Karl Pearson – 1857 1936

Biographie

Dans l’histoire intellectuelle de l’Occident moderne, peu de figures incarnent avec autant de force, d’ambivalence et de rigueur la transition vers l’empirisme quantitatif que le mathématicien, biostatisticien et philosophe britannique Karl Pearson (1857-1936). Considéré à juste titre comme le père fondateur de la statistique mathématique moderne, Pearson a profondément reconfiguré l’architecture épistémologique des sciences de la nature et des sciences humaines. À une époque où la biologie post-darwinienne cherchait désespérément à s’arracher aux rives de la simple description naturaliste pour s’ériger en discipline prédictive, et où la psychologie tentait de s’affranchir de la métaphysique spéculative, ses travaux ont offert un outillage formel d’une puissance inédite. De la formalisation du coefficient de corrélation à l’invention du test d’adéquation du Khi-deux, son legs méthodologique constitue aujourd’hui encore l’ossature invisible de toute recherche empirique.

Pourtant, l’œuvre de Pearson ne saurait être réduite à un simple catalogue d’innovations calculatoires. Elle procède d’une vision globale du monde, exposée dans son maître-ouvrage philosophique de 1892, The Grammar of Science, qui entendait redéfinir la notion même de loi naturelle en substituant l’analyse des corrélations probabilistes aux vieux dogmes de la causalité mécanique déterministe. Érudit polyvalent, formé au droit, à la philosophie spinoziste, à la littérature médiévale allemande et aux mathématiques les plus pures de Cambridge, Pearson envisageait la statistique non pas comme une sous-discipline technique, mais comme la grammaire universelle de la pensée rationnelle, seule capable de discipliner le chaos des perceptions sensibles et de guider l’action politique et sociale.

Cette ambition démiurgique recèle toutefois une part d’ombre majeure, indissociable du contexte impérial et intellectuel de l’époque victorienne tardive et édouardienne : l’engagement passionné et intransigeant de Pearson en faveur de l’eugénisme théorique et appliqué. Premier titulaire de la chaire Galton d’eugénisme national à l’University College de Londres, il a mis son formidable génie mathématique au service de la quantification de l’hérédité des traits physiques, mentaux et moraux, défendant une conception strictement biologique et hautement sélective de l’évolution des sociétés humaines. L’analyse de sa trajectoire exige ainsi un regard critique soutenu, capable d’apprécier la portée révolutionnaire de ses contributions méthodologiques tout en déconstruisant les présupposés idéologiques qui ont guidé ses investigations.

1. Introduction et contextualisation historique de Karl Pearson (1857-1936)

L’émergence de la pensée pearsonienne s’inscrit au carrefour de multiples bouleversements académiques, sociologiques et technologiques qui ont caractérisé la seconde moitié du dix-neuvième siècle en Angleterre. Pour saisir la trajectoire intellectuelle de cet homme d’exception, il convient d’examiner ses origines culturelles et la formation pluridisciplinaire d’une densité exceptionnelle qui a précédé sa consécration mathématique.

1.1 Origines familiales, formation initiale et éclectisme intellectuel

Né le 27 mars 1857 dans le quartier londonien d’Islington, Karl Pearson — baptisé originellement Carl — grandit au sein d’une famille de la classe moyenne supérieure marquée par une tradition de dissidence religieuse quaker. Son père, William Pearson, avocat éminent et conseiller de la reine (Queen’s Counsel), transmet à son fils une rigueur de pensée absolue, doublée d’un sens aigu du devoir intellectuel, tandis que sa mère, Fanny Smith, issue d’une famille de marins, ancre chez le jeune garçon une curiosité tenace pour l’observation concrète des phénomènes naturels. Cette éducation puritaine, bien que Pearson se soit ultérieurement détaché de toute adhésion confessionnelle orthodoxe, façonne de manière indélébile son éthique de travail spartiate, son mépris des compromis académiques et sa propension à considérer la recherche scientifique comme un sacerdoce moral.

Après une scolarité initiale à l’University College School de Londres, interrompue par des problèmes de santé qui l’obligent à étudier avec des précepteurs privés, Pearson intègre en 1875 le prestigieux King’s College de Cambridge pour y suivre le redoutable cursus des Mathematical Tripos. Il y révèle des aptitudes analytiques hors du commun, se confrontant aux méthodes de modélisation physique les plus complexes de l’époque victorienne. En 1879, il décroche le rang envié de Third Wrangler, sanctionnant l’excellence de son niveau mathématique. Loin de s’enfermer dans l’abstraction pure, le jeune bachelier fait preuve d’une insoumission précoce : il conteste avec succès l’obligation de fréquenter la chapelle du collège, affirmant une liberté de conscience qui allait demeurer l’un des fils directeurs de son existence publique.

Bénéficiant d’une bourse de recherche de son collège, Pearson choisit de ne pas s’engager immédiatement dans une carrière académique britannique conventionnelle et part pour l’Allemagne. Ce séjour outre-Rhin, partagé entre l’université de Berlin et celle de Heidelberg en 1879 et 1880, marque un tournant décisif dans son évolution spirituelle et méthodologique. À Berlin, il suit les cours du physiologiste Emil du Bois-Reymond sur le matérialisme et les limites de la connaissance naturelle, s’immerge dans la jurisprudence romaine auprès de juristes renommés, et étudie la philosophie de Baruch Spinoza, dont le panthéisme rationaliste et la rigueur quasi géométrique le marquent profondément. Parallèlement, il se passionne pour la littérature médiévale et la poésie allemande, publiant plus tard des essais érudits sur Martin Luther et le folklore rhénan. C’est durant cette période de fermentation intellectuelle et politique qu’il décide de germaniser l’orthographe de son prénom de Carl en Karl, geste symbolique manifestant à la fois son admiration pour la culture germanique et sa fascination intellectuelle pour la critique socio-économique formulée par Karl Marx, dont il lit Le Capital avec une avidité critique.

1.2 Le climat intellectuel de l’époque victorienne tardive

Le retour de Pearson en Angleterre au début des années 1880 coïncide avec une période de crise et de redéfinition profonde des paradigmes scientifiques britanniques. Deux décennies après la publication de L’Origine des espèces par Charles Darwin en 1859, la communauté scientifique a largement assimilé le principe fondamental de l’évolution organique, mais se heurte à une aporie majeure : l’absence d’une théorie rigoureuse et vérifiable des mécanismes de la transmission héréditaire et de la sélection naturelle. La biologie de l’époque demeure majoritairement descriptive, naturaliste et qualitative. Les arguments s’appuient sur des observations anecdotiques ou des analogies anatomiques, ce qui expose la théorie darwinienne aux attaques virulentes de ses détracteurs, qu’ils soient créationnistes ou partisans d’un néo-lamarckisme finaliste.

Simultanément, les sciences sociales connaissent un essor sans précédent, porté par les transformations industrielles massives, l’urbanisation galopante et la paupérisation des grands centres urbains de l’Empire britannique. Des réformateurs sociaux et des pionniers de la sociologie empirique, à l’instar de Charles Booth avec ses enquêtes monumentales sur la pauvreté à Londres, cherchent à quantifier les maux de la société industrielle. Dans le champ de l’étude de l’esprit humain, la psychophysique allemande et les premières tentatives de mesure anthropométrique menées par Francis Galton nourrissent l’ambition de quantifier l’intelligence, la moralité et les aptitudes cognitives. Toutefois, ces démarches empiriques souffrent d’un déficit méthodologique criant : il n’existe pas d’appareil mathématique unifié permettant de distinguer les variations purement aléatoires des tendances systématiques, ni de mesurer avec précision l’intensité des interrelations au sein de grands agrégats d’individus.

Cette fin de siècle est également le théâtre d’un affrontement épistémologique de premier plan entre deux visions de la nature. D’un côté trône le déterminisme mécaniste hérité de Pierre-Simon de Laplace et d’Isaac Newton, selon lequel l’univers est une immense horloge régie par des chaînes causales strictes et réversibles, où l’incertitude n’est que le reflet de l’ignorance humaine. De l’autre côté commence à émerger, sous l’impulsion de la thermodynamique statistique de James Clerk Maxwell et de Ludwig Boltzmann, la reconnaissance du rôle fondamental du désordre, des fluctuations et du hasard au cœur de la matière. C’est dans cette brèche conceptuelle que Pearson s’engouffre : pour lui, le véritable défi des sciences modernes consiste à dépasser le modèle mécaniste pour élaborer une science des populations, où l’agrégation statistique permet de dégager l’ordre et la régularité du sein même de la variabilité biologique et comportementale la plus foisonnante.

1.3 Transition académique vers les mathématiques appliquées et l’analyse empirique

À son retour à Londres, le jeune savant hésite encore sur la trajectoire à donner à son existence. Admis au barreau à Inner Temple en 1881, il exerce brièvement le droit, tout en donnant des conférences sur l’histoire de l’art, le socialisme et la condition féminine. Toutefois, son magnétisme intellectuel et ses compétences analytiques hors normes ne tardent pas à attirer l’attention des cercles universitaires. En 1884, à l’âge de vingt-sept ans seulement, il est nommé à la prestigieuse chaire de mathématiques appliquées et de mécanique à l’University College de Londres (UCL), une institution historiquement progressiste, laïque et ouverte aux courants novateurs, exempte des pesanteurs cléricales qui caractérisent encore Oxford et Cambridge à cette époque.

Durant ses premières années d’enseignement à l’UCL, Pearson dispense des cours de mécanique rationnelle, de théorie de l’élasticité et d’ingénierie mathématique, tout en publiant des traités de référence sur la résistance des matériaux, prolongeant l’œuvre inachevée de William Kingdon Clifford. Cependant, sa trajectoire va bifurquer de façon irréversible à la fin des années 1880 sous l’effet d’une double rencontre intellectuelle et humaine. D’une part, il noue des liens d’amitié profonde avec le zoologiste Walter Frank Raphael Weldon, nouvellement nommé professeur de zoologie à l’UCL en 1890. Weldon, passionné par la sélection naturelle chez les crustacés marins, apporte à Pearson des masses imposantes de données biométriques sur les crabes et les crevettes, cherchant désespérément à démontrer par le calcul l’action directe de la sélection sur les populations naturelles. D’autre part, Pearson entre en relation étroite avec Francis Galton, cousin de Darwin et explorateur passionné des lois de l’hérédité humaine, dont l’ouvrage Natural Inheritance (1889) fait l’effet d’un coup de foudre intellectuel sur le mathématicien.

Cette convergence donne naissance à une discipline entièrement nouvelle : la biométrie. Pearson prend conscience que les mathématiques appliquées ne doivent plus se cantonner à la physique mécanique ou à l’art de l’ingénieur, mais qu’elles ont pour mission historique de devenir le moteur analytique des sciences biologiques et comportementales. Il entreprend dès lors de transposer la rigueur déductive du calcul infinitésimal et de la théorie des probabilités à l’analyse des organismes vivants et de leurs variations, inaugurant une phase de créativité méthodologique dont l’intensité n’a que peu d’équivalents dans l’histoire des sciences modernes.

2. La philosophie des sciences : ‘La Grammaire de la science’ (1892)

Avant d’être le grand bâtisseur de la boîte à outils statistique du vingtième siècle, Karl Pearson fut un épistémologue d’une envergure exceptionnelle. La publication en 1892 de son ouvrage séminal, The Grammar of Science, ne répondait pas seulement à un souci de vulgarisation savante, mais posait les bases philosophiques d’une refondation radicale de la méthode d’investigation empirique, destinée à libérer la science des résidus métaphysiques hérités du siècle précédent.

2.1 Fondements épistémologiques et positivisme critique

L’édifice philosophique dressé par Pearson dans The Grammar of Science s’enracine dans un empirisme phénoméniste radical, largement tributaire des thèses du physicien et philosophe autrichien Ernst Mach. Pour Pearson, l’homme ne peut en aucun cas avoir un accès direct à une quelconque « chose en soi » kantienne ou à une réalité matérielle objective sous-jacente. Tout ce dont l’esprit humain dispose, ce sont des paquets d’impressions sensorielles (sense-impressions), véhiculées par les organes perceptifs et stockées ou agencées par le système nerveux central. Par conséquent, l’univers accessible à la connaissance humaine n’est rien d’autre qu’un construct mental élaboré à partir de ces flux perceptifs.

Cette position entraîne un rejet absolu et intransigeant de la métaphysique spéculative. Pearson pourfend sans ménagement les concepts traditionnels de matière, de force, d’éther ou de substance, qu’il qualifie de fétiches conceptuels inventés par l’esprit pour combler le vide de son ignorance. Il affirme avec force que le rôle de la science n’est nullement d’« expliquer » les causes profondes ou ultimes des phénomènes — ambition qu’il juge puérile et inaccessible —, mais exclusivement de « décrire » de la manière la plus exacte, synthétique et exhaustive possible la succession et l’ordonnancement de nos perceptions. Le scientifique ne sonde pas l’essence du réel ; il cartographie et formalise les régularités du perceptible.

Dans ce cadre phénoméniste, la loi scientifique subit une réévaluation conceptuelle profonde. Loin d’être un décret immuable gravé dans le marbre de la nature, la loi physique ou biologique est définie par Pearson comme un « résumé économique » (economical resume) des séquences d’expériences sensorielles passées, permettant de formuler des attentes cohérentes concernant les perceptions futures. Empruntant à Mach son concept d’économie de pensée, Pearson soutient que le progrès scientifique réside dans la capacité humaine à condenser d’immenses catalogues de faits observés en une formule concise, telle la loi de la gravitation universelle ou les équations de Maxwell. L’esprit scientifique triomphe lorsqu’il parvient à réduire l’infinie variété de l’expérience sensorielle à un petit nombre de règles analytiques claires.

2.2 La redéfinition conceptuelle de la causalité

L’apport le plus révolutionnaire de The Grammar of Science réside sans conteste dans sa déconstruction en règle du principe de causalité déterministe. Dans la droite ligne de la critique david-humienne du lien de causalité nécessaire, Pearson soutient que nous n’observons jamais une force causale à l’œuvre ; nous constatons uniquement des corrélations temporelles régulières entre des événements distincts. Dire que l’événement A « cause » l’événement B n’est qu’un abus de langage destiné à signifier que la perception de A a invariablement été suivie, dans notre mémoire empirique, par la perception de B.

Allant beaucoup plus loin que Hume, Pearson mobilise son génie probabiliste pour proposer un dépassement définitif de la causalité binaire. Il affirme que la causalité stricte, absolue et invariante n’est qu’un cas limite, infinitésimalement rare, d’un concept beaucoup plus vaste et fondamental : la corrélation statistique. Dans le monde organique et social, deux variables ne sont presque jamais liées par une nécessité aveugle de 100 % ni par une indépendance mutuelle totale de 0 %. Elles évoluent au sein d’un continuum d’associations plus ou moins intenses, gouvernées par la contingence. L’univers réel n’est point un mécanisme d’horlogerie laplacien articulé par des chaînes de causes et d’effets univoques, mais un réseau complexe de probabilités entremêlées, où chaque phénomène fluctue en relation d’interdépendance avec une multitude d’autres facteurs.

Cette redéfinition audacieuse a des implications scientifiques monumentales, particulièrement pour les disciplines naissantes consacrées à l’esprit humain et aux comportements collectifs. En montrant que la validité scientifique d’une discipline ne réside pas dans sa capacité à exhiber des lois déterministes absolues, mais dans son aptitude à mesurer mathématiquement le degré de contingence et de corrélation entre les phénomènes, Pearson fournit à la psychologie naissante et à la sociologie son brevet de légitimité scientifique. Dès lors, étudier les variations de la mémoire, les déviances comportementales ou le niveau intellectuel ne nécessite plus d’isoler une cause mécanique unique ; il devient possible de traiter l’esprit humain pour ce qu’il est empiriquement : un système probabiliste de tendances et de covaryations quantifiables.

2.3 Influence sur la méthode scientifique moderne

L’impact de la philosophie des sciences développée par Pearson dépasse largement les frontières des îles britanniques. Dès sa parution, The Grammar of Science rencontre un retentissement planétaire. En 1902, à Berne, un jeune employé de l’Office fédéral de la propriété intellectuelle nommé Albert Einstein réunit ses amis Conrad Habicht et Maurice Solovine au sein de l’Académie Olympia ; les trois jeunes gens lisent, débattent et assimilent avec passion l’ouvrage de Pearson. La critique radicale menée par ce dernier contre les concepts newtoniens d’espace et de temps absolus, qualifiés d’entités métaphysiques dépourvues de référent perceptif direct, irriguera la réflexion épistémologique qui permettra à Einstein de formuler sa relativité restreinte quelques années plus tard en 1905.

Au-delà de la physique relativiste, l’empirisme critique de Pearson préfigure directement le mouvement du positivisme logique du Cercle de Vienne dans les années 1920. Des penseurs comme Moritz Schlick, Rudolf Carnap ou Otto Neurath trouveront dans les écrits de Pearson un modèle de rigueur antimétaphysique, fondé sur l’analyse logique du langage scientifique et l’ancrage exclusif dans le donné sensible vérifiable. Pearson ancre définitivement le principe de la neutralité de l’observateur, affirmant que la science ne doit jamais porter de jugements de valeur, mais se borner à enregistrer des relations factuelles avec une impassibilité chirurgicale, garantie par la reproductibilité scrupuleuse des mesures chiffrées.

Enfin, Pearson accomplit l’exploit d’élever la statistique au statut de propédeutique indispensable à toute démarche empirique digne de ce nom. Dans les conclusions magistrales de sa Grammaire, il proclame que la méthode scientifique est une et indivisible, quel que soit l’objet auquel elle s’applique, et que son cœur battant réside dans l’art de classifier les faits, d’en extraire les séquences régulières et d’évaluer statistiquement leur degré de certitude. La statistique cesse d’être une simple technique auxiliaire de recensement administratif pour s’instituer en véritable grammaire universelle de la pensée rationnelle, seul tribunal capable de séparer le grain des faits établis de l’ivraie des spéculations illusoires.

3. La formalisation du coefficient de corrélation linéaire

Si la statistique moderne dispose aujourd’hui d’un langage standardisé pour mesurer l’interdépendance des grandeurs numériques, elle le doit à la formalisation mathématique rigoureuse opérée par Karl Pearson entre 1892 et 1896. En s’emparant d’une intuition géométrique fertile mais imprécise formulée par Francis Galton, Pearson a forgé le concept de coefficient de corrélation produit-moment, un outil qui allait bouleverser l’analyse quantitative de la psychologie et des sciences humaines.

3.1 L’héritage conceptuel de Francis Galton

Pour appréhender la genèse du coefficient de Pearson, il est indispensable de revenir aux travaux pionniers de son mentor intellectuel, sir Francis Galton. Dans le cadre de ses investigations passionnées sur la transmission héréditaire des traits humains — au premier rang desquels figurait la stature corporelle —, Galton s’était heurté à un phénomène fascinant qu’il décrivit initialement en 1877 sous le nom de « régression vers la médiocrité », rebaptisé plus tard de façon plus neutre « régression vers la moyenne ». En mesurant la taille de centaines de parents et de leurs enfants adultes parvenus à maturité, Galton avait constaté que si les parents de très grande taille avaient généralement des enfants plus grands que la moyenne générale, la stature de ces derniers était en moyenne plus proche de la moyenne de la population que celle de leurs géniteurs. Inversement, les parents de très petite taille engendraient des enfants qui, tout en étant petits, tendaient à être moins extrêmes que leurs pères.

Galton avait alors formalisé ce comportement à l’aide d’un dispositif graphique ingénieux : en traçant sur un plan cartésien la taille des enfants en fonction de la taille moyenne de leurs parents (après avoir standardisé les échelles en divisant par une mesure de dispersion empirique, l’écart probable), il avait remarqué que les points moyens s’alignaient le long d’une droite dont la pente était systématiquement inférieure à 1. Galton nomma cette pente le coefficient de régression et l’assimila à une mesure directe de l’intensité de l’hérédité, désignant ce paramètre par la lettre $r$ (pour « régression » ou « réversion »). Galton réalisa rapidement que cette technique pouvait s’appliquer à des caractères qui n’entretenaient aucun rapport de filiation directe, comme la relation entre la longueur du bras et la longueur de la cuisse chez un même individu.

Cependant, les intuitions de Galton, bien que brillantes, demeuraient entachées d’approximations géométriques et manquaient d’une assise mathématique robuste. Galton n’était pas un mathématicien professionnel ; ses ajustements de droites se faisaient largement au jugé visuel, ses indices dépendaient étroitement du caractère symétrique et gaussien supposé des données, et il ne possédait pas la théorie analytique permettant d’étendre la démarche à des situations complexes ou de quantifier l’erreur d’échantillonnage. C’est ici que l’intervention de Pearson se révéla fondatrice : fasciné par les données de Galton, il décida de refondre entièrement le problème au sein d’une théorie mathématique rigoureuse de la corrélation multivariée.

3.2 Dérivation du coefficient de corrélation produit-moment

Entre 1893 et 1896, dans une série de mémoires magistraux présentés devant la Royal Society de Londres — inaugurant sa célèbre suite d’articles intitulée Mathematical Contributions to the Theory of Evolution —, Pearson s’attelle à la dérivation analytique de ce qui deviendra universellement connu sous le nom de coefficient de corrélation produit-moment de Bravais-Pearson. Pearson rend hommage aux travaux géométriques antérieurs du physicien français Auguste Bravais (qui avait étudié en 1846 les surfaces d’erreur pour des tirs d’artillerie sans jamais concevoir la corrélation entre variables biologiques), mais c’est bien Pearson qui formule l’expression statistique opérationnelle moderne.

Pearson définit la corrélation $r$ entre deux variables continues $X$ et $Y$ comme le rapport de leur covariance empirique au produit de leurs écarts-types respectifs. Si l’on considère un échantillon de taille $N$, l’expression formelle s’écrit :

$$r = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{N \cdot \sigma_X \cdot \sigma_Y} = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sqrt{\sum (X_i – \bar{X})^2 \sum (Y_i – \bar{Y})^2}}$$

Cette formulation élégante confère au paramètre $r$ des propriétés mathématiques et statistiques exceptionnelles :

• Invariance d’échelle et d’origine : Le coefficient demeure rigoureusement inchangé sous toute transformation affine positive des variables ($X’ = aX + b$ et $Y’ = cY + d$ avec $a, c > 0$), ce qui élimine toute dépendance vis-à-vis des unités de mesure utilisées (pouces, centimètres, grammes ou scores de tests).
• Bornes universelles normalisées : Grâce à l’application de l’inégalité de Cauchy-Schwarz, la valeur de $r$ est mathématiquement confinée dans l’intervalle strict $[-1, +1]$. La valeur $+1$ signale une relation linéaire positive parfaite, $-1$ une relation linéaire négative parfaite, et $0$ une absence absolue d’association linéaire.
• Lien direct avec la distribution bivariée normale : Pearson démontre que sous l’hypothèse d’une surface de fréquence bivariée gaussienne, le paramètre $r$ est le coefficient unique qui gouverne l’étirement et l’orientation des ellipses d’égale densité de probabilité, et qu’il conditionne l’exacte dispersion des résidus autour de la droite de régression des moindres carrés.

3.3 Conséquences pour la psychométrie naissante

L’introduction du coefficient $r$ de Pearson a provoqué une véritable déflagration dans les sciences de l’esprit naissantes. Jusqu’alors, la psychologie scientifique, balbutiante, peinait à formaliser ses protocoles de recherche. Les pionniers de la psychologie des différences individuelles disposaient enfin d’un instrument universel permettant d’évaluer de manière rigoureuse le degré d’association entre des performances cognitives a priori disparates, comme le temps de réaction sensorielle, la vitesse de discrimination perceptive, l’acuité visuelle et la réussite à des épreuves scolaires complexes.

Le coefficient de corrélation produit-moment a constitué le terreau fertile sur lequel la psychométrie a bâti ses deux piliers fondamentaux : la fidélité et la validité des instruments de mesure. Grâce au calcul du $r$ de Pearson, il devint pour la première fois techniquement possible de quantifier la consistance interne d’une épreuve psychologique, en examinant la corrélation mutuelle entre ses différents items constitutifs. De même, la fidélité temporelle — connue sous le nom de fidélité test-retest — a pu être formellement définie comme le coefficient de corrélation entre les scores obtenus par les mêmes sujets soumis à deux passations successives d’une même épreuve dans des conditions standardisées.

De plus, l’outil pearsonien a ouvert la voie à la validation empirique des critères psychologiques : pour savoir si un test d’aptitude mentale nouvellement conçu mesurait effectivement ce qu’il prétendait mesurer, il suffisait désormais d’établir la corrélation statistique entre les résultats du test et un critère comportemental externe indépendant, comme le jugement des enseignants ou les succès professionnels ultérieurs. Sans l’invention du coefficient de corrélation, la psychométrie se serait enlisée dans des débats doctrinaux interminables sur la nature abstraite de l’intelligence ; avec Pearson, elle s’est muée en une discipline de laboratoire capable de traiter mathématiquement des matrices complexes de covariations humaines.

4. L’invention du test d’adéquation du Khi-deux (1900)

À l’orée du vingtième siècle, Karl Pearson va signer une autre contribution monumentale qui allait fonder la théorie moderne de l’inférence statistique et transformer pour toujours la recherche empirique dans les sciences du comportement. En juillet 1900, il publie dans le Philosophical Magazine un article d’une audace méthodologique absolue, introduisant ce qui reste aujourd’hui le test statistique le plus utilisé au monde : le critère d’adéquation du Khi-deux ($\chi^2$).

4.1 Genèse et formulation théorique du test

La question qui hantait Pearson à la fin des années 1890 était d’une clarté trompeuse : face à un ensemble de données observationnelles réparties dans différentes classes d’intervalles, comment savoir de manière objective si les écarts constatés entre la distribution empirique et une distribution théorique postulée (telle que la loi normale) résultent de simples fluctuations aléatoires dues à l’échantillonnage, ou s’ils traduisent une inadéquation fondamentale du modèle théorique sous-jacent ? Jusqu’alors, les chercheurs en étaient réduits à un jugement purement subjectif et visuel, superposant une courbe théorique sur un histogramme d’observations empiriques et décrétant, au vu de la proximité apparente, si l’ajustement était « satisfaisant ».

Pearson balaie cette démarche artisanale et conçoit un critère mathématique rigoureux. Soit une population partitionnée en $k$ classes mutuellement exclusives, où $O_i$ représente la fréquence empiriquement observée dans la classe $i$, et $E_i$ la fréquence théorique attendue (expected) selon l’hypothèse nulle sous-jacente. Pearson formalise la distance entre la réalité et la théorie à travers la statistique suivante :

$$\chi^2 = \sum_{i=1}^{k} \frac{(O_i – E_i)^2}{E_i}$$

Le tour de force théorique de Pearson dans son article de 1900 réside dans la dérivation analytique de la loi de probabilité continue suivie par cette statistique. Démontrant que sous des conditions d’échantillonnage poissonnien ou multinomial, la somme de ces écarts quadratiques pondérés tend asymptotiquement vers une loi de distribution spécifique — la loi du Khi-deux —, Pearson parvient à tabuler avec une précision mathématique la probabilité $P$ qu’une valeur de $\chi^2$ supérieure ou égale à celle observée puisse se produire par le seul fait du hasard. Si cette probabilité $P$ s’avère excessivement faible (par exemple inférieure à 0,05 ou 0,01), le chercheur se trouve contraint de rejeter l’hypothèse que la distribution théorique choisie est conforme aux données réelles.

Toutefois, la formulation initiale de Pearson contenait une faille subtile qui allait donner lieu à l’une des controverses les plus célèbres de l’histoire des statistiques. Pearson considérait initialement que le paramètre gouvernant la distribution — le nombre de degrés de liberté — était simplement égal au nombre de classes moins une ($k – 1$), sans prendre en compte le fait que les paramètres théoriques servant à calculer les $E_i$ (comme la moyenne ou la variance) étaient souvent eux-mêmes estimés à partir des données de l’échantillon. C’est Ronald Aylmer Fisher qui corrigera cette erreur dans les années 1920 en démontrant la nécessité de soustraire un degré de liberté supplémentaire pour chaque paramètre estimé, provoquant la colère intransigeante du vieux maître.

4.2 Extension aux tables de contingence

Pearson ne s’arrête pas au simple test d’adéquation d’une distribution univariée à une courbe théorique. Il réalise rapidement que la structure mathématique du $\chi^2$ offre une solution élégante au problème lancinant de l’association entre variables nominales ou qualitatives polygonales. Dès 1904, dans une publication académique majeure de la série des Drapers’ Company Research Memoirs, il étend son formalisme aux tables de contingence à double entrée comportant $r$ lignes et $c$ colonnes.

Dans ce contexte, Pearson montre que l’hypothèse d’indépendance statistique entre deux critères de classification qualitatifs peut être testée de façon exacte en comparant les effectifs observés dans chaque cellule de la table aux effectifs théoriques attendus sous l’hypothèse que les probabilités marginales se multiplient ($E_{ij} = \frac{R_i \cdot C_j}{N}$, où $R_i$ est le total de la ligne et $C_j$ le total de la colonne). La statistique $\chi^2$ somme alors les écarts normalisés sur l’ensemble des cellules du tableau.

Pour mesurer la force intrinsèque de l’association — indépendamment de la taille globale de l’échantillon $N$ qui gonfle artificiellement le $\chi^2$ brut —, Pearson élabore le coefficient de contingence moyenne (généralement noté $C$) :

$$C = \sqrt{\frac{\chi^2}{N + \chi^2}}$$

Cette extension constitue une avancée phénoménale pour la nosographie médicale, la sociologie et la psychopathologie naissante. Pour la première fois, les aliénistes et les pionniers de la psychiatrie d’observation peuvent vérifier si certains symptômes cliniques spécifiques sont significativement associés à des catégories diagnostiques particulières, sans dépendre de corrélations numériques d’intervalles impossibles à établir pour des états mentaux qualitatifs. La classification des troubles mentaux pouvait enfin s’ancrer dans l’analyse de tableaux croisés méthodologiquement rigoureux.

4.3 Révolution méthodologique dans les sciences du comportement

L’introduction du test du Khi-deux représente un point de rupture épistémologique absolu. Avant 1900, la science expérimentale et observationnelle vivait sous le régime de l’affirmation d’hypothèses invérifiables : lorsqu’un écart apparaissait entre une théorie et des données, aucun protocole normé ne permettait de trancher rationnellement entre le rôle du bruit stochastique et la fausseté de l’hypothèse. Pearson dote la communauté savante du tout premier véritable protocole universel de test de rejet d’hypothèse statistique, anticipant de plusieurs décennies les travaux formels de Jerzy Neyman et de son propre fils, Egon Sharpe Pearson.

Dans les sciences du comportement, le premier impact direct de ce test fut de pulvériser ce que l’on pourrait nommer le « dogme de la normalité universelle ». À la suite de l’astronome belge Adolphe Quetelet, il était alors universellement admis que toute caractéristique humaine — qu’elle soit d’ordre physique, comme le tour de poitrine, ou d’ordre psychologique, comme le courage ou la mémoire — se devait de suivre rigoureusement la courbe en cloche de Gauss. Pearson utilise son test du $\chi^2$ pour soumettre cette croyance à la torture des données empiriques réelles. Il prouve de manière éclatante qu’une multitude de distributions de traits de personnalité, d’aptitudes cognitives et d’attitudes psychosociales s’écartent très lourdement et significativement de la loi normale, révélant des asymétries et des aplatissements structurels.

En libérant les chercheurs de l’obligation de présumer la normalité de leurs distributions, le test du Khi-deux a conféré une autonomie méthodologique inédite à l’analyse des données d’enquêtes psychosociales à grande échelle. Les sociologues et les psychologues pouvaient désormais collecter des opinions dichotomiques, des classifications d’aptitudes discrètes, des typologies de conduites individuelles et tester de manière inférentielle et objective des hypothèses sociologiques complexes, posant ainsi les jalons des protocoles d’échantillonnage de masse qui fleuriront tout au long du vingtième siècle.

5. La modélisation de la régression et les prémices de l’analyse multivariée

L’inventivité de Karl Pearson ne s’est pas arrêtée à la formalisation bivariée. Très tôt conscient que la complexité des organismes vivants et des conduites humaines découle de l’action simultanée d’une pluralité de causes en interaction, Pearson a développé les fondements mathématiques de l’analyse statistique multivariée, créant des outils qui sont aujourd’hui au cœur de la modélisation statistique avancée et de l’apprentissage automatique.

5.1 La régression linéaire et non linéaire

Si Francis Galton avait intuité le phénomène de régression, Pearson l’intègre au formalisme analytique du calcul différentiel et de la méthode des moindres carrés développée à l’origine par Carl Friedrich Gauss et Adrien-Marie Legendre pour les erreurs astronomiques. Pearson démontre que la meilleure droite de prédiction de la variable $Y$ à partir de la variable $X$ — celle qui minimise la somme des carrés des écarts verticaux entre les valeurs observées et les valeurs prédites — possède une équation analytique directe :

$$\hat{Y} – \bar{Y} = b_{yx} (X – \bar{X}) \quad \text{a\vec} \quad b_{yx} = r \frac{\sigma_Y}{\sigma_X}$$

Dans ce modèle, le coefficient de régression empirique $b_{yx}$ exprime précisément de combien d’unités d’écart-type la variable dépendante varie lorsque la variable indépendante progresse d’une unité. Pearson dérive rigoureusement la variance résiduelle de prédiction, formalisant l’erreur standard d’estimation :

$$s_{e}^2 = \sigma_Y^2 (1 – r^2)$$

Cette équation illustre de façon limpide le fait fondamental que la dispersion des observations autour de la droite de régression décroît à mesure que le coefficient de corrélation $r$ s’approche de $+1$ ou $-1$, démontrant la complémentarité analytique parfaite entre les concepts de régression et de corrélation.

Reconnaissant que la nature n’est pas toujours complaisamment linéaire, Pearson va plus loin en défrichant le champ des régressions non linéaires ou curvilignes. Dans un mémoire magistral de 1905 intitulé On the General Theory of Skew Correlation and Non-linear Regression, il invente le rapport de corrélation, universellement désigné par la lettre grecque $eta$ (êta). Le rapport de corrélation $eta$ permet de quantifier l’intensité de l’association fonctionnelle entre deux variables, que cette association prenne une forme parabolique, logarithmique ou oscillatoire. Ce ratio préfigure ce que l’on appellera plus tard dans le cadre de l’analyse de la variance la décomposition de la variance totale en variance inter-classes et variance intra-classes, conférant aux psychologues un outil précieux pour modéliser des lois comportementales complexes telles que la loi de Yerkes-Dodson, reliant la performance à l’état de vigilance selon une courbe en cloche inversée.

5.2 La corrélation partielle et multiple

Dans les sciences humaines et biologiques, un observateur se heurte continuellement au problème des corrélations illusoires (ou fallacieuses) : deux variables peuvent sembler hautement corrélées uniquement parce qu’elles subissent toutes deux l’influence conjointe d’une troisième variable non contrôlée. Pearson s’attaque à ce problème théorique et dérive mathématiquement les équations exactes de la corrélation partielle.

Pour trois variables $X$, $Y$ et $Z$, le coefficient de corrélation partielle de premier ordre de $X$ et $Y$, sous contrôle de la variable $Z$, s’écrit selon la célèbre formule pearsonienne :

$$r_{xy.z} = \frac{r_{xy} – r_{xz}r_{yz}}{\sqrt{(1 – r_{xz}^2)(1 – r_{yz}^2)}}$$

Cette équation analytique permet de purger mathématiquement la covariance brute entre deux traits de l’influence perturbatrice ou médiatrice exercée par un troisième facteur. Pearson l’étend immédiatement aux corrélations multiples de dimensions supérieures, permettant de mesurer le degré d’association globale d’une variable critère avec un ensemble conjoint de prédicteurs distincts ($R_{y.x_1 x_2 dots x_p}$).

Cette avancée a des conséquences conceptuelles colossales pour les sciences comportementales et sociales. En effet, elle offre la possibilité technique de conduire des expérimentations statistiques là où l’expérimentation en laboratoire est éthiquement ou matériellement impossible. Les sociologues et les psychologues différentiels peuvent désormais « neutraliser statistiquement » des variables de confusion majeures telles que l’âge, l’origine sociale ou le niveau d’éducation, afin d’observer si une relation résiduelle persiste réellement entre des facteurs psychologiques postulés et des comportements cibles. Par cette contribution, Pearson jette les bases logiques et mathématiques de ce qui deviendra la modélisation par équations structurelles et la régression multivariée contemporaine.

5.3 L’analyse des composantes principales (1901)

Parmi les trésors théoriques légués par Karl Pearson, l’un des plus visionnaires figure dans un article publié en novembre 1901 dans le Philosophical Magazine sous le titre austère : On Lines and Planes of Closest Fit to Systems of Points in Space. Dans ce travail, Pearson pose sans le savoir le premier jalon de l’apprentissage statistique non supervisé et de la réduction dimensionnelle en formulant la méthode de l’analyse en composantes principales (ACP), redécouverte indépendamment des décennies plus tard par Harold Hotelling en 1933.

Pearson se pose un problème purement géométrique : si l’on dispose d’un nuage de $N$ points distribués dans un espace euclidien multidimensionnel à $p$ coordonnées corrélées (représentant par exemple $p$ mesures morphologiques ou cognitives effectuées sur un groupe d’individus), comment trouver la droite, le plan ou l’hyperplan de dimension $k < p$ qui s'ajuste au plus près de ce nuage, en minimisant la somme des carrés des distances perpendiculaires orthogonales (et non pas verticales comme dans la régression standard) entre les points et la sous-variété géométrique ?

Mobilisant la théorie spectrale des formes quadratiques et le calcul matriciel, Pearson démontre que la direction de la droite de meilleur ajustement — la première composante principale — correspond précisément au vecteur propre associé à la plus grande valeur propre de la matrice de covariance (ou de corrélation) des données. Cette droite capture la part maximale de la variance totale dispersée par le nuage de points. Les directions suivantes, mutuellement orthogonales, capturent séquentiellement le maximum de la variance résiduelle restante.

Cette découverte fournit la charpente géométrique et mathématique de toute l’analyse multivariée moderne. En psychométrie, cette transformation orthogonale permet de convertir un faisceau touffu de dizaines de scores de tests corrélés en un petit nombre de variables latentes décorrélées (les axes principaux), réduisant la complexité cognitive d’un tableau de données sans perte substantielle d’information. Cet article de 1901 est le socle sur lequel émergeront immédiatement après les travaux de Charles Spearman sur la factorisation psychométrique de l’intelligence et l’évaluation structurée de la personnalité.

6. Le laboratoire de biométrie de l’UCL et la revue Biometrika

Le génie de Karl Pearson ne s’est pas déployé dans un splendide isolement spéculatif ; il s’est doublé d’un talent exceptionnel d’administrateur, d’organisateur de la recherche et d’entrepreneur académique. Conscient que ses innovations calculatoires risquaient de rester lettre morte sans structures institutionnelles dédiées, Pearson a bâti à l’University College de Londres le premier pôle mondial de statistique universitaire et s’est doté de ses propres canaux de diffusion savante.

6.1 Institutionnalisation de la statistique universitaire

Dès le milieu des années 1890, Pearson réalise que le traitement des immenses corpus de données biologiques et anthropologiques requiert des infrastructures matérielles et logistiques adaptées. En 1895, avec l’appui financier de comités de la Royal Society et de mécènes industriels comme la Worshipful Company of Drapers, il fonde au sein de l’UCL le Biometric Laboratory. C’est un espace de recherche hybride, à la fois laboratoire de métrologie équipé d’instruments anthropométriques de précision (compas de Spearman, céphalomètres, toises d’étalonnage) et atelier de calcul intensif.

Le couronnement institutionnel de cet effort survient en 1911. À la suite du décès de son mentor Francis Galton, qui lègue sa fortune à l’UCL pour y créer une chaire consacrée à l’étude quantitative de l’hérédité, Pearson est nommé à la tête de cette nouvelle chaire. Fusionnant son laboratoire de biométrie avec le laboratoire Galton, il crée le tout premier département de statistique universitaire au monde. Ce département ne ressemble à rien de ce qui existait auparavant : il rompt avec les chaires de mathématiques pures en intégrant une dimension résolument appliquée, expérimentale et numérique.

Pearson y instaure des programmes de formation intensifs, accueillant des boursiers, des biologistes, des médecins, des psychiatres et des officiers coloniaux venus des quatre coins du globe — notamment des États-Unis, du Japon, de l’Inde et d’Europe continentale. Les étudiants y apprennent l’art de concevoir des protocoles de recueil d’observations, de vérifier la cohérence des bases de données et d’exécuter des calculs matriciels complexes. Ce département forme la première génération de statisticiens professionnels de la planète, essaimant les méthodes quantitatives au sein des facultés de médecine, des départements de sociologie et des premiers laboratoires de psychologie expérimentale.

6.2 La création et la gouvernance de la revue ‘Biometrika’

Au tournant du siècle, Pearson et son ami le zoologiste Walter Weldon se heurtent à l’incompréhension croissante de l’establishment scientifique victorien. La vénérable Royal Society, dominée par des anatomistes et des morphologistes de formation classique, supporte de plus en plus mal l’avalanche de formules intégrales, d’équations différentielles et de tables de probabilités qui saturent les manuscrits biométriques soumis par Pearson. En novembre 1900, à la suite du rejet houleux d’un article de Weldon portant sur la sélection naturelle chez les escargots au motif que la biologie ne devait pas devenir une branche des mathématiques, la rupture est consommée.

Refusant toute censure et tout compromis éditorial, Pearson réunit Weldon et Galton pour créer une publication entièrement indépendante. En octobre 1901 paraît le premier fascicule de Biometrika, sous-titrée A Journal for the Statistical Study of Biological Problems. Financée en partie par Galton, la revue proclame dans son manifeste inaugural son intention d’appliquer la méthode statistique à tous les aspects de la théorie de l’évolution, reliant intimement les sciences de la vie et le calcul des probabilités. Pearson prend les commandes de la rédaction en chef, fonction qu’il exercera avec une poigne de fer et une minutie tyrannique pendant plus de trente-cinq ans, jusqu’à son décès en 1936.

Sous la direction dictatoriale mais éclairée de Pearson, Biometrika devient le sanctuaire de l’innovation statistique internationale. C’est dans ses colonnes que sont publiées les tables statistiques fondamentales indispensables aux calculs pré-informatiques, que sont exposés les développements théoriques les plus novateurs sur les distributions d’erreurs et que sont disséquées des masses colossales de données sur la stature humaine, la pigmentation des yeux, les corrélations criminologiques ou les traits psychologiques. La revue s’impose comme le modèle incontournable des futures grandes revues quantitatives du vingtième siècle.

6.3 Protocoles de collecte de données anthropométriques et mentales

Le laboratoire de biométrie de l’UCL ne se contentait pas de modéliser les données des autres : il constituait lui-même une colossale machinerie de collecte empirique. Pearson orchestre des campagnes massives de mensurations à travers le Royaume-Uni. Il mobilise des réseaux d’instituteurs, de directeurs de collèges, de directeurs d’asiles psychiatriques et de médecins de prison, distribuant des milliers de formulaires d’enquête standardisés. L’une de ses entreprises les plus remarquables est sa vaste enquête sur la fratrie menée au tout début des années 1900, où plus de 4 000 paires de frères et sœurs sont évaluées tant pour des traits physiques (taille, envergure des bras, couleur des cheveux, indice céphalique) que pour des caractéristiques psychologiques et comportementales (vivacité d’esprit, assiduité, timidité, tempérament colérique, goût du sport).

Pour mener à bien le dépouillement et l’analyse de ces montagnes de données avant l’invention des ordinateurs électroniques, Pearson met sur pied un modèle pionnier d’organisation du travail : l’emploi de « calculatrices humaines » (human computers). Dans un univers académique victorien extrêmement misogyne qui fermait ses portes aux femmes scientifiques, Pearson fait le choix d’embaucher de jeunes femmes hautement diplômées en mathématiques de Girton ou Newnham College à Cambridge. Des calculatrices de génie comme Alice Lee, Julia Bell, Ethel Elderton ou Beatrice Cave deviennent des collaboratrices scientifiques de premier plan au sein de son laboratoire.

Munies de machines à calculer mécaniques à manivelle (telles que les calculateurs Brunsviga et Millionnaire), ces chercheuses passent des journées entières à tabuler des sommes de carrés, à dériver des moments d’ordre supérieur et à inverser manuellement des matrices de covariance complexes. Loin d’être de simples opératrices exécutantes, ces femmes co-signent des articles majeurs, Alice Lee soutenant notamment en 1901 une thèse de doctorat sous la direction de Pearson qui pulvérise les présupposés crâniologiques de l’époque en démontrant par la corrélation statistique l’absence totale de lien significatif entre la capacité crânienne et le niveau d’intelligence intellectuelle mesuré chez des savants et des étudiants.

7. L’engagement eugéniste et les études quantitatives de l’hérédité

Il est rigoureusement impossible de restituer fidèlement la figure historique de Karl Pearson sans affronter au cœur son engagement indéfectible en faveur du mouvement eugéniste. L’élaboration de la boîte à outils statistique pearsonienne n’a pas été conçue dans une tour d’ivoire de pureté axiomatique ; elle s’est trouvée intimement liée au projet idéologique d’une régulation biologique et rationnelle de l’espèce humaine, inscrite dans l’impérialisme triomphant de l’ère victorienne et édouardienne.

7.1 Direction du Laboratoire Galton d’eugénisme national

Le terme d’« eugénisme » avait été forgé en 1883 par Francis Galton pour désigner l’étude des facteurs sous contrôle social susceptibles d’améliorer ou d’altérer les qualités de la lignée des générations futures, sur le plan physique comme mental. Lorsque Galton meurt en janvier 1911, son testament confie à Karl Pearson la mission sacrée de perpétuer cette doctrine à l’UCL en prenant la direction du Galton Laboratory for National Eugenics. Pearson accepte avec ferveur, concevant cette fonction comme l’aboutissement logique de son projet scientiste.

Dans sa vision, qu’il défend au sein de traités percutants comme National Life from the Standpoint of Science (1901), Pearson se réclame d’un « socialisme eugéniste » autoritaire et technocratique, radicalement distinct du laissez-faire libéral de la bourgeoisie capitaliste victorienne. Pour Pearson, l’État moderne a pour devoir impérieux d’intervenir scientifiquement dans les processus reproductifs de la société afin d’enrayer ce qu’il diagnostique comme une dégénérescence biologique imminente de la race britannique. Il promeut simultanément un « eugénisme positif », encourageant par des mesures d’incitation économique la procréation des élites intellectuelles et morales du pays, et un « eugénisme négatif », prônant la restriction drastique de la reproduction des individus porteurs de tares héréditaires physiques ou mentales.

En 1925, afin de contourner les contraintes de Biometrika et d’offrir une tribune d’analyse quantitative exclusive à ses thèses génétiques et nosologiques, Pearson lance une nouvelle revue internationale de haut niveau : les Annals of Eugenics (rebaptisée en 1954 de façon plus neutre Annals of Human Genetics). Durant plus d’une décennie, Pearson et ses assistants y accumulent des généalogies gigantesques et des modèles mathématiques sophistiqués pour tracer la transmission de pathologies comme l’albinisme, les malformations oculaires congénitales, la surdité héréditaire, mais aussi ce qu’ils cataloguaient sans discernement sociologique sous les étiquettes de « débilité mentale » (feeble-mindedness), de « criminalité habituelle » ou d’« alcoolisme chronique ».

7.2 Tentatives de quantification de l’hérédité de l’intelligence et du caractère

L’un des chantiers les plus controversés de Pearson au sein du laboratoire Galton concerne la quantification mathématique de la transmission de l’intelligence et du tempérament moral. S’appuyant sur ses massives enquêtes scolaires portant sur des milliers de fratries, Pearson calcule méthodiquement les coefficients de corrélation produit-moment pour des traits physiques mesurables (comme la stature ou la portée des bras) et trouve des valeurs moyennes situées de façon remarquablement constante autour de $r \approx 0,50$ entre frères et sœurs.

Appliquant ensuite le même protocole d’analyse aux évaluations qualitatives de l’intelligence scolaire et du caractère fournies par les maîtres d’école (graduées selon des échelles d’association de contingence), Pearson obtient des coefficients de corrélation fraternelle quasiment identiques, oscillant invariablement entre $0,45$ et $0,52$. De cette stricte égalité numérique des coefficients, Pearson tire une conclusion catégorique qui deviendra le dogme de sa vie : les facultés intellectuelles, la persévérance, la moralité et les conduites sociales sont héritées exactement de la même manière, dans les mêmes proportions et par les mêmes mécanismes biologiques que les caractères physiques les plus indiscutables comme la forme du crâne ou la longueur du fémur.

Ce faisant, Pearson commet une erreur de raisonnement épistémologique et méthodologique fondamentale qu’il avait pourtant pourfendue en théorie : il confond corrélation et causalité génétique exclusive. Il sous-estime délibérément l’impact colossal de l’environnement éducatif, du statut socio-économique des familles, de la nutrition infantile et des représentations subjectives des évaluateurs scolaires de l’époque. Persuadé que l’environnement (« nurture ») n’a qu’un effet négligeable — qu’il évalue dogmatiquement à moins d’un cinquième de l’effet de l’hérédité (« nature ») —, Pearson s’oppose violemment aux réformes éducatives et sanitaires progressistes de son temps, affirmant publiquement que dépenser l’argent public pour améliorer les conditions de vie des classes défavorisées de l’East End londonien revient à gaspiller des ressources pour un substrat biologique vicié incapable d’amélioration adaptative.

7.3 Analyse critique et réévaluation éthique contemporaine

Avec le recul de l’histoire et les progrès de la génétique quantitative moderne, l’entreprise eugéniste pearsonienne apparaît pour ce qu’elle fut : une hybridation tragique entre une virtuosité statistique indiscutable et un aveuglement idéologique nourri par les préjugés impériaux et élitistes de l’Angleterre de son époque. Les études menées par Pearson sur les enfants d’immigrants juifs nouvellement arrivés dans le quartier de Whitechapel à Londres dans les années 1920 illustrent avec une cruauté saisissante les dérives auxquelles ses outils ont prêté leur concours. Par des indices anthropométriques biaisés, Pearson prétendait prouver que ces populations présentaient un matériel biologique inférieur à la souche native britannique, ignorant méthodologiquement les traumatismes de l’émigration, les barrières linguistiques et la pauvreté extrême de ces foyers.

L’historiographie contemporaine des sciences a minutieusement déconstruit cette contamination idéologique des instruments d’évaluation biométrique. Les travaux d’historiens comme Donald MacKenzie (Statistics in Britain, 1865-1930: The Social Construction of Scientific Knowledge) ont magistralement mis en évidence comment les concepts mêmes de corrélation, de contingence et d’écart-type n’étaient pas des objets éthiquement neutres flottant dans un ciel platonicien pur, mais avaient été conçus et calibrés pour répondre à des interrogations socio-démographiques hautement orientées, relatives au tri sélectif et à la préservation de l’hégémonie de classe au sein de l’Empire britannique.

Cette réalité a conduit les institutions universitaires contemporaines à réévaluer courageusement leur propre mémoire historique. En 2020, au terme d’une enquête historique exhaustive sur son passé institutionnel lié à l’eugénisme, l’University College de Londres a officiellement acté le débaptême des bâtiments, amphithéâtres et chaires portant le nom de Karl Pearson et de Francis Galton. Cette décision symbolique majeure ne vise en aucun cas à effacer leurs théorèmes mathématiques des manuels de science, mais à rompre définitivement avec la célébration acritique de savants dont les travaux ont fourni le carburant théorique à des politiques eugéniques coercitives, rappelant aux praticiens des sciences comportementales la responsabilité déontologique suprême qui accompagne l’usage des statistiques appliquées à l’humain.

8. Le schisme avec le mendélisme et les controverses avec R.A. Fisher

L’histoire de la statistique pearsonienne n’a rien d’un fleuve tranquille s’écoulant harmonieusement d’une découverte à l’autre ; elle a été forgée au creuset de controverses homériques qui ont déchiré la science britannique pendant près de quatre décennies. Le tempérament belliqueux de Pearson, son intransigeance dogmatique et son refus absolu d’admettre ses erreurs l’ont conduit à des affrontements d’une violence inouïe, d’abord avec les partisans de Gregor Mendel, puis avec le nouveau titan de la statistique du vingtième siècle, Ronald Aylmer Fisher.

8.1 La querelle entre biométriciens et mendéliens

En 1900, la redécouverte simultanée par Hugo de Vries, Carl Correns et Erich von Tschermak des célèbres lois de l’hérédité mendélienne — formulées dans l’indifférence générale en 1865 par le moine morave Gregor Mendel — déclenche un séisme dans la biologie mondiale. En Angleterre, cette réémergence trouve son champion absolu en la personne du zoologiste de Cambridge, William Bateson. Bateson soutient avec passion que la variation biologique et l’évolution procèdent par sauts discontinus, qualitatifs et particulaires (les facteurs mendéliens, ancêtres de nos gènes), régis par des ségrégations stochastiques strictes obéissant à des proportions d’entiers simples (comme les fameux ratios 3:1 ou 9:3:3:1).

Pour Karl Pearson et son acolyte Walter Weldon, cette conception particulaire discontinue apparaît comme une hérésie totale et une menace mortelle pour l’édifice biométrique qu’ils viennent de bâtir. Fidèles à la devise darwinienne natura non facit saltus (la nature ne fait pas de sauts), les biométriciens défendent un gradualisme continu absolu. Pour Pearson, la réalité vivante s’exprime dans des variations quantitatives infinitésimales et continues de traits distribués de manière continue au sein des populations réelles. Pearson accuse le mendélisme d’être un retour régressif à une pensée mécaniste médiévale, qualifiant de « fantaisie de laboratoire » des lois obtenues sur des pois cultivés sous serre, sans équivalent dans les populations naturelles ouvertes soumises à la sélection naturelle.

La bataille entre l’école biométrique de Londres (Pearson, Weldon) et l’école mendélienne de Cambridge (Bateson, Punnett) dure près de quinze ans avec une âpreté effarante. Par articles interposés dans Nature et Biometrika, les invectives pleuvent. Pearson use de son autorité pour bloquer les publications mendéliennes dans les revues qu’il contrôle, tandis que Bateson ridiculise l’obsession biométrique d’ajuster des courbes mathématiques sur des populations dont les biométriciens refusent de regarder les composants biologiques internes. Cette rupture a retardé de plus d’une décennie l’intégration de la génétique quantitative dans la psychologie différentielle britannique, divisant durablement les chercheurs en deux camps hermétiques incapables de communiquer.

8.2 La rivalité épistémologique avec Ronald Aylmer Fisher

Si la querelle mendélienne fut violente, la rivalité qui opposa Karl Pearson à Ronald Aylmer Fisher (1890-1962) atteignit des sommets d’animosité personnelle et institutionnelle. Jeune prodige mathématique issu de Cambridge, Fisher avait commencé par admirer l’œuvre de Pearson, mais cette déférence initiale vola rapidement en éclats face à l’autoritarisme du directeur de Biometrika. Dès les années 1910, Pearson rejette ou retarde des manuscrits révolutionnaires soumis par le jeune Fisher, blessant profondément l’amour-propre de ce dernier et déclenchant une hostilité réciproque qui ne s’éteindra qu’avec la mort.

Le conflit entre les deux hommes est avant tout épistémologique et méthodologique. Il s’articule autour de trois divergences majeures :

• La question de la taille des échantillons : Pearson appartenait à l’ère des mégadonnées du dix-neuvième siècle ; ses théorèmes reposaient presque tous sur des approches asymptotiques valables pour de grands échantillons ($N > 1000$). Fisher, confronté aux réalités agricoles concrètes de la station expérimentale de Rothamsted, s’attache à dériver les distributions statistiques exactes pour de tout petits échantillons ($N < 30$), inventant la théorie formelle des petits échantillons que Pearson traita longtemps avec un souverain mépris.
• Les degrés de liberté et le test du Khi-deux : Dès 1922, Fisher publie un article fondamental démontrant que Pearson s’est trompé dans la formulation de son test du Khi-deux appliqué aux tables de contingence et aux distributions ajustées, car il a omis de soustraire les degrés de liberté liés aux paramètres estimés. Pearson réagit par des attaques personnelles d’une mauvaise foi insigne dans Biometrika, refusant d’admettre son erreur mathématique évidente, qui était pourtant démontrée avec une clarté absolue par Fisher.
• L’estimation par les moments contre le maximum de vraisemblance : Sur le plan de la théorie de l’estimation, Pearson est le héraut historique de la méthode des moments, qui consiste à égaliser les moments empiriques de l’échantillon avec les moments théoriques du modèle. Fisher prouve mathématiquement que la méthode des moments de Pearson est inefficace (au sens où elle perd de l’information statistique) et propose à sa place le formalisme moderne de l’estimation par le maximum de vraisemblance, dotée d’une variance asymptotique minimale et du concept de suffisance.

8.3 La réconciliation posthume par la synthèse moderne

Le dénouement théorique de ces déchirements fraternels viendra précisément de l’homme que Pearson détestait le plus. En 1918, Fisher publie un article immortel intitulé The Correlation between Relatives on the Supposition of Mendelian Inheritance. Dans ce texte magistral, Fisher réalise la prouesse analytique d’unifier les deux paradigmes ennemis que tout semblait opposer : il démontre rigoureusement que si l’on suppose qu’un caractère continu (comme la taille humaine ou une aptitude psychologique) est gouverné par l’action conjointe d’un grand nombre de gènes mendéliens discrets distincts — modèle dit polygénique —, la distribution de ce caractère au sein d’une population devient asymptotiquement parfaitement continue et normale, sous l’effet du théorème central limite.

Mieux encore, Fisher dérive mathématiquement à partir des lois de Mendel les valeurs exactes des coefficients de corrélation produit-moment entre parents et enfants ($0,50$) ou entre cousins et cousines que Pearson avait observés empiriquement dans son laboratoire sans pouvoir les justifier biologiquement. Fisher fonde ainsi la génétique des populations et la théorie synthétique de l’évolution, complétée ensuite par les travaux de J.B.S. Haldane et Sewall Wright.

Cette synthèse a eu des conséquences immenses pour la psychologie quantitative et la psychiatrie génétique modernes. Les modèles biopsychologiques contemporains de l’évaluation de la personnalité, de la susceptibilité aux troubles affectifs ou du développement de l’intelligence cognitive reposent tous sur cette convergence unificatrice : ils utilisent les outils méthodologiques de corrélation, de régression et de réduction dimensionnelle inventés par Karl Pearson pour traquer et quantifier l’impact de réseaux de polymorphismes génétiques identifiés selon les principes fondamentaux de l’héritage mendélien et de la décomposition de la variance introduits par Ronald Fisher.

9. L’influence déterminante de Pearson sur la psychométrie classique

L’histoire de la psychologie scientifique retient généralement les noms de Wilhelm Wundt, William James ou Alfred Binet parmi ses figures tutélaires. Pourtant, sans l’armature mathématique forgée par Karl Pearson, la psychologie différentielle et l’évaluation psychométrique n’auraient jamais pu acquérir le statut de disciplines empiriques quantifiées. La formalisation des différences individuelles s’est construite sur une absorption constante des formules et des concepts pearsoniens.

9.1 La relation complexe avec Charles Spearman

L’une des fécondations méthodologiques les plus célèbres — et les plus conflictuelles — de la psychométrie s’est jouée entre Karl Pearson et le psychologue britannique Charles Spearman (1863-1945). Ancien officier de l’armée britannique ayant étudié auprès de Wundt à Leipzig, Spearman comprend immédiatement le potentiel phénoménal du coefficient de corrélation produit-moment de Pearson pour trancher l’énigme de la structure de l’intellect humain. En 1904, dans un article historique publié dans l’American Journal of Psychology, Spearman applique la formule de Pearson aux corrélations mutuelles entre les performances scolaires d’élèves en lettres, mathématiques, musique et discrimination sensorielle.

Constatant que toutes ces corrélations sont positives — ce que l’on nommera le manifold positif — et que la matrice des corrélations peut être décomposée de façon hiérarchique, Spearman formule sa célèbre théorie bifactorielle de l’intelligence, postulant l’existence d’un facteur général d’énergie intellectuelle, le mythique facteur g, complété par des facteurs spécifiques propres à chaque épreuve ($s$). Pour y parvenir, Spearman a dû adapter et modifier les formules de Pearson, inventant notamment le coefficient de corrélation de rangs (le $rho$ de Spearman) pour traiter des données ordinales sans présumer la normalité, ainsi que la célèbre formule de correction pour atténuation, destinée à corriger le coefficient de Pearson de l’effet d’étouffement induit par l’imprécision des mesures.

La réaction de Karl Pearson à ces innovations fut caractéristique de son tempérament jaloux : au lieu d’applaudir cette brillante extension psychologique de ses propres travaux, Pearson publie dans Biometrika une critique assassine des formules de Spearman, accusant ce dernier d’incompétence mathématique et dénonçant sa correction pour atténuation comme une manipulation illégitime des données réelles. Spearman réplique avec vigueur, dénonçant l’incapacité de Pearson à comprendre les spécificités de la métrologie psychologique. Malgré cette querelle d’ego, la dette mathématique de Spearman envers Pearson demeure totale : l’analyse factorielle, qui allait devenir le cœur battant de la psychométrie moderne, est née d’un prolongement direct de l’article de 1901 de Pearson sur les composantes principales et de son traitement des covariances.

9.2 L’ancrage des postulats de la théorie classique des tests

Les postulats fondamentaux de la théorie classique des tests (TCT), formalisée ultérieurement par Harold Gulliksen en 1950, trouvent leur ancrage direct dans les développements analytiques de Pearson sur la régression et la propagation des erreurs. Le modèle fondamental selon lequel un score observé $X$ est égal à la somme d’un score vrai $tau$ et d’une erreur de mesure aléatoire $E$ ($X = tau + E$), avec l’hypothèse que l’erreur est non corrélée avec le score vrai ($r_{\tau e} = 0$), dérive directement de la décomposition pearsonienne de la variance en composante linéaire expliquée et variance résiduelle orthogonale.

C’est Pearson qui impose définitivement l’écart-type (qu’il a lui-même baptisé standard deviation en 1893 pour remplacer le terme imprécis d’« erreur moyenne » employé par les astronomes) comme l’unité métrique universelle d’étalonnage et de dispersion des aptitudes humaines. Jusqu’alors, la psychométrie naissante utilisait sans rigueur des indices de dispersion disparates, comme l’étendue ou l’écart probable de Galton. En conférant à l’écart-type ($\sigma$) sa légitimité mathématique par la méthode des moments, Pearson fournit aux concepteurs d’épreuves standardisées la règle graduée absolue permettant de positionner un individu sur un continuum normé.

Enfin, Pearson a institué la matrice de corrélation comme la matière première universelle de toute taxonomie de l’esprit. L’approche psychométrique classique postule que la compréhension des processus psychologiques ne passe pas par l’introspection phénoménologique d’un sujet isolé, mais par l’analyse des patrons de co-variation observés sur de vastes cohortes. L’analyse des matrices de corrélations croisées, devenue un passage obligé pour tout laboratoire de psychologie cognitive ou clinique, est l’incarnation contemporaine la plus pure de l’idéal de Pearson de réduire les faits d’expérience à des architectures de coefficients quantitatifs normalisés.

9.3 Apports directs à l’évaluation des différences individuelles

Au-delà de ces fondations théoriques, Pearson a laissé des outils de calibrage opérationnels qui demeurent indispensables aux bilans psychométriques quotidiens. Le plus célèbre d’entre eux est sans conteste le score standardisé ou score z :

$$z = \frac{X – \mu}{\sigma}$$

En soustrayant la moyenne de la population et en divisant le résultat par l’écart-type, cette transformation linéaire canonique permet de projeter n’importe quelle performance humaine brute — qu’il s’agisse du nombre de mots mémorisés, d’un temps de réponse à un stimulus auditif ou d’un score à une échelle de dépression — sur une échelle universelle à moyenne nulle et à variance unitaire. Sans cette invention pearsonienne élémentaire, il serait impossible de comparer le profil d’aptitudes d’un même individu à travers des épreuves hétérogènes, ni d’élaborer des échelles standardisées dérivées telles que les scores de Quotient Intellectuel de Wechsler (moyenne 100, écart-type 15) ou les échelles de scores T (moyenne 50, écart-type 10).

Pearson a également résolu un casse-tête psychométrique majeur : le traitement des variables artificiellement dichotomisées. Dans les épreuves psychologiques, les items se présentent très souvent sous une forme binaire (succès/échec, oui/non), bien que la variable psychologique sous-jacente postulée (l’aptitude mathématique ou l’extraversion) soit continue et normale au sein de la population. Pour évaluer la liaison entre deux telles variables binaires, le coefficient $r$ standard produit des résultats dégradés et plafonnés.

En 1900, Pearson dérive analytiquement le coefficient de corrélation tétrachorique ($r_t$), fondé sur l’intégration numérique de la surface normale bivariée tronquée aux points de coupure des seuils de réponse. Plus tard, il développe la corrélation bisériale ($r_b$) pour mesurer l’association entre une variable continue et une variable dichotomisée. Ces indices spécialisés ont constitué des briques méthodologiques capitales pour l’étalonnage moderne des banques d’items et ont préfiguré directement les modèles computationnels contemporains de la théorie des réponses aux items (TRI).

10. Le système des courbes de fréquence et la description des distributions

L’un des accomplissements théoriques les plus gigantesques de Karl Pearson — et paradoxalement l’un des moins connus du grand public contemporain en comparaison du coefficient de corrélation — est son travail monumental sur le système universel des courbes de fréquence. Entre 1894 et 1916, Pearson a entrepris de libérer la science statistique du carcan étouffant de la distribution gaussienne, offrant une classification intégrale des lois de probabilité empiriques non symétriques.

10.1 La typologie des courbes de distribution de Pearson

À la fin du dix-neuvième siècle, le paysage statistique était dominé par ce que l’on appelait le dogme de la courbe des erreurs ou loi de Gauss-Laplace. De grands savants soutenaient que toute déviation constatée par rapport à la courbe normale parfaite n’était qu’une imperfection provisoire de l’échantillon, appelée à se résorber dès que le nombre de mesures deviendrait infini. Karl Pearson, armé de ses milliers de données biométriques et psychologiques (temps de latence, variations morphologiques, indices de fertilité), constate au contraire que l’asymétrie est la règle et la symétrie gaussienne l’exception.

Pour englober cette diversité phénoménale au sein d’un cadre mathématique unique, Pearson accomplit un coup de génie : il postule en 1895 que toutes les densités de probabilité continues $y = f(x)$ envisageables dans la nature doivent vérifier une équation différentielle générale unique du premier ordre :

$$\frac{d(\ln y)}{dx} = \frac{1}{y} \frac{dy}{dx} = \frac{-(x – a)}{b_0 + b_1 x + b_2 x^2}$$

La beauté de cette formulation réside dans sa souplesse : le numérateur garantit que la courbe possède un sommet unique (le mode en $x = a$) où la dérivée s’annule, tandis que le dénominateur polynomial gouverne le comportement aux limites et la forme des queues de distribution. Selon la nature des racines de l’équation quadratique du dénominateur (racines réelles de signes contraires, racines réelles de même signe, racines complexes conjuguées, ou racines nulles), l’intégration de cette équation différentielle engendre une famille de **douze courbes fondamentales** (désignées historiquement de Type I à Type XII).

Ce système unifié de distributions englobe comme des cas particuliers la loi normale (qui correspond au cas dégénéré où $b_1 = b_2 = 0$), mais aussi la distribution Bêta (Type I), la distribution Gamma (Type III), la distribution de Student (qui correspond au Type VII symétrique à queues lourdes), la loi de Pareto et la distribution $F$ de Snedecor. Pour déterminer laquelle de ces courbes s’ajuste de façon optimale à un ensemble de données réelles, Pearson conçoit la méthode des moments : il calcule les quatre premiers moments empiriques de la distribution (la moyenne $\mu_1’$, la variance $\mu_2$, l’asymétrie $\mu_3$ et l’aplatissement $\mu_4$) et dérive un paramètre discriminant fondamental, le critère $kappa$ (kappa) :

$$\kappa = \frac{\beta_1 (\beta_2 + 3)^2}{4 (2\beta_2 – 3\beta_1 – 6)(4\beta_2 – 3\beta_1)}$$

La valeur numérique de ce critère $kappa$ indique immédiatement au chercheur le type exact de courbe de Pearson à ajuster sur ses observations empiriques.

10.2 Caractérisation quantitative de l’asymétrie et de l’aplatissement

Dans le cadre de cette entreprise de classification distributionnelle, Pearson forge les descripteurs morphologiques universels de la forme des séries statistiques, aujourd’hui intégrés dans tous les logiciels d’analyse de données de la planète : l’asymétrie et l’aplatissement.

Avant Pearson, il existait une confusion sémantique totale pour désigner le fait qu’une distribution penche d’un côté ou de l’autre. Pearson formalise le concept d’asymétrie (qu’il nomme skewness en 1895) et propose plusieurs manières de la quantifier rigoureusement. Son indice le plus célèbre repose sur la distance standardisée séparant la moyenne empirique du mode :

$$\text{Skewness} = \frac{\text{Moyenne} – \text{Mode}}{\sigma}$$

Il dérive également le coefficient d’asymétrie fondé sur le troisième moment centré standardisé :

$$\gamma_1 = \sqrt{\beta_1} = \frac{\mu_3}{\mu_2^{3/2}} = \frac{\sum (X_i – \bar{X})^3}{N \cdot \sigma^3}$$

Une valeur positive signale un étalement de la queue de distribution vers la droite (valeurs élevées), tandis qu’une valeur négative indique un étalement vers la gauche.

De même, pour qualifier l’épaisseur des queues de distribution et la concentration centrale des observations comparées à la courbe normale, Pearson introduit en 1905 le terme et le concept d’aplatissement ou acuité (qu’il baptise kurtosis, du grec signifiant courbure ou renflement) :

$$\beta_2 = \frac{\mu_4}{\mu_2^2} = \frac{\sum (X_i – \bar{X})^4}{N \cdot \sigma^4}$$

Pearson établit que pour une loi normale parfaite, $\beta_2 = 3$. Il forge alors la typologie morphologique canonique : les distributions présentant un $\beta_2 > 3$ sont qualifiées de leptokurtiques (pointues au centre avec des queues épaisses exposant à des valeurs extrêmes fréquentes), celles présentant un $beta_2 < 3$ sont dites platykurtiques (aplaties au sommet avec des queues légères), et celles vérifiant $\beta_2 = 3$ sont dites mésokurtiques.

10.3 Applications pratiques en psychologie expérimentale

Ces développements mathématiques de haut vol ont trouvé une application pratique immédiate et durable dans les laboratoires de psychologie expérimentale et de neuropsychologie. L’un des exemples les plus éclatants concerne l’analyse des distributions de temps de réaction (TR) dans les tâches d’attention soutenue, de détection de signaux ou de prise de décision lexicale.

Dans toutes les expériences chronométriques de l’esprit, les temps de réaction ne sont jamais gaussiens : ils présentent de façon invariante une borne inférieure absolue infranchissable (le temps physiologique incompressible de conduction nerveuse, autour de 120 millisecondes), un pic rapide de réponses optimales, puis une longue traîne asymétrique étirée vers les temps longs traduisant des fluctuations attentionnelles momentanées ou des distractions cognitives. En utilisant les courbes de Pearson de Type III (distribution Gamma) ou de Type I (distribution Bêta tronquée), les psychologues ont enfin pu ajuster fidèlement ces temps de latence au lieu de les forcer artificiellement dans une loi normale invalide ou d’éliminer arbitrairement les temps longs sous prétexte qu’ils constituaient des « valeurs aberrantes ».

De la même façon, dans le domaine de la psychopathologie quantitative et du diagnostic clinique, la distribution des scores obtenus à des échelles évaluant des dimensions symptomatiques — comme le délire paranoïaque, l’idéation suicidaire ou l’évitement phobique au sein d’une population générale saine — est massivement asymétrique positive, l’immense majorité des individus se concentrant sur le score plancher de zéro ou des valeurs très faibles, tandis qu’une mince frange clinique s’étire vers les scores pathologiques élevés. Le système des courbes de Pearson a fourni l’armature formelle indispensable au calibrage rigoureux des scores de ces échelles d’évaluation, permettant aux praticiens de déterminer des percentiles cliniques exacts et d’établir des seuils diagnostiques opérationnels exempts des biais de l’illusion gaussienne.

11. Le rôle de mentor, l’enseignement et le milieu intellectuel pearsonien

L’immense legs de Karl Pearson n’est pas seulement consigné dans les milliers de pages de ses mémoires imprimés ; il s’est également perpétué à travers la vaste école de pensée qu’il a su former, animer et diriger d’une main d’acier à Londres pendant près d’un demi-siècle. Le laboratoire de biométrie de l’UCL fut une ruche laborieuse, un creuset intellectuel singulier où se côtoyaient une créativité méthodologique effervescente et une discipline quasi monastique.

11.1 Pédagogie et formation d’une génération de chercheurs

En tant qu’enseignant, Karl Pearson exerçait une fascination magnétique sur son auditoire. Ses cours magistraux à l’University College — qu’il s’agisse de ses leçons inaugurales de mécanique appliquée dans les années 1880 ou de ses conférences avancées sur la théorie des statistiques à partir de 1911 — étaient réputés pour leur clarté cristalline, leur souffle épistémologique et leur exigence conceptuelle absolue. Pearson refusait de présenter les formules mathématiques comme des recettes de cuisine décontextualisées ; il les réenracinait systématiquement dans l’histoire des idées, convoquant tour à tour Platon, Galilée, Spinoza et Darwin pour éclairer la signification profonde d’une dérivation d’intégrale.

Dans ses ateliers pratiques de laboratoire, Pearson mettait en œuvre une pédagogie innovante fondée sur l’immersion directe dans le « cambouis » des données empiriques réelles. Pas un seul étudiant ne validait son cursus sans avoir passé des semaines entières à toiser des individus vivants, à manipuler des crânes humains au céphalomètre, à classifier des anomalies dermatoglyphiques, puis à actionner manuellement les manivelles des lourdes calculatrices mécaniques pour tabuler des tables de corrélation de plusieurs milliers de lignes. Pearson professait qu’un statisticien qui n’a pas lui-même transpiré sur la collecte physique et le dépouillement arithmétique de ses données n’est qu’un sophiste incapable de déceler les biais de mesure.

Un aspect remarquable — et particulièrement progressiste pour l’époque victorienne — de son magistère pédagogique fut son engagement constant en faveur de l’inclusion des femmes dans la recherche de pointe. À une époque où les universités les plus prestigieuses refusaient même de délivrer des diplômes académiques aux étudiantes, Pearson a accueilli, rémunéré et formé au sein de son laboratoire des mathématiciennes d’exception. Des chercheuses comme Alice Lee, première femme à obtenir un doctorat ès sciences en biométrie en 1901, Julia Bell, qui deviendra une figure fondatrice de la génétique ophtalmologique britannique, ou Ethel Elderton, qui publiera des monographies sociologiques quantitatives de référence, ont trouvé auprès de Pearson un mentor qui reconnaissait sans réserve leur génie analytique et soutenait sans faille leur reconnaissance institutionnelle.

11.2 Le cercle des collaborateurs et disciples directs

Parmi les esprits d’élite qui ont gravité dans l’orbite de Pearson, l’un des plus illustres et touchants fut sans conteste William Sealy Gosset (1876-1937), universellement connu sous le pseudonyme académique de « Student ». Chimiste et mathématicien embauché en 1899 par la célèbre brasserie Guinness à Dublin pour rationaliser scientifiquement le brassage de la bière et la sélection des variétés d’orge, Gosset prend conscience de l’impasse des méthodes pearsoniennes de grands échantillons pour traiter ses petites séries expérimentales de laboratoire de trois ou quatre fûts seulement.

En 1906, Gosset prend un congé d’études pour venir se former pendant un an au laboratoire de Pearson à l’UCL. Pearson accueille chaleureusement le jeune industriel et l’encourage dans ses réflexions probabilistes. C’est sous le regard bienveillant du maître que Gosset conçoit sa distribution statistique exacte pour les petits échantillons, qu’il publiera en 1908 dans Biometrika sous le nom de plume de « Student » (Guinness interdisant à ses cadres de divulguer des secrets commerciaux). La loi de Student ($t$ de Student) et le test d’hypothèse associé — devenus depuis des piliers universels de la recherche expérimentale — sont ainsi éclos directement au sein du vivier académique pearsonien.

La transmission intellectuelle s’est également effectuée par le sang : son fils unique, Egon Sharpe Pearson (1895-1980), baigné dès son plus jeune âge dans l’atmosphère intellectuelle du laboratoire paternel, embrasse à son tour la carrière statistique. Formé à Cambridge, Egon succédera en 1933 à son père à la tête du département de statistique de l’UCL. Avec une indépendance d’esprit remarquable, Egon Pearson saura s’émanciper du dogmatisme de son père pour s’associer avec le mathématicien polonais Jerzy Neyman, forgeant ensemble le cadre conceptuel moderne des tests d’hypothèses statistiques (la théorie de Neyman-Pearson), introduisant les notions cruciales d’hypothèse alternative ($H_1$), d’erreur de première espèce ($\alpha$) et de deuxième espèce ($\beta$), et de puissance statistique ($1 – \beta$).

L’influence de Pearson s’est également diffusée avec une intensité remarquable de l’autre côté de l’Atlantique, marquant de son empreinte les pères fondateurs de la psychologie américaine. Un pionnier comme Edward Thorndike, père du connexionnisme et de la psychologie de l’éducation à Columbia University, s’inspire directement des méthodes pearsoniennes pour rédiger en 1904 le tout premier manuel américain de statistique appliquée à la psychologie : An Introduction to the Theory of Mental and Social Measurements. Thorndike y déclare explicitement que les formules de Karl Pearson sont devenues les outils d’arpentage indispensables à quiconque entend explorer la topographie de l’esprit humain.

11.3 Tempérament polémique et style académique

On ne saurait dresser un tableau fidèle du milieu intellectuel pearsonien sans évoquer le trait de caractère le plus redouté du savant : son agressivité polémique féroce et son intransigeance académique confinant parfois au pur dogmatisme. Doué d’une puissance de travail surhumaine, Pearson dormait peu, écrivait à une vitesse foudroyante et ne concevait l’existence que sous l’angle du combat pour la Vérité mathématique, assimilée à une forteresse qu’il se devait de défendre contre tous les assaillants.

Tout désaccord théorique avec ses thèses était fréquemment interprété par Pearson comme une attaque personnelle ou une insulte faite à la Raison. Il usait systématiquement de sa position de rédacteur en chef tout-puissant de Biometrika pour publier des répliques cinglantes de cinquante pages, truffées de reproches mathématiques accablants, barrant l’accès de sa revue à ses contradicteurs. Sa rupture consommée avec Ronald Fisher, qu’il traitait publiquement avec une condescendance méprisante même lorsque ce dernier avait manifestement raison, ou ses procès d’intention intentés à William Bateson témoignent de cette facette ombrageuse de son génie.

Pourtant, cette fureur polémique s’accompagnait d’une éthique de l’effort scientifique d’une grandeur incontestable. Pearson a refusé au cours de sa vie les plus grands honneurs académiques et politiques : il a décliné le titre de chevalier de l’Empire britannique, refusé des doctorats honoris causa prestigieux et rejeté toute fonction honorifique qui l’aurait distrait de sa tâche sacrée de recherche. Sa production scientifique globale dépasse le chiffre étourdissant de **650 publications**, comprenant des dizaines de traités imposants, des centaines de mémoires de recherche originaux, des dictionnaires méthodologiques et une monumentale biographie en quatre volumes de Francis Galton (The Life, Letters and Labours of Francis Galton), rédigée avec une ferveur documentaire sans égale. Cet héritage titanesque illustre la vie d’un titan intellectuel qui s’est consumé tout entier au service de son idéal de quantification du cosmos.

12. Bilan historiographique et postérité dans les sciences comportementales modernes

Près d’un siècle après la disparition de Karl Pearson le 27 avril 1936 à Coldharbour dans le Surrey, l’évaluation historiographique de son œuvre demeure l’une des entreprises les plus fascinantes et complexes de l’histoire des sciences. Savant protée, réformateur radical de la méthode empirique mais idéologue d’une cause régressive, Pearson incarne avec éclat les tensions et les paradoxes de la modernité scientifique.

12.1 Omniprésence contemporaine des outils pearsoniens

Le constat le plus saisissant que l’on puisse formuler à l’égard de Karl Pearson est celui de son **omniprésence méthodologique absolue** dans la recherche empirique du vingt-et-unième siècle. Tout étudiant débutant son premier cours de méthodologie en psychologie, en médecine, en économie ou en sociologie se trouve confronté, dès les premières semaines d’enseignement, au coefficient de corrélation linéaire produit-moment et au test d’adéquation du Khi-deux. Ces deux concepts ne sont pas des curiosités archéologiques réservées aux érudits ; ils constituent la monnaie courante, universelle et indépassable de l’analyse empirique contemporaine.

Dans l’écosystème numérique contemporain de la science des données, tous les grands progiciels de traitement statistique — qu’il s’agisse de suites commerciales propriétaires comme SPSS ou SAS, ou d’environnements libres de programmation vectorielle comme R et Python (avec des bibliothèques telles que SciPy, NumPy ou scikit-learn) — intègrent nativement les algorithmes pearsoniens. Une simple commande standard calcule instantanément des matrices de corrélations de Pearson, projette des données dans des sous-espaces orthogonaux selon son algorithme de composantes principales de 1901, ou ajuste des familles de courbes selon son équation différentielle de 1895.

De surcroît, le renouveau méthodologique de la psychologie cognitive et clinique à travers les techniques de méta-analyse — initié dans les années 1970 par Gene Glass et amplifié par John Hunter et Frank Schmidt — a repositionné le paramètre $r$ de Pearson comme l’un des indices canoniques universels de la taille d’effet (effect size). Lorsqu’il s’agit de synthétiser quantitativement les résultats de dizaines d’essais cliniques évaluant l’efficacité d’une psychothérapie ou les corrélats neurobiologiques d’une fonction exécutive, c’est très souvent le coefficient de corrélation pearsonien (converti via la transformation en $Z$ de Fisher) qui sert de dénominateur commun permettant de surmonter la disparité des échelles de mesure initiales. L’ambition de Pearson d’ériger la corrélation en langage commun de la science n’a jamais été aussi pleinement réalisée.

12.2 La dissociation entre l’homme idéologue et l’héritage méthodologique

Face à une telle pérennité technique adossée à une idéologie eugéniste aujourd’hui universellement condamnée, la sociologie et l’histoire des sciences ont dû forger des grilles de lecture d’une grande subtilité. La tentation naïve consisterait soit à censurer l’homme pour ses thèses odieuses en jetant le discrédit sur ses théorèmes mathématiques, soit, à l’inverse, à opérer une partition artificielle et anachronique entre un « bon Pearson mathématicien génial » et un « mauvais Pearson égaré en idéologie ».

L’historiographie contemporaine démontre que ces deux sphères étaient en réalité intimement et organiquement imbriquées. C’est précisément parce qu’il voulait démontrer l’inégalité biologique des populations humaines et la transmission héréditaire inflexible de la personnalité que Pearson a dû inventer des techniques d’une rigueur formelle inédite pour mesurer les nuances les plus imperceptibles de l’association statistique. La dérivation du coefficient de contingence, de la corrélation tétrachorique ou des moments d’asymétrie n’a pas été conçue dans une contemplation abstraite, mais pour résoudre des interrogations eugéniques très précises : prouver que la descendance d’alcooliques ou de déficients mentaux était mathématiquement condamnée à présenter les mêmes déficits que leurs ascendants.

Toutefois, la grandeur de la formalisation mathématique réside dans sa transcendance intrinsèque par rapport aux intentions contingentes de son créateur. Une fois formulés, démontrés et tabulés, le coefficient de corrélation de Pearson, le test du $\chi^2$ et l’analyse en composantes principales sont devenus des instruments d’une neutralité opératoire absolue. Ils ont pu être utilisés avec la même efficacité par des psychologues progressistes pour démontrer la plasticité neuronale de l’intelligence cognitive, par des sociologues marxistes pour prouver l’impact écrasant des inégalités socio-économiques sur la réussite scolaire, ou par des épidémiologistes pour identifier les facteurs environnementaux des maladies cardiovasculaires. La rationalité instrumentale s’est ainsi émancipée de la matrice idéologique qui l’avait vue naître.

12.3 Synthèse de la révolution méthodologique pearsonienne

En dernière analyse, l’œuvre accomplie par Karl Pearson entre 1857 et 1936 représente le grand tournant méthodologique qui a permis aux sciences de l’esprit et du comportement d’entrer de plain-pied dans l’ère de la maturité scientifique. Avant lui, l’étude des facultés humaines était partagée entre les abstractions déductives de la philosophie de l’âme et les spéculations anecdotiques de la psychiatrie aliéniste asilaire. Pearson a brisé ce tête-à-tête stérile en imposant l’alliance révolutionnaire de l’empirisme d’observation et de l’analyse probabiliste multivariée.

Par sa Grammaire de la science, il a délivré les sciences humaines du complexe de la causalité mécaniste, leur montrant que l’étude de la complexité psychologique ne consiste pas à singer la physique newtonienne en quête de lois déterministes invariantes, mais à cartographier avec rigueur des réseaux de corrélations stochastiques et de contingences distribuées. Il a appris aux chercheurs à regarder une distribution statistique non plus comme une anomalie décevante par rapport à un idéal théorique abstrait, mais comme la réalité biologique et psychologique même, dont l’asymétrie, l’aplatissement et la dispersion résiduelle racontent l’histoire évolutive des populations humaines.

Karl Pearson fut sans doute l’un des derniers polymathes absolus du monde universitaire occidental. Juriste, historien, philosophe des perceptions, poète à ses heures, mathématicien redoutable et réformateur passionné, il a concentré en un faisceau incandescent toutes les aspirations, toutes les lumières et tous les travers de l’époque victorienne tardive. Si son rêve eugéniste d’ingénierie biologique de l’humanité a fait naufrage sur les récifs de l’histoire, son architecture statistique demeure le roc inébranlable sur lequel repose aujourd’hui encore l’édifice tout entier de la psychologie différentielle, de la psychométrie et des sciences quantitatives modernes.

Références

• Bravais, A. (1846). Analyse mathématique sur les probabilités des erreurs de situation d’un point. Mémoires présentés par divers savants à l’Académie royale des sciences de l’Institut de France, 9, 255-332.
• Fisher, R. A. (1918). The correlation between relatives on the supposition of Mendelian inheritance. Transactions of the Royal Society of Edinburgh, 52(2), 399-433. https://doi.org/10.1017/S0080456800012163
• Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, 222, 309-368. https://doi.org/10.1098/rsta.1922.0009
• Galton, F. (1889). Natural Inheritance. Macmillan and Co.
• MacKenzie, D. (1981). Statistics in Britain, 1865-1930: The Social Construction of Scientific Knowledge. Edinburgh University Press.
• Magnello, M. E. (2001). Karl Pearson’s mathematical education. Annals of Science, 58(3), 255-285. https://doi.org/10.1080/00033790010010777
• Pearson, E. S. (1938). Karl Pearson: An Appreciation of Some Aspects of His Life and Work. Cambridge University Press.
• Pearson, K. (1892). The Grammar of Science. Walter Scott.
• Pearson, K. (1895). Contributions to the mathematical theory of evolution.—II. Skew variation in homogeneous material. Philosophical Transactions of the Royal Society of London. Series A, 186, 343-414. https://doi.org/10.1098/rsta.1895.0010
• Pearson, K. (1896). Mathematical contributions to the theory of evolution.—III. Regression, heredity, and panmixia. Philosophical Transactions of the Royal Society of London. Series A, 187, 253-318. https://doi.org/10.1098/rsta.1896.0007
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, Series 5, 50(302), 157-175. https://doi.org/10.1080/14786440009463897
• Pearson, K. (1901). On lines and planes of closest fit to systems of points in space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, Series 6, 2(11), 559-572. https://doi.org/10.1080/14786440109462720
• Pearson, K. (1904). Mathematical Contributions to the Theory of Evolution. XIII. On the Theory of Contingency and Its Relation to Association and Normal Correlation (Drapers’ Company Research Memoirs, Biometric Series I). Dulau and Co.
• Pearson, K. (1905). Mathematical Contributions to the Theory of Evolution. XIV. On the General Theory of Skew Correlation and Non-linear Regression (Drapers’ Company Research Memoirs, Biometric Series II). Dulau and Co.
• Porter, T. M. (2004). Karl Pearson: The Scientific Life in a Statistical Age. Princeton University Press. https://doi.org/10.1515/9781400835706
• Spearman, C. (1904). « General intelligence, » objectively determined and measured. The American Journal of Psychology, 15(2), 201-292. https://doi.org/10.2307/1412107
• Stigler, S. M. (1986). The History of Statistics: The Measurement of Uncertainty before 1900. Harvard University Press.
• Student [Gosset, W. S.]. (1908). The probable error of a mean. Biometrika, 6(1), 1-25. https://doi.org/10.1093/biomet/6.1.1
• Thorndike, E. L. (1904). An Introduction to the Theory of Mental and Social Measurements. The Science Press.