Pass Matu 2027 Tout MatuMath jusqu’à la matu : 89.– une seule fois Tout jusqu’à la matu : 89.– une fois Voir le Pass →

Fiches › Probabilités

Probabilités · niveau renforcé

Loi normale

Fiche de niveau renforcé · Probabilités · chapitre 7 · 3 notions : Variable aléatoire continue, Paramètres, Fonction de répartition

Définition

▾

Variable aléatoire continue

variable aléatoire dont les valeurs possibles forment un intervalle de R\R. Sa loi est caractérisée par une densité f(x)f(x) vérifiant f(x)≥0f(x) \geq 0 et ∫−∞+∞f(x) dx=1\int_{-\infty}^{+\infty} f(x)\,dx = 1.

Loi normale N(μ,σ2)\mathcal{N}(\mu, \sigma^2)

loi de densité f(x)=1σ2πexp⁡ ⁣(−(x−μ)22σ2)f(x) = \dfrac{1}{\sigma \sqrt{2\pi}} \exp\!\left(-\dfrac{(x - \mu)^2}{2\sigma^2}\right). Courbe en cloche, symétrique autour de μ\mu.

Paramètres

μ\mu : espérance (position du centre). σ\sigma : écart-type (largeur). σ2\sigma^2 : variance.

Loi normale centrée réduite N(0,1)\mathcal{N}(0, 1)

cas particulier avec μ=0\mu = 0, σ=1\sigma = 1. Notée souvent ZZ. Densité φ(z)=12πe−z2/2\varphi(z) = \dfrac{1}{\sqrt{2\pi}} e^{-z^2/2}.

Fonction de répartition

F(x)=P(X≤x)=∫−∞xf(t) dtF(x) = P(X \leq x) = \int_{-\infty}^{x} f(t)\,dt. Pour la normale réduite, notée Φ(z)=P(Z≤z)\Phi(z) = P(Z \leq z).

Standardisation

si X∼N(μ,σ2)X \sim \mathcal{N}(\mu, \sigma^2), alors Z=X−μσ∼N(0,1)Z = \dfrac{X - \mu}{\sigma} \sim \mathcal{N}(0, 1).

Formules essentielles

▾

Symétrie de la loi normale réduite

Φ(−z)=1−Φ(z),P(−z≤Z≤z)=2Φ(z)−1.\Phi(-z) = 1 - \Phi(z),\qquad P(-z \leq Z \leq z) = 2\Phi(z) - 1.

Calcul de probabilité P(a≤X≤b)P(a \leq X \leq b)

P(a≤X≤b)=Φ ⁣(b−μσ)−Φ ⁣(a−μσ).P(a \leq X \leq b) = \Phi\!\left(\dfrac{b - \mu}{\sigma}\right) - \Phi\!\left(\dfrac{a - \mu}{\sigma}\right).

Règle des écarts-types (68-95-99,7)

P(μ−σ≤X≤μ+σ)≈0,683,P(\mu - \sigma \leq X \leq \mu + \sigma) \approx 0{,}683,

P(μ−2σ≤X≤μ+2σ)≈0,954,P(\mu - 2\sigma \leq X \leq \mu + 2\sigma) \approx 0{,}954,

P(μ−3σ≤X≤μ+3σ)≈0,997.P(\mu - 3\sigma \leq X \leq \mu + 3\sigma) \approx 0{,}997.

Espérance et variance

si X∼N(μ,σ2)X \sim \mathcal{N}(\mu, \sigma^2) : E(X)=μE(X) = \mu, V(X)=σ2V(X) = \sigma^2.

Somme de normales indépendantes

si X∼N(μ1,σ12)X \sim \mathcal{N}(\mu_1, \sigma_1^2) et Y∼N(μ2,σ22)Y \sim \mathcal{N}(\mu_2, \sigma_2^2) indépendantes, alors X+Y∼N(μ1+μ2,σ12+σ22)X + Y \sim \mathcal{N}(\mu_1 + \mu_2, \sigma_1^2 + \sigma_2^2).

Approximation de la binomiale

pour nn grand et pp pas trop proche de 0 ou 1 (ex. np≥10np \geq 10 et n(1−p)≥10n(1-p) \geq 10), B(n,p)≈N(np, np(1−p))\mathcal{B}(n, p) \approx \mathcal{N}(np,\, np(1-p)).

Méthodes

▾

Calculer P(X≤x)P(X \leq x) avec X∼N(μ,σ2)X \sim \mathcal{N}(\mu, \sigma^2) :

  • Standardiser : z=(x−μ)/σz = (x - \mu)/\sigma.
  • Lire Φ(z)\Phi(z) dans la table ou calculatrice.
  • Conclure : P(X≤x)=Φ(z)P(X \leq x) = \Phi(z).

Calculer P(a≤X≤b)P(a \leq X \leq b) :

  • Standardiser aa et bb.
  • Calculer Φ((b−μ)/σ)−Φ((a−μ)/σ)\Phi((b-\mu)/\sigma) - \Phi((a-\mu)/\sigma).
  • Attention à la symétrie pour z<0z < 0 : Φ(−z)=1−Φ(z)\Phi(-z) = 1 - \Phi(z).

Résoudre P(X≤x)=pP(X \leq x) = p (trouver xx) :

  • Chercher zz tel que Φ(z)=p\Phi(z) = p (table inverse ou calculatrice).
  • Conclure : x=μ+zσx = \mu + z\sigma.

Utiliser la règle empirique :

  • Identifier à combien d'écarts-types de la moyenne se situe l'intervalle.
  • Appliquer : 68% pour μ±σ\mu \pm \sigma, 95% pour μ±2σ\mu \pm 2\sigma, 99,7% pour μ±3σ\mu \pm 3\sigma.

Exemples-types

▾

Exemple 1 — Calcul par standardisation

Taille des élèves : X∼N(170,82)X \sim \mathcal{N}(170, 8^2) (cm).

Calculer P(X≤180)P(X \leq 180) : z=(180−170)/8=1,25z = (180 - 170)/8 = 1{,}25. P(X≤180)=Φ(1,25)≈0,894P(X \leq 180) = \Phi(1{,}25) \approx 0{,}894.

Calculer P(160≤X≤180)P(160 \leq X \leq 180) : Φ(1,25)−Φ(−1,25)=2Φ(1,25)−1≈0,789\Phi(1{,}25) - \Phi(-1{,}25) = 2\Phi(1{,}25) - 1 \approx 0{,}789.

Exemple 2 — Règle empirique

Durée de vie d'un appareil : X∼N(1000,1002)X \sim \mathcal{N}(1000, 100^2) heures.

Entre 800 et 1200 heures (μ±2σ\mu \pm 2\sigma) : environ 95% des appareils.

Entre 900 et 1100 (μ±σ\mu \pm \sigma) : environ 68%.

Exemple 3 — Quantile

Score d'un test : X∼N(500,1002)X \sim \mathcal{N}(500, 100^2).

Quel score pour être dans les 10% meilleurs ? On cherche xx tel que P(X≥x)=0,10P(X \geq x) = 0{,}10, soit P(X≤x)=0,90P(X \leq x) = 0{,}90.

Φ(z)=0,90⇒z≈1,282\Phi(z) = 0{,}90 \Rightarrow z \approx 1{,}282. Donc x=500+1,282⋅100≈628x = 500 + 1{,}282 \cdot 100 \approx 628.

Exemple 4 — Approximation binomiale

On lance 400 fois un dé équilibré. YY = nombre de 6. Y∼B(400,1/6)Y \sim \mathcal{B}(400, 1/6).

np=66,7np = 66{,}7 et n(1−p)=333,3n(1-p) = 333{,}3, approximation valide.

μ=66,7\mu = 66{,}7, σ2=400⋅16⋅56≈55,6\sigma^2 = 400 \cdot \tfrac{1}{6} \cdot \tfrac{5}{6} \approx 55{,}6, σ≈7,45\sigma \approx 7{,}45.

P(Y≤75)≈Φ((75,5−66,7)/7,45)≈Φ(1,18)≈0,881P(Y \leq 75) \approx \Phi((75{,}5 - 66{,}7)/7{,}45) \approx \Phi(1{,}18) \approx 0{,}881.

Pièges et cas particuliers

▾

Oublier de standardiser

la table (ou la règle empirique) concerne N(0,1)\mathcal{N}(0,1). Toujours transformer XX en ZZ.

Confondre σ\sigma et σ2\sigma^2

la loi est notée N(μ,σ2)\mathcal{N}(\mu, \sigma^2). Mais la formule de standardisation divise par σ\sigma, pas σ2\sigma^2.

P(X=a)=0P(X = a) = 0

pour une variable continue, la probabilité ponctuelle est nulle. Donc P(X≤a)=P(X<a)P(X \leq a) = P(X < a).

Correction de continuité

quand on approxime une binomiale par une normale, ajouter ou retrancher 0,50{,}5 améliore l'approximation : P(Y≤k)≈Φ((k+0,5−μ)/σ)P(Y \leq k) \approx \Phi((k + 0{,}5 - \mu)/\sigma).

Symétrie Φ(−z)=1−Φ(z)\Phi(-z) = 1 - \Phi(z)

utile quand zz est négatif. La table donne souvent Φ\Phi pour z≥0z \geq 0 uniquement.

Variance d'une somme

V(X+Y)=V(X)+V(Y)V(X+Y) = V(X) + V(Y) seulement si indépendance. Les écarts-types ne s'additionnent PAS : σ(X+Y)=σX2+σY2\sigma(X+Y) = \sqrt{\sigma_X^2 + \sigma_Y^2}.

À retenir

▾

Je connais la densité et les paramètres de la loi normale.

Je sais standardiser : Z=(X−μ)/σZ = (X - \mu)/\sigma.

Je sais lire Φ(z)\Phi(z) dans une table ou avec une calculatrice.

Je connais la règle 68-95-99,7.

Je sais résoudre des problèmes inverses (trouver xx connaissant PP).

Je connais l'approximation normale de la binomiale.

Je connais la stabilité de la loi normale par somme de variables indépendantes.

Étape suivante Flashcards : Probabilités Mémorise les définitions et formules de ce chapitre, carte par carte. →
Télécharger l'app · gratuit