Lire un tableau de résultats, juger une performance commerciale ou repérer une anomalie dans un export CRM revient souvent à répondre à une question simple : “Cette valeur sort-elle du lot ou reste-t-elle dans la norme”. La courbe de Gauss donne une représentation en cloche d’une distribution normale, avec un centre dense et des extrémités rares.
La règle 68-95-99,7 traduit cette intuition en repères concrets : 68 % des valeurs autour de la moyenne à ±1 écart-type, 95 % à ±2, 99,7 % à ±3. Vous obtenez ainsi une lecture rapide d’une distribution, sans jargon, pour décider vite et trancher avec méthode.
Qu’est-ce que la courbe de Gauss ?
La courbe de Gauss désigne la représentation graphique de la loi normale, connue pour sa forme en cloche. Elle porte le nom de Carl Friedrich Gauss. Elle reste symétrique autour de la moyenne μ, avec un sommet au centre.
La moyenne μ et l’écart-type σ définissent entièrement cette courbe. La masse des valeurs se concentre près du centre, alors que les valeurs aux extrémités deviennent clairsemées. On retrouve ce schéma dans la taille, la pression sanguine ou certaines hauteurs, et les data sciences l’exploitent dès que des caractéristiques indépendantes produisent des datasets proches du gaussien.
La règle 68-95-99,7 en détail
La règle 68-95-99,7 sert à estimer, d’un coup d’œil, la part de valeurs située autour de la moyenne dans une loi normale. On la nomme aussi règle empirique ou règle des trois sigmas, car elle exprime des intervalles centrés sur μ en multiples de σ, et 99,7 % correspond à une quasi-certitude au niveau opérationnel. Ces pourcentages proviennent de la fonction de répartition de la loi normale, pas d’une approximation improvisée.
| Intervalle | Pourcentage | Lecture rapide |
|---|---|---|
| ±1σ | 68,27 % | Zone du “courant”, là où se situent la majorité des cas. |
| ±2σ | 95,45 % | Zone de confiance, presque tout tombe dedans. |
| ±3σ | 99,73 % | Zone “quasi certaine”, les valeurs hors cadre deviennent rarissimes. |
À 1 écart-type : 68% des valeurs
L’intervalle μ ± σ forme la zone centrale de la courbe. Il contient autour de 68 % des observations, soit la majorité des cas typiques. En dehors de cette zone, vous laissez environ un tiers des valeurs, ce qui surprend souvent au premier passage. Pour un événement qui se produit chaque jour, sortir de μ ± σ revient à le voir environ deux fois par semaine.
À 2 écarts-types : 95% des valeurs
L’intervalle μ ± 2σ couvre presque tout ce que vous observez dans une distribution normale. Hors de cette zone, la probabilité chute vers 1 sur 22, ce qui place ces valeurs dans la catégorie “peu fréquente”. Ce repère ancre le seuil usuel de 95 % exploité dans les intervalles de confiance, en sciences sociales comme en analyse de performance.
- Lecture fréquence (1/22, une fois toutes les 3 semaines pour un événement quotidien).
- Usage (seuil standard d’intervalle de confiance à 95% en sciences sociales / analyses).
À 3 écarts-types : 99,7% des valeurs
Règle 68 — 95 — 99,7
Distribution normale autour de la moyenne (µ)
L’intervalle μ ± 3σ englobe près de la totalité des données dans une vraie loi normale. Hors de ce cadre, vous tombez sur une probabilité autour de 1 sur 370, soit un événement de l’ordre d’une fois par an pour un phénomène quotidien. À ce niveau, vous abordez la zone des valeurs rares, celles qui déclenchent une vérification.
- Application (détection d’outliers / contrôle qualité).
- Repère (mention du seuil plus strict à 5 sigmas en physique des particules).
Comment la moyenne et l’écart-type façonnent la courbe
La moyenne μ fixe le centre du pic, alors que l’écart-type σ dicte l’étalement. Quand μ change, la courbe se translate vers la gauche ou vers la droite, sans changer sa forme. La courbe conserve sa symétrie, et σ règle la dispersion autour de ce centre.
| Paramètre | Effet sur la courbe | Effet sur les données |
|---|---|---|
| μ | Déplace le sommet à gauche ou à droite. | Déplace le “niveau moyen” des valeurs. |
| σ | Rend la cloche étroite et pointue (σ faible) ou large et aplatie (σ élevé). | Augmente ou réduit la dispersion autour de la moyenne. |
La moyenne μ donne la position. L’écart-type σ donne la largeur et la dispersion.
Exemples concrets de la règle 68-95-99,7
Dans la vie quotidienne
Ces exemples donnent une lecture rapide au seuil 95 %, donc dans l’intervalle μ ± 2σ. Cette lecture garde du sens si la variable suit une distribution proche de la normale.
- Tailles humaines (175 cm, σ 7 cm → 95% : 161–189 cm).
- QI (100, σ 15 → 95% : 70–130).
- Résultats scolaires ou âges (mention simple).
- Pression sanguine ou notes d’examens (mention simple).
En data sciences et statistiques
En analyse de données, la règle sert à cadrer, comparer et détecter sans perdre de temps dans des calculs lourds. Elle alimente des usages pratiques, du contrôle qualité aux modèles de scoring.
- Détection d’anomalies (>3σ).
- Z-score = (X − μ)/σ (définition opérationnelle).
- Théorème limite centrale (moyennes d’échantillons → gaussien).
- Exemples d’usage : élections (IC) / recensements (revenus).
Vous gagnez une grille de décision pour interpréter, signaler ou vérifier vite.
Détecter les valeurs aberrantes avec la règle
Une valeur au-delà de 3σ passe pour probablement aberrante sous hypothèse de normalité. Cette règle sert à repérer un outlier, puis à lancer une vérification terrain : source, saisie, capteur, doublon, rupture de process. Vous passez alors du “bruit acceptable” à la “valeur suspecte” avec un seuil lisible. À 6σ, l’ordre de grandeur devient vertigineux : environ 1 chance sur 500 millions, soit un événement de l’ordre d’une fois tous les 1,4 million d’années si le phénomène se répétait chaque jour.
Trop de valeurs extrêmes trahit souvent une distribution non normale, avec des queues épaisses ou un mélange de populations. Dans ce cas, la règle 68-95-99,7 perd sa portée, et vous basculez vers des garde-fous généraux comme l’inégalité de Bienaymé-Tchebychev, qui garantit au moins 88,8 % des valeurs dans 3σ pour toute distribution. Gardez donc la main froide : sans normalité, le seuil “3σ” reste un repère, pas un verdict.
