Fait
Le quartette d'Anscombe présente les mêmes statistiques mais des histoires différentes
Quatre jeux de données peuvent partager presque la même moyenne arithmétique, la même variance, la même corrélation et la même droite de régression, tout en ayant des apparences complètement différentes une fois tracés.
Le quartette d'Anscombe est la preuve classique que les statistiques récapitulatives ont besoin de graphiques. Les chiffres correspondent, mais les nuages de points racontent quatre histoires différentes.
Par l'équipe de rédaction de Math Says Yes
Examiné par des humains selon nos normes en matière de sources et de corrections.
Comment nous évaluons le contenu
LE PIÈGE
Croire que des moyennes arithmétiques, variances, corrélations et droites de régression identiques signifient que les jeux de données sous-jacents ont nécessairement la même forme.
La configuration
En 1973, le statisticien Francis Anscombe a construit quatre petits jeux de données pour illustrer un point sur l'analyse de données. Chaque jeu de données possède le même et des résumés de base presque identiques : de x, moyenne arithmétique de y, , et linéaire. Si tu ne voyais que le tableau des résumés, tu t'attendrais à ce que les jeux de données se comportent de manière semblable.
La révélation
Trace les points et la similarité disparaît. Un jeu de données présente une relation linéaire assez classique. Un autre suit une courbe qu'une droite ne capture pas. Un troisième est principalement linéaire mais attiré par un point inhabituel. Un quatrième forme un groupe vertical où un point à forte influence crée la relation apparente. Les mêmes résumés ont dissimulé quatre structures différentes.
Pourquoi les résumés restent importants
La leçon n'est pas de rejeter les statistiques récapitulatives. Elles sont utiles précisément parce qu'elles condensent des données complexes en chiffres comparables. Le problème réside dans le fait de s'en remettre à cette compression sans vérifier ce qui a été compressé. Une , une ou une répond à une question précise. Elle ne peut pas montrer les groupes, les courbes, les limites ou les points uniques dotés d'une trop grande influence à moins d'observer également la forme des données. Le graphique est l'étape de diagnostic indispensable avant la modélisation.
Comment l'utiliser
Avant de faire confiance à un modèle ou à un tableau, demande un graphique. Pour deux variables numériques, commence par un et cherche les courbes, les groupes, les valeurs aberrantes et les points d'influence. Pour une variable, utilise un ou un diagramme à points. Une fois la forme visible, les statistiques récapitulatives deviennent plus utiles car tu sais quel type de forme elles résument.
Exemple concret
Imagine que quatre équipes produit affichent toutes la même de satisfaction, la même dispersion, la même ligne de tendance et le même score de entre le temps de réponse et la satisfaction. Un tableau de bord pourrait les faire paraître interchangeables. Mais les réalités peuvent être différentes : une équipe s'améliore peut-être régulièrement, une autre a peut-être atteint un plateau de vitesse, une troisième est peut-être faussée par une journée inhabituelle, et une quatrième est peut-être portée par un seul grand compte. Le même tableau de synthèse suggérerait une seule action ; les réalités sous-jacentes en suggéreraient quatre différentes.
Le tableau de bord voit les mêmes statistiques
Les quatre équipes partagent la même moyenne, la même dispersion, le même score de régression linéaire et la même ligne de tendance. Les cartes ci-dessous montrent ce que ces chiffres cachent.
7.5
moyenne de satisfaction
identique
dispersion
r = 0.82
score de régression linéaire
en hausse
ligne de tendance
moyenne 7.5
même dispersion
tendance à la hausse
Équipe A
amélioration régulière
Des réponses plus rapides signifient généralement des utilisateurs plus heureux.
Équipe B
plateau de vitesse
La vitesse aide au début, puis se stabilise.
Équipe C
journée inhabituelle
Une mauvaise journée fausse le résumé.
Équipe D
grand compte unique
Un grand compte crée la tendance.
Quand cela s'applique
La leçon s'applique chaque fois qu'une décision dépend de chiffres condensés : corrélations, moyennes, pentes de , classements ou résumés de KPI. Il s'agit moins d'un jeu de données particulier que du flux de travail d'analyse. Les résumés doivent venir après l'analyse de la forme, et non à sa place. Si les données ont de nombreuses dimensions, le principe reste le même : inspecte les résidus, segmente les motifs et examine les cas influents avant de te fier à un score unique.
Les erreurs courantes
Des résumés identiques ne signifient pas des preuves identiques. Une même , une même et une même peuvent toujours cacher des formes différentes. Une statistique de synthèse est une vue condensée, pas un diagnostic. Si la forme compte pour la décision, le graphique n'est pas une décoration ; c'est une preuve.
Note sur la source
L'article original d'Anscombe de 1973 a créé le quatuor pour plaider en faveur des graphiques dans l'analyse statistique. La source soutient les deux parties de cette page : les jeux de données partagent des résumés numériques clés et leurs nuages de points révèlent des structures différentes. La page utilise cet exemple comme règle générale pour les tableaux de bord modernes et la vérification des modèles.
Essaie
Mêmes stats, formes différentes
Passe des résumés aux graphiques et regarde les quatre histoires se séparer.
9.0
moyenne x
7.5
moyenne y
0.82
score de régression linéaire
y=3+0.5x
ligne de tendance
Le score en ligne droite s'appelle r. Les quatre panneaux affichent r = 0,82, donc les chiffres racontent la meme histoire.
I
r = 0,82
I
r=0.82
I: tendance constante
II
r = 0,82
II
r=0.82
II: courbe cachee
III
r = 0,82
III
r=0.82
III: un point aberrant l'attire
IV
r = 0,82
IV
r=0.82
IV: un point tres eloigne la cree
D'apres les chiffres seuls, les quatre ensembles de donnees semblent interchangeables : meme centre, meme score, meme ligne de tendance.
FAQ
Qu'est-ce que le quatuor d'Anscombe ?
C'est un ensemble de quatre jeux de données aux statistiques de synthèse presque identiques mais aux nuages de points très différents. Il sert à montrer pourquoi les graphiques sont essentiels en analyse de données.
Que faut-il vérifier avant de faire confiance à une corrélation ?
Trace les données. Une corrélation peut cacher une non-linéarité, des groupes distincts, des valeurs aberrantes ou un point influent qui pilote toute la relation.
Vérification rapide
Quelle est la principale leçon du quatuor d’Anscombe ?
A
Les statistiques descriptives ne sont jamais utiles.
B
Les moyennes décrivent toujours bien le cas type.
C
Des résumés identiques peuvent cacher des formes très différentes, il faut donc tracer les données.
Sources
Anscombe's quartet
Explication secondaire
Wikipedia · Consulté 2026-06-16
Graphs in statistical analysis
Source primaire
The American Statistician · Consulté 2026-06-20
Tu connais quelqu'un qui aimerait ça ?
À lire ensuite
Erreur type et écart-type : dispersion et précision
L'écart-type décrit la dispersion parmi les valeurs individuelles. L'erreur type décrit l'incertitude d'une estimation telle que la moyenne.
Concepts
Les moyennes trompent
La moyenne arithmétique additionne tout et divise, de sorte que quelques valeurs extrêmes peuvent l’éloigner fortement du cas typique. Dans des données asymétriques, la médiane — la valeur du milieu — représente mieux ce qui est normal. Renseigne-toi sur la forme des données, pas seulement sur leur moyenne.
Statistiques résumées
Les statistiques résumées compressent un jeu de données en chiffres tels que la moyenne, la variance, la corrélation ou la droite de régression. Elles sont utiles, mais elles peuvent masquer la forme, les valeurs aberrantes, les regroupements et les relations courbées qu'un graphique révélerait immédiatement.
