La moyenne ne raconte pas toute l’histoire

Dire que quelque chose se produit en moyenne donne l’impression que la description est complète. Mais une moyenne peut masquer des valeurs extrêmes, des groupes différents ou un échantillon mal choisi. Le calcul n’est pas forcément erroné : il peut répondre à une question différente de celle que le lecteur imagine. La première étape consiste à distinguer l’opération mathématique de son interprétation.

Un exemple que nous pouvons vérifier

Prenons cinq temps d’attente fictifs, exprimés en minutes : 2, 3, 3, 4 et 18. Leur somme est 30 et la moyenne arithmétique est 6. La médiane, la valeur centrale des données ordonnées, est 3. Les deux résultats sont corrects. Pourtant, dire que le temps d’attente habituel était de six minutes peut donner une image peu fidèle de quatre des cinq expériences.

Cet exemple est original et pédagogique ; il ne décrit aucun service réel. L’explication des mesures de tendance centrale d’OpenStax fournit les définitions qui permettent de le vérifier. La moyenne utilise les valeurs de toutes les observations ; la médiane dépend de leur position dans l’ordre.

Ce qui se passe si nous modifions une valeur extrême

Remplaçons 18 par 38. La somme est maintenant de 50 et la moyenne passe à 10, tandis que la médiane reste à 3. Il ne s’agit pas d’une compétition entre une mesure bonne et une autre mauvaise. Nous constatons qu’elles réagissent différemment à une modification de l’ensemble. C’est précisément cette différence que nous devons parfois communiquer.

La moyenne est utile si nous voulons répartir le temps total entre le nombre de personnes. La médiane peut aider si nous cherchons la valeur qui laisse la moitié des observations de chaque côté. Si la pire expérience nous préoccupe, aucune des deux ne suffit : nous devrions examiner la distribution, ses extrêmes et la fréquence à laquelle ils apparaissent.

La dispersion est aussi une information

Deux groupes peuvent avoir la même moyenne et des comportements très différents. Dans un exemple imaginaire, le groupe A contient 5, 5 et 5 ; le groupe B contient 1, 5 et 9. La moyenne des deux est 5. Mais le second présente un écart plus important entre les observations. Les résumer par le même chiffre effacerait cette différence.

Le guide des mesures de dispersion du NIST décrit des façons de quantifier la dispersion. L’étendue examine les extrêmes ; d’autres mesures utilisent les écarts par rapport à une valeur centrale ou les positions dans les données ordonnées. Chaque choix présente des sensibilités différentes. Un graphique de points peut être plus révélateur que l’ajout d’un chiffre sans explication.

Plus de données ne résolvent pas tous les problèmes

Avant d’interpréter un échantillon, nous devons savoir d’où il provient. Interroger uniquement les personnes qui ont répondu volontairement peut produire une composition différente de celle de la population que nous cherchons à décrire. Augmenter le nombre de réponses recueillies par le même mécanisme ne garantit pas l’élimination du biais de sélection.

L’introduction à l’échantillonnage d’OpenStax permet de distinguer la population, l’échantillon et la variation. Si un titre parle de toutes les personnes alors que l’étude a observé un groupe particulier, la possibilité de généraliser exige des arguments supplémentaires. La précision d’une opération ne remplace pas la qualité du plan d’étude.

Les intervalles ne disent pas tous la même chose

Un écart-type résume la variation entre les données ; un intervalle de confiance pour une moyenne porte sur l’estimation d’un paramètre selon une procédure et des hypothèses données. Ce sont des objets différents. Le NIST explique les conditions des intervalles pour la moyenne. Ajouter des barres à un graphique sans préciser ce qu’elles représentent laisse planer une ambiguïté importante.

Le simple fait que deux intervalles se chevauchent ou soient visuellement séparés ne suffit pas à résoudre toute comparaison. Il faut connaître le plan d’étude, les dépendances entre les observations et l’analyse utilisée. L’interprétation d’un résultat doit respecter ces conditions.

Ce qu’il faut demander à un résumé

Un résumé utile précise la variable, son unité, la taille de l’échantillon, son mode de sélection et la mesure centrale présentée. Il ajoute une description de la dispersion et explique comment les valeurs extrêmes ont été traitées. Si des sous-groupes pertinents existent, les présenter peut éviter des conclusions trompeuses sur l’ensemble.

Avec ces informations, la moyenne retrouve sa place : un outil précis au sein d’une description plus large. La question n’est plus de savoir si nous devons croire aux moyennes, mais à quelle question cette moyenne répond, avec quelles données et quelles limites.

Représenter avant de résumer

Le guide du diagramme en boîte du NIST réunit position centrale et dispersion dans une même représentation. Une boîte ne remplace pas les données : elle résume une distribution au moyen de quantiles, et la convention utilisée pour les moustaches doit être expliquée. Un point signalé comme atypique mérite que l’on examine son origine ; cela n’autorise pas à le supprimer pour obtenir une moyenne plus commode.

Pour un petit échantillon comme nos temps d’attente fictifs, afficher les observations individuelles présente un avantage : chacun peut recalculer le résumé. Dans le graphique en barres ci-joint, chaque barre correspond à un temps d’attente, et non à une catégorie de population. Nous n’estimons pas le fonctionnement d’un service et ne construisons pas d’intervalle de confiance.

La question quelle expérience était habituelle doit être distinguée de celle du temps total cumulé. Le tableau conserve les deux résumés et montre ce qui a changé après le remplacement de la valeur extrême. Les calculs peuvent être reproduits sans supposer une distribution normale ni présenter l’exercice comme une étude.