Une distribution est une forme
Les statistiques ont une géométrie
Tout jeu de données a une forme. Tracez les valeurs sur une droite numérique et empilez une barre à chaque endroit où elles se regroupent, et une silhouette apparaît : une bosse, une inclinaison asymétrique, une longue queue. Les statistiques donnent à cette forme des coordonnées.
Deux repères localisent le centre de la forme.
La moyenne est le centroïde : le point d'équilibre. Imaginez chaque valeur de données comme un poids égal posé sur un balancier étendu le long de la droite numérique. La moyenne est le pivot unique où le balancier s'équilibre. Les valeurs éloignées du centre exercent un levier exactement comme un enfant lourd placé loin sur un balancier : distance multipliée par le poids.
La médiane est le milieu par comptage : c'est la valeur pour laquelle la moitié des données se trouve en dessous et l'autre moitié au-dessus. Elle ne s'intéresse qu'à l'ordre et au nombre, jamais à l'écart d'une valeur par rapport au centre.
Sur une forme parfaitement symétrique, le point de pivot et le milieu coïncident : la moyenne est égale à la médiane. Dès que la symétrie est brisée, elles se séparent.
L'asymétrie (ou skew) est cette symétrie brisée. Une asymétrie à droite présente une longue queue s'étirant vers les valeurs élevées (comme quelques milliardaires dans un jeu de données sur les revenus). Ces poids éloignés tirent le point d'équilibre vers la queue, si bien que la moyenne se situe à droite de la médiane. Une asymétrie à gauche est l'image miroir.
C'est pourquoi le revenu médian des ménages et le revenu moyen des ménages diffèrent : la géométrie d'une forme déséquilibrée tire le centroïde loin du milieu par comptage.
Dans quelle direction la moyenne se déplace-t-elle ?
Une ville publie les revenus de ses ménages. La plupart des familles gagnent entre 40 000 et 90 000, mais quelques résidents gagnent plusieurs millions. La forme de la distribution des revenus présente une longue queue s'étirant vers la droite.
À quelle distance du centre se situe la valeur typique ?
La dispersion est une distance
Le centroïde vous indique où la forme est en équilibre. Il ne dit rien sur la largeur de la forme. Deux ensembles de données peuvent partager une moyenne identique tout en ayant des apparences très différentes : l'un est compactement regroupé autour du centre, l'autre est largement dispersé.
L'écart-type (sigma) mesure la dispersion : c'est, en effet, la distance typique d'une valeur par rapport à la moyenne. Un petit sigma signifie une forme étroite et haute, collée au centre. Un grand sigma signifie une forme large et plate, s'étendant loin de part et d'autre.
Considérez deux archers. Tous deux visent en moyenne le centre : leur centroïde se situe sur la cible. L'archer A regroupe toutes ses flèches à moins d'une largeur de main du centre (petit sigma). L'archer B disperse ses flèches sur toute la cible, mais les ratés s'annulent de sorte que la moyenne indique toujours le centre (grand sigma). Même moyenne, dispersion opposée. La moyenne seule ne permet pas de les distinguer ; l'écart-type, si.
Géométriquement, sigma fixe l'échelle horizontale de la distribution. Étirer une forme plus largement sans déplacer son point d'équilibre revient à augmenter sigma tout en maintenant la moyenne fixe. Ce seul nombre, la largeur de la forme, est ce sur quoi repose l'idée suivante.
Même centre, largeur différente
Deux usines remplissent chacune des sacs avec un poids moyen de 500 grammes. L'usine A a un écart-type de 4 grammes. L'usine B a un écart-type de 20 grammes.
Un client rejette tout sac dont le poids diffère de 500 grammes de plus de 15 grammes.
L'erreur qui diminue comme 1 sur racine de n
De la dispersion des données à la dispersion d'une estimation
Vous mesurez rarement une population entière. Vous prenez un échantillon et calculez sa moyenne comme estimation. Prenez un autre échantillon et vous obtenez une moyenne légèrement différente. Ces moyennes d'échantillon ont leur propre forme : la distribution d'échantillonnage, centrée sur la moyenne réelle.
Sa largeur a un nom : l'erreur standard de la moyenne.
SE = sigma / sqrt(n)
où sigma est l'écart des valeurs individuelles et n est la taille de l'échantillon. L'erreur standard est la distance typique entre une moyenne d'échantillon et la moyenne vraie : c'est l'écart de votre estimation, et non celui des données brutes.
La géométrie réside dans cette racine carrée. SE diminue en 1/sqrt(n), et non en 1/n. Moyenner davantage de mesures resserre la distribution d'échantillonnage, mais avec des rendements décroissants : chaque nouvelle observation procure moins de réduction que la précédente.
La conséquence brutale : pour DIVISER PAR DEUX l'erreur standard, il faut QUADRUPER la taille de l'échantillon. Passer de n = 100 à n = 200 ne divise pas votre erreur par deux ; il vous faut n = 400. La précision est coûteuse car elle évolue avec la racine carrée.
Les courbes ci-dessus partagent un même centre et rétrécissent en largeur lorsque n passe de 25 à 100 puis à 400, sigma étant maintenu à 20. Lisez la SE à chaque étape : 4, puis 2, puis 1.
Calculer l'erreur standard
Une population de scores de tests a un écart-type sigma = 20. Vous tirez un échantillon de taille n = 100 et calculez sa moyenne.
Quand l'axe ment
Géométrie truquée
Un graphique est une traduction géométrique : les nombres deviennent des longueurs, des aires et des pentes que l'œil lit instantanément. Si l'on triche dans cette traduction, l'œil rapporte un mensonge que les données n'ont jamais énoncé.
Axe tronqué. Un histogramme doit faire démarrer son axe des valeurs à zéro, afin que la hauteur des barres reste proportionnelle à la valeur. Si l'on fait démarrer l'axe à, disons, 95 au lieu de 0, une hausse de 100 à 102 (un changement réel de 2 %) remplit le cadre comme si elle était énorme. Les longueurs tracées ne correspondent plus aux ratios des nombres. Sur un graphique en courbes, la même astuce accentue chaque pente : une progression douce se lit comme une falaise, car l'échelle verticale a été compressée sur une fenêtre étroite.
Inflation de la pente. La pente est le rapport de la montée à la course. Réduisez l'étendue des valeurs que l'axe couvre (la course des valeurs affichées) tout en gardant la hauteur en pixels fixe, et chaque montée sera redessinée plus raide. La tendance n'a pas changé ; seule la géométrie du cadre a changé.
Distorsion aire contre longueur. Pour montrer qu'une quantité double, un graphique honnête double UNE dimension : une barre deux fois plus haute. Un graphique malhonnête redimensionne une icône ou un cercle en LARGEUR et en HAUTE, de sorte qu'une valeur 2x devient une image avec 4x l'aire. L'œil juge l'aire, donc un doublement paraît comme un quadruplement. Les graphiques à bulles abusent constamment de cela lorsqu'ils associent la valeur au rayon au lieu de l'associer à l'aire, car l'aire croît comme le carré du rayon.
L'habitude professionnelle : vérifier où commence l'axe, vérifier si c'est la longueur ou l'aire qui encode la valeur, et rééchelonner mentalement avant de faire confiance à la forme.
Diagnostiquer la distorsion
Un tableau de bord montre un chiffre d'affaires trimestriel qui passe de 100 à 104 millions. Pour rendre cette progression spectaculaire, le concepteur fait démarrer l'axe vertical à 98 au lieu de 0. Un second panneau représente la même progression de 4 % en représentant une icône de sac d'argent agrandie de 4 % à la fois en largeur et en hauteur.
La forme, l'étalement, l'erreur, l'axe
Appliquer ces concepts
Les tableaux de bord automatisés dessinent la forme pour vous. Ils affichent les barres, ajustent la courbe, animent la tendance. Ce qu'ils ne peuvent pas faire, c'est lire la géométrie avec discernement. C'est le rôle du professionnel.
Un lecteur entraîné effectue quatre vérifications sur tout graphique :
- Centroïde. Où la forme est-elle équilibrée, et une asymétrie tire-t-elle la moyenne loin de la médiane ? Une moyenne unique rapportée peut masquer une réalité déséquilibrée.
- Étalement. Quelle est l'amplitude de la forme ? Une moyenne qui semble fiable, mais construite sur une grande variance, est un coup de pièce en costume-cravate.
- Erreur d'échantillonnage. Quelle était la taille de n ? L'estimation comporte un écart-type de sigma/sqrt(n), et un échantillon minuscule signifie un intervalle large et peu fiable, quelle que soit la netteté du chiffre principal.
- Géométrie de l'axe. L'axe des valeurs commence-t-il à zéro ? La quantité est-elle encodée par la longueur ou par la surface ? Un axe truqué transforme une erreur d'arrondi en révolution.
Le tableau de bord fournit l'image. Vous fournissez le scepticisme. Un graphique dont la géométrie des axes est truquée, ou dont l'échantillon est trop petit, suscite la méfiance, quelle que soit sa finition.
Lire ce tableau de bord
Le tableau de bord d'une startup proclame : le revenu moyen par utilisateur a AUGMENTÉ ce trimestre. La petite mention : la moyenne provient d'un échantillon de n = 9 utilisateurs, dont deux sont des comptes d'entreprise de très grande taille, et l'axe du graphique à barres commence à 90 % de la valeur du trimestre précédent.
Géométrie des statistiques : Résumé
Ce que vous avez appris
La statistique est la géométrie portant des nombres :
- La moyenne est un centroïde : le point d'équilibre des données. L'asymétrie tire ce pivot vers la longue queue, de sorte qu'une forme asymétrique à droite a une moyenne > médiane. La médiane ne compte que les positions, elle résiste donc à cette traction.
- L'écart-type est la dispersion : la distance typique par rapport au centre, la largeur de la forme. Deux distributions peuvent partager une moyenne tout en différant considérablement dans la mesure où leurs valeurs s'écartent.
- L'erreur d'échantillonnage est sigma/sqrt(n) : la largeur de la distribution d'échantillonnage. Elle diminue comme 1/sqrt(n), donc réduire votre erreur de moitié coûte un échantillon quatre fois plus grand. La précision est achetée par la racine carrée.
- La géométrie de l'axe peut mentir : un axe tronqué découple la longueur de la valeur et accentue la pente ; l'échelle d'une icône en deux dimensions fait croître la surface comme le carré du facteur, de sorte que l'œil interprète un doublement comme un quadruplement.
Les tableaux de bord automatisés dessinent la forme. Le professionnel l’interprète : il localise le centroïde, évalue l’étalement, pondère l’erreur d’échantillonnage et se méfie de tout graphique dont la géométrie des axes est truquée. L’image est le plancher ; le jugement est le plafond.