Loi normale — courbe en cloche, score z et formule

Une loi normale est un modèle de probabilité en forme de cloche dans lequel les valeurs proches de la moyenne sont les plus fréquentes, et les valeurs plus éloignées deviennent moins fréquentes de manière symétrique. Si vous cherchez à comprendre la courbe en cloche, le score z ou la formule de la loi normale, l’idée essentielle est simple : la moyenne fixe le centre, et l’écart-type fixe la dispersion.

Ce modèle n’est utile que si la forme normale est une approximation raisonnable des données ou de la situation. Quand cette condition est remplie, vous pouvez estimer des intervalles typiques, comparer des valeurs avec des scores z et interpréter à quel point un résultat est inhabituel.

Ce que signifie la courbe en cloche

Si une variable suit une loi normale, les valeurs proches de la moyenne sont plus fréquentes que les valeurs éloignées. Les côtés gauche et droit se reflètent l’un l’autre, donc être à $2$ écarts-types au-dessus de la moyenne est tout aussi inhabituel qu’être à $2$ écarts-types au-dessous.

Vous verrez souvent la notation

$$X \sim N(\mu, \sigma^2)$$

Cela signifie que la variable aléatoire $X$ est modélisée par une loi normale de moyenne $\mu$ et de variance $\sigma^2$. Comme la variance vaut $\sigma^2$, l’écart-type est $\sigma$, avec $\sigma > 0$.

Formule de la loi normale, en langage simple

La formule de la densité normale est

$$f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-(x-\mu)^2/(2\sigma^2)}$$

Vous n’avez pas besoin de mémoriser chaque partie de la formule pour bien utiliser l’idée. Le plus important est que $\mu$ déplace la courbe vers la gauche ou vers la droite, tandis que $\sigma$ la rend plus étroite ou plus large.

Cette formule décrit une densité, pas la probabilité d’une valeur exacte. Pour un modèle continu, les probabilités viennent d’intervalles comme $P(X < 80)$ ou $P(65 \le X \le 85)$.

Comment moyenne, écart-type et score z sont liés

Modifier la moyenne déplace la courbe vers la gauche ou vers la droite. Modifier l’écart-type rend la courbe plus étroite ou plus large. Un petit $\sigma$ signifie que les valeurs sont fortement regroupées autour de la moyenne. Un $\sigma$ plus grand signifie qu’elles sont davantage dispersées.

Pour comparer une valeur au reste de la distribution, utilisez le score z :

$$z = \frac{x - \mu}{\sigma}$$

Cela indique une position relative en unités d’écart-type. Si $z = 1.5$, la valeur est à $1.5$ écarts-types au-dessus de la moyenne. Si $z = -2$, elle est à $2$ écarts-types au-dessous.

Pour un modèle normal, un raccourci pratique est la règle empirique :

$$\text{environ } 68\% \text{ des valeurs se trouvent dans } \mu \pm \sigma$$ $$\text{environ } 95\% \text{ des valeurs se trouvent dans } \mu \pm 2\sigma$$ $$\text{environ } 99.7\% \text{ des valeurs se trouvent dans } \mu \pm 3\sigma$$

Utilisez cela seulement si un modèle normal est réellement raisonnable. C’est une approximation utile, pas une garantie pour tous les jeux de données réels.

Exemple détaillé avec score z et courbe en cloche

Supposons que les notes d’examen soient modélisées par

$$X \sim N(70, 10^2)$$

La moyenne des notes est donc $70$ et l’écart-type est $10$.

Commencez par utiliser la règle empirique. Environ $68\%$ des notes devraient se situer à un écart-type de la moyenne :

$$70 \pm 10$$

L’intervalle rapide est donc

$$60 \text{ à } 80$$

Environ $95\%$ des notes devraient se situer à deux écarts-types :

$$70 \pm 2(10) = 70 \pm 20$$

Cet intervalle est donc

$$50 \text{ à } 90$$

Prenons maintenant un élève qui a obtenu $85$. Le score z est

$$z = \frac{85 - 70}{10} = 1.5$$

Cela signifie que la note est à $1.5$ écarts-types au-dessus de la moyenne. C’est l’interprétation la plus rapide et la plus utile : la note est clairement au-dessus de la moyenne, mais pas extrêmement loin dans la queue de distribution.

Erreurs fréquentes dans les exercices sur la loi normale

Considérer tout graphique en cloche comme normal

Certaines données sont asymétriques, ont des queues épaisses ou présentent plusieurs pics. Dans ces cas, un modèle normal peut être mal adapté, même si le graphique paraît globalement arrondi.

Confondre densité et probabilité

La formule $f(x)$ n’est pas la probabilité que $X$ soit égal à un nombre exact. Pour les distributions continues, la probabilité en un point exact vaut $0$, donc on travaille plutôt avec des intervalles.

Utiliser la règle empirique sans vérifier le modèle

La règle des $68$-$95$-$99.7$ appartient à la loi normale. Elle ne doit pas être appliquée automatiquement à n’importe quel jeu de données.

Confondre variance et écart-type

La variance est $\sigma^2$. Le score z utilise $\sigma$, pas $\sigma^2$.

Quand utilise-t-on la loi normale ?

La loi normale apparaît souvent lorsque des mesures se regroupent autour d’une valeur centrale et que les valeurs extrêmes sont relativement rares. Elle est courante dans les modèles d’erreur de mesure, l’interprétation des notes, le contrôle qualité et l’étude des moyennes d’échantillon.

Cela ne veut pas dire que toutes les données réelles sont normales. Cela signifie que le modèle normal est une approximation utile lorsque la forme, le contexte et les hypothèses rendent cette approximation raisonnable.

Essayez un exercice similaire

Modifiez l’exemple en $X \sim N(100, 15^2)$ et calculez le score z de $130$. Trouvez ensuite l’intervalle qui couvre environ $95\%$ des valeurs. Essayer votre propre version avec une moyenne ou un écart-type différent est une bonne façon de voir comment la courbe en cloche change.