Une série de notes, de mesures ou de temps d’attente peut avoir la même moyenne tout en étant beaucoup plus dispersée. Je présente ici la formule de la variance, la différence entre population et échantillon, un calcul détaillé, les raccourcis utiles et les erreurs qui faussent souvent le résultat.
Les repères essentiels pour calculer juste
- Variance signifie moyenne des écarts au carré par rapport à la moyenne.
- Pour une population complète, on divise par N.
- Pour estimer une population à partir d’un échantillon, on divise généralement par n - 1.
- Une variance s’exprime dans une unité au carré, contrairement à l’écart-type.
- La formule développée V = moyenne des carrés - carré de la moyenne accélère les calculs.
Comprendre ce que mesure la variance
La variance mesure la dispersion des valeurs autour de leur moyenne. Plus les observations s’éloignent du centre, plus les écarts au carré augmentent et plus la variance devient grande.
Le carré joue un double rôle. Il empêche les écarts positifs et négatifs de s’annuler, et il donne davantage de poids aux valeurs très éloignées. Une observation située deux fois plus loin de la moyenne contribue donc quatre fois plus au calcul.
La variance est toujours positive ou nulle. Elle vaut zéro uniquement lorsque toutes les valeurs sont identiques. En revanche, son unité est élevée au carré. Une variance de 4 cm2 ne se lit donc pas comme une distance moyenne de 4 cm.
Dans mes calculs, j’utilise surtout la variance pour comparer la régularité de deux séries. Pour une lecture plus intuitive, je reviens ensuite à l’écart-type, qui est la racine carrée de la variance et conserve la même unité que les données.
Choisir la bonne formule selon les données
Le premier choix ne concerne pas les chiffres, mais le statut de la série. Il faut savoir si l’on décrit toute la population étudiée ou si l’on utilise un échantillon pour estimer une population plus large.
| Situation | Formule | Notation courante |
|---|---|---|
| Population complète | σ2 = (1/N) × Σ(xi - μ)2 | σ2 |
| Échantillon utilisé pour estimer une population | s2 = (1/(n - 1)) × Σ(xi - x̄)2 | s2 |
| Série descriptive observée | V = (1/n) × Σ(xi - x̄)2 | V ou sn2 |
Dans la première formule, N est l’effectif total, xi une observation et μ la moyenne de la population. Dans la deuxième, n désigne la taille de l’échantillon et x̄ sa moyenne.
La division par n - 1 correspond à la correction de Bessel. Elle compense le fait que la moyenne de l’échantillon a déjà été calculée à partir des mêmes données. Si je décris simplement les données présentes dans mon tableau, la division par n peut être adaptée. Si je cherche à généraliser les résultats, n - 1 est généralement le choix statistique attendu.
Calculer la variance étape par étape
Prenons la série suivante, qui peut représenter quatre résultats obtenus à un contrôle : 8, 10, 12 et 10. La moyenne est égale à 10.
Je calcule maintenant l’écart de chaque valeur à cette moyenne, puis je mets chaque écart au carré.
| Valeur xi | Écart xi - x̄ | Écart au carré |
|---|---|---|
| 8 | -2 | 4 |
| 10 | 0 | 0 |
| 12 | 2 | 4 |
| 10 | 0 | 0 |
La somme des carrés vaut 8. Pour la série complète, la variance est donc V = 8 / 4 = 2. L’écart-type vaut √2, soit environ 1,41, ce qui est plus facile à interpréter sur l’échelle des notes.
Si ces quatre notes ne sont qu’un échantillon destiné à représenter une classe plus large, l’estimation corrigée devient s2 = 8 / 3, soit environ 2,67. Le résultat change uniquement à cause du dénominateur, mais la différence devient importante lorsque l’échantillon est petit.
Utiliser la formule développée et les effectifs
Quand les valeurs sont nombreuses, refaire chaque écart peut devenir fastidieux. J’utilise alors la forme développée, souvent appelée formule de König-Huygens pour une série descriptive :
V = (1/n) × Σxi2 - x̄2
Elle signifie que je calcule la moyenne des carrés, puis que je retire le carré de la moyenne. Avec la série 8, 10, 12, 10, la moyenne des carrés est (64 + 100 + 144 + 100) / 4 = 102, tandis que le carré de la moyenne vaut 100. On retrouve donc V = 102 - 100 = 2.
Pour une série présentée sous forme de tableau d’effectifs, chaque valeur est pondérée par son nombre d’apparitions. La formule devient :
V = (1/N) × Σnixi2 - x̄2
Par exemple, si une note 8 apparaît 3 fois, je remplace simplement son carré par 3 × 82. Cette méthode réduit considérablement le nombre de lignes et limite les erreurs de recopie dans les séries répétitives.
Un tableur peut aussi effectuer le calcul. Dans Excel ou Google Sheets, les fonctions VAR.P et VAR.S correspondent respectivement à la population complète et à l’échantillon. Je vérifie toujours le dénominateur utilisé par l’outil avant de reprendre le résultat dans un rapport.
Éviter les erreurs d’interprétation
La confusion la plus fréquente consiste à mélanger variance et écart-type. Une variance de 9 m2 correspond à un écart-type de 3 m, pas à une dispersion moyenne de 9 m.
Il faut aussi éviter de comparer directement des variances exprimées dans des unités différentes. Une variance en euros carrés et une variance en kilogrammes carrés ne sont pas comparables sans transformation ou indicateur adapté.
La variance est sensible aux valeurs extrêmes. Une seule mesure très éloignée peut l’augmenter fortement, même si la majorité des observations reste regroupée. Lorsque la série contient des valeurs atypiques, je complète donc l’analyse avec la médiane, l’intervalle interquartile ou un graphique.
Enfin, une faible variance ne prouve pas que les mesures sont justes. Elle indique seulement qu’elles sont peu dispersées entre elles. Un instrument peut produire des résultats très réguliers mais tous décalés par rapport à la vraie valeur.
Le bon réflexe avant d’annoncer une variance
Je commence par identifier la moyenne, l’effectif et le statut des données. Ensuite, je choisis entre la division par N et celle par n - 1, puis je contrôle l’unité et la présence éventuelle de valeurs extrêmes.
Pour une lecture concrète, j’accompagne presque toujours la variance de l’écart-type. La première est idéale pour les démonstrations et les modèles statistiques, tandis que le second permet de comprendre immédiatement l’ordre de grandeur de la dispersion.
