Calcul De L Esperance Loi Log Normale

Utilisez ce calculateur interactif pour estimer l’espérance, la médiane, le mode, la variance et l’écart-type d’une variable suivant une loi log-normale. Outil pratique pour la finance, la fiabilité, l’actuariat, l’environnement et l’analyse des temps de durée.

Calculateur premium

Choisissez votre mode de saisie. Vous pouvez entrer les paramètres classiques de la loi normale sous-jacente, ou partir de la moyenne et de l’écart-type observés sur la variable log-normale.

Comprendre le calcul de l’espérance d’une loi log-normale

Le calcul de l’espérance d’une loi log-normale est une opération fondamentale en statistique appliquée, en modélisation des risques, en finance quantitative et dans de nombreux domaines scientifiques. Une variable aléatoire positive X suit une loi log-normale si son logarithme naturel ln(X) suit une loi normale. Cette propriété rend la loi log-normale particulièrement adaptée pour représenter des phénomènes strictement positifs, asymétriques à droite, avec une longue queue. C’est typiquement le cas des durées de vie, des revenus, des tailles de particules, des niveaux de pollution, de certaines variables biologiques et des facteurs multiplicatifs de croissance.

Dans la pratique, de nombreux utilisateurs commettent une erreur classique : ils pensent que l’espérance d’une loi log-normale est simplement égale à e^μ. En réalité, cette expression correspond à la médiane de la loi, pas à son espérance. L’espérance tient compte de la dissymétrie de la distribution et de l’influence de sa queue droite. C’est pourquoi la formule correcte est différente et inclut le paramètre de dispersion σ.

Si ln(X) ~ N(μ, σ²), alors E(X) = exp(μ + σ² / 2)

Cette formule montre immédiatement que plus l’incertitude augmente, plus l’espérance s’éloigne de la médiane. En d’autres termes, lorsque σ grandit, les grandes valeurs rares de X pèsent davantage dans la moyenne. Ce phénomène est essentiel à comprendre dans les contextes où les événements extrêmes importent, comme les pertes financières, les coûts d’assurance, les temps de réparation ou les concentrations environnementales.

Pourquoi la loi log-normale apparaît-elle si souvent ?

La loi log-normale intervient naturellement lorsqu’une quantité résulte d’un produit de facteurs positifs plutôt que d’une somme. La loi normale est souvent liée à l’addition de petits effets indépendants. À l’inverse, si un phénomène dépend de multiplicateurs successifs, de taux de croissance ou d’effets proportionnels, le logarithme transforme ces produits en sommes, ce qui favorise un comportement proche d’une loi normale sur l’échelle logarithmique.

• Les rendements composés et certaines valeurs financières.
• Les revenus ou patrimoines individuels dans certaines populations.
• Les tailles de particules, gouttelettes ou grains.
• Les temps jusqu’à défaillance pour certains mécanismes physiques.
• Les doses, concentrations ou expositions environnementales positives.

Cette ubiquité explique pourquoi la maîtrise du calcul de l’espérance log-normale constitue une compétence utile pour l’analyste de données, l’ingénieur, l’actuaire ou le chercheur.

Définition rigoureuse des paramètres μ et σ

Dans une loi log-normale, les paramètres μ et σ ne sont pas la moyenne et l’écart-type de X. Ce sont les paramètres de la variable transformée Y = ln(X), laquelle suit une loi normale. Ainsi :

• μ est la moyenne de ln(X).
• σ est l’écart-type de ln(X).
• σ² est la variance de ln(X).

Cela change complètement l’interprétation. Deux distributions peuvent partager une même médiane, mais avoir des espérances très différentes si leur dispersion logarithmique n’est pas la même. C’est précisément cette caractéristique que la formule E(X) = exp(μ + σ²/2) capture.

Formules indispensables autour de l’espérance

Pour bien interpréter une loi log-normale, il faut connaître plusieurs indicateurs complémentaires. Lorsque ln(X) ~ N(μ, σ²), on obtient :

1. Espérance : E(X) = exp(μ + σ² / 2)
2. Médiane : Med(X) = exp(μ)
3. Mode : Mode(X) = exp(μ – σ²)
4. Variance : Var(X) = [exp(σ²) – 1] exp(2μ + σ²)
5. Écart-type : SD(X) = racine carrée de Var(X)

Ces relations montrent un ordre très caractéristique des distributions asymétriques positives :

Dans une loi log-normale non dégénérée, on a généralement : mode < médiane < espérance.

C’est un point capital pour l’interprétation. La moyenne est souvent tirée vers le haut par quelques valeurs élevées. Dans les revenus, les durées ou les coûts, cela signifie que l’expérience « typique » d’un individu peut être inférieure à la moyenne globale.

Exemple chiffré simple

Supposons que ln(X) suive une loi normale de moyenne μ = 1,2 et d’écart-type σ = 0,6. L’espérance vaut alors :

E(X) = exp(1,2 + 0,6² / 2) = exp(1,2 + 0,18) = exp(1,38) ≈ 3,9749

La médiane vaut exp(1,2) ≈ 3,3201. Le mode vaut exp(1,2 – 0,36) = exp(0,84) ≈ 2,3164. On voit déjà l’écart significatif entre ces indicateurs. Cet exemple illustre parfaitement l’effet de l’asymétrie : la moyenne est supérieure à la valeur « centrale » observée sur l’échelle brute.

Comment retrouver μ et σ à partir de la moyenne et de l’écart-type de X

Dans de nombreux cas réels, vous ne disposez pas de μ et σ, mais de la moyenne empirique m et de l’écart-type empirique s de X. Il est alors possible de reconstruire les paramètres de la loi normale sous-jacente.

Les formules usuelles sont :

σ² = ln(1 + s² / m²) ; μ = ln(m) – σ² / 2

Cette conversion est essentielle lorsqu’on souhaite passer d’un descriptif métier à un paramétrage statistique. Le calculateur ci-dessus permet précisément de travailler dans les deux sens. Il est donc utile aussi bien pour l’enseignement que pour l’analyse opérationnelle.

Tableau comparatif de l’effet de σ sur l’espérance

Le tableau suivant illustre l’impact de la dispersion logarithmique sur la moyenne, en gardant μ = 1 constant. Les valeurs ont été calculées avec la formule exacte de l’espérance d’une loi log-normale.

μ	σ	Médiane exp(μ)	Espérance exp(μ + σ²/2)	Rapport moyenne / médiane
1,00	0,20	2,7183	2,7732	1,0202
1,00	0,50	2,7183	3,0802	1,1331
1,00	0,80	2,7183	3,7420	1,3760
1,00	1,20	2,7183	5,5782	2,0520

On observe que l’espérance augmente beaucoup plus vite que la médiane lorsque σ croît. C’est la signature des distributions fortement asymétriques. En décision économique ou technique, cette sensibilité peut transformer complètement l’estimation du coût moyen attendu.

Applications concrètes du calcul de l’espérance log-normale

Le calcul de l’espérance d’une loi log-normale n’est pas seulement théorique. Il intervient dans des situations très concrètes :

• Finance : estimation de prix futurs positifs, de ratios de croissance ou de multiplicateurs de performance.
• Actuariat : modélisation de sinistres, coûts moyens et charges de risque.
• Fiabilité : temps moyen avant panne ou durée moyenne d’un composant.
• Santé publique : analyse de concentrations, doses ou biomarqueurs positifs.
• Environnement : estimation moyenne de polluants atmosphériques ou de contaminants.

Dans chacun de ces domaines, il est essentiel de ne pas confondre médiane, moyenne et moyenne géométrique. Une mauvaise interprétation peut biaiser la tarification, la maintenance, l’évaluation des expositions ou la gestion du risque.

Comparaison entre loi normale et loi log-normale

La confusion entre loi normale et loi log-normale est fréquente. Pourtant, leurs propriétés diffèrent fortement. Voici un tableau synthétique utile pour le diagnostic statistique.

Caractéristique	Loi normale	Loi log-normale
Support	Toutes les valeurs réelles	Valeurs strictement positives
Symétrie	Symétrique	Asymétrique à droite
Transformation naturelle	Aucune nécessaire	Le logarithme rend souvent la variable quasi normale
Relation moyenne-médiane	Égales	Moyenne supérieure à la médiane
Usages typiques	Erreurs de mesure, scores, fluctuations additives	Temps, revenus, tailles, concentrations, facteurs multiplicatifs

Points d’attention lors de l’interprétation

Pour utiliser correctement l’espérance d’une loi log-normale, gardez en tête plusieurs précautions méthodologiques :

1. Vérifier la positivité des données : une loi log-normale ne convient pas si des valeurs nulles ou négatives apparaissent sans traitement spécifique.
2. Contrôler l’asymétrie : si la distribution brute est très dissymétrique mais devient à peu près normale après transformation logarithmique, le modèle log-normal devient plausible.
3. Distinguer paramètres théoriques et statistiques d’échantillon : les valeurs estimées à partir de données observées comportent une incertitude d’échantillonnage.
4. Éviter les simplifications abusives : la moyenne observée n’est pas la médiane, et la moyenne géométrique n’est pas l’espérance.
5. Prendre en compte les extrêmes : la queue droite peut fortement influencer la moyenne attendue.

Liens avec la moyenne géométrique

La loi log-normale possède un lien direct avec la moyenne géométrique. En effet, exp(μ) correspond à la médiane et à la moyenne géométrique théorique. C’est souvent un indicateur plus stable dans les contextes très asymétriques. Toutefois, si vous devez calculer un coût moyen, une consommation moyenne ou une charge moyenne attendue, c’est bien l’espérance qu’il faut utiliser, car elle représente la moyenne arithmétique pertinente pour l’agrégation.

Sources institutionnelles et académiques utiles

Pour approfondir le sujet, vous pouvez consulter des ressources reconnues et sérieuses :

• NIST Engineering Statistics Handbook (.gov)
• LibreTexts Statistics, ressource académique utilisée par de nombreuses universités (.edu)
• U.S. Environmental Protection Agency, applications statistiques environnementales (.gov)

En résumé

Le calcul de l’espérance d’une loi log-normale repose sur une idée simple mais souvent mal comprise : si le logarithme de la variable est normal, alors la moyenne sur l’échelle d’origine n’est pas exp(μ), mais exp(μ + σ²/2). Cette différence vient de la dissymétrie et de l’effet des grandes valeurs. Plus la dispersion logarithmique est élevée, plus l’espérance s’éloigne de la médiane.

Un bon calculateur doit donc permettre non seulement de produire le résultat numérique exact, mais aussi de relier ce résultat aux autres indicateurs de la distribution : médiane, mode, variance et écart-type. C’est précisément l’objectif de l’outil proposé sur cette page. En l’utilisant, vous pouvez rapidement explorer la sensibilité de l’espérance aux paramètres de la loi et mieux interpréter les phénomènes positifs asymétriques que vous rencontrez dans vos données.

Conseil pratique : si vos données sont très dispersées, comparez toujours la moyenne, la médiane et l’écart-type. Dans une loi log-normale, ces trois indicateurs racontent souvent des histoires très différentes sur le même phénomène.