Chapitre 08 Terminale ES

Probabilités continues
et lois à densité
Ce que dit le programme :
CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES
Notion de loi à densité Les exemples étudiés s’appuient sur une expérience aléatoire
à partir d’exemples et un univers associé Ω , muni d’une probabilité.
On définit alors une variable aléatoire X, fonction de Ω dans
Loi à densité sur R, qui associe à chaque issue un nombre réel d’un intervalle I
un intervalle. de R. On admet que X satisfait aux conditions qui permettent
de définir la probabilité de l’événement {X ∈J} comme aire
du domaine :
{M(x, y) ; x∈ J et 0 ≤ y ≤ f (x)}
où f désigne la fonction de densité de la loi et J un intervalle
inclus dans I.
Toute théorie générale des lois à densité et des intégrales sur
un intervalle non borné est exclue.

Loi uniforme sur [a, b]. Connaître la fonction de densité de la L’instruction « nombre aléatoire » d’un logiciel ou d’une
loi uniforme sur [a, b]. calculatrice permet d’introduire la loi uniforme sur [0,1].
Espérance d’une variable La notion d’espérance d’une variable aléatoire à densité sur
aléatoire suivant une loi b
uniforme. [a;b] est introduite à cette occasion par : ∫a t f (t) dt .
On note que cette définition constitue un prolongement dans
le cadre continu de l’espérance d’une variable aléatoire
discrète.

Loi normale centrée réduite Connaître la fonction de densité de la loi Pour introduire la loi normale N (0,1), on s’appuie sur
normale N (0,1) et sa représentation l’observation des représentations graphiques de la loi de la
N (0,1).
graphique. variable aléatoire
X n−np
Z n=
Connaître une valeur approchée de la √ np(1− p)
probabilité de l’événement où Xn suit la loi binomiale B (n, p) et cela pour de grandes
{ X ∈[ −1,96;1,96 ]} lorsque X suit la loi valeurs de n et une valeur de p fixée entre 0 et 1.
normale N (0,1). À ce propos, on peut faire référence aux travaux de Moivre et
de Laplace en les situant dans une perspective historique.

Loi normale N (μ,σ 2) Utiliser une calculatrice ou un tableur Une variable aléatoire X suit la loi N (μ,σ2 ) siX −μ suit
pour obtenir une probabilité dans le σ
d’espérance μ et d’écart-type σ. la loi normale N (0,1). On se limite à une approche intuitive
cadre d’une loi normale N (μ,σ2 ).
de la notion d’espérance.
Connaître une valeur approchée de la
On exploite les outils logiciels pour faire percevoir
probabilité des événements suivants :
l’information apportée par la valeur de l’écart-type.
{ X ∈[μ −σ , μ +σ ]},
{ X ∈[μ − 2σ , μ + 2σ ]} et La connaissance d’une expression algébrique de la fonction
de densité de cette loi n’est pas un attendu du programme.
{ X ∈[μ − 3σ ,μ + 3σ ]},
lorsque X suit la loi normale N (μ,σ2 ). On illustre ces notions par des exemples issus des sciences
économiques ou des sciences humaines et sociales.

I. Variable aléatoire continue

1.1) Rappels sur les v.a. discrètes

On considère une expérience aléatoire et Ω l'univers (fini) associé, muni d'une

probabilité. On appelle variable aléatoire discrète X, toute fonction de Ω dans ℝ ,
qui associe à chaque issue un nombre réel d’un intervalle I de ℝ , X prend un
nombre fini de valeurs.
Ici, comme Ω est fini, l'ensemble des valeurs prises par X est évidemment fini.
On pose X(Ω)={x1 ; x1 ; ... ; xn}. On note "X = xk" l'événement formé de toutes les

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 1/15
issues ω de Ω qui réalisent X(ω)= xk. On note en général pk= P(X = xk), la probabilité
de l'événement "X = xk". Alors :
• La loi de probabilité de la v.a. X, est définie par la donnée des probabilités de
tous les événements "X = xk", notées pk . On présente (souvent) cette loi dans un
tableau comme suit
Valeurs xk x1 x2 ... xn
pk = P(X = xk) p1 p2 ... pn
• L'espérance mathématique de X, notée E(X), désigne la moyenne des valeurs
prises par X, et pondérées par leurs probabilités de réalisation :
E ( X )= p 1 x 1+ p 2 x 2+⋯+ p n x n
k =n

qu'on note aussi avec le signe Σ = "Somme" : E ( X )=∑ p k x k

k=1
• La variance de X, notée V(X), désigne la moyenne des carrés des écarts à la
moyenne de X. Autrement dit, en posant m = E(X).
k=n
2 2
V ( X )= E [ ( X − E ( X )) ]= ∑ p k ( x k −m ) .
k =1
La variance est le carré d'une distance donc, c'est un nombre positif ou nul.

(∑ )
k=n
Théorème : V ( X )= E ( X )−E ( X ) ou encore V ( X )=
2 2
p k x 2k −m2
k=1
La variance V(X) permet de caractériser la dispersion des valeurs xk par rapport
à la moyenne E(X).
• L'écart-type de X, noté σ (lire "sigma") ou σ(X) ou parfois σX , est égal à la
racine carrée de la variance : σ( X )= √ V ( X ) ou σ 2 ( X )=V ( X ) ou
simplement σ 2 =V .
Comme la variance, l'écart-type permet de caractériser la dispersion des
valeurs xk par rapport à la moyenne E(X).
Une différence d'utilisation entre σ et V= σ2, est que σ est de même dimension
que les valeurs xk , donc les valeurs xk peuvent être directement comparées à σ.

1.2) Variables aléatoires continues

Dans toute la suite, on considère une expérience aléatoire et Ω l'univers associé (non
nécessairement fini), muni d'une probabilité.
Définition 1.
On appelle variable aléatoire X, toute fonction de Ω dans ℝ , qui associe à chaque
issue un nombre réel d’un intervalle I dans ℝ .
Exemples :
1°) La variable aléatoire X égale à la durée de vie (âge au décès) d'une personne

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 2/15
 dans une ville donnée ou dans un pays donné, est une v.a. continue.
2°) Le poids à la naissance d'un bébé, exprimé en kg, , est une v.a. continue.
3°) La variable aléatoire X égale à la durée de fonctionnement d'une ampoule
électrique exprimée en heures, est une v.a. continue.
4°) La variable aléatoire X égale à la durée de communication téléphonique,
exprimée en heures, d'un jeune de 16 à 25 ans, est une v.a. continue.
5°) L'instruction ALEA() sur un tableur ou RAND# ou nbrAleat() sur une
calculatrice, donnent un nombre au hasard compris entre 0 et 1. Ces
instructions définissent une v.a. continue X prenant ses valeurs dans [0;1].
Toutes ces valeurs "peuvent" être prises.

1.3) Fonction de densité de probabilité sur un intervalle

Définition 2.
On appelle fonction de densité de probabilité ou fonction de densité ou encore
densité de probabilité sur un intervalle I, toute fonction f, continue et positive sur
[a; b] et dont l'intégrale entre a et b est égale à 1.
Autrement dit : f est une densité de probabilité sur l'intervalle [a; b] lorsque :
1°) f ⩾0 sur I ;
2°) f est continue sur I ;
b x
3°) ∫a f ( x) dx=1 si I = [a; b] et lim
x →+∞
∫a f (t ) dt=1 si I =[ a ;+∞ [

Exemples :
1°) Soit f la fonction définie sur [0;1] par f (x)=2 x. Montrer que f définit bien
une fonction de densité sur [0;1].
2°) Soit f la fonction définie sur [0;1] par f (x)=k x 2 . Déterminer k pour que f
définisse une fonction de densité sur [0;1].

1.4) Loi de probabilité à densité sur un intervalle

On considère une expérience aléatoire et Ω l'univers associé, muni d'une probabilité.
Définition 3.
Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 3/15
Soit X une variable aléatoire continue à valeurs dans un intervalle [a;b] muni d'une
fonction de densité f.
On définit la loi de probabilité de densité f de X, en associant à tout intervalle [c;d]
inclus dans [a; b], la probabilité de l'événement X ∈[c ; d ] c'est-à-dire c⩽ X ⩽d ,
égale à l'aire du domaine D = {M(x;y) tels que : c ≤ x ≤ d et 0≤ y ≤ f (x)}, c'es-à-
dire l'aire du domaine délimité par la courbe de f, l'axe des abscisses et les droites
d'équations x = c et x = d. On a alors :
d
P ( X ∈[c ; d ])=∫c f ( x) dx.
d
ou encore : P (c⩽ X ⩽d )=∫c f ( x)dx.

d
P (a⩽ X ⩽b)=1 et P (c⩽ X ⩽d )=∫c f ( x)dx
Propriétés immédiates.
Soit X une variable aléatoire continue à valeurs dans un intervalle [a;b] muni d'une
fonction de densité f. Alors
(P1) Probabilité d'un point : Pour tout réel c∈[a ;b]: P ( X =c)=0.
(P2) Les bornes n'ont pas d'importance. Pour tous nombres réels c , d ∈[a ;b] :
P (c⩽ X ⩽d )=P (c⩽ X <d )= P (c< X ⩽d )=P (c< X <d )
(P3) : Événement contraire. Pour tout nombre réel c∈[a ;b]:
c
P ( X >c)= P (c< X ⩽b)=1−P (a⩽ X <c)=1−∫a f ( x)dx

Démonstration.
c
(P1) Pour tout réel c∈[a ;b]: P ( X =c)= P(c⩽ X ⩽c)=∫c f (x)dx=0.
(P2) [c ;d ]= [ c ; d [ ∪{ d } . Ces deux événements étant incompatibles, on a :
P([c;d]) = P([c;d[) + P({d}) = P([c;d[) + 0 = P([c;d[).
(P3) L'événement ( X >c)=(c< X ⩽b) est l'événement contraire de (a⩽ X <c) .
Donc, par définition des probabilités de deux événements contraires, nous avons :

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 4/15
 c
P ( X >c)= P (c< X ⩽b)=1−P (a⩽ X <c)=1−∫a f ( x)dx CQFD.
Remarques :
Les propriétés des probabilités dans le cas discret, s'étendent naturellement au cas
continu. Soient A et B deux événements. Alors :
1°) P (∅)=0 ; et en plus, dans le cas continu, P({c}) = P("X = c ") = 0.
2°) P (Ω)=1 ; ici P([a; b]) = 1.
3°) P ( A∪ B)= P (A)+ P (B) – P ( A∩B)
4°) P ( A∪ B)=P ( A)+ P( B) ; si A et B sont incompatibles.
5°) P( A ) = 1 – P(A) ; où A désigne l'événement contraire de A.
6°) Si P (B)≠0 , alors la probabilité conditionnelle de "A sachant que B est
P( A∩B)
réalisé" est donnée par la formule : P B (A)= .
P (B)
Exemples :
Soit X la variable aléatoire continue à valeurs dans l'intervalle [0; 1], muni de la
fonction densité f définie par : f (x)=3 x 2 .
a) Déterminer P(X = 0,5)
b) Calculer P ( X ⩽0,5) .
c) En déduire P ( X >0,5).
d) Calculer P (0,3< X ⩽0,5) .
e) Calculer P (0,2⩽X <0,5) (0,3⩽ X <0,9).
Corrigé
Tout d'abord, pour les différents calculs, je détermine une primitive F de la fonction f.
f ( x )=3 x 2 , donc la fonction F définie par F ( x)=x 3 est une primitive de f sur [0,1].
[Je n'ai pas besoin de la constante pour le calcul de ces intégrales, puisqu'elle disparaît en faisant la
soustraction F(b) – F(a)].
0,5
a) P ( X = 0,5) = P (0,5⩽ X ⩽0,5)=∫0,5 f ( x)dx=0.
b)
0,5 0,5 2 3 3
P ( X ⩽0,5)=P (0⩽X ⩽0,5)=∫0 f ( x)dx =∫0 3 x dx=F (0,5)−F (0)=( 0,5) −0 =0,125
c) L'événement "X > 0,5" est l'événement contraire de " X ⩽0,5 " .
Donc P (X > 0,5) = 1−P ( X ⩽0,5) = 1 – 0,125 = 0,875.
0,5 0,5
d) P (0,3⩽ X ⩽0,5)=∫0,3 f ( x)dx=∫0,3 3 x 2 dx
P (0,3⩽ X ⩽0,5)=F (0,5)−F (0,3)=(0,5)3 −(0,3)3=0,125−0,027=0,098
e) Par définition d'une probabilité conditionnelle :
P ( X ∈[0,2 ; 0,5]∩[0,3 ; 0,9])
P(0,2⩽ X <0,5) (0,3⩽ X <0,9)=P X ∈[0,2; 0,5] ( X ∈[0,3 ; 0,9 ])=
P ( X ∈[0,2 ; 0,5])
0,5
P( X ∈[0,3 ; 0,5]) ∫0,3 f ( x) dx
Donc P(0,2⩽ X <0,5) (0,3⩽ X <0,9)= = 0,5
P( X ∈[0,2 ; 0,5])
∫0,2 f ( x) dx
3 3
F (0,5)−F (0,3) (0,5) −( 0,3) 0,098
= = = ≃0,838 CQFD.
F (0,5)−F (0,2) (0,5)3−( 0,2)3 0,117

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 5/15
1.5) Espérance d'une v.a. à densité
On considère une expérience aléatoire et Ω l'univers associé, muni d'une probabilité.
Définition 3.
Soit X une variable aléatoire continue de densité de probabilité f sur l'intervalle [a;b].
Alors, l'espérance mathématique de X sur [a;b] est définie par :
b
E ( X )=∫a x f ( x )dx

Remarque : Cette formule constitue un prolongement dans le cadre continu de

n b
l’espérance d’une v.a. discrète. En effet : E ( X )=∑i=1 x i p i → ∫a x f ( x )dx .
le symbole ∑ est remplacé par le symbole ∫ et la probabilité p par f (x)dx.

Exemple : On reprend l'exemple précédent avec f (x)=3 x 2 sur l'intervalle [0; 1].
Alors, par définition, l'expérance de X est donnée par :
1
1 1
E ( X )=∫0 x f (x)dx=∫0 x×3 x dx=∫0 3 x dx= 3
x4 23 3
= −0= .
4 0 4 4
1 3
[ ]
II. Loi uniforme
2.1) Activité
A l'aide d'un tableur ou d'une calculatrice, choisir un nombre au hasard.
L'instruction ALEA() sur un tableur ou RAND# ou nbrAleat() sur une calculatrice,
donnent un nombre au hasard compris entre 0 et 1, exclus.
a) Y a-t-il un nombre qui a plus de chance d'apparaître que les autres nombres ?
b) Calculer la probabilité de l'événement « le nombre choisi appartient à
l'intervalle I = [0,15 ; 0,17[ et possède exactement trois décimales ».
c) Même question avec « le nombre choisi appartient à l'intervalle J=[0,2 ;0,5[
et possède exactement trois décimales ».
d) Calculer l'amplitude de chacun des intervalles I et J précédents.
Faites une conjecture pour calculer la probabilité de de l'événement « le
nombre choisi appartient à l'intervalle K = [c; d[ contenu dans [0;1[ ».

a) Naturellement, il n'existe pas de nombre « privilégié ». Tous les nombres compris entre 0 et 1 ont la même
chance d'apparaître que les autres nombres. On pourrait assimiler ce choix aléatoire à une « situation
d'équiprobabilité » !
b) On pose : Ω1 = l'ensemble des nombres de [0 ; 1[ qui possèdent exactement trois décimales. Ω1 contient
exactement 1000 nombres qui possèdent exactement trois décimales, de 0 = 0,000 à 0,999.
Soit A l'événement « le nombre choisi appartient à l'intervalle I = [0,15 ; 0,17[ et possède exactement trois
décimales ». A contient 20 nombres qui possèdent exactement trois décimales, de 0 = 0,150 à 0,169 inclus
dans l'intervalle [0,15 ; 0,17[.
Par conséquent, comme nous sommes dans une situation d'équiprobabilité, on a :

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 6/15
 Nombre d ' issues favorables card ( A) 20
P (A)= = = =0,02
Nombre d ' issues possibles card Ω1 1000

c) Soit B l'événement « le nombre choisi appartient à l'intervalle J = [0,2 ; 0,5[ et possède exactement trois
décimales ». B contient 20 nombres qui possèdent exactement trois décimales, de 0 = 0,200 à 0,499 inclus
dans l'intervalle [0,2 ; 0,5[.
Par conséquent, comme nous sommes dans une situation d'équiprobabilité, on a :
Nombre d ' issues favorables card ( B) 300
P (B)= = = =0,3
Nombre d ' issues possibles card Ω1 1000
c) La longueur d'un intervalle [a;b] ou [a;b[ ou ]a;b[ est égale à (b – a). Par conséquent
longueur(I) = longueur([0,15 ; 0,17[) = 0,02.
et longueur(J) = longueur([0,2 ; 0,5[) = 0,3.
Conjecture « Il semble que la probabilité que "le nombre choisi appartienne à un intervalle K =[c;d [
contenu dans [0;1[" soit égale à la longuer de cet intervalle ». Soit :
d −c
P ( X ∈ [ c ; d [ )=d −c ou encore P ( X ∈ [ c ; d [ )= .
1−0

2.2) Définition d'une loi uniforme

Définition :
Soient a et b deux nombres réels distincts. Soit X une variable aléatoire continue sur
l'intervalle [a;b]. On dit que la v.a. X suit une loi uniforme lorsque sa densité de
probabilité est une fonction constante sur [a; b].
On dit aussi que la v.a. X est uniformément répartie sur l’intervalle [a;b].

Propriété n°1.
La fonction de densité de probabilité de la loi uniforme sur l'intervalle [a; b] est
1
définie sur [a; b] par f (x)= .
b−a
Démonstration :
f est une fonction constante sur [a; b] donc pour tout x ∈[a ;b] : f (x )=k , où k
est une constante réelle positive. De plus, une primitive de f sur [a;b] est la fonction
F définie par : F (x)=k x. On alors, puisque b−a≠0 :
b 1
∫a f ( x )dx=1 (ssi) F (b) – F (a)=1 (ssi) k b−k a=1 (ssi) k = b−a .
1
Conclusion : pour tout x∈[a ;b] : f (x)= . CQFD.
b−a
Propriété n°2.
Soit X une variable aléatoire qui suit la loi uniforme sur l'intervalle [a; b]. Alors,
pour tout intervalle [c ;d ] contenu dans [a ;b] , on a :
d −c
P (c⩽ X ⩽d )=
b−a
Démonstration :
La fonction de densité de probabilité de la loi uniforme sur l'intervalle [a; b] est
1
définie sur [a; b] par : f (x)= . Donc :
b−a
Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 7/15
 d
1
[
1 1
]1 d −c
d
P (c⩽ X ⩽d )=∫c dx = x = d− c= CQFD.
b−a b−a c b−a b−a b−a

2.3) Espérance d'une loi uniforme

Propriété n°3.
Soient a et b deux nombres réels distincts. Soit X une variable aléatoire qui suit la
loi uniforme sur l'intervalle [a; b]. Alors, l'espérance de X est donnée par :
a+b
E ( X )=
2
Démonstration :
La fonction de densité de probabilité de la loi uniforme sur l'intervalle [a; b] est
1
définie sur [a; b] par : f (x)= . Donc
b−a
b

E ( X )=∫a
b
x×
1
b−a
dx =
1
[
×
x2
=
b2
− ]
a2
=
b2−a 2 b+a
b−a 2 a 2(b−a) 2(b−a ) 2 (b−a)
=
2
CQFD.

Exemple :
Olivier vient tous les matins entre 7h et 7h 45 chez Karine prendre un café.
1°) Sachant qu’Olivier ne vient jamais en dehors de la plage horaire indiquée et qu’il peut
arriver à tout instant avec les mêmes chances, quelle densité peut-on attribuer à la variable
aléatoire « heure d’arrivée d’Olivier » ?
2°) Calculer la probabilité qu’Olivier sonne chez Karine :
a) Après 7h30 b) Avant 7h10 c) Entre 7h20 et 7h22 d) A 7h30 exactement.
3°) Calculer l'heure moyenne d'arrivée d'Olivier ?
Corrigé
1°) On appelle X la variable aléatoire « heure d’arrivée d’Olivier ». X est une v.a. uniformément
3
répartie sur l'intervalle [7 ; 7,75] ou [7 ; 7+ ]. On dit aussi que X suit la loi uniforme sur cet
4
intervalle.
Remarque : Dans cet exercice, l'unité utilisée est « l'heure ». Les questions sont en minutes. On
pourrait « tout transformer en minutes » et définir une nouvelle variable aléatoire Y, pour simplifier
les calculs.
1
Sinon, écrire 1 minute= heure et "traduire" toutes les questions en fractions d'heures !!
60
Soit Y la variable aléatoire « le temps d'arrivée d’Olivier, exprimé en minutes, après 7 heures ».
X est une v.a. uniformément répartie sur l'intervalle [0 ; 45].

2° a) La probabilité qu’Olivier sonne chez Karine après 7h30 est donnée par :
7,75−7,5 0,25 1
– Calculs avec les heures : P (Après 7h30)=P (7,5⩽X ⩽7,75)= = =
7,75−7 0,75 3
45−30 1
– Calculs avec les minutes : P (Après 7h30)=P (30⩽Y ⩽45)= =
45−0 3
2° b) La probabilité qu’Olivier sonne chez Karine avant 7h10 est donnée par :

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 8/15
 1
7+ −7
10 6 1 4 2
– Calculs avec les heures : P (Avant 7h10)=P (7⩽ X ⩽7+ )= = × =
60 3 6 3 9
7+ −7
4
10−0 2
– Calculs avec les minutes : P (Avant 7h10)=P (0⩽Y ⩽10)= =
45−0 9
2° c) La probabilité qu’Olivier sonne chez Karine entre 7h20 et 7h22 est donnée par :
– Calculs avec les heures :
22 20
−7− 7+
20 22 60 60 2 4 2
P (Entre 7h20 et 7h22)=P (7+ ⩽ X ⩽7+ )= = × =
60 60 3 60 3 45
7+ −7
4
22−20 2
– Calculs avec les minutes : P (Entre 7h20 et 7h22)=P (20⩽Y ⩽22)= =
45−0 45
2° d) La probabilité qu’Olivier sonne chez Karine à 7h30 exactement est donnée par :
7,5−7,5
– Calculs avec les heures : P ( A7h30 exactement )=P (7,5⩽ X ⩽7,5)= =0
7,75−7
30−30
– Calculs avec les minutes : P ( A7h30 exactement )=P (30⩽Y ⩽30)= =0 .
45−0
0+45
3°) Calcul du temps moyen "espéré" : E ( X )= =22,5 minutes .
2
Par conséquent, l'heure moyenne d'arrivée d'Olivier est 7h 22min 30s.

III. Loi normale centrée réduite

3.1) Activité
Une variable aléatoire X qui suit la loi binomiale B (n, p), de paramètres n et p, est
une v. a. qui compte le nombre de succès lors de la répétition de n expériences de
Bernoulli indépendantes avec, P(S) = p. Les éléments caractéristiques d'une loi
binomiale sont :
Rappel :
Soit X est une variable aléatoire qui suit une loi binomiale de paramètres n et p,
alors, l'espérance, la variance et l'écart-type de X sont donnés par :
m = E(X) = np ,
V ( X )=σ 2=np (1 – p)
et σ( X )=√ V ( X )= √ np (1 – p)
Si X est une variable aléatoire donnée, d'espérance E(X) = m. Alors la variable
aléatoire définie par Y = X – m, a une espérance nulle E(Y) = m – m = 0. On dit que
Y est la variable aléatoire centrée associée à X. En effet, lorsqu'on soustrait la valeur
moyenne à toutes les valeurs d'une série statistique, on obtient une moyenne égale à 0.
D'autre part,
Si X est une variable aléatoire donnée, de variance V(X) = σ 2. Alors la variable
aléatoire définie par Z = X/σ , a une variance V(Z) = V(X)/σ 2 = 1. On dit que Z est la
variable aléatoire réduite associée à X. En effet, lorsqu'on divise toutes les valeurs
par l'écart-type, on obtient un écart-type égal à 1.

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 9/15
Soit Xn une variable aléatoire qui suit la loi binomiale de paramètres n et p.

Représentation graphique de X10 pour n = 10 et p = 0,5 donc E(X10) = 5 et σ =1,581..

Représentation graphique de X100 pour n = 100 et p = 0,5 donc E(X100) = 50 et σ =5.

On définit une nouvelle variable aléatoire Zn de la manière suivante :

X −m X n−np
Zn= n =
σ √ np(1− p)
Zn est une variable aléatoire centrée réduite : E(Zn) = 0 et σ(Zn) = 1.

Lorsque n prend des valeurs de plus en plus grandes et p fixé (ici p =0,5), le
mathématicien français Abraham de Moivre a montré que les histogrammes
représentant la loi de Zn se rapprochent de la courbe d'une fonction ϕ (lire "phi")
1
1 −2 x
2

définie sur ℝ par : φ( x)= e

√2 π
Voici les histogrammes de Z10 et Z100.

On peut dire alors que lorsque n prend des valeurs de plus en plus grandes (n tend
vers +∞ ) et p fixé, alors la variable aléatoire Zn peut être approchée par une
variable aléatoire continue ayant pour fonction densité la fonction ϕ définie ci-
dessus.

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 10/15
3.2) La loi normale centrée réduite N (0,1)
a) Définition.
Une variable aléatoire Z suit la loi normale centrée réduite, notée N(0,1) lorsque Z
admet pour fonction densité la fonction ϕ définie sur ℝ par :
1
1 −2 x
2

φ( x)= e
√2 π
b) Propriétés.
+∞
(P1) ϕ est une fonction continue et positive sur ℝ et ∫−∞ φ( x)dx=1 .
L'aire totale du domaine compris entre la courbe et l'axe des abscisses est égale à 1.
Donc ϕ est bien une fonction de densité de probabilité.
Par définition : E(Z) = 0 , V(X) = σ2 = 1 et σ(X) = 1.

b
(P2) Pour tous nombres réels a et b, tels que a⩽b : P (a⩽Z ⩽b)=∫a φ(x)dx

Et d'après les propriétés d'une fonction de densité de probabilités, on a :

P (a⩽Z ⩽b)=P (a⩽Z <b)=P (a<Z ⩽b)=P (a<Z <b)
(P3) La fonction ϕ est paire donc sa courbe est symétrique par rapport à l'axe des
1
ordonnées. Donc : P (Z ⩽0)= P (Z⩾0)=
2

(P4) Pour tout nombre réel a, on a par symétrie : P (Z⩽−a)= P(Z ⩾a)

(P5) Valeurs de référence :

P (−1⩽Z ⩽1)=0,6829... = 68,3%
P (−2⩽Z ⩽2)=0,9545... = 95,5%
P (−3⩽ Z⩽3)=0,9973... = 99,7%

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 11/15
3.3) Utilisation de la calculatrice
c) Calcul des probabilités à la calculatrice : Loi normale N(0;1) ou N(μ,σ2 ) :
Casio : Graph 35+ et modèles sup. Texas : TI82 Stats et modèles sup.
Calcul des probabilités P(– 0,5 < Z< 1,2) Calcul des probabilités P(– 0,5 < Z< 1,2)
Menu STATDIST NORM NCD Menu 2nd DISTR (ou  Distrib)
Pour calculer P(– 0,5 < Z < 1,2 )
DC normale (ou normal C.D)
Data : Variable
Lower : -0.5
Upper : 1.2
σ : 1
µ : 0
Save Res :None Pour calculer P(– 0,5< Z<1,2)
Execute Menu  2nd DISTR  normalcdf ou
CALC Pour calculer, appuyer sur F1  normalFrép (version fr)
Après exécution on obtient : Compléter les paramètres : a, b , µ , σ
DC normale normalcdf(–0.5,1.2,0,1)
P= 0.57639274 Après exécution on obtient :
z:Low=-0.5 0.5763927362
z:Up = 1.2
Remarques :
Certaines calculatrices ne fournissent pas P ( X <b)=P ( X ⩽b) mais seulement P (a⩽X ⩽b ) .
Pour le calcul de P ( X <b)=P ( X ⩽b) dans le cas où X suit une loi N(μ,σ2 ), la méthode
rigoureuse pratiquée est donc la suivante (Faire une f igure ! ) : très important !!

Si b > μ, on utilise : P ( X <b)=0,5+ P(μ⩽ X ⩽b) ;

Si b < μ, on utilise : P ( X <b)=0,5− P(b⩽ X ⩽μ).

Avec une méthode analogue, on peut calculer P ( X >b)= P( X ⩾b) :

Si b > μ, on utilise : P ( X >b)=0,5− P(μ⩽ X ⩽b) ;

Si b < μ, on utilise : P ( X >b)=0,5+ P(b⩽ X ⩽μ).

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 12/15
Cependant, comme la fonction exp(– x2) tend vers 0 très rapidement lorque x tend
vers l'infini, on peut calculer P ( X <b)=P ( X ⩽b) en écrivant sur une calculatrice les
valeurs : a = – 1099 et b. Ce qui donne : P ( X <b)= P(−1099 < X <b) .

IV. Loi normale N(μ,σ2)

4.1) Définition
Une variable aléatoire X suit une loi normale N(μ,σ2 ) si la variable aléatoire
X −μ
Z= suit la loi normale centrée réduite N (0,1).
σ

4.2) Espérance et écart-type

Si une v.a. X suit une loi normale N(μ,σ2 ), alors E(X)=μ , V(X)=σ2 et σ=√ V ( X )
Attention !
Lorsqu'on écrit "X suit la loi N(40;5 )", cela signifie que la valeur moyenne de X est
bien E(X) = 40, alors que 5 désigne la variance de X, donc l'écart-type est σ= √ 5 .
Attention, dans certains ouvrages (anciens), on note N(μ,σ ) au lieu de N(μ,σ2 ).
Exemple (Extrait des documents ressources) :
La masse en kg des nouveaux nés à la naissance est une variable aléatoire qui peut être modélisée
par une loi normale de moyenne μ = 3,3 et d’écart-type σ = 0,5. Calculer la probabilité qu’un
nouveau né pèse moins de 2,5 kg à la naissance.

La probabilité qu’un nouveau né pèse moins de 2,5 kg à la naissance est donc : P(X< 2,5).
X −3,3
La variable Z= suit la loi normale centrée réduite N(0,1).
0,5
On a alors : P(X < 2,5) = P(X–3,3 < 2,5 –3,3) = P
0,5
< (
X −3,3 2,5−3,3
0,5 )
Ce qui donne : P(X < 2,5) = P(Z < – 1,6) = 1 – P(Z < 1,6) ≈ 0,055.
La probabilité cherchée est donc égale à 0,055 à 10–3 près.
On peut aussi obtenir directement la valeur de P(X < 2,5) à la calculatrice.
4.3) Courbe de la fonction de densité de probabilité
Soit X une v.a.continue qui suit une loi normale N(μ,σ2 ), alors :
1°) La courbe représentative Cf de sa fonction f de densité de probabilité admet la
doite d'équation "x = μ" pour axe de symétrie ;
2°) La courbe représentative Cf est "pointue" si 0 < σ <1 et Cf est "étalée" si σ >1.
Illustration : Influence de σ sur la représentation graphique (ici μ = 0).

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 13/15
4.4) Les intervalles « Un, deux, trois sigmas »
Les résultats suivants sont utilisés dans de nombreuses situations.
P (μ−σ⩽ X ⩽μ+σ)=0,6829... = 68,3%
P (μ−2σ⩽ X ⩽μ+2σ)=0,9545... = 95,5%
P (μ−3 σ⩽ X ⩽μ+3σ)=0,9973... = 99,7%
Illustration :

4.5) Déterminer t connaissant la valeur de P(X< t)

Exemple : Soit X une v.a. continue qui suit une loi normale N(10; 0,82). Déterminer une valeur
approchée de t au centième près telle que 1°) P ( X ⩽t)=0,95 et 2°) P ( X ⩾t)=0,85 .

C'est le calcul inverse.

1°) Pour déterminer t telle que : P ( X ⩽t)=0,95 on utilise les instructions inverses
sur la calculatrice.
Casio : Graph 35+ et modèles sup. Texas : TI82 Stats et modèles sup.
Menu STATDIST NORM F3 invN Pour calculer t tel que P(X < t ) = 0,95
Pour calculer t tel que P(X < t ) = 0,95 Menu 2nd DISTR (ou  Distrib)
Normal inverse
Data : Variable
Tail : Left
Area : 0,95
σ : 10
µ : 0,8
Save Res :None Pour calculer P(X < t ) = p
Execute Menu  2nd DISTR  invNorm ou 
CALC Pour calculer, appuyer sur F1 FracNormale (version fr)
Après exécution on obtient : Compléter les paramètres : p, µ , σ
Normal inverse FracNormale(0.95,10,0.8)
xInv=11,3158829 Après exécution on obtient :
11,3158829
Conclusion : Une valeur approchée de t telle que P ( X ⩽t)=0,95 est t≈11,32 au
centième près.

2°) Pour déterminer une valeur approchée de t telle que P ( X ⩾t)=0,85 ,

– sur Casio, il suffit de remplacer "Left" par "Right". On obtient directement

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 14/15
 t≈9,17 .
– Sur Texas : On fait une petite transformation :
P ( X ⩽t )=1−P ( X ⩾t)=1−0,85=0,15
Avec la procédure ci-dessus, on cherche t telle que P ( X ⩽t )=0,15 et on
obtient : t ≈9,17 .

OUF !

Term.ES – Ch. 08. Lois à densité © Abdellatif ABOUHAZIM. Lycée Fustel de Coulanges - Massy www.logamaths.fr Page 15/15