Maths-cours

Cours & exercices de mathématiques

  • Troisième
  • Seconde
  • Première
  • Terminale
  • Tle Complément.
  • Tle Expert
  • Quiz
  • 3ème
  • 2nde
  • 1ère
  • Tle
  • Tle Comp
  • Tle XP
  • Quiz

Obsolète

Cours

Lois normales

1. Loi normale centrée réduite

Définition

On dit qu'une variable aléatoire X suit la loi normale centrée réduite sur \mathbb{R} (notée \mathscr N \left(0;1\right)) si sa densité de probabilité f est définie par :

f\left(x\right)=\frac{1}{\sqrt{2\pi }}e^{^{-\frac{x^{2}}{2}}}

Cela signifie que, pour tous réels a et b tels que a\leqslant b:

p\left(a\leqslant X\leqslant b\right)=\int_{a}^{ b}\frac{1}{\sqrt{2\pi }}e^{^{-\frac{t^{2}}{2}}}dt

Remarques

  • On admet que f définit bien une densité, c'est à dire que l'aire comprise entre l'axe des abscisses et la courbe représentative de f est égale à 1

  • On a également :

    p\left(X\geqslant a\right) =\lim\limits_{x\rightarrow +\infty }\int_{a}^{ x}\frac{1}{\sqrt{2\pi }}e^{^{-\frac{t^{2}}{2}}}dt (limite que l'on peut noter : \int_{a}^{ +\infty }\frac{1}{\sqrt{2\pi }}e^{^{-\frac{t^{2}}{2}}}dt )

    p\left(X\leqslant b\right) =\lim\limits_{x\rightarrow -\infty }\int_{x}^{b}\frac{1}{\sqrt{2\pi }}e^{^{-\frac{t^{2}}{2}}}dt (limite que l'on peut noter : \int_{-\infty }^{ b}\frac{1}{\sqrt{2\pi }}e^{^{-\frac{t^{2}}{2}}}dt )

  • La fonction f : x\mapsto \frac{1}{\sqrt{2\pi }}e^{^{-\frac{x^{2}}{2}}} est dérivable sur \mathbb{R}, paire, positive, son tableau de variation est :

    et sa courbe représentative :

    loi normale centrée réduite

  • p\left(a\leqslant X\leqslant b\right) est l'aire du domaine coloré ci-dessous :

    loi normale probabilité

  • p\left(X\leqslant a\right) est l'aire du domaine coloré ci-dessous :

    loi normale probabilité

Propriétés

Soit X une variable aléatoire qui suit la loi normale centrée réduite :

  • L'espérance mathématique de X est E\left(X\right)=0 (loi centrée) ;

  • La variance de X est \sigma \left(X\right)=1 (loi réduite).

Propriétés

Soit X une variable aléatoire qui suit la loi normale centrée réduite et a un réel quelconque :

  • p\left(X\leqslant 0\right)=p\left(X\geqslant 0\right)=0,5

  • p\left(X\leqslant -a\right)=p\left(X\geqslant a\right)

  • p\left(-a \leqslant X\leqslant a\right)=1-2\times p\left(X\geqslant a\right)=2\times p\left(X\leqslant a\right)-1

Remarque

Ces propriétés résultent du fait que :

  • la courbe de la fonction x\mapsto \frac{1}{\sqrt{2\pi }}e^{^{-\frac{x^{2}}{2}}} est symétrique par rapport à l'axe des ordonnées

  • l'aire comprise entre l'axe des abscisses et la courbe est égale à 1.

On retrouve facilement ces propriétés à l'aide d'une figure par exemple pour la seconde formule :

loi normale symétrie

p\left(X\leqslant -a\right)=p\left(X\geqslant a\right)

Propriété («Loi normale inverse»)

Soient X une variable aléatoire qui suit la loi normale centrée réduite et un réel k \in \left]0;1\right[ .

Il existe un unique réel m_{k} tel que p\left(X\leqslant m_{k}\right)=k.

Remarque

On peut calculer les valeurs de m_{k} à la calculatrice.

Théorème

Soient X une variable aléatoire qui suit la loi normale centrée réduite et un réel \alpha \in \left]0;1\right[ .

Il existe un unique réel u_\alpha tel que :

p\left(-u_\alpha \leqslant X\leqslant u_\alpha \right)=1-\alpha.

loi normale seuil

p\left(-u_\alpha \leqslant X\leqslant u_\alpha \right)=1-\alpha

Remarques

  • En utilisant la formule p\left(-\alpha \leqslant X\leqslant a\right)=2\times p\left(X\leqslant a\right)-1 et la «loi normale inverse» on peut calculer les valeurs de u_\alpha à la calculatrice.

  • Deux valeurs à retenir :

    u_{0,05}=1,96 c'est à dire que p\left(-1.96\leqslant X\leqslant 1.96\right)=0,95

    u_{0,01}=2,58 c'est à dire que p\left(-2,58\leqslant X\leqslant 2,58\right)=0,99

2. Loi normale d'espérance \mu et d'écart-type \sigma

Définition et théorème

Soient deux réels \mu et \sigma > 0.

On dit qu'une variable aléatoire X suit une loi normale de paramètres \mu et \sigma ^{2} (notée \mathscr N \left(\mu ; \sigma ^{2}\right)) si la variable aléatoire Y=\frac{X-\mu }{\sigma} suit la loi normale centrée réduite.

L'espérance mathématique de X est \mu et son écart-type \sigma (et donc sa variance \sigma ^{2}).

Remarque

La courbe représentative de la distribution d'une loi \mathscr N \left(\mu ; \sigma ^{2}\right) est une courbe « en cloche » qui admet la droite d'équation x=\mu comme axe de symétrie. Elle est plus ou moins « étirée » selon les valeurs de \sigma

loi normale différents écarts-types

\mu =3 et \sigma =0,5 ; 1 ; 2

Propriété (Règle des trois sigmas)

Si X suit une loi normale \mathscr N \left(\mu ; \sigma ^{2}\right) alors :

  • p\left(\mu -\sigma \leqslant X\leqslant \mu + \sigma \right)\approx 0,68 (à 10^{-2} près)

  • p\left(\mu -2\sigma \leqslant X\leqslant \mu + 2\sigma \right)\approx 0,95 (à 10^{-2} près)

  • p\left(\mu -3\sigma \leqslant X\leqslant \mu + 3\sigma \right)\approx 0,997 (à 10^{-3} près)

Exemple

Si X suit une loi normale \mathscr N \left(11 ; 3^{2}\right) alors :

p\left(5\leqslant X\leqslant 17\right)\approx 0,95

3. Théorème de Moivre-Laplace

Théorème (Moivre-Laplace)

Soit X_{n} une variable aléatoire qui suit une loi binomiale \mathscr B \left(n;p\right).

On pose Z_{n}=\frac{X_{n}-E\left(X_{n}\right)}{\sigma \left(X_{n}\right)}.

Alors pour tous réels a et b :

\lim\limits_{n\rightarrow +\infty }p\left(a\leqslant Z_{n}\leqslant b\right)=\int_{a}^{ b}\frac{1}{\sqrt{2\pi }}e^{^{-\frac{t^{2}}{2}}}dt

Remarques

  • On rappelle que pour une loi binomiale X de paramètres n et p :E\left(X\right)=np et \sigma \left(X\right)^{2}=np\left(1-p\right). Z_{n} peut donc aussi s'écrire : Z_{n}=\frac{X_{n}-np}{\sqrt{np\left(1-p\right)}}

  • Ce théorème signifie que pour n élevé, la loi de Z_{n} est proche de la loi normale centrée réduite :

    comparaison loi normale loi binomiale

    Histogramme de Z_{n} pour n=24 et p=0,5 et loi \mathscr N \left(0;1\right)

  • En pratique, on considèrera que «n est suffisamment élevé» si n\geqslant 30 ; np\geqslant 5 ; n\left(1-p\right)\geqslant 5.

    La loi binomiale X pourra alors être approximée par la loi normale \mathscr N \left(E\left(X\right);\sigma \left(X\right)^{2}\right)

Exemple

X suit une loi binomiale \mathscr B \left(30 ; 0,4\right).

On cherche à calculer p\left(7 < X \leqslant 17\right).

Posons Z=\frac{X-30\times 0.4}{\sqrt{30\times 0.4\times 0.6}}=\frac{X-12}{\sqrt{7,2}}.

Alors :

7 < X \leqslant 17 \Leftrightarrow -5 < X-12\leqslant 5

\phantom{7 < X \leqslant 17} \Leftrightarrow -\frac{5}{\sqrt{7,2}} < \frac{X-12}{\sqrt{7,2}}\leqslant \frac{5}{\sqrt{7,2}}

\phantom{7 < X \leqslant 17}\Leftrightarrow -1,86 < Z\leqslant 1,86

On a bien n\geqslant 30 ; np\geqslant 5 ; n\left(1-p\right)\geqslant 5. On peut donc approximer Z par une loi normale centrée réduite.

A la calculatrice on trouve alors :

p\left(-1,86 < Z \leqslant 1,86\right)\approx 0,937 (un calcul direct avec la loi binomiale donne 0,935)

  Format PDF      Signaler une erreur

Dans ce chapitre...

Exercices

  • facileLoi normale - Calcul de probabilités à la calculatrice
  • facile[Bac] Probabilités - Loi normale
  • moyen[Bac] Approximation d'une loi binomiale par une loi normale
  • moyenLoi normale - Calcul de probabilités
  • moyen[Bac] Probabilités - Loi normale

VOIR AUSSI...

  • tableau de signe
  • loi de probabilité
  • fonction trigonométrique
  • suite géométrique
  • théorème de thalès
  • polynôme second degré
  • limites
  • fonction affine
  • théorème de pythagore
  • fonction exponentielle
  • division euclidienne
  • trigonométrie
  • python en seconde
  • fonction paire
  • loi normale
  • algorithme de dijkstra
  • tableau de variation
  • fonction dérivée

© 2021 - Maths-cours.fr - Nous contacter