Calculateur de variance

Qu'est-ce que la variance ?

La variance mesure à quel point un ensemble de nombres s'écarte de leur valeur moyenne. Mathématiquement, c'est la moyenne des écarts carrés par rapport à la moyenne. Bien que l'écart-type soit plus couramment rapporté car il partage les mêmes unités que les données originales, la variance a des propriétés mathématiques fondamentales qui la rendent essentielle dans la théorie statistique et de nombreuses applications pratiques.

Si l'écart-type vous indique la « distance typique à la moyenne », la variance vous indique la « distance carrée typique à la moyenne ».

La formule

Variance de population ($\sigma^2$) :

$\sigma^2 = \frac{\sum_{i=1}^{N}(x_i - \mu)^2}{N}$

Variance d'échantillon ($s^2$) :

$s^2 = \frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{n - 1}$

Où :

• $x_i$ représente chaque valeur de donnée
• $\mu$ est la moyenne de population, $\bar{x}$ est la moyenne d'échantillon
• $N$ est la taille de population, $n$ est la taille d'échantillon
• $(n - 1)$ est la correction des degrés de liberté pour les échantillons

La relation entre variance et écart-type est simple :

$\text{Variance} = (\text{Écart-type})^2$

$\text{Écart-type} = \sqrt{\text{Variance}}$

Pourquoi la variance est importante

Élégance mathématique

La variance a des propriétés que l'écart-type n'a pas :

Additivité : Pour les variables aléatoires indépendantes, les variances s'additionnent :

$\text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y)$

Cela ne fonctionne pas pour les écarts-types : $ET(X + Y) \neq ET(X) + ET(Y)$

Cette additivité rend la variance essentielle dans la théorie du portefeuille, la propagation des erreurs et de nombreuses dérivations statistiques.

Fondement de la théorie statistique

La variance apparaît à travers toute la théorie statistique :

• Analyse de variance (ANOVA) : Partitionne la variance totale en composantes
• Régression : $R^2$ mesure la variance expliquée par le modèle
• Maximum de vraisemblance : Beaucoup d'estimateurs minimisent la variance
• Borne de Cramér-Rao : Fixe la variance minimale possible pour les estimateurs

Quantification du risque et de l'incertitude

En finance et en ingénierie, la variance représente l'incertitude qui peut être allouée, combinée et optimisée de manières que l'écart-type ne peut pas.

Applications pratiques

Théorie du portefeuille et investissement

La théorie moderne du portefeuille de Harry Markowitz utilise la variance comme mesure du risque d'investissement. L'insight clé : la variance du portefeuille dépend des variances des actifs individuels et de leurs covariances.

Formule de variance du portefeuille :

$\text{Var}(\text{Portefeuille}) = \sum_i \sum_j w_i w_j \sigma_{ij}$

Où $w_i$ et $w_j$ sont les poids des actifs, et $\sigma_{ij}$ est la covariance entre les actifs i et j.

Cette formule montre pourquoi la diversification fonctionne : combiner des actifs avec une faible covariance réduit la variance totale du portefeuille.

Analyse de variance (ANOVA)

L'ANOVA décompose la variance totale en :

• Variance inter-groupes : Différences entre les moyennes de groupe
• Variance intra-groupes : Variation au sein de chaque groupe

Si la variance inter-groupes dépasse significativement la variance intra-groupes, les groupes sont véritablement différents.

Exemple : Tester si trois méthodes d'enseignement produisent des résultats de tests différents. L'ANOVA partitionne la variance totale dans les scores pour déterminer si les différences de méthode sont statistiquement significatives.

Contrôle qualité

Les processus de fabrication suivent la variance pour assurer la cohérence. Bien que les cartes de contrôle affichent souvent l'écart-type, les tests statistiques sous-jacents utilisent la variance.

Test F pour variances égales : Compare la variance entre deux processus pour déterminer si l'un est plus cohérent que l'autre.

Analyse des erreurs de mesure

Lors de la combinaison de mesures provenant de plusieurs sources, les variances s'additionnent. Si une mesure finale dépend de trois mesures indépendantes avec des variances $\sigma_1^2$, $\sigma_2^2$ et $\sigma_3^2$ :

$\text{Variance totale} = \sigma_1^2 + \sigma_2^2 + \sigma_3^2$

Ce principe guide les ingénieurs pour identifier quelle composante de mesure contribue le plus à l'incertitude totale.

Génétique et héritabilité

Les généticiens partitionnent la variance phénotypique en :

• Variance génétique : Due aux différences génétiques
• Variance environnementale : Due aux différences environnementales

$\text{Héritabilité} = \frac{\text{Variance génétique}}{\text{Variance totale}}$

Ce rapport indique quelle part de la variation d'un trait est héritée.

Développement historique

Contributions précoces

Abraham de Moivre (1667-1754) a développé des concepts précoces de dispersion en étudiant la probabilité. Cependant, il s'est concentré sur « l'erreur probable » plutôt que sur la variance spécifiquement.

La naissance de la variance

Carl Friedrich Gauss (1777-1855) a utilisé les écarts carrés dans sa méthode des moindres carrés, reconnaissant que minimiser les erreurs carrées produit des estimations optimales. Cela a implicitement défini la variance comme la mesure clé de dispersion.

Karl Pearson (1857-1936) a formalisé la variance aux côtés de l'écart-type, reconnaissant l'utilité des deux mesures.

Correction de Bessel

Friedrich Bessel (1784-1846) a démontré que diviser par $(n-1)$ plutôt que $n$ produit une estimation non biaisée de la variance de population. La variance d'échantillon avec le dénominateur $n-1$ a :

$E[s^2] = \sigma^2$

Sans cette correction, la variance d'échantillon sous-estime systématiquement la variance de population.

Applications modernes

Ronald Fisher (1890-1962) a développé l'analyse de variance (ANOVA), révolutionnant la conception expérimentale et les tests statistiques.

Harry Markowitz (né en 1927) a reçu le prix Nobel d'économie pour avoir appliqué la variance à l'optimisation de portefeuille, fondant la théorie financière moderne.

Propriétés de la variance

Pourquoi mettre au carré les écarts ?

Plusieurs raisons motivent la mise au carré des écarts par rapport à la moyenne :

1. Élimination des négatifs

Les écarts par rapport à la moyenne somment à zéro : $\sum(x_i - \bar{x}) = 0$. Faire simplement la moyenne des écarts donnerait toujours zéro, ne nous disant rien sur la dispersion. La mise au carré rend tous les écarts positifs.

Alternative : Nous pourrions utiliser les valeurs absolues (conduisant à l'écart absolu moyen). Cependant...

2. Tractabilité mathématique

Les fonctions carrées sont différentiables partout, permettant l'optimisation basée sur le calcul. La valeur absolue a un point non différentiable à zéro.

3. Connexion à la distance euclidienne

La variance se rapporte à la géométrie euclidienne. L'écart-type est la distance quadratique moyenne par rapport à la moyenne, analogue à la distance euclidienne dans l'espace n-dimensionnel.

4. Additivité de la variance

Pour les variables indépendantes, $\text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y)$. Cette propriété, cruciale pour de nombreuses applications, ne vaut pas pour d'autres mesures de dispersion.

Propriétés mathématiques

1. Non-négativité : $\text{Var}(X) \geq 0$, avec $\text{Var}(X) = 0$ seulement lorsque toutes les valeurs égalent la moyenne.

2. Sensibilité à l'échelle : $\text{Var}(cX) = c^2 \times \text{Var}(X)$

Multiplier les données par une constante $c$ multiplie la variance par $c^2$. Cela diffère de l'écart-type, qui multiplie par $|c|$.

3. Invariance par translation : $\text{Var}(X + c) = \text{Var}(X)$

Ajouter une constante ne change pas la variance - la dispersion reste la même lors du décalage de toutes les valeurs.

4. Additivité pour variables indépendantes : $\text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y)$ lorsque X et Y sont indépendants.

Plus généralement : $\text{Var}(aX + bY) = a^2\text{Var}(X) + b^2\text{Var}(Y) + 2ab \cdot \text{Cov}(X,Y)$

Variance des distributions courantes

Ces formules dérivent de la définition : $\text{Var}(X) = E[(X - \mu)^2] = E[X^2] - (E[X])^2$

Décomposition de la variance

La loi de la variance totale établit :

$\text{Var}(X) = E[\text{Var}(X|Y)] + \text{Var}(E[X|Y])$

Cela décompose la variance totale en :

• Variance moyenne intra-groupe
• Variance des moyennes de groupe

Ce principe sous-tend l'ANOVA et la modélisation hiérarchique.

Compromis biais-variance

En apprentissage automatique et estimation statistique :

$\text{Erreur quadratique moyenne} = \text{Biais}^2 + \text{Variance}$

Les modèles peuvent être :

• Biais élevé, variance faible : Systématiquement erronés mais cohérents (sous-ajustement)
• Biais faible, variance élevée : Corrects en moyenne mais incohérents (sur-ajustement)

Les modèles optimaux équilibrent ce compromis.

Distribution de la variance d'échantillon

Pour les échantillons d'une distribution normale :

$\frac{(n-1)s^2}{\sigma^2} \sim \chi^2(n-1)$

Cette distribution chi-carré permet les intervalles de confiance et les tests d'hypothèses pour la variance. Le Calculateur de distribution chi-carré calcule ces probabilités.

Comparer deux variances : le test F

Le rapport de deux variances d'échantillon suit une distribution F :

$F = \frac{s_1^2}{s_2^2}$

Le Calculateur de distribution F détermine si les différences de variance observées sont statistiquement significatives.

Interpréter vos résultats

Lors de l'analyse de la variance :

1. Prendre la racine carrée : Pour l'interprétabilité, convertir en écart-type qui partage les unités avec vos données.

2. Comparer proportionnellement : Variance de {1, 2, 3} = 1, tandis que variance de {10, 20, 30} = 100. Ils sont également variables relativement à leurs moyennes. Utiliser le Calculateur de coefficient de variation pour des comparaisons équitables.

3. Vérifier les valeurs aberrantes : La mise au carré amplifie l'influence des valeurs aberrantes. Une valeur extrême peut gonfler dramatiquement la variance. Utiliser le Calculateur de valeurs aberrantes pour identifier de telles valeurs.

4. Considérer la variance poolée : Lors de la comparaison de groupes, la variance poolée combine les variances intra-groupes, en supposant l'homogénéité.

5. Tester l'homogénéité : Avant d'utiliser des tests qui supposent des variances égales, vérifier cette hypothèse avec le test de Levene ou de Bartlett.

Calculs associés

Après avoir calculé la variance, explorez :

• Calculateur d'écart-type — Racine carrée de la variance pour des unités interprétables
• Calculateur de moyenne — Le centre à partir duquel la variance mesure la dispersion
• Calculateur de coefficient de variation — Mesure de variabilité relative
• Calculateur de distribution F — Comparer deux variances
• Calculateur de distribution chi-carré — Distribution de variance pour données normales
• Calculateur d'intervalle interquartile — Mesure alternative robuste de dispersion

Résumé

La variance est l'un des concepts les plus importants en statistiques, servant de fondement à l'écart-type, l'ANOVA, l'analyse de régression, la théorie du portefeuille et d'innombrables autres applications. Bien que ses unités carrées la rendent moins intuitive que l'écart-type pour décrire les données, les propriétés mathématiques de la variance - en particulier son additivité pour les variables indépendantes - la rendent indispensable dans la théorie et la pratique statistiques. Comprendre la variance en profondeur enrichit votre capacité à analyser les données, quantifier l'incertitude et prendre des décisions éclairées en présence de variabilité.