Biostatistique

La Loi Normal

Licence L3

faculté des sciences de la nature et de la vie Contact: mehdi.naimi@univ-mosta.dz

1 / 19
Introduction

La loi de probabilité qu’on rencontre le plus souvent tant dans les traites de
statistique théorique que pour ses applications, est la loi de Gauss, encore appelée
loi normale ou loi de Laplace-Gauss. Cette loi semble avoir été formulée pour la
première fois en 1733 par De Moivre dans ses recherches sur la forme limite de la
loi binomiale. En 1774, Laplace retrouva la loi normale en tant qu’ approximation
de la loi binomiale. Plus tard, les travaux de Gauss en 1809 et 1816 établirent
L’aspect fondamental de la distribution normale, comme la forme de distribution
résultante des erreurs de mesures, d’où L’importance de cette distribution. Des
circonstances semblables se rencontrent souvent dans la pratique et dans
beaucoup de domaines.

Exemple.1 Hypertension
Poids corporel pour un groupe d’hommes de 35 à 44 ans environ suivre une
distribution normale

2 / 19
De façon générale, toute variable aléatoire qui peut être exprimée comme une
somme de beaucoup d’autres variables aléatoires peuvent être bien approchées à
une distribution normale.
Exemple.2 Maladies contagieuses
”Le nombre de lymphocytes dans un différentiel de 100 globules blancs”.
Les cellules ont tendance à être distribuées normalement parce que cette variable
aléatoire est une somme de 100 variables aléatoires, chacune représente si une
cellule individuelle est un lymphocyte ou non.

3 / 19
Fonction de densite et fonction de repartition de la loi
normale

La loi normale s’applique a des variables aléatoires continues pouvant prendre

toutes les valeurs réelles possibles, entre moins L’infini et plus l’infini. La loi
normale est entièrement définie par deux paramétrés, la moyenne µ et la variance
σ2 .
définition
La fonction de densité qui définit la loi normale notée N(µ, σ 2 ) a pour expression :

1 x −µ
!2

1 −
f (x) = √ e 2 σ , x ∈R
σ 2π
Cette fonction fX est appelée densité de X.

4 / 19
La fonction de répartition correspondante est la probabilité que la variable
aléatoire X ait une valeur inférieure ou égale a une quantité quelconque x. Cette
fonction est exprimée par :
1 t −µ
!2
Z x −
1
p(X ≤ x) = √ e 2 σ dt, x ∈R
−∞ σ 2π
La fonction de répartition ne pouvant être exprimée sous forme explicite, d’une
façon simple, son calcul demande L’utilisation des méthodes d’évaluation
numériques. Les résultats de ces calculs sont pressentes sous forme de tables,
appelées tables de la loi normale.

5 / 19
Des caractéristiques de la distribution normale

Voici quelques caractéristiques importantes de la distribution normale.

(1) Il est symétrique par rapport à sa moyenne, µ,la courbe sur une côté de la
droite verticale x = µ est une image identique de l’autre côté.
(c.f, figure 1) un example avec µ = 50 et σ = 10
(2) La moyenne, le mode et le médiane sont tout égale.
(3) la surface totale sous la courbe au-dessus de l’axe des x est d’une unité
carrée. Cette caractéristique découle du fait que la distribution normale est
une distribution probabiliste.
(4) La distribution normale est entièrement déterminée par les paramètres µ et σ
. c’est-à-dire, une distribution normale différente est spécifiée pour chaque
valeur différente de µ et σ. Différentes valeurs de µ déplacent le graphe de la
distribution au long de l’axe des x comme (C.f figure 2).
Différentes valeurs de σ déterminent le degré d’aplatissement (the flatness
)du graph de la distribution (c.f, figure 3).

6 / 19
Figure – 1 et 2 respectivement 7 / 19
Figure – 3

8 / 19
Loi normale centrée réduite
Si une variable aléatoire X suit une loi N(µ, σ 2 ), avec µ = 0 et σ = 1, on dit que
X suit une loi normal standard ou une loi normale centrée réduite. Sa fonction de
densité est donc :
z2
 

−
1

2
f (z) = √ e , z ∈R
2π
La figure. 4 suivante représente la courbe normale centrée réduite. Elle est
symétrique autour de 0 et la surface totale délimitée par cette courbe est égale a 1.

9 / 19
et que la valeur maximale de f (z) est atteinte à z = 0, la valeur maximale étant
1
f (0) = √ = 0, 399. On peut vérifier aussi que les deux points correspondants
2π
à, z = −1 et z = 1 sont les points d’inflexion de la courbe de densité.

Figure – 5

10 / 19
La fonction de répartition de la loi normale centrée réduite
La fonction de répartition de la loi normale centrée réduite que on notera φ(z) est
définie par :
t2
 
Z Z −
1

√ e 2
φ(z) = p(Z ≤ z) = dt, z ∈R
−∞ 2π

Figure – 6. (cdf) cumulative-distribution function

11 / 19
La symétrie de la courbe de densité par rapport a L’origine implique que la
fonction de répartition φ(z) admet un point d’inflexion a z = 0 et que (voire
figure 7)
pour tout a ∈ R+
(1) p(z < a) = p(x ≤ a) = φ(a)
(2) p(z > a) = p(x ≥ a) = 1 − φ(a)
(3) p(z ≤ −a) = p(z ≥ a) = 1 − φ(a)
(4) p(−a ≤ z ≤ a) = 2p(z ≤ a) − 1 = 2φ(a) − 1
Le résultat (3) est très utile, car il permet d’obtenir la valeur de la fonction de
répartition pour a négatif a partir de la valeur de la fonction pour a positif. Donc,
il suffit d’avoir en mains la table des valeurs de φ(z) pour z > 0
Un autre résultat général de la loi normale centrée réduite est la relation suivante :

p(a ≤ z ≤ b) = φ(b) − φ(a)

12 / 19
Figure – 7. (cdf) cumulative-distribution function

13 / 19
utilisation de la Table (Gauss))
Example 1
Calculer p(Z ≤ 0.64) , Si Z N(0, 1).

On cherche P(Z ≤ 0.64) (rappel : on écrit aussi φ(0.64)).

On cherche 0.64 dans la table de Gauss :

P(Z ≤ 0.64) = 0.7389

14 / 19
Example 2
Quelle proportion des valeurs Z se situe entre 2.0 et 1,53 ?, Si Z N(0, 1).

p(1.53 ≤ Z ≤ 2.0) = φ(2.00) − φ(1.53) = 0.9772 − 0.9370.

Example 3
Étant donné une distribution normal standard trouver p(Z ≥ 1.22).

p(Z ≥ 1.22) = 1 − φ(1.22) = 1 − 0.8888

Example 4
Étant donné une distribution normal standard trouver p(Z ≤ −1.22).

p(Z ≤ −1.22) = 1 − φ(−1.22) = 1 − 0.8888

Example 5
Étant donné une distribution normal standard trouver p(−1.5 ≤ Z ≤ 0.03).

p(−1.5 ≤ Z ≤ 0.03) = φ(0.03) − φ(−1.5) = φ(0.03) − (1 − φ(1.5)) = ....

15 / 19
standardisation d’une loi normale quelconque N(µ, σ)

Exemple (hypertension)
Supposons qu’une légère hypertension est définie comme une personne dont le
DBP est entre 90 et 100mm Hg , et les sujets sont des hommes âgés de 35 à 44
ans dont la pression artérielle est distribuée normalement avec une moyenne de 80
et une variance de 144. Quelle est la probabilité qu’une personne sélectionnée au
hasard dans cette population a une légère hypertension ? Cette question peut être
énoncée plus précisément :
Si X N(80, 144), alors qu’est-ce que P(90 ≤ X ≤ 100) ?

Plus généralement, la question suivante peut être posée : Si X N(µ, σ 2 ), alors

quelle est P(a ≤ X ≤ b) pour tout a, b ?
Pour résoudre ce problème, nous convertissons l’énoncé de probabilité d’une
distribution N(µ, σ 2 ) à un énoncé de probabilité équivalent concernant une
distribution N(0, 1).

16 / 19
résultât
X −µ
Si X N(µ, σ 2 ) alors Z = suit une loi normal centrée et réduite N(0, 1).
σ
Le passage de la variable aléatoire X N(µ, σ 2 ) a la variable aléatoire
X −µ
Z= N(0, 1) , s’appelle standardisation.
σ

Figure – 8.
17 / 19
Évaluation des probabilités pour toute distribution normale
par standardisation
X −µ
Si X N(µ, σ 2 ) et Z = donc
σ
a−µ b−µ a−µ b−µ
p(a ≤ X ≤ b) = p( ≤Z ≤ ) = φ( ) − φ( )
σ σ σ σ
les probabilités pour toute distribution normale peuvent maintenant être évaluées
à l’aide des tableaux dans ce texte. Cette procédure est illustrée dans la figure. 8.
La solution (Exemple hypertension) La probabilité d’une légère hypertension chez
les 35 à 44 ans hommes peut maintenant être calculée
90 − 80 100 − 80
p(90 ≤ X ≤ 100) = p( ≤Z ≤ )
12 12
= p(0.883 ≤ Z ≤ 1.667) = φ(1.667) − φ(0.883)
= 0.9522 − 0.7977 = 0.155.

18 / 19
Exemple
On suppose qu’une certaine variable X N(11; 4). Pour quelle proportion
d’individus est-ce que X ≤ 14 ?

14 − 11
p(X ≤ 14) = p(Z ≤ )
2
= p(Z ≤ 1.5) = φ(1.5)
= 0.9332

bon courage
Contact : mehdi.naimi@univ-mosta.dz

19 / 19