Vous êtes sur la page 1sur 2

Loi normale

1) La loi normale centrée réduite.


• La loi normale centrée réduite N (0, 1) est la loi de probabilité dont la densité est la fonction f définie par :

1 t2
pour tout réel t, f(t) = √ e− 2 .

0, 5
√1

y = f(t)

−4 −3 −2 −1 1 2 3
Z +∞
t2 √
Remarque. Au cours des études post-bac, on sait démontrer que l’intégrale de Gauss e− 2 dt est égale à 2π.
Z +∞ −∞
√ 1 t2
En divisant par 2π, on normalise : √ e− 2 dt = 1.
−∞ 2π

• La fonction de répartition de la loi normale centrée réduite est la fonction F définie par :
Zx
1 t2
pour tout réel x, F(x) = p(X 6 x) = √ e− 2 dt.
−∞ 2π

1
y = F(x)
0, 5

−4 −3 −2 −1 1 2 3
Zb
1 t2
Pour tous réels a et b tels que a < b, on a p(a 6 X 6 b) = √ e− 2 dt = F(b) − F(a).
a 2π
Zb
1 t2
0, 5 p(a 6 X 6 b) = √ e− 2 dt = F(b) − F(a)
a 2π
√1

y = f(t)
a b1
−4 −3 −2 −1 2 3

On ne sait pas exprimer les intégrales précédentes à l’aide des fonctions usuelles à disposition en terminale. Pour obtenir
des valeurs de la fonction de répartition de la loi normale centrée réduite, on dispose soit de la calculatrice, soit de
tables numériques fournies à la fin de certains livres.
• L’espérance de la loi normale centrée réduite est 0 (la loi est centrée) et l’écart-type de la loi normale centrée réduite
est 1 (la loi est réduite).
2) Théorème de Moivre-Laplace.
La loi normale approche la loi binomiale. Plus précisément :
Théorème. Pour tout entier naturel non nul n, on considère une variable aléatoire Xn qui suit une loi binomiale
Xn − np
B(n, p) puis on considère Zn = p , la variable centrée réduite associée.
np(1 − p)
Alors, pour tous réels a et b tels que a < b
Zb
 p p  1 t2
lim p np + a np(1 − p) 6 Xn 6 np + b np(1 − p) = lim p(a 6 Zn 6 b) = √ e− 2 dt.
n→+∞ n→+∞ a 2π

c Jean-Louis Rouget, 2012. Tous droits réservés.


1 http ://www.maths-france.fr
3) Loi normale : cas général.
X−µ
• Une variable aléatoire X suit la loi N (µ, σ2 ) si et seulement si la variable aléatoire suit la loi normale centrée
σ
réduite N (0, 1).
µ est l’espérance de N (µ, σ2 ), σ2 est sa variance et σ est son écart-type.

y=
f(t
)
(
µ

4) Intervalle associé à une probabilité


Théorème. Soit X une variable aléatoire régie par la loi normale centrée réduite N (0, 1).
Pour tout réel α ∈]0, 1[, il existe un réel strictement positif uα et un seul tel que p(−uα 6 X 6 uα ) = 1 − α.

0, 5
p(−uα 6 X 6 uα ) = 1 − α
√1

y = f(t)
−uα uα
−4 −3 −2 −1 1 2 3

On doit connaître en particulier u0,05 = 1, 96 et u0,01 = 2, 58.


Inversement, pour une loi normale en général, on doit connaître les probabilités associées à des intervalles centrés
autour de µ de rayon σ, 2σ ou 3σ :
Théorème. Soit X une variable aléatoire régie par une loi normale N (µ, σ2 ) de paramètres µ ∈ R et σ > 0.

p(µ − σ 6 X 6 µ + σ) = 0, 683 p(µ−2σ 6 X 6 µ+2σ) = 0, 954 p(µ−3σ 6 X 6 µ+3σ) = 0, 997

68, 3% 95, 4% 99, 7%

µ−σ µ µ+σ µ − 2σ µ µ + 2σ µ − 3σ µ µ + 3σ

Xn − np
Conséquence. Si Xn est une variable aléatoire régie par une loi binomiale B(n, p) et si Zn = p
np(1 − p)
 p p 
lim P np − uα np(1 − p) 6 Xn 6 np + uα np(1 − p) = lim P(−uα 6 Zn 6 uα ) = 1 − α.
n→+∞ n→+∞

c Jean-Louis Rouget, 2012. Tous droits réservés.


2 http ://www.maths-france.fr