Qu’est-ce qu’un quantile et comment l’utiliser en statistiques ?

Définition : ce qu’un quantile mesure vraiment

Un quantile est une valeur seuil qui coupe une série de données ordonnée en plusieurs morceaux de taille égale, ou presque égale. L’idée clé est simple : au lieu de résumer une distribution par un seul nombre, comme la moyenne, on la découpe pour voir comment les observations se répartissent. Si vous rangez 1 000 valeurs de la plus petite à la plus grande, un quantile vous dit à partir de quel point on a atteint 25 %, 50 %, 90 % ou 99 % des cas.

Autrement dit, un quantile ne répond pas à la question « quelle est la valeur moyenne ? », mais plutôt à « jusqu’où monte-t-on pour englober telle proportion de la population ? ». C’est ce qui le rend si utile pour analyser des données hétérogènes, asymétriques ou truffées de valeurs extrêmes. Dans beaucoup de situations réelles, regarder seulement la moyenne revient à lire un paysage avec une seule couleur.

• Un quantile se lit toujours sur des données triées.
• Il décrit une position dans la distribution, pas une fréquence brute.
• Plus on utilise des quantiles fins, plus on voit les détails de la répartition.
• Les quantiles sont particulièrement utiles lorsque les extrêmes perturbent la moyenne.

Quartiles, déciles, percentiles : les repères à connaître

Le mot quantile désigne la famille générale. Ensuite, on parle de quartiles quand on découpe en quatre parts, de déciles quand on découpe en dix parts, et de percentiles quand on découpe en cent parts. Ce sont donc des variantes d’une même logique, avec un niveau de précision plus ou moins fin.

Les découpages les plus courants

En statistique descriptive, les quartiles sont les plus fréquents parce qu’ils offrent un bon compromis entre simplicité et richesse d’information. Les percentiles, eux, sont très utilisés dans les tableaux de bord techniques, la santé, l’éducation ou l’analyse de performances, car ils permettent une lecture beaucoup plus fine des extrêmes. Le fameux p95, par exemple, est simplement le 95e percentile : 95 % des valeurs sont en dessous de ce seuil.

Comment calculer un quantile

Le principe de calcul est toujours le même : on trie les données, puis on repère la position correspondant à la proportion recherchée. En théorie, cela paraît simple. En pratique, il existe plusieurs conventions de calcul selon les logiciels et les bibliothèques statistiques. C’est normal : certaines méthodes prennent la valeur exacte d’un rang, d’autres interpolent entre deux rangs voisins.

1. Rangez les observations de la plus petite à la plus grande.
2. Choisissez le quantile à calculer : 25 %, 50 %, 90 %, 95 %, etc.
3. Repérez sa position théorique dans la série.
4. Si cette position tombe entre deux rangs, appliquez la convention de votre outil : arrondi, moyenne ou interpolation linéaire.
5. Interprétez le résultat comme un seuil de répartition, pas comme une moyenne.

Un exemple simple, à la main

Prenons une série déjà triée de 11 valeurs : 3, 5, 6, 8, 9, 11, 13, 15, 18, 21, 24. Avec une méthode de cours très courante, la position du quantile de niveau p se lit autour de p × (n + 1), où n est le nombre d’observations. Ici, pour Q1, on calcule 0,25 × 12 = 3 : le premier quartile est donc la 3e valeur, soit 6. Pour la médiane, 0,5 × 12 = 6 : c’est la 6e valeur, soit 11. Pour Q3, 0,75 × 12 = 9 : c’est la 9e valeur, soit 18.

On peut alors dire que 25 % des valeurs sont inférieures ou égales à 6, 50 % à 11, et 75 % à 18. Cette lecture est beaucoup plus informative qu’une moyenne seule, car elle montre comment la série s’étage. Si vous faites le même calcul dans un tableur ou dans un langage comme Python ou R, vous pourrez obtenir des résultats très proches, mais parfois légèrement différents à cause de la convention retenue.

Comment interpréter les quantiles

L’intérêt d’un quantile ne tient pas seulement à sa valeur, mais à ce qu’il révèle sur la forme de la distribution. Avec quelques quantiles bien choisis, vous pouvez déjà voir où se situe le centre, si les données sont resserrées ou étalées, et si une queue de distribution s’étire vers les grandes valeurs. En clair, les quantiles donnent une vision de relief.

• Si Q1, la médiane et Q3 sont proches, la série est relativement concentrée.
• Si l’écart entre Q1 et Q3 est large, les valeurs sont davantage dispersées.
• Si la distance médiane-Q3 est bien plus grande que Q1-médiane, la distribution peut être asymétrique vers le haut.
• Un percentile élevé comme P95 ou P99 permet d’évaluer le comportement des cas difficiles ou extrêmes.
• Comparer des quantiles entre deux groupes est souvent plus instructif que comparer leurs seules moyennes.

L’écart interquartile : le compagnon naturel des quantiles

L’écart interquartile, souvent noté IQR, correspond à Q3 - Q1. Il mesure l’étendue de la moitié centrale des données. C’est un indicateur très utile, car il est moins sensible aux valeurs aberrantes que l’écart-type. Si une série contient quelques observations exceptionnellement hautes ou basses, l’IQR reste souvent plus stable et plus lisible.

On s’en sert aussi pour repérer des valeurs atypiques : dans une règle très classique, on considère comme potentiellement aberrantes les observations situées bien en dessous de Q1 ou bien au-dessus de Q3, au-delà d’un multiple de l’IQR. Ce n’est pas une loi universelle, mais un excellent point de départ pour explorer les données proprement.

Dans quels cas utiliser les quantiles

Les quantiles sont partout dès qu’il faut résumer une distribution sans se laisser piéger par la moyenne. Ils servent à comparer des populations, à construire des indicateurs robustes, à fixer des seuils d’alerte, à repérer des anomalies ou à comprendre l’expérience réelle des utilisateurs. C’est précisément pour cela qu’on les retrouve autant en statistique classique qu’en data science, en économie, en santé ou dans les systèmes informatiques.

Mesurer la performance réelle d’un service numérique

Dans le monde geek, l’exemple le plus parlant est la latence d’un site, d’une API ou d’une application. Une moyenne de 200 ms peut sembler bonne, mais si le P95 est à 1,2 seconde, cela signifie qu’une part non négligeable des utilisateurs vit encore une expérience lente. Le P95 et le P99 sont donc devenus des indicateurs de référence pour les performances, car ils exposent ce que la moyenne cache : les cas qui dégradent réellement la perception du service.

Comparer des groupes sans se faire piéger par les extrêmes

Les quantiles sont aussi très utiles pour comparer des salaires, des loyers, des notes d’examen, des temps d’attente ou des prix immobiliers. Prenons un exemple simple : deux villes peuvent avoir un loyer moyen similaire, mais des quartiles très différents. Dans l’une, les loyers sont resserrés ; dans l’autre, ils sont très polarisés entre biens accessibles et biens très chers. Les quantiles montrent cette structure de distribution, là où la moyenne écrase les nuances.

Nettoyer des données et préparer des modèles

En analyse de données et en machine learning, les quantiles servent souvent à cadrer les extrêmes. On peut, par exemple, observer le 1er et le 99e percentile pour comprendre si une variable contient des valeurs aberrantes, choisir de plafonner certaines observations très rares, ou construire des classes de population par tranche de distribution. Les quantiles sont également utiles pour normaliser des variables ou pour créer des seuils plus robustes que des bornes fixées arbitrairement.

Les erreurs les plus fréquentes à éviter

Les quantiles sont puissants, mais leur lecture demande un minimum de rigueur. Beaucoup d’erreurs viennent d’une confusion entre le seuil et la proportion, ou d’un oubli des conventions de calcul. Voici les pièges les plus courants.

• Confondre un percentile avec un pourcentage de variation : le P90 n’est pas « 90 % de plus », c’est un seuil au-dessous duquel se trouvent 90 % des valeurs.
• Oublier de trier la série avant le calcul : sans ordre, un quantile n’a pas de sens.
• Comparer des quantiles calculés avec des méthodes logicielles différentes sans le signaler.
• Interpréter un quantile élevé comme une valeur maximale : un P95 n’est pas le maximum, il laisse encore 5 % des cas au-dessus.
• Utiliser des quantiles très fins sur des échantillons trop petits : sur peu d’observations, un P99 peut devenir instable.
• Croire qu’un quantile explique à lui seul une distribution entière : il faut souvent le lire avec d’autres quantiles ou avec un indicateur de dispersion.

Ce qu’il faut retenir

Un quantile est l’un des meilleurs outils pour comprendre une série de données sans la caricaturer. Il permet de situer des seuils, d’observer la dispersion, de comparer des groupes et de surveiller des extrêmes de manière beaucoup plus robuste qu’une moyenne isolée. Si vous ne deviez retenir qu’une idée, ce serait celle-ci : les quantiles montrent la structure d’une distribution. Et dès que vous avez affaire à des données inégales, asymétriques ou bruitées, cette structure vaut de l’or.