Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.

dz

Lois de probabilité, densité de probabilité et fonction de répartition

4.1 Expérience aléatoire

On s’intéresse ici aux seules expériences dont le résultat n’est pas prévisible (les expériences
aléatoires). Une expérience aléatoire est aussi appelée une épreuve.

4.2 Ensemble fondamentale

Pour une expérience aléatoire donnée, l’ensemble des résultats possibles est appelé
l’ensemble fondamental (𝑬). Chaque résultat d’expérience est un point de 𝑬 ou un élément
de 𝑬.

4.3 Evènement
Un évènement 𝑨 est un ensemble de 𝑬, c.à.d. un ensemble de résultats.
 L’évènement {𝒂}, constitue un seul point de 𝑬, donc par un seul résultat 𝒂 ∈ 𝑬, est appelée
évènement élémentaire.
 L’ensemble vide ∅ ne contient aucun des résultats possibles : il est appelé évènement
impossible.
 L’ensemble 𝑬 contient tous les résultats possibles : c’est l’évènement certain.
Si E est fini, ou infini dénombrable, tout sous-ensemble de E est un évènement

Application 4.1
On jette un dé et on observe le résultat obtenu. L’ensemble fondamental est formé par les
six (6) résultats possibles : 𝐸 = { 1, 2, 3, 4, 5, 6 }
-L’évènement correspondant à d’apparition d’un nombre pair est 𝐴 = {2, 4, 6} qui est bien
un sous-ensemble de 𝐸.
-L’évènement correspondant à d’apparition d’un nombre premier est 𝐵 = {1, 2, 3, 5} et
l’évènement correspondant à l’apparition d’un 3 est 𝐶 = {3}
2. Dans l’exemple ci-dessus E était fini et donc dénombrable ; E peut être infini dénombrable
comme le cas suivant : On jette une pièce de monnaie jusqu’à ce qu’on obtienne pile ;
l’ensemble fondamental correspondant est la suite des nombres entiers 𝐸 = {1, 2, 3, ⋯ , 𝑛}
puisqu’on peut avoir un pile au bout d’un jet, de deux jets ou de 𝒏 jets. 𝒏: Étant aussi grand
que l’on veut

4.4 Opérations sur les évènements

Sur les évènements on peut appliquer les opérations usuelles de la théorie des ensembles.
Les évènements peuvent se combinés entre eux pour former un nouveau évènement. Si 𝑨 et 𝑩
sont deux évènements, les opérations de combinaisons sont :
1. L’union : L’évènement 𝐴 ∪ 𝐵 est réalisé si 𝑨 𝒐𝒖 𝑩 (ou les deux) est réalisé. Il est
parfois noté 𝑨 + 𝑩 ou 𝑨 𝒐𝒖 𝑩. Dans un lancer de dé, si l’évènement A est ‘’obtenir un

1
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

nombre pair’’ et l’évènement B est ‘’obtenir un multiple de 3’’, l’évènement 𝑨 ∪ 𝑩 est

‘’obtenir un nombre pair ou un multiple de 3 ou les deux’’, c.à.d. {2, 3, 4, 6}
2. L’intersection :𝐴 ∩ 𝐵 est l’évènement qui se produit si 𝑨 𝒆𝒕 𝑩 sont réalisés tous les
deux. Il est parfois noté 𝑨 × 𝑩 ou 𝑨 𝒆𝒕 𝑩. Dans la même expérience de lancer de de dé,
si l’évènement A est ‘’obtenir un nombre pair’’ et l’évènement B est ‘’obtenir un
multiple de 3’’, l’évènement 𝑨 ∩ 𝑩 est ‘’obtenir un nombre pair et un multiple de 3’’,
c.à.d. {6}
3. Le complémentaire : 𝑪𝑨 est l’évènement qui se produit quand 𝑨 n’est pas réalisé. On
̅
l’appelle aussi négation de 𝑨. Il est parfois noté « 𝑛𝑜𝑛 𝐴 », ou 𝑨
4. Evènements mutuellement exclusifs : Quand deux évènements 𝑨 𝒆𝒕 𝑩 sont tels
que 𝑨 ∩ 𝑩 = ∅, ils ne peuvent être réalisés simultanément. On dit qu’ils s’excluent
mutuellement, ou qu’ils sont incompatibles. Si on jette un dé, l’évènement ‘’obtenir un
nombre pair’’ et l’évènement ‘’obtenir un nombre impair’’ ne peuvent pas obtenir en
même temps. Ils sont mutuellement exclusifs. d’autre part si on jette un dé, les
évènements A : ‘’obtenir un nombre pair’’ n’est pas mutuellement exclusif avec
l’évènement B : ‘’ obtenir un nombre inférieur ou égal à 3 ‘’. En effet, l’intersection de
𝐴 ∩ 𝐵 est non vide et consiste en l’évènement ‘’obtenir 2’’.
5. L’inclusion : Si A est inclus dans B, on écrit 𝐴 ⊂ 𝐵. On dit que 𝑨 implique 𝑩. Si on
jette un dé, on considère les évènements A ‘’obtenir 2’’ et B ‘’obtenir un nombre
pair’’𝐴 = {2} et 𝐵 = {2, 4, 6}. On dit que 𝑨 implique 𝑩.

Application 4.2
Reprenons l’exemple précédent du jeu de dés : 𝐸 = { 1, 2, 3, 4, 5, 6 }, 𝐴 = {2, 4, 6},
𝐵 = {1, 2, 3, 5} et 𝐶 = {3}. On peut écrire :
*𝐴 ∪ 𝐵 = { 1, 2, 3, 4, 5, 6 } = Apparition d’un nombre pair ou premier.
* 𝐴 ∩ 𝐵 = {2} = Apparition d’un nombre pair et premier.
*𝐶𝐶 = { 1, 2, 4, 5, 6 } = Apparition d’un nombre autre que 3.
* 𝐴 ∩ 𝐶 = ∅: 𝐴 𝑒𝑡 𝐶 s’excluent mutuellement

4.5 Règles du calcul des probabilités

Soit un ensemble fondamental E. Nous introduisons une fonction 𝑷𝒓 qui, à tout
évènement 𝐴, associe un nombre réel positif ou nul. 𝑷𝒓 est dite fonction de probabilité et
𝑷𝒓(𝑨) est appelée probabilité de l’évènement 𝐴, si les conditions ou règles suivantes sont
satisfaites :
1. 𝑃(𝐴) ≥ 0 pour tout évènement A : une probabilité est toujours positive ou nulle
2. Pr(𝐴) = 1 : la probabilité de l’évènement certain est 1
3. 𝑨 ∩ 𝑪 = ∅ ⟹ (𝐏𝐫(𝑨 ∪ 𝑩) = 𝐏𝐫(𝑨) + 𝐏𝐫(𝑩)): Permet le calcul de la probabilité de la
réunion de deux évènements disjoints.
4. Soit un ensemble dénombrable (fini ou non) d’évènements 𝐴𝑖 deux à deux disjoints
𝑨𝒊 ∩ 𝑨𝒋 = ∅, 𝒂𝒍𝒐𝒓𝒔 𝐏𝐫(𝑨𝟏 ∪ 𝑨𝟐 ∪ ⋯ ) = 𝐏𝐫(𝑨𝟏 ) + 𝐏𝐫(𝑨𝟐 ) + ⋯

2
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

Cette quatrième condition est proche de la troisième. Elle ne peut cependant pas s’en déduire
dans le cas d’un ensemble d’évènements infini dénombrable.

Propriétés importantes déduites des quatre conditions précédentes :

1.6 𝑃𝑟(∅) = 0. Soit A un évènement quelconque. 𝐴 𝑒𝑡 ∅ sont évidemment disjoints puisque
𝐴 ∩ ∅ = ∅, donc Pr(𝐴 ∪ ∅) = Pr(𝐴) + Pr(∅). Or 𝐴 ∪ ∅ = 𝐴; donc Pr(𝐴 ∪ ∅) = Pr(𝐴).
D’où Pr(∅) = 0.
2.6 Pr(𝐴) ≤ 1. 𝐴 et son complémentaire 𝐶𝐴 sont disjoints et leur union forme 𝑬 de
probabilité 𝟏. Donc Pr(𝐸 ) = 1 = Pr(𝐴 ∪ 𝐶𝐴 ). Toute probabilité étant positive ou nulle, on
obtient bien Pr(𝐴) ≤ 1.
3.6 Pr(𝐶𝐴 ) = 1 − Pr(𝐴)

Application 4.3
On jette trois pièces de monnaie et on compte le nombre de "𝑓𝑎𝑐𝑒" obtenu. L’ensemble
fondamental correspondant à cette expérience est 𝐸 = {0, 1, 2, 3} puisqu’on peut obtenir
comme résultat de l’expérience : 0 𝑓𝑜𝑖𝑠 face (3 𝑓𝑜𝑖𝑠 "pile"), 1 𝑓𝑜𝑖𝑠 face (2 𝑓𝑜𝑖𝑠 "pile"),
2 𝑓𝑜𝑖𝑠 𝑓𝑎𝑐𝑒 (1 𝑓𝑜𝑖𝑠 "pile"), ou 3 𝑓𝑜𝑖𝑠 "𝑓𝑎𝑐𝑒".
On probabilise cet ensemble fini en donnant une valeur 𝑝0 , 𝑝1 , 𝑝2 𝑒𝑡 𝑝3 aux évènements
{0}, {1}, {2} 𝑒𝑡 {3}
Dans notre exemple huit cas sont possibles : (𝐴23 = 23 = 8)
(0, 0, 0), (0, 1, 0), (0, 0, 1), (1, 0, 0), (1, 1, 0) (1, 0, 1) (0, 1, 1), (1, 1, 1)
1 3 3 1
Donc 𝑝0 = 8 , 𝑝1 = 8 , 𝑝2 = 8 , 𝑝3 = 8
Considérons l’évènement A tel qu’on ait au moins 2 fois « face », 𝐴 = {𝑎2 , 𝑎3 }
3 1 1
Pr(𝐴) = 𝑝2 + 𝑝3 = + =
8 8 2
4.6 Axiomes des probabilités
Une probabilité 𝑃(. ) est une application de 𝑨 𝑑𝑎𝑛𝑠 [0, 1], telle que :
 𝑃𝑟(Ω) = 1 ;
 Pour tout ensemble dénombrable d’évènements 𝐴1 , … , 𝐴𝑛 mutuellement exclusifs tels
que 𝐴𝑖 ∩ 𝐴𝑗 = ∅, pour tout 𝑖 ≠ 𝑗 ;
Pr(𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪ ⋯ ∪ 𝐴𝑛 = Pr(𝐴1 ) + Pr(𝐴2 ) + Pr(𝐴3 ) + ⋯ + Pr(𝐴𝑛 )

4.7 Ensembles probabilisés infinis

On alors un ensemble fondamental de la forme 𝐸 = {𝑎1 , 𝑎2 , 𝑎3 ⋯ , 𝑎𝑛 } comme dans le cas
fini. Cet ensemble fondamental est probabilisé en affectant à chaque élément 𝑎𝑖 une valeur
réelle 𝑝𝑖 tell que :
∞

𝑝𝑖 ≥ 0 𝑒𝑡 ∑ 𝑝𝑖 = 1
𝑖=1

3
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

La probabilité d’un évènement quelconque est alors la somme de 𝑝𝑖 correspondant à ses

éléments. On peut écrire si : 𝐴 = {𝑎25 , 𝑎31 , 𝑎43 } ⟹ Pr(𝐴) = 𝑝25 + 𝑝31 + 𝑝43
**Si on reprend l’expérience consistant à jeter une pièce et à compter le nombre de jets jusqu’à
ce qu’on obtienne un résultat "𝑝𝑖𝑙𝑒" (c’est un espace infini dénombrable), on peut construire un
espace probabilisé en choisissant :
1 1 1 1
𝑝1 = , 𝑝2 = , 𝑝3 = 3 , ⋯ , 𝑝𝑛 = 𝑛 , ⋯ , 𝑝∞
2 4 2 2
4.8 Variable aléatoire discrète et lois de probabilité discrètes
Supposons que l’ensemble fondamental des résultats 𝑬 d’une épreuve est composée de 𝒏
évènements 𝐴1 , 𝐴2 , ⋯ 𝐴𝑛 s’excluant l’un à l’autre et 𝑝1 , 𝑝2 , ⋯ 𝑝𝑛 leurs probabilités respectives.
Les nombres 𝑥1 , 𝑥2 , ⋯ 𝑥𝑛 sont conventionnellement choisis et respectivement associés à ces
évènements, c.à.d.
(à 𝑐ℎ𝑎𝑞𝑢𝑒 𝑥𝑖 ∈ {𝑥1 , 𝑥2 , ⋯ 𝑥𝑛 } 𝑐orrespond à une probabilité 𝑝𝑖 de l′ évènement 𝐸𝑖 𝑎uquel est associé 𝑥𝑖 )
On peut dire qu’une certaine variable 𝑋 peut prendre ces valeurs 𝑥1 , 𝑥2 , ⋯ 𝑥𝑛 c.à.d.
𝑋(𝐸 ) = {𝑥1 , 𝑥2 , ⋯ 𝑥𝑛 } 𝑒𝑡 𝑝1 , 𝑝2 , ⋯ 𝑝𝑛 Sont les valeurs correspondantes d’une fonction 𝑷 de la
valeur de 𝑿. 𝑿 Est une variable aléatoire discrète, c.à.d. elle ne peut prendre que des valeurs
isolées, d’ordre fini. On définit la probabilité Pr(𝑋 = 𝑥𝑖 ) pour chaque 𝑥𝑖 par 𝑝𝑖 tel que
𝑝𝑖 = Pr(𝑋 = 𝑥𝑖 )
4.8.1 Loi de probabilité discrète ou distribution d’une variable aléatoire discret X

L’ensemble des valeurs 𝑝𝑖 = Pr(𝑋 = 𝑥𝑖 ) est appelé distribution ou loi de probabilité de X.

Puisque les 𝑝𝑖 sont des probabilités sur les évènements (𝑋 = 𝑥1 , 𝑋 = 𝑥2 , ⋯ , 𝑋 = 𝑥𝑛 ) on a :
𝑛

(∀𝑖 ), 𝑝𝑖 ≥ 0 𝑒𝑡 ∑ 𝑝𝑖 = 1
𝑖=1
On peut présenter une loi de probabilité par une formule (expression), ou un ensemble des
couples de valeurs associés de 𝑋 et 𝑃 moyennant un tableau ou un graphique bâtons
X 𝑥1 𝑥2 ⋯ 𝑥𝑛
P 𝑝1 𝑝2 ⋯ 𝑝𝑛

4
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

Application 4.4
Epreuve : lancer deux dés à jouer
Evènements distincts : le nombre de points obtenus (la somme obtenue) est 2, 3, 4, 5, ⋯ ,12.
La variable aléatoire choisie est égale au nombre de points obtenus.
La loi de probabilité sous forme de Tableau.
X 2 3 4 5 6 7 8 9 10 11 12
P 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
On peut donner la loi de probabilité ci-dessus au moyen de l’expression :
1
Pr(𝑋 = 𝑘) = (6 − |7 − 𝑘|); 2 ≤ 𝑘 ≤ 12
36
4.8.2 Espérance mathématique d’une variable aléatoire discret (fini)
L’espérance mathématique cherche à traduire la tendance centrale de la variable aléatoire. Il
s’agit d’une moyenne où chacune des valeurs 𝑥𝑖 intervient d’autant plus que sa probabilité est
importante, c.à.d. d’un barycentre ou centre de gravité. On définit la moyenne théorique ou
Espérance mathématique d’une variable X par.
𝒏

𝝁𝒙 = 𝑬(𝑿) = ∑ 𝒙𝒊 𝒑𝒊 = 𝒙𝟏 𝒑𝟏 + 𝒙𝟐 𝒑𝟐 + ⋯ + 𝒙𝒏 𝒑𝒏
𝒊=𝟏

Application 4.5
On considère l’expérience qui consiste à jeter deux dés parfaitement équilibrés. L’espace
fondamental est constitué par l’ensemble de couples ordonnés
𝐸 = {(1, 1), (1, 2), (1, 3), ⋯ , (6, 6)}
Considérons la variable aléatoire définie comme suite : soit 𝑟 = (𝑎, 𝑏) un élément quelconque
de 𝐸, on pose 𝑋(𝑟) = 𝑋(𝑎, 𝑏) = max(𝑎, 𝑏), c.à.d. la valeur 𝑋 (𝑟) = 𝑎 𝑠𝑖 𝑎 > 𝑏 𝑒𝑡 𝑏 𝑠𝑖 𝑏 > 𝑎
𝑋 Est une variable aléatoire sur 𝐸 avec 𝑋(𝐸 ) = {1, 2, 3, 4, 5, 6}, la loi de probabilité :
1
𝑝1 = Pr(𝑋 = 1) = 𝑃𝑟({1, 1}) = 36
3
𝑝2 = Pr(𝑋 = 2) = 𝑃𝑟({1, 2}, {2, 1}, {2, 2}) = 36
5
𝑝3 = Pr(𝑋 = 3) = 𝑃𝑟({1, 3}, {3, 1}, {2, 3}, {3, 2}, {3, 3}) = 36
7
𝑝4 = Pr(𝑋 = 4) = 𝑃𝑟({1, 4}, {4, 1}, {2, 4}, {4, 2}, {3, 4}, {4, 3}, {4, 4}) =
36
9
𝑝5 = Pr(𝑋 = 5) = 𝑃𝑟({1, 5}, {5, 1}, {2, 5}, {5, 2}, {3, 5}, {5, 3}, {4, 5}, {5, 4}, {5, 5}) = 36
11
𝑝6 = Pr(𝑋 = 6) = 𝑃𝑟({1, 6}, {6, 1}, {2, 6}, {6, 2}, {3, 6}, {6, 3}, {4, 6}, {6, 4}, {5, 6}, {6, 5}, {6, 6}) = 36
Soit :
𝑥𝑖 1 2 3 4 5 6
𝑝𝑖 1/36 3/36 5/36 7/36 9/36 11/36

6
1 3 5 7 9 11 161
𝐸 (𝑋) = ∑ 𝑝𝑖 𝑥𝑖 = ×1+ ×2+ ×3+ ×4+ ×5+ ×6= = 4.4722
36 36 36 36 36 36 36
𝑖=1

5
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

On peut donner la loi de probabilité ci-dessus au moyen de l’expression :

𝟏
𝐏𝐫(𝑿 = 𝒌) = (𝟐𝒌 − 𝟏); 𝟏 ≤ 𝒌 ≤ 𝟔
𝟑𝟔

4.8.3 Variance et écart type d’une variable discret (fini)

Après avoir traduire la tendance centrale par l’espérance, il est intéressant de traduire la
dispersion autour de l’espérance par une valeur (variance ou écart type).
-La variance de X, notée 𝑣𝑎𝑟(𝑋) 𝑜𝑢 𝜎𝑥2 , est définie par :
𝜎𝑋2 = 𝑣𝑎𝑟(𝑋) = 𝐸 [(𝑋 − 𝜇𝑋 )2 ] = 𝐸 [(𝑋 − 𝐸(𝑋))2 ] 𝑜ù 𝜇𝑋 = 𝐸(𝑋)
-L’écart type 𝜎 (𝑋) = 𝜎𝑋 = √𝑣𝑎𝑟(𝑋)
On démontre facilement que 𝑣𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − [𝐸(𝑋)]2
𝑣𝑎𝑟(𝑋) = 𝐸 [(𝑋 − 𝐸(𝑋))2 ]
En effet :
𝑛 𝑛

𝐸 [(𝑋 − 𝐸(𝑋))2 ] = ∑[𝑥𝑖 − 𝐸(𝑋)]2 𝑝𝑖 = ∑(𝑥𝑖2 − 2𝐸 (𝑋)𝑥𝑖 + [𝐸(𝑋)]2 ) 𝑝𝑖

𝑖=1 𝑖=1
𝑛 𝑛 𝑛

𝐸 [(𝑋 − 𝐸(𝑋) )2 ] = ∑ 𝑥𝑖2 𝑝𝑖 ]2

− 2𝐸 (𝑋) ∑ 𝑥𝑖 𝑝𝑖 + [𝐸(𝑋) ∑ 𝑝𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛

𝐸 [(𝑋 − 𝐸(𝑋))2 ] = ∑ 𝑥𝑖2 𝑝𝑖 − 2[𝐸(𝑋)]2 + [𝐸 (𝑋)]2

𝑖=1
𝑬[(𝑿 − 𝑬(𝑿) )𝟐 ] = 𝑬(𝑿𝟐 ) − [𝑬(𝑿)]𝟐 = 𝑬(𝑿𝟐 ) − 𝝁𝟐𝑿

Application 4.6
Soit X une variable aléatoire qui prend ses valeurs dans l’ensemble {1, 2, 3, 4, 5} et suit une loi
de probabilité illustrée dans le Tableau sous-indiqué.
𝑋𝑖 1 2 3 4 5
𝑃(𝑋 = 𝑥𝑖 ) 1/4 1/8 3/8 1/16 𝑘

6
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

1. Calculer 𝒌
2. Calculer 𝐸 (𝑋) 𝑒𝑡 𝑣𝑎𝑟(𝑋)
3. Calculer la probabilité de chacun des évènements suivants : 𝑋 > 3, 𝑋 ≥ 3 et 2 ≤ 𝑋 ≤ 4

Solution
1. Calcul de 𝒌
1 1 1 1 3
Sachant que ∑𝑛𝑖=1 𝑝𝑖 = (4) + (8) + (8) + (16) + (𝑘) = 1 ⟹ 𝑘 = 16
2. Calcul de 𝐸 (𝑋) 𝑒𝑡 𝑣𝑎𝑟(𝑋)
1 1 1 1 3
∗∗ 𝐸 (𝑋) = ∑𝑛𝑖=1 𝑝𝑖 𝑥𝑖 = 1 (4) + 2 (8) + 3 (8) + 4 (16) + 5 (16)
39
𝐸(𝑋) = 0.25 + 0.25 + 0.75 + 0.25 + 0.9375 = 2.4375 =
16
∗∗ 𝑣𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2
𝑋𝑖 1 2 3 4 5
𝑋2 1 4 9 16 25
𝑃(𝑋 = 𝑥𝑖 ) 1/4 1/8 3/8 1/16 3/16

1 1 1 1 3 157
𝐸 (𝑋 2 ) = ∑𝑛𝑖=1 𝑝𝑖 𝑥2𝑖 = 1 ( ) + 4 ( ) + 9 ( ) + 16 ( ) + 25 ( ) = 9.8125 =
4 8 8 16 16 16
D’où :

2)
15739 2
𝑣𝑎𝑟(𝑋) = 𝐸 (𝑋 − [ 𝐸 (𝑋 )]2 =( ) − ( ) = 3.8710
16 16
3. Calcul de la probabilité des évènements :
1 3 1
𝑃 (𝑋 > 3) = 𝑃 (𝑋 = 4) + 𝑃 (𝑋 = 5) = + =
16 16 4
3 1 3 5
𝑃 (𝑋 ≥ 3) = 𝑃 (𝑋 = 3 ) + 𝑃 (𝑋 = 4 ) + 𝑃 (𝑋 = 5) = + + =
8 16 16 8
1 3 1 9
𝑃 (2 ≤ 𝑋 ≤ 4) = 𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4 ) = + + =
8 8 16 16
Application 4.7

Soit X une variable aléatoire discrète qui prend ses valeurs dans l’ensemble {1, 2, 3, 4, 5} et suit
une loi de probabilité illustrée dans le Tableau sous-indiqué.
𝑋𝑖 2 4 6 8
𝑃(𝑋 = 𝑥𝑖 ) a b c d
-Déterminer la loi de probabilité de 𝑋n sachant que : 𝑃(𝑋 < 6) = 1/3, 𝑃(𝑋 > 6) = 1/2 et
𝑃(𝑋 = 2) = 𝑃(𝑋 = 4)

Solution
Sachant que ∑𝑛𝑖=1 𝑝𝑖 = 1 ⟹ 𝑎 + 𝑏 + 𝑐 + 𝑑 = 1
1 1
𝑃 (𝑋 < 6) = ⟹ 𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 4 ) = 1
{ 3 3 ⟹ 2𝑎 = ⟹ 𝑎 = 𝑏 = 1/6
3
𝑃 (𝑋 = 2) = 𝑃 (𝑋 = 4 ) = 𝑎 = 𝑏

7
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

1 1
𝑃 (𝑋 > 6) =
⟹𝑑=
2 2
1 1 1 1
𝑎+𝑏+𝑐+𝑑 =1 ⟹ + +𝑐+ =1 ⟹ 𝑐 =
6 6 2 6
4.9 Loi de probabilité continue ou densité de probabilité d’une variable aléatoire continue

4.9.1 Fonction de densité de probabilité

Une variable aléatoire continue peut prendre un nombre infini de valeurs numériques. De ce
fait l’histogramme va comporter un nombre infini de rectangles qui deviennent de plus en plus
étroits et de plus en plus nombreux de telle sorte que les bordures de l’histogramme forment
une ligne continue, donc nous avons une courbe 𝑦 = 𝑓(𝑥 ). Cette courbe est appelée courbe de
densité de probabilité.

La probabilité 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) est égale à l’aire sous la courbe de la fonction 𝑓(𝑥 ), le long de
𝑏
l’intervalle [𝑎, 𝑏]c.à.d. on peut écrire : 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫𝑎 𝑓(𝑥 )𝑑𝑥.
Définition
Une fonction 𝒇 une densité de probabilité sur l’intervalle 𝑰 lorsque :
 𝒇 est continue et positive sur 𝑰 ;
+∞
 l’aire sous la courbe est égale à 1 (unité d’aire), c.à.d. 𝐴 = ∫−∞ 𝑓(𝑥 )𝑑𝑥 = 1
Trois cas de figures peuvent être se présentés, à savoir :
1. 𝐼 est intervalle borné : 𝑰 = [𝒂, 𝒃]
Pour que 𝑓soit une fonction de densité de probabilité, il faut qu’elle soit continue et positive
𝑏
sur l’intervalle 𝑰 = [𝒂, 𝒃] et 𝐴 = ∫𝑎 𝑓 (𝑥 )𝑑𝑥 = 1

8
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

2. 𝐼 est intervalle semi ouvert (non borné) : 𝑰 = [𝒂, +∞[

Dans ce cas, pour démontrer que 𝒇 est densité de probabilité, on procède de la manière
suivante :
-𝑓, doit être positive et continue sur l’intervalle 𝑰 = [𝒂, +∞[. Pour vérifier l’aire sous la courbe,
on choisit un intervalle [𝑎, 𝑡[ tel que 𝑡 > 𝑎 et faire tendre 𝑡 𝑣𝑒𝑟𝑠 + ∞, c.à.d.
𝑡 𝑡
𝐴 = ∫ 𝑓 (𝑥 )𝑑𝑥 + lim ∫ 𝑓 (𝑥)𝑑𝑥 = 1
𝑎 𝑡⟶+∞ 𝑎

3. 𝑰 = 𝓡
-𝑓 doit être positive et continue sur ℛ
𝑡 𝑎
𝐴 = lim ∫ 𝑓 (𝑥 )𝑑𝑥 + lim ∫ 𝑓 (𝑥 )𝑑𝑥 = 1
𝑡⟶+∞ 𝑎 𝑡⟶−∞ 𝑡

4.9.2 Espérance mathématique d’une variable aléatoire continue

L’espérance mathématique (moyenne arithmétique) d’une variable aléatoire continue,
représentée par sa fonction de densité de probabilité 𝑓(𝑥) est donnée par l’expression :
+∞
𝐸 (𝑋 ) = ∫ 𝑥 𝑓(𝑥 ) 𝑑𝑥
−∞

Application 4.8
Soit la fonction définie par :
2𝑥 𝑠𝑖 0 < 𝑥 < 1
𝑓 (𝑥 ) = {
0 𝑎𝑢𝑡𝑟𝑒𝑚𝑒𝑛𝑡
1. 𝑓 est-elle une fonction de densité ?
2. Calculer 𝐸(𝑋)
3. Calculer la variance 𝑣(𝑋).

Solution
1. La fonction 𝑓(𝑥) soit une densité de probabilité, puisqu’elle est positive et continue sur
l’intervalle ]0, 1[
1 1 1 2 2
2. 𝐸 (𝑋) = ∫0 𝑥 𝑓 (𝑥) 𝑑𝑥 = ∫0 𝑥 (2𝑥)𝑑𝑥 = 2 ∫0 𝑥 2 𝑑𝑥 = 3 [𝑥 3 ]10 = 3

9
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

3. 𝑣 (𝑋) = 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2
1 1 1
1 1
𝐸 (𝑋 2)
= ∫ 𝑥 𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑥 2𝑥) 𝑑𝑥 = 2 ∫ 𝑥 3 𝑑𝑥 = [𝑥 4 ]10 =
2 2(
0 0 0 2 2

2)
1 2 2 𝟏
𝑣 (𝑋 ) = 𝐸 (𝑋 − [ 𝐸 (𝑋 )]2 = −( ) =
2 3 𝟏𝟖
Application 4.9
La fonction de densité de probabilité 𝑓(𝑥) de la variable aléatoire 𝑋 est définie par :
𝑘(𝜃)
𝑓 (𝑥 ) = { 𝑥 4 𝑠𝑖 𝑥 ≥ 𝜃
0 𝑎𝑢𝑡𝑟𝑒𝑚𝑒𝑛𝑡
𝜃: Est paramètre strictement positif.
1. Déterminer la fonction 𝑘(𝜃) ;
2. Calculer l’espérance mathématique 𝐸(𝑋) et sa variance 𝑣(𝑋).

Solution
+∞
1. 𝑓 (𝑥 ) est une densité de probabilité, donc on peut écrire : ∫𝜃 𝑓 (𝑥 )𝑑𝑥 = 1
+∞ +∞ +∞
𝑘 (𝜃 ) −4
𝑥 −3
⟹∫ 𝑑𝑥 = 𝑘(𝜃) ∫ 𝑥 𝑑𝑥 = 𝑘(𝜃) [ ] =1
𝜃 𝑥4 𝜃 −3 𝜃
1 1
⟹ 𝑘 (𝜃 ) [ 3
− ] = 1 ⟹ 𝑘 (𝜃) = 3𝜃 3
−3 × ∞ −3 × 𝜃 3
+∞
+∞ +∞ 3𝜃3 +∞ 𝑥 −2 3
2. 𝐸 (𝑋) = ∫𝜃 𝑥𝑓(𝑥 )𝑑𝑥 = ∫𝜃 𝑥 𝑑𝑥 = 3𝜃 3 ∫𝜃 𝑥 −3 𝑑𝑥 = 3𝜃 3 [ −2 ] = 2𝜃
𝑥4 𝜃
3. 𝑣 (𝑋) = 𝐸 (𝑋 2 ) − [𝐸(𝑋)]2
+∞ +∞ +∞
2)
3𝜃 3
2 3∫
𝑥 −1
𝐸 (𝑋 =∫ 𝑥 ( 4 ) 𝑑𝑥 = 3𝜃 𝑥 −2 𝑑𝑥 = 3𝜃 3 [ ] = 3𝜃 2
𝜃 𝑥 𝜃 −1 𝜃

2
3 2 3
( )
𝑣 𝑋 = 3𝜃 − ( 𝜃) = 𝜃
2 4
Homework
On considère la fonction définie sur l’intervalle 𝐼 = [1, +∞[ par
2
𝑓 (𝑥 ) = 3
𝑥
1. Vérifier que 𝑓 est densité de probabilité sur l’intervalle 𝑰
2. Soit 𝑋 une variable aléatoire de densité 𝒇, calculer l’espérance 𝐸(𝑋) et sa variance
𝑣𝑎𝑟(𝑋)
NB : Appliquer les formules relatives à un intervalle semi-ouvert, c.à.d.
𝑡
𝐴 = lim ∫ 𝑓 (𝑥 )𝑑𝑥 = 1?
𝑡⟶+∞ 𝑎
𝑡
𝐸 (𝑋) = lim ∫ 𝑥 𝑓 (𝑥 )𝑑𝑥
𝑡→+∞ 𝑎

10
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

4.9.3 Fonction de répartition des variables aléatoire continue et discrète

Soit 𝑋 une variable aléatoire définie sur un domaine Ω. On appelle fonction de répartition de 𝑋,
la fonction définie :
𝑭𝒙 = 𝑃(𝑋 ≤ 𝑥 ) 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑥 ∈ ℛ
ℛ ⟶ [0, 1]
Donc 𝐹 est l’application qui va dans { 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡
𝑥𝑖 ⟶ 𝑃(𝑋 ≤ 𝑥𝑖 )
Il existe un lien entre la fonction de répartition 𝑭𝒙 et la loi de probabilité.
∀𝒊 ∈ [𝟏, 𝒏], 𝑷(𝑿 = 𝒙𝒊 ) = 𝑭(𝒙𝒊 ) − 𝑭(𝒙𝒊−𝟏 )
*Dans tous les cas 𝐹𝑥 est une fonction monotone croissante, c.à.d. 𝐹 (𝑎) ≥ 𝐹(𝑏) 𝑠𝑖 𝑎 > 𝑏
*De plus :
lim 𝐹(𝑥 ) = 0
{𝑥⟶−∞
lim 𝐹(𝑥 ) = 1
𝑥⟶+∞
**Si 𝑋 est une variable aléatoire discrète sa fonction de répartition est :
𝐹𝑥 = ∑ 𝑃(𝑋 = 𝑥𝑖 ) = ∑ 𝑝𝑖
𝑥𝑖 ≤𝑥 𝑥𝑖 ≤𝑥
**Si X est variable aléatoire continue sa fonction de répartition est :
𝑥
𝐹𝑥 = ∫ 𝑓 (𝑡)𝑑𝑡
−∞

Application 4.10
Soit X une variable aléatoire discrète qui prend ses valeurs dans l’ensemble {−3, 0, 3, 6} et suit
une loi de probabilité illustrée dans le Tableau sous-indiqué.
𝑥𝑖 -3 0 3 6
𝑃(𝑋 = 𝑥𝑖 ) 1/8 3/8 3/8 1/8
𝐹 (𝑥 ) = ∑ 𝑃(𝑋 = 𝑥 ) ? ? ? ?
𝑥 𝑖 𝑖
𝑥𝑖 ≤𝑥
-Déterminer sa fonction de répartition.

Solution
1 1
**𝐹𝑥 (−3) = 𝑃 (𝑋 ≤ −3) = 8 ⟺ 𝑃(𝑋 = −3) = 8
1 3 4
**𝐹𝑥 (0) = 𝑃(𝑋 ≤ 0) = 𝑃 (𝑋 ≤ −3) + 𝑃 (𝑋 ≤ 0) = + =
8 8 8
4 1 3
⟺ 𝑃(𝑋 = 0) = 𝐹𝑥 (0) − 𝐹𝑥 (−3) = 8 − 8 = 8
1 3 3 7
**𝐹𝑥 (3) = 𝑃(𝑋 ≤ 3) = 𝑃 (𝑋 ≤ −3) + 𝑃 (𝑋 ≤ 0) + 𝑃(𝑋 ≤ 3) = 8 + 8 + 8 = 8
7 4 3
⟺ 𝑃(𝑋 = 3) = 𝐹𝑥 (3) − 𝐹𝑥 (0) = 8 − 8 = 8
1 3 3 1
𝐹𝑥 (3) = 𝑃(𝑋 ≤ 6) = 𝑃 (𝑋 ≤ −3) + 𝑃 (𝑋 ≤ 0) + 𝑃(𝑋 ≤ 3) + 𝑃(𝑋 ≤ 6) = 8 + 8 + 8 + 8 = 1
7 1
⟺ 𝑃(𝑋 = 6) = 𝐹𝑥 (6) − 𝐹𝑥 (3) = 1 − 8 = 8
Donc 𝐹𝑥 cumule toute les valeurs inférieures à 𝑥𝑖

11
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

Application 4.11
Soit la fonction de densité 𝑓(𝑥) donnée par l’expression.
2( )
𝑓 (𝑥 ) = {𝑥 1 − 𝑥 𝑠𝑖 0 ≤ 𝑥 ≤ 1
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
-Donner l’expression de sa fonction de répartition 𝐹𝑥 en fonction de 𝑥

Solution
Nous allons étudier la variation de la fonction de répartition le long de l’intervalle ]−∞, +∞[
𝑥
*Si 𝑥 < 0 ; 𝐹 (𝑥 ) = ∫−∞ 𝑓 (𝑡)𝑑𝑡 = 0 est toujours nulle ;
0 𝑥 𝑥 𝑥
*Si 0 ≤ 𝑥 ≤ 1 ; 𝐹(𝑥 ) = ∫−∞ 𝑓 (𝑡)𝑑𝑡 + ∫0 𝑓 (𝑡)𝑑𝑡 = 0 + ∫0 𝑡 2 (1 − 𝑡)𝑑𝑡 = ∫0 (𝑡 2 − 𝑡 3 )𝑑𝑡
𝑥 𝑥
𝑡3 𝑡4 4𝑡 3 − 3𝑡 4 𝑥3
⟺ 𝐹 (𝑥 ) = [ − ] = [ ] = (4 − 3𝑥)
3 4 0 12 0
12
0 1 𝑥 1
*Si 𝑥 > 1; 𝐹(𝑥 ) = ∫−∞ 𝑓(𝑡)𝑑𝑡 + ∫0 𝑓 (𝑡)𝑑𝑡 + ∫1 𝑓 (𝑡)𝑑𝑡 = 0 + ∫0 𝑓 (𝑡)𝑑𝑡 + 0 = 1
0 𝑠𝑖 𝑥 < 0
𝑥3
⟺ 𝐹(𝑥 ) = { (4 − 3𝑥 ) 𝑠𝑖 0 ≤ 𝑥 ≤ 1
12
1 𝑠𝑖 𝑥 > 1
4.10 Loi de probabilité continue

Dire que 𝑋 suit une loi de probabilité de densité 𝑓 sur l’intervalle 𝐼 signifie que 𝑃 (𝑋 ∈ 𝐽) est
égale à l’aire sous la courbe le long de l’intervalle 𝐽, où 𝐽 est inclus dans 𝐼.

12
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

𝑑
 Cas particulier : 𝑃(𝑋 ∈, [𝑐, 𝑑)] = 𝑃(𝑐 ≤ 𝑥 ≤ 𝑑 ) = ∫𝑐 𝑓(𝑥 )𝑑𝑥 ;
 Si on vous demande quelle sera la probabilité pour 𝑃(𝑋 = 𝑑), on se place sur l’axe des
abscisses, elle correspond à un segment et non intervalle comme le cas précédent [𝑐, 𝑑)].
Donc, 𝑃(𝑋 = 𝑑 ) = 0 car la surface d’un segment est nulle (rectangle de largeur zéro).
D’une manière générale : 𝑃(𝑋 = 𝑘) = 0.

 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏), puisque ça change rien, 𝑃(𝑋 = 𝑏) = 0,c.à.d. l’aire du
segment 𝑋 = 𝑏 est nulle.
 Pour un intervalle non borné, il existe une technique simple pour calculer 𝑃 (𝑋 ≥ 𝑏). On
calcule l’aire sous la courbe limitée par l’intervalle [𝑎, 𝑏] (hachures marrons) et sachant que :
𝑏
𝑃(𝑋 ≥ 𝑏) = 1 − 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 1 − ∫ 𝑓 (𝑥 )𝑑𝑥
{ 𝑎
𝐼 = [𝑎, +∞[

Homework
On considère la fonction 𝑓(𝑥 ) = 𝑒 −𝑥 définie sur l’intervalle [0, +∞[ et 𝑋 est une variable
aléatoire de densité 𝑓.
 Calculer les probabilités
a) 𝑃(1 ≤ 𝑋 ≤ 2),
b) 𝑃(𝑋 ≥ 3).

4.10.1 Loi normale 𝓝(𝝁, 𝝈𝟐 )

Soit 𝑋 une variable aléatoire continue. On dit que X suit une loi normale (loi de Laplace-Gauss),
si les probabilités sont données par :

13
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

𝑏
1 1 𝑥−𝜇 2
𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏 ) = ∫ 𝑒 −2 ( ) 𝑑𝑥
𝜎√2𝜋 𝑎 𝜎
Où : 𝜎 est l’écart type, 𝜇 = 𝐸(𝑋) l’espérance mathématique de 𝑋. Dans cette formule 𝑎 peut
prendre la valeur −∞ et 𝑏 peut prendre également +∞.
𝑏 1 𝑥−𝜇 2
1
𝑃 (𝑋 ≤ 𝑏 ) = ∫ 𝑒 −2 ( ) 𝑑𝑥
𝜎√2𝜋 −∞ 𝜎
Et ;
+∞ 1 𝑥−𝜇 2
1
𝑃 (𝑋 ≥ 𝑎 ) = ∫ 𝑒 −2 ( ) 𝑑𝑥
𝜎√2𝜋 𝑎 𝜎

4.10.3 Loi normale centrée réduite

Dire que la variable aléatoire 𝑋 suit une loi normale 𝓝(𝝁, 𝝈𝟐 ), où 𝝁 est l’espérance et 𝝈 est
𝑿−𝝁
l’écart type, cela signifie que , suit une loi normale centrée réduite 𝓝(𝟎, 𝟏)
𝝈
Exemple :
𝑋 Suit la loi normale 𝒩(5, 9), cela veut dire que l’espérance 𝜇 = 5 et l’écart type
𝜎 = √𝜎 2 = √9 = 3
*Le passage d’une loi normale à une loi normale centrée réduite se fait comme suit :
𝓝(𝝁, 𝝈𝟐 ) ⟶ 𝓝(𝟎, 𝟏)
Si on s’intéresse à calculer la probabilité 𝑃(𝑋 ≥ 2)
⟹ 𝑃(𝑋 ≥ 2) ⟺ 𝑃(𝑋 − 5 ≥ 2 − 5) = 𝑃(𝑋 − 5 ≥ −3)
𝑋 − 5 −3 𝑋−5
⟺ 𝑃( ≥ ) = 𝑃( ≥ −1) = 𝑃(𝑌 ≥ −1)
3 3 3
On dit que 𝑌 suit une loi normale centrée réduite 𝓝(𝟎, 𝟏)
NOTA :
𝝁 Représente l’axe de symétrie de la courbe en cloche et 𝝈 mesure la dispersion. Plus que 𝝈
augmente plus que la courbe de densité est aplatie (étalée), plus que 𝝈 décroît plus la courbe de
densité se resserre autour de 𝝁.
*𝝁 𝑝𝑒𝑢𝑡 ê𝑡𝑟𝑒 𝑛é𝑔𝑎𝑡𝑖𝑓 𝑒𝑡 𝝈 𝑡𝑜𝑢𝑗𝑜𝑢𝑟𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑓

Effet de variation de l’espérance sur la courbe en cloche de dispersion

4.10.3 Loi exponentielle
Cette loi dépend d’un paramètre 𝜆 qui prend une infinité de valeurs, ce qui implique une
infinité des lois exponentielles. Avant d’expliquer que ce qu’une loi exponentielle, la fonction
définie sur l’intervalle [0, +∞[ par 𝑓 (𝑥 ) = 𝜆𝑒 − 𝜆𝑥 , est une densité de probabilité.

14
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

𝜆: Est un réel strictement positif (𝜆 > 0).

La courbe de cette fonction est de la forme (voir figure). La fonction 𝑓(𝑥) est continue et
positive. Pour calculer l'air’ sous la courbe on doit suivre deux étapes, puisque on ne peut pas
le faire directement :
𝑡
𝐴 = lim 𝜆 ∫0 𝑒 − 𝜆𝑥 𝑑𝑥
𝑡⟶∞

1. ∀𝑥 ∈ ℛ; 𝜆 > 0 ⟹ 𝑒 − 𝜆𝑥 > 0 donc 𝑓 (𝑥 ) = 𝜆𝑒 − 𝜆𝑥 est positive sur [0, +∞[ ;

2. 𝑓(𝑥) est continu sur l’intervalle [0, +∞[ ;
𝑡 𝑡
𝑡 𝑒 − 𝜆𝑥 𝑒 − 𝜆𝑥 𝑡
3. 𝐴 = lim 𝜆 ∫0 𝑒 − 𝜆𝑥 𝑑𝑥 = lim [𝜆 ] = lim [ ] = lim [−𝑒 − 𝜆𝑥 ]0
𝑡⟶∞ 𝑡⟶∞ −𝜆 0 𝑡⟶∞ −1 0 𝑡⟶∞
0 − 𝜆𝑥 0 1
𝐴= lim [𝑒 − 𝜆𝑥 ]𝑡 = lim [𝑒 ]𝑡 = lim [𝑒 0 − 𝑒 −𝜆𝑡 ] = lim [1 − 𝜆𝑡 ] = 1
𝑡⟶∞ 𝑡⟶∞ 𝑡⟶∞ 𝑒
𝑡⟶∞
− 𝜆𝑥
Donc 𝑓 (𝑥 ) = 𝜆𝑒 est une densité de probabilité.

4.10.4 Loi de probabilité continue uniforme

Soit 𝑋 une variable aléatoire continue de densité 𝑓(𝑥), on pose la question qu’elle est la
probabilité pour 2 ≤ 𝑋 ≤ 3, c.à.d. 𝑃(2 ≤ 𝑋 ≤ 3). Elle est égale à l’aire sous la courbe entre
2 𝑒𝑡 3 et 𝑃(4 ≤ 𝑋 ≤ 5) égale à l’aire sous la courbe entre 4 𝑒𝑡 5. De la figure ci-dessous on
peut écrire 𝑃(2 ≤ 𝑋 ≤ 3) > 𝑃(4 ≤ 𝑋 ≤ 5). Malgré les deux intervalles sont égaux, mais on a
privilégié l’intervalle [2, 3] puisque la fonction de densité prend des valeurs max.

*Maintenant, si on veut ne privilégier aucun nombre, on optera pour une loi de probabilité
uniforme (fonction de densité constante).
La figure ci-dessous traduit graphiquement cette loi uniforme. 𝑓 (𝑥 ) = ℎ ? Est une densité, donc
elle continue et positive sur l’intervalle [1, 6].
⟹ 𝐴 = 5 × ℎ = 1 ⟹ ℎ = 1/5

15
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM
Chapitre 4/ Lois de probabilité, densité de probabilité et fonction de répartition /umc.edu.dz

On constate 𝑃(2 ≤ 𝑋 ≤ 3) = 𝑃(4 ≤ 𝑋 ≤ 5)

Pour un cas général le graphique sera comme suit :

Définition
Dire qu’une variable aléatoire X suit une loi uniforme sur l’intervalle [𝑎, 𝑏], signifie que sa
1
densité 𝑓 est la fonction constante 𝑓 (𝑥) = 𝑏−𝑎
NOTA :
Quand on choisit un nombre au hasard (sans autre précision) entre 𝑎 𝑒𝑡 𝑏 on utilise une loi
1
uniforme. La densité de probabilité sera égale : 𝑓 (𝑥 ) = 𝑏−𝑎
Exemple :
1 1
On choisit un nombre au hasard entre 10 et 20. 𝑃(10 ≤ 𝑋 ≤ 20) = 𝑓(𝑥 ) = 20−10 = 10
Exercice 4.1
Anissa doit retrouver Selma à la bibliothèque entre 19 𝑒𝑡 20 ℎ.
1. quelle la probabilité qu’elle arrive à 19ℎ 15 𝑚𝑖𝑛 ;
2. quelle est la probabilité qu’elle arrive avant 19 ℎ 20 𝑚𝑖𝑛 ;
3. quelle est la probabilité qu’elle arrive entre 19ℎ 25 min 𝑒𝑡 19 ℎ 35 𝑚𝑖𝑛

16
Cours et applications Géostat_M2 Géotechnique. UFMC. DGC. Dr. R. DERGHOUM