7. Loi normale et th´ eor` eme central limite
www.alloacademy.com
Plan
1. Loi normale
2. Loi normale centr´ee r´eduite 3. Approximation d’une binomiale 4. Loi lognormale
5. Th´eor`emes limites
www.alloacademy.com
1. Loi normale
2. Loi normale centr´ee r´eduite 3. Approximation d’une binomiale 4. Loi lognormale
5. Th´eor`emes limites
www.alloacademy.com
Loi normale
On dit qu’une variable al´eatoire continueX suit une loi normalede param`etres µet σ2 si sa fonction de densit´e est
fX(x) = 1 σ√
2π exp
−(x−µ)2 2σ2
pour toutx .
On d´enote ceci X∼N(µ, σ2).
www.alloacademy.com
Loi normale : propri´ et´ es
Propri´et´es de fX : 1. lim
x→±∞fX(x) = 0.
2. fX(µ+x) =fX(µ−x) (sym´etrie par rapport `a l’axe x=µ).
3. fX atteint son maximum enx=µ (µest le mode deX).
4. Les points d’inflexion du graphe de fX sontx=µ±σ.
www.alloacademy.com
Loi normale : propri´ et´ es (suite)
SiX∼N(µ, σ2) alors
1. P(X < µ−x) =P(X > µ+x).
2. FX(µ−x) = 1−FX(µ+x).
www.alloacademy.com
Moyenne et variance de la loi normale
SiX∼N(µ, σ2) alors
1. E(X) =µ.
2. V(X) =σ2.
www.alloacademy.com
-4 -2 0 2 4
0.00.10.20.30.4
fonction de densité de X~N(0,1)
x
f(x)
www.alloacademy.com
-4 -2 0 2 4
0.00.20.40.60.81.0
fonction de répartition de X~N(0,1)
x
F(x)
www.alloacademy.com
Loi normale : calcul avec des logiciels
I Excel :
fX(x) = LOI.NORMALE(x,µ,σ, 0).
FX(x) =LOI.NORMALE(x,µ,σ, 1).
I R :
fX(x) = dnorm(x, mean=µ, sd=σ).
FX(x) =pnorm(x, mean=µ, sd=σ).
www.alloacademy.com
1. Loi normale
2. Loi normale centr´ee r´eduite 3. Approximation d’une binomiale 4. Loi lognormale
5. Th´eor`emes limites
www.alloacademy.com
Loi normale centr´ ee r´ eduite
Lorsqueµ= 0 etσ2 = 1, la loi normale N(0,1)est appel´eecentr´ee r´eduite et on la d´enote par Z.
Sa fonction de densit´e est
φ(z) = 1
√ 2πe−z
2 2 .
Sa fonction de r´epartition est Φ(z) = 1
√2π Z z
−∞
e−t
2 2 dt .
Puisque cette int´egrale est difficile `a ´evaluer, on a recours `a une table de loi normale pour calculerΦ(z). Voir livre page 476 (2`eme
´edition) / page 512 (3`
www.alloacademy.com
eme ´edition) ou sur lesite web du cours.Loi normale centr´ ee r´ eduite (suite)
SiX∼N(µ, σ2) alors
Z = X−µ
σ ∼N(0,1).
On peut donc ramener toute loi normale `a une loi centr´ee r´eduite.
www.alloacademy.com
M´ ethodes de calcul
SiZ ∼N(0,1)
I Si b≥0alors P(Z ≤b) = Φ(b).
I Si b <0alors
Φ(b) =P(Z ≤b) = 1−P(Z ≤ −b) = 1−Φ(−b).
I P(Z ≥b) = 1−P(Z ≤b) = 1−Φ(b).
I P(a≤Z ≤b) =P(Z ≤b)−P(Z ≤a) = Φ(b)−Φ(a).
SiX∼N(µ, σ2), alors P(X≤b) = Φ b−µ
σ
et
P(a≤X ≤b) =P
a−µ
σ ≤Z ≤ b−µ σ
= Φ
b−µ σ
−Φ
a−µ σ
.
www.alloacademy.com
Exemples
I Exemple 1 : V´erifier queµ= 0 et σ2 = 1 siX ∼N(0,1).
I Exemple 2 : D´eterminer Q1,Q2 etQ3 siX ∼N(0,1).
www.alloacademy.com
Exemple 3
SiZ ∼N(0,1), calculer 1. P(Z ≤1.25).
2. P(Z ≤ −0.52).
3. P(Z >−1).
4. Si X∼N(µ= 100, σ2= 4), calculerP(98< X ≤104).
5. Si P(Z ≤b) = 0.6628, d´eterminer b.
6. Si P(Z ≤b) = 0.3446, d´eterminer b.
www.alloacademy.com
Additivit´ e
SoitX1, X2, . . . , Xndes variables al´eatoires ind´ependantes avec Xi∼N(µi, σi2) pour touti.
SoitY =a0+a1X1+a2X2+· · ·+anXn. AlorsY ∼N(µ, σ2), o`u
µ = a0+a1µ1+a2µ2+· · ·+anµn , σ2 = a21σ12+a22σ22+· · ·+a2nσn2 .
www.alloacademy.com
Exemple 4
Un assemblage consiste `a ins´erer un arbre dans un palier selon le sch´ema ci-dessous.
1 X
X 2
SiX1∼N(1.5,0.0016) etX2 ∼N(1.48,0.0009) sont les deux diam`etres, le jeu entre les deux ´el´ements est Y =X1−X2. Les v.a.X1 etX2 sont ind´ependantes.
L’assemblage ´echoue siX1 < X2.
Dans quel pourcentage de cas l’assemblage ´echoue-t-il ?
www.alloacademy.com
1. Loi normale
2. Loi normale centr´ee r´eduite 3. Approximation d’une binomiale 4. Loi lognormale
5. Th´eor`emes limites
www.alloacademy.com
Approx. d’une loi binomiale par une loi normale
SoitX∼B(n, p) une variable al´eatoire suivant une loi binomiale.
AlorsX est la somme de variables de Bernoulli ind´ependantes de param`etrep.
Sinest grand alors X suit approximativement une loi normale N(µ=np, σ2 =np(1−p)).
Cette approximation est bonne si
I np >5 lorsquep≤ 12.
I n(1−p)>5 lorsquep > 12.
www.alloacademy.com
Approx. d’une binomiale par une normale (suite)
PuisqueX ∼B(n, p)est une variable discr`ete, on cherche `a calculer des probabilit´es commeP(X =x).
Or ceci n’a pas de sens pour une v.a. continue et on doit corriger la valeur cherch´ee pour pouvoir utiliser l’approximation deX par une loi normale.
Par exemple
Valeur cherch´ee Valeur corrig´ee P(X =x) P(x−12 ≤X≤x+12) P(a≤X≤b) P(a−12 ≤X≤b+12)
Cette correction est appel´eecorrection pour la continuit´e.
www.alloacademy.com
Exemple 5
On lance une pi`ece 200 fois. Quelle est la probabilit´e d’obtenir au moins 110 piles ?
www.alloacademy.com
1. Loi normale
2. Loi normale centr´ee r´eduite 3. Approximation d’une binomiale 4. Loi lognormale
5. Th´eor`emes limites
www.alloacademy.com
Loi lognormale
Une variable al´eatoire X suit une loi lognormalede param`etres µY etσ2Y si
Y = ln(X)∼N(µY, σY2) .
C’est ´equivalent `a d´efinirX = exp(Y).
www.alloacademy.com
Loi lognormale : fonction de densit´ e
La fonction de densit´e d’une variable al´eatoire lognormaleX de param`etres µY,σ2Y est
fX(x) =
1 xσY√
2πexp
−(ln(x)−µY)2 2σY2
six >0 ,
0 sinon.
www.alloacademy.com
Loi lognormale : fonction de r´ epartition
La fonction de r´epartition d’une variable al´eatoire lognormaleX de param`etres µY,σ2Y est
FX(x) =
Φ
ln(x)−µY
σY
si x >0 ,
0 sinon.
www.alloacademy.com
Loi lognormale : moyenne et variance
SoitX une variable al´eatoire lognormale de param`etresµY,σ2Y. Alors :
1. E(X) = exp(µY +12σ2Y).
2. V(X) = exp(2µY +σY2) exp(σY2)−1 .
www.alloacademy.com
Loi lognormale : propri´ et´ es
SoitX1, X2, . . . , Xndes variables al´eatoires lognormales ind´ependantes de param`etres µYi, et σ2Yi pour i= 1,2, . . . , n.
Alors
W =bX1a1X2a2· · ·Xnan suit une loi lognormale de param`etres
µY = ln(b) +
n
P
i=1
aiµYi
et σY2 =
n
P
i=1
a2iσ2Y
i.
www.alloacademy.com
Exemple 6
Soit
Y1 = ln(X1)∼N(4,1) Y2 = ln(X2)∼N(3,0.5) Y3 = ln(X3)∼N(2,0.4) Y4 = ln(X4)∼N(1,0.01) et
W =e1.5 X12.5X20.2X30.7X43.1 . CalculerP(2×104 ≤W ≤6×105).
www.alloacademy.com
1. Loi normale
2. Loi normale centr´ee r´eduite 3. Approximation d’une binomiale 4. Loi lognormale
5. Th´eor`emes limites
www.alloacademy.com
Loi des grands nombres
SoientX1, X2, . . . , Xn des variables al´eatoires ind´ependantes ayant la mˆeme distribution, avec E(Xi) =µpouri= 1,2, . . . , n.
Alors pour toutε >0,
n→∞lim P
n
P
i=1
Xi
n −µ
> ε
= 0 .
www.alloacademy.com
Th´ eor` eme central limite (TCL)
SoitX1, X2, . . . , Xnune suite de variables al´eatoires ind´ependantes, avec E(Xi) =µi et V(Xi) =σi2 pour i= 1,2, . . . , n.
Alors la variable al´eatoire Z =
Pn
i=1(Xi−µi) qPn
i=1σ2i
suit approximativement une loi normale N(0,1)si nest grand.
www.alloacademy.com
TCL : cas particulier
SoitX1, X2, . . . , Xnune suite de variables al´eatoires
ind´ependantes et identiquement distribu´ees, avec E(Xi) =µet V(Xi) =σ2 pour i= 1,2, . . . , n.
Alors la variable al´eatoire Z =
Pn
i=1Xi−nµ σ√
n
suit approximativement une loi normale N(0,1)si nest grand.
Autres formulations (pour n→ ∞) :
n
X
i=1
Xi∼N(nµ, nσ2), ou
X = 1 n
n
X
i=1
Xi ∼N(µ, σ2/n) .
www.alloacademy.com
Exemple 7
On lance un d´e 100 fois. Quelle est la probabilit´e que la somme des r´esultats soit entre 340 et 360 ?
www.alloacademy.com
Th´ eor` eme central limite : quelle valeur de n est assez grande ?
I Si les lois des Xi sont proches d’une loi normale alors pour n≥4 l’approximation donn´ee par le th´eor`eme central limite est bonne.
I Si les lois des Xi sont moyennement proches d’une loi normale (p. ex. loi uniforme) alors pourn≥12l’approximation donn´ee par le th´eor`eme central limite est bonne.
I Si les lois des Xi ne sont pas proches d’une loi normale alors pour n≥100l’approximation donn´ee par le th´eor`eme central limite sera bonne (par exemple fonction de densit´e tr`es asym´etrique).