Variables Aléatoires continues

Soit 𝑋 une variable aléatoire définie sur un espace probabilisé (Ω, ℱ, 𝑃) de fonction de répartition
𝐹𝑋 .
Définition 1: On dit que 𝑋 est une variable aléatoire continue, si sa fonction de répartition 𝐹 est
continue ( à droite et à gauche) et admet une dérivée à droite et une dérivée à gauche (pas forcément
dérivable).

Fonction de répartition :

Pour une variable aléatoire continue 𝑋, la fonction de répartition 𝐹(𝑥) est définie de façon
semblable à celle d’une variable aléatoire discrète et jouit de propriétés assez similaires. Cependant
il ne s’agit plus d’une fonction en escalier mais d’une fonction continue.

Probabilité attachée à un intervalle : Soit X une v .a. et 𝐹𝑋 (𝑥) sa fonction de répartition. ∀ 𝑎 , 𝑏 ∈

ℝ, 𝑎 < 𝑏, 𝑜𝑛 𝑎:

𝑷(𝒂 < 𝒙 ≤ 𝒃) = 𝑷(𝒂 ≤ 𝒙 < 𝒃) = 𝑷(𝒂 < 𝒙 < 𝒃) = 𝑷(𝒂 ≤ 𝒙 ≤ 𝒃) = 𝑭𝑿 (𝒃) − 𝑭𝑿 (𝒂) =

∀ 𝑎 ∈ ℝ, 𝑷(𝑿 = 𝒂) = 𝟎 𝑐𝑎𝑟 𝐹 𝑒𝑠𝑡 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑒

Pour une v.a. continue, étant donné que 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = 𝑃(𝑋 < 𝑥) ces deux définitions sont
équivalentes dans le cas continu, mais pas dans le cas discret.

Densité de probabilité :

Les variables aléatoires continues peuvent prendre une infinité de valeurs réelles. Si on peut
calculer la dérivée de la fonction de répartition 𝐹𝑋 il est possible de définir une nouvelle fonction
𝑓(𝑥) 𝑎𝑝𝑝𝑒𝑙é𝑒 𝑑𝑒𝑛𝑠𝑖𝑡é 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡é.

Définition : On appelle 𝑓(𝑥) densité de probabilité de la v.a . 𝑋 si elle vérifie les propriétés
suivantes :

1- 𝑓𝑋 (𝑥) ≥ 0, ∀𝑥 ∈ ℝ
+∞
2- ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1 ( 𝑖𝑛𝑡é𝑔𝑟𝑎𝑙𝑒 𝑠𝑢𝑟 𝑠𝑜𝑛 𝑑𝑜𝑚𝑎𝑖𝑛𝑒 𝑑𝑒 𝑑é𝑓𝑖𝑛𝑖𝑡𝑖𝑜𝑛)

Remarque : la probabilité de l’évènement (𝑎 ≤ 𝑋 ≤ 𝑏) 𝑒𝑠𝑡 𝑑𝑜𝑛𝑛é𝑒 𝑝𝑎𝑟 :

𝑏
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎

- la fonction de répartition 𝐹𝑋 𝑝𝑒𝑢𝑡 𝑠 ′ é𝑐𝑟𝑖𝑟𝑒 𝑠𝑜𝑢𝑠 𝑙𝑎 𝑓𝑜𝑟𝑚𝑒 ∶

Karima ZERFAOUI
 ∀ 𝑥 ∈ ℝ , 𝑭𝑿 (𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∑𝒙𝒌=−∞ 𝑷(𝑿 = 𝒌) cas discret
𝒙
𝑭𝑿 (𝒙) = ∫ 𝒇(𝒕)𝒅𝒕 , 𝑭′𝑿 (𝒙) = 𝒇𝑿 (𝒙)
−∞

Exemple :

Soit la fonction 𝑓 définie sur ℝ par :

0 𝑠𝑖 𝑥<0
1
𝑠𝑖 0 ≤ 𝑥 < 2
𝑓(𝑥) = 8
6
𝑠𝑖 𝑥 ≥ 2
{𝑥 3

1- Vérifier que 𝑓 est une densité de probabilité d’une 𝑣. 𝑎. 𝑋.

2- Déterminer 𝐹𝑋 sa fonction de répartition.
1
3- Calculer 𝑃(1 < 𝑋 ≤ 5), 𝑃(𝑋 > 0.5), 𝑃(|𝑥 − 1| > 2)

Solution :

a- 𝑥 < 0 ∶ 𝑓(𝑥) = 0 ≥ 0 (𝑣𝑟𝑎𝑖𝑒)

1
0 ≤ 𝑥 < 2 ∶ 𝑓(𝑥) = 8 > 0
6
𝑥 ≥ 2 ∶ 𝑓(𝑥) = > 0 (𝑣𝑟𝑎𝑖𝑒)
𝑥3

b-
+∞ 0 2 +∞
1 6
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 0𝑑𝑥 + ∫ 𝑑𝑥 + ∫ 𝑑𝑥 =
−∞ −∞ 0 8 2 𝑥3
+∞
1 2 +∞
−3
1 2 𝑥 −3+1
= ∫ 1. 𝑑𝑥 + 6 ∫ 1. 𝑥 𝑑𝑥 = [𝑥]0 + 6 [ ] =
8 0 2 8 −3 + 1 2

+∞
1 𝑥 −2 1 1 +∞ 1 1 1 3 4
= +6[ ] = − 3 [ 2 ] = − 3 [0 − ] = + = = 1
4 −2 2 4 𝑥 2 4 4 4 4 4

Conclusion : 𝑓 est la densité de probabilité d’une v.a. continue.

Karima ZERFAOUI
 0 𝑠𝑖 𝑥<0
1
𝑠𝑖 0 ≤ 𝑥 < 2
𝑓(𝑥) = 8
6
𝑠𝑖 𝑥 ≥ 2
{𝑥 3

1- Déterminons la fonction de répartition 𝐹𝑋

𝑥
𝐹𝑋 (𝑥) = ∫ 𝑓(𝑡)𝑑𝑡
−∞

1er Cas : 𝑥 < 0

𝑥
𝐹𝑋 (𝑥) = ∫ 0 𝑑𝑡 = 0
−∞

2ème Cas : 0 ≤ 𝑥 < 2

0
1 𝑥 𝑥
𝐹𝑋 (𝑥) = ∫ 0 𝑑𝑡 + ∫ 𝑑𝑡 =
−∞ 8 0 8

3ème Cas : 𝑥 ≥ 2
0 𝑥
1 2 𝑥
1 1 𝑡 −3+1
𝐹𝑋 (𝑥) = ∫ 0 𝑑𝑡 + ∫ 𝑑𝑡 + 6 ∫ 3 𝑑𝑡 = + 6 [ ]
−∞ 8 0 2 𝑡 4 −3 + 1 2
𝑥
1 𝑡 −2 1 1 𝑥 1 1 1 1 3 3 3
= + 6 [ ] = − 3 [ 2] = − 3 [ 2 − ] = − 2 + = 1 −
4 −2 2 4 𝑡 2 4 𝑥 4 4 𝑥 4 𝑥²

D’où

0 𝑠𝑖 𝑥<0
𝑥
𝑠𝑖 0≤𝑥<2
𝐹(𝑥) = 8
3
1− 𝑠𝑖 𝑥≥2
{ 𝑥2

Remarque : On peut vérifier avec 𝐹𝑋′ (𝑥) = 𝑓(𝑥)

Karima ZERFAOUI
 𝟎 𝒔𝒊 𝒙<𝟎
𝟏
𝒔𝒊 𝟎 ≤ 𝒙 < 𝟐
𝐹𝑋′ (𝑥) = 𝒇(𝒙) = 𝟖
𝟔
𝒔𝒊 𝒙 ≥ 𝟐
{𝒙𝟑
𝟑 1 151
2- 𝑃(1 < 𝑋 < 5) = 𝐹𝑋 (5) − 𝐹𝑋 (1) = 𝟏 − 𝟐𝟓 − 8 = 200 = 0.755

𝒐𝒖 𝒃𝒊𝒆𝒏 ∶
5
1 2 5
6 1 1 5 1 1 1
𝑃(1 < 𝑋 ≤ 5) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑑𝑥 + ∫ 3 𝑑𝑥 = − 3 [ 2 ] = − 3 [ − ] = 0.755
1 1 8 2 𝑥 8 𝑥 2 8 25 4

0.5 15
𝑃(𝑋 > 0.5) = 1 − 𝐹𝑋 (0.5) = 1 − = = 0.937
8 16
0 𝑠𝑖 𝑥<0
𝑥
𝑠𝑖 0≤𝑥<2
𝐹(𝑥) = 8
3
1− 𝑠𝑖 𝑥≥2
{ 𝑥2
𝒐𝒖 𝒃𝒊𝒆𝒏 ∶
+∞ 2 +∞
1 6
𝑃(𝑋 > 0.5) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑑𝑥 + ∫ 𝑑𝑥 =
0.5 0.5 8 2 𝑥3

1 3 1 +∞ 1 3 1 3 3 15
= . − 3 [ 2 ] = . − 3 [0 − ] = + = = 0.937
8 2 𝑥 2 8 2 4 16 4 16
1 1 1 1
* 𝑃 (|𝑋 − 1| > 2) = 1 − 𝑃 (|𝑋 − 1| ≤ 2) = 1 − 𝑃 (− 2 ≤ 𝑋 − 1 ≤ 2) =

3 1
1 3 3 1 3 1 7
= 1 − 𝑃 ( ≤ 𝑋 ≤ ) = 1 − [𝐹 ( ) − 𝐹 ( )] = 1 − 2 + 2 = 1 − + = = 0.875
2 2 2 2 8 8 16 16 8

𝒐𝒖 𝒃𝒊𝒆𝒏 ∶
1.5 1.5
1 3 1 1 1 7
1 − 𝑃 ( ≤ 𝑋 ≤ ) = 1 − ∫ 𝑓(𝑥)𝑑𝑥 = 1 − ∫ 𝑑𝑥 = 1 − (1.5 − 0.5) = 1 − =
2 2 0.5 0.5 8 8 8 8

Moments d’une variable aléatoire continue :

Soit 𝑋 une variable aléatoire continue de densité 𝑓𝑋 , on appelle sous réserve de

Karima ZERFAOUI
 convergence des intégrales concernées ;
+∞
1- Espérance de 𝑋 le nombre :𝐸(𝑋) = ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥
+∞
2- Moment d’ordre 𝑛(𝑛 ∈ ℕ∗ ), le nombre 𝐸(𝑋 𝑛 ) = ∫−∞ 𝑥 𝑛 𝑓(𝑥)𝑑𝑥
2
3- La variance de, le nombre : 𝐸(𝑋 − 𝐸(𝑋)) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2

Theorème : Soit 𝑋 une variable aléatoire continue de densité 𝑓𝑋 , soit 𝑔 une fonction continue et
dérivable sur 𝑋(Ω), alors 𝑌 = 𝑔(𝑋) est une variable aléatoire continue et si celle-ci admet une
espérance elle est donnée par la formule :
+∞
𝐸(𝑌) = ∫ 𝑔(𝑥)𝑓𝑋 (𝑥)𝑑𝑥
−∞

La détermination de la loi de 𝑌 = 𝑔(𝑋) passe par sa fonction de répartition

𝐹𝑌 (𝑦) = 𝑃(𝑌 ≤ 𝑦)

Définie pour tout y par la probabilité de , associé à l’ensemble des valeurs 𝑥 .

3
𝑥² 𝑠𝑖 −1<𝑥 <1
Exemple : 𝑓𝑋 (𝑥) = { 2
0 𝑠𝑖𝑛𝑜𝑛
1- Déterminer la loi de 𝒀 = 𝑿 + 𝟏

𝐹𝑌 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = 𝑃(𝑋 + 1 ≤ 𝑦) = 𝑃(𝑋 ≤ 𝑦 − 1) = 𝐹𝑋 (𝑦 − 1)

𝐹 ′ (𝑦) = [𝐹𝑋 (𝑦 − 1)]′

𝑓𝑌 (𝑦) = 1. 𝐹𝑋′ (𝑦 − 1) = 1. 𝑓𝑋 (𝑦 − 1)

3
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑦 − 1) = (𝑦 − 1)2 𝑠𝑖 − 1 < 𝑦 − 1 < 1
2
3 2
𝑓𝑌 (𝑦) = {2 (𝑦 − 1) 𝑠𝑖 0 < 𝑦 < 2
0 𝑠𝑖𝑛𝑜𝑛
2- Déterminer la loi de 𝒁 = 𝑿²

𝐹𝑍 (𝑧) = 𝑃(𝑍 ≤ 𝑧) = 𝑃(𝑋² ≤ 𝑧) = 𝑃(|𝑋| ≤ √𝑧) = 𝑃(−√𝑧 ≤ 𝑋 ≤ √𝑧) = 𝐹𝑋 (√𝑧) − 𝐹𝑋 (−√𝑧)

1 1
𝑓(𝑧) = 𝑓𝑋 (√𝑧) + 𝑓𝑋 (−√𝑧)
2√𝑧 2 √𝑧

Karima ZERFAOUI
 1 3 1 3 1 3 3
𝑓(𝑧) = . .𝑧 + . . 𝑧 = 2. . . 𝑧 = √𝑧 0<𝑧<1
2√𝑧 2 2√𝑧 2 2√𝑧 2 2

Lois continues usuelles :

Soit 𝑋 une variable aléatoire continue de densité 𝑓 et de fonction de répartition 𝐹

1- Loi continue Uniforme :

Lorsque la fonction de densité de probabilité est constante sur un intervalle [𝑎, 𝑏] est nulle
partout ailleurs, on parlera de loi uniforme de paramètres 𝑎 et 𝑏, ce que l’on note :

𝑋 ↝ 𝑈[𝑎,𝑏]

1
𝑓(𝑥) = { 𝑏 − 𝑎 𝑠𝑖 𝑥 ∈ [𝑎, 𝑏]
0 𝑠𝑖𝑛𝑜𝑛
𝑎+𝑏 (𝑏 − 𝑎)2
𝐸(𝑋) = 𝑒𝑡 𝑉(𝑋) =
2 12
0 𝑠𝑖 𝑥 < 𝑎
𝑥−𝑎
𝐹(𝑥) = { 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
1 𝑠𝑖 𝑥≥𝑏
𝑥
𝐹𝑋 (𝑥) = ∫ 𝑓(𝑡)𝑑𝑡
−∞

1er Cas : 𝑥 < 𝑎

𝑥
𝐹𝑋 (𝑥) = ∫ 0 𝑑𝑡 = 0
−∞

2ème Cas : 𝑎 ≤ 𝑥 < 𝑏

𝑎 𝑏
1 𝑥−𝑎
𝐹𝑋 (𝑥) = ∫ 0 𝑑𝑡 + ∫ 𝑑𝑡 =
−∞ 𝑎 𝑏−𝑎 𝑏−𝑎

3ème Cas : 𝑥 ≥ 𝑏
𝑎 𝑏 𝑥
1
𝐹𝑋 (𝑥) = ∫ 0 𝑑𝑡 + ∫ 𝑑𝑡 + ∫ 0 𝑑𝑡 = 1
−∞ 𝑎 𝑏−𝑎 𝑏

Finalement :

Karima ZERFAOUI
 0 𝑠𝑖 𝑥<𝑎
𝑥−𝑎
𝐹(𝑥) = { 𝑠𝑖 𝑎≤𝑥<𝑏
𝑏−𝑎
1 𝑠𝑖 𝑥≥𝑏

Exemple :

0 𝑠𝑖 𝑥<0
[0,1]
Si 𝑋 ↝ 𝑈[0,1] , 𝑓(𝑥) = {1 𝑠𝑖 𝑥 ∈ , 𝐹(𝑥) = { 𝑥 𝑠𝑖 0 ≤ 𝑥 < 1 ,
0 𝑠𝑖𝑛𝑜𝑛
1 𝑠𝑖 𝑥 ≥ 1
1 1
𝐸(𝑋) = 𝑒𝑡 𝑉(𝑋) =
2 12
2- Loi Gamma : On dit que 𝑋 suit la loi Gamma de paramètres 𝑎, 𝑏 > 0 𝑠𝑖:

𝑒 −𝑏𝑥 𝑥 𝑎−1 𝑏 𝑎
𝑓(𝑥) = { 𝑠𝑖 𝑥 ≥ 0
Γ(𝑎)
0 𝑠𝑖𝑛𝑜𝑛
+∞
Γ(𝑎): 𝑙𝑎 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑔𝑎𝑚𝑚𝑎 𝑑é𝑓𝑖𝑛𝑖𝑒 𝑝𝑎𝑟: Γ(𝑎) = ∫ 𝑥 𝑎−1 𝑒 −𝑥 𝑑𝑥 , 𝑎 > 0,
0

Γ(𝑎): 𝑙𝑎 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑔𝑎𝑚𝑚𝑎 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑙𝑒𝑠 𝑝𝑟𝑜𝑝𝑟𝑖è𝑡é𝑠 𝑠𝑢𝑖𝑣𝑎𝑛𝑡𝑒𝑠:

Γ(1) = 1

Γ(𝑛) = (𝑛 − 1)!

Γ(𝑛 + 1) = 𝑛Γ(𝑛)

1
Γ ( ) = √𝜋
2
Et on note :
𝒂 𝒂
𝑿 ↝ 𝜸(𝒂, 𝒃) avec 𝑬(𝑿) = 𝒃 et 𝑽(𝑿) = 𝒃²

1- Loi exponentielle : soit 𝑋 une 𝑣. 𝑎. 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑒 de fonction densité de loi Gamma de

paramètres 𝑎, 𝑏 > 0

𝑠𝑖 𝑎 = 1

On obtient la loi Exponentielle de paramètre 𝑏.

Karima ZERFAOUI
 𝑓(𝑥) = 𝑏𝑒 −𝑏𝑥 , 𝑥 > 0, 𝑏>0

Et on note :

𝑋 ↝ 𝐸𝑥𝑝(𝑏) = 𝛾(1, 𝑏)

1 2 1
𝐸(𝑋) = , 𝐸(𝑋 2 ) = , 𝑉(𝑋) =
𝑏 𝑏² 𝑏²
Remarque : 𝑋 ↝ 𝐸𝑥𝑝(𝜆) ⟺ 𝑋 ↝ 𝛾(1, 𝜆)

Montrer que 𝐹(𝑥) = 1 − 𝑒 −𝜆𝑥 ?

𝑥
𝐹𝑋 (𝑥) = ∫ 𝑓(𝑡)𝑑𝑡
−∞

𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 , 𝑥 ≥ 0

si : 𝑥 < 0
𝑥
𝐹𝑋 (𝑥) = ∫ 0 𝑑𝑡 = 0
−∞

si : 𝑥 ≥ 0
0 𝑥
−1 −𝜆𝑡 𝑥
𝐹𝑋 (𝑥) = ∫ 0 𝑑𝑡 + ∫ 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 𝜆 [ 𝑒 ] = 1 − 𝑒 −𝜆𝑥
−∞ 0 𝜆 0

2- La Loi Khi-deux : soit 𝑋 une 𝑣. 𝑎. 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑒 de fonction densité de loi Gamma de

paramètres 𝑎, 𝑏 > 0

𝑛 1
𝑠𝑖 𝑎 = 𝑒𝑡 𝑏 =
2 2
On obtient la loi de Khi-deux à 𝑛 degrés de liberté.

Et on note :
𝑛 1
𝑋 ↝ 𝜒𝑛2 = 𝛾 ( , ) 𝑛 ∈ ℕ∗
2 2
𝑛 𝑛
𝐸(𝑋) = 2 = 𝑛 , 𝑉(𝑋) = 2 = 2𝑛
1 1
2 4
3- La loi Normale :

Karima ZERFAOUI
 On dit que 𝑋 suit la loi normale de paramètres 𝑚, 𝜎² (𝑚 ∈ ℝ, 𝜎 > 0) si sa fonction densité
s’écrit sous la forme :

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

𝑒𝑡 𝑜𝑛 𝑛𝑜𝑡𝑒: 𝑋 ↝ 𝑁(𝑚, 𝜎 2 )

𝑎𝑣𝑒𝑐 𝑚 = 𝐸(𝑋) 𝑒𝑡 𝑉(𝑋) = 𝜎 2

Si m=0 et 𝜎 2 = 1 alors :X↝ 𝑁(0,1) et on dit alors que X suit la loi normale centrée réduite de
densité :

1 𝑥²
𝑓𝑋 (𝑥) = 𝑒− 2 ,𝑥 ∈ ℝ
√2𝜋
𝑡²
𝑥 1
Et de fonction de répartition Φ(𝑥) = ∫−∞ 𝑒 − 2 𝑑𝑡
√2𝜋

Propriétés de la fonction de répartition de la loi normale centrée réduite :

1
Φ(0) =
2
Φ(−𝑥) = 1 − Φ(𝑥)

Exemple : 𝑿 ↝ 𝑵(𝒎, 𝝈𝟐 ) , Lecture de la Table de la loi normale centrée réduite

Φ(3.5) = 0.99977

Φ(0.22) = 0.58706

Φ(−0.66) = 1 − Φ(0.66) = 1 − 0.74537

𝑃(1.2 ≤ 𝑋 ≤ 2.16) = Φ(2.16) − Φ(1.2) = 0.98461 − 0.88493 =

𝑃(−1≤ 𝑋 ≤ 2) = Φ(2) − Φ(−1) = Φ(2) − 1 + Φ(1) = 0.97725 + 0.84134 −

- 𝐷é𝑡𝑒𝑟𝑚𝑖𝑛𝑒𝑟 𝑥 𝑡𝑒𝑙 𝑞𝑢𝑒: Φ(x) = 0.85083 ⟹ x = 1.04

- 𝐷é𝑡𝑒𝑟𝑚𝑖𝑛𝑒𝑟 𝑥 𝑡𝑒𝑙 𝑞𝑢𝑒: Φ(x) = 0.90147 ⟹ x = 1.29

- 𝐷é𝑡𝑒𝑟𝑚𝑖𝑛𝑒𝑟 𝑥 𝑡𝑒𝑙 𝑞𝑢𝑒: Φ(x) = 0.29806 (Φ(x) < 0.5)

𝑑𝑜𝑛𝑐 ∶ Φ(−x) = 1 − Φ(x) = 0.70194 parsuite ∶ −x = 0.53 ⟺ x = −0.53

- 𝐷é𝑡𝑒𝑟𝑚𝑖𝑛𝑒𝑟 𝑥 𝑡𝑒𝑙 𝑞𝑢𝑒: 𝑃(𝑋 > 𝑥) = 0.99767

Karima ZERFAOUI
 1 − Φ(x) = 0.99767 ⟹ Φ(x) = 0.00233 < 0.5

Φ(−x) = 1 − Φ(x) = 1 − 0.00233 = 0.99767 𝑑𝑜𝑛𝑐: − 𝑥 = 2.83 ⟹ 𝑥 = −2.83

- 𝐷é𝑡𝑒𝑟𝑚𝑖𝑛𝑒𝑟 𝑥 𝑡𝑒𝑙 𝑞𝑢𝑒: 𝑃(−𝑥 < 𝑋 < 𝑥) = 0.51595

Φ(x) − Φ(−x) = 0.51595 ⟺ 2 Φ(x) − 1 = 0.51595 ⟹ Φ(x) = 0.757975 ⟹ 𝑥 = 0.7

𝑷𝒓𝒐𝒑𝒓𝒊é𝒕é:

𝑿−𝒎
𝒔𝒊 𝑿 ↝ 𝑵(𝒎, 𝝈𝟐 ) 𝒂𝒍𝒐𝒓𝒔 𝒀 = ↝ 𝑵(𝟎, 𝟏)
𝝈
Exemple 1: 𝑿 ↝ 𝑁(7,4) , calculer : 𝑃(𝑋 < 1), 𝑃(𝑋 > 12), 𝑃(5 < 𝑋 < 9),

1−7
𝑃(𝑋 < 1) = 𝑃 (𝑌 < ) = 𝑃(𝑌 < −3) = Φ(−3) = 1 − Φ(3) = 1 − 0.99865
2
12−7 5
𝑃(𝑋 > 12) = 𝑃 (𝑌 > ) = 𝑃 (𝑌 > 2) = 1 − Φ(2.5)
2

5−7 9−7
𝑃(5 < 𝑋 < 9) = 𝑃 ( <𝑌< ) = 𝑃(−1 < 𝑌 < 1) = 2Φ(1) − 1
2 2

Approximation de la loi Binomiale par la loi Normale

Soit 𝑋 une variable aléatoire de loi Binomiale de paramètres 𝒏, 𝒑.

Si 𝑛 ≥ 30 et np ≥ 5 et n(1 − p) ≥ 5 alors on peut approcher la loi Binomiale par la loi Normale

et on écrit :

𝑩(𝒏, 𝒑) → 𝑵(𝒏𝒑, 𝒏𝒑(𝟏 − 𝒑)

𝒏≥𝟑𝟎 𝒆𝒕 𝒏𝒑≥𝟓 𝒆𝒕 𝒏(𝟏−𝒑)≥𝟓

Dans la pratique, comme l’approximation faite est une approximation d’une loi
discrète par une loi continue. Nous devons effectuer une correction de continuité,
c’est-à-dire qu’à la valeur 𝒙𝟎 d’une valeur discrète, nous associerons l’intervalle
[𝑥0 − 0.5; 𝑥0 + 0.5] pour la variable continue.

X Discrète Y Continue

P(X=k) P( k-0.5≤ 𝑋 ≤ 𝑘 + 0.5)

Karima ZERFAOUI
𝑬𝒙𝒆𝒎𝒑𝒍𝒆: Un revendeur de matériel photographique estime qu’il pourra vendre 40 appareils
photographiques par jour et les ventes sont indépendantes. Une étude lui a montré que, parmi les
différentes marques disponibles, la marque A réalise 38,6% du marché.

On note 𝑿 la variable aléatoire qui associe le nombre d’appareils de marque A vendus ce jour-là.

1- Donner la loi de 𝑿, préciser les paramètres de cette loi.

2- Calculer la probabilité que sur 40 appareils vendus 20 soient de la marque A.
3- Calculer 𝐸(𝑋)et l’écart-type de 𝑋.
4- Par quelle loi peut-on approcher la loi de 𝑋.
5- Donner une approximation de la probabilité de de l’évènement : « il y’a exactement 20
appareils de marque A vendus »

Solution :

𝑿 : associe le nombre d’appareils de marque A vendus ce jour-là.

1- On peut assimiler ces 40 ventes indépendantes à un schéma de Bernoulli ou l’évènement

« succès » est « l’appareil de marque A est vendu »,alors la variable 𝑋 suit la loi Binomiale
de paramètres 𝑛 = 40 𝑒𝑡 𝑝 = 0.386 (la marque A réalise 38.6 % du marché).
𝑘
𝑃(𝑋 = 𝑘) = 𝐶40 0.386𝑘 (1 − 0.386)40−𝑘
20
2- 𝑃(𝑋 = 20) = 𝐶40 0.38620 (1 − 0.386)40−20 = 0.04
3- 𝐸(𝑋) = 𝑛𝑝 = 40 ∗ 0.386 = 15.44 𝑒𝑡
𝜎 = √𝑛𝑝(1 − 𝑝) = √40 ∗ 0.386 ∗ 0.614 = 3.08
4- On décide d’approcher cette loi par la loi Normale de paramètres de paramètres 𝑚 =
15.44 𝑒𝑡 𝜎 = 3.08 puisque :

𝑛 = 40 ≥ 30 𝑒𝑡 𝑛𝑝 = 15.44 > 15 𝑒𝑡 𝑛𝑝(1 − 𝑝) = 9.5 => 5

𝑌 ↝ 𝑁(15.44; 3.08 = 𝜎)
5- Donner une approximation de la probabilité de de l’évènement : « il y’a exactement 20
appareils de marque A vendus »

𝑃(𝑋 = 20) = 𝑃(20 − 0.5 ≤ 𝑋 ≤ 20 + 0.5) = 𝑃(19.5 ≤ 𝑋 ≤ 20.5) =

20.5 − 15.44 19.5 − 15.44

Φ𝑁(0,1) ( ) − Φ𝑁(0,1) ( )=
3.08 3.08

Φ𝑁(0,1) (1.64) − Φ𝑁(0,1) (1.31) = 0.044

Karima ZERFAOUI