La loi normale A- Loi normale centrée réduite (ou loi de Gauss ou loi de Laplace Gauss) 1- Etude de la fonction densité Définition Une variable aléatoire continue T suit la loi normale centrée réduite si sa fonction densité est définie sur R par 1 f (t)= 2 e t 2 2 Propriétés f est une fonction positive sur R et on admet que f (t )dt =1 Courbe représentative de la densité de la loi N(0;1), appelée courbe de Gauss : f est une fonction paire, l’axe des ordonnées est axe de symétrie de la courbe de Gauss. Espérance, variance et écart type : T suit la loi normale N (0 ; 1) E (T)=0 V (T)=1 (t)=1 2- Etude de la fonction de répartition : Définition Si T suit la loi normale N (0 ; 1), sa fonction de répartition, notée , est définie par : t Pour tout réel t, (t) = P(T t) = Illustration graphique : 1 2 e x2 2 dx Propriétés : (0) = P(T 0) =0.5 (-t) = 1- (t) pour tout t P (a<T b) = (b)- (a) La fonction est strictement croissante sur R. 3-Calculs numériques Pour t positif, la valeur de (t) se lit dans une table. (Voir en fin du chapitre) Par exemple : Lire dans la table : (1) =0.84134 ; (2.3)=0.98923 ; (2.38)=0.99134 ; (3)=0.99865 (7) ne figure pas dans la table mais est strictement croissante et (4.5) est presque égal à 1, donc (7)=1 (-1.92)= 1- (1.92)=1-0.97257=0.02743. Pour déterminer le réel a tel que (a)=0.975, on cherche dans la table qui donne a= 1.96 Pour déterminer le réel b tel que (b)=0.006, on ne peut lire directement le résultat car 0.006 est inférieur à 0.5. Le réel b est négatif et ne figure donc pas dans la table. On utilise (-b)= 1- (b)=1-0.006=0.994, et on lit dans la table –b= 2.51 D’où b=-2.51 4- Exercices T suit la loi N (0,1) 1- Déterminer les probabilités suivantes : P (-1<T<2) ; P (-1<T<1) ; 2- Déterminer h tel que P (-h<T<h)=0.95 3- Exprimer en fonction de (t) la probabilité de l’événement ( T t) puis de l’événement ( T >t). Corrigés : 1- P (-1<T<2) = (2)P (-1<T<1) = (1)2- P (-h<T<h) = 2 et h= 1.96 3- P( T (-1)= (2)- (1- (1)) = (2) + (1) -1= 0.9772+ 0.8413 – 1= 0.8185 (-1)= 2 (1)- 1 =2x0.8413 – 1= 0.6826 (h)- 1 ; on cherche h tel que 2 (h)- 1 = 0.95 ; alors (h) = 0.975 t) =P (-t<T<t) = 2 (t) – 1 - P ( T >t) = 1 - P( T t) = 1- (2 (t) – 1) = 2 (1- (t) Extraits de la table de la fonction de répartition Table pour x appartenant à l'intervalle [0 ; 3,4] de la loi normale centrée réduite N (0 ; 1) : Table pour x appartenant à l'intervalle [3,5 ; 4,5] Exemple d'utilisation de la table : Pour calculer (x) avec un nombre positif x, il suffit d'utiliser directement la table exemple : (1,2) = 0,88493 Pour calculer (x) avec un nombre négatif , on utilise la propriété : Pour tout réel x on a : (- x) = 1 - (x) Si X est une variable aléatoire suivant la loi N(0 ; 1 ) on a : p(- x X x) = 2 (x) – 1 Exemple : (-1,2) = 1 - 0,88493 = 0,11507 B- la loi normale généralisée de paramètres m et Soit X une variable aléatoire qui suit la loi normale N (m , ) . En effectuant le changement de variable suivant : T X m on obtient une nouvelle variable aléatoire, notée T , qui suit la loi normale centrée réduite N (0 ,1) La loi normale est la loi continue la plus célèbre, et la plus courante, dite aussi loi de Laplace-Gauss On dit que la variable aléatoire continue suit une loi normale de paramètres et , ce qui est noté suit N(m, ) si la densité de probabilité de est On admet que est le mode, la moyenne et la médiane de , est l'écart-type de . Calculs : Soit une variable aléatoire suivant N (m, ), alors la variable aléatoire T = loi normale centrée réduite. On ramène donc le calcul de p(X<a) à celui de p( X m suit une < X m am Exemples : 1. calculons p(X Alors T = p(X 3,2) sachant que X suit une loi normale N (2 ; 0,5) X 2 0.5 3,2) = p ((X - 2)/0,5 (3,2 - 2)/0,5) = p(T 2- calculons p (284< X Alors T = et p (284< X 2,4) = (2,4) = 0,9918 306) sachant que X suit une loi normale N (175;8) : X 175 8 306) = p ( 284 175 306 175 <T< ) = p (-1<T<1) = 2 8 8 (1) – 1 = 0.6826 3- chercher le réel a tel que p(X<a) = 0.9, sachant que X suit une loi normale N (1000,110) : T= X 1000 110 P( X<a) = 0.9 p(T< a 1000 ) = 0.9 110 ( a 1000 ) = 0.9 110 a 1000 = 1.28 110 Soit a = 140.8 Somme et différence de variables aléatoires normales indépendantes : Si X 1 est une variable aléatoire qui suit la loi normale de paramètres m 1 et 1 , Si X 2 est une variable aléatoire qui suit la loi normale de paramètres m 2 et 2 , Si X 1 et X 2 sont indépendantes, alors : X 1 + X 2 suit la loi normale d’espérance m 1 + m 2 et d’écart type X 1 - X 2 suit la loi normale d’espérance m 1 - m 2 et d’écart type 12 22 12 22 ). Voici quelques exemples de courbes de Gauss : Vous observez que la courbe est symétrique par rapport à l'axe d'équation , par ailleurs, si est élevé, la courbe décroit plus lentement quand on s'éloigne de , si est bas, la courbe décroit plus vite quand on s'éloigne de . Illustrations graphiques de probabilité de quelques intervalles centrés sur la moyenne notée ici : A. 50 % des individus en-dessous de la moyenne symétrique) B. 68 % des individus entre - et C. 95 % des individus entre ] -1,96 et et 50 % au-dessus (la loi normale est + +1,96 , que nous arrondirons à l'intervalle [ -2 , D. 99,7 % des individus entre -3 et +3 (il y a donc très peu de chances qu'un individu s'écarte de la moyenne de plus de 3 ). +2