Chapitre XIV – Lois Normales 1 Approximation de la loi binomiale centrée réduire Théorème 1. (de Moivre-Laplace) Pour tout entier naturel n, soit Xn une variable aléatoire qui suit une loi binomiale B(n; p). X −np On pose Zn = p n , variable centrée réduite associée à Xn (elle a pour espérance 0 et pour écart-type 1). n p (1 − p) Pour tous réels a, b tels que a < b : lim P (a 6 Zn 6 b) = n→+∞ Z b a x2 1 − √ e 2 dx 2π Remarque. Quand n > 30 ; n p > 5 et n p (1 − p) > 5, on pourra approcher une loi binomiale B(n; p) par une loi normale N (µ; σ 2) avec µ = n p et σ = n p (1 − p) avec une erreur très faible sur les probabilités calculées. 2 Loi normale centrée réduite : N (0; 1) Définition 1. On dit qu’une variable aléatoire continue X suit la loi normale centrée réduite, notée N (0; 1), si elle admet comme densité de probabilité la fonction ϕ, définie sur R par : x2 1 − ϕ(x) = √ e 2 2π ϕ est appelée fonction de densité de Laplace-Gauss. Remarque. • Si X est une variable aléatoire qui suit la loi normale N (0; 1) alors, pour tous réels a, b tels que a < b : Z b x2 1 − √ e 2 dx P (a 6 X 6 b) = 2π a • On calculera P (a 6 X 6 b) à la calculatrice ou à l’aide d’une table de valeurs. Proposition 1. Soit X une variable aléatoire qui suit la loi normale, N (0; 1). L’espérance de X, E(X) = 0 (la loi est centrée en 0) et l’écart-type σ(X) = 1 (la loi est réduite). Proposition 2. Fonction de densité ϕ et courbe de Gauss 1. ϕ est une fonction de densité dont la courbe est appelée courbe de Gauss ou gaussienne. • • ϕ est continue et positive sur R, Z +∞ Z +∞ x2 1 − √ ϕ(x) dx = e 2 dx = 1 (aire totale sous la courbe). 2π −∞ −∞ 1 2. Sa courbe est symétrique par rapport à l’axe des ordonnées (ϕ paire), elle a pour maximum ϕ(0) = √ 2π ≈ 0,4. 3. Pour tout réel a, 0, 5 0, 5 P (X 6 0) = P (X > 0) = 0 −a 0 1 2 a a P (X > a) = P (X 6 −a) 0 P (X 6 a) = 1 − P (X > a) À connaître. Soit X une variable aléatoire qui suit la loi normale, N (0; 1). 0, 68 −1 0 1 P (−1 6 X 6 1) ≈ 0,68 0, 997 0, 95 −2 0 2 P (−2 6 X 6 2) ≈ 0,95 0 −3 P (−3 6 X 6 3) ≈ 0,997 À la calculatrice. Soit X une variable aléatoire qui suit la loi normale, N (0; 1), pour calculer P (a 6 X 6 b) : On connaît [a; b] et on veut déterminer une probabilité. TI (donne Touches 2nde + var normalFRép(a,b,µ,σ) distr ) Casio Touches MENU Stat DIST Norm NCD Lower : a Upper : b σ : 1 En prenant pour valeurs de a et b des réels, -10^99 (pour −∞) ou 10^99 (pour +∞) µ : 0 3 Tale S2 Chapitre XIV – Lois Normales Guist’hau - 2014/2015 Intervalle centré de probabilité donnée Proposition 3. Si X est une variable aléatoire qui suit la loi normale, N (0; 1) alors pour tout réel α ∈ ]0; 1[, il existe uα > 0 tel que : P (−uα 6 X 6 uα) = 1 − α Démonstration. ROC dans le cahier de bord À connaître. Soit X une variable aléatoire qui suit la loi normale, N (0; 1). Pour α = 0,05, 1 − α = 0,95 et u0,05 ≈ 1,96 Pour α = 0,01, 1 − α = 0,99 et u0,01 ≈ 2,58 0, 99 0, 95 −1, 96 0 1, 96 −2, 58 P (−1,96 6 X 6 1, 96) ≈ 0,95 2, 58 0 P (−2,58 6 X 6 2,58) ≈ 0,99 À la calculatrice. Si X suit la loi normale, N (0; 1). Pour calculer la valeur de a telle que P (X 6 a) = 0,4 par exemple. On connaît une probabilité et on veut déteminer un intervalle ]−∞; a]. TI (donne distr ) Touches 2nde + var FracNormal(p,µ,σ) avec p=0.4,µ=1,σ=1 Casio Touches MENU Stat DIST Area : 0.4 σ : 1 Norm InvN µ : 1 3 Loi normale d’espérance µ et d’écart-type σ : N (µ; σ 2) Définition 2. On dit qu’une variable aléatoire continue X suit la loi normale de paramètres µ et σ, notée N (µ; σ 2), si la variable X−µ aléatoire Y = σ suit une loi centrée réduite N (0; 1). Représentation graphique. → La fonction de densité de la loi N (µ; σ 2) n’est pas à connaître. Sa courbe est appelée courbe de Gauss ou gaussienne. → Elle est symétrique par rapport à la droite d’équation x = µ. On a ci-contre les courbes des densités des lois normales : N (0; 12) ; N (2; 12) ; N (7; 12). → µ=0 0.4 µ=2 µ=7 0.2 0 L’écart-type σ donne la « dispersion » autour de la moyenne. Plus σ est grand, plus le sommet de la courbe est bas. On a ci-contre les courbes des densités des lois normales : N (2; 0,52) ; N (2; 12) ; N (2; 22). 0 −4 −3 −2 −1 1 2 3 4 5 6 7 8 σ = 0, 5 0.8 0.6 0.4 Interprétation. X a pour moyenne µ et écart-type σ X − µ est centrée, elle a pour moyenne 0 et écart-type σ X−µ Y = σ est centrée et réduite, elle a pour moyenne 0 et écart-type 1 σ=1 0.2 σ=2 0 −4 −3 −2 −1 0 1 2 3 4 5 6 Proposition 4. Soit X une variable aléatoire qui suit la loi normale, N (µ; σ 2). L’espérance de X, E(X) = µ et l’écart-type σ(X) = σ . Propriété 1. Pour tout réel a, 0, 5 0, 5 µ P (X 6 µ) = P (X > µ) = 0,5 µ−a µ µ+a a P (X 6 µ − a) = P (X > µ + a) 2 P (X 6 a) = 1 − P (X > a) 7 9 Tale S2 Chapitre XIV – Lois Normales Guist’hau - 2014/2015 À connaître. Soit X une variable aléatoire qui suit la loi normale, N (µ; σ 2). µ−σ µ 0, 997 0, 95 0, 68 µ+σ µ − 2σ P (µ − σ 6 X 6 µ + σ) ≈ 0,68 µ + 2σ µ µ − 3σ µ µ + 3σ P (µ − 3 σ 6 X 6 µ + 3 σ) ≈ 0,997 P (µ − 2 σ 6 X 6 µ + 2 σ) ≈ 0,95 Exemple 1. Soit X la variable aléatoire égale au temps de travail personnel quotidien d’un élève de terminale. X suit approximativement une loi normale de moyenne µ = 3 et σ = 0,9. Déterminer P (2,1 6 X 6 3,9) et P (1,2 6 X 6 4,8). P (1,2 6 X 6 4,8) = P (3 − 2 × 0,9 6 X 6 3 + 2 × 0,9) ≈ 0,95 P (2,1 6 X 6 3,9) = P (3 − 0,9 6 X 6 3 + 0,9) ≈ 0,68 À la calculatrice. On reprend les mêmes commandes que pour la loi N (0; 1). Exemple 2. Soit X la variable aléatoire égale au temps de travail personnel quotidien d’un élève de terminale (en heures). X suit approximativement une loi normale de moyenne µ = 3 et σ = 0,9. • Calculer P (1 6 X 6 5) et P (X < 4) puis en déduire P (X > 5) et P (4 6 X < 5). Donner les résultats à 10−4 près. TI (donne Touches 2nde + var normalFRép(a,b,µ,σ) ici normalFRép(1,5,3,0.9) À la calculatrice : P (1 6 X 6 5) ≈ 0,9737 P (X > 4) ≈ 0,1333 ◦ distr ) Touches MENU Stat Lower : 1 Upper : 5 σ : 0.9 µ : 3 Casio DIST Norm NCD 1 3 1 3 à la calculatrice, P (X > 4) ≈ P (4 < X < 1099) Interprétation : La probabilité qu’un élève travaille entre 1 et 5 heures est de 0,97 environ. Environ 13 % des élèves travaillent plus de 4 heures par jour. P (X > 5) = 0,5 − P (3 6 X 6 5) P (1 6 X 6 5) P (X > 5) = 0,5 − 2 0,9737 P (X > 5) ≈ 0,5 − 2 P (X > 5) ≈ 0,5 − 0,4869 P (X > 5) ≈ 0, 0131 ◦ P (3 < X < 4) = 0,5 − P (X > 4) ≈ 0,5 − 0,1333 = 0,3667 donc P (4 6 X < 5) = P (3 6 X 6 5) − P (3 < X < 4) P (1 6 X 6 5) − P (3 < X < 4) P (4 6 X < 5) = 2 0,9737 P (4 6 X < 5) = − 0,3667 2 à la calculatrice, P (4 6 X < 5) ≈ 0,1201 P (4 6 X < 5) = 0,1202 ◦ • à la calculatrice, P (5 6 X < 1099) ≈ 0,1201 4 Calculer la valeur de a telle que P (X 6 a) = 0,40 et la valeur de b telle que P (X > b) = 0, 2 TI Touches 2nde + var (donne distr ) FracNormal(p,µ,σ) donne 2.7720 ici FracNormal(0.4,3,0.9) • 5 ◦ P (X 6 a) = 0,40 pour a ≈ 2,7720 ◦ P (X > b) = 0,2 Touches MENU Stat Area : 0.4 σ : 0.9 µ : 3 Casio DIST Norm P (X < b) = 0,8 pour b ≈ 3,7574 Déterminer un intervalle I de centre µ tel que P (X ∈ I) = 0,70 Soit a > 0 tel que I = [3 − a; 3 + a] On cherche a > 0 tel que : P (3 − a < X < 3 + a) = 0,70 P (3 − a < X < 3) = 0,35 P (X < 3 − a) = 0,15 c’est-à-dire pour 3 − a ≈ 2,0672 soit a = 0,9328 On en déduit que I = [2,0672; 3,9328] 3−a 3 3 3+a InvN 5 Tale S2 Chapitre XIV – Lois Normales Guist’hau - 2014/2015 Exemple 3. Soit X une variable aléatoire suivant la loi normale, de moyenne µ = 20 (et d’écart-type σ) : 0, 5 0, 5 20 − 9 20 20 + 9 20 10 P (X 6 20 − 9) = P (X > 20 + 9) P (X 6 20) = 0,5 et P (X > 20) = 0,5 P (X 6 10) = 1 − P (X > 10) 0, 5 0, 5 0 a a 0 −a 0 0.4 bcbc Cφ 0 −4 −3 −2 0 −1 1 µ=0 2 3 µ=2 µ=7 0 −4 −3 −2 0 −1 1 2 3 4 5 6 7 8 9 10 11 σ = 0, 5 0.8 0.6 0.4 σ=1 0.2 σ=2 0 −4 −3 −2 −1 0 1 2 3 4 5 6 7 Interprétation. X a pour moyenne µ et écart-type σ X − µ est centrée, elle a pour moyenne 0 et écart-type σ X−µ Y = σ est centrée et réduite, elle a pour moyenne 0 et écart-type 1 TI Touche math ((6*X-Xš)/36,X,4,6) donne 0.2593 Touches MENU Stat Lower : 1 4 Casio DIST Norm NCD Tale S2 Chapitre XIV – Lois Normales Guist’hau - 2014/2015 Propriété 2. Soit X une variable aléatoire qui suit la loi normale centrée réduite N (0; 1) et a et b deux réels. Alors P (X 6 0) = 0,5 et P (X > 0) = 0,5 P (X 6 a) = 1 − P (X > a) P (X > b) = P (X 6 −b) P (X ∈ R) = 1 ou P (X 6 a) + P (X > a) = 1 5