Terminale S
Thème 18 – Loi Normale
1. La loi normale centrée réduite
Définition 1 : Variable centrée et réduite
Une variable aléatoire est dite centrée et réduite si son espérance est nulle et si son écart type vaut 1.
Proposition 1 : Centrer et réduire une variable aléatoire quelconque
SoitX une variable aléatoire discrète d’espérance E(X) =m, de variance V(X) non nulle et d’écart-type σ =pV(X).
• La variable aléatoire (X−m) a une espérance nulle.
• La variable aléatoireZ = X−σm a une espérance nulle et une variance et un écart-type égaux à 1.
Exemple : Soit X une variable aléatoire suivant la loi binomiale B(45; 0,65). L’espérance de X est E(X) = n×p = 45 ×0,65 = 29,25 et son écart-type est σ = pn×p×(1−p) = p45×0,65×(1−0,65) = 10.2375.
On a représenté ci-dessous par des diagrammes en bâtons les lois de probabilités des variables X (bleu foncé),X−m (bleu clair) et Z = X−σm (rouge).
0.05 0.10 0.15
5 10 15 20 25 30 35 40
−5
−10
bb
Dans la loi de probabilité de X−m, on a effectué une translation des valeurs possibles de la variable X de 29,25 unités dans le sens négatif, sans modifier les probabilités. En passant à la variable Z = X−σm = √X−np
np(1−p), on a divisé toutes les valeurs par un réel supérieur à 1, ce qui a resserré les bâtons, ici encore sans modifier les probabilités. Les bâtons correspondant dans ces trois graphiques ont donc les mêmes hauteurs, mais sont placés à des valeurs différentes (dans le même ordre). La loi de probabilité de la variable Z est centrée autour de son espérance 0 et réduite à un écart-type égal à 1.
On peut remarquer que l’espérance et l’écart-type de la variable Z ne dépendent plus de m et σ donc denetp, qui interviennent cependant dans la définition de Z.
Théorème 1 : de Moivre - Laplace (admis)
On suppose que, pour tout entiern, la variable aléatoire Xn suit une loi binomiale B(n, p).
On pose Zn = √Xn−np
np(1−p), variable centrée et réduite associée à Xn. Alors, pour tous réels a et b tels quea < b, on a
n→lim+∞P(a6Zn6b) = Z b
a
√1 2πe−t
2 2 dt.
Pour comprendre ce théorème, observons le cas oùp= 0,5 etn= 100. On a alorsm= 50 etσ= 5. Le passage de la variableXnà la va- riable centrée réduiteZna été observé précé- demment. On peut transformer le diagramme en bâtons représentant la loi de probabilité de Zn en procédant comme suit. L’écart entre deux valeurs successives prises par Xn est 1, donc l’écart entre deux valeurs successives prises par Zn est (k+1)σ−m −k−σm = 1σ = 15.
0.1 0.2 0.3 0.4
1 2 3
−1
−2
−3
bb
Nous allons donc remplacer chaque bâton du diagramme par un rectangle de base 15, centré en la valeur correspondante, et dont l’aire est égale à la hauteur du bâton, c’est-à-dire à la probabilité d’obtention de cette valeur. La figure ci-dessus illustre ce procédé. On a tracé sur le même graphique la courbe de la fonction f :t7→ √12πe−t
2 2. La probabilité d’un événement du type a 6
Zn 6b, avec a etb deux réels, peut être in- terprétée comme l’intégrale entre a et b de la fonction en escalier représentée par l’histo- gramme. Le théorème de Moivre-Laplace af- firme que quand ntend vers +∞ cette inté- grale, et donc cette probabilité, s’approche de l’intégrale Rab √1
2πe−t
2
2 dt. La figure ci-contre montre que, dès n= 100, les deux aires sont déjà très proches.
0.1 0.2 0.3 0.4
1 2 3
−1
−2
−3
bb
Définition 2 : Loi normale centrée réduite
Une variable aléatoire X à valeurs dans Rsuit la loi normale centrée réduite, no- tée N(0; 1), si sa densité de probabilité est la fonction définie sur R par
f(t) = 1
√2πe−t
2 2.
On a alors
P(X6T) = Z T
−∞
√1 2πe−t
2 2dt
Illustration : Densité de la loi normale centrée réduite
0.1 0.2 0.3 0.4
2 4
−2
−4
Proposition 2 : Espérance d’une variable suivant la loiN(0; 1)
L’espérance d’une variable aléatoire suivant la loi normale centrée réduite est égale à 0.
Démonstration : L’espérance d’une variable aléatoire suivant la loi normale centrée réduite est par définition égale à
lim
x→−∞
Z 0
x
t× 1
√2πe−t22dt+ lim
x→+∞
Z x
0
t× 1
√2πe−t22dt.
En remarquant qu’une primitive de la fonction t 7→te−t22 est la fonction t 7→ −e−t22, on peut calculer cette espérance :
Z x
0
tf(t)dt= Z x
0
te−t22dt=h
−e−t22ix
0 =−e−x22 +e0=−e−x22 + 1;
Z 0
x
tf(t)dt= Z 0
x
te−t22dt=h
−e−t22i0
x
=−e0+e−x22 =−1 +e−x22 .
Or lim
x→−∞−x2
2 = lim
x→+∞−x2
2 =−∞et donc lim
x→−∞e−x22 = lim
x→+∞e−x22 = 0. Par conséquent lim
x→+∞
Z x
0
tf(t)dt= 1, et lim
x→−∞
Z 0
x
tf(t)dt=−1, et donc
lim
x→−∞
Z 0
x
tf(t)dt+ lim
x→+∞
Z x
0
tf(t)dt= 0.
Proposition 3 : Variance d’une variable suivant la loiN(0; 1)(admis)
La variance d’une variable suivant la loi normale centrée réduite, définie par V(X) = E(X−E(X))2, est égale à 1. Par conséquent, son écart-type est aussi égal à 1.
2. Autres lois normales
Définition 3 : Loi normale d’espéranceµet de varianceσ2
Soient m et σ deux réels, avec σ non nul. On dit qu’une variable aléatoire X suit la loi normale de paramètres m et σ2, notée N (m, σ2), si la variable aléatoire X−σm suit la loi normale centrée réduite N(0; 1).
Illustration : Densités de probabilité des loi normalesN (2; 0,5)etN (5; 2)
0.2 0.4 0.6 0.8
1 2 3 4 5 6 7 8 9 10
N (5; 2) N(2; 0,5)
Remarque : On observe que l’espérance m est la valeur pour laquelle la densité de probabilité admet son maximum. L’écart-type exprime la dispersion des valeurs ou encore l’étalement de la fonction de densité : plus sa valeur est élevée, plus la densité est étalée ; à l’inverse, plus l’écart-type est proche de 0, plus le pic est marqué autour de l’espérance.
Méthode : Calculer une probabilité pour une loi normale La fonction t7→ √12πe−t
2
2 n’admettant pas de primitive explicite, on ne calculera pas les proba- bilités pour une loi normale en utilisant la définition en termes d’intégrale. On utilisera donc la calculatrice.
Proposition 4 : Probabilités d’événements classiques
Soit X une variable aléatoire suivant une loi normale N(m, σ2). Alors
• P(m−σ6X 6m+σ)≈0,68;
• P(m−2σ6X6m+ 2σ)≈0,95;
• P(m−3σ6X6m+ 3σ)≈0,997.
3. Seuil de probabilités
Proposition 5 : Seuils de probabilités
Soit X une variable aléatoire suivant la loi normale centrée réduite. Pour tout réel α dans l’intervalle [0; 1], il existe un unique réel positifuα tel queP(−uα 6X 6uα) = 1−α.
Démonstration : Notonsf la densité de probabilité deX, définie parf(t) =√1
2πe−t22. Considérons la fonctionGqui à tout réel positif ou nulxassocie la probabilitéP(−x6X 6x) =Rx
−xf(t)dt. Puisque la fonctionf est strictement positive surR, l’intégraleRx
−xf(t)dtaugmente quandxaugmente, ce qui signi- fie que la fonction Gest strictement croissante. De plus, l’image de 0 par la fonctionGest la probabilité P(06X 60), clairement égale à 0, et d’autre part la limite de la fonctionGquandxtend vers +∞est l’aire comprise entre l’axe des abscisses et la courbe de la fonctionf, qui est égale à 1 puisquef est une densité de probabilité surR. Enfin, quel que soit le réelαdans l’intervalle [0; 1], 1−αappartient aussi à l’intervalle [0; 1]. D’après le théorème des valeurs intermédiaires, pour tout réelαdans l’intervalle [0; 1]
il existe donc un unique réel positifuαtel queG(uα) = 1−α, c’est-à-direP(−uα6X6uα) = 1−α.
Proposition 6 : Seuils usuels
On obtient, à l’aide de la calculatrice ou d’un tableur, les seuils suivants : u0,05 ≈1,96 et u0,01 ≈ 2,58, ce qui signifie que, si X est une variable suivant la loi N (0; 1), P(−1,96 6 X 61,96)≈0,95 et P(−2,586X62,58)≈0,99.
Illustration : Seuils usuels
0.1 0.2 0.3 0.4
2 4
−2
−4
u0,05= 1,96 1−α= 0.95
0.1 0.2 0.3 0.4
2 4
−2
−4
u0.01= 2,58 1−α= 0.99