Chapitre 2

DISTRIBUTIONS
MODELES
et
DISTRIBUTIONS
NORMALES ou
GAUSSIENNES

Bases de la statistique inférentielle PLPSTA02

0
Chapitre 2
1. Modèles de distributions continues
1.1 Distribution modèle d’une variable
quantitative
1.2 Fonctions de densité types
1.3 Distributions modèles types

2. La loi normale ou gaussiennne

centrée réduite
2.1 Fonction de densité de Z
2.2 Fonction de répartition de Z

3. Le modèle normal ou gaussien

3.1 Fonction de densité de X
3.2 Fonction de répartition de X

4. Paramètres d'ordre des modèles

gaussiens
4.1 Quantiles de la loi normale centrée réduite Z
4.2 Intervalles de variation de Z
4.3 Quantiles d'une loi normale X
4.4 Intervalles de variation de X

5. Propriété des lois normales

1
1. Modèles de distributions
continues
1.1 Distribution modèle d’une
variable quantitative (1)
X variable quantitative continue de P
à valeurs réelles
Au découpage ∆ sont associés
• la densité de proportions de X : f∆
• la fonction de répartition de X : F∆
quantiles : Qα∆
• les paramètres de X moyenne : µ∆
écart-type : σ∆
X suit un modèle de densité f
X suit une distribution de densité f
X suit une loi de densité f
si pour un découpage ∆ suffisamment
fin f∆ est "proche" de f
ou F∆ est "proche" de F
alors : µ∆ est "proche" de µ et
σ∆ est "proche" de σ
2
1.1 Distribution modèle d’une
variable quantitative (2)

la distribution modèle de X est décrite au

moyen de :
• la fonction de densité ou
densité de probabilité de X : f
• la loi de probabilité de X : P
P(c≤X≤ d)
• la fonction de répartition de X : F
F(x) = P (X ≤ x)

quantiles : Qα
⇒ les paramètres de X moyenne : µ
écart-type : σ

⇒ indépendants du découpage

3
 Exemple
• Exemple : âge des français
P = {français du recensement de 1999}
N= 58 520 688
X = âge quantitative continue sur (0,130)
¾ découpage en intervalles de 10 ans :
moyenne µ∆ = 39,4 écart-type σ∆ = 23
densité f∆ (x) distribution de l'âge des français au recensement de 1999
0,016
0,014

0,012
0,010
0,008
0,006

0,004
0,002
0,000
0 10 20 30 40 50 60 70 80 90 100 110
âge en intervalles de 10 ans

¾ découpage en intervalles de 1 an :
moyenne µ∆ = 38,9 écart-type σ∆ = 23
Îmodèle de densité f(x)
densité distribution de l'âge des français au recensement de 1999
0,018
0,016
f∆ (x)
0,014
0,012 f(x)
0,010
0,008
0,006
0,004
0,002
0,000
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
âge en années

4
1.2 Fonctions de densité types (1)

– la densité uniforme sur l’intervalle (a,b)

U(a,b) de moyenne (a+b)/2
f(x)
1/(b-a)

a µ b x

– la densité exponentielle de paramètre λ

de moyenne 1/λ
f(x)
λ

0
µ=1/λ x

5
1.2 Fonctions de densité types (2)

– la densité normale ou gaussienne de

moyenne µ et d’écart-type σ : N(µ , σ)
f(x)

0 µ x

– la densité du khi-deux (ou khi-carré)

χ2 (µ) de moyenne µ
f(x)

0
µ x

6
1.3 Distributions modèles types

Quelques modèles types pour une variable

quantitative continue :
• loi uniforme
• loi exponentielle
• loi normale
• loi du khi-deux …

Île modèle le plus couramment utilisé

est le modèle normal ou gaussien
Îil est également utilisé comme modèle
pour une variable quantitative discrète
ayant un "grand" nombre de valeurs (k)

Îon supposera que la variable étudiée X

suit un modèle normal moyenne µ et
d’écart-type σ : N(µ, σ)
avec µ ≈ µ∆ et σ ≈ σ∆
Îon cherche à calculer la loi de
probabilité de X : P (c ≤ X ≤ d )
7
 Exemples (1)

• Exemple : évaluation de l'humeur

P = {personnes} N=20
X = score d'évaluation de l'humeur
quantitative discrète sur {1, … 13}
moyenne µ = 7,8 et écart-type σ = 3,1
Îmodèle normal ou gaussien N(8,3)
moyenne µ = 8 et écart-type σ = 3

f(x) distribution du score

0,20
score
N(8,3)
0,15

0,10 σ=3

0,05

0,00
1 2 3 4 5 6 7 µ =8 9 10 11 12 13 E

8
 Exemples (2)
• Exemple : évaluation du stress perçu
P = {personnes} N=305
X = score d'évaluation du stress perçu
quantitative discrète sur {0, … 56}
moyenne µ = 27,3 écart-type σ = 7,4
Îmodèle normal N(27;7,5)
moyenne µ = 27 écart-type σ = 7,5
0,06 f(x) distribution du score de stress perçu

0,05 score
0,04 N(27;7,5)
0,03

0,02

0,01

0,00
9 10 15 20 25 27 30 35 40 45 49 E

découpage en classes de 5 points

µ∆ = 26,8 et σ∆ = 7,5
découpage en classes de 10 points
µ∆ = 27 et σ∆ = 7,7
f(x) distribution du score de stress perçu
0,06

0,05
12 intervalles
6 intervalles
0,04
loi N(27;7,5)
0,03

0,02

0,01

0,00
0 10 15 20 25 30 35 40 45 60 x
9
 Exemples (3)
• Exemple : âge des français
P = {français du recensement de 1999}
N= 58 520 688
X = âge quantitative continue sur (0,130)
moyenne µ∆ = 38,9 écart-type σ∆ = 23
Îmodèle normal N(39, 23)
moyenne µ = 39 écart-type σ = 23
densité distribution de l'âge des français au recensement de 1999
0,018
0,016
0,014
âge
0,012 N(39;23)
0,010
0,008
0,006
0,004
0,002
0,000
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
âge en années

Îmodèle uniforme sur (0;100) U(0, 100)

densité distribution de l'âge des français au recensement de 1999
0,018
0,016
0,014
âge
0,012 U(0;100)
0,010
0,008
0,006
0,004
0,002
0,000
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
âge en années

10
2. La loi normale ou
gaussiennne centrée réduite

2.1 Fonction de densité de Z

Z variable quantitative continue suit une
loi normale (ou gaussienne) centrée réduite
si sa fonction de densité f est définie par :
1  z2 
f (z ) = exp− 
2π  2
Z représente la variable normale N(0,1)
Z ~ N(0,1) "Z suit la loi N(0,1)"
z représente une valeur quelconque de Z
(nombre réel)
Z~ N (0,1) f(z)

σ=1

µ=0 z
11
 Propriétés de la densité de Z

– Z est une variable centrée et réduite :

moyenne µ = 0 et variance σ2 = 1
– le mode est égal à 0 car f(0) est maximum
1
• f (0 ) = = 0,3989 ≈ 0,4
2π
– f symétrique par rapport à l’axe vertical
f(−z) = f(z)
1
• f (1) = e −0,5 = 0,2420 = f (− 1)
2π
1 −8
• f (4 ) = e = 0,00013 = f (− 4 )
2π

Z~ N (0,1) f(z) 0,5

f(0)≅ 0,4
0,3
f(-1) f(1)
0,2 σ=1
0,1
0 z
-4 -3 -2 -1 µ= 0 1 2 3 4

12
2.2 Fonction de répartition de Z
La fonction de répartition de Z notée F est
définie par :
F(z) = P(Z ≤ z) = P(Z < z)
= proportion de valeurs de Z
inférieures à z
= aire de la surface hachurée sous la
densité f de Z de −∞ à z
Z~ N (0,1) f(z)

P(Z ≤ z)=F(z)

-4 -3 -2 -1 µ= 0 1z 2 3 4
F(z)
1
F(z)
F(1)=0,8413

F(0)=0,5

F(-1)=0,1587
0
z z
-4 -3 -2 -1 0 1 2 3 4

F(0) = P(Z ≤ 0) = 0,5 car la densité f est symétrique

par rapport à l’axe vertical
⇒ 50% des valeurs de Z sont négatives et
50% des valeurs de Z sont positives
13
 Utilisation de la table de la fonction
de répartition de Z :
valeurs positives de Z (1)

¾ On ne sait pas calculer de manière simple

F(z) pour une valeur quelconque de z

¾ Pour les valeurs positives de Z : z ≥ 0

pour certaines valeurs de z (comprises
entre 0 et 4,9) les valeurs de F(z) sont
données dans la table de la fonction de
répartition de la loi normale centrée réduite

14
 Fonction de répartition de la loi
normale centrée réduite

Extrait de la table
z 0,00 0,01 0,02 0,03 0,04 0,05

0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199

0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678

15
 Utilisation de la table de la fonction
de répartition de Z :
valeurs positives de Z (2)

• Exemples :
¾ on vérifie que P( Z ≤ 0) = F(0) = 0,5

¾ P(Z ≤ 1) = F(1) = 0,8413

Î84,13% des valeurs de Z sont
inférieures à 1

Z~ N (0,1) f(z)

P(Z ≤ 1) = F(1)
= 0,8413

-4 -3 -2 -1 µ= 0 1 2 3 z4

¾ P(Z ≤ 1,65) = F(1,65) = 0,9505

Î95,05% des valeurs de Z sont
inférieures à 1,65

16
 Fonction de répartition de la loi
normale centrée réduite

Extrait de la table

Table pour les grandes valeurs de z

z 3,0 3,1 3,2 3,3

F(z) 0,998650 0,999032 0,999313 0,999517

z 4,0 4,1 4,2 4,3

F(z) 0,999968 0,999979 0,999987 0,999991

• Exemple :
¾ P(Z ≤ 3) = F(3) = 0,99865
Î99,865% des valeurs de Z sont
inférieures à 3

17
 Utilisation de la table de la fonction
de répartition de Z :
valeurs négatives de Z (1)

¾ Pour les valeurs négatives de Z

z > 0 donc −z < 0

P(Z ≤ −z) = F(−z) = 1−F(z)

Z~ N (0,1) f(z)
F(z)

F(-z) F(-z)=1-F(z)

-z µ=0 z

par symétrie, les aires des deux surfaces

rouges sont égales

18
 Utilisation de la table de la fonction
de répartition de Z :
valeurs négatives de Z (2)

• Exemples :
¾ P(Z ≤ −1) = F(−1) = 1−F(1)
= 1−0,8413 = 0,1587
Î15,87% des valeurs de Z sont
inférieures à −1

Z~N(0,1) f(z)
P(Z ≤ 1) = F(1)
= 0,8413
P(Z ≤ −1) = F(-1)
P(Z ≤ −1) = F(-1)
= 0,1587

-4 -3 -2 -1 µ= 0 1 2 3 z4

¾ P(Z ≤ −1,65) = F(−1,65) = 1−F(1,65)

= 1−0,9505 = 0,0495
Î4,95% des valeurs de Z sont
inférieures à −1,65
19
 Calcul de proportions (1)

¾ Proportion de valeurs de Z supérieures

à une valeur réelle z :

P(Z ≥ z) = 1 − P(Z ≤ z) = 1−F(z)

= aire de la surface hachurée sous
la densité f de Z à partir de z

Z~ N (0,1) f(z)

F(z)

P(Z ≥ z) = 1−F(z)

µ=0 z

20
 Calcul de proportions (2)

• Exemples :
¾ P(Z ≥ 1) = 1 − P(Z ≤ 1) = 1− F(1)
= 1 − 0,8413 = 0,1587
Î15,87% des valeurs de Z sont
supérieures à 1

¾ P(Z ≥ −1,65) = 1 − P(Z ≤ − 1,65)

= 1− F(− 1,65)
= 1− (1− F(1,65))
= F(1,65) = 0,9505
Î95,05% des valeurs de Z sont
supérieures à −1,65

Z~ N (0,1) f(z)
P(Z ≥ −1,65) = 1−F(−1,65)
= F(1,65) = 0,9505

F(−1,65)

-1,65 µ=0 1,65

21
 Calcul de proportions (3)

¾ Proportion de valeurs de Z comprises

entre deux réels c et d :

P ( c ≤ Z ≤ d) = F(d) − F(c)
= aire de la surface hachurée sous
la densité f de Z entre c et d

Z~ N (0,1) f(z)
F(d)
P(c ≤ Z ≤ d)
= F(d) − F(c)

F(c)

c µ=0 d

22
 Calcul de proportions (4)

• Exemples :
¾ P(−1,65 ≤ Z ≤ 1) = F(1) − F(−1,65)
= 0,8413 − (1− F(1,65))
= 0,8413 − (1− 0,9505)
= 0,8413 − 0,0495
= 0,7918
Î79,18% des valeurs de Z sont
comprises entre −1,65 et 1

Z~ N (0,1) f(z)
F(1)
P(−1,65 ≤ Z ≤ 1)
= F(1) − F(−1,65)

F(−1,65)

−1,65 µ=0 1

¾ P(−1 ≤ Z ≤ 1) = F(1) − F(−1)

= F(1) +(1− F(1))
= 2×F(1) − 1
= 1,6826 − 1 = 0,6826
Î68,26% des valeurs de Z sont
comprises entre −1 et 1
23
3. Le modèle normal ou
gaussien

3.1 Fonction de densité de X

X variable quantitative continue suit
un modèle normal (ou gaussien)
de moyenne µ et d’écart-type σ
si sa fonction de densité f est définie par :
1  ( x − µ )2 
f (x) = exp − 2 
2π σ  2σ 
X représente la variable normale N(µ,σ)
X ~ N(µ,σ) "X suit la loi N(µ,σ)"
x représente une valeur quelconque de X
X~ N (µ ,σ) f(x)

0 µ x
24
 Propriétés de la densité de X

• le mode est égal à µ car f(µ) est maximum

• f symétrique par rapport à l’axe vertical
passant par µ f(µ − x) = f(µ +x)

• la variable centrée réduite (standardisée)

Z associée à X X −µ
Z=
σ
suit un modèle normal centré réduit N(0,1)

Exemples de lois normales

f(x) 0,6
N(0,1)
N(0,2)
0,5
σ = 0,7
N(0,3)
N(0,5)
0,4 N(8,1)
σ =1
N(8,3)
0,3 N(27;7,5)
σ =1
N(0;0,7)
0,2

σ= 2
σ=3
0,1 σ= 3 σ = 7,5
σ= 5

0
-10 -5 µ=0 5 µ = 8 10 15 20 25 µ = 27 30 35 40 x

25
3.2 Fonction de répartition de X

La fonction de répartition de X notée F est

définie par :
F(x) = P(X ≤ x) = P(X < x)
= proportion de valeurs de X
inférieures à x
= aire de la surface hachurée sous la
densité f de X de −∞ à x

X~ N (µ ,σ)
f(x)
P(X ≤ x) = F(x)

0
µ x

F(µ) = P(X ≤ µ) = 0,5 car la densité f est

symétrique par rapport à l’axe vertical passant par µ
⇒ 50% des valeurs de X sont inférieures à µ
50% des valeurs de X sont supérieures à µ

26
 Calcul de la fonction de répartition
de X (1)

¾ On ne sait pas davantage calculer de

manière simple F(x) pour une valeur
quelconque de x
¾ Puisque F(x) dépend des valeurs de µ et σ
il est impossible de donner des tables pour
toutes les valeurs de µ et σ
¾ Pour calculer F(x) la table de la fonction
de répartition de la loi normale centrée
réduite suffit, en utilisant la propriété
suivante

27
 Propriété de la fonction de
répartition de X

X représente la variable normale N(µ,σ)

x représente une valeur quelconque de X
Z représente la variable normale centrée
réduite N(0,1) associée à X X −µ
Z=
σ
x−µ
z= représente la valeur centrée
σ
réduite (standardisée) associée à la valeur x
de X
¾ la fonction de répartition de X se déduit de
celle de Z
 x−µ 
P(X ≤ x ) = P Z ≤  = P(Z ≤ z ) = F(z )
 σ 
⇒la proportion de valeurs de X
inférieures à x est égale à
la proportion de valeurs de Z
inférieures à la valeur centrée réduite z
28
 Calcul de la fonction de répartition
de X (2)
⇒les aires des deux surfaces hachurées
sur le graphique sont égales
f(z) Z~ N (0,1)

X~ N (µ ,σ)
1
F(z) FX(x) fX(x)

0 z =(x − µ )/σ µ x

 x−µ 
P(X ≤ x ) = P Z ≤  = P(Z ≤ z ) = F(z )
 σ 

calcul de F(x)

¾ calculer la valeur centrée réduite z pour

x, µ et σ donnés
¾ chercher la valeur de F(z) dans la table
de la loi normale N(0,1)
29
 Calcul de la fonction de répartition
de X (3)

• Exemple : évaluation de l'humeur

X = score d'évaluation de l'humeur
on suppose que X suit un modèle
normal de moyenne 8 et d'écart-
type 3 dans P = {personnes}
X ~ N(8,3)

¾ P(X ≤ 10) ⇒ z = (10− 8) / 3 ≈ 0,67

P(X ≤ 10) ≈ P(Z ≤ 0,67) = F(0,67)
= 0,7486
Î74,86% des scores (valeurs de X)
sont inférieurs à 10

f(z) Z~ N (0,1)

X~ N (8,3)
F(0,67)=
0,7486 1
FX(10) fX(x)

σ=3
0 z = 0,67 µ =8 x=10
30
 Calcul de la fonction de répartition
de X (4)

• Exemple : évaluation de l'humeur

X ~ N(8,3)

¾ P(X ≤ 4) ⇒ z = (4− 8) / 3 ≈ − 1,33

P(X ≤ 4) ≈ P(Z ≤ − 1,33) = F(− 1,33)
= 1− F(1,33) = 1− 0,9082
= 0,0918
Î9,18% des scores (valeurs de X)
sont inférieurs à 4

f(z) Z~ N (0,1)

X~ N (8,3)
F(− 1,33) 1
FX(4) fX(x)
=0,0918
σ=3

z =− 1,33 0 x=4 µ =8

31
Calcul de proportions

• Exemple : évaluation de l'humeur

X ~ N(8,3)

¾ P(2 ≤ X ≤ 11) = P(X ≤ 11)− P(X ≤ 2)

P(X ≤ 11) ⇒ z = (11− 8) / 3 = 1
P(X ≤ 11) = P(Z ≤ 1) =F(1) = 0,8413
P(X ≤ 2) ⇒ z = (2− 8) / 3 = − 2
P(X ≤ 2) = P(Z ≤ − 2) = F(− 2)
= 1− F(2) = 1− 0,9772
= 0,0228
P(2 ≤ X ≤ 11) = 0,8413 − 0,0228
= 0,8185
Î81,85% des scores (valeurs de X)
sont compris entre 2 et 11
X~ N (8,3) f(x) P(X ≤ 11) = F(11)
P(2 ≤ X ≤ 11) = = 0,8413
= 0,8185
P(X ≤ 2) = F(2)
σ =3
= 0,0228

0 2 µ =8 11
32
4. Paramètres d'ordre des
modèles gaussiens

4.1 Quantiles de la loi normale

centrée réduite Z
Z suit la loi normale N(0,1)

Le quantile d'ordre α de Z noté zα

est défini pour α fixé, par :
P(Z ≤ zα ) = F(zα ) = α

Î on fixe une proportion α (0 ≤ α ≤ 1)

on cherche la valeur zα de Z telle que
α% des valeurs de Z sont inférieures à zα
Z~ N (0,1) f(z)

z =?
-4 -3 -2 -1 µ= 0 1 α 2 3 4
33
 Calcul des quantiles de Z :
ordre supérieur à 50% (1)

¾ α = 0,5 : z0,5 = médiane de Z = 0

car P(Z ≤ 0) = F(0) = 0,5
⇒ moyenne = médiane = mode = 0

¾ Pour le quantile zα d’ordre α de Z avec

α ≥ 0,5
on cherche à quelle valeur zα correspond la
probabilité α donnée
⇒lire la table de la fonction de répartition
de Z en sens inverse

34
 Calcul des quantiles de Z :
ordre supérieur à 50% (2)
• Exemples :
¾ le troisième quartile de Z (quantile
d'ordre 0,75) : z0,75
P(Z ≤ z0,75 ) = F(z0,75) = 0,75
Dans la table, on trouve :
0,7486 = F(0,67) et 0,7517 = F(0,68)
donc 0,67 ≤ z0,75 ≤ 0,68
on choisit soit z0,75 = 0,67
soit z0,75 = 0,68 soit z0,75 = 0,675
Î75% des valeurs de Z sont
inférieures à 0,675

Z~N(0,1) f(z)

α = 0,75

z0,75=0,675
-4 -3 -2 -1 µ= 0 1 2 3 4

35
 Fonction de répartition de la loi
normale centrée réduite

Extrait de la table
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767

36
Calcul des quantiles de Z :
ordre supérieur à 50% (3)

• Exemples :
¾ le 9ème décile
(quantile d'ordre 0,9) de Z : z0,90
P(Z ≤ z0,9 ) = F(z0,9) = 0,9
Dans la table, on trouve :
0,8997 = F(1,28) et 0,9015 = F(1,29)
donc 1,28 ≤ z0,9 ≤ 1,29
on choisit soit z0,9 = 1,28
soit z0,9 = 1,29 soit z0,9 = 1,285
Î90% des valeurs de Z sont
inférieures à 1,28
¾ le quantile d'ordre 0,975 de Z :
z0,975
P(Z ≤ z0,975 ) = F(z0,975) = 0,975
Dans la table, on trouve :
0,975 = F(1,96) donc z0,975 = 1,96
Î97,5% des valeurs de Z sont
inférieures à 1,96

37
 Calcul des quantiles de Z :
ordre supérieur à 50% (4)

• Exemples :
¾ le 95ème percentile
(quantile d'ordre 0,95) de Z : z0,95
P(Z ≤ z0,9 5) = F(z0,95) = 0,95
Dans la table, on trouve :
0,9495 = F(1,64) et 0,9505 = F(1,65)
donc 1,64 ≤ z0,95 ≤ 1,65
on choisit soit z0,95 = 1,64
soit z0,95 = 1,65 soit z0,95 = 1,645
Î95% des valeurs de Z sont
inférieures à 1,645

Z~N(0,1) f(z)

α = 0,95

z0,95 = 1,645
-4 -3 -2 -1 µ= 0 1 2 3 4

38
 Calcul des quantiles de Z :
ordre inférieur à 50% (1)

¾ Pour le quantile zα d’ordre α de Z avec

α < 0,5
on cherche donc une valeur zα qui doit être
négative
⇒on ne peut plus utiliser directement la
table de la fonction de répartition de Z
⇒on utilise le fait que zα et −z1−α sont
opposés (symétriques par rapport à 0)
c'est à dire que : zα = −z1−α

Z~ N (0,1) f(z)

1−α

α α

0
z α =−z 1−α z 1−α
39
 Calcul des quantiles de Z :
ordre inférieur à 50% (2)

• Exemples :
¾ le premier quartile de Z
(quantile d'ordre 0,25) : z0,25
P(Z ≤ z0,25 ) = F(z0,25) = 0,25
1− α = 0,75 et z0,75 = 0,675
donc z0,25 = − z0,75 = − 0,675
Î25% des valeurs de Z sont
inférieures à − 0,675

Z~N(0,1) f(z) 1−α = 0,75

α = 0,25 α = 0,25

z0,25 = −z0,750 z0,75 = 0,675

= −0,675

40
Calcul des quantiles de Z :
ordre inférieur à 50% (3)

• Exemples :
¾ le premier décile de Z
(quantile d'ordre 0,1) : z0,1
P(Z ≤ z0,1 ) = F(z0,1) = 0,1
1− α = 0,9 et z0,9 = 1,28
donc z0,1 = − z0,9 = − 1,28
Î10% des valeurs de Z sont
inférieures à − 1,28
¾ le 5ème percentile de Z
(quantile d'ordre 0,05) : z0,05
P(Z ≤ z0,05 ) = F(z0,05) = 0,05
1− α = 0,95 et z0,95 = 1,645
donc z0,05 = − z0,95 = − 1,645
Î5% des valeurs de Z sont
inférieures à − 1,645
¾ le quantile d'ordre 0,025 : z0,025
P(Z ≤ z0,025 ) = F(z0,025) = 0,025
1− α = 0,975 et z0,975 = 1,96
donc z0,025 = − z0,975 = − 1,96
Î2,5% des valeurs de Z sont
inférieures à − 1,96
41
4.2 Intervalles de variation de Z (1)

L’intervalle de variation au niveau (1−α)

ou au risque α de Z noté I1−α est tel que :
P(Z ∉ I1−α ) = α
P(Z ∈ I1−α ) = 1−α
     
I1−α = z α ; z α  = − z α ; z α  = ± z α 
 2 1− 2   1− 2 1− 2   1− 2 

où z est le quantile d'ordre 1 − α de Z

1− α 2
2
Cet intervalle est symétrique autour de 0

Z~N(0,1) f(z)

1−α

α/2 α/2

zα/2 0 z1−(α/2)

−z1−(α/2) z1−(α/2)
I1−α
42
4.2 Intervalles de variation de Z (2)

• Exemples :
¾ intervalle de variation à 50% ou
au risque α=50% ou intervalle
inter-quartiles de Z :
I0,5 = [z0,25; z0,75 ] = [−z0,75; z0,75 ]
= [−0,675; 0,675 ] = [ ±0,675 ]
Î50% des valeurs de Z sont
comprises entre −0,675 et 0,675

Z~N(0,1) f(z) 1−α = 50%

α/2 = 25% α/2 = 25%

z0,25 z0,75
0
− 0,675 0,675
I0,5
43
4.2 Intervalles de variation de Z (3)

• Exemples :
¾ intervalle de variation à 90% ou
au risque α=10% de Z :
I0,90 = [z0,05; z0,95 ] = [−z0,95; z0,95 ]
= [−1,645; 1,645 ] = [ ±1,645 ]
Î90% des valeurs de Z sont
comprises entre −1,645 et 1,645
¾ intervalle de variation à 95% ou
au risque α=5% de Z :
I0,95 = [z0,025; z0,975 ] = [−z0,975; z0,975 ]
= [−1,96; 1,96 ] = [ ±1,96 ]
Î95% des valeurs de Z sont
comprises entre −1,96 et 1,96
Z~N(0,1) f(z)

1−α = 95%

α/2 = 2,5% α/2 = 2,5%

z0,025 z0,975
0
− 1,96 1,96
I0,95
44
4.3 Quantiles d'une loi normale X

X suit la loi normale N(µ,σ)

Le quantile d'ordre α de X noté xα
est défini pour α fixé, par :
P(X ≤ xα ) = F(xα ) = α

Î on fixe une proportion α (0 ≤ α ≤ 1)

on cherche la valeur xα de X telle que
α% des valeurs de X sont inférieures à xα

α = 0,5 : x0,5 = médiane de X = µ

car P(X ≤ µ) = F(µ) = 0,5
⇒ moyenne = médiane = mode = µ

45
 Calcul des quantiles de X :

¾ Z variable normale centrée réduite N(0,1)

⇒la variable X = σ Z + µ
est une variable normale N(µ,σ)

⇒le quantile d'ordre α de X s'écrit :

xα = µ + σ zα

X~ N (µ ,σ) f(x)

α = F(x α )

µ x α = µ + σ zα

¾ Pour trouver le quantile xα d’ordre α de X :

on détermine le quantile zα d’ordre α de Z
on lui applique la formule précédente

46
 Calcul des quantiles de X :
ordre supérieur à 50% (1)

• Exemple : évaluation de l'humeur

X = score d'évaluation de l'humeur
X ~ N(8,3)

¾ le troisième quartile de X
(quantile d'ordre 0,75) : x0,75
P(X ≤ x0,75 ) = F(x0,75) = 0,75
x0,75 = µ + σ z0,75
on sait que z0,75 = 0,675
donc x0,75 = 8 + 3 × 0,675
= 8 + 2,025 = 10,025
Î75% des scores (valeurs de X)
sont inférieurs à 10,025

X~N(8,3) f(x)

α = 0,75
σ =3

µ=8 x0,75 = 10,025

47
Calcul des quantiles de X :
ordre supérieur à 50% (2)

• Exemple : évaluation de l'humeur

X = score d'évaluation de l'humeur
X ~ N(8,3)

¾ le 9ème décile de X
(quantile d'ordre 0,9) : x0,9
P(X ≤ x0,9 ) = F(x0,9) = 0,9
x0,9 = µ + σ z0,9
on sait que z0,9 = 1,28
donc x0,9 = 8 + 3 × 1,28
= 8 + 3,84 = 11,84
Î90% des scores (valeurs de X)
sont inférieurs à 11,84
¾ le 95ème percentile de X
(quantile d'ordre 0,95) : x0,95
P(X ≤ x0,95 ) = F(x0,95) = 0,95
x0,95 = µ + σ z0,95
on sait que z0,95 = 1,645
donc x0,95 = 8 + 3 × 1,645
= 8 + 4,935 = 12,935
Î95% des scores (valeurs de X)
sont inférieurs à 12,935
48
 Calcul des quantiles de X :
ordre inférieur à 50% (1)

¾ Pour le quantile xα d’ordre α de X avec

α < 0,5
⇒les quantiles de Z d'ordre α et 1−α
zα et −z1−α sont opposés : zα = −z1−α
⇒le quantile d'ordre α de X s'écrit :
xα = µ − σ z1−α
⇒les quantiles de X d'ordre α et 1−α
xα et x1−α sont symétriques par rapport
à la moyenne µ de X xα = µ − σ z1−α
x1−α = µ + σ z1−α
X~ N (µ ,σ) f(x)

1−α

α α

µ − σ z 1 −α = x α µ x 1−α = µ + σ z 1−α
49
 Calcul des quantiles de X :
ordre inférieur à 50% (2)

• Exemple : évaluation de l'humeur

X = score d'évaluation de l'humeur
X ~ N(8,3)

¾ le premier quartile de X
(quantile d'ordre 0,25) : x0,25
P(X ≤ x0,25 ) = F(x0,25) = 0,25
x0,25 = µ + σ z0,25 = µ − σ z0,75
on sait que z0,25 = − z0,75 = − 0,675
donc x0,25 = 8 − 3 × 0,675
= 8 − 2,025 = 5,975
Î25% des scores (valeurs de X)
sont inférieurs à 5,975

X~N(8,3) f(x)

α = 0,25
σ =3

x0,25 = 5,975 µ=8 x0,75 = 10,025

50
Calcul des quantiles de X :
ordre inférieur à 50% (3)

• Exemple : évaluation de l'humeur

X = score d'évaluation de l'humeur
X ~ N(8,3)

¾ le 1ème décile de X
(quantile d'ordre 0,1) : x0,1
P(X ≤ x0,1 ) = F(x0,1) = 0,1
x0,1 = µ + σ z0,1 = µ − σ z0,9
on sait que z0,1 = − z0,9 = − 1,28
donc x0,1 = 8 − 3 × 1,28
= 8 − 3,84 = 4,16
Î10% des scores (valeurs de X)
sont inférieurs à 4,145
¾ le 5ème percentile de X
(quantile d'ordre 0,05) : x0,05
P(X ≤ x0,05 ) = F(x0,05) = 0,05
x0,05 = µ + σ z0,05 = µ − σ z0,95
on sait que z0,05 = − z0,95 = − 1,645
donc x0,05 = 8 − 3 × 1,645
= 8 − 4,935 = 3,065
Î5% des scores (valeurs de X)
sont inférieurs à 3,065
51
4.4 Intervalles de variation de X (1)

L’intervalle de variation au niveau (1−α) ou

au risque α de X noté I1−α est tel que :
P(X ∉ I1−α ) = α
P(X ∈ I1−α ) = 1−α
   
I1−α =  x α ; x α  = µ − σ z α ; µ + σ z α 
 2 1− 2   1−
2
1−
2

 
I1−α = µ ± σ z α 
1−
 2
où z1− α est le quantile d'ordre 1 − α de Z
2 2
Cet intervalle est symétrique par rapport à µ

X~N(µ,σ ) f(x)

1−α

α/2 α/2

xα/2 x1−(α/2)
µ
µ−σ z1−(α/2) µ+σ z1−(α/2)
I1−α
52
4.4 Intervalles de variation de X (2)

• Exemple : évaluation de l'humeur

X = score d'évaluation de l'humeur
X ~ N(8,3)

¾ intervalle de variation à 50% ou

au risque α = 50%
(intervalle inter-quartiles) de X :
I0,5 = [x0,25 ; x0,75 ] = [ µ ± σ z0,75 ]
= [8 ± 3×0,675] = [5,975; 10,025]
Î50% des scores (valeurs de X)
sont compris entre 5,975 et
10,025
¾ intervalle de variation à 90% ou
au risque α = 10% de X :
I0,90 = [x0,05 ; x0,95 ] = [ µ ± σ z0,95 ]
= [8 ± 3×1,645] = [3,065; 12,935]
Î90% des scores (valeurs de X)
sont compris entre 3,065 et
12,935

53
4.4 Intervalles de variation de X (3)

• Exemple : évaluation de l'humeur

X = score d'évaluation de l'humeur
X ~ N(8,3)

¾ intervalle de variation à 95% ou

au risque α=5% de X :
I0,95 = [ x0,025 ; x0,975 ] = [ µ ± σ z0,975 ]
= [ 8 ± 3×1,96 ] = [2,12; 13,88]
Î95% des scores (valeurs de X)
sont compris entre 2,12 et 13,88

X~N(8,3) f(x)

1−α = 95%
σ =3
α/2 = 2,5% α/2 = 2,5%

x0,025 = 2,12 µ=8 x0,975 = 13,88

I0,95
54
5. Propriété des lois
normales (1)

X suit un modèle gaussien N(µ,σ)

A est une valeur réelle

¾ la proportion de valeurs de X comprises

entre µ−Aσ et µ+Aσ vaut :

P( µ − Aσ ≤ X ≤ µ + Aσ )
= P( −A ≤ Z ≤ A )
= 2 × F(A) − 1
⇒elle dépend de A mais pas de µ ni de σ

55
5. Propriété des lois
normales (2)

¾ pour A=1
P(µ − σ ≤ X ≤ µ + σ ) = P(−1 ≤ Z ≤ 1)
= 2× F(1)−1 = 0,6826
Î68,26% des valeurs de X sont comprises
entre µ−σ et µ+σ (moyenne ± un écart-type)

¾ pour A=2
P(µ − 2σ ≤ X ≤ µ + 2σ ) = P(−2 ≤ Z ≤ 2 )
= 2× F(2)−1 = 0,9544
Î95,44% des valeurs de X sont comprises
entre µ−2σ et µ+2σ
(moyenne ± deux écart-types)

X~ N (µ ,σ) f(x)
P(−1 ≤ Z ≤ 1) = 0,6826

P(−2 ≤ Z ≤ 2)
= 0,9544 σ

µ − 2σ µ − σ µ µ + σ µ + 2σ
56
5. Propriété des lois
normales (3)
• Exemple : évaluation de l'humeur
X = score d'évaluation de l'humeur
X ~ N(8,3)

¾ 68,26% des scores (valeurs de X)

sont compris entre
[8 ± 3] = [5 ; 11]
¾ 95,44% des scores (valeurs de X)
sont compris entre
[8 ± 2×3] = [2 ; 14]
¾ 99,13% des scores (valeurs de X)
sont compris entre
[8 ± 3×3]=[−1 ; 17] !!

57