Module 5 - Variables aléatoires continues

MQT-1102 Probabilités et statistiques

Julien Miron
Variables aléatoires continues

2 / 43
Fonction de densité

Définition. Soit X une v.a. continue. On appelle fonction de densité (PDF, de

probability density function) de X, la fonction

𝑑
𝑓 (𝑥) = F(𝑥).
𝑑𝑥

3 / 43
Lien entre la fonction de répartition F(𝑥) et la fonction de densité 𝑓 (𝑥)
Par la définition de la fonction de densité 𝑓 (𝑥), on remarque :
𝑥
F(𝑥) = ∫ 𝑓 (𝑢) 𝑑𝑢
−∞
𝑏
P(𝑎 < X ≤ 𝑏) = F(𝑏) − F(𝑎) = ∫ 𝑓 (𝑢) 𝑑𝑢.
𝑎

On en déduit donc que la probabilité d’une variable aléatoire continue peut

se calculer avec l’intégrale de 𝑓 (𝑥).

4 / 43
Probabilité = aire sous la densité

𝑓 (𝑥) n’est pas une probabilité, mais l’aire sous la courbe (l’intégrale) sur une
région donne la probabilité que X prenne une valeur dans cette région.
Ceci veut dire que 𝑓 (𝑥)≠P(X = 𝑥).

5 / 43
Propriétés d’une fonction de densité

1. 𝑓 (𝑥) ≥ 0 pour tout 𝑥 ∈ R

∞
2. ∫ 𝑓 (𝑥) 𝑑𝑥 = 1
−∞
Nous avons que P(X = 𝑎) = 0 pour tout 𝑎 ∈ ℝ dans le cas d’une v.a. continue.
Ceci implique que
⎫
P(𝑎 < X < 𝑏) ⎪
⎪
⎪ 𝑏
P(𝑎 < X ≤ 𝑏) ⎪
= ∫ 𝑓 (𝑢) 𝑑𝑢.
P(𝑎 ≤ X < 𝑏) ⎬
⎪
⎪ 𝑎
P(𝑎 ≤ X ≤ 𝑏) ⎪
⎪
⎭

6 / 43
Exemple 4

Soit une v.a. X continue dont la fonction de densité est donnée par :
{
2𝑥, 0 ≤ 𝑥 ≤ 𝑎
𝑓 (𝑥) =
0, sinon.

Que vaut 𝑎 ?

7 / 43
Exemple 4

Soit une v.a. X continue dont la fonction de densité est donnée par :
{
2𝑥, 0 ≤ 𝑥 ≤ 𝑎
𝑓 (𝑥) =
0, sinon.

Déterminez la probabilité que X soit entre 1/3 et 2/3.

8 / 43
Exemple 4 (suite)

9 / 43
Exemple 5

Soit une v.a. X continue dont la fonction de densité est donnée par :
⎧
⎪ 𝑥, 0≤𝑥≤1
⎪
𝑓 (𝑥) = ⎨ 2 − 𝑥, 1 ≤ 𝑥 ≤ 2
⎪
⎪
⎩ 0, sinon.

Montrez que 𝑓 (𝑥) est bien une fonction de densité.

10 / 43
Exemple 5 (suite)

11 / 43
Loi uniforme

12 / 43
Loi uniforme

Il s’agit de la loi d’une variable aléatoire

∙ qui peut prendre toutes les valeurs possibles dans un intervalle [𝑎, 𝑏] ;
∙ dont tous les intervalles de même longueur dans [𝑎, 𝑏] sont équiprobables.

Fonction de densité :
{ 1
𝑏−𝑎
, 𝑎≤𝑥≤𝑏
𝑓 (𝑥) =
0, sinon.

𝑎+𝑏 (𝑏 − 𝑎)2
E(X) = V(X) =
2 12

13 / 43
Loi uniforme

Fonction de répartition :

⎧
⎪
⎪ 0, 𝑥 < 𝑎
⎪
⎪ 𝑥−𝑎
F(𝑥) = ⎨ 𝑏−𝑎 , 𝑎 ≤ 𝑥 < 𝑏
⎪
⎪
⎪
⎪ 1, 𝑥 ≥ 𝑏.
⎩

14 / 43
Exemple

La puissance de calcul demandée à un processeur lors de l’exécution d’une tâche peut

être n’importe quelle valeur entre 1.5 et 2 GHz, et chaque valeur dans cet intervalle est
équiprobable.
Quelle est la probabilité que la puissance demandée excède 1.8 GHz.

Quelle est l’espérance de la puissance demandée ?

15 / 43
Loi exponentielle

16 / 43
Loi exponentielle

Si le nombre d’événements qui surviennent dans un intervalle de temps suit une

loi de Poisson, on peut montrer que X, le temps qui s’écoule entre deux
événements, suit une loi exponentielle de moyenne μ, dont la densité est donnée
par { 1 −𝑥
𝑒 μ, 𝑥 > 0
𝑓 (𝑥) = μ
0, sinon.

E(X) = μ V(X) = μ2

17 / 43
Loi exponentielle

La fonction de répartition :
{
0, 𝑥<0
F(𝑥) = − 𝑥μ
1 − 𝑒 , 𝑥 ≥ 0.

18 / 43
Exemple

On suppose que le temps d’attente entre le passage de 2 bateaux sous un pont levis suit
une loi exponentielle de moyenne 3 heures. Quelle est la probabilité que plus de 6 heures
s’écoulent entre le passage de 2 bateaux ?

19 / 43
Exemple

On suppose maintenant que le nombre de bateaux qui passent sous un pont levis
pendant 1 heure suit une loi de Poisson d’espérance 4. Quelle est la probabilité que plus
de 15 minutes s’écoulent entre le passage de 2 bateaux ?

20 / 43
Loi normale

21 / 43
Loi normale

La loi normale est probablement la loi de probabilité la plus utilisée dans les
applications de la statistique. Quelques raisons de sa popularité :
∙ modélise bien la distribution de beaucoup de variables d’intérêt
∙ approxime la loi de plusieurs variables aléatoires de nature complexe
(théorème central limite)
∙ mène à des résultats analytiques dans plusieurs problèmes d’inférence
statistique

22 / 43
Loi normale

La loi normale est définie par son espérance et sa variance.

Si X suit une loi normale de moyenne μ et de variance σ2 , dénoté X ∼  (μ, σ2 )

alors
1 − 12 ( 𝑥−μ
2
σ ) , −∞ < 𝑥 < ∞.
𝑓 (𝑥) = √ 𝑒
2πσ2
Comme le nom des paramètres l’indique, on a alors
E(X) = μ
V(X) = σ2

23 / 43
Loi normale

Distribution normale − Densité

0.6
Normale(0,1)
0.5
Normale(0,2)
Normale(2,2)
0.4

f(x)
0.3

0.2

0.1

0.0

−4 −2 0 2 4

24 / 43
Loi normale

∙ 𝑓 (𝑥) ≥ 0 pour tout 𝑥 ∈ ℝ

∙ lim 𝑓 (𝑥) = 0 et lim 𝑓 (𝑥) = 0

𝑥→−∞ 𝑥→∞

∙ 𝑓 (μ − 𝑥) = 𝑓 (μ + 𝑥) pour tout 𝑥 ∈ ℝ, donc cette densité est symétrique

autour de μ

∙ 𝑓 (𝑥) atteint son unique maximum en 𝑥 = μ

25 / 43
Loi normale

Rappel : Si X ∼  (μ, σ2 ) alors

1 − 12 ( 𝑥−μ
2
σ ) , −∞ < 𝑥 < ∞.
𝑓 (𝑥) = √ 𝑒
2πσ2
Donc,
𝑥
P(X ≤ 𝑥) = F(𝑥) = ∫ 𝑓 (𝑡)𝑑𝑡
−∞

Il n’y a pas de solution analytique à cette intégrale. On doit obtenir ces valeurs à
l’aide de logiciels, comme R.

26 / 43
Loi normale standard

La loi  (0, 1) est appelée loi normale standard ou encore loi normale centrée
réduite. Cette loi est très importante et a sa propre notation :
Si Z ∼  (0, 1) alors on dénote
∙ ϕ(𝑧) la densité de Z
∙ Φ(𝑧) la fonction de répartition de Z
Φ(𝑧) n’a pas de forme analytique non plus, mais les livres de statistiques ont une
table des valeurs de Φ(𝑧).

27 / 43
Loi normale standard

28 / 43
Loi normale standard

On suppose que X ∼  (0, 1).

Quelle est la probabilité que X soit plus petit que 1,15 ?

Quelle est la probabilité que X soit plus grand que 1,15 ?

29 / 43
Loi normale standard

Quelle est la probabilité que X soit entre 0, 4 et 2, 12 ?

Quelle est la probabilité que X soit plus petit que −1, 4 ?

30 / 43
Loi normale standard

Quelle est la probabilité que X soit entre −1, 3 et 1, 98 ?

Quelle est la probabilité que |X| soit plus petit que 2 ?

31 / 43
Loi normale standard

On peut aussi lire la table dans l’autre sens, i.e. trouver les valeurs de 𝑥 à partir
des probabilités :
Quelle est la valeur 𝑐 telle que P(X < 𝑐) = 78% ?

Quelle est la valeur 𝑐 telle que P(X > 𝑐) = 94, 3% ?

32 / 43
Standardisation

Si X ∼  (μ, σ2 ), et qu’on veut calculer des probabilités pour X, on peut utiliser la

table pour la loi normale standard grâce au processus de standardisation :

(X − μ)
Z= ∼  (0, 1).
σ

⇒ Seule une table de la loi normale standard est requise !

33 / 43
Standardisation

Supposons que X ∼  (μ, σ2 ) et que l’on cherche P(X ≤ 𝑎).

(X−μ)
Alors si Z = σ
, on a que Z ∼  (0, 1).
Donc
X−μ 𝑎−μ
P(X ≤ 𝑎) = P ≤
( σ σ )
𝑎−μ
= P (Z ≤
σ )
𝑎−μ
= Φ( .
σ )

34 / 43
Standardisation

Par exemple, si X ∼  (μ = 1, σ2 = 4) et que l’on cherche P(X ≤ 2).

(X−1)
Comme Z = 2
∼  (0, 1),

X−1 2−1
P(X ≤ 2) = P ≤
( 2 2 )
2−1
=P Z≤
( 2 )
2−1
=Φ
( 2 )
= Φ(0, 5)
= 0, 6915.
35 / 43
Standardisation

Les problèmes impliquant des calculs de probabilités pour la loi normale se

résolvent donc en deux étapes :
1. standardiser la variable d’intérêt pour obtenir des probabilités impliquant la
 (0, 1) ;
2. aller chercher les valeurs de Φ(⋅) dans une table

Comme la densité  (0, 1) est symétrique autour de 0,

Φ(−𝑥) = 1 − Φ(𝑥) pour tout 𝑥 ∈ ℝ.

Les livres donnent donc généralement les valeurs de Φ(𝑥) pour 𝑥 > 0.

36 / 43
Exemple 1

Soit X ∼  (50, 102 ).

(i) Quelle est la probabilité que X soit plus grand que 70 ?

(ii) Quelle est la probabilité que X soit entre 40 et 60 ?

37 / 43
Exemple 1 (suite)

(iii) Quelle est la valeur de 𝑥1 , telle que P(X ≤ 𝑥1 ) = 0, 975 ?

(iv) Quelle est la valeur de 𝑥2 , telle que P(𝑥2 ≤ X) = 0, 975 ?

38 / 43
Exemple 2

Dans un certain restaurant, un client a autant de chance de se faire servir en

moins de 5 minutes qu’en plus de 5 minutes. Dans 20% des cas, le client est servi
en plus de 5,5 minutes. On suppose que le temps de service d’un client, X, suit
une loi normale. Que valent 𝔼[X] et Var(X) ?

39 / 43
Exemple 3

Environnement Canada mesure la vitesse du vent (en km/h) à chaque heure à la

station météo de l’Aéroport Jean-Lesage. Supposons que la vitesse horaire en
janvier peut être vue comme une v.a. normale de moyenne 17 et d’écart-type 8.
(i) Quelle est la probabilité qu’une mesure de la vitesse dépasse 27 km/h ?

40 / 43
Exemple 3

(ii) Quelle est la probabilité qu’une mesure de la vitesse soit entre 5 et 25 km/h ?

41 / 43
Exemple 3

(iii) Quelle est la vitesse 𝑣1 telle que 80% des mesures sont supérieurese à 𝑣1 ?

42 / 43
Bibliographie

Ce document est rédigé avec Beamer ainsi qu’une classe .cls fourni par Jérôme
Soucy. Les diapositives sont adaptées des diapositives créées par Anne-Sophie
Charest pour le cours STT-1000 ainsi que celles créées par Thierry Duchesne et
Emmanuelle Reny-Nolin pour le cours STT-1900. Les diagrammes de Venn ont
été réalisés en utilisant TikZ (un paquet de LaTeX).

Pour signaler une erreur dans ce document, veuillez écrire à

l’adresse : [Link]@[Link].

43 / 43