6.6 : Éléments clés du chapitre
- Page ID
- 191337
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
- Distribution normale
- une variable aléatoire continue\((RV)\) avec pdf\(f(x) =\)
\[\frac{1}{\sigma \sqrt{2 \pi}} \mathrm{e}^{\frac{-(x-\mu)^{2}}{2 \sigma^{2}}}\nonumber\]
, où\(\mu\) est la moyenne de la distribution et\(\sigma\) l'écart type ; notation :\(X \sim N(\mu, \sigma)\). Si\(\mu = 0\) et\(\sigma = 1\), le\(RV\)\(Z\), est appelé la distribution normale standard.
- Distribution normale standard
- une variable aléatoire continue\((RV) X \sim N(0, 1)\) ; lorsqu'elle\(X\) suit la distribution normale standard, elle est souvent notée comme\(Z \sim N(0, 1)\).
- score Z
- la transformation linéaire de la forme\(z=\frac{x-\mu}{\sigma}\) ou écrite sous la forme\(z=\frac{|x-\mu|}{\sigma}\) ; si cette transformation est appliquée à une distribution normale,\(X \sim N(\mu, \sigma)\) le résultat est la distribution normale standard\(Z \sim N(0,1)\). Si cette transformation est appliquée à une valeur spécifique\(x\) de\(RV\) avec une moyenne\(\mu\) et un écart type\(\sigma\), le résultat est appelé score z de\(x\). Le score z nous permet de comparer des données qui sont normalement distribuées mais mises à l'échelle différemment. Un score z est le nombre d'écarts types par rapport à\(x\) la valeur moyenne d'une donnée.