Variables continues usuelles

I) Variables uniformes
1.1 Densités
Nous avons déjà rencontré ce type de variables.

Définition 1
On dit que la variable
suit une loi uniforme continue sur 0,1 si sa fonction densité de
0 si 0
probabilité est donnée par : 
 1 si 0   1.
0 si 1
On écrit que
 ,

Définition 2
On dit que la variable
suit une loi uniforme continue sur ,  si sa fonction densité de
0 si 
probabilité est donnée par : 
  si    .


0 si 
On écrit que
 ,

1.2) Fonctions de répartition

On a vu que

0 si 0
Théorème

Si
 , , sa fonction de répartition est  

  si 0   1.
1 si 1
0 si 0
Si
 , , sa fonction de répartition est  
  si 0   1.
!

1 si 1

1.3) Espérances et variances

Soit
 ,
On a
1 ) 1  ) ' )  , 
$%  
"

 # 
&  # &  ( +  
%  ' ' 2  ' 2 2
On a
) 1 - 1  - ' - ) ,  ,  )
$%  
)

"
# 
&  #
)
&  ( +  
%  ' ' 3  ' 3 3

 ,  )  ) ' 2 , )  ' 

)
Donc
) ,  ,  )
/

 '0 1  
3 2 12 12
Si
 , , on fait   0 et   1 dans les formules ci-dessus.

1
On trouve :
"


2
1
/


12

II) La loi exponentielle

2.1) Densité de probabilité

0 si  0
Théorème et définition
Soit λ un réel strictement positif. La fonction  définie sur ℝ par 
 3 6!
45 si 0
est une densité de probabilité.
Si
est une variable aléatoire dont  est une densité, on dit que
suit une loi exponentielle
de paramètre λ.

La fonction  est bien évidemment positive, continue sauf en 0.

On a

# 
&  0
%
On a également
7
7 7
5 6! 1 5 67
# 45 6!
&  4 # 5 6!
&  4 (' +  48 ' 9  1 ' 5 67
  4  4 4

lim 1 ' 5 67  1

On a donc

7<$%
Donc
$%
# 
&  1

Et donc
$%
# 
&  1
%
La fonction  est bien une densité de probabilité.

2 .2) Fonction de répartition

Soit une variable
qui suit une loi exponentielle de paramètre λ. On pourra écrire
 =4

Sa fonction de répartition  est définie sur ℝ par :

!

 >

 # ?
&?
%
Nous avons vu que

# ?
&?  0
%

@  0, 
 0
On a
Si 0, on aura
!
! ! !
5 6A
# ?
&?  # 45 6A
&?  4 # 5 6A
&?  4 (' +  1 ' 5 6!
%   4 
On a donc
0 si  0

 3
1 ' 5 6! si 0

2.3) Espérance et variance

On a sous réserve de convergence
$%
"

 # 
&
%
 $% $%
Comme # 
&  0, on aura # 
&  # 
&
% % 
On a pour I 0
7 7 7
# 
&  # 45 6! &  4 # 5 6! &
  

On a J de classe K  , et J 5 6! est continue.

On procède par intégration par parties :

L  donc LO  1
On pose :

1
P O  5 6! donc P  ' 5 6!
4

1 7
On a donc
7 7
4 # 5 6! &  4 8Q' 5 6! R , # 5 6! & 9
 4  4 
I 7
 4 S' 5 67 T , # 5 6! &
4 
1 5 67
 'I5 67 , '
4 4

1 5 67 1
On a

lim 'I5 67 , '  par croissance comparée

7<$% 4 4 4

1
Donc
$%
# 
& 
 4

1
Et donc
$%
"

 # 
& 
% 4

Calculons "
)
.
Sous réserve de convergence, on a :
$% $%
"
)
 # ) 
&  # ) 
&
% 
On déterminer l’intégrale
7 7
# 45) 6!
&  4 # ) 5 6! &
 
La fonction J ) est de classe K  sur ℝ et la fonction J 5 6! est continue sur ℝ.
On procède encore à une intégration par parties.

L  ) donc LO  2
On pose

1
P O  5 6! donc P  ' 5 6!
4
On a donc
) 6! 2 7 6!
7 7
# 5 &  (' 5 + , # 5 &
) 6!
 4 
4 
I ) 67 2 7 6!
' 5 , # 5 &
4 4 
Donc
7 7
4 # ) 5 6! &  'I5 67 , 2 # 5 6! &
 
2 1 5 67
 'I5 67 , 8'I5 67 , ' 9
4 4 4

2 1 5 67 2
On a par croissance comparée

lim 'I5 67

, 8'I5 67
, ' 9 )
7<$% 4 4 4 4

2
On a donc
"
)

4)

2 1 1
Donc
/

 "
)
' "

)  ' 
4) 4) 4)

Théorème
Soit
une variable aléatoire qui suit une loi exponentielle de paramètre λ. Alors
admet une

1 1
espérance et une variance données par les formules :

"

 /

 )
4 4

2.4) Discrétisation d’une loi exponentielle

On considère une variable continue
qui suit une loi exponentielle de paramètre λ.
Soit X une variable à valeur dans YZ définie par
@[ \ YZ , X  [
 [ ' 1 
 [

Quelle est la loi de la variable X ?

On a puisque [ ' 1 0
>X  [
 >[ ' 1 
 [

  [
'  [ ' 1

 ^1 ' 5 6_ ` ' ^1 ' 5 6_

`
 5 6_
' 5 6_
 5 6_
^1 ' 5 6 `

Posons a  1 ' 5 6 . On a 4  0, donc 0  1 ' 5 6  1.

On a
 _
5 6_
 ^5 6 `  1 ' a
_

>X  [
 1 ' a
_ a
On a donc

La variable X suit donc une loi géométrique de paramètre 1 ' 5 6 .

III) La loi normale

3.1) Des fonctions de densité particulières
Considérons la fonction définie sur ℝ par
1 !d

 5 )
√2c
Cette fonction est évidemment définie, continue et positive sur ℝ.
On démontre et nous admettrons qu’elle remplit également la propriété :
$%
# 
&  1
%
Cette fonction est une densité de probabilité.

Soit e un nombre réel quelconque et σ un nombre réel strictement positif.

Soit f la fonction définie sur ℝ par
1 !h
d
f
 5 )id

g√2c
Cette fonction est évidemment définie, continue et positive sur ℝ.
$%
L'intégrale généralisée # f
& est convergente.
%
En effet par croissance comparée, on a facilement
!h
d
lim 5 0
) 
)id
!<$%
Ce qui implique qu’il existe ?  0, tel que
!h
d 1
@ ? , 5 

)id
)
Ce qui permet de conclure en +∞.
De même, on a
!h
d
lim 5 0
) 
)id
!<%

 ' ∞, ?  où ?  0.
On aura donc les mêmes conclusions en considérant la fonction de Riemann sur un intervalle

'e
Posons
?
g
$%
1 !h
d
Procédons au changement de variable en ? dans l'intégrale # 5 )id &


% g√2c
Quand < '∞, on a aussi ? < '∞. Quand < ,∞, on a également ? < ,∞.

1
On a
&?  &
g
On peut donc écrire :
 $%
1 !h
d $%
1 Ad $%
1 Ad $%
# 5 )id &
# 5 ) g&? # 5 ) &? # ?
&?  1
  

% g√2c % g√2c % √2c %

La fonction f est donc une densité de probabilité.

Théorème
Soit e un réel quelconque et σ un nombre réel quelconque strictement positif. Alors la
fonction f définie sur ℝ par :
1 !h
d
f
 5 )id

g√2c
est une densité de probabilité.
Dans le cas particulier où e  0 et g  1, on trouve la fonction  définie sur ℝ par :
1  !d

 5 )
√2c
Cette fonction est aussi une densité de probabilité.

3.2) Etude et représentation des fonctions s et t

a) Etude et représentation de la fonction 

uv  ℝ
On a vu que

1 1
De plus
!
d !d
@ \ ℝ, '
 5 )  5 )  

√2c √2c
La fonction  est paire.
On peut donc limiter son étude à ℝ$ et compléter les résultats trouvés par symétrie.
La fonction  est continue et dérivable.

 !d
On a
O 

 ' 5 )
√2c
Cette quantité est du signe de – . Sur ℝ$ , elle est décroissante.
Cette dérivée s’annule pour  0. Donc au point d’abscisse 0, la courbe xv représentative de la
fonction  admet une tangente horizontale.

lim 
 0
On a
!<$%
La droite I  0
est donc asymptote horizontale en ,∞ (et par raison de symétrie, également en
'∞
.

 ) ' 1
 ' 1
 , 1

On a également
!d !d
 OO 
 5 )  5 )
√2c √2c

Sur ℝ$ , cette dérivée seconde s’annule en 1 en changeant de signe : la courbe xv admet un point
d’inflexion au point d’abscisse 1 (et donc par raison de symétrie également au point d’abscisse '1 ).

On peut maintenant dresser le tableau de variations sur ℝ de la fonction .

 '∞ 0 ,∞

 O 
, 0 '

√)€



0 0

Donnons l’allure de la courbe xv .

Cette courbe est appelée courbe en cloche ou courbe de Gauss.

b) Etude et représentation de la fonction f

1
On a :
!h
d
f
 5

)id
g√2c
Montrons que la droite   e
est un axe de symétrie pour la courbe représentative de la fonction f,
courbe que l’on nommera xy .
Pour cela prenons deux nombres réels symétriques par rapport à e, c’est-à-dire de la forme e ' z et
e , z, où z est un nombre réel positif.

1 1
On a
h${h
d {d
fe , z
 5  5 )id
 
)id
g√2c g√2c
1 h{h
d 1 {d
fe ' z
 5  5
  d
)i d )i
g√2c g√2c
On a donc pour tout réel z positif,
fe ' z
 fe , z

Si | est le point de la courbe d’abscisse }  e , z et d’ordonnée I}  f }

et si |~ est le point de
la courbe d’abscisse }  e ' z et d’ordonnée I}  f }
, alors
I}  I}

Graphiquement cela correspond à la situation suivante :

 I
|~ |

ƒ e'z e e,z

La mise en évidence d’un axe de symétrie permet de déduire l’ensemble d’étude à e, ,∞
On a alors des résultats de même nature que ceux rencontrés pour la fonction.

lim f
 0
On a
!<$%
On a
!h
d
1  'e
5 )id

O 

f '
g√2c g)
On en déduit que la fonction est décroissante sur e, ,∞.

1 ) ' 2e , e) ' g ) !h

On a enfin
d

fOO 
 5 )id
g√2c g
1 !h
d
  ' e
' g
5 )id
) ) 
g ‚ √2c
1 !h
d
  ' e ' g
 ' e , g
5 )id

g √2c
‚

Cette dérivée seconde s’annule en changeant de signe en  e , g et en  e ' g.

Il s’agit des deux points d’inflexion de la courbe.

Le tableau de variation est la suivant :

'∞ e ,∞

 O 
, 0 '

i√)€



0 0

L’allure de la courbe représentative sera donc :

 e'g e e,g

On retrouve une courbe en cloche.

3.3) Espérance mathématique et variance

Considérons une variable
dont la fonction densité de probabilité est la fonction f.
1 !h
d
f
 5 )id

g√2c

1
Sous réserve de convergence, on a
$% !h
d
"

 # 5 )id &


% g√2c

1 1
Il est facile de voir que les intégrales
$% !h
d  !h
d
# 5 & et # 5 )id &
 
)i d

 g√2c % g√2c

1 1
puisque on a
!h
d !h
d
lim 5 )i  lim 5 )id )  0
 d ) 
!<$% g√2c !<% g√2c

Donc "

existe.
(par croissance comparée).

1
On peut écrire
$% !h
d
"

 # 5 )id &

g√2c %
1 $% !h
d
 #  ' e , e
5 )id &

g√2c %
Or pour les mêmes raisons que précédemment, les deux intégrales suivantes convergent :
$% !h
d $% !h
d
#  ' e
5 & et # e5 &
 
)id )id
% %

1 e
On peut donc écrire
$% !h
d $% !h
d
"

 #  ' e
5 & , # 5 &
 
)id )id
g√2c % g√2c %
1 $% !h
d $%
 #  ' e
5 & , e # f
&

)id
g√2c % %
1 $% !h
d
 #  ' e
5 )id & ,e

g√2c %

Il reste à calculer la première intégrale.

On a
 $% !h
d h !h
d $% !h
d
#  ' e
5 )id &  #  ' e
5 )id & ,#  ' e
5 )id &
  

% % h
Nous avons vu précédemment que
!h
d
!h
d O  'e
5

)id
85 )id 9 '

g)
Donc
!h
d !h
d
# 'e
5 &  'g ) 5
 
)id )id

On en déduit que
h !h
d h !h
d
#  ' e
5 )id &  lim #  ' e
5 )id &
 

% 7<% 7

!h
d h
 lim ('g 5
)  )id
+
7<%
7
7h
d
 lim ' g ) „ g ) 5 )id

7<%
 'g )

On démontre exactement de la même façon que

$% !h
d
#  ' e
5 )id &  g)


h
On en déduit que
$% !h
d
#  ' e
5 )id & 0


%
Et donc que
"

 e

Déterminons "
' e

)
.

1
D’après le théorème du transfert, sous réserve de convergence, on a :
$% !h
d
"
' e
)
 #  ' e
) 5 )id &


% g√2c

1 1
Cette intégrale est convergente car par croissance comparée :
!h
d !h
d
lim  ' e
5  lim  ' e
5 )id )  0
)  ) ) 
)i d
!<% g√2c !<$% g√2c

1 1
On écrit alors :
h !h
d $% !h
d
"
' e
)
 #  ' e
) 5 )id & , #  ' e
) 5 )id &
 

% g√2c h g√2c
On a vu que
!h
d O
!h
d OO  'e
5 1
 !h
d
)id
85 9  …' †    ' e
' g )
5  )id
 )
)id
g) g

On en déduit que
!h
d O !h
d
)  
8'σ 'e
5 )id 9   ' e
) ' g )
5
 
)id

Donc
 7 !h
d !h
d 7 7h
d
)  
#  ' e
' g )
5  )id
&  ('g 'e
5 )id +  'g ) I
'e
5
)  
)id
h h
Donc
7 !h
d 7 !h
d 7h
d
) I
#  ' e
5
)  )id
& ' g # 5 &  'g 'e
5
)  
)id )id
h h
Ce qui donne
7 !h
d 7 !h
d 7h
d
) I
#  ' e
5
)  )id
&  g # 5 & ' g 'e
5
)  
)id )id
h h
Ou encore par croissance comparée
$% !h
d $% !h
d
#  ' e
) 5 &  g ) # 5 &
 
)id )id
h h
Car
7h
d
lim I'e
5 0

)id
7<$%
De même, on montre que :
h !h
d $h !h
d
#  ' e
5
)  )id
&  g # 5 &
) 
)id
% %
On en déduit an ajoutant membre à membre les égalités trouvées que
$% !h
d $% !h
d
#  ' e
5
)  )id
&  g # 5 &
) 
)id
% %

1 1
Et donc que
$% !h
d $% !h
d
#  ' e
) 5 &  g ) # 5 &  g )
 
)id )id
g√2c % g√2c %

"
' e
)
 g )
Donc

"
) ' 2e
, e)

 g )
Donc

"
)
' 2e"

, e)  g )
Donc

"
)
' 2e) , e)  g )
Donc

"
)
' e)  g )
Donc

"
)
' "

)  g )
Donc

Et donc enfin
/

 g )

Dans le cas particulier où e  0 et g  1 qui correspond à la fonction densité , on a :

"

 0 et /

 1

3.4) Distribution normale ou gaussienne

Définition
Soit e un nombre réel quelconque et g un nombre réel strictement positif.
 Soit f la fonction définie sur ℝ par :
1 !h
d
f
 5

)id
g√2c
La fonction f est une densité de probabilité.
Soit
une variable aléatoire dont f est la densité de probabilité.
Alors "

et /

existent. On a
"

 e et /

 g )
On dit que
suit la loi normale (ou loi de Laplace-Gauss) de paramètres e et g.
On écrit

 ˆe, g

Les paramètres traditionnels d’une loi normale sont donc l’espérance mathématique (que l’on appelle
souvent « moyenne » par abus de langage) et l’écart-type car g  ‰/

 g

Actuellement, il y a une « évolution » de ces paramètres. On donne toujours e, mais / qui est la
variance au lieu de σ.

/

 /
On a alors

1 1
La formule donnant la densité s’écrit alors :
!h
d !h
d
f
 5  )Š  5  )Š
√/ √2c √2c/

3.5) Fonction de répartition

Soit
une variable à densité qui suit une loi normale de moyenne e et de variance /.
Sa densité est donc la fonction f donnée par :
1 !h
d
f
 5 
)Š
√2c/
La fonction de répartition est donnée par la formule
!
@ \ ℝ, 
 >

 # f?
&?
%
‹Œ
d
Mais nous ne pouvons pas aller plus loin car la primitive de la fonction J 5  dŽ ne s’exprime pas
par des fonctions usuelles.

3.6) La loi normale centrée réduite

On considère une variable aléatoire
qui suit une loi normale de moyenne e et de variance /  g )
avec g  0.
On peut associer à
la variable centrée réduite
Z définie par :

'e

Z 
g
Déterminons la fonction de répartition de
Z

'e
On a
i!$h
>
Z 
 > 0  1  >
 g , e
 # f?
&?
g %

1
On a donc
i!$h Ah
d
>

 # 5 )id &?
Z 

% g√2c
 ?'e
Posons L 
g
Quand ? tend vers '∞, L tend vers '∞.
g , e ' e
Quand ?  g , e, L  
g

1
On a :
&L  &?
g

&?  g&L
Donc

1 1
On en déduit que
! d ! ‘d
>
Z 
 # 5 ) g&L # 5 ) &L
% g√2c % √2c

avons appelée .
Nous reconnaissons la fonction de répartition associée à la fonction densité de probabilité que nous

Nous avons bien "
Z

 0, /
Z
 1, résultats que nous attendions pour une variable centrée

Mais nous avons ici un renseignement supplémentaire :
Z suit une loi normale de moyenne 0 et de
réduite.

variance 1.
On a donc le théorème suivant :

Théorème et définition
On dit qu’une variable aléatoire ’ suit une loi normale centrée réduite (ou réduite centrée) si
sa fonction de densité est la fonction  définie sur ℝ par :
1  !d

 5 )
√2c
On a alors "’
 0 et /’
 1.
Si
suit une loi normale de moyenne e et d’écart type σ, la variable
Z définie par :

'e

Z 
g
suit une loi normale centrée réduite.
On écrit que

Z  ˆ0,1

3.7) Importance de la loi normale centrée réduite

Le théorème précédent permet de passer de n’importe quelle loi normale à une loi normale
particulière : la loi normale centrée réduite.
L’idée est alors d’élaborer une table de probabilité pour cette loi.
En voici un petit extrait :

0,00 0,01 0,02 0,03 0,04

0,0 0,50000 0,50399 0,50798 0,51197 0,51595
0,1 0,53983 0,54380 0,54776 0,55172 0,55567
0,2 0,57926 0,58317 0,58706 0,59095 0,59483
0,3 0,61791 0,62172 0,62552 0,62930 0,63307
0,4 0,65542 0,65910 0,66276 0,66640 0,67003
0,5 0,69146 0,69497 0,69847 0,70194 0,70540
 0,6 0,72575 0,72907 0,73237 0,73565 0,73891
0,7 0,75804 0,76115 0,76424 0,76730 0,77035
0,8 0,78814 0,79103 0,79389 0,79673 0,79955
0,9 0,81594 0,81859 0,82121 0,82381 0,82639
1,0 0,84134 0,84375 0,84614 0,84849 0,85083
1,1 0,86433 0,86650 0,86864 0,87076 0,87286
1,2 0,88493 0,88686 0,88877 0,89065 0,89251
1,3 0,90320 0,90490 0,90658 0,90824 0,90988
1,4 0,91924 0,92073 0,92220 0,92364 0,92507

Après la transformation de
en
Z , on sait que
Z  ˆ0,1

.
Comment se lit cette table ?

Si nous cherchons par exemple la probabilité de l’évènement
Z  1,23, on écrit

1,23  1,2 , 0,03
On lit alors cette probabilité à l’intersection de la ligne 1,2 et de la ligne 0,03.

0,00 0,01 0,02 0,03 0,04

1,2 0,88493 0,88686 0,88877 0,89065 0,89251

>
Z  1,23
 0,89065
La probabilité recherchée est

La table de la loi normale centrée réduite donne la fonction de répartition de cette loi, c’est-à-
dire >
Z 
pour variant de 0 à 4 environ (suivant les tables) de 0,01 en 0,01.

Considérons une variable aléatoire
donc on sait qu’elle suit une loi normale de moyenne 1500 et de

On veut déterminer la probabilité de l’évènement
 1623.

variance 10000.

On a donc comme écart type

g

 g  √10000  100
Soit
définie par
Z

' 1500

Z 
100

Z  ˆ0,1

On sait que

' 1500 1623 ' 1500

On a

>
 1623
 > 0  1
100 100

>
 1623
 >
Z  1,23
 0,89065
Ce qui donne

En général on ne conserve que deux ou trois chiffres après la virgule.

>
 1623
 0,89
On écrira
 IV) La loi normale centrée réduite
4.1) Utilisation directe de la table

Mais la fonction de répartition de la loi normale centrée réduite que l’on note souvent — est définie
Nous avons vu comment on lisait la probabilité d’une valeur comprise entre 0 et 4 (au mieux).

sur ℝ.
Si ’  ˆ0,1
, on a
!
1  Ad
—
 >’ 
 # 5 ) &?
% √2c

>’  1,23
 0,89065
Quand nous lisons sur la table que

nous avons graphiquement :

Cette aire vaut

O,89065

1,23

Considérons un nombre α positif et cherchons à évaluer >’  '˜

.
Comment procède-t-on dans le cas d’une valeur négative ?

1  !d
On a
™
>’  '˜
 # 5 ) &
% √2c
Posons L  '
Quand < '∞, on a L < ,∞.
Quand  '˜, on a L  ˜.

&L  '& donc &  '&L

On a également

1  ‘d 1  ‘d 1  ‘d
On a donc
™ ™ $%
>’  '˜
 # 5 ) '&L
 ' # 5 ) &L  # 5 ) &L
$% √2c $% √2c ™ √2c

1  ‘d 1  ‘d 1  ‘d
Or
$% ™ $%
# 5 ) &L , # 5 ) &L  # 5 ) &L  1
™ √2c % √2c % √2c

1  ‘d 1  ‘d
Donc
$% ™
# 5 ) &L  1 ' # 5 ) &L  1 ' >’  ˜
 1 ' —˜

™ √2c % √2c
On a donc
>’  '˜
 1 ' >’  ˜

>’  '1,31
 1 ' >’  1,31
 1 ' 0,90490  0,09510
Par exemple
On retrouve graphiquement cette propriété :

>’  '˜
>’ ˜

'˜ ˜

Soit à calculer >  ’  

.
Examinons maintenant le cas d’un encadrement.

>  ’  
 >’  
' >’  
 —
' —

Nous savons que

>0,12  ’  1,22
 —1,22
' —0,12
 0,88877 ' 0,54776  0,34101
On a par exemple

>'0,44  ’  1,01
 —1,01
' —'0,44

On a également

 —1,01
' ^1 ' —0,44
`
 —1,01
, —0,44
' 1
 0,84375 , 0,67003 ' 1
 0,51378

>'1,34  ’  '0,5
 —'0,5
' —'1,34

On a enfin

 ^1 ' —0,5
` ' ^1 ' —1,34
`
 —1,34
' —0,5

 0,90988 ' 0,69146

 0,21842

4.2) Lecture inverse

Nous savons que la fonction φ est ici de classe K  sur ℝ puisque la fonction densité :
1 ! d

 5 )
√2c
est continue.
Nous savons également qu’elle est croissante. Elle est même dans ce cas strictement croissante

— O 
 
 0
puisque

Elle réalise donc une bijection de ℝ sur ]0,1[.

@I \0,1, il existe unique dans ℝ tel que —

 I
Donc

La recherche de connaissant I est un problème fréquent.

Par exemple si ’  ˆ0,1
, on veut trouver tel que >’ 
 0,9
On cherche donc tel que —
 0,9
Cherchons 0,9 dans la table.
On trouve
0,08 0,09
1,2 0,89973 0,90147

—1,28
 0,89973
On a

—1,29
 0,90147

—1,28
 0,9  —1,29
ž 1,28   1,29
La fonction φ étant croissante, on a

Approximativement 0,9 est à peu près « au milieu » de l’intervalle [0,89973; 0,90147

  1,285
On prendra donc

En fait il est un peu plus près de 0,89973 que de 0,90147. On serait donc tenté de prendre plutôt
1,284.
En pratique cela n’a pas beaucoup d’importance parce que la loi normale est un « modèle
approximatif » du réel et le résultat que l’on trouve est certainement déjà une valeur approchée quelle
que soit la précision que l’on prend.

  1,282
En fait

Il n’est pas possible de trouver  et  tel que par exemple

Examinons maintenant le cas d’un intervalle :

>  ’  
 0,5

Examinons la situation sur un tableur en fixant la valeur de  pour trouver celle de  ¡

Non pas parce qu’il n’existe pas de tel couple, au contraire : il existe une infinité de couple possible.

 — 
—
, 0,5 
-2 0,02275013 0,52275013 0,05705707
-1,8 0,03593032 0,53593032 0,09018606
-1,6 0,05479929 0,55479929 0,13779629
-1,4 0,08075666 0,58075666 0,20382957
-1,2 0,11506967 0,61506967 0,29255716
-1 0,15865525 0,65865525 0,40879584
-0,8 0,2118554 0,7118554 0,55881321
-0,6 0,27425312 0,77425312 0,75292703
-0,4 0,34457826 0,84457826 1,01345374
-0,2 0,42074029 0,92074029 1,41006863

En fait la présence de deux inconnues  et  ne permet pas une résolution de l’équation.

Le plus classique est celui-ci : on cherche  tel que >'  ’  

 0,5
La situation est différente si l’on a un encadrement avec une seule inconnue.

>'  ’  
 —
' —'

En effet, on peut écrire

 —
' ^1 ' —
`
 2—
' 1
Ce résultat est général
 >'  ’  
 2—
' 1

>'  ’  
 0,5 ¢ 2—
' 1  0,5 ¢ —
 0,75
On aura ici

   0,675
On trouve dans la table

Application
On a pu estimer que le poids des rations de viande à la cantine suit une loi normale de moyenne 140 et

On nommera
cette variable aléatoire.

d’écart type 10.

Déterminer dans quel intervalle centré en 140, on trouvera 95% des rations de viande.

>140 ' ˜ 
 140 , ˜

 0,95
On cherche donc un nombre α tel que

140 ' ˜ ' 140
' 140 140 , ˜ ' 140

On a
>140 ' ˜ 
 140 , ˜
 > 0   1
10 10 10
˜ ˜
 > S' 
Z  T
10 10

Z  ˆ0,1

On sait que

˜ ˜ ˜
On a
> S' 
Z  T  2— S T ' 1
10 10 10

˜
On est donc ramené à résoudre l’équation
2— S T ' 1  0,95
10

˜
Soit
— S T  0,975
10

˜
On en tire dans la table
 1,96
10

˜  19,6
Donc

>140 ' 19,6 
 140 , 19,6

 0,95
On en tire

95% des rations de viande ont un poids compris entre 120,4 et 159,6.

4.3) Quelques intégrales intéressantes

1
Nous savons que
$% !d
# 5 ) &  1
% √2c

1
On en tire que
$% !d
# 5 
) &  1
√2c %
Et donc que
$% !d
# 5 ) &  √2c
%
On a
  !d $% !d
# 5 
) &  # 5 
) &
% 
On démontre cette égalité par le changement de variable L  ' dans la première intégrale.
Or
$% !d
# 5 ) &  √2c
%
Et
$% !d  !d $% !d
# 5 
) &  # 5 
) & , # 5 
) &
% % 
Donc
$% !d $% !d
# 5 ) &  2 # 5 ) &
% 
Et donc
$% !d √2c
# 5 ) & 
 2
On sait que si ’  ˆ0,1
, on a
"’
 0

1
Donc
$% !d
# 5 ) & 0
% √2c

1
Donc
$% !d
# 5 
) & 0
√2c %
Et donc
$% !d
# 5  ) & 0
%
Toujours par le changement de variable L  ' , on montre que
 !d $% !d
# 5  ) &  ' # 5  ) &
% 
Ce qui ici n’apporte rien puisque l’on retrouve alors
 !d $% !d
# 5 
) & , # 5 
) &  0
% 
Or
 !d $% !d $% !d
# 5 
) & , # 5 
) &  # 5 
) &
%  %
$% !d
On peut par contre déterminer # 5  ) & .

En effet, on a
O
!d !d
85 
)9  ' 5  )

On en déduit que
7 7
!d !d 7d
# 5 
) &  ('5 
)+  '5  ) ,1
 
Or
 7d
lim 5  ) 0
7<
Donc
$% !d
# 5 
) &  1

On sait que /’
 1
Or /’
 "’ )
' "’
)  "’ )
puisque "’
 0

"’ )
 1
Donc

1  !d
Donc
$%
# ) 5 ) &  1
% √2c

1
Donc
$% !d
# 5)  )
&  1
√2c %
Donc
$% !d
# )5 ) &  √2c
%
Remarquons que
$% !d $% !d
# )5 ) &  # 5 ) &
% %
Comme évidemment (par le même changement de variable L  '
, on montre que
 !d $% !d
# 5
)  )
&  # 5
)  )
&
% 
On en tire que
$% !d √2c
# 5
)  )
& 
 2