{"id":1301,"date":"2026-09-04T17:10:23","date_gmt":"2026-09-04T17:10:23","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-tracer-distribution-log-normale-r\/"},"modified":"2026-09-04T17:10:30","modified_gmt":"2026-09-04T17:10:30","slug":"comment-tracer-distribution-log-normale-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-tracer-distribution-log-normale-r","title":{"rendered":"Comment tracer une distribution log-normale dans R"},"content":{"rendered":"

L’analyse statistique des processus cognitifs et comportementaux repose fondamentalement sur la mod\u00e9lisation rigoureuse de variables al\u00e9atoires continues dont les propri\u00e9t\u00e9s morphologiques s’\u00e9cartent fr\u00e9quemment des id\u00e9aux gaussiens. En psychologie exp\u00e9rimentale, en neurosciences cognitives et dans les sciences du comportement au sens large, les donn\u00e9es quantitatives collect\u00e9es \u2014 qu’il s’agisse de chronom\u00e9trie mentale, de dur\u00e9es de fixation oculaire ou de scores de latence psychophysiologique \u2014 manifestent une asym\u00e9trie positive persistante et une contrainte stricte de positivit\u00e9. Face \u00e0 ces architectures empiriques, l’application machinale du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral fond\u00e9 sur la loi normale introduit des distorsions pr\u00e9judiciables \u00e0 la validit\u00e9 interne des conclusions scientifiques. La distribution log-normale<\/a> s’impose alors comme un paradigme formel \u00e9l\u00e9gant et math\u00e9matiquement robuste, permettant d’appr\u00e9hender ad\u00e9quatement les dynamiques sous-jacentes \u00e0 la variabilit\u00e9 humaine.<\/p>\n

Le langage de programmation et environnement de calcul statistique R<\/a> constitue le standard international pour la mod\u00e9lisation probabiliste et la visualisation graphique de ces distributions asym\u00e9triques. Gr\u00e2ce \u00e0 son architecture computationnelle native et \u00e0 la richesse de son \u00e9cosyst\u00e8me d’extensions graphiques, R permet non seulement d’\u00e9valuer la densit\u00e9 th\u00e9orique d’une variable log-normale, mais \u00e9galement de confronter visuellement ces projections th\u00e9oriques aux distributions empiriques issues du laboratoire. Cet article propose une exploration exhaustive, th\u00e9orique et appliqu\u00e9e, des m\u00e9thodologies de repr\u00e9sentation graphique de la loi log-normale dans R, en articulant les principes fondamentaux de la mod\u00e9lisation statistique aux exigences contemporaines de reproductibilit\u00e9 scientifique.<\/p>\n

\u00c0 travers une progression didactique rigoureuse, nous d\u00e9taillerons les propri\u00e9t\u00e9s math\u00e9matiques cardinales qui gouvernent cette loi de probabilit\u00e9 et justifient son omnipr\u00e9sence en psychologie cognitive, avant d’analyser le comportement algorithmique des fonctions sp\u00e9cialis\u00e9es du moteur de base de R. Nous aborderons ensuite la construction de repr\u00e9sentations visuelles hautement personnalis\u00e9es, depuis les trac\u00e9s \u00e9l\u00e9mentaires jusqu’aux visualisations avanc\u00e9es avec la biblioth\u00e8que ggplot2<\/a>, sans omettre les proc\u00e9dures d’\u00e9valuation diagnostique, les transformations d’\u00e9chelles et l’impl\u00e9mentation compl\u00e8te d’un cas d’\u00e9tude empirique respectant scrupuleusement les normes de publication acad\u00e9mique.<\/p>\n

1. Fondements th\u00e9oriques de la distribution log-normale et pertinence en psychologie<\/h2>\n

1.1 D\u00e9finition math\u00e9matique et propri\u00e9t\u00e9s fondamentales<\/h3>\n

D’un point de vue formel, une variable al\u00e9atoire continue $X$<\/span> est dite suivre une loi log-normale, not\u00e9e conventionnellement $\\mathcal{LN}(\\mu, \\sigma^2)$<\/span>, si et seulement si sa transformation logarithmique n\u00e9p\u00e9rienne $Y = ln(X)$<\/span> est distribu\u00e9e selon une loi normale standard $\\mathcal{N}(\\mu, \\sigma^2)$<\/span>. Cette relation bijective fondamentale implique que le support de la variable originale $X$<\/span> est rigoureusement restreint au demi-axe r\u00e9el positif, soit $x in ]0, +\\infty[$<\/span>. Contrairement \u00e0 la courbe en cloche gaussienne dont le domaine s’\u00e9tend de fa\u00e7on sym\u00e9trique sur l’ensemble de la droite r\u00e9elle, la distribution log-normale pr\u00e9sente une borne inf\u00e9rieure stricte en z\u00e9ro, \u00e9liminant de facto toute possibilit\u00e9 th\u00e9orique de g\u00e9n\u00e9rer des valeurs n\u00e9gatives, ce qui constitue une propri\u00e9t\u00e9 indispensable pour mod\u00e9liser des grandeurs physiques r\u00e9elles non nulles.<\/p>\n

La fonction de densit\u00e9 de probabilit\u00e9 (PDF) d’une variable log-normale s’exprime math\u00e9matiquement pour tout $x > 0$<\/span> par l’\u00e9quation suivante :<\/p>\n

$$f(x; \\mu, \\sigma) = \\frac{1}{x \\sigma \\sqrt{2\\pi}} \\exp\\left( -\\frac{(\\ln x – \\mu)^2}{2\\sigma^2} \\right)$$<\/span><\/p>\n

Dans cette formulation, le param\u00e8tre $\\mu$<\/span> repr\u00e9sente le param\u00e8tre d’\u00e9chelle sur l’axe exponentiel (ou la moyenne arithm\u00e9tique de la variable transform\u00e9e $ln X$<\/span>), tandis que $\\sigma > 0$<\/span> constitue le param\u00e8tre de forme, r\u00e9gissant l’\u00e9tirement, la dispersion relative et l’intensit\u00e9 de l’asym\u00e9trie de la distribution originale. Une modification de $\\sigma$<\/span> alt\u00e8re profond\u00e9ment la courbure et l’aplatissement de la densit\u00e9, conf\u00e9rant \u00e0 la courbe son profil asym\u00e9trique positif caract\u00e9ristique, marqu\u00e9 par une mont\u00e9e abrupte vers un mode pr\u00e9coce suivie d’une d\u00e9croissance asymptotique prolong\u00e9e vers les valeurs \u00e9lev\u00e9es.<\/p>\n

Une cons\u00e9quence majeure de cette asym\u00e9trie r\u00e9side dans la dissociation nette des mesures de tendance centrale. Contrairement \u00e0 la distribution gaussienne o\u00f9 moyenne, m\u00e9diane et mode co\u00efncident parfaitement, la loi log-normale impose une hi\u00e9rarchie stricte et ordonn\u00e9e. Le mode, point culminant de la densit\u00e9 o\u00f9 la probabilit\u00e9 locale est maximale, s’\u00e9tablit \u00e0 $\\exp(\\mu – \\sigma^2)$<\/span>. La m\u00e9diane, qui s\u00e9pare la distribution en deux moiti\u00e9s d’\u00e9gale probabilit\u00e9, \u00e9quivaut exactement \u00e0 la moyenne g\u00e9om\u00e9trique $\\exp(\\mu)$<\/span>. Enfin, l’esp\u00e9rance math\u00e9matique arithm\u00e9tique $E(X)$<\/span> est d\u00e9port\u00e9e vers la droite sous l’effet du poids des valeurs extr\u00eames de la queue de distribution et s’\u00e9crit $E(X) = \\exp(\\mu + \\sigma^2\/2)$<\/span>. La variance de la distribution, quant \u00e0 elle, d\u00e9pend conjointement des deux param\u00e8tres selon l’expression $\\text{Var}(X) = [\\exp(\\sigma^2) – 1]\\exp(2\\mu + \\sigma^2)$<\/span>. Cette interd\u00e9pendance fonctionnelle entre la moyenne arithm\u00e9tique et la variance illustre l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 inh\u00e9rente aux processus log-normaux.<\/p>\n

1.2 Ph\u00e9nom\u00e8nes psychologiques r\u00e9gis par une dynamique log-normale<\/h3>\n

En psychologie exp\u00e9rimentale et en ergonomie cognitive, la chronom\u00e9trie mentale \u00e9tudie la vitesse de traitement de l’information \u00e0 travers la mesure des temps de r\u00e9action (TR). Depuis les travaux pionniers de Franciscus Donders, il est empiriquement constat\u00e9 que les latences de r\u00e9ponse ne se conforment jamais \u00e0 une distribution gaussienne sym\u00e9trique. Un participant effectuant une t\u00e2che de d\u00e9cision lexicale ou un paradigme de Stroop ne peut physiquement pas r\u00e9pondre sous un certain seuil incompressible, impos\u00e9 par la transduction sensorielle et la conduction neuromusculaire (environ 100 \u00e0 150 millisecondes). La distribution des temps de r\u00e9action pr\u00e9sente ainsi une concentration massive d’observations rapides \u00e0 proximit\u00e9 de ce plancher physiologique, suivie d’un \u00e9talement substantiel de r\u00e9ponses ralenties dues \u00e0 des fluctuations attentionnelles momentan\u00e9es, dessinant une silhouette log-normale exemplaire.<\/p>\n

L’oculom\u00e9trie cognitive constitue un second domaine d’application privil\u00e9gi\u00e9. L’analyse des mouvements oculaires lors de la lecture de textes complexes ou de l’exploration de sc\u00e8nes visuelles d\u00e9montre que la dur\u00e9e des fixations visuelles individuelles ob\u00e9it \u00e9galement \u00e0 une cin\u00e9tique asym\u00e9trique. Les micro-fixations d’orientation rapide s’agglom\u00e8rent autour de 200 millisecondes, tandis que des fixations prolong\u00e9es, r\u00e9v\u00e9latrices d’une charge cognitive accrue, d’un r\u00e9examen syntaxique ou d’une ind\u00e9cision s\u00e9mantique, \u00e9tirent continuellement la queue droite de la distribution. Tenter d’ajuster une loi normale sur de telles m\u00e9triques oculaires introduit un biais syst\u00e9matique dans l’estimation de l’effort cognitif sous-jacent.<\/p>\n

Au niveau th\u00e9orique, cette \u00e9mergence spontan\u00e9e de la log-normalit\u00e9 s’explique avec \u00e9l\u00e9gance par les propri\u00e9t\u00e9s du th\u00e9or\u00e8me central limite appliqu\u00e9 aux syst\u00e8mes multiplicatifs. Si la loi normale d\u00e9coule de l’addition d’une multitude d’effets stochastiques infinit\u00e9simaux et ind\u00e9pendants, la distribution log-normale \u00e9merge naturellement lorsque les \u00e9tapes d’un processus psychologique interagissent de mani\u00e8re multiplicative. Dans les mod\u00e8les de diffusion cognitive, la r\u00e9solution d’une t\u00e2che complexe requiert la cascade s\u00e9quentielle de multiples sous-syst\u00e8mes : encodage perceptif, r\u00e9cup\u00e9ration en m\u00e9moire \u00e0 long terme, d\u00e9lib\u00e9ration d\u00e9cisionnelle et programmation motrice. Chaque \u00e9tape agit comme un facteur de ralentissement ou d’acc\u00e9l\u00e9ration proportionnel sur la latence globale, g\u00e9n\u00e9rant in\u00e9luctablement une distribution asym\u00e9trique log-normale \u00e0 l’\u00e9chelle macroscopique.<\/p>\n

1.3 Comparaison critique avec la loi normale standard<\/h3>\n

L’adh\u00e9sion non critique au postulat de normalit\u00e9 pour des donn\u00e9es de latence temporelle engendre de s\u00e9v\u00e8res distorsions m\u00e9thodologiques. En premier lieu, la distribution normale affecte une probabilit\u00e9 non nulle aux valeurs strictement inf\u00e9rieures \u00e0 z\u00e9ro. Si l’\u00e9cart-type empirique d’une s\u00e9rie de temps de r\u00e9action est volumineux par rapport \u00e0 sa moyenne arithm\u00e9tique, le mod\u00e8le gaussien pr\u00e9dit th\u00e9oriquement l’occurrence de latences n\u00e9gatives, ce qui constitue une absurdit\u00e9 physique manifeste. Par ailleurs, la sym\u00e9trie impos\u00e9e par la loi de Gauss conduit \u00e0 sous-estimer la fr\u00e9quence r\u00e9elle des \u00e9v\u00e9nements rares situ\u00e9s dans la queue longue, tout en sur\u00e9valuant la dispersion au voisinage imm\u00e9diat de la moyenne.<\/p>\n

Face \u00e0 cette incompatibilit\u00e9, une pratique historiquement ancr\u00e9e dans les laboratoires de psychologie consiste \u00e0 appliquer une transformation logarithmique pr\u00e9alable aux donn\u00e9es brutes ($Y = ln(X)$<\/span>) afin de r\u00e9tablir artificiellement la sym\u00e9trie, permettant l’utilisation subs\u00e9quente de tests param\u00e9triques conventionnels tels que l’analyse de variance (ANOVA) ou le test t de Student. Bien que math\u00e9matiquement valide pour stabiliser les variances et corriger l’asym\u00e9trie, cette approche obscurcit fr\u00e9quemment l’interpr\u00e9tabilit\u00e9 des param\u00e8tres. Les inf\u00e9rences formul\u00e9es sur l’\u00e9chelle transform\u00e9e ne se transposent pas directement sur l’\u00e9chelle m\u00e9trique naturelle des millisecondes : la moyenne des logarithmes correspond en r\u00e9alit\u00e9 au logarithme de la moyenne g\u00e9om\u00e9trique, et non \u00e0 l’esp\u00e9rance arithm\u00e9tique originale du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9.<\/p>\n

Enfin, le recours abusif \u00e0 l’\u00e9lagage des donn\u00e9es extr\u00eames (le \u00ab\u00a0trimming\u00a0\u00bb), consistant \u00e0 supprimer arbitrairement les observations situ\u00e9es au-del\u00e0 de deux ou trois \u00e9carts-types au-dessus de la moyenne pour forcer la normalit\u00e9, introduit un biais d’\u00e9chantillonnage d\u00e9l\u00e9t\u00e8re. Ces temps de latence excessivement longs ne constituent pas syst\u00e9matiquement du bruit exp\u00e9rimental ou des art\u00e9facts techniques ; ils v\u00e9hiculent une information psychologique fondamentale concernant l’\u00e9puisement des ressources attentionnelles, les lapsus cognitifs ou les strat\u00e9gies de contr\u00f4le ex\u00e9cutif. La mod\u00e9lisation directe au moyen de la distribution log-normale permet d’int\u00e9grer pleinement cette asym\u00e9trie intrins\u00e8que sans mutiler le jeu de donn\u00e9es empirique.<\/p>\n

2. L’\u00e9cosyst\u00e8me fonctionnel de la loi log-normale dans R<\/h2>\n

2.1 Analyse d\u00e9taill\u00e9e du quatuor fonctionnel de base<\/h3>\n

L’architecture logicielle de R int\u00e8gre nativement une approche modulaire coh\u00e9rente pour le traitement des lois de probabilit\u00e9. \u00c0 l’instar des autres distributions reconnues par le syst\u00e8me (comme norm<\/code>, beta<\/code>, ou gamma<\/code>), la loi log-normale est impl\u00e9ment\u00e9e au travers d’un quatuor de fonctions compl\u00e9mentaires, pr\u00e9fix\u00e9es par les lettres conventionnelles d<\/code>, p<\/code>, q<\/code> et r<\/code>, associ\u00e9es au radical lnorm<\/code>. Chacune de ces fonctions r\u00e9pond \u00e0 un objectif algorithmique pr\u00e9cis dans la cha\u00eene de traitement statistique.<\/p>\n

La fonction de densit\u00e9 de probabilit\u00e9, appel\u00e9e via dlnorm(x, meanlog = 0, sdlog = 1, log = FALSE)<\/code>, calcule la hauteur math\u00e9matique de la courbe de densit\u00e9 pour une valeur ou un vecteur de valeurs $x$<\/span> donn\u00e9es. Lorsque l’argument logique log<\/code> est activ\u00e9, la fonction renvoie le logarithme n\u00e9p\u00e9rien de la densit\u00e9, ce qui s’av\u00e8re indispensable lors des proc\u00e9dures d’optimisation num\u00e9rique pour l’estimation par le maximum de vraisemblance, \u00e9vitant ainsi les erreurs d’invalidation de calcul dues au sous-d\u00e9passement arithm\u00e9tique (underflow).<\/p>\n

Pour le calcul des probabilit\u00e9s cumul\u00e9es, R propose la fonction plnorm(q, meanlog = 0, sdlog = 1, lower.tail = TRUE, log.p = FALSE)<\/code>. Cette fonction \u00e9value l’int\u00e9grale de la densit\u00e9 depuis la borne inf\u00e9rieure z\u00e9ro jusqu’au quantile $q$<\/span>, correspondant \u00e0 $P(X le q)$<\/span>. L’argument lower.tail<\/code>, lorsqu’il est bascul\u00e9 sur FALSE<\/code>, calcule directement la probabilit\u00e9 de survie compl\u00e9mentaire $P(X > q)$<\/span>, garantissant une pr\u00e9cision num\u00e9rique consid\u00e9rablement sup\u00e9rieure pour l’exploration des valeurs extr\u00eames de la queue droite.<\/p>\n

La fonction r\u00e9ciproque des quantiles, qlnorm(p, meanlog = 0, sdlog = 1, lower.tail = TRUE, log.p = FALSE)<\/code>, d\u00e9termine la valeur de la variable al\u00e9atoire associ\u00e9e \u00e0 une probabilit\u00e9 cumulative $p$<\/span> donn\u00e9e. Elle r\u00e9sout num\u00e9riquement l’\u00e9quation $F(x) = p$<\/span> et s’av\u00e8re d\u00e9terminante pour calculer des intervalles de confiance th\u00e9oriques ou \u00e9tablir des percentiles psychom\u00e9triques normatifs. Enfin, la fonction rlnorm(n, meanlog = 0, sdlog = 1)<\/code> assure la g\u00e9n\u00e9ration de $n$<\/span> r\u00e9alisations pseudo-al\u00e9atoires stochastiques issues de la distribution cibl\u00e9e, reposant sur l’inversion ou la transformation exponentielle d’un tirage gaussien produit par le g\u00e9n\u00e9rateur de nombres al\u00e9atoires sous-jacent.<\/p>\n

2.2 Interpr\u00e9tation rigoureuse des arguments meanlog et sdlog<\/h3>\n

Une incompr\u00e9hension r\u00e9currente chez les utilisateurs novices de R r\u00e9side dans l’attribution erron\u00e9e de la moyenne arithm\u00e9tique et de l’\u00e9cart-type de l’\u00e9chantillon brut aux param\u00e8tres formels meanlog<\/code> et sdlog<\/code>. Il est imp\u00e9ratif de souligner avec insistance que meanlog<\/code> ($\\mu$<\/span>) ne correspond en aucun cas \u00e0 la moyenne arithm\u00e9tique $E(X)$<\/span> des donn\u00e9es observ\u00e9es, tout comme sdlog<\/code> ($\\sigma$<\/span>) ne refl\u00e8te pas la variance empirique brute. Ces param\u00e8tres repr\u00e9sentent exclusivement la moyenne et l’\u00e9cart-type de la distribution gaussienne latente obtenue apr\u00e8s transformation logarithmique n\u00e9p\u00e9rienne de la variable.<\/p>\n

Pour convertir les param\u00e8tres de l’\u00e9chelle logarithmique sous-jacente vers les moments arithm\u00e9tiques de la variable brute, les relations analytiques formelles suivantes doivent \u00eatre appliqu\u00e9es avec une grande rigueur :<\/p>\n