Calcul densité somme de VA gaussienne au carré
Cette calculatrice premium estime la densité de la variable aléatoire S = X₁² + X₂² + … + Xₙ² lorsque les variables gaussiennes sont indépendantes et identiquement distribuées selon N(μ, σ²). Elle gère le cas central et non central via la loi du chi-deux non central mise à l’échelle.
Calculatrice interactive
Résultats
Renseignez les paramètres puis cliquez sur « Calculer la densité ».
Comprendre le calcul de densité de la somme de variables gaussiennes au carré
Le calcul de densité de la somme de variables aléatoires gaussiennes au carré est un sujet fondamental en statistique mathématique, en traitement du signal, en économétrie, en théorie des tests et en apprentissage automatique. Dès que l’on étudie une quantité du type S = X₁² + X₂² + … + Xₙ², avec des variables gaussiennes indépendantes, on entre dans l’univers de la loi du chi-deux, et plus généralement de la loi du chi-deux non centrale. Cette structure apparaît partout : estimation de variance, distance euclidienne quadratique, énergie d’un bruit gaussien, statistiques de test, régression linéaire, détection radar, IRM, modèles de fiabilité et scores quadratiques en machine learning.
Sur le plan théorique, la situation la plus simple est celle où chaque variable suit une loi normale centrée réduite : Xᵢ ~ N(0,1). Dans ce cas, la somme des carrés suit exactement une loi du chi-deux à n degrés de liberté. Si l’écart-type n’est pas 1, mais vaut σ, alors la quantité S / σ² reste chi-deux. Enfin, si la moyenne est non nulle, la loi obtenue devient non centrale, avec un paramètre de non-centralité qui mesure l’éloignement moyen du vecteur gaussien par rapport à l’origine.
1. Formulation mathématique de base
Supposons des variables indépendantes identiquement distribuées :
X₁, …, Xₙ ~ N(μ, σ²)
On s’intéresse à :
S = Σ Xᵢ²
Alors :
- si μ = 0, la variable S / σ² suit une loi du chi-deux centrale à n degrés de liberté ;
- si μ ≠ 0, la variable S / σ² suit une loi du chi-deux non centrale à n degrés de liberté et de paramètre λ = n(μ/σ)².
Dans le cas central, la densité s’écrit :
f_S(x) = [1 / (σ² 2^(n/2) Γ(n/2))] (x/σ²)^(n/2 – 1) exp(-x / (2σ²)), pour x > 0
Cette expression montre immédiatement que le support est positif, que la forme dépend fortement du nombre de degrés de liberté, et que la dispersion augmente avec σ².
2. Pourquoi cette loi est-elle si importante ?
Le carré d’une variable gaussienne mesure une énergie, une intensité ou une déviation quadratique. Quand on additionne ces carrés, on obtient une mesure globale de variation. C’est exactement ce que font de nombreux outils statistiques. La variance empirique d’un échantillon normal est liée à une loi du chi-deux. De même, dans les tests d’ajustement, dans l’ANOVA, dans les statistiques de vraisemblance asymptotiques ou dans les modèles linéaires généralisés, des sommes de carrés interviennent naturellement.
Dans les applications d’ingénierie, cette somme représente souvent une puissance reçue, une énergie de bruit ou une amplitude quadratique. En vision, en robotique et en apprentissage machine, elle intervient dans les distances quadratiques et les pénalisations de type moindres carrés. En finance quantitative, certaines formes de volatilité et d’erreurs quadratiques héritent de structures gaussiennes ou asymptotiquement gaussiennes, d’où la pertinence du calcul de densité.
3. Interprétation de la densité
La densité ne donne pas directement la probabilité que S prenne une valeur exacte, car pour une variable continue cette probabilité ponctuelle est nulle. En revanche, elle indique comment la masse de probabilité se répartit localement. Une densité élevée autour d’une valeur signifie que la variable a plus de chances d’être observée dans un petit intervalle autour de cette valeur qu’autour d’une autre où la densité est plus faible.
La calculatrice ci-dessus évalue cette densité en un point précis x. Elle fournit aussi des quantités utiles : l’espérance, la variance, l’écart-type et le paramètre de non-centralité. Ces indicateurs résument la forme globale de la distribution :
- Espérance : E[S] = n(σ² + μ²)
- Variance : Var(S) = 2nσ⁴ + 4nμ²σ²
- Paramètre de non-centralité : λ = n(μ/σ)²
4. Cas central vs cas non central
Le contraste entre cas central et non central est essentiel. Quand μ = 0, la distribution est plus concentrée vers des valeurs compatibles avec une pure fluctuation aléatoire autour de zéro. Dès que la moyenne s’éloigne de zéro, la somme des carrés augmente en moyenne, la densité se décale vers la droite et la distribution devient plus asymétrique dans certaines zones. En pratique, cela signifie qu’un signal présent, même faible, peut modifier significativement la loi de l’énergie quadratique observée.
| Configuration | Distribution de S / σ² | Paramètres clés | Usage typique |
|---|---|---|---|
| Gaussienne centrée | Chi-deux centrale | Degrés de liberté = n | Estimation de variance, bruit pur |
| Gaussienne non centrée | Chi-deux non centrale | n et λ = n(μ/σ)² | Détection de signal, puissance avec biais |
| Échelle modifiée | Variable multipliée par σ² | Support toujours positif | Mesures physiques en unités réelles |
5. Statistiques de référence utiles
Pour interpréter les résultats, il est utile de connaître quelques seuils classiques de la loi du chi-deux. Le tableau suivant donne des quantiles réels largement utilisés en pratique pour les niveaux de confiance et les tests statistiques. Ces valeurs sont standards et concordent avec les tables de référence académiques.
| Degrés de liberté | Quantile 95 % | Quantile 99 % | Espérance | Variance |
|---|---|---|---|---|
| 1 | 3.841 | 6.635 | 1 | 2 |
| 2 | 5.991 | 9.210 | 2 | 4 |
| 5 | 11.070 | 15.086 | 5 | 10 |
| 10 | 18.307 | 23.209 | 10 | 20 |
| 20 | 31.410 | 37.566 | 20 | 40 |
Ces chiffres montrent une propriété simple mais importante : quand le nombre de degrés de liberté augmente, la loi se décale vers la droite et devient relativement moins asymétrique. C’est l’une des raisons pour lesquelles, dans des dimensions élevées, la somme des carrés se concentre autour de sa moyenne, même si elle garde un support positif.
6. Méthode de calcul numérique
Dans le cas central, la densité peut être évaluée directement via la fonction gamma. Dans le cas non central, on utilise souvent une représentation en série de Poisson : la densité non centrale est une moyenne pondérée de densités chi-deux centrales avec des degrés de liberté augmentés de 2k. Cette méthode est robuste, intuitive et particulièrement adaptée aux implémentations web lorsqu’on veut éviter des bibliothèques scientifiques lourdes.
Concrètement, si Y = S / σ², alors la densité de Y s’écrit comme une somme :
- on calcule le poids de Poisson associé à λ/2 ;
- on évalue des densités chi-deux centrales pour n + 2k degrés de liberté ;
- on additionne les termes jusqu’à stabilisation numérique ;
- on revient à la variable S via le facteur d’échelle 1 / σ².
Cette approche donne une excellente précision pour les besoins courants d’un calculateur interactif. Elle est particulièrement pertinente lorsque l’utilisateur modifie dynamiquement n, μ, σ et le point d’évaluation x.
7. Exemples d’application
- Test de variance : si un échantillon est gaussien, une statistique de variance suit une forme chi-deux.
- Détection d’énergie : en télécommunications, l’énergie d’un signal gaussien bruité est souvent modélisée par une somme de carrés.
- Apprentissage automatique : les pertes quadratiques et certaines normes vectorielles sont liées à des sommes de carrés.
- Physique expérimentale : de nombreuses mesures de bruit thermique ou électronique suivent des approximations gaussiennes menant à des énergies quadratiques.
- Imagerie médicale : certaines intensités combinées et statistiques de contraste se ramènent à des formes non centrales.
8. Comment interpréter le graphique de la calculatrice
La courbe affichée montre la densité de la somme des carrés pour les paramètres choisis. Le point sélectionné est matérialisé sur le graphique. Si le point se situe près du pic, la valeur est compatible avec une observation très typique. S’il se trouve dans une queue de distribution, la valeur est plus rare. Cela est particulièrement utile pour les diagnostics, les contrôles qualité, les tests statistiques et les analyses de détection.
Lorsque n est petit, la densité est souvent fortement asymétrique, surtout dans le cas central. Quand n augmente, la forme devient plus régulière et se rapproche d’un comportement plus concentré. Si μ croît, la distribution se déplace vers la droite, car chaque variable contribue en moyenne davantage au total quadratique.
9. Sources académiques et institutionnelles utiles
Pour approfondir le sujet, voici des ressources fiables et reconnues :
- NIST Engineering Statistics Handbook : guide de référence sur les lois, tests et méthodes statistiques.
- Penn State University STAT 414 : cours universitaire sur les probabilités, y compris les lois dérivées de la normale.
- U.S. Census Bureau Working Papers : travaux institutionnels sur méthodes quantitatives et modélisations statistiques.
10. Bonnes pratiques d’utilisation
Pour obtenir un résultat fiable et bien interprété, il faut vérifier plusieurs points : indépendance des variables, homogénéité des paramètres, positivité de σ, et cohérence de l’échelle de x. Il est également utile de comparer la densité en un point à des quantiles ou à une fonction de répartition lorsqu’on veut évaluer un caractère “rare” ou “habituel” d’une observation. La densité seule ne suffit pas toujours à conclure sur une probabilité cumulée, mais elle reste très informative pour visualiser la structure locale de la loi.
11. Résumé opérationnel
Retenez l’idée centrale : la somme des carrés de variables gaussiennes indépendantes conduit naturellement à une loi chi-deux centrale ou non centrale. Cette loi est incontournable en statistique théorique comme en pratique. Une fois les paramètres n, μ et σ fixés, la densité en un point x se calcule rigoureusement et peut être visualisée pour mieux comprendre la probabilité locale autour de cette valeur. C’est précisément ce que fait la calculatrice de cette page, avec une représentation graphique adaptée aux usages pédagogiques, scientifiques et professionnels.