Loi normale rectifiée

Cet article est une ébauche concernant les probabilités et la statistique.

Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.

Loi normale rectifiée
Paramètres	${\displaystyle \mu \in \mathbb {R} }$ paramètre de position ${\displaystyle \sigma >0\,}$ paramètre d'échelle
Support	${\displaystyle x\in [0,+\infty [\!}$
Densité de probabilité	${\displaystyle \scriptstyle \Phi (-{\frac {\mu }{\sigma }})\delta (x)+{\frac {1}{\sqrt {2\pi \sigma ^{2}}}}\mathrm {e} ^{-{\frac {(x-\mu )^{2}}{2\sigma ^{2}}}}{\textrm {U}}(x).}$
modifier

En théorie des probabilités et en statistique, la loi normale rectifiée est une modification de la loi normale lorsque ses valeurs négatives sont « remises à » 0. C'est une loi mixte issue d'un mélange entre une loi de probabilité discrète (mesure de Dirac en 0) et une loi de probabilité à densité (loi normale tronquée sur ${\displaystyle \scriptstyle ]0,\infty [}$).

Une variable aléatoire qui suit une loi normale rectifiée est notée : ${\displaystyle X\sim {\mathcal {N}}^{\textrm {R}}(\mu ,\sigma ^{2})}$.

Densité de probabilité

La densité de probabilité d'une loi normale rectifiée est donnée par

${\displaystyle f(x;\mu ,\sigma ^{2})=\Phi (-{\frac {\mu }{\sigma }})\delta (x)+{\frac {1}{\sqrt {2\pi \sigma ^{2}}}}\;\mathrm {e} ^{-{\frac {(x-\mu )^{2}}{2\sigma ^{2}}}}{\textrm {U}}(x).}$

Ici, ${\displaystyle \Phi }$ est la fonction de répartition de la loi normale :

${\displaystyle \Phi (x)={\frac {1}{\sqrt {2\pi }}}\int _{-\infty }^{x}\mathrm {e} ^{-t^{2}/2}\,\mathrm {d} t\quad x\in \mathbb {R} ,}$

${\displaystyle \delta }$ est la distribution de Dirac :

${\displaystyle \delta (x)={\begin{cases}\infty ,&x=0\\0,&x\neq 0\end{cases}}}$

et, ${\displaystyle {\textrm {U}}}$ est la fonction de Heaviside:

${\displaystyle {\textrm {U}}(x)={\begin{cases}0,&x\leq 0,\\1,&x>0.\end{cases}}}$

Forme alternative

Une alternative simple est de considérer le cas où

${\displaystyle S\sim {\mathcal {N}}(\mu ,\sigma ^{2}),X=\max(0,S),}$

alors,

${\displaystyle X\sim {\mathcal {N}}^{\textrm {R}}(\mu ,\sigma ^{2})}$

Références

• (en) Maxime Beauchamp, « On numerical computation for the distribution of the convolution of N independent rectified Gaussian variables », Journal de la Société Française de Statistique, vol. 159, n^o 1,‎ 2018 (lire en ligne)

• Portail des probabilités et de la statistique