Loi de probabilités d’une variable aléatoire

continue
Fonction de répartition
Densité de probabilités
Moments
Lois de probabilités continues usuelles
Loi uniforme
Loi exponentielle
Loi normale
Transformation d’une variable aléatoire
continue
Théorème central limite
Approximation de la loi Binomiale par la
loi Normale

6. Variables aléatoires continues

6.1 Loi de probabilités d’une variable aléatoire continue

Une variable aléatoire est dite continue si elle peut prendre toutes les valeurs dans un
intervalle donné.
En règle générale, toutes les variables qui résultent d’une mesure sont de type continu.
Soit X : Ω −→ R une variable aléatoire continue.
X(Ω), l’ensemble des possibilités, est un intervalle ou une réunion d’intervalles de R.
P une probabilité sur Ω.

6.1.1 Fonction de répartition

La fonction de répartition de la variable aléatoire X, est : FX (x) = P(X ≤ x) pour tout x ∈ R.
La fonction de répartition définit la loi de la variable aléatoire X.

Propriété 6.1.1 Soient X une variable aléatoire continue, FX (x) sa fonction de répartition et
a, b ∈ R . Alors :
— P(X ≤ a) = FX (a)
— P(X > a) = 1 − P(X ≤ a) = 1 − FX (a)
— P(a < X ≤ b) = P(X ≤ b) − P(X ≤ a) = FX (b) − FX (a)
— P(X = a) = 0
— P(a < X < b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a ≤ X ≤ b)

Définition 6.1.1 Soit f(x) est une fonction à valeurs réelles positives.
On dit que fX (x) est la densité d’une variable aléatoire X, si sa fonction de répartition
FX (x) s’écrit sous la forme :
Z x
FX (x) = fX (t) dt
−∞
 94 Chapitre 6. Variables aléatoires continues

Définition 6.1.2 Une fonction réelle f(x) définie sur R est une densité de probabilités si et
seulement si :
— f (x) ≥ 0 pour tout x ∈ R
— f(x)
R +∞
est continue sauf en un nombre fini de points
— −∞ f (x) dx = 1

Exemple 6.1.2 Soit X une variable aléatoire réelle continue, de densité f définie par :

ax2

si − 1 ≤ x ≤ 1
f (x) =
0 sinon
Déterminer la constante a, pour que f soit une densité de probabilités

La fonction f est continue positive si a ≥ 0

Z +∞ Z 1 h a i1 2a 3
f (x) dx = 1 ⇐⇒ ax2 dx = 1 ⇐⇒ x3 = 1 ⇐⇒ = 1 ⇐⇒ a =
−∞ −1 3 −1 3 2

3 2

2x si − 1 ≤ x ≤ 1
f (x) =
0 sinon

Propriété 6.1.3 Soient X une variable aléatoire de densité fX (x) et FX (x) sa fonction de
répartition. Alors :
— Z a
P(X ≤ a) = fX (x) dx
−∞
— Z +∞
P(X ≥ a) = fX (x) dx ∀a ∈ R
a
— Z b
P(a ≤ X ≤ b) = fX (x) dx ∀a, b ∈ R
a
— Si B est un ensemble de nombres réels, alors :
Z
P(X ∈ B) = fX (x) dx
B

6.1.2 Densité de probabilités

Dans le cas continu, la densité de probabilités f(x) et la fonction de répartition F(x) sont 2
façons de décrire la distribution d’une variable aléatoire.

d
L0 équation : fX (x) = FX (x)
dx
nous permet de calculer fX (x) à partir de FX (x).
Z x
0
L équation : FX (x) = fX (t) dt
−∞

nous permet de calculer FX (x) à partir de fX (x).

 A. C HAKER 95

Exemple 6.1.4 Reprenons l’exemple précédent.

Soit X une variable aléatoire réelle continue, de densité de probabilités définie par :
 3 2
2x si − 1 ≤ x ≤ 1
fX (x) =
0 sinon
Déterminer la fonction de répartition de X.

La fonction de répartition de X est :

— Si x < 1, alors :
Z x Z x
FX (x) = fX (t) dt = 0 dt = 0
−∞ −∞
— Si −1 ≤ x ≤ 1, alors :
Z x Z −1 Z x  x
3 2 1 1
FX (x) = fX (t) dt = 0 dt + t dt = t 3 = (x3 + 1)
−∞ −∞ −1 2 2 −1 2
— Si x ≥ 1, alors :
Z x Z −1 Z 1 Z x
3 2
FX (x) = fX (t) dt = 0 dt + t dt + 0 dt = 1
−∞ −∞ −1 2 1
Donc, la fonction de répartition de X est :

 0 si x < −1
1 3
FX (x) = (x + 1) si − 1 ≤ x ≤ 1
 2
1 si x ≥ 1

6.1.3 Moments
Espérance mathématique
Définition 6.1.3 : Espérance mathématique
Soit X une variable aléatoire admettant une densité fX (x).
L’espérance mathématique de X est le réel :
Z +∞
E(X) = x fX (x) dx
−∞

L’espérance mathématique de X représente sa valeur moyenne.

Une variable aléatoire X est dite centrée si et seulement si son espérance est nulle : E(X) = 0.
Si X admet une espérance alors la variable aléatoire X − E(X) est centrée.

Exemple 6.1.5 Reprenons l’exemple précédent.

Soit X une variable aléatoire réelle continue, de densité de probabilités définie par :
 3 2
2x si − 1 ≤ x ≤ 1
fX (x) =
0 sinon
Calculer l’epérance mathématique X.

L’espérance mathématique de X est :

3 4 1
Z +∞ Z 1 Z 1  
3 3 3 3
E(X) = x fX (x) dx = x × x2 dx = x dx = x =
−∞ −1 2 −1 2 8 −1 4
96 Chapitre 6. Variables aléatoires continues

Théorème 6.1.6 : Théorème de transfert

Soit X une variable aléatoire de densité fX (x) et g une fonction continue sur un intervalle
contenant X(Ω), alors E(g(X)) existe et
Z +∞
E(g(X)) = g(x) fX (x) dx
−∞
si et seulement si l’intégrale est absolument convergente.

Variance et Ecart-type

Définition 6.1.4 : Variance

Soit X une variable aléatoire continue.
On appelle variance de la variable aléatoire X le réel positif :
Z +∞
V (X) = σ 2 (X) = E[(X − E(X))2 ] = (x − E(X))2 fX (x) dx
−∞
Z +∞
V (X) = E(X 2 ) − E(X)2 avec E(X 2 ) = x2 fX (x) dx
−∞

Une variable aléatoire X est dite réduite si et seulement si : V (X) = 1.

Définition 6.1.5 : Ecart-type

Soit X une variable aléatoire continue
On appelle écart-type de la variable aléatoire X le réel positif
p q
σ (X) = V (X) = E[(X − E(X))2 ]

X
La variable al éatoire est réduite
σ (X)

X − E(X)
La variable al éatoire est centrée réduite
σ (X)

Exemple 6.1.7 Reprenons l’exemple précédent.

Soit X une variable aléatoire réelle continue, de densité de probabilités définie par :
 3 2
2x si − 1 ≤ x ≤ 1
fX (x) =
0 sinon
Calculer la variance et l’écart-type de X.

La variance de X est :

3
V (X) = E(X 2 ) − E(X)2 avec E(X) =
4

3 5 1
Z +∞ Z 1 Z 1  
2 2 3 3 4 3
E(X ) = x fX (x) dx = x × x2 dx =
2
x dx = x =
−∞ −1 2 −1 2 10 −1 5
A. C HAKER 97

3 3
V (X) = E(X 2 ) − E(X)2 = − ( )2 = 0.0375
5 4
L’écart-type de X est :
p √
σ (X) = V (X) = 0.0375 = 0.1936

Moments

Définition 6.1.6 Moment d’ordre r

On appelle moment d’ordre r de X, L’espérance mathématique de la variable aléatoire
Xr :
Z +∞
r
mr = E(X ) = xr fX (x) dx
−∞

Le moment d’ordre 1 est l’espérance mathématique m1 = E(X).

Définition 6.1.7 Moment centré d’ordre r

On appelle moment centré d’ordre r de X, l’expression suivante :
Z +∞
µr = E((X − E(X))r ) = (x − E(X))r fX (x) dx
−∞

Le moment centré d’ordre 2 est la variance µ2 = V (X).

Exemple 6.1.8 Soit X une variable aléatoire réelle admettant la densité de probabilités :


 0 si x < −1
x+1 si − 1 ≤ x ≤ 0

fX (x) =

 −x + 1 si 0 ≤ x ≤ 1
0 si x > 1


1. Vérifier que f est une densité de probabilité

2. Déterminer la fonction de répartition de X
3. Calculer E(X) et V (X)

1. f est une densité de probabilité

La fonction f est continue positive sur R
Z +∞ Z −1 Z 0 Z 1 Z +∞
f (x) dx = 0 dx + (x + 1) dx + (−x + 1) dx + 0 dx
−∞ −∞ −1 0 1
0 1
x2
Z +∞   2
x 1 1
f (x) dx = +x + − + x = −( − 1) + (− + 1) = 1
−∞ 2 −1 2 0 2 2
f est bien une densité de probabilité.
2. La fonction de répartition de X est :
— Si x < −1, alors :
Z x Z x
FX (x) = fX (t) dt = 0 dt = 0
−∞ −∞

— Si −1 ≤ x ≤ 0, alors :
98 Chapitre 6. Variables aléatoires continues

x
t2 x2 (x + 1)2
Z x Z −1 Z x 
1
FX (x) = fX (t) dt = 0 dt + (t +1) dt = +t =( +x)−( −1) =
−∞ −∞ −1 2 −1 2 2 2

— Si 0 ≤ x ≤ 1, alors :

x2
Z x Z −1 Z 0 Z x
1
FX (x) = fX (t) dt = 0 dt + (t + 1) dt + (−t + 1) dt = + (− + x)
−∞ −∞ −1 0 2 2
— Si x ≥ 1, alors :

Z x Z −1 Z 0 Z 1 Z +∞
FX (x) = fX (t) dt = 0 dt + (t + 1) dt + (−t + 1) dt + 0 dt = 1
−∞ −∞ −1 0 1

Donc, la fonction de répartition de X est :



 0 si x < −1
 (x+1)2

2 si − 1 ≤ x ≤ 0
FX (x) = 1 2


 2 + (− x2 + x) si 0 ≤ x ≤ 1
1 si x ≥ 1


3. Calcul de E(X) et V (X)

L’espérance mathématique de X est :

0
1 3 1 1
Z +∞ Z 0 Z 1   
1 1
E(X) = x fX (x) dx = x(x+1) dx+ x(−x+1) dx = x3 + x + − x + x =0
−∞ −1 0 3 2 −1 3 2 0

La variance de X est :

V (X) = E(X 2 ) − E(X)2 avec E(X) = 0

0
1 4 1 3 1 1
Z +∞ Z 0 Z 1   
2 2 2 1 1
E(X ) = x fX (x) dx = x (x+1) dx+ x (−x+1) dx = x4 + x3
2
+ − x + x =
−∞ −1 0 4 3 −1 4 3 0 6

1 1
V (X) = E(X 2 ) − E(X)2 = − (0)2 =
6 6
A. C HAKER 99

Exemple 6.1.9 Soit X la variable aléatoire dont la fonction de répartition est donnée par :

 0 si x < 0
FX (x) = x2
16 si 0 ≤ x ≤ 4

1 si x > 4
1. Calculer les probabilités : P(X ≤ 2), P(−2 ≤ X ≤ 3) et P(X > 3)
2. Déterminer la fonction de densité de probabilités de X
3. Calculer E(X) et V (X)
4. En déduire l ?espérance et la variance de la variable aléatoire
Y = 3X -1
Soit X la variable aléatoire dont la fonction de répartition est donnée par :

 0 si x < 0
FX (x) = x2
si 0 ≤ x ≤ 4
 16
1 si x > 4
Les probabilités : P(X ≤ 2), P(−2 ≤ X ≤ 3) et P(X > 3)
22 4
— P(X ≤ 2) = FX (2) = 16 = 16 = 14
32 9
— P(P(−2 ≤ X ≤ 3)) = FX (3) − FX (−2) = 16 − 0 = 16
32 7
— P(X > 3) = 1 − P(X ≤ 3) = 1 − FX (3) = 1 − 16 = 16
Soit X la variable aléatoire dont la fonction de répartition est donnée par :

 0 si x < 0
x 2
FX (x) = si 0 ≤ x ≤ 4
 16
1 si x > 4
La fonction de densité de probabilités fX (x) de X :
Pour 0 ≤ x ≤ 4 :
x 2
dFX (x) d( 16 ) x2 0 1
fX (x) = = =( ) = x
dx dy 16 8
 1
8x si x ∈ [0, 4]
fX (x) =
0 sinon
L’espérance mathématique de X est :

1 3 4
Z +∞ Z 4 Z 4  
1 1 2 1 8
E(X) = x fX (x) dx = x x dx = x dx = x = 43 =
−∞ 0 8 0 8 24 0 24 3
La variance de X est :

8
V (X) = E(X 2 ) − E(X)2 avec E(X) =
3

1 4 4
Z +∞ Z 4 Z 4  
1 1 3 1
E(X 2 ) = x2 fX (x) dx = x2 x dx = x dx = x = 44 = 8
−∞ 0 8 0 8 32 0 32
8 8
V (X) = E(X 2 ) − E(X)2 = 8 − ( )2 =
3 9
8
L’espérance mathématique de X : E(X) = 3
La variance de X :V (X) = 89
100 Chapitre 6. Variables aléatoires continues

— L’espérance mathématique de Y = 3X -1 est :

8
E(Y ) = E(3X − 1) = 3E(X) − 1 = 3 × − 1 = 7
3
— La variance de Y est :

8 8
V (Y ) = V (3X − 1) = 32V (X) = 32 × = 9× = 8
9 9
 106 Chapitre 6. Variables aléatoires continues

6.2.3 Loi normale

Définition 6.2.3 Une variable aléatoire X continue suit une loi normale (ou loi de Gauss)
d’espérance mathématique µ et de variance σ 2 (on écrit X ∼ N(µ, σ 2 )), si elle admet pour
densité, la fonction :

1 1 x−µ 2
fX (x) = √ e− 2 ( σ ) ∀x ∈ R
σ 2π
Sa fonction de répartition est :
Z x
1 1 t−µ 2
FX (x) = √ e− 2 (σ ) dt ∀x ∈ R
σ 2π −∞

L’intégrale ci-dessus ne peut être évaluée que par des méthodes numériques.
Cette définition n’est pratiquement jamais utilisée car la loi normale a des propriétés intéres-
santes qui nous permettront de calculer les probabilités à partir de tables statistiques.
Courbe de la fonction de densité de la loi normale

La distribution normale est en forme de cloche, quels que soient µ et σ .

Le centre de symétrie est µ et c’est en ce point que la courbe atteint son maximum.
La moyenne, le mode et la médiane d’une variable suivant une loi normale sont égales à µ.
La fonction f(x) n’est jamais nulle, mais elle devient extrêmement petite lorsque l’on s’écarte
de plus de 3σ de µ.
Un calcul intégral montre que :

Intervalle Aire sous la courbe dans l’intervalle

[µ − σ , µ + σ ] 0.683
[µ − 2σ , µ + 2σ ] 0.954
[µ − 3σ , µ + 3σ ] 0.997

L’aire sous la courbe pour un intervalle donné [a, b] nous donne la probabilité que X prenne
sa valeur dans cet intervalle.
Il y a 99.7% (proche de 100%) de chances que X prenne sa valeur entre µ − 3σ et µ + 3σ .
Remarquons que c’est bien plus que ce que Tchébychev pouvaient prédire (88, 9%).
A. C HAKER 107

Transformation affine d’une loi normale

Théorème 6.2.7 Soit X une variable aléatoire qui suit une loi N(µ, σ 2 ).
Alors, la variable Y = aX + b suit une loi N(aµ + b, a2 σ 2 )

Ce théorème signifie que toute variable résultant d’une transformation affine d’une variable
aléatoire suivant une loi normale est aussi une variable aléatoire suivant une loi normale.

R
Les paramètres de celle-ci se déduisent des résultats que nous avions déjà établis :

E(aX + b) = aE(x) + b et V (aX + b) = a2V (X)

Propriété 6.2.8 Soient X1 etX2 deux variables aléatoires indépendantes suivant respectivent
les lois noramles N(µ1 , σ12 ) et N(µ2 , σ22 ), alors :
— La variable aléatoire X1 + X2 suit la loi de normale N(µ1 + µ2 , σ12 + σ22 )
— La variable aléatoire X1 − X2 suit la loi de normale N(µ1 − µ2 , σ12 ) + σ22 )

Exemple 6.2.9 Soient X et Y deux variables aléatoires indépendantes :

X suit une loi normale de moyenne 1 et de variance 3 : X ∼ N(1, 3)
Y suit une loi normale de moyenne -1 et de variance 1 : Y ∼ N(−1, 1)
Déterminer les lois de variables aléatoires : −2X + 5, X +Y et X −Y

— −2X + 5 ∼ N(−2 × 1 + 5, (−2)2 × 3) = N(3, 12)

— X +Y ∼ N(1 + (−1), 3 + 1) = N(0, 4)
— X −Y ∼ N(1 − (−1), 3 + 1) = N(2, 4)

Loi normale standard

On utilise souvent la lettre Z pour dénoter une variable aléatoire qui suit la loi normale
N(0, 1).

Définition 6.2.4 La loi normale standard Z admet pour densité la fonction :

1 1 2
fZ (z) = √ e− 2 z ∀z ∈ R
2π
Elle admet pour fonction de répartition :
Z z
1 1 2
FZ (z) = P(Z ≤ z) = φ (z) = √ e− 2 t dt ∀z ∈ R
2π −∞

Où φ est la fonction de répartition de Z. Il n’existe pas de forme analytique de l’intégrale

ci-dessus. Il ne peut être évaluée que par des méthodes numériques.
La fonction φ (z) est programmée dans tous les logiciels de statistique et dans la plupart des
calculatrices scientifiques.
On peut consulter des tables de la loi N(0, 1) pour trouver les différentes valeurs de la
fonction φ (z).
La table nous donne l’aire sous la courbe normale standard à gauche d’un point z.
Elle donne les valeurs des probabilités P(Z ≤ z) = FZ (z) = φ (z) pour différentes valeurs de
z ≥ 0.
108 Chapitre 6. Variables aléatoires continues

Même si la variable Z peut prendre toutes les valeurs entre −∞ et +∞, les valeurs sont
fortement concentrées autour de la valeur moyenne, E(Z) = 0, dans un intervalle de longueur 6.
On trouve que P(−3 < Z < 3) = 0.9974 ≈ 1. Ainsi dans les tables, d’habitude, les probabili-
tés considérées sont des valeurs de Z entre 0 et 3.
La table suivante donne pour tout z de 0 jusqu’à 3.§ par pas de 0.01, la valeur de φ (z).
L’entrée en ligne donne les deux premiers chiffres de z, c’est-à-dire le chiffre des unités et
celui des dixièmes, et l’entrée en colonne le chiffre des centièmes.
Par symétrie, on a φ (0) = 0.5. pour les valeurs négatives de z, on utilise l’égalité φ (−z) =
1 − φ (z).
A. C HAKER 109

Extrait de la table de la loi normale standard

Table de la loi normale normale standard

Par définition : P(Z ≤ z) = FZ (z) = φ (z)

Exemple 6.2.10 Soit Z ∼ N(0, 1)

Calculer P(Z ≤ 2.30)

Cela correspond à l’aire grisée sur la figure ci-dessous :

D’après la table, à intersection de la ligne 2.3 et de la colonne 0.00, on obtient :

P(Z ≤ 2.30) = φ (2.30) = 0.9893
110 Chapitre 6. Variables aléatoires continues

Propriété 6.2.11 — P(Z ≤ 0) = φ (0) = 0.5

— φ (z) < 0.5 ⇐⇒ z < 0
— φ (−z) = 1 − φ (z) ∀z ∈ R (Pour les valeurs négative de z)
— P(Z ≥ z) = 1 − P(Z ≤ z) = 1 − φ (z)
— P(z1 ≤ Z ≤ z2 ) = P(Z ≤ z2 ) − P(Z ≤ z1 ) = φ (z2 ) − φ (z1 )
— P(−k < Z < k) ' 1 ∀k > 3

Exemple 6.2.12 Soit Z ∼ N(0, 1)

Calculer P(Z ≥ 2.41)

Cela correspond à l’aire grisée sur la figure ci-dessous :

On utlise la propriété : P(Z ≥ z) = 1 − P(Z ≤ z) = 1 − φ (z)

P(Z ≥ 2.41) = 1 − P(Z ≤ 2.41) = 1 − φ (2.41)

D’après la table, à intersection de la ligne 2.4 et de la colonne 0.01, on obtient P(Z ≤ 2.41) =
0.9920.
Donc, P(Z ≥ 2.41) = 1 − 0.9920 = 0.0080.
A. C HAKER 111

Exemple 6.2.13 Soit Z ∼ N(0, 1)

Calculer P(Z ≤ −1.23)

Cela correspond à l’aire grisée sur la figure ci-dessous :

Pour les valeurs négative de z (z < 0), on utilise la propriété : φ (−z) = 1 − φ (z) ∀z ∈ R

P(Z ≤ −1.23) = 1 − P(Z ≤ 1.23) = 1 − φ (1.23)

D’après la table, à intersection de la ligne 1.2 et de la colonne 0.03, on obtient φ (1.23) =
0.8907.
Donc, P(Z ≤ −1.23) = 1 − 0.8907 = 0.1093
112 Chapitre 6. Variables aléatoires continues

Exemple 6.2.14 Soit Z ∼ N(0, 1)

Calculer P(Z ≥ −2.09)

Cela correspond à l’aire grisée sur la figure ci-dessous :

P(Z ≥ −2.09) = 1 − P(Z ≤ −2.09) = 1 − (1 − P(Z ≤ 2.09)) = P(Z ≤ 2.09) = φ (2.09) =

0.9817
A. C HAKER 113

Exemple 6.2.15 Soit Z ∼ N(0, 1)

Calculer P(0.23 ≤ Z ≤ 1.36)

Cela correspond à l’aire grisée sur la figure ci-dessous :

On utilise la propriété : P(z1 ≤ Z ≤ z2 ) = P(Z ≤ z2 ) − P(Z ≤ z1 ) = φ (z2 ) − φ (z1 )

P(0.23 ≤ Z ≤ 1.36) = P(Z ≤ 1.36)−P(Z ≤ 0.23) = φ (1.36)−φ (0.23) = 0.9131−0.5910 =

0.3221
114 Chapitre 6. Variables aléatoires continues

Exemple 6.2.16 Soit Z ∼ N(0, 1)

Calculer P(−1.18 ≤ Z ≤ 1.02)

Cela correspond à l’aire grisée sur la figure ci-dessous :

P(−1.18 ≤ Z ≤ 1.02) = P(Z ≤ 1.02) − P(Z ≤ −1.18) = φ (1.02) − φ (−1.18) = φ (1.02) −

(1 − φ (1.18)) = φ (1.02) + φ (1.18) − 1 = 0.8461 + 0.8810 − 1 = 0.7271
A. C HAKER 115

Calcul des probabilités d’une variable suivant une loi normale

Propriété 6.2.17 Soit X une variable aléatoire qui suit une loi N(µ, σ 2 ). Alors la variable
X−µ
Z= σ suit une loi N(0, 1).

Cette propriété nous permet de calculer la probabilité pour qu’une variable N(µ, σ 2 ) prenne
sa valeur dans un intervalle donné en ramenant cette probabilité à une probabilité formulée sur
une variable Z ∼ N(0, 1).

A l’aide de la propriété précédente, on se ramène à la loi N(0, 1).

On exprime ensuite la probabilité désirée en terme de la fonction φ (z).
Puis, on utilise la table de la loi normale standard.
D’une manière générale, pour X ∼ N(µ, σ 2 ),

P(a ≤ X ≤ b) = P(a − µ ≤ X − µ ≤ b − µ)
a−µ X −µ b−µ
= P( ≤ ≤ )
σ σ σ
a−µ b−µ b−µ a−µ
= P( ≤Z≤ ) = φ( )−φ( )
σ σ σ σ
On peut alors utiliser la table de la loi normale centrée réduite pour calculer cette probabilité.

Exemple 6.2.18 Supposons que la loi N(54, 64) soit un bon modèle pour décrire la distribu-
tion des poids, en kg, des individus adultes dans une certaine population animale.
Soit la variable aléatoire X = "poids en kg des animaux de cette population".
— Calculer la probabilité que le poids des animaux soit inférieur à 60 kg
— Calculer la probabilité que le poids des animaux soit supérieur à 52 kg
— Déterminer la proportion d’individus ayant un poids compris entre 50 kg et 66 kg

— La distribution
√ des poids est la loi normale avec moyenne µ = 54kg et avec écart-type
σ = 64 = 8kg (X ∼ N(54, 64))
— On se ramène à la loi N(0, 1) en utilisant le fait que Z = X−µ
σ ∼ N(0, 1)
— On a donc : Z = X−54
8 ∼ N(0, 1)
— Probabilité que le poids des animaux soit inférieur à 60 kg

X − 54 60 − 54
P(X ≤ 60) = P( ≤ )
8 8
= P(Z ≤ 0.75) = φ (0.75) = 0.7734
77.34% des animaux de cette population ont un poids inférieur à 60 kg
— Probabilité que le poids des animaux soit supérieur à 50 kg

X − 54 52 − 54
P(X > 50) = 1 − P(X ≤ 50) = 1 − P( ≤ )
8 8
116 Chapitre 6. Variables aléatoires continues

= 1 − P(Z ≤ −0.25) = 1 − φ (−0.25) = 1 − (1 − φ (0.25)) = φ (0.25) = 0.5987

59.87% des animaux de cette population ont un poids supérieur à 52 kg
— Probabilité que le poids des animaux soit entre 50 kg et 66 kg

50 − 54 X − 54 66 − 54
P(50 ≤ X ≤ 66) = P( ≤ ≤ )
8 8 8
= P(−0.5 ≤ Z ≤ 1.5) = φ (1.5) − φ (−0.5) = φ (1.5) − (1 − φ (0.5))
= φ (1.5) + φ (0.5) − 1 = 0.9332 + 0.6915 − 1 = 0.6247
Environ 62.5% des individus de cette population ont un poids située entre 50 kg et 66 kg.

Exemple 6.2.19 Soit X ∼ N(µ = −4, σ 2 = 4)

— Calculer les probabilités : P(−4.2 ≤ X ≤ 1.6), P(X ≤ −4) et P(X ≥ 0)

— On a X ∼ N(µ = −4, σ 2 = 4), alors Z = X+4

2 ∼ N(0, 1)
— P(−4.2 ≤ X ≤ 1.6)
 
−4.2 − (−4) X − (−4) 1.6 − (−4)
P(−4.2 ≤ X ≤ 1.6) = P ≤ ≤
2 2 2
= P(−0.1 ≤ Z ≤ 2.8) = φ (2.8) − φ (−0.1) = φ (2.8) − (1 − φ (0.1))
= φ (2.8) + φ (0.1) − 1 = 0.9974 + 0.5398 − 1 = 0.5372
— P(X ≤ −4)
 
X − (−4) −4 − (−4)
P(X ≤ −4) = P ≤
2 2
P(X ≤ −4) = P(Z ≤ 0) = φ (0) = 0.5
— P(X ≥ 2)
 
X − (−4) 0 − (−4)
P(X ≥ 0) = 1 − P(X ≥ 2) = 1 − P ≤
2 2
P(X ≥ 0) = 1 − P(Z ≤ 2) = 1 − φ (2) = 1 − 0.9772 = 0.0228

Exemple 6.2.20 Une usine fabrique des billes de diamètre 8mm.

Les erreurs d’usinage provoquent des variations de diamètre. On estime, sur les données
antérieures, que l’erreur est une variable aléatoire qui obeit à une loi normale.
Les paramètres étant : la moyenne = 8 mm, l’écart-type = 0.02 mm.
On rejette les pièces dont le diamètre n’est pas compris entre 7.97 mm et 8.03 mm.
Quelle est la proportion de billes rejetées ?

Soit la variable aléatoire X ="le diamètre d’une bille"

La probabilité qu’une bille soit rejetée est : p = 1 − P(7.97 ≤ X ≤ 8.03)
On a X ∼ N(µ = 8, σ 2 = 0.022 ), alors Z = X−8 0.02 ∼ N(0, 1)

 
7.97 − 8 X − 8 8.03 − 8
p = 1 − P(7.97 ≤ X ≤ 8.03) = 1 − P ≤ ≤
0.02 0.02 0.02
= 1 − P(−1.5 ≤ Z ≤ 1.5) = 1 − (φ (1.5) − φ (−1.5)) = 1 − (φ (1.5) − (1 − φ (1.5)))
= 2 − 2φ (1.5) = 2 − 2 × 0.9332 = 0.1336
La proportion de billes rejetées est donc p = 13.36%.
A. C HAKER 117

Quantiles de la loi normale standard

Définition 6.2.5 Soit une variable aléatoire Z ∼ N(0, 1).

Le quantile d’ordre α, est le nombre zα tel que P(Z < zα ) = α.

La table de la loi normale standard nous permet de calculer les quantiles d’ordre α :

P(Z < zα ) = φ (zα ) = α =⇒ zα = φ −1 (α)

R
— Si φ (zα ) = α ≥ 0.5 alors zα ≥ 0 et on lit directement zα sur la table.
— Si φ (zα ) = α < 0.5 alors zα < 0, il suffit d’utiliser le fait que : φ (−zα ) = 1 − α

Exemple 6.2.21 Soit Z ∼ N(0, 1).

Déterminer la valeur du quantile z0.975 de cette variable, c’est-à-dire un nombre tel que la
probabilité pour que la variable Z soit inférieure à ce nombre est égale à 97.5%

On sait que zα est tel que : P(Z < zα ) = α

z0.975 est tq : P(Z < z0.975 ) = φ (z0.975 ) = 0.975
118 Chapitre 6. Variables aléatoires continues

Nous observons dans la table de la loi normale centrée réduite que φ (1.96) = P(Z < 1.96) =
0.975.

Nous cherchons donc z0.975 .

z0.975 est tel que P(Z < z0.975 ) = φ (z0.975 ) = 0.975.
Nous observons dans la table de la loi normale standard que φ (1.96) = P(Z < 1.96) = 0.975.
Nous en déduisons que z0.975 = 1.96.
Le quantile z0.975 d’une variable normale standard est égal à 1.96.
La probabilité pour que la variable Z soit inférieure à 1.96 est égale à 97.5%.
A. C HAKER 119

Exemple 6.2.22 Soit Z ∼ N(0, 1)

Déterminer la valeur des quantiles z0.7 et z0.33

— z0.7 est tel que P(Z < z0.7 ) = φ (z0.7 ) = 0.7

Nous observons dans la table de la loi normale standard que P(Z < 0.52) = 0.6985 et
P(Z < 0.53) = 0.7019
Nous en déduisons que z0.7 est compris entre 0.52 et 0.53.
On prend la moyenne des deux valeurs :
0.52 + 0.53
z0.70 = = 0.525
2
Le quantile z0.70 d’une variable normale standard est égal à 0.525.
La probabilité pour que la variable Z soit inférieure à 0.525 est égale à 70%.
— z0.33 est tel que P(Z < z0.33 ) = φ (z0.33 ) = 0.33
φ (z0.33 ) = 0.33 < O.5. Donc, z0.33 < 0
1 − φ (−z0.33 ) = 0.33 =⇒ φ (−z0.33 ) = 1 − 0.33 = 0.67
Nous observons dans la table de la loi normale standard que φ (0.44) = P(Z < 0.44) =
0.67.
Nous en déduisons que −z0.33 = 0.44. Donc, z0.33 = −0.44
Le quantile z0.33 d’une variable normale standard est égal à -0.44.
La probabilité pour que la variable Z soit inférieure à -0.44 est égale à 33%.
130 Chapitre 6. Variables aléatoires continues

EXERCICES

 Exercice 6.1 Soit X une variable aléatoire de loi normale de paramètres µ = 8.3 et
σ2 = 0.16
1◦ ) Calculer les probabilités : P[X < 7.2], P[X ≥ 8.6] ,P[7.5 < X < 9.1] et P[8.4 < X <
8.8]

 Exercice 6.2 Soit X une variable aléatoire continue dont la fonction de densité est donnée
par :

a(9x − 3x2 ) si 0 < x < 3


fX (x) =
0 sinon

1◦ ) Calculer la constante a
2◦ ) Déterminer P(X > 1) et P(1/2 < x < 3/2)
3◦ ) Déterminer la fonction de répartition de X
4◦ ) Calculer l’espérance mathématique, la variance et l’écart-type de X

 Exercice 6.3 Aprés avoir pris connaissance des notes (sur 20) obtenues par ses étudiants à
un examen, un prof décide d’ajouter à la note de chaque étudiant 10% de sa note actuelle et 1
point.
Sachant qu’initialement la distribution des notes était approchée par une loi N(11, 16)
1◦ ) Quelle est la distribution des notes après modification ?
2◦ ) Quel est le pourcentage d’échecs initial, si la note de passage est fixée à 10 ?
3◦ ) Quel est le pourcentage d’échecs après modification ?

 Exercice 6.4 Soit X une variable aléatoire normale. On sait que :

P[X ≤ 3] = 0.5517 et P[X ≥ 7] = 0.0166
1◦ ) Déterminer la moyenne et l’écart-type de X

 Exercice 6.5 Après avoir pris connaissance des notes (sur 100) obtenues par ses étudiants
à un examen, un professeur décide d’ajouter à la note de chaque étudiant 10% de sa note
actuelle et 5 points.
On considère les variables aléatoires : X = "la note avant modification" et Y = "La note
après modification"
Sachant qu’initialement la distribution des notes était approchée par une loi N(55, 100).
1◦ ) Quelle est la distribution des notes après modification ?
2◦ ) Quel est le pourcentage d’echecs initial, si la note de passage est fixée à 60 ?
3◦ ) Quel est le pourcentage d’echecs après modification ?
A. C HAKER 131

Exercice 6.6 Dans une usine d’emballage, un automate remplit des paquets de café de
250g.
On sait que l’automate verse en fait une quantité de café variable, régie par une loi
normale de moyenne réglable et d’écart-type 3.
1◦ ) Quelle doit être la moyenne théorique choisie pour que 90% des clients achètent bien
au moins 250g de café ?

 Exercice 6.7 Soit X une variable aléatoire de loi normale N(0, 1).
Les limites de tolérance sont données comme étant 2 ± 0.012.
1◦ ) Calculer P[X ≤ 1.62], P[X ≥ 0.52] et P[−1 < X < 1]
2◦ ) Trouver t tel que P[X ≤ t] = 0.334