Chapiptre 5 Variables Aléatoires et Distributions de

Probabilité

Prof. Ndondo M. Apollinaire

13 juillet 2022

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité13 juillet 2022 1 / 49
Variables Aléatoires et Distributions de Probabilité

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité13 juillet 2022 2 / 49
Variables Aléatoires

Définition
1 Une variable aléatoire X est une grandeur qui peut prendre plusieurs
valeurs quelconques (inconnues d’avance) avec une certaine
probabilité lors d’une expérience aléatoire.
2 Une variable aléatoire est dite DISCRETE si les valeurs possibles de X
sont des entiers, elle est CONTINUE si les valeurs possibles de X sont
des nombres réels.

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité13 juillet 2022 3 / 49
Exemples de Variables aléatoires

1 Le nombre de fois qu’un patient se présente à la consultation chaque

année. Les valeurs possibles de cette variable aléatoire X qui compte
le nombre de visites sont : 0; 1; 2; . . .. Ainsi, X est une variable
aléatoire DISCRETE.
2 La durée de vie d’une lampe est une . . . est variable aléatoire
CONTINUE, les valeurs possibles de cette variable aléatoire Y qui
mesure la durée de vie d’une lampe sont des intervalles de R

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité13 juillet 2022 4 / 49
Distribution de probabilité d’une variable aléatoire discrete

Si X est une variable aléatoire sur un ensemble fondamental Ω à valeurs

finies i.e. alors :
X (Ω) = (x1 , x2 , . . . , xn )
X (Ω) devient un espace probabilisé si l’on définit la probabilité des xi i.e.

P(X = xi )

On définit donc une fonction f par :

f : X (Ω) → [0, 1] : xi → f (xi ) = P(X = xi )

La fonction f est appelée distribution de probabilité ou densité de

probabilité de la variable aléatoire X

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité13 juillet 2022 5 / 49
Distribution de probabilité d’une variable aléatoire discrete

La distribution d’une variable aléatoire se donne habituellement sous la

forme d’un tableau.

x1 x2 x3 x4 ··· xn
f (x1 ) f (x2 ) f (x3 ) f (x4 ) ··· f (xn )

Où x1 , x2 , x3 , x4 , · · · , xn sont valeurs possibles que peut prendre la variable

aléatoire X , et

f (X1 ) = P(X = x1 ), f (X2 ) = P(X = x2 ), · · · , f (Xn ) = P(X = xn ).

Puisque les f (xi ) sont des probabilités on doit avoir :

1 f (xi ) ≥ 0
Pn
i=1 f (xi ) =1
2

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité13 juillet 2022 6 / 49
Exemples de variable aléatoire discrete

1 Exemple 1. On lance 2 fois de suite un dé a 6 faces parfaitement

équilibré. On définit la variable aléatoire X comme la somme des
faces obtenues. Déterminer la distribution de probabilité de cette
variable aléatoire X
2 Exemple 2. On lance successivement trois fois une pièce de monnaie
bien équilibrée. On définit la v.a. Y par le nombre de faces obtenues
en ces trois jets. Déterminer la distribution de probabilité de cette
variable aléatoire Y .
3 Exemple 3. Un jeu consiste a tirer une carte d’un jeu ordinaire de 52
cartes. Si on tire un AS, on gagne 10 dollars, un roi 5 dollars, une
dame 3 dollars, un valet 2 dollars, une carte avec un numéro pair, on
gagne un dollar et une carte avec un numéro impair aucun dollar.
Trouver la fonction de probabilité de la Va Z représentant le gain du
joueur.

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité13 juillet 2022 7 / 49
Distribution de probabilité d’une variable aléatoire continue
Si X est une variable aléatoire CONTINUE sur un ensemble fondamental
Ω alors l’ensemble de valeurs de X (Ω) est un intervalle i.e.

X (Ω) = [a, b] ⊆ R

L’ensemble {a ≤ X ≤ b} est un événement de Ω et on a :

Z b
P{a ≤ X ≤ b} = f (x )dx
a

La distribution d’une variable aléatoire continue X est donnée par une

fonction continue positive f (x ) telle que :
1 f (x ) ≥ 0 et
R +∞
2
−∞ f (x )dx = 1
3 la fonction f (x ) est alors appelée la densité de probabilité de la
variable aléatoire continue X
Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité13 juillet 2022 8 / 49
Exemples de variable aléatoire continue

cx 2 si 0 < x < 3
1 Exemple 1. On definit une fonction f (x ) = {
0 sinon
Evaluer la constante c pour que la fonction f soit une densité de
probabilité et calculer P(1 < x < 2)
2 Exemple 2. Soit le modèle probabiliste suivant :
x
4 pour 0 < x < 2
4−x
f (x ) = { 4 pour 2 < x ≤ 4
0 ailleurs
a) Montrer qu’il s’agit bien d’une fonction de densité et déterminer
b) P(2 < x < 3) et c) P(1/2 < x < 7/2)
NOTA. On définit la fonction de répartition d’une v.a X notée
Z a
F (a) = P(x < a) = f (x )dx
−∞

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité13 juillet 2022 9 / 49
Moyenne ou Espérance mathematique d’une variable
aléatoire : Cas discret

La moyenne ou l’espérance mathematique d’une variable aléatoire est

donnée par :
n
X n
X
E(X ) = xi P(xi ) = xi P(X = xi )
i=1 i=1

L’espérance est donc la moyenne pondérée des valeurs xi de la vad X ,

chaque valeur étant pondérée par sa probabilité.
Exemple Un vendeur de parapluies peut gagner 30000 FC par jour quand
il pleut. Il peut perdre 6000 FC par jour quand il fait chaud. Quelle somme
peut-il espérer gagner par jour si la probabilité pour qu’il pleuve est 0.3 ?

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 10 / 49
Variance d’une variable aléatoire discret

n
X
Var (X ) = (xi − E(X ))2 P(xi ) = E(X 2 ) − (E(X ))2
i=1

Exemple Un vendeur de parapluies peut gagner 30000 FC par jour quand

il pleut. Il peut perdre 6000 FC par jour quand il fait chaud. Si Y est la va
qui evalue le gain de ce vendeur, calculer la variance de cette variable
aléatoire si la probabilité pour qu’il pleuve est 0.3 ?

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 11 / 49
Espérance mathématique d’une variable aléatoire continue

Z +∞
µ = E(X ) = xf (x )dx
−∞

cx 2 si 0 < x < 3
Exemple 1. On definit une fonction f (x ) = {
0 sinon
Determiner l’espérance mathématique de la vac X

Exemple 2. La densité de probabilité d’une v.a est :

c exp(−3x ) pour x ≥ 0
f (x ) = {
0 ailleurs
Evaluer la constante c, Calculer P(1 < X < 2), P(X ≥ 3), P(X < 1),
Determiner l’espérance mathématique de la vac X

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 12 / 49
Variance et écart-type d’une variable aléatoire continue

La variance de X , que l’on écrit Var(X ) ou σ 2 , est alors définie par

Z +∞ Z +∞
Var(X ) = (x − E(X ))2 f (x )dx = x 2 f (x ) − E(X )2 dx
−∞ −∞

On a aussi
Var(X ) = E(X 2 ) − (E(X ))2
p
L’écart de X , qu’on écrit σ, est la racine carrée de Var(X ) : σ = Var(X )
x
4 pour 0 < x < 2
4−x
Exemple. Soit le modèle f (x ) = { 4 pour 2 < x ≤ 4
0 ailleurs
Determiner la variance de la vac X

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 13 / 49
Exercices d’application

exercices d’application
1 Un sac contient 6 crayons et 3 gommes à effacer. On tire
successivement et avec remise 3 objets de ce sac. Si X représente le
nombre de gommes à effacer, trouver :
La fonction de probabilité de X
La fonction F (x ) de répartition de X .
P [0 ≤ X < 2] et P [X ≥ 1]
2 Considérons une v.a.c distribuée suivant le modèle probabiliste
suivant : f (x ) = k(30 − x ), pour 0 ≤ x ≤ 30 et nulle partout ailleurs.
On demande :
a) de déterminer la valeur de k pour que le modèle spécifié soit une
densité de probabilité.
b) d’évaluer : P [X > 15] , P [10 ≤ X ≤ 20] et P [X < 12]
c) d’évaluer l’espérance mathématique de X et sa variance.

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 14 / 49
Exercices d’application
exercices d’application
1 Une v.a.c. X de densité de proba c(4x − x 2 ) est définie sur l’intervalle
allant de 0 à 4.
Calculer la constante c de facon que c(4x − x 2 ) soit une densité de
proba.
déterminer la somme de proba correspondant aux valeurs de X compris
entre 1 et 3.
Calculer l’espérance mathématique et la variance de X .
2 La densité de proba d’une v.a.c X est
(
c x 2 pour 1 ≤ x ≤ 2
f (x ) =
c x pour 2 < x < 3

a) de déterminer la valeur de c pour que le modèle spécifié soit une

densité de probabilité.
b) d’évaluer : P [X < 2] , P 12 ≤ X ≤ 32
 

c) d’évaluer l’espérance mathématique de X et sa variance.

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité
13 juillet 2022 15 / 49
Couple de variables aléatoires et Loi de probabilité produit

Soit X et Y deux variables aléatoires sur un même ensemble fondamental

telles que

X (Ω) = {x1 , x2 , . . . , xm } et Y (Ω) = {y1 , y2 , . . . , yn }

L’espace produit

X (Ω) × Y (Ω) = {(x1 , y1 ), (X2 , Y2 ), . . . , (xm , yn )}

est un espace probabilisé en définissant la probabilité du couple ordonné

(xi , yj ) par
P(X = xi , Y = yj ) = h(xi , yj )
La fonction h : X (Ω) × Y (Ω) → R+ ; (xi , yj ) → h(xi , yj ) est appelée
distribution jointe ou loi de probabilité produit de X et Y

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 16 / 49
Loi de probabilité produit

1 h(xi , yj ) ≥ 0
Pn Pm
j=1 h(xi , yj ) = 1 (cas discret)
2
i=1

Exemples
Exemple 1 : On dispose d’une urne contenant quatre jetons numérotés de
1 jusqu’a 4, et on tire au sort successivement deux jetons sans remise. On
note (X , Y ) les résultats des deux tirages. Dresser la distribution conjointe
de ce couple de variables.

X/Y 1 2 3 4
1 0 1/12 1/12 1/12
2 1/12 0 1/12 1/12
3 1/12 1/12 0 1/12
4 1/12 1/12 1/12 0

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 17 / 49
Exemple
Considérons l’expérience aléatoire consistant à jeter deux dés, X la variable
aléatoire donnant le plus petit résultat et Y le plus grand. Déterminer la
loi conjointe de (X , Y ).
X/Y Y=1 Y=2 Y=3 Y=4 Y=5 Y=6 Pmarg
X=1 1/36 1/18 1/18 1/18 1/18 1/18
X=2 0 1/36 1/18 1/18 1/18 1/18
X=3 0 0 1/36 1/18 1/18 1/18
X=4 0 0 0 1/36 1/18 1/18
X=5 0 0 0 0 1/36 1/18
X=6 0 0 0 0 0 1/36
Pmarg
Probabilités marginales
m
X n
X
P(Xi. ) = h(xi , yj ) et P(Y.j ) = h(xi , yj )
j=1 i=1

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 18 / 49
Espérance d’un produit de variables indépendantes

Covariance
Si X et Y sont des variables aléatoires jointes de moyennes respectives µX
et µY on définit la covariance Cov(X ; Y ) par

Cov(X ; Y ) = E(X Y ) − E(X ) E(Y ) = E [(X − E(X )(Y − E(Y )]

n X
X m
Cov(X ; Y ) = (xi − µX )(yj − µY )
i=1 j=1

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 19 / 49
Corrélation et Probabilité conditionnelle

Corrélation
On définit le coefficient de corrélation de X et de Y que l’on écrit par :

Cov(X,Y) Cov(X,Y)
ρ(X , Y ) = = √
σX σY σX σY

Probabilité conditionnelle
Soit (X , Y ) un couple de variables aléatoires discrètes, On appelle loi
conditionnelle de Y sachant que [X = xi ] notée

P[X = xi ∩ Y = yj ] pij
P[Y = yj | X = xi ] = =
P[X = xi ] pi.

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 20 / 49
Exercice

Exercice
On considère deux variables aléatoires discrètes X et Y dont la loi de
couple est donnée par le tableau

X/Y -1 1
29 33
-2 100 100
13
2 100 p2

1 Déterminer les lois marginales de X et Y puis calculer leurs

espérances et variances.
2 Déterminer la loi de la variable aléatoire Z = X Y , son espérance et
sa variance.
3 Déterminer la covariance Cov (X , Y ). Les variables X et Y sont-elles
indépendantes ?
4 Déterminer P(X = 2 | Y = −1) et P(Y = −1 | X = 2)
Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité
13 juillet 2022 21 / 49
Exercice

Exercice
On considère cette expérience aléatoire des jets indépendants de deux dés
a 6 faces parfaitement equilibrés, on définit deux variables aléatoires
discrètes Z et W , d’une part par Z = 0 si le résultat du premier dé vaut 1
ou 2 et Z = 1 si autrement et de l’autre part, W = 0 si le résultat obtenu
sur les deux dés est pair et W = 1 si autrement.
1 Déterminer P(Z ≤ 0, W ≤ 1)
2 Déterminer P(W ≤ 0)
3 Déterminer P(Z = 1 | W = 0) et P(W = 0 | Z = 0)
4 Les variables Z et W sont-elles indépendantes ?

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 22 / 49
 Chapitre 6 Distributions des Probabilités

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 23 / 49
Distribution de Bernoulli

Considérerons une épreuve pour une variable aléatoire discrète ayant

deux issues : L’ECHEC ou LE SUCCES.
Soit p la probabilité de réalisation correspondant à un succès,
La probabilité d’échec est q = 1 − p.
La loi de probabilité d’une variable aléatoire de Bernoulli est donnée par :

xi 0 1
pi q p

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 24 / 49
Distribution Binomiale

Considérerons les épreuves répétées et indépendantes d’une même

expérience n’ayant que deux résultats possibles.
On suppose que l’un de ces résultats correspondant à un succès et
l’autre à un échec.
Soit p la probabilité de réalisation d’un événement lors d’une
expérience aléatoire correspondant à un succès,
et par conséquence, la probabilité d’échec est q = 1 − p.
On va s’intéresser au nombre de succès, et non à l’ordre dans lequel
ceux-ci se réalisent, alors la probabilité d’obtenir exactement k succès lors
de n épreuves répétées est donnée par :
!
n k n−k n!
pk = b(k; n, p) = p q = p k q n−k k = 0, 1, . . . , n.
k k!(n − k)!

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 25 / 49
Cas dicret
Distribution Binomiale : Exemple

Exemple
Soit population donne, 30% d’individus sont vaccinés contre une maladie
donnée. Quelle est la probabilité pour qu’il y ait, dans un échantillon
aléatoire de 10 personnes tirées de cette population, exactement 4
personnes vaccinées ?

Solution
p = 0.30, !q = 0.70, n = 10, k = 4
10 10!
p4 = (0.30)4 (0.70)10−4 = (0.30)4 (0.70)10−4
4 4!(10 − 4)

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 26 / 49
Cas discret
Distribution Binomiale

Remarque
La probabilité de n’avoir aucun succès est q n , et que par conséquent, la
probabilité d’avoir au moins un succès est 1 − q n . Si l’on suppose que n et
p sont constants, la fonction p(k) = b(k; n; p) est une distribution de
probabilité discrète :

k 0 !1 !2 ··· n
n n−1 n 2 n−2
p(k) qn q p p q ··· pn
1 2
!
n k n−k
Table : Loi binomiale p(k) = b(k; n, p) = p q est une
p
distribution de probabilité discrète
Cette distribution est aussi appelée distribution de Bernoulli, et des
épreuves indépendantes à deux résultats prennent le nom preuves de
Bernoulli.
Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité
13 juillet 2022 27 / 49
Cas discret
Paramètres caractéristiques de la loi binomiale

Moyenne :
n n
!
X X n k n−k
µ= kp(k) = k p q = np
p
k=0 k=0

Variance :
n n
!
2
X
2
X
2 n k n−k
σ = (k − µ) p(k) = (k − np) p q = npq
p
k=0 k=0

Ecart-type :
√
σ= npq

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 28 / 49
Cas discret
Distribution de Poisson

Cette distribution est définie par :

λk e −λ
p(k) = e = 2.718
k!

k = 0, 1, 2, . . . ,
Cette loi s’applique pour des événements rares. Cette loi limite de la loi
binomiale lorsque n → ∞,
Elle apparait dans de nombreux phénomènes naturels tel que :
Nombre d’appels téléphoniques par minute dans un central
téléphonique
le nombre de fautes d’impression par page dans un livre
le nombre de particules émises par une substance radioactive

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 29 / 49
Cas discret
Paramètres caractéristiques de la loi binomiale

Moyenne :
∞ ∞
X X λk e −λ
µ= kp(k) = k =λ
k=0 k=0
k!
Variance :
∞ ∞
X X λk e −λ
σ2 = (k − µ)2 p(k) = (k − λ)2 =λ
k=0 k=0
k!

Ecart-type : √
σ= λ

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 30 / 49
Cas discret : DISTRIBUTION DE POISSON

Exemple
Dans une grande usine, le nombre moyen d’accidents sérieux est de 5 par
an. Si le nombre d’employés reste constant, quelle est la probabilité pour
que dans l’année en cours il y ait exactement 7 accidents

Solution
λ = 5, k = 7, e = 2.718. On a :

57 (2.718)−5
p(7) = = 0.104
7!

Remarque
Bien que la distribution de Poisson ait un intrt particulier, elle permet
aussi d’obtenir une approximation de la loi de distribution pour k petit
pourvu que p soit petit et que λ = np

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 31 / 49
Cas Continu : LOI EXPONENTIELLE

Définition
On appelle loi exponentielle de paramètre λ > 0 (λ > 0) une loi dont la
densité est donnée par :
f (t) = λe λt

Sa fonction de répartition ou densité de distribution est donnée par

(
1 − λe λx , x ≥ 0
F (x ) = P(X ≤ x ) = (1)
0, x <0

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 32 / 49
Cas Continu : LOI EXPONENTIELLE

Exemple
On suppose que le temps d’attente à une caisse suit une loi exponentielle
de paramètre λ = 0, 25.
1 La probabilité d’attendre plus de 4 minutes est
P(X ≥ 4) = 1 − P(X ≤ 4) = 1 − F (4) = 0, 36
2 La probabilité d’attendre moins de 5 minutes est
P(X ≤ 5) = F (5) = 0, 71

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 33 / 49
Cas Continu : LOI NORMALE
Une distribution normale correspond à la distribution d’une variable
aléatoire continue dont la courbe est parfaitement symétrique, unimodale
et en forme de cloche. Formellement, une distribution normale de moyenne
µ et d’écart type σ est définie par :
1 1 x −µ 2
f (x ) = √ e− 2 ( σ )
2πσ

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 34 / 49
Cas Continu : LOI NORMAL

(i) Dans le cas des distributions continues, la probabilité associée une

valeur ponctuelle est toujours nulle.
(ii) Les probabilités qui peuvent être évaluées sont celles qui
correspondent à des intervalles entre deux valeurs données.
(iii) La probabilité qu’une variable prenne une valeur entre a et b est égale
à l’aire sous la courbe entre les droites verticales élevées aux points a
et b.
(iv) On désigne la distribution normale, de moyenne µ et de variance σ 2
par N(µ, σ 2 )

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 35 / 49
Cas Continu : LOI NORMALE

Exemple
Supposons que la distribution des scores de QI soit normale avec une
moyenne µ = 100 et un écart-type de σ = 15, alors la probabilité qu’une
personne choisie au hasard ait un QI situé entre 115 et 130 est donnée par
l’aire grise de figure ci-dessous :

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 36 / 49
Cas Continu : LOI NORMALE

Pour déterminer l’aire sous la courbe normale pour un intervalle

donné, on utilise une table d’aires.
On ne peut construire de table pour chaque courbe normale (selon µ
et σ),
On peut en construire une pour la courbe normale centrée réduite, i.e
avec µ = 0 et σ = 1
Et rendre comparable, par changement d’échelle, toute distribution
normale à cette distribution de référence.

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 37 / 49
Cas Continu : NORMALISATION

Pour rendre une distribution normale quelconque comparable la

distribution normale centrée réduite, il faut :
Normaliser chacune de ses valeurs x, c’est-à-dire calculer la valeur Z
correspondante.
Cette valeur Z est définie comme étant la différence entre la valeur
considérée et la moyenne de la distribution, divisée par l’écart-type.
x −µ
Z=
σ
La variable Z est dite réduite et centrée et a pour moyenne µ = 0 et
variance σ = 1 on note :
Z = N(0, 1)

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 38 / 49
Cas Continu : NORMALISATION - EXEMPLE

Exemple
Supposons que la distribution des scores de QI soit normale avec une
moyenne µ = 100 et un écart-type de σ = 15, alors la probabilité qu’une
personne choisie au hasard ait un QI située entre 115 et 150 est donnée
par l’aire grise de figure ci-dessous :

Solution
115−100
QI = 115 → Z = 15 =1
130−100
QI = 130 → Z = 15 =2

Les valeurs 115 et 130 se situent respectivement à 1 et 2 écarts types de la

moyenne.

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 39 / 49
LOI NORMALE : UTILISATION DE LA TABLE

La table (voir annexe) donne l’aire de la courbe normale centrée réduite

pour la zone indiquée en gris dans la figure :

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 40 / 49
Calcul des probabilités de la distribution normale :
utilisation de la table

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 41 / 49
LOI NORMALE : UTILISATION DE LA TABLE

La première colonne donne les valeurs de Z à une décimale et la première

ligne indique la seconde décimale. Les nombres inscrits aux intersections
donnent l’aire sous la courbe entre le point Z donné et 0.
Exemple
Pour Z = 0, 61 on a 0, 2291
Pour Z = 1 on a 0, 4313
Pour Z = 2 on 0, 4772

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 42 / 49
LOI NORMALE

Remarque
Puisque la courbe est symétrique, ce qui est vrai pour la moitié droite
de la courbe l’est aussi pour la moitié gauche. Par conséquent, pour
Z = −1 on a aussi 0, 3413.
La valeur de Z doit toujours s’interpréter comme le nombre
d’écarts-types à partir de la moyenne.
La longueur de l’intervalle entre Z = 1 et Z = 2 est bien un
écart-type, mais il ne détermine pas le même aire que l’intervalle entre
la moyenne et la valeur Z = 1.
Puisque la courbe normale est une distribution de probabilité, l’aire
totale sous la courbe est égale à 1 et, par symétrie, l’aire sous chaque
moitié est égale à 0,5.

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 43 / 49
METHODE DE CALCUL

P(a ≤ X ≤ b) =?

Calculer la valeur de Z pour chaque borne de l’intervalle, i.e. X = a et

X = b.
Rechercher dans la table de l’aire qui correspond à chaque valeur de Z
On regarde le signe des valeurs Z
Si les Z sont de signes opposés, on additionne les aires ;
Si les Z sont de mêmes signes, on soustrait la plus petite aire de la plus
grande.
Le résultat ainsi obtenu est la probabilité qu’une valeur de X choisie au
hasard se situe dans l’intervalle donné

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 44 / 49
EXEMPLE

Exemple
Quelle est la probabilité qu’une personne ait un QI entre 100 et 115 ? On
note que µ = 100 et σ = 15.

Solution
100−100
QI = 100 → Z = 15 =0
115−100
QI = 115 → Z = 15 =1
P(100 ≤ X ≤ 115) = P(0 ≤ Z ≤ 1) = 0, 3413
Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité
13 juillet 2022 45 / 49
EXEMPLE

Exemple
Quelle est la probabilité qu’une personne ait un QI entre 110 et 120 ? On
note que µ = 100 et σ = 15.

Solution
110−100
QI = 100 → Z = 15 = 0.67
120−100
QI = 115 → Z = 15 = 1.33
P(110 ≤ X ≤ 120) = P(0.67 ≤ Z ≤ 1.33) = 0, 4082 − 0, 2486 = 0, 1596
Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité
13 juillet 2022 46 / 49
EXEMPLE

Exemple
Quelle est la probabilité qu’une personne ait un QI entre 115 ?

Solution
100−100
QI = 100 → Z = 15 =0
P(X ≥ 115) = P(Z ≥ 1) = 0, 5 − P(0 ≤ Z ≤ 1) = 0, 5 − 0, 3413 = 0, 1587

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 47 / 49
EXEMPLE

Exemple
Quelle est la probabilité qu’une personne ait un QI entre 110 ?

Solution
110−100
QI = 110 → Z = 15 = 0.67
P(X ≤ 110) = P(Z ≤ 0.67) = 0, 5 − P(0 ≤ Z ≤ 0.67) = 0, 5 − 0, 2486 =
0, 7486

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 48 / 49
 FIN

Prof. Ndondo M. (Proba ) Chapiptre 5 Variables Aléatoires et Distributions de Probabilité

13 juillet 2022 49 / 49