{"id":2689,"date":"2026-10-14T18:00:53","date_gmt":"2026-10-14T18:00:53","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-et-tracer-une-cdf-en-python\/"},"modified":"2026-10-14T18:00:53","modified_gmt":"2026-10-14T18:00:53","slug":"comment-calculer-et-tracer-une-cdf-en-python","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-et-tracer-une-cdf-en-python","title":{"rendered":"Comment calculer et tracer une CDF en Python"},"content":{"rendered":"

Dans le domaine de l’analyse exploratoire de donn\u00e9es, de la statistique inf\u00e9rentielle et de la mod\u00e9lisation probabiliste, la compr\u00e9hension fine de la structure sous-jacente d’une distribution constitue l’une des d\u00e9marches les plus fondamentales du chercheur et du praticien des donn\u00e9es. Si les mesures de tendance centrale et de dispersion — telles que l’esp\u00e9rance math\u00e9matique, la m\u00e9diane ou l’\u00e9cart-type — offrent un r\u00e9sum\u00e9 commode des observations, elles dissimulent fr\u00e9quemment des caract\u00e9ristiques cruciales, \u00e0 l’image des asym\u00e9tries locales, de la bimodalit\u00e9 ou de l’\u00e9paisseur des queues de distribution. Pour pallier ces simplifications parfois trompeuses, la communaut\u00e9 scientifique s’appuie depuis longtemps sur des outils visuels et analytiques avanc\u00e9s, parmi lesquels la fonction de r\u00e9partition cumulative, universellement d\u00e9sign\u00e9e sous l’acronyme anglophone CDF (Cumulative Distribution Function)<\/a>, occupe une position de premier plan.<\/p>\n

Contrairement aux repr\u00e9sentations graphiques traditionnelles fond\u00e9es sur le d\u00e9coupage en intervalles arbitraires — \u00e0 l’instar des histogrammes ou de l’estimation de densit\u00e9 par noyau —, la fonction de r\u00e9partition cumulative pr\u00e9sente l’avantage exceptionnel d’\u00eatre rigoureusement non param\u00e9trique dans sa version empirique et exempte de tout biais de lissage. Elle permet une \u00e9valuation probabiliste directe, continue et univoque de l’\u00e9chantillon observ\u00e9, facilitant l’estimation des quantiles, la d\u00e9tection des valeurs atypiques et la comparaison formelle entre donn\u00e9es exp\u00e9rimentales et mod\u00e8les th\u00e9oriques. Que ce soit en psychom\u00e9trie, en sciences comportementales, en \u00e9conom\u00e9trie ou en apprentissage automatique, la ma\u00eetrise de cette fonction est indispensable pour quiconque souhaite sonder la dynamique profonde des variables continues et discr\u00e8tes.<\/p>\n

L’\u00e9cosyst\u00e8me Python s’est impos\u00e9 au fil des d\u00e9cennies comme l’environnement computationnel de r\u00e9f\u00e9rence pour le calcul scientifique et l’analyse statistique, gr\u00e2ce \u00e0 des biblioth\u00e8ques hautement optimis\u00e9es telles que NumPy<\/a>, SciPy<\/a>, Matplotlib<\/a>, Seaborn<\/a> et Statsmodels<\/a>. Ce guide exhaustif a pour vocation d’exposer avec une rigueur math\u00e9matique et technique absolue l’ensemble des fondements, algorithmes, techniques de visualisation et protocoles inf\u00e9rentiels n\u00e9cessaires pour calculer, ajuster et tracer avec pr\u00e9cision des fonctions de r\u00e9partition cumulatives dans cet environnement logicielle. De l’\u00e9laboration de fonctions empiriques \u00e0 partir de vecteurs bruts jusqu’\u00e0 la mod\u00e9lisation param\u00e9trique et l’ex\u00e9cution de tests d’ad\u00e9quation robustes, ce trait\u00e9 fournit une m\u00e9thodologie compl\u00e8te, conforme aux standards les plus exigeants de la recherche contemporaine.<\/p>\n

1. Fondements th\u00e9oriques de la fonction de r\u00e9partition cumulative (CDF)<\/h2>\n

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

Sur le plan de la th\u00e9orie formelle des probabilit\u00e9s, telle qu’\u00e9tablie dans le cadre axiomatique de Kolmogorov, consid\u00e9rons un espace probabilis\u00e9 d\u00e9fini par le triplet constitu\u00e9 d’un univers fondamental, d’une tribu d’\u00e9v\u00e9nements et d’une mesure de probabilit\u00e9. Soit une variable al\u00e9atoire r\u00e9elle d\u00e9finie sur cet espace. La fonction de r\u00e9partition cumulative, not\u00e9e conventionnellement F(x)<\/em> ou F_X(x)<\/em>, est la fonction d\u00e9finie sur l’ensemble des nombres r\u00e9els \u00e0 valeurs dans l’intervalle ferm\u00e9 [0, 1], qui associe \u00e0 tout r\u00e9el x<\/em> la probabilit\u00e9 que la variable al\u00e9atoire prenne une valeur inf\u00e9rieure ou \u00e9gale \u00e0 ce seuil sp\u00e9cifique. En notation formelle, nous \u00e9crivons que F(x) = P(X ≤ x)<\/em>. Cette d\u00e9finition, d’une remarquable simplicit\u00e9 conceptuelle, sous-tend l’ensemble de la m\u00e9canique probabiliste moderne et fournit une description int\u00e9grale et exhaustive de la loi de probabilit\u00e9 suivie par la variable consid\u00e9r\u00e9e.<\/p>\n

Cette fonction satisfait imp\u00e9rativement \u00e0 plusieurs propri\u00e9t\u00e9s analytiques indispensables qui d\u00e9coulent directement des axiomes fondamentaux des probabilit\u00e9s. La premi\u00e8re propri\u00e9t\u00e9 cardinale est la monotonie non d\u00e9croissante : pour tout couple de r\u00e9els (x_1, x_2)<\/em> v\u00e9rifiant la relation d’ordre x_1 < x_2<\/em>, l’in\u00e9galit\u00e9 F(x_1) ≤ F(x_2)<\/em> est syst\u00e9matiquement v\u00e9rifi\u00e9e. Cette caract\u00e9ristique traduit la nature intrins\u00e8quement cumulative du processus d’accumulation de probabilit\u00e9s au fur et \u00e0 mesure que la valeur du seuil progresse le long de l’axe r\u00e9el. Par ailleurs, la fonction pr\u00e9sente un comportement asymptotique rigoureusement born\u00e9 : la limite de F(x)<\/em> lorsque x<\/em> tend vers l’infini n\u00e9gatif est strictement \u00e9gale \u00e0 z\u00e9ro, tandis que sa limite lorsque x<\/em> tend vers l’infini positif est strictement \u00e9gale \u00e0 un. Ces deux bornes asymptotiques garantissent que la totalit\u00e9 de la masse de probabilit\u00e9 unitaire est couverte par la fonction.<\/p>\n

Enfin, une propri\u00e9t\u00e9 topologique majeure de la fonction de r\u00e9partition r\u00e9side dans sa continuit\u00e9 \u00e0 droite et dans l’existence d’une limite finie \u00e0 gauche en tout point du domaine r\u00e9el (propri\u00e9t\u00e9 fr\u00e9quemment qualifi\u00e9e par l’acronyme fran\u00e7ais \u00ab c\u00e0dl\u00e0g \u00bb, pour continu \u00e0 droite avec limite \u00e0 gauche). Si la variable al\u00e9atoire est de nature absolument continue, la fonction F(x)<\/em> est alors continue sur l’ensemble du domaine r\u00e9el, ce qui exclut tout saut discret dans le trac\u00e9 de la courbe. En revanche, si la variable comporte des composantes discr\u00e8tes, la fonction de r\u00e9partition adopte une morphologie en marches d’escalier, o\u00f9 la hauteur de chaque discontinuit\u00e9 verticale au point x<\/em> correspond exactement \u00e0 la probabilit\u00e9 ponctuelle P(X = x)<\/em>. Cette dualit\u00e9 math\u00e9matique fait de la CDF un outil unificateur capable de mod\u00e9liser indiff\u00e9remment des ph\u00e9nom\u00e8nes continus, discrets ou mixtes au sein d’un formalisme math\u00e9matique rigoureux et universel.<\/p>\n

1.2 Utilit\u00e9 statistique de la CDF dans l’analyse de donn\u00e9es<\/h3>\n

D’un point de vue strictement m\u00e9thodologique, la fonction de r\u00e9partition cumulative offre une sup\u00e9riorit\u00e9 op\u00e9rationnelle manifeste sur d’autres repr\u00e9sentations graphiques et statistiques usuelles. L’un de ses apports les plus d\u00e9cisifs r\u00e9side dans la lecture directe, quantitative et sans ambigu\u00eft\u00e9 des probabilit\u00e9s associ\u00e9es \u00e0 des intervalles d\u00e9finis. Alors qu’un histogramme exige une int\u00e9gration visuelle de l’aire des rectangles adjacents pour \u00e9valuer la probabilit\u00e9 qu’une observation se situe entre deux valeurs, la CDF permet d’obtenir cette valeur par une simple soustraction arithm\u00e9tique : la probabilit\u00e9 que la variable se trouve dans l’intervalle semi-ouvert ]a, b]<\/em> \u00e9quivaut rigoureusement \u00e0 F(b) – F(a)<\/em>. Cette commodit\u00e9 d’extraction probabiliste se r\u00e9v\u00e8le fondamentale lors de l’\u00e9valuation des seuils critiques dans les protocoles d’assurance qualit\u00e9, l’\u00e9valuation des risques financiers ou la d\u00e9tection de valeurs extr\u00eames en sciences exp\u00e9rimentales.<\/p>\n

Un autre avantage d\u00e9terminant de la fonction de r\u00e9partition cumulative r\u00e9side dans son immunit\u00e9 absolue contre les art\u00e9facts de discr\u00e9tisation qui affectent intrins\u00e8quement les repr\u00e9sentations par histogrammes ou par estimateurs de densit\u00e9 \u00e0 noyau (KDE). Dans un histogramme, le choix arbitraire du nombre de classes (ou \u00ab bins \u00bb) ainsi que la fixation de leur origine g\u00e9om\u00e9trique modifient radicalement la forme apparente de la distribution, conduisant parfois l’analyste \u00e0 suspecter \u00e0 tort une bimodalit\u00e9 ou une sym\u00e9trie inexistante. De m\u00eame, les estimations par noyau d\u00e9pendent lourdement du choix du param\u00e8tre de lissage (\u00ab bandwidth \u00bb), pouvant induire un sous-lissage parasit\u00e9 par le bruit d’\u00e9chantillonnage ou un sur-lissage occultant des variations fines. La CDF empirique, en tant qu’estimateur sans biais et convergent de la CDF th\u00e9orique sous-jacente en vertu du th\u00e9or\u00e8me de Glivenko-Cantelli, ne requiert aucun param\u00e8tre d’ajustement arbitraire, garantissant ainsi une objectivit\u00e9 m\u00e9thodologique totale.<\/p>\n

Par ailleurs, la fonction de r\u00e9partition joue un r\u00f4le de pierre angulaire dans l’\u00e9valuation de la dispersion et l’estimation directe des quantiles d’\u00e9chantillon. En inversant formellement ou visuellement la fonction — c’est-\u00e0-dire en projetant une probabilit\u00e9 d’int\u00e9r\u00eat p<\/em> situ\u00e9e sur l’axe des ordonn\u00e9es vers l’axe des abscisses pour identifier la valeur x<\/em> telle que F(x) = p<\/em> —, le statisticien d\u00e9termine imm\u00e9diatement les centiles, quartiles et d\u00e9ciles de la population. L’\u00e9cart interquartile, qui quantifie l’\u00e9tendue couverte par les cinquante pour cent m\u00e9dians des donn\u00e9es, se visualise instantan\u00e9ment par la distance horizontale s\u00e9parant les ordonn\u00e9es 0,25 et 0,75. Cette propri\u00e9t\u00e9 d’inversion directe conf\u00e8re \u00e0 la CDF un statut privil\u00e9gi\u00e9 pour analyser la robustesse d’un \u00e9chantillon face aux valeurs aberrantes, la pente locale de la courbe renseignant par ailleurs sur la densit\u00e9 de concentration des observations dans chaque segment de l’espace d’\u00e9chantillonnage.<\/p>\n

1.3 Applications quantitatives en sciences comportementales et psychologie<\/h3>\n

Dans le champ des sciences comportementales, de la neuropsychologie et de la psychologie exp\u00e9rimentale, l’usage de la fonction de r\u00e9partition cumulative s’av\u00e8re indispensable pour appr\u00e9hender des distributions intrins\u00e8quement asym\u00e9triques et non gaussiennes. L’analyse des temps de r\u00e9action (TR) dans les t\u00e2ches cognitives de d\u00e9cision binaire ou d’amor\u00e7age sensoriel illustre parfaitement cet imp\u00e9ratif m\u00e9thodologique. Les chronom\u00e9tries mentales g\u00e9n\u00e8rent syst\u00e9matiquement des distributions \u00e9tir\u00e9es vers les valeurs \u00e9lev\u00e9es, pr\u00e9sentant une longue queue droite due \u00e0 des fluctuations attentionnelles momentan\u00e9es ou \u00e0 des latences d’int\u00e9gration motrice. Plut\u00f4t que de tronquer arbitrairement ces donn\u00e9es ou d’imposer artificiellement une moyenne arithm\u00e9tique biais\u00e9e par les latences excessives, les chercheurs mod\u00e9lisent souvent ces distributions par des lois ex-gaussiennes ou de Weibull, dont la CDF permet de d\u00e9composer l’architecture temporelle en distinguant la vitesse de d\u00e9cision basale de la variabilit\u00e9 cognitive.<\/p>\n

En psychom\u00e9trie et en th\u00e9orie de la mesure, la fonction de r\u00e9partition cumulative constitue le vecteur d’\u00e9talonnage indispensable des scores obtenus aux instruments standardis\u00e9s, qu’il s’agisse de batteries d’\u00e9valuation de l’intelligence, d’inventaires de personnalit\u00e9 ou d’\u00e9chelles de psychopathologie quantitative. La transformation brute des scores d’un individu en rangs percentiles s’op\u00e8re par l’interm\u00e9diaire de la CDF empirique calcul\u00e9e sur un \u00e9chantillon repr\u00e9sentatif de standardisation norm\u00e9. Cette proc\u00e9dure math\u00e9matique fournit aux praticiens une \u00e9chelle ordinale invariante permettant de situer pr\u00e9cis\u00e9ment la position relative d’un participant au sein de sa population de r\u00e9f\u00e9rence, palliant l’absence d’unit\u00e9s de mesure physiques dans l’\u00e9valuation des construits psychologiques latents. La forme de la CDF informe en outre sur la fid\u00e9lit\u00e9 de l’instrument aux extr\u00e9mit\u00e9s de l’\u00e9chelle, r\u00e9v\u00e9lant d’\u00e9ventuels effets de plafond ou de plancher nuisibles \u00e0 la granularit\u00e9 diagnostique.<\/p>\n

Enfin, l’\u00e9tude des \u00e9carts de performance interindividuels et intergroupes b\u00e9n\u00e9ficie grandement de la puissance analytique de la CDF. Dans les protocoles comparant, par exemple, des populations cliniques \u00e0 des t\u00e9moins sains sur des indices d’inhibition motrice ou de rappel mn\u00e9sique, l’analyse comparative des courbes cumulatives permet d’identifier \u00e0 quel centile pr\u00e9cis les deux cohortes commencent \u00e0 diverger. Une divergence pr\u00e9coce signale une alt\u00e9ration des processus cognitifs d’amorce, tandis qu’un \u00e9cart circonscrit aux percentiles sup\u00e9rieurs d\u00e9note une vuln\u00e9rabilit\u00e9 s\u00e9lective aux t\u00e2ches requ\u00e9rant un effort soutenu. L’\u00e9valuation cumulative surpasse ici largement les tests d’hypoth\u00e8se classiques centr\u00e9s sur les moyennes, comme le test t de Student, en restituant toute la complexit\u00e9 distributionnelle des trajectoires comportementales observ\u00e9es dans les laboratoires de recherche moderne.<\/p>\n

2. Distinction entre PDF, PMF et CDF<\/h2>\n

2.1 Densit\u00e9 de probabilit\u00e9 (PDF) versus distribution cumulative (CDF)<\/h3>\n

L’articulation formelle entre la fonction de densit\u00e9 de probabilit\u00e9, commun\u00e9ment d\u00e9sign\u00e9e par son acronyme PDF (Probability Density Function)<\/a>, et la fonction de r\u00e9partition cumulative (CDF) repose sur l’op\u00e9ration fondamentale du calcul diff\u00e9rentiel et int\u00e9gral. Pour toute variable al\u00e9atoire continue admettant une densit\u00e9, la CDF repr\u00e9sente l’int\u00e9grale cumul\u00e9e de la PDF depuis l’infini n\u00e9gatif jusqu’au point d’\u00e9valuation x<\/em>. Inversement, en application directe du premier th\u00e9or\u00e8me fondamental de l’analyse math\u00e9matique, la densit\u00e9 de probabilit\u00e9 f(x)<\/em> s’obtient en tout point o\u00f9 la fonction est d\u00e9rivable par la d\u00e9riv\u00e9e premi\u00e8re de la fonction de r\u00e9partition cumulative : f(x) = dF(x) \/ dx<\/em>. Cette relation fondamentale signifie que la densit\u00e9 exprime localement la vitesse de variation de la probabilit\u00e9 cumul\u00e9e, ou g\u00e9om\u00e9triquement la pente de la tangente \u00e0 la courbe de la CDF en ce point pr\u00e9cis.<\/p>\n

En d\u00e9pit de leur \u00e9quivalence formelle, l’interpr\u00e9tation num\u00e9rique de ces deux fonctions diverge substantiellement. La valeur ponctuelle f(x)<\/em> d\u00e9livr\u00e9e par une PDF ne correspond nullement \u00e0 une probabilit\u00e9 — une confusion conceptuelle fr\u00e9quemment observ\u00e9e chez les analystes n\u00e9ophytes —, mais bien \u00e0 une densit\u00e9 relative de probabilit\u00e9 par unit\u00e9 de mesure. En cons\u00e9quence directe, la valeur de f(x)<\/em> peut parfaitement exc\u00e9der la valeur unitaire lorsque la dispersion de la distribution est extr\u00eamement t\u00e9nue, comme c’est le cas pour des distributions normales pr\u00e9sentant un \u00e9cart-type inf\u00e9rieur \u00e0 0,3989. \u00c0 l’oppos\u00e9, la CDF est rigoureusement born\u00e9e par l’intervalle [0, 1] et fournit une probabilit\u00e9 effective directement interpr\u00e9table, \u00e9cartant tout risque de contresens analytique lors de l’\u00e9valuation de valeurs seuils ou de portions d’\u00e9chantillons.<\/p>\n

Sur le plan de la visualisation pratique et de l’inf\u00e9rence non param\u00e9trique, la PDF estim\u00e9e par les algorithmes de noyau souffre d’une forte d\u00e9pendance m\u00e9thodologique vis-\u00e0-vis des hyperparam\u00e8tres statistiques. La s\u00e9lection de la fen\u00eatre de lissage (bandwidth) conditionne int\u00e9gralement la morphologie de la courbe : un lissage trop \u00e9troit engendre une multitude d’oscillations art\u00e9factuelles assimilables \u00e0 un surapprentissage du bruit d’\u00e9chantillonnage, alors qu’une fen\u00eatre excessivement large masque la pr\u00e9sence de sous-populations sous-jacentes. La CDF empirique surmonte totalement cet \u00e9cueil m\u00e9thodologique. D\u00e9pourvue de toute hypoth\u00e8se quant \u00e0 une largeur de bande optimale, elle restitue la g\u00e9om\u00e9trie brute et impartiale de l’\u00e9chantillon, offrant ainsi une robustesse incomparablement sup\u00e9rieure pour diagnostiquer sans pr\u00e9jug\u00e9 la forme v\u00e9ritable de la population \u00e9tudi\u00e9e.<\/p>\n

2.2 Le cas des distributions discr\u00e8tes : La fonction de masse (PMF)<\/h3>\n

Lorsque l’analyse statistique porte sur des variables al\u00e9atoires discr\u00e8tes, le concept de densit\u00e9 s’efface au profit de la fonction de masse de probabilit\u00e9, ou PMF (Probability Mass Function)<\/a>, traditionnellement d\u00e9sign\u00e9e par p(x)<\/em>. Dans ce r\u00e9gime probabiliste discret, la variable ne prend qu’un ensemble d\u00e9nombrable ou fini de valeurs num\u00e9riques distinctes, et p(x)<\/em> quantifie rigoureusement la probabilit\u00e9 ponctuelle P(X = x)<\/em>. La fonction de r\u00e9partition cumulative F(x)<\/em> cesse alors d’\u00eatre une int\u00e9grale au sens de Riemann pour devenir une sommation discr\u00e8te : elle agr\u00e8ge la totalit\u00e9 des masses de probabilit\u00e9s associ\u00e9es \u00e0 chaque point d’\u00e9chantillonnage x_i<\/em> inf\u00e9rieur ou \u00e9gal au seuil continu x<\/em>. Cette structure math\u00e9matique induit une repr\u00e9sentation graphique en escalier, marqu\u00e9e par des segments horizontaux constants s\u00e9par\u00e9s par des discontinuit\u00e9s de saut nettes au droit de chaque modalit\u00e9 autoris\u00e9e.<\/p>\n

Cette distinction th\u00e9orique rev\u00eat une r\u00e9sonance empirique primordiale lors du traitement des donn\u00e9es issues d’\u00e9chelles de mesure ordinale ou de type Likert, abondamment d\u00e9ploy\u00e9es en sciences sociales, en \u00e9pid\u00e9miologie comportementale et en recherche psychom\u00e9trique. Une \u00e9chelle de satisfaction ou d’anxi\u00e9t\u00e9 en 5 ou 7 points ne peut en aucun cas \u00eatre appr\u00e9hend\u00e9e scientifiquement comme un continuum lisse sans introduire d’incoh\u00e9rences de mesure fondamentales. La fonction de r\u00e9partition d’une telle variable doit imp\u00e9rativement refl\u00e9ter les seuils de franchissement d’un \u00e9chelon \u00e0 l’autre. Chaque contremarche verticale sur le trac\u00e9 de la CDF symbolise pr\u00e9cis\u00e9ment la proportion de r\u00e9pondants ayant choisi une modalit\u00e9 particuli\u00e8re, tandis que la longueur du palier horizontal mat\u00e9rialise l’\u00e9cart entre les niveaux de l’\u00e9chelle ordinale.<\/p>\n

L’omission de cette structure discr\u00e8te dans les routines d’analyse informatique aboutit souvent \u00e0 des interpolations lin\u00e9aires artificielles qui masquent les sp\u00e9cificit\u00e9s structurelles de la mesure. Lorsque des praticiens appliquent indiff\u00e9remment des estimateurs continus \u00e0 des scores discrets, ils cr\u00e9ent une illusion de gradation continue susceptible de fausser les tests d’hypoth\u00e8ses et les classifications normatives. Comprendre la relation unissant la PMF \u00e0 sa CDF en escalier est par cons\u00e9quent indispensable pour choisir les bonnes repr\u00e9sentations algorithmiques dans l’\u00e9cosyst\u00e8me Python, \u00e9vitant ainsi de corrompre l’int\u00e9grit\u00e9 s\u00e9miotique et math\u00e9matique des r\u00e9sultats empiriques obtenus sur des donn\u00e9es quantitatives finies.<\/p>\n

2.3 Compl\u00e9mentarit\u00e9 des repr\u00e9sentations graphiques<\/h3>\n

Loin de s’exclure mutuellement, la PDF (ou PMF) et la CDF constituent deux perspectives g\u00e9om\u00e9triques et math\u00e9matiques compl\u00e9mentaires d’un m\u00eame ph\u00e9nom\u00e8ne stochastique, dont l’exploitation combin\u00e9e optimise la phase d’exploration diagnostique. La fonction de densit\u00e9 de probabilit\u00e9 excelle dans la mise en \u00e9vidence imm\u00e9diate des modes distributionnels : les sommets de la courbe de densit\u00e9 pointent avec une clart\u00e9 instantan\u00e9e les zones o\u00f9 les observations se concentrent avec la plus grande intensit\u00e9, permettant d’isoler en un regard la pr\u00e9sence d’une multimodalit\u00e9 trahissant l’existence de sous-groupes non homog\u00e8nes dans la cohorte. Elle permet \u00e9galement d’appr\u00e9cier la sym\u00e9trie visuelle et la dispersion globale du signal par rapport \u00e0 l’axe d’\u00e9quilibrage moyen de la distribution.<\/p>\n

N\u00e9anmoins, la PDF d\u00e9montre une vuln\u00e9rabilit\u00e9 substantielle d\u00e8s lors qu’il s’agit d’interpr\u00e9ter quantitativement les queues de distribution ou d’analyser des \u00e9chantillons d’effectif restreint. Dans les r\u00e9gions extr\u00eames, les densit\u00e9s s’amenuisent jusqu’\u00e0 fr\u00f4ler l’axe horizontal, rendant l’estimation visuelle des probabilit\u00e9s r\u00e9siduelles quasiment impossible \u00e0 l’\u0153il nu. \u00c0 l’inverse, la CDF excelle pr\u00e9cis\u00e9ment dans la repr\u00e9sentation de ces \u00e9v\u00e9nements rares : l’approche asymptotique vers 0 ou vers 1 met en valeur l’\u00e9cartement des derniers centiles et permet de discerner sans ambigu\u00eft\u00e9 la pr\u00e9sence d’observations aberrantes ou de queues lourdes (par exemple de type Cauchy ou Pareto). Sur des petits \u00e9chantillons, o\u00f9 la PDF devient chaotique en raison du manque de donn\u00e9es pour stabiliser les fen\u00eatres locales, la CDF empirique conserve une stabilit\u00e9 math\u00e9matique exemplaire r\u00e9gie par des th\u00e9or\u00e8mes asymptotiques fiables.<\/p>\n

Le tableau analytique suivant r\u00e9sume de mani\u00e8re synoptique les propri\u00e9t\u00e9s diff\u00e9rentielles de ces repr\u00e9sentations graphiques afin de guider l’exp\u00e9rimentateur dans ses arbitrages m\u00e9thodologiques :<\/p>\n