赞助商链接

人大国际高端品牌管理硕士-热申
中法顶级学府共同培养，使馆支持，亲临欧洲，全英文授课，深入国际顶级企业与品牌大师零距离接触，成就奢侈品行业稀缺人才！
www.luxeruc.org

人大法国语言文学与社会科学硕博连读
索邦四大、蒙彼利埃三大和中国人民大学为精通法语的人文社科类学生开设的国际型硕、博高等学位教育培养计划。
www.masterdocfr.com

25 所法国高校与您相约
北京，武汉，成都，西安，上海3月9日至17日。希望赴法攻读硕士或博士学位？希望与法国知名高校进行一对一面谈？ 赶快报名！
www.chine.campusfrance.org/zh-hans

战斗在法国
欧洲最具活力的中文社区.最大的关于法国的中文网络平台
www.revefrance.com

法国学校联盟 -- 最专业的留法机构
行业首创，全程公开进度查询；官方学校招生代表；专属面签辅导；巴黎专属办事处；全海归团队；高签证率缔造者
www.edufrance.org.cn

咪咪学法语
法语爱好者的家园 留学与考试的助手 提供各种法语相关的信息与服务
www.mimifr.com

法语沙龙
四川师范大学法语系专业所创办公益性的法语学习网站，为法语爱好者提供法语学习交流的网上空间
www.monfr.com

历史记录 Loi normale 生词本 点击单词右侧的星号即可添加生词本

Loi normale 法语百科 \\; \\exp\\left(-\\frac{\\left(x-\\mu\\right)^2}{2\\sigma^2} \\right) \\!| cdf = 12 ––––– left ( 1 + erf   x- μ ––––– σ√2 ) !| mean = μ| median = μ| mode = μ| variance = σ 2 | skewness = 0| kurtosis = 3 (0 si normalisé)| entropy = ln ( σ √   ––––––– 2 π e   ) !| mgf = M X (t) = exp ( μ t+ σ 2   t 2 ––– 2 )| char = φ X (t) = exp ( μ i t-  σ 2 t 2 ––––––– 2 )| }} En Probabilité, une Variable aléatoire suit une loi normale (ou loi normale gaussienne, loi de Laplace-Gauss) d'espérance μ et d'écart type σ (donc de variance σ 2 ) si elle admet une densité de probabilité f telle que : f (x) =   1 ––––––––– σ√(2 π)  e -   1 – – 2 ( x -   μ – – – – – σ ) 2 Une telle variable aléatoire est dite variable gaussienne. Elle est notée X~ N( μ, σ 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. Le Théorème de Moivre-Laplace affirme la convergence d'une Loi binomiale vers une loi de Gauss quand le nombre d'épreuves augmente. La loi normale centrée réduite La fonction ϕ : R → R + définie par : ϕ(t) =   1 –––––––– √(2 π)   e -   t 2 ––– 2   est une densité de probabilité : elle est continue, et son intégrale sur R est égale à 1. On sait en effet que  ∫ +   ∞   -   ∞    e -   t 2 ––– 2   dt = √   ––––– 2 π   (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 ϕ est paire ; elle est indéfiniment dérivable et vérifie, pour tout t ∈ R, l'identité ϕ '(t) = - t ϕ(t). Définition On appelle loi normale (ou gaussienne) centrée réduite la loi définie par la densité de probabilité ϕ. 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 ∈ N, le moment d'ordre n par rapport à l'origine est : m n =  ∫ +   ∞   -   ∞    t n ϕ(t) dt . 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 ∈ N. Si k ≥ 1, une intégration par parties (non détaillée ici) donne : m 2 k =  ∫ +   ∞   -   ∞    t 2 k   -   1 t ϕ(t) dt = - ∫ +   ∞   -   ∞    t 2 k   -   1 ϕ '(t) dt = (2 k - 1) ∫ +   ∞   -   ∞    t 2 k   -   2 ϕ(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 • 3 … (2 k - 1) =   (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 : μ 2 = σ 2 = 1 ,   μ 3 = 0 et μ 4 = 3 . On en déduit l'asymétrie (skewness) : γ 1 =   μ 3 ––– σ 3   = 0 et l'aplatissement (kurtosis) : β 2 =   μ 4 ––– σ 4   = 3 . Fonction de répartition Article détaillé : . On note Φ la fonction de répartition de la loi normale centrée réduite. Elle est définie, pour tout réel x, par : Φ(x) =  ∫ x   -   ∞   ϕ(t) dt =  ∫ x   -   ∞ 1 –––––––– √(2 π)   e -   t 2 ––– 2   dt . C'est la primitive de ϕ qui tend vers 0 en - ∞ ; elle 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 ; elle s'exprime à l'aide de la fonction d'erreur. Citons les propriétés suivantes de la fonction Φ : Elle est indéfiniment dérivable, et Φ ' = ϕ Elle est strictement croissante, tend vers 0 en - ∞ et vers 1 en + ∞ (c'est donc une bijection R → ]0, 10, 1

. Cette approximation est performante pour |x|<2.

Tables numériques

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

Au lieu des précédentes, on utilise souvent des tables de la fonction qu'on notera ici Φ ₀ , définie sur R ⁺ par :

Φ 0 (x) =  ∫

x   0

ϕ(t) dt

La table suivante donne pour tout x de 0 jusqu'à 3,6 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 : Φ(1,73) = 0,95818.

	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

On dispose des relations simples suivantes entre Φ et Φ ₀ (découlant de la formule de Chasles pour les intégrales) :

• si x ≥ 0, alors Φ(x) = 0,5 + Φ ₀ (x)
• si x < 0, alors Φ(x) = 0,5 - Φ ₀ (-x)

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

• pour tout x ∈ R, P (T ≤ x) = Φ(x) et pour tout x ∈ R ⁺ , P (0 ≤ T ≤ x) = Φ ₀ (x)

• pour tout couple x ₁ , x ₂ de réels tels que x ₁ ≤ x ₂ , P (x ₁ ≤ T ≤ x ₂ ) = Φ(x ₂ )- Φ(x ₁ ).

Exemples numériques

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

• P (0 ≤ T ≤ 1,7) = Φ ₀ (1,7)~eq 0,4554

• P (T ≤ 1,7) = Φ(1,7) = 0,5 + Φ ₀ (1,7)~eq 0,9554

• P (-0,3 ≤ T ≤ 1,7) = Φ(1,7)- Φ(-0,3) = 0,5 + Φ ₀ (1,7) - 0,5 + Φ ₀ (0,3)~eq 0,5733

La loi normale générale

Soient T une variable aléatoire suivant la loi normale centrée réduite, et deux réels μ, σ, où σ > 0.

On définit la variable aléatoire X = σ T + μ, dont on note F la fonction de répartition.

On a E(X) = σ E(T) + μ = μ et V(X) = σ ² V(T) = σ ² puisque E(T) = 0 et V(T) = 1.

Cherchons la loi de X : pour tout x ∈ R,

F (x) = P (X ≤ x) = P ( σ T + μ ≤ x) = P

(

T ≤

x - μ ––––––– σ

)

= Φ

(

x - μ ––––––– σ

)

,

puisque la fonction de répartition de T est Φ.

Ainsi, F est continûment (et même indéfiniment) dérivable : X suit une loi à densité, et la dérivée f de F est une densité de probabilité de cette variable aléatoire ; pour tout x ∈ R,

f (x) = F '(x) =

1 –– σ

Φ '

(

x - μ ––––––– σ

)

=

1 –– σ

ϕ

(

x - μ ––––––– σ

)

=

1 ––––––––– σ√(2 π)

e -

1 – – 2

(

x -   μ – – – – – σ

)

2

.

Ceci légitime la définition suivante :

Définition

On appelle loi normale (ou gaussienne, ou de Laplace-Gauss) de paramètres μ, σ ² (où σ > 0) la loi de probabilité définie par la densité f : R → R ⁺ , telle que pour tout x ∈ R :

f (x) =

1 –– σ

ϕ

(

x - μ ––––––– σ

)

=

1 ––––––––– σ√(2 π)

e -

1 – – 2

(

x -   μ – – – – – σ

)

2

.

Notation: cette loi est notée N( μ, σ ² ) (on a aussi utilisé N( μ, σ), mais cette dernière tend à céder la place à l'autre, d'autant plus qu'elle n'est pas cohérente avec la notation habituelle de la loi (multi-)normale sur R ⁿ ). La loi normale centrée réduite est N(0, 1).

On peut énoncer plusieurs propriétés, compte tenu de ce qui précède (le dernier point se démontrant de manière analogue).

Propriétés

Soit une Variable aléatoire X qui suit la loi normale N( μ, σ ² ). Alors :

• son espérance et sa Variance existent et E(X) = μ, V(X) = σ ² > 0
• sa fonction de répartition F est telle que pour tout x ∈ R,

F (x) = Φ

(

x - μ ––––––– σ

)

• la variable aléatoire

  X ⋆ =

  X - E(X) ––––––––––– √(V(X))

  , c'est-à-dire

  X ⋆ =

  X - μ ––––––– σ

  , suit la loi normale centrée réduite
• si α, β sont deux réels ( α ≠ 0), alors la variable aléatoire α X + β suit la loi normale N( α μ + β, α ² σ ² )

Soit une Variable aléatoire X qui suit la loi normale N( μ, σ ² ). Alors la variable aléatoire exp(X) (de loi dite log-normale) possède les propriétés suivantes:

• son espérance existe et vaut

  E = exp( E(X) +

  V(X) ––––– 2

  )

  = exp

  (

  μ +

  σ 2 ––– 2

  )

• sa Variance existe et vaut V = exp( 2 E(X) + V(X)) = exp( 2 μ + σ ² ) ( exp( σ ² ) - 1)

Largeur à mi-hauteur

Lorsque l'on travaille sur une représentation graphique, on estime fréquemment la largeur de la gaussienne par sa largeur à mi-hauteur H (en anglais full width at half maximum, FWHM), qui est la largeur de la courbe à une altitude qui vaut la moitié de l'altitude du sommet. La largeur à mi-hauteur est proportionnelle à l'écart type :

H = 2

√

––––––––– 2 ln(2)

σ~eq 2,3548 σ

Le facteur 2 sert à prendre en compte l'extension de la gaussienne dans les valeurs négatives.

Calcul de P(a ≤ X ≤ b)

Les résultats précédents permettent de ramener tout calcul de probabilité relatif à la loi normale N( μ, σ ² ) à un calcul de probabilité relatif à la loi normale centrée réduite. On a vu qu'on dispose de tables donnant des approximations de valeurs de la fonction Φ, tables qu'on utilise encore fréquemment, même si certaines calculatrices ou certains tableurs peuvent maintenant les remplacer.

Si la variable aléatoire X suit la loi normale N( μ, σ ² ), et si a, b sont deux réels tels que a ≤ b, on a :

P (a ≤ X ≤ b) = F (b) - F (a) = Φ

(

b - μ ––––––– σ

)

- Φ

(

a - μ ––––––– σ

)

Cas d'un intervalle centré à la moyenne, plages de normalité

• Si t est un réel positif,

P ( μ - t σ ≤ X ≤ μ + t σ) = Φ(t) - Φ(-t) = Φ(t) - (1 - Φ(t)) = 2 Φ(t) - 1

• lorsque P ( μ - t σ ≤ X ≤ μ + t σ) = α, où α ∈ ]0, 1 = est appelé plage de normalité au niveau de confiance α

  (si par exemple, α = 0, 95, on dit : "plage de normalité au niveau de confiance 95%" : en statistique, c'est un intervalle dans lequel se trouve 95% de la population lorsque la distribution est gaussienne).

  Exemples numériques

  Grâce à la table précédente, on obtient :
  • P ( μ - σ ≤ X ≤ μ + σ)~eq 0,6826 ;

  l'intervalle est la plage de normalité au niveau de confiance 68 %

  • P ( μ - 0,5H ≤ X ≤ μ + 0,5H)~eq 0,76.. ;

  l'intervalle (H étant la largeur à mi-hauteur) est la plage de normalité au niveau de confiance 76 %

  • P ( μ - 2 σ ≤ X ≤ μ + 2 σ)~eq 0,9544 ;

  l'intervalle est la plage de normalité au niveau de confiance 95 %

  • P ( μ - 3 σ ≤ X ≤ μ + 3 σ)~eq 0,9974 ;

  l'intervalle est la plage de normalité au niveau de confiance 99 %

  Champ d'application

  La loi normale s'utilise notamment comme approximation d'une Loi binomiale de paramètres (n ; p) pour n grand et p, 1 - p de même ordre de grandeur ; on approche alors cette loi binomiale par la loi normale ayant même espérance np et même variance np(1-p). On a dessiné ci-dessous :
  • la loi binomiale de paramètres (12 ; 1/3) (diagramme en bâtons rouge) et la loi normale correspondante d'espérance 4 et de variance 8/3 (courbe verte)
  • la loi binomiale de paramètres (60 ; 1/3) (diagramme en bâtons rouge) , et la loi normale correspondante d'espérance 20 et de variance 40/3 (courbe verte)

  Le mathématicien Carl Friedrich Gauss a introduit cette loi pour le calcul d'erreurs.

  En Statistiques, de nombreux phénomènes suivent des distributions gaussiennes : données biométriques des individus (Adolphe Quételet).

  Critères de normalité

  Le recours à une distribution gaussienne est si fréquent qu'il peut finir par être abusif. Il faut alors rechercher des critères de normalité.

  Le premier critère, le plus simple, consiste à tracer l'histogramme ou le diagramme en bâtons de la distribution et à vérifier si le diagramme est en forme de « cloche ». Ce critère, subjectif, permet cependant d'éliminer une partie des distributions jugées alors non gaussiennes.

  Le critère suivant consiste à utiliser les plages de normalité ou intervalles de confiance. On a vu que si une distribution est gaussienne :

  • 68% de la population est dans l'intervalle ,
  • 76% de la population est dans l'intervalle ,
  • 95% de la population est dans l'intervalle ,
  • 99% de la population est dans l'intervalle .

  Lorsque ces pourcentages ne sont pas respectés, il est fort à parier que la distribution n'est pas gaussienne.

  On peut aussi utiliser la Droite de Henry, en particulier quand on possède peu de renseignements sur la distribution. La droite de Henry va permettre de porter un diagnostic sur la nature non gaussienne de la distribution, et, dans le cas où celle-ci a des chances d'être gaussienne, elle permet d'en déterminer la moyenne et l'écart type.

  Le dernier critère est l'application d'un test d'adéquation, le Test de Jarque Bera, (test du χ²) qui valide ou non l'hypothèse de normalité.

  Néanmoins, l'utilisation d'un test automatique est délicate. En effet, dans le cas de petits effectifs, le test manquera de puissance et ne détectera pas la non normalité, même en cas de non normalité évidente. Réciproquement, dans le cas d'effectifs importants, le test sera surpuissant et détectera la moindre petite variation. Il rejettera donc des variables presque normales.

  Stabilité de la loi normale par la somme

  La somme de deux variables gaussiennes indépendantes est elle-même une variable gaussienne. Plus explicitement :

  Soient X ₁ , X ₂ deux variables aléatoires indépendantes suivant respectivement les lois N(m ₁ , σ ₁ ² ) et N(m ₂ , σ ₂ ² ).

  Alors, la variable aléatoire X ₁ + X ₂ suit la loi normale N(m ₁ + m ₂ , σ ₁ ² + σ ₂ ² ).

  Cette propriété se démontre directement (par convolution), ou indirectement (au moyen des fonctions caractéristiques).

  Exemple

  On prend ici le gramme comme unité de masse. Si la masse du contenu d'une boîte de conserve suit la loi normale d'espérance 400 et de variance 25, et si celle du contenant suit la loi normale d'espérance 60 et de variance 4, alors (avec l'hypothèse, naturelle, d'indépendance) la masse totale de la boîte de conserve suit la loi normale d'espérance 460 et de variance 29 ; son écart type est environ 5, 4 grammes.

  Stabilité de la loi normale par la moyenne

  Stabilité de la loi normale par la combinaison

  Mélange de populations

  Il ne faut pas confondre la somme de deux variables gaussiennes indépendantes, qui reste une variable gaussienne, et le mélange de deux populations gaussiennes, qui n'est pas une population gaussienne (voir aussi modèle de mixture gaussienne).

  Un mélange constitué de

  • 2/3 d'individus dont la taille suit une loi normale de moyenne 160 cm et d'écart type 15 cm, de densité f
  • 1/3 d'individus dont la taille suit une loi normale de moyenne 130 cm et d'écart type 10 cm, de densité g

  suit une loi de moyenne (2/3)×160+(1/3)×130 = 150 cm, mais non gaussienne, de densité

  h = (2/3) f + (1/3) g.

  Sur la représentation graphique de la densité h, on peut apercevoir une double bosse : la distribution est bimodale.

  Simulation

  Il est possible de simuler, par exemple par ordinateur, un tirage aléatoire dont la loi est normale.

  Les logiciels ou les langages de programmation possèdent en général un générateur de nombres pseudo-aléatoires ayant une distribution uniforme sur ]0,10,10,1[, alors on démontre assez aisément que les variables aléatoires :

  T 1 =

  √

  ––––––––––– -2 ln U 1

  cos (2 π U 2 )

  T 2 =

  √

  ––––––––––– -2 ln U 1

  sin (2 π U 2 )

  suivent toutes deux la loi normale centrée réduite (et sont indépendantes).

  Les variables aléatoires X ₁ = μ + σ T ₁ et X ₂ = μ + σ T ₂ suivent donc toutes deux la loi normale N( μ, σ ² ), et indépendamment l'une de l'autre.

  Voir ausi

  • (fr) Générateur de nombres aléatoires gaussiens, message de news:fr.sci.maths, 27 janvier 2000 ;
  • (en) Generating Gaussian Random Numbers

  Cas de la loi multinormale

  La loi multinormale ou loi normale sur R ⁿ étend la loi normale à un vecteur aléatoire

  X =

  (

  X 1 , X 2 ,

  . s

  , X n

  )

  à valeurs dans R ⁿ .

  Elle est caractérisée par deux paramètres : un Vecteur m de moyennes, et une matrice de variance-covariance V (carrée d'ordre n).

  Pour simuler une loi multinormale non dégénérée de paramètres m et V, on utilise la méthode suivante :

  1. Soit T un vecteur aléatoire à n composantes gaussiennes centrées réduites et indépendantes (la loi de T, multinormale, a pour moyenne le vecteur nul et pour matrice de variance-covariance la matrice identité).
  2. Soit L la matrice résultant de la factorisation de Cholesky de la matrice V.
  3. Alors, le vecteur aléatoire X = m+L T suit la loi multinormale de moyenne m et de variance-covariance V

  (on convient dans cette dernière relation d'identifier chaque élément de R ⁿ avec la matrice colonne de ses composantes en base canonique).

  Le calcul de l'intégrale de Gauss

  On trouvera ce calcul (utilisant une intégrale double) dans l'article sur l'Intégrale de Gauss.

  Voir aussi

  Articles connexes

  • Loi normale multidimensionnelle
  • Erreur (métrologie)
  • Statistiques
  • Probabilité
  • Loi de probabilité
  • loi du χ²
  • Loi de Student