Certains points semblent loin du centre seulement parce que les variables sont mesurées sur des échelles différentes, et d’autres semblent proches tout en étant étranges vu la façon dont les variables varient ensemble. Le calculateur de distance de Mahalanobis prend le point, les moyennes, les écarts types et la corrélation de deux variables, et donne la distance de Mahalanobis, son carré, la distance standardisée sans la corrélation, la part de la population plus éloignée et la distance simple.
Comment se fait le calcul
- Saisissez le point à tester, par ses valeurs sur deux variables X et Y, par exemple les notes d’un élève à deux examens.
- Saisissez la moyenne et l’écart type de chaque variable dans le groupe, et la corrélation entre elles.
- Chaque écart est d’abord standardisé : zx = (x − moyenne) ÷ écart type. La distance au carré est D² = (zx² − 2 × r × zx × zy + zy²) ÷ (1 − r²).
- Dans un groupe normal, 95 % des points sont à D = 2,448 ou moins et 99 % à D = 3,035 ou moins. Pour deux variables, la part plus éloignée vaut e^(−D²/2).
Exemple
Un élève obtient 85 en maths (moyenne 70, écart type 10) et 90 en physique (moyenne 65, écart type 12), et les deux examens ont une corrélation de 0,6. Les écarts standardisés sont 1,5 et 2,083. Sans la corrélation, la distance serait de 2,567. Avec la corrélation, D² = (2,25 − 2 × 0,6 × 1,5 × 2,083 + 4,340) ÷ 0,64 = 4,438, donc D = 2,107. Environ 10,9 % des élèves sont plus éloignés du centre. L’élève est dans l’ellipse à 95 %, car une bonne note en maths va en général avec une bonne note en physique.
Pourquoi c’est utile
La détection de valeurs aberrantes, le contrôle qualité, le repérage de fraudes et la classification ont tous besoin d’une distance qui respecte les données. La distance de Mahalanobis en est la réponse classique, et la calculer pour deux variables montre exactement ce qu’elle fait avant de l’utiliser sur des dizaines de variables avec un logiciel.
À savoir
Le calculateur vaut pour deux variables et suppose une loi normale à deux dimensions, ce qui rend les seuils exacts. Les données réelles peuvent avoir des queues lourdes, et la moyenne et la covariance peuvent elles-mêmes être tirées par les valeurs aberrantes. Pour plus de variables, il faut une matrice de covariance et les seuils de la loi du khi-deux avec plus de degrés de liberté.
Outils liés
Le calculateur de score z standardise une variable, celui de loi normale donne des chances pour une variable, celui de covariance donne le lien entre deux, et celui de distance de Manhattan mesure un autre type de distance.