1 1 𝑥−𝜇 2

Pour une distribution X ↝ 𝑁(𝜇, 𝜎) −

f x = 𝑒 2 𝜎
𝜎 2𝜋
1 1
−2 𝑥 2
Il est claire que pour une distribution Z ↝ 𝑁(0,1) f x = 𝑒
2𝜋
Ces formules donnent les probabilités ponctuelles (non cumulative). Pour
cette raison leurs utilisations sont très limitées et l’utilisation des tables
est préférée..
Exemple
Supposons que la distribution des poids (exemple précédent) soit normale
avec une moyenne 𝑋ത = 64.75 et un écart-type S = 14.
Quelle est la probabilité qu’un étudiant ait un poids de moins de 70 Kg?

La probabilité recherchée est l’air bleu sous la courbe.

𝑷−𝐗ഥ 𝟕𝟎 − 𝟔𝟒. 𝟕𝟓
Normalisons la valeur du poids 70 Kg: 𝒁 = = = 𝟎. 𝟑𝟕𝟓
𝐒 𝟏𝟒
𝑃 𝑃𝑜𝑖𝑑𝑠 < 70 ↝ 𝑁 64.75, 14 = 𝑃 𝑍 < 0.38 ↝ 𝑁 0 , 1
De la table P(Z < 0.38) = 0.64803

Et donc P(Poids < 70 Kg) = 0.64803

163
 Les question suivantes sont à préparer et seront traitées en TD.

Quelle est la probabilité qu’un étudiant ait un poids de plus de 115 Kg ?

Quelle est la probabilité qu’un étudiant ait un poids entre 72 et 87 Kg ?

Quelle est la probabilité qu’un étudiant ait un poids entre 60 et 70 Kg ?

164
Trouver une valeur pour une probabilité donnée
Il arrive des cas où, de façon inverse, on veut trouver la valeur qui correspond à une probabilité donnée.

Quelle valeur du poids délimite le 5% des scores les plus élevés?

C’est l’équivalent de
La valeur x recherchée
P(Z < z) = 0.95 (ici z
réponds à cette équation:
est la valeur
P(Poids < x ) = 0.95
normalisée de x)
0.05
64.75 x 0.05

0 z

Cherchons dans la table la valeur 0.95

Elle se trouve entre 0.9495 et 0.9505 (pour des valeur de z entre

1.64 et 1.65). Donc z=1.645
𝑥−µ
Maintenant cherchons x 𝑧= ⇒ 𝑥 = 𝑧𝜎 + 𝜇
𝜎
=1.645*14+64.75 = 87.78 Kg

165
Quelle valeur du poids délimite le 5% des scores les plus faibles?
La valeur x recherchée réponds à l’équation P(Poids < x ) = 0.05

Ce qui correspond à P( Z < -z) = 0.05 (car la région < 0.05 se trouve du
côté des z négatives)

P(Z < −z )= 0.05 ⟹ P(Z>z)=0.05 ⟹ P(Z < z)=0.95

z = 1.645 et donc la valeur z recherchée est -1.645

0.05
x = -1.645*14+64.75 = 41.72 Kg -z 0

Quelle valeurs du poids délimite le 50% des scores se trouvant au centre?

Il suffit de trouver la valeur Z qui correspond à 25% des scores les
plus élevés, puis par symétrie, déterminer –Z. Finalement les valeurs
des poids qui correspondent aux Z sont calculés.
0.25 0.50 0.25

-Z 0 Z

166
LA RÈGLE EMPIRIQUE
Énoncé: si la distribution de probabilités d'une variable est symétrique et en forme de cloche, alors

environ 68% des valeurs de la population se retrouveront entre µ - σ et µ + σ

environ 95% des valeurs de la population se retrouveront entre µ - 2σ et µ + 2σ

presque 100% des valeurs de la population se retrouveront entre µ - 3σ et µ + 3σ

167
Approximation de la loi Binomiale par la loi Normale
Au passé, le calcule des probabilités binomiales était faisable et simple en utilisant les tables.
Cependant, lorsque le nombre de valeur devient élevé, cette méthode n’est plus possible, et il fallait
utiliser la formule binomiale, ce qui pouvait être très compliqué.
L'utilisation de l'approximation normale de la distribution binomiale a simplifié le processus. Pour cela,
il faut remplir les conditions de l’approximation.

Conditions • n ≥ 30
• np > 5
• nq > 5
Si les conditions sont remplies, alors 𝑋 ↝ 𝛽 𝑛, 𝑝 ≅ 𝑋 ↝ 𝑁(𝑛𝑝, 𝑛𝑝𝑞)
1 1 𝑘−𝜇 2
−
𝒑 𝒌 = 𝑪𝒌𝒏 . 𝒑𝒌 . 𝒒𝒏−𝒌 ≅ f k = 𝑒 2 𝜎
𝜎 2𝜋

168
Soit une variable aléatoire discrète ayant pour modalités: K-1, K, et K+1
Comme S ↝ B(n, p) est une L’air du bâton (k) est proche L’air du rectangle (k-0.5, k+0.5)
variable aléatoire discrète, la de l’aire du rectangle (k-0.5, est proche de l’air sous la courbe
probabilité P[S=k] est égale à k+0.5) de couleur rouge de la densité de la loi normale
l’air du bâton correspondant claire. (rouge claire).
dans l’histogramme.

≈ ≈

K-1 K K+1 K-1 K K+1

𝒑 𝒌 = 𝑪𝒌𝒏 . 𝒑𝒌 . 𝒒𝒏−𝒌 𝒑𝒐𝒖𝒓 𝑿 ↝ 𝑩(𝒏, 𝒑) ≅ P(K-0.5 < X < K+0.5) 𝐩𝐨𝐮𝐫 𝑿 ↝ 𝑵(𝒏𝒑, 𝒏𝒑𝒒)

Le fait d’enlever ou d’ajouter une correction de 0.5 s’appelle la correction de continuité.

169
Exemple
La probabilité de la dyslexie est de l’ordre de 5%. Dans une école de120 élèves, on cherche à calculer:
1. la probabilité d’avoir 5 dyslexiques dans l’école ?
2. la probabilité d’avoir 10 dyslexiques dans l’école ?
3. la probabilité d’avoir entre 5 et 10 dyslexiques dans l’école ?
Solution
L’évènement « être dyslexique ou non » suit une loi binomiale de paramètre: n=120 p=0.05 et q=0.95
L’espérance est: E(x) = np = 120 * 0.05 = 6 et de variance V(X) = npq = 120 * 0.05 * 0.95 = 5.70
1. la probabilité d’avoir 5 dyslexiques dans l’école ?

p k = Cnk . pk . qn−k
5
p 5 = C120 ∗ 0.055 ∗ 0.95120−5
p 5 = 190578024 ∗ 3.125E−07 ∗0.0027429 =0.1633
2. la probabilité d’avoir 10 dyslexiques dans l’école ?
10
p 10 = C120 ∗ 0.0510 ∗ 0.95120−10 = 0.040
3. la probabilité d’avoir entre 5 et 10 dyslexiques dans l’école ?
p 5 ≤ k ≤ 10 =P(5)+P(6)+P(7)+P(8)+P(9)+P(10)
p 5 ≤ k ≤ 10 =0.1634 + 0.1648 + 0.1412 + 0.105 + 0.0688 + 0.0402 = 0.6834

170
Peut-on approximer l’évènement « être dyslexique ou non » avec une loi normale?
✓ n = 120 et donc > 30 Puisque les conditions sont réunies alors la loi
✓ np = 120 * 0.05 = 6 et donc > 5 binomiale peut être approximée par une loi normale de
✓ nq = 120 * 0.95 =114 et donc > 5 moyenne μ = np et d’écart type σ = 𝑛𝑝𝑞

μ= np= 120 * 0.05 = 6 σ = 𝑛𝑝𝑞= 120 ∗ 0.05 ∗ 0.95 = 2.39

1. la probabilité d’avoir 5 dyslexiques dans l’école ?
P(X=5) = P(X-0.5 < X < X+05 = P(4.5 < X < 5.5)
𝑋−𝜇 4.5−6 5.5 − 6
Normalisons les valeurs 4.5 et 5.5 𝑍1 =
𝜎
= = - 0.63 𝑍2 = = −0.21
2.39 2.39
P(X=5) = F( -0.63< Z < -0.21 ) = F( Z < -0.21 ) – F(Z < -0.63)

F( Z < -0.21 ) = F(Z> 0.21) = 1 – F(Z < 0.21)

= 1 – 0.58317 = 0.41683
F( Z < -0.63 ) = 1 – F(Z < 0.63)=1-0.73565= 0.2643
P(X=5) = F( -0.63< Z < -0.20 )
= 0.41683 – 0.2643 = 0.1525 Avec la loi Binomiale nous avons trouvé 0.1633
2. la probabilité d’avoir 10 dyslexiques dans l’école ? 9.5−6 10.5 − 6
𝑍1 = = 1.46 𝑍2 = = 1.88
2.39 2.39
P(X=10) = F( 1.46< Z < 1.88) =0.96995 - 0.92785 = 0.0421
Avec la loi Binomiale nous avons trouvé 0.040
171
3. la probabilité d’avoir entre 5 et 10 dyslexiques dans l’école ?
Dans ce cas la correction de continuité est appliquée aux bornes de l’intervalle.

P(5 < X < 10) = P(4.5 < X < 10.5)

= F(-0.63 < Z < 1.88) = F(-0.63 < Z < 1.88) = 0.96995- 0.2643 = 0.705

Avec la loi Binomiale nous avons trouvé 0.6834

172