Samedi 14 Décembre 2024
Rechercher 🔍

Loi normale - Définition

Source: Wikipédia sous licence CC-BY-SA 3.0.
La liste des auteurs de cet article est disponible ici.
- Introduction - La loi normale centrée réduite - Champ d'application - La loi normale générale - Stabilité de la loi normale par la somme - Critères et tests de normalité - Stabilité de la loi normale par la moyenne - Simulation - Mélange de populations - Le calcul de l'intégrale de Gauss

Introduction

Distribution gaussienne

Densité

Fonction de masse pour les distributions correspondantes
Paramètres μ moyenne (nombre réel)
σ2 > 0 variance (nombre réel)
Support x \in\, ]-\infty;+\infty[\!
Densité de probabilité (fonction de masse) \frac1{\sigma\sqrt{2\pi}}\; \exp\left(-\frac{\left(x-\mu\right)^2}{2\sigma^2} \right) \!
Fonction de répartition \frac12 \left(1 + \mathrm{erf}\,\frac{x-\mu}{\sigma\sqrt2}\right) \!
Espérance μ
Médiane (centre) μ
Mode μ
Variance σ2
Asymétrie (statistique) 0
Kurtosis
(non-normalisé)		 3 (0 si normalisé)
Entropie \ln\left(\sigma\sqrt{2\,\pi\,e}\right)\!
Fonction génératrice des moments M_X(t)= \exp\left(\mu\,t+\sigma^2 \frac{t^2}{2}\right)
Fonction caractéristique \phi_X(t)=\exp\left(\mu\,i\,t-\frac{\sigma^2 t^2}{2}\right)
modifier 

En probabilité, on dit qu'une variable aléatoire réelle X suit une loi normale (ou loi normale gaussienne, loi de Laplace-Gauss) d'espérance μ et d'écart type σ strictement positif (donc de variance σ2) si cette variable aléatoire réelle X admet pour densité de probabilité la fonction p(x) définie, pour tout nombre réel x, par :

p(x)\ =\ \tfrac{1}{\sigma \sqrt{2\pi}}\ \mathrm{e}^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2}

Une telle variable aléatoire est alors dite variable gaussienne.

On note habituellement cela de la manière suivante :

X \sim \mathcal{N}(\mu,\, \sigma^2)

La loi normale est une des principales distributions de probabilité. Elle a été introduite par le mathématicien Abraham de Moivre en 1733 et utilisée par lui afin d'approcher des probabilités associées à des variables aléatoires binomiales possédant un paramètre n très grand. Cette loi a été mise en évidence par Gauss au XIXe siècle et permet de modéliser de nombreuses études biométriques. Sa densité de probabilité dessine une courbe dite courbe en cloche ou courbe de Gauss.

La loi normale centrée réduite

Définition

Représentation graphique d'une loi normale centrée réduite (dite courbe de Gauss ou courbe en cloche).

On appelle loi normale (ou gaussienne) centrée réduite la loi définie par la densité de probabilité \varphi : \R \to \R^+ définie par :

\varphi(t)=\frac{1}{\sqrt{2\;\pi}}\, \mathrm{e}^{-\frac{t^2}{2}}

On vérifie qu'elle est continue et que son intégrale sur \ \R est égale à 1.

On sait en effet que \ \int_{-\infty}^{+\infty}\mathrm{e}^{-\frac{t^2}{2}}\ dt = \sqrt{2\, \pi} (intégrale de Gauss).

On démontre (voir plus bas) que la loi définie par cette densité de probabilité admet une espérance nulle et une variance égale à 1.

Remarques :

  • la densité \ \varphi est paire ;
  • elle est indéfiniment dérivable et vérifie, pour tout \ t \in \R , l'identité \varphi'(t) = - t\, \varphi(t) .

La représentation graphique de cette densité est une courbe en cloche (ou courbe de Gauss).

Moments

Les moments de cette loi existent tous. Pour tout \ n \in \mathbb{N} , le moment d'ordre n par rapport à l'origine est :

\ m_n = \int_{-\infty}^{+\infty} t^n\, \varphi(t)\, dt .

Pour la suite on supposera μ = 0 et σ2 = 1.

  • En raison de la parité de l'intégrande, tous les moments d'ordre impair sont nuls :
m_{2\, k+1} = 0
  • Supposons à présent n pair : \ n = 2\, k , où \ k \in \mathbb{N} .
Si \ k \geq 1 , une intégration par parties (non détaillée ici) donne :
m_{2\, k} = \int_{-\infty}^{+\infty} t^{2\, k - 1}\, t\, \varphi(t)\, dt =-\int_{-\infty}^{+\infty} t^{2\, k - 1}\, \varphi'(t)\, dt = (2\, k - 1) \int_{-\infty}^{+\infty} t^{2\, k - 2}\, \varphi(t)\, dt
ce qui fournit la relation de récurrence :
m_{2\, k} = (2\, k - 1)\, m_{2\, k - 2} .
De cette relation, on déduit, comme \ m_0 = 1\, , que :
m_{2\, k} = 1 \cdot 3 \cdots (2\, k - 1) = \frac{(2\, k)\, !}{2^k\, k\,!}
  • En particulier, \ m_1 = 0 (l'espérance est nulle : la loi est donc dite centrée) et \ m_2 = 1\, (la variance vaut \ \ m_2 - m_1^2 = 1\,\!  : la loi est donc dite réduite).
Ceci justifie l'appellation de loi normale centrée réduite.
  • Des formules précédentes, on déduit encore :
m_3 = 0\,  et   m_4 = 3\,
  • La loi étant réduite, les moments centrés sont tous égaux aux moments par rapport à l'origine de même rang ; en particulier :
\mu_2 = \sigma^2 = 1\, ,   \mu_3 = 0\, et \mu_4 = 3 \sigma^4 \, .
On en déduit l'asymétrie (skewness) : \gamma_1 = \frac{\mu_3}{\sigma^3} = 0\, et l'aplatissement (kurtosis) : \beta_2 = \frac{\mu_4}{\sigma^4} = 3\, .

Fonction de répartition

On note Φ la fonction de répartition de la loi normale centrée réduite. Elle est définie, pour tout réel x, par :

\ \Phi(x) = \int_{-\infty}^x \varphi(t)\, dt = \int_{-\infty}^x\frac{1}{\sqrt{2\,\pi}}\,\mathrm{e}^{-\frac{t^2}{2}}\, dt.

Φ est la primitive de \varphi qui tend vers 0 en -\infty  ; cette primitive ne s'exprime pas à l'aide des fonctions usuelles (exponentielle, etc.) mais devient elle-même une fonction usuelle, importante, pour quiconque pratique le calcul des probabilités ou les statistiques. La fonction Φ s'exprime à l'aide de la fonction d'erreur, elle même notée erf :

\Phi(z)\ =\ \frac12\left(1+\operatorname{erf}\left(\tfrac{z}{\sqrt{2}}\right)\right),

ou bien encore

\operatorname{erf}(z)\ =\ 2\Phi\left(z\sqrt{2}\right)-1.


Citons les propriétés suivantes de la fonction Φ :

  • Elle est indéfiniment dérivable, et \Phi' = \varphi
  • Elle est strictement croissante, tend vers 0 en -\infty et vers 1 en +\infty
(c'est donc une bijection \R \to\, ]0,\, 1[\,  : pour tout p \in\, ]0,\, 1[\, , il existe x \in \R unique, noté \ \Phi^{-1}(p) , tel que \ \Phi(x) = p )
  • Pour tout x \in \R, \Phi(-x) = 1 - \Phi(x) (ceci résulte de ce que la densité est paire) ; en particulier, \ \Phi(0) = 0,5

Remarque : les notations \varphi et \ \Phi pour désigner « la » densité et la fonction de répartition de la loi normale centrée réduite sont usuelles.

Approximation de la fonction de répartition

Il n'existe pas d'expression pour Φ mais on peut exploiter avec profit son aspect régulier pour en donner une approximation grâce à un développement en série de Taylor. Par exemple, voici une approximation (à l'ordre 5) autour de 0:

\Phi(x) \approx \frac{1}{2} + \frac{1}{\sqrt{2 \pi}} \left(x-\frac{x^3}{6}+\frac{x^5}{40}\right).

Cette approximation est performante pour | x | < 2.

Une approximation pour les grandes valeurs de x est donnée, pour x positif, par la formule

1-\Phi(x) = \frac{e^{-x^2}}{\sqrt{2\pi}}. \left ( \frac{1}{x} +\sum_{k=1}^{+\infty} \frac{(2k-1)!!\,(-1)^k}{x^{2k+1}}\right),

série divergente pour tout x positif, mais dont les sommes partielles encadrent 1-Φ(x) de manière efficace lorsque x est grand. Par exemple,

\frac{e^{-x^2}}{\sqrt{2\pi}}\left ( \frac{1}{x} - \frac{1}{x^{3}}\right)\ \le\ 1-\Phi(x)\ \le\ \frac{e^{-x^2}}{x\sqrt{2\pi}},

d'où une erreur relative inférieure à 25% pour x supérieur à 2 ou bien inférieure à 11% pour x supérieur à 3. Ou bien encore :

d'où une erreur relative inférieure à 25% pour x supérieur à 2 ou bien inférieure à 2% pour x supérieur à 3.

Tables numériques

Il existe des tables de la fonction de répartition, donnant des valeurs approchées de \ \Phi(x)  ; on se limite à des x positifs ou nuls : en effet, si par exemple on connaît l'approximation \Phi(0,5) \simeq 0,6915 , on en déduit \Phi(-0,5) \simeq 1 - 0,6915 = 0,3085 .

Au lieu des précédentes, on utilise souvent des tables de la fonction qu'on notera ici \ \Phi , définie sur \ \R^+ par :

\Phi(x) =\int_{-\infty}^x \varphi(t)\, dt

La table suivante donne pour tout x de 0 jusqu'à 3,9 par pas de 0,01, la valeur de 105 Φ(x). Ces valeurs sont arrondies à l'unité la plus proche.

L'entrée en ligne donne les deux premiers chiffres de x, c'est-à-dire le chiffre des unités et celui des dixièmes, et l'entrée en colonne le chiffre des centièmes.

Par exemple : Pour Φ(1,73) = 0,95818, on choisira 1,7 en ligne et 0,03 en colonne (1,7 + 0,03 = 1.73) et l'intersection nous donnera le résultat.

0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 50000 50399 50798 51197 51595 51994 52392 52790 53188 53586
0,1 53983 54380 54776 55172 55567 55962 56356 56749 57142 57535
0,2 57926 58317 58706 59095 59483 59871 60257 60642 61026 61409
0,3 61791 62172 62552 62930 63307 63683 64058 64431 64803 65173
0,4 65542 65910 66276 66640 67003 67364 67724 68082 68439 68793
0,5 69146 69497 69847 70194 70540 70884 71226 71566 71904 72240
0,6 72575 72907 73237 73565 73891 74215 74537 74857 75175 75490
0,7 75804 76115 76424 76730 77035 77337 77637 77935 78230 78524
0,8 78814 79103 79389 79673 79955 80234 80511 80785 81057 81327
0,9 81594 81859 82121 82381 82639 82894 83147 83398 83646 83891
1,0 84134 84375 84614 84849 85083 85314 85543 85769 85993 86214
1,1 86433 86650 86864 87076 87286 87493 87698 87900 88100 88298
1,2 88493 88686 88877 89065 89251 89435 89617 89796 89973 90147
1,3 90320 90490 90658 90824 90988 91149 91309 91466 91621 91774
1,4 91924 92073 92220 92364 92507 92647 92785 92922 93056 93189
1,5 93319 93448 93574 93699 93822 93943 94062 94179 94295 94408
1,6 94520 94630 94738 94845 94950 95053 95154 95254 95352 95449
1,7 95543 95637 95728 95818 95907 95994 96080 96164 96246 96327
1,8 96407 96485 96562 96638 96712 96784 96856 96926 96995 97062
1,9 97128 97193 97257 97320 97381 97441 97500 97558 97615 97670
2,0 97725 97778 97831 97882 97932 97982 98030 98077 98124 98169
2,1 98214 98257 98300 98341 98382 98422 98461 98500 98537 98574
2,2 98610 98645 98679 98713 98745 98778 98809 98840 98870 98899
2,3 98928 98956 98983 99010 99036 99061 99086 99111 99134 99158
2,4 99180 99202 99224 99245 99266 99286 99305 99324 99343 99361
2,5 99379 99396 99413 99430 99446 99461 99477 99492 99506 99520
2,6 99534 99547 99560 99573 99585 99598 99609 99621 99632 99643
2,7 99653 99664 99674 99683 99693 99702 99711 99720 99728 99736
2,8 99744 99752 99760 99767 99774 99781 99788 99795 99801 99807
2,9 99813 99819 99825 99831 99836 99841 99846 99851 99856 99861
3,0 99865 99869 99874 99878 99882 99886 99889 99893 99896 99900
3,1 99903 99906 99910 99913 99916 99918 99921 99924 99926 99929
3,2 99931 99934 99936 99938 99940 99942 99944 99946 99948 99950
3,3 99952 99953 99955 99957 99958 99960 99961 99962 99964 99965
3,4 99966 99968 99969 99970 99971 99972 99973 99974 99975 99976
3,5 99977 99978 99978 99979 99980 99981 99981 99982 99983 99983
3,6 99984 99985 99985 99986 99986 99987 99987 99988 99988 99989
3,7 99999 99999 99999 99999 99999 99999 99999 99999 99999 99999
3,8 99999 99999 99999 99999 99999 99999 99999 99999 99999 99999
3,9 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000

On dispose des relations simples suivantes entre \ \Phi et \ \Phi_0 (découlant de la formule de Chasles pour les intégrales) :

  • si \ x \geq 0 , alors \ \Phi(x) = 0,5 + \Phi_0(x)
  • si \ x < 0 , alors \ \Phi(x) = 0,5 - \Phi_0(-x)

Soit T une variable aléatoire suivant la loi normale centrée réduite :

  • pour tout \ x \in \R,\, P(T \leq x) = \Phi(x) et pour tout \ x \in \R^+,\, P(0 \leq T \leq x) = \Phi_0(x)
  • pour tout couple \ x_1,\, x_2 de réels tels que \ x_1 \leq x_2 , \ P(x_1 \leq T \leq x_2) = \Phi(x_2)- \Phi(x_1) .
Exemples numériques

À l'aide de la table ci-dessus, on obtient, pour la variable aléatoire précédente :

  • \ P(0 \leq T \leq 1,7) = \Phi_0(1,7) \simeq 0,4554
  • \ P(T \leq 1,7) = \Phi(1,7) = 0,5 + \Phi_0(1,7) \simeq 0,9554
  • \ P(-0,3 \leq T \leq 1,7) = \Phi(1,7)- \Phi(-0,3) = 0,5 + \Phi_0(1,7) - 0,5 + \Phi_0(0,3) \simeq 0,5733
Champ d'application
- Introduction - La loi normale centrée réduite - Champ d'application - La loi normale générale - Stabilité de la loi normale par la somme - Critères et tests de normalité - Stabilité de la loi normale par la moyenne - Simulation - Mélange de populations - Le calcul de l'intégrale de Gauss
miniature
Une nouvelle manière de lire les mémoires magnétiques 🧲
miniature
2
Vous êtes né avant 1986 ? Voici pourquoi vous risquez de développer des troubles psychiques ⚠️
miniature
Ce nouveau modèle relie matière noire et inflation cosmique 🌀
miniature
Ils ont rendu ce bois bioluminescent: vers un nouveau mode d'éclairage ? 💡
miniature
Des mouches dans la station spatiale chinoise Tiangong 🛰️
miniature
Cette main-robot nanométrique est capable de saisir des virus (exemple avec la COVID-19) 🖐️
miniature
1
Une étoile dévorée à pleine vitesse par... un trou noir ? 🌟
miniature
Cette astuce simple réduit la consommation d'alcool... des femmes 🍷
miniature
Découverte: la lumière transforme un isolant en métal 💡
miniature
1
Cet aliment à bannir nourrit les cancers 🍽️
miniature
Cette tablette de 3000 ans dévoile une écriture jusqu'alors inconnue ✍️
miniature
Découverte d'une chimie des océans refroidissant le climat 🌊
miniature
Le télescope James Webb, poussé à ses limites, découvre ces structures incroyablement anciennes 🔭
miniature
Le rôle surprenant de la grossesse contre la grippe A 🦠
miniature
Découverte d'une nouvelle espèce éteinte grâce à... un accélérateur de particules ⚛️
miniature
Une avancée prometteuse pour le déploiement des batteries sodium-ion 🔋
miniature
Voici comment et pourquoi le risque de cancer augmente... puis diminue avec l'âge 🧬
miniature
Le Soleil bientôt en "zone de combat": une période de turbulences extrêmes ☀️
miniature
1
Les rhumatismes plus douloureux par temps humide: vrai ou faux ? 🌧️
miniature
Ce nouveau type de moteur repousse les limites du vol supersonique ✈️
miniature
Poster sur les réseaux sociaux peut nuire à votre santé mentale 🧠
miniature
Une super-Terre entre Mars et Jupiter ? 🌎
miniature
Découverte impressionnante d'un fossile de crocodile géant 🐊
miniature
1
Cet accident en laboratoire pourrait transformer drastiquement la mémoire numérique ⚡
miniature
1
Un virage technologique révèle l'impact du diabète gestationnel 🩺
miniature
Insolite: ces loups butinent des fleurs ! Des grands carnivores pollinisateurs ? 🌼
miniature
1
Ce fin gilet robotisé soulage les tâches répétitives 🦾
miniature
Les équations d'Einstein invalidées ? 👀
miniature
Ce tatouage électronique se connecte à votre cerveau 🧠
miniature
Cette IA de Google prédit la météo mieux que jamais, et sur 15 jours ! 🌦️
miniature
Des plats au bœuf... sans bœuf ? 🥩
miniature
2
Ce moteur de recherche d'un nouveau genre bouscule nos habitudes 🔍
miniature
Pourquoi les cheveux bouclent-ils en fonction de la météo ? 🌦️
miniature
Découverte: d'autres univers plus propices à la vie que le notre 👽
miniature
Ces sons urbains qui minent notre santé mentale 🚗
miniature
La testostérone impacte-t-elle vraiment le désir sexuel des hommes ? 🔥
miniature
Des microalgues éliminent les métaux lourds: voici comment 🧪
miniature
1
Et voici un qubit mécanique ! 🖥️
miniature
Les lentilles de contact sont-elles vraiment sans danger ? 👁️
miniature
Dans la course à l'IA générative, Google lance son générateur de vidéos 🎥
miniature
4
Une zone oubliée du cerveau permet aux paralysés de marcher à nouveau 🧠
miniature
Cette astuce quotidienne ajoute 11 ans à votre vie 🕒
miniature
Révolutions, migrations des européens... les éruptions volcaniques ont influencé l'histoire 🌋
miniature
Soit l'énergie noire n'est pas constante, soit une seconde force inconnue est à l'œuvre... 🌀
miniature
Voici pourquoi l'alcool peut rendre agressif 🥂
miniature
Expérience inédite: ce laser projette une ombre visible 💥
miniature
Ce plat millénaire réduit significativement la graisse corporelle 🍽️
miniature
Les scientifiques trompés ? La Voie Lactée n'est PAS comme les autres galaxies 🔭
miniature
Pourquoi ce que pensent les autres de nous nous fait tant ruminer ? 🧠
miniature
De la vie découverte sur un échantillon de l'astéroïde Ryugu (oups) 👽
Page générée en 0.264 seconde(s) - site hébergé chez Contabo
Ce site fait l'objet d'une déclaration à la CNIL sous le numéro de dossier 1037632
A propos - Informations légales | Partenaire: HD-Numérique
Version anglaise | Version allemande | Version espagnole | Version portugaise