Écart type vs variance : comprendre les différences clés

Qu'est-ce que la variance ?

La variance (désignée par σ² pour une population et s² pour un échantillon) est une mesure statistique de la dispersion entre les nombres d'un jeu de données. Elle représente la moyenne des carrés des écarts par rapport à la moyenne (μ). En mettant les écarts au carré, la variance s'assure que les écarts négatifs et positifs ne s'annulent pas mutuellement, fournissant ainsi une véritable mesure de la dispersion. Cependant, comme les écarts sont élevés au carré, l'unité résultante de la variance est le carré de l'unité des données originales, ce qui la rend un peu abstraite à interpréter directement.

Qu'est-ce que l'écart type ?

L'écart type (désigné par σ pour une population et s pour un échantillon) est la racine carrée de la variance. Il mesure l'écart moyen entre les points de données individuels et la moyenne. Comme il est obtenu en prenant la racine carrée de la variance, l'écart type s'exprime dans les mêmes unités que les données originales, ce qui le rend beaucoup plus intuitif et interprétable pour des applications concrètes. Il s'agit de la mesure de dispersion statistique la plus couramment utilisée.

Écart type vs variance : les différences clés

Bien que les deux métriques quantifient la dispersion des points de données autour de la moyenne, leur relation mathématique et leur utilité pratique diffèrent considérablement. La différence fondamentale réside dans leurs unités et leur interprétabilité. L'écart type est la racine carrée de la variance, ce qui ramène la mesure de dispersion aux unités d'origine des données. La variance, étant une valeur au carré, pondère de façon disproportionnée les valeurs aberrantes, ce qui la rend très sensible aux valeurs extrêmes.

Formules pour population vs échantillon

Lors du calcul de ces métriques, il faut distinguer une population d'un échantillon. Une population inclut tous les membres d'un groupe spécifié, tandis qu'un échantillon est un sous-ensemble de cette population. L'utilisation de la formule de l'échantillon avec un dénominateur de (n - 1) — connue sous le nom de correction de Bessel — corrige le biais inhérent à l'estimation de la variance de la population à partir d'un échantillon, garantissant ainsi que l'estimateur est sans biais.

Quand utiliser la variance ou l'écart type

Le choix entre la variance et l'écart type dépend entièrement de votre objectif analytique. Si vous communiquez la dispersion de vos données à un public non technique, l'écart type est le grand gagnant, car il s'aligne sur les unités naturelles des données. Cependant, si vous effectuez des calculs statistiques intermédiaires — comme le calcul de la statistique F dans l'ANOVA, l'évaluation des risques dans la théorie moderne du portefeuille ou la réalisation de tests d'hypothèse — la variance est mathématiquement plus pratique.

Calcul de l'écart type et de la variance en Python

Le module `statistics` de Python offre des fonctions intégrées pour la variance et l'écart type. Lors de l'utilisation de ces fonctions, il est crucial de sélectionner la bonne méthode selon que vos données représentent une population ou un échantillon.

import statistics

# Jeu de données d'échantillon
data = [14, 18, 12, 15, 11]

# Calcul de la variance et de l'écart type de l'échantillon
sample_var = statistics.variance(data)
sample_sd = statistics.stdev(data)

# Calcul de la variance et de l'écart type de la population
pop_var = statistics.pvariance(data)
pop_sd = statistics.pstdev(data)

print(f"Variance de l'échantillon : {sample_var:.2f}")
print(f"Écart type de l'échantillon : {sample_sd:.2f}")
print(f"Variance de la population : {pop_var:.2f}")
print(f"Écart type de la population : {pop_sd:.2f}")

Foire aux questions

• La variance peut-elle être négative ? Non, comme la somme des carrés des écarts (xᵢ - μ)² est toujours égale à zéro ou à une valeur positive, la variance ne peut jamais être négative.
• Pourquoi l'écart type est-il préféré à la variance pour les rapports ? L'écart type est préféré parce qu'il partage les mêmes unités que la moyenne, ce qui rend son contextualisation et son interprétation avec les données brutes beaucoup plus faciles.
• La variance est-elle la même chose que l'erreur quadratique moyenne (MSE) ? Elles sont similaires, mais le MSE mesure généralement la différence quadratique moyenne entre les valeurs estimées et la valeur réelle, tandis que la variance mesure la dispersion autour de la moyenne. Si l'estimateur est la moyenne, le MSE est égal à la variance.