Vous l’avez probablement déjà vu. Cette forme de cloche lisse et symétrique qui apparaît dans tout, des résultats de tests standardisés aux rapports de contrôle qualité. C’est la distribution normale. Également connue sous le nom de distribution gaussienne. C’est le comportement le plus courant des variables aléatoires indépendantes.
La courbe est définie par deux nombres principaux. La moyenne se situe au sommet. C’est la moyenne. Le graphique se reflète parfaitement autour de ce point central. Ensuite, vous avez l’écart type. Ce nombre décide de la largeur ou de l’étroitesse de la courbe. Un petit écart type crée un graphique raide et haut. Un grand le rend plat et large.
Le calcul derrière cela repose sur une fonction exponentielle. La formule utilise e, qui est d’environ 2,718. Il utilise également votre moyenne (μ ) et l’écart type (σ ). La surface totale sous cette courbe est toujours égale à un. Ce n’est pas une coïncidence. C’est intentionnel. Étant donné que l’aire est normalisée à l’unité, vous pouvez lire les probabilités directement à partir de l’espace sous la ligne. Une zone de 0,5 signifie une chance de 50 %.
Historiquement, le calcul de ces superficies nécessitait des calculs lourds. La plupart des gens n’avaient pas le temps pour cela. Ainsi, au XIXe siècle, les statisticiens faisaient des tableaux. Il s’agissait de la distribution normale standard. C’est là que la moyenne est nulle et l’écart type est un. Si vos données ne correspondaient pas à ces chiffres, vous deviez les redimensionner. Vous soustrayez la moyenne. Divisez ensuite par l’écart type. La formule ressemble à ceci : (x – μ ) / σ.
Les calculatrices ont pour la plupart tué ces tables papier. Vous entrez vos numéros et obtenez la réponse instantanément. Mais le concept reste vital pour comprendre la théorie des probabilités.
Le nom « gaussien » vient de Carl Friedrich Gauss. C’était un mathématicien allemand. En 1809, il développe la fonction exponentielle à deux paramètres. Il essayait de comprendre les erreurs dans les observations astronomiques. Ce travail l’a aidé à créer la loi de l’erreur d’observation. Il a également fait progresser la méthode d’approximation des moindres carrés.
Un autre des premiers utilisateurs était James Clerk Maxwell. C’était un physicien britannique. En 1859, il utilisa cette distribution pour décrire les vitesses moléculaires. Son travail devint plus tard la loi de distribution Maxwell-Boltmann.
Bien avant Gauss, Abraham de Moivre a ouvert le bal. Dans son livre de 1718 Doctrine des Chances, il remarqua quelque chose d’intéressant. Les probabilités d’événements discrets, comme lancer des pièces ou lancer des dés, pourraient être approximées par une courbe exponentielle. Pierre-Simon Laplace va plus loin. Dans son ouvrage de 1812 Théorie analytique des probabilités, il généralise l’idée de Moivre. Il a créé ce que nous appelons aujourd’hui le théorème central limite.
Ce théorème est puissant. Cela a prouvé que presque toutes les variables aléatoires indépendantes convergent vers une distribution normale à mesure que la taille de votre échantillon augmente. La convergence se produit rapidement. Cette découverte a permis aux mathématiciens de résoudre des problèmes de calcul qui étaient auparavant impossibles. Cela a transformé des problèmes discrets en problèmes continus. Cela a permis de gérer des problèmes insolubles.
Alors pourquoi est-ce important pour vous ? Si vous suivez un cours de statistiques, vous l’utiliserez tous les jours. Si vous êtes un chercheur, vos données suivent probablement ce modèle, à moins que ce ne soit le cas. C’est partout. C’est l’hypothèse par défaut pour de nombreux tests statistiques.
La beauté de la distribution normale réside dans son universalité. Peu importe ce que vous mesurez. Il importe seulement que vous mesuriez des variables indépendantes. Le théorème central limite garantit que même si vos données brutes sont désordonnées, les moyennes se transformeront en une courbe en cloche. C’est pourquoi nous pouvons faire des prédictions sur de grands groupes sur la base d’échantillons plus petits.
Il y a une raison pour laquelle cette courbe est si familière. Ce n’est pas seulement une curiosité mathématique. C’est une propriété fondamentale du hasard. Lorsqu’un nombre suffisant de facteurs indépendants sont réunis, le résultat tend vers cette forme. C’est un peu comme l’entropie. Le désordre conduit à un schéma prévisible.
Vos données correspondent-elles à la courbe ? C’est la première question que vous devriez poser. Si c’est le cas, vous disposez d’outils pour l’analyser facilement. Si ce n’est pas le cas, vous avez besoin de méthodes différentes. La distribution normale n’est pas une loi de la nature. C’est un modèle. Un très utile. Mais parfois, la réalité refuse de s’adapter à la cloche.
Nous nous appuyons sur ces modèles pour donner un sens au chaos. Le théorème central limite nous a donné ce pouvoir. Cela a transformé l’incertitude en quelque chose de calculable. Gauss et Maxwell n’avaient pas pour objectif de créer un outil statistique universel. Ils voulaient juste comprendre les étoiles et les molécules de gaz. Mais leurs travaux ont révélé une vérité plus profonde sur la façon dont le monde regroupe les événements aléatoires.
La prochaine fois que vous verrez une courbe en cloche, souvenez-vous de l’historique. Souvenez-vous des pièces de monnaie de Moivre et des théorèmes de Laplace. Ce n’est pas seulement une forme. C’est le résultat de siècles de recherche de l’ordre dans le hasard. La courbe simplifie le complexe. Cela nous permet de prédire l’imprévisible.
Mais gardez à l’esprit. Les données réelles sont rarement parfaitement normales. L’asymétrie et l’aplatissement existent. Les queues sont souvent plus lourdes que ce que prédit le modèle. La distribution normale est une approximation. Un puissant. Mais une approximation quand même. Comprendre ses limites est tout aussi important que comprendre son application. C’est là que réside la véritable perspicacité.
