{"id":2073,"date":"2026-10-14T18:00:47","date_gmt":"2026-10-14T18:00:47","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-moyenne-geometrique-r-exemples\/"},"modified":"2026-10-14T18:00:47","modified_gmt":"2026-10-14T18:00:47","slug":"comment-calculer-moyenne-geometrique-r-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-moyenne-geometrique-r-exemples","title":{"rendered":"Comment calculer la moyenne g\u00e9om\u00e9trique dans R (avec exemples)"},"content":{"rendered":"

Dans le paysage foisonnant de l’analyse statistique contemporaine et du traitement de donn\u00e9es quantitatives sous l’environnement de programmation R<\/strong>, le choix des indicateurs de tendance centrale constitue un pivot \u00e9pist\u00e9mologique fondamental. Si la moyenne arithm\u00e9tique s’impose par d\u00e9faut dans l’esprit de nombreux praticiens en raison de son intuitivit\u00e9 alg\u00e9brique et de sa manipulabilit\u00e9 analytique, elle s’av\u00e8re fr\u00e9quemment inappropri\u00e9e, voire fallacieuse, d\u00e8s lors que les ph\u00e9nom\u00e8nes sous-jacents ob\u00e9issent \u00e0 des dynamiques multiplicatives, exponentielles ou asym\u00e9triques. En psychologie quantitative, en psychophysique, en \u00e9conom\u00e9trie et dans les neurosciences cognitives computationnelles, les mesures empiriques — qu’il s’agisse de latences motrices, de chronom\u00e9tries mentales ou de ratios psychom\u00e9triques d’adaptation — pr\u00e9sentent r\u00e9guli\u00e8rement des distributions positivement \u00e9tir\u00e9es vers la droite, remettant en cause l’application aveugle du mod\u00e8le additif standard.<\/p>\n

La moyenne g\u00e9om\u00e9trique<\/a> \u00e9merge pr\u00e9cis\u00e9ment pour combler ce gouffre m\u00e9thodologique. Fond\u00e9e sur la racine n-i\u00e8me du produit des observations ou, de fa\u00e7on strictement \u00e9quivalente et num\u00e9riquement plus stable, sur l’exponentielle de la moyenne arithm\u00e9tique de leurs logarithmes, elle offre une synth\u00e8se rigoureuse des grandeurs fonctionnant par proportions et facteurs d’\u00e9chelle. Dans le langage de programmation R<\/a>, environnement d\u00e9di\u00e9 par excellence \u00e0 l’inf\u00e9rence et \u00e0 l’exploitation des donn\u00e9es complexes, l’absence d’une fonction primitive unique et g\u00e9n\u00e9rique nomm\u00e9e directement pour la moyenne g\u00e9om\u00e9trique dans le paquet de base (contrairement \u00e0 la pr\u00e9sence imm\u00e9diate de la fonction mean<\/em>) n\u00e9cessite une compr\u00e9hension algorithmique et math\u00e9matique approfondie afin de d\u00e9velopper des routines de calcul p\u00e9rennes, efficientes et r\u00e9silientes face aux anomalies de mesure.<\/p>\n

Cet article propose une exploration exhaustive, th\u00e9orique et appliqu\u00e9e, du calcul de la moyenne g\u00e9om\u00e9trique dans l’\u00e9cosyst\u00e8me R. En articulant les fondements math\u00e9matiques purs, les imp\u00e9ratifs computationnels li\u00e9s \u00e0 la pr\u00e9cision en virgule flottante, les contraintes empiriques pos\u00e9es par les z\u00e9ros et les valeurs n\u00e9gatives, ainsi que les paradigmes modernes de manipulation de donn\u00e9es vectoris\u00e9es et tabulaires (notamment au travers du m\u00e9tapaquetage tidyverse<\/em> et des biblioth\u00e8ques psychom\u00e9triques sp\u00e9cialis\u00e9es), nous fournissons aux chercheurs et analystes de donn\u00e9es un cadre de r\u00e9f\u00e9rence m\u00e9thodologique complet. \u00c0 travers des impl\u00e9mentations pas \u00e0 pas, des benchmarks conceptuels et des \u00e9tudes de cas inspir\u00e9es des sciences du comportement, ce guide d\u00e9taill\u00e9 \u00e9claire les conditions de calcul, de visualisation et de communication statistique de cette m\u00e9trique incontournable.<\/p>\n

1. Introduction th\u00e9orique et fondements math\u00e9matiques de la moyenne g\u00e9om\u00e9trique<\/h2>\n

1.1 D\u00e9finition formelle et formulation math\u00e9matique<\/h3>\n

D’un point de vue formel, consid\u00e9rons un \u00e9chantillon de variables quantitatives continues strictement positives not\u00e9 x<\/em>, compos\u00e9 de n<\/em> observations scalaires individuelles x1<\/sub>, x2<\/sub>, …, xn<\/sub><\/em>. La moyenne g\u00e9om\u00e9trique, traditionnellement d\u00e9sign\u00e9e par la lettre G<\/em> ou la notation Mgeom<\/sub><\/em>, se d\u00e9finit au sens premier comme la racine n-i\u00e8me du produit continu de l’ensemble de ces termes. En utilisant le formalisme du produit tensoriel scalaire, cette relation s’exprime selon l’\u00e9quation fondamentale :<\/p>\n

G = ( ∏i=1<\/sub>n<\/sup> xi<\/sub> )1\/n<\/sup> = ( x1<\/sub> × x2<\/sub> × … × xn<\/sub> )1\/n<\/sup><\/em><\/p>\n

Bien que cette expression soit conceptuellement limpide, sa mise en œuvre directe sur des ensembles de donn\u00e9es empiriques volumineux se heurte rapidement \u00e0 des obstacles computationnels r\u00e9dhibitoires. Pour contourner ces \u00e9cueils, l’alg\u00e8bre math\u00e9matique exploite la propri\u00e9t\u00e9 de morphisme de la fonction logarithmique, laquelle convertit les produits en sommes lin\u00e9aires. En appliquant le logarithme naturel (ou n\u00e9p\u00e9rien) \u00e0 chaque terme de l’\u00e9galit\u00e9, nous \u00e9tablissons l’\u00e9quivalence logarithmique universelle :<\/p>\n

ln(G) = (1 \/ n) ∑i=1<\/sub>n<\/sup> ln(xi<\/sub>)<\/em><\/p>\n

En composant \u00e0 nouveau par la fonction exponentielle, fonction r\u00e9ciproque stricte du logarithme n\u00e9p\u00e9rien sur le demi-axe r\u00e9el positif, la moyenne g\u00e9om\u00e9trique se reformule \u00e9l\u00e9gamment comme l’exponentielle de la moyenne arithm\u00e9tique des logarithmes de l’\u00e9chantillon initial :<\/p>\n

G = exp( (1 \/ n) ∑i=1<\/sub>n<\/sup> ln(xi<\/sub>) )<\/em><\/p>\n

Cette dualit\u00e9 math\u00e9matique \u00e9claire la place de la moyenne g\u00e9om\u00e9trique au sein de la famille plus large des moyennes g\u00e9n\u00e9ralis\u00e9es, souvent nomm\u00e9es moyennes de Kolmogorov ou moyennes quasi-arithm\u00e9tiques. De surcro\u00eet, la structure de la moyenne g\u00e9om\u00e9trique s’ins\u00e8re de mani\u00e8re immuable dans l’in\u00e9galit\u00e9 classique reliant les moyennes fondamentales, gouvern\u00e9e par l’in\u00e9galit\u00e9 de Cauchy-Schwarz<\/a> et le th\u00e9or\u00e8me des moyennes de puissance. Pour tout ensemble de r\u00e9els strictement positifs non identiques, nous v\u00e9rifions rigoureusement l’ordre hi\u00e9rarchique suivant :<\/p>\n

Moyenne Harmonique ≤ Moyenne G\u00e9om\u00e9trique ≤ Moyenne Arithm\u00e9tique<\/em><\/p>\n

L’\u00e9galit\u00e9 parfaite entre ces trois m\u00e9triques n’est atteinte que dans la circonstance d\u00e9g\u00e9n\u00e9r\u00e9e o\u00f9 l’ensemble des observations sont strictement identiques entre elles (x1<\/sub> = x2<\/sub> = … = xn<\/sub><\/em>), t\u00e9moignant de la dispersion nulle de la distribution.<\/p>\n

1.2 Propri\u00e9t\u00e9s multiplicatives et invariance d’\u00e9chelle<\/h3>\n

L’une des propri\u00e9t\u00e9s structurales les plus remarquables de la moyenne g\u00e9om\u00e9trique r\u00e9side dans son ad\u00e9quation parfaite aux processus gouvern\u00e9s par des m\u00e9canismes g\u00e9n\u00e9rateurs multiplicatifs. Contrairement \u00e0 la moyenne arithm\u00e9tique, qui postule un univers additif o\u00f9 chaque incr\u00e9ment absolu conserve la m\u00eame signification quelle que soit l’amplitude du niveau de d\u00e9part, la moyenne g\u00e9om\u00e9trique analyse les variations relatives, les taux d’accroissement et les facteurs de proportionnalit\u00e9.<\/p>\n

Cette nature multiplicative induit une propri\u00e9t\u00e9 statistique cruciale : l’invariance face au changement d’\u00e9chelle proportionnel, \u00e9galement qualifi\u00e9e d’homog\u00e9n\u00e9it\u00e9 de degr\u00e9 un. Si l’on multiplie l’ensemble des \u00e9l\u00e9ments d’un vecteur exp\u00e9rimental par une constante positive arbitraire k<\/em>, la moyenne g\u00e9om\u00e9trique de la nouvelle s\u00e9rie r\u00e9sultante est rigoureusement \u00e9gale \u00e0 la moyenne g\u00e9om\u00e9trique originale multipli\u00e9e par cette m\u00eame constante k<\/em>. De mani\u00e8re encore plus significative, si l’on compare deux s\u00e9ries de donn\u00e9es mesur\u00e9es dans des unit\u00e9s m\u00e9triques distinctes, le ratio de leurs moyennes g\u00e9om\u00e9triques demeure strictement invariant, ce qui n’est nullement garanti par la moyenne arithm\u00e9tique standard.<\/p>\n

Par ailleurs, la moyenne g\u00e9om\u00e9trique pr\u00e9sente une r\u00e9silience math\u00e9matique sup\u00e9rieure face aux valeurs extr\u00eames positives (les « valeurs aberrantes » ou outliers<\/em> \u00e0 queue lourde). Dans la mesure o\u00f9 la transformation logarithmique sous-jacente comprime l’amplitude des grands nombres tout en dilatant l’intervalle des valeurs proches de z\u00e9ro, un point d’observation anormalement \u00e9lev\u00e9 n’exercera pas sur l’estimation globale la force de levier d\u00e9mesur\u00e9e qu’il imposerait \u00e0 une moyenne arithm\u00e9tique. Cette caract\u00e9ristique conf\u00e8re \u00e0 l’estimateur g\u00e9om\u00e9trique une robustesse relative tr\u00e8s appr\u00e9ci\u00e9e lors de l’\u00e9tude de ph\u00e9nom\u00e8nes physiques ou psychologiques soumis \u00e0 de fortes variations intermittentes.<\/p>\n

1.3 Justification du passage par les logarithmes en calcul num\u00e9rique<\/h3>\n

Sur le plan de l’informatique th\u00e9orique et de l’architecture mat\u00e9rielle des processeurs, l’\u00e9valuation na\u00efve d’un produit continu de n<\/em> nombres selon la formule \u00e9l\u00e9mentaire ( ∏ xi<\/sub> )1\/n<\/sup><\/em> m\u00e8ne in\u00e9luctablement \u00e0 un \u00e9chec algorithmique sur des cohortes de taille mod\u00e9r\u00e9e ou grande. En effet, selon le standard international IEEE 754<\/a> pour l’arithm\u00e9tique en virgule flottante \u00e0 double pr\u00e9cision, les nombres r\u00e9els ne peuvent d\u00e9passer une limite sup\u00e9rieure de l’ordre de 1.797693 × 10308<\/sup><\/em>.<\/p>\n

D\u00e8s lors que l’on manipule, par exemple, un vecteur compos\u00e9 de seulement quelques centaines d’observations d’une valeur moyenne de 50, le produit accumul\u00e9 franchit instantan\u00e9ment cette borne physique, d\u00e9clenchant un d\u00e9passement de capacit\u00e9 arithm\u00e9tique irr\u00e9m\u00e9diable, d\u00e9sign\u00e9 techniquement sous le terme de d\u00e9passement vers l’infini<\/em> ou overflow<\/strong> arithm\u00e9tique. Dans ce cas de figure, l’interpr\u00e9teur R substitue au produit la constante Inf<\/em>, et l’extraction subs\u00e9quente de la racine n-i\u00e8me \u00e9choue en renvoyant invariablement Inf<\/em> ou NaN<\/em>, d\u00e9truisant toute possibilit\u00e9 d’inf\u00e9rence statistique.<\/p>\n

La transformation par le logarithme n\u00e9p\u00e9rien r\u00e9sout ce probl\u00e8me d’ing\u00e9nierie logicielle avec une \u00e9l\u00e9gance absolue. En substituant \u00e0 l’explosion multiplicative une somme de logarithmes, les magnitudes num\u00e9riques demeurent cantonn\u00e9es dans des plages d’amplitude parfaitement ma\u00eetris\u00e9es. Le calcul de la somme ∑ ln(xi<\/sub>)<\/em> s’ex\u00e9cute avec une remarquable stabilit\u00e9 computationnelle, limitant au maximum les erreurs de troncature et d’arrondi machine. Une fois le barycentre obtenu dans le domaine transform\u00e9 par simple division par n<\/em>, l’application finale de l’op\u00e9rateur exponentiel exp()<\/em> restitue la valeur \u00e0 l’\u00e9chelle naturelle sans jamais fr\u00f4ler les fronti\u00e8res de saturation des registres m\u00e9moires du microprocesseur.<\/p>\n

2. Pertinence de la moyenne g\u00e9om\u00e9trique en psychologie quantitative et sciences cognitives<\/h2>\n

2.1 Analyse des temps de r\u00e9action et lois psychophysiques<\/h3>\n

Le champ exp\u00e9rimental de la psychologie cognitive et des neurosciences comportementales mobilise massivement l’analyse des chronom\u00e9tries mentales. Qu’il s’agisse de mesurer la vitesse de d\u00e9tection d’un stimulus visuel, le d\u00e9lai de s\u00e9lection d’une r\u00e9ponse motrice dans une t\u00e2che d’inhibition comportementale (comme la t\u00e2che de Stroop ou le paradigme de Simon), ou encore la vitesse de traitement s\u00e9mantique, la distribution empirique des temps de r\u00e9action ne suit pratiquement jamais une distribution normale gaussienne. Au contraire, elle exhibe une asym\u00e9trie positive marqu\u00e9e, caract\u00e9ris\u00e9e par une accumulation rapide de latences minimales physiologiques et une longue queue de distribution s’\u00e9tirant vers des latences tr\u00e8s \u00e9lev\u00e9es.<\/p>\n

La litt\u00e9rature en psychom\u00e9trie computationnelle d\u00e9montre que ces latences sont remarquablement bien ajust\u00e9es par des lois de distribution log-normales ou des lois d’ex-Gaussienne. Dans le cadre d’un mod\u00e8le log-normal, la moyenne g\u00e9om\u00e9trique des temps de r\u00e9ponse repr\u00e9sente rigoureusement l’estimateur de la m\u00e9diane de la distribution sous-jacente, fournissant le param\u00e8tre d’\u00e9chelle le plus fid\u00e8le pour qualifier la performance cognitive typique d’un participant sans distorsion due \u00e0 d’occasionnels d\u00e9crochages attentionnels.<\/p>\n

De surcro\u00eet, cette approche s’inscrit en continuit\u00e9 directe avec la loi de Weber-Fechner<\/a>, pierre angulaire de la psychophysique classique. Selon cette loi, la sensation subjective psychologique varie proportionnellement au logarithme de l’intensit\u00e9 physique du stimulus objectif administr\u00e9 :<\/p>\n

S = k × ln(I \/ I0<\/sub>)<\/em><\/p>\n

Lorsqu’un chercheur souhaite synth\u00e9tiser les seuils diff\u00e9rentiels de perception sensorielle — par exemple l’intensit\u00e9 lumineuse minimale discernable ou l’amplitude acoustique per\u00e7ue —, le calcul d’une moyenne arithm\u00e9tique d\u00e9nature profond\u00e9ment le substrat psychologique de la mesure. Seule la moyenne g\u00e9om\u00e9trique respecte l’homologie entre l’\u00e9chelle physique exponentielle et la grille perceptuelle humaine logarithmique.<\/p>\n

2.2 \u00c9chelles de r\u00e9ponse et ratios psychom\u00e9triques<\/h3>\n

Au-del\u00e0 de la psychophysique des seuils, la construction d’\u00e9chelles de mesure subjectives en sciences sociales et comportementales s’appuie fr\u00e9quemment sur la m\u00e9thode d’estimation de magnitude popularis\u00e9e par S. S. Stevens. Dans ces protocoles d’\u00e9valuation psychologique directe, les sujets ne r\u00e9pondent pas via des \u00e9chelles d’intervalles contraintes de type Likert (de 1 \u00e0 7), mais assignent librement des valeurs num\u00e9riques arbitraires dont les rapports mutuels refl\u00e8tent leurs jugements internes d’intensit\u00e9 ou de valence.<\/p>\n

Pour agr\u00e9ger de tels jugements entre plusieurs participants, la moyenne arithm\u00e9tique g\u00e9n\u00e8re des aberrations statistiques majeures. Si un sujet A juge un stimulus deux fois plus stressant qu’un r\u00e9f\u00e9rentiel (ratio = 2) et qu’un sujet B le juge deux fois moins stressant (ratio = 0.5), leur ressenti moyen combin\u00e9 devrait logiquement refl\u00e9ter une neutralit\u00e9 relative (ratio = 1). Or, la moyenne arithm\u00e9tique de 2 et de 0.5 s’\u00e9tablit \u00e0 1.25, introduisant un biais positif artificiel non n\u00e9gligeable. En revanche, la moyenne g\u00e9om\u00e9trique de 2 et 0.5 produit avec une parfaite exactitude :<\/p>\n

( 2 × 0.5 )1\/2<\/sup> = ( 1 )1\/2<\/sup> = 1.0<\/em><\/p>\n

L’utilisation de la moyenne g\u00e9om\u00e9trique s’impose \u00e9galement lors de la standardisation et de l’int\u00e9gration de scores composites composites issus de batteries neuropsychologiques pluridisciplinaires. Lorsque des sous-tests \u00e9valuant la flexibilit\u00e9 ex\u00e9cutive, la m\u00e9moire \u00e9pisodique et l’empan visuo-spatial poss\u00e8dent des m\u00e9triques intrins\u00e8ques incommensurables, la synth\u00e8se par moyenne g\u00e9om\u00e9trique garantit que l’indice de performance globale pr\u00e9serve la contribution relative de chaque domaine cognitif sans \u00e9crasement par les \u00e9chelles \u00e0 forte variance brute.<\/p>\n

2.3 Mod\u00e9lisation des trajectoires d’apprentissage et taux de variation<\/h3>\n

L’\u00e9valuation quantitative du progr\u00e8s comportemental au fil des sessions d’entra\u00eenement moteur ou d’acquisition de connaissances rel\u00e8ve intrins\u00e8quement de mod\u00e8les dynamiques non lin\u00e9aires. Selon la c\u00e9l\u00e8bre loi de puissance de l’apprentissage formalis\u00e9e par Newell et Rosenbloom, le temps n\u00e9cessaire pour ex\u00e9cuter une t\u00e2che cognitive complexe d\u00e9cro\u00eet comme une fonction de puissance du nombre d’essais pr\u00e9alablement accomplis :<\/p>\n

T = a × N-b<\/sup><\/em><\/p>\n

o\u00f9 b<\/em> symbolise le taux d’apprentissage de l’individu. Ce ph\u00e9nom\u00e8ne indique que chaque r\u00e9p\u00e9tition procure un gain relatif — un pourcentage de r\u00e9duction de la latence — plut\u00f4t qu’une diminution temporelle constante exprim\u00e9e en millisecondes fixes.<\/p>\n

Lorsque les chercheurs analysent longitudinalement des cohortes d’apprentissage, la d\u00e9termination du rythme moyen de progression n\u00e9cessite imp\u00e9rativement le calcul de moyennes g\u00e9om\u00e9triques appliqu\u00e9es aux ratios d’am\u00e9lioration successifs Tt<\/sub> \/ Tt-1<\/sub><\/em>. Proc\u00e9der par moyenne arithm\u00e9tique sur de tels taux de changement induit le fameux paradoxe de la moyenne des pourcentages, aboutissant \u00e0 une surestimation syst\u00e9matique de la vitesse d’acquisition des comp\u00e9tences cognitives.<\/p>\n

De m\u00eame, dans les protocoles d’investigation de la m\u00e9moire \u00e0 long terme explorant la courbe de l’oubli formul\u00e9e initialement par Hermann Ebbinghaus, la r\u00e9tention mn\u00e9sique s’\u00e9rode selon un facteur de d\u00e9clin multiplicatif r\u00e9current par unit\u00e9 de temps. La quantification rigoureuse du coefficient de r\u00e9tention moyen au sein d’une population n\u00e9cessite par cons\u00e9quent l’agr\u00e9gation g\u00e9om\u00e9trique des indices de persistance mn\u00e9sique interm\u00e9diaires.<\/p>\n

3. La syntaxe fondamentale de base dans R : exp(mean(log(x)))<\/h2>\n

3.1 D\u00e9composition fonctionnelle de l’instruction primitive<\/h3>\n

L’environnement de base de R<\/strong> (souvent d\u00e9sign\u00e9 sous le vocable de base R<\/em>) privil\u00e9gie une philosophie de programmation fonctionnelle o\u00f9 la modularit\u00e9 des op\u00e9rations primitives pr\u00e9vaut sur la multiplication d’op\u00e9rateurs sp\u00e9cialis\u00e9s redondants. Ainsi, pour ex\u00e9cuter le calcul d’une moyenne g\u00e9om\u00e9trique sur un objet vectoriel d\u00e9sign\u00e9 par x<\/em>, l’idiome universel et le plus direct repose sur l’imbrication tripartite :<\/p>\n

exp(mean(log(x)))<\/code><\/p>\n

Examinons avec pr\u00e9cision la m\u00e9canique interne de cette expression lors de son \u00e9valuation s\u00e9quentielle par l’interpr\u00e9teur R :<\/p>\n