Chapitre 8

Lois de Probabilité Continues

Usuelles

8.1 Loi uniforme

Une v.a. X suit une loi uniforme si sa densité est constante sur un intervalle [a, b] :
( 1
si a ≤ x ≤ b
f (x) = b−a
0 sinon
On écrit X ∼ U[a,b] . Sa fonction de répartition est définie par :

 0x − a si x < a,


FX (x) = si a ≤ x ≤ b,
 b−a

1 si x > b.
La variable aléatoire X admet une espérance et une variance et on a :
a+b (b − a)2
E(X) = , et V (X) = .
2 12

8.2 Loi exponentielle

Une v.a. X suit une loi exponentielle de paramètre λ > 0, si sa densité s’écrit de
la façon suivante :
si x ≥ 0
 −λx
λe
f (x) =
0 sinon
On écrit X ∼ E(λ) . Sa fonction de répartition est définie par :
1 − e−λx si x ≥ b,

FX (x) =
0 sinon.

1
USTHB : 1ère année ING ST 2022/2023 Probabilités et Statistique

La variable aléatoire X admet une espérance et une variance et on a :

1 1
E(X) = , et V (X) = 2 .
λ λ

8.3 Loi normale ou de Laplace-Gauss

8.3.1 Loi normale N (m, σ 2 )
Une variable aléatoire continue X suit une loi normale de paramètres m et σ 2
notée N (m, σ 2 ) où m ∈ R et σ > 0, si sa densité de probabilité est la fonction f
définie sur R par :
1 1 2
f (x) = √ e− 2σ2 (x−m) , ∀ x ∈ R.
σ 2π
Cette densité forme une courbe en cloche. Elle admet la droite x = m comme axe de
symétrie et deux points d’inflexion d’abscisse x = m ± σ.

Figure 8.1 – Densité de probabilité de la loi Normale N (µ, σ 2 )

La variable aléatoire X admet une espérance et une variance et on a :

E(X) = m, et V (X) = σ 2 .
Sa fonction de répartition est définie par :
Z x
1 1 2
FX (x) = P (X ≤ x) = √ e− 2σ2 (t−m) dt.
−∞ σ 2π

Graphiquement, c’est l’aire délimitée par la courbe en cloche, l’axe des abscisses et
à gauche de la droite t = x. Analytiquement, Cette intégrale ne peut être calculée
directement. Pour ce faire on doit passer par le cas particulier où m = 0 et σ = 1,
on parle alors de la loi normale centrée réduite N (0, 1).
Propriétés. (Propriété des 3 sigmas)
• P (m − σ < X < m + σ) = 0.6826 ⇔ 68% des valeurs sont dans [m − σ; m + σ].
• P (m−2σ < X < m+2σ) = 0.9545 ⇔ 95% des valeurs sont dans [m−2σ; m+2σ].
• P (m−3σ < X < m+3σ) = 0.9973 ⇔ 99.7% des valeurs sont dans [m−3σ; m+3σ].

2
USTHB : 1ère année ING ST 2022/2023 Probabilités et Statistique

Figure 8.2 – Fonction de répartition de la loi Normale N (µ, σ 2 )

8.3.2 Loi normale N (0, 1)

Une variable aléatoire continue Z suit une loi normale centrée réduite, N (0, 1),
si sa densité de probabilité est la fonction f définie sur R par :
1 1 2
f (z) = √ e− 2 z , ∀ z ∈ R.
2π
Cette densité forme une courbe en cloche. Elle admet la droite x = 0 comme axe de
symétrie et deux points d’inflexion d’abscisse x = ±1.
La variable aléatoire Z admet une espérance et une variance et on a :

E(X) = 0, et V (X) = 1.

Démonstration. On a :
R∞ R∞ z − 1 z2
• E(Z) = zf (z) dz = √ e 2 = 0 (intégrale sur R d’une fonction
−∞ −∞ 2π
impaire).
R∞ 2 R∞ z 2 − 1 z2
• E(Z 2 ) = z f (z) dz = √ e 2 = 1 (à admettre).
−∞ −∞ 2π
Alors, V (Z) = E(Z 2 ) − [E(Z)]2 = 1.

La fonction de répartition de Z est définie par :

Z z
1 1 2
Φ(z) = P (Z ≤ z) = √ e− 2 t dt.
−∞ 2π
Graphiquement, C’est l’aire délimitée par la courbe en cloche, l’axe des abscisses et
par la droite t = z. Cette intégrale a été calculée par interpolation et donnée sous
forme de table statistique. Ses valeurs peuvent se lire sur une table donnée en annexe.
La table ne donne que les valeurs de P (Z ≤ z) = Φ(z) pour z positif. Pour les valeurs
de z qui sont négatives, on les déduit par symétrie.

3
USTHB : 1ère année ING ST 2022/2023 Probabilités et Statistique

Propriétés.
1
• Φ(0) = P (Z ≤ 0) = P (Z ≥ 0) =
2
• Φ(−z) = 1 − Φ(z) par symétrie de la densité f (z) par rapport à la droite
z = 0.
1 1
• Φ(z) ≥ ⇔ z ≥ 0, et Φ(z) ≤ ⇔ z ≤ 0.
2 2

8.3.3 Lecture de la table N (0, 1)

a. Lecture directe : (z est donnée, lire Φ(z))
• Si 0 ≤ z ≤ 4, lire Φ(z) sur la table.
Exemple : Φ(1.24) =?
z = 1.24 s’écrit comme 1, 2 + 0, 04, alors Φ(1.24) se trouve à l’intersection de
la ligne 1, 2 et de la colonne 0, 04. On lit Φ(1.24) = 0, 8925.
• Si z ≥ 4, Φ(z) = 1.
• Si z < 0, on utilise la propriété de symétrie, soit Φ(z) = 1 − Φ(−z)
Exemple : Φ(−1.24) =?
z = 1.24 s’écrit comme 1, 2 + 0, 04, On a Φ(−1.24) = 1 − Φ(1.24) = 0.1075

b. Lecture inverse : (Φ(z) donné, lire z)

1
• Si Φ(z) ≥ , lire z.
2
Exemple 1 : Φ(z) = 0.67.
On voit que Φ(z) = 0.67 est au croisement de la ligne 0.4 et de la colonne
0.04. Alors z = 0.44.
Exemple 2 : Φ(z) = 0.8930.
On remarque que 0.8930 n’existe pas sur la table, on prendra la valeur la plus
proche de Φ(z) . Par encadrement, on lit sur la table que

0.8925 < 0.8930 < 08944

qui correspond à
Φ(1.24) < Φ(z) < Φ(1.25)
Φ(1.24) = 0.8925 est la valeur la plus proche de 0.8930. Par conséquent, on
prendra z = 1.24.
1
• Si Φ(z) ≤ , utiliser le propriétés de la loi normale.
2

4
USTHB : 1ère année ING ST 2022/2023 Probabilités et Statistique

Exemple : Φ(z) = 0.25.

1
On a Φ(z) ≤ =⇒ z < 0 =⇒ −z > 0. On calculera donc Φ(−z).
2
Φ(−z) = 1 − Φ(z) = 1 − 0.25 =⇒ −z = 0.67 =⇒ z = −0.67

Théorème. Si la variable aléatoire X suit une loi normale N (m, σ 2 ), alors la

variable aléatoire :
X −m
i). Z = suit une loi normale centrée réduite N (0, 1).
σ
x−m
ii). P (X ≤ x) = Φ(z), tel que z = .
σ
x−m
iii). P (X ≥ x) = Φ(−z), tel que z = .
σ
Démonstration.
i). A admettre.
ii). On a  
X −m x−m
P (X ≤ x) = P ≤ , car σ > 0.
σ σ
X −m x−m
En posant Z = ,z= , et d’après i). on sait que Z ∼ N (0, 1).
σ σ
Alors, on a bien P (X ≤ x) = P (Z ≤ z) = Φ(z).
iii). P (X ≥ x) = 1 − P (X < x) = 1 − Φ(z) = Φ(−z) ⇔ P (X ≥ x) = Φ(−z).

Exercice 1.
1. Démontrer la propriété des 3 sigmas de la loi N (m, σ 2 ) citée précédemment.
Réponse : Montrons que si X ∼ N (m, σ 2 ) =⇒ P (m−σ < X < m+σ) = 0.6826
X −m
D’après le théorème, on sait que si X ∼ N (m, σ 2 ) alors Z = ∼ N (0, 1).
σ
On a :  
(m − σ) − m (m + σ) − m
P (m − σ < X < m + σ) = P <X<
σ σ
= P (−1 < Z < 1) = P (Z < 1) − P (Z ≤ −1)
= Φ(1) − Φ(−1) = Φ(1) − (1 − Φ(1))
= 2Φ(1) − 1 = 0.6826.
Les deux autres propriétés se démontrent de la même façon.

5
USTHB : 1ère année ING ST 2022/2023 Probabilités et Statistique

2. Montrer que si X est une variable aléatoire de loi N (m, σ 2 ) alors E(X) = m
et V (X) = σ 2 .
Réponse : Toujours d’après le théorème, on sait que si X ∼ N (m, σ 2 ) alors
X −m
Z= ∼ N (0, 1). De plus E(Z) = 0, et V (Z) = 1.
σ
X −m
On a, Z = ⇔ X = m + σZ =⇒ E(X) = m + σE(Z) = m, et
σ
V (X) = σ 2 V (Z) = σ 2 .

Exercice 2. Dans une population humaine, la mesure de la quantité d’urée dans

le sang en (mg/100 ml) a donné une moyenne de 27 mg/100 ml et une variance de
25 (mg/100 ml)2 . On suppose que cette variable est de loi Normale. On prend un
individu au hasard.
1. Quelle est la probabilité que sa quantité d’urée soit inférieure à 24,5 ?
Réponse :
X : " la quantité d’urée dans le sang", E(X) = 27, V (X) = 25.
X −m
De plus, on sait que si X ∼ N (m, σ 2 ) alors Z = ∼ N (0, 1), et que
σ
x−m
P (X ≤ x) = Φ(z), tel que z = .
σ 
24.5 − 27
P (X < 24.5) = P (X ≤ 24.5) = Φ √ = Φ(−0.5) = 1 − Φ(0.5)
25
= 1 − 0.6915 = 0.3085.
2. Déterminer la limite x0 , appelé seuil pathologique, tel qu’il y ait 2,5% d’indi-
vidus dont la quantité d’urée est supérieure à cette valeur x0 .
Réponse : Trouver x0 tel que P (X > x0 ) = 0.025.
On a P (X > x0 ) = 1 − P (X ≤ x0 ) = 0.025 =⇒ P (X ≤ x0 ) = 0.975.
De plus, on sait que P (X ≤ x0 ) = Φ(z0 ) = 0.975 =⇒ z0 = 1.96, avec
x0 − m
z0 = . Donc
σ
x0 = m + σ z0 = 27 + 5 × 1.96 = 36.8
On conclut que le seuil pathologique est de 36.8 mg/100 ml.

8.4 Approximation d’une loi binomiale par une loi

normale
Pour n suffisamment grand, et p ni trop grand, ni trop petit, la loi binomiale peut
être approximée par la loi normale. Dans la pratique on doit avoir

 n > 30
np ≥ 5
nq ≥ 5


6
USTHB : 1ère année ING ST 2022/2023 Probabilités et Statistique

Dans ce cas la loi B(n, p) est approximée par une loi N (m, σ 2 ), avec m = np, et
σ 2 = npq.

Remarque. Dans certains cas limites, la loi binomiale pourrait être approximée à
la fois par la loi de Poisson et la loi normale. On préférera l’approximation par la loi
normale, car il n’y aura qu’une seule probabilité à calculer.

Exemple. On lance deux dés 200 fois. Quelle est la probabilité d’avoir au moins 10
fois le double as ?
Soit X : "le nombre de fois où on obtient le double as en 200 jets de 2 dés".
1
X ∼ B(n, p), avec n = 200, et p = .
36  k  200−k
9 9 1 35
k
P P
P (X ≥ 10) = 1−P (X < 10) = 1− P (X = k) = 1− C200
i=1 i=1 36 36
Ces calculs sont très ardus donc on approxime cette loi. On a n = 200 > 50,
1
p = < 0.1. Donc on peut approximer la loi binomiale B(200, 36 1
) par une loi
36
de Poisson P(5.56).
9 5.56k
Dans ce cas, on a P (X ≥ 10) = 1 − P (X < 10) = 1 − e−5.56 . Là on
P
i=1 k!
aurait 10 calcul de probabilité a faire.
De l’autre coté, on a aussi n = 200 > 30, np = 5.56 > 5, et nq = 194.44 > 5. Donc
on peut approximer la loi binomiale B(200,36 1
) par une
 loi normale N (np, npq).
10 − 556
Donc, P (X ≥ 10) = 1−P (X ≤ 10) = 1−Φ √ = 1−Φ(1.91) = 1−0.9719 = 0.0281.
54