Calculatrice de loi normale

Le théorème central limite (TCL) indique que la somme ou la moyenne d’un grand nombre de variables aléatoires indépendantes tend vers une loi normale, quelle que soit la distribution de chacune d’elles — uniforme, exponentielle ou fortement asymétrique. Ce phénomène explique pourquoi les tailles, les notes, les mesures de QI, les erreurs de mesure et de nombreux caractères biologiques ou physiques suivent approximativement une courbe en cloche : chaque mesure combine de nombreux petits effets indépendants (gènes, environnement, bruit), dont la somme tend vers la forme normale.

La loi normale est la distribution de probabilité la plus importante en statistique, car elle se prête aux calculs mathématiques et apparaît fréquemment dans les données réelles. Elle constitue l’hypothèse par défaut de nombreuses méthodes statistiques : tests t, ANOVA, régression, cartes de contrôle qualité et calculs d’intervalles de confiance. Lorsque les données ne sont pas normales, on peut les transformer (logarithme, racine carrée) pour les rapprocher de la normalité, ou employer des méthodes non paramétriques qui ne supposent aucune forme particulière. Savoir quand l’hypothèse de normalité est valable est une compétence essentielle en statistique appliquée.

On peut transformer toute loi normale en loi normale centrée réduite (moyenne 0, écart-type 1) en soustrayant la moyenne puis en divisant par l’écart-type. Cette standardisation donne un score z, qui permet de comparer directement des mesures exprimées dans des unités différentes : z = 2 signifie toujours que la valeur se situe à deux écarts-types au-dessus de la moyenne, qu’il s’agisse d’une taille en pouces, d’une température en degrés Celsius ou d’une note. z = −1.5 signifie qu’elle se trouve à 1.5 écart-type en dessous de la moyenne.

La règle 68-95-99.7 (ou règle empirique) indique qu’environ 68 % des valeurs d’une loi normale se trouvent à ±1 écart-type de la moyenne, 95 % à ±2 et 99.7 % à ±3. Les scores z rendent ces écarts faciles à interpréter : entre −1 et +1, la valeur se situe dans les 68 % centraux ; entre −2 et +2, dans les 95 % habituels ; au-delà de ±3, elle est exceptionnellement éloignée. Dans l’industrie, les scores z (souvent exprimés en niveaux sigma) servent à décrire les défauts. Les procédés Six Sigma visent moins de 3.4 défauts par million, soit des limites de contrôle d’environ ±4.5σ.

La formule de densité normale est f(x) = (1/(σ√(2π))) × e^(−(x−μ)²/(2σ²)), où μ est la moyenne, σ l’écart-type et e le nombre d’Euler (≈2,71828). Elle produit la courbe en cloche caractéristique, dont le maximum est à la moyenne et dont les queues décroissent symétriquement. La calculatrice utilise cette fonction PDF pour obtenir la densité en un point et intègre numériquement la courbe pour calculer des probabilités cumulées, c’est-à-dire l’aire correspondant à la probabilité qu’un résultat aléatoire se trouve dans l’intervalle demandé.

Pour calculer P(X ≤ a), l’outil utilise la fonction de répartition Φ(z). Celle-ci n’a pas de forme fermée, mais des approximations rationnelles la calculent avec une précision d’au moins 7 décimales. On peut demander la densité en un point (rare en pratique, car la probabilité d’obtenir une valeur exacte dans une distribution continue est nulle), la probabilité cumulée en dessous d’un seuil P(X ≤ a), ou la probabilité entre deux valeurs P(a ≤ X ≤ b), égale à Φ(b) − Φ(a). Vérifiez la moyenne et l’écart-type avant d’interpréter les résultats : de mauvais paramètres donnent des probabilités précises en apparence, mais dépourvues de sens.