\u00e9chelle de mesure<\/a> employ\u00e9e, selon la c\u00e9l\u00e8bre classification quadripartite introduite par Stanley Smith Stevens. Sur une \u00e9chelle ordinale, fr\u00e9quemment utilis\u00e9e pour quantifier des attitudes ou des accords via des items de type Likert, les limites de classe d\u00e9limitent des rangs hi\u00e9rarchis\u00e9s plut\u00f4t que des grandeurs physiques. Si l’on somme plusieurs items ordinaux pour former un score global, la tentation est grande de traiter la variable r\u00e9sultante comme m\u00e9trique, mais la fixation des limites doit demeurer prudente face \u00e0 la non-\u00e9quidistance des \u00e9chelons psychologiques.<\/p>\nDans le cadre des \u00e9chelles d’intervalles — arch\u00e9types des tests standardis\u00e9s de quotient intellectuel ou des inventaires de personnalit\u00e9 de type Big Five —, l’absence de z\u00e9ro absolu n’interdit nullement la construction de classes r\u00e9guli\u00e8res. Les limites peuvent \u00eatre fix\u00e9es \u00e0 intervalles constants, car la distance m\u00e9trique s\u00e9parant deux valeurs cons\u00e9cutives poss\u00e8de une signification invariable sur l’ensemble du spectre d’\u00e9talonnage. Les limites de classe permettent alors d’isoler des tranches d’\u00e9carts-types ou des centiles normalis\u00e9s avec une pr\u00e9cision math\u00e9matique rigoureuse.<\/p>\n
Enfin, les \u00e9chelles de rapport, pr\u00e9dominantes en neurosciences comportementales et en psychophysique (par exemple, le taux de cortisol salivaire, le diam\u00e8tre pupillaire ou le temps de r\u00e9action en millisecondes), disposent d’un z\u00e9ro naturel et non arbitraire. Dans ce contexte, les limites de classe expriment des quantit\u00e9s physiques pures. La pr\u00e9cision des instruments d’enregistrement — qu’il s’agisse de capteurs \u00e9lectrodermaux ou de logiciels de capture chronom\u00e9trique au milli\u00e8me de seconde pr\u00e8s — conditionne directement la granularit\u00e9 des limites. Une granularit\u00e9 mal ajust\u00e9e, ignorant la r\u00e9solution limite de l’instrument, conduirait \u00e0 d\u00e9finir des fronti\u00e8res de classe artificielles n’ayant aucun ancrage dans la r\u00e9alit\u00e9 physiologique du signal mesur\u00e9.<\/p>\n
2. D\u00e9finition math\u00e9matique et terminologie des limites de classe<\/h2>\n2.1 La limite inf\u00e9rieure de classe (Lower Class Limit)<\/h3>\n La limite inf\u00e9rieure de classe, d\u00e9sign\u00e9e dans la litt\u00e9rature internationale sous le vocable de Lower Class Limit<\/em> (LCL), repr\u00e9sente la plus petite valeur num\u00e9rique admissible susceptible d’appartenir \u00e0 la classe consid\u00e9r\u00e9e. Sur le plan formel, si une classe i<\/em> regroupe un ensemble d’observations discr\u00e8tes x<\/em>, la limite inf\u00e9rieure Li<\/sub><\/em> est la valeur minimale telle que pour tout x<\/em> assign\u00e9 \u00e0 cette classe, l’in\u00e9galit\u00e9 x ≥ Li<\/sub><\/em> soit rigoureusement satisfaite.<\/p>\nL’attribution d’un score \u00e0 une classe donn\u00e9e commence syst\u00e9matiquement par la confrontation de cette observation avec la borne inf\u00e9rieure. Si un participant obtient un r\u00e9sultat qui se situe imm\u00e9diatement en-de\u00e7\u00e0 de cette limite, il est automatiquement orient\u00e9 vers la classe d’ordre imm\u00e9diatement inf\u00e9rieur (i<\/em> − 1). Pour garantir le principe de non-chevauchement, il est imp\u00e9ratif que la limite inf\u00e9rieure de la classe i<\/em> soit strictement sup\u00e9rieure \u00e0 la limite sup\u00e9rieure de la classe pr\u00e9c\u00e9dente d’au moins une unit\u00e9 de pr\u00e9cision de mesure.<\/p>\n\u00c0 titre d’illustration sur des variables discr\u00e8tes prenant des valeurs enti\u00e8res positives, si la troisi\u00e8me classe d’une distribution de scores d’agressivit\u00e9 est d\u00e9finie par l’intervalle [20 ; 29], le nombre 20 constitue sans \u00e9quivoque la limite inf\u00e9rieure de cette classe. Tout individu pr\u00e9sentant un score de 20 sera comptabilis\u00e9 dans cette cat\u00e9gorie, tandis qu’un individu pr\u00e9sentant un score de 19 se verra assign\u00e9 \u00e0 la deuxi\u00e8me classe, dont la borne sup\u00e9rieure aura \u00e9t\u00e9 pr\u00e9alablement arr\u00eat\u00e9e \u00e0 19. La limite inf\u00e9rieure sert donc de rempart exclusif emp\u00eachant la contamination de la classe par des donn\u00e9es de rang inf\u00e9rieur.<\/p>\n
2.2 La limite sup\u00e9rieure de classe (Upper Class Limit)<\/h3>\n Par sym\u00e9trie, la limite sup\u00e9rieure de classe, ou Upper Class Limit<\/em> (UCL), constitue la plus grande valeur num\u00e9rique admissible pouvant \u00eatre int\u00e9gr\u00e9e au sein de la classe d’int\u00e9r\u00eat. Formellement d\u00e9sign\u00e9e par Ui<\/sub><\/em> pour la classe i<\/em>, elle impose que toute observation x<\/em> appartenant \u00e0 ce groupement satisfasse la condition math\u00e9matique x ≤ Ui<\/sub><\/em>. D\u00e8s lors qu’une observation franchit ce plafond d’une fraction d’unit\u00e9 de mesure, elle doit \u00eatre bascul\u00e9e vers la classe sup\u00e9rieure (i<\/em> + 1).<\/p>\nLa gestion des bornes sup\u00e9rieures peut adopter une logique stricte ou inclusive selon les conventions retenues lors de la phase de pr\u00e9traitement. Dans le cas de distributions discr\u00e8tes, la limite sup\u00e9rieure est quasi-syst\u00e9matiquement inclusive : la valeur affich\u00e9e fait partie int\u00e9grante du compte de fr\u00e9quences. En revanche, lorsque les donn\u00e9es sont continues ou soumises \u00e0 un arrondi implicite, la fronti\u00e8re exacte s\u00e9pare la limite sup\u00e9rieure de la limite inf\u00e9rieure suivante. La r\u00e8gle de s\u00e9paration doit alors veiller \u00e0 ce qu’aucun vide th\u00e9orique n’apparaisse entre deux classes successives.<\/p>\n
L’arrondi joue un r\u00f4le fondamental dans la fixation de cette limite sup\u00e9rieure. Consid\u00e9rons une mesure de latence cognitive arrondie au centi\u00e8me de seconde le plus proche. Si la limite sup\u00e9rieure d’une classe est not\u00e9e 0,45 s et que la classe cons\u00e9cutive commence \u00e0 0,46 s, la borne sup\u00e9rieure effective englobe tout score dont l’arrondi arithm\u00e9tique retombe sur 0,45 s (c’est-\u00e0-dire les valeurs strictement inf\u00e9rieures \u00e0 0,455 s). N\u00e9gliger l’impact de l’arrondi sur la valeur de la limite sup\u00e9rieure expose le chercheur \u00e0 des assignations erron\u00e9es, particuli\u00e8rement lorsque les donn\u00e9es brutes comportent plus de d\u00e9cimales que le format tabul\u00e9 retenu dans le rapport final.<\/p>\n
2.3 Repr\u00e9sentation symbolique et conventions de notation<\/h3>\n La transcription des limites de classe requiert une rigueur s\u00e9miotique absolue afin d’\u00e9viter toute ambigu\u00eft\u00e9 chez le lecteur ou le logiciel de traitement statistique. Les math\u00e9matiques fournissent \u00e0 cet effet deux grands modes de repr\u00e9sentation des intervalles : les intervalles ferm\u00e9s, d\u00e9not\u00e9s par des crochets tourn\u00e9s vers l’int\u00e9rieur [a ; b], et les intervalles semi-ouverts, d\u00e9not\u00e9s soit par [a ; b[ (ouvert \u00e0 droite, excluant la borne b<\/em>), soit par ]a ; b] (ouvert \u00e0 gauche, excluant la borne a<\/em>). Les normes anglo-saxonnes privil\u00e9gient souvent la parenth\u00e8se pour signifier l’exclusion, sous la forme [a, b) ou (a, b].<\/p>\nDans la litt\u00e9rature de recherche en psychologie, r\u00e9gie majoritairement par les pr\u00e9conisations stylistiques de l’American Psychological Association, la clart\u00e9 prime sur l’\u00e9l\u00e9gance typographique. Pour les variables discr\u00e8tes (scores globaux \u00e0 des questionnaires), la notation inclusive [a − b] est largement tol\u00e9r\u00e9e et employ\u00e9e dans les tableaux r\u00e9capitulatifs, par exemple « 10–14 », « 15–19 », « 20–24 ». Pour les variables continues, en revanche, cette pratique est proscrite car elle soul\u00e8ve imm\u00e9diatement la question du devenir d’un score tel que 14,35 ou 19,8. On adopte alors imp\u00e9rativement la notation d’intervalles stricts [a ; b[ ou des formulations explicites du type « de a \u00e0 moins de b ».<\/p>\n
L’uniformit\u00e9 de la notation au sein d’une m\u00eame distribution empirique est une exigence m\u00e9thodologique non n\u00e9gociable. Alterner au fil d’un tableau des intervalles ferm\u00e9s \u00e0 droite et d’autres ferm\u00e9s \u00e0 gauche introduit une dissym\u00e9trie artificielle qui fausse les densit\u00e9s relatives et perturbe le calcul ult\u00e9rieur des fr\u00e9quences cumul\u00e9es. Chaque chercheur doit donc d\u00e9clarer de mani\u00e8re explicite, en note de bas de tableau ou dans le corps m\u00e9thodologique de sa publication, la convention d’ouverture et de fermeture r\u00e9gissant l’ensemble des limites de classe retenues pour son \u00e9tude.<\/p>\n
3. R\u00f4le et pertinence des limites de classe en recherche psychologique<\/h2>\n3.1 Standardisation des inventaires psychologiques<\/h3>\n En psychologie clinique et en psychopathologie, la pratique de l’\u00e9talonnage consiste \u00e0 convertir des notes brutes obtenues \u00e0 un instrument de mesure en cat\u00e9gories diagnostiques ordonn\u00e9es, poss\u00e9dant une pertinence s\u00e9miologique imm\u00e9diate. Qu’il s’agisse de l’Inventaire de D\u00e9pression de Beck (BDI-II), de l’\u00c9chelle d’Anxi\u00e9t\u00e9 \u00c9tat-Trait (STAI) ou du Hamilton Rating Scale, les notes brutes doivent \u00eatre segment\u00e9es en tranches d’intensit\u00e9 : d\u00e9pression minime, l\u00e9g\u00e8re, mod\u00e9r\u00e9e ou s\u00e9v\u00e8re. Ces cat\u00e9gories reposent enti\u00e8rement sur la fixation pr\u00e9alable de limites de classe cliniquement valid\u00e9es.<\/p>\n
La fixation de ces limites engage directement la responsabilit\u00e9 du psychologue clinicien. Un d\u00e9placement marginal de la limite inf\u00e9rieure s\u00e9parant l’anxi\u00e9t\u00e9 dite « normale » de l’anxi\u00e9t\u00e9 « cliniquement significative » — par exemple en fixant la borne \u00e0 22 plut\u00f4t qu’\u00e0 23 sur une \u00e9chelle donn\u00e9e — peut entra\u00eener une inflation consid\u00e9rable du taux de faux positifs au sein d’une cohorte \u00e9pid\u00e9miologique. Inversement, une limite sup\u00e9rieure trop \u00e9lev\u00e9e pour le palier subclinique risque de g\u00e9n\u00e9rer des faux n\u00e9gatifs pr\u00e9judiciables, privant des patients vuln\u00e9rables d’une orientation th\u00e9rapeutique pr\u00e9coce.<\/p>\n
Dans l’\u00e9valuation de la personnalit\u00e9 selon le mod\u00e8le en cinq facteurs (Big Five), les scores bruts sont souvent projet\u00e9s sur des \u00e9talonnages en classes normalis\u00e9es, telles que les stanines (classes de 1 \u00e0 9) ou les d\u00e9ciles. Les limites de classe sont alors calcul\u00e9es de mani\u00e8re \u00e0 ce que chaque intervalle intercepte une proportion pr\u00e9d\u00e9termin\u00e9e de la distribution normale th\u00e9orique. Un mauvais calibrage des limites de classe d\u00e9formerait le profil de personnalit\u00e9 du sujet, conduisant \u00e0 des interpr\u00e9tations erron\u00e9es concernant son niveau de n\u00e9vrosisme ou de conscience par rapport aux normes populationnelles de r\u00e9f\u00e9rence.<\/p>\n3.2 Traitement des temps de r\u00e9ponse en neuropsychologie cognitive<\/h3>\n L’analyse chronom\u00e9trique constitue l’un des piliers exp\u00e9rimentaux de la neuropsychologie cognitive. Lorsque l’on mesure les temps de r\u00e9action (TR) lors de t\u00e2ches de Stroop, de d\u00e9tection de signaux ou de flexibilit\u00e9 mentale, les distributions de donn\u00e9es se caract\u00e9risent quasi-syst\u00e9matiquement par une forte asym\u00e9trie positive (skewness). Contrairement \u00e0 la distribution gaussienne, les temps de r\u00e9ponse pr\u00e9sentent une fronti\u00e8re physiologique infranchissable \u00e0 gauche (latence minimale li\u00e9e \u00e0 la transmission synaptique) et une longue queue s’\u00e9tirant vers la droite, compos\u00e9e de r\u00e9ponses tardives ou de distractions attentionnelles.<\/p>\n
Dans cette configuration asym\u00e9trique, le d\u00e9coupage en classes temporelles distinctes requiert une gestion rigoureuse des limites. La segmentation doit \u00eatre suffisamment fine dans la zone de forte densit\u00e9 (les latences typiques comprises entre 250 et 450 millisecondes) pour capter les micro-variations de la charge cognitive, sans pour autant multiplier inutilement les classes vides dans la queue droite de la distribution. Le choix de ces limites influence directement la d\u00e9tection des valeurs aberrantes (outliers), car une limite sup\u00e9rieure mal ajust\u00e9e pour la derni\u00e8re classe clinique peut agr\u00e9ger ind\u00fbment des lapses attentionnels pathologiques avec des r\u00e9ponses simplement lentes mais valides.<\/p>\n
De surcro\u00eet, la mod\u00e9lisation formelle de la prise de d\u00e9cision, notamment \u00e0 travers les mod\u00e8les de diffusion de drift ou les th\u00e9ories d’accumulation de preuves (Race Models), s’appuie fr\u00e9quemment sur les fr\u00e9quences d’apparition des r\u00e9ponses au sein de tranches temporelles d\u00e9limit\u00e9es. Fixer les limites de classe de mani\u00e8re non arbitraire permet d’ajuster avec exactitude les param\u00e8tres math\u00e9matiques de d\u00e9rive et de seuil critique. Une erreur dans la fixation des bornes temporelles distord la forme de la courbe de densit\u00e9 empirique, ce qui fausse l’estimation des m\u00e9canismes sous-jacents au traitement de l’information dans le syst\u00e8me nerveux central.<\/p>\n
3.3 Communication des r\u00e9sultats et interpr\u00e9tation clinique<\/h3>\n Au-del\u00e0 des consid\u00e9rations de calcul pur, la d\u00e9finition des limites de classe remplit une fonction essentielle de communication scientifique et m\u00e9dicale. Dans la r\u00e9daction des bilans psychologiques destin\u00e9s aux m\u00e9decins psychiatres, aux \u00e9quipes p\u00e9dagogiques ou aux patients eux-m\u00eames, la restitution sous forme de classes de scores ordonn\u00e9es offre une lisibilit\u00e9 infiniment sup\u00e9rieure \u00e0 l’\u00e9num\u00e9ration brute d’indices statistiques d\u00e9sincarn\u00e9s. Un rapport mentionnant qu’un enfant se situe dans la classe de quotient intellectuel [115 ; 129] v\u00e9hicule imm\u00e9diatement une signification clinique normalis\u00e9e (zone de fonctionnement intellectuel sup\u00e9rieur).<\/p>\n
Cette communication ne conserve sa validit\u00e9 que si les limites de classe sont totalement d\u00e9nu\u00e9es d’ambigu\u00eft\u00e9. Si un praticien ne sait pas si un score de 115 appartient \u00e0 la classe moyenne sup\u00e9rieure ou \u00e0 la classe sup\u00e9rieure, le risque de m\u00e9sinterpr\u00e9tation du profil cognitif devient r\u00e9el. Les limites de classe doivent donc \u00eatre explicit\u00e9es avec leurs r\u00e8gles d’inclusion respectives, garantissant une transmission fluide de l’information entre les diff\u00e9rents acteurs du parcours de soins ou du dispositif \u00e9ducatif.<\/p>\n
Enfin, la comparabilit\u00e9 des distributions de fr\u00e9quences entre cohortes issues d’\u00e9tudes distinctes repose sur l’adoption de limites de classe rigoureusement standardis\u00e9es. Si une \u00e9tude internationale sur l’anxi\u00e9t\u00e9 post-traumatique utilise des classes de scores ferm\u00e9es [0 ; 10], [11 ; 20], etc., et qu’une \u00e9quipe concurrente utilise des intervalles [0 ; 9], [10 ; 19], toute tentative de m\u00e9ta-analyse directe ou de comparaison descriptive des pr\u00e9valences par tranches de s\u00e9v\u00e9rit\u00e9 devient hasardeuse, voire math\u00e9matiquement invalide. La standardisation transparente des limites de classe est le garant de la reproductibilit\u00e9 scientifique en psychologie quantitative.<\/p>\n
4. M\u00e9thodologie pas \u00e0 pas pour d\u00e9terminer les limites de classe (donn\u00e9es discr\u00e8tes)<\/h2>\n4.1 \u00c9tape 1 : D\u00e9termination de l’\u00e9tendue des donn\u00e9es brutes<\/h3>\n L’\u00e9tablissement d’une distribution de fr\u00e9quences sur des donn\u00e9es discr\u00e8tes d\u00e9bute obligatoirement par une phase d’exploration descriptive visant \u00e0 balayer l’ensemble de la s\u00e9rie brute. La premi\u00e8re op\u00e9ration concr\u00e8te consiste \u00e0 extraire les deux valeurs extr\u00eames de l’\u00e9chantillon : le score plancher, ou minimum observ\u00e9 (not\u00e9 Xmin<\/sub><\/em>), et le score plafond, ou maximum observ\u00e9 (not\u00e9 Xmax<\/sub><\/em>). Cette \u00e9tape pr\u00e9liminaire permet de cerner imm\u00e9diatement l’enveloppe num\u00e9rique globale au sein de laquelle oscillent les comportements enregistr\u00e9s.<\/p>\n\u00c0 partir de ces deux jalons, le chercheur calcule l’\u00e9tendue totale des donn\u00e9es brutes, classiquement d\u00e9sign\u00e9e en anglais sous le terme de Range<\/em> (R<\/em>). La formule de calcul se r\u00e9sume \u00e0 la diff\u00e9rence arithm\u00e9tique simple entre le score maximum et le score minimum :<\/p>\nR<\/em> = Xmax<\/sub><\/em> − Xmin<\/sub><\/em><\/p>\nL’\u00e9tendue quantifie la dispersion brute des observations. Toutefois, sur des donn\u00e9es psychologiques discr\u00e8tes, il convient de distinguer l’\u00e9tendue observ\u00e9e au sein de l’\u00e9chantillon de l’\u00e9tendue th\u00e9orique permise par l’instrument de mesure. Si un test est th\u00e9oriquement born\u00e9 entre 0 et 100 mais que l’\u00e9chantillon pr\u00e9sente des r\u00e9ponses comprises entre 32 et 74, c’est l’\u00e9tendue empirique (74 − 32 = 42) qui servira de base technique au d\u00e9coupage en classes, tout en gardant \u00e0 l’esprit les contraintes structurelles de l’\u00e9chelle d’\u00e9valuation pour l’interpr\u00e9tation finale.<\/p>\n
4.2 \u00c9tape 2 : Choix du nombre optimal de classes<\/h3>\n La deuxi\u00e8me \u00e9tape, \u00e9minemment strat\u00e9gique, consiste \u00e0 fixer le nombre de classes (not\u00e9 k<\/em>) dans lesquelles seront r\u00e9parties les observations. Choisir un nombre inad\u00e9quat de classes d\u00e9nature l’analyse : un k<\/em> trop restreint (par exemple 2 ou 3) entra\u00eene un sur-lissage de la distribution, gommant des h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s diagnostiques majeures ; \u00e0 l’inverse, un k<\/em> pl\u00e9thorique (par exemple 30 pour 50 sujets) fragmente l’\u00e9chantillon et produit une suite de classes vides ou unitaires ne permettant aucune synth\u00e8se. De mani\u00e8re g\u00e9n\u00e9rale, les r\u00e8gles heuristiques recommandent de retenir entre 5 et 20 classes selon le volume de l’\u00e9chantillon.<\/p>\nPour d\u00e9passer l’arbitraire de l’intuition, la statistique descriptive met \u00e0 disposition des formules \u00e9prouv\u00e9es. La plus c\u00e9l\u00e8bre dans le champ des sciences sociales est la r\u00e8gle de Sturges<\/a>, formul\u00e9e par Herbert Sturges en 1926. Elle repose sur l’hypoth\u00e8se d’une distribution sym\u00e9trique de forme binomiale et calcule le nombre optimal de classes en fonction de la taille totale de l’\u00e9chantillon (N<\/em>) :<\/p>\nk<\/em> = 1 + 3,322 × log10<\/sub>(N<\/em>)<\/p>\nou sous sa forme logarithmique naturelle \u00e9quivalente :<\/p>\n
k<\/em> = 1 + log2<\/sub>(N<\/em>)<\/p>\nLorsque les effectifs deviennent consid\u00e9rables (cohortes de plusieurs milliers d’individus), la r\u00e8gle de Sturges a tendance \u00e0 sous-estimer le nombre id\u00e9al de classes. On lui pr\u00e9f\u00e8re alors fr\u00e9quemment la r\u00e8gle de Rice, particuli\u00e8rement vigoureuse pour les grands ensembles de donn\u00e9es comportementales, d\u00e9finie simplement par le double de la racine cubique de l’effectif :<\/p>\n
k<\/em> = 2 × N<\/em>1\/3<\/sup><\/p>\nQuelle que soit la formulation retenue, la valeur num\u00e9rique obtenue pour k<\/em> n’est que tr\u00e8s exceptionnellement un entier. Le chercheur proc\u00e8de alors \u00e0 un arrondi pragmatique \u00e0 l’entier le plus proche, tout en conservant la libert\u00e9 d’ajuster ce param\u00e8tre de ±1 classe pour optimiser la clart\u00e9 p\u00e9dagogique et clinique des intervalles.<\/p>\nHow to find class limits<\/figcaption><\/figure>\n4.3 \u00c9tape 3 : Calcul de la largeur de classe et fixation des limites<\/h3>\n Une fois l’\u00e9tendue totale (R<\/em>) et le nombre de classes (k<\/em>) arr\u00eat\u00e9s, l’\u00e9tape subs\u00e9quente consiste \u00e0 d\u00e9terminer la largeur th\u00e9orique de classe, \u00e9galement appel\u00e9e intervalle de classe (souvent not\u00e9e i<\/em>, h<\/em> ou c<\/em>). Cette largeur s’obtient en divisant l’\u00e9tendue par le nombre de classes s\u00e9lectionn\u00e9 :<\/p>\ni<\/em> = R<\/em> \/ k<\/em> = (Xmax<\/sub><\/em> − Xmin<\/sub><\/em>) \/ k<\/em><\/p>\nSur des donn\u00e9es discr\u00e8tes exprim\u00e9es en nombres entiers, la largeur th\u00e9orique issue de ce calcul donne presque toujours un r\u00e9sultat d\u00e9cimal. Il est alors de r\u00e8gle m\u00e9thodologique absolue d’arrondir cette valeur \u00e0 l’entier sup\u00e9rieur (voire \u00e0 un multiple commode de 2, 5 ou 10). Cet arrondissement par exc\u00e8s garantit formellement que l’amplitude cumul\u00e9e de l’ensemble des classes (k<\/em> × i<\/em>) sera strictement sup\u00e9rieure \u00e0 l’\u00e9tendue r\u00e9elle des donn\u00e9es (R<\/em>), assurant ainsi une couverture exhaustive de toutes les observations sans qu’aucune valeur extr\u00eame ne se retrouve exclue.<\/p>\nLa fixation op\u00e9rationnelle des limites s’encha\u00eene de mani\u00e8re s\u00e9quentielle et d\u00e9terministe. On d\u00e9termine d’abord la premi\u00e8re limite inf\u00e9rieure (L<\/em>1<\/sub>). Deux strat\u00e9gies s’offrent au praticien : soit fixer L<\/em>1<\/sub> exactement \u00e0 la valeur minimale observ\u00e9e (Xmin<\/sub><\/em>), soit la caler sur un nombre dit « commode » ou rond imm\u00e9diatement inf\u00e9rieur (par exemple, d\u00e9buter \u00e0 20 si le minimum est 22). Ce choix ancre la distribution. Ensuite, on calcule les limites inf\u00e9rieures suivantes par l’addition successive et r\u00e9p\u00e9t\u00e9e de la largeur choisie i<\/em> :<\/p>\nL<\/em>2<\/sub> = L<\/em>1<\/sub> + i<\/em><\/p>\nL<\/em>3<\/sub> = L<\/em>2<\/sub> + i<\/em> = L<\/em>1<\/sub> + 2i<\/em><\/p>\net de fa\u00e7on g\u00e9n\u00e9rale :<\/p>\n
Lj<\/sub><\/em> = L<\/em>1<\/sub> + (j<\/em> − 1) × i<\/em><\/p>\nUne fois les limites inf\u00e9rieures pos\u00e9es, les limites sup\u00e9rieures (Uj<\/sub><\/em>) s’en d\u00e9duisent m\u00e9caniquement. Sur des donn\u00e9es discr\u00e8tes \u00e0 granularit\u00e9 unitaire, la limite sup\u00e9rieure d’une classe est \u00e9gale \u00e0 la limite inf\u00e9rieure de la classe suivante diminu\u00e9e d’une unit\u00e9 :<\/p>\nUj<\/sub><\/em> = L<\/em>j<\/em>+1<\/sub> − 1 = Lj<\/sub><\/em> + i<\/em> − 1<\/p>\nCette proc\u00e9dure assure un agencement parfait, sans aucun hiatus num\u00e9rique entre les classes cons\u00e9cutives et sans aucun risque de chevauchement.<\/p>\n
5. M\u00e9thodologie appliqu\u00e9e aux donn\u00e9es continues en sciences comportementales<\/h2>\n5.1 Sp\u00e9cificit\u00e9s des variables continues en psychom\u00e9trie<\/h3>\n Les variables continues occupent une place grandissante dans la recherche exp\u00e9rimentale contemporaine. Contrairement aux donn\u00e9es discr\u00e8tes r\u00e9sultant d’un d\u00e9nombrement (comme le nombre d’erreurs \u00e0 un test d’inhibition), les grandeurs continues — temps d’attente, potentiels \u00e9voqu\u00e9s cognitifs, conductance cutan\u00e9e ou suivi oculaire — se caract\u00e9risent par un continuum math\u00e9matique th\u00e9oriquement infini. Entre deux valeurs observ\u00e9es quelconques, il existe toujours, en th\u00e9orie, une infinit\u00e9 de valeurs interm\u00e9diaires potentielles.<\/p>\n
Cependant, dans la pratique de laboratoire, ce continuum pur se heurte \u00e0 la limite de r\u00e9solution intrins\u00e8que des syst\u00e8mes d’acquisition num\u00e9rique. Les convertisseurs analogique-num\u00e9rique discr\u00e9tisent n\u00e9cessairement le flux biologique continu selon une fr\u00e9quence d’\u00e9chantillonnage et une r\u00e9solution en bits pr\u00e9d\u00e9termin\u00e9es. L’ordinateur enregistre donc des nombres d\u00e9cimaux pr\u00e9sentant un nombre fini de chiffres apr\u00e8s la virgule. Le statisticien doit alors concevoir des limites de classe qui respectent cette nature th\u00e9oriquement continue tout en g\u00e9rant techniquement la granularit\u00e9 d\u00e9cimale de la mesure enregistr\u00e9e.<\/p>\n
La probl\u00e9matique majeure r\u00e9side dans la d\u00e9finition d’intervalles non ambigus pour ces variables physiologiques et comportementales. Si un temps de r\u00e9action est consign\u00e9 avec une pr\u00e9cision de 0,01 seconde, les limites de classe ne peuvent plus \u00eatre espac\u00e9es d’un nombre entier sans cr\u00e9er d’immenses zones aveugles o\u00f9 des observations viendraient se perdre. Il devient imp\u00e9ratif de formaliser des fronti\u00e8res continues qui se touchent math\u00e9matiquement tout en maintenant une r\u00e8gle stricte d’assignation univoque.<\/p>\n
5.2 R\u00e8gles d’inclusion et d’exclusion des bornes continues<\/h3>\n Pour r\u00e9soudre le d\u00e9fi de la contigu\u00eft\u00e9 sur des donn\u00e9es continues, la th\u00e9orie statistique recourt aux intervalles semi-ouverts. Contrairement aux donn\u00e9es discr\u00e8tes o\u00f9 l’on \u00e9crit des bornes disjointes comme [10 ; 19] et [20 ; 29], on d\u00e9finit pour les variables continues des intervalles qui partagent visuellement la m\u00eame valeur fronti\u00e8re, tout en statuant sans \u00e9quivoque sur son inclusion ou son exclusion.<\/p>\n
La convention la plus pr\u00e9pond\u00e9rante dans la pratique internationale est l’usage des intervalles ferm\u00e9s \u00e0 gauche et ouverts \u00e0 droite, formalis\u00e9s sous la structure [a ; b[. Dans ce sch\u00e9ma :<\/p>\n
\nLa limite inf\u00e9rieure a<\/em> est incluse dans la classe. Tout score v\u00e9rifiant x = a<\/em> est formellement rattach\u00e9 \u00e0 cet intervalle.<\/li>\nLa limite sup\u00e9rieure b<\/em> est strictement exclue de la classe. D\u00e8s qu’une observation atteint exactement la valeur b<\/em>, elle est exclue de l’intervalle pr\u00e9sent pour \u00eatre absorb\u00e9e en tant que limite inf\u00e9rieure de la classe contigu\u00eb [b ; c[.<\/li>\n<\/ul>\nUne convention sym\u00e9trique existe, utilisant des intervalles ouverts \u00e0 gauche et ferm\u00e9s \u00e0 droite, not\u00e9s ]a ; b]. Dans ce cas, une observation \u00e9gale \u00e0 la borne sup\u00e9rieure b<\/em> reste dans la classe courante, tandis que le point de d\u00e9part a<\/em> appartient \u00e0 la classe pr\u00e9c\u00e9dente. Cette approche est parfois privil\u00e9gi\u00e9e dans les analyses de survie ou de cin\u00e9tique pharmacologique en neuropsychopharmacologie. Quelle que soit l’option retenue, il est strictement interdit de panacher ces logiques au sein d’une m\u00eame distribution. L’harmonisation doit \u00eatre absolue sur l’ensemble des classes du protocole pour pr\u00e9server la lin\u00e9arit\u00e9 du calcul des fr\u00e9quences cumul\u00e9es et la comparabilit\u00e9 des densit\u00e9s empiriques.<\/p>\n5.3 Calcul de la pr\u00e9cision de mesure dans les limites de classe<\/h3>\n Le degr\u00e9 d’arrondi conditionne directement la coh\u00e9rence du cha\u00eenage des classes. En sciences du comportement, les donn\u00e9es continues sont enregistr\u00e9es selon une unit\u00e9 de pr\u00e9cision fondamentale, not\u00e9e classiquement U<\/em> (par exemple : U<\/em> = 1 pour un score entier ; U<\/em> = 0,1 pour une latence au dixi\u00e8me de seconde ; U<\/em> = 0,001 pour un enregistrement chronom\u00e9trique au milli\u00e8me de seconde). Cette unit\u00e9 de pr\u00e9cision correspond au plus petit incr\u00e9ment mesurable affich\u00e9 par le protocole.<\/p>\nLors de la conception d’un tableau \u00e0 classes disjointes (si l’on n’utilise pas la notation d’intervalles semi-ouverts [a ; b[), la limite sup\u00e9rieure de la classe j<\/em> doit \u00eatre s\u00e9par\u00e9e de la limite inf\u00e9rieure de la classe j<\/em> + 1 par pr\u00e9cis\u00e9ment une unit\u00e9 de pr\u00e9cision U<\/em> :<\/p>\nL<\/em>j<\/em>+1<\/sub> − Uj<\/sub><\/em> = U<\/em><\/p>\nAinsi, si des mesures de dilatation pupillaire sont exprim\u00e9es au centi\u00e8me de millim\u00e8tre (U<\/em> = 0,01 mm) et qu’une classe commence \u00e0 3,50 mm avec une largeur de 0,50 mm, son intervalle disjoint sera not\u00e9 [3,50 ; 3,99], et la classe suivante s’ouvrira imm\u00e9diatement \u00e0 4,00 mm.<\/p>\nSi le chercheur fait le choix m\u00e9thodologique erron\u00e9 d’une granularit\u00e9 trop grossi\u00e8re par rapport \u00e0 la pr\u00e9cision de capture de l’appareil (par exemple, regrouper en classes d’amplitude 1 mm des signaux \u00e9lectrophysiologiques variant de 0,05 mm), il annihile la richesse de la mesure et produit une distorsion de distribution assimilable \u00e0 une erreur de mesure non diff\u00e9rentielle. Inversement, une granularit\u00e9 abusivement fine g\u00e9n\u00e8re un tableau creux, sem\u00e9 de fr\u00e9quences nulles. Le calibrage des limites de classe pour des donn\u00e9es continues repose donc sur un compromis subtil entre l’amplitude th\u00e9orique du signal, l’incertitude de mesure de l’appareillage et le volume global des observations disponibles.<\/p>\n
6. Exemple 1 : D\u00e9termination des limites de classe sur des scores d’anxi\u00e9t\u00e9 (donn\u00e9es discr\u00e8tes)<\/h2>\n6.1 Pr\u00e9sentation du jeu de donn\u00e9es cliniques (Inventaire de Beck)<\/h3>\n Afin de mat\u00e9rialiser ces concepts th\u00e9oriques au sein d’une d\u00e9marche empirique concr\u00e8te, analysons une cohorte exp\u00e9rimentale de 100 participants adultes (N<\/em> = 100) ayant compl\u00e9t\u00e9 l’Inventaire d’Anxi\u00e9t\u00e9 de Beck (BAI). Le BAI est un auto-questionnaire valid\u00e9 compos\u00e9 de 21 items \u00e9valuant l’intensit\u00e9 des sympt\u00f4mes d’anxi\u00e9t\u00e9 somatique et cognitive ressentis au cours de la semaine \u00e9coul\u00e9e. Chaque item \u00e9tant cot\u00e9 de 0 (pas du tout) \u00e0 3 (s\u00e9v\u00e8rement), le score total constitue une variable quantitative discr\u00e8te, comprise th\u00e9oriquement dans un intervalle ferm\u00e9 allant de 0 \u00e0 63 points.<\/p>\nApr\u00e8s passation standardis\u00e9e et apurement de la matrice de donn\u00e9es, l’extraction des scores extr\u00eames observ\u00e9s au sein de notre \u00e9chantillon clinique produit les r\u00e9sultats suivants :<\/p>\n
\nScore minimum observ\u00e9 : Xmin<\/sub><\/em> = 4<\/li>\nScore maximum observ\u00e9 : Xmax<\/sub><\/em> = 57<\/li>\n<\/ul>\nL’\u00e9tendue empirique des donn\u00e9es (R<\/em>) est imm\u00e9diatement calcul\u00e9e selon la formule de l’amplitude brute :<\/p>\nR<\/em> = Xmax<\/sub><\/em> − Xmin<\/sub><\/em> = 57 − 4 = 53 points<\/p>\nL’objectif clinique de cette recherche consiste \u00e0 partitionner cet \u00e9chantillon de 100 individus en classes de s\u00e9v\u00e9rit\u00e9 ordonn\u00e9es, afin d’\u00e9tablir un profil \u00e9pid\u00e9miologique clair de la cohorte et d’identifier avec pr\u00e9cision les proportions de participants n\u00e9cessitant une prise en charge sp\u00e9cialis\u00e9e.<\/p>\n
6.2 Calcul pas \u00e0 pas du nombre de classes et de la largeur<\/h3>\n Pour d\u00e9terminer le nombre optimal de classes k<\/em> sans c\u00e9der \u00e0 un choix arbitraire, nous appliquons la r\u00e8gle de Sturges au volume de notre \u00e9chantillon (N<\/em> = 100) :<\/p>\nk<\/em> = 1 + 3,322 × log10<\/sub>(100)<\/p>\nPuisque log10<\/sub>(100) = 2, le calcul devient :<\/p>\nk<\/em> = 1 + 3,322 × 2 = 1 + 6,644 = 7,644<\/p>\nNous arrondissons ce r\u00e9sultat \u00e0 l’entier le plus proche, soit k<\/em> = 8 classes. Ce partitionnement en 8 segments offre une r\u00e9solution clinique particuli\u00e8rement \u00e9quilibr\u00e9e pour un \u00e9chantillon de cent sujets.<\/p>\nNous proc\u00e9dons ensuite \u00e0 la d\u00e9duction de la largeur d’intervalle brute (i<\/em>) en rapportant l’\u00e9tendue empirique au nombre de classes retenu :<\/p>\nibrut<\/sub><\/em> = R<\/em> \/ k<\/em> = 53 \/ 8 = 6,625 points<\/p>\nLe score de l’inventaire de Beck \u00e9tant strictement discret (nombres entiers), une largeur d\u00e9cimale de 6,625 est inapplicable en l’\u00e9tat. Nous appliquons imp\u00e9rativement la r\u00e8gle de l’arrondissement vers l’entier sup\u00e9rieur. Si nous arrondissions \u00e0 6, l’amplitude totale couverte par 8 classes ne serait que de 8 × 6 = 48 points, ce qui s’av\u00e8re manifestement insuffisant pour englober notre \u00e9tendue r\u00e9elle de 53 points (plusieurs sujets ayant des scores \u00e9lev\u00e9s se trouveraient alors rejet\u00e9s hors du tableau statistique). Nous retenons donc une largeur de classe enti\u00e8re de :<\/p>\n
i<\/em> = 7 points<\/strong><\/p>\nAvec cette largeur, la capacit\u00e9 totale d’accueil du tableau atteint 8 × 7 = 56 points, ce qui d\u00e9passe confortablement l’\u00e9tendue de 53 points et autorise un calage ergonomique des bornes extr\u00eames.<\/p>\n
Fixons maintenant le score de d\u00e9part de la premi\u00e8re classe. Le minimum observ\u00e9 \u00e9tant de 4, nous pourrions fixer L<\/em>1<\/sub> = 4. Cependant, dans la pratique clinique et psychom\u00e9trique, il est hautement recommand\u00e9 de choisir une valeur commode, multiple de la largeur ou ancr\u00e9e sur une borne conventionnelle. Retenir L<\/em>1<\/sub> = 4 est ici parfaitement recevable car 4 − 0 = 4 laisse une marge minimale par rapport au z\u00e9ro th\u00e9orique du test. Fixons d\u00e9lib\u00e9r\u00e9ment :<\/p>\nL<\/em>1<\/sub> = 4<\/p>\nLes limites inf\u00e9rieures successives se d\u00e9duisent par additions it\u00e9ratives de la largeur i<\/em> = 7 :<\/p>\n\nClasse 1 : L<\/em>1<\/sub> = 4<\/li>\nClasse 2 : L<\/em>2<\/sub> = 4 + 7 = 11<\/li>\nClasse 3 : L<\/em>3<\/sub> = 11 + 7 = 18<\/li>\nClasse 4 : L<\/em>4<\/sub> = 18 + 7 = 25<\/li>\nClasse 5 : L<\/em>5<\/sub> = 25 + 7 = 32<\/li>\nClasse 6 : L<\/em>6<\/sub> = 32 + 7 = 39<\/li>\nClasse 7 : L<\/em>7<\/sub> = 39 + 7 = 46<\/li>\nClasse 8 : L<\/em>8<\/sub> = 46 + 7 = 53<\/li>\n<\/ul>\n6.3 Construction du tableau final et identification explicite des limites<\/h3>\n Puisque nous manipulons des scores discrets avec une unit\u00e9 de mesure enti\u00e8re (U<\/em> = 1), la limite sup\u00e9rieure de chaque classe j<\/em> se calcule en retranchant 1 point \u00e0 la limite inf\u00e9rieure de la classe suivante (Uj<\/sub><\/em> = L<\/em>j<\/em>+1<\/sub> − 1). Pour la huiti\u00e8me et derni\u00e8re classe, la limite sup\u00e9rieure vaut simplement L<\/em>8<\/sub> + i<\/em> − 1 = 53 + 7 − 1 = 59.<\/p>\nNous pouvons d\u00e8s lors formaliser la structure int\u00e9grale de notre distribution de fr\u00e9quences, en int\u00e9grant les comptages d’effectifs empiriques (nj<\/sub><\/em>) collect\u00e9s sur nos 100 participants :<\/p>\n\nClasse 1 :<\/strong> Limites [4 − 10] | Limite inf\u00e9rieure : 4 | Limite sup\u00e9rieure : 10 | Fr\u00e9quence empirique : 14 participants<\/li>\nClasse 2 :<\/strong> Limites [11 − 17] | Limite inf\u00e9rieure : 11 | Limite sup\u00e9rieure : 17 | Fr\u00e9quence empirique : 22 participants<\/li>\nClasse 3 :<\/strong> Limites [18 − 24] | Limite inf\u00e9rieure : 18 | Limite sup\u00e9rieure : 24 | Fr\u00e9quence empirique : 28 participants<\/li>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/classBoundaries1.png\")
<\/figure>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/classLimit1.png\")
<\/figure>\n![\"How](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/classLimit2.png\")