 2)
α+β−2

α−1 β−1
α+β−2 α+β−2
! !
α−1 β−1
−2(α − 1)(β − 1)
α+β−2 α+β−2
!2
α−1
+(β − 1)(β − 2) . (1.546)
α+β−2

Dr Prevot Chirac BATSINDILA NGANGA page 109 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.6. Loi Bêta

En multipliant ou en divisant encore par des termes nécessairement positifs, et qui ne changent donc
pas le signe de la valeur de la fonction, on obtient :
fX00 (x) B(α, β) (α + β − 2)2
α−3  β−3 · = (α − 2)(β − 1) − 2(α − 1)(β − 1) + (α − 1)(β − 2)
(α − 1)(β − 1)

α−1 β−1
α+β−2 α+β−2
h i h i
= (α − 1) (β − 2) − (β − 1) − (β − 1) (α − 1) − (α − 2)
= −(α − 1) − (β − 1) < 0, si α > 1 et β > 1. (1.547)
Ainsi, fX00 (x) est négative pour
α−1
x= , (1.548)
α+β−2
ce qui montre qu’il s’agit d’un maximum. Pour résumer :
– Si α < 1 et β < 1, alors fX (x) diverge aux deux extrémités et les deux valeurs de l’ensemble
{0, 1} peuvent être considérées comme le mode de X.
– Si α < 1 ou β < 1 (mais pas α < 1 et β < 1), alors le mode de X est 0 ou 1, car fX (x) tend
vers l ?infini lorsque x → 0 ou x → 1.
– Si α = 1 et β = 1, alors fX (x) est constante et toute valeur de l ?intervalle [0, 1] peut être
considérée comme le mode de X.
– Si α > 1 et β > 1 (mais pas α = 1 et β = 1), alors
α−1
0<x= < 1, fX0 (x) = 0, fX00 (x) < 0, (1.549)
α+β−2
et donc fX (x) atteint son maximum en
α−1
= mode(X). (1.550)
α+β−2

Théorème 29 Soient X et Y deux variables aléatoires

 indépendantes
 suivant des lois du khi-deux :
2 2 X m n
X χ (m) et Y χ (n). Alors, X+Y Beta 2 , 2 .

Théorème 30 Soit X une variable aléatoire suivant une loi de Fisher : X

 F(d1 , d2 ). Alors, la
d1 X/d2 d1 X d1 d2
variable aléatoire Y = 1+d1 X/d2 = d2 +d1 X suit une loi bêta : Y Beta 2 , 2 .

Théorème 31 Soit X une variable aléatoire positive suivant une loi bêta :

X Bet(α, β).

Alors, la fonction génératrice des moments de X est donnée par

X k k−1
+∞
t
Y α+n
MX (t) = 1 + . (1.551)
k=1 k! n=0 α + β + n

Dr Prevot Chirac BATSINDILA NGANGA page 110 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.7. Loi de Pareto

Preuve. La fonction génératrice des moments est définie comme l’espérance de la transformée de
Laplace de la fonction de densité de probabilité.
Z 1
tX
MX (t) = E(e ) = etx f (x; α, β) dx
0
1 Z 1
= etx xα−1 (1 − x)β−1 dx. (1.552)
B(α, β) 0

Une forme indépendante de l’intégrale peut être obtenue en utilisant le développement en série de
Taylor de etx et la définition de la fonction bêta :

Z 1 +∞
X tk xk
!
1
MX (t) = xα−1 (1 − x)β−1 dx
B(α, β) 0 k=0 k!
+∞
X tk Z 1
1
= xα+k−1 (1 − x)β−1 dx
B(α, β) k=0 k! 0
+∞
X k t B(α + k, β)
=
k=0 k! B(α, β)
+∞
X k t B(α + k, β)
= 1+ . (1.553)
k=1 k! B(α, β)

En utilisant l’expression des fonctions bêta en termes de fonctions gamma, on obtient finalement

X k k−1
+∞
t
Y α+n
MX (t) = 1 + (1.554)
k=1 k! n=0 α + β + n

1.2.7 Loi de Pareto

Définition 38 Soit a et α deux réels strictement positifs et x0 un réel quelconque. Une V.A.R. X
suit la loi de Pareto de paramètres α, a et x0 si X admet pour densité la fonction fX définie par :
  α+1
α a
si x − x0 > a
fX (x) =  a x−x0 (1.555)
0 si x − x0 ≤ a

Remarque 44 fX est continue et positive sur R et

α+1
Z +∞
α Z +∞ a Z +∞
1

α
f (x) dx = dx = αa dx = 1.
−∞ a a+x0 x − x0 a+x0 (x − x0 )α+1
Donc fX est bien une densité de probabilité.

Dr Prevot Chirac BATSINDILA NGANGA page 111 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.7. Loi de Pareto

Proposition 28 Soit X une v.a.r. suivant la loi de Pareto de paramètres α > 0, a > 0 et x0 . Alors

αa αa2
E(X) = x0 + et Var(X) = . (1.556)
α−1 (α − 2)(α − 1)2

Preuve. Par définition, Z +∞

αaα
E(X) = t dt,
a+x0 (t − x0 )α+1

si cette intégrale est convergente.

Soit
t
f (t) = . (1.557)
(t − x0 )α+1
1
f est continue positive sur [a + x0 , +∞[ et et f (t) ∼t→+∞ tα
.
Donc E(X) existe si et seulement si α > 1.
Supposons α > 1 et effectuons le changement de variable

u = t − x0 . (1.558)

Alors

α u + x0
Z +∞
E(X) = αa du (1.559)
a uα+1
Z +∞ 
1 x0

= αaα + du. (1.560)
a uα uα+1
On a
Z 
1 x0 1 x0

α
+ α+1 du = − α−1
− . (1.561)
u u (α − 1)u αuα

Comme
1 1
lim = 0, lim =0 (α > 1), (1.562)
u→+∞ uα−1 u→+∞ uα

il vient
αa
E(X) = x0 + . (1.563)
α−1
De même, E(X 2 ) existe si et seulement si α > 2.
Supposons α > 2. On a
Z +∞
αaα
E(X 2 ) = t2 dt. (1.564)
a+x0 (t − x0 )α+1

Dr Prevot Chirac BATSINDILA NGANGA page 112 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux

Avec u = t − x0 , on obtient

2 α
Z +∞
(u + x0 )2
E(X ) = αa du (1.565)
a uα+1
!
α
Z +∞
1 2x0 x20
= αa + α + α+1 du. (1.566)
a uα−1 u u

Après intégration,
!
Z
1 2x0 x20 1 2x0 x20
+ α + α+1 du = − − − . (1.567)
uα−1 u u (α − 2)uα−2 (α − 1)uα−1 αuα

Comme
1 1 1
lim = lim = lim =0 (α > 2), (1.568)
u→+∞ uα−2 u→+∞ uα−1 u→+∞ uα
on obtient
αa2 2αx0 a
E(X 2 ) = + + x20 . (1.569)
α−2 α−1
Finalement,
 2
Var(X) = E(X 2 ) − E(X) (1.570)

αa2
= . (1.571)
(α − 2)(α − 1)2

1.2.8 Loi du khi-deux

Définition 39 Soient Z1 , Z2 , . . . , Zν une suite de ν variables aléatoires indépendantes, de même

loi N (0, 1). Alors la variable aléatoire νi=1 Z2i suit une loi appelée loi de Pearson ou loi du
P

khi-deux à ν degrés de liberté, notée χ2 (ν). On note souvent :

ν
χ2 (ν) = Zi2 .
X
(1.572)
i=1

Remarque 45 Le nombre de degrés de liberté est le nombre de variables aléatoires indépendantes

que l’on additionne. Le carré d’une variable aléatoire N (0, 1) présente une distribution χ2 (1).
En effet,
√ √
P(χ2 (1) ≤ x) = P(Z12 ≤ x) = P(− x ≤ Z1 ≤ x) (1.573)
√
= 2FZ1 ( x) − 1. (1.574)

Dr Prevot Chirac BATSINDILA NGANGA page 113 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux

c.-à-d. √
Fχ2 (1) (x) = 2FZ1 ( x) − 1.
En dérivant par rapport à x l’expression précédente, on obtient :
√ √ 1 1 1
Fχ0 2 (1) (x) = 2( x)0 fZ1 ( x) = √ · √ e− 2 x . (1.575)
x 2π
D’où
1 1 1 1 1 1 1
fχ2 (1) (x) = √ x− 2 e− 2 x = √ √ x− 2 e− 2 x (1.576)
2π 2 π
2−1/2
 1/2
1 1
= √ x−1/2 e−x/2 = √ x−1/2 e−x/2 .
π 2 π
 
1 √
Comme Γ 2
= π, alors

(1/2)1/2 1 −1 −x/2
fχ2 (1) (x) = x2 e , x > 0.
Γ(1/2)
1
On en déduit que χ2 (1) = Z12 suit la loi Gamma de paramètres a = 2
et θ = 12 .
Autrement dit :
 
Z12 Γ 1 1
,
2 2
. (1.577)

Comme la loi Gamma est stable par addition de variables indépendante suivant cette loi, alors :
ν
!
 
Z12 Zν2
X
1 1 1 1
+ ··· + Γ ν· ,
2 2
=Γ ,
2 2
. (1.578)
i=1

Autrement dit :
ν
ν 1
 
Zi2
X
Γ , . (1.579)
i=1 2 2

Il s’ensuit la fonction de probabilité de la loi du khi-deux :

 ν/2
1
2
fPν Zi2 (x) = xν/2−1 e−(1/2)x 1{x>0} (1.580)
i=1 Γ(ν/2)
2−ν/2 ν/2−1 −(1/2)x
= x e 1{x>0} (1.581)
Γ(ν/2)
1
= ν/2
xν/2−1 e−x/2 1{x>0} . (1.582)
2 Γ(ν/2)

Par définition, la fonction génératrice des moments de χ2 (ν) est donnée par :
 2 (ν)
  Pν 
Zi2
Mχ2 (ν) (t) = Eν et χ = Eν et i=1 . (1.583)

Dr Prevot Chirac BATSINDILA NGANGA page 114 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux

Comme les Zi (1 ≤ i ≤ ν) sont mutuellement indépendantes, alors :

2 2
Mχ2 (ν) (t) = Eν (etZ1 ) · · · Eν (etZν ) (1.584)
ν
2
Eν (etZi )
Y
= (1.585)
i=1
Yν  ν
= MZi2 (t) = MZ12 (t) . (1.586)
i=1
 
1 1
Comme Z12 ∼ Γ ,
2 2
, alors l’Expression (1.414) donne :

MZ12 (t) = (1 − 2t)−1/2 .

  Z +∞
2 2
MZ12 (t) = E etZ1 = etx fZ1 (x) dx (1.587)
−∞
Z +∞
tx2 1 −x2 /2 1 Z +∞ − 1 (1−2t)x2
= e √ e dx = √ e 2 dx (1.588)
−∞ 2π 2π −∞
2 Z +∞ − 1 (1−2t)x2
= √ e 2 dx. (1.589)
2π 0

Posons s
2z
z = 12 (1 − 2t)x2 =⇒ x = .
1 − 2t
−1/2  −1/2
1 2z 2 1 2 2z
   
dx = dz = dz
2 −2t + 1 −2t + 1 2 −2t + 1 −2t + 1

1 1
dx = √ √ dz.
2 (−2t + 1) 1/2 z
De plus, quand x → 0, z → 0 et quand x → +∞, z → +∞. Ainsi,
2 Z +∞ e−z 2 Z +∞ 1
MZ12 (t) = √ q dz = √ √ z 1/2−1 e−z dz (1.590)
2π 0 2z(1 − 2t) 4π 0 1 − 2t
√
2 Z +∞
1/2−1 −z 2  
1 2 π
= q z e dz = q Γ 2 = √ √ (1.591)
4π(1 − 2t) 0 4π(1 − 2t) 2 π 1 − 2t

= (1 − 2t)−1/2 . (1.592)

Remarque 46
Z +∞
1 Z +∞ 1 −1 −u 1 1 1
   
−tα [u=tα ]
e dt = u α e du = Γ =Γ +1 ,
0 α 0 α α α
avec α > 0.

Dr Prevot Chirac BATSINDILA NGANGA page 115 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux
Z +∞
(1/2)1/2 ν/2−1 (tx−x/2)
Mχ2 (1) (t) = x e dx (1.593)
0 Γ(ν/2)

(1/2)1/2 Z +∞ ν/2−1 (t−1/2)x

= x e dx (1.594)
Γ(ν/2) 0

(1/2)1/2 Z +∞ ν/2−1 − 1 (1−2t)x

= x e 2 dx (1.595)
Γ(ν/2) 0

Posons :
2u 2
u = 12 (1 − 2t)x, x= , dx = du.
1 − 2t 1 − 2t

(1/2)1/2 Z +∞ 2u ν/2−1 −u 2
   
Mχ2 (1) (t) = e du
Γ(ν/2) 0 1 − 2t 1 − 2t

(1/2)1/2 2ν/2−1 2 Z +∞ ν/2−1 −u

= u e du
Γ(ν/2) (1 − 2t)ν/2−1 1 − 2t 0

(1/2)1/2 2ν/2
= Γ(ν/2) = (1 − 2t)−ν/2 . (1.596)
Γ(ν/2) (1 − 2t)ν/2
Donc
Mχ2 (1) (t) = (1 − 2t)−ν/2
Par définition,
dn
Eν (X n ) = Mχ2 (ν) (t) . (1.597)
dtn t=0

Pour n = 1,

d
Eν (X) = Mχ2 (ν) (t) (1.598)
dt t=0

ν ν
   
= − (−2) (1 − 2t)−ν/2−1 = (2) = ν. (1.599)
2 t=0 2
Pour n = 2,
d2
Eν (X 2 ) = Mχ2 (ν) (t) (1.600)
dt2 t=0

ν ν
   
= − (−2) − − 1 (−2) (1 − 2t)−ν/2−2 (1.601)
2 2 t=0
= ν (ν + 2). (1.602)

D’où
Varν (X) = Eν (X 2 ) − Eν (X)2 = ν(ν + 2) − ν 2 = 2ν.

Dr Prevot Chirac BATSINDILA NGANGA page 116 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux

Il est important de remarquer que la variance est le double des degrés de liberté.

Proposition 29 La somme de variables aléatoires indépendantes suivant une loi du khi-deux est
aussi une variable suivant une loi du Khi-deux. Autrement dit, si χ21 , χ22 , . . . , χ2k sont k variables
aléatoires indépendantes suivant une loi du Khi-deux avec respectivement ν1 , ν2 , . . . , νk degrés de
liberté, alors la somme
χ21 + χ22 + · · · + χ2k
est aussi une variable suivant une loi du khi-deux avec ν1 + ν2 + · · · + νk degrés de liberté.

Preuve. Comme χ21 , χ22 , . . . , χ2k sont k variables aléatoires indépendantes, suivant une loi du Khi-
deux avec respectivement ν1 , ν2 , . . . , νk degrés de liberté, alors :
ν1 1 ν1 1
 
χ21 Γ , , a1 = , θ1 = ,
2 2 2 2
ν2 1 ν2 1
 
χ22 Γ , , a2 = , θ2 = ,
2 2 2 2
...
νk 1 νk 1
 
χ2k Γ , , ak = , θk = .
2 2 2 2
Il vient :

!!−ν1 /2
1
Mχ21 (t) = 1−t = (1 − 2t)−ν1 /2 , (1.603)
1/2
!!−ν2 /2
1
Mχ22 (t) = 1−t = (1 − 2t)−ν2 /2 , (1.604)
1/2
..
. (1.605)
!!−νk /2
1
Mχ2k (t) = 1−t = (1 − 2t)−νk /2 . (1.606)
1/2
On a :

P !
k
t χ2i  2 2 2

MPk χ2
(t) = E e i=1
= E etχ1 +tχ2 +···+tχk (1.607)
i=1 i

2 2 2
= E(etχ1 ) E(etχ2 ) · · · E(etχk ) (1.608)

= (1 − 2t)−ν1 /2 (1 − 2t)−ν2 /2 · · · (1 − 2t)−νk /2 (1.609)

!− 1 Pk νi
− 12
Pk
νi t 2 i=1
= (1 − 2t) i=1 = 1− . (1.610)
1/2

Dr Prevot Chirac BATSINDILA NGANGA page 117 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux

On reconnaît la fonction génératrice des moments de la loi Gamma de paramètres :

k
1X 1
a= νi , θ= . (1.611)
2 i=1 2

Autrement dit, la variable aléatoire

k
χ2i
X

i=1

suit la loi Gamma de paramètres

k
1X 1
a= νi , θ= .
2 i=1 2

Le théorème d’unicité des fonctions génératrices des moments permet d’affirmer que :
k k
!
χ2i χ2
X X
νi
i=1 i=1

La somme de khi-deux indépendantes est une khi-deux dont les degrés de liberté s’additionnent. 

Proposition 30 La loi du χ2 à ν degrés de liberté tend vers une loi normale lorsque ν → +∞.

Preuve. La moyenne et la variance sont :

Eν (χ2 ) = ν, Varν (χ2 ) = 2ν. (1.612)

On définit :
χ2 − Eν (χ2 ) χ2 − ν
χ2∗ = q = √ .
Var(χ2 ) 2ν

! !
2 tχ2
t χ√ −ν − √tν
 
tχ2∗ √
Mχ2∗ (t) = E e =E e 2ν =E e 2ν 2ν (1.613)

√ 
√t χ2
 √ t
!
−t ν/2 −t ν/2
= e E e 2ν =e Mχ2 √ . (1.614)
2ν
Comme
Mχ2 (t) = (1 − 2t)−1/2 ,
alors  s −1/2
! !−1/2
t t 2
Mχ2 √ = 1 − 2√ = 1 − t .
2ν 2ν ν
D’où :
s −1/2
√

2
Mχ2∗ (t) = e−t ν/2 1 − t . (1.615)
ν

Dr Prevot Chirac BATSINDILA NGANGA page 118 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux

Ainsi,
 s 
tν ν 2
ln Mχ2∗ (t) = − √ − ln 1 − t . (1.616)
2ν 2 ν

Se Rappeler : au voisinage de 0,
x2 x3 xn
ln(1 + x) = x − + + · · · + (−1)n+1 + xn ε(x).
2 3 n
Il vient :
t2  2  1 3  2 3/2 2 q 2
 q  q  q 
2 2
ln 1 − t ν
= −t ν
− − t ν − ν ν ε t ν2 . (1.617)
2 ν 3

ν q q t2 1 q q  q  q t2
ln(1 − t ν2 ) = −t ν2 − − t3 ν2 − ν ν2 ε t ν2 = −t ν2 − − · · · (1.618)
2 2 3 2
Lorsque ν → ∞, on a :
 s  
2 3
t t  2 t2
lim log M χ2∗ (t) = lim  + + ··· = + 0 + ···
 (1.619)
ν→∞ ν→∞ 2 3 ν 2
Donc :
2 /2

ν→∞
lim Mχ2∗ (t) = et . (1.620)

L’expression à droite est la fonction génératrice des moments de la loi normale centrée réduite. Ainsi,
par le théorème d’unicité de la f.g.m., la variable χ2 standardisée converge en loi vers la loi normale
centrée réduite lorsque ν → ∞. 
Le théorème suivant fournit un résultat important qui sera utilisé dans les applications statistiques.
En lien avec ces applications, nous utiliserons la variance empirique S 2 pour estimer la variance σ 2
lors d’un échantillonnage issu d’une loi normale N (m, σ 2 ). Des précisions supplémentaires sur S 2
seront données dans la deuxième partie de ce cours.

Théorème 32 Soient X1 , X2 , . . . , Xn n variables aléatoires issues d’une loi normale N (m, σ 2 ).

Alors la variable aléatoire moyenne empirique
n
1X
X= Xi , (1.621)
n i=1
et la variable aléatoire variance empirique
n
2 1 X
S = (Xi − X)2 , (1.622)
n − 1 i=1
sont indépendantes, et la variable aléatoire
Pn
(n − 1)S 2 i=1 (Xi − X)2
= (1.623)
σ2 σ2
suit une loi du χ2 à n − 1 degrés de liberté.

Dr Prevot Chirac BATSINDILA NGANGA page 119 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux

Preuve. D’après l’Expression (1.622),

n
(n − 1)S 2 = (Xi − X)2
X

i=1
n n n
2
Xi2
X X X
= − 2X Xi + X
i=1 i=1 i=1
n
2 2
Xi2 − 2nX + nX
X
=
i=1
n
2
Xi2 − nX .
X
= (1.624)
i=1

Il s’ensuit que
n
2
Xi2 = (n − 1)S 2 + nX .
X
(1.625)
i=1

La somme des carrés peut être simplifiée comme suit :

n n n n
(Xi − m)2 = Xi2 − 2m m2
X X X X
Xi +
i=1 i=1 i=1 i=1
n
Xi2 − 2n mX + n m2 .
X
= (1.626)
i=1

D’après l’Expression (1.625), l’Égalité (1.626) se simplifie en

n n
(Xi − m)2 = Xi2 − 2n mX + nm2
X X

i=1 i=1
2
= (n − 1)S 2 + nX − 2n mX + n m2 (1.627)
= (n − 1)S 2 + n(X − m)2
n
(Xi − X)2 + n(X − m)2 .
X
= (1.628)
i=1

D’après le Théorème 8, la loi jointe de X1 , X2 , . . . , Xn est donnée par

n
( 2 )
1 1X xi − µ

fX (x1 , . . . , xn ) = n/2 n
exp − , xi ∈ R. (1.629)
(2π) σ 2 i=1 σ
Considérons la transformation
n
1X
Y1 = X = Xi ,
n i=1
Yi = Xi − X, i = 2, . . . , n.
La transformation inverse est donnée par
n
X
X1 = Y1 − Yj , (1.630)
j=2
Xi = Y1 + Yi , i = 2, . . . , n. (1.631)

Dr Prevot Chirac BATSINDILA NGANGA page 120 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux

La matrice jacobienne associée à cette transformation est

 
1 −1 −1 · · · −1
1 1 0 ··· 0 
 
! 
∂xi 
1 ··· 0 

J= 1 0
= . (1.632)
∂yj .
. .. .. . . .. 
. . . . . 
1 0 0 ··· 1
Un calcul direct du déterminant montre que det(J) = n. Ainsi, le jacobien absolu de la transforma-
tion est |J| = n. Il s’ensuit que la densité jointe de (Y1 , . . . , Yn ) est
fY1 ,...,Yn (y1 , . . . , yn ) = fX (x1 , . . . , xn ) |J|
= n fX (x1 , y1 + y2 , . . . , y1 + yn )
n 
(  )
1X xi − m 2
= constante × exp − . (1.633)
2 i=1 σ
On remarque que la somme figurant dans l’exposant peut être simplifiée à l’aide de l’Expression
(1.628). En effet,
n  2 n
xi −m 1 X
(xi − m)2
X
=
i=1 σ σ 2 i=1
n
" #
1 X
= (xi − x)2 + n(x − m)2 . (1.634)
σ 2 i=1
En séparant le premier terme de la somme, on peut écrire
n  n
2 " #
xi −m 1 2
(xi − x)2 + n(x − m)2 .
X X
= (x 1 − x) + (1.635)
i=1 σ σ2 i=2

Comme
n
X
(xi − x) = 0, (1.636)
i=1

alors il vient immédiatement que

n
X
x1 − x = − (xi − x). (1.637)
i=2

Par conséquent, l’Équation (1.635) se simplifie en

n  n
2 " #
xi −µ 1 2
(xi − x̄)2 + n(x̄ − µ)2
X X
= (x 1 − x̄) + (1.638)
i=1 σ σ2 i=2
 !2 
n n
1  X
(xi − x̄)2 + n(x̄ − µ)2 
X
= (xi − x̄) + (1.639)
σ2 i=2 i=2
 !2 
n n
1  X
yi2 + n(y1 − µ)2  .
X
= yi + (1.640)
σ2 i=2 i=2

Dr Prevot Chirac BATSINDILA NGANGA page 121 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux

Par conséquent, la densité de probabilité de Y1 , Y2 , . . . , Yn , donnée par l’Équation (1.635), se

simplifie en
n
( 2 )
1 1X xi − µ

fY1 ,Y2 ,...,Yn (y1 , y2 , . . . , yn ) = exp − (1.641)
(2πσ 2 )n/2 2 i=1 σ
  !2 
n n
1  1  X 
yi2 + n(y1 − µ)2 
X
= exp − yi + (1.642)
(2πσ 2 )n/2  2σ 2
i=2 i=2

  !2 
n n
1 1 n
   
2 2
X X
= 2 n/2
exp − 2  yi + yi exp − 2 (y1 − µ)
(2πσ )  2σ i=2 i=2
 2σ

1
= h(y2 , y3 , . . . , yn ) g(y1 ). (1.643)
(2πσ 2 )n/2

Comme la densité conjointe fY1 ,Y2 ,...,Yn (y1 , y2 , . . . , yn ) peut être factorisée en un produit de fonctions
ne dépendant chacune que de leur ensemble respectif de statistiques, il s’ensuit, grâce à Proposition
10, Page 30, que Y1 = X̄ est indépendant de Yi = Xi − X̄, i = 2, 3, . . . , n.

Enfin, puisque X1 − X̄ = − ni=2 (Xi − X̄), il s’ensuit que X1 − X̄ est une fonction de Xi − X̄,
P

i = 2, 3, . . . , n. Par conséquent, grâce au Théorème 6, Page 28, X1 − X̄ est indépendant de Y1 = X̄.

Comme X1 , X2 , . . . , Xn forment une de variables aléatoires issue d’une loi normale de moyenne
m et de variance σ 2 , alors la moyenne empirique X̄ est indépendante de la variance empirique S 2 ,
puisque S 2 est fonction de Xi − X̄ (i = 1, 2, . . . , n) il s’ensuit que S 2 est indépendante de X̄.

L’équation (1.627) affirme que

n
(Xi − m)2 = (n − 1)S 2 + n(X̄ − m)2 .
X
(1.644)
i=1

Il s’ensuit que
n  2 !2
X Xi −m (n − 1)S 2 X̄ − m
= 2
+n (1.645)
i=1 σ σ σ
!2
(n − 1)S 2 X̄ − m
= + √ . (1.646)
σ2 σ/ n

Posons

U = W + V. (1.647)

Remarquons que, puisque Xi N (m, σ 2 ), il s’ensuit (voir la Proposition 20, Page 62) que

Xi − m
Zi = N (0, 1). (1.648)
σ

Dr Prevot Chirac BATSINDILA NGANGA page 122 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.8. Loi du khi-deux
 2

De même, puisque X̄ N m, σn ,

X̄ − m
√ N (0, 1). (1.649)
σ/ n
D’après l’Équation (1.577), Page 114, il s’ensuit que
n  2
Xi −m
χ2 (n),
X
(1.650)
i=1 σ
!2
X̄ − m
V = √ χ2 (1). (1.651)
σ/ n
D’après l’Équation (1.579) et les équations suivantes, Page 114, il s’ensuit que
n  2
Xi −m
χ2 (n).
X
U= (1.652)
i=1 σ
Par conséquent, puisque W et V sont indépendantes, la fonction génératrice des moments de U est
MU (t) = MW (t)MV (t). (1.653)
On a
(1 − 2t)−n/2 = MW (t)(1 − 2t)−1/2 , (1.654)
d’où
(1 − 2t)−n/2
MW (t) = = (1 − 2t)−(n−1)/2 . (1.655)
(1 − 2t)−1/2
La fonction génératrice des moments de W est reconnue comme celle d’une loi du χ2 à n − 1 degrés
de liberté. Ainsi,

(n − 1)S 2
W = χ2 (n − 1). (1.656)
σ2
La preuve est donc terminée 

Exemple 20 Soient X1 , X2 , X3 , X4 des variables aléatoires qui suivent de la loi normale N (76,4, 383).
Alors
4
X (Xi − 76,4)2
U= (1.657)
i=1 383
suit une loi du χ2 à 4 degrés de liberté,

4
X (Xi − X)2
W = (1.658)
i=1 383
suit une loi du χ2 à 3 degrés de liberté, et, par exemple,
P(0,711 ≤ U ≤ 7,779) = 0,90 − 0,05 = 0,85, (1.659)
P(0,352 ≤ W ≤ 6,251) = 0,90 − 0,05 = 0,85. (1.660)

Dr Prevot Chirac BATSINDILA NGANGA page 123 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.9. Loi de Student

Dans les sous-sections suivantes, nous illustrerons l’importance de la loi du χ2 dans les applications.
Nous examinons maintenant certaines lois qui constituent la base de certaines des inférences les
plus importantes en statistique.

Travail no 34.
Soit X une v.a. continue de densité :
k

, si 0 ≤ x ≤ e − 1,


fX (x) =  x + 1

0, sinon.

(i) Calculer k pour que f soit une densité de probabilité.

(ii) Calculer P(X ≥ 1) et P(0,7 ≤ X ≤ 1,7).
(iii) Calculer E(X) et Var(X) si elles existent.
(iv) Déterminer la fonction de répartition F de la v.a. X.
(v) Déterminer la loi de la v.a. Y = ln(1 + X).
(vi) Montrer que la v.a. Z = −2 ln Y suit une loi du khi-deux, préciser son degré de liberté.

1.2.9 Loi de Student

La loi de Student à ν degrés de liberté est la loi de probabilité du quotient d’une variable aléatoire
suivant une loi normale centrée réduite par la racine carrée de la moyenne des carrés de ν variables
aléatoires normales centrées réduites, indépendantes entre elles et indépendantes de la première
variable.
Plus précisément, une variable aléatoire T suit une loi de Student à ν degrés de liberté si elle peut
s’écrire sous la forme :
Z
T =v , (1.661)
u1 ν
u X
2
t Z
ν i=1 i

où Z, Z1 , . . . , Zν sont des variables aléatoires indépendantes suivant toutes la loi normale centrée
réduite.

Définition 40 (Loi de Student) Soient Z et Q deux variables aléatoires indépendantes telles que
Z N (0, 1) et Q χ2 (ν). Alors la variable aléatoire

Z
T =q (1.662)
Q/ν

suit une loi appelée loi de Student à ν degrés de liberté, et on note T St(ν).

Dr Prevot Chirac BATSINDILA NGANGA page 124 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.9. Loi de Student

Proposition 31 (i) La densité de la loi de la loi de Student à ν degrés de liberté est

 
ν+1
1 Γ 2 1
fT (t) = √ , t ∈ R. (1.663)
πν Γ(ν/2) (1 + t2 /ν) ν+1
2

(ii) L’espérance n’est pas définie pour ν = 1 et vaut 0 si ν ≥ 2. Sa variance n’existe pas pour
ν < 2 et vaut ν/(ν − 2) pour ν ≥ 3.

Remarque 47 Pour ν = 1, la loi de Student s’appelle loi de Cauchy, ou loi de Lorentz. C’est la
loi du rapport de deux variables normales centrées réduites indépendantes.

Preuve de la Proposition 31. Soit la variable aléatoire positive :

s
Q
S = . (1.664)
ν
Alors :
Q
 
FS (x) = P(S ≤ x) = P ≤ x2 (1.665)
ν
= P(Q ≤ νx2 ) = FQ (νx2 ). (1.666)

Par dérivation par rapport à x, on obtient :

fS (x) = 2νx fQ (νx2 ) (1.667)

ν ν/2 2
= ν/2−1
x ν−1 e−νx /2 1R+ (x). (1.668)
2 Γ(ν/2)
On a alors :

FT (x) = P(T ≤ t) = P(Z ≤ tS) (1.669)

ν ν/2
Z ts !
Z +∞
1 2 2
= √ e−z /2 dz ν/2−1
s ν−1 e−νs /2 ds. (1.670)
0 −∞ 2π 2 Γ(ν/2)

Dérivons FT (t) par rapport à t :

ν ν/2
!
d Z +∞ Z ts 1 −z2 /2 2
fT (t) = √ e dz ν/2−1
s ν−1 e−νs /2 ds
dt 0 −∞ 2π 2 Γ(ν/2)
Z +∞ "
ν ν/2
#
d Z ts 1 −z2 /2 2
= √ e dz ν/2−1 s ν−1 e−νs /2 ds.
0 dt −∞ 2π 2 Γ(ν/2)
Remarquons que
d Z ts 1 −z2 /2 1 2
√ e dz = √ e−(ts) /2 · s. (1.671)
dx −∞ 2π 2π

Dr Prevot Chirac BATSINDILA NGANGA page 125 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.9. Loi de Student

Donc :
Z +∞
s 2 2 ν ν/2 2
fT (t) = √ e−t s /2 ν/2−1 s ν−1 e−νs /2 ds (1.672)
0 2π 2 Γ(ν/2)
ν ν/2
!
Z +∞
ν (t2 + ν)s2
= √ s exp − ds. (1.673)
2 ν/2−1 Γ(ν/2) 2π 0 2
Posons
u = (ν + t2 )s2 =⇒ du = 2(ν + t2 )s ds. (1.674)
D’où :

u
s2 = (1.675)
ν + t2
du du
ds = 2
= q . (1.676)
2(ν + t )s 2(ν + t2 ) u/(ν + t2 )
Déduisons l’intégrale transformée :

Z +∞
2 )s2 /2 1 Z +∞
sν e−(ν+t ds = u(ν−1)/2 e−u/2 du.
0 (ν + x2 )(ν+1)/2 0
On reconnaît l’intégrale gamma :
Z +∞
ν+1
 
u(ν−1)/2 e−u/2 du = 2(ν+1)/2 Γ .
0 2
Ainsi :

ν ν/2 1 ν+1
 
fT (t) = √ Γ .
2 ν/2−1 Γ(ν/2) 2π (ν + t2 )(ν+1)/2 2
En remplaçant ν + t2 par ν(1 + t2 /ν) dans l’expression précédente, il vient
  !−(ν+1)/2
ν+1
1 Γ 2 t2
fT (t) = √   1+ , t ∈ R. (1.677)
νπ ν
Γ 2 ν

On a bien la densité d’une loi de Student à ν degrés de liberté. 

On considère T St (ν) et on cherche son moment d’ordre 2r :
 
µ2r = E T 2r , r ∈ N. (1.678)
On a :
  Z +∞
µ2r = E T 2r = t2r f (t) dt (1.679)
−∞
 
1 Γ ν+1
2
Z +∞
t2r
= √     dt. (1.680)
n Γ 1 Γ ν −∞ 1 + t2 (ν+1)/2
 
2 2 ν

Dr Prevot Chirac BATSINDILA NGANGA page 126 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.9. Loi de Student

Comme l’intégrande est pair, alors il vient

 
ν+1
2 Γ Z +∞
2 t2r
µ2r = √     dt. (1.681)
ν Γ 1 Γ ν 0 2 (ν+1)/2
 
2 2 1 + tν

On pose :

t2 1
1+ = . (1.682)
ν y
Donc :
t2 1−y 1−y
= =⇒ t2 = ν . (1.683)
ν y y
Dérivons :
ν
2t dt = −νy −2 dy =⇒ dt = − dy. (1.684)
2t y 2
Changement des bornes :

t → ∞ ⇒ y → 0, t → 0 ⇒ y → 1.

L’Expression (1.681) devient :

 
ν+1 !r
2 Γ 2
!
Z 0
1−y ν
µ2r = √ √ ν y (ν+1)/2 − dy.
ν πΓ(ν/2) 1 y 2t y 2

!r
2 Γ( ν+1 ) Z1 1−y ν
µ2r = √ √ 2
ν y (ν+1)/2 dy.
ν πΓ(ν/2) 0 y 2t y 2

Comme :
s
√ 1−y
s
1 1 y
t = ν =⇒ = √ , (1.685)
y t ν 1−y

on obtient
√
ν ν −3/2
2
= y (1 − y)−1/2 . (1.686)
2t y 2
Donc :
ν r Γ( ν+1 ) Z1 ν
µ2r = √ 2
(1 − y)r y 2 −r−1 dy. (1.687)
πΓ(ν/2) 0
On reconnaît une intégrale Gamma :
Z 1
Γ(a)Γ(b)
y a−1 (1 − y)b−1 dy = , (1.688)
0 Γ(a + b)

Dr Prevot Chirac BATSINDILA NGANGA page 127 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.9. Loi de Student

avec
ν
a= − r, b = r + 1.
2
Alors :
   
ν r Γ ν+1
2
Γ ν
2
− r Γ(r + 1)
µ2r = √ ν  · 
ν
 . (1.689)
πΓ 2 Γ 2
+1

Comme
ν ν ν
   
Γ +1 = Γ ,
2 2 2
alors
   
ν ν+1
ν r−1 Γ 2
− r Γ(r + 1)Γ 2
µ2r = √ 2 ν  . (1.690)
πΓ 2

En particulier, en prenant r = 1, on a

 q  
ν ν
 
2
−1 1+ 1
2 2
− 1 ν2 ν
µ2 = E ν T 2 = ν · 1 ν =ν·   = .
2
· 2
1 ν
− 1 ν ν−2
2 2 2

Cette quantité est la variance de la loi de Student de paramètre ν.

    
ν 1 ν 5
2 2
−2 2+ 2 2 2
−2 2
µ4 = ν 1 ν =ν 1 ν (1.691)
2
· 2 2
· 2
 
ν 3 1 ν
2 2
−2 · ·
2 2 2 3ν 2 /4
= ν     = (1.692)
1 ν
− 1 ν2 ν2 − 2 (ν − 2)(ν − 4)
2 2

3ν 2
= (ν > 4). (1.693)
(ν − 2)(ν − 4)

Lorsque ν = 1, la loi de Student devient la loi de Cauchy.

En effet, pour ν = 1, la densité donnée dans la Proposition 31 devient :

Γ(1)
fT (t) = √   (1 + t2 )−1 , t ∈ R. (1.694)
1
πΓ 2

Or
 
1 √
Γ(1) = 1, Γ = π (1.695)
2
donc,
1 1
fT (t) = √ √ (1 + t2 )−1 = . (1.696)
π π π(1 + t2 )

Dr Prevot Chirac BATSINDILA NGANGA page 128 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.9. Loi de Student

On a :
1
fT (t) = , −∞ < t < ∞.
π(1 + t2 )

C’est exactement la densité de la loi de Cauchy.

Proposition 32 La fonction fT est symétrique par rapport à l’origine et a la même allure que la
densité de Z N (0, 1). En fait, si ν → ∞, alors fT (t) tend vers la densité de Z. Autrement dit,
la loi de Student converge en loi vers la loi normale centrée réduite.

Preuve. Montrons que :

1 −t2 /2
lim f T (t) = √ e ,
ν→∞ 2π
c’est-à-dire que la loi de Student converge vers N (0, 1). Il est clair que
     !−(ν+1)/2 
Γ ν+1
2 t2
lim fT (t) = lim √
    × lim  1+ . (1.697)
ν→∞ ν→∞
ν π Γ ν2 ν→∞ ν

Remarquons que

       
Γ ν+12
Γ ν−1
2
+1
lim √
   = lim √
ν
  
ν−2
 (1.698)
ν→∞ ν→∞
νπ Γ 2 νπ Γ 2 + 1

En utilisant l’approximation de Stirling, i.e.

√ 1
Γ(z + 1) ∼ 2π z z+ 2 e−z , quand z −→ +∞
on obtient

√
      ν−1 + 1 

ν+1 ν−1 2 2 −(ν−1)/2
Γ 2  2π 2
e 
lim  √   = lim  √  ν−2  2 + 21
 (1.699)
ν→∞  √ ν−2
ν→∞
νπ Γ ν2

νπ 2π 2 e−(ν−2)/2
 
 ν−2
1 ν−2

2
= lim  √ e{ 2 − 2 − 2 +1} (2)1/2
ν 1 ν−1
 (1.700)
ν→∞ nπ 2
" (ν−1)/2 #
1 ν−2

= lim √ e−1/2 (2)−1/2 (ν − 1) 1/2
(1.701)
ν→∞ nπ ν−1
1 (ν−1)/2
" #
1 1
 
lim √ e−1/2 1 −
= ν→∞ (1 − )1/2 (1.702)
2π ν ν
−(ν−1)/2
1 −1/2 1 1 1/2
  
= √ e lim 1 − lim 1 − (1.703)
2π ν→∞ ν−1 ν→∞ ν
1 1
= √ e1/2 e−1/2 · 1 = √ (1.704)
2π 2π

Dr Prevot Chirac BATSINDILA NGANGA page 129 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

Par ailleurs,
 !−(ν+1)/2  " !#
t2  = lim −
ν+1 t2
lim log  1 + log 1 +
ν→∞ ν ν→∞ 2 ν
" !#
ν+1 t2 1 t4 1 t6
= lim − − + − ··· (1.705)
ν→∞ 2 ν 2 ν2 3 ν3
t2
= − (1.706)
2
Il vient :
!−(ν+1)/2
t2 2 /2
lim 1+ = e−t (1.707)
ν→∞ ν
En tenant compte des Expressions (1.704) et (1.707), on obtient :
1 −t2 /2
lim f T (t) = √ e . (1.708)
ν→∞ 2π
Donc la loi de Student converge vers la loi normale standard.

Travail no 35.
Soit T une V.A.R. continue de densité de probabilité fX définie par
K
fT (t) = ! n+1 , −∞ < t < +∞. (1.709)
t2 2
1+
n
Déterminer la valeur de la constante K puis reconnaître cette loi.

1.2.10 Loi de Fisher-Snedecor

Si χ21 et χ22 sont deux variables aléatoires indépendantes suivant des lois du khi-deux à ν1 et ν2
degrés de liberté respectivement, alors la statistique de Fisher F est définie par
χ21 /ν1
F = , (ν1 > ν2 ). (1.710)
χ22 /ν2
Autrement dit, F est définie comme le rapport (le ratio) de deux variables aléatoires indépendantes
suivant des lois du χ2 (khi-deux), chacune divisée par son nombre de degrés de liberté respectif.

Définition 41 (Loi de Fisher-Snedecor) Soient Q1 et Q2 deux variables aléatoires indépendantes

telles que Q1 χ2 (ν1 ) et Q2 χ2 (ν2 ) alors la variable aléatoire

Q1 /ν1
F = (1.711)
Q2 /ν2

suit une loi de Fisher-Snedecor à ν1 degrés de liberté au numérateur et à ν2 degrés de liberté au

numérateur, on note F F (ν1 , ν2 ) ou F Fν1 ,ν2 .

Dr Prevot Chirac BATSINDILA NGANGA page 130 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

Proposition 33 La variable aléatoire F suit une loi de Fisher-Snedecor à (ν1 , ν2 ) degrés de liberté
dont la fonction densité de probabilité est donnée par :
 
ν1 +ν2
Γ 2 ν1
 ν1 /2
xν1 /2−1
fF (x) =  ν1 +ν2 si x > 0. (1.712)
Γ (ν1 /2) Γ (ν2 /2) ν2 
ν1 2
1+ ν2
x
ν2
Son espérance n’existe que si ν2 ≥ 3 et vaut ν2 −2
. Sa variance n’existe que si ν2 ≥ 5 et vaut
2ν22 (ν1 +ν2 −2)
ν1 (ν2 −2)2 (ν2 −4)
.

Remarque 48 La fonction fF est bien une densité de probabilité sur ]0, +∞[, car :
– ses valeurs sont positives,
– la fonction est intégrable et son intégrale est donnée par :

 
ν1 +ν2 ν1
Z +∞ ν1 ν2 Γ 2
Z +∞
x 2 −1
fF (x) dx = ν1 ν2 2 2 
ν1
 
ν2
 ν1 +ν2 dx. (1.713)
0 Γ 2
Γ 2
0 (ν1 x + ν2 ) 2

Pour calculer l’intégrale

ν1
Z +∞
x 2 −1
I= ν1 +ν2 dx,
0 (ν1 x + ν2 ) 2

on pose
ν1 x ν2
t= =⇒ dx = dt.
ν1 x + ν2 ν1 (1 − t)2
De plus,
ν2
, ν1 x + ν2 =
1−t
ce qui implique que lorsque x = 0, t = 0, et lorsque x tend vers l’infini, t tend vers 1. Par conséquent,
! ν1 −1   ν1 +ν2
Z 1
ν2 t 2
1−t 2 ν2
I = dt (1.714)
0 ν1 (1 − t) ν2 ν1 (1 − t)2
ν1 ν2 Z 1 ν1 ν2
− −
= ν1 2
ν2 2
t 2 −1 (1 − t) 2 −1 dt. (1.715)
0

Dans l’intégrale, on reconnaît la fonction Bêta d’Euler définie, lorsque les parties réelles de x et y
sont positives, par (voir la Définition 34 et le Théorème 24 , Page 87) :
Z 1
Γ(x)Γ(y)
B(x, y) = ux−1 (1 − u)y−1 du = .
0 Γ(x + y)
Donc Z 1
ν1 ν2
 
ν1 ν2
−1 −1
t 2 (1 − t) 2 dt = B , ,
0 2 2

Dr Prevot Chirac BATSINDILA NGANGA page 131 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

ce qui implique que

     
ν1 +ν2 ν1 ν2
Z +∞ ν1 ν2 Γ 2
ν
− 21
ν
− 22 Γ 2
Γ 2
f(ν1 ,ν2 ) (x) dx = ν1 ν2
2 2 
ν1
 
ν2
 ν1 ν2 
ν1 +ν2
 (1.716)
0 Γ 2
Γ 2
Γ 2

= 1. (1.717)

L’intégrale de fF est bien égale à 1, ce qui montre que fF est bien une densité de probabilité.

1
Proposition 34 1. Si F suit une loi de Fisher F (ν1 , ν2 ) alors F
suit une loi de Fisher
F (ν2 , ν1 ).
2. Si T suit une loi de Student à ν degrés de liberté alors T 2 suit une loi de Fisher F (1, ν).

Pour une probabilité de queue droite égale à α, on écrit

P[ F ≥ Fα (ν1 , ν2 ) ] = α. (1.718)

Pour une probabilité de queue gauche égale à α, où α est généralement petit, on remarque que si F
suit une loi de Fisher F (ν1 , ν2 ), alors la variable 1/F suit une loi de Fisher F (ν2 , ν1 ). En effet,
" #
1 1
α = P[ F ≤ F1−α (ν1 , ν2 ) ] = P ≥ . (1.719)
F F1−α (ν1 , ν2 )

D’autre part,
1
 
P ≥ Fα (ν2 , ν1 ) = α. (1.720)
F

Il en résulte que
1 1
= Fα (ν2 , ν1 ), ou encore F1−α (ν1 , ν2 ) = . (1.721)
F1−α (ν1 , ν2 ) Fα (ν2 , ν1 )

Exemple 21 Soit F une variable aléatoire suivant une loi de Fisher F (4, 6). À partir de la Table, on
obtient

F0.05 (4, 6) = 4.53,

P(F ≤ 9.15) = 0.99. (1.722)

Autrement dit,

F0.01 (4, 6) = 9.15. (1.723)

Dr Prevot Chirac BATSINDILA NGANGA page 132 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

On remarque également que

1 1
F0.95 (4, 6) = = = 0.1623, (1.724)
F0.05 (6, 4) 6.16
et
1 1
F0.99 (4, 6) = = . (1.725)
F0.01 (6, 4) 15.21
Il en résulte que
1
 
P ≤ F ≤ 9.15 = 0.98,
15.21
1
 
P ≤ F ≤ 4.53 = 0.90. (1.726)
6.16

Travail no 36.
— Soit F une variable aléatoire suivant une loi de Fisher F (9, 24). Déterminer :
(a) F0.05 (9, 24) ;
(b) F0.95 (9, 24) ;
(c) P(0.277 ≤ F ≤ 2.70).
— Soit F une variable aléatoire suivant une loi de Fisher F (8, 4). Déterminer :
(a) F0.01 (8, 4) ;
(b) F0.99 (8, 4) ;
(c) P(0.198 ≤ F ≤ 8.98).

Preuve de la Proposition 33. Par définition, il est évident que F est une variable positive. Soit G
sa fonction de répartition, alors pour tout x > 0 on a :
!
ν1 Q1 ν2 x
 
G (x) = P(F ≤ x) = P ≤ x = P Q1 ≤ Q2 (1.727)
ν2 Q2 ν1
Z ∞ ν2 x
Z
ν1
s
= fQ2 (s)ds fQ1 (t) dt (1.728)
0 0

La fonction précédente est manifestement une fonction dérivable par rapport à x grâce aux théorèmes
usuels de dérivation d’une intégrale à paramètres.
d Z∞ ν2
 
G (x) = sfQ2 (s)fQ1 xs ds (1.729)
dx 0 ν1
 ν1 −1 Z ∞
d ν1 −ν1 /2 1 ν2
 ν
ν1 +ν2
2
−1 − 2ν21 s
= 2 x s 2 e ds
dx ν2 Γ( ν21 ) ν1 0
h i
ν1 x+ν2  ν1 −1
u= s
ν1 −ν1 /2 1 ν2 1 ν1 + ν2
  
ν2 2
= 2 ν1 x Γ
ν2 Γ( 2 ) ν1 (ν1 x + ν2 )/2 2
 ν1 −1
ν1 2−(ν1 +ν2 )/2 ν1 + ν2 ν2 1
 
2
= Γ x (1.730)
ν2 Γ( ν21 ) 2 ν1 ν1 x + ν2

Dr Prevot Chirac BATSINDILA NGANGA page 133 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

Par dérivation par rapport à x, on obtient pour tout x > 0 :

(ν1 +ν2 )/2  ν1 −1
ν2 1 ν1
 
2
−(ν1 +ν2 )/2
fF (x) = 2 ν1 ν2 x ×
ν1 x + ν2 Γ( 2 )Γ( 2 ) ν2
 ν1   ν2
ν1 + ν2 1ν1 ν2
  
2 2
× Γ = ν1 ν2 x , x>0
2 x B( 2 , 2 ) ν2 ν1 x + ν2

Le r-ième moment centré à l’origine est

Z ∞
µ0r = E (X r ) = xr f (x) dx (1.731)
0
ν /2 
ν1 1
Z ∞
r ν2
xν1 /2−1
= x ν  ν  dx (1.732)
0 Γ 21 Γ 22  (ν1 +ν2 )/2

ν1 +ν2
 1 + νν12 x
Γ 2
 ν1 /2  
ν1 ν1 +ν2 Z ν1
ν2
Γ 2
∞ x r+ 2 −1
=     (ν1 +ν2 )/2 dx (1.733)
Γ ν21 Γ ν22

0 ν1
1 + ν2 x

Posons
ν1 ν2 ν2
x = t, x= t, dx = dt
ν2 ν1 ν1
Après changement de variable :

 
ν1 +ν2

ν1
ν1 /2 Γ ν2
2
 r+ν1 /2
µ0r = ×
ν2 Γ(ν1 /2)Γ(ν2 /2) ν1
Z ∞
× t r+ν1 /2−1 (1 + t)−(ν1 +ν2 )/2 dt (1.734)
0
 
ν1 +ν2

ν2
r Γ 2 ν1 ν2
 
= B r+ , −r (1.735)
ν1 Γ(ν1 /2)Γ(ν2 /2) 2 2

Remplaçons maintenant la fonction bêta finale par les fonctions gamma :

   
ν1 ν2
  Γ r + ν21 Γ ν22 − r
B r+ , −r =   .
2 2 Γ ν1 +ν2
2

On obtient alors :

   
ν1 ν2

ν2
r Γ r+ 2
Γ 2
−r ν2
µ0r = , r< . (1.736)
ν1 Γ(ν1 /2)Γ(ν2 /2) 2

Dr Prevot Chirac BATSINDILA NGANGA page 134 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

En particulier,
   
ν1 ν2

ν2
 Γ 2
+1 Γ 2
− 1
µ01 = E (X) =     (1.737)
ν1 Γ ν21 Γ ν22
     
ν1
ν2
 
2
Γ ν21 Γ ν22
= 
ν2 −2
     (1.738)
ν1 Γ ν21 Γ ν22
2
ν2
= (1.739)
ν2 − 2
De plus,
  
ν1 ν2
  ν2
 2 2+ 2 2
−2
µ02 = E X 2 = ν1 ν2 (1.740)
ν1 2 2
    

ν1 ν1 ν2 ν2  

ν2
2 1+ 2 2 2
 2
 −2
=  
   (1.741)
ν1 ν1 ν2
− 1 ν22 − 2
2
 2
 
ν1

ν2
2 (ν1 + 2) 2
=    (1.742)
ν1 ν2
−1 ν2
−2
2 2
ν22 (ν1 + 2)
= . (1.743)
ν1 (ν2 − 2)(ν2 − 4)
On a :
ν2 (ν1 + 2) ν2 2  
Varν1 ,ν2 (X) = µ02 − (µ01 )2 = − (1.744)
ν1 (ν2 − 2)(ν2 − 4) ν2 − 2
" #
ν2 ν2 (ν1 + 2) ν2
= − (1.745)
(ν2 − 2) ν1 (ν2 − 4) (ν2 − 2)
" #
ν2 ν2 (ν1 + 2)(ν2 − 2) − ν1 ν2 (ν2 − 4)
= (1.746)
(ν2 − 2) ν1 (ν2 − 2)(ν2 − 4)
" #
ν2 ν2 (ν1 ν2 − 2ν1 + 2ν2 − 4) − ν1 ν22 + 4ν1 ν2
=
(ν2 − 2) ν1 (ν2 − 2)(ν2 − 4)

" #
ν2 ν1 ν22 − 2ν1 ν2 + 2ν22 − 4ν2 − ν1 ν22 + 4ν1 ν2
Varν1 ,ν2 (X) = =
(ν2 − 2) ν1 (ν2 − 2)(ν2 − 4)
" #
ν2 2ν22 − 4ν2 + 2ν1 ν2
= (1.747)
(ν2 − 2) ν1 (ν2 − 2)(ν2 − 4)
2ν22 (ν1 + ν2 − 2)
= . (1.748)
ν1 (ν2 − 2)2 (ν2 − 4)


Le mode est cette valeur de la variable pour laquelle fF (x) est maximum, c’est-à-dire le mode est la
solution de
fF0 (x) = 0 et fF00 (x) < 0.

Dr Prevot Chirac BATSINDILA NGANGA page 135 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

Ensuite, nous savons que la fonction de densité de probabilité de la loi de Fisher-Snedecor est donnée
par
,   ν1   ν2    ν1 +ν2


ν1
ν1 /2
ν1
−1
Γ 2 Γ 2 ν1 2
fF (x) = x 2    1+ x 
ν2 Γ ν1 +ν2 ν2
2
ν1
−1
Cx 2
=   ν1 +ν2 , 0 ≤ x < ∞, (1.749)
ν1 2
1+ ν2
x

où C est une constante indépendante de x. En prenant le logarithme des deux côtés :

ν1 ν1 + ν2 ν1
     
log fF (x) = log C + − 1 log x − log 1 + x .
2 2 ν2

∂ ν1 1 ν1 + ν2 1 ν1
     
log f (x) = −1 − ν1 =0
∂x 2 x 2 1 + ν2 x ν2
ν1 − 2 1 ν1 + ν2 1 ν1
     
⇒ − =0 (1.750)
2 x 2 ν2 + ν1 x ν2
ν1 − 2 1 ν1 (ν1 + ν2 )
⇒ = (1.751)
2 x 2(ν2 + ν1 x)

ν2 + ν1 x ν1 (ν1 + ν2 )
⇒ = (1.752)
x ν1 − 2
ν2 ν1 (ν1 + ν2 )
⇒ + ν1 = . (1.753)
x ν1 − 2

ν2 ν1 (ν1 + ν2 ) ν1 (ν1 + ν2 ) − ν1 (ν1 − 2)

= − ν1 =
x ν1 − 2 ν1 − 2
2 2
ν + ν1 ν2 − ν1 + 2ν1 ν1 (ν2 + 2)
= 1 = (1.754)
ν1 − 2 ν1 − 2
1 ν1 (ν2 + 2)
⇒ = (1.755)
x ν2 (ν1 − 2)
ν2 (ν1 − 2)
⇒ xmode = . (1.756)
ν1 (ν2 + 2)

Proposition 35 (Relation entre les distributions de Student et de Fisher-Snedecor)

Si ν2 → ∞, alors la variable aléatoire ν1 F tend à être distribuée comme une variable χ2
ayant ν1 degrés de liberté.

Preuve. La fonction différentielle de probabilité de la loi de Fisher-Snedecor à (ν1 , ν2 ) degrés de

liberté est donnée par :

Dr Prevot Chirac BATSINDILA NGANGA page 136 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

 
ν1 +ν2

ν1
ν1 /2
ν1 /2−1
Γ ν1
2
 −(ν1 +ν2 )/2
dG(x) = x     1+ x dx.
ν2 Γ ν1
Γ ν2 ν2
2 2
  ν1 ν1
ν1 2 −1
ν
x 2
=   2  dx (1.757)
ν1 ν2
Γ 2
Γ 2

ν1 x
 ν1 +ν2
2

ν1 +ν2
 1+ ν2
Γ 2
ν1   ν1
(ν1 ) 2 Γ ν1 +ν2
2
x 2 −1
=  ν1 +ν2 dx (1.758)
ν1    
ν1 ν2 ν1 x 2
(ν2 ) Γ 2
2
Γ 2
1+ ν2

ν1 + ν2 
    
Γ
 
 (ν ) ν21 x ν21 −1  ν1 +ν2 
   
ν x
 
 
 
2  2

1 1
dG(x) = ν
 
ν dx 1+ .
 ν1
 (ν2 ) 2 Γ
 2 

  Γ
 1 


 ν 2

2 2
Lorsque ν2 → ∞, alors
     
ν1 +ν2 ν1 ν1
2

 Γ  (ν
1) 2 x 2 −1 
Limν2 →∞ dG(x) = Limν2 →∞ ν1   Limν2 →∞   dx
 (ν ) 2 Γ ν2   Γ ν1 
2 2 2
 
− ν1 +ν2 
ν1 x  2
× Limν2 →∞  1 + . (1.759)
ν2 

Se rappeler de la relation fondamentale de la fonction Gamma :

Γ(x + 1) = x Γ(x), x > 0. (1.760)

On a alors :
ν1 + ν2 ν1 + ν2 − 2 ν1 + ν2 − 2
     
Γ = Γ , (1.761)
2 2 2
ν2 ν2 − 2 ν2 − 2
     
Γ = Γ . (1.762)
2 2 2
On obtient :
ν1 + ν2 ν1 + ν2 − 2 ν1 + ν2 − 2
     
Γ Γ
2  = 2   2 (1.763)
ν1 ν2 ν1 ν2 − 2 ν2 − 2

(ν2 ) 2 Γ (ν2 ) 2 Γ
2 2 2
ν1 + ν2 − 2
 
ν1 + ν2 − 2 Γ
= · 2
ν2 − 2 . (1.764)

ν2 − 2 ν1
(ν2 ) Γ
2
2
Lorsque ν2 → ∞, on a :

Dr Prevot Chirac BATSINDILA NGANGA page 137 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

ν1 + ν2 − 2 ν1
= 1+ −→ 1. (1.765)
ν2 − 2 ν2 − 2
Par conséquent,
ν1 + ν2 ν1 + ν2 − 2
   
Γ Γ
lim 2  = lim 2
ν2 ν2 − 2 . (1.766)

ν2 →∞ ν1 ν2 →∞ ν1
(ν2 ) 2 Γ (ν2 ) 2 Γ
2 2
Se rappeler de l’approximation de Stirling pour la fonction Gamma :
√ 1
Γ(z) ∼ 2π z z− 2 e−z , lorsque z → +∞.
Ainsi,

ν1 + ν2 
  
Γ 
 

2
 
lim
ν2 →∞  ν1
  =
ν  (1.767)
 (ν2 ) 2 Γ 2 
 
2
 ν1 +ν2 −2 − 1 
 
 √ −(
ν1 +ν2 −2
)

ν 1 + ν 2 − 2 2 2 
 2π e


 2 

2

= lim  ν2 −2 − 1  (1.768)
ν2 →∞ 
ν1 √ ν 2−2
ν2 −2

2 2

 (ν2 ) 2

 2π e − ( 2 ) 



2
ν1 +ν2 −2 ν2 −2 ν1 +ν2 −1
e−{ 2 − 2 } (ν1 + ν2 − 2) 2
= lim ν1 ν1 +ν2 −2 1 ν2 −2 1 ν2 −1 (1.769)
ν2 →∞
(ν2 ) 2 (2) 2 + 2 − 2 − 2 (ν2 − 2) 2
ν1 ν2 −2 ν2 −2 ν1 +ν2 −1
e−{ 2 + 2 − 2 } (ν1 + ν2 − 2) 2
= νlim ν1 ν1 ν2 −1 (1.770)
2 →∞
(ν2 ) 2 (2) 2 (ν2 − 2) 2
ν1 ν1 +ν2 −1
e− 2 (ν1 + ν2 − 2) 2
= lim
ν2 →∞ ν1 ν1 ν2 −1 (1.771)
(2) 2 (ν2 ) 2 (ν2 − 2) 2

ν1 + ν2 
 
 ν1 +ν2 −1

ν ν1 +ν2 −1 
Γ 
 
 e − 21
(ν2 ) 2 1 + ν1 −2 2
2
 
ν2
lim
ν2 →∞  ν1
  = lim
ν  ν2 →∞  ν2 −1
 (ν2 ) 2 Γ 2 
ν1 ν1 ν2 −1 
(2) 2 (ν2 ) 2 (ν2 ) 2 1 − ν22 2
 
2
 ν2  ν1 −1
ν1 − 2 2 ν1 − 2 2
 
ν1 lim 1 + lim 1 +
e− 2 ν2 →∞ ν2 ν2 →∞ ν2
= ν1  ν2  1
(2) 2 2 −2
 
2 2
lim 1 − lim 1 −
ν2 →∞ ν2 ν2 →∞
 2
ν
 ν1 −1 

ν2  12
ν1 − 2 ν1 − 2
  2
ν lim 1+ lim 1+
e − 21 ν →∞
2 ν2 ν2 →∞  ν2 
= ν1 ν2  21 − 1 (1.772)
(2) 2 2 2
 
2
lim 1− lim 1−
ν2 →∞ ν2 ν2 →∞ ν2
ν1 ν1 −2 ν1 −2
e− 2 e 2 · 1 e 2 1
= ν1
−1
= ν1 ν1 −2 = ν1 . (1.773)
(2) 2 e · 1 (2) 2 e 2 22

Dr Prevot Chirac BATSINDILA NGANGA page 138 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles 1.2.10. Loi de Fisher-Snedecor

À partir du second facteur de l’Équation (1.759), comme

χ2 dχ2
ν1 F = χ 2 , F = , dF = ,
ν1 ν1
on obtient

ν
ν1  2  1 −1
   
ν1 ν1
 (ν −1  (ν1 ) 2 z 2
1) x dz 
 
2 2 
ν1
lim   dx =   (1.774)
ν2 →∞ 
Γ ν1  
 Γ ν21 ν1 

2
ν1
 
ν1 
 (z 2 ) ν21 −1 (ν) −1

(ν −( −1)
2
1) 2
1  
=   dz
 Γ ν1 2


ν1
(z 2 ) 2 −1
= 
ν1
 dz
Γ 2

Et à partir du troisième facteur de l’Équation (1.766),

 
− ν1 +ν2 " − ν1  − ν2 #
ν x ν1 x ν1 x

2 2 2
lim  1+ 1  = lim 1+ 1+ (1.775)
ν →∞
2 ν2 ν →∞2 ν2 ν2
" − ν1 # " − ν2 #
ν1 x 2 ν1 x 2
= lim 1+ lim 1+ (1.776)
ν2 →∞ ν2 ν2 →∞ ν2
" − ν1 # " ν2 − 1 #
ν1 x 2 ν1 x 2
= lim 1+ lim 1+ (1.777)
ν →∞2 ν2 ν →∞
2 ν2
ν1 x z2
= 1 · e− 2 = e− 2 (puisque ν1 F = χ2 ) (1.778)

Par conséquent,

ν1
1 (z 2 ) 2 −1 2 /2
lim dG(z) = ×   dz × e−z
ν2 →∞ 2 ν1 /2 Γ ν1
2

1 2 ν1
=   e−z /2 (z 2 ) 2 −1 dz, 0 ≤ z < ∞.
ν1
2 ν1 /2 Γ 2

Ce qui est la fonction de densité de probabilité de la loi du χ2 à ν1 degrés de liberté. 

Travail no 37.
Soit X une variable aléatoire N (0, 1) et Y une variable aléatoire N (0, 4). On suppose que X et Y
sont indépendantes. Calculer h i
P (X + Y )2 < 25,1 .

Dr Prevot Chirac BATSINDILA NGANGA page 139 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles

Travail no 38.
Soient X1 , X2 , X3 trois variables aléatoire indépendantes et identiquement distribuées de loi N (0, 1)
et Y1 , Y2 , Y3 trois autres variables aléatoire indépendantes et identiquement distribuées de loi
N (12, 4). On suppose que X et Y sont des variables aléatoires indépendantes. On définit

U = (X1 − X)2 + (X2 − X)2 + (X3 − X)2 , (1.779)

(Y1 − 12)2 (Y2 − 12)2 (Y3 − 12)2
V = + + . (1.780)
4 4 4
(i) Trouver un nombre a tel que  
P U ≤ a ' 0,95.
(ii) Trouver un nombre b tel que  
P V ≤ b ' 0,025.

Travail no 39.

Vingt-cinq nombres aléatoires provenant d’une distribution N (0, 1) sont générés par un ordinateur.
On suppose que ces nombres sont indépendants. Quelle est la probabilité que :
(i) la somme des nombres obtenus soit inférieure à 5 ;
(ii) la somme des carrés des nombres obtenus soit située dans l’intervalle [13,12 ; 14,61] ;
(iii) le résultat de la division du premier nombre par la racine carrée de la somme des carrés des
vingt derniers soit supérieur à 0,4664 ;
(iv) le résultat de la division de la somme des carrés des cinq premiers nombres par la somme des
carrés des cinq derniers soit inférieur à 5,05 ?

Travail no 40.
La durée X (en heures) des pannes majeures d’électricité à Brazzaville présente une distribution
(approximativement) normale de moyenne 4 et d’écart-type 2. On suppose que les pannes se
produisent indépendamment les unes des autres. Soit X1 , X2 , . . . , X10 la durée des 10 prochaines
pannes majeures. On pose :
5 5 10
1X 1X 2 1X
X = Xi , U = (Xi − X) , V = (Xi − 4)2 . (1.781)
5 i=1 4 i=1 4 i=6

Trouver les nombres a, b et c tels que :

(i) P(U < a) = 0,10.
(ii) P(U + V > b) = 0,01.
(iii) P(U > c V ) = 0,05.

Travail no 41.
Soit X1 N (0, 1) et X2 N (1, 3) deux variables aléatoires indépendantes.
(i) Trouver le nombre c tel que h i
P (X2 − 1)2 < c = 0,90.

Dr Prevot Chirac BATSINDILA NGANGA page 140 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
1. Variables aléatoires à densité 1.2. Lois usuelles

(ii) Trouver le nombre d tel que

 
X2 − 1 √ 
P q > 3 d = 0,01.
X12

Dr Prevot Chirac BATSINDILA NGANGA page 141 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2 Convergences

Table des matières du chapitre

2.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
2.1.1 Inégalité de Bienaymé-Tchébychev . . . . . . . . . . . . . . . . . . . . 143
2.1.2 Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . 145
2.2 Convergences et approximation . . . . . . . . . . . . . . . . . . . . . . . . . 146
2.2.1 Convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . 146
2.2.2 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
2.2.3 Approximation de la loi binomiale par la loi de Poisson . . . . . . . . . . 149
2.2.4 Approximation de la loi hypergéométrique par la loi binomiale . . . . . . 150
2.2.5 Théorème de la limite centrée (TCL) . . . . . . . . . . . . . . . . . . . . 150
2.2.6 Approximation de la loi binomiale par la loi normale . . . . . . . . . . . 152
2.3 Travaux d’entraînement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

Objectifs pédagogiques
Après avoir étudié ce chapitre, vous devriez être capable de :
– Comprendre la loi faible des grands nombres et son lien avec la convergence en probabilité.
– Appliquer la loi des grands nombres à des situations concrètes d’estimation statistique.
– Appliquer le théorème de la limite centrée (TCL) à des sommes de variables aléatoires
indépendantes et identiquement distribuées.
– Utiliser correctement la standardisation pour se ramener à la loi normale centrée réduite.
– Approcher une loi binomiale par une loi normale avec correction de continuité.
– Approcher une loi binomiale par une loi de Poisson dans les cas limites.
– Approcher une loi hypergéométrique par une loi binomiale lorsque la population est grande.

142
2. Convergences 2.1. Loi des grands nombres 2.1.1. Bienaymé-Tchébychev

2.1 Loi des grands nombres

2.1.1 Inégalité de Bienaymé-Tchébychev
Théorème 33 Soit X une V.A.R. admettant une espérance E(X) et une variance Var(X). Alors :

Var(X)
∀ε > 0, P(|X − E(X)| ≥ ε) ≤ .
ε2

Preuve
1) Si X est une V.A.R. discrète
X prend les valeurs xi avec les probabilités pi = P(X = xi ) pour i ∈ N (si X est discrète
finie, X prend les valeurs x0 , . . . , xn avec les probabilités p0 , . . . , pn , et on convient de donner
à pi la valeur 0 pour i > n + 1).

Var(X) = E[(X − E(X))2 ] = (xi − E(X))2 pi ,

X X
P(|X − E(X)| ≥ ε) = pi
i∈N i∈I

avec I = {i ∈ N | |xi − E(X)| ≥ ε}.

(xi − E(X))2 pi + (xi − E(X))2 pi ,

X X
Var(X) =
i∈I i∈I
/

donc
(xi − E(X))2 pi ≥ ε2 p i = ε2
X X X
Var(X) ≥ pi .
i∈I i∈I i∈I

Par suite,

Var(X) ≥ ε2 P(|X − E(X)| ≥ ε)

et

Var(X)
P(|X − E(X)| ≥ ε) ≤ .
ε2
2) Si X est une V.A.R. de densité fX

Z +∞
Var(X) = (x − E(X))2 f (x) dx
−∞
Z E(X)−ε Z E(X)+ε
2
= (x − E(X)) f (x) dx + (x − E(X))2 f (x) dx +
−∞ E(X)−ε
Z +∞
+ (x − E(X))2 f (x) dx,
E(X)+ε

et

Dr Prevot Chirac BATSINDILA NGANGA page 143 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.1. Loi des grands nombres 2.1.1. Bienaymé-Tchébychev

P(|X − E(X)| ≥ ε) = P(X ≤ E(X) − ε) + P(X ≥ E(X) + ε)

Z E(X)−ε Z +∞
= f (x) dx + f (x) dx.
−∞ E(X)+ε

Donc
Z E(X)−ε Z +∞
2
Var(X) ≥ (x − E(X)) f (x) dx + (x − E(X))2 f (x) dx
−∞ E(X)+ε
Z E(X)−ε Z +∞
2
≥ ε f (x) dx + ε2 f (x) dx
−∞ E(X)+ε
2
= ε P(|X − E(X)| ≥ ε),

et

Var(X)
P(|X − E(X)| ≥ ε) ≤
ε2


Remarque 49 P(|X − E(X)| ≥ ε) est la probabilité pour que X prenne des valeurs éloignées de
E(X) d’au moins ε. Cette probabilité est d’autant plus faible que Var(X) est plus petit et que ε est
plus grand. Var(X) mesure la tendance qu’a X à s’écarter de E(X).

Exemple 22 Lorsque l’on lance un dé parfait, la probabilité d’obtenir un as est 16 , ce qui ne veut
pas dire que l’as apparaît une fois sur 6.
On utilise un dé cubique parfait. Cherchons le nombre de lancers qu’il faut effectuer pour pouvoir
affirmer avec un risque d’erreur inférieur à 5 %, que la fréquence d’apparition de l’as au cours de
1
ces lancers différera de 61 d’au plus 100 .
On effectue n lancers. Soit X le nombre d’as obtenus. F = Xn est la fréquence d’apparition de l’as
au cours des n lancers.
On cherche le n tel que :
1 1
 
P F− ≤ ≥ 0,95.
6 100
X est le nombre de réalisations de l’événement « l’as apparaît », de probabilité constant 16 , au cours
de n lancers indépendants. Donc
1 n 5n
 
X B n, , E(X) = , V (X) = .
6 6 36
On en déduit
1 1 5
E(F ) = , V (F ) = 2
V (X) = .
6 n 36n
D’après l’inégalité de Bienaymé-Tchébychev :

1 1 V (F ) 5 · 104
 
P F− ≥ ≤  2 =
6 100 1 36n
100

Dr Prevot Chirac BATSINDILA NGANGA page 144 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.1. Loi des grands nombres 2.1.2. Loi faible ...

donc

1 1 1 1 5 · 104
   
P F− ≤ =1−P F− ≥ ≥1− .
6 100 6 100 36n
Pour que
1 1
 
P F− ≤ ≥ 0,95,
6 100
il suffit donc de choisir n tel que :

5 · 104
1− ≥ 0,95 ⇒ n ≥ 27 778.
36n
Remarque 50 On étudiera à la fin de ce chapitre une méthode plus précise, car on a « perdu de
l’information » en utilisant l’inégalité de Bienaymé-Tchébychev plutôt que la loi binomiale pour
calculer
1 1
 
P F− ≤ .
6 100

2.1.2 Loi faible des grands nombres

Théorème 34 Soit (Xn ) une suite de V.A.R. deux à deux indépendantes, admettant une même
espérance m et une même variance σ 2 .
Soit :
X1 + X 2 + · · · + Xn
X̄n = .
n
Alors :

∀ε > 0, lim P(|X̄n − m| ≥ ε) = 0 et lim P(|X̄n − m| < ε) = 1.

n→+∞ n→+∞

Cas particulier. Si (Xn ) est une suite de V.A.R. deux à deux indépendantes qui suivent la loi de
Bernoulli de paramètre p, alors :

∀ε > 0, lim P(|X̄n − p| ≥ ε) = 0.

n→+∞

Preuve
On a : n
1X 1
E(X̄n ) = E(Xi ) = (nm) = m
n i=1 n
et

n
1 X 1 2 σ2
Var(X̄n ) = Var(X i ) = (nσ ) = , car les Xi sont deux à deux indépendantes.
n2 i=1 n2 n

Soit ε > 0 quelconque. L’inégalité de Bienaymé-Tchébychev permet d’écrire :

Var(X̄n ) σ2
P(|X̄n − m| ≥ ε) = P(|X̄n − E(X̄n )| ≥ ε) ≤ =
ε2 nε2
Dr Prevot Chirac BATSINDILA NGANGA page 145 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.2. Convergences et approximation 2.2.2. Convergence en loi

Donc :
σ2
0 ≤ P(|X̄n − m| ≥ ε) ≤ ⇒ lim P(|X̄n − m| ≥ ε) = 0.
nε2 n→+∞
Et comme :
P(|X̄n − m| < ε) = 1 − P(|X̄n − m| ≥ ε) ⇒ lim P(|X̄n − m| < ε) = 1.
n→+∞

Dans le cas particulier où les Xn suivent la loi de Bernoulli de paramètre p, on a :

m = E(Xn ) = p et σ 2 = Var(Xn ) = p(1 − p).
Donc le résultat devient :
∀ε > 0, lim P(|X̄n − p| ≥ ε) = 0.
n→+∞

Remarque 51 Si Xi est la V.A.R. de Bernoulli associée à la réalisation d’un événement A au cours

de la ième épreuve d’une suite d’épreuves indépendantes, X̄n est la fréquence de réalisation de A au
cours des n premières épreuves. La loi faible des grands nombres prouve que, pour un très grand n,
cette fréquence est très proche de la probabilité de A.

2.2 Convergences et approximation

2.2.1 Convergence en probabilité

Définition 42 (Convergence faible) Soit (Xn )n≥1 une suite de variables aléatoires définies sur
un espace probabilisé (Ω, A, P), et soit X une variable aléatoire définie sur ce même espace. On
dit que (Xn ) converge en probabilité vers X si, pour tout ε > 0,
 
lim P |Xn − X| > ε = 0.
n→+∞

Remarque 52 Lorsque Xn converge en probabilité vers X, on note

P
Xn −−−−→ X.
n→+∞

P P
Proposition 36 Si Xn →
− X et Yn →
− Y , alors :
P
– Xn + Yn →− X +Y,
P
– pour tout λ ∈ R, λXn →
− λX.

Proposition 37 (Stabilité de la convergence en probabilité) Soit (Xn )n≥1 une suite de variables
aléatoires telle que
P
Xn −−−−→ X.
n→+∞

Si f : R → R est une fonction continue, alors

P
f (Xn ) −−−−→ f (X).
n→+∞

Dr Prevot Chirac BATSINDILA NGANGA page 146 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.2. Convergences et approximation 2.2.2. Convergence en loi

2.2.2 Convergence en loi

La convergence en loi est plus faible que la convergence en probabilité. Ce qui rend cette convergence
particulière est que la suite de variables aléatoires (Xn ) peut converger en loi vers X sans que les
valeurs prises par Xn se rapprochent de celles prises par X. En réalité, ce sont les lois de probabilité
associées à Xn qui convergent vers la loi de X. Il serait donc plus rigoureux de parler de convergence
des mesures de probabilité.

Définition 43 (Convergence en loi) Soit (Xn )n≥1 une suite de variables aléatoires et X une
variable aléatoire. On dit que (Xn ) converge en loi (ou : en distribution) vers X si, pour toute
fonction f : R → R continue et bornée,

lim E[f (Xn )] = E[f (X)].

n→+∞

On note alors :
L
Xn −
→ X.

L
Proposition 38 Si Xn −
→ X et si f est une fonction continue, alors
L
f (Xn ) −
→ f (X).

Théorème 35 (Lemme de Slutsky : stabilité de la convergence en loi) Soient (Xn )n et (Yn )n

deux suites de variables aléatoires définies sur (Ω, A, P). On suppose que (Xn )n converge en loi
vers une variable aléatoire X, et que (Yn )n converge en loi vers une constante réelle λ. Alors, en
posant pour tout n ∈ N :

Zn := Xn + Yn et Tn := Xn Yn ,

on a les convergences en loi :

L L
Zn −
→ X + λ et Tn −
→ λX.

Remarque 53 Il est essentiel que la suite (Yn )n converge vers une constante. Sans cette hypothèse,
la convergence en loi de Xn + Yn vers X + Y n’est pas garantie.

Définition 44 (Convergence en loi et fonction de répartition) Soit (Xn )n∈N une suite de V.A.R.
et X une V.A.R. définies sur le même espace probabilisé (Ω, A, P). Soient FXn et FX leurs fonctions
de répartition.
On dit que la suite (Xn )n∈N converge en loi (ou : en distribution) vers X si, en tout point x ∈ R
où FX est continue, on a :
lim FXn (x) = FX (x).
n→+∞

Dr Prevot Chirac BATSINDILA NGANGA page 147 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.2. Convergences et approximation 2.2.3. ... binomiale & Poisson

Théorème 36 Soit {Xn } une suite de variables aléatoires dont la fonction génératrice des moments
MXn (t) existe pour −h < t < h (h ∈ R), pour tout n. Soit X une variable aléatoire dont la fonction
génératrice des moments MX (t) existe pour |t| ≤ h1 ≤ h. Si

lim MXn (t) = MX (t), |t| ≤ h1 , (2.1)

n→+∞

alors
L
Xn −
→ X. (2.2)

Théorème 37 Soit (Xn )n∈N une suite de V.A.R. et X une V.A.R. définies sur le même espace
probabilisé (Ω, A, P) et prenant leurs valeurs dans N. La suite (Xn )n∈N converge en loi vers X si et
seulement si :
∀k ∈ N, lim P(Xn = k) = P(X = k).
n→+∞

Preuve
— Supposons que pour tout k ∈ N, limn→+∞ P(Xn = k) = P(X = k).
Pour tout x ∈ R+ où FX est continue, il existe un nombre fini d’entiers k ≤ x, donc :
X
FXn (x) = P(Xn ≤ x) = P(Xn = k)
k≤x

Or : X X
lim P(Xn = k) = P(X = k) = P(X ≤ x)
n→+∞
k≤x k≤x

donc :
lim FXn (x) = FX (x).
n→+∞

Si x < 0, alors FXn (x) = 0 = FX (x), donc aussi limn→+∞ FXn (x) = FX (x). Donc (Xn ) converge
en loi vers X.
— Réciproquement, supposons que (Xn ) converge en loi vers X.
Pour tout k ∈ N, les points k ± 21 sont des points de continuité de FX .
Donc :
1 1 1 1
     
P(Xn = k) = P k − < Xn ≤ k + = FXn k + − FXn k −
2 2 2 2
Ainsi :
1 1
   
lim P(Xn = k) = FX k+ − FX k − = P(X = k).
n→+∞ 2 2

Dr Prevot Chirac BATSINDILA NGANGA page 148 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.2. Convergences et approximation 2.2.3. ... binomiale & Poisson

2.2.3 Approximation de la loi binomiale par la loi de Poisson

Théorème 38 Soit λ un nombre réel fixé dans [0, 1], et n ∈ N∗ . Soit (Xn ) une suite de V.A.R. de loi
binomiale B n, nλ . Alors (Xn ) converge en loi vers une V.A.R. de loi de Poisson P(λ).

Preuve
Pour tout n ∈ N∗ , Xn prend les valeurs k ∈ {0, 1, . . . , n}.
Soit k ∈ N. Pour tout n ≥ k,

! !k !n−k
n λ λ
P(Xn = k) = 1−
k n n
!n−k
n(n − 1) · · · (n − k + 1) λk λ
= · k · 1−
k! n n
!n−k
λk n n − 1 n−k+1 λ
= · · ··· · 1− .
k! n n n n

Pour tout j ∈ J0, k − 1K,

n−j
lim =1
n→+∞ n
et il y a k valeurs de j, donc :
n n−1 n−k+1
lim · ··· =1
n→+∞ n n n
D’autre part :
!n−k
λ λ
1− = e(n−k) ln(1− n )
n
et !
λ
(n − k) ln 1 − −−−−→ −λ
n n→+∞

Donc : !n−k
λ λk −λ
lim 1− = e−λ et lim P(Xn = k) = e .
n→+∞ n n→+∞ k!

En pratique
La loi B(n, p) peut être approchée par la loi P(np) lorsque :
– p ≤ 0,1
– n ≥ 30
– np < 15
(ou lorsque d’autres conditions données par l’énoncé sont vérifiées !)
Pour retenir ce résultat, on peut se souvenir que :
– Si X B(n, p), alors E(X) = np
– Si X P(λ), alors E(X) = λ.

Dr Prevot Chirac BATSINDILA NGANGA page 149 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.2. Convergences et approximation 2.2.5. TCL

Exemple 23 Si X B(40, 0,03), alors :

!
40
P(X = 2) = (0,03)2 (0,97)38 ≈ 0,2206.
2

La loi B(40, 0,03) peut être approchée par P(1,2) car :

40 × 0,03 = 1,2.

Si Y P(1,2), alors :
e−1,2 (1,2)2
P(Y = 2) = ≈ 0,2169.
2!
On constate que les deux probabilités sont peu différentes.

2.2.4 Approximation de la loi hypergéométrique par la loi binomiale

Soit E un ensemble de N éléments, dont une proportion p de type 1. On effectue dans E n tirages
sans remise. Soit X le nombre d’éléments de type 1 obtenus. Alors X H(N, n, p).
Intuitivement : quand N devient très grand, n et p restant fixes, effectuer des tirages sans remise
équivaut à effectuer des tirages avec remise (car on a peu de chances de tirer deux fois le même
élément). Donc pour N très grand, on peut considérer que X B(n, p).

En pratique
La loi H(N, n, p) peut être approchée par la loi B(n, p) lorsque N ≥ 10n, c’est-à-dire si le taux de
sondage Nn est inférieur ou égal à 0,1.

2.2.5 Théorème de la limite centrée (TCL)

Théorème 39 Soit (Xi ) une suite de V.A.R. indépendantes et de même loi, d’espérance m et
d’écart type σ. Soit :
n
Sn − nm
Sn∗ =
X
Sn = Xk , et √
k=1 σ n
Alors (Sn∗ ) converge en loi vers une V.A.R. de loi normale N (0, 1).
Donc : Z b
∗ 1 t2
2
∀(a, b) ∈ R , a < b, n→∞ lim P(a ≤ Sn ≤ b) = √ e− 2 dt.
a 2π

Remarque 54 Sn∗ est la V.A.R. centrée réduite associée à Sn .

En pratique
On considère que pour n ≥ 30, la loi de Sn∗ peut être approchée par la loi N (0, 1).

Dr Prevot Chirac BATSINDILA NGANGA page 150 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.2. Convergences et approximation 2.2.5. TCL

Théorème 40 (Théorème Central Limite) Soient X1 , X2 , . . . , Xn n variables aléatoires issues

d’une distribution de moyenne m et de variance positive σ 2 . Alors la variable aléatoire
Pn √
i=1 Xi − nµ n (X n − µ)
Yn = √ = (2.3)
nσ σ
converge en loi vers une variable aléatoire suivant une loi normale centrée réduite,

Preuve.
  Pour cette preuve, on suppose en outre que la fonction génératrice des moments M (t) =
tX
E e existe pour −h < t < h. Si l’on remplace la fonction génératrice des moments par la
 
fonction caractéristique ϕ(t) = E eitX , qui existe toujours, la preuve reste essentiellement la
même que celle présentée dans des cours plus avancés utilisant les fonctions caractéristiques.
La fonction
 
m(t) = E et(X−µ) = e−µt M (t) (2.4)

existe également pour −h < t < h. Puisque m(t) est la fonction génératrice des moments de X − µ,
il en résulte que
m(0) = 1,
m0 (0) = E(X − µ) = 0,
h i
m00 (0) = E (X − µ)2 = σ 2 . (2.5)

D’après la formule de Taylor, il existe un nombre ξ compris entre 0 et t tel que

m00 (ξ)t2
m(t) = m(0) + m0 (0)t + (2.6)
2
m00 (ξ)t2
= 1+ . (2.7)
2
En ajoutant et en retranchant σ 2 t2 /2, on obtient
h i
σ t 2 2 m00 (ξ) − σ 2 t2
m(t) = 1 + + . (2.8)
2 2
Considérons maintenant M (t; n), défini par
" Pn !#
t X − nµ
M (t; n) = E exp √i i=1
σ n
" ! ! !#
t(X1 − µ) t(X2 − µ) t(Xn − µ)
= E exp √ exp √ · · · exp √ (2.9)
σ n σ n σ n
" !# " !#
t(X1 − µ) t(Xn − µ)
= E exp √ · · · E exp √ (2.10)
σ n σ n
( " !#)n
t(X − µ)
= E exp √ (2.11)
σ n
" !#n
t t
= m √ , −h < √ < h. (2.12)
σ n σ n

Dr Prevot Chirac BATSINDILA NGANGA page 151 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.2. Convergences et approximation 2.2.6. binom. & normale
√
En remplaçant, dans l’Équation (2.8), t par t/(σ n), on obtient
h i
m00 (ξ) − σ 2 t2
!
t t2
m √ = 1+ + , (2.13)
σ n 2n 2nσ 2
√
où maintenant ξ est compris entre 0 et t/(σ n), avec
√ √
−hσ n < t < hσ n.
Par conséquent,
 h i n
t  2 m00 (ξ) − σ 2 t2 
M (t; n) = 1 + + . (2.14)
2n 2nσ 2 

Puisque m00 (t) est continue en t = 0 et que ξ → 0 lorsque n → +∞, on a

h i
lim m00 (ξ) − σ 2 = 0. (2.15)
n→+∞

Ainsi,
2 /2
lim M (t; n) = et , (2.16)
n→+∞

pour toute valeur réelle de t. Cela prouve que la variable aléatoire

√
n(X n − µ)
Yn = (2.17)
σ
admet pour loi limite la loi normale centrée réduite.

2.2.6 Approximation de la loi binomiale par la loi normale

Soit (Xn ) une suite de V.A.R. indépendantes et de loi de Bernoulli de même paramètre p.
n
Sn − np
Sn∗ = q
X
Sn = Xk ⇒ .
k=1 np(1 − p)

D’après le Théorème 39, (Sn∗ ) converge en loi vers N (0, 1).

En pratique
q
La loi B(n, p) peut être approchée par la loi N (np, np(1 − p)) lorsque :

n

 ≥ 30

np ≥ 15


np(1 − p) > 5

(ou lorsque d’autres conditions données par l’énoncé sont vérifiées).

Pour retenir ce résultat, on peut se souvenir queq:
– si X B(n, p), alors E(X) = np, σ(X) = np(1 − p)
– si X N (m, σ), alors E(X) = m, σ(X) = σ.

Dr Prevot Chirac BATSINDILA NGANGA page 152 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.2. Convergences et approximation 2.2.6. binom. & normale

Correction de continuité
Si X B(n, p), X prend des valeurs entières.
q
Remplacer la loi B(n, p) par la loi N (np, np(1 − p)) revient à considérer X comme une variable
gaussienne prenant toutes les valeurs réelles.
L’intervalle [k − 0,5, k + 0,5[ est l’ensemble des réels qui s’arrondissent à k.
Pour k ∈ J1, n − 1K, on remplace :

P(X = k) ≈ P(k − 0,5 ≤ X < k + 0,5).

D’autre part, pour que la somme des probabilités approchées P(X = k) pour k = 0, 1, . . . , n fasse
1, on remplace :

P(X = 0) ≈ P(X < 0,5)

P(X = n) ≈ P(X ≥ n − 0,5).

Exemple 24 Si X suit la loi B(40, √ 0,5), les calculs de probabilités concernant X peuvent être
effectués en utilisant la loi N (20, 10).

40 ≥ 30, 40 × 0,5 = 20 ≥ 15, 40 × 0,5 × 0,5 = 10 > 5.

On pose :
X − 20
X∗ = √ suit la loi N (0, 1).
10

Donc :

!
19,5 − 20 20,5 − 20
P(X = 20) = P(19,5 ≤ X ≤ 20,5) = P √ ≤ X∗ ≤ √
10 10
! ! !
0,5 0,5 0,5
= Φ √ − Φ −√ = 2Φ √ − 1.
10 10 10

Une valeur approchée de P(X = 20) est donc : 2Φ(0,16) − 1 = 0,1272.

Meilleure valeur de P(X = 20) par interpolation linéaire :

2Φ(0,158) − 1 = 2[Φ(0,15) + 0,8(Φ(0,16) − Φ(0,15))] − 1 = 0,1256.

 
40
Un calcul direct à la machine : 20
· 0,520 · 0,520 = 0,1254.

De même,

!
16,5 − 20 24,5 − 20
P(17 ≤ X < 25) = P(16,5 ≤ X < 24,5) = P √ ≤ X∗ < √ (2.18)
10 10
! ! ! !
4,5 −3,5 4,5 3,5
= Φ √ −Φ √ =Φ √ +Φ √ − 1. (2.19)
10 10 10 10

Dr Prevot Chirac BATSINDILA NGANGA page 153 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.2. Convergences et approximation 2.2.6. binom. & normale

Valeur approchée :

Φ(1,42) + Φ(1,11) − 1 = 0,9222 + 0,8665 − 1 = 0,7887.

Un calcul à la machine donne :

24
!
40
· 0,5k · 0,540−k = 0,7890.
X

k=17 k

Exemple 25 Reprenons l’Exemple 22.

On suppose que :
1 n
 
X B n, et n ≥ 30, ≥ 15 ⇒ n ≥ 90
6 6
Alors X peut être approchée par une loi normale :
 s 
n 5n 
X N ,
6 36

Et on considère que : √ !
X 1 5
F = N , √ .
n 6 6 n
D’où

1 1 1 1 1 1 100 − 5 100 + 5
     
P F− ≤ = P − ≤F ≤ + =P ≤F ≤
6 100 6 100 6 100 
600 600

95 105  0,01 
 
= P ≤F ≤ = 2Φ  5  − 1.
 
600 600 
√

36n
Donc
 

1 1  0,01 
 
P F− ≤ ≥ 0,95 ⇔ 2Φ  5  − 1 ≥ 0,95
 
6 100 
√

36n
 
0,01  0,01
⇔ Φ  ≥ 0,975 = Φ(1,96) ⇔

5 ≥ 1,96
 5 

√ √
36n 36n
√ !2
1,96 · 5
⇔ n≥ ⇐⇒ n ≥ 5 336.
0,06

Cette valeur est nettement inférieure à celle obtenue en utilisant l’inégalité de Bienaymé-Tchébychev.
Cette méthode est plus précise car elle utilise la loi de X.

Dr Prevot Chirac BATSINDILA NGANGA page 154 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

Théorème 41 (Premier théorème de Lévy : Convergence en loi et fonction caractéristique)

Soit (Xn )n une suite de variables aléatoires et X une variable aléatoire. On note ϕn la fonction
caractéristique de Xn et ϕ celle de X. Alors :
L
Xn −
→X ⇐⇒ ∀t ∈ R, ϕn (t) −−−−→ ϕ(t).
n→+∞

Théorème 42 (Existence d’une loi limite) Soit (Xn )n une suite de variables aléatoires et soit ϕ
une fonction telle que pour tout t ∈ R,

ϕXn (t) −→ ϕ(t),

et telle que ϕ soit continue en 0. Alors, il existe une variable aléatoire X dont la loi est entièrement
déterminée par ϕ telle que ϕX = ϕ et de plus
L
Xn −
→ X.

Théorème 43 (Convergence en loi et densité) Soit (Xn )n une suite de variables aléatoires conti-
nues admettant des densités fXn , et soit X une variable aléatoire continue de densité fX . Si
fXn (x) → fX (x) pour tout x ∈ R, alors
L
Xn −−−−→ X.
n→+∞

2.3 Travaux d’entraînement

Travail no 42.
Soit X une variable aléatoire réelle qui suit la loi exponentielle de paramètre 1. On pose

Xn := X 1[0,n] (X) + e2n 1(n,+∞) (X).

(i) Vérifier que (Xn )n converge en probabilité vers X.

(ii) Calculer E(Xn ).
(iii) Est-il vrai que E(Xn ) converge vers E(X) ?

Travail no 43.
Soit (Xn )n≥1 une suite de variables aléatoires réelles indépendantes telles que
√ 1 √ 1
P(Xn = n) = et P(Xn = − n) = .
2 2
Pn Sn
On note Sn := k=1 Xk . Démontrer que n2
converge vers 0 en probabilité.

Dr Prevot Chirac BATSINDILA NGANGA page 155 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

Travail no 44.
Soit (pn )n une suite de réels dans ]0, 1[ telle que

lim npn = λ > 0.

n→+∞

Soit (Xn )n une suite de variables aléatoires réelles telle que, pour tout n, Xn suit la loi binomiale
B(n, pn ). Soit Y une variable aléatoire de loi de Poisson de paramètre λ. Montrer que (Xn )n
converge en loi vers Y .

Travail no 45.
Soit (Xn )n une suite de variables aléatoires réelles indépendantes et de même loi N (0, 1). Déterminer
la limite en loi de la suite (Yn )n définie par
n √
1X
Yn := k Xk .
n k=1

Travail no 46.
Soit Φ la fonction de répartition de la loi N (0, 1). À l’aide de l’inégalité de Bienaymé–Tchebychev,
montrer que pour tout x > 0,
1
1 − Φ(x) ≤ 2 .
2x

Travail no 47.
Un lot de pots de confiture contient 0,2% de pots avariés. Quelle est la probabilité pour que, parmi
1000 pots, il y ait au plus 4 pots avariés ?

Travail no 48.
Une société de location de voitures a calculé que la probabilité qu’une de ses voitures louées ait un
accident dans une journée est 0,004 (la probabilité qu’une voiture louée ait plus d’un accident par
jour est supposée nulle). Les accidents sont supposés indépendants les uns des autres. Chaque jour,
1000 voitures de la société sont en circulation.
Soit N la variable aléatoire définie par le nombre de voitures de location de la société ayant un
accident dans une journée.
1. Définir la loi de probabilité de la variable aléatoire N . Calculer l’espérance et la variance de
N.
2. Montrer que la loi de N peut être approchée par une loi de Poisson.
3. À l’aide de cette approximation, calculer la probabilité des événements suivants :
(i) le nombre d’accidents en une journée est égal à 4 ;
(ii) le nombre d’accidents en une journée est au plus égal à 5 sachant qu’il est au moins égal
à 2;
(iii) déterminer le plus petit entier k tel que P(N > k) ≤ 0,01.

Dr Prevot Chirac BATSINDILA NGANGA page 156 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

Travail no 49.
Sur une autoroute, la proportion des camions par rapport à l’ensemble des véhicules est 0,07.
1. Soit X le nombre de camions parmi 100 véhicules choisis au hasard. Calculer P(X ≥ 5).
2. Soit Y le nombre de camions parmi 1000 véhicules. Calculer P(65 ≤ Y ≤ 75).

Travail no 50.
Une entreprise compte 300 employés. Chacun d’eux téléphone en moyenne 6 minutes par heure.
Quel est le nombre de lignes que l’entreprise doit installer pour que la probabilité que toutes les
lignes soient utilisées au même instant soit au plus égale à 0,025 ?

Travail no 51.
500 élèves d’un collège prennent leur repas de midi à la cantine. Chaque élève choisit au hasard et
indépendamment des autres élèves l’une des 2 salles de réfectoire. Chaque salle contient N places
(250 ≤ N ≤ 500).
Déterminer la valeur minimale de N pour que la probabilité que chaque élève trouve une place dans
la salle qu’il a choisie soit supérieure à 0,99.

Travail no 52.
Chaque année, M. Durand effectue 2 fois par jour, 5 jours par semaine et pendant 46 semaines, un
trajet en voiture dont la durée est une variable aléatoire X qui suit une loi d’espérance 45 minutes et
d’écart-type 10 minutes. On suppose que les durées des trajets sont mutuellement indépendantes.
Quelle est la probabilité pour que M. Durand passe au moins 350 heures dans sa voiture au cours de
l’année ?

Travail no 53.
La durée de fonctionnement exprimée en jours d’un certain modèle de lampe est une variable aléatoire
D qui suit une loi Gamma (200, 3). Soit T la variable aléatoire égale à la moyenne des durées de
fonctionnement de 100 lampes de ce modèle (on suppose que ces durées sont indépendantes).
1. Déterminer l’espérance et l’écart-type de T .
2. Expliquer pourquoi on peut estimer que T suit approximativement une loi normale que l’on
précisera.
3. Déterminer le nombre réel positif t tel que

P (|T − 600| > t) = 0,05.

Dr Prevot Chirac BATSINDILA NGANGA page 157 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

F IGURE 2.1 – Table de la Fonction de répartition de la loi normale centrée

réduite. Si Z suit la loi normale centrée réduite, pour z ≥ 0, la table donne la
valeur Φ (z) = P (Z ≤ z). La valeur de z s’obtient par addition des nombres
inscrits en marge.

Dr Prevot Chirac BATSINDILA NGANGA page 158 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

F IGURE 2.2 – Table de la loi normale centrée réduite.

Dr Prevot Chirac BATSINDILA NGANGA page 159 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

F IGURE 2.3 – Probabilités de la queue droite de la loi normale centrée réduite

Dr Prevot Chirac BATSINDILA NGANGA page 160 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

F IGURE 2.4 – Table du khi-deux

Dr Prevot Chirac BATSINDILA NGANGA page 161 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
 244 Tables

2. Convergences 2.3. TravauxTABLE 4

d’entraînement
Lois de Pearson ou lois du c 2
Si Y est une variable aléatoire
qui suit la loi du c 2 à v degrés
de liberté, la table donne pour
a choisi, le nombre χα2 tel que
P(Y ≥ χα2 ) = α .

Lorsque le degré de liberté v est tel que v > 30, la variable aléatoire :
Z = Y − 2v − 1
suit à peu près la loi normale réduite.

Dr Prevot Chirac BATSINDILA NGANGA page 162 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

F IGURE 2.5 – Table de Student

Dr Prevot Chirac BATSINDILA NGANGA page 163 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
 Tables 243

2. Convergences TABLE
2.3. Travaux 3
d’entraînement
Lois de Student
Si T est une variable aléatoire qui
suit la loi de Student à v degrés
de liberté, la table donne pour
a choisi, le nombre ta tel que
P(|T | ≥ tα = α ) . O

Lorsque le degré de liberté est infini, il s’agit du nombre za correspon-

dant à la loi normale centrée réduite (cf. table 2).

Dr Prevot Chirac BATSINDILA NGANGA page 164 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

F IGURE 2.6 – Table de Fisher-Snedecor

Dr Prevot Chirac BATSINDILA NGANGA page 165 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

F IGURE 2.7 – Table de Fisher-Snedecor

Dr Prevot Chirac BATSINDILA NGANGA page 166 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
2. Convergences 2.3. Travaux d’entraînement

F IGURE 2.8 – Table de Fisher-Snedecor

Dr Prevot Chirac BATSINDILA NGANGA page 167 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
 Tables 245

2. Convergences TABLE
2.3. Travaux 5
d’entraînement
Lois de Snedecor (` = 0,025)
Si F est une variable aléatoire
qui suit la loi de Snedecor à
(v1,v2) degrés de liberté, la
table donne le nombre fa tel
que P(F ≥ fa ) = a = 0,025.

Dr Prevot Chirac BATSINDILA NGANGA page 168 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
 246 Tables

2. Convergences 2.3. TravauxTABLE 6

d’entraînement
Lois de Snedecor (` = 0,05)
Si F est une variable aléatoire qui
suit la loi de Snedecor à (v1,v2)
degrés de liberté, la table donne
le nombre fa tel que P(F ≥ fa ) =
a = 0,05. O

Dr Prevot Chirac BATSINDILA NGANGA page 169 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités
 Bibliographie

[1] J.-P. Lecoutre, Probabilités et statistique, Dunod, Paris, 2012.

[2] B. Fraysseix, Probabilités, Dunod, Paris, 1997.
[3] S. M. Ross, A First Course in Probability, Pearson Education, 9th edition, 2014.
[4] J.-M. Monier, Probabilités, Dunod, Paris, 2004.
[5] M. Henry, Probabilités MPSI–MP, Ellipses, Paris, 2006.
[6] P. Gibilisco, Probabilités : cours et exercices, Ellipses, Paris, 2008.
[7] G. Saporta, Probabilités, analyse des données et statistique, Technip, Paris, 2011.
[8] G. Grimmett and D. Stirzaker, Probability and Random Processes, Oxford University Press,
Oxford, 2001.
[9] A. Papoulis and S. U. Pillai, Probability, Random Variables and Stochastic Processes, McGraw–
Hill, New York, 2002.
[10] D. Dacunha-Castelle et D. Duflo, Probabilités et statistiques, Masson, Paris, 2004.
[11] P. Barbe et M. Ledoux, Probabilités, Springer, Paris, 1996.
[12] D. P. Bertsekas and J. N. Tsitsiklis, Introduction to Probability, Athena Scientific, Belmont,
2002.
[13] S. M. Ross, Introduction to Probability and Statistics for Engineers and Scientists, Academic
Press, 4th edition, 2009.
[14] R. Drouilhet, Probabilités pour les sciences, Presses Universitaires de Grenoble, Grenoble,
2007.
[15] P.-A. Meyer, Éléments de probabilités, Springer, Berlin, 2011.

170
BIBLIOGRAPHIE BIBLIOGRAPHIE

Dr Prevot Chirac BATSINDILA NGANGA page 171 / 170 1ère année Mathématiques-Info
Université Denis Sassou-N’guesso / FSA. Semestre 2 / Cours de Probabilités