Vous êtes sur la page 1sur 9

27/03/2020

LES LOIS NORMALES

LES LOIS NORMALES


• L’un des plus importants concepts de la
statistique et de la théorie des probabilités.
• « Loi normale de la distribution de erreurs »
(Robert Adrain, Carl Friedrich Gauß) – la loi
normale comme appropriée pour exprimer la
distribution des erreurs aléatoires
• « Théorème limite centrale » (Pierre-Simon
Laplace) – explique pourquoi la distribution
normale se rencontre tellement fréquemment
dans le monde réel

1
27/03/2020

LES LOIS NORMALES


• Premier à énoncer la formule de la courbe
normale était Abraham de Moivre :

−( x−µ )2
1 2σ 2
f (x) = ⋅e
σ 2π

LES LOIS NORMALES


• Les lois normales jouent un rôle central en
inférence statistique. Elles ont une
signification théorique importante et servent
comme approximation pour un grand nombre
de variables aléatoires que l’on rencontre dans
les problèmes pratiques. Parfois on obtient
une loi normale en appliquant à la variable
étudiée une transformation simple (comme la
transformation logarithmique).

2
27/03/2020

LES LOIS NORMALES


• Les lois normales forment une « famille » de distributions :
pour chaque combinaison d’une moyenne μ et d’un écart type
σ on obtient une distribution normale différente, notée
N(μ,σ).

LES LOIS NORMALES


• Une variable normale est une variable aléatoire
continue dont la fonction de densité est celle d’une
loi normale. On dit que cette variable obéit à une loi
normale ou qu’elle suit une loi normale.

• Si X est une variable normale, Z est une variable


normale, la variable normale centrée réduite :
*+,
𝑋~𝑁 𝜇, 𝜎 ⟹ 𝑍 = ~ 𝑁(0,1)
-

3
27/03/2020

LES LOIS NORMALES

LAANNEXES
LOI NORMALE CENTREE REDUITE

4
27/03/2020

LES DISTRIBUTIONS
D’ECHANTILLONNAGE

LA DISTRIBUTION D’ECHANTILLONNAGE
DE LA MOYENNE
• La distribution d’échantillonnage de la moyenne
est la distribution de probabilité des valeurs de la
moyenne d’un échantillon sélectionné en utilisant
une méthode d’échantillonnage précise. Elle
dépend de la méthode d’échantillonnage utilisée.

• Dans la suite on regardera surtout le cas


d’échantillonnage aléatoire simple avec remise.

10

5
27/03/2020

LA DISTRIBUTION D’ECHANTILLONNAGE
DE LA MOYENNE
• Théorème limite central (Pierre-Simon Laplace).
Si l’on sélectionne un échantillon simple avec
remise de taille n dans une population, la
distribution d’échantillonnage de la moyenne de
l’échantillon se rapproche de plus en plus d’une
distribution normale, pour des valeurs de plus en
plus grandes de n.

• Vérification/démonstration heuristique en R

11

LA DISTRIBUTION D’ECHANTILLONNAGE
DE LA MOYENNE
• On peut déduire que, si la distribution de la
population est de moyenne μ et écart type σ,
la distribution d’échantillonnage de la
moyenne se rapproche d’une distribution
normale
! $
N # µ, σ &
" n%

12

6
27/03/2020

LA DISTRIBUTION D’ECHANTILLONNAGE
DE LA MOYENNE
• Exemple 1: Vous voulez vous assurer que la
taille de pièces métalliques produit par les
machines de votre usine est bien 100 mm,
comme souhaité. L’historique de la
production indique une taille moyenne de 100
mm avec un écart type de 2 mm. Un des
contrôles ponctuelles sur un échantillon
aléatoire de 40 pièces montre une taille
moyenne de 99,8 mm. L’écart observé, est-il
acceptable ?

13

14

7
27/03/2020

LA DISTRIBUTION D’ECHANTILLONNAGE
DE LA MOYENNE
• Exemple 2: Le service de qualité chez un
producteur de boissons enregistre les
quantités versées dans ses contenants de
grands format. La quantité moyenne par
bouteille est de 3 ltr, avec un écart type de 40
ml. Un des contrôles quotidiens sur un
échantillon aléatoire de 56 bouteilles montre
une quantité moyenne de 3,014 ltr. L’écart
observé, est-il acceptable ?

15

16

8
27/03/2020

LA DISTRIBUTION D’ECHANTILLONNAGE
D’UNE PROPORTION
• Parfois les unités statistiques d’une population
ne prennent que deux valeurs (0, 1) pour
indiquer présence ou absence d’une
caractéristique, et on souhaitera estimer la
proportion p des individus qui prennent la
valeur 1.
• Il s’agit alors d’une loi de Bernouilli, ou
distribution binomiale avec n = 1 : μ=p et
σ = p(1− p)

17

LA DISTRIBUTION D’ECHANTILLONNAGE
D’UNE PROPORTION
• L’estimateur ponctuelle obtenu en prélevant un
échantillon simple avec remise de taille n est p̂n , le
nombre de « 1 » dans l’échantillon divisé par n, c.à.d. la
proportion des unités de l’échantillon prenant la valeur
« 1 ». p̂n est un estimateur non-biaisé de p.
• En utilisant le théorème limite centrale (ou
l’approximation normale d’une distribution binomiale),
pour un échantillon de taille suffisamment grande, suit
une loi approximativement normale de moyenne p et

d’écart type p(1− p)


n

18