{"id":2383,"date":"2026-10-14T18:00:51","date_gmt":"2026-10-14T18:00:51","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-tracer-une-cdf-dans-excel\/"},"modified":"2026-10-14T18:00:51","modified_gmt":"2026-10-14T18:00:51","slug":"comment-tracer-une-cdf-dans-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-tracer-une-cdf-dans-excel","title":{"rendered":"Comment tracer une CDF dans Excel"},"content":{"rendered":"

Dans le champ de l’analyse quantitative, de l’\u00e9conom\u00e9trie et de la psychom\u00e9trie appliqu\u00e9e, la caract\u00e9risation d’une distribution statistique constitue une \u00e9tape fondamentale pr\u00e9alable \u00e0 toute inf\u00e9rence m\u00e9thodologiquement valide. Alors que les histogrammes traditionnels et les courbes de densit\u00e9 de probabilit\u00e9 fournissent une appr\u00e9ciation visuelle intuitive mais sensible au choix arbitraire des intervalles de regroupement, la fonction de r\u00e9partition cumulative \u2014 d\u00e9sign\u00e9e couramment sous l’acronyme anglo-saxon CDF (Cumulative Distribution Function)<\/a> \u2014 s’impose comme l’outil math\u00e9matique par excellence pour capturer l’int\u00e9gralit\u00e9 de l’information distributionnelle d’une variable al\u00e9atoire continue sans perte d’information li\u00e9e \u00e0 la discr\u00e9tisation.<\/p>\n

Malgr\u00e9 l’av\u00e8nement de langages de programmation sp\u00e9cialis\u00e9s tels que R ou Python, le tableur Microsoft Excel conserve une place pr\u00e9pond\u00e9rante au sein des laboratoires universitaires, des d\u00e9partements de ressources humaines et des instituts de recherche clinique en raison de son accessibilit\u00e9 universelle, de sa transparence computationnelle et de sa flexibilit\u00e9 pour le prototypage rapide. N\u00e9anmoins, tracer rigoureusement une CDF sous Excel \u2014 qu’il s’agisse d’un mod\u00e8le param\u00e9trique th\u00e9orique ou d’une fonction empirique par paliers \u2014 requiert une ma\u00eetrise approfondie des fonctions statistiques natives, de la manipulation matricielle et des moteurs de rendu graphique du logiciel afin d’\u00e9viter les \u00e9cueils g\u00e9om\u00e9triques r\u00e9currents caus\u00e9s par une mauvaise s\u00e9lection des types de trac\u00e9s.<\/p>\n

Ce guide exhaustif a pour vocation de d\u00e9tailler, avec un niveau de rigueur acad\u00e9mique et pratique \u00e9lev\u00e9, l’ensemble des fondements th\u00e9oriques, des formulations algorithmiques et des protocoles de mise en forme n\u00e9cessaires \u00e0 la construction, \u00e0 l’analyse et \u00e0 l’interpr\u00e9tation d’une courbe de r\u00e9partition cumulative dans l’environnement Microsoft Excel. De la mod\u00e9lisation gaussienne standardis\u00e9e aux distributions asym\u00e9triques, en passant par l’estimation non param\u00e9trique et les applications psychom\u00e9triques de r\u00e9f\u00e9rence, ce manuel m\u00e9thodologique constitue une r\u00e9f\u00e9rence op\u00e9ratoire pour les analystes soucieux d’allier pr\u00e9cision computationnelle et \u00e9l\u00e9gance visuelle.<\/p>\n

1. Introduction th\u00e9orique \u00e0 la fonction de r\u00e9partition cumulative (CDF) dans l’analyse de donn\u00e9es<\/h2>\n

1.1 D\u00e9finition formelle et conceptualisation math\u00e9matique de la CDF<\/h3>\n

Sur le plan de la th\u00e9orie des probabilit\u00e9s et de la th\u00e9orie de la mesure, la fonction de r\u00e9partition cumulative associ\u00e9e \u00e0 une variable al\u00e9atoire r\u00e9elle standard, traditionnellement not\u00e9e X<\/em>, se d\u00e9finit de fa\u00e7on univoque comme la probabilit\u00e9 que cette variable prenne une valeur inf\u00e9rieure ou \u00e9gale \u00e0 un r\u00e9el x<\/em> d\u00e9termin\u00e9. L’expression probabiliste canonique s’\u00e9nonce sous la forme math\u00e9matique rigoureuse F(x) = P(X ≤ x)<\/em>. Pour une variable al\u00e9atoire continue poss\u00e9dant une fonction de densit\u00e9 de probabilit\u00e9 sous-jacente not\u00e9e f(t)<\/em>, la CDF correspond \u00e0 l’int\u00e9grale d\u00e9finie de cette densit\u00e9 calcul\u00e9e depuis la borne infinie n\u00e9gative jusqu’au point d’\u00e9valuation x<\/em>, soit l’int\u00e9grale de f(t) dt<\/em> sur l’intervalle semi-ouvert allant de moins l’infini \u00e0 x<\/em>.<\/p>\n

Il est crucial d’\u00e9tablir une distinction \u00e9pist\u00e9mologique et op\u00e9rationnelle fondamentale entre la fonction de densit\u00e9 de probabilit\u00e9, commun\u00e9ment appel\u00e9e PDF (Probability Density Function)<\/a>, et la fonction cumulative. Alors que la PDF quantifie la concentration locale ou la densit\u00e9 relative de probabilit\u00e9 au voisinage infinit\u00e9simal d’un score donn\u00e9 \u2014 sa valeur ponctuelle ne repr\u00e9sentant nullement une probabilit\u00e9 en soi \u2014, la CDF traduit directement une probabilit\u00e9 cumul\u00e9e, sans dimension, comprise de mani\u00e8re stricte dans l’intervalle r\u00e9el ferm\u00e9 [0, 1]. Cette caract\u00e9ristique immunise la CDF contre les paradoxes d’interpr\u00e9tation fr\u00e9quemment rencontr\u00e9s par les praticiens lorsqu’ils manipulent des densit\u00e9s continues dont la hauteur peut exc\u00e9der l’unit\u00e9 lorsque la variance de la distribution est particuli\u00e8rement restreinte.<\/p>\n

De par sa construction analytique, toute fonction de r\u00e9partition cumulative valide v\u00e9rifie trois propri\u00e9t\u00e9s structurelles intrins\u00e8ques invariables. Premi\u00e8rement, F(x)<\/em> est une fonction monotone non d\u00e9croissante sur l’ensemble des r\u00e9els : pour tout couple de r\u00e9els (a, b)<\/em> v\u00e9rifiant a < b<\/em>, l’in\u00e9galit\u00e9 F(a) ≤ F(b)<\/em> est scrupuleusement respect\u00e9e. Deuxi\u00e8mement, la fonction pr\u00e9sente un comportement asymptotique universel, convergeant vers 0 lorsque x<\/em> tend vers moins l’infini, et tendant vers 1 lorsque x<\/em> cro\u00eet vers plus l’infini. Troisi\u00e8mement, F(x)<\/em> est universellement continue \u00e0 droite en tout point de son domaine de d\u00e9finition, et admet des limites \u00e0 gauche. Cette architecture axiomatique en fait un instrument m\u00e9thodologique incontournable pour la mod\u00e9lisation statistique univari\u00e9e, garantissant une invariance par transformation croissante et une stabilit\u00e9 num\u00e9rique totale.<\/p>\n

1.2 Pertinence de la CDF dans les sciences quantitatives et psychom\u00e9triques<\/h3>\n

Dans les sciences du comportement, en psychologie diff\u00e9rentielle et en neuropsychologie clinique, la conversion des scores bruts en percentiles constitue une exigence fondamentale pour \u00e9valuer un sujet par rapport \u00e0 une population cible norm\u00e9e. La fonction de r\u00e9partition cumulative repr\u00e9sente le m\u00e9canisme math\u00e9matique exact qui sous-tend cette conversion. En affectant \u00e0 chaque score brut x<\/em> la valeur F(x)<\/em> multipli\u00e9e par cent, le praticien obtient imm\u00e9diatement le rang percentile individuel, indiquant pr\u00e9cis\u00e9ment le pourcentage de la cohorte d’\u00e9talonnage obtenant une performance strictement inf\u00e9rieure ou \u00e9quivalente. Contrairement aux scores d\u00e9riv\u00e9s lin\u00e9aires, la CDF pr\u00e9serve l’ordonnancement complet tout en adaptant naturellement l’\u00e9chelle aux concentrations denses d’individus autour des valeurs centrales.<\/p>\n

Au-del\u00e0 de la simple hi\u00e9rarchisation ordinale, l’examen morphologique de la CDF fournit des informations diagnostiques de premier ordre relatives \u00e0 l’asym\u00e9trie statistique (skewness)<\/a> et \u00e0 l’aplatissement (kurtosis) d’un jeu de donn\u00e9es empiriques. Une d\u00e9viation marqu\u00e9e par rapport \u00e0 la sym\u00e9trie centrale se traduit par un d\u00e9calage du point d’inflexion de la courbe en S caract\u00e9ristique, tandis qu’une queue de distribution exceptionnellement lourde modifie la vitesse \u00e0 laquelle la courbe rejoint ses asymptotes horizontales. Pour le chercheur, comparer la courbe cumulative observ\u00e9e \u00e0 une trajectoire th\u00e9orique id\u00e9ale permet de d\u00e9tecter visuellement des effets de plancher, des effets de plafond ou des sous-populations h\u00e9t\u00e9rog\u00e8nes non d\u00e9tect\u00e9es par les simples calculs de moyenne et d’\u00e9cart-type.<\/p>\n

Enfin, dans le cadre de la standardisation des \u00e9chelles psychologiques \u2014 qu’il s’agisse de batteries d’\u00e9valuation intellectuelle telles que les \u00e9chelles de Wechsler ou d’inventaires de personnalit\u00e9 de type Big Five \u2014, la CDF est le moteur de la normalisation non lin\u00e9aire. Ce processus, fr\u00e9quemment d\u00e9sign\u00e9 sous le terme d’\u00e9talonnage par aire, consiste \u00e0 projeter les scores bruts sur une \u00e9chelle gaussienne standardis\u00e9e via l’inverse de la fonction de r\u00e9partition. Cette d\u00e9marche m\u00e9thodologique permet d’assurer une comparabilit\u00e9 m\u00e9trique rigoureuse entre des tests poss\u00e9dant des distributions brutes d’origines disparates, conf\u00e9rant ainsi aux sciences quantitatives une base de mesure robuste et reproductible.<\/p>\n

1.3 R\u00f4le de Microsoft Excel comme environnement de mod\u00e9lisation statistique<\/h3>\n

Bien que les progiciels d\u00e9di\u00e9s tels que SPSS, SAS, Stata ou les environnements de programmation R et Python soient fr\u00e9quemment pl\u00e9biscit\u00e9s pour l’inf\u00e9rence complexe, Microsoft Excel demeure la plateforme informatique la plus largement d\u00e9ploy\u00e9e et partag\u00e9e \u00e0 travers le monde professionnel et acad\u00e9mique. Sa structure en grille bidimensionnelle offre une transparence int\u00e9grale des calculs interm\u00e9diaires, chaque \u00e9tape du traitement alg\u00e9brique pouvant \u00eatre audit\u00e9e, d\u00e9compos\u00e9e et modifi\u00e9e en temps r\u00e9el. Cette visibilit\u00e9 algorithmique constitue un atout p\u00e9dagogique et m\u00e9thodologique majeur, permettant aux \u00e9tudiants comme aux chercheurs chevronn\u00e9s d’\u00e9viter l’effet \u00ab bo\u00eete noire \u00bb souvent reproch\u00e9 aux scripts automatis\u00e9s de haut niveau.<\/p>\n

Depuis la refonte majeure de son moteur statistique amorc\u00e9e lors de la sortie d’Excel 2010, Microsoft a corrig\u00e9 les impr\u00e9cisions algorithmiques historiques qui affectaient les calculs de distributions en queues de courbe. Le tableur int\u00e8gre d\u00e9sormais les biblioth\u00e8ques de calcul de pointe garantissant une conformit\u00e9 \u00e9troite avec les standards de pr\u00e9cision de l’Institut national des normes et de la technologie (NIST)<\/a>. Les fonctions statistiques param\u00e9triques d’Excel couvrent d\u00e9sormais la quasi-totalit\u00e9 des lois de probabilit\u00e9 continues usuelles \u2014 notamment les lois normales, log-normales, de Student, de Weibull et exponentielles \u2014, fournissant des int\u00e9grations num\u00e9riques instantan\u00e9es d’une fiabilit\u00e9 remarquable pour les applications courantes.<\/p>\n

Sur le plan de la visualisation des donn\u00e9es, Excel combine une accessibilit\u00e9 imm\u00e9diate et une grande souplesse de personnalisation graphique. Si les fonctionnalit\u00e9s graphiques par d\u00e9faut privil\u00e9gient souvent une orientation commerciale ou bureautique, le param\u00e9trage rigoureux des diagrammes en nuage de points permet de g\u00e9n\u00e9rer des figures respectant scrupuleusement les exigences typographiques et m\u00e9triques des revues scientifiques \u00e0 comit\u00e9 de lecture. La ma\u00eetrise des interactions entre les colonnes de calcul dynamique et le module de tra\u00e7age g\u00e9om\u00e9trique d’Excel transforme ainsi ce simple outil bureautique en un v\u00e9ritable laboratoire de mod\u00e9lisation stochastique.<\/p>\n

\"\"<\/figure>\n

2. Fondements math\u00e9matiques et fonctions statistiques associ\u00e9es sous Excel<\/h2>\n

2.1 Analyse d\u00e9taill\u00e9e de la fonction LOI.NORMALE.N (NORM.DIST)<\/h3>\n

La mod\u00e9lisation de la fonction de r\u00e9partition cumulative d’une variable gaussienne repose sous Microsoft Excel sur l’impl\u00e9mentation rigoureuse de la fonction statistique native intitul\u00e9e LOI.NORMALE.N<\/code> dans les versions francophones du logiciel, ou NORM.DIST<\/code> dans sa nomenclature internationale anglophone. Cette fonction computationnelle requiert obligatoirement quatre arguments formels : x<\/em>, qui d\u00e9signe la valeur scalaire ou la r\u00e9f\u00e9rence cellulaire du score pour lequel la fonction doit \u00eatre \u00e9valu\u00e9e ; moyenne<\/em>, qui sp\u00e9cifie l’esp\u00e9rance math\u00e9matique de la population ou de l’\u00e9chantillon th\u00e9orique (not\u00e9e μ) ; ecart_type<\/em>, repr\u00e9sentant la dispersion standard de la distribution (not\u00e9e σ) ; et enfin l’argument logique fondamental intitul\u00e9 cumulative<\/em>.<\/p>\n

L’argument bool\u00e9en cumulative<\/em> constitue l’aiguillage algorithmique d\u00e9cisif de la fonction. Lorsque le praticien saisit la valeur logique VRAI<\/strong> (ou le chiffre 1), Excel active le calcul de l’int\u00e9grale de la distribution normale depuis l’infini n\u00e9gatif jusqu’\u00e0 la valeur x<\/em>, renvoyant ainsi la valeur exacte de la CDF, soit F(x)<\/em>. \u00c0 l’inverse, l’insertion de l’argument FAUX<\/strong> (ou 0) d\u00e9sactive l’int\u00e9gration pour calculer la hauteur exacte de l’ordonn\u00e9e de la fonction de densit\u00e9 de probabilit\u00e9 (PDF), correspondant \u00e0 l’\u00e9quation diff\u00e9rentielle gaussienne classique. Pour tracer une courbe de probabilit\u00e9 cumul\u00e9e, l’activation stricte de la valeur VRAI est une condition indispensable sous peine de g\u00e9n\u00e9rer une courbe en cloche de densit\u00e9 au lieu de la sigmo\u00efde recherch\u00e9e.<\/p>\n

Dans l’architecture matricielle du tableur, l’exploitation optimale de cette fonction requiert une gestion m\u00e9ticuleuse de l’adressage cellulaire. Alors que l’argument x<\/em> doit imp\u00e9rativement adopter une r\u00e9f\u00e9rence relative (par exemple, A2<\/code>) afin de s’incr\u00e9menter naturellement lors de la propagation verticale le long de la s\u00e9rie de donn\u00e9es, les arguments de moyenne<\/em> et d’ecart_type<\/em> doivent \u00eatre imp\u00e9rativement verrouill\u00e9s \u00e0 l’aide de r\u00e9f\u00e9rences absolues via l’op\u00e9rateur dollar (par exemple, $D$<\/span>1<\/code> et $D$<\/span>2<\/code>). Ce formalisme syntaxique garantit que l’int\u00e9gralit\u00e9 du vecteur de calcul s’appuie sur des param\u00e8tres de population immuables, pr\u00e9venant ainsi les d\u00e9rives d’indexation causant l’apparition d’erreurs math\u00e9matiques sur les lignes inf\u00e9rieures.<\/p>\n

2.2 Diff\u00e9renciation entre distribution standardis\u00e9e et distribution g\u00e9n\u00e9rale<\/h3>\n

Bien que la fonction g\u00e9n\u00e9rale LOI.NORMALE.N<\/code> permette de mod\u00e9liser n’importe quelle variable gaussienne sans transformation pr\u00e9alable de son unit\u00e9 d’origine, l’analyse statistique th\u00e9orique privil\u00e9gie fr\u00e9quemment le recours \u00e0 la distribution normale centr\u00e9e r\u00e9duite, caract\u00e9ris\u00e9e par une esp\u00e9rance nulle (μ = 0) et un \u00e9cart-type unitaire (σ = 1). Pour r\u00e9pondre \u00e0 cette configuration canonique, Excel propose la fonction optimis\u00e9e LOI.NORMALE.STANDARD.N<\/code> (ou NORM.S.DIST<\/code> en anglais). Cette fonction sp\u00e9cialis\u00e9e ne requiert que deux arguments : le score standardis\u00e9 z<\/em> et le param\u00e8tre bool\u00e9en de cumulativit\u00e9, all\u00e9geant ainsi l’architecture computationnelle des feuilles de calcul.<\/p>\n

Sur le plan algorithmique, le calcul de la CDF standardis\u00e9e sous Excel ne s’effectue pas par une int\u00e9gration symbolique directe, celle-ci \u00e9tant formellement impossible en termes de fonctions analytiques \u00e9l\u00e9mentaires. Le moteur sous-jacent du tableur exploite une approximation polynomiale de haute pr\u00e9cision de la fonction d’erreur compl\u00e9mentaire (d\u00e9sign\u00e9e sous le symbole erfc<\/em>). Cette approche num\u00e9rique permet d’atteindre une pr\u00e9cision th\u00e9orique de l’ordre de 10-15<\/sup> sur la quasi-totalit\u00e9 de l’axe r\u00e9el, garantissant des r\u00e9sultats stables m\u00eame pour des valeurs de scores standardis\u00e9s oscillant entre -5 et +5 \u00e9carts-types.<\/p>\n

Toutefois, une attention m\u00e9thodologique particuli\u00e8re doit \u00eatre port\u00e9e au traitement des queues de distribution extr\u00eames. Pour des valeurs de z<\/em> inf\u00e9rieures \u00e0 -7 ou sup\u00e9rieures \u00e0 +7, les contraintes inh\u00e9rentes \u00e0 la norme IEEE 754 sur la repr\u00e9sentation en virgule flottante \u00e0 double pr\u00e9cision peuvent g\u00e9n\u00e9rer des ph\u00e9nom\u00e8nes d’arrondi num\u00e9rique. Dans ces zones p\u00e9riph\u00e9riques, la fonction peut renvoyer une probabilit\u00e9 cumul\u00e9e strictement \u00e9gale \u00e0 0,000000000000000 ou \u00e0 1,000000000000000, masquant l’infime probabilit\u00e9 r\u00e9siduelle asymptotique. Bien que cet \u00e9cueil demeure sans cons\u00e9quence pratique pour la repr\u00e9sentation visuelle d’un graphique global, il convient d’en tenir compte lors de l’estimation de risques industriels ou de raret\u00e9s extr\u00eames.<\/p>\n

2.3 Hypoth\u00e8ses sous-jacentes \u00e0 l’utilisation du mod\u00e8le normal<\/h3>\n

L’application rigoureuse de la loi normale th\u00e9orique repose sur un ensemble d’axiomes stochastiques stricts qu’il convient de valider imp\u00e9rativement avant toute entreprise de tra\u00e7age param\u00e9trique. L’hypoth\u00e8se fondamentale r\u00e9side dans la sym\u00e9trie axiale parfaite des donn\u00e9es de part et d’autre de l’esp\u00e9rance math\u00e9matique μ. Dans une distribution gaussienne id\u00e9ale, la moyenne, la m\u00e9diane g\u00e9om\u00e9trique et le mode statistique co\u00efncident en un point d’\u00e9quilibre unique. Sur le plan de la CDF, cette sym\u00e9trie implique une propri\u00e9t\u00e9 g\u00e9om\u00e9trique remarquable : la courbe cumulative passe rigoureusement par le point d’inflexion central (x = μ, y = 0,5)<\/em>, divisant l’espace probabiliste en deux segments rigoureusement antisym\u00e9triques.<\/p>\n

L’\u00e9cart-type σ exerce quant \u00e0 lui une influence m\u00e9canique directe sur la morphologie g\u00e9om\u00e9trique de la courbe sigmo\u00efde. Lorsque la variance est faible, indiquant une forte homog\u00e9n\u00e9it\u00e9 des scores autour du centre, la transition de la probabilit\u00e9 cumul\u00e9e entre 0 et 1 s’op\u00e8re de fa\u00e7on abrupte, se traduisant graphiquement par une pente quasi verticale au niveau de l’esp\u00e9rance math\u00e9matique. Inversement, une dispersion \u00e9lev\u00e9e dilate l’axe horizontal, adoucissant la pente de la sigmo\u00efde et \u00e9tendant consid\u00e9rablement la plage n\u00e9cessaire pour transiter des percentiles inf\u00e9rieurs aux percentiles sup\u00e9rieurs.<\/p>\n

D\u00e8s lors que le jeu de donn\u00e9es empiriques s’\u00e9carte substantiellement de la normalit\u00e9 \u2014 par exemple en pr\u00e9sence d’une forte asym\u00e9trie positive provoqu\u00e9e par des limites physiques inf\u00e9rieures, ou en pr\u00e9sence d’une distribution bimodale issue du m\u00e9lange de deux groupes distincts \u2014, forcer l’ajustement d’une CDF normale th\u00e9orique constitue un biais m\u00e9thodologique majeur. Tracer une courbe cumulative normale sur des donn\u00e9es asym\u00e9triques produit des estimations probabilistes profond\u00e9ment erron\u00e9es dans les zones marginales, sous-estimant ou surestimant massivement les taux de d\u00e9passement. Dans de telles circonstances, l’analyste doit imp\u00e9rativement d\u00e9laisser le mod\u00e8le gaussien standard au profit de mod\u00e8les param\u00e9triques alternatifs ou de la fonction de r\u00e9partition empirique non param\u00e9trique.<\/p>\n

3. Structuration et pr\u00e9paration rigoureuse du jeu de donn\u00e9es sous Excel<\/h2>\n

3.1 Organisation spatiale des colonnes et saisie des variables<\/h3>\n

L’\u00e9laboration d’un mod\u00e8le statistique p\u00e9renne et reproductible sous Excel d\u00e9bute par une s\u00e9paration spatiale nette entre les zones d’enregistrement des donn\u00e9es, les param\u00e8tres fixes de l’environnement de calcul et les s\u00e9ries vectorielles d\u00e9di\u00e9es au tra\u00e7age graphique. Une mauvaise pratique fr\u00e9quente consiste \u00e0 juxtaposer de mani\u00e8re d\u00e9sordonn\u00e9e les scores bruts et les formules de trac\u00e9 au sein des m\u00eames plages, ce qui complexifie la maintenance du classeur et accro\u00eet le risque d’introduire des erreurs de circularit\u00e9 ou de d\u00e9calage d’adresses.<\/p>\n

Il est pr\u00e9conis\u00e9 de structurer la feuille de travail en attribuant les deux premi\u00e8res colonnes (par exemple A<\/code> et B<\/code>) \u00e0 la r\u00e9ception exclusive des donn\u00e9es d’\u00e9chantillon ou \u00e0 la g\u00e9n\u00e9ration de la grille d’\u00e9valuation continue. La colonne A<\/code> accueille syst\u00e9matiquement les valeurs de la variable ind\u00e9pendante x<\/em>, ordonn\u00e9es selon une progression arithm\u00e9tique rigoureuse. La colonne B<\/code> est quant \u00e0 elle d\u00e9di\u00e9e au recueil des probabilit\u00e9s cumul\u00e9es th\u00e9oriques ou empiriques calcul\u00e9es associ\u00e9es. Au-dessus de ces vecteurs, ou dans un bloc lat\u00e9ral isol\u00e9 (colonnes E<\/code> et F<\/code>), l’analyste implantera une section de param\u00e9trage explicite r\u00e9serv\u00e9e aux constantes distributionnelles fondamentales.<\/p>\n

Pour assurer une fluidit\u00e9 g\u00e9om\u00e9trique irr\u00e9prochable de la courbe cumulative lors de son tra\u00e7age th\u00e9orique, l’intervalle d’\u00e9chantillonnage de la variable ind\u00e9pendante ne doit jamais \u00eatre laiss\u00e9 au hasard. Si les points calcul\u00e9s sont trop espac\u00e9s \u2014 par exemple en retenant seulement quelques entiers \u2014, le trac\u00e9 graphique pr\u00e9sentera des segments bris\u00e9s anguleux qui d\u00e9gradent la cr\u00e9dibilit\u00e9 de la pr\u00e9sentation scientifique. Il convient ainsi de d\u00e9finir un incr\u00e9ment math\u00e9matique constant, g\u00e9n\u00e9ralement compris entre 0,05σ et 0,1σ, permettant de g\u00e9n\u00e9rer une s\u00e9rie continue de 80 \u00e0 150 points d’\u00e9valuation le long de l’\u00e9tendue effective de la distribution.<\/p>\n

3.2 Extraction et calcul des param\u00e8tres distributionnels descriptifs<\/h3>\n

Avant d’initier le calcul algorithmique de la CDF normale th\u00e9orique, les valeurs de l’esp\u00e9rance μ et de l’\u00e9cart-type σ doivent \u00eatre extraites rigoureusement \u00e0 partir du jeu d’observations empiriques disponible. Pour \u00e9tablir le centre de gravit\u00e9 des donn\u00e9es, la fonction MOYENNE<\/code> (ou AVERAGE<\/code>) est ins\u00e9r\u00e9e dans la cellule param\u00e9trique r\u00e9serv\u00e9e, recevant en argument l’int\u00e9gralit\u00e9 de la plage vectorielle brute (par exemple =MOYENNE($A$<\/span>2:$A$<\/span>150)<\/code>). Cette m\u00e9trique constitue l’estimateur sans biais de l’esp\u00e9rance de la population sous-jacente.<\/p>\n

Le choix de la formule de dispersion statistique exige quant \u00e0 lui un arbitrage th\u00e9orique crucial entre les fonctions ECARTYPE.STANDARD<\/code> (ou STDEV.S<\/code>) et ECARTYPE.PE<\/code> (ou STDEV.P<\/code>). Si le jeu de donn\u00e9es analys\u00e9 constitue un \u00e9chantillon probabiliste extrait d’une population plus vaste \u2014 ce qui repr\u00e9sente la quasi-totalit\u00e9 des configurations en recherche empirique \u2014, l’analyste doit imp\u00e9rativement opter pour ECARTYPE.STANDARD<\/code>. Cette fonction int\u00e8gre la correction de Bessel au d\u00e9nominateur (division par n – 1<\/em> au lieu de n<\/em>), fournissant un estimateur non biais\u00e9 de la variance populationnelle. L’emploi de ECARTYPE.PE<\/code> doit \u00eatre strictement restreint aux situations rarissimes o\u00f9 les observations couvrent l’int\u00e9gralit\u00e9 exhaustive de la population cible \u00e9tudi\u00e9e.<\/p>\n

Parall\u00e8lement \u00e0 ces op\u00e9rations fondamentales, une \u00e9tape d’audit des donn\u00e9es doit syst\u00e9matiquement v\u00e9rifier l’absence d’anomalies de saisie susceptibles de fausser les param\u00e8tres distributionnels. L’utilisation des fonctions NB<\/code> et NB.VIDE<\/code> permet de quantifier l’exhaustivit\u00e9 des observations, tandis que l’identification d’\u00e9ventuelles valeurs aberrantes extr\u00eames (outliers) doit \u00eatre op\u00e9r\u00e9e par l’examen des \u00e9carts interquartiles ou des scores Z maximaux. Une seule valeur aberrante r\u00e9sultant d’une faute de frappe peut d\u00e9placer artificiellement la moyenne et doubler l’\u00e9cart-type, d\u00e9truisant instantan\u00e9ment l’ad\u00e9quation de la courbe th\u00e9orique projet\u00e9e.<\/p>\n

3.3 G\u00e9n\u00e9ration d’une plage d’\u00e9valuation continue th\u00e9orique<\/h3>\n

Pour tracer la fonction de r\u00e9partition th\u00e9orique continue, il est m\u00e9thodologiquement incorrect de se limiter aux seules valeurs observ\u00e9es de l’\u00e9chantillon, particuli\u00e8rement si ce dernier est de taille r\u00e9duite ou pr\u00e9sente des lacunes sur certains intervalles. L’analyste doit g\u00e9n\u00e9rer de fa\u00e7on synth\u00e9tique une \u00e9chelle d’\u00e9valuation continue recouvrant l’ensemble du domaine de probabilit\u00e9 pertinent de la variable al\u00e9atoire sous examen.<\/p>\n

Sur le plan des limites stochastiques, la r\u00e8gle empirique universelle consiste \u00e0 \u00e9tendre l’axe d’\u00e9valuation sur un intervalle d\u00e9limit\u00e9 par une borne inf\u00e9rieure \u00e9gale \u00e0 μ - 4σ<\/code> et une borne sup\u00e9rieure fix\u00e9e \u00e0 μ + 4σ<\/code>. En vertu des propri\u00e9t\u00e9s intrins\u00e8ques de la loi gaussienne, l’intervalle compris entre -4 et +4 \u00e9carts-types englobe tr\u00e8s exactement 99,9936 % de la masse de probabilit\u00e9 totale de la distribution. En adoptant ces bornes d’\u00e9valuation, l’analyste s’assure que la courbe g\u00e9n\u00e9r\u00e9e couvrira la totalit\u00e9 visible de la trajectoire sigmo\u00efde, partant d’une probabilit\u00e9 cumul\u00e9e imperceptiblement distincte de z\u00e9ro pour s’\u00e9teindre \u00e0 l’autre extr\u00e9mit\u00e9 au niveau du plafond unitaire de un.<\/p>\n

Dans la pratique logicielle sous Excel, cette s\u00e9quence s’\u00e9labore en inscrivant la formule de la borne inf\u00e9rieure dans la cellule initiale A2<\/code> (par exemple, =F1 - 4*F2<\/code> o\u00f9 F1<\/code> loge la moyenne et F2<\/code> l’\u00e9cart-type). Dans la cellule sous-jacente A3<\/code>, l’op\u00e9rateur saisit la formule incr\u00e9mentale =A2 + ($F$<\/span>2 \/ 10)<\/code>, appliquant un pas de progression \u00e9quivalent \u00e0 un dixi\u00e8me d’\u00e9cart-type. Cette formule est ensuite propag\u00e9e vers le bas jusqu’\u00e0 ce que la valeur affich\u00e9e atteigne ou franchisse marginalement le seuil sup\u00e9rieur de μ + 4σ<\/code>, formant une grille dense et parfaitement calibr\u00e9e d’environ 81 coordonn\u00e9es de calcul.<\/p>\n

\"\"<\/figure>\n

4. Impl\u00e9mentation algorithmique de la CDF normale th\u00e9orique pas \u00e0 pas<\/h2>\n

4.1 Formulation de l’\u00e9quation cumulative pour la premi\u00e8re ligne<\/h3>\n

Une fois l’infrastructure matricielle convenablement agenc\u00e9e et les param\u00e8tres descriptifs calcul\u00e9s, l’impl\u00e9mentation op\u00e9rationnelle de l’algorithme de distribution normale cumulative peut d\u00e9buter au sein de la colonne adjacente B<\/code>. L’op\u00e9rateur positionne son curseur dans la cellule B2<\/code>, correspondant au premier niveau d’\u00e9valuation de la variable continue situ\u00e9 \u00e0 l’extr\u00e9mit\u00e9 inf\u00e9rieure de l’intervalle (μ - 4σ<\/code>).<\/p>\n

La formulation syntaxique exacte \u00e0 saisir au clavier s’\u00e9nonce comme suit : =LOI.NORMALE.N(A2; $F$<\/span>1; $F$<\/span>2; VRAI)<\/code> pour un environnement Excel configur\u00e9 en langue fran\u00e7aise (le point-virgule servant de s\u00e9parateur d’arguments), ou =NORM.DIST(A2, $F$<\/span>1, $F$<\/span>2, TRUE)<\/code> pour un environnement configur\u00e9 en anglais (employant la virgule standard). Dans cette expression, l’argument A2<\/code> d\u00e9signe de mani\u00e8re dynamique la valeur sp\u00e9cifique du point d’\u00e9valuation de la ligne courante, tandis que $F$<\/span>1<\/code> et $F$<\/span>2<\/code> pointent de mani\u00e8re immuable vers les cellules fixes h\u00e9bergeant respectivement la moyenne et l’\u00e9cart-type de r\u00e9f\u00e9rence.<\/p>\n

D\u00e8s la validation de cette \u00e9quation par la touche Entr\u00e9e, un diagnostic de coh\u00e9rence num\u00e9rique imm\u00e9diat s’impose. La valeur renvoy\u00e9e dans la cellule B2<\/code> pour un point d’abscisse localis\u00e9 \u00e0 quatre \u00e9carts-types sous la moyenne doit imp\u00e9rativement afficher un ordre de grandeur proche de 0,0000317. Si le r\u00e9sultat renvoie une valeur proche de 0,000133, cela indique g\u00e9n\u00e9ralement que le facteur de borne inf\u00e9rieure a \u00e9t\u00e9 positionn\u00e9 \u00e0 -3σ au lieu de -4σ. Si la cellule renvoie une valeur exc\u00e9dant 0,01 ou g\u00e9n\u00e8re un message d’erreur de calcul, la syntaxe des arguments et la valeur du param\u00e8tre d’\u00e9cart-type doivent faire l’objet d’une v\u00e9rification imm\u00e9diate.<\/p>\n

4.2 Propagation matricielle et automatisation du calcul sur la s\u00e9rie<\/h3>\n

La confirmation de la validit\u00e9 de l’\u00e9quation initiale en B2<\/code> permet d’engager la propagation verticale du calcul sur l’int\u00e9gralit\u00e9 du vecteur d’\u00e9valuation pr\u00e9par\u00e9 en colonne A<\/code>. Pour ex\u00e9cuter cette automatisation avec une efficacit\u00e9 maximale sans risque d’erreur d’extension manuelle, l’utilisateur positionne le pointeur de la souris sur le coin inf\u00e9rieur droit de la cellule B2<\/code> jusqu’\u00e0 ce que le curseur prenne la forme d’une croix noire fine \u2014 d\u00e9sign\u00e9e fonctionnellement sous le terme de \u00ab poign\u00e9e de recopie \u00bb.<\/p>\n

Un double-clic vigoureux sur cette poign\u00e9e d\u00e9clenche la recopie incr\u00e9mentale instantan\u00e9e de la formule statistique jusqu’\u00e0 la derni\u00e8re ligne active adjacente de la colonne A<\/code>. Durant cette op\u00e9ration vectorielle, le moteur d’Excel applique rigoureusement les r\u00e8gles d’adressage d\u00e9finies : la r\u00e9f\u00e9rence relative A2<\/code> se transforme automatiquement en A3<\/code>, A4<\/code>, A5<\/code> et ainsi de suite le long des lignes, garantissant que chaque niveau d’abscisse est \u00e9valu\u00e9 individuellement, tandis que les r\u00e9f\u00e9rences absolues $F$<\/span>1<\/code> et $F$<\/span>2<\/code> demeurent strictement ancr\u00e9es sur les cellules de moyenne et d’\u00e9cart-type.<\/p>\n

\u00c0 l’issue de cette propagation, il est recommand\u00e9 d’harmoniser le format d’affichage num\u00e9rique des r\u00e9sultats calcul\u00e9s. Par d\u00e9faut, Excel peut alterner de fa\u00e7on confuse entre des notations scientifiques exponentielles (par exemple, 3,17E-05<\/code>) pour les queues de distribution et des notations d\u00e9cimales standards pour les valeurs centrales. En s\u00e9lectionnant l’ensemble du vecteur de probabilit\u00e9 cumul\u00e9e (plage B2:B82<\/code>) et en acc\u00e9dant aux options de formatage de cellules (raccourci Ctrl + 1<\/code>), l’analyste appliquera un format de nombre d\u00e9cimal strict calibr\u00e9 \u00e0 quatre ou cinq d\u00e9cimales significatives, offrant une homog\u00e9n\u00e9it\u00e9 de lecture optimale.<\/p>\n

4.3 Contr\u00f4les de coh\u00e9rence math\u00e9matique sur la s\u00e9rie calcul\u00e9e<\/h3>\n

Avant de proc\u00e9der \u00e0 la phase de visualisation graphique proprement dite, un protocole d’audit math\u00e9matique rapide permet de s’assurer qu’aucun artefact computationnel ne vient entacher la s\u00e9rie probabiliste g\u00e9n\u00e9r\u00e9e. Ce protocole de contr\u00f4le s’articule autour de trois points d’ancrage distributionnels fondamentaux.<\/p>\n

Le premier contr\u00f4le porte sur la validation de la stricte monotonicit\u00e9 non d\u00e9croissante de la s\u00e9rie. Dans une colonne adjacente temporaire, l’insertion de la formule bool\u00e9enne =B3 >= B2<\/code> propag\u00e9e sur toute la hauteur doit renvoyer sans exception la mention VRAI<\/code>. Toute inversion locale de valeur traduirait une erreur d’ordonnancement dans la colonne des abscisses ou une perturbation dans la propagation des param\u00e8tres d’\u00e9chelle.<\/p>\n

Le deuxi\u00e8me contr\u00f4le cible l’exactitude du point d’inflexion m\u00e9dian. L’analyste localise la ligne exacte o\u00f9 la valeur de la colonne A<\/code> co\u00efncide rigoureusement avec la moyenne arithm\u00e9tique μ<\/code> h\u00e9berg\u00e9e en $F$<\/span>1<\/code>. En ce point pr\u00e9cis du tableau, la probabilit\u00e9 cumulative renvoy\u00e9e en colonne B<\/code> doit \u00eatre rigoureusement \u00e9gale \u00e0 0,50000<\/strong>. Cette parit\u00e9 constitue la signature indiscutable de la parfaite sym\u00e9trie gaussienne du mod\u00e8le impl\u00e9ment\u00e9 sous Excel.<\/p>\n

Enfin, le troisi\u00e8me contr\u00f4le v\u00e9rifie le comportement asymptotique aux bornes extr\u00eames de la plage. La valeur calcul\u00e9e \u00e0 la borne sup\u00e9rieure (μ + 4σ<\/code>) doit culminer \u00e0 une probabilit\u00e9 cumul\u00e9e minimale de 0,99996 ou 0,99997, confirmant que la quasi-totalit\u00e9 de l’univers probabiliste se trouve mod\u00e9lis\u00e9e. Une fois ces trois \u00e9tapes de validation franchies avec succ\u00e8s, la table de donn\u00e9es peut \u00eatre d\u00e9clar\u00e9e conforme pour la g\u00e9n\u00e9ration du graphique.<\/p>\n

5. Calcul de la fonction de r\u00e9partition empirique (ECDF) pour donn\u00e9es r\u00e9elles<\/h2>\n

5.1 Principes fondamentaux de l’estimateur de Kaplan-Meier et de la fonction empirique<\/h3>\n

L’inf\u00e9rence statistique moderne impose fr\u00e9quemment de s’affranchir de l’hypoth\u00e8se de normalit\u00e9 param\u00e9trique afin d’examiner la forme brute sous laquelle les ph\u00e9nom\u00e8nes se manifestent dans la r\u00e9alit\u00e9 exp\u00e9rimentale. Dans cette optique non param\u00e9trique, la fonction de r\u00e9partition empirique (ECDF)<\/a> constitue l’estimateur naturel et non biais\u00e9 de la v\u00e9ritable fonction de r\u00e9partition inconnue d’une population. Contrairement \u00e0 la courbe continue et liss\u00e9e d’un mod\u00e8le math\u00e9matique, l’ECDF adopte une structure discontinu\u00e9e en marches d’escalier, chaque observation \u00e9chantillonnale augmentant la probabilit\u00e9 cumul\u00e9e d’un saut de magnitude 1\/n<\/em>, o\u00f9 n<\/em> repr\u00e9sente la taille globale de l’\u00e9chantillon analys\u00e9.<\/p>\n

Sur le plan de l’asymptotique statistique, la solidit\u00e9 th\u00e9orique de la fonction de r\u00e9partition empirique est scell\u00e9e par le c\u00e9l\u00e8bre th\u00e9or\u00e8me de Glivenko-Cantelli \u2014 fr\u00e9quemment d\u00e9sign\u00e9 comme le th\u00e9or\u00e8me fondamental de la statistique math\u00e9matique. Ce th\u00e9or\u00e8me d\u00e9montre qu’au fur et \u00e0 mesure que la taille de l’\u00e9chantillon n<\/em> cro\u00eet vers l’infini, la fonction de r\u00e9partition empirique converge uniform\u00e9ment et presque s\u00fbrement vers la fonction de r\u00e9partition th\u00e9orique sous-jacente sur l’ensemble de l’axe r\u00e9el. L’\u00e9cart supr\u00e9mum entre la courbe empirique et la courbe th\u00e9orique tend asymptotiquement vers z\u00e9ro, conf\u00e9rant \u00e0 l’ECDF un statut de r\u00e9f\u00e9rence objective pour confronter les hypoth\u00e8ses de mod\u00e9lisation.<\/p>\n

Dans la litt\u00e9rature m\u00e9thodologique et les applications psychom\u00e9triques, diverses formulations ont \u00e9t\u00e9 \u00e9labor\u00e9es pour d\u00e9terminer le calcul de la position de tra\u00e7age ou du rang percentile d’une observation ordonn\u00e9e de rang i<\/em>. Si l’approche la plus \u00e9l\u00e9mentaire attribue simplement la probabilit\u00e9 fractionnaire i \/ n<\/em>, cette formulation pr\u00e9sente l’inconv\u00e9nient d’attribuer une probabilit\u00e9 cumul\u00e9e exactement \u00e9gale \u00e0 1,00 au score maximal de l’\u00e9chantillon, impliquant erron\u00e9ment qu’aucun individu ne pourrait surpasser cette performance dans la population globale. Pour corriger ce biais d’\u00e9chantillonnage, des ajustements dits de Hazen (i – 0,5) \/ n<\/em>, de Weibull i \/ (n + 1)<\/em> ou de Blom (i – 3\/8) \/ (n + 1\/4)<\/em> sont couramment mobilis\u00e9s, la formulation de Weibull demeurant la plus universellement reconnue pour la conception d’estimateurs non biais\u00e9s.<\/p>\n

5.2 Tri et classement des observations d’\u00e9chantillon<\/h3>\n

La transposition pratique de l’ECDF au sein de Microsoft Excel exige une restructuration op\u00e9rationnelle rigoureuse de la s\u00e9rie de donn\u00e9es brutes collect\u00e9e sur le terrain. La premi\u00e8re \u00e9tape, dont l’omission emp\u00eacherait toute construction valide de la courbe en escalier, consiste \u00e0 ordonner l’int\u00e9gralit\u00e9 des observations d’\u00e9chantillon selon un ordre strictement croissant.<\/p>\n

Pour effectuer cette op\u00e9ration fondamentale, l’analyste s\u00e9lectionne la colonne h\u00e9bergeant les scores bruts observ\u00e9s (par exemple la plage A2:A101<\/code> pour une cohorte de 100 sujets). En naviguant vers l’onglet Donn\u00e9es<\/strong> du ruban Excel, puis en activant la fonction Trier du plus petit au plus grand<\/strong>, le logiciel r\u00e9ordonne de mani\u00e8re s\u00e9quentielle l’ensemble des enregistrements. Si le jeu de donn\u00e9es comporte plusieurs variables associ\u00e9es le long de la m\u00eame ligne, il est imp\u00e9ratif de veiller \u00e0 \u00e9tendre la s\u00e9lection lors de l’apparition de l’invite de tri pour pr\u00e9server l’int\u00e9grit\u00e9 relationnelle de chaque observation individuelle.<\/p>\n

Une fois les scores ordonn\u00e9s de mani\u00e8re ascendante, l’attribution d’un indice s\u00e9quentiel de rang s’av\u00e8re indispensable. Dans une colonne adjacente d\u00e9di\u00e9e \u2014 par exemple la colonne B<\/code> \u2014, l’op\u00e9rateur initialise une num\u00e9rotation lin\u00e9aire d\u00e9marrant par la valeur enti\u00e8re 1<\/code> en cellule B2<\/code>, puis incr\u00e9mente successivement jusqu’\u00e0 la valeur n<\/code> (ici 100<\/code> en B101<\/code>). Cette indexation peut \u00eatre automatis\u00e9e en saisissant la formule =LIGNE() - LIGNE($B$<\/span>2) + 1<\/code> ou en exploitant la fonction SEQUENCE(NB(A2:A101))<\/code> disponible sur les versions r\u00e9centes d’Excel int\u00e9grant les matrices dynamiques.<\/p>\n

La pr\u00e9sence d’observations ex aequo (scores identiques r\u00e9p\u00e9t\u00e9s) n\u00e9cessite une clarification m\u00e9thodologique. Dans le cadre standard du trac\u00e9 de l’ECDF, deux scores identiques distincts peuvent se voir attribuer des rangs incr\u00e9mentaux successifs ou un rang partag\u00e9. Toutefois, pour garantir que la courbe cumulative traduise fid\u00e8lement la probabilit\u00e9 d’obtenir une valeur inf\u00e9rieure ou \u00e9gale, toutes les occurrences d’une valeur identique devraient id\u00e9alement \u00eatre associ\u00e9es \u00e0 la probabilit\u00e9 cumul\u00e9e maximale atteinte par cette grappe de scores. Nous examinerons dans la section suivante la mani\u00e8re d’automatiser cette prise en compte sous Excel.<\/p>\n

5.3 Formules Excel pour le calcul des probabilit\u00e9s empiriques cumul\u00e9es<\/h3>\n

Pour convertir les indices de rang en probabilit\u00e9s cumul\u00e9es pr\u00eates \u00e0 \u00eatre projet\u00e9es sur l’axe vertical, plusieurs formulations math\u00e9matiques peuvent \u00eatre d\u00e9ploy\u00e9es au sein de la colonne C<\/code> du tableur. L’approche standard recommand\u00e9e par l’ing\u00e9nierie statistique consiste \u00e0 appliquer l’ajustement de Weibull, garantissant une sym\u00e9trie parfaite aux extr\u00e9mit\u00e9s de l’\u00e9chantillon.<\/p>\n

L’\u00e9quation \u00e0 saisir dans la cellule C2<\/code> s’articule comme suit : =B2 \/ (NB($A$<\/span>2:$A$<\/span>101) + 1)<\/code>. Dans cette formule, B2<\/code> repr\u00e9sente l’indice de rang s\u00e9quentiel de l’observation courante, tandis que NB($A$<\/span>2:$A$<\/span>101)<\/code> calcule dynamiquement l’effectif total n<\/em> de la cohorte analys\u00e9e. Lors de la propagation de cette formule vers le bas jusqu’\u00e0 la cellule C101<\/code>, le premier sujet de l’\u00e9chantillon (de rang 1) se voit affecter la probabilit\u00e9 cumul\u00e9e empirique 1 \/ 101 ≈ 0,0099<\/code>, tandis que le sujet le plus performant (de rang 100) obtient la valeur 100 \/ 101 ≈ 0,9901<\/code>, \u00e9vitant ainsi le plafonnement artificiel \u00e0 l’unit\u00e9 absolue.<\/p>\n

Une m\u00e9thode alternative performante consiste \u00e0 mobiliser la fonction native francophone RANG.POURCENTAGE.EXCLURE<\/code> (ou PERCENTRANK.EXC<\/code> en anglais). Cette fonction sp\u00e9cialis\u00e9e \u00e9value la position relative d’un score \u00e0 l’int\u00e9rieur d’un tableau de valeurs d’\u00e9chantillon sans exiger la cr\u00e9ation manuelle d’une colonne d’indices de rang. L’expression prend la forme : =RANG.POURCENTAGE.EXCLURE($A$<\/span>2:$A$<\/span>101; A2; 5)<\/code>, o\u00f9 le dernier argument optionnel sp\u00e9cifie le nombre de chiffres significatifs renvoy\u00e9s par l’algorithme d’interpolation. Cette m\u00e9thode g\u00e8re automatiquement les scores ex aequo avec une rigueur statistique optimale.<\/p>\n

Le tableau ci-dessous synth\u00e9tise les trois principales variantes de formules applicables sous Excel pour le calcul des probabilit\u00e9s empiriques cumul\u00e9es, soulignant leurs implications m\u00e9thodologiques respectives :<\/p>\n