Philosophical Transactions of the Royal Society of London<\/em>. Pearson cherchait alors \u00e0 formaliser l’\u00e9tude des distributions asym\u00e9triques biologiques o\u00f9 le centre de gravit\u00e9 moyen ne co\u00efncidait plus avec le morphotype dominant de la population.<\/p>\nDans le domaine discret, si $X$<\/span> est une variable prenant des valeurs dans un ensemble d\u00e9nombrable avec une fonction de masse de probabilit\u00e9 $p(x) = \\mathbb{P}(X = x)$<\/span>, le mode se d\u00e9finit math\u00e9matiquement comme l’\u00e9l\u00e9ment $M_o$<\/span> qui maximise cette probabilit\u00e9 ponctuelle :<\/p>\n$$M_o = arg\\max_{x} \\mathbb{P}(X = x)$$<\/span><\/p>\nDans l’univers des variables al\u00e9atoires absolument continues caract\u00e9ris\u00e9es par une fonction de densit\u00e9 de probabilit\u00e9 $f(x)$<\/span> contin\u00fbment d\u00e9rivable, le mode correspond \u00e0 tout point $x$<\/span> satisfaisant les conditions analytiques classiques d’extremum local : une d\u00e9riv\u00e9e premi\u00e8re nulle et une d\u00e9riv\u00e9e seconde strictement n\u00e9gative :<\/p>\n$$f'(M_o) = 0 \\quad \\text{et} \\quad f\u00a0\u00bb(M_o) < 0$$<\/span><\/p>\n\u00c0 l’instar de la moyenne (qui minimise la norme $L_2$<\/span>) et de la m\u00e9diane (qui minimise la norme $L_1$<\/span>), le mode poss\u00e8de une interpr\u00e9tation variationnelle directe en th\u00e9orie de la d\u00e9cision : il est le minimiseur de la fonction de perte 0-1, couramment associ\u00e9e \u00e0 la pseudo-norme $L_0$<\/span>. Cette fonction attribue une p\u00e9nalit\u00e9 nulle en cas de pr\u00e9diction exacte et une p\u00e9nalit\u00e9 constante de 1 pour toute erreur, quelle que soit son amplitude :<\/p>\n$$M_o = arg\\min_{c} \\sum_{i=1}^{n} \\mathbb{I}(x_i \\neq c)$$<\/span><\/p>\no\u00f9 $\\mathbb{I}$<\/span> est la fonction indicatrice. Le mode constitue l’unique mesure de tendance centrale math\u00e9matiquement valide sur l’\u00e9chelle nominale de Stevens. En l’absence totale de hi\u00e9rarchie ordinale ou de structure m\u00e9trique (par exemple pour analyser la r\u00e9partition des groupes sanguins, des langues maternelles ou des pannes techniques), la moyenne et la m\u00e9diane sont totalement ind\u00e9finies, laissant le mode comme le seul descripteur central possible.<\/p>\n3.2 Typologies structurelles : Unimodalit\u00e9, bimodalit\u00e9 et multimodalit\u00e9<\/h3>\n
Contrairement \u00e0 la moyenne arithm\u00e9tique et \u00e0 la m\u00e9diane qui jouissent, sous les hypoth\u00e8ses standards, d’une unicit\u00e9 fonctionnelle sur un \u00e9chantillon donn\u00e9, le mode se caract\u00e9rise par une multiplicit\u00e9 structurelle intrins\u00e8que. Une distribution statistique est qualifi\u00e9e d’unimodale<\/strong> lorsqu’elle ne pr\u00e9sente qu’un unique pic de fr\u00e9quence ou de densit\u00e9 pro\u00e9minent. C’est le cas classique des lois normales, exponentielles ou de Poisson standards, o\u00f9 un processus stochastique homog\u00e8ne engendre une concentration dominante autour d’un attracteur central unique.<\/p>\nToutefois, de nombreux ph\u00e9nom\u00e8nes naturels ou sociaux se manifestent sous la forme de distributions bimodales<\/strong> ou multimodales<\/strong>, pr\u00e9sentant deux ou plusieurs sommets de densit\u00e9 distincts. Cette pluralit\u00e9 des modes ne constitue pas une anomalie math\u00e9matique, mais fournit un signal diagnostique sur la structure de la population. Une distribution bimodale r\u00e9v\u00e8le presque toujours un m\u00e9lange sous-jacent de sous-populations h\u00e9t\u00e9rog\u00e8nes. Par exemple, la distribution de la masse corporelle des adultes au sein d’une esp\u00e8ce animale pr\u00e9sente fr\u00e9quemment deux modes distincts, correspondant respectivement aux m\u00e2les et aux femelles (dimorphisme sexuel). Tenter de synth\u00e9tiser une telle s\u00e9rie par une m\u00e9diane unique reviendrait \u00e0 situer la valeur de r\u00e9f\u00e9rence dans le creux s\u00e9parant les deux pics, masquant la v\u00e9ritable nature duale de la r\u00e9alit\u00e9 observ\u00e9e.<\/p>\nEnfin, il existe des configurations distributionnelles caract\u00e9ris\u00e9es par l’amodalit\u00e9<\/strong>, c’est-\u00e0-dire l’absence totale de mode identifiable. Le cas le plus embl\u00e9matique est celui de la distribution uniforme continue sur un intervalle born\u00e9 $[a, b]$<\/span>, o\u00f9 la fonction de densit\u00e9 $f(x) = \\frac{1}{b-a}$<\/span> demeure parfaitement plane et constante sur l’ensemble de son support. Aucun point de la distribution ne poss\u00e8de une densit\u00e9 de probabilit\u00e9 sup\u00e9rieure \u00e0 un autre, rendant la notion de mode inop\u00e9rante. De m\u00eame, au sein d’un \u00e9chantillon discret continu sans r\u00e9plication o\u00f9 chaque valeur n’appara\u00eet qu’une seule fois, aucun mode empirique brut ne peut \u00eatre extrait sans discr\u00e9tisation pr\u00e9alable.<\/p>\n3.3 M\u00e9canismes d’estimation pour variables continues et group\u00e9es<\/h3>\n
L’estimation du mode pour des donn\u00e9es cat\u00e9gorielles ou discr\u00e8tes est imm\u00e9diate : elle consiste \u00e0 dresser une table de contingence des fr\u00e9quences observ\u00e9es et \u00e0 extraire la modalit\u00e9 associ\u00e9e \u00e0 l’effectif maximal. En revanche, pour des variables continues ou des donn\u00e9es regroup\u00e9es en classes d’intervalles $[L_i, L_{i+1}[$<\/span>, l’identification du mode requiert une mod\u00e9lisation plus pouss\u00e9e. La classe modale est d\u00e9finie comme la classe pr\u00e9sentant la densit\u00e9 de fr\u00e9quence la plus \u00e9lev\u00e9e (en pond\u00e9rant l’effectif par l’amplitude de la classe afin de neutraliser les disparit\u00e9s de maillage). Pour estimer la valeur ponctuelle du mode \u00e0 l’int\u00e9rieur de cette classe modale, les statisticiens ont d\u00e9velopp\u00e9 la m\u00e9thode d’interpolation parabolique, formalis\u00e9e par l’\u00e9quation des diff\u00e9rences finies :<\/p>\n$$M_o = L + \\left( \\frac{\\Delta_1}{\\Delta_1 + \\Delta_2} \\right) \\times a$$<\/span><\/p>\nDans cette formulation :<\/p>\n
\n- $L$<\/span> repr\u00e9sente la borne inf\u00e9rieure de la classe modale ;<\/li>\n
- $a$<\/span> d\u00e9signe l’amplitude de la classe modale ;<\/li>\n
- $\\Delta_1 = f_{\\text{modal}} – f_{\\text{modal}-1}$<\/span> mesure l’\u00e9cart positif de densit\u00e9 entre la classe modale et la classe qui la pr\u00e9c\u00e8de imm\u00e9diatement ;<\/li>\n
- $\\Delta_2 = f_{\\text{modal}} – f_{\\text{modal}+1}$<\/span> mesure l’\u00e9cart positif de densit\u00e9 entre la classe modale et la classe qui lui succ\u00e8de imm\u00e9diatement.<\/li>\n<\/ul>\n
Dans l’analyse moderne de donn\u00e9es continues non group\u00e9es, cette approche empirique par histogramme a \u00e9t\u00e9 supplant\u00e9e par des m\u00e9thodes non param\u00e9triques d’Estimation de Densit\u00e9 par Noyaux (KDE, pour Kernel Density Estimation<\/em>), issues des travaux fondateurs d’Emanuel Parzen et Murray Rosenblatt. L’estimateur de densit\u00e9 \u00e0 noyau s’exprime sous la forme :<\/p>\n$$\\hat{f}_h(x) = \\frac{1}{nh} \\sum_{i=1}^{n} K\\left( \\frac{x – x_i}{h} \\right)$$<\/span><\/p>\no\u00f9 $K$<\/span> repr\u00e9sente un noyau de lissage sym\u00e9trique (g\u00e9n\u00e9ralement gaussien) et $h > 0$<\/span> la largeur de fen\u00eatre (bandwidth<\/em>). Le mode de la distribution continue est alors d\u00e9termin\u00e9 en appliquant des algorithmes de recherche d’extremum \u2014 tels que l’algorithme du Mean Shift<\/em> \u2014 sur la fonction continue $\\hat{f}_h(x)$<\/span>. Cette approche met en lumi\u00e8re la d\u00e9pendance critique du mode continu vis-\u00e0-vis de l’hyperparam\u00e8tre $h$<\/span> : une fen\u00eatre de lissage trop \u00e9troite g\u00e9n\u00e8re une prolif\u00e9ration de modes artificiels issus du bruit d’\u00e9chantillonnage (surajustement), tandis qu’une fen\u00eatre excessivement large fusionne les sommets r\u00e9els et lisse ind\u00fbment la topologie de la distribution (sous-ajustement).<\/p>\n3.4 Avantages descriptifs et vuln\u00e9rabilit\u00e9s inh\u00e9rentes<\/h3>\n
L’atout majeur du mode r\u00e9side dans son intelligibilit\u00e9 cognitive imm\u00e9diate. Dans le langage courant et l’analyse d\u00e9cisionnelle rapide, le mode incarne l’arch\u00e9type empirique, le choix le plus probable ou le comportement majoritaire. Dans l’industrie manufacturi\u00e8re, la confection textile ou le commerce de d\u00e9tail, un gestionnaire n’organise pas sa production en fonction de la taille moyenne ou m\u00e9diane des consommateurs, mais calibre prioritairement ses lignes d’assemblage sur la taille modale (la plus vendue), garantissant ainsi l’ad\u00e9quation imm\u00e9diate de l’offre avec le volume pr\u00e9dominant de la demande.<\/p>\n
Par ailleurs, la neutralit\u00e9 structurelle du mode \u00e0 l’\u00e9gard de toute relation d’ordre lui conf\u00e8re une universalit\u00e9 typologique inaccessible aux autres param\u00e8tres. Il est parfaitement licite d’extraire la couleur de voiture la plus achet\u00e9e ou le motif de consultation m\u00e9dicale le plus fr\u00e9quent dans un service d’urgence, op\u00e9rations o\u00f9 la m\u00e9diane est rigoureusement inexistante.<\/p>\n
En contrepartie, le mode pr\u00e9sente des vuln\u00e9rabilit\u00e9s statistiques notables. Sa robustesse d’\u00e9chantillonnage est m\u00e9diocre d\u00e8s lors qu’on manipule des variables quantitatives continues de taille mod\u00e9r\u00e9e. Une l\u00e9g\u00e8re translation d’une fraction minime d’observations peut modifier substantiellement la classe modale d’un histogramme en fonction du d\u00e9coupage initial des bornes. Cette instabilit\u00e9 num\u00e9rique fait du mode un estimateur au pouvoir inf\u00e9rentiel limit\u00e9 dans les mod\u00e8les math\u00e9matiques avanc\u00e9s. De surcro\u00eet, le mode ignore compl\u00e8tement la dispersion globale et l’\u00e9talement des donn\u00e9es : deux distributions aux profils morphologiques totalement oppos\u00e9s peuvent arborer le m\u00eame mode si leurs pics de fr\u00e9quence co\u00efncident, privant l’analyste de toute visibilit\u00e9 sur la variance, l’aplatissement ou les queues de distribution.<\/p>\n
4. Diff\u00e9rences fondamentales entre la m\u00e9diane et le mode<\/h2>\n4.1 \u00c9chelle de mesure et champ d’application typologique<\/h3>\n
L’incompatibilit\u00e9 op\u00e9ratoire entre la m\u00e9diane et le mode sur certaines typologies de variables constitue leur ligne de d\u00e9marcation la plus nette. La m\u00e9diane exige imp\u00e9rativement que les donn\u00e9es puissent faire l’objet d’un classement s\u00e9quentiel. Elle s’\u00e9panouit pleinement sur les \u00e9chelles ordinales, d’intervalles et de rapports, mais demeure incapable de traiter les r\u00e9pertoires qualitatifs nominaux non ordonn\u00e9s. Calculer la m\u00e9diane d’une variable comme la \u00ab confession religieuse \u00bb ou le \u00ab secteur professionnel \u00bb rel\u00e8ve de l’absurdit\u00e9 formelle, car aucune convention universelle ne permet de poser $A < B < C$ sans corrompre l'arbitraire du codage cat\u00e9goriel.<\/p>\n
\u00c0 l’inverse, le mode d\u00e9montre une ubiquit\u00e9 scalaire totale. Il s’applique avec une \u00e9gale l\u00e9gitimit\u00e9 aux variables qualitatives nominales, aux variables ordinales et aux variables m\u00e9triques discr\u00e8tes ou continues. Cependant, son efficacit\u00e9 pratique s’amenuise \u00e0 mesure que l’on progresse vers des variables purement continues sans regroupement pr\u00e9alable en classes. Dans une distribution continue th\u00e9orique, la probabilit\u00e9 que deux observations ind\u00e9pendantes prennent exactement la m\u00eame valeur r\u00e9elle est formellement nulle ($\\mathbb{P}(X_1 = X_2) = 0$<\/span>). Sans recours \u00e0 des m\u00e9thodes d’estimation de densit\u00e9, le mode empirique brut y est donc ind\u00e9fini, l\u00e0 o\u00f9 la m\u00e9diane empirique s’obtient de fa\u00e7on d\u00e9terministe via la statistique d’ordre centrale.<\/p>\nLe tableau analytique suivant synth\u00e9tise les contrastes fondamentaux structurant la th\u00e9orie et l’utilisation de ces deux estimateurs :<\/p>\n
\n\n\n| Dimension d’analyse<\/th>\n | La M\u00e9diane<\/th>\n | Le Mode<\/th>\n<\/tr>\n<\/thead>\n |
\n\nD\u00e9finition math\u00e9matique<\/strong><\/td>\n| 50e centile ($q_{0{,}5}$<\/span>) divisant l’\u00e9chantillon ordonn\u00e9 en deux effectifs \u00e9gaux.<\/td>\n | Point d’accumulation maximisant la fonction de masse ou la densit\u00e9 de probabilit\u00e9.<\/td>\n<\/tr>\n | \nFonction de perte minimis\u00e9e<\/strong><\/td>\n| Perte absolue (Norme $L_1$<\/span>) : $\\min \\sum |x_i – c|$<\/span>.<\/td>\n | Perte z\u00e9ro-un (Pseudo-norme $L_0$<\/span>) : $\\min \\sum \\mathbb{I}(x_i \\neq c)$<\/span>.<\/td>\n<\/tr>\n\n\u00c9chelle de mesure minimale (Stevens)<\/strong><\/td>\n| \u00c9chelle ordinale (n\u00e9cessite une relation d’ordre total).<\/td>\n | \u00c9chelle nominale (op\u00e8re sur tout type de r\u00e9pertoire cat\u00e9goriel).<\/td>\n<\/tr>\n | \nUnicit\u00e9 de l’estimateur<\/strong><\/td>\n| Garantie pour les variables continues ; fix\u00e9e par convention du milieu pour les s\u00e9ries paires.<\/td>\n | Non garantie : distributions unimodales, bimodales, multimodales ou amodales.<\/td>\n<\/tr>\n | \nPoint de rupture fini ($\\varepsilon^*$<\/span>)<\/strong><\/td>\n| Atteint la borne th\u00e9orique maximale de 50 % ($0{,}50$<\/span>).<\/td>\n | Variable et instable : fonction de la concentration de l’\u00e9chantillon ($1 – p_{\\max}$<\/span>).<\/td>\n<\/tr>\n\nComplexit\u00e9 computationnelle<\/strong><\/td>\n| $O(n log n)$<\/span> via tri comparatif, ou $O(n)$<\/span> via algorithme Quickselect.<\/td>\n | $O(n)$<\/span> via table de hachage discr\u00e8te ; $O(n log n)$<\/span> \u00e0 $O(n^2)$<\/span> via lissage par noyau continu.<\/td>\n<\/tr>\n\nSensibilit\u00e9 aux valeurs extr\u00eames (outliers)<\/strong><\/td>\n| Insensible aux amplitudes extr\u00eames des observations p\u00e9riph\u00e9riques.<\/td>\n | Totalement insensible aux queues de distribution et aux valeurs isol\u00e9es.<\/td>\n<\/tr>\n | \nInvariance par transformation<\/strong><\/td>\n| Invariante sous toute transformation monotone croissante stricte : $\\text{Med}(g(X)) = g(\\text{Med}(X))$<\/span>.<\/td>\n | Invariante sous toute transformation bijective continue : $\\text{Mode}(g(X)) = g(\\text{Mode}(X))$<\/span>.<\/td>\n<\/tr>\n\nSensibilit\u00e9 au d\u00e9coupage en classes (binning)<\/strong><\/td>\n| Tr\u00e8s faible : l’interpolation lin\u00e9aire reste stable aux variations mod\u00e9r\u00e9es de maillage.<\/td>\n | Extr\u00eamement forte : l’emplacement du pic peut basculer d’une classe \u00e0 l’autre selon l’amplitude $a$<\/span>.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n4.2 Unicit\u00e9 de la mesure et comportement face \u00e0 la distribution<\/h3>\nL’opposition entre la m\u00e9diane et le mode se manifeste de mani\u00e8re \u00e9clatante dans leur comportement face \u00e0 la morphologie d’une distribution. La m\u00e9diane garantit toujours l’identification d’une valeur de r\u00e9f\u00e9rence unique (ou d’un intervalle m\u00e9dian conventionnellement r\u00e9duit \u00e0 son centre de gravit\u00e9). Cette propri\u00e9t\u00e9 d’unicit\u00e9 conf\u00e8re \u00e0 la m\u00e9diane une pr\u00e9visibilit\u00e9 g\u00e9om\u00e9trique propice \u00e0 la normalisation de seuils institutionnels : il n’existe qu’une seule m\u00e9diane pour les revenus d’un pays, \u00e9liminant toute ambigu\u00eft\u00e9 sur la fronti\u00e8re d\u00e9limitant la moiti\u00e9 la plus modeste de la population.<\/p>\n Le mode, \u00e0 l’inverse, capture l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interne d’un jeu de donn\u00e9es en autorisant la multiplicit\u00e9 de ses sommets. Dans le cas d’une polarisation sociopolitique, d’une distribution d’\u00e2ges dans une station baln\u00e9aire hors saison (accueillant principalement des retrait\u00e9s et de jeunes travailleurs saisonniers) ou de la r\u00e9partition spatiale de cellules infect\u00e9es, la pr\u00e9sence de deux modes disjoints documente fid\u00e8lement la scission du syst\u00e8me \u00e9tudi\u00e9. L\u00e0 o\u00f9 le mode identifie le sommet des masses, la m\u00e9diane traverse la distribution sans n\u00e9cessairement s’arr\u00eater sur un point dense, se positionnant fr\u00e9quemment au milieu du gu\u00e9, dans des zones de vide empirique. Cette divergence spatiale d\u00e9montre que la m\u00e9diane s\u00e9pare la masse de probabilit\u00e9 totale, tandis que le mode refl\u00e8te la concentration locale la plus probable.<\/p>\n 4.3 Comportement math\u00e9matique et complexit\u00e9 computationnelle<\/h3>\nSur le plan de l’optimisation math\u00e9matique, la dualit\u00e9 entre la norme $L_1$<\/span> (m\u00e9diane) et la pseudo-norme $L_0$<\/span> (mode) entra\u00eene des cons\u00e9quences algorithmiques majeures. La m\u00e9diane op\u00e8re sur une m\u00e9trique continue de distance absolue, ce qui implique que chaque \u00e9l\u00e9ment d’un \u00e9chantillon contribue \u00e0 orienter la recherche vers le centre par son signe :<\/p>\n$$\\text{signe}(x_i – c)$$<\/span><\/p>\nLe mode, fond\u00e9 sur la fonction indicatrice discr\u00e8te, ne re\u00e7oit aucun signal directionnel de la part des observations qui ne lui sont pas strictement \u00e9gales. Cette caract\u00e9ristique rend l’optimisation de type gradient inop\u00e9rante pour le mode brut, n\u00e9cessitant des strat\u00e9gies de comptage fr\u00e9quentiel ou de convolution de noyaux r\u00e9gularisants.<\/p>\n En termes de complexit\u00e9 computationnelle, identifier le mode sur un \u00e9chantillon discret de taille $n$<\/span> s’effectue en temps lin\u00e9aire optimal $O(n)$<\/span> et en espace $O(u)$<\/span> (o\u00f9 $u le n$<\/span> repr\u00e9sente le nombre de modalit\u00e9s uniques) en employant une table de hachage associant chaque modalit\u00e9 \u00e0 son compteur d’occurrences. Pour la m\u00e9diane, l’obtention de la statistique d’ordre via un tri complet requiert un temps $O(n log n)$<\/span>, bien que des algorithmes de s\u00e9lection d’ordre tels que Quickselect ou introselect permettent d’abaisser l’esp\u00e9rance math\u00e9matique de la complexit\u00e9 temporelle \u00e0 $O(n)$<\/span> sans mobiliser de m\u00e9moire additionnelle substantielle ($O(1)$<\/span> en espace auxiliaire).<\/p>\nEnfin, leur comportement sous transformation fonctionnelle expose des divergences alg\u00e9briques nettes. Si une variable $X$<\/span> subit une transformation $Y = g(X)$<\/span>, la m\u00e9diane commute parfaitement avec toute fonction monotone : $\\text{Med}(g(X)) = g(\\text{Med}(X))$<\/span>. En revanche, si la transformation $g$<\/span> n’est pas monotone mais demeure bijective, la m\u00e9diane perd cette propri\u00e9t\u00e9 de pr\u00e9servation directe de rang, tandis que le mode conserve sa position de maximum de densit\u00e9 sous r\u00e9serve d’ajuster l’\u00e9quation par le d\u00e9terminant jacobien de la transformation pour les densit\u00e9s continues :<\/p>\n$$f_Y(y) = f_X(g^{-1}(y)) left| \\frac{d}{dy} g^{-1}(y) right|$$<\/span><\/p>\nCette correction jacobienne peut d\u00e9caler l’emplacement spatial du pic de densit\u00e9 chez les variables continues, une subtilit\u00e9 th\u00e9orique qui \u00e9chappe souvent aux praticiens non avertis.<\/p>\n 5. Similitudes et points de convergence<\/h2>\n5.1 R\u00f4le non param\u00e9trique et rejet de la lin\u00e9arit\u00e9 stricte<\/h3>\nEn d\u00e9pit de leurs disparit\u00e9s architecturales, la m\u00e9diane et le mode partagent une parent\u00e9 \u00e9pist\u00e9mologique majeure : leur \u00e9mancipation vis-\u00e0-vis des hypoth\u00e8ses param\u00e9triques strictes. Contrairement \u00e0 la moyenne arithm\u00e9tique \u2014 intimement li\u00e9e aux moments d’ordre un de la distribution et indissociable du calcul de la variance d’ordre deux \u2014, la m\u00e9diane et le mode s’extraient de la contrainte des moments math\u00e9matiques. Une distribution ne poss\u00e9dant ni esp\u00e9rance finie ni variance d\u00e9finie (comme la loi de Cauchy standard, de densit\u00e9 $f(x) = \\frac{1}{\\pi (1 + x^2)}$<\/span>) poss\u00e8de n\u00e9anmoins une m\u00e9diane th\u00e9orique et empirique parfaitement calibr\u00e9e ($m = 0$<\/span>) ainsi qu’un mode unique ($M_o = 0$<\/span>).<\/p>\nCette ind\u00e9pendance \u00e0 l’\u00e9gard de l’int\u00e9gration des puissances de la variable conf\u00e8re \u00e0 la m\u00e9diane et au mode un statut privil\u00e9gi\u00e9 dans la panoplie des statistiques non param\u00e9triques. Tous deux rejettent la m\u00e9trique quadratique de l’espace euclidien classique, refusant d’accorder aux valeurs extr\u00eames une force de rappel proportionnelle \u00e0 leur \u00e9loignement num\u00e9rique. Cette imperm\u00e9abilit\u00e9 relative aux queues de distribution en fait des instruments privil\u00e9gi\u00e9s pour capturer la morphologie intrins\u00e8que des donn\u00e9es massives sans postuler a priori que le ph\u00e9nom\u00e8ne observ\u00e9 \u00e9merge d’un processus additif gaussien.<\/p>\n 5.2 Co\u00efncidence g\u00e9om\u00e9trique dans les lois parfaitement sym\u00e9triques<\/h3>\nL’un des th\u00e9or\u00e8mes g\u00e9om\u00e9triques les plus \u00e9l\u00e9gants de la statistique descriptive stipule que si une variable al\u00e9atoire $X$<\/span> poss\u00e8de une fonction de densit\u00e9 continue $f(x)$<\/span> satisfaisant une condition de sym\u00e9trie axiale parfaite autour d’un centre $\\theta$<\/span>, telle que :<\/p>\n$$f(\\theta + x) = f(\\theta – x) \\quad \\forall x in \\mathbb{R}$$<\/span><\/p>\net si cette distribution est strictement unimodale, alors la moyenne arithm\u00e9tique ($\\mu$<\/span>), la m\u00e9diane ($m$<\/span>) et le mode ($M_o$<\/span>) co\u00efncident de mani\u00e8re d\u00e9terministe et s’alignent rigoureusement sur l’axe de sym\u00e9trie :<\/p>\n$$\\mu = m = M_o = \\theta$$<\/span><\/p>\nCette \u00e9galit\u00e9 parfaite se v\u00e9rifie rigoureusement pour la famille des lois normales $\\mathcal{N}(\\mu, \\sigma^2)$<\/span>, la loi logistique, la loi de Student univari\u00e9e ainsi que la distribution de Laplace double-exponentielle. Au fur et \u00e0 mesure que la taille d’un \u00e9chantillon s’accro\u00eet et sous r\u00e9serve des conditions stipul\u00e9es par le Th\u00e9or\u00e8me Central Limite, les estimateurs empiriques de la m\u00e9diane et de la moyenne convergent asymptotiquement vers ce m\u00eame point attracteur central $\\theta$<\/span>.<\/p>\nToutefois, d\u00e8s que la sym\u00e9trie est bris\u00e9e \u2014 ph\u00e9nom\u00e8ne quantifi\u00e9 analytiquement par le coefficient d’asym\u00e9trie de Fisher-Pearson (skewness<\/em>) \u2014, ces trois indicateurs se d\u00e9solidarisent suivant une trajectoire g\u00e9om\u00e9trique ordonn\u00e9e le long du gradient de d\u00e9formation de la courbe. L’alignement de la m\u00e9diane et du mode ne se maintient donc que sous l’empire d’une sym\u00e9trie rigoureuse, faisant de leur co\u00efncidence un cas d’\u00e9cole id\u00e9alis\u00e9 plut\u00f4t que la norme empirique des jeux de donn\u00e9es r\u00e9els.<\/p>\n5.3 R\u00e8gle empirique de Pearson et d\u00e9tection de l’asym\u00e9trie<\/h3>\nObservant la dispersion relative des trois mesures centrales lors de ses travaux biom\u00e9triques sur des distributions mod\u00e9r\u00e9ment asym\u00e9triques, Karl Pearson a formul\u00e9 une relation heuristique c\u00e9l\u00e8bre, d\u00e9sormais pass\u00e9e \u00e0 la post\u00e9rit\u00e9 sous le nom de r\u00e8gle empirique de Pearson<\/strong> :<\/p>\n$$\\text{Moyenne} – \\text{Mode} \\approx 3 \\times (\\text{Moyenne} – \\text{M\u00e9diane})$$<\/span><\/p>\nCette relation semi-empirique, bien qu’approximative et non universelle, fournit une intuition g\u00e9om\u00e9trique profonde sur la hi\u00e9rarchie spatiale des estimateurs le long d’une distribution unimodale asym\u00e9trique :<\/p>\n \n- Asym\u00e9trie positive (\u00e9talement vers la droite \/ queue droite allong\u00e9e) :<\/strong> Le mode demeure ancr\u00e9 sur le pic de concentration maximal \u00e0 gauche, la moyenne est fortement aspir\u00e9e vers la droite par les quelques valeurs g\u00e9antes de la queue de distribution, et la m\u00e9diane s’intercale rigoureusement entre les deux, absorbant mod\u00e9r\u00e9ment l’asym\u00e9trie :
\n $$M_o < m < \\mu$$<\/span><\/li>\n- Asym\u00e9trie n\u00e9gative (\u00e9talement vers la gauche \/ queue gauche allong\u00e9e) :<\/strong> La moyenne est tir\u00e9e vers les valeurs minimales, le mode se maintient sur le sommet \u00e0 droite, et la m\u00e9diane se positionne de nouveau au centre de l’intervalle :
\n $$\\mu < m < M_o$$<\/span><\/li>\n<\/ul>\nDans l’ing\u00e9nierie moderne des donn\u00e9es et l’exploration visuelle par diagrammes de violon (violin plots<\/em>) et bo\u00eetes \u00e0 moustaches (boxplots<\/em>), la mesure de la distance s\u00e9parant la m\u00e9diane du mode constitue un indicateur diagnostique direct. Une divergence drastique entre ces deux rep\u00e8res alerte instantan\u00e9ment le mod\u00e9lisateur sur l’invalidit\u00e9 des hypoth\u00e8ses de normalit\u00e9 standard et signale la pr\u00e9sence d’une distorsion morphologique s\u00e9v\u00e8re au sein du jeu d’observations.<\/p>\n6. Quand utiliser l’un ou l’autre : Guide pratique et crit\u00e8res de choix<\/h2>\n6.1 S\u00e9lection bas\u00e9e sur le type de donn\u00e9es et l’\u00e9chelle<\/h3>\nLe premier filtre d\u00e9cisionnel guidant le choix entre la m\u00e9diane et le mode repose sur la nature ontologique de la variable collect\u00e9e et sur son positionnement dans la grille de Stevens. Lorsque la variable est qualitative nominale, le d\u00e9bat th\u00e9orique est clos par l’absence d’alternative : le mode s’impose comme la seule mesure math\u00e9matiquement recevable. C’est le cas lors de l’analyse des r\u00e9sultats d’un scrutin \u00e9lectoral uninominal \u00e0 un tour (le candidat victorieux repr\u00e9sentant le mode de la distribution des suffrages), de la taxonomie des diagnostics nosologiques d’une cohorte clinique, ou de la typologie des d\u00e9faillances r\u00e9seau au sein d’une infrastructure infonuagique.<\/p>\n Lorsque la variable rel\u00e8ve d’une \u00e9chelle ordinale o\u00f9 les modalit\u00e9s traduisent des degr\u00e9s d’intensit\u00e9 ou des niveaux hi\u00e9rarchiques d\u00e9pourvus de m\u00e9trique m\u00e9trologique rigide (par exemple les \u00e9chelles de Likert \u00e0 cinq ou sept points : \u00ab tout \u00e0 fait en d\u00e9saccord \u00bb jusqu’\u00e0 \u00ab tout \u00e0 fait d’accord \u00bb), la m\u00e9diane s’\u00e9tablit comme le descripteur central optimal. Calculer le mode sur une \u00e9chelle de Likert pr\u00e9sente l’inconv\u00e9nient d’ignorer l’ordonnancement s\u00e9quentiel des r\u00e9ponses, se bornant \u00e0 d\u00e9signer la modalit\u00e9 la plus fr\u00e9quente au d\u00e9triment de l’orientation globale de la cohorte. La m\u00e9diane int\u00e8gre pleinement la hi\u00e9rarchie des rangs sans commettre la faute statistique consistant \u00e0 moyenner des scores discrets subjectifs.<\/p>\n Pour les variables quantitatives d’intervalles et de rapports, l’arbre de d\u00e9cision s’oriente en fonction de la structure continue ou discr\u00e8te de la donn\u00e9e et des objectifs analytiques poursuivis :<\/p>\n \n- Si la variable est continue et que l’objectif est d’isoler un seuil de coupure d\u00e9mographique, actuariel ou clinique garantissant une \u00e9quipartition des effectifs, la m\u00e9diane doit \u00eatre prioris\u00e9e sans r\u00e9serve.<\/li>\n
- Si la variable quantitative est discr\u00e9tis\u00e9e et que l’objectif op\u00e9rationnel concerne le dimensionnement d’une capacit\u00e9 unitaire, l’allocation de ressources \u00e0 forte fr\u00e9quence ou le choix d’un calibre dominant, le mode devient la r\u00e9f\u00e9rence fonctionnelle principale.<\/li>\n<\/ul>\n
6.2 Gestion des distributions asym\u00e9triques et donn\u00e9es tronqu\u00e9es<\/h3>\nL’asym\u00e9trie distributionnelle dicte des r\u00e8gles de s\u00e9lection imp\u00e9ratives dans les sciences \u00e9conomiques et actuarielles. L’analyse des richesses, des r\u00e9mun\u00e9rations professionnelles et du patrimoine des m\u00e9nages fournit le paradigme le plus \u00e9loquent de la sup\u00e9riorit\u00e9 de la m\u00e9diane. Les distributions de revenus pr\u00e9sentent universellement une asym\u00e9trie droite prononc\u00e9e, caract\u00e9ris\u00e9e par une masse de salari\u00e9s regroup\u00e9e dans les premiers d\u00e9ciles et une tra\u00eene asymptotique s’\u00e9tirant vers des montants de revenus d\u00e9mesur\u00e9s. Dans un tel environnement stochastique, la m\u00e9diane constitue la seule mesure offrant une description stable du niveau de vie du citoyen mitoyen : 50 % de la population gagne moins que la m\u00e9diane, 50 % gagne plus. Le mode salarial, souvent agglutin\u00e9 sur le salaire minimum interprofessionnel l\u00e9gal, sous-estime l’\u00e9lasticit\u00e9 globale des r\u00e9mun\u00e9rations, tandis que le salaire moyen est sur\u00e9valu\u00e9 par le poids financier des centiles sup\u00e9rieurs.<\/p>\n En revanche, dans la gestion op\u00e9rationnelle des cha\u00eenes logistiques, la gestion des stocks et l’approvisionnement industriel, le mode surpasse syst\u00e9matiquement la m\u00e9diane. Pour un d\u00e9taillant de biens de grande consommation, commander des volumes de r\u00e9approvisionnement bas\u00e9s sur la m\u00e9diane de commande par panier n’a pas de sens \u00e9conomique si un article sp\u00e9cifique s’ach\u00e8te massivement par lots de six unit\u00e9s (mode = 6) alors que la m\u00e9diane des paniers globaux s’\u00e9tablit \u00e0 2 unit\u00e9s. L’optimisation des flux physiques repose sur l’identification des pics modaux de demande afin d’\u00e9viter la rupture d’inventaire sur les r\u00e9f\u00e9rences d’hyper-fr\u00e9quence<\/span>.<\/p>\nPar ailleurs, la m\u00e9diane s’av\u00e8re particuli\u00e8rement adapt\u00e9e au traitement des donn\u00e9es censur\u00e9es<\/strong>, configuration fr\u00e9quente dans les essais cliniques o\u00f9 l’on mesure des temps de survie ou de r\u00e9mission. Lorsque l’exp\u00e9rimentation clinique s’interrompt alors qu’une fraction substantielle de la cohorte est encore vivante (donn\u00e9es censur\u00e9es \u00e0 droite), il est rigoureusement impossible de calculer la moyenne des temps de survie puisque la date terminale de certains sujets demeure inconnue. De m\u00eame, le mode peut demeurer ind\u00e9termin\u00e9 en l’absence de r\u00e9plications exactes. La m\u00e9diane de survie, quant \u00e0 elle, s’obtient instantan\u00e9ment d\u00e8s lors que plus de 50 % des \u00e9v\u00e9nements d’int\u00e9r\u00eat ont \u00e9t\u00e9 observ\u00e9s, sans n\u00e9cessiter la connaissance des dur\u00e9es effectives au-del\u00e0 de ce point de bascule.<\/p>\n6.3 Applications sectorielles compar\u00e9es<\/h3>\nL’arbitrage pratique entre m\u00e9diane et mode s’articule distinctement selon les exigences propres aux grands secteurs scientifiques et industriels :<\/p>\n \u00c9conomie et sociologie quantitative :<\/strong> Alors que la m\u00e9diane sert d’\u00e9talon mondial pour la fixation des seuils de pauvret\u00e9 relative (fix\u00e9 conventionnellement par l’INSEE et Eurostat \u00e0 60 % du revenu m\u00e9dian disponible d’un pays), le mode conserve une valeur diagnostique pour d\u00e9tecter les rigidit\u00e9s institutionnelles. Le mode salarial permet d’objectiver l’effet de seuil ou le ph\u00e9nom\u00e8ne de \u00ab trappe \u00e0 bas salaire \u00bb induit par le salaire minimum (SMIC en France), l\u00e0 o\u00f9 la m\u00e9diane quantifie le dynamisme global de redistribution.<\/p>\n\u00c9pid\u00e9miologie et biostatistique :<\/strong> Lors de l’\u00e9mergence d’une vague \u00e9pid\u00e9mique virale, les mod\u00e9lisateurs sanitaires s’appuient sur le mode temporel de la courbe \u00e9pid\u00e9miologique pour identifier le pic d’incidence maximal et anticiper la saturation des services d’urgence hospitali\u00e8re. En parall\u00e8le, ils recourent \u00e0 la dur\u00e9e m\u00e9diane d’incubation ou \u00e0 la dur\u00e9e m\u00e9diane d’hospitalisation pour dimensionner les protocoles de quarantaine, la m\u00e9diane offrant une estimation robuste non d\u00e9form\u00e9e par les quelques patients pr\u00e9sentant des clairances virales exceptionnellement lentes.<\/p>\nSciences de l’ing\u00e9nieur et s\u00fbret\u00e9 de fonctionnement :<\/strong> Dans l’analyse de la fiabilit\u00e9 des composants micro\u00e9lectroniques ou a\u00e9ronautiques, la m\u00e9diane de d\u00e9faillance (MTTF, pour Mean Time To Failure<\/em>, souvent calcul\u00e9e via la m\u00e9diane pour s’affranchir des lois de Weibull asym\u00e9triques) sp\u00e9cifie la demi-vie op\u00e9rationnelle d’un syst\u00e8me. Simultan\u00e9ment, les ing\u00e9nieurs analysent le mode de d\u00e9faillance \u2014 ici pris dans son acception qualitative nominale ou son pic fr\u00e9quentiel d’usure \u2014 pour rep\u00e9rer le d\u00e9faut de fabrication pr\u00e9dominant n\u00e9cessitant une r\u00e9vision g\u00e9om\u00e9trique urgente.<\/p>\n | | | | | | | | | | | | | |