Ecole des Hautes Etudes Commerciales (EHEC)

Cours de Probabilités :

21- Loi Normale (Gaussienne)

Année universitaire : 2020/2021 préparé par : ASRI AyouB

III. Les variables aléatoires continues

7. Les lois usuelles

e. La loi Normale

e.1. Contexte

L’une des lois les plus utilisées en probabilités est la loi Gaussienne (Normale). Cette loi est
utilisée pour caractériser les phénomènes naturels issus de plusieurs évènements aléatoires.

e.2. Les paramètres

Formellement, une variable aléatoires 𝑋 suit une loi Normale, si elle a une espérance et
variances finies, qui vont être utilisées comme paramètres de cette loi.

𝑋~Normale(𝜇 = 𝐸[𝑋], 𝜎 2 = 𝑉(𝑋))

Exemple : Le temps qu’un chauffeur réagit au freins à l’arrivée au feu de signalisation est
généralement supposé suivre une loi Normale. On sait par ailleurs que le temps de réaction
moyen est de 1.25 secondes avec un écart-type de 0.46 secondes.

Alors, si on définit la variable aléatoire 𝑋 : « Le temps de réaction au frein d’un chauffeur ».

𝑋~Normale(𝜇 = 1.25, 𝜎 2 = 0.462 )

e.3. La fonction de densité

Définition : Fonction de densité de la variable aléatoire de loi Normale

Soit 𝑋 une variable aléatoire continue, suivant la loi Exponentielle de paramètres 𝜇 et 𝜎 2

𝑋~Normale(𝜇, 𝜎 2 ), sa fonction de densité est définie par :

1 −
1
(𝑥−𝜇)2
𝑓𝑋 (𝑥) = 𝑒 2𝜎2 ,𝑥 ∈ ℝ
𝜎√2𝜋
Exemple : Le temps qu’un chauffeur réagit au freins à l’arrivée au feu de signalisation est
généralement supposé suivre une loi Normale. On sait par ailleurs que le temps de réaction
moyen est de 1.25 secondes avec un écart-type de 0.46 secondes.

𝑋~Normale(𝜇 = 1.25, 𝜎 2 = 0.462 )

 La fonction de densité de la variable aléatoire 𝑋

1 1
− (𝑥−1.25)2
𝑓𝑋 (𝑥) = 𝑒 2(0.46)2 ,𝑥 ∈ ℝ
0.46√2𝜋

De la même manière que la loi Gamma, on peut utiliser la densité de la loi Normale pour
+∞ − 1 2 (𝑥−𝑢)2
calculer l’intégrale de la forme ∫−∞ 𝑒 2𝜎 𝑑𝑥

Propriétés : Calcul des intégrales

Soit 𝑋 une variable aléatoire continue, suivant la loi Exponentielle de paramètres 𝜇 et 𝜎 2

𝑋~Normale(𝜇, 𝜎 2 ), sa fonction de densité est définie par :

1 −
1
(𝑥−𝜇)2
𝑓𝑋 (𝑥) = 𝑒 2𝜎2 ,𝑥 ∈ ℝ
𝜎√2𝜋

Donc,
+∞ +∞ +∞
1 −
1
(𝑥−𝜇)2 −
1
(𝑥−𝜇)2
∫ 𝑓𝑋 (𝑥)𝑑𝑥 = 1 ⇒ ∫ 𝑒 2𝜎2 𝑑𝑥 =1⇒ ∫ 𝑒 2𝜎2 𝑑𝑥 = 𝜎√2𝜋
𝜎√2𝜋
−∞ −∞ −∞

Exemple :
1 2
+∞
 Calcul de l’intégrale 𝐼 = ∫−∞ 𝑒 −2𝑥 𝑑𝑥

+∞
1 2
𝐼 = ∫ 𝑒 −2𝑥 𝑑𝑥
−∞

1 1
On a 𝜇 = 0 et 2𝜎2 = 2 ⇒ 𝜎 2 = 1 ⇒ 𝜎 = 1, donc :

+∞
1 2
𝐼 = ∫ 𝑒 −2𝑥 𝑑𝑥 = √2𝜋
−∞

+∞ 2
 Calcul de l’intégrale 𝐼 = ∫−∞ 𝑒 −(𝑥−10) 𝑑𝑥

+∞
2
𝐼 = ∫ 𝑒 −(𝑥−10) 𝑑𝑥
−∞
 1 1 1
On a 𝜇 = 10 et 2𝜎2 = 1 ⇒ 𝜎 2 = 2 ⇒ 𝜎 = , donc :
√2

+∞
2 1
𝐼 = ∫ 𝑒 −(𝑥−10) 𝑑𝑥 = √2𝜋 = √𝜋
√2
−∞

e.4. Représentation Graphique de loi Normale

La densité de la loi Normale a la forme d’une cloche symétrique. Cette forme peut être modifié
selon les deux paramètres.

 L’espérance : change l’emplacement de la courbe. (Voir la densité en Vert, qui est

déplacé vers la gauche).
 La variance : change l’aplatissement de la courbe (la courbe jaune est aplatie car la
variance est élevée ce qui implique une grande dispersion. Par contre la cloche bleue est
plus condensé car la variance/dispersion est plus faible)

Figure : Courbe de loi Normale

e.5. La loi Normale centrée réduite

L’application de la loi Normale la plus utilisée et la loi Normale centrée (𝜇 = 0) et réduite

(𝜎 2 = 1) ou loi Normale standardisé.

On peut transformer n’importe quelle loi Normale avec paramètres 𝜇 et 𝜎 2 vers une loi Normale
centrée et réduite.
 Définition : Standardisation d’une loi Normale

Soit 𝑋 une variable aléatoire continue, suivant la loi Exponentielle de paramètres 𝜇 et 𝜎 2

𝑋~Normale(𝜇, 𝜎 2 ), alors :

𝑋−𝜇
𝑍= ~Normale(𝜇 = 0, 𝜎 2 = 1)
𝜎

Preuve :

- On doit utiliser le théorème qui cite que : « chaque transformation linéaire d’une
variable aléatoire Normale reste une loi Normale », donc

𝑋−𝜇 1 𝜇
𝑍= = 𝑋−
𝜎 𝜎 𝜎

une loi Normale.

- Les paramètres de la variable aléatoire 𝑍

𝑋−𝜇 1 𝜇 𝜇 𝜇
𝐸[𝑍] = 𝐸 [ ] = 𝐸[𝑋] − = − = 0
𝜎 𝜎 𝜎 𝜎 𝜎

𝑋−𝜇 1 𝜎2
𝑉(𝑍) = 𝑉 ( ) = 2 𝑉(𝑋) = 2 = 1
𝜎 𝜎 𝜎

𝑍~Normale(𝜇 = 0, 𝜎 2 = 1)

e.7. Calcul des probabilités

Pour calculer les probabilités on doit utiliser la fonction de répartition. Le problème est que
pour calculer la fonction de répartition d’une loi Normale, il faut calculer la fonction primitive
2
de la fonction 𝑒 −𝑥 , qui n’existe pas.

Pour surmonter ce problème, la fonction de répartition de la variable aléatoire

𝑍~Normale(0, 1) a été calculé est définie dans la table de la loi Normale centrée réduite
𝑧

𝜙(𝑧) = 𝑃(𝑍 ≤ 𝑧) = ∫ 𝑓𝑍 (𝑧)𝑑𝑧

−∞

La table est présentée en Annexe.

La table est définie seulement pour le cas ou 𝑧 > 0, pour trouver les valeurs pour le cas ou 𝑧 <
0, on utilise la propriété de symétrie d’une loi Normale.

𝜙(−𝑧) = 1 − 𝜙(𝑧)

Exemple : Le temps qu’un chauffeur réagit au freins à l’arrivée au feu de signalisation est
généralement supposé suivre une loi Normale. On sait par ailleurs que le temps de réaction
moyen est de 1.25 secondes avec un écart-type de 0.46 secondes.
 𝑋~Normale(𝜇 = 1.25, 𝜎 2 = 0.462 )

 Calculer la probabilité que le temps de réaction est inférieur à 1.75 secondes.

𝑋 − 1.25 1.75 − 1.25

𝑃(𝑋 ≤ 1.75) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ 1.08) = 𝜙(1.08) = 0.85993
0.46 0.46

 Calculer la probabilité que le temps de réaction est inférieur à 1 seconde.

𝑋 − 1.25 1 − 1.25
𝑃(𝑋 ≤ 1) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ 1.08) = 𝜙(−0.54) = 1 − 𝜙(0.54)
0.46 0.46
= 1 − 0.70540 = 0.29460

 Trouver le temps de réaction 𝑥 que 90% des chauffeurs n’ont pas pu le dépasser

𝑋 − 1.25 𝑥 − 1.25 𝑥 − 1.25

𝑃(𝑋 ≤ 𝑥) = 0.9 ⇒ 𝑃 ( ≤ ) = 0.9 ⇒ 𝑃 (𝑍 ≤ ) = 0.9
0.46 0.46 0.46
𝑥 − 1.25 𝑥 − 1.25
⇒ 𝜙( ) = 0.9 ⇒ = 1.28 ⇒ 𝑥 = 1.28 × 0.46 + 1.25
0.46 0.46
= 1.8388

90% des chauffeurs réagit au freins avant 1.84 secondes.

  Trouver le temps de réaction 𝑥 que 85% des chauffeurs ont pu dépasser

𝑃(𝑋 > 𝑥) = 0.85 ⇒ 1 − 𝑃(𝑋 ≤ 𝑥) = 0.85 ⇒ 𝑃(𝑋 ≤ 𝑥) = 0.15

𝑋 − 1.25 𝑥 − 1.25 𝑥 − 1.25
⇒ 𝑃( ≤ ) = 0.15 ⇒ 𝑃 (𝑍 ≤ ) = 0.15
0.46 0.46 0.46
𝑥 − 1.25 𝑥 − 1.25
⇒ 𝜙( ) = 0.15 ⇒ 1 − 𝜙 (− ( )) = 0.15
0.46 0.46
𝑥 − 1.25 𝑥 − 1.25
⇒ 𝜙 (− ( )) = 0.85 ⇒ − = 1.04 ⇒ 𝑥
0.46 0.46
= 1.25 − 1.04 × 0.46 = 0.7716

85% des chauffeurs réagit au freins après 0.7716 secondes.

e.8. La médiane

Définition : Médiane de la variable aléatoire de loi Normale

Soit 𝑋 une variable aléatoire continue, suivant la loi Exponentielle de paramètres 𝜇 et 𝜎 2

𝑋~Normale(𝜇, 𝜎 2 ), sa médiane est définie par :

𝑀𝑒 = 𝜇

Preuve :

1 𝑋 − 𝜇 𝑀𝑒 − 𝜇 1 𝑀𝑒 − 𝜇 1 𝑀𝑒 − 𝜇
= 𝑃(𝑋 ≤ 𝑀𝑒 ) ⇒ 𝑃 ( ≤ ) = ⇒ 𝑃 (𝑍 ≤ ) = ⇒ 𝜙( )
2 𝜎 𝜎 2 𝜎 2 𝜎
1 𝑀𝑒 − 𝜇
= ⇒ = 0 ⇒ 𝑀𝑒 − 𝜇 = 0 ⇒ 𝑀𝑒 = 𝜇
2 𝜎

Exemple : Le temps qu’un chauffeur réagit au freins à l’arrivée au feu de signalisation est
généralement supposé suivre une loi Normale. On sait par ailleurs que le temps de réaction
moyen est de 1.25 secondes avec un écart-type de 0.46 secondes.

𝑋~Normale(𝜇 = 1.25, 𝜎 2 = 0.462 )

 La médiane de la variable aléatoire 𝑋

 𝑀𝑒 = 𝜇 = 1.25

Le temps médian de réaction du chauffeur est de 1.25 secondes.

e.9. Le mode

Définition : Mode de la variable aléatoire de loi Normale

Soit 𝑋 une variable aléatoire continue, suivant la loi Exponentielle de paramètres 𝜇 et 𝜎 2

𝑋~Normale(𝜇, 𝜎 2 ), son mode est définie par :

𝑥𝑚𝑜𝑑𝑒 = 𝜇

Preuve :

𝜕 𝜕 1 −
1
(𝑥−𝑢)2 1 1
𝑓𝑋′ (𝑥) = (𝑓𝑋 (𝑥)) = ( 𝑒 2𝜎2 )= (− 2 ) (2)(𝑥 − 𝑢)
𝜕𝑥 𝜕𝑥 𝜎√2𝜋 𝜎√2𝜋 2𝜎
−1
= (𝑥 − 𝑢)
3
𝜎 √2𝜋

−1
𝑓𝑋′ (𝑥) = 0 ⇒ (𝑥 − 𝑢) = 0 ⇒ (𝑥 − 𝑢) = 0 ⇒ 𝑥 = 𝜇
𝜎 3 √2𝜋

𝜕 𝜕 −1 −1
𝑓𝑋′′ (𝑥) = (𝑓𝑋′ (𝑥)) = ( (𝑥 − 𝑢)) =
𝜕𝑥 𝜕𝑥 𝜎 3 √2𝜋 𝜎 3 √2𝜋

−1
𝑓𝑋′′ (𝑥 = 𝜇) = <0
𝜎 3 √2𝜋

Exemple : Le temps qu’un chauffeur réagit au freins à l’arrivée au feu de signalisation est
généralement supposé suivre une loi Normale. On sait par ailleurs que le temps de réaction
moyen est de 1.25 secondes avec un écart-type de 0.46 secondes.

𝑋~Normale(𝜇 = 1.25, 𝜎 2 = 0.462 )

 Le mode de la variable aléatoire 𝑋

𝑥𝑚𝑜𝑑𝑒 = 𝜇 = 1.25
e.10. La fonction génératrice des moments

Définition : Mode de la variable aléatoire de loi Normale

Soit 𝑋 une variable aléatoire continue, suivant la loi Exponentielle de paramètres 𝜇 et 𝜎 2

𝑋~Normale(𝜇, 𝜎 2 ), sa fonction génératrice des moments est définie par :

1 2 2
𝑀𝑋 (𝑡) = 𝑒 𝑡𝜇+2𝜎 𝑡

Preuve :
∞ ∞
𝑡𝑋 ] 𝑡𝑥
1 −
1
(𝑥−𝑢)2
𝑀𝑋 (𝑡) = 𝐸[𝑒 = ∫ 𝑒 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑒 𝑡𝑥 𝑒 2𝜎2 𝑑𝑥
𝜎√2𝜋
−∞ −∞
∞
2
1 1 𝑥−𝑢
∫ 𝑒 𝑡𝑥 𝑒 −2( )
= 𝜎 𝑑𝑥
𝜎√2𝜋
−∞

On utilise le changement de variables :

𝑥−𝜇
𝑧= ⇒ 𝑥 = 𝜎𝑧 + 𝜇 et 𝑑𝑥 = 𝜎𝑑𝑧
𝜎
∞ ∞
1 1 2 1 1 2
𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡(𝜎𝑧+𝜇) 𝑒 −2𝑧 𝜎𝑑𝑧 = 𝑒 𝑡𝜇 ∫ 𝑒 𝜎𝑡𝑧 𝑒 −2𝑧 𝑑𝑧
𝜎√2𝜋 √2𝜋
−∞ −∞
∞ ∞
1 1 2 1 1 2 −2𝜎𝑡𝑧)
= 𝑒 𝑡𝜇 ∫ 𝑒 𝜎𝑡𝑧 𝑒 −2𝑧 𝑑𝑧 = 𝑒 𝑡𝜇 ∫ 𝑒 −2(𝑧 𝑑𝑧
√2𝜋 √2𝜋
−∞ −∞
∞
1 1 2 −2𝜎𝑡𝑧+𝜎 2 𝑡 2 ) 1 2 2
= 𝑒 𝑡𝜇 ∫ 𝑒 −2(𝑧 𝑒 2𝜎 𝑡
𝑑𝑧
√2𝜋
−∞
∞
1 1 2 2 1
(𝑧−𝜎𝑡)2
1 2 2
= 𝑒 𝑡𝜇+2𝜎 𝑡 ∫ 𝑒 −2 𝑑𝑧 = 𝑒 𝑡𝜇+2𝜎 𝑡
√2𝜋
−∞

Exemple : Soit 𝑋 une variable aléatoire suivant une loi Normale de paramètres 𝜇 et 𝜎 2

𝑋~Normale(𝜇, 𝜎 2 )

On définit la variable aléatoire 𝑌 = 𝑎𝑋 + 𝑏, 𝑎, 𝑏 ∈ ℝ2

On essaye de déterminer la loi de la variable aléatoire 𝑌 en utilisant la fonction génératrice des

moments.
1 2
(𝑎𝑡)2
𝑀𝑌 (𝑡) = 𝐸[𝑒 𝑡𝑌 ] = 𝐸[𝑒 𝑡(𝑎𝑋+𝑏) ] = 𝑒 𝑡𝑏 𝐸[𝑒 (𝑎𝑡)𝑋 ] = 𝑀𝑋 (𝑎𝑡)𝑒 𝑡𝑏 = 𝑒 𝑡𝑏 𝑒 𝑎𝑡𝜇+2𝜎
1
(𝑎𝜎)2 𝑡 2
= 𝑒 𝑡(𝑎𝜇+𝑏)+2

La fonction génératrice des moments de la variable aléatoire 𝑌 a la forme d’une fonction

génératrice des moments d’une loi Normale avec paramètres 𝐸[𝑌] = 𝑎𝜇 + 𝑏 et 𝑉(𝑌) = 𝑎2 𝜎 2
Exemple : Soit 𝑋 une variable aléatoire suivant une loi Normales de paramètres 𝜇 et 𝜎 2 . La
fonction génératrice des moments :
1 2 2
𝑀𝑋 (𝑡) = 𝑒 𝑡𝜇+2𝜎 𝑡

 L’espérance : 𝐸[𝑋] = 𝑀𝑋′ (𝑡 = 0)

𝜕 𝜕 1 2 2 1 2 2
𝑀𝑋′ (𝑡) = 𝑀𝑋 (𝑡) = (𝑒 𝑡𝜇+2𝜎 𝑡 ) = (𝜇 + 𝜎 2 𝑡)𝑒 𝑡𝜇+2𝜎 𝑡
𝜕𝑡 𝜕𝑡
1 2
𝑀𝑋′ (𝑡 = 0) = (𝜇 + 𝜎 2 (0))𝑒 0𝜇+2𝜎 0
=𝜇

 Le moment d’ordre 2 : 𝐸[𝑋 2 ] = 𝑀𝑋′′ (𝑡 = 0)

𝜕 𝜕 1 2 2
𝑀𝑋′′ (𝑡) = 𝑀𝑋′ (𝑡) = ((𝜇 + 𝜎 2 𝑡)𝑒 𝑡𝜇+2𝜎 𝑡 )
𝜕𝑡 𝜕𝑡
1 2 2 1 2 2 1 2 2
= 𝜎 2 𝑒 𝑡𝜇+2𝜎 𝑡
+ (𝜇 + 𝜎 2 𝑡)2 𝑒 𝑡𝜇+2𝜎 𝑡
= ((𝜇 + 𝜎 2 𝑡)2 + 𝜎 2 )𝑒 𝑡𝜇+2𝜎𝑡
1 2
𝑀𝑋′′ (𝑡 = 0) = ((𝜇 + 𝜎 2 0)2 + 𝜎 2 )𝑒 0𝜇+2𝜎 0
= 𝜇2 + 𝜎 2
 La variance : 𝑉(𝑋)

𝑉(𝑋) = 𝐸[𝑋 2 ] − 𝐸[𝑋]2 = 𝜇 2 + 𝜎 2 − (𝜇)2 = 𝜎 2