Dans le paysage contemporain de la recherche en psychologie, en neurosciences cognitives et en sciences du comportement, l’analyse quantitative s’est longtemps trouv\u00e9e inf\u00e9od\u00e9e \u00e0 une qu\u00eate quasi exclusive de la tendance centrale. Des g\u00e9n\u00e9rations successives de chercheurs ont examin\u00e9 avec une minutie exemplaire les moyennes de groupes cliniques, exp\u00e9rimentaux ou t\u00e9moins, r\u00e9duisant trop souvent la variabilit\u00e9 observ\u00e9e \u00e0 un simple bruit de fond stochastique, un r\u00e9sidu ind\u00e9sirable qu’il convenait de minimiser \u00e0 tout prix pour faire \u00e9merger la significativit\u00e9 statistique. Pourtant, les fluctuations interindividuelles et intra-individuelles constituent le c\u0153ur m\u00eame de la complexit\u00e9 psychologique. Loin d’\u00eatre un simple artefact de mesure, la dispersion des scores renseigne directement sur la diversit\u00e9 des strat\u00e9gies cognitives, la vuln\u00e9rabilit\u00e9 diff\u00e9rentielle face au stress psychologique, l’instabilit\u00e9 attentionnelle ou encore l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 sous-jacente \u00e0 un diagnostic psychiatrique.<\/p>\n
Face \u00e0 la crise de reproductibilit\u00e9 qui a secou\u00e9 les sciences humaines au cours de la derni\u00e8re d\u00e9cennie, les instances m\u00e9thodologiques internationales, port\u00e9es notamment par l’American Psychological Association<\/a>, ont fermement encourag\u00e9 une transition \u00e9pist\u00e9mologique majeure. Cette mutation exige l’abandon progressif de la d\u00e9pendance aveugle aux seules valeurs p issues des tests d’hypoth\u00e8se nulle au profit de l’estimation de tailles d’effet accompagn\u00e9es de leurs intervalles de confiance respectifs. Si cette exigence est d\u00e9sormais bien int\u00e9gr\u00e9e pour les comparaisons de moyennes \u00e0 travers le d de Cohen ou les contrastes lin\u00e9aires, elle demeure paradoxalement m\u00e9connue et sous-utilis\u00e9e lorsqu’il s’agit de comparer les dispersions. Estimer la pr\u00e9cision du ratio de deux variances au moyen d’un intervalle de confiance permet pourtant de d\u00e9passer la simple d\u00e9cision binaire de rejet ou de non-rejet pour quantifier formellement l’ampleur et l’incertitude associ\u00e9es aux diff\u00e9rences d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 entre deux populations.<\/p>\n Le pr\u00e9sent trait\u00e9 m\u00e9thodologique offre une immersion exhaustive dans les fondements th\u00e9oriques, les d\u00e9rivations alg\u00e9briques et les applications computationnelles de l’intervalle de confiance pour un ratio de variances fond\u00e9 sur la distribution F de Fisher-Snedecor. Con\u00e7u \u00e0 l’intention des chercheurs, doctorants et statisticiens appliqu\u00e9s, ce guide propose un cheminement didactique sans compromis sur la rigueur math\u00e9matique. \u00c0 travers l’examen d\u00e9taill\u00e9 des propri\u00e9t\u00e9s de la variable al\u00e9atoire F, la d\u00e9composition pas \u00e0 pas des calculs manuels, l’automatisation dans les environnements de calcul courants tels que Microsoft Excel et le langage de programmation R, ainsi que l’analyse minutieuse des violations d’hypoth\u00e8ses, nous fournissons ici un cadre complet pour enrichir l’arsenal analytique des sciences du comportement.<\/p>\n Dans l’investigation empirique du psychisme humain, la variance ne repr\u00e9sente pas une nuisance statistique, mais une information substantive de premier ordre. Comprendre la variabilit\u00e9 interindividuelle constitue en r\u00e9alit\u00e9 l’objet d’\u00e9tude matriciel de la psychologie diff\u00e9rentielle et de la psychom\u00e9trie contemporaine. Deux populations d’individus peuvent pr\u00e9senter une performance moyenne rigoureusement identique lors d’une t\u00e2che d’inhibition cognitive ou d’une \u00e9preuve de m\u00e9moire de travail, tout en diff\u00e9rant de mani\u00e8re spectaculaire dans la distribution de leurs r\u00e9sultats. L’une de ces cohortes peut se caract\u00e9riser par un regroupement tr\u00e8s compact des scores autour de la valeur centrale, refl\u00e9tant une homog\u00e9n\u00e9it\u00e9 des m\u00e9canismes cognitifs mobilis\u00e9s, tandis que la seconde peut manifester un \u00e9talement consid\u00e9rable, signalant l’existence de sous-groupes adoptant des trajectoires compensatoires distinctes ou pr\u00e9sentant des degr\u00e9s de vuln\u00e9rabilit\u00e9 disparates.<\/p>\n La distinction m\u00e9thodologique entre la dispersion des scores et la tendance centrale s’av\u00e8re particuli\u00e8rement cruciale en psychopathologie exp\u00e9rimentale et en neuropsychologie clinique. Lorsqu’un protocole \u00e9value l’efficacit\u00e9 d’un protocole de rem\u00e9diation cognitive aupr\u00e8s de patients ayant subi un traumatisme cr\u00e2nien, l’objectif th\u00e9rapeutique ne se limite pas toujours \u00e0 l’\u00e9l\u00e9vation du score moyen \u00e0 un test d’attention soutenue ; il vise fr\u00e9quemment la stabilisation de la performance, c’est-\u00e0-dire la r\u00e9duction drastique de la variance intra- et interindividuelle. Un traitement qui homog\u00e9n\u00e9ise les r\u00e9ponses des patients vers le haut s’av\u00e8re qualitativement diff\u00e9rent d’une intervention qui accro\u00eet la moyenne globale tout en augmentant la dispersion, laissant certains sujets sans am\u00e9lioration notable tout en induisant des gains exceptionnels chez d’autres.<\/p>\n Se contenter d’une simple comparaison des moyennes, via un test t de Student ou une analyse de variance standard, sans proc\u00e9der \u00e0 une quantification formelle de la dispersion, expose le chercheur \u00e0 des conclusions tronqu\u00e9es, voire fallacieuses. La variance mesure le degr\u00e9 d’uniformit\u00e9 comportementale au sein d’un groupe exp\u00e9rimental. N\u00e9gliger cette dimension conduit \u00e0 masquer des ph\u00e9nom\u00e8nes psychologiques majeurs tels que la r\u00e9activit\u00e9 diff\u00e9rentielle aux traitements, l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des profils d’apprentissage ou la pr\u00e9sence de sous-types nosologiques non identifi\u00e9s au sein d’une m\u00eame cat\u00e9gorie diagnostique. L’\u00e9valuation rigoureuse de la variance s’impose donc comme un pr\u00e9alable th\u00e9orique et empirique indispensable.<\/p>\n Historiquement, la comparaison de deux dispersions a repos\u00e9 sur le calcul du ratio d’\u00e9chantillon des variances non biais\u00e9es, not\u00e9 usuellement s<\/em>1<\/sub>2<\/sup> \/ s<\/em>2<\/sub>2<\/sup>. Bien que ce quotient fournisse une estimation ponctuelle intuitive de la divergence d’\u00e9talement entre deux conditions, il demeure intrins\u00e8quement insuffisant pour inf\u00e9rer avec robustesse la r\u00e9alit\u00e9 sous-jacente des populations sources. En raison des fluctuations inh\u00e9rentes \u00e0 l’\u00e9chantillonnage al\u00e9atoire, un ratio empirique sup\u00e9rieur \u00e0 l’unit\u00e9 peut r\u00e9sulter d’un pur hasard probabiliste sans qu’il n’existe la moindre divergence entre les variances r\u00e9elles des populations m\u00e8res, not\u00e9es σ1<\/sub>2<\/sup> et σ2<\/sub>2<\/sup>. \u00c0 l’inverse, un \u00e9chantillon de petite taille peut masquer une divergence pourtant substantielle \u00e0 l’\u00e9chelle populationnelle.<\/p>\n C’est ici qu’intervient l’estimation par intervalle, qui substitue \u00e0 une valeur num\u00e9rique isol\u00e9e un ensemble de valeurs plausibles pour le param\u00e8tre inconnu, associ\u00e9 \u00e0 un degr\u00e9 de certitude math\u00e9matiquement contr\u00f4l\u00e9. D\u00e9finir un intervalle de confiance pour le ratio de deux variances consiste \u00e0 borner la quantit\u00e9 σ1<\/sub>2<\/sup> \/ σ2<\/sub>2<\/sup> au sein d’une fourchette [L<\/em>, U<\/em>] telle que, sous l’hypoth\u00e8se de r\u00e9p\u00e9tition infinie de l’\u00e9chantillonnage selon le m\u00eame protocole, une proportion fix\u00e9e a priori<\/em> (typiquement 95% ou 99%) de ces intervalles recouvrira effectivement le ratio r\u00e9el de la population. Cette d\u00e9marche conf\u00e8re au chercheur une vision imm\u00e9diate de la pr\u00e9cision de son estimation : un intervalle excessivement large signale un manque critique de puissance statistique, incitant \u00e0 la prudence interpr\u00e9tative, tandis qu’un intervalle \u00e9troit atteste d’une estimation chirurgicale de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 relative.<\/p>\n Cette approche par intervalle s’inscrit au c\u0153ur des mutations m\u00e9thodologiques actuelles. Les recommandations promulgu\u00e9es par les comit\u00e9s \u00e9ditoriaux des grandes revues de psychologie pr\u00e9conisent d\u00e9sormais express\u00e9ment la fourniture syst\u00e9matique des intervalles de confiance pour l’ensemble des tailles d’effet rapport\u00e9es. L’estimation par intervalle du ratio de variances permet de d\u00e9passer la logique \u00e9triqu\u00e9e du test de significativit\u00e9 binaire. Plut\u00f4t que de simplement statuer sur le rejet ou le maintien de l’hypoth\u00e8se d’\u00e9galit\u00e9 parfaite des variances, elle invite \u00e0 \u00e9valuer la pertinence clinique ou exp\u00e9rimentale de l’\u00e9cart de dispersion constat\u00e9, quantifiant l’ampleur maximale et minimale th\u00e9oriquement compatible avec les donn\u00e9es observ\u00e9es.<\/p>\n L’objectif fondamental de ce manuel est de d\u00e9mystifier les m\u00e9canismes sous-tendant la construction des intervalles de confiance fond\u00e9s sur la loi de Fisher-Snedecor, en dotant les chercheurs d’un cadre conceptuel et op\u00e9rationnel imm\u00e9diatement mobilisable dans leurs travaux. La litt\u00e9rature m\u00e9thodologique pr\u00e9sente souvent la distribution F sous l’angle exclusif de l’analyse de variance<\/a> (ANOVA), occultant sa vocation originelle d’outil inf\u00e9rentiel d\u00e9di\u00e9 \u00e0 la comparaison directe de deux variances ind\u00e9pendantes. Ce document entend r\u00e9parer cette omission en exposant de fa\u00e7on limpide la m\u00e9canique probabiliste qui r\u00e9git l’encadrement du ratio σ1<\/sub>2<\/sup> \/ σ2<\/sub>2<\/sup>.<\/p>\n Le parcours didactique propos\u00e9 s’articule selon une progression rigoureuse. Nous d\u00e9buterons par l’explicitation des fondements math\u00e9matiques de la variable al\u00e9atoire F, en d\u00e9cortiquant ses propri\u00e9t\u00e9s de distribution, son asym\u00e9trie caract\u00e9ristique et la r\u00e8gle essentielle de r\u00e9ciprocit\u00e9 des quantiles. Nous examinerons ensuite avec la plus grande s\u00e9v\u00e9rit\u00e9 m\u00e9thodologique les postulats sous-jacents \u00e0 son application, avec une insistance particuli\u00e8re sur l’imp\u00e9ratif de normalit\u00e9 et la vuln\u00e9rabilit\u00e9 singuli\u00e8re de ce test face \u00e0 la leptocurtose des distributions psychologiques.<\/p>\n Dans un second temps, nous proc\u00e8derons \u00e0 la d\u00e9rivation analytique compl\u00e8te de l’intervalle canonique, d\u00e9montrant la logique alg\u00e9brique des inversions d’in\u00e9galit\u00e9s et de permutations de degr\u00e9s de libert\u00e9. Cette \u00e9tape th\u00e9orique trouvera son application concr\u00e8te \u00e0 travers une \u00e9tude de cas issue de la recherche en psychologie cognitive, r\u00e9solue successivement par le calcul manuel appuy\u00e9 sur les tables statistiques, puis par l’impl\u00e9mentation automatis\u00e9e dans Microsoft Excel et le logiciel d’analyse statistique R. Enfin, les derni\u00e8res sections seront consacr\u00e9es \u00e0 l’interpr\u00e9tation substantielle des r\u00e9sultats, aux protocoles de diagnostic en pr\u00e9sence de violations des postulats et \u00e0 la contextualisation de ces techniques au sein des plans d’exp\u00e9rience contemporains.<\/p>\n La distribution F, nomm\u00e9e en hommage \u00e0 Sir Ronald Aylmer Fisher et formalis\u00e9e de fa\u00e7on d\u00e9finitive par George Snedecor, constitue l’un des piliers de l’inf\u00e9rence statistique moderne. D’un point de vue strictement math\u00e9matique, la variable al\u00e9atoire F se d\u00e9finit comme le rapport de deux variables al\u00e9atoires ind\u00e9pendantes suivant chacune une distribution du chi-carr\u00e9<\/a>, chacune \u00e9tant pr\u00e9alablement divis\u00e9e par son propre nombre de degr\u00e9s de libert\u00e9. Si l’on consid\u00e8re deux variables al\u00e9atoires ind\u00e9pendantes U<\/em> et V<\/em> telles que U<\/em> suit une loi χ2<\/sup>(d<\/em>1<\/sub>) et V<\/em> suit une loi χ2<\/sup>(d<\/em>2<\/sub>), alors la variable al\u00e9atoire d\u00e9finie par l’\u00e9quation canonique :<\/p>\n F<\/em> = (U<\/em> \/ d<\/em>1<\/sub>) \/ (V<\/em> \/ d<\/em>2<\/sub>)<\/p>\n suit, par construction, une loi de Fisher-Snedecor \u00e0 d<\/em>1<\/sub> degr\u00e9s de libert\u00e9 au num\u00e9rateur et d<\/em>2<\/sub> degr\u00e9s de libert\u00e9 au d\u00e9nominateur, ce que l’on note conventionnellement F<\/em> ~ F<\/em>(d<\/em>1<\/sub>, d<\/em>2<\/sub>). Les param\u00e8tres d<\/em>1<\/sub> et d<\/em>2<\/sub> gouvernent int\u00e9gralement la morphologie de la fonction de densit\u00e9 de probabilit\u00e9 associ\u00e9e. Comme les variables chi-carr\u00e9 r\u00e9sultent de la somme des carr\u00e9s de variables normales centr\u00e9es r\u00e9duites ind\u00e9pendantes, elles ne peuvent prendre que des valeurs strictement positives. Par cons\u00e9quent, le domaine de d\u00e9finition de la variable F s’\u00e9tend exclusivement sur l’intervalle continu ouvert [0, +∞[.<\/p>\n La forme de la courbe de densit\u00e9 de probabilit\u00e9 de la loi F se distingue par une asym\u00e9trie positive prononc\u00e9e, particuli\u00e8rement marqu\u00e9e lorsque les degr\u00e9s de libert\u00e9 au d\u00e9nominateur sont de faible magnitude. La queue de distribution s’\u00e9tire vers la droite de mani\u00e8re substantielle, refl\u00e9tant le fait que si le d\u00e9nominateur de la fraction prend par fluctuation d’\u00e9chantillonnage une valeur tr\u00e8s proche de z\u00e9ro, le quotient r\u00e9sultant tend asymptotiquement vers l’infini. \u00c0 mesure que les degr\u00e9s de libert\u00e9 d<\/em>1<\/sub> et d<\/em>2<\/sub> augmentent, la dispersion globale de la loi diminue, et la masse de probabilit\u00e9 se resserre autour de son esp\u00e9rance math\u00e9matique, laquelle est \u00e9gale \u00e0 d<\/em>2<\/sub> \/ (d<\/em>2<\/sub> – 2) pour toute valeur de d<\/em>2<\/sub> strictement sup\u00e9rieure \u00e0 2.<\/p>\n L’une des particularit\u00e9s les plus remarquables et les plus fonctionnelles de la loi F de Fisher-Snedecor r\u00e9side dans sa propri\u00e9t\u00e9 d’inversion alg\u00e9brique. Contrairement \u00e0 la distribution normale ou \u00e0 la loi t de Student, qui pr\u00e9sentent une sym\u00e9trie axiale parfaite autour de leur moyenne (z\u00e9ro), la loi F est intrins\u00e8quement asym\u00e9trique. Cependant, si une variable al\u00e9atoire X<\/em> suit une loi F<\/em>(d<\/em>1<\/sub>, d<\/em>2<\/sub>), alors son inverse math\u00e9matique direct, soit 1 \/ X<\/em>, suit rigoureusement une distribution F<\/em>(d<\/em>2<\/sub>, d<\/em>1<\/sub>), o\u00f9 les r\u00f4les des degr\u00e9s de libert\u00e9 du num\u00e9rateur et du d\u00e9nominateur se trouvent mutuellement permut\u00e9s.<\/p>\n Cette propri\u00e9t\u00e9 de r\u00e9ciprocit\u00e9 donne naissance \u00e0 une identit\u00e9 fondamentale concernant les quantiles de la distribution, condition sine qua non de la d\u00e9termination manuelle des bornes d’un intervalle de confiance. Si l’on d\u00e9signe par F<\/em>p, d<\/em>1<\/sub>, d<\/em>2<\/sub><\/sub> le quantile de la loi F laissant une probabilit\u00e9 cumul\u00e9e p<\/em> \u00e0 sa droite (dans la convention des queues sup\u00e9rieures couramment adopt\u00e9e par les tables statistiques anglo-saxonnes et francophones), ou laissant une probabilit\u00e9 1 – p<\/em> \u00e0 sa gauche selon la fonction de r\u00e9partition cumulative, la relation suivante s’applique avec une exactitude absolue :<\/p>\n F<\/em>1 – α\/2, d<\/em>1<\/sub>, d<\/em>2<\/sub><\/sub> = 1 \/ F<\/em>α\/2, d<\/em>2<\/sub>, d<\/em>1<\/sub><\/sub><\/p>\n Cette formule de r\u00e9ciprocit\u00e9 est d’une utilit\u00e9 op\u00e9rationnelle inestimable. Dans la quasi-totalit\u00e9 des manuels statistiques et recueils de tables imprim\u00e9es, les auteurs ne fournissent, pour des raisons \u00e9videntes d’\u00e9conomie d’espace \u00e9ditorial, que les valeurs critiques associ\u00e9es aux probabilit\u00e9s de la queue droite (par exemple pour les surfaces α = 0,05, 0,025, 0,01 ou 0,001). D\u00e8s lors, pour d\u00e9terminer la valeur critique inf\u00e9rieure d’un test bilat\u00e9ral ou la borne basse d’un intervalle de confiance \u00e0 95% (laquelle correspond \u00e0 la probabilit\u00e9 cumul\u00e9e de 0,025 dans la queue gauche), le chercheur est contraint d’inverser la valeur critique de la queue sup\u00e9rieure \u00e0 0,025 obtenue en inversant scrupuleusement l’ordre des degr\u00e9s de libert\u00e9. Ignorer ce m\u00e9canisme math\u00e9matique conduit in\u00e9luctablement \u00e0 des erreurs de calcul grossi\u00e8res lors de la construction manuelle des intervalles.<\/p>\n Le comportement de la distribution de Fisher-Snedecor varie de fa\u00e7on spectaculaire selon l’ordre de grandeur de ses degr\u00e9s de libert\u00e9. Lorsque d<\/em>1<\/sub> et d<\/em>2<\/sub> sont faibles (par exemple inf\u00e9rieurs \u00e0 10), la fonction de densit\u00e9 affiche un pic aigu tr\u00e8s proche de z\u00e9ro et une queue de distribution extr\u00eamement lourde qui se d\u00e9ploie tr\u00e8s loin vers les valeurs positives \u00e9lev\u00e9es. Dans ce contexte d’\u00e9chantillons r\u00e9duits, typique de nombreuses exp\u00e9rimentations pilotes ou d’\u00e9tudes neuropsychologiques portant sur des populations rares, la loi F refl\u00e8te l’extr\u00eame instabilit\u00e9 d’\u00e9chantillonnage de la variance. Les quantiles critiques y atteignent des amplitudes consid\u00e9rables, ce qui g\u00e9n\u00e8re m\u00e9caniquement des intervalles de confiance particuli\u00e8rement larges.<\/p>\n Lorsque les degr\u00e9s de libert\u00e9 progressent vers des valeurs interm\u00e9diaires puis \u00e9lev\u00e9es, l’asym\u00e9trie de la courbe s’att\u00e9nue de fa\u00e7on continue. L’esp\u00e9rance math\u00e9matique converge progressivement vers la valeur 1,00 lorsque d<\/em>2<\/sub> tend vers l’infini, et la variance de la loi F, d\u00e9finie math\u00e9matiquement par l’expression :<\/p>\n Var(F<\/em>) = [2 * d<\/em>2<\/sub>2<\/sup> * (d<\/em>1<\/sub> + d<\/em>2<\/sub> – 2)] \/ [d<\/em>1<\/sub> * (d<\/em>2<\/sub> – 2)2<\/sup> * (d<\/em>2<\/sub> – 4)] (pour tout d<\/em>2<\/sub> > 4)<\/p>\n diminue drastiquement, illustrant la r\u00e9duction de l’erreur d’\u00e9chantillonnage. Sur le plan asymptotique, lorsque les deux degr\u00e9s de libert\u00e9 tendent conjointement vers l’infini (d<\/em>1<\/sub> → ∞ et d<\/em>2<\/sub> → ∞), la loi F converge en loi vers une distribution normale d\u00e9g\u00e9n\u00e9r\u00e9e de variance nulle, concentr\u00e9e autour du point 1. Si seul d<\/em>2<\/sub> tend vers l’infini tandis que d<\/em>1<\/sub> demeure fixe, la quantit\u00e9 d<\/em>1<\/sub> * F<\/em> converge vers une distribution du chi-carr\u00e9 standard \u00e0 d<\/em>1<\/sub> degr\u00e9s de libert\u00e9.<\/p>\n Cette sensibilit\u00e9 aigu\u00eb aux variations des degr\u00e9s de libert\u00e9 implique qu’en psychologie exp\u00e9rimentale, l’adjonction de seulement quelques participants dans des protocoles \u00e0 faibles effectifs engendre un gain colossal de pr\u00e9cision sur l’estimation de la variance relative. Passer d’un \u00e9chantillon de 8 participants par groupe (d<\/em> = 7) \u00e0 un \u00e9chantillon de 20 participants (d<\/em> = 19) compresse la distribution critique de la loi F dans des proportions bien plus spectaculaires que le gain de pr\u00e9cision analogue obtenu sur un test t comparant des moyennes. La puissance statistique associ\u00e9e \u00e0 l’inf\u00e9rence sur les variances s’av\u00e8re donc exceptionnellement tributaire de l’effort d’\u00e9chantillonnage initial.<\/p>\n L’application l\u00e9gitime de la distribution F pour la construction d’un intervalle de confiance du ratio de deux variances repose sur un postulat math\u00e9matique formel d’une intransigeance absolue : les populations m\u00e8res dont sont extraits les deux \u00e9chantillons doivent suivre rigoureusement une distribution normale au sens de Gauss. Si le th\u00e9or\u00e8me central limite conf\u00e8re une remarquable robustesse au test t de Student et \u00e0 l’analyse de variance face aux entorses mod\u00e9r\u00e9es de la normalit\u00e9 d\u00e8s lors que les effectifs sont substantiels, cette tol\u00e9rance ne s’applique aucunement \u00e0 l’inf\u00e9rence sur les variances reposant sur la loi F.<\/p>\n1. Introduction aux intervalles de confiance et \u00e0 la comparaison de variances en recherche psychologique<\/h2>\n
1.1 Le r\u00f4le fondamental de la variance dans les sciences du comportement<\/h3>\n
1.2 De l’estimation ponctuelle \u00e0 l’estimation par intervalle<\/h3>\n
1.3 Objectifs et structure du pr\u00e9sent guide m\u00e9thodologique<\/h3>\n
2. Fondements th\u00e9oriques et math\u00e9matiques de la distribution F de Fisher-Snedecor<\/h2>\n
2.1 Origine statistique et d\u00e9rivation de la variable F<\/h3>\n
2.2 Propri\u00e9t\u00e9s alg\u00e9briques de la loi F et r\u00e9ciprocit\u00e9 des quantiles<\/h3>\n
2.3 Comportement asymptotique et sensibilit\u00e9 aux degr\u00e9s de libert\u00e9<\/h3>\n
3. Hypoth\u00e8ses statistiques requises pour l’utilisation de la distribution F<\/h2>\n
3.1 L’hypoth\u00e8se stricte de normalit\u00e9 des populations sous-jacentes<\/h3>\n