1. Introduction fondamentale \u00e0 la transformation arcsinus en psychologie exp\u00e9rimentale<\/h2>\n1.1 Origines et utilit\u00e9 des transformations de variables en statistique inf\u00e9rentielle<\/h3>\n
L’utilisation des transformations math\u00e9matiques en statistique inf\u00e9rentielle trouve sa justification premi\u00e8re dans la n\u00e9cessit\u00e9 d’adapter des donn\u00e9es empiriques imparfaites aux exigences formelles des mod\u00e8les d’estimation lin\u00e9aires. Dans le paradigme n\u00e9o-fisherien qui structure une large part de la recherche exp\u00e9rimentale, la validit\u00e9 des conclusions issues des tests param\u00e9triques repose de mani\u00e8re critique sur le respect d’hypoth\u00e8ses distributionnelles strictes : la normalit\u00e9 des erreurs r\u00e9siduelles et l’homog\u00e9n\u00e9it\u00e9 de leurs variances. Lorsque ces conditions sont enfreintes, les distributions d’\u00e9chantillonnage th\u00e9oriques des statistiques de test, telles que le ratio de variance F<\/em> de Fisher-Snedecor ou le score t<\/em> de Student, cessent de concorder avec leurs lois de probabilit\u00e9 nominales, entra\u00eenant un risque accru d’inf\u00e9rences erron\u00e9es.<\/p>\n Dans les protocoles psychom\u00e9triques et neuropsychologiques, les donn\u00e9es collect\u00e9es se caract\u00e9risent fr\u00e9quemment par une forte asym\u00e9trie. Qu’il s’agisse de mesurer la pr\u00e9cision d’un diagnostic perceptif, le taux de m\u00e9morisation d’une liste de mots ou la proportion de fixations visuelles correctes lors d’une t\u00e2che de poursuite oculaire, la dispersion des scores individuels s’\u00e9carte quasi syst\u00e9matiquement de la sym\u00e9trie id\u00e9ale de la loi normale. Historiquement, d\u00e8s les ann\u00e9es 1920 et 1930, des pionniers de l’agronomie et de la biom\u00e9trie comme Ronald Aylmer Fisher<\/a> ont identifi\u00e9 que certaines familles de donn\u00e9es pr\u00e9sentaient une variance syst\u00e9matiquement corr\u00e9l\u00e9e \u00e0 leur moyenne. C’est dans ce contexte fondateur qu’ont \u00e9merg\u00e9 les fonctions stabilisatrices de variance, notamment les transformations logarithmiques pour les donn\u00e9es positives asym\u00e9triques \u00e0 droite, les racines carr\u00e9es pour les comptages de Poisson, et les fonctions trigonom\u00e9triques inverses pour les donn\u00e9es de d\u00e9nombrement binomiales.<\/p>\n L’adoption des fonctions angulaires a marqu\u00e9 une \u00e9tape d\u00e9cisive dans l’histoire de la statistique appliqu\u00e9e. Plut\u00f4t que de renoncer aux outils analytiques param\u00e9triques au profit de tests non param\u00e9triques bas\u00e9s sur les rangs \u2014 souvent jug\u00e9s moins informatifs quant \u00e0 la taille de l’effet et structurellement inaptes \u00e0 mod\u00e9liser des interactions complexes au sein de plans factoriels \u00e9labor\u00e9s \u2014, les chercheurs ont privil\u00e9gi\u00e9 la m\u00e9tamorphose de l’\u00e9chelle de mesure. En appliquant une fonction math\u00e9matique bijective et continue \u00e0 la variable d\u00e9pendante, l’objectif n’est pas de falsifier la r\u00e9alit\u00e9 exp\u00e9rimentale, mais de projeter l’espace des observations dans un nouvel espace m\u00e9trique o\u00f9 les postulats d’additivit\u00e9, de normalit\u00e9 et d’homosc\u00e9dasticit\u00e9 redeviennent op\u00e9rationnels.<\/p>\n Dans les sciences du comportement, les m\u00e9triques issues de taux de r\u00e9ussite, d’exactitude cognitive ou de proportions d’erreurs ob\u00e9issent fondamentalement \u00e0 des m\u00e9canismes g\u00e9n\u00e9rateurs de type binomial. Si un participant est soumis \u00e0 un bloc exp\u00e9rimental constitu\u00e9 d’un nombre d\u00e9termin\u00e9 n<\/em> d’essais ind\u00e9pendants, o\u00f9 chaque item ne peut susciter qu’une issue binaire dichotomique (succ\u00e8s ou \u00e9chec, d\u00e9tection correcte ou fausse alarme), la variable al\u00e9atoire sous-jacente repr\u00e9sente la somme de ces r\u00e9alisations de Bernoulli. Par cons\u00e9quent, la proportion observ\u00e9e p<\/em>, calcul\u00e9e comme le quotient du nombre de succ\u00e8s par le nombre total d’essais, n’est pas une variable continue libre, mais une variable discr\u00e8te born\u00e9e par le segment compact [0, 1].<\/p>\n Cette d\u00e9limitation structurelle engendre un ph\u00e9nom\u00e8ne statistique pernicieux : la compression m\u00e9canique des variances aux abords des bornes extr\u00eames. En vertu des propri\u00e9t\u00e9s canoniques de la loi binomiale, la variance th\u00e9orique d’une proportion d’\u00e9chantillonnage s’exprime rigoureusement par la relation fonctionnelle p(1 – p) \/ n<\/em>. Il en r\u00e9sulte que la variance est \u00e0 son apog\u00e9e lorsque la proportion de succ\u00e8s est rigoureusement \u00e9gale \u00e0 0,5, valant alors 0,25 \/ n<\/em>, tandis qu’elle s’annihile asymptotiquement \u00e0 mesure que p<\/em> converge vers z\u00e9ro ou vers un. Deux groupes exp\u00e9rimentaux pr\u00e9sentant des taux d’exactitude moyens distincts \u2014 par exemple un groupe contr\u00f4le performant \u00e0 95 % et un groupe clinique d\u00e9ficitaire plafonnant \u00e0 60 % \u2014 pr\u00e9senteront in\u00e9vitablement des variances de groupe profond\u00e9ment dissemblables, violant d’embl\u00e9e l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9 indispensable \u00e0 l’ANOVA.<\/p>\n Ce ph\u00e9nom\u00e8ne d’\u00e9crasement p\u00e9riph\u00e9rique induit ce que les psychom\u00e9triciens qualifient d’effets de plafond (ceiling effects<\/em>) et d’effets de plancher (floor effects<\/em>). Au-del\u00e0 de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des dispersions, ces seuils infranchissables tronquent artificiellement la variabilit\u00e9 interindividuelle dans les zones de haute ou de basse comp\u00e9tence cognitive. D\u00e8s lors, la puissance statistique des tests inf\u00e9rentiels s’effondre de mani\u00e8re dramatique : les v\u00e9ritables diff\u00e9rences intergroupes sont masqu\u00e9es par l’incapacit\u00e9 de l’\u00e9chelle lin\u00e9aire brute \u00e0 discriminer les variations subtiles lorsque la performance s’approche de son optimum th\u00e9orique ou de son nadir absolu.<\/p>\n Pour neutraliser l’impact d\u00e9l\u00e9t\u00e8re de cette compression p\u00e9riph\u00e9rique, l’approche math\u00e9matique consiste \u00e0 appliquer une fonction non lin\u00e9aire d’\u00e9tirement diff\u00e9rentiel. Le cadre conceptuel sous-jacent \u00e0 la transformation arcsinus racine carr\u00e9e repose pr\u00e9cis\u00e9ment sur ce principe g\u00e9om\u00e9trique : il s’agit de d\u00e9former l’axe des proportions de telle mani\u00e8re qu’une fluctuation d’exactitude situ\u00e9e \u00e0 proximit\u00e9 imm\u00e9diate des bornes re\u00e7oive un poids m\u00e9trique proportionnellement bien sup\u00e9rieur \u00e0 une fluctuation d’amplitude nominale identique survenue au centre de l’intervalle.<\/p>\n Consid\u00e9rons \u00e0 titre d’illustration une augmentation de performance de 5 points de pourcentage. Si un participant voit son taux de r\u00e9ussite passer de 50 % \u00e0 55 %, ce gain de cinq centi\u00e8mes refl\u00e8te une progression cognitive marginale mod\u00e9r\u00e9e dans une zone o\u00f9 la variabilit\u00e9 stochastique est maximale. En revanche, si ce m\u00eame participant voit son score progresser de 94 % \u00e0 99 %, ce m\u00eame diff\u00e9rentiel quantitatif de 5 % correspond \u00e0 une r\u00e9duction ph\u00e9nom\u00e9nale de 83 % de ses erreurs r\u00e9siduelles, traduisant une optimisation motrice ou cognitive de premier ordre. Sur l’\u00e9chelle probabiliste brute, ces deux \u00e9volutions sont pourtant trait\u00e9es comme strictement \u00e9quivalentes. La fonction arcsinus racine carr\u00e9e, par sa concavit\u00e9 accentu\u00e9e aux abords de 0 et sa convexit\u00e9 marqu\u00e9e aux abords de 1, dilate pr\u00e9cis\u00e9ment ces zones extr\u00eames tout en conservant une pente quasi lin\u00e9aire dans la zone m\u00e9diane allant de 0,3 \u00e0 0,7.<\/p>\n Ce red\u00e9ploiement topologique de l’espace m\u00e9trique permet un rapprochement structurel remarquable entre la distribution binomiale empirique et la courbe de Gauss standard. En ouvrant l’espace des donn\u00e9es et en s’opposant \u00e0 la compression aux fronti\u00e8res, la transformation stabilise l’erreur type des estimations et r\u00e9tablit une forme distributionnelle compatible avec les exigences d’orthogonalit\u00e9 et d’additivit\u00e9 des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux. La pr\u00e9servation de la validit\u00e9 interne des recherches comportementales d\u00e9pend directement de cette r\u00e9conciliation entre les limites th\u00e9oriques de l’instrument de mesure psychologique et les postulats formels de la machinerie statistique d\u00e9ductive.<\/p>\n Sur le plan math\u00e9matique, la transformation arcsinus racine carr\u00e9e \u2014 r\u00e9guli\u00e8rement d\u00e9sign\u00e9e dans la litt\u00e9rature biom\u00e9trique sous le nom de transformation angulaire ou transformation de Fisher-Bliss \u2014 s’\u00e9nonce formellement comme la compos\u00e9e d’une fonction puissance et d’une fonction trigonom\u00e9trique r\u00e9ciproque. Soit p<\/em> une proportion empirique d\u00e9finie sur le domaine continu ou discret des nombres r\u00e9els tel que p<\/em> appartienne \u00e0 l’intervalle ferm\u00e9 [0, 1]. La fonction de transformation, not\u00e9e f(p)<\/em>, s’exprime rigoureusement selon l’\u00e9galit\u00e9 analytique suivante :<\/p>\n f(p) = arcsin(\u221ap)<\/strong><\/p>\n Dans cette formulation, l’op\u00e9rateur racine carr\u00e9e extrait la racine arithm\u00e9tique positive de la proportion p<\/em>, ce qui a pour effet imm\u00e9diat d’accro\u00eetre la magnitude relative des valeurs d\u00e9cimales inf\u00e9rieures \u00e0 1. Ensuite, la fonction arc sinus, not\u00e9e usuellement arcsin<\/em> ou sin\u207b\u00b9<\/em>, d\u00e9termine l’angle dont le sinus correspond pr\u00e9cis\u00e9ment \u00e0 cette racine. Par d\u00e9finition math\u00e9matique, le domaine de validit\u00e9 de la fonction arc sinus standard s’\u00e9tend sur l’intervalle ferm\u00e9 [-1, 1]. \u00c9tant donn\u00e9 que la racine carr\u00e9e d’une proportion positive est elle-m\u00eame strictement confin\u00e9e entre 0 et 1, l’argument transmis \u00e0 la fonction arc sinus demeure continuellement dans son domaine de d\u00e9finition strict, garantissant l’existence et la diff\u00e9rentiabilit\u00e9 de la fonction sur l’ensemble du spectre exp\u00e9rimental.<\/p>\n L’expression des valeurs issues de cette transformation d\u00e9pend de l’unit\u00e9 angulaire s\u00e9lectionn\u00e9e pour param\u00e9trer le codomaine. Dans le syst\u00e8me international et au sein des environnements de calcul automatis\u00e9 standard, la transformation s’exprime canoniquement en radians. Dans cette convention, lorsque p = 0<\/em>, f(0) = arcsin(0) = 0<\/em> radian. \u00c0 l’autre extr\u00e9mit\u00e9 du continuum, lorsque p = 1<\/em>, f(1) = arcsin(1) = \u03c0 \/ 2<\/em> radians, soit une valeur d\u00e9cimale approch\u00e9e \u00e0 1,570796. L’ensemble des proportions est donc projet\u00e9 sur le segment ferm\u00e9 [0, \u03c0\/2]. Certains manuels statistiques historiques pr\u00e9conisent l’expression de la transformation en degr\u00e9s d’arc pour faciliter la manipulation mentale des grandeurs par les praticiens ; dans ce second cas, la formule est multipli\u00e9e par le facteur scalaire 180 \/ \u03c0<\/em>, projetant alors la variable d\u00e9pendante sur une \u00e9chelle s’\u00e9tendant exactement de 0\u00b0 \u00e0 90\u00b0.<\/p>\n L’int\u00e9r\u00eat th\u00e9orique pr\u00e9\u00e9minent de la transformation angulaire ne r\u00e9side pas uniquement dans l’att\u00e9nuation de l’asym\u00e9trie graphique, mais dans sa capacit\u00e9 \u00e0 d\u00e9coupler l’esp\u00e9rance math\u00e9matique de la variance d’\u00e9chantillonnage. Pour comprendre ce m\u00e9canisme de stabilisation, il convient d’examiner le comportement asymptotique de la variance au moyen de la m\u00e9thode delta (ou d\u00e9veloppement en s\u00e9rie de Taylor du premier ordre). Soit une variable al\u00e9atoire P<\/em> convergeant en distribution vers une loi d’esp\u00e9rance \u03bc<\/em> et de variance Var(P) = \u03bc(1 – \u03bc) \/ n<\/em>. L’approximation de Taylor stipule que pour toute fonction diff\u00e9rentiable f<\/em>, la variance asymptotique de la quantit\u00e9 transform\u00e9e f(P)<\/em> peut s’approximer par l’expression :<\/p>\n Var(f(P)) \u2248 [f'(\u03bc)]\u00b2 \u00d7 Var(P)<\/strong><\/p>\n En d\u00e9rivant formellement la fonction angulaire f(p) = arcsin(\u221ap)<\/em> par rapport \u00e0 sa variable ind\u00e9pendante p<\/em>, nous appliquons la r\u00e8gle de d\u00e9rivation en cha\u00eene des fonctions compos\u00e9es. Sachant que la d\u00e9riv\u00e9e d’arcsin(u)<\/em> est \u00e9gale \u00e0 1 \/ \u221a(1 – u\u00b2)<\/em> et que la d\u00e9riv\u00e9e de \u221ap<\/em> est 1 \/ (2\u221ap)<\/em>, la d\u00e9riv\u00e9e premi\u00e8re globale f'(p)<\/em> s’\u00e9tablit comme suit :<\/p>\n f'(p) = (1 \/ \u221a(1 – (\u221ap)\u00b2)) \u00d7 (1 \/ (2\u221ap)) = 1 \/ (2 \u00d7 \u221a(p(1 – p)))<\/strong><\/p>\n En \u00e9levant cette d\u00e9riv\u00e9e au carr\u00e9 conform\u00e9ment au postulat de la m\u00e9thode delta, nous obtenons le terme multiplicateur [f'(p)]\u00b2 = 1 \/ (4p(1 – p))<\/em>. En injectant ce r\u00e9sultat dans l’\u00e9quation de la variance d’\u00e9chantillonnage, la simplification alg\u00e9brique est imm\u00e9diate et remarquable :<\/p>\n Var(f(P)) \u2248 [1 \/ (4p(1 – p))] \u00d7 [p(1 – p) \/ n] = 1 \/ (4n)<\/strong><\/p>\n Cette d\u00e9monstration prouve avec \u00e9l\u00e9gance que, pour une taille d’\u00e9chantillon d’essais n<\/em> fixe par participant, la variance th\u00e9orique asymptotique de la proportion transform\u00e9e devient rigoureusement \u00e9gale \u00e0 la constante 1 \/ (4n)<\/em> radians carr\u00e9s. La d\u00e9pendance structurelle \u00e0 l’\u00e9gard de la proportion r\u00e9elle sous-jacente p<\/em> est int\u00e9gralement neutralis\u00e9e. Il s’ensuit que si tous les sujets d’une exp\u00e9rience accomplissent un protocole comportant un nombre uniforme d’essais, la variance r\u00e9siduelle de leurs scores transform\u00e9s devient ind\u00e9pendante de leur niveau d’habilet\u00e9 moyen, satisfaisant de facto le postulat d’homosc\u00e9dasticit\u00e9 indispensable \u00e0 la validit\u00e9 des mod\u00e8les d’analyse de variance.<\/p>\n Bien que l’\u00e9l\u00e9gance de la d\u00e9rivation asymptotique soit incontestable, son efficacit\u00e9 pratique s’\u00e9rode sensiblement lorsque les effectifs d’\u00e9chantillonnage n<\/em> sont restreints ou lorsque les proportions observ\u00e9es s’approchent des limites extr\u00eames absolues 0 ou 1. Dans ces zones critiques, l’approximation de Taylor au premier ordre perd de sa pr\u00e9cision et la variance empirique de arcsin(\u221ap)<\/em> continue d’exhiber une instabilit\u00e9 r\u00e9siduelle. Pour rem\u00e9dier \u00e0 ces d\u00e9faillances de convergence, les statisticiens ont d\u00e9velopp\u00e9 des formulations correctives hautement sp\u00e9cialis\u00e9es.<\/p>\n La modification la plus c\u00e9l\u00e8bre et la plus robuste pour pallier les faibles comptages est l’ajustement de Freeman et Tukey (1950)<\/a>. Cette variante perfectionn\u00e9e substitue \u00e0 la transformation simple une combinaison additive de deux racines carr\u00e9es calcul\u00e9es sur le nombre de succ\u00e8s observ\u00e9s k<\/em> parmi n<\/em> essais totaux :<\/p>\n f_FT(k, n) = 0,5 \u00d7 [arcsin(\u221a(k \/ (n + 1))) + arcsin(\u221a((k + 1) \/ (n + 1)))]<\/strong><\/p>\n Cette double transformation angulaire garantit une stabilisation de la variance th\u00e9orique \u00e0 1 \/ (4n + 2)<\/em>, y compris pour des \u00e9chantillons o\u00f9 le nombre d’essais par sujet est modeste (par exemple n < 20<\/em>). Parall\u00e8lement, l’ajustement propos\u00e9 par Bartlett d\u00e8s 1947 introduit une r\u00e9gularisation ponctuelle pour les proportions marginales strictes : lorsque k = 0<\/em>, la valeur z\u00e9ro brute est remplac\u00e9e par la fraction 1 \/ (4n)<\/em> avant l’application de la fonction arcsinus ; r\u00e9ciproquement, lorsque k = n<\/em> (soit 100 % de succ\u00e8s), la valeur unitaire est r\u00e9ajust\u00e9e \u00e0 1 – 1 \/ (4n)<\/em>. Ces corrections pr\u00e9viennent l’\u00e9crasement artificiel de la variance pour les scores parfaits ou nuls et emp\u00eachent l’\u00e9mergence d’artefacts computationnels lors de l’estimation des composantes de variance dans les mod\u00e8les mixtes complexes.<\/p>\n Le postulat d’homosc\u00e9dasticit\u00e9, ou homog\u00e9n\u00e9it\u00e9 des variances r\u00e9siduelles, constitue l’un des piliers de l’inf\u00e9rence param\u00e9trique classique. Dans le cadre d’un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 appliqu\u00e9 \u00e0 des donn\u00e9es psychologiques, ce postulat requiert formellement que l’erreur stochastique pr\u00e9sente une dispersion constante \u00e0 travers tous les niveaux de traitement et pour toutes les combinaisons de facteurs exp\u00e9rimentaux. Cependant, comme \u00e9tabli pr\u00e9c\u00e9demment, la structure math\u00e9matique intrins\u00e8que d’une distribution binomiale impose une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 d\u00e9terministe r\u00e9gie par l’\u00e9quation de dispersion Var(p) = p(1 – p) \/ n<\/em>.<\/p>\n Les cons\u00e9quences de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sur la robustesse de l’analyse de variance sont particuli\u00e8rement d\u00e9l\u00e9t\u00e8res. Lorsque les tailles d’\u00e9chantillons au sein des cellules de conception sont d\u00e9s\u00e9quilibr\u00e9es (plans factoriels non orthogonaux), la violation de ce postulat invalide compl\u00e8tement le calcul de la statistique de test F<\/em>. Si le groupe exp\u00e9rimental le plus restreint en termes d’effectif pr\u00e9sente la proportion la plus proche de 0,5 \u2014 et affiche donc la variance la plus volumineuse \u2014, le test F<\/em> devient excessivement lib\u00e9ral : le taux d’erreur de type I r\u00e9el grimpe de mani\u00e8re exponentielle, pouvant atteindre 15 \u00e0 20 % pour un seuil nominal fix\u00e9 arbitrairement \u00e0 5 %. Le chercheur conclut alors \u00e0 l’existence d’effets exp\u00e9rimentaux statistiquement significatifs qui ne sont en r\u00e9alit\u00e9 que des artefacts de dispersion. \u00c0 l’inverse, si le groupe le plus volumineux concentre la plus forte variance, le test devient ultra-conservateur, laminant la puissance statistique et g\u00e9n\u00e9rant une inflation catastrophique des erreurs de type II.<\/p>\n L’inspection diagnostique de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 s’effectue g\u00e9n\u00e9ralement par l’analyse visuelle des diagrammes de dispersion confrontant les valeurs pr\u00e9dites par le mod\u00e8le lin\u00e9aire \u00e0 leurs r\u00e9sidus standardis\u00e9s respectifs. Face \u00e0 des donn\u00e9es de proportion brutes, ces graphiques arborent typiquement une silhouette caract\u00e9ristique dite en ballon de rugby ou en ellipse \u00e9trangl\u00e9e, o\u00f9 la dispersion verticale des r\u00e9sidus est maximale au milieu de l’axe des abscisses et s’amenuise drastiquement aux deux extr\u00e9mit\u00e9s. L’application r\u00e9ussie de la transformation arcsinus a pour effet concret de dissiper cette conformation distordue en redistribuant les r\u00e9sidus de fa\u00e7on homog\u00e8ne au sein d’une bande horizontale d’\u00e9paisseur constante.<\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/arc1.png\")
<\/figure>\n1.2 Sp\u00e9cificit\u00e9 des donn\u00e9es binomiales et proportionnelles dans les sciences du comportement<\/h3>\n
1.3 Cadre conceptuel : pourquoi \u00e9tirer les extr\u00e9mit\u00e9s de l’\u00e9chelle probabiliste<\/h3>\n
2. Fondements math\u00e9matiques et statistiques de la transformation arcsinus racine carr\u00e9e<\/h2>\n
2.1 Formulation alg\u00e9brique standard de la transformation angulaire<\/h3>\n
2.2 Propri\u00e9t\u00e9s math\u00e9matiques de la variance asymptotique<\/h3>\n
2.3 Variantes correctives pour les \u00e9chantillons de petite taille<\/h3>\n
3. Les postulats statistiques et la violation de la normalit\u00e9 des donn\u00e9es proportionnelles<\/h2>\n
3.1 Le postulat d’homosc\u00e9dasticit\u00e9 face aux donn\u00e9es binomiales<\/h3>\n
3.2 Le postulat de normalit\u00e9 des r\u00e9sidus d’\u00e9chantillonnage<\/h3>\n
![\"Arcsine](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/arc2.png\")
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/arc3.png\")
<\/figure>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/arc4.png\")
<\/figure>\n