20 % → 25 %
L’écart est de 5 points ; l’évolution relative du taux est de 25 %. Les deux expressions répondent à des questions différentes.
DONNÉES / CALCULS
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.

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.
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.
différence = finale − initiale ; évolution (%) = 100 × (finale − initiale) / initiale ; indice = 100 × finale / initiale
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.
écart (points) = taux final − taux initial ; évolution relative (%) = 100 × (taux final − taux initial) / taux initial
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.
taux global (%) = 100 × (cas A + cas B) / (population A + population B)
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.
U = N − R ; min = C / N × 100 ; max = (C + U) / N × 100
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.
| Profil | Cas positifs / effectif — A | Taux A (%) | Cas positifs / effectif — B | Taux B (%) |
|---|---|---|---|---|
| Profil 1 | 9 / 10 | 90 % | 72 / 90 | 80 % |
| Profil 2 | 36 / 90 | 40 % | 3 / 10 | 30 % |
| Total | 45 / 100 | 45 % | 75 / 100 | 75 % |
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.
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.
Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.
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.
Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.
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.
Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.
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.
Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.
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.
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.
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.
Les résultats sont arrondis à huit décimales au maximum. Cet affichage ne mesure pas la précision ou l’incertitude des données.
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.
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.
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.
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.
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.
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.
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.
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.
Les huit résultats lisibles sont négatifs, mais deux restent inconnus. La part positive sur les 10 tentatives peut encore aller de 0 % à 20 %.
L’écart est de 5 points ; l’évolution relative du taux est de 25 %. Les deux expressions répondent à des questions différentes.
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.
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 %.
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.
Notez indicateur, unité, population, dates, code de série et version. Vérifiez les définitions avant de calculer.
Conservez numérateurs et dénominateurs, fichier source, date d’extraction et transformations.
Montrez la formule, l’unité du résultat, l’arrondi et ce que le chiffre ne permet pas d’inférer.
Une hausse descriptive ne prouve ni une cause ni une différence statistiquement significative.
Pas pour additionner deux évolutions successives. Les coefficients se multiplient : +20 %, puis +10 %, donne 1,2 × 1,1 = 1,32, soit +32 %.
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.
Seulement dans un cas où les pondérations le permettent. Pour un taux de population, utilisez les numérateurs et dénominateurs de groupes comparables sans chevauchement.
Le calculateur fait de l’arithmétique. Il n’analyse ni plan d’échantillonnage, ni marge d’erreur, ni intervalle de confiance.
Non. L’arrondi publié peut masquer une plage de valeurs. Ne déduisez pas une précision supérieure à celle des données d’origine.
REPÈRES DOCUMENTÉS
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.
| Repère | Valeur ou forme | Ce que cela désigne |
|---|---|---|
| n | 90 | L’effectif est le nombre de valeurs du fichier, doublons compris. Deux observations portant 322 restent deux observations ; dédupliquer les nombres changerait la distribution. |
| mean | 576.077778 | Moyenne 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. |
| median | 559.5 | Médiane 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. |
| min | 30 | Minimum observé dans le fichier. Une petite valeur ne devient pas une erreur simplement parce qu’elle est éloignée de la moyenne. |
| max | 1441 | Maximum observé. Le NIST le signale au-delà d’une borne interne de boîte à moustaches ; cette alerte demande une investigation, pas une suppression automatique. |
| Variable | Y · unit unspecified | La 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. |
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
| Effectif retenu | 90 |
|---|---|
| Moyenne | 576,0778 |
| Médiane usuelle | 559,5 |
| Q1 | 436,25 |
| Q3 | 738,5 |
| Écart interquartile | 302,25 |
| Quantile sélectionné | 559,5 |
| Observations hors bornes | 1 |
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.
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, 1441Source : NIST, COMPARE-7_1_6.DAT ; calculs et graphique de ce site.
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.
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 consultée le .
REPÈRES DOCUMENTÉS
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.
| Repère | Valeur ou forme | Ce que cela désigne |
|---|---|---|
| COUNT(*) | Toutes les lignes d’entrée | Compte 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 nulles | Compte 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 nulles | Compte 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 nulles | Additionne 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 nuls | Calcule 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 input | COUNT = 0 · SUM / AVG = NULL | Sans 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. |
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.
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 consultée le .
REPÈRES DOCUMENTÉS
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.
| Repère | Valeur ou forme | Ce que cela désigne |
|---|---|---|
| Precision | TP / (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 / TPR | TP / (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 / TNR | TN / (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. |
| FPR | FP / (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. |
| F1 | 2TP / (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) / 2 | Moyenne 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. |
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.
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 consultée le .
REPÈRES DOCUMENTÉS
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.
| Repère | Valeur ou forme | Ce que cela désigne |
|---|---|---|
| Four-score example · ROC AUC | 3 / 4 = 0.75 | Avec 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 · AP | 5 / 6 ≈ 0.833333 | Dans 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 definition | Σ (R_n − R_(n−1)) × P_n | La 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 coordinates | x = FPR · y = TPR | La 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 / threshold | score → decision | Un 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 / probabilities | ranking ≠ calibration | Une 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. |
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.
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 consultée le .
REPÈRES DOCUMENTÉS
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.
| Repère | Valeur ou forme | Ce que cela désigne |
|---|---|---|
| corpus | 100 × ΣE / ΣN | Le 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 mean | mean(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. |
| example | 2/101 ≈ 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 boundary | document pairs preserved | Calculer 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. |
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
Somme des N nulle : taux global indéfini. Les erreurs restent comptées.
Au moins un N nul : moyenne des taux indéfinie ; aucune ligne supprimée.
| Document | E | N | Taux local (%) |
|---|---|---|---|
| 1 | 1 | 1 | 100 |
| 2 | 1 | 100 | 1 |
ΣN > 0 → corpus = 100 × (E₁+E₂)/(N₁+N₂) N₁ > 0 and N₂ > 0 → mean = (100E₁/N₁ + 100E₂/N₂)/2
| (E₁,N₁,E₂,N₂) | Total des erreurs | Total des unités de référence | Taux global du corpus (%) | Moyenne simple des deux taux (%) |
|---|---|---|---|---|
| 1, 1, 1, 100 | 2 | 101 | 1,980198 | 50,5 |
| 1, 10, 1, 10 | 2 | 20 | 10 | 10 |
| 1, 1, 2, 0 | 3 | 1 | 300 | Indéfini |
| 0, 0, 0, 0 | 0 | 0 | Indéfini | Indéfini |
| 2, 0, 3, 0 | 5 | 0 | Indéfini | Indéfini |
| 0, 100, 0, 100 | 0 | 200 | 0 | 0 |
| 2, 1, 0, 100 | 2 | 101 | 1,980198 | 100 |
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.
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 consultée le .
REPÈRES DOCUMENTÉS
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 .
| Pays | 2020 | 2021 | 2022 | 2023 | 2024 |
|---|---|---|---|---|---|
| France | 84,71 | 86,10 | 85,33 | 86,84 | 88,65 |
| Allemagne | 89,81 | 91,43 | 91,63 | 92,48 | 93,50 |
| Espagne | 93,21 | 93,90 | 94,49 | 95,45 | 95,76 |
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
REPÈRES DOCUMENTÉS
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 .
| Date d’observation | USD/EUR | GBP/EUR | JPY/EUR |
|---|---|---|---|
| 1.0321 | 0.83118 | 162.04 | |
| 1.1419 | 0.8434 | 162.98 | |
| 1.175 | 0.8726 | 184.09 |
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.
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.
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.
APPROFONDISSEMENT / PRATIQUE
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 .
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.
Un dénominateur incorrect peut produire un nombre plausible mais trompeur. Arrondir trop tôt peut aussi modifier les écarts ou le classement observé.
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
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.
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.
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.
Le résultat indique sa population effective et ses limites. Les valeurs absentes restent visibles sans être converties arbitrairement en zéros ou en cas négatifs.
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
Préparer valeurs, unités, formule et population. Identifier les valeurs absentes, exclusions et conditions qui rendent le dénominateur pertinent pour la question.
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.
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.
Le résultat est validé lorsque formule, entrées et périmètre peuvent être retrouvés. L’interprétation est examinée séparément de l’exactitude de l’opération numérique.
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
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.
| Élément observé | Interprétation permise | Suite 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. |
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
Un résultat numérique doit annoncer les observations réellement utilisées.
Séparer validation de l’opération et portée de son interprétation.
Le calcul repose sur les valeurs et exclusions indiquées. La population effective, la formule et la règle d’arrondi sont conservées avec le résultat.