{"id":7317,"date":"2026-09-16T19:20:18","date_gmt":"2026-09-16T19:20:18","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/covariance-vs-variance-quelle-est-la-difference\/"},"modified":"2026-09-16T19:20:21","modified_gmt":"2026-09-16T19:20:21","slug":"covariance-vs-variance-quelle-est-la-difference","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=covariance-vs-variance-quelle-est-la-difference","title":{"rendered":"Covariance vs. Variance : Quelle est la diff\u00e9rence ?"},"content":{"rendered":"

L’\u00e9tude scientifique des processus mentaux, des conduites humaines et des structures sous-jacentes de la personnalit\u00e9 repose fondamentalement sur la capacit\u00e9 des chercheurs \u00e0 appr\u00e9hender, mod\u00e9liser et interpr\u00e9ter la variabilit\u00e9. Dans le champ des sciences humaines et du comportement, aucun individu n’est strictement identique \u00e0 un autre, et aucune mesure psychologique ne se reproduit de mani\u00e8re invariante \u00e0 travers le temps ou les contextes. Cette fluctuation inh\u00e9rente aux ph\u00e9nom\u00e8nes psychologiques constitue \u00e0 la fois le d\u00e9fi majeur et l’objet d’\u00e9tude premier de la psychom\u00e9trie contemporaine. Pour d\u00e9passer le stade de la simple narration clinique et acc\u00e9der au rang de science empirique robuste, la psychologie a d\u00fb d\u00e9velopper un outillage quantitatif sophistiqu\u00e9, ancr\u00e9 dans la th\u00e9orie des probabilit\u00e9s et l’analyse statistique multidimensionnelle.<\/p>\n

Au c\u0153ur de cet \u00e9difice m\u00e9thodologique tr\u00f4nent deux concepts cardinaux souvent confondus par les \u00e9tudiants et les praticiens : la variance et la covariance. Si toutes deux partagent une ascendance math\u00e9matique commune fond\u00e9e sur la notion de d\u00e9viation par rapport \u00e0 une valeur centrale, leurs objectifs \u00e9pist\u00e9mologiques et leurs implications op\u00e9rationnelles divergent radicalement. La variance s’attache \u00e0 capturer l’ampleur de l’\u00e9talement d’une grandeur unique autour de son esp\u00e9rance math\u00e9matique, agissant comme le barom\u00e8tre de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 d’un groupe ou de l’incertitude d’une mesure. \u00c0 l’inverse, la covariance explore la dynamique conjointe de deux grandeurs distinctes, traquant la mani\u00e8re dont les fluctuations de l’une s’articulent avec les oscillations de l’autre au sein d’un m\u00eame syst\u00e8me d’observation.<\/p>\n

Comprendre avec rigueur la distinction entre ces deux m\u00e9triques n’est pas une simple coquetterie acad\u00e9mique r\u00e9serv\u00e9e aux sp\u00e9cialistes de la biom\u00e9trie. Il s’agit d’une comp\u00e9tence fondamentale pour quiconque souhaite concevoir des tests psychologiques valides, tester des mod\u00e8les d’\u00e9quations structurelles, \u00e9valuer des protocoles de psychoth\u00e9rapie ou d\u00e9crypter les interactions complexes gouvernant la cognition et les \u00e9motions. Cet article propose une exploration approfondie, math\u00e9matique et pratique de la variance et de la covariance, en examinant pas \u00e0 pas leurs fondements th\u00e9oriques, leurs protocoles de calcul, leurs repr\u00e9sentations matricielles et leurs applications incontournables dans la recherche clinique, cognitive et sociale.<\/p>\n

1. Introduction aux mesures de dispersion et d’association en psychologie<\/h2>\n

1.1 Le r\u00f4le des statistiques descriptives et inf\u00e9rentielles en sciences du comportement<\/h3>\n

Les sciences du comportement \u00e9voluent dans un univers probabiliste o\u00f9 la certitude d\u00e9terministe fait figure d’exception. Contrairement aux sciences physiques fondamentales, o\u00f9 certaines constantes universelles permettent des pr\u00e9dictions d’une exactitude spectaculaire, la psychologie \u00e9tudie des entit\u00e9s biologiques et ph\u00e9nom\u00e9nologiques sujettes \u00e0 une infinit\u00e9 d’influences interactives. La variabilit\u00e9 interindividuelle, loin d’\u00eatre un bruit parasite qu’il conviendrait d’\u00e9liminer m\u00e9caniquement, repr\u00e9sente l’essence m\u00eame de l’investigation psychom\u00e9trique. Qu’il s’agisse des temps de r\u00e9action lors d’une t\u00e2che d’attention divis\u00e9e, des scores de n\u00e9vrosisme sur l’inventaire des cinq grands facteurs de personnalit\u00e9, ou des niveaux de cortisol salivaire en r\u00e9ponse \u00e0 un stress aigu, la dispersion des donn\u00e9es refl\u00e8te l’architecture de la diversit\u00e9 humaine.<\/p>\n

Le passage historique de l’observation clinique qualitative \u00e0 la mod\u00e9lisation statistique formelle a n\u00e9cessit\u00e9 l’\u00e9laboration d’indicateurs standardis\u00e9s capables de r\u00e9sumer des distributions complexes sans en perdre la substance informationnelle. Si les mesures de tendance centrale, \u00e0 l’instar de la moyenne arithm\u00e9tique ou de la m\u00e9diane, offrent un premier point d’ancrage indispensable en indiquant la localisation globale d’un groupe, elles s’av\u00e8rent tragiquement insuffisantes lorsqu’elles sont utilis\u00e9es isol\u00e9ment. Deux cohortes de patients psychiatriques peuvent pr\u00e9senter rigoureusement le m\u00eame score moyen \u00e0 une \u00e9chelle de d\u00e9pression tout en refl\u00e9tant des dynamiques cliniques totalement divergentes : l’une peut \u00eatre caract\u00e9ris\u00e9e par une homog\u00e9n\u00e9it\u00e9 remarquable autour de troubles mod\u00e9r\u00e9s, tandis que l’autre rassemble des profils bipolaires extr\u00eames, juxtaposant des \u00e9tats de r\u00e9mission totale et des phases de crise m\u00e9lancolique aigu\u00eb. <\/p>\n

Les statistiques descriptives fournissent ainsi le cadre d’\u00e9valuation initiale permettant de quantifier la morphologie d’une distribution. Elles ouvrent imm\u00e9diatement la voie aux statistiques inf\u00e9rentielles, dont la vocation est d’extrapoler les caract\u00e9ristiques observ\u00e9es sur un \u00e9chantillon restreint \u00e0 l’ensemble de la population parente. Dans cette perspective, la rigueur de l’inf\u00e9rence d\u00e9pend directement de la pr\u00e9cision avec laquelle la dispersion des mesures a \u00e9t\u00e9 quantifi\u00e9e. L’estimation des erreurs types, la d\u00e9termination des intervalles de confiance et le calcul de la puissance statistique d’une \u00e9tude clinique reposent de mani\u00e8re ind\u00e9fectible sur la prise en compte int\u00e9grale de la variabilit\u00e9 des donn\u00e9es empiriques recueillies aupr\u00e8s des participants.<\/p>\n

1.2 Distinction pr\u00e9liminaire entre variabilit\u00e9 univari\u00e9e et relation bivari\u00e9e<\/h3>\n

Pour appr\u00e9hender la m\u00e9canique quantitative sous-jacente aux donn\u00e9es psychologiques, il convient d’op\u00e9rer une distinction conceptuelle nette entre le traitement univari\u00e9 et le traitement bivari\u00e9. L’approche univari\u00e9e s’int\u00e9resse \u00e0 une dimension singuli\u00e8re du comportement ou de la cognition. Lorsqu’un psychologue scolaire administre un subtest de m\u00e9moire de travail \u00e0 une classe d’\u00e9l\u00e8ves, il observe une seule variable al\u00e9atoire. Dans ce contexte, la pr\u00e9occupation analytique majeure r\u00e9side dans la quantification de la dispersion : les performances se concentrent-elles \u00e9troitement autour de la moyenne, ou observe-t-on un \u00e9talement consid\u00e9rable des scores, t\u00e9moignant d’une disparit\u00e9 substantielle des capacit\u00e9s cognitives au sein du groupe ? C’est pr\u00e9cis\u00e9ment ici qu’intervient la variance, indicateur par excellence de la variabilit\u00e9 univari\u00e9e, mesurant l’\u00e9nergie d’\u00e9cartement des observations individuelles vis-\u00e0-vis de leur barycentre math\u00e9matique.<\/p>\n

\u00c0 l’oppos\u00e9, l’approche bivari\u00e9e fait basculer le chercheur dans le domaine des relations et des contingences. L’attention ne se focalise plus sur une grandeur isol\u00e9e, mais sur la dynamique synchronique de deux vecteurs de donn\u00e9es distincts observ\u00e9s chez les m\u00eames sujets d’exp\u00e9rience. Par exemple, si l’on \u00e9value simultan\u00e9ment la m\u00e9moire de travail et la r\u00e9ussite \u00e0 un test de raisonnement fluide, la question centrale devient relationnelle : les participants manifestant une m\u00e9moire de travail sup\u00e9rieure \u00e0 la moyenne ont-ils \u00e9galement tendance \u00e0 exceller en raisonnement fluide ? Existe-t-il une coordination ou, au contraire, une discordance syst\u00e9matique entre ces deux construits th\u00e9oriques ? La covariance constitue la premi\u00e8re r\u00e9ponse math\u00e9matique \u00e0 cette interrogation bivari\u00e9e, en \u00e9valuant dans quelle mesure les d\u00e9viations observ\u00e9es sur une premi\u00e8re variable s’associent de mani\u00e8re lin\u00e9aire aux d\u00e9viations enregistr\u00e9es sur une seconde variable.<\/p>\n

D’un point de vue \u00e9pist\u00e9mologique, cette dichotomie traduit deux mani\u00e8res compl\u00e9mentaires d’interroger le fonctionnement psychique. L’\u00e9tude de la variance univari\u00e9e rel\u00e8ve d’une logique ontologique de la mesure : elle renseigne sur la distribution intrins\u00e8que d’une caract\u00e9ristique psychologique au sein d’une esp\u00e8ce ou d’une population d\u00e9finie. L’examen de la covariance bivari\u00e9e rel\u00e8ve d’une logique relationnelle ou fonctionnelle : elle permet d’\u00e9chafauder des r\u00e9seaux nomologiques, d’\u00e9laborer des th\u00e9ories causales et d’identifier les r\u00e9gularit\u00e9s structurelles qui lient les diff\u00e9rents \u00e9tages de l’appareil cognitif, affectif et comportemental. Confondre ces deux niveaux d’analyse revient \u00e0 ignorer la diff\u00e9rence entre l’\u00e9tendue spatiale d’un territoire et le r\u00e9seau routier qui le relie \u00e0 une province voisine.<\/p>\n

1.3 Enjeux m\u00e9thodologiques pour la recherche clinique et exp\u00e9rimentale<\/h3>\n

La ma\u00eetrise conceptuelle et op\u00e9rationnelle de la variance et de la covariance soul\u00e8ve des enjeux consid\u00e9rables dans les protocoles de recherche contemporains, qu’ils soient fondamentaux ou appliqu\u00e9s. En psychologie clinique, l’identification pr\u00e9cise des facteurs de vuln\u00e9rabilit\u00e9 repose presque exclusivement sur la d\u00e9composition de la variabilit\u00e9. Lorsqu’une \u00e9quipe de recherche tente d’isoler les marqueurs pr\u00e9dictifs du trouble de stress post-traumatique (TSPT) chez des victimes d’agression, l’objectif consiste \u00e0 d\u00e9terminer quelle portion de la variance des sympt\u00f4mes cliniques peut \u00eatre l\u00e9gitimement attribu\u00e9e \u00e0 des facteurs ant\u00e9rieurs (comme des traumatismes infantiles), \u00e0 des caract\u00e9ristiques p\u00e9ritraumatiques (comme la dissociation per\u00e7ue lors de l’\u00e9v\u00e9nement) ou \u00e0 des facteurs g\u00e9n\u00e9tiques. Ignorer la structure de cette variance compromet gravement la capacit\u00e9 des cliniciens \u00e0 hi\u00e9rarchiser les cibles d’intervention th\u00e9rapeutique prioritaire.<\/p>\n

Sur le plan de la validation des instruments psychom\u00e9triques, la covariance joue un r\u00f4le tout aussi d\u00e9terminant. Selon les lignes directrices des standards de mesure en \u00e9ducation et psychologie, tout nouvel outil d’\u00e9valuation diagnostique doit prouver sa validit\u00e9 de construit \u00e0 travers les concepts de validit\u00e9 convergente et discriminante. La validit\u00e9 convergente exige que les scores au nouvel instrument d\u00e9montrent une forte covariance positive avec les outils pr\u00e9existants mesurant des entit\u00e9s th\u00e9oriquement similaires. Simultan\u00e9ment, la validit\u00e9 discriminante impose que la covariance mesur\u00e9e entre ce nouvel instrument et des \u00e9chelles \u00e9valuant des construits orthogonaux demeure minimale, voire nulle. Sans une compr\u00e9hension rigoureuse de la m\u00e9canique de la covariance, le psychologue risque de valider des \u00e9chelles redondantes ou d’attribuer fallacieusement une valeur novatrice \u00e0 des outils capturant de simples artefacts de mesure.<\/p>\n

Enfin, une mauvaise interpr\u00e9tation de la dispersion empirique expose les praticiens \u00e0 des erreurs diagnostiques pr\u00e9judiciables. Une variance artificiellement restreinte au sein d’un groupe d’\u00e9talonnage \u2013 souvent cons\u00e9cutive \u00e0 un \u00e9chantillonnage de convenance restreint \u00e0 des \u00e9tudiants d’universit\u00e9 \u2013 conduit in\u00e9vitablement \u00e0 sous-estimer la dispersion r\u00e9elle des pathologies dans la population g\u00e9n\u00e9rale. De telles d\u00e9rives m\u00e9thodologiques faussent les seuils cliniques critiques, g\u00e9n\u00e9rant des faux n\u00e9gatifs pr\u00e9judiciables ou des faux positifs induisant des prises en charge psychiatriques indues. La rigueur statistique se pr\u00e9sente donc non comme une contrainte bureaucratique, mais comme le garant \u00e9thique de l’int\u00e9grit\u00e9 de la recherche et de la prise en charge humaine.<\/p>\n

2. Fondements th\u00e9oriques et d\u00e9finition math\u00e9matique de la variance<\/h2>\n

2.1 D\u00e9finition conceptuelle de la variance en tant que dispersion<\/h3>\n

Sur le plan purement conceptuel, la variance peut \u00eatre d\u00e9finie comme la moyenne arithm\u00e9tique du carr\u00e9 des \u00e9carts \u00e0 la moyenne. Pour en saisir la quintessence g\u00e9om\u00e9trique et physique, il est utile de se repr\u00e9senter l’ensemble des scores obtenus par un \u00e9chantillon de sujets sur un continuum unidimensionnel. Le centre de gravit\u00e9 de cette distribution de points mat\u00e9riels correspond rigoureusement \u00e0 l’esp\u00e9rance math\u00e9matique ou moyenne de la s\u00e9rie. Si chaque observation individuelle est reli\u00e9e au centre de gravit\u00e9 par un vecteur d’\u00e9cart, la somme arithm\u00e9tique simple de ces vecteurs s’annule toujours obligatoirement, les d\u00e9viations positives compensant exactement les d\u00e9viations n\u00e9gatives. <\/p>\n

Pour surmonter cette neutralisation alg\u00e9brique et mesurer v\u00e9ritablement la force d’\u00e9loignement globale des donn\u00e9es, il est n\u00e9cessaire d’appliquer une transformation \u00e9liminant les signes n\u00e9gatifs. Le choix de l’\u00e9l\u00e9vation au carr\u00e9, th\u00e9oris\u00e9 initialement par Carl Friedrich Gauss et consolid\u00e9 par Ronald Fisher, poss\u00e8de des propri\u00e9t\u00e9s analytiques admirables en comparaison de la valeur absolue. L’\u00e9l\u00e9vation au carr\u00e9 p\u00e9nalise de mani\u00e8re g\u00e9om\u00e9trique les d\u00e9viations importantes : plus un score individuel s’\u00e9loigne du consensus central du groupe, plus son poids dans le calcul final cro\u00eet de fa\u00e7on exponentielle. La variance mesure ainsi la dispersion globale non pas sous l’angle d’une simple distance m\u00e9trique lin\u00e9aire, mais sous l’angle d’une inertie distributionnelle.<\/p>\n

Dans l’analyse psychologique, une variance faible traduit un ph\u00e9nom\u00e8ne de standardisation ou d’homog\u00e9n\u00e9it\u00e9 comportementale. Un \u00e9chantillon de candidats \u00e0 une formation d’\u00e9lite manifestant une variance quasi nulle \u00e0 un test de stabilit\u00e9 \u00e9motionnelle indique un profil psychologique extr\u00eamement resserr\u00e9, o\u00f9 presque tous les sujets partagent un niveau de r\u00e9gulation affective similaire. \u00c0 l’inverse, une variance \u00e9lev\u00e9e signale une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 marqu\u00e9e, sugg\u00e9rant la pr\u00e9sence de profils atypiques, de sous-populations diff\u00e9renci\u00e9es ou d’une forte sensibilit\u00e9 diff\u00e9rentielle aux stimuli environnementaux. <\/p>\n

2.2 Formulation math\u00e9matique : populationnelle versus \u00e9chantillonnaire<\/h3>\n

L’expression math\u00e9matique formelle de la variance se d\u00e9cline sous deux formes distinctes selon que l’analyse s’applique \u00e0 une population exhaustive ou \u00e0 un \u00e9chantillon probabiliste extrait de celle-ci. Lorsque l’investigateur a le privil\u00e8ge rare de mesurer l’int\u00e9gralit\u00e9 des individus d’une population cible, not\u00e9e par la taille $N$<\/span>, la variance populationnelle, traditionnellement symbolis\u00e9e par la lettre grecque $\\sigma^2$<\/span> (sigma carr\u00e9), s’exprime par la formule canonique suivante :<\/p>\n

$$\\sigma^2 = \\frac{1}{N} \\sum_{i=1}^{N} (X_i – \\mu)^2$$<\/span><\/p>\n

Dans cette \u00e9quation fondamentale, $X_i$<\/span> repr\u00e9sente le score individuel de la $i$<\/span>-i\u00e8me unit\u00e9 statistique, $\\mu$<\/span> symbolise la moyenne param\u00e9trique v\u00e9ritable de la population parente, et le symbole sommatoire $\\sum$<\/span> agr\u00e8ge la totalit\u00e9 des \u00e9carts au carr\u00e9 depuis le premier participant jusqu’au $N$<\/span>-i\u00e8me. Cette formule fournit la mesure exacte, sans incertitude stochastique, de la dispersion du param\u00e8tre d’int\u00e9r\u00eat.<\/p>\n

N\u00e9anmoins, dans la pratique empirique des sciences humaines, les chercheurs travaillent quasi exclusivement avec des \u00e9chantillons d’une taille finie not\u00e9e $n$<\/span>. Lorsque l’on tente d’estimer la variance d’une vaste population \u00e0 partir des donn\u00e9es d’un \u00e9chantillon modeste, l’utilisation directe de la formule populationnelle \u2013 en substituant simplement la moyenne d’\u00e9chantillon $\\bar{X}$<\/span> \u00e0 la moyenne th\u00e9orique inconnue $\\mu$<\/span> et en divisant par $n$<\/span> \u2013 produit une distorsion syst\u00e9matique connue sous le nom de biais d’estimation. Ce biais d\u00e9coule du fait que les donn\u00e9es de l’\u00e9chantillon ont naturellement tendance \u00e0 se regrouper plus \u00e9troitement autour de leur propre moyenne observ\u00e9e $\\bar{X}$<\/span> qu’autour de la moyenne th\u00e9orique $\\mu$<\/span>. La variance calcul\u00e9e avec un diviseur \u00e9gal \u00e0 $n$<\/span> sous-estime donc syst\u00e9matiquement la variance populationnelle r\u00e9elle.<\/p>\n

Pour corriger ce d\u00e9ficit d’estimation, la th\u00e9orie statistique moderne adopte la c\u00e9l\u00e8bre correction de Bessel, qui consiste \u00e0 substituer au diviseur $n$<\/span> la quantit\u00e9 $(n – 1)$<\/span>. La formule de la variance \u00e9chantillonnaire sans biais, not\u00e9e conventionnellement $s^2$<\/span>, se structure ainsi :<\/p>\n

$$s^2 = \\frac{1}{n – 1} \\sum_{i=1}^{n} (X_i – \\bar{X})^2$$<\/span><\/p>\n

Le terme $(n – 1)$<\/span> repr\u00e9sente math\u00e9matiquement les degr\u00e9s de libert\u00e9 du syst\u00e8me statistique. Puisque la somme des r\u00e9sidus par rapport \u00e0 la moyenne d’\u00e9chantillon est contrainte d’\u00eatre \u00e9gale \u00e0 z\u00e9ro, une fois que $(n – 1)$<\/span> \u00e9carts sont librement fix\u00e9s, le $n$<\/span>-i\u00e8me \u00e9cart est math\u00e9matiquement d\u00e9termin\u00e9 d’avance et n’apporte plus aucune information ind\u00e9pendante. La division par ces degr\u00e9s de libert\u00e9 r\u00e9siduels restaure rigoureusement l’exactitude de l’estimateur, assurant que l’esp\u00e9rance math\u00e9matique de $s^2$<\/span> est rigoureusement \u00e9gale \u00e0 $\\sigma^2$<\/span>.<\/p>\n

2.3 Propri\u00e9t\u00e9s math\u00e9matiques fondamentales de la variance<\/h3>\n

La variance poss\u00e8de plusieurs axiomes et propri\u00e9t\u00e9s alg\u00e9briques remarquables qui dictent son utilisation dans les mod\u00e8les quantitatifs complexes. La premi\u00e8re de ces caract\u00e9ristiques r\u00e9side dans sa non-n\u00e9gativit\u00e9 absolue : pour toute variable al\u00e9atoire r\u00e9elle $X$<\/span>, la condition $\\mathrm{Var}(X) ge 0$<\/span> est imp\u00e9rativement v\u00e9rifi\u00e9e. Cette propri\u00e9t\u00e9 d\u00e9coule m\u00e9caniquement de l’\u00e9l\u00e9vation au carr\u00e9 de chaque d\u00e9viation individuelle, tout nombre r\u00e9el \u00e9lev\u00e9 au carr\u00e9 \u00e9tant n\u00e9cessairement positif ou nul. Une variance strictement \u00e9gale \u00e0 z\u00e9ro correspond au cas d\u00e9g\u00e9n\u00e9r\u00e9 d’une constante parfaite, o\u00f9 chaque individu pr\u00e9sente exactement le m\u00eame score que ses pairs, annulant toute divergence au sein des donn\u00e9es.<\/p>\n

Une deuxi\u00e8me s\u00e9rie de propri\u00e9t\u00e9s concerne le comportement de la variance face aux transformations affines et lin\u00e9aires des variables al\u00e9atoires. Si l’on applique une translation \u00e0 une distribution de donn\u00e9es en y ajoutant une constante scalaire $a$<\/span> (par exemple en ajoutant 5 points de bonus \u00e0 tous les scores d’un examen), la variance demeure strictement invariante :<\/p>\n

$$\\mathrm{Var}(X + a) = \\mathrm{Var}(X)$$<\/span><\/p>\n

Sur le plan conceptuel, d\u00e9placer l’ensemble des scores sur l’axe des r\u00e9els d\u00e9cale la moyenne arithm\u00e9tique de la m\u00eame quantit\u00e9 mais ne modifie en aucun cas l’espacement relatif s\u00e9parant les diff\u00e9rents participants. En revanche, si la distribution subit un changement d’\u00e9chelle multiplicative par un scalaire $b$<\/span> (par exemple en convertissant des temps de r\u00e9action de secondes en millisecondes en multipliant par 1000), la variance r\u00e9agit de mani\u00e8re quadratique :<\/p>\n

$$\\mathrm{Var}(bX) = b^2 \\mathrm{Var}(X)$$<\/span><\/p>\n

Cette amplification quadratique met en exergue l’une des contraintes majeures de l’indicateur : la variance n’est pas exprim\u00e9e dans l’unit\u00e9 de mesure initiale de la variable \u00e9tudi\u00e9e, mais dans le carr\u00e9 de cette unit\u00e9. Si un clinicien \u00e9value les scores d’anxi\u00e9t\u00e9 sur une \u00e9chelle gradu\u00e9e en points de s\u00e9v\u00e9rit\u00e9, la variance s’exprime en \u00ab points au carr\u00e9 \u00bb, une dimension g\u00e9om\u00e9trique d\u00e9pourvue d’ancrage s\u00e9mantique intuitif dans le discours m\u00e9dical standard. Pour pallier cette abstraction de l’\u00e9chelle, les chercheurs proc\u00e8dent universellement \u00e0 l’extraction de la racine carr\u00e9e de la variance, obtenant ainsi l’\u00e9cart-type :<\/p>\n

$$s = \\sqrt{s^2}$$<\/span><\/p>\n

L’\u00e9cart-type r\u00e9int\u00e8gre la mesure de dispersion dans la m\u00e9trique native de la variable observ\u00e9e, permettant une interpr\u00e9tation directe et intuitive de l’amplitude de l’\u00e9talement des scores individuels autour de la moyenne.<\/p>\n

3. Calcul pas \u00e0 pas et interpr\u00e9tation empirique de la variance<\/h2>\n

3.1 Protocole de calcul manuel sur un \u00e9chantillon psychom\u00e9trique<\/h3>\n

Afin de ma\u00eetriser l’architecture calculatoire de la variance et de comprendre intimement chaque composante de sa structure analytique, il s’av\u00e8re hautement formateur de d\u00e9composer manuellement son algorithme sur une s\u00e9rie clinique r\u00e9duite. Imaginons une \u00e9tude pilote men\u00e9e au sein d’un service de neuropsychologie aupr\u00e8s d’une cohorte de $n = 6$<\/span> patients c\u00e9r\u00e9bro-l\u00e9s\u00e9s soumis \u00e0 un subtest de flexibilit\u00e9 cognitive. Les scores bruts obtenus par ces six individus sur l’\u00e9chelle psychom\u00e9trique se d\u00e9clinent comme suit : $X = {12, 16, 14, 10, 18, 20}$<\/span>.<\/p>\n

La premi\u00e8re \u00e9tape indispensable consiste \u00e0 d\u00e9terminer avec une pr\u00e9cision maximale le barycentre de la distribution, \u00e0 savoir la moyenne arithm\u00e9tique empirique :<\/p>\n

$$\\bar{X} = \\frac{\\sum X_i}{n} = \\frac{12 + 16 + 14 + 10 + 18 + 20}{6} = \\frac{90}{6} = 15$$<\/span><\/p>\n

La moyenne du groupe s’\u00e9tablit pr\u00e9cis\u00e9ment \u00e0 15 unit\u00e9s. La seconde \u00e9tape requiert le calcul individuel des \u00e9carts \u00e0 cette moyenne pour chaque patient de l’\u00e9chantillon. Cette d\u00e9marche met imm\u00e9diatement en \u00e9vidence la neutralisation syst\u00e9matique des valeurs positives et n\u00e9gatives :<\/p>\n