DONNÉES / CALCULS

Calculer une évolution, des points de pourcentage et un taux global

Avant d’écrire « hausse de 5 % », vérifiez ce qui a changé : une quantité, un taux ou la composition d’une population. Le résultat arithmétique ne suffit pas à établir que deux séries sont comparables.

Poste d’analyse de séries statistiques avec graphiques illustratifs.

Illustration générée par IA

Les quatre outils ci-dessous séparent des opérations souvent confondues. Saisissez des nombres non négatifs, jusqu’à 1 000 000 000 000, avec au plus huit décimales. La virgule ou le point peut servir de séparateur décimal ; les milliers peuvent être séparés par des espaces. Les valeurs préremplies sont des exemples de calcul, pas des données d’étude. Les effectifs du calcul des résultats manquants doivent être entiers.

1. Évolution d’une quantité

Comparez deux valeurs dans la même unité, sur un périmètre et des périodes compatibles. La différence absolue garde l’unité de départ ; l’évolution relative prend la valeur initiale pour base.

Formule utilisée

différence = finale − initiale ; évolution (%) = 100 × (finale − initiale) / initiale ; indice = 100 × finale / initiale

2. Écart entre deux taux

Saisissez les taux sur l’échelle 0 à 100 : écrivez 20 pour 20 %. Leur soustraction donne des points de pourcentage. Leur évolution relative exprime un changement proportionnel du taux.

Formule utilisée

écart (points) = taux final − taux initial ; évolution relative (%) = 100 × (taux final − taux initial) / taux initial

3. Agréger deux populations

Utilisez des effectifs entiers : nombre de cas et population correspondante. Ne regroupez que des populations disjointes, avec la même définition et une période compatible. Un individu présent dans les deux groupes serait compté deux fois.

Formule utilisée

taux global (%) = 100 × (cas A + cas B) / (population A + population B)

Traiter les observations manquantes

Pour un critère binaire fixé à l’avance, séparez les tentatives, les résultats lisibles et les résultats positifs parmi ceux-ci. Le calcul indique les bornes arithmétiques si chaque résultat illisible pouvait être négatif ou positif. Il ne remplace pas les contrôles manquants.

Formule utilisée

U = N − R ; min = C / N × 100 ; max = (C + U) / N × 100

Comparer des taux : le paradoxe de Simpson

Deux lots fictifs de 100 dossiers chacun sont répartis entre deux profils disjoints. Le même critère binaire est évalué : dans le profil 1, A compte 90 % de cas positifs et B 80 % ; dans le profil 2, A compte 40 % et B 30 %. Ces taux par profil restent fixés dans l’expérience.

Exemple pédagogique fictif, sans données de terrain ni résultat client. Les effectifs sont construits pour illustrer les pondérations.

Modifiez la part du profil 1 dans chaque lot ; le reste appartient au profil 2. Chaque lot garde 100 dossiers, et aucun profil n’est vide.

Sur petit écran, faites défiler le graphique et le tableau horizontalement pour voir toutes les valeurs.

Taux A (%)
45 %
Taux B (%)
75 %
Taux après regroupementTaux agrégés des deux lots fictifs, sur une échelle de 0 à 100 %.0 %25 %50 %75 %100 %A45 %B75 %
Taux après regroupement
Effectifs et taux de l’exemple fictif
ProfilCas positifs / effectif — ATaux A (%)Cas positifs / effectif — BTaux B (%)
Profil 19 / 1090 %72 / 9080 %
Profil 236 / 9040 %3 / 1030 %
Total45 / 10045 %75 / 10075 %
Écart agrégé A − B (points)
-30

A dépasse B dans chaque profil, mais son taux global est inférieur. La répartition des profils inverse ici le classement : c’est une illustration du paradoxe de Simpson.

Taux global (%) = 100 × (cas du profil 1 + cas du profil 2) / (effectif du profil 1 + effectif du profil 2).

Le réglage commun 50 / 50 donne ici 65 % pour A et 55 % pour B. Ce choix pédagogique n’est pas une pondération de référence universelle. Pour une étude réelle, justifier les groupes, le critère et la population de référence ; ce calcul ne démontre ni causalité ni significativité.

Références sur l’effet de composition

Six cas pour relire le résultat

Ces données fictives illustrent les bases, les signes et les limites du regroupement. Ouvrez un cas pour voir les valeurs et le calcul ; le bouton les reprend dans le formulaire correspondant.

Cas fictifPartir de zéro sans inventer un pourcentage

Valeurs de ce cas

Valeur initiale
0
Valeur finale
12

Résultat du calcul

Différence absolue
12
Évolution relative (%)
Non défini : la valeur initiale est nulle.
Indice final, base initiale 100
Non défini : la valeur initiale est nulle.

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

Le passage de 0 à 12 donne 12 unités supplémentaires. La variation relative et l’indice base 100 restent non définis : aucune division par la base nulle ne donne un pourcentage interprétable.

Cas fictifLire une baisse avec son signe

Valeurs de ce cas

Valeur initiale
120
Valeur finale
90

Résultat du calcul

Différence absolue
-30
Évolution relative (%)
-25
Indice final, base initiale 100
75

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

Le passage de 120 à 90 donne −30 unités, soit −25 %. L’indice final vaut 75 en base initiale 100 ; ce n’est ni une baisse de 75 % ni une perte de 25 unités.

Cas fictifChanger de base change le pourcentage

Valeurs de ce cas

Valeur initiale
80
Valeur finale
100

Résultat du calcul

Différence absolue
20
Évolution relative (%)
25
Indice final, base initiale 100
125

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

De 80 à 100, la hausse est de 25 %. Le retour de 100 à 80 est une baisse de 20 %, car le dénominateur devient 100. Les 20 unités de différence restent les mêmes en valeur absolue.

Cas fictifUne petite hausse en points peut être forte en proportion

Valeurs de ce cas

Taux initial (%)
0,2
Taux final (%)
0,3

Résultat du calcul

Écart en points de pourcentage
0,1
Évolution relative (%)
50

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

De 0,2 % à 0,3 %, l’écart est de 0,1 point et la hausse relative de 50 %. Cette arithmétique ne prouve ni causalité ni significativité ; les effectifs et le plan d’observation restent nécessaires.

Cas fictifLe groupe le plus grand change le taux global

Valeurs de ce cas

Cas observés — groupe A
9
Population — groupe A
10
Cas observés — groupe B
10
Population — groupe B
1000

Résultat du calcul

Taux du groupe A (%)
90
Taux du groupe B (%)
1
Taux de la population regroupée (%)
1,88118812

19 / 1010 × 100 = 1,88118812 %

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

Deux groupes disjoints et compatibles ont 9 cas sur 10 et 10 cas sur 1 000. Le regroupement donne 19 sur 1 010, soit environ 1,88 %. La moyenne simple de 90 % et 1 %, égale à 45,5 %, ne décrit pas cette population.

Cas fictifDes groupes qui se chevauchent restent séparés

Valeurs de ce cas

Cas observés — groupe A
10
Population — groupe A
100
Cas observés — groupe B
20
Population — groupe B
100

Résultat du calcul

Taux du groupe A (%)
10
Taux du groupe B (%)
20
Taux de la population regroupée (%)
Les deux taux sont calculés séparément. Le taux global reste suspendu jusqu’à confirmation de la compatibilité des groupes.

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

Les 100 mêmes personnes sont observées à deux dates, avec 10 puis 20 cas. Les taux séparés sont calculables, mais les réunir comme 200 personnes distinctes doublerait les individus. La compatibilité n’est donc pas confirmée ici.

Cas fictifDix résultats restent inconnus

Valeurs de ce cas

Tentatives prévues ou réalisées (N)
30
Résultats lisibles et classés (R)
20
Résultats positifs parmi R (C)
12

Résultat du calcul

Résultats non classés (N − R)
10
Part lisible du programme (%)
66,66666667
Part positive parmi les résultats lisibles (%)
60
Minimum possible parmi les N tentatives (%)
40
Maximum possible parmi les N tentatives (%)
73,33333333

12 / 30 × 100 ; (12 + 10) / 30 × 100

Ces bornes décrivent seulement les affectations possibles des résultats manquants dans ce programme. Ce ne sont ni une estimation probabiliste ni un intervalle de confiance. Elles ne corrigent pas les erreurs de classement, les doublons, le choix du panel ou les dépendances entre essais.

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

12 / 20 = 60 % décrit les seuls résultats lisibles. Sur les 30 tentatives, la part positive peut aller de 40 % à environ 73,33 %, selon les 10 résultats non classés.

Cas fictifAucun résultat n’est lisible

Valeurs de ce cas

Tentatives prévues ou réalisées (N)
12
Résultats lisibles et classés (R)
0
Résultats positifs parmi R (C)
0

Résultat du calcul

Résultats non classés (N − R)
12
Part lisible du programme (%)
0
Part positive parmi les résultats lisibles (%)
Non défini : aucun résultat lisible.
Minimum possible parmi les N tentatives (%)
0
Maximum possible parmi les N tentatives (%)
100

0 / 12 × 100 ; (0 + 12) / 12 × 100

Ces bornes décrivent seulement les affectations possibles des résultats manquants dans ce programme. Ce ne sont ni une estimation probabiliste ni un intervalle de confiance. Elles ne corrigent pas les erreurs de classement, les doublons, le choix du panel ou les dépendances entre essais.

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

Les 12 résultats restent inconnus : la plage possible est 0–100 %. Le taux parmi les résultats lisibles est non défini, car son dénominateur est nul.

Cas fictifUn relevé complet ne prouve pas la représentativité

Valeurs de ce cas

Tentatives prévues ou réalisées (N)
10
Résultats lisibles et classés (R)
10
Résultats positifs parmi R (C)
3

Résultat du calcul

Résultats non classés (N − R)
0
Part lisible du programme (%)
100
Part positive parmi les résultats lisibles (%)
30
Minimum possible parmi les N tentatives (%)
30
Maximum possible parmi les N tentatives (%)
30

3 / 10 × 100 ; (3 + 0) / 10 × 100

Ces bornes décrivent seulement les affectations possibles des résultats manquants dans ce programme. Ce ne sont ni une estimation probabiliste ni un intervalle de confiance. Elles ne corrigent pas les erreurs de classement, les doublons, le choix du panel ou les dépendances entre essais.

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

Les deux bornes valent 30 % : aucun résultat ne manque dans ce programme. Le choix des 10 tentatives et la variabilité d’autres programmes restent à examiner.

Cas fictifZéro résultat positif parmi les réponses lisibles

Valeurs de ce cas

Tentatives prévues ou réalisées (N)
10
Résultats lisibles et classés (R)
8
Résultats positifs parmi R (C)
0

Résultat du calcul

Résultats non classés (N − R)
2
Part lisible du programme (%)
80
Part positive parmi les résultats lisibles (%)
0
Minimum possible parmi les N tentatives (%)
0
Maximum possible parmi les N tentatives (%)
20

0 / 10 × 100 ; (0 + 2) / 10 × 100

Ces bornes décrivent seulement les affectations possibles des résultats manquants dans ce programme. Ce ne sont ni une estimation probabiliste ni un intervalle de confiance. Elles ne corrigent pas les erreurs de classement, les doublons, le choix du panel ou les dépendances entre essais.

Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.

Interprétation

Les huit résultats lisibles sont négatifs, mais deux restent inconnus. La part positive sur les 10 tentatives peut encore aller de 0 % à 20 %.

Quatre pièges de lecture

20 % → 25 %

L’écart est de 5 points ; l’évolution relative du taux est de 25 %. Les deux expressions répondent à des questions différentes.

100 → 120 → 100

La hausse est de 20 %, puis la baisse de 16,66666667 %. La base de la seconde opération est 120 : les pourcentages ne s’annulent pas par simple addition.

1/10 et 45/90

Les taux sont 10 % et 50 %. Si les groupes peuvent être réunis, le résultat est 46/100 = 46 %, et non la moyenne simple de 30 %.

0 n’est pas une donnée manquante

Un zéro observé peut entrer dans un effectif ; une valeur inconnue ne doit pas être remplacée par zéro. Une évolution depuis une base nulle n’a pas de pourcentage relatif défini.

Une méthode reproductible

  1. Fixer les objets

    Notez indicateur, unité, population, dates, code de série et version. Vérifiez les définitions avant de calculer.

  2. Garder les valeurs d’origine

    Conservez numérateurs et dénominateurs, fichier source, date d’extraction et transformations.

  3. Calculer puis relire

    Montrez la formule, l’unité du résultat, l’arrondi et ce que le chiffre ne permet pas d’inférer.

  4. Écrire une conclusion proportionnée

    Une hausse descriptive ne prouve ni une cause ni une différence statistiquement significative.

Questions pratiques

Peut-on additionner deux pourcentages ?

Pas pour additionner deux évolutions successives. Les coefficients se multiplient : +20 %, puis +10 %, donne 1,2 × 1,1 = 1,32, soit +32 %.

Pourquoi le calculateur n’accepte-t-il pas de base négative ?

Une variation relative sur une base négative prête facilement à une lecture inversée. Ce calculateur reste limité aux grandeurs non négatives ; présentez une différence en unités pour les soldes qui traversent zéro.

Peut-on faire la moyenne de deux taux ?

Seulement dans un cas où les pondérations le permettent. Pour un taux de population, utilisez les numérateurs et dénominateurs de groupes comparables sans chevauchement.

La différence obtenue est-elle significative ?

Le calculateur fait de l’arithmétique. Il n’analyse ni plan d’échantillonnage, ni marge d’erreur, ni intervalle de confiance.

Une valeur imprimée 20,0 est-elle connue exactement ?

Non. L’arrondi publié peut masquer une plage de valeurs. Ne déduisez pas une précision supérieure à celle des données d’origine.

REPÈRES DOCUMENTÉS

Moyenne et médiane : relire les 90 valeurs de l’exemple NIST

Le fichier COMPARE-7_1_6.DAT contient les 90 valeurs utilisées par le NIST pour illustrer les valeurs atypiques. La série est conservée dans son ordre croissant et a été consultée le 22 octobre 2026. Il s’agit d’un jeu documentaire de démonstration, pas d’une enquête sur les revenus ni d’une mesure de performance de ce site.

Moyenne et médiane : relire les 90 valeurs de l’exemple NIST
RepèreValeur ou formeCe que cela désigne
n90L’effectif est le nombre de valeurs du fichier, doublons compris. Deux observations portant 322 restent deux observations ; dédupliquer les nombres changerait la distribution.
mean576.077778Moyenne arithmétique recalculée sur les valeurs reçues : somme divisée par 90. L’affichage est arrondi à six décimales ; ce nombre n’est pas présenté comme une nouvelle mesure publiée par le NIST.
median559.5Médiane usuelle de la série paire : moyenne des 45e et 46e valeurs, 559 et 560. Elle décrit une position centrale, pas le revenu d’une personne fictive.
min30Minimum observé dans le fichier. Une petite valeur ne devient pas une erreur simplement parce qu’elle est éloignée de la moyenne.
max1441Maximum observé. Le NIST le signale au-delà d’une borne interne de boîte à moustaches ; cette alerte demande une investigation, pas une suppression automatique.
VariableY · unit unspecifiedLa variable du fichier s’appelle Y et aucune unité métier n’est précisée dans l’en-tête. Ne pas transformer ces nombres en euros, secondes ou habitants.

Comparer les résumés des 90 valeurs NIST

Série officielle de démonstration ; variable Y sans unité précisée. Les résultats ci-dessous sont recalculés par ce site.

Source consultée le .

Toutes les 90 valeurs · Algorithme de quantile 7 · p = 0.5 · Quantile sélectionné : 559,5 · n = 90

Comparer les résumés des 90 valeurs NISTBoîte Q1–Q3, trait rouge : médiane usuelle. Repère bleu : quantile sélectionné. Les moustaches atteignent les observations dans les bornes de 1,5 IQR ; les cercles montrent les observations hors bornes. Axe fixe : 0 à 1500.0300600900120015001 441
Boîte Q1–Q3, trait rouge : médiane usuelle. Repère bleu : quantile sélectionné. Les moustaches atteignent les observations dans les bornes de 1,5 IQR ; les cercles montrent les observations hors bornes. Axe fixe : 0 à 1500.
Comparer les résumés des 90 valeurs NIST
Effectif retenu90
Moyenne576,0778
Médiane usuelle559,5
Q1436,25
Q3738,5
Écart interquartile302,25
Quantile sélectionné559,5
Observations hors bornes1

Exclure 1441 est un scénario de sensibilité, pas une correction de la source. Les données ne contiennent pas de valeur manquante. La médiane usuelle d’un effectif pair est la moyenne des deux valeurs centrales ; Q(0,5) de type 1 peut différer. Les nombres sont arrondis à quatre décimales pour l’affichage.

Les 90 valeurs originales, par ordre croissant

30, 171, 184, 201, 212, 250, 265, 270, 272, 289, 305, 306, 322, 322, 336, 346, 351, 370, 390, 404, 409, 411, 436, 437, 439, 441, 444, 448, 451, 453, 470, 480, 482, 487, 494, 495, 499, 503, 514, 521, 522, 527, 548, 550, 559, 560, 570, 572, 574, 578, 585, 592, 592, 607, 616, 618, 621, 629, 637, 638, 640, 656, 668, 707, 709, 719, 737, 739, 752, 758, 766, 792, 792, 794, 802, 818, 830, 832, 843, 858, 860, 869, 918, 925, 953, 991, 1000, 1005, 1068, 1441

Source : NIST, COMPARE-7_1_6.DAT ; calculs et graphique de ce site.

À retenir pour le dossier

Le comparateur conserve les 90 données et propose une exclusion exploratoire de 1441 pour mesurer la sensibilité. Ce scénario ne corrige pas le fichier original et ne démontre pas que la valeur est fausse. La moyenne est sensible aux valeurs extrêmes ; la médiane reste aussi dépendante des observations et de la règle retenue pour les effectifs pairs.

Pourquoi ne pas calculer la moyenne sur les seules valeurs distinctes ?

Le fichier contient des observations, pas un dictionnaire de valeurs possibles. Retirer les répétitions modifie les fréquences et répond à une autre question. Conserver l’effectif et documenter toute transformation.

Documentation primaire

Documentation consultée le .

REPÈRES DOCUMENTÉS

Compter après une jointure : lignes, valeurs présentes et objets distincts

Un total peut changer uniquement parce que le comptage n’a pas la même unité. PostgreSQL distingue les lignes reçues, les valeurs non nulles et les valeurs distinctes. Le simulateur de jointure montre ces trois comptes sur les mêmes résultats, sans assimiler les numéros pédagogiques à une mesure statistique.

Compter après une jointure : lignes, valeurs présentes et objets distincts
RepèreValeur ou formeCe que cela désigne
COUNT(*)Toutes les lignes d’entréeCompte toutes les lignes du résultat, y compris une ligne de jointure externe dont certaines colonnes sont NULL. Ce nombre décrit le résultat relationnel, pas nécessairement le nombre d’objets de la source initiale.
COUNT(x)Valeurs x non nullesCompte les lignes où l’expression x n’est pas NULL. Après une jointure gauche, COUNT de la clé droite peut être inférieur à COUNT(*), sans qu’une ligne de gauche ait disparu.
COUNT(DISTINCT x)Valeurs x distinctes non nullesCompte les valeurs distinctes non nulles de x. Cela peut corriger le compte d’une clé répétée pour un besoin précis, mais ne répare pas les sommes déjà multipliées par une jointure plusieurs-à-plusieurs.
SUM(x)Valeurs x non nullesAdditionne les valeurs non nulles. Une répétition provoquée par la jointure est additionnée à nouveau ; SUM(DISTINCT x) supprimerait aussi des montants légitimement égaux et ne remplace pas une déduplication par clé.
AVG(x)Dénominateur des x non nulsCalcule la moyenne des valeurs non nulles. Remplacer les valeurs manquantes par zéro change à la fois les termes et le dénominateur. Conserver le nombre de valeurs effectivement observées à côté de la moyenne.
Empty inputCOUNT = 0 · SUM / AVG = NULLSans ligne d’entrée, COUNT renvoie zéro, tandis que SUM et AVG renvoient NULL. Afficher un zéro à l’aide de COALESCE est une décision de restitution ; conserver la distinction avec l’absence de lignes si elle importe.

À retenir pour le dossier

Définir la granularité avant et après jointure, puis contrôler les effectifs et les clés. Ne pas ajouter DISTINCT à toutes les expressions comme une réparation universelle : il agit sur les valeurs sélectionnées, pas sur la vérité de la relation. Pour une somme par objet, traiter les correspondances multiples avant l’agrégation.

Pourquoi COUNT(*) augmente alors que COUNT(DISTINCT id) reste stable ?

La jointure peut avoir créé plusieurs lignes pour le même id. Le nombre d’identifiants reste stable, mais les mesures répétées peuvent encore gonfler une somme ou pondérer involontairement une moyenne.

Documentation primaire

Documentation consultée le .

REPÈRES DOCUMENTÉS

Précision, rappel et taux de faux positifs : trois dénominateurs différents

Les indicateurs binaires ne répondent pas à la même question. Les formules ci-dessous sont non pondérées et utilisent la classe positive déclarée. Elles servent notamment à évaluer une annotation automatique de présence ; elles ne transforment pas une simple mention d’une marque en citation exacte ou en résultat utile.

Précision, rappel et taux de faux positifs : trois dénominateurs différents
RepèreValeur ou formeCe que cela désigne
PrecisionTP / (TP + FP)Parmi les décisions positives, quelle part correspond à une référence positive ? Le complément 1 − précision rapporte les faux positifs aux décisions positives, pas à toutes les références négatives.
Recall / TPRTP / (TP + FN)Parmi les références positives, quelle part a été retrouvée ? Ce dénominateur diffère du précédent. On peut retrouver beaucoup de cas tout en produisant de nombreuses alertes erronées.
Specificity / TNRTN / (TN + FP)Parmi les références négatives, quelle part est correctement écartée ? En binaire, la spécificité est le rappel de la classe négative, avec un dénominateur propre.
FPRFP / (FP + TN)Parmi les références négatives, quelle part devient une fausse alerte ? Il vaut 1 − spécificité. Le confondre avec 1 − précision change la population décrite.
Accuracy(TP + TN) / (TP + TN + FP + FN)Part de toutes les décisions correctes. La composition du corpus compte : une classe fréquente peut peser fortement sur ce score global et masquer les erreurs sur l’autre classe.
F12TP / (2TP + FP + FN)Moyenne harmonique de précision et rappel, écrite directement avec les effectifs. Elle ne prend pas les vrais négatifs en compte et n’est pas une moyenne arithmétique des deux taux.
Balanced accuracy(TPR + TNR) / 2Moyenne des rappels des deux classes. Elle donne un poids égal aux deux rappels plutôt qu’un poids proportionnel aux effectifs. Elle ne représente pas à elle seule un coût métier des erreurs.

À retenir pour le dossier

Une division par zéro rend certains taux indéfinis. Dans l’explorateur, aucune décision positive donne une précision non définie ; le score F1 reste nul s’il existe des faux négatifs. Publier effectifs, politique de traitement et classe positive avec les taux, sans convertir silencieusement tout cas indéfini en zéro.

Le taux de faux positifs est-il toujours 1 − précision ?

Non. Le premier divise FP par FP + TN ; le second divise FP par TP + FP. Ils portent sur des ensembles différents et peuvent évoluer différemment.

Documentation primaire

Documentation consultée le .

REPÈRES DOCUMENTÉS

ROC AUC et précision moyenne : deux lectures du classement, pas deux noms du même score

À partir des quatre paires de l’exemple officiel de précision moyenne, on calcule une ROC AUC de 3/4 et une AP de 5/6. Ces fractions sont des calculs sur cet exemple pédagogique, et non des performances mesurées sur un agent. Elles restent identiques lorsque l’explorateur change seulement le seuil de décision.

ROC AUC et précision moyenne : deux lectures du classement, pas deux noms du même score
RepèreValeur ou formeCe que cela désigne
Four-score example · ROC AUC3 / 4 = 0.75Avec deux positifs et deux négatifs, on compare quatre couples positif-négatif. Le score du positif dépasse celui du négatif dans trois couples : l’aire ROC vaut 0.75 sur ces scores tous distincts.
Four-score example · AP5 / 6 ≈ 0.833333Dans l’ordre décroissant, les positifs apparaissent aux rangs 1 et 3. L’AP vaut ici (1 + 2/3) / 2. La documentation affiche 0.83 après arrondi ; la fraction explicite évite de confondre cet affichage avec une valeur exacte à deux décimales.
AP definitionΣ (R_n − R_(n−1)) × P_nLa définition scikit-learn additionne les précisions pondérées par les gains de rappel. Elle n’interpole pas linéairement la courbe précision-rappel ; une aire trapézoïdale PR peut donc produire un autre nombre.
ROC coordinatesx = FPR · y = TPRLa courbe ROC décrit les couples taux de faux positifs et rappel obtenus en faisant varier le seuil. Le point coloré du graphique est une décision particulière sur la courbe, pas une nouvelle aire à chaque sélection.
Ranking / thresholdscore → decisionUn seuil fixe transforme un classement en étiquettes. Changer ce seuil ne réentraîne pas le modèle et ne modifie pas les scores sources dans cet outil ; les décisions et leurs métriques changent pourtant.
Scores / probabilitiesranking ≠ calibrationUne transformation strictement croissante des scores conserve leur ordre. Un classement utile ne prouve pas que 0.8 représente une fréquence de succès de 80 % ; la calibration répond à une autre question.

À retenir pour le dossier

Nommer la métrique exacte et sa convention, garder les étiquettes et les scores, et comparer sur le même corpus. Ces quatre cas ne permettent pas d’estimer une performance de déploiement. Une bonne aire globale ne choisit pas le seuil ni le coût acceptable des faux positifs.

Peut-on annoncer que AP et aire sous la courbe PR sont toujours interchangeables ?

Non. L’AP scikit-learn utilise une somme par gains de rappel, tandis qu’une interpolation trapézoïdale applique une autre règle. Préciser l’implémentation et la définition, surtout quand les points sont peu nombreux.

Documentation primaire

Documentation consultée le .

REPÈRES DOCUMENTÉS

Plusieurs documents OCR : sommer les erreurs et les références

La moyenne simple des taux par document et le taux du corpus répondent à deux questions différentes. Le lecteur ci-dessous rend visibles les dénominateurs, y compris lorsqu’une référence est réellement vide.

Plusieurs documents OCR : sommer les erreurs et les références
RepèreValeur ou formeCe que cela désigne
corpus100 × ΣE / ΣNLe taux du corpus est 100 × somme(E) / somme(N). Les erreurs d’un document à référence connue vide restent au numérateur ; elles ne disparaissent pas parce que son taux local est indéfini.
document meanmean(100 × Eᵢ/Nᵢ)La moyenne simple donne le même poids à chaque document. Elle n’est calculée ici que si les deux N sont strictement positifs ; aucun document n’est ignoré en silence.
example2/101 ≈ 1.980198% · mean = 50.5%Avec E/N = 1/1 et 1/100, le taux global est 2/101, environ 1,980198 %. La moyenne des taux vaut (100 % + 1 %)/2 = 50,5 %. Les deux résultats sont calculés correctement mais désignent des pondérations différentes.
alignment boundarydocument pairs preservedCalculer d’abord les alignements à l’intérieur des paires de documents. Concaténer toutes les pages avant l’alignement peut autoriser des rapprochements entre frontières et changer les erreurs. Garder profil, unité et appariement identiques.

Deux documents : comparer le taux global et la moyenne

Exemple pédagogique original ; aucune mesure d’un moteur OCR réel.

Entiers de 0 à 1 000 000 par champ. Un N nul désigne ici une référence vérifiée vide, jamais une donnée manquante.

Les outils calculent dans votre navigateur, sans transmettre les textes saisis.

Comparaison calculée · ΣE = 2 · ΣN = 101

Total des erreurs
2
Total des unités de référence
101
Taux global du corpus (%)
1,980198
Moyenne simple des deux taux (%)
50,5
Compteurs et taux par document
DocumentENTaux local (%)
111100
211001

Formule et profil

ΣN > 0 → corpus = 100 × (E₁+E₂)/(N₁+N₂)
N₁ > 0 and N₂ > 0 → mean = (100E₁/N₁ + 100E₂/N₂)/2
Illustration fixe de l’exemple initial : poids des documents différents, 2/101 contre moyenne 50,5 %. Les résultats du formulaire sont donnés séparément.E₁/N₁ = 1/1 = 100%E₂/N₂ = 1/100 = 1%2/101 ≈ 1.980198%(100% + 1%)/2 = 50.5%
Illustration fixe de l’exemple initial : poids des documents différents, 2/101 contre moyenne 50,5 %. Les résultats du formulaire sont donnés séparément.
Exemples de deux documents, sans concaténation
Exemples de deux documents, sans concaténation
(E₁,N₁,E₂,N₂)Total des erreursTotal des unités de référenceTaux global du corpus (%)Moyenne simple des deux taux (%)
1, 1, 1, 10021011,98019850,5
1, 10, 1, 102201010
1, 1, 2, 031300Indéfini
0, 0, 0, 000IndéfiniIndéfini
2, 0, 3, 050IndéfiniIndéfini
0, 100, 0, 100020000
2, 1, 0, 10021011,980198100

À retenir pour le dossier

Compteurs pédagogiques de deux documents, sans observation d’un corpus réel. Une référence manquante n’est pas une référence vérifiée vide : ne pas la coder N = 0 par défaut. Si la somme des N vaut zéro, le taux global est indéfini ; les erreurs sont toujours affichées.

Quand la pondération par N donne-t-elle le taux global ?

Si tous les N sont positifs, la moyenne des taux pondérée par leur N égale somme(E)/somme(N). Quand un N est nul avec des insertions, son taux local est indéfini : partir directement des compteurs évite de perdre ses erreurs.

Documentation primaire

Documentation consultée le .

REPÈRES DOCUMENTÉS

Lire une série réelle : l’usage d’Internet, 2020–2024

Ces observations permettent de comparer une variation en points et une variation relative sur une série publiée. Les trois pays constituent un choix de lecture, pas un classement de performance numérique.

L’indicateur mesure la part de la population ayant utilisé Internet au cours des trois derniers mois. Il ne mesure ni le temps de connexion, ni la qualité d’un accès, ni l’usage d’un assistant IA.

IT.NET.USER.ZS · Extraction · Dernière mise à jour signalée par l’API .

Part de la population · % · axe de 0 à 100Graphique des trois séries ; toutes les valeurs sont disponibles dans le tableau suivant.025507510020202021202220232024FranceAllemagneEspagne
Part de la population · % · axe de 0 à 100 · FranceAllemagneEspagne
Lire une série réelle : l’usage d’Internet, 2020–2024 · %
Pays20202021202220232024
France84,7186,1085,3386,8488,65
Allemagne89,8191,4391,6392,4893,50
Espagne93,2193,9094,4995,4595,76

France : de 84,71% en 2020 à 88,65% en 2024 ; 3,95 points, soit 4,66% relativement au départ.

Les valeurs du tableau sont arrondies à deux décimales ; les calculs utilisent les valeurs reçues sans cet arrondi. Les révisions de la série et les différences de collecte doivent être examinées avant toute explication causale.

Source : UIT, diffusée par la Banque mondiale. Extrait et graphique réalisés par Alexis Roux ZG. CC BY 4.0

Consulter la série officielle · Définition et méthode

REPÈRES DOCUMENTÉS

BCE : neuf taux historiques pour vérifier une conversion

Ces neuf observations correspondent à trois journées choisies de 2025 et à trois devises. Elles ont été extraites le 22 octobre 2026. Cet échantillon est figé : il ne représente ni un cours actuel, ni une moyenne annuelle, ni l’ensemble des jours de 2025.

Les taux sont cotés en unités de devise pour un euro. Pour passer d’un montant en devise à des euros, divisez par le taux ; dans l’autre sens, multipliez. Le calcul ne corrige pas l’inflation et n’ajoute ni frais ni marge de change.

Extrait figé, consulté le .

Tableau des taux · unités de devise pour 1 EUR
Date d’observationUSD/EURGBP/EURJPY/EUR
1.03210.83118162.04
1.14190.8434162.98
1.1750.8726184.09

Méthode : M en devise ÷ T en devise/EUR = M/T en EUR. À l’inverse : M en EUR × T = M×T en devise.

Le point ou la virgule sert de séparateur décimal ; les espaces peuvent séparer les milliers. Les montants négatifs sont acceptés pour examiner une correction.

1 000,00 USD donnent 968,90 EUR. Observation du 2025-01-02 : 1 EUR = 1.0321 USD.

Illustration arithmétique : le montant saisi est un exercice, pas une dépense observée. Résultat arrondi à deux décimales, calcul effectué avec le taux conservé. La BCE publie ces références à titre informatif et déconseille leur utilisation pour des transactions.

Clés des séries et méthode d’extraction

Fréquence D : quotidienne. Trois dates distinctes, aucune interpolation des jours manquants. Cotation en devise par EUR, multiplicateur d’unité 0 dans les réponses. Les neuf valeurs sont conservées avec leur précision d’origine ; les calculs dérivés ne sont pas des taux officiels supplémentaires.

  • EXR.D.GBP.EUR.SP00.A
  • EXR.D.JPY.EUR.SP00.A
  • EXR.D.USD.EUR.SP00.A

Source : Banque centrale européenne. Neuf observations reproduites sans modification ; conversions et présentation calculées par ce site. Les données sont également accessibles gratuitement auprès de la BCE.

Consulter la source BCE · Conditions de réutilisation BCE

APPROFONDISSEMENT / PRATIQUE

Faire apparaître les hypothèses du calcul

Un pourcentage ou un taux doit être calculé à partir de données publiques. Le calcul n’est interprétable que si les unités, les exclusions et le dénominateur sont documentés.

Mis à jour le .

Vérifications prioritaires

Vérifier que les valeurs portent sur le même périmètre et que le dénominateur correspond à la question. Distinguer résultat nul, valeur absente et calcul impossible.

Pièges d’interprétation

Un dénominateur incorrect peut produire un nombre plausible mais trompeur. Arrondir trop tôt peut aussi modifier les écarts ou le classement observé.

Document de travail à conserver

La feuille de calcul conserve valeurs d’entrée, formule, unité, exclusions et arrondi. Le commentaire distingue résultat calculé et portée de son interprétation.

CAS PRATIQUE / EXEMPLE PÉDAGOGIQUE

Des valeurs manquantes réduisent le dénominateur

L’exemple pédagogique porte sur la préparation ou l’interprétation des données. Il montre pourquoi un calcul techniquement possible doit rester relié à des définitions, des versions et des règles de transformation vérifiables.

Contexte de l’exemple

Un taux est calculé sur les lignes renseignées, mais le rapport le présente comme résultat pour toute la population. Les cas absents ne sont pas décrits.

Démarche proposée

Compter les observations disponibles et manquantes. Vérifier la règle du dénominateur, conserver les exclusions et tester le calcul sur un cas simple. Examiner l’effet de la couverture sur la conclusion.

Conclusion et prochaine étape

Le résultat indique sa population effective et ses limites. Les valeurs absentes restent visibles sans être converties arbitrairement en zéros ou en cas négatifs.

Questions pour approfondir la pratique

Pourquoi conserver les valeurs avant arrondi ?

Elles permettent de vérifier les transformations et de recalculer une synthèse. Arrondir tôt peut modifier les comparaisons ; le rapport doit préciser la règle appliquée à la présentation finale.

ATELIER DÉTAILLÉ / MISE EN APPLICATION

Contrôler le calcul avec un cas dont le résultat est explicable

  1. 01 / Préparer les informations utiles

    Préparer valeurs, unités, formule et population. Identifier les valeurs absentes, exclusions et conditions qui rendent le dénominateur pertinent pour la question.

  2. 02 / Exécuter la démarche

    Effectuer un calcul simple puis le comparer au résultat attendu. Appliquer les règles au corpus en contrôlant effectifs et arrondis. Conserver les valeurs intermédiaires importantes.

  3. 03 / Examiner une situation alternative

    Si le calcul est impossible pour certains cas, produire un statut distinct. Une absence de résultat ne doit pas être convertie en zéro uniquement pour faciliter la présentation.

  4. 04 / Décider de la suite

    Le résultat est validé lorsque formule, entrées et périmètre peuvent être retrouvés. L’interprétation est examinée séparément de l’exactitude de l’opération numérique.

  5. 05 / Transmettre les éléments de contrôle

    Transmettre feuille de calcul, versions et commentaire. Les exclusions et changements de règle restent visibles pour comprendre les différences entre plusieurs résultats.

LIVRABLE COMMENTÉ / GRILLE DE LECTURE

Une fiche de calcul avec population et exclusions

La fiche conserve valeurs, formule, unités, version et règle d’arrondi. Elle indique le dénominateur réel et les cas exclus pour rendre le résultat reproductible.

Sur petit écran, faites défiler la grille pour lire les trois colonnes.

Exemples de situations à qualifier
Élément observéInterprétation permiseSuite à prévoir
Les entrées et la formule correspondent à la question.Le calcul peut être validé dans le périmètre décrit.Comparer un cas simple et conserver les valeurs intermédiaires.
Le taux porte seulement sur les lignes renseignées.Le résultat ne décrit pas automatiquement toute la population initiale.Présenter effectifs disponibles et absences avec la conclusion.
Les zéros et valeurs manquantes sont confondus.La règle de traitement peut modifier fortement le résultat.Reclasser les modalités puis refaire les calculs dépendants.

Relecture du livrable

La relecture doit séparer exactitude de l’opération et pertinence de son interprétation. Une formule correcte appliquée à un dénominateur inadapté produit un résultat qui peut rester trompeur.

RESTITUTION / EXEMPLE DE FORMULATION

Restitution : Faire apparaître les hypothèses du calcul

Point à clarifier

Un résultat numérique doit annoncer les observations réellement utilisées.

Avant de transmettre

Séparer validation de l’opération et portée de son interprétation.

Exemple de conclusion qualifiée

Le calcul repose sur les valeurs et exclusions indiquées. La population effective, la formule et la règle d’arrondi sont conservées avec le résultat.