{"id":1287,"date":"2026-09-04T17:03:07","date_gmt":"2026-09-04T17:03:07","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-tracer-une-distribution-t-dans-r\/"},"modified":"2026-09-04T17:03:13","modified_gmt":"2026-09-04T17:03:13","slug":"comment-tracer-une-distribution-t-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-tracer-une-distribution-t-dans-r","title":{"rendered":"Comment tracer une distribution t dans R"},"content":{"rendered":"

L’inf\u00e9rence statistique moderne repose sur une mod\u00e9lisation math\u00e9matique rigoureuse de l’incertitude, particuli\u00e8rement lorsque les chercheurs sont confront\u00e9s \u00e0 des contraintes empiriques s\u00e9v\u00e8res telles que des tailles d’\u00e9chantillon restreintes. Dans le champ des sciences comportementales, de la neuropsychologie et de la psychologie exp\u00e9rimentale, l’\u00e9valuation des diff\u00e9rences intergroupes ou des variations longitudinales s’effectue couramment \u00e0 travers le prisme de la distribution t<\/em> de Student. Ma\u00eetriser la repr\u00e9sentation visuelle de cette distribution de probabilit\u00e9 continue au sein de l’environnement statistique R ne constitue pas un simple exercice d’esth\u00e9tique graphique, mais repr\u00e9sente un imp\u00e9ratif m\u00e9thodologique. Une visualisation exacte permet en effet de mat\u00e9rialiser la densit\u00e9 de probabilit\u00e9, de localiser avec pr\u00e9cision les zones de rejet de l’hypoth\u00e8se nulle et de dissiper les confusions r\u00e9currentes entourant le comportement asymptotique des statistiques de test.<\/p>\n

Le langage de programmation R<\/a> offre une flexibilit\u00e9 sans \u00e9gale pour g\u00e9n\u00e9rer, manipuler et personnaliser des trac\u00e9s de distributions th\u00e9oriques. Que l’on mobilise le moteur graphique traditionnel ou l’\u00e9cosyst\u00e8me moderne incarn\u00e9 par la grammaire des graphiques, la production d’une courbe de Student n\u00e9cessite d’appr\u00e9hender intimement la m\u00e9canique sous-jacente des fonctions de densit\u00e9, la param\u00e9trisation des degr\u00e9s de libert\u00e9 ainsi que le r\u00f4le de la non-centralit\u00e9. Au-del\u00e0 du simple trac\u00e9 d’une courbe en cloche, la d\u00e9marche graphique sert de pont p\u00e9dagogique et \u00e9pist\u00e9mologique entre les \u00e9quations formelles de la th\u00e9orie des probabilit\u00e9s et la prise de d\u00e9cision statistique dans les laboratoires de recherche.<\/p>\n

Ce guide exhaustif a pour vocation d’accompagner les chercheurs, psychom\u00e9triciens et analystes de donn\u00e9es dans la construction pas \u00e0 pas de repr\u00e9sentations graphiques irr\u00e9prochables de la distribution t<\/em>. En explorant successivement les fondements math\u00e9matiques pos\u00e9s par William Sealy Gosset, la syntaxe op\u00e9rationnelle des fonctions natives de R, les strat\u00e9gies avanc\u00e9es de personnalisation graphique sous le moteur de base et sous ggplot2, ainsi que la visualisation des tests directionnels et de la puissance statistique, cet article propose une synth\u00e8se int\u00e9grale destin\u00e9e \u00e0 hisser la qualit\u00e9 visuelle de vos manuscrits scientifiques aux standards acad\u00e9miques les plus rigoureux.<\/p>\n

1. Fondements th\u00e9oriques de la distribution t de Student et pertinence en psychologie<\/h2>\n

1.1 D\u00e9finition math\u00e9matique et propri\u00e9t\u00e9s fondamentales<\/h3>\n

La gen\u00e8se de la distribution t<\/em> trouve son origine dans les travaux pionniers de William Sealy Gosset<\/a>, chimiste et statisticien en chef au sein de la brasserie Guinness au d\u00e9but du vingti\u00e8me si\u00e8cle. Contraint de publier sous le pseudonyme de \u00ab Student \u00bb en raison de clauses strictes de confidentialit\u00e9 industrielle prot\u00e9geant les secrets de fabrication brassicoles, Gosset cherchait \u00e0 r\u00e9soudre un probl\u00e8me fondamental : comment r\u00e9aliser une inf\u00e9rence valide sur des param\u00e8tres de moyenne lorsque la taille de l’\u00e9chantillon est fatalement r\u00e9duite et que la variance de la population parente demeure fondamentalement inconnue. Avant ses d\u00e9couvertes publi\u00e9es en 1908, la pratique statistique courante appliquait aveugl\u00e9ment les lois normales limites, conduisant \u00e0 une sous-estimation syst\u00e9matique de l’erreur standard et \u00e0 une inflation dramatique des conclusions erron\u00e9es.<\/p>\n

Sur le plan math\u00e9matique, la fonction de densit\u00e9 de probabilit\u00e9 continue d’une variable al\u00e9atoire t<\/em> d\u00e9pendante d’un unique param\u00e8tre, le nombre de degr\u00e9s de libert\u00e9 not\u00e9 nu, s’exprime \u00e0 travers la formulation analytique suivante faisant intervenir la fonction gamma d’Euler :<\/p>\n

f(t) = [ Gamma((nu + 1) \/ 2) \/ ( sqrt(nu * pi) * Gamma(nu \/ 2) ) ] * [ 1 + (t^2 \/ nu) ]^(- (nu + 1) \/ 2)<\/p>\n

Cette expression analytique illustre que la densit\u00e9 est une fonction paire, garantissant une sym\u00e9trie math\u00e9matique absolue autour d’une esp\u00e9rance nulle, \u00e0 condition que le nombre de degr\u00e9s de libert\u00e9 soit strictement sup\u00e9rieur \u00e0 l’unit\u00e9 pour que la moyenne soit d\u00e9finie. Contrairement \u00e0 la loi normale standardis\u00e9e dont la d\u00e9croissance vers l’infini est exponentiellement rapide selon le carr\u00e9 de la variable, la distribution t<\/em> pr\u00e9sente une d\u00e9croissance polynomiale. Cette caract\u00e9ristique formelle engendre un ph\u00e9nom\u00e8ne d’\u00e9paississement des extr\u00e9mit\u00e9s de la distribution, qualifi\u00e9 de leptocurticit\u00e9 ou d’exc\u00e8s de kurtosis positif. La distribution t<\/em> alloue ainsi une masse de probabilit\u00e9 substantiellement plus \u00e9lev\u00e9e aux valeurs extr\u00eames que ne le ferait une distribution normale, traduisant rigoureusement l’incertitude additionnelle issue de l’estimation conjointe de la moyenne et de la variance \u00e0 partir d’un \u00e9chantillon fini.<\/p>\n

1.2 Importance de la distribution t dans la recherche en sciences comportementales<\/h3>\n

Dans l’\u00e9cosyst\u00e8me de la recherche en psychologie, en neurosciences cognitives et en sciences du comportement, les contraintes m\u00e9thodologiques, logistiques et financi\u00e8res limitent fr\u00e9quemment les cohortes exp\u00e9rimentales \u00e0 des effectifs modestes. Qu’il s’agisse de protocoles d’imagerie par r\u00e9sonance magn\u00e9tique fonctionnelle, d’\u00e9tudes cliniques ciblant des pathologies psychiatriques rares ou d’exp\u00e9rimentations comportementales chronophages n\u00e9cessitant des passations individuelles complexes, il est exceptionnel de disposer d’\u00e9chantillons d\u00e9passant plusieurs centaines de participants. Dans ces contextes, la variance de la population g\u00e9n\u00e9rale est rigoureusement inaccessible, ce qui rend l’usage du score z<\/em> fond\u00e9 sur la loi normale totalement invalide.<\/p>\n

La distribution t<\/em> constitue l’armature inf\u00e9rentielle de r\u00e9f\u00e9rence sur laquelle reposent les tests de comparaison de moyennes, qu’il s’agisse du test t<\/em> pour \u00e9chantillons ind\u00e9pendants de Student, de sa variante d’Aspin-Welch rel\u00e2chant le postulat d’homog\u00e9n\u00e9it\u00e9 des variances, ou du test pour mesures r\u00e9p\u00e9t\u00e9es appari\u00e9es. Sans l’utilisation rigoureuse de cette loi d’\u00e9chantillonnage, le risque de commettre une erreur de type I, c’est-\u00e0-dire de rejeter l’hypoth\u00e8se nulle d’absence d’effet alors qu’elle est en r\u00e9alit\u00e9 vraie, exc\u00e9derait tr\u00e8s largement le seuil nominal conventionnel de 5 %. L’adoption syst\u00e9matique du mod\u00e8le de Gosset permet de garantir la calibration exacte de ce risque de fausse d\u00e9couverte \u00e0 travers l’ensemble des paradigmes quasi-exp\u00e9rimentaux d\u00e9ploy\u00e9s dans la litt\u00e9rature psychologique.<\/p>\n

En outre, l’\u00e9valuation des propri\u00e9t\u00e9s psychom\u00e9triques des \u00e9chelles de mesure, la mod\u00e9lisation lin\u00e9aire g\u00e9n\u00e9rale et l’estimation de la significativit\u00e9 des coefficients de r\u00e9gression individuelle reposent intrins\u00e8quement sur des rapports de param\u00e8tres divis\u00e9s par leur erreur type empirique. Ces rapports se distribuent de mani\u00e8re exacte selon une loi t<\/em> lorsque les r\u00e9sidus v\u00e9rifient le postulat de normalit\u00e9. Ainsi, la distribution t<\/em> ne repr\u00e9sente pas simplement une alternative technique pour petits \u00e9chantillons, mais constitue la pierre angulaire de l’inf\u00e9rence param\u00e9trique moderne appliqu\u00e9e \u00e0 la psych\u00e9 humaine.<\/p>\n

1.3 R\u00f4le des degr\u00e9s de libert\u00e9 dans l’approximation asymptotique<\/h3>\n

Le param\u00e8tre des degr\u00e9s de libert\u00e9, commun\u00e9ment not\u00e9 df<\/em> pour degrees of freedom<\/em>, joue un r\u00f4le architectural d\u00e9terminant dans la morphologie de la courbe de Student. Fondamentalement, les degr\u00e9s de libert\u00e9 quantifient le volume d’informations ind\u00e9pendantes restant disponible dans l’\u00e9chantillon apr\u00e8s que certains param\u00e8tres de position ont \u00e9t\u00e9 estim\u00e9s. Dans le cadre d’un test portant sur un \u00e9chantillon unique de taille N o\u00f9 la moyenne empirique a \u00e9t\u00e9 d\u00e9duite pour calculer la somme des carr\u00e9s des \u00e9carts, les degr\u00e9s de libert\u00e9 s’\u00e9l\u00e8vent \u00e0 N – 1. Pour une comparaison de deux groupes ind\u00e9pendants de tailles respectives N1 et N2 sous hypoth\u00e8se de variances \u00e9gales, ils correspondent \u00e0 N1 + N2 – 2.<\/p>\n

Lorsque ce param\u00e8tre prend des valeurs extr\u00eamement faibles, par exemple entre 1 et 5 degr\u00e9s de libert\u00e9, la distribution t<\/em> affiche un aplatissement tr\u00e8s marqu\u00e9 au niveau de son apex central et un \u00e9talement consid\u00e9rable de ses queues bilat\u00e9rales. Ce comportement g\u00e9om\u00e9trique traduit l’immense instabilit\u00e9 de l’estimation de la variance : la probabilit\u00e9 d’observer par pur hasard d’\u00e9chantillonnage des valeurs statistiques distantes de la moyenne est consid\u00e9rablement plus forte. L’incertitude \u00e9pist\u00e9mique du chercheur quant \u00e0 la dispersion r\u00e9elle de la population s’exprime visuellement par cette r\u00e9partition \u00e9tir\u00e9e de la masse de probabilit\u00e9.<\/p>\n

\u00c0 mesure que la taille de l’\u00e9chantillon s’accro\u00eet, la variance empirique converge stochastiquement vers la variance vraie en vertu de la loi des grands nombres. Ce ph\u00e9nom\u00e8ne se traduit g\u00e9om\u00e9triquement par une m\u00e9tamorphose continue de la courbe : les queues s’amincissent progressivement tandis que le pic central se redresse. Math\u00e9matiquement, lorsque le nombre de degr\u00e9s de libert\u00e9 tend vers l’infini, la distribution t<\/em> converge en loi vers la distribution normale centr\u00e9e r\u00e9duite N(0, 1). Dans la pratique de la recherche empirique, d\u00e8s que les degr\u00e9s de libert\u00e9 d\u00e9passent le seuil conventionnel de 30 ou 40, la divergence visuelle et num\u00e9rique entre la loi t<\/em> et la loi de Gauss devient marginale, bien que le recours formel au mod\u00e8le de Student demeure indispensable pour une exactitude inf\u00e9rentielle irr\u00e9prochable.<\/p>\n

2. L’arsenal des fonctions R d\u00e9di\u00e9es \u00e0 la distribution t<\/h2>\n

2.1 Analyse comparative du quatuor fonctionnel : dt, pt, qt et rt<\/h3>\n

L’environnement statistique R impl\u00e9mente une nomenclature standardis\u00e9e et harmonieuse pour manipuler l’ensemble des distributions de probabilit\u00e9 th\u00e9oriques. Pour la loi t<\/em> de Student, cette architecture repose sur un quatuor fonctionnel rigoureusement structur\u00e9, compos\u00e9 des pr\u00e9fixes canoniques d<\/em>, p<\/em>, q<\/em> et r<\/em> associ\u00e9s au radical t<\/em>. La compr\u00e9hension pr\u00e9cise de leurs m\u00e9canismes d’action respectifs constitue un pr\u00e9requis incontournable pour quiconque souhaite mod\u00e9liser ou repr\u00e9senter visuellement cette distribution.<\/p>\n

La premi\u00e8re composante de ce quatuor est la fonction dt()<\/strong>, abr\u00e9viation de density<\/em>. Elle a pour r\u00f4le exclusif d’\u00e9valuer la fonction de densit\u00e9 de probabilit\u00e9 en un point d’abscisse donn\u00e9 ou sur un vecteur continu de coordonn\u00e9es. Contrairement \u00e0 une confusion r\u00e9currente chez les chercheurs d\u00e9butants, la valeur retourn\u00e9e par cette fonction ne constitue en aucun cas une probabilit\u00e9 directe, mais une mesure de densit\u00e9 locale sur une variable continue, laquelle correspond \u00e0 la hauteur exacte de l’ordonn\u00e9e sur la courbe g\u00e9om\u00e9trique.<\/p>\n

La deuxi\u00e8me fonction, pt()<\/strong>, correspond \u00e0 la fonction de r\u00e9partition cumulative, issue de l’anglais probability<\/em>. Elle calcule l’int\u00e9grale de la fonction de densit\u00e9 depuis l’infini n\u00e9gatif jusqu’\u00e0 un quantile q<\/em> sp\u00e9cifi\u00e9. Elle renvoie ainsi la probabilit\u00e9 cumul\u00e9e qu’une observation issue de la loi soit inf\u00e9rieure ou \u00e9gale \u00e0 ce seuil, constituant l’outil de base pour l’extraction algorithmique des p-valeurs. La troisi\u00e8me fonction, qt()<\/strong> pour quantile<\/em>, r\u00e9alise l’op\u00e9ration rigoureusement r\u00e9ciproque : pour une probabilit\u00e9 cumul\u00e9e donn\u00e9e, elle d\u00e9termine la valeur critique sur l’axe des abscisses, indispensable pour fixer les fronti\u00e8res des r\u00e9gions de rejet alpha. Enfin, rt()<\/strong> op\u00e8re comme un g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires distribu\u00e9s selon une loi t<\/em>, essentiel pour conduire des simulations de Monte-Carlo ou illustrer la variabilit\u00e9 d’\u00e9chantillonnage.<\/p>\n

2.2 Param\u00e9trage fondamental de la fonction dt()<\/h3>\n

La production de trac\u00e9s graphiques th\u00e9oriques mobilise de mani\u00e8re pr\u00e9pond\u00e9rante la fonction dt()<\/strong>. Son ex\u00e9cution au sein de la console R requiert la saisie d’arguments formels obligatoires et optionnels dont l’agencement d\u00e9termine la pr\u00e9cision du r\u00e9sultat. Le premier argument, not\u00e9 x<\/em>, attend un vecteur num\u00e9rique repr\u00e9sentant les coordonn\u00e9es horizontales pour lesquelles la hauteur de densit\u00e9 doit \u00eatre calcul\u00e9e. Ce vecteur peut \u00eatre g\u00e9n\u00e9r\u00e9 via des s\u00e9quences arithm\u00e9tiques r\u00e9guli\u00e8res afin de discr\u00e9tiser l’espace continu d’int\u00e9r\u00eat.<\/p>\n

Le second argument indispensable est df<\/em>, d\u00e9signant le nombre de degr\u00e9s de libert\u00e9 de la distribution. Ce param\u00e8tre doit \u00eatre un scalaire strictement positif, bien que R autorise d’un point de vue num\u00e9rique des valeurs non enti\u00e8res, particuli\u00e8rement utiles lors de l’application de la correction de Welch o\u00f9 les degr\u00e9s de libert\u00e9 r\u00e9sultent d’une approximation fractionnaire. L’absence de sp\u00e9cification explicite de cet argument d\u00e9clenche syst\u00e9matiquement une erreur bloquante dans l’interpr\u00e9teur R, soulignant son caract\u00e8re primordial.<\/p>\n

Un troisi\u00e8me argument, souvent m\u00e9connu mais fondamental en m\u00e9thodologie avanc\u00e9e, r\u00e9side dans le param\u00e8tre ncp<\/em>, acronyme de non-centrality parameter<\/em>. Fix\u00e9 par d\u00e9faut \u00e0 z\u00e9ro, ce param\u00e8tre renvoie \u00e0 la distribution t<\/em> centrale standard, sym\u00e9trique et centr\u00e9e sur l’origine. L’introduction d’une valeur non nulle pour ncp<\/em> modifie radicalement la structure math\u00e9matique de la distribution en rompant sa sym\u00e9trie axiale, permettant ainsi de mod\u00e9liser le comportement de la statistique de test sous l’hypoth\u00e8se alternative H1 dans le cadre des analyses de puissance a priori et des estimations de sensibilit\u00e9.<\/p>\n

2.3 Fonctionnement du moteur graphique de la fonction curve()<\/h3>\n

Pour mat\u00e9rialiser graphiquement une fonction math\u00e9matique continue sans devoir g\u00e9n\u00e9rer pr\u00e9alablement des structures de donn\u00e9es complexes dans l’espace de travail global, le moteur graphique natif de R propose la fonction curve()<\/strong>. Cette routine hautement optimis\u00e9e permet de tracer une expression fonctionnelle en \u00e9valuant automatiquement une variable symbolique le long d’un intervalle d\u00e9fini par l’utilisateur.<\/p>\n

Le fonctionnement interne de curve() repose sur un m\u00e9canisme d’\u00e9valuation diff\u00e9r\u00e9e. L’utilisateur sp\u00e9cifie une expression analytique contenant imp\u00e9rativement la variable muette x<\/em>, telle que dt(x, df = 10)<\/em>. La fonction d\u00e9ploie ensuite en arri\u00e8re-plan un maillage de points \u00e9quidistants sur le domaine born\u00e9 par les arguments from<\/em> et to<\/em>. Par d\u00e9faut, curve() proc\u00e8de \u00e0 une discr\u00e9tisation sur 101 points d’\u00e9chantillonnage, ce qui est g\u00e9n\u00e9ralement suffisant pour des fonctions \u00e0 faible courbure, mais peut \u00eatre augment\u00e9 via l’argument n<\/em> \u00e0 500 ou 1000 points pour garantir une fluidit\u00e9 visuelle sans asp\u00e9rit\u00e9s polygonales le long des zones \u00e0 forte inflexion de la cloche de Student.<\/p>\n

De surcro\u00eet, curve() g\u00e8re nativement l’initialisation des dispositifs graphiques matriciels ou vectoriels, configurant automatiquement les syst\u00e8mes de coordonn\u00e9es cart\u00e9siennes en fonction des valeurs extr\u00eames prises par la fonction de densit\u00e9. Gr\u00e2ce \u00e0 sa capacit\u00e9 \u00e0 recevoir l’argument bool\u00e9en add<\/em>, cette fonction se transforme en un outil d’une remarquable puissance pour superposer de multiples couches de distributions th\u00e9oriques au sein d’un m\u00eame rep\u00e8re cart\u00e9sien, offrant ainsi une voie directe et \u00e9l\u00e9gante pour comparer visuellement diff\u00e9rents sc\u00e9narios d’\u00e9chantillonnage.<\/p>\n

3. Trac\u00e9 de base d’une densit\u00e9 t avec la fonction curve()<\/h2>\n

3.1 Construction d’une courbe minimale avec 10 degr\u00e9s de libert\u00e9<\/h3>\n

La r\u00e9alisation d’un graphique de base pour visualiser une distribution t<\/em> de Student s’illustre de la mani\u00e8re la plus pure en sollicitant la fonction curve() conjointement avec la fonction de densit\u00e9 dt(). Consid\u00e9rons une mod\u00e9lisation reposant sur un \u00e9chantillon th\u00e9orique de onze observations ind\u00e9pendantes dans le cadre d’un test sur \u00e9chantillon unique, conf\u00e9rant ainsi 10 degr\u00e9s de libert\u00e9 \u00e0 l’analyse inf\u00e9rentielle.<\/p>\n

Pour construire ce trac\u00e9 minimaliste, la commande ex\u00e9cut\u00e9e en console associe simplement la fonction curve \u00e0 l’expression de densit\u00e9 math\u00e9matique : curve(dt(x, df = 10), from = -4, to = 4)<\/em>. Le choix d\u00e9lib\u00e9r\u00e9 de contraindre l’abscisse entre les bornes -4 et 4 permet de capturer plus de 99.8 % de la masse de probabilit\u00e9 totale de la variable al\u00e9atoire. En dessous de -4 et au-dessus de 4, la densit\u00e9 th\u00e9orique devient asymptotiquement n\u00e9gligeable, bien que math\u00e9matiquement non nulle.<\/p>\n

\"Plot
Plot of a t distribution in R<\/figcaption><\/figure>\n

L’ex\u00e9cution de cette commande \u00e9l\u00e9mentaire g\u00e9n\u00e8re instantan\u00e9ment un trac\u00e9 vectoriel au sein de la fen\u00eatre graphique active de R. Ce trac\u00e9 brut expose l’allure caract\u00e9ristique de la courbe en cloche sym\u00e9trique. Le moteur de rendu ajuste automatiquement l’axe des ordonn\u00e9es entre 0 et une valeur l\u00e9g\u00e8rement sup\u00e9rieure \u00e0 0.38, correspondant \u00e0 l’apex de la densit\u00e9 atteint au point central x = 0. Bien que fonctionnelle, cette repr\u00e9sentation brute requiert des ajustements s\u00e9miotiques pour r\u00e9pondre aux exigences de la communication scientifique.<\/p>\n

3.2 Compr\u00e9hension de la variable muette x dans curve()<\/h3>\n

Un \u00e9cueil conceptuel classique rencontr\u00e9 par les analystes d\u00e9butant avec le langage R r\u00e9side dans l’incompr\u00e9hension du statut r\u00e9serv\u00e9 assign\u00e9 \u00e0 la variable x<\/em> au sein de la fonction curve(). Dans la quasi-totalit\u00e9 des routines de l’\u00e9cosyst\u00e8me R, les arguments pass\u00e9s aux fonctions repr\u00e9sentent des objets pr\u00e9existants stock\u00e9s dans l’environnement global de travail. Cependant, au sein de curve(), le symbole litt\u00e9ral x<\/em> agit comme une variable formelle au sens du calcul diff\u00e9rentiel.<\/p>\n

Lors de l’appel de curve(dt(x, df = 10)), l’interpr\u00e9teur R substitue dynamiquement \u00e0 x<\/em> une s\u00e9quence vectorielle r\u00e9guli\u00e8re cr\u00e9\u00e9e en interne entre les limites sp\u00e9cifi\u00e9es par from<\/em> et to<\/em>. Si un chercheur tente maladroitement d’assigner pr\u00e9alablement un scalaire ou un vecteur externe \u00e0 une variable nomm\u00e9e x dans son script, cela ne g\u00e9n\u00e8re g\u00e9n\u00e9ralement pas d’erreur si la syntaxe est rigoureusement respect\u00e9e, mais peut induire de s\u00e9v\u00e8res confusions conceptuelles. De m\u00eame, substituer la lettre x<\/em> par une autre lettre comme t<\/em> (par exemple en \u00e9crivant curve(dt(t, df = 10))<\/em>) d\u00e9clenche une erreur syntaxique imm\u00e9diate stipulant que la fonction ‘expr’ doit \u00eatre une expression contenant ‘x’.<\/p>\n

Pour pr\u00e9munir son code de tout conflit de port\u00e9e environnementale, il est hautement recommand\u00e9 d’encapsuler ces appels dans des fonctions d\u00e9di\u00e9es ou de veiller \u00e0 ce que l’environnement de calcul ne contienne pas de liaisons parasites susceptibles d’interf\u00e9rer avec l’\u00e9valuation non standard pratiqu\u00e9e par les routines de trac\u00e9 symbolique de base.<\/p>\n

3.3 V\u00e9rification des propri\u00e9t\u00e9s de sym\u00e9trie sur le trac\u00e9 initial<\/h3>\n

L’inspection analytique attentive du premier trac\u00e9 permet de v\u00e9rifier empiriquement et visuellement les th\u00e9or\u00e8mes fondamentaux r\u00e9gissant les lois de Student centrales. Le premier \u00e9l\u00e9ment observable concerne l’alignement rigoureux de l’apex de la courbe avec l’abscisse z\u00e9ro. Quelle que soit la valeur num\u00e9rique allou\u00e9e au param\u00e8tre des degr\u00e9s de libert\u00e9, la d\u00e9riv\u00e9e premi\u00e8re de la fonction de densit\u00e9 s’annule obligatoirement en x = 0, et la d\u00e9riv\u00e9e seconde y est strictement n\u00e9gative, formalisant l’existence d’un maximum local et global absolu en ce point.<\/p>\n

Le second \u00e9l\u00e9ment morphologique r\u00e9side dans l’invariance par r\u00e9flexion par rapport \u00e0 l’axe vertical d’\u00e9quation x = 0. Pour toute valeur scalaire positive c<\/em>, l’\u00e9galit\u00e9 dt(c, df = 10) == dt(-c, df = 10) est v\u00e9rifi\u00e9e \u00e0 la pr\u00e9cision machine pr\u00e8s de l’ordinateur. Visuellement, cela se traduit par une courbure et des points d’inflexion situ\u00e9s \u00e0 des distances parfaitement sym\u00e9triques du centre. Les points d’inflexion, o\u00f9 la concavit\u00e9 de la densit\u00e9 s’inverse pour devenir convexe, se situent pr\u00e9cis\u00e9ment aux abscisses x = \u00b1 sqrt(df \/ (df + 1)), ce qui \u00e9quivaut pour df = 10 \u00e0 environ \u00b1 0.953.<\/p>\n

Cette v\u00e9rification visuelle n’est pas purement acad\u00e9mique : elle permet au chercheur de certifier que la fonction mod\u00e9lis\u00e9e correspond fid\u00e8lement \u00e0 une distribution centrale issue d’une hypoth\u00e8se nulle H0 parfaitement \u00e9talonn\u00e9e, servant de socle neutre avant l’exploration de conditions de recherche plus complexes incluant de l’asym\u00e9trie ou des d\u00e9calages directionnels.<\/p>\n

4. Personnalisation esth\u00e9tique avanc\u00e9e sous le moteur graphique Base R<\/h2>\n

4.1 Optimisation des titres, \u00e9tiquettes et typographies<\/h3>\n

Les visualisations statistiques destin\u00e9es \u00e0 la publication dans des revues internationales de psychologie doivent ob\u00e9ir aux normes strictes de l’American Psychological Association<\/a>. Les trac\u00e9s bruts produits par les fonctions natives de R comportent par d\u00e9faut des \u00e9tiquettes minimalistes et peu informatives, telles que expr<\/em> pour l’axe vertical ou le nom litt\u00e9ral de la variable muette pour l’axe horizontal. Une reconfiguration s\u00e9miotique s’impose pour transformer ces \u00e9bauches en figures communicatives de niveau professionnel.<\/p>\n

L’argument main<\/em> permet d’ins\u00e9rer un titre principal explicite et synth\u00e9tique, renseignant les param\u00e8tres fondamentaux de l’analyse, par exemple : \u00ab Densit\u00e9 de probabilit\u00e9 de la loi t de Student (df = 10) \u00bb. L’ajout d’un sous-titre contextualisant via l’argument sub<\/em> offre l’opportunit\u00e9 de pr\u00e9ciser la taille de l’\u00e9chantillon exp\u00e9rimental associ\u00e9. La d\u00e9nomination des axes doit imp\u00e9rativement abandonner le jargon informatique au profit des concepts math\u00e9matiques : l’axe horizontal recevra ainsi la mention xlab = ‘Valeur t’<\/em> ou xlab = ‘Statistique t observ\u00e9e’<\/em>, tandis que l’axe vertical sera clairement \u00e9tiquet\u00e9 ylab = ‘Densit\u00e9 de probabilit\u00e9 f(t)’<\/em>.<\/p>\n

La typographie peut \u00eatre ajust\u00e9e gr\u00e2ce aux param\u00e8tres globaux g\u00e9r\u00e9s par la commande par()<\/em> ou via des arguments sp\u00e9cifiques tels que cex.lab<\/em> pour calibrer la taille relative des \u00e9tiquettes des axes, cex.axis<\/em> pour ajuster l’\u00e9chelle de lecture des graduations chiffr\u00e9es, et font.lab = 2<\/em> pour contraindre les l\u00e9gendes textuelles en caract\u00e8res gras, maximisant ainsi leur lisibilit\u00e9 dans les formats d’impression compacts \u00e0 double colonne.<\/p>\n

4.2 Ajustement du style de ligne et palette chromatique<\/h3>\n

L’expressivit\u00e9 d’une courbe statistique d\u00e9pend \u00e9troitement de la stylisation de son trac\u00e9. Par d\u00e9faut, le moteur graphique Base R g\u00e9n\u00e8re une ligne noire continue d’\u00e9paisseur unitaire, visuellement terne et difficilement discernable lorsqu’elle est projet\u00e9e ou r\u00e9duite \u00e0 l’\u00e9chelle d’une vignette de publication. L’argument lwd<\/em> pour line width<\/em> intervient alors pour \u00e9paissir le trait : une valeur de lwd = 2.5<\/em> ou lwd = 3<\/em> conf\u00e8re \u00e0 la courbe une assise visuelle affirm\u00e9e et autoritaire.<\/p>\n

\"t
t Distribution plot in R<\/figcaption><\/figure>\n

La s\u00e9lection chromatique ne doit pas \u00eatre guid\u00e9e par des impulsions purement ornementales, mais par des imp\u00e9ratifs d’accessibilit\u00e9 universelle et de contraste. L’utilisation de teintes standardis\u00e9es telles que col = ‘steelblue’<\/em> ou col = ‘midnightblue’<\/em> procure une perception apaisante et hautement professionnelle. Pour des documents destin\u00e9s \u00e0 une diss\u00e9mination internationale, il est vertueux d’adopter des palettes compatibles avec le daltonisme, en \u00e9vitant les juxtapositions confuses de rouge et de vert au profit de contrastes fond\u00e9s sur le bleu, l’orange br\u00fbl\u00e9 et le noir d’encre.<\/p>\n

De plus, lorsque diff\u00e9rentes conditions exp\u00e9rimentales doivent \u00eatre illustr\u00e9es simultan\u00e9ment, le param\u00e8tre lty<\/em> pour line type<\/em> permet de diversifier les textures visuelles : 1 pour un trait plein, 2 pour un tiret\u00e9 classique, 3 pour une ligne pointill\u00e9e dense, ou 4 pour une alternance trait-point. Cette redondance visuelle garantit l’int\u00e9grit\u00e9 de l’information statistique m\u00eame en cas de photocopie ou d’impression en niveaux de gris.<\/p>\n

4.3 Contr\u00f4le pr\u00e9cis des limites d’axes et des graduations<\/h3>\n

L’un des d\u00e9fauts majeurs des fonctions automatiques de trac\u00e9 r\u00e9side dans le calibrage parfois trop restreint des marges entourant les extrema de la distribution. Si l’axe vertical est born\u00e9 exactement sur la valeur maximale de la densit\u00e9, le sommet de la cloche entre en collision avec la bordure sup\u00e9rieure du graphique, cr\u00e9ant une sensation visuelle d’\u00e9touffement esth\u00e9tique. Pour a\u00e9rer la composition, l’argument ylim<\/em> doit \u00eatre manuellement fix\u00e9 avec une marge sup\u00e9rieure de s\u00e9curit\u00e9, par exemple ylim = c(0, 0.42)<\/em>.<\/p>\n

Les marges globales du panneau de trac\u00e9 se contr\u00f4lent en amont via l’instruction par(mar = c(5, 5, 4, 2) + 0.1)<\/em>, accordant suffisamment d’espace aux annotations p\u00e9riph\u00e9riques tout en \u00e9liminant les espaces blancs vacants. Par ailleurs, pour les chercheurs souhaitant exercer une ma\u00eetrise totale sur la localisation des graduations num\u00e9riques, il est d’usage de d\u00e9sactiver les axes natifs en renseignant axes = FALSE<\/em> \u00e0 l’int\u00e9rieur de curve().<\/p>\n

Une fois le cadre rendu vierge, des appels m\u00e9thodiques \u00e0 la fonction axis(side = 1, at = seq(-4, 4, by = 1))<\/strong> et axis(side = 2, at = seq(0, 0.4, by = 0.1), las = 1)<\/strong> permettent d’implanter des rep\u00e8res r\u00e9guliers, parfaitement calibr\u00e9s, en orientant les chiffres de l’ordonn\u00e9e de fa\u00e7on strictement horizontale via las = 1<\/em> pour soulager l’effort de lecture cognitive du lecteur acad\u00e9mique. Enfin, la fonction box(bty = ‘l’)<\/strong> scelle le graphique en dessinant un cadre \u00e9pur\u00e9 limit\u00e9 aux axes inf\u00e9rieur et gauche, \u00e9liminant les bordures sup\u00e9rieures et droites superflues.<\/p>\n

5. Superposition et comparaison de multiples distributions t<\/h2>\n

5.1 Technique de superposition s\u00e9quentielle avec l’argument add = TRUE<\/h3>\n

En recherche exp\u00e9rimentale, il est rarement utile de contempler une distribution th\u00e9orique isol\u00e9e. L’int\u00e9r\u00eat heuristique et didactique de la visualisation \u00e9merge principalement de la confrontation de multiples distributions conditionnelles caract\u00e9ris\u00e9es par des param\u00e8tres divergents. Le moteur graphique de base excelle dans cet exercice gr\u00e2ce au m\u00e9canisme d’incr\u00e9mentation s\u00e9quentielle r\u00e9gul\u00e9 par le param\u00e8tre logique add = TRUE<\/strong>.<\/p>\n

La r\u00e8gle fondamentale de cette m\u00e9thode d’empilement r\u00e9side dans l’ordonnancement hi\u00e9rarchique des instructions. Le premier appel \u00e0 curve() agit comme l’\u00e9l\u00e9ment ma\u00eetre : c’est lui qui configure irr\u00e9vocablement la g\u00e9om\u00e9trie spatiale du rep\u00e8re cart\u00e9sien, la position des graduations et les bornes absolues des coordonn\u00e9es xlim<\/em> et ylim<\/em>. Il est donc indispensable d’ajuster les bornes de ce premier graphique afin qu’elles puissent h\u00e9berger sans troncature visuelle l’ensemble des courbes subsidiaires qui viendront s’y greffer.<\/p>\n

Une fois ce canevas initial solidement pos\u00e9, les instructions subs\u00e9quentes font appel \u00e0 curve() en modifiant exclusivement le param\u00e8tre df<\/em>, le code couleur col<\/em>, le style de ligne lty<\/em>, et en positionnant rigoureusement add = TRUE<\/em>. Cette technique ex\u00e9cute un trac\u00e9 direct sur la fen\u00eatre graphique d\u00e9j\u00e0 ouverte sans r\u00e9initialiser le dispositif, assurant une parfaite superposition millim\u00e9trique des courbes.<\/p>\n

5.2 Comparaison visuelle de degr\u00e9s de libert\u00e9 contrast\u00e9s (df = 2, 5, 30)<\/h3>\n

L’illustration la plus \u00e9loquente de la sensibilit\u00e9 de la loi de Student face \u00e0 la taille de l’\u00e9chantillon consiste \u00e0 superposer trois trajectoires contrast\u00e9es, repr\u00e9sentatives de paliers m\u00e9thodologiques cl\u00e9s : une situation d’\u00e9chantillonnage ultra-restreint avec 2 degr\u00e9s de libert\u00e9, une cohorte pilote avec 5 degr\u00e9s de libert\u00e9, et un \u00e9chantillon substantiel de 30 degr\u00e9s de libert\u00e9.<\/p>\n

\"Multiple
Multiple t distribution plots in R<\/figcaption><\/figure>\n

En observant le graphique composite ainsi g\u00e9n\u00e9r\u00e9, la disparit\u00e9 structurelle des densit\u00e9s frappe imm\u00e9diatement le regard. Pour df = 2<\/strong> (souvent repr\u00e9sent\u00e9e par une teinte chaude telle qu’un rouge carmin), le sommet central culmine tr\u00e8s bas, aux alentours d’une densit\u00e9 de 0.31, tandis que les queues de distribution s’\u00e9l\u00e8vent largement au-dessus des autres courbes au-del\u00e0 de deux \u00e9carts-types. Cette g\u00e9om\u00e9trie illustre visuellement la vuln\u00e9rabilit\u00e9 des tr\u00e8s petits \u00e9chantillons : la probabilit\u00e9 qu’une statistique fluctue loin de z\u00e9ro sous l’hypoth\u00e8se nulle y est maximale.<\/p>\n

Pour df = 5<\/strong>, la courbe (trac\u00e9e par exemple en vert for\u00eat ou en ambre) subit un redressement visible de son apex et une r\u00e9traction sensible de ses queues. Enfin, pour df = 30<\/strong> (souvent figur\u00e9e en bleu marine profond), la cloche acquiert une verticalit\u00e9 robuste, culminant proche de 0.39. Ses queues s’effondrent tr\u00e8s rapidement vers l’axe des abscisses. Cette triple mise en sc\u00e8ne mat\u00e9rialise avec \u00e9clat la vitesse \u00e0 laquelle la loi d’\u00e9chantillonnage de la moyenne se stabilise \u00e0 mesure que l’effectif s’accro\u00eet, fournissant une justification graphique irr\u00e9futable \u00e0 la n\u00e9cessit\u00e9 de recruter des \u00e9chantillons suffisamment \u00e9toff\u00e9s pour resserrer les marges d’erreur de mesure.<\/p>\n

5.3 Int\u00e9gration d’une l\u00e9gende scientifique rigoureuse<\/h3>\n

Un trac\u00e9 multivari\u00e9 d\u00e9pourvu d’indications textuelles formelles perd l’essentiel de sa port\u00e9e informative. La fonction legend()<\/strong> constitue le r\u00e9ceptacle canonique pour adjoindre une cl\u00e9 de d\u00e9chiffrage rigoureuse et esth\u00e9tique. L’implantation g\u00e9ographique de la bo\u00eete de l\u00e9gende doit \u00eatre s\u00e9lectionn\u00e9e avec pr\u00e9caution afin de ne masquer aucune courbure d’int\u00e9r\u00eat ; les coordonn\u00e9es symboliques telles que ‘topright’<\/em> ou ‘topleft’<\/em> constituent les choix usuels les plus s\u00fbrs.<\/p>\n

\"Multiple
Multiple t distribution plots with legend in R<\/figcaption><\/figure>\n

Pour garantir une coh\u00e9rence s\u00e9miologique absolue, les arguments vectoriels pass\u00e9s \u00e0 legend() doivent calquer exactement ceux mobilis\u00e9s lors de la gen\u00e8se des courbes. Ainsi, le vecteur d’\u00e9tiquettes textuelles renseignant c(‘df = 2’, ‘df = 5’, ‘df = 30’)<\/em> doit correspondre dans un ordre rigoureusement identique aux vecteurs de couleurs c(‘firebrick’, ‘forestgreen’, ‘navy’)<\/em>, d’\u00e9paisseurs lwd = c(2.5, 2.5, 2.5)<\/em> et de styles de traits lty = c(2, 4, 1)<\/em>.<\/p>\n

L’\u00e9puration visuelle, conform\u00e9ment aux pr\u00e9ceptes de design d’information de Edward Tufte, pr\u00e9conise d’\u00e9liminer les artefacts non fonctionnels qui encombrent l’espace perceptif. L’utilisation de l’argument bty = ‘n’<\/em> permet de supprimer int\u00e9gralement le rectangle d’encadrement de la l\u00e9gende, fondant harmonieusement les libell\u00e9s au sein de l’espace blanc sup\u00e9rieur du graphique. On peut \u00e9galement ajuster la taille de la police interne via cex = 0.85<\/em> afin que la pr\u00e9sence de la l\u00e9gende demeure discr\u00e8te tout en garantissant un d\u00e9cryptage imm\u00e9diat et sans ambigu\u00eft\u00e9.<\/p>\n

6. Mise en contraste de la distribution t avec la loi normale standard<\/h2>\n

6.1 Superposition de dnorm() et dt() sur un rep\u00e8re unique<\/h3>\n

La confusion entre la distribution t<\/em> de Student et la loi normale centr\u00e9e r\u00e9duite N(0, 1) demeure l’une des sources d’erreurs m\u00e9thodologiques les plus insidieuses dans la litt\u00e9rature quantitative. Pour dissiper cette assimilation trompeuse, la d\u00e9marche graphique de choix consiste \u00e0 superposer directement les deux fonctions math\u00e9matiques sur un syst\u00e8me de coordonn\u00e9es parfaitement unifi\u00e9.<\/p>\n

Cette mise en regard s’orchestre sous R en initiant le trac\u00e9 par la loi normale standardis\u00e9e via la fonction de densit\u00e9 dnorm(x, mean = 0, sd = 1)<\/strong>, habill\u00e9e conventionnellement d’une ligne noire continue d’\u00e9paisseur substantielle. On injecte ensuite de fa\u00e7on imm\u00e9diate une distribution t<\/em> pr\u00e9sentant un nombre r\u00e9duit de degr\u00e9s de libert\u00e9, typiquement df = 4<\/strong>, mat\u00e9rialis\u00e9e par un trait discontinu color\u00e9 via curve(dt(x, df = 4), col = ‘royalblue’, lwd = 2, lty = 2, add = TRUE)<\/em>.<\/p>\n

Le choc visuel entre les deux fonctions offre un enseignement imm\u00e9diat : bien que partageant une morphologie globale similaire sous la forme d’une cloche sym\u00e9trique culminant en x = 0, la distribution normale domine nettement la loi t<\/em> dans la zone p\u00e9ri-centrale, son sommet atteignant pr\u00e9cis\u00e9ment 1 \/ sqrt(2 * pi) soit approximativement 0.3989, tandis que la loi de Student avec 4 degr\u00e9s de libert\u00e9 culmine seulement \u00e0 0.375. Cependant, d\u00e8s que l’on s’\u00e9carte du centre au-del\u00e0 de 1.8 \u00e9cart-type, la tendance s’inverse : la courbe de Student surplombe nettement celle de la loi normale, rendant tangible la lourdeur sup\u00e9rieure de ses queues.<\/p>\n

6.2 Analyse du risque statistique li\u00e9 aux queues de distribution \u00e9paisses<\/h3>\n

Cette divergence morphologique au niveau des queues n’est pas un artefact anodin : elle porte en elle des implications statistiques majeures quant \u00e0 l’estimation des probabilit\u00e9s d’erreur dans la pratique de la recherche psychologique. L’exc\u00e8s de densit\u00e9 dans les r\u00e9gions distales sous la loi t<\/em> signifie que, sous l’hypoth\u00e8se nulle d’absence d’effet, des valeurs de statistique de test volumineuses surviennent avec une fr\u00e9quence substantiellement plus \u00e9lev\u00e9e qu’en univers gaussien pur.<\/p>\n

Si un exp\u00e9rimentateur \u00e9value na\u00efvement une statistique de test issue d’un petit \u00e9chantillon (par exemple N = 5, soit df = 4) en recourant aux quantiles critiques de la loi normale standard, il commettra une faute m\u00e9thodologique s\u00e9v\u00e8re. En effet, la probabilit\u00e9 d’obtenir une valeur absolue sup\u00e9rieure \u00e0 2 sous une loi normale est de 4.55 %, tandis que sous une distribution t<\/em> avec 4 degr\u00e9s de libert\u00e9, cette probabilit\u00e9 s’\u00e9l\u00e8ve \u00e0 plus de 11.6 %. Recourir \u00e0 l’\u00e9talon normal conduirait donc \u00e0 d\u00e9clarer hautement significatifs des \u00e9carts qui ne rel\u00e8vent en r\u00e9alit\u00e9 que de simples fluctuations al\u00e9atoires propres aux petits groupes.<\/p>\n

Visualiser cet \u00e9cartement des queues de distribution permet ainsi de concr\u00e9tiser le concept de conservatisme statistique. La distribution de Student contraint l’effet observ\u00e9 \u00e0 repousser plus loin ses fronti\u00e8res sur l’axe horizontal pour pouvoir \u00eatre jug\u00e9 significatif, immunisant ainsi le chercheur contre les mirages inf\u00e9rentiels induits par la fragilit\u00e9 des petites cohortes.<\/p>\n

6.3 Utilisation de lignes de r\u00e9f\u00e9rence pour rep\u00e9rer les \u00e9carts maximaux<\/h3>\n

Pour parachever l’analyse comparative entre la distribution normale et la loi t<\/em>, l’implantation de lignes g\u00e9om\u00e9triques de r\u00e9f\u00e9rence constitue un proc\u00e9d\u00e9 graphique d’une rigueur imparable. La fonction abline()<\/strong> offre la possibilit\u00e9 de tracer des rep\u00e8res verticaux orthogonaux marquant les seuils conventionnels de d\u00e9cision inf\u00e9rentielle.<\/p>\n

L’ex\u00e9cution de la commande abline(v = c(-1.96, 1.96), lty = 3, col = ‘darkgray’)<\/em> trace deux lignes pointill\u00e9es au niveau des quantiles alpha = 0.05 bilat\u00e9raux de la loi normale standard. En prolongeant ces lignes \u00e0 travers les deux distributions superpos\u00e9es, on observe avec une limpidit\u00e9 absolue que l’aire situ\u00e9e au-del\u00e0 de ces lignes grises est nettement plus imposante sous la courbe bleue de la distribution t<\/em> que sous la courbe noire de la loi normale.<\/p>\n

On peut simultan\u00e9ment ajouter les quantiles critiques propres \u00e0 la loi t<\/em> avec 4 degr\u00e9s de libert\u00e9, calcul\u00e9s via qt(c(0.025, 0.975), df = 4)<\/em>, lesquels se situent \u00e0 \u00b1 2.776, en mat\u00e9rialisant ces fronti\u00e8res par des traits d’une autre teinte, par exemple abline(v = c(-2.776, 2.776), lty = 2, col = ‘royalblue’)<\/em>. Cette double grille de rep\u00e8res expose instantan\u00e9ment la distance ph\u00e9nom\u00e9nologique s\u00e9parant le seuil de significativit\u00e9 valide (2.776) du seuil z erron\u00e9 (1.96), illustrant de mani\u00e8re saisissante le prix m\u00e9thodologique qu’impose l’incertitude sur la variance des donn\u00e9es r\u00e9elles.<\/p>\n

7. Hachurage et coloration des zones critiques et valeurs p<\/h2>\n

7.1 Calcul vectoriel des coordonn\u00e9es pour le polygone de rejet<\/h3>\n

Si le simple trac\u00e9 d’une courbe en cloche informe sur la r\u00e9partition g\u00e9n\u00e9rale de la densit\u00e9, la communication efficace d’un test statistique n\u00e9cessite de mettre visuellement en exergue l’espace g\u00e9om\u00e9trique correspondant \u00e0 la d\u00e9cision d’inf\u00e9rence, \u00e0 savoir la r\u00e9gion de rejet de l’hypoth\u00e8se nulle. Cette zone critique \u00e9quivaut math\u00e9matiquement \u00e0 l’int\u00e9grale de la fonction sur un sous-ensemble du domaine, mat\u00e9rialis\u00e9e graphiquement par un polygone ferm\u00e9 dont la surface est rigoureusement proportionnelle au risque d’erreur alpha consenti.<\/p>\n

Pour construire ce polygone sous le moteur graphique Base R, une pr\u00e9paration vectorielle rigoureuse s’impose. Consid\u00e9rons une analyse bilat\u00e9rale au seuil conventionnel alpha = 0.05 sur une distribution caract\u00e9ris\u00e9e par df = 15. La valeur critique positive s’obtient programmatiquement par crit <- qt(0.975, df = 15)<\/em>, ce qui \u00e9quivaut \u00e0 environ 2.131. La fronti\u00e8re de rejet s’\u00e9tend d\u00e8s lors de cette valeur critique jusqu’\u00e0 l’extr\u00e9mit\u00e9 du domaine visible, fix\u00e9e par exemple \u00e0 4.<\/p>\n

On cr\u00e9e alors une discr\u00e9tisation fine de cette portion d’abscisse via l’instruction x_poly <- seq(crit, 4, length.out = 100)<\/em>. Les ordonn\u00e9es correspondantes de la courbe sup\u00e9rieure sont calcul\u00e9es par y_poly <- dt(x_poly, df = 15)<\/em>. Pour fermer la structure g\u00e9om\u00e9trique afin qu’elle forme un p\u00e9rim\u00e8tre \u00e9tanche, il convient d’accoler \u00e0 ces coordonn\u00e9es les points assurant le retour le long de l’axe z\u00e9ro : le point terminal de l’abscisse redescend \u00e0 y = 0, longe l’axe horizontal jusqu’\u00e0 la valeur critique d’abscisse, puis se referme sur le point de d\u00e9part de la densit\u00e9. Cette quadrature vectorielle forme la matrice g\u00e9om\u00e9trique du futur remplissage.<\/p>\n

7.2 Utilisation de la fonction polygon() pour colorer les zones de rejet<\/h3>\n

Une fois les coordonn\u00e9es vectorielles d\u00fbment assembl\u00e9es, la fonction polygon()<\/strong> entre en sc\u00e8ne pour ex\u00e9cuter le remplissage surfacique de la r\u00e9gion critique. La syntaxe canonique s’articule comme suit : polygon(c(x_poly, rev(x_poly)), c(y_poly, rep(0, length(y_poly))), col = rgb(0.8, 0.1, 0.1, 0.5), border = NA)<\/em>. L’application d’une fonction colorim\u00e9trique incorporant un canal alpha de semi-transparence, telle que rgb()<\/em> avec un niveau de transparence de 0.5, constitue une pratique vivement recommand\u00e9e afin d’\u00e9viter d’\u00e9craser visuellement l’\u00e9paisseur du trait de la fonction de densit\u00e9 sous-jacente ou les graduations cart\u00e9siennes.<\/p>\n

Alternativement, pour les manuscrits destin\u00e9s \u00e0 des revues publiant exclusivement sous presse papier en noir et blanc sans suppl\u00e9ment couleur, polygon() dispose d’arguments traditionnels de hachurage. En renseignant par exemple density = 25<\/em> et angle = 45<\/em>, la r\u00e9gion de rejet est remplie par un faisceau \u00e9l\u00e9gant de traits diagonaux parall\u00e8les inclin\u00e9s \u00e0 quarante-cinq degr\u00e9s, assurant un rendu graphique hautement lisible et irr\u00e9prochable face aux al\u00e9as de la reproduction x\u00e9rographique.<\/p>\n

Dans le cadre d’un test bilat\u00e9ral exhaustif, cette s\u00e9quence de calcul vectoriel et d’appel \u00e0 polygon() doit \u00eatre r\u00e9p\u00e9t\u00e9e sym\u00e9triquement pour la queue gauche de la distribution, en discr\u00e9tisant l’intervalle d’abscisses allant de -4 jusqu’au quantile n\u00e9gatif -crit. La double coloration sym\u00e9trique ainsi d\u00e9ploy\u00e9e mat\u00e9rialise avec \u00e9clat la partition de l’espace d’\u00e9chantillonnage en une zone centrale d’acceptation de H0 (repr\u00e9sentant 95 % de la masse de probabilit\u00e9) et deux zones polaires d’exclusion cumulant chacune 2.5 % du risque d’erreur.<\/p>\n

7.3 Annotation visuelle de la statistique de test observ\u00e9e<\/h3>\n

Le tableau statistique prend tout son sens lorsque l’exp\u00e9rimentateur implante sur ce canevas th\u00e9orique la valeur empirique issue de la collecte des donn\u00e9es de son protocole de recherche. Supposons qu’au terme d’une exp\u00e9rimentation en psychologie cognitive \u00e9valuant la m\u00e9morisation de listes verbales, la statistique de test calcul\u00e9e atteigne la valeur empirique t_obs = 2.45<\/em>.<\/p>\n

Pour projeter ce r\u00e9sultat sur la figure, l’instruction segments()<\/strong> ou abline()<\/strong> permet d’\u00e9riger un vecteur vertical distinctif, par exemple mat\u00e9rialis\u00e9 en rouge cramoisi d’\u00e9paisseur renforc\u00e9e : abline(v = 2.45, col = ‘firebrick’, lwd = 2.5, lty = 1)<\/em>. L’inscription textuelle de la valeur statistique s’effectue ensuite via la commande text()<\/strong>, laquelle accepte des coordonn\u00e9es pr\u00e9cises au sein de l’espace euclidien du graphique, compl\u00e9t\u00e9e d’arguments d’ajustement directionnel pos<\/em> pour \u00e9viter tout chevauchement avec la ligne verticale.<\/p>\n

Enfin, pour guider l’\u0153il du lecteur acad\u00e9mique vers la conclusion inf\u00e9rentielle, l’adjonction d’une fl\u00e8che indicative au moyen de arrows(x0 = 3, y0 = 0.15, x1 = 2.5, y1 = 0.03, length = 0.1, lwd = 1.5)<\/strong> permet de relier dynamiquement un libell\u00e9 annotant \u00ab Statistique empirique (t = 2.45, p < .05) \u00bb directement au point d’impact de la valeur observ\u00e9e au c\u0153ur de la zone de rejet hachur\u00e9e. Cette sc\u00e9nographie visuelle rend compte de mani\u00e8re imm\u00e9diate et indiscutable du statut statistiquement significatif de la recherche, synth\u00e9tisant dans un format d’une clart\u00e9 totale l’aboutissement de la d\u00e9marche inf\u00e9rentielle.<\/p>\n

8. Trac\u00e9 moderne de la distribution t avec le package ggplot2<\/h2>\n

8.1 Architecture graphique de ggplot2 appliqu\u00e9e aux fonctions th\u00e9oriques<\/h3>\n

Bien que le syst\u00e8me graphique de base de R demeure un outil irrempla\u00e7able pour des visualisations rapides et autonomes, le paradigme moderne de l’analyse de donn\u00e9es en R est largement domin\u00e9 par le m\u00e9tapaquet du Tidyverse<\/a> et son moteur graphique vectoriel, ggplot2<\/strong>. Con\u00e7u par Hadley Wickham sur les bases th\u00e9oriques de la \u00ab Grammaire des graphiques \u00bb de Leland Wilkinson, ggplot2 privil\u00e9gie une approche modulaire et d\u00e9clarative o\u00f9 la construction visuelle s’op\u00e8re par accumulation ordonn\u00e9e de couches s\u00e9mantiques interconnect\u00e9es.<\/p>\n

Tracer une fonction de probabilit\u00e9 math\u00e9matique continue pure dans ggplot2 pr\u00e9sente une singularit\u00e9 apparente : ce package est originellement calibr\u00e9 pour cartographier les colonnes d’un tableau de donn\u00e9es (data.frame<\/em> ou tibble<\/em>) vers des propri\u00e9t\u00e9s esth\u00e9tiques (aesthetics<\/em> telles que x<\/em>, y<\/em>, couleur ou taille). D\u00e8s lors, pour tracer une distribution th\u00e9orique sans charger pr\u00e9alablement un jeu de donn\u00e9es empiriques volumineux, l’analyste instancie une structure minimale contenant uniquement les bornes d’abscisse du trac\u00e9 : ggplot(data.frame(x = c(-4, 4)), aes(x = x))<\/em>.<\/p>\n

Cette d\u00e9claration initiale g\u00e9n\u00e8re un canevas vectoriel vide dont l’axe horizontal est \u00e9talonn\u00e9 entre -4 et 4, laissant le champ libre \u00e0 l’application de g\u00e9om\u00e9tries computationnelles sp\u00e9cialis\u00e9es capables d’\u00e9valuer dynamiquement des fonctions continues sans requ\u00e9rir la cr\u00e9ation manuelle pr\u00e9alable d’une table de coordonn\u00e9es exhaustive.<\/p>\n

8.2 Utilisation de stat_function() pour tracer la densit\u00e9 de Student<\/h3>\n

La cl\u00e9 de vo\u00fbte permettant de dessiner des lois de probabilit\u00e9 th\u00e9oriques sous ggplot2 r\u00e9side dans l’op\u00e9rateur stat_function()<\/strong>. Cette routine prend en charge l’\u00e9valuation num\u00e9rique d’une fonction math\u00e9matique sur la plage d’abscisses d\u00e9clar\u00e9e dans l’enveloppe globale du trac\u00e9. Pour afficher la cloche d’une distribution de Student, la commande se configure en renseignant l’argument fun = dt<\/em>, signifiant que le moteur doit solliciter la fonction de densit\u00e9 native de Student.<\/p>\n

La transmission des param\u00e8tres sp\u00e9cifiques de la distribution s’op\u00e8re de mani\u00e8re \u00e9l\u00e9gante \u00e0 travers l’argument args<\/em>, lequel re\u00e7oit une liste nomm\u00e9e de param\u00e8tres. Pour instancier une loi avec 12 degr\u00e9s de libert\u00e9, on sp\u00e9cifie simplement args = list(df = 12)<\/em>. L’esth\u00e9tique de la ligne est alors modulable avec une grande finesse gr\u00e2ce aux arguments vectoriels conventionnels : geom = ‘line’<\/em>, color = ‘steelblue’<\/em>, linewidth = 1.2<\/em> et alpha = 0.9<\/em>.<\/p>\n

La puissance du mod\u00e8le en couches de ggplot2 se r\u00e9v\u00e8le lorsqu’il s’agit de superposer plusieurs lois de Student contrast\u00e9es. Il suffit d’additionner s\u00e9quentiellement au moyen de l’op\u00e9rateur arithm\u00e9tique +<\/strong> plusieurs directives stat_function() cons\u00e9cutives, chacune param\u00e9tr\u00e9e avec son propre df<\/em> et diff\u00e9renci\u00e9e par une couleur distincte ou un motif de ligne particulier au sein de son geom<\/em>. La gestion des r\u00e9solutions d’\u00e9chantillonnage s’effectue automatiquement avec une extr\u00eame fluidit\u00e9 gr\u00e2ce aux algorithmes d’interpolation internes du package, \u00e9liminant tout risque de cr\u00e9nelage visuel.<\/p>\n

8.3 Remplissage sous la courbe avec stat_function et geom = ‘area’<\/h3>\n

L’ombrage des r\u00e9gions d’exclusion ou des intervalles de probabilit\u00e9 sp\u00e9cifiques atteint une sophistication graphique remarquable sous ggplot2 en d\u00e9tournant l’argument g\u00e9om\u00e9trique de stat_function. En sp\u00e9cifiant geom = ‘area’<\/strong>, l’algorithme ne trace plus une simple bordure sup\u00e9rieure, mais projette un polygone de remplissage solide reliant chaque ordonn\u00e9e \u00e9valu\u00e9e jusqu’\u00e0 la base horizontale y = 0.<\/p>\n

Pour restreindre ce remplissage \u00e0 la zone critique d’un test statistique sans colorer l’int\u00e9gralit\u00e9 de la courbe, l’argument xlim<\/strong> peut \u00eatre mobilis\u00e9 directement \u00e0 l’int\u00e9rieur de la couche stat_function concern\u00e9e. Par exemple, pour mettre en relief la queue de rejet droite d’un test au seuil alpha unilat\u00e9ral de 5 % avec 18 degr\u00e9s de libert\u00e9, on extrait d’abord le quantile critique crit <- qt(0.95, df = 18)<\/em>, puis on int\u00e8gre la couche suivante : stat_function(fun = dt, args = list(df = 18), xlim = c(crit, 4), geom = ‘area’, fill = ‘coral’, alpha = 0.6)<\/em>.<\/p>\n

Pour parachever l’\u00e9l\u00e9gance de la composition, l’application d’un th\u00e8me visuel standardis\u00e9 issu de ggplot2, tel que theme_minimal()<\/strong> ou theme_classic()<\/strong>, supprime instantan\u00e9ment le fond gris\u00e2tre par d\u00e9faut et le quadrillage lourd pour les remplacer par une sc\u00e9nographie \u00e9pur\u00e9e conforme aux crit\u00e8res de l’\u00e9dition scientifique internationale. Des fonctions d\u00e9di\u00e9es comme labs(title = ‘…’, x = ‘…’, y = ‘…’)<\/em> finalisent la vectorisation des libell\u00e9s avec une harmonie typographique totale.<\/p>\n

9. Visualisation des sc\u00e9narios de tests unilat\u00e9raux versus bilat\u00e9raux<\/h2>\n

9.1 Repr\u00e9sentation graphique d’une hypoth\u00e8se directionnelle unilat\u00e9rale<\/h3>\n

Le choix \u00e9pist\u00e9mologique entre une hypoth\u00e8se directionnelle unilat\u00e9rale (one-tailed test<\/em>) et une hypoth\u00e8se non directionnelle bilat\u00e9rale (two-tailed test<\/em>) modifie fondamentalement la topologie de la zone de rejet statistique. Dans le champ de la psychologie clinique ou de la pharmacologie comportementale, un chercheur \u00e9valuant une nouvelle th\u00e9rapie br\u00e8ve peut formuler l’hypoth\u00e8se a priori que cette intervention diminuera l’intensit\u00e9 de la symptomatologie d\u00e9pressive, justifiant m\u00e9thodologiquement la focalisation exclusive du risque d’erreur dans une seule direction de l’espace d’\u00e9chantillonnage.<\/p>\n

Graphiquement, cette situation d’inf\u00e9rence unilat\u00e9rale \u00e0 droite se caract\u00e9rise par la concentration int\u00e9grale du quantum d’erreur de type I, conventionnellement fix\u00e9 \u00e0 alpha = 0.05, au sein de l’unique queue sup\u00e9rieure de la distribution de probabilit\u00e9. Le quantile critique d\u00e9limitant l’or\u00e9e de la zone de d\u00e9cision se calcule alors par l’instruction scalaire qt(1 – alpha, df)<\/em>, soit qt(0.95, df)<\/em>. Pour une analyse disposant de 20 degr\u00e9s de libert\u00e9, cette valeur critique s’\u00e9tablit \u00e0 1.725.<\/p>\n

La mise en image de ce sc\u00e9nario via R met en exergue l’avantage comparatif du test directionnel en termes de sensibilit\u00e9 : la fronti\u00e8re critique (1.725) se situe substantiellement plus pr\u00e8s du centre de la distribution que dans une configuration bilat\u00e9rale (o\u00f9 elle s’\u00e9tablirait \u00e0 2.086). La zone hachur\u00e9e d’un seul tenant sur l’extr\u00e9mit\u00e9 droite de la courbe illustre visuellement que des effets de taille plus modeste suffiront \u00e0 p\u00e9n\u00e9trer dans la r\u00e9gion de significativit\u00e9 statistique, tout en rappelant au chercheur l’interdiction formelle de rejeter l’hypoth\u00e8se nulle si l’effet observ\u00e9 se manifestait dans le sens inverse de la pr\u00e9diction th\u00e9orique.<\/p>\n

9.2 Repr\u00e9sentation graphique d’une hypoth\u00e8se non directionnelle bilat\u00e9rale<\/h3>\n

\u00c0 l’inverse, l’immense majorit\u00e9 des recherches exploratoires en sciences humaines et sociales adopte une d\u00e9marche d’investigation non directionnelle. Lorsqu’un psychologue compare les performances mn\u00e9siques de deux groupes soumis \u00e0 des conditions d’amor\u00e7age perceptif distinctes sans certitude formelle quant au sens du diff\u00e9rentiel, l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des moyennes (H0: mu1 = mu2) s’oppose \u00e0 l’hypoth\u00e8se alternative g\u00e9n\u00e9rale de non-\u00e9quivalence (H1: mu1 != mu2).<\/p>\n

Cette neutralit\u00e9 a priori impose de fractionner le risque d’erreur alpha consenti en deux masses de probabilit\u00e9 rigoureusement \u00e9gales de volume alpha \/ 2, soit 0.025 chacune dans le cadre du seuil usuel de 5 %. Les quantiles critiques doivent d\u00e8s lors \u00eatre d\u00e9termin\u00e9s aux deux bornes extr\u00eames via les fonctions qt(0.025, df)<\/em> et qt(0.975, df)<\/em>, g\u00e9n\u00e9rant une structure de d\u00e9cision g\u00e9om\u00e9trique parfaitement sym\u00e9trique par rapport \u00e0 l’axe m\u00e9dian x = 0.<\/p>\n

La visualisation d’une telle distribution bilat\u00e9rale affiche deux r\u00e9gions d’exclusion distinctes, teint\u00e9es de part et d’autre de la masse centrale. Cette double fronti\u00e8re rappelle visuellement au praticien de la recherche que le conservatisme du test est renforc\u00e9 dans chaque direction individuelle : la statistique de test empirique doit d\u00e9montrer un \u00e9cart plus prononc\u00e9 par rapport \u00e0 l’hypoth\u00e8se d’absence d’effet pour franchir les lignes critiques, garantissant ainsi une protection robuste contre les faux positifs d\u00e9coulant de d\u00e9rives al\u00e9atoires non orient\u00e9es.<\/p>\n

9.3 Comparaison c\u00f4te \u00e0 c\u00f4te via faceting ou fen\u00eatrage graphique<\/h3>\n

Pour instruire des \u00e9tudiants ou pour pr\u00e9senter une synth\u00e8se m\u00e9thodologique dans un rapport d’expertise, la mise en vis-\u00e0-vis directe des sc\u00e9narios unilat\u00e9raux et bilat\u00e9raux au sein d’une m\u00eame figure multi-panneaux offre une plus-value p\u00e9dagogique remarquable. Deux approches programmatiques permettent de r\u00e9aliser cet agencement sous R.<\/p>\n

Sous le moteur graphique Base R, la commande de configuration environnementale par(mfrow = c(1, 2))<\/strong> scinde instantan\u00e9ment la matrice d’affichage en une grille horizontale comprenant une ligne et deux colonnes. Deux appels cons\u00e9cutifs \u00e0 curve(), associ\u00e9s \u00e0 leurs zones polygonales respectives (l’une configur\u00e9e avec une zone unilat\u00e9rale unique \u00e0 droite au seuil de 0.05, l’autre arborant les deux zones bilat\u00e9rales \u00e0 0.025), permettent de juxtaposer les deux r\u00e9alit\u00e9s d’inf\u00e9rence sous un \u00e9talonnage d’axes parfaitement concordant.<\/p>\n

Sous ggplot2, cette op\u00e9ration s’ex\u00e9cute \u00e0 travers la m\u00e9canique de facettage r\u00e9gie par facet_wrap()<\/strong>. En g\u00e9n\u00e9rant en amont un jeu de donn\u00e9es synth\u00e9tique structur\u00e9 comprenant une colonne cat\u00e9gorielle codant la modalit\u00e9 de test (\u00ab Unilat\u00e9ral \u00bb vs \u00ab Bilat\u00e9ral \u00bb), ggplot2 d\u00e9ploie de fa\u00e7on synchrone deux panneaux calibr\u00e9s de mani\u00e8re strictement identique. Cette confrontation graphique simultan\u00e9e met imm\u00e9diatement en relief le d\u00e9calage spatial des fronti\u00e8res critiques, fournissant un guide visuel imparable pour sensibiliser la communaut\u00e9 des chercheurs aux dangers m\u00e9thodologiques du \u00ab p-hacking \u00bb, consistant \u00e0 modifier a posteriori la directionnalit\u00e9 du test apr\u00e8s inspection opportuniste des r\u00e9sultats bruts.<\/p>\n

10. Visualisation de la puissance statistique et des distributions non centrales<\/h2>\n

10.1 Introduction \u00e0 la distribution t non centrale sous l’hypoth\u00e8se alternative (H1)<\/h3>\n

L’enseignement conventionnel de l’inf\u00e9rence statistique focalise quasi exclusivement l’attention sur la distribution sous hypoth\u00e8se nulle H0, laissant dans l’ombre conceptuelle la dynamique sous-jacente \u00e0 l’hypoth\u00e8se alternative H1. Or, la prise de d\u00e9cision statistique n’est pas un acte unilat\u00e9ral : elle met en comp\u00e9tition deux mod\u00e8les probabilistes concurrents. Lorsqu’un effet r\u00e9el non nul existe au sein de la population parente, la statistique d’\u00e9chantillonnage ne suit plus une distribution t<\/em> centrale, mais ob\u00e9it rigoureusement \u00e0 une distribution t non centrale<\/strong> (not\u00e9e t_ncp).<\/p>\n

Cette distribution th\u00e9orique avanc\u00e9e requiert un param\u00e8tre additionnel majeur : le param\u00e8tre de non-centralit\u00e9<\/strong>, couramment d\u00e9sign\u00e9 par le sigle ncp<\/em> (non-centrality parameter<\/em>). En psychologie exp\u00e9rimentale, dans le cadre d’une comparaison de deux groupes ind\u00e9pendants de tailles \u00e9gales n, le param\u00e8tre ncp<\/em> est math\u00e9matiquement fonction de la taille de l’effet standardis\u00e9e formalis\u00e9e par le d de Cohen et de la taille de l’\u00e9chantillon :<\/p>\n

delta = ncp = d * sqrt(n \/ 2)<\/p>\n

L’introduction d’un param\u00e8tre ncp<\/em> strictement positif op\u00e8re deux m\u00e9tamorphoses g\u00e9om\u00e9triques radicales sur la courbe de densit\u00e9 : elle d\u00e9place le centre de masse de la distribution vers la droite (l’esp\u00e9rance math\u00e9matique n’est plus nulle) et induit une asym\u00e9trie caract\u00e9ristique avec un \u00e9tirement pr\u00e9f\u00e9rentiel de la queue orient\u00e9e vers les valeurs positives. Comprendre et visualiser la distribution non centrale s’av\u00e8re indispensable pour quantifier avec justesse le concept fondamental de puissance statistique<\/a> (1 – beta).<\/p>\n

10.2 Superposition graphique de la distribution sous H0 et sous H1<\/h3>\n

La repr\u00e9sentation simultan\u00e9e de la distribution sous H0 (centrale, repr\u00e9sentant l’absence d’effet) et de la distribution sous H1 (non centrale, repr\u00e9sentant l’amplitude d’un effet pr\u00e9sum\u00e9 th\u00e9oriquement) offre une illumination p\u00e9dagogique sans \u00e9quivalent sur la m\u00e9canique profonde des tests d’hypoth\u00e8ses de Neyman et Pearson.<\/p>\n

Pour construire ce graphique sous R, on trace initialement la courbe sous H0 centr\u00e9e sur z\u00e9ro au moyen de curve(dt(x, df = 28), from = -4, to = 8, col = ‘black’, lwd = 2)<\/em>, correspondant par exemple \u00e0 deux groupes de 15 sujets (df = 28). On superpose ensuite la distribution sous H1 calibr\u00e9e pour capturer un effet moyen de d = 0.5 via son param\u00e8tre de non-centralit\u00e9 calcul\u00e9 : ncp = 0.5 * sqrt(15 \/ 2) = 1.37. L’appel s’\u00e9crit d\u00e8s lors : curve(dt(x, df = 28, ncp = 1.37), col = ‘blue’, lwd = 2, add = TRUE)<\/em>.<\/p>\n

En projetant ensuite la ligne verticale correspondant \u00e0 la valeur critique bilat\u00e9rale sous H0 (soit environ 2.048), la figure se partitionne visuellement en quatre segments \u00e9pist\u00e9mologiques majeurs :<\/p>\n