Introduction à la règle empirique

La règle empirique, souvent appelée règle 68-95-99,7, est un principe statistique fondamental qui décrit comment les points de données sont répartis dans une distribution normale en forme de cloche. Elle fournit une façon rapide et intuitive d'estimer la diffusion des données autour de la moyenne en utilisant seulement l'écart moyen et standard. Pour les étudiants, les enseignants et les professionnels qui analysent les ensembles de données, cette règle offre un raccourci puissant pour comprendre la variabilité et prédire où la plupart des observations tomberont.

Dans de nombreux scénarios réels, les ensembles de données sont approximatifs d'une distribution normale – hauteurs, scores de test, erreurs de mesure et de nombreux traits biologiques. Lorsque les données sont à peu près symétriques et unimodales, la règle empirique vous donne un sens immédiat de la concentration et de la dispersion des données. Elle sert également de vérification de la santé mentale : si vos données suivent la règle de près, vous avez de fortes preuves que la distribution est normale.

Comprendre la distribution normale

Qu'est-ce qu'une distribution normale?

Une distribution normale est une distribution de probabilité continue qui est symétrique autour de la moyenne. Sa forme est souvent décrite comme une courbe de -bell.

  • La moyenne, la médiane et le mode sont égaux et situés au centre.
  • La distribution est parfaitement symétrique : les moitiés gauche et droite sont des images miroirs.
  • Les queues approchent de l'axe horizontal mais ne le touchent jamais, ce qui signifie que des valeurs extrêmes sont possibles mais très rares.
  • L'écart est déterminé par l'écart type (ε). Plus l'écart type est grand, plus la courbe est large et plus la courbe est plate; plus la courbe est petite, plus la courbe est grande et plus grande.

Pour des raisons pratiques, de nombreux ensembles de données sont approximativement normaux, même si ce n'est pas parfaitement. La règle empirique fonctionne bien pour ces approximations, à condition que la distribution soit unimodale et non fortement biaisée.

Le rôle de la déviation standard

L'écart type est une mesure de la répartition des valeurs des données par rapport à la moyenne. Dans une distribution normale, l'écart type définit les points d'inflexion sur la courbe, où la courbure passe de concave à convexe. La règle empirique utilise des multiples de ε pour définir les intervalles qui capturent des pourcentages spécifiques des données. Un écart type par rapport à la moyenne comprend la partie centrale où la plupart des grappes de données; deux et trois écarts types capturent encore plus.

La règle empirique expliquée (68-95-99.7)

La règle est précise et facile à retenir:

  • 68 % des données se situent dans un écart type de la moyenne (μ ± 1).
  • 95% des données se situent dans deux écarts types (μ ± 2ε).
  • 99,7% des données se situent dans trois écarts types (μ ± 3).

Ces pourcentages proviennent des propriétés mathématiques de la distribution normale et sont exacts pour des données parfaitement normales. Pour les données réelles, ils servent d'approximations. La règle est la plus utile pour les distributions symétriques en forme de cloche sans aberration majeure.

Comment appliquer la règle empirique

Guide étape par étape

Pour utiliser efficacement la règle, vous avez besoin de deux nombres : la moyenne (moyenne) et l'écart-type de vos données.

  1. Identifier la moyenne (μ) et l'écart type (ε) à partir de votre ensemble de données ou de la déclaration de problème.
  2. Calculer les plages- Oui.
    • Un intervalle de ε: (μ – ε) à (μ + ε)
    • Deux intervalles de ε: (μ – 2ε) à (μ + 2ε)
    • Trois intervalles de ε: (μ – 3ε) à (μ + 3ε)
  3. Interprétation des pourcentages: Environ 68 % des données se trouvent dans le premier intervalle, 95 % dans le second et 99,7% dans le troisième.
  4. Vérifier la normalité: Si votre ensemble de données est important et correspond approximativement à ces pourcentages, il supporte l'hypothèse de la normalité.

La règle peut également être utilisée en sens inverse : si vous savez qu'un ensemble de données est normal, vous pouvez estimer la proportion de données au-dessus ou en dessous d'un certain seuil en comptant le nombre d'écarts-types qui s'en dégagent.

Exemple détaillé avec les scores d'essai

Considérez une classe de 200 étudiants qui ont passé un examen de mathématiques. Les scores sont normalement répartis avec une moyenne (μ) de 78 et un écart-type (ε) de 6.

  • 68% des scores (environ 136 étudiants) score entre 72 et 84 (78 ± 6).
  • 95% des scores (environ 190 étudiants) score entre 66 et 90 (78 ± 12).
  • 99,7% des scores (environ 199 étudiants) score entre 60 et 96 (78 ± 18).

Maintenant, quelle est la probabilité qu'un étudiant sélectionné au hasard ait obtenu un score supérieur à 90? Un score de 90 est exactement 2ε au-dessus de la moyenne (78 + 12). Puisque 95 % des données se trouvent à ±2ε, cela laisse 5 % à l'extérieur – 2,5 % au-dessus de 90 et 2,5 % au-dessous de 66.

Exemple avec tolérances de fabrication

Une usine produit des boulons d'un diamètre cible de 10 mm. Le processus de production donne des diamètres normalement distribués avec un écart type de 0,1 mm. Pour assurer la qualité, l'entreprise rejette tout boulon de plus de 0,3 mm de la cible (c'est-à-dire extérieur à 9,7 mm à 10,3 mm). Selon la règle empirique, 99,7 % des boulons se situent à ±3α (10 ± 0,3 mm). Ainsi, seulement 0,3 % des boulons (environ 3 sur 1 000) seront rejetés, en supposant que le processus reste en contrôle.

Applications du monde réel

Éducation et notation des tests

Les tests standardisés comme les tests SAT, GRE et IQ sont conçus pour avoir une distribution normale. Les scores de test sont souvent rapportés avec des percentiles dérivés de la règle empirique. Par exemple, un score IQ de 130 est 2ε au-dessus de la moyenne (μ=100, ε=15), le plaçant autour du 97,5e percentile. Les éducateurs et les agents d'admission utilisent ces points de repère pour comparer les étudiants.

Contrôle de qualité et Six Sigma

Dans la fabrication, la règle empirique sous-tend la méthodologie Six Sigma. Un processus fonctionnant à -six sigma , vise à avoir seulement 3.4 défauts par million d'opportunités, ce qui correspond à être 4.5. American Society for Quality , six ressources Sigma- Oui.

Finances et évaluation des risques

On suppose souvent que les rendements des placements sont distribués normalement pour simplifier. La règle empirique aide à estimer la probabilité de pertes ou de gains extrêmes. Par exemple, si un stock a un rendement annuel moyen de 8 % avec un écart-type de 15 %, il y a 95 % de chances que le rendement annuel se situe entre -22% et 38% (μ ± 2ε). Il s'agit d'une évaluation des risques brute mais utile. Guide Investopedia- Oui.

Santé et biologie

De nombreuses mesures biologiques, comme la pression artérielle, les taux de cholestérol et les hauteurs, sont approximativement normales. La règle empirique aide les cliniciens à interpréter les résultats de laboratoire. Par exemple, si la pression artérielle systolique a une moyenne de 120 mmHg et de φ de 10 mmHg, alors 95 % des personnes en bonne santé ont une pression comprise entre 100 et 140 mmHg.

Psychologie et sciences sociales

Les psychologues utilisent la règle empirique pour interpréter les scores sur les tests de personnalité, les évaluations cognitives et les sondages. Elle fournit une base pour comprendre comment une réponse est typique.

Hypothèses et limites

La normalité est critique

La règle empirique s'applique strictement aux données qui suivent une distribution normale. Si les données sont biaisées, bimodales ou ont des queues lourdes, la règle peut donner des estimations trompeuses. Par exemple, dans une distribution fortement biaisée à droite comme le revenu, la moyenne peut être tirée à droite, et le pourcentage dans ±1ε pourrait être bien inférieur à 68 %. Il est essentiel de vérifier la forme de la distribution avant d'appliquer la règle.

Considérations relatives à la taille de l'échantillon

Pour les petits échantillons, la moyenne de l'échantillon et l'écart type ne reflètent pas exactement les paramètres de la population. La règle empirique est plus fiable avec de grands ensembles de données (n ≥ 30) qui approximent la distribution de la population.

Outliers et skewness

Si des valeurs aberrantes sont présentes, elles peuvent tirer la moyenne et gonfler φ, ce qui entraîne des intervalles plus larges qu'elles ne devraient l'être. Examinez toujours vos données pour des valeurs extrêmes. Si des valeurs aberrantes existent, envisagez d'utiliser des mesures statistiques robustes ou de transformer les données. NIST , Manuel de statistiques techniques sur la détection aberrante- Oui.

La règle ne montre pas la forme

La règle empirique ne donne que des pourcentages pour les intervalles symétriques autour de la moyenne. Elle n'indique pas si les données sont vraiment en forme de cloche. Par exemple, une distribution uniforme à ±1ε aurait toujours environ 58 % des données à l'intérieur de cet intervalle, et non 68 %. Par conséquent, la règle ne devrait pas être utilisée comme unique contrôle de la normalité; méthodes graphiques et tests statistiques (p. ex. Shapiro-Wilk) sont recommandés.

Relation avec le théorème de Chebyshev

Le théorème de Chebyshev est une règle plus générale qui s'applique à toute distribution, quelle que soit sa forme. Il indique que pour tout ensemble de données, au moins (1 – 1/k2) des données se situent dans les écarts types k de la moyenne, pour k > 1. Pour k=2, cela donne au moins 75% (par rapport à la règle empirique 95%). Pour k=3, au moins 88,9% (par rapport à 99,7%). Le théorème de Chebyshev est beaucoup plus faible mais a l'avantage de ne pas exiger la normalité.

Lorsque vous soupçonnez une distribution normale, la règle empirique fournit des estimations beaucoup plus serrées. Wikipédia- Oui.

Conseils pratiques pour l'utilisation de la règle empirique

  • Toujours tracer les données d'abord. Créer un histogramme ou un graphique de densité pour vérifier la symétrie et la forme de la cloche.
  • Utilisez la règle pour des estimations mentales grossières. C'est un excellent outil pour les calculs de l'enveloppe, surtout lorsque vous devez communiquer rapidement avec des non-statisticiens.
  • Méfiez-vous des écarts types multiples. La règle n'est pas additive; les pourcentages se réfèrent à des intervalles cumulatifs. Par exemple, les données entre 1ε et 2ε sont d'environ 13,5 % (étant donné que 95 % comprend les 68 % à l'intérieur de 1ε, laissant 27 % de division entre les deux queues : 13,5 % de chaque côté).
  • Combiner avec les z-scores. Pour des calculs plus précis, utilisez z-scores et des tables de probabilité normales. La règle empirique donne une approximation rapide; la table z donne des zones exactes sous la courbe.
  • Appliquer en sens inverse pour détecter la non-normalité. Si vos données diffèrent considérablement de celles de 68-95-99,7, reconsidérez l'hypothèse de la normalité.

Conclusion

La règle empirique est l'un des outils les plus accessibles et les plus utiles dans les statistiques d'introduction. En ne connaissant que l'écart moyen et standard, vous pouvez immédiatement estimer la plage qui contient la majorité des points de données – 68 %, 95 % et 99,7% respectivement dans un, deux et trois écarts-types. Cette règle permet aux étudiants, aux enseignants, aux analystes et aux professionnels d'interpréter rapidement les distributions de données et de prendre des décisions éclairées sans logiciel spécialisé ou calculs complexes.

Cependant, son pouvoir est fourni avec une condition : les données doivent être distribuées approximativement normalement. Vérifiez toujours cette hypothèse avec des vérifications visuelles et, si nécessaire, avec des tests formels de normalité. Lorsqu'elles sont utilisées de façon appropriée, la règle empirique fournit une base solide pour l'analyse des données, le contrôle de la qualité, l'évaluation des risques et d'innombrables autres applications. Vidéo de Khan Academy sur la Règle Empiricale offrir un excellent apprentissage complémentaire.

Rappelez-vous : dans les statistiques, une règle de pouce n'est pas une preuve, mais elle peut être un guide. La règle empirique reste un raccourci fiable et éprouvé dans le temps pour donner un sens à des données normales – un véritable cheval de travail pour quiconque travaille avec des chiffres.