Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
3.4. Lois usuelles 129<br />
0.40<br />
−3 −2 −1 0−4 1 2 3 4 −7 −5 −3 −1 1 3 5 7 9<br />
Figure 3.6 – Densités des lois normales N(0,1) (à gauche) et N(2,9) (à droite).<br />
2. On peut étendre la définition ci-dessus au cas où σ = 0 en considérant qu’alors la variable<br />
aléatoire X n’est plus aléatoire, mais déterministe, et ne prend que la valeur m.<br />
Les lois normales sont stables par transformation affine, comme nous allons maintenant le montrer.<br />
Propriétés 3.4 (Loi normale & transformation affine)<br />
1. Soit X ∼ N(m,σ 2 ) une variable gaussienne, a et b deux réels, a étant non nul, alors la<br />
variable Y = aX+b suit elle aussi une loi normale. Plus précisément Y ∼ N(am+b,a 2 σ 2 ).<br />
2. En particulier, si X ∼ N(m,σ 2 ), la variable Y = X−m<br />
σ suit une loi normale centrée réduite.<br />
3. Réciproquement, si X ∼ N(0,1), alors Y = σX +m ∼ N(m,σ 2 ).<br />
Preuve. Il suffit d’appliquer la formule de changement de variable vue en Proposition 3.2 à la<br />
fonction ϕ(x) = ax+b. Sa dérivée est constante égale à a et son inverse est ϕ −1 (y) = (y −b)/a,<br />
donc la formule<br />
fY(y) = fX(ϕ −1 (y))<br />
|ϕ ′ (ϕ −1 (y))|<br />
donne dans notre cas de figure :<br />
1<br />
fY(y) =<br />
|a| √ ⎧<br />
⎪⎨<br />
exp<br />
2πσ2 ⎪⎩ −<br />
<br />
y−b<br />
a −m<br />
2σ2 qui s’écrit encore :<br />
fY(y) =<br />
0.14<br />
0.12<br />
1<br />
2π(aσ) 2 e−(y−(am+b))2<br />
2(aσ) 2 ,<br />
où l’on reconnaît la densité d’une loi normaleN(am+b,a 2 σ 2 ). Les deux derniers points en découlent<br />
directement.<br />
<strong>Probabilités</strong> Arnaud Guyader - <strong>Rennes</strong> 2<br />
2<br />
⎫<br />
⎪⎬<br />
⎪⎭ ,