Chapitre V : Loi normale et ses lois dérivées
1. La loi normale N (µ, σ)
Une variable aléatoire X continue suit une loi normale de paramètres µ et σ si
sa fonction de répartition a pour densité f où
(t − µ)2
fµ,σ (t) = √1 e− 2 σ2 .
σ 2π
2. La loi normale centrée réduite N (0, 1)
Centrée signifie E(X) = µ = 0.
Réduite signifie V ar(X) = σ 2 = 1.
Une variable aléatoire X continue suit une loi normale Standard de paramètre
µ = 0 et σ = 1, appelée loi normale centrée réduite si sa fonction de répartition
a pour densité f :
t2
f0,1 (t) = √1 e− 2 .
2π
On note Π la fonction de répartition de la loi normale centrée réduite, définie
par :
Rx t2
∀x ∈ R, Π(x) = √1
2π −∞
e− 2 dt.
Si une variable aléatoire X suit la loi normale N (µ, σ), alors la variable aléatoire
T = (X σ− µ) suit loi normale centrée réduite.
X −µ
En effectuant un changement de variable nous obtenons : FX (x) = FT σ =
FT (t) .
C’est un résultat très important en pratique : il permet de calculer toute prob-
abilité relative à la loi normale grâce à la table de la fonction de répartition de
la variable normale centrée réduite.
3. Propriétés
Soit T une variable aléatoire suivant la loi normale N (0, 1), de fonction de
répartition notée Π
Rt x2
Π(t) = P (T ≤ t) = √1
2π −∞
e− 2 dx
Π(−t) = P (T ≤ −t) = P (T ≥ t) = 1 − P (T ≤ t)
1
D’où Π(−t) = 1 − Π(t)
P (a ≤ T ≤ b) = Π(b) − Π(a)
en particulier P (−a ≤ T ≤ a) = 2Π(a) − 1.
Remarques :
Les valeurs Π(t) de la fonction de répartition F de la variable normale centrée
réduite se lisent dans la table pour t ≥ 0.
Lorsque les valeurs des probabilités ne figurent pas dans la table, on utilise les
valeurs de t négatives
Π(−t) = P (T ≤ −t) = 1 − P (T ≤ t) = 1 − Π(t).
Exemple 1 :
Soit T une variable aléatoire qui suit la loi normale centrée réduite.
1) Calculer P (T < 0); P (T < 2, 04); P (T < −1, 95); P (−1 < T < 2); P (−3 <
T < −1); P (|T | < 1) et P (|T | > 1).
2) Dans chaque, déterminer le réel t telque :
P (T < t) = 0, 8944; P (T < t) = 0, 8283; P (T < t) = 0, 1112; P (0 < T < t) =
0, 4878.
Exemple 2 :
1) X suit une loi normale N (1, 2), calculer P (X ≥ 2)
2) Calculer P (X ≤ 6) et P (X ≤ 4), pour X suivant N (5, 2)
3) Calculer P (4 ≤ X ≤ 6), pour X suivant N (5, 2)
4) X suit la loi normale N (5, 2), pour quelle valeur de x a-t-on P (X ≤ x) =
0, 95?
4. Lois normales et opérations
Etant donne deux variables indépendantes X1 et X2 .
Si X1 suit une loi normale N (µ1 , σ1 ) et X2 suit une loi normale N (µ2 , σ2 )
p
X1 + X2 suit la loi normale N µ1 + µ2 , σ12 + σ22
2
p
X1 − X2 suit la loi normale N µ1 − µ2 , σ12 + σ22 .
5. Les lois dérivées de la loi normale
5.1 Loi de khi-deux
Si X1 + ... + Xn sont n variables aléatoires indépendantes suivant toutes la loi
normale centrée réduite, alors la quantité X12 +...+Xn2 est une variable aléatoire
qui suit une loi de khi-deux à n degrés de liberté de densité de probabilité f :
0 si x ≤ 0
n −1
f (t) = n
− 1x 2
(2) e
1 2 2 x
Γ(t) si x ≥ 0, n ≥ 2
On note alors : X χ2n .
Esperance et variance
Si X χ2n alors E(X) = n et var (X) = 2n.
5.2 Loi de Student
Si X et Y sont deux variables √aléatoires indépendantes, X N (0, 1) et Y
2 X n
χn , alors la quantité T = Y est une variable aléatoire qui suit la loi de
Student de n degrés de liberté de densité de probabilité f :
Γ( n + 1
) − n − 1
f (t) = √
2
n π Γ( n
1 + x2 2
si −∞ < x < +∞
2)
On note alors : T Tn .
Esperance et variance
n
Si T Tn alors E(T ) = 0 si n > 1 et var (T ) = n−2 si n > 2.
5.2 Loi de Fischer- Snedecor
Si X1 χ2n1 et X2 χ2n2 sont indépendantes, alors la quantité F = X1 /n1
X2 /n2 est
une variable aléatoire qui suit la loi de Fischer-Snedecor à n1 et n2 degrés de
liberté de densité de probabilité f :
m n
Γ( m + n
) m 2 n2 m
x 2 −1
2
Γ( 2 )Γ( 2 )
m n × m+1 si x ≥ 0
f (t) = (m x + n) 2
0 autrement
On note alors : F Fn .
Esperance et variance
n 2n2 (m+n−2)
Si F Fn alors E(F ) = n−2 et var (F ) = m(n−4)(n−2)2
.
