DERNIRE IMPRESSION LE

31 mars 2015 14:11

Lois de probabilit densit

Loi normale

Table des matires

1 Lois densit
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . .
1.2 Densit de probabilit et esprance mathmatique
1.3 Loi uniforme : densit homogne . . . . . . . . . .
1.3.1 Dfinition . . . . . . . . . . . . . . . . . . .
1.3.2 Esprance mathmatique . . . . . . . . . .
1.3.3 Application : mthode de Monte-Carlo . .
1.4 Loi exponentielle : loi sans mmoire . . . . . . . .
1.4.1 Dfinition . . . . . . . . . . . . . . . . . . .
1.4.2 Loi sans mmoire ou sans vieillissement . .
1.4.3 Esprance mathmatique . . . . . . . . . .
1.4.4 Un exemple . . . . . . . . . . . . . . . . . .
1.4.5 Application la physique . . . . . . . . . .
1.5 Lien entre le discret et le continu . . . . . . . . . .

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

2 La loi normale
2.1 Du discret au continu . . . . . . . . . . . . . . . . . .
2.2 La loi normale centre rduite . . . . . . . . . . . . .
2.2.1 La densit de probabilit de Laplace-Gauss .
2.2.2 Loi normale centre rduite . . . . . . . . . .
2.2.3 Calcul de probabilits . . . . . . . . . . . . .
2.2.4 Esprance et variance . . . . . . . . . . . . .
2.2.5 Probabilit dintervalle centr en 0 . . . . . .
2.3 Loi normale gnrale . . . . . . . . . . . . . . . . . .
2.3.1 Loi normale desprance et dcart type
2.3.2 Influence de lcart type . . . . . . . . . . . .
2.3.3 Approximation normale dune loi binomiale
2.3.4 Thorme Central-Limit (hors programme) .

PAUL M ILAN

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

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

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

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

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

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

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

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

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

2
2
2
3
3
3
4
5
5
6
6
7
7
9

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

9
9
9
9
10
11
12
12
13
13
14
15
17

T ERMINALE S

TABLE DES MATIRES

1 Lois densit
1.1 Introduction
Lorsque lon sintresse la dure dune communication tlphonique, la dure
de vie dun composant lectronique ou la temprature de leau dun lac, la variable alatoire X associe au temps ou la temprature, peut prendre une infinit
de valeurs dans un intervalle donn. On dit alors que cette variable X est continue
(qui soppose discrte comme cest le cas par exemple dans la loi binomiale).
On ne peut plus parler de probabilit dvnements car les vnements lmentaires sont en nombre infini. La probabilit dune valeur isole de X est alors nulle.
On contourne cette difficult en associant la variable X un intervalle de R et en
dfinissant une densit de probabilit.

1.2 Densit de probabilit et esprance mathmatique

Dfinition 1 :

On appelle densit de probabilit dune variable alatoire

continue X, toute fonction f continue et positive sur un intervalle I ([ a; b], [ a; +[

ou R) telle que :
P (X I) =

(I)

f (t) dt = 1

Pour tout intervalle J = [, ] inclus dans I, on a : P( X J) =

f (t) dt

Dautre part la fonction F dfinie par : F ( x ) = P( X 6 x ) est appele la fonction

de rpartition de la variable X
F(x) =

Z x
a

f (t)dt

ou

Remarque :
Comme la fonction f est continue et
positive, la probabilit P(X I) correspond laire sous la courbe C f .
Elle vaut alors 1 u.a.

lim

Z x

a a

1
Cf

La probabilit P(X J), avec J =

[; ], correspond laire du domaine
dlimit par C f , laxe des abscisse et
les droites dquation x = et y = .

1 u.a.

Comme la probabilit que X prenne

une valeur isole est nulle, que lintervalle J soit ouvert ou ferm importe peu. Ainsi :

P (X I)

P (X J)

Cf

P(X [, ]) = P(X [, [)
= P(X ], ])
= P(X ], [)
PAUL M ILAN

f (t)dt

F(x)
O

T ERMINALE S

1. LOIS DENSIT

Lcriture (X I ) est une notation abusive car X nest pas un nombre, mais
la fonction qui associe une issue un nombre. Elle prolonge la notation dj
utilise pour des variables discrtes (X = a)

Dfinition 2 : Lesprance mathmatique dune variable alatoire continue X,

de densit f sur I, est :
E(X) =

(I)

t f (t) dt

1.3 Loi uniforme : densit homogne

1.3.1

Dfinition

Dfinition 3 : Une variable alatoire X suit une loi uniforme dans lintervalle
I = [ a, b], avec a 6= b, lorsque la densit f est constante sur cet intervalle. On en
dduit alors la fonction f :
1
f (t) =
ba
Consquence Pour tout intervalle J = [, ] inclus dans I, on a alors :
P ( X J) =

longueur de J
=
ba
longueur de I

1
ba
1 u.a.

La probabilit est donc proportionnelle

la longueur de lintervalle considr.

P( X J )

Exemple : On choisit un nombre rel au hasard dans lintervalle [0 ;5]. On associe

X le nombre choisi. Quelle est la probabilit que ce nombre soit suprieur 4 ?
compris entre e et ?
e
1
P(e 6 X 6 ) =
0, 085
P (X > 4) =
5
5
1.3.2

Esprance mathmatique

Thorme 1 : Si X suit une loi uniforme sur un intervalle I = [ a; b], avec a 6= b,

alors son esprance mathmatique vaut :

E(X) =

a+b
2

Dmonstration : Daprs la dfinition de lesprance, on a :


b
Z b
t
(b a)(b + a)
b+a
t2
b2 a2
dt =
=
=
E(X) =
=
2( b a ) a
2( b a )
2( b a )
2
a ba
PAUL M ILAN

T ERMINALE S

TABLE DES MATIRES

Remarque : Dans notre exemple prcdent, on trouve : E(X) = 2, 5 ce qui na

rien de surprenant !
1.3.3

Application : mthode de Monte-Carlo

Mthode de Mont-Carlo : mthode probabiliste trs utilise pour la rsolution

approche de problmes varis allant de la thorie des nombres la physique
mathmatique en passant par la production industrielle.
Application : Calcul dune valeur approche du nombre
Par la mthode du rejet : On admet,
lors du tirage au hasard dun point
dans un carr de ct 1, que la probabilit de tirer un point dans un domaine situ dans ce carr unit est proportionnelle laire de ce domaine.
Comme il sagit du carr unit, cette
probabilit est donc gale laire du
domaine.

Zone
de rejet

zone
dacceptation

y 6 1 x2
O

On tire un grand nombre de points (par exemple 10 000). Daprs la loi des
grands nombres, la probabilit p davoir un point dans la zone dacceptation
vaut :
nombre de points dans la zone dacceptation
p=
nombre total de points
p correspond laire du quart du cercle unit soit

On peut alors crire lalgorithme suivant :

On obtient
N = 10 000 :

Variables : N, D, I : entiers
X, Y : rels dans [0 ; 1]
Entres et initialisation
Effacer lcran
Lire N
0D
Traitement
pour I de 1 N faire
random(0,1) X
random(0,1) Y

si Y 6 1 X 2 alors
D+1 D
Tracer le point ( X, Y )
fin
fin
D
Sorties : Afficher D, 4
N

PAUL M ILAN

le

graphe

suivant

pour

On trouve les rsultats suivants :

D = 7 893

3,157 2
1
La prcision est de lordre de 0, 01
N

T ERMINALE S

1. LOIS DENSIT

Par la mthode de lesprance :

On choisit au hasard N valeurs de
labscisse X dun point M dans [0 ;1].

Variables : N, I : entiers
X, S, p rels
Entres et initialisation
Lire N
0 S
Traitement
pour I de 1 N faire
random(0,1) X

S + 1 X2 S
fin
S/N p
Sorties : Afficher 4p

On calcule la somme
S des N valeurs
prises par f ( X ) = 1 X 2 .

La moyenne des N valeurs de f ( X )

est une valeur approche de la valeur moyenne de f donc de laire du
quart de cercle.
On trouve alors pour N = 10 000 :
3,151 5

Pour a = 0, b = 1 et f (t) = 1 t2
1
=
ba

Z b
a

f (t) dt =

Z 1p
0

1 t2 dt =
4

f ( xi )
i =1

1.4 Loi exponentielle : loi sans mmoire

1.4.1

Dfinition

Dfinition 4 : Une variable alatoire X suit une loi exponentielle de paramtre

rel > 0 lorsque sa densit est la fonction f dfinie sur [0; +[ par :
f (t) = e t
Consquence On peut vrifier que :
la fonction de rpartition F vaut : F ( x ) = P( X 6 x ) = 1 e x
F ( x ) = P( X 6 x ) =

Z x
0

car

h
ix
e t dt = et = e x + 1
0

f est bien une densit de probabilit, car la fonction f est continue, positive et :
lim F ( x ) = lim 1 e x = 1

x +

x +

P (X 6 a ) = F ( a ) = 1 e a

Par lvnement contraire, on a : P(X > a) = 1 P( X 6 a) = 1 F ( a) = e a

Si X se trouve dans [ a, b], on a : P( a 6 X 6 b) = F (b) F ( a) = e a e b

P (X 6 a )
O
PAUL M ILAN

P( a 6 X 6 b)
a

P (X > b )
b

T ERMINALE S

TABLE DES MATIRES

1.4.2

Loi sans mmoire ou sans vieillissement

Thorme 2 : La loi exponentielle est une loi sans mmoire cest dire que :

t > 0 et h > 0 on a
ROC

PX> t ( X > t + h) = P(X > h)

Dmonstration : On applique la formule des probabilits conditionnelles :

PX> t (X > t + h) =

P (X > t + h )
P(X > t et X > t + h)
=
P (X > t )
P (X > t )
et eh
e(t+h)
=
et
et

= eh = P(X > h)
Remarque : On dit que la dure de vie dun appareil est sans mmoire ou sans
vieillissement lorsque la probabilit que lappareil fonctionne encore h annes
supplmentaires sachant quil fonctionne linstant t, ne dpend pas de t.
On admettra que la loi exponentielle est la seule loi sans vieillissement
Ceci est valable si lappareil nest pas sujet un phnomne dusure. On retrouve
cette proprit en ce qui concerne la dure de vie dun noyau radioactif.
1.4.3

Esprance mathmatique

Thorme 3 : Si X suit une loi exponentielle de paramtre alors son esprance mathmatique vaut :

ROC

E(X) =

Dmonstration : Daprs la dfinition, en posant g(t) = t f (t) = tet , on a :

E(X) = lim

Z x

x + 0

g(t) dt

Il faut trouver une primitive de la fonction g, pour cela on drive la fonction g

1
g (t)



x
Z x
Z x
1
1 t 1
t
e
g (t) dt = e
g(t) dt =
On a alors :
g(t)

0
0
0




1
1
ex g( x ) + 1 + g(0) =
ex xex + 1
=

g (t) = et 2 tet = et g(t)

g(t) = et

On pose : Y = x , do si x + alors Y
On a alors :

lim ex = lim eY = 0 et

x +

Par somme et produit, on a alors :

PAUL M ILAN

lim

Z x

x + 0

lim xex = lim YeY = 0

x +

g(t) dt =

T ERMINALE S

1. LOIS DENSIT

1.4.4

Un exemple

La dure de vie, en anne, dun composant lectronique est une variable alatoire
note T qui suit une loi sans vieillissement de paramtre . Une tude statistique
a montr que pour ce type de composant, la dure de vie ne dpasse pas 5 ans
avec une probabilit de 0,675.
1) Calculer la valeur arrondie trois dcimales.
2) Quelle est la probabilit, arrondie trois dcimales, quun composant de ce
type dure :
a) moins de 8 ans

b) plus de 10 ans

c) au moins 8 ans sachant quil fonctionne encore au bout de trois ans

3) Quelle est lesprance de vie de ce composant.

1) Si T vrifie une loi sans vieillissement, T suit donc une loi exponentielle. Si la
dure de vie ne dpasse pas 5 ans avec une probabilit de 0,675, on a donc :
P ( T 6 5) =

Z 5
0

h
i5
et dt = et = e5 + 1

On a alors : e5 + 1 = 0, 675
On trouve alors : =

e5 = 0, 325

ln 0, 325
0, 225
5

5 = ln 0, 325

2) On a :
a) P( T < 8) = P( T 6 8) = 1 e0,2258 0, 835

b) P( T > 10) = P( T > 10) = e0,22510 0, 105

c) PT>3 ( T > 8) = P( T > 5) = e0.2255 0, 325

3) E( T ) =
1.4.5

1
1
=
4, 44 soit peu prs 4 ans et demi

0, 225

Application la physique

La dsintgration radioactive est un

phnomne alatoire. cest dire que
lon ne peut pas, lchelle microscopique , dire quand un noyau va se dsintgrer. Nanmoins, lchelle macroscopique, on a pu tablir que la dure
de vie dun noyau radioactif suit une
loi de dure de vie sans vieillissement
cest dire une loi exponentielle de paramtre . tant la constante radioactive (en s-1) qui caractrise un radionuclide.
PAUL M ILAN

T ERMINALE S

TABLE DES MATIRES

On appelle T la variable alatoire associe la dure de vie dun noyau. La probabilit p quun noyau ne soit pas dsintgr linstant t est donc :
p = P( T > t) = et
Si au dpart on compte N0 noyaux au bout dun temps t, on en comptera N (t)
qui vrifie :
N (t) = N0 et
On appelle demi-vie t1/2 , le temps ncessaire pour que le nombre de radionuclides soit divis par 2. On a alors :
et1/2 =

1
2

t1/2 = ln 2

t1/2 =

ln 2

Dfinition 5 : Pour une variable alatoire X qui suit une loi de dure de vie
1
sans vieillissement, on appelle demi-vie la dure t1/2 tel que P( X > t1/2 ) = .
2
On obtient alors :
ln 2

t1/2 =

Enfin la dure de vie moyenne dun radionucide est donne par lesprance
mathmatique :
=

Dfinition 6 :

or

ln 2
t1/2

donc

t1/2
1, 44 t1/2
ln 2

Pour une variable alatoire X qui suit une loi de dure de

vie sans vieillissement, la dure de vie moyenne est donne par lesprance
mathmatique.
t
= 1/2 1, 44 t1/2
ln 2

Remarque : La demi-vie t1/2 nest

pas gale la dure de vie moyenne
= E(X) car la courbe de densit de
probabilit C f nest pas symtrique par
rapport la droite verticale dabscisse
E(X).

1
u.a.
2
O

PAUL M ILAN

1
u.a.
2
t1/2 E( X )

T ERMINALE S

2. LA LOI NORMALE

1.5 Lien entre le discret et le continu

Discret

Continu

Univers

Intervalle I ou R

vnement E
sous-ensemble de

vnement J
sous-intervalle de I

Probabilits pi des vnements lmentaires

Densit
de probabilit
Z

pi = 1

(I)

Esprance de la variable alatoire X

E (X) =

Esprance de la Zvariable alatoire X

E (X) =

pi xi

quiprobabilit
P( E) =

f (t) dt = 1

(I)

t f (t) dt

Loi uniforme

nbre de cas favorables

nbre de cas possibles

P (X J) =

longueur de J
longueur de I

2 La loi normale
2.1 Du discret au continu
Lorsquon tudie la loi binomiale sur un grand nombre dexpriences (n > 50
par exemple) condition que la probabilit de succs sur une exprience ne soit
pas trop petite (p > 0, 1), on peut approximer cette loi binomiale par une loi
normale dont la reprsentation est une courbe en cloche ou courbe de Gauss. On
passe ainsi dune distribution discrte une distribution continue beaucoup plus
souple.
Cette loi normale intervient dans de nombreuses distributions statistiques, lorsquun critre dun individu - par exemple la taille dune femme adulte - dpend
dun grand nombre de facteurs ou paramtres. La rpartition de la taille dune
femme adulte dans une population suit alors une loi normale (Thorme central
limit)

2.2 La loi normale centre rduite

2.2.1

La densit de probabilit de Laplace-Gauss

Dfinition 7 : On appelle densit de probabilit de Laplace-Gauss, la fonction

dfinie sur R par :

t2
1
(t) = e 2
2

Remarque : Cette fonction correspond bien une densit de probabilit :

est bien continue et positive sur R (compose de fonctions continues et la
fonction exponentielle est positive sur R).
PAUL M ILAN

T ERMINALE S

TABLE DES MATIRES

1
Cette fonction est paire et admet en 0 un maximum : (0) =
0, 4
2
Son intgrale sur R est gale 1. Sa d0.4
monstration est admise. Il faut cepenC
dant savoir quil nexiste pas de primitive sexprimant avec des fonctions
lmentaires pour cette fonction et que
0.2
le calcul de laire sous la courbe deR
R ( t ) dt = 1
mande des mthodes plus ou moins
dtournes tel un changement de variable.
O
3
2
1
1
2
La courbe C est appele courbe en
cloche ou courbe de Gauss.

Comme la fonction est paire, on a alors :

lim

Z 0

a+ a

2.2.2

t2
1
e 2 dt = lim
a+
2

Z a
0

t2
1
1
e 2 dt =
2
2

Loi normale centre rduite

Dfinition 8 : On dit que la variable alatoire X suit une loi normale centre
rduite, note N (0, 1) si sa densit de probabilit est gale la fonction .
Sa fonction de rpartition est donc dfinie par :
( x ) =

Z x

(t) dt

Remarque :

0.4

Le nombre ( a) reprsente laire du

domaine dlimit par cette courbe en
cloche laxe des abscisses et la droite
x = a.
La fonction peut tre considre
comme la primitive de la fonction
qui vrifie (0) = 0, 5.
Avant larrive des calculatrices, on
avait des tables donnant les valeurs
de ( a) pour les valeurs de a positives.
Avec la calculatrice TI, pour calculer
(1, 24) on tape "distrib" puis on slectionne "normalFRp(1 E 99, 1.24)".
On trouve alors 0,892 5 (voir notice
page 290)
PAUL M ILAN

10

0.3
0.2
0.1

( a)
1

1.00

0.75

0.50

0.25

T ERMINALE S

2. LA LOI NORMALE

2.2.3

Calcul de probabilits

Thorme 4 : Si une variable alatoire X suit une loi normale centre rduite
alors pour tous rels a et b tels que a 6 b, on a :
P( a 6 X 6 b) = (b) ( a)

P( X > a) = 1 ( a)

P( X 6 | a|) = 1 (| a|)
Dmonstration : La premire galit est lie la relation de Chasles pour
lintgrale (soustraction des aires sous la courbe)
La deuxime galit est lie lvnement contraire : P( X > a) = 1 P( X 6 a)

Enfin la troisime galit est lie la parit de la fonction . Laire sous la courbe
de la partie gauche est gale laire sous la courbe de la partie droite.
Exemples : Une variable alatoire X suit une loi normale centre rduite. A
laide dune table des valeurs de , dterminer les probabilits suivantes :
a) P( X > 1, 35)
b) P( X 6 0, 56)

c) P(0, 56 6 X 6 1, 35)

d) P( X 6 0, 56 ou X > 1, 35)

On repre sur la table les valeurs : (0, 56) 0,712 3 et (1, 35) 0,911 5
a) P( X > 1, 35) = 1 P( X 6 1, 35) = 1 (1, 35) = 1 0,911 5 = 0,088 5

b) P( X 6 0, 56) = (0, 56) = 1 (0, 56) = 1 0,712 3 = 0,287 7

c) P(0, 56 6 X 6 1, 35) = (1, 35) (0, 56) = 0,911 5 0,287 7 = 0,623 8
d) P( X 6 0, 56 ou X > 1, 35) = P( X 6 0, 56) + P( X > 1, 35)
P( X 6 0, 56 ou X > 1, 35) = 0,287 7 + 0,088 5 = 0,376 2
0.4
P(0.56 6 X 6 1, 35)

0.3
P( X 6 0, 56)

3
PAUL M ILAN

0.2

P( X 6 0, 56 ou X > 1, 35)

0.1

P( X > 1, 35)

1 -0,56

1 1,35
11

3
T ERMINALE S

TABLE DES MATIRES

Remarque : Certaines valeurs interviennent souvent, il est bon de les mmoriser.

P(1 6 X 6 1) = 0, 683
P(2 6 X 6 2) = 0, 954
P(3 6 X 6 3) = 0, 997
2.2.4

Esprance et variance

Thorme 5 : Si une variable alatoire X suit une loi normale centre rduite
alors son esprance est nulle et sa variance est gale 1
Remarque : Cest pour cette raison que cette loi normale est centre (E( X ) = 0)
et rduite (V( X ) = 1)
2.2.5

Probabilit dintervalle centr en 0

Thorme 6 :

X est une variable alatoire qui suit une loi normale centre

rduite. Soit un rel de lintervalle ]0 ;1[. Il existe un unique rel strictement

positif u tel que :
P(u 6 X 6 u ) = 1
ROC

Dmonstration : On cherche un rel x strictement positif tel que :

P( x 6 X 6 x ) = 1
( x ) ( x ) = 1
( x ) 1 + ( x ) = 1
2( x ) 1 = 1

( x ) = 1
2

2
u

2
u

On sait que la fonction est continue et strictement croissante sur ]0; +[. De
plus :
1
lim ( x ) = (0) =
et
lim ( x ) = 1
x +
x 0
2

1
< 1 < 1
et 0 < < 1
2
2
donc daprs le thorme des valeurs intermdiaires, il existe un unique x = u

strictement positif tel que (u ) = 1

2
Remarque : Il est bon de retenir les valeurs de u0,05 et u0,01 , On obtient ainsi :
P(1.96 6 X 6 1.96) = 0, 95
P(2.58 6 X 6 2.58) = 0, 99
PAUL M ILAN

12

T ERMINALE S

2. LA LOI NORMALE

Exemple : X est une variable alatoire qui suit une loi normale centre rduite.
Dterminer lintervalle I centr en 0 tel que P(X I) = 0, 8.
On donnera les bornes de lintervalle avec une prcision de 102 .

On a donc : 1 = 0, 8

= 0, 2

On doit donc avoir : (u ) = 1 = 0, 9 u = 1 (0, 9).

2
A laide de la calculatrice avec la fonction "FracNorm(0.9)" ou laide dune table,
on trouve :
u 1, 28 donc I = [1, 28; 1, 28]

2.3 Loi normale gnrale

2.3.1

Loi normale desprance et dcart type

Dfinition 9 : Si une variable alatoire X suit une loi normale de paramtres

et note N (, 2 ), alors la variable alatoire Z =
centre rduite N (0, 1) et rciproquement.

X
suit une loi normale

Proprit 1 : Si une variable alatoire X suit une loi normale N (, 2 ) alors

son esprance vaut et sa variance vaut 2 .
Dmonstration : De la linarit de lesprance, on en dduit :
E( Z ) =

E( X )
=0

comme

E( Z ) = 0

alors

E( X ) =

De plus, comme V ( aX ) = a2 V ( X ), on a :
1
V ( X ) comme V ( Z ) = 1 alors V ( X ) = 2
2
Exemple : Les tempratures de leau du mois de juillet, autour du lac Lman,
suivent la loi normale desprance 18,2C et dcart-type 3,6 C.
Une personne part camper en juillet sur le pourtour du lac Lman. Que peut-on
lui indiquer comme probabilit de temprature de leau des plages dans les cas
suivants :
a) tempratures infrieures 16 C
b) tempratures comprises entre 20C et 24,5C
c) tempratures suprieures 21C.
V (Z) =

On appelle T la variable alatoire associe aux tempratures et Z la variable alatoire associe la loi normale centre rduite.
Il y a deux faons dobtenir les rsultats, soit on utilise une table et alors on doit
revenir la loi normale centre rduite, soit on utilise la calculette et alors on peut
utiliser la loi normale de lnonc.
PAUL M ILAN

13

T ERMINALE S

TABLE DES MATIRES

a) On veut calculer : P( T 6 16)

Avec la calculatrice, on tape :
"normalFRp(1 E 99, 16, 18.2, 3.6)", on trouve alors : 0,271
Avec une table, on revient la variable X, on a alors :
16 18, 2
T 6 16 Z 6
Z 6 0, 611
3, 6
On a alors : (0, 611) = 1 (0, 611) = 1 0, 729 = 0, 271
b) On veut calculer : P(20 6 T 6 24, 5)
Avec la calculatrice, on tape :
"normalFRp(20, 24.5, 18.2, 3.6)", on trouve alors : 0,268
Avec une table, on revient la variable X, on a alors :
24, 5 18, 2
20 18, 2
6Z6

20 6 T 6 24, 5
3, 6
3, 6
On a alors : (1, 75) (0, 5) = 0, 960 0, 692 = 0, 268

0, 5 6 Z 6 1, 75

c) On veut calculer : P( T > 21)

Avec la calculatrice, on tape :
"normalFRp(21, 1 E 99, 18.2, 3.6)", on trouve alors : 0,218
Avec une table, on revient la variable X, on a alors :
21 18, 2
T > 21 Z >
Z > 0, 78
3, 6
On a alors : 1 (0, 78) = 1 0, 782 = 0, 218
2.3.2

Influence de lcart type

Voici ci-dessous les courbes des densits correspondantes une esprance de 4 et

1
aux carts types respectifs de : , 1 et 2.
2
0.8

1
2

0.6

0.4

=1
0.2

=2
1

On constate que plus lcart type est important, plus la courbe de densit est
vase et plus le maximum est petit. En effet un cart type important signifie que
la dispersion des donnes est importante.
Ces diffrentes courbes peuvent tre repres par 3 intervalles caractristiques :
[ , + ], [ 2; + 2] et [ 3; + 3]
PAUL M ILAN

14

T ERMINALE S

2. LA LOI NORMALE

68%

99,7%

99,7%

95%

95%

+ 2

+ 3

On a alors :
P( 6 X 6 + ) = 0, 68

P( 2 6 X 6 + 2 ) = 0, 95

P( 3 6 X 6 + 3 ) = 0, 997
2.3.3

Approximation normale dune loi binomiale

Thorme 7 : Thorme de Moivre-Laplace

X est une variable alatoire qui suit la loi binomiale B (n, p) et Z la variable alaX E( X )
X np
toire telle que : Z =
=p
.
( X )
np(1 p)
Pour tous nombres a et b tels que a < b, on a :
lim P( a 6 Z 6 b) =

n+

Z b
a

t2
1
e 2 dt
2

Remarque : Pour les grandes valeurs de n la loi binomiale B (n, p) est proche de
la loi normale N (np, np(1 p))

En pratique, on pourra faire lapproximation dune loi binomiale par une loi normale lorsque lon aura les conditions suivantes :
n > 30,

np > 5 et

n (1 p ) > 5

Dans lexemple ci-dessous, on a trac B (20;

de la loi normale
p 0, 5) et la densit

2
correspondante ( = 20 0, 5 = 10 et = 20 0, 5 = 5). Les deux dernires
conditions sont respectes (np = 10 et n(1 p) = 10)

PAUL M ILAN

10 11 12 13 14 15 16 17 18 19

15

T ERMINALE S

TABLE DES MATIRES

Calculons P(9 6 X 6 11) avec la loi binomiale B (20; 0, 5) puis avec la loi normale
N (10, 5).
Avec la loi binomiale. Sur la calculette "binomFdP(20 ;0.5,{9,10,11})"
P(9 6 X 6 11) 0, 4966
Avec la loi normale. Comme on remplace un diagramme en bton par un histogramme, il faut intgrer trois rectangles centrs en 9, 10 et 11. donc il faut
calculer 8, 5 6 X 6 11, 5. Cest ce quon appelle
la correction de continuit.
Avec la calculette : "NormalFRp(8.5,11.5,10, 5)"
P(8, 5 6 X 6 11, 5) 0, 4977
Lerreur est donc de 0,1%
Il se peut par contre que n soit grand et cependant p trop petit pour quon soit
dans les conditions de lapproximation normale. Cela se produit par exemple
lorsque lon considre le nombre daccidents provoqus par un vaccin, le nombre
de suicides dans une grande ville, pour une priode donne.
Dans le cas des petites valeurs de p cest dire pour p < 0, 1, lapproximation de
la loi binomiale ne pourra pas se faire avec une loi normale
Dans lexemple ci-dessous, on a :
n = 100

et

p = 0, 06

do E( X ) = 6 et ( X ) =

5, 56.

Calculons alors P(8 6 X 6 10).

Avec la loi binomiale
P(8 6 X 6 10) 0, 2140

10 11 12 13

Avec la loi normale

P(7.5 6 X 6 10.5) 0, 2342
Lerreur est alors de 2%
14

Exemple : On lance 180 fois un d jouer et on note X la variable alatoire

qui reprsente le nombre dapparition du 6. En utilisant lapproximation normale
calculer au millime les probabilits suivantes :
a) P( X 6 20)

b) P( X > 40)

c) P( X 6 20 ou X > 40)

Il faut dabord calculer les paramtres de la loi normale correspondante cette loi
binomiale B (180, 1/6)
r
1
1 5
E( X ) = np = 180 = 30 et ( X ) = 180 = 5
6
6 6
Il faut vrifier quon se trouve dans les hypothses de lapproximation :
np = 30 > 5 et n(1 p) = 150 > 5

A laide dune calculatrice, on trouve alors :

PAUL M ILAN

16

T ERMINALE S

2. LA LOI NORMALE

a) P( X 6 20) = PN ( X 6 20, 5) = NormalFRp(-1 E 99,20.5, 30,5) 0, 029

b) P( X > 40) = PN ( X > 40, 5) = NormalFRp(40.5,1 E 99, 30,5) 0, 018
c) P( X 6 20 ou X > 40) = PN ( X 6 20.5) + PN ( X > 40, 5) 0, 047
Si on utilise une table, il faut changer de variable : Z =


20, 5 30
a) P( X 6 20) = PN ( X 6 20, 5) = PN Z 6
5

X 30
.
5

P( X 6 20) = PN ( Z 6 1, 9) = (1, 9) = 1 (1.9) 0, 029

b) P( X > 40) = PN ( X > 40, 5) = P( Z > 2, 1) 0, 018
2.3.4

Thorme Central-Limit (hors programme)

Thorme 8 : Lorsque lon fait la somme dun trs grand nombre de variables
alatoires de loi quelconque, cette somme suit une loi normale.
Remarque : Un grand nombre de distributions dans la nature suivent une loi
normale car ces distributions dcrivent des phnomnes qui rsultent dun grand
nombre de causes de fluctuations indpendantes comme la taille dun individu.

PAUL M ILAN

17

T ERMINALE S