Pourquoi la distribution « normale » n'est pas normale : 4 faits surprenants
Introduction : La courbe que nous connaissons tous, mais que nous ne comprenons pas
La « courbe en cloche », ou distribution gaussienne, est l'un des concepts les plus reconnaissables en statistique, présent dans des domaines aussi variés que la médecine et la finance. Cependant, son appellation courante – la « distribution normale » – induit souvent des malentendus fondamentaux quant à sa véritable signification.
Cette tension entre son usage répandu et sa nature subtile a été parfaitement saisie par G. Lippman :
Tout le monde croit à l'approximation normale : les expérimentateurs parce qu'ils pensent qu'il s'agit d'un théorème mathématique, les mathématiciens parce qu'ils pensent qu'il s'agit d'un fait expérimental.
Cet article vous dévoilera quatre des vérités les plus surprenantes et importantes concernant la distribution gaussienne afin de vous aider à comprendre ce qu'elle est, d'où elle vient et comment l'interpréter correctement.
Leçon 1 : « Normal » ne signifie pas normal
1. « Normal » ne signifie pas ce que vous croyez.
Bien que la distribution gaussienne soit communément appelée « distribution normale », il s'agit d'un cas où les statistiques confèrent à un terme courant une signification technique particulière. Il ne faut pas la confondre avec le sens courant de « normal », c'est-à-dire « généralement observé », « ordinaire » ou « n'indiquant pas de maladie ».
Une application courante, mais conceptuellement erronée, consiste à utiliser la distribution pour définir un « intervalle de référence » pour une valeur clinique. Par exemple, on pourrait supposer que la température corporelle suit une distribution gaussienne et définir les 2.5 % de la population présentant les valeurs les plus élevées et les plus basses comme « anormales ». L'intervalle de référence serait alors défini comme la signifier plus ou moins 1.96 écart-type.
Cette approche purement statistique présente plusieurs problèmes :
- Le contexte clinique est essentiel. Définir ce qui est « anormal » nécessite des connaissances cliniques sur ce qui indique une maladie ; cela ne peut être déterminé par un simple calcul statistique.
- La notion de « normalité » dépend d'autres facteurs. Une valeur normale pour une personne de 80 ans peut être anormale pour une personne de 25 ans. Des facteurs comme l'âge et le sexe doivent être pris en compte.
- Les frontières sont rarement nettes. En médecine, il existe souvent des valeurs « limites ». Définir une limite statistique nette entre normal et anormal est souvent irréaliste.
- Les données du monde réel sont rarement parfaites. Les données peuvent être d'environ La distribution est gaussienne, mais les écarts sont plus susceptibles de se produire dans les valeurs extrêmes (les queues), c'est précisément là que l'on trouve les valeurs « anormales ».
- Les valeurs élevées et les valeurs faibles n'ont pas la même importance. Cette approche statistique part du principe qu'une valeur très élevée est tout aussi préoccupante qu'une valeur très basse. Concernant la température corporelle, une valeur basse n'est généralement pas inquiétante sur le plan médical, tandis qu'une valeur élevée peut être le signe d'une infection.
Deuxième conclusion : cela découle des moyennes, et pas toujours des données.
2. Sa puissance provient du théorème central limite
Le rôle central de la distribution gaussienne en statistique ne tient pas au fait que la plupart des données brutes suivent une courbe en cloche parfaite, mais à une relation mathématique puissante connue sous le nom de théorème central limite.
Vous pouvez comprendre l'idée centrale du théorème grâce à une simple expérience imaginaire :
- Commencez par une population dont la distribution des données est pas Gaussienne.
- Prélevez au hasard de nombreux échantillons différents de même taille au sein de cette population.
- Calculez la moyenne pour chacun de ces échantillons individuels.
- Créez un graphique de distribution de fréquence de toutes ces moyennes d'échantillons.
Le théorème central limite stipule que la distribution des moyennes d'échantillons se rapprochera d'une distribution gaussienne, même si la population d'origine n'était pas gaussienne.
C’est pourquoi de nombreux tests statistiques courants, comme le test t et l’analyse de variance, sont si performants. Puisque ces tests ne s’intéressent seulement différences entre les moyennes, le théorème central limite nous indique que les moyennes elles-mêmes tendent à suivre une distribution gaussienne prévisible, ce qui confère aux tests leur robustesse.
Point clé n° 3 : Il est construit à partir de nombreuses petites pièces qui s’ajoutent les unes aux autres.
3. Son origine est simple : le hasard s'annule de lui-même.
La raison intuitive de la fréquence d'apparition de la distribution gaussienne est qu'elle résulte naturellement de nombreux facteurs aléatoires et indépendants créant de la variabilité. Certains de ces facteurs augmentent une valeur, tandis que d'autres la diminuent.
Le plus souvent, ces effets aléatoires s'annulent partiellement, ce qui explique pourquoi la plupart des valeurs se regroupent autour de la moyenne. Ce n'est que rarement que la majorité des facteurs aléatoires convergent, créant ainsi une valeur très éloignée de la moyenne. Ce processus aboutit à la courbe caractéristique en forme de cloche, symétrique, où les valeurs proches de la moyenne sont fréquentes et les valeurs extrêmes rares.
La condition essentielle pour que cela se produise est que les différentes sources de variation soient indépendantes, additives et qu'aucune source de variation ne domine les autres.
Quatrième point à retenir : Vous pouvez visualiser les données avec seulement deux chiffres.
4. La moyenne et l'écart-type forment un duo descriptif puissant.
Si vous pouvez raisonnablement supposer que vos données suivent une distribution approximativement gaussienne, vous pouvez recréer une image mentale de l'ensemble des données en connaissant simplement deux nombres : la moyenne et l'écart type (SD).
Ceci est possible grâce à deux règles empiriques fiables :
- Environ deux tiers (68.3 %) de toutes les valeurs se situent à moins d’un écart type de la moyenne.
- Environ 95 % de toutes les valeurs se situent à moins de 2 écarts-types de la moyenne (plus précisément, 1.96 SD).
Par exemple, si l'on vous indiquait seulement que la température corporelle moyenne dans une étude était de 36.82 °C avec un écart type de 0.41 °C, vous pourriez en déduire qu'environ 95 % des valeurs se situent entre 36.0 °C et 37.6 °C. Ce calcul simple fournit un résumé assez précis de la dispersion des données.
Conclusion : Au-delà de la cloche
La distribution gaussienne est un outil fondamental et puissant. Sa force réside toutefois dans la compréhension de ses nuances. Il s'agit d'un modèle du comportement des moyennes et du résultat d'effets aléatoires cumulatifs ; non d'un descripteur universel pour toutes les données ni d'une définition rigide de la « normalité ».
La prochaine fois que vous verrez des données qualifiées de « normales », quelles questions plus profondes vous poserez-vous sur leur véritable nature et leur signification ?
