{"id":3038,"date":"2026-10-14T18:00:58","date_gmt":"2026-10-14T18:00:58","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-une-carte-de-controle-statistique-des-processus-dans-excel\/"},"modified":"2026-10-14T18:00:58","modified_gmt":"2026-10-14T18:00:58","slug":"comment-creer-une-carte-de-controle-statistique-des-processus-dans-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-une-carte-de-controle-statistique-des-processus-dans-excel","title":{"rendered":"Comment cr\u00e9er une carte de contr\u00f4le statistique des processus dans Excel"},"content":{"rendered":"

La surveillance, l’analyse et la r\u00e9gulation des processus constituent des imp\u00e9ratifs m\u00e9thodologiques transversaux qui unissent l’ing\u00e9nierie industrielle de pointe, la gestion des syst\u00e8mes d’information et la recherche exp\u00e9rimentale en sciences cognitives et comportementales. Face \u00e0 la variabilit\u00e9 inh\u00e9rente \u00e0 tout syst\u00e8me dynamique, l’analyste se trouve confront\u00e9 \u00e0 une \u00e9nigme r\u00e9currente : comment distinguer avec certitude les fluctuations al\u00e9atoires normales d’une alt\u00e9ration structurelle exigeant une intervention imm\u00e9diate ? La r\u00e9ponse th\u00e9orique et pratique \u00e0 ce dilemme r\u00e9side dans la m\u00e9thodologie de la Ma\u00eetrise Statistique des Proc\u00e9d\u00e9s (MSP)<\/a>, ou Statistical Process Control (SPC)<\/em>, un ensemble d’outils statistiques dont la carte de contr\u00f4le constitue l’instrument paradigmatique incontournable.<\/p>\n

Con\u00e7ue pour transformer des s\u00e9ries de donn\u00e9es brutes en un syst\u00e8me d’aide \u00e0 la d\u00e9cision visuel et rigoureux, la carte de contr\u00f4le permet d’objectiver l’\u00e9tat d’un syst\u00e8me sans recourir \u00e0 des jugements intuitifs souvent biais\u00e9s. Si des progiciels sp\u00e9cialis\u00e9s et particuli\u00e8rement co\u00fbteux existent sur le march\u00e9 de l’analyse d\u00e9cisionnelle, le tableur Microsoft Excel<\/a> demeure l’environnement le plus accessible, le plus transparent et le plus versatile pour concevoir, personnaliser et d\u00e9ployer des cartes de contr\u00f4le robustes. Gr\u00e2ce \u00e0 ses fonctions matricielles modernes, \u00e0 la flexibilit\u00e9 de ses outils de visualisation et \u00e0 ses capacit\u00e9s de mod\u00e9lisation math\u00e9matique, Excel permet d’\u00e9chafauder des architectures de surveillance analytique parfaitement adapt\u00e9es tant aux imp\u00e9ratifs de la production qu’aux exigences des protocoles de recherche en laboratoire.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique propose une exploration exhaustive de la cr\u00e9ation, de l’optimisation et de l’interpr\u00e9tation d’une carte de contr\u00f4le statistique au sein d’Excel. En articulant une armature \u00e9pist\u00e9mologique exigeante avec des instructions op\u00e9rationnelles pas \u00e0 pas, ce guide d\u00e9taille chaque \u00e9tape du processus : depuis l’organisation matricielle des s\u00e9ries chronologiques et l’estimation rigoureuse de la dispersion jusqu’\u00e0 la programmation d’algorithmes d’alerte automatis\u00e9s et l’application avanc\u00e9e aux s\u00e9ries temporelles comportementales. L’objectif est d’offrir au chercheur, \u00e0 l’ing\u00e9nieur qualit\u00e9 et \u00e0 l’analyste de donn\u00e9es un manuel d\u00e9finitif pour ma\u00eetriser la variabilit\u00e9 syst\u00e9mique et garantir la reproductibilit\u00e9 de leurs observations empiriques.<\/p>\n

1. Fondements th\u00e9oriques de la ma\u00eetrise statistique des processus (MSP)<\/h2>\n

1.1 Origine historique et paradigme de Walter Shewhart<\/h3>\n

L’acte de naissance de la ma\u00eetrise statistique des processus remonte aux travaux s\u00e9minaux men\u00e9s par le physicien et statisticien Walter A. Shewhart<\/a> au sein des laboratoires de la Bell Telephone Company<\/em> au d\u00e9but des ann\u00e9es 1920. Confront\u00e9 aux d\u00e9fis d’uniformit\u00e9 et de fiabilit\u00e9 du mat\u00e9riel t\u00e9l\u00e9phonique \u00e9mergent, Shewhart a compris que l’inspection syst\u00e9matique a posteriori<\/em> des produits manufactur\u00e9s constituait une h\u00e9r\u00e9sie \u00e9conomique et scientifique. Ce paradigme r\u00e9actif laissait subsister le gaspillage et ne fournissait aucun \u00e9clairage sur la causalit\u00e9 g\u00e9n\u00e9ratrice des non-conformit\u00e9s. Shewhart a op\u00e9r\u00e9 une rupture \u00e9pist\u00e9mologique majeure en proposant de d\u00e9placer l’attention de l’analyste de l’objet produit vers le m\u00e9canisme g\u00e9n\u00e9rateur lui-m\u00eame, c’est-\u00e0-dire le processus dynamique d’\u00e9laboration.<\/p>\n

Cette transition de l’inspection finale vers la r\u00e9gulation pr\u00e9ventive repose sur la distinction conceptuelle cruciale entre la conformit\u00e9 aux sp\u00e9cifications techniques et la stabilit\u00e9 statistique intrins\u00e8que. Alors que les sp\u00e9cifications rel\u00e8vent d’un d\u00e9sir normatif dict\u00e9 par le cahier des charges ou les besoins de l’utilisateur, la stabilit\u00e9 statistique traduit la capacit\u00e9 endog\u00e8ne d’un processus \u00e0 g\u00e9n\u00e9rer des r\u00e9sultats constants au fil du temps. Un processus peut g\u00e9n\u00e9rer des mesures situ\u00e9es temporairement \u00e0 l’int\u00e9rieur des tol\u00e9rances prescrites tout en \u00e9tant fondamentalement instable, annon\u00e7ant une d\u00e9faillance imminente et in\u00e9luctable. Inversement, un processus statistiquement stable peut voir ses limites naturelles d\u00e9border les exigences requises, indiquant que le m\u00e9canisme lui-m\u00eame doit \u00eatre reconfigur\u00e9 plut\u00f4t que continuellement ajust\u00e9.<\/p>\n

Le postulat central du paradigme de Shewhart \u00e9nonce qu’un processus se trouve dans un \u00e9tat de contr\u00f4le statistique lorsque ses variations futures sont pr\u00e9dictibles \u00e0 l’int\u00e9rieur d’intervalles de probabilit\u00e9 d\u00e9termin\u00e9s. Cet \u00e9tat d’\u00e9quilibre stationnaire n’implique nullement l’absence absolue de variabilit\u00e9, car tout syst\u00e8me physique ou biologique est soumis \u00e0 des forces stochastiques permanentes. L’\u00e9tat sous contr\u00f4le signifie simplement que l’espace des \u00e9tats accessibles par le syst\u00e8me demeure invariant au cours du temps, ce qui permet d’inf\u00e9rer l\u00e9gitimement les comportements futurs \u00e0 partir de l’historique observationnel imm\u00e9diat.<\/p>\n

1.2 Taxonomie de la variabilit\u00e9 : causes communes et causes sp\u00e9ciales<\/h3>\n

Au c\u0153ur de la mod\u00e9lisation statistique \u00e9labor\u00e9e par Shewhart et ult\u00e9rieurement popularis\u00e9e par W. Edwards Deming<\/a> se trouve une classification rigoureuse des sources de dispersion au sein des syst\u00e8mes dynamiques. La variabilit\u00e9 globale d’un ph\u00e9nom\u00e8ne est d\u00e9compos\u00e9e en deux cat\u00e9gories ontologiquement distinctes : la variabilit\u00e9 attribuable aux causes communes et celle issue des causes sp\u00e9ciales ou assignables. Les causes communes repr\u00e9sentent le bruit de fond inh\u00e9rent et omnipr\u00e9sent du syst\u00e8me. Elles r\u00e9sultent de l’interaction cumulative d’une multitude de micro-facteurs ind\u00e9pendants, impossibles \u00e0 isoler individuellement \u00e0 un co\u00fbt raisonnable (variations thermiques imperceptibles, micro-vibrations m\u00e9caniques, fluctuations attentionnelles spontan\u00e9es). Ce bruit de fond est stable, al\u00e9atoire et caract\u00e9ris\u00e9 par une distribution probabiliste constante au cours du temps.<\/p>\n

\u00c0 l’oppos\u00e9, les causes sp\u00e9ciales d\u00e9signent des \u00e9v\u00e9nements perturbateurs sporadiques, intermittents ou \u00e9mergents qui n’appartiennent pas au fonctionnement permanent du syst\u00e8me. Il peut s’agir de la d\u00e9gradation soudaine d’un capteur, d’un lot d\u00e9fectueux de r\u00e9actifs chimiques, de l’inattention aigu\u00eb d’un sujet exp\u00e9rimental ou d’une modification structurelle non document\u00e9e de la proc\u00e9dure de recueil. Alors que la variabilit\u00e9 commune rel\u00e8ve de la structure m\u00eame du syst\u00e8me, la variabilit\u00e9 sp\u00e9ciale signale une alt\u00e9ration de cette structure. Confondre ces deux r\u00e9gimes de dispersion engendre de graves d\u00e9rives analytiques, th\u00e9oris\u00e9es par Deming \u00e0 travers la c\u00e9l\u00e8bre exp\u00e9rience de l’entonnoir (Deming’s Funnel Experiment<\/em>). Tenter de compenser une d\u00e9viation imputable \u00e0 des causes communes en ajustant manuellement les param\u00e8tres de pilotage \u00e9quivaut \u00e0 un surajustement (tampering<\/em>), qui a pour effet math\u00e9matique certain d’accro\u00eetre la variance globale du syst\u00e8me et de pr\u00e9cipiter son instabilit\u00e9.<\/p>\n

Pour pr\u00e9venir cet \u00e9cueil, la carte de contr\u00f4le institue un crit\u00e8re de d\u00e9marcation math\u00e9matique op\u00e9rationnel fond\u00e9 sur des intervalles de dispersion standardis\u00e9s. En d\u00e9finissant des bornes situ\u00e9es traditionnellement \u00e0 trois \u00e9carts-types (3-sigma) de part et d’autre de l’esp\u00e9rance math\u00e9matique du processus, la carte formalise une r\u00e8gle de d\u00e9cision probabiliste : toute observation franchissant ces fronti\u00e8res poss\u00e8de une probabilit\u00e9 si infinit\u00e9simale de r\u00e9sulter du seul jeu des causes communes que l’hypoth\u00e8se de stabilit\u00e9 doit \u00eatre rejet\u00e9e en faveur de l’existence d’une cause sp\u00e9ciale assignable qu’il convient d’isoler et de neutraliser.<\/p>\n

1.3 Pertinence m\u00e9thodologique en sciences comportementales et cognitives<\/h3>\n

Bien que formalis\u00e9e originellement dans le contexte de l’industrie manufacturi\u00e8re, la m\u00e9thodologie de la ma\u00eetrise statistique des processus poss\u00e8de une r\u00e9sonance \u00e9pist\u00e9mologique profonde avec les probl\u00e9matiques contemporaines des sciences comportementales, de la neuropsychologie et des neurosciences cognitives. L’\u00e9tude du comportement humain et animal fait face \u00e0 une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 temporelle complexe o\u00f9 s’entrem\u00ealent des rythmes biologiques ultradiens, des ph\u00e9nom\u00e8nes d’habituation, de l’apprentissage et des fluctuations endog\u00e8nes de la vigilance. Appliquer une carte de contr\u00f4le \u00e0 des s\u00e9ries temporelles comportementales individuelles permet de mod\u00e9liser la stabilit\u00e9 des performances cognitives avec une acuit\u00e9 sup\u00e9rieure aux traditionnels tests d’hypoth\u00e8se pr\u00e9-post intervention.<\/p>\n

La surveillance longitudinale de la variabilit\u00e9 intra-individuelle constitue l’un des champs d’application les plus fertiles de cette approche. Dans l’\u00e9valuation des temps de r\u00e9action psychomoteurs, de la m\u00e9moire de travail ou du contr\u00f4le inhibiteur, distinguer une fluctuation normale li\u00e9e \u00e0 la fatigue physiologique transitoire d’une d\u00e9gradation cognitive pathologique ou induite par un stress environnemental majeur exige de quantifier pr\u00e9cis\u00e9ment le bruit de fond propre \u00e0 chaque sujet. La carte de contr\u00f4le fournit cette ligne de base dynamique personnalis\u00e9e, \u00e9vitant l’assimilation h\u00e2tive d’une baisse temporaire d’efficience \u00e0 un trouble structurel.<\/p>\n

Enfin, dans le domaine de la standardisation des protocoles exp\u00e9rimentaux r\u00e9currents au sein des plateformes de recherche partag\u00e9es, la MSP s’av\u00e8re indispensable pour garantir la consistance m\u00e9trologique des instruments et des \u00e9valuateurs. Les d\u00e9rives instrumentales, les biais d’observation inter-sessions ou les modifications non contr\u00f4l\u00e9es de l’environnement de passation constituent autant de causes assignables que la carte de contr\u00f4le objective imm\u00e9diatement. Elle assure ainsi la reproductibilit\u00e9 empirique indispensable \u00e0 la validation des paradigmes en psychologie exp\u00e9rimentale et en neurosciences.<\/p>\n

\"\"<\/figure>\n

2. Typologie des cartes de contr\u00f4le et cadre d\u00e9cisionnel de s\u00e9lection<\/h2>\n

2.1 Cartes pour mesures continues et sous-groupes rationnels<\/h3>\n

L’architecture d’une d\u00e9marche de contr\u00f4le statistique d\u00e9pend intimement de la nature des m\u00e9triques collect\u00e9es et de la strat\u00e9gie d’\u00e9chantillonnage mise en \u0153uvre. Lorsque la variable d’int\u00e9r\u00eat est continue (temps, masse, concentration molaire, latence \u00e9lectrique) et qu’il est possible de regrouper les observations en sous-groupes rationnels homog\u00e8nes, la structure classique repose sur le diptyque des cartes pour variables m\u00e9triques. Le principe des sous-groupes rationnels, conceptualis\u00e9 par Shewhart, stipule que les \u00e9chantillons doivent \u00eatre constitu\u00e9s de mani\u00e8re \u00e0 ce que la probabilit\u00e9 de variation due \u00e0 des causes assignables soit minimis\u00e9e \u00e0 l’int\u00e9rieur d’un m\u00eame sous-groupe, tout en \u00e9tant maximis\u00e9e entre les sous-groupes distincts.<\/p>\n

Dans ce cadre, la carte de la moyenne et de l’\u00e9tendue, universellement d\u00e9sign\u00e9e sous l’appellation carte X-barre et R<\/em> (ou $\\bar{X}-R$<\/span>), couple le suivi de la tendance centrale (la moyenne des sous-groupes $\\bar{X}$<\/span>) \u00e0 celui de la dispersion locale estim\u00e9e par l’\u00e9tendue $R$<\/span>, d\u00e9finie comme la diff\u00e9rence arithm\u00e9tique entre la valeur maximale et la valeur minimale au sein de chaque \u00e9chantillon. Cette modalit\u00e9 s’av\u00e8re particuli\u00e8rement robuste et simple d’exploitation lorsque la taille des sous-groupes $n$<\/span> est modeste, typiquement comprise entre 2 et 8 observations. Pour cette taille d’\u00e9chantillon restreinte, l’\u00e9tendue constitue un estimateur remarquablement efficace et peu sensible \u00e0 d’\u00e9ventuels \u00e9carts mod\u00e9r\u00e9s \u00e0 la loi normale.<\/p>\n

D\u00e8s lors que la taille du sous-groupe rationnel exc\u00e8de $n ge 9$<\/span> ou $n ge 10$<\/span>, l’\u00e9tendue perd de son efficacit\u00e9 statistique relative au profit de l’\u00e9cart-type de l’\u00e9chantillon $S$<\/span>. La carte X-barre et S<\/em> ($\\bar{X}-S$<\/span>) devient alors la r\u00e9f\u00e9rence math\u00e9matique absolue. En int\u00e9grant l’ensemble des \u00e9carts \u00e0 la moyenne via la somme des carr\u00e9s des d\u00e9viations, l’\u00e9cart-type offre une estimation non biais\u00e9e et de variance minimale de la dispersion interne du processus, stabilisant de mani\u00e8re optimale les limites de contr\u00f4le calcul\u00e9es pour des volumes d’\u00e9chantillonnage plus substantiels.<\/p>\n

2.2 Cartes de contr\u00f4le pour mesures individuelles (I-MR)<\/h3>\n

Dans de nombreuses configurations exp\u00e9rimentales, cliniques ou manag\u00e9riales, la constitution de sous-groupes rationnels est mat\u00e9riellement impossible ou conceptuellement inappropri\u00e9e. C’est le cas lorsque la fr\u00e9quence d’\u00e9chantillonnage est particuli\u00e8rement faible (relev\u00e9 hebdomadaire d’un biomarqueur), lorsque le co\u00fbt de mesure unitaire est exorbitant, ou lorsqu’on suit l’\u00e9volution longitudinale d’un sujet unique dans le cadre d’un protocole exp\u00e9rimental \u00e0 cas unique (Single-Case Experimental Design<\/em> ou protocoles N=1). Pour r\u00e9pondre \u00e0 ces contraintes, la carte des valeurs individuelles et de l’\u00e9tendue mobile, universellement d\u00e9sign\u00e9e sous l’acronyme I-MR<\/em> (pour Individual and Moving Range<\/em>) ou carte X-MR<\/em>, constitue la solution algorithmique pr\u00e9dominante.<\/p>\n

La carte I-MR se d\u00e9ploie \u00e0 travers deux graphiques synchronis\u00e9s : le premier trace directement chaque observation unitaire successive $X_i$<\/span>, tandis que le second trace l’\u00e9tendue mobile (Moving Range<\/em>, $MR$<\/span>) calcul\u00e9e \u00e0 partir de la diff\u00e9rence absolue entre deux observations imm\u00e9diatement cons\u00e9cutives, formalis\u00e9e par :<\/p>\n

$$MR_i = |X_i – X_{i-1}|$$<\/span><\/p>\n

Cette d\u00e9rivation s\u00e9quentielle permet d’isoler la variabilit\u00e9 \u00e0 court terme (le bruit local d’une transition \u00e0 l’autre) et d’utiliser cette estimation de dispersion locale pour \u00e9riger les limites de contr\u00f4le de la carte des valeurs individuelles, immunisant ainsi l’analyse contre les distorsions induites par des tendances lourdes ou des oscillations de grande amplitude.<\/p>\n

Il importe toutefois de souligner la vuln\u00e9rabilit\u00e9 intrins\u00e8que de la carte I-MR aux entorses \u00e0 l’hypoth\u00e8se de normalit\u00e9 de la distribution sous-jacente. Alors que les cartes \u00e0 sous-groupes b\u00e9n\u00e9ficient de l’action lissante du Th\u00e9or\u00e8me Central Limite<\/a>, qui garantit que la distribution des moyennes d’\u00e9chantillons converge asymptotiquement vers une loi normale quelle que soit la loi m\u00e8re (sous r\u00e9serve d’un moment d’ordre deux fini), la carte individuelle confronte directement les donn\u00e9es brutes aux seuils calcul\u00e9s. Toute asym\u00e9trie prononc\u00e9e ou leptokurtose de la s\u00e9rie empirique modifiera substantiellement le taux de fausses alertes th\u00e9orique, imposant une v\u00e9rification pr\u00e9alable minutieuse de la forme distributionnelle avant toute validation op\u00e9rationnelle.<\/p>\n

2.3 Cartes pour donn\u00e9es discr\u00e8tes et attributs qualitatifs<\/h3>\n

Lorsque le ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 ne se pr\u00eate pas \u00e0 une quantification continue mais se caract\u00e9rise par des \u00e9tats discrets (conforme\/non conforme, succ\u00e8s\/\u00e9chec, pr\u00e9sence\/absence d’une anomalie), l’analyste doit basculer vers les cartes de contr\u00f4le aux attributs. Ces derni\u00e8res reposent sur des fondements probabilistes rigoureusement ancr\u00e9s dans les lois discr\u00e8tes classiques. On distingue deux grandes familles de cartes selon que l’on comptabilise des unit\u00e9s d\u00e9fectueuses ou que l’on d\u00e9nombre des non-conformit\u00e9s ponctuelles au sein d’une unit\u00e9 de mesure.<\/p>\n

Pour le suivi de la proportion d’unit\u00e9s pr\u00e9sentant un d\u00e9faut, la carte $p$<\/span> est mobilis\u00e9e en se fondant sur les propri\u00e9t\u00e9s de la loi binomiale<\/a>. Elle mesure le ratio entre le nombre d’\u00e9v\u00e9nements observ\u00e9s et la taille globale de l’\u00e9chantillon, autorisant des tailles d’\u00e9chantillons variables d’une session \u00e0 l’autre par un ajustement dynamique de la largeur des limites de contr\u00f4le. Si la taille de l’\u00e9chantillon demeure rigoureusement constante \u00e0 chaque pr\u00e9l\u00e8vement, on privil\u00e9gie fr\u00e9quemment la carte $np$<\/span>, qui mod\u00e9lise directement le d\u00e9nombrement absolu d’unit\u00e9s non conformes sans passer par le calcul fractionnaire, simplifiant ainsi l’interpr\u00e9tation par les \u00e9quipes de terrain.<\/p>\n

Lorsque l’objectif est de quantifier le nombre d’occurrences d’une anomalie au sein d’un continuum d’observation (par exemple, le nombre d’oublis ou d’erreurs commis lors d’une t\u00e2che complexe \u00e9tal\u00e9e sur une heure, ou le nombre de micro-\u00e9veils par cycle de sommeil), la mod\u00e9lisation fait appel \u00e0 la loi de Poisson<\/a>. La carte $c$<\/span> r\u00e9git les situations o\u00f9 la zone d’opportunit\u00e9 d’apparition de l’\u00e9v\u00e9nement est invariable, tandis que la carte $u$<\/span> standardise le taux d’occurrences par unit\u00e9 d’inspection lorsque l’\u00e9tendue de l’observation fluctue. D’un point de vue de la puissance statistique, il convient de rappeler qu’\u00e0 volume d’\u00e9chantillonnage \u00e9gal, une carte pour variables continues (comme la carte I-MR ou X-barre) poss\u00e8de une sensibilit\u00e9 aux d\u00e9rives infiniment sup\u00e9rieure \u00e0 celle d’une carte pour attributs, cette derni\u00e8re exigeant des volumes massifs de donn\u00e9es pour d\u00e9tecter des d\u00e9placements subtils du param\u00e8tre de forme.<\/p>\n

3. Pr\u00e9paration rigoureuse et structuration des donn\u00e9es dans Excel<\/h2>\n

3.1 Architecture du classeur et standardisation des colonnes<\/h3>\n

La robustesse math\u00e9matique et la maintenabilit\u00e9 d’une carte de contr\u00f4le \u00e9labor\u00e9e sous Excel d\u00e9pendent de l’architecture du classeur de calcul. L’erreur la plus fr\u00e9quente des praticiens consiste \u00e0 m\u00e9langer des blocs de saisie, des calculs interm\u00e9diaires dispers\u00e9s et des graphiques sur un m\u00eame plan d\u00e9sordonn\u00e9. Pour \u00e9riger un syst\u00e8me d’analyse p\u00e9renne, il est imp\u00e9ratif d’adopter une structure tabulaire lin\u00e9aire conforme aux principes de mod\u00e9lisation des donn\u00e9es relationnelles (format tabulaire normalis\u00e9 ou tidy data<\/em>).<\/p>\n

La premi\u00e8re feuille de calcul doit \u00eatre exclusivement d\u00e9di\u00e9e au stockage structur\u00e9 de la s\u00e9rie temporelle. La colonne A re\u00e7oit l’identifiant univoque de l’observation ou l’horodatage s\u00e9quentiel (num\u00e9ro d’\u00e9chantillon de 1 \u00e0 $N$<\/span>, date exacte ou num\u00e9ro de session exp\u00e9rimentale). La colonne B est r\u00e9serv\u00e9e \u00e0 la variable quantitative continue mesur\u00e9e ($X_i$<\/span>). Les colonnes imm\u00e9diatement adjacentes doivent \u00eatre rigoureusement allou\u00e9es aux param\u00e8tres constitutifs de la carte :<\/p>\n