{"id":2404,"date":"2026-10-14T18:00:51","date_gmt":"2026-10-14T18:00:51","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-trouver-la-taille-de-classe-avec-exemples\/"},"modified":"2026-10-14T18:00:51","modified_gmt":"2026-10-14T18:00:51","slug":"comment-trouver-la-taille-de-classe-avec-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-trouver-la-taille-de-classe-avec-exemples","title":{"rendered":"Comment trouver la taille de classe (avec exemples)"},"content":{"rendered":"

Dans le domaine de la statistique descriptive<\/a> et de l’analyse exploratoire de donn\u00e9es, la structuration d’un ensemble volumineux d’observations constitue une \u00e9tape fondatrice pr\u00e9alable \u00e0 toute inf\u00e9rence ou mod\u00e9lisation. Lorsqu’un chercheur, un statisticien ou un analyste fait face \u00e0 une s\u00e9rie quantitative continue ou discr\u00e8te comportant une variabilit\u00e9 importante, la lecture directe des valeurs brutes s’av\u00e8re rapidement st\u00e9rile et cognitivement saturante. Le regroupement en classes, technique s\u00e9culaire th\u00e9oris\u00e9e pour condenser l’information sans en d\u00e9naturer l’essence, r\u00e9pond pr\u00e9cis\u00e9ment \u00e0 cette exigence d’intelligibilit\u00e9. Au c\u0153ur de cette m\u00e9thodologie se trouve un param\u00e8tre fondamental : la taille de classe, \u00e9galement d\u00e9sign\u00e9e sous les termes d’amplitude, de largeur ou d’intervalle de classe. D\u00e9terminer avec rigueur cette dimension math\u00e9matique conditionne la fid\u00e9lit\u00e9 de la synth\u00e8se num\u00e9rique et la morphologie des repr\u00e9sentations visuelles qui en d\u00e9coulent.<\/p>\n

Le choix et le calcul de la taille de classe ne rel\u00e8vent aucunement d’un automatisme arbitraire ou d’une simple intuition graphique. Une amplitude excessivement vaste conduit in\u00e9vitablement \u00e0 un sur-lissage, occultant les singularit\u00e9s distributionnelles, la bimodalit\u00e9 sous-jacente ou l’asym\u00e9trie empirique des donn\u00e9es. \u00c0 l’inverse, une taille de classe disproportionnellement \u00e9troite fragmente l’\u00e9chantillon, introduisant un bruit stochastique parasite sous forme de dents de peigne et de classes vides, ce qui annihile toute capacit\u00e9 de g\u00e9n\u00e9ralisation descriptive. La juste d\u00e9termination de cette grandeur requiert ainsi une compr\u00e9hension articul\u00e9e des propri\u00e9t\u00e9s m\u00e9trologiques de la variable observ\u00e9e, de la nature discr\u00e8te ou continue des \u00e9chelles de mesure, ainsi que des contraintes math\u00e9matiques li\u00e9es aux fronti\u00e8res d’intervalles.<\/p>\n

Ce trait\u00e9 exhaustif a pour vocation d’exposer en profondeur les fondements th\u00e9oriques, les formules de calcul formelles et les d\u00e9marches algorithmiques permettant de trouver la taille de classe optimale pour toute distribution statistique. \u00c0 travers des d\u00e9monstrations alg\u00e9briques pas \u00e0 pas, l’analyse compar\u00e9e de r\u00e8gles de d\u00e9cision \u00e9prouv\u00e9es (telles que celles de Sturges, de Scott et de Freedman-Diaconis) et l’examen d\u00e9taill\u00e9 d’exemples empiriques emprunt\u00e9s au sport de haut niveau, au management op\u00e9rationnel et \u00e0 la psychom\u00e9trie clinique, cet ouvrage propose une r\u00e9f\u00e9rence m\u00e9thodologique compl\u00e8te. L’analyste y trouvera l’ensemble des cl\u00e9s analytiques pour structurer des tableaux de fr\u00e9quences irr\u00e9prochables, \u00e9viter les biais de calcul usuels et ma\u00eetriser la transcription informatique de ces proc\u00e9dures dans les environnements statistiques modernes.<\/p>\n

1. Fondements th\u00e9oriques : D\u00e9finition et r\u00f4le de la taille de classe en statistique descriptive<\/h2>\n

1.1 D\u00e9finition formelle de la taille de classe et de l’amplitude statistique<\/h3>\n

Dans l’architecture de la statistique univari\u00e9e, la taille de classe \u2014 fr\u00e9quemment not\u00e9e c<\/em>, h<\/em>, w<\/em> ou i<\/em> selon les conventions acad\u00e9miques \u2014 se d\u00e9finit rigoureusement comme l’\u00e9tendue num\u00e9rique, ou la diff\u00e9rence arithm\u00e9tique, s\u00e9parant la fronti\u00e8re sup\u00e9rieure exacte de la fronti\u00e8re inf\u00e9rieure exacte d’un intervalle statistique donn\u00e9. Elle constitue l’unit\u00e9 de quantification spatiale au sein de laquelle sont agr\u00e9g\u00e9es les observations pr\u00e9sentant des caract\u00e9ristiques num\u00e9riques proches. Loin d’\u00eatre une simple commodit\u00e9 de calcul, l’amplitude de classe repr\u00e9sente la m\u00e9trique fondamentale de discr\u00e9tisation qui transforme un espace de mesures potentiellement infini et continu en un ensemble fini et ordonn\u00e9 de cat\u00e9gories mutuellement exclusives.<\/p>\n

Il importe d’\u00e9tablir d’embl\u00e9e une distinction conceptuelle inflexible entre la taille de classe (ou largeur d’intervalle), l’\u00e9tendue globale<\/a> de l’\u00e9chantillon (souvent appel\u00e9e Range<\/em>) et la fr\u00e9quence d’une classe. Alors que l’\u00e9tendue globale d\u00e9signe la dispersion brute totale observ\u00e9e entre la valeur maximale et la valeur minimale de l’ensemble du jeu de donn\u00e9es, la taille de classe segmente cette \u00e9tendue globale en sous-ensembles g\u00e9om\u00e9triquement ou arithm\u00e9tiquement \u00e9quivalents. D’autre part, la fr\u00e9quence (qu’elle soit absolue ou relative) quantifie le nombre d’observations empiriques tombant \u00e0 l’int\u00e9rieur de l’intervalle ainsi circonscrit. Confondre l’amplitude d’une classe \u2014 qui est une mesure de largeur d’espace num\u00e9rique \u2014 avec sa fr\u00e9quence \u2014 qui est un d\u00e9compte d’unit\u00e9s statistiques \u2014 constitue l’une des m\u00e9prises fondamentales observ\u00e9es chez les praticiens n\u00e9ophytes.<\/p>\n

La standardisation de la taille d’intervalle \u00e0 travers l’ensemble des tranches d’une distribution constitue la norme m\u00e9thodologique privil\u00e9gi\u00e9e en statistique descriptive \u00e9l\u00e9mentaire. Adopter une taille constante sur toute la distribution simplifie consid\u00e9rablement les calculs des moments d’ordre sup\u00e9rieur, tels que la moyenne arithm\u00e9tique<\/a> group\u00e9e et la variance. Cette r\u00e9gularit\u00e9 spatiale garantit que chaque classe dispose du m\u00eame poids volum\u00e9trique th\u00e9orique, permettant une lecture imm\u00e9diate et sans distorsion de la distribution de probabilit\u00e9 empirique sous-jacente.<\/p>\n

Sur le plan de la th\u00e9orie du signal et de la r\u00e9duction de dimension, la d\u00e9termination d’une taille de classe adapt\u00e9e op\u00e8re comme un filtre passe-bas. En regroupant les donn\u00e9es individuelles par intervalles contigus, l’analyste synth\u00e9tise des ensembles volumineux, compressant l’information brute pour r\u00e9v\u00e9ler la forme globale de la fonction de masse ou de densit\u00e9 sans saturer les capacit\u00e9s de traitement cognitif du r\u00e9cepteur de l’information. Cette synth\u00e8se math\u00e9matique s’av\u00e8re indispensable pour d\u00e9gager des tendances structurelles au sein d’environnements informationnels massifs.<\/p>\n

1.2 L’importance m\u00e9thodologique du regroupement en classes<\/h3>\n

L’av\u00e8nement des m\u00e9gadonn\u00e9es et des protocoles de mesure automatis\u00e9s engendre des s\u00e9ries statistiques comportant des milliers, voire des millions d’enregistrements num\u00e9riques. Face \u00e0 de tels volumes de donn\u00e9es continues ou discr\u00e8tes \u00e0 large dispersion, la pr\u00e9sentation exhaustive des donn\u00e9es sous forme de tableau non group\u00e9 se heurte \u00e0 une impossibilit\u00e9 mat\u00e9rielle et analytique. Le regroupement en classes s’impose alors comme l’unique d\u00e9marche syst\u00e9matique permettant de transformer un flux indiff\u00e9renci\u00e9 d’observations en une structure tabulaire intelligible, synth\u00e9tique et op\u00e9rationnelle pour la prise de d\u00e9cision.<\/p>\n

Le d\u00e9fi \u00e9pist\u00e9mologique du regroupement r\u00e9side dans la pr\u00e9servation de la structure informationnelle sous-jacente de l’\u00e9chantillon. Un partitionnement optimal doit \u00eatre capable de conserver l’information relative \u00e0 la tendance centrale, \u00e0 la dispersion, \u00e0 la sym\u00e9trie et \u00e0 l’aplatissement de la s\u00e9rie originale, tout en \u00e9liminant les micro-fluctuations attribuables aux erreurs d’\u00e9chantillonnage ou aux impr\u00e9cisions instrumentales. Une taille de classe judicieusement s\u00e9lectionn\u00e9e filtre le bruit stochastique haute fr\u00e9quence sans alt\u00e9rer les propri\u00e9t\u00e9s topologiques de la distribution empirique.<\/p>\n

Sur le plan s\u00e9miologique et graphique, le partitionnement en classes constitue le pr\u00e9requis absolu \u00e0 la construction des histogrammes<\/a> et des polygones de fr\u00e9quence, outils canoniques de la restitution visuelle en science. Dans un histogramme orthodoxe, l’aire de chaque rectangle \u2014 et non sa hauteur seule \u2014 est rigoureusement proportionnelle \u00e0 la fr\u00e9quence des observations associ\u00e9es \u00e0 la classe correspondante. D\u00e8s lors que les classes pr\u00e9sentent une amplitude r\u00e9guli\u00e8re, la hauteur des barres refl\u00e8te directement les effectifs r\u00e9els, offrant une grille d’interpr\u00e9tation visuelle imm\u00e9diate de la morphologie de la population \u00e9tudi\u00e9e.<\/p>\n

Cette condensation math\u00e9matique trouve des applications quotidiennes indispensables dans l’analyse quantitative des comportements, l’\u00e9pid\u00e9miologie clinique et la psychom\u00e9trie contemporaine. Qu’il s’agisse de s\u00e9gr\u00e9guer des temps de r\u00e9action psychophysiques, d’\u00e9valuer les niveaux de stress per\u00e7u sur des cohortes standardis\u00e9es ou d’analyser des m\u00e9triques de productivit\u00e9 organisationnelle, la constitution de classes d’amplitudes homog\u00e8nes garantit la reproductibilit\u00e9 des analyses comparatives inter-\u00e9chantillons et la pertinence des diagnostics inf\u00e9rentiels ult\u00e9rieurs.<\/p>\n

1.3 Crit\u00e8res de validit\u00e9 d’une distribution de fr\u00e9quences group\u00e9e<\/h3>\n

Pour qu’une distribution de fr\u00e9quences group\u00e9e soit reconnue valide sur le plan acad\u00e9mique et m\u00e9thodologique, elle doit imp\u00e9rativement satisfaire \u00e0 un ensemble de principes r\u00e9gulateurs stricts. Le premier d’entre eux est l’exigence d’exhaustivit\u00e9. Cela signifie que la s\u00e9quence ordonn\u00e9e des classes construites doit englober la totalit\u00e9 des observations possibles sans exception, depuis la valeur minimale absolue relev\u00e9e jusqu’\u00e0 la valeur maximale de la s\u00e9rie, y compris les valeurs marginales ou atypiques. Aucune donn\u00e9e collect\u00e9e ne peut \u00eatre laiss\u00e9e en marge du syst\u00e8me d’intervalles \u00e9tabli.<\/p>\n

Le second imp\u00e9ratif cat\u00e9gorique r\u00e9side dans le principe d’exclusivit\u00e9 mutuelle. Chaque observation individuelle doit pouvoir \u00eatre affect\u00e9e \u00e0 une seule et unique classe. Tout chevauchement d’intervalles ou toute impr\u00e9cision dans la sp\u00e9cification des bornes \u2014 par exemple l’usage ambigu de formulations telles que \u00ab 10 \u00e0 20 \u00bb suivi de \u00ab 20 \u00e0 30 \u00bb sans clause stricte d’inclusion ou d’exclusion \u2014 g\u00e9n\u00e8re une incertitude classificatoire inacceptable qui vicie l’ensemble du traitement statistique ult\u00e9rieur. La d\u00e9finition des limites doit \u00e9liminer toute incertitude de rattachement.<\/p>\n

Le troisi\u00e8me crit\u00e8re repose sur la pr\u00e9f\u00e9rence m\u00e9thodologique pour des intervalles de largeur rigoureusement uniforme. Bien qu’il existe des exceptions justifi\u00e9es par l’asym\u00e9trie s\u00e9v\u00e8re de certaines distributions socio-\u00e9conomiques (comme les revenus ou les patrimoines), l’adoption de tailles de classe identiques demeure le standard scientifique pour l’\u00e9tude des ph\u00e9nom\u00e8nes continus classiques. Cette r\u00e9gularit\u00e9 simplifie la comparaison g\u00e9om\u00e9trique des fr\u00e9quences et \u00e9vite les manipulations correctives de densit\u00e9 qui compliquent la lecture graphique.<\/p>\n

Enfin, l’\u00e9quilibre entre la taille de chaque intervalle et le nombre total de classes doit \u00eatre rigoureusement calibr\u00e9 en fonction de l’effectif global de l’\u00e9chantillon, not\u00e9 N<\/em>. Constituer trop peu de classes engendre une perte dramatique d’information descriptive par amalgamation excessive. Inversement, concevoir un trop grand nombre de classes disperse les donn\u00e9es, cr\u00e9ant un tableau mit\u00e9 par des effectifs nuls ou insignifiants qui ruine la port\u00e9e synth\u00e9tique du regroupement.<\/p>\n

2. Terminologie essentielle : Limites de classe, fronti\u00e8res r\u00e9elles et centres de classe<\/h2>\n

2.1 Distinction entre limites apparentes et fronti\u00e8res exactes de classe<\/h3>\n

La pr\u00e9cision du calcul de la taille de classe repose sur la compr\u00e9hension fondamentale de la distinction op\u00e9r\u00e9e entre les limites apparentes (ou d\u00e9clar\u00e9es) et les fronti\u00e8res r\u00e9elles (ou exactes). Les limites apparentes d\u00e9signent les valeurs num\u00e9riques extr\u00eames indiqu\u00e9es explicitement dans le tableau de distribution pour d\u00e9limiter une cat\u00e9gorie donn\u00e9e. Elles refl\u00e8tent la granularit\u00e9 ou le niveau de r\u00e9solution instrumentale avec lequel les donn\u00e9es brutes ont \u00e9t\u00e9 initialement collect\u00e9es ou arrondies. Par exemple, pour des donn\u00e9es discr\u00e8tes ou des mesures enti\u00e8res, des classes formul\u00e9es sous les \u00e9tiquettes \u00ab 10 – 19 \u00bb et \u00ab 20 – 29 \u00bb pr\u00e9sentent pour limites apparentes les entiers 10 et 19 pour le premier groupe, 20 et 29 pour le second.<\/p>\n

N\u00e9anmoins, entre la limite sup\u00e9rieure apparente d’un intervalle (19) et la limite inf\u00e9rieure apparente de l’intervalle cons\u00e9cutif (20), il subsiste un hiatus th\u00e9orique d’une unit\u00e9. Si la variable sous-jacente est de nature continue (par exemple, le poids, la taille, le temps de r\u00e9ponse), ce vide spatial constitue une discontinuit\u00e9 math\u00e9matique artificielle cr\u00e9\u00e9e par l’arrondi. C’est \u00e0 ce niveau qu’interviennent les fronti\u00e8res r\u00e9elles, \u00e9galement nomm\u00e9es vraies limites ou limites exactes de classe. Ces fronti\u00e8res exactes sont calcul\u00e9es en d\u00e9terminant la moyenne arithm\u00e9tique entre la limite sup\u00e9rieure apparente d’une classe et la limite inf\u00e9rieure apparente de la classe suivante.<\/p>\n

Dans notre cas de figure impliquant une unit\u00e9 de pr\u00e9cision \u00e9gale \u00e0 1, la fronti\u00e8re r\u00e9elle s\u00e9parant les deux classes s’\u00e9tablit pr\u00e9cis\u00e9ment \u00e0 :<\/p>\n

(19 + 20) \/ 2 = 19,5<\/strong><\/p>\n

Ainsi, la classe apparente [10 – 19] poss\u00e8de pour fronti\u00e8res exactes l’intervalle continu allant de 9,5 \u00e0 19,5. Cette translation de 0,5 unit\u00e9 vers l’ext\u00e9rieur comble rigoureusement l’espace vacant. L’amplitude ou taille de classe exacte se r\u00e9v\u00e8le alors par la diff\u00e9rence arithm\u00e9tique simple entre ces deux fronti\u00e8res r\u00e9elles :<\/p>\n

19,5 – 9,5 = 10<\/strong><\/p>\n

Ignorer ce d\u00e9calage math\u00e9matique et soustraire de mani\u00e8re na\u00efve la limite apparente inf\u00e9rieure de la limite apparente sup\u00e9rieure (19 – 10 = 9) produit une sous-estimation syst\u00e9matique de la v\u00e9ritable taille de classe, faussant l’int\u00e9gralit\u00e9 des repr\u00e9sentations graphiques et des calculs d\u00e9riv\u00e9s.<\/p>\n

2.2 D\u00e9finition et calcul du point m\u00e9dian ou centre de classe<\/h3>\n

Le point m\u00e9dian, conventionnellement d\u00e9sign\u00e9 sous l’appellation de centre de classe et not\u00e9 xi<\/sub><\/em> ou mi<\/sub><\/em>, repr\u00e9sente la valeur num\u00e9rique situ\u00e9e au centre g\u00e9om\u00e9trique exact d’un intervalle de classe. Il constitue le d\u00e9l\u00e9gu\u00e9 arithm\u00e9tique ou le repr\u00e9sentant math\u00e9matique unique de l’ensemble des observations compil\u00e9es \u00e0 l’int\u00e9rieur de cette tranche d’observations. Dans la phase ult\u00e9rieure de traitement quantitatif o\u00f9 les donn\u00e9es brutes originales ne sont plus directement manipul\u00e9es, le chercheur fait l’hypoth\u00e8se de travail que l’ensemble des points d’une classe est concentr\u00e9 ou uniform\u00e9ment distribu\u00e9 autour de son centre arithm\u00e9tique.<\/p>\n

Le calcul du centre de classe s’obtient indiff\u00e9remment et avec une \u00e9quivalence math\u00e9matique absolue en effectuant la demi-somme des limites apparentes de la classe, ou la demi-somme de ses fronti\u00e8res exactes. La formulation canonique s’exprime comme suit :<\/p>\n

Centre de classe = (Limite inf\u00e9rieure + Limite sup\u00e9rieure) \/ 2<\/strong><\/p>\n

Pour un intervalle d\u00e9fini par les limites apparentes [10 – 19], le calcul donne :<\/p>\n

xi<\/sub> = (10 + 19) \/ 2 = 29 \/ 2 = 14,5<\/strong><\/p>\n

En employant les fronti\u00e8res r\u00e9elles [9,5 – 19,5], l’op\u00e9ration confirme la validit\u00e9 absolue du r\u00e9sultat :<\/p>\n

xi<\/sub> = (9,5 + 19,5) \/ 2 = 29 \/ 2 = 14,5<\/strong><\/p>\n

Ce point m\u00e9dian assume un r\u00f4le instrumental n\u00e9vralgique lors du calcul de la moyenne arithm\u00e9tique d’une distribution group\u00e9e et de l’\u00e9valuation de sa variance d’\u00e9chantillon. Dans ces \u00e9quations, chaque fr\u00e9quence absolue fi<\/sub><\/em> est pond\u00e9r\u00e9e par son centre respectif xi<\/sub><\/em>, sous la forme du produit fi<\/sub> × xi<\/sub><\/em>. De surcro\u00eet, le centre de classe sert d’indicateur de v\u00e9rification interne de la taille de classe. Lorsque les classes poss\u00e8dent une amplitude constante c<\/em>, la diff\u00e9rence arithm\u00e9tique s\u00e9parant les centres de deux classes imm\u00e9diatement cons\u00e9cutives (xi+1<\/sub> – xi<\/sub><\/em>) est rigoureusement et invariablement \u00e9gale \u00e0 la taille de classe c<\/em>.<\/p>\n

2.3 Notion d’effectif, de fr\u00e9quence relative et de fr\u00e9quence cumul\u00e9e<\/h3>\n

Une fois les bornes et la largeur d’intervalle \u00e9tablies avec exactitude, la quantification de l’information s’op\u00e8re par le d\u00e9pouillement empirique, attribuant \u00e0 chaque classe son effectif ou sa fr\u00e9quence absolue, not\u00e9e conventionnellement fi<\/sub><\/em>. Cette m\u00e9trique correspond au d\u00e9nombrement exhaustif des individus ou des mesures appartenant \u00e0 l’intervalle spatial d\u00e9limit\u00e9. La sommation vectorielle de l’ensemble des fr\u00e9quences absolues sur les k<\/em> classes de la distribution redonne n\u00e9cessairement l’effectif global de l’\u00e9chantillon N<\/em> :<\/p>\n

∑ fi<\/sub> = N<\/strong><\/p>\n

Afin de s’\u00e9manciper de la contrainte li\u00e9e \u00e0 la taille brute de l’\u00e9chantillon et de rendre possible la comparaison directe entre des populations d’effectifs divergents, la statistique descriptive recourt aux fr\u00e9quences relatives, not\u00e9es frel, i<\/sub><\/em> ou pi<\/sub><\/em>. La fr\u00e9quence relative s’obtient en divisant la fr\u00e9quence absolue d’une classe par l’effectif global :<\/p>\n

pi<\/sub> = fi<\/sub> \/ N<\/strong><\/p>\n

Elle s’exprime sous la forme d’une proportion d\u00e9cimale comprise entre 0 et 1, ou en pourcentage en multipliant cette valeur par 100. La somme de l’ensemble des fr\u00e9quences relatives d’un tableau univari\u00e9 complet \u00e9gale imp\u00e9rativement 1,00 (soit 100 % sous r\u00e9serve d’arrondis infinit\u00e9simaux).<\/p>\n

\"\"<\/figure>\n

3. La formule math\u00e9matique fondamentale pour calculer la taille d’une classe<\/h2>\n

3.1 Formule bas\u00e9e sur les limites apparentes et ajustement d’unit\u00e9<\/h3>\n

Lorsqu’un analyste travaille sur des distributions de donn\u00e9es discr\u00e8tes ou des grandeurs enti\u00e8res dont les classes sont d\u00e9finies exclusivement par leurs limites apparentes, l’application d’une soustraction na\u00efve entre la limite sup\u00e9rieure et la limite inf\u00e9rieure engendre syst\u00e9matiquement une erreur arithm\u00e9tique par d\u00e9faut. Pour d\u00e9terminer la taille de classe r\u00e9elle (c<\/em>) \u00e0 partir des limites d\u00e9clar\u00e9es, il est formellement requis d’int\u00e9grer une correction unitaire repr\u00e9sentant le quantum ou le plus petit degr\u00e9 de pr\u00e9cision de la mesure (not\u00e9 U<\/em>). La formule fondamentale s’\u00e9nonce alg\u00e9briquement ainsi :<\/p>\n

Taille de classe (c) = (Limite sup\u00e9rieure apparente – Limite inf\u00e9rieure apparente) + U<\/strong><\/p>\n

Dans la grande majorit\u00e9 des s\u00e9ries quantitatives exprim\u00e9es sous forme de nombres entiers cardinaux sans d\u00e9cimales, l’unit\u00e9 de mesure minimale est U = 1<\/em>. D\u00e8s lors, l’\u00e9quation prend sa forme canonique largement enseign\u00e9e dans les manuels acad\u00e9miques de premier cycle :<\/p>\n

c = (Limite sup\u00e9rieure – Limite inf\u00e9rieure) + 1<\/strong><\/p>\n

La justification math\u00e9matique sous-jacente de cette addition de l’unit\u00e9 de pr\u00e9cision rel\u00e8ve de la logique du d\u00e9nombrement inclusif des ensembles discrets born\u00e9s. Consid\u00e9rons, \u00e0 titre d’illustration rigoureuse, la classe d\u00e9finie par l’intervalle ferm\u00e9 [5 – 9]. Si l’on effectue la soustraction brute 9 – 5, le r\u00e9sultat math\u00e9matique est 4. Or, si l’on proc\u00e8de \u00e0 l’\u00e9num\u00e9ration exhaustive des valeurs enti\u00e8res constitutives de ce groupe, on d\u00e9nombre successivement :<\/p>\n

L’analyse dynamique de la r\u00e9partition s’enrichit ensuite du calcul des fr\u00e9quences cumul\u00e9es, qu’elles soient ascendantes (croissantes) ou descendantes (d\u00e9croissantes). La fr\u00e9quence cumul\u00e9e ascendante associ\u00e9e \u00e0 une classe donn\u00e9e repr\u00e9sente la somme de la fr\u00e9quence de cette classe avec l’ensemble des fr\u00e9quences des classes qui la pr\u00e9c\u00e8dent dans l’ordre s\u00e9quentiel. Elle mesure ainsi le volume total des observations dont la valeur num\u00e9rique demeure strictement inf\u00e9rieure ou \u00e9gale \u00e0 la fronti\u00e8re sup\u00e9rieure de la classe concern\u00e9e. Ces fr\u00e9quences cumul\u00e9es forment la base indispensable pour estimer empiriquement les quantiles, la m\u00e9diane<\/a> de l’\u00e9chantillon et tracer la courbe cumulative ou ogive statistique.<\/p>\n