R<\/a> ou les suites commerciales telles que SPSS et SAS fournissent des routines automatis\u00e9es pr\u00eates \u00e0 l’emploi, l’ex\u00e9cution du test de Grubbs dans un tableur pr\u00e9sente des vertus \u00e9pist\u00e9mologiques et p\u00e9dagogiques de premier plan. Excel d\u00e9mystifie le calcul statistique en interdisant toute approche de type \u00ab bo\u00eete noire \u00bb, contraignant l’utilisateur \u00e0 concevoir explicitement le flux algorithmique complet : extraction des moments empiriques, calcul des d\u00e9viations standardis\u00e9es, d\u00e9termination des degr\u00e9s de libert\u00e9 et ajustement des distributions th\u00e9oriques de r\u00e9f\u00e9rence.<\/p>\nDe surcro\u00eet, le tableur demeure le logiciel le plus universellement d\u00e9ploy\u00e9 dans les structures hospitali\u00e8res, les cabinets de psychologie clinique, les services de ressources humaines et les laboratoires de recherche translationnelle. Sa prise en main universelle, son interop\u00e9rabilit\u00e9 et ses capacit\u00e9s d’audit visuel imm\u00e9diat en font un support exceptionnel pour l’inspection pr\u00e9liminaire des jeux de donn\u00e9es cliniques avant toute exportation vers des langages de programmation plus sophistiqu\u00e9s. La possibilit\u00e9 d’observer simultan\u00e9ment, sur une m\u00eame grille dynamique, les donn\u00e9es individuelles, les param\u00e8tres d’\u00e9chantillon agr\u00e9g\u00e9s, les scores de test calcul\u00e9s et les formats conditionnels de mise en surbrillance renforce la ma\u00eetrise op\u00e9rationnelle du chercheur sur son mat\u00e9riel empirique.<\/p>\n
N\u00e9anmoins, la transposition du test de Grubbs sous Excel requiert une rigueur algorithmique absolue. Contrairement aux environnements pourvus de fonctions unifi\u00e9es directes (telles que la fonction grubbs.test<\/code> du package R outliers<\/em>), le tableur Microsoft ne propose aucune fonction native consolid\u00e9e d\u00e9di\u00e9e \u00e0 ce test. L’op\u00e9rateur doit par cons\u00e9quent reconstituer la statistique \u00e0 partir de l’imbrication m\u00e9ticuleuse de fonctions \u00e9l\u00e9mentaires, manipuler avec pr\u00e9cision les probabilit\u00e9s critiques de la distribution t<\/em> de Student et param\u00e9trer scrupuleusement les fractions de correction de Bonferroni. Toute n\u00e9gligence dans l’ordonnancement des termes alg\u00e9briques ou dans le choix des estimateurs de dispersion exposerait l’analyste \u00e0 des d\u00e9cisions inf\u00e9rentielles erron\u00e9es.<\/p>\n2. Hypoth\u00e8ses fondamentales et pr\u00e9requis m\u00e9thodologiques du test<\/h2>\n2.1 Le postulat de normalit\u00e9 univari\u00e9e<\/h3>\n La validit\u00e9 math\u00e9matique du test de Grubbs est subordonn\u00e9e au respect rigoureux d’un postulat central : la distribution de la variable sous-jacente au sein de la population parente doit suivre une loi normale (gaussienne). Cette condition d\u00e9coule directement de la construction th\u00e9orique de la statistique de test, dont les propri\u00e9t\u00e9s d’\u00e9chantillonnage reposent sur le rapport entre le r\u00e9sidu maximal issu d’une population gaussienne et l’\u00e9cart-type d’\u00e9chantillon correspondant. Si la distribution empirique manifeste une non-normalit\u00e9 intrins\u00e8que prononc\u00e9e, la statistique de Grubbs perd sa calibration probabiliste nominale, ce qui se traduit par une inflation incontr\u00f4l\u00e9e de l’erreur de premi\u00e8re esp\u00e8ce (d\u00e9tection de faux positifs) ou par une d\u00e9flation critique de sa puissance analytique.<\/p>\n
En psychom\u00e9trie, le non-respect de ce postulat est fr\u00e9quent lorsque l’on manipule des variables asym\u00e9triques telles que les temps de r\u00e9action (syst\u00e9matiquement \u00e9tir\u00e9s vers la droite selon des lois ex-gaussiennes ou log-normales) ou des scores d’\u00e9chelles cliniques sensibles aux effets de plancher (par exemple, des \u00e9chelles de suicidalit\u00e9 administr\u00e9es \u00e0 une population g\u00e9n\u00e9rale non clinique o\u00f9 la vaste majorit\u00e9 des scores est nulle). Dans ces configurations, une valeur situ\u00e9e dans la queue allong\u00e9e de la distribution risque d’\u00eatre condamn\u00e9e \u00e0 tort comme aberrante par le test de Grubbs, alors qu’elle constitue simplement un reflet attendu de la structure distributionnelle non sym\u00e9trique du trait mesur\u00e9.<\/p>\nHistogram in Excel<\/figcaption><\/figure>\nPour pr\u00e9venir cet \u00e9cueil sous Excel, une v\u00e9rification exploratoire de la distribution est indispensable avant toute interpr\u00e9tation de la statistique de Grubbs. L’analyste doit imp\u00e9rativement \u00e9valuer les coefficients d’asym\u00e9trie (skewness<\/em>) et d’aplatissement (kurtosis<\/em>) \u00e0 l’aide des fonctions COEFFICIENT.ASYMETRIE()<\/code> et KURTOSIS()<\/code>. Des valeurs absolues exc\u00e9dant respectivement 1,0 et 2,0 signalent g\u00e9n\u00e9ralement des d\u00e9viations substantielles de la normalit\u00e9 imposant une prudence extr\u00eame. En compl\u00e9ment, la mod\u00e9lisation d’un histogramme de fr\u00e9quences combin\u00e9 \u00e0 la construction d’un diagramme quantile-quantile (Q-Q plot) via les fonctions d’inversion normale permet d’inspecter visuellement l’alignement des quantiles empiriques sur la droite th\u00e9orique id\u00e9ale.<\/p>\n2.2 La contrainte de taille d’\u00e9chantillon minimale<\/h3>\n Le test de Grubbs impose une contrainte arithm\u00e9tique incontournable relative \u00e0 l’effectif d’\u00e9chantillonnage : sa mise en \u0153uvre n’est formellement valide que pour des \u00e9chantillons comportant une taille minimale de $n ge 7$<\/span> observations. Cette exigence structurelle d\u00e9coule de la formulation m\u00eame des degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 la distribution t<\/em> de Student qui intervient dans le calcul de la valeur critique, lesquels sont d\u00e9finis par la relation $df = n – 2$<\/span>. Lorsque la taille d’\u00e9chantillon devient inf\u00e9rieure \u00e0 7, la densit\u00e9 probabiliste de la statistique de test devient math\u00e9matiquement instable et hautement sensible aux moindres fluctuations d’\u00e9chantillonnage.<\/p>\nSur le plan math\u00e9matique, pour un \u00e9chantillon infinit\u00e9simal (par exemple $n = 3$<\/span>), la valeur maximale que peut prendre le r\u00e9sidu standardis\u00e9 est born\u00e9e sup\u00e9rieurement par une limite alg\u00e9brique intrins\u00e8que : $\\frac{n – 1}{\\sqrt{n}}$<\/span>. Pour $n = 3$<\/span>, cette limite \u00e9quivaut \u00e0 $\\frac{2}{\\sqrt{3}} \\approx 1,1547$<\/span>. Dans une telle configuration, la variance d’\u00e9chantillonnage est tellement satur\u00e9e par la pr\u00e9sence du point d\u00e9viant que la statistique standardis\u00e9e ne parvient jamais \u00e0 franchir le seuil critique correspondant aux seuils usuels de rejet ($\\alpha = 0,05$<\/span>), rendant le test structurellement incapable de rejeter l’hypoth\u00e8se nulle, ind\u00e9pendamment de l’amplitude empirique de l’anomalie.<\/p>\nInversement, lorsque l’effectif de l’\u00e9chantillon cro\u00eet vers des dimensions asymptotiques ($n > 100$<\/span>), le comportement de la statistique de Grubbs se stabilise de mani\u00e8re remarquable. Cependant, l’apparition d’\u00e9chantillons volumineux engendre un autre type de complexit\u00e9 m\u00e9thodologique : la sensibilit\u00e9 accrue aux l\u00e9g\u00e8res d\u00e9viations de la normalit\u00e9. Il est donc fondamental d’ancrer l’usage de ce test dans sa zone d’efficacit\u00e9 optimale, situ\u00e9e typiquement entre $n = 7$<\/span> et $n = 150$<\/span> observations univari\u00e9es, plage qui caract\u00e9rise couramment les protocoles exp\u00e9rimentaux en psychologie cognitive et clinique standard.<\/p>\n2.3 La r\u00e8gle de la d\u00e9tection unique et le ph\u00e9nom\u00e8ne de masquage<\/h3>\n Une caract\u00e9ristique m\u00e9thodologique imp\u00e9rative du test de Grubbs r\u00e9side dans son champ d’application fonctionnel : il est exclusivement configur\u00e9 pour \u00e9valuer l’existence d’une seule et unique valeur aberrante<\/strong> par it\u00e9ration computationnelle (l’observation la plus \u00e9loign\u00e9e de la moyenne globale). L’application aveugle du test \u00e0 des jeux de donn\u00e9es pollu\u00e9s par des anomalies multiples expose l’analyste \u00e0 deux pathologies statistiques majeures d\u00e9sign\u00e9es sous les vocables d’effet de masquage (masking effect<\/em>) et d’effet de d\u00e9bordement (swamping effect<\/em>).<\/p>\nL’effet de masquage survient lorsque l’\u00e9chantillon contient au moins deux observations aberrantes d’amplitudes comparables situ\u00e9es du m\u00eame c\u00f4t\u00e9 de la distribution (par exemple, deux scores extraordinairement \u00e9lev\u00e9s). Dans cette configuration, les deux valeurs unissent leurs influences pour gonfler consid\u00e9rablement la moyenne de l’\u00e9chantillon mais surtout l’\u00e9cart-type d’\u00e9chantillon $s$<\/span>. Puisque l’\u00e9cart-type sert de d\u00e9nominateur \u00e0 la statistique de Grubbs, son gonflement artificiel a pour effet de comprimer s\u00e9v\u00e8rement le ratio calcul\u00e9 pour chacune des deux valeurs suspectes. En cons\u00e9quence, la statistique $G$<\/span> calcul\u00e9e sur la valeur maximale \u00e9choue \u00e0 franchir le seuil critique $G_{crit}$<\/span>, conduisant \u00e0 un faux n\u00e9gatif (non-d\u00e9tection d’une aberration flagrante).<\/p>\n\u00c0 l’inverse, l’effet de d\u00e9bordement se manifeste lorsqu’une valeur v\u00e9ritablement aberrante d’amplitude colossale distend la variance et d\u00e9place le barycentre au point qu’une observation contigu\u00eb parfaitement saine est qualifi\u00e9e d’aberrante lors des \u00e9tapes ult\u00e9rieures d’un nettoyage mal ma\u00eetris\u00e9. Lorsque des investigations empiriques ou des trac\u00e9s graphiques sugg\u00e8rent a priori la pr\u00e9sence simultan\u00e9e de plusieurs anomalies au sein d’un m\u00eame \u00e9chantillon, il est m\u00e9thodologiquement erron\u00e9 d’appliquer le test de Grubbs de fa\u00e7on na\u00efvement r\u00e9p\u00e9t\u00e9e. Dans ces circonstances sp\u00e9cifiques, l’analyste doit obligatoirement r\u00e9orienter sa d\u00e9marche vers des m\u00e9thodologies plus adapt\u00e9es, au premier rang desquelles figure le test d’\u00e9cart studentis\u00e9 d\u00e9viant g\u00e9n\u00e9ralis\u00e9 de Rosner (Generalized Extreme Studentized Deviate ou Generalized ESD).<\/p>\n
3. Formulation math\u00e9matique de la statistique de test de Grubbs<\/h2>\n3.1 Test unilat\u00e9ral sup\u00e9rieur : d\u00e9tection du maximum<\/h3>\n Lorsque le cadre th\u00e9orique de la recherche ou la configuration exp\u00e9rimentale permet d’affirmer a priori que la contamination potentielle des donn\u00e9es ne peut se produire qu’en direction des valeurs positives extr\u00eames, la version unilat\u00e9rale sup\u00e9rieure du test de Grubbs doit \u00eatre pr\u00e9f\u00e9rentiellement mobilis\u00e9e. Cette situation se produit fr\u00e9quemment lors de l’administration d’\u00e9chelles de toxicit\u00e9 psychologique, d’inventaires de d\u00e9tresse affective ou de mesures de charge allostatique, o\u00f9 les anomalies instrumentales se traduisent presque syst\u00e9matiquement par une sur\u00e9valuation des scores.<\/p>\n
La statistique d’\u00e9preuve pour le test unilat\u00e9ral sup\u00e9rieur, usuellement not\u00e9e $G_{\\max}$<\/span>, est formellement d\u00e9finie par l’\u00e9quation suivante :<\/p>\n\nG_{max} = frac{x_{max} – bar{x}}{s}\n<\/p>\n
Dans cette formulation alg\u00e9brique, $x_{\\max}$<\/span> repr\u00e9sente l’observation la plus \u00e9lev\u00e9e identifi\u00e9e au sein de l’\u00e9chantillon de taille $n$<\/span>, $\\bar{x}$<\/span> d\u00e9signe la moyenne arithm\u00e9tique de l’\u00e9chantillon calcul\u00e9e sur l’int\u00e9gralit\u00e9 des $n$<\/span> observations, et $s$<\/span> repr\u00e9sente l’\u00e9cart-type sans biais de l’\u00e9chantillon calcul\u00e9 avec $n – 1$<\/span> degr\u00e9s de libert\u00e9 au d\u00e9nominateur. La quantit\u00e9 obtenue exprime de mani\u00e8re directe le nombre d’\u00e9carts-types empiriques s\u00e9parant le maximum de l’\u00e9chantillon de son barycentre collectif.<\/p>\nD’un point de vue clinique, l’interpr\u00e9tation de cette statistique refl\u00e8te la probabilit\u00e9 qu’un individu manifestant le score le plus haut de la cohorte appartienne \u00e0 la m\u00eame distribution sous-jacente que ses pairs. Si la d\u00e9viation standardis\u00e9e exc\u00e8de le seuil th\u00e9orique attendu sous l’hypoth\u00e8se de normalit\u00e9, l’hypoth\u00e8se selon laquelle ce score d\u00e9coule du hasard d’\u00e9chantillonnage gaussien est rejet\u00e9e, pointant vers une dynamique de r\u00e9ponse singuli\u00e8re ou une erreur d’\u00e9chelle.<\/p>\n
3.2 Test unilat\u00e9ral inf\u00e9rieur : d\u00e9tection du minimum<\/h3>\n Sym\u00e9triquement, l’\u00e9valuation orient\u00e9e vers la borne basse de la distribution n\u00e9cessite l’impl\u00e9mentation de la statistique unilat\u00e9rale inf\u00e9rieure, formalis\u00e9e sous la notation $G_{\\min}$<\/span>. Cette modalit\u00e9 s’impose dans les paradigmes chrono-psychologiques ou dans l’\u00e9tude des performances cognitives de haut niveau, au sein desquels un temps de r\u00e9ponse inhabituellement bas peut signaler une anticipation motrice non contr\u00f4l\u00e9e ou un dysfonctionnement mat\u00e9riel de capture temporelle.<\/p>\nL’\u00e9quation r\u00e9gissant la statistique de test unilat\u00e9rale inf\u00e9rieure s’\u00e9tablit comme suit :<\/p>\n
\nG_{min} = frac{bar{x} – x_{min}}{s}\n<\/p>\n
O\u00f9 $x_{\\min}$<\/span> correspond \u00e0 la valeur la plus faible enregistr\u00e9e dans la s\u00e9rie empirique. L’inversion d\u00e9lib\u00e9r\u00e9e de l’ordre des termes au num\u00e9rateur ($\\bar{x} – x_{\\min}$<\/span>) permet de garantir que la valeur r\u00e9sultante de $G_{\\min}$<\/span> demeure strictement positive, respectant ainsi les conventions de calcul des tables de r\u00e9f\u00e9rence et simplifiant l’impl\u00e9mentation algorithmique sous tableur.<\/p>\nDans le champ des neurosciences comportementales, l’inspection de ce r\u00e9sidu standardis\u00e9 minimum fournit un indicateur indispensable de la plausibilit\u00e9 physiologique d’un comportement. Un temps de r\u00e9action moteur inf\u00e9rieur \u00e0 100 millisecondes au cours d’une t\u00e2che de discrimination visuelle est g\u00e9n\u00e9ralement consid\u00e9r\u00e9 comme physiologiquement incompatible avec les d\u00e9lais de conduction synaptique et corticale ; le test de Grubbs unilat\u00e9ral inf\u00e9rieur permet de confirmer math\u00e9matiquement si cette valeur plancher constitue une anomalie statistique disqualifiante au regard de la dispersion globale du groupe.<\/p>\n
3.3 Test bilat\u00e9ral : d\u00e9tection non directionnelle<\/h3>\n Dans la majorit\u00e9 \u00e9crasante des protocoles de recherche fondamentale et appliqu\u00e9e, le chercheur ne dispose d’aucune justification th\u00e9orique ou exp\u00e9rimentale pour pr\u00e9sumer de la direction sp\u00e9cifique d’une \u00e9ventuelle contamination. Une erreur de saisie typographique dans un tableur (par exemple, un d\u00e9calage de virgule d\u00e9cimale ou une faute de frappe num\u00e9rique) est tout aussi susceptible d’engendrer un score microscopique qu’un score gigantesque. En l’absence d’orientation th\u00e9orique pr\u00e9d\u00e9finie, l’application d’un test bilat\u00e9ral (\u00e0 deux queues) constitue la seule d\u00e9marche m\u00e9thodologique d\u00e9ontologiquement irr\u00e9prochable.<\/p>\n
La statistique g\u00e9n\u00e9rale du test de Grubbs bilat\u00e9ral, not\u00e9e $G$<\/span>, est formalis\u00e9e par la recherche de la d\u00e9viation absolue maximale par rapport \u00e0 la moyenne :<\/p>\n\nG = frac{max_{i=1 dots n} |x_i – bar{x}|}{s}\n<\/p>\n
Ce calcul \u00e9quivaut math\u00e9matiquement \u00e0 d\u00e9terminer le maximum arithm\u00e9tique entre la statistique unilat\u00e9rale sup\u00e9rieure et la statistique unilat\u00e9rale inf\u00e9rieure, soit formellement :<\/p>\n
\nG = max(G_{max}, G_{min})\n<\/p>\n
La contrepartie m\u00e9thodologique de cette neutralit\u00e9 directionnelle r\u00e9side dans une s\u00e9v\u00e9rit\u00e9 accrue des seuils de significativit\u00e9 statistique. Afin de contenir le taux global d’erreur de type I \u00e0 son niveau nominal (par exemple $\\alpha = 0,05$<\/span>), le seuil critique bilat\u00e9ral sera substantiellement plus exigeant que son homologue unilat\u00e9ral. Ce m\u00e9canisme protecteur compense la double opportunit\u00e9 de rejet offerte par l’inspection simultan\u00e9e des deux extr\u00e9mit\u00e9s de la distribution empirique.<\/p>\n4. D\u00e9rivation analytique de la valeur critique de Grubbs<\/h2>\n4.1 La formulation exacte de la valeur critique G_crit<\/h3>\n L’une des contributions majeures de Frank E. Grubbs r\u00e9side dans la d\u00e9rivation math\u00e9matique exacte de la fonction de distribution de sa statistique de test. Contrairement \u00e0 une croyance r\u00e9pandue qui assimile abusivement le r\u00e9sidu standardis\u00e9 empirique \u00e0 une cote z<\/em> standard, la statistique $G$<\/span> ne suit pas une distribution normale centr\u00e9e r\u00e9duite, en raison de la corr\u00e9lation math\u00e9matique intrins\u00e8que qui unit la d\u00e9viation de chaque point avec l’\u00e9cart-type global de l’\u00e9chantillon. La valeur critique exacte, au-del\u00e0 de laquelle l’hypoth\u00e8se nulle d’homog\u00e9n\u00e9it\u00e9 de l’\u00e9chantillon doit \u00eatre rejet\u00e9e, d\u00e9rive formellement de la distribution t<\/em> de Student \u00e0 $n – 2$<\/span> degr\u00e9s de libert\u00e9.<\/p>\nL’expression analytique rigoureuse de la valeur critique de Grubbs, not\u00e9e $G_{crit}$<\/span>, est articul\u00e9e par la formule non lin\u00e9aire suivante :<\/p>\n\nG_{crit} = frac{n – 1}{sqrt{n}} sqrt{frac{t_{crit}^2}{n – 2 + t_{crit}^2}}\n<\/p>\n
Une \u00e9criture math\u00e9matique \u00e9quivalente, largement adopt\u00e9e pour sa compacit\u00e9 et particuli\u00e8rement adapt\u00e9e \u00e0 la transcription sous les syntaxes de tableurs, se formule de la mani\u00e8re suivante :<\/p>\n
\nG_{crit} = frac{(n – 1) cdot t_{crit}}{sqrt{n cdot (n – 2 + t_{crit}^2)}}\n<\/p>\n
Dans ce mod\u00e8le computationnel, le param\u00e8tre $t_{crit}$<\/span> d\u00e9signe le quantile critique issu de la distribution t<\/em> de Student univari\u00e9e, \u00e9valu\u00e9 aux degr\u00e9s de libert\u00e9 $df = n – 2$<\/span> pour une probabilit\u00e9 cumulative ajust\u00e9e par la rigueur de correction d’\u00e9chantillonnage. Ce mod\u00e8le compense analytiquement l’asym\u00e9trie de contrainte que le point d\u00e9viant exerce sur l’estimateur de dispersion empirique, fournissant un seuil probabiliste d’une pr\u00e9cision math\u00e9matique absolue pour toute dimension finie d’\u00e9chantillon.<\/p>\n4.2 Param\u00e9trage du niveau de significativit\u00e9 alpha<\/h3>\n L’incorporation correcte du seuil de significativit\u00e9 $\\alpha$<\/span> dans le calcul de $t_{crit}$<\/span> repr\u00e9sente l’\u00e9tape la plus critique et la plus sujette aux erreurs d’impl\u00e9mentation au cours de la mod\u00e9lisation manuelle. Puisque l’\u00e9chantillon offre $n$<\/span> observations diff\u00e9rentes candidates au titre de valeur la plus d\u00e9viante, le test proc\u00e8de conceptuellement \u00e0 une s\u00e9lection s\u00e9quentielle implicite du maximum absolu. Par cons\u00e9quent, pour pr\u00e9munir le chercheur contre une multiplication insidieuse du taux d’erreur de premi\u00e8re esp\u00e8ce \u00e0 l’\u00e9chelle de l’exp\u00e9rience, une correction d’in\u00e9galit\u00e9 de type Bonferroni doit \u00eatre directement inject\u00e9e dans l’argument de probabilit\u00e9 de la loi de Student.<\/p>\nLa probabilit\u00e9 unilat\u00e9rale associ\u00e9e au quantile de Student $t_{crit}$<\/span> doit imp\u00e9rativement \u00eatre modul\u00e9e selon la structure directionnelle de l’analyse :<\/p>\n\nPour un test bilat\u00e9ral<\/strong> (non orient\u00e9), la probabilit\u00e9 d’entr\u00e9e dans la loi de Student doit \u00eatre scrupuleusement param\u00e9tr\u00e9e \u00e0 :p = frac{alpha}{2n}<\/strong>\n <\/li>\nPour un test unilat\u00e9ral<\/strong> (directionnel sup\u00e9rieur ou inf\u00e9rieur), la probabilit\u00e9 correspondante s’\u00e9tablit formellement \u00e0 :p = frac{alpha}{n}<\/strong>\n <\/li>\n<\/ul>\nLe choix conventionnel du niveau de risque s’\u00e9tablit g\u00e9n\u00e9ralement \u00e0 $\\alpha = 0,05$<\/span> dans les investigations exploratoires en psychologie sociale ou cognitive. Cependant, lorsque les enjeux cliniques ou pharmacologiques exigent une conservativit\u00e9 maximale pour \u00e9carter tout risque d’\u00e9limination injustifi\u00e9e d’un individu sain, l’adoption d’un seuil strict \u00e0 $\\alpha = 0,01$<\/span> est fortement recommand\u00e9e. Cette modulation pr\u00e9serve la variance naturelle des populations atypiques en \u00e9rigeant une barri\u00e8re inf\u00e9rentielle substantiellement plus contraignante.<\/p>\n4.3 Tables de Grubbs versus calcul dynamique sous tableur<\/h3>\n Historiquement, les praticiens de la recherche quantitative \u00e9taient tributaires de tables statistiques statiques, publi\u00e9es dans les manuels de r\u00e9f\u00e9rence ou les annexes d’articles m\u00e9thodologiques. Ces tables pr\u00e9sentaient des limites pratiques consid\u00e9rables : elles ne fournissaient g\u00e9n\u00e9ralement les valeurs critiques de Grubbs que pour un \u00e9ventail restreint de tailles d’\u00e9chantillons discr\u00e8tes (souvent limit\u00e9es aux valeurs enti\u00e8res de $n$<\/span> comprises entre 3 et 30, puis \u00e9chantillonn\u00e9es par sauts jusqu’\u00e0 100), et pour les seuls seuils conventionnels $\\alpha = 0,05$<\/span> et $\\alpha = 0,01$<\/span>. Lorsque la taille d’un \u00e9chantillon exp\u00e9rimental tombait entre deux bornes tabul\u00e9es (par exemple $n = 43$<\/span>), le chercheur \u00e9tait condamn\u00e9 \u00e0 des approximations manuelles ou \u00e0 des interpolations lin\u00e9aires approximatives, sources d’erreurs d’arrondi notables.<\/p>\nL’impl\u00e9mentation de la fonction d’inversion dynamique sous Microsoft Excel affranchit d\u00e9finitivement l’analyste de ces servitudes documentaires. Gr\u00e2ce aux algorithmes d’approximation num\u00e9rique en double pr\u00e9cision \u00e0 virgule flottante (conformes \u00e0 la norme IEEE 754) int\u00e9gr\u00e9s au moteur de calcul de Microsoft, le calcul de la valeur critique exacte s’op\u00e8re en temps r\u00e9el pour n’importe quelle valeur arbitraire de $n ge 7$<\/span> et pour n’importe quel seuil de significativit\u00e9 $\\alpha$<\/span> continu. Cette computabilit\u00e9 dynamique garantit une rigueur m\u00e9trologique absolue, \u00e9limine l’arbitraire de l’arrondi et permet l’actualisation instantan\u00e9e des r\u00e9sultats inf\u00e9rentiels lors de l’adjonction ou de la suppression interactive d’observations dans la feuille de donn\u00e9es.<\/p>\n5. Configuration et structuration de la feuille de calcul Excel<\/h2>\n5.1 Organisation spatiale et hygi\u00e8ne des donn\u00e9es<\/h3>\n La fiabilit\u00e9 d’une cha\u00eene de traitement statistique sous Excel repose sur l’adoption d’une architecture spatiale rigoureuse et standardis\u00e9e. L’agencement chaotique m\u00ealant les valeurs brutes et les formules de synth\u00e8se au sein des m\u00eames colonnes constitue le foyer principal d’erreurs computationnelles. Il est m\u00e9thodologiquement recommand\u00e9 d’adopter une disposition colonnaire scind\u00e9e en deux blocs fonctionnels \u00e9tanches : la zone de stockage des donn\u00e9es primaires et le panneau r\u00e9capitulatif des param\u00e8tres inf\u00e9rentiels.<\/p>\n
La zone de stockage empirique doit \u00eatre d\u00e9ploy\u00e9e verticalement dans les premi\u00e8res colonnes de la feuille de calcul :<\/p>\n
\nColonne A (Identifiant Sujet) :<\/strong> Cette colonne accueille le code univoque attribu\u00e9 \u00e0 chaque participant (ex. SUBJ_001<\/code>, SUBJ_002<\/code>), pr\u00e9servant ainsi l’anonymisation des donn\u00e9es cliniques tout en garantissant la tra\u00e7abilit\u00e9 int\u00e9grale de chaque observation.<\/li>\nColonne B (Variable d’Int\u00e9r\u00eat) :<\/strong> Elle contient exclusivement les scores bruts num\u00e9riques collect\u00e9s (par exemple, le score total \u00e0 un inventaire psychom\u00e9trique ou un temps moyen de fixation oculaire en millisecondes). Les en-t\u00eates doivent \u00eatre standardis\u00e9s sans caract\u00e8res sp\u00e9ciaux.<\/li>\nColonnes C et suivantes (Calculs D\u00e9riv\u00e9s) :<\/strong> Ces colonnes sont r\u00e9serv\u00e9es aux calculs auxiliaires individuels, tels que la conversion en cotes centr\u00e9es r\u00e9duites ou l’extraction des r\u00e9sidus absolus locaux.<\/li>\n<\/ul>\nIl importe d’appliquer un formatage num\u00e9rique strict sur l’int\u00e9gralit\u00e9 de la colonne B. La troncature visuelle des d\u00e9cimales via les boutons d’affichage de l’interface graphique ne modifie pas la pr\u00e9cision interne d’Excel, mais un alignement uniformis\u00e9 avec un nombre fixe de d\u00e9cimales apparentes (id\u00e9alement trois d\u00e9cimales en psychologie quantitative) permet une inspection visuelle imm\u00e9diate des incoh\u00e9rences de saisie. De surcro\u00eet, l’activation des r\u00e8gles de validation des donn\u00e9es<\/a> d’Excel (onglet Donn\u00e9es<\/em> > Validation des donn\u00e9es<\/em>) pour restreindre la saisie \u00e0 des intervalles num\u00e9riques empiriquement valides (par exemple, une \u00e9chelle de Likert de 1 \u00e0 7) pr\u00e9vient en amont la g\u00e9n\u00e9ration d’anomalies purement dactylographiques.<\/p>\n5.2 Gestion des cellules vides et des valeurs manquantes<\/h3>\n La gestion des donn\u00e9es absentes ou non recueillies constitue une probl\u00e9matique centrale en recherche comportementale. Une confusion dramatique survient fr\u00e9quemment dans les tableurs entre une cellule totalement vide, une cellule contenant un blanc typographique invisible g\u00e9n\u00e9r\u00e9 par la barre d’espace, un code d’encodage conventionnel des valeurs manquantes (tel que -999<\/code> ou 9999<\/code>) et un v\u00e9ritable z\u00e9ro arithm\u00e9tique ($0$). Si un op\u00e9rateur introduit par inadvertance le code conventionnel 999<\/code> dans la colonne des scores sans en informer le tableur, la fonction de Grubbs d\u00e9tectera math\u00e9matiquement ce code num\u00e9rique comme une valeur aberrante gigantesque, d\u00e9naturant totalement l’analyse de l’\u00e9chantillon.<\/p>\nLes fonctions natives de tendance centrale et de dispersion sous Excel, telles que MOYENNE()<\/code> et ECARTYPE.STANDARD()<\/code>, ignorent nativement et silencieusement les cellules totalement vides ou contenant des cha\u00eenes textuelles (comme la mention NA<\/code>). Cependant, cette tol\u00e9rance implicite modifie la taille effective de l’\u00e9chantillon $n$<\/span>. Si la variable de d\u00e9nombrement est mal configur\u00e9e, il peut en r\u00e9sulter un d\u00e9calage structurel entre l’effectif nominal de la cohorte et le nombre de valeurs effectivement int\u00e9gr\u00e9es dans le calcul statistique.<\/p>\nPour immuniser la cha\u00eene algorithmique contre ces d\u00e9rives, il est indispensable de formaliser la conformit\u00e9 num\u00e9rique des vecteurs de donn\u00e9es \u00e0 l’aide de la fonction logique ESTNUM()<\/code>. Toute valeur suspecte non nettoy\u00e9e doit \u00eatre explicitement convertie en cellule vide ou exclue du vecteur actif avant d’amorcer le calcul de la statistique de Grubbs, garantissant ainsi que seules des observations r\u00e9elles participent \u00e0 la d\u00e9rivation des moments empiriques.<\/p>\n5.3 Cr\u00e9ation d’un panneau de contr\u00f4le param\u00e9trique<\/h3>\n Afin de conf\u00e9rer \u00e0 la feuille de calcul une flexibilit\u00e9 analytique maximale et de garantir son auditabilit\u00e9 par des relecteurs externes, il est fortement d\u00e9conseill\u00e9 d’inscrire en dur les param\u00e8tres d’analyse (comme le niveau $\\alpha$<\/span> ou la taille $n$<\/span>) \u00e0 l’int\u00e9rieur des formules complexes. Il convient d’\u00e9difier un bloc d\u00e9di\u00e9, g\u00e9n\u00e9ralement situ\u00e9 dans les colonnes adjacentes (par exemple, les colonnes E et F), baptis\u00e9 Panneau de Contr\u00f4le Param\u00e9trique<\/strong>.<\/p>\nCe tableau de bord m\u00e9thodologique centralise les param\u00e8tres cl\u00e9s suivants :<\/p>\n
\nCellule F2 (Seuil Alpha) :<\/strong> Valeur num\u00e9rique du risque consenti, typiquement 0,05<\/code> ou 0,01<\/code>.<\/li>\nCellule F3 (Type de Test) :<\/strong> S\u00e9lecteur d’orientation (ex. saisie de la valeur 2<\/code> pour un test bilat\u00e9ral, ou 1<\/code> pour un test unilat\u00e9ral).<\/li>\nCellule F4 (Taille d’\u00c9chantillon n) :<\/strong> Formule de d\u00e9compte dynamique calculant le nombre effectif de scores analys\u00e9s.<\/li>\nCellule F5 (Degr\u00e9s de Libert\u00e9) :<\/strong> Formule dynamique calculant rigoureusement $n – 2$<\/span>.<\/li>\n<\/ul>\nPour fluidifier la lecture algorithmique et \u00e9radiquer le risque d’erreur d’adressage absolu (omission des symboles $<\/code> lors des duplications de cellules), il est hautement avantageux d’attribuer des Noms D\u00e9finis<\/em> aux plages et cellules cl\u00e9s (via le gestionnaire de noms sous l’onglet Formules<\/em>). Ainsi, la plage des scores r\u00e9els $B2:B51$<\/span> peut \u00eatre nomm\u00e9e Scores_Bruts<\/code>, la cellule contenant la moyenne Moyenne_Ech<\/code>, et la cellule du seuil de significativit\u00e9 Alpha_Test<\/code>. Cette pratique \u00e9l\u00e8ve la formulation sous Excel au standard de lisibilit\u00e9 des scripts statistiques formels.<\/p>\n6. Extraction des param\u00e8tres descriptifs n\u00e9cessaires sous Excel<\/h2>\n6.1 D\u00e9nombrement exact des observations valides<\/h3>\n L’extraction rigoureuse de la taille effective de l’\u00e9chantillon constitue la pierre angulaire de l’\u00e9difice, puisque l’ensemble des d\u00e9nominateurs et des distributions de r\u00e9f\u00e9rence en d\u00e9pend directement. L’analyste doit proscrire l’usage de la fonction NBVAL()<\/code>, qui d\u00e9nombre aveugl\u00e9ment toutes les cellules non vides, y compris celles qui contiennent des \u00e9tiquettes textuelles, des espaces erron\u00e9s ou des codes d’erreur. Il est imp\u00e9ratif d’utiliser la fonction NB()<\/code>, qui quantifie exclusivement les cellules abritant des donn\u00e9es strictement num\u00e9riques.<\/p>\nLa formule \u00e0 renseigner dans la cellule d\u00e9di\u00e9e \u00e0 la taille de l’\u00e9chantillon (par exemple en F4<\/code>) s’\u00e9crit formellement :<\/p>\n=NB(Scores_Bruts)<\/code><\/p>\nImm\u00e9diatement sous cette cellule, le calcul dynamique des degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 la distribution de Student de Grubbs s’\u00e9tablit par la relation \u00e9l\u00e9mentaire :<\/p>\n
=F4 - 2<\/code><\/p>\nAfin de pr\u00e9venir tout traitement erron\u00e9 lorsque le jeu de donn\u00e9es s’av\u00e8re insuffisant, une proc\u00e9dure de s\u00e9curisation conditionnelle peut \u00eatre adjointe au calcul de $n$<\/span>. En introduisant la structure logique suivante :<\/p>\n=SI(F4 < 7; \"ERREUR : Effectif n < 7 insuffisant\"; F4)<\/code><\/p>\nle tableur bloque automatiquement la poursuite des calculs si l’effectif collect\u00e9 s’av\u00e8re inf\u00e9rieur au seuil op\u00e9rationnel indispensable \u00e0 la stabilit\u00e9 du test de Grubbs.<\/p>\n
6.2 Calcul de la tendance centrale et de la dispersion<\/h3>\n Le barycentre de la distribution des observations empiriques est d\u00e9termin\u00e9 \u00e0 l’aide de la fonction de moyenne arithm\u00e9tique standard. Dans la cellule r\u00e9serv\u00e9e \u00e0 la moyenne (par exemple en F6<\/code>), l’analyste impl\u00e9mente la syntaxe suivante :<\/p>\n=MOYENNE(Scores_Bruts)<\/code><\/p>\nL’estimation de la dispersion de l’\u00e9chantillon requiert une vigilance m\u00e9thodologique extr\u00eame. Dans l’\u00e9cosyst\u00e8me Microsoft Excel coexistent deux fonctions d’\u00e9cart-type aux propri\u00e9t\u00e9s math\u00e9matiques fondamentalement distinctes : ECARTYPE.STANDARD()<\/code> (anciennement ECARTYPE<\/code>) et ECARTYPE.PE()<\/code> (anciennement ECARTYPEP<\/code>). La fonction ECARTYPE.PE()<\/code> calcule l’\u00e9cart-type de population en divisant la somme des carr\u00e9s des d\u00e9viations par $n$<\/span>. Son utilisation au sein du test de Grubbs constitue une faute m\u00e9thodologique caract\u00e9ris\u00e9e.<\/p>\nLa d\u00e9rivation analytique de Frank E. Grubbs repose strictement sur l’estimateur sans biais de la variance d’\u00e9chantillonnage, lequel applique la correction de Bessel en int\u00e9grant le diviseur $n – 1$<\/span> au d\u00e9nominateur. L’usage exclusif de la fonction ECARTYPE.STANDARD()<\/code> est donc imp\u00e9ratif :<\/p>\n=ECARTYPE.STANDARD(Scores_Bruts)<\/code><\/p>\nCette distinction est d’une importance math\u00e9matique capitale : l’omission du terme de correction de Bessel sous-estimerait la dispersion r\u00e9elle de l’\u00e9chantillon, ce qui aurait pour corollaire imm\u00e9diat de gonfler artificiellement la statistique de Grubbs $G$<\/span> et de conduire \u00e0 un rejet abusif de l’hypoth\u00e8se nulle d’homog\u00e9n\u00e9it\u00e9.<\/p>\n6.3 Identification des valeurs extr\u00eames candidates<\/h3>\n L’\u00e9tape descriptive finale consiste \u00e0 isoler les candidats empiriques susceptibles de pr\u00e9tendre au statut d’observation aberrante. L’analyste doit extraire simultan\u00e9ment la valeur maximale et la valeur minimale au sein du vecteur de donn\u00e9es pour permettre la conduite d’un test directionnel ou bilat\u00e9ral.<\/p>\n
Les syntaxes correspondantes sont respectivement :<\/p>\n
Pour la valeur maximale : =MAX(Scores_Bruts)<\/code><\/p>\nPour la valeur minimale : =MIN(Scores_Bruts)<\/code><\/p>\nAu-del\u00e0 de ces deux valeurs brutes, l’analyste peut impl\u00e9menter une formule d\u00e9terminant directement quelle est l’observation qui s’\u00e9carte le plus de la moyenne en valeur absolue. En comparant les \u00e9carts $|x_{\\max} – \\bar{x}|$<\/span> et $|\\bar{x} – x_{\\min}|$<\/span>, la formule logique suivante isole automatiquement la valeur la plus d\u00e9viante de l’ensemble de donn\u00e9es :<\/p>\n=SI((F8 - F6) >= (F6 - F9); F8; F9)<\/code><\/p>\no\u00f9 F8<\/code> h\u00e9berge le r\u00e9sultat de MAX()<\/code>, F9<\/code> celui de MIN()<\/code>, et F6<\/code> la moyenne empirique $\\bar{x}$<\/span>. Cette d\u00e9tection dynamique pr\u00e9pare le terrain pour le calcul unifi\u00e9 de la statistique d’\u00e9preuve bilat\u00e9rale.<\/p>\n7. Calcul de la statistique empirique G dans Excel<\/h2>\n7.1 Syntaxe pour le sc\u00e9nario unilat\u00e9ral sup\u00e9rieur (G_max)<\/h3>\n Dans l’hypoth\u00e8se o\u00f9 le chercheur focalise son attention analytique sur l’\u00e9valuation exclusive du maximum de l’\u00e9chantillon, la programmation de la statistique $G_{\\max}$<\/span> traduit rigoureusement la d\u00e9viation standardis\u00e9e de cette observation sup\u00e9rieure. En exploitant les cellules de calcul descriptif pr\u00e9alablement configur\u00e9es, l’\u00e9criture sous Excel prend la forme suivante :<\/p>\n=(F8 - F6) \/ F7<\/code><\/p>\no\u00f9 la cellule F8<\/code> abrite le score maximal retourn\u00e9 par MAX(Scores_Bruts)<\/code>, la cellule F6<\/code> contient la moyenne empirique, et la cellule F7<\/code> renferme l’\u00e9cart-type sans biais extrait par ECARTYPE.STANDARD(Scores_Bruts)<\/code>.<\/p>\nSi l’analyste souhaite consigner cette op\u00e9ration au sein d’une cellule autonome sans faire r\u00e9f\u00e9rence \u00e0 des cellules descriptives interm\u00e9diaires, la syntaxe directe consolid\u00e9e s’exprime comme suit :<\/p>\n
=(MAX(Scores_Bruts) - MOYENNE(Scores_Bruts)) \/ ECARTYPE.STANDARD(Scores_Bruts)<\/code><\/p>\nLe r\u00e9sultat g\u00e9n\u00e9r\u00e9 est une valeur positive sans dimension, quantifiant le nombre d’\u00e9carts-types empiriques s\u00e9parant le score le plus \u00e9lev\u00e9 de la moyenne du collectif. L’analyste s’assurera de la validit\u00e9 de l’ordre alg\u00e9brique des termes : le maximum \u00e9tant par d\u00e9finition sup\u00e9rieur ou \u00e9gal \u00e0 la moyenne arithm\u00e9tique, le num\u00e9rateur doit imp\u00e9rativement afficher une valeur positive ou nulle.<\/p>\n7.2 Syntaxe pour le sc\u00e9nario unilat\u00e9ral inf\u00e9rieur (G_min)<\/h3>\n Pour \u00e9valuer sp\u00e9cifiquement l’observation plancher de la distribution, la formulation sous tableur transcrit la distance reliant la moyenne au point minimum, ordonn\u00e9e de mani\u00e8re \u00e0 pr\u00e9server la positivit\u00e9 de l’indicateur d’\u00e9cart. La syntaxe cellulaire r\u00e9f\u00e9renc\u00e9e s’\u00e9tablit par :<\/p>\n
=(F6 - F9) \/ F7<\/code><\/p>\no\u00f9 la cellule F9<\/code> h\u00e9berge le minimum issu de la fonction MIN(Scores_Bruts)<\/code>.<\/p>\nDans sa modalit\u00e9 consolid\u00e9e directe, la formule s’articule selon l’instruction :<\/p>\n
=(MOYENNE(Scores_Bruts) - MIN(Scores_Bruts)) \/ ECARTYPE.STANDARD(Scores_Bruts)<\/code><\/p>\nL’observation d’une statistique $G_{\\min}$<\/span> substantiellement \u00e9lev\u00e9e indique que l’extr\u00e9mit\u00e9 basse de la cohorte manifeste un \u00e9tirement remarquable. Ce calcul unilat\u00e9ral inf\u00e9rieur pr\u00e9sente une pertinence clinique singuli\u00e8re lors du d\u00e9pistage de d\u00e9ficits massifs, par exemple dans l’identification d’un d\u00e9clin cognitif fulgurant au sein d’une cohorte g\u00e9riatrique homog\u00e8ne.<\/p>\n7.3 Syntaxe vectorielle pour le test bilat\u00e9ral non orient\u00e9<\/h3>\n Pour le test bilat\u00e9ral g\u00e9n\u00e9ral, l’objectif consiste \u00e0 capturer le maximum des valeurs absolues des r\u00e9sidus pour l’ensemble des participants. Deux approches m\u00e9thodologiques sont envisageables sous Microsoft Excel : l’approche par colonne auxiliaire et l’approche matricielle dynamique.<\/p>\n
L’approche par colonne auxiliaire est hautement recommand\u00e9e pour sa transparence visuelle et sa tra\u00e7abilit\u00e9 clinique. Elle consiste \u00e0 ins\u00e9rer, imm\u00e9diatement \u00e0 droite de la colonne des scores bruts (colonne C), le calcul du r\u00e9sidu individuel absolu pour chaque participant. Dans la cellule C2<\/code>, l’analyste impl\u00e9mente la relation suivante :<\/p>\n=ABS(B2 - $F$<\/span>6)<\/code><\/p>\npuis \u00e9tire cette formule jusqu’au terme du vecteur des observations. D\u00e8s lors, le calcul de la statistique de Grubbs bilat\u00e9rale $G$<\/span> s’ex\u00e9cute dans le panneau r\u00e9capitulatif via l’instruction :<\/p>\n=MAX(C2:C51) \/ F7<\/code><\/p>\nAlternativement, pour les versions contemporaines de Microsoft Excel (Excel 365, Excel 2021 et versions sup\u00e9rieures supportant les tableaux dynamiques), le calcul peut \u00eatre ex\u00e9cut\u00e9 de mani\u00e8re compacte sans aucune colonne interm\u00e9diaire via la formule matricielle native :<\/p>\n
=MAX(ABS(Scores_Bruts - MOYENNE(Scores_Bruts))) \/ ECARTYPE.STANDARD(Scores_Bruts)<\/code><\/p>\nSur les versions historiques ant\u00e9rieures d’Excel (versions 2019 et ant\u00e9rieures non pourvues du moteur de calcul dynamique), cette formule matricielle complexe requiert imp\u00e9rativement une validation par la combinaison triadique de touches Ctrl + Maj + Entr\u00e9e<\/strong>, sous peine de renvoyer un r\u00e9sultat tronqu\u00e9 ou une erreur d’\u00e9valuation.<\/p>\n8. Programmation de la valeur critique G_crit dans Excel<\/h2>\n8.1 D\u00e9termination du quantile critique de Student via LOI.STUDENT.INVERSE<\/h3>\n La pierre angulaire de l’inf\u00e9rence de Grubbs repose sur la d\u00e9rivation exacte du quantile de Student $t_{crit}$<\/span>. Sous Microsoft Excel, les fonctions statistiques de distribution inverse ont subi d’importantes \u00e9volutions de nomenclature au fil des versions logicielles. L’analyste contemporain doit imp\u00e9rativement privil\u00e9gier l’usage de la fonction unilat\u00e9rale moderne LOI.STUDENT.INVERSE()<\/code> (ou son \u00e9quivalent anglophone T.INV<\/code>), tout en comprenant rigoureusement la structuration de ses param\u00e8tres d’entr\u00e9e.<\/p>\nLa fonction LOI.STUDENT.INVERSE(probabilit\u00e9; degr\u00e9s_libert\u00e9)<\/code> renvoie le quantile inverse \u00e0 gauche de la distribution t<\/em> cumulative. Dans la mesure o\u00f9 les tables de distribution se concentrent traditionnellement sur la queue sup\u00e9rieure positive de la distribution, et pour contourner le renvoi d’un quantile n\u00e9gatif, il convient d’injecter dans la fonction la probabilit\u00e9 cumul\u00e9e compl\u00e9mentaire $1 – p$<\/span>.<\/p>\nPour un cadre bilat\u00e9ral<\/strong> (deux queues), l’in\u00e9galit\u00e9 de Bonferroni requiert l’injection d’un risque unilat\u00e9ral divis\u00e9 par la taille d’\u00e9chantillon, soit une probabilit\u00e9 critique $p = \\frac{\\alpha}{2n}$<\/span>. La syntaxe rigoureuse permettant d’obtenir le quantile critique $t_{crit}$<\/span> dans la cellule d\u00e9di\u00e9e s’\u00e9tablit par :<\/p>\n=LOI.STUDENT.INVERSE(1 - (Alpha_Test \/ (2 * n)); n - 2)<\/code><\/p>\no\u00f9 Alpha_Test<\/code> pointe vers le seuil nominal consenti ($\\alpha = 0,05$<\/span>) et n<\/code> vers l’effectif d’\u00e9chantillon valide.<\/p>\n\u00c0 titre d’illustration, pour un \u00e9chantillon de taille $n = 30$<\/span> \u00e9valu\u00e9 au seuil $\\alpha = 0,05$<\/span>, la probabilit\u00e9 d’entr\u00e9e dans la loi de Student s’\u00e9tablit \u00e0 $1 – (0,05 \/ 60) = 1 – 0,0008333 = 0,9991667$<\/span>, avec $df = 28$<\/span>. La fonction
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/grubbs1.jpg\")
<\/figure>\n![\"Histogram](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/grubbs3.jpg\")
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/grubbs2.jpg\")
<\/figure>\n