{"id":4228,"date":"2026-09-11T06:39:28","date_gmt":"2026-09-11T06:39:28","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-le-milieu-de-letendue-dans-google-sheets\/"},"modified":"2026-09-11T06:39:36","modified_gmt":"2026-09-11T06:39:36","slug":"comment-calculer-le-milieu-de-letendue-dans-google-sheets","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-le-milieu-de-letendue-dans-google-sheets","title":{"rendered":"Comment calculer le milieu de l’\u00e9tendue dans Google Sheets"},"content":{"rendered":"

Dans le paysage foisonnant des statistiques descriptives et de l’analyse exploratoire des donn\u00e9es, les praticiens privil\u00e9gient fr\u00e9quemment les mesures conventionnelles de tendance centrale que sont la moyenne arithm\u00e9tique et la m\u00e9diane. Pourtant, la mod\u00e9lisation statistique ne saurait se restreindre \u00e0 ces seuls indicateurs sans occulter des dimensions critiques de la dispersion et des fronti\u00e8res d’un \u00e9chantillon. Le milieu de l’\u00e9tendue<\/strong> (commun\u00e9ment d\u00e9sign\u00e9 sous l’anglicisme midrange<\/em>) constitue une m\u00e9trique fondamentale, \u00e9l\u00e9gante et historiquement signifiante, qui synth\u00e9tise le point d’\u00e9quilibre g\u00e9om\u00e9trique parfait situ\u00e9 entre les deux bornes observationnelles extr\u00eames d’une distribution. Cette statistique d’ordre, bien que sensible aux fluctuations stochastiques p\u00e9riph\u00e9riques, offre une fen\u00eatre d’analyse irrempla\u00e7able sur l’amplitude et le centrage spatial des ph\u00e9nom\u00e8nes observ\u00e9s, particuli\u00e8rement au sein des cadres m\u00e9thodologiques exigeant une \u00e9valuation instantan\u00e9e des capacit\u00e9s limites ou des seuils d’activation.<\/p>\n

L’essor contemporain des environnements informatiques h\u00e9berg\u00e9s dans le nuage, incarn\u00e9 de fa\u00e7on pr\u00e9\u00e9minente par Google Sheets<\/a>, a d\u00e9mocratis\u00e9 l’acc\u00e8s \u00e0 des capacit\u00e9s de calcul analytique autrefois r\u00e9serv\u00e9es aux logiciels statistiques sp\u00e9cialis\u00e9s. Gr\u00e2ce \u00e0 son moteur de calcul en temps r\u00e9el et \u00e0 son architecture collaborative, le tableur de Google s’affirme comme une plateforme de premier plan pour les chercheurs, les psychom\u00e9triciens, les analystes de donn\u00e9es et les gestionnaires de projets scientifiques. Toutefois, l’absence d’une fonction native exclusivement d\u00e9volue au calcul du milieu de l’\u00e9tendue \u2014 contrairement aux fonctions omnipr\u00e9sentes comme MOYENNE ou MEDIANE \u2014 exige une compr\u00e9hension rigoureuse des m\u00e9canismes matriciels et algorithmiques sous-jacents afin d’en d\u00e9river une impl\u00e9mentation robuste, exempte de biais computationnels ou d’artefacts d’\u00e9chantillonnage.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique se propose de d\u00e9construire de mani\u00e8re exhaustive les dimensions th\u00e9oriques, math\u00e9matiques et informatiques du milieu de l’\u00e9tendue. En articulant une r\u00e9flexion approfondie sur ses fondements \u00e9pist\u00e9mologiques dans les sciences du comportement avec une d\u00e9monstration technique pas \u00e0 pas au sein de Google Sheets, ce guide procure aux analystes un protocole op\u00e9ratoire complet. De l’\u00e9laboration de formulations conditionnelles avanc\u00e9es \u00e0 l’automatisation par Google Apps Script, en passant par le traitement des valeurs aberrantes et l’examen critique de sa validit\u00e9 m\u00e9trologique, chaque \u00e9tape est explicit\u00e9e dans une perspective de reproductibilit\u00e9 scientifique int\u00e9grale et d’excellence acad\u00e9mique.<\/p>\n

\"\"<\/figure>\n

1. Introduction th\u00e9orique au concept de milieu de l’\u00e9tendue en statistique<\/h2>\n

1.1 D\u00e9finition \u00e9pist\u00e9mologique et gen\u00e8se de la mesure<\/h3>\n

D’un point de vue \u00e9pist\u00e9mologique, le milieu de l’\u00e9tendue tire son origine de la volont\u00e9 d’identifier le centre g\u00e9om\u00e9trique d’un ensemble de mesures en se focalisant exclusivement sur ses bornes absolues. Contrairement aux mesures d’int\u00e9gration globale comme la moyenne arithm\u00e9tique<\/a>, qui sollicite l’int\u00e9gralit\u00e9 des points de donn\u00e9es pour constituer un centre de gravit\u00e9 pond\u00e9r\u00e9, le milieu de l’\u00e9tendue s’\u00e9tablit comme un indice de tendance centrale fond\u00e9 sur les extr\u00eames. Il postule que l’espace observationnel d’une exp\u00e9rience est circonscrit par deux jalons ind\u00e9passables : l’infimum empirique (la plus petite valeur observ\u00e9e) et le supremum empirique (la plus grande valeur observ\u00e9e). L’\u00e9quilibre de cet intervalle ferm\u00e9 est alors repr\u00e9sent\u00e9 par le milieu exact de ce segment lin\u00e9aire, offrant une lecture spatiale de la position m\u00e9diane de l’amplitude totale.<\/p>\n

La distinction formelle entre le milieu de l’\u00e9tendue, la m\u00e9diane arithm\u00e9tique et la moyenne pond\u00e9r\u00e9e r\u00e9side dans la nature de l’information exploit\u00e9e au sein de la s\u00e9rie statistique. Alors que la m\u00e9diane correspond au quantile d’ordre 0,5 divisant l’\u00e9chantillon ordonn\u00e9 en deux effectifs rigoureusement \u00e9gaux sans \u00e9gard pour l’amplitude m\u00e9trique s\u00e9parant les rangs, le milieu de l’\u00e9tendue est intrins\u00e8quement m\u00e9trique. Il ne tient aucun compte de la densit\u00e9 interne des observations ni de leur fr\u00e9quence de r\u00e9p\u00e9tition, ce qui le diff\u00e9rencie radicalement de la moyenne pond\u00e9r\u00e9e o\u00f9 chaque valeur p\u00e8se proportionnellement \u00e0 son effectif. Historiquement, cette m\u00e9trique a jou\u00e9 un r\u00f4le d\u00e9terminant dans les premi\u00e8res phases de l’analyse exploratoire de donn\u00e9es, notamment \u00e0 une \u00e9poque o\u00f9 le co\u00fbt computationnel manuel imposait aux exp\u00e9rimentateurs d’extraire rapidement un indicateur de centralit\u00e9 sur des cohortes r\u00e9duites sans effectuer la somme fastidieuse de multiples termes.<\/p>\n

Dans les cadres m\u00e9thodologiques contemporains propres aux sciences humaines, le milieu de l’\u00e9tendue conserve une pertinence descriptive majeure. Il permet de caract\u00e9riser le centre d’un espace de variabilit\u00e9 sans pr\u00e9sumer de la loi sous-jacente qui r\u00e9git les observations interm\u00e9diaires. Dans les contextes o\u00f9 l’int\u00e9r\u00eat scientifique ne porte pas sur la concentration de la masse d’\u00e9chantillonnage mais sur l’\u00e9tendue des possibilit\u00e9s manifest\u00e9es par les participants, cet indice permet de situer instantan\u00e9ment si une cohorte gravite plus pr\u00e8s de son niveau de performance plancher ou de sa fronti\u00e8re d’accomplissement maximale. Cette m\u00e9trique constitue ainsi un descripteur spatial de premier ordre dans les protocoles d’investigation rapide.<\/p>\n

1.2 Le r\u00f4le du milieu de l’\u00e9tendue dans les sciences du comportement<\/h3>\n

Au sein des sciences du comportement, l’exp\u00e9rimentateur est r\u00e9guli\u00e8rement confront\u00e9 \u00e0 l’\u00e9valuation des bornes de r\u00e9activit\u00e9 cognitive dans des contextes de chronom\u00e9trie mentale ou de psychophysique. Le milieu de l’\u00e9tendue s’av\u00e8re particuli\u00e8rement instructif pour mesurer la demi-somme des latences motrices minimales et maximales d’un individu soumis \u00e0 des stimuli perceptifs intenses. Cette approche ne vise pas \u00e0 r\u00e9sumer la vitesse moyenne de traitement de l’information, mais \u00e0 identifier le point m\u00e9dian de la fen\u00eatre temporelle dans laquelle le syst\u00e8me nerveux du participant est capable de moduler ses r\u00e9ponses motrices. Ce param\u00e8tre offre une caract\u00e9risation globale des marges op\u00e9rationnelles du sujet face \u00e0 une contrainte environnementale standardis\u00e9e.<\/p>\n

Dans le domaine de la psychom\u00e9trie<\/a>, l’analyse pr\u00e9liminaire des \u00e9chelles de r\u00e9ponse composite \u2014 \u00e0 l’instar des inventaires standardis\u00e9s fond\u00e9s sur des \u00e9chelles de Likert \u00e0 degr\u00e9s multiples \u2014 b\u00e9n\u00e9ficie \u00e9galement de cette m\u00e9trique. Le calcul du milieu de l’\u00e9tendue permet de situer le centre th\u00e9orique et empirique des r\u00e9ponses fournies par un groupe clinique. Cela permet aux chercheurs de v\u00e9rifier promptement l’existence d’effets de polarisation ou d’asym\u00e9trie de r\u00e9ponse sans devoir attendre le traitement algorithmique complet de volumineuses matrices d’invariance factorielle. Si le milieu de l’\u00e9tendue d’un item d\u00e9vie drastiquement du centre th\u00e9orique de l’\u00e9chelle de mesure, une alerte m\u00e9thodologique imm\u00e9diate est lev\u00e9e quant au calibrage des ancres verbales du test.<\/p>\n

De surcro\u00eet, le milieu de l’\u00e9tendue intervient comme un outil d’inspection privil\u00e9gi\u00e9 pour la d\u00e9tection pr\u00e9coce des seuils planchers et plafonds au sein des cohortes cliniques. Lorsqu’une batterie de tests neuropsychologiques est administr\u00e9e \u00e0 des patients souffrant de d\u00e9ficits neurocognitifs s\u00e9v\u00e8res, l’observation conjointe du minimum, du maximum et de leur point m\u00e9dian met en lumi\u00e8re l’incapacit\u00e9 d’une \u00e9chelle \u00e0 discriminer les degr\u00e9s d’atteinte si les scores se heurtent syst\u00e9matiquement \u00e0 la borne inf\u00e9rieure. Toutefois, des limites conceptuelles strictes s’imposent : le milieu de l’\u00e9tendue ne saurait \u00eatre interpr\u00e9t\u00e9 comme une mesure directe d’un construit psychologique latent. Sa d\u00e9pendance absolue \u00e0 l’\u00e9gard de deux uniques observations en fait un indicateur ph\u00e9nom\u00e9nologique des fronti\u00e8res de l’\u00e9chantillon, et non une estimation invariante du trait psychologique latent d’une population g\u00e9n\u00e9rale.<\/p>\n

1.3 Propri\u00e9t\u00e9s distributionnelles et hypoth\u00e8ses sous-jacentes<\/h3>\n

L’analyse des propri\u00e9t\u00e9s distributionnelles du milieu de l’\u00e9tendue r\u00e9v\u00e8le des divergences fonctionnelles majeures selon la nature de la loi de probabilit\u00e9 sous-jacente au ph\u00e9nom\u00e8ne analys\u00e9. Sous l’hypoth\u00e8se d’une distribution continue uniforme<\/a> d\u00e9finie sur un intervalle compact [a, b], le milieu de l’\u00e9tendue se r\u00e9v\u00e8le \u00eatre un estimateur sans biais, convergeant et remarquablement performant de la moyenne de la population. En r\u00e9alit\u00e9, dans ce cadre distributionnel hautement sp\u00e9cifique, la th\u00e9orie de l’estimation d\u00e9montre que le milieu de l’\u00e9tendue surpasse la moyenne arithm\u00e9tique en termes de vitesse de convergence asymptotique et d’efficacit\u00e9 statistique, car les statistiques d’ordre extr\u00eames contiennent l’int\u00e9gralit\u00e9 de l’information relative aux param\u00e8tres de localisation de la fronti\u00e8re de la loi uniforme.<\/p>\n

\u00c0 l’inverse, d\u00e8s lors que l’\u00e9chantillon provient d’une distribution normale ou d’une loi \u00e0 queue lourde, l’efficacit\u00e9 asymptotique relative du milieu de l’\u00e9tendue s’effondre de mani\u00e8re drastique par rapport aux estimateurs robustes tels que la m\u00e9diane, les moyennes tronqu\u00e9es ou la moyenne arithm\u00e9tique. Dans une loi de Gauss, la probabilit\u00e9 d’observer des valeurs extr\u00eames tr\u00e8s \u00e9loign\u00e9es cro\u00eet avec la taille de l’\u00e9chantillon, ce qui induit une variance d’\u00e9chantillonnage du milieu de l’\u00e9tendue beaucoup plus importante que celle de la moyenne d’\u00e9chantillon. L’erreur standard de cette mesure ne diminue pas \u00e0 un taux favorable lorsque la taille d’\u00e9chantillon N tend vers l’infini si les queues de distribution sont ind\u00e9finies, ce qui limite son usage inf\u00e9rentiel dans des cadres param\u00e9triques non born\u00e9s.<\/p>\n

L’utilisation m\u00e9thodologique du milieu de l’\u00e9tendue repose donc sur des hypoth\u00e8ses fondamentales de sym\u00e9trie et de stabilit\u00e9 rigoureuse des fronti\u00e8res distributionnelles. La validit\u00e9 de son interpr\u00e9tation en tant qu’indice de centralit\u00e9 pr\u00e9suppose que les processus al\u00e9atoires g\u00e9n\u00e9rant la borne inf\u00e9rieure et la borne sup\u00e9rieure sont soumis \u00e0 des contraintes structurelles identiques. Si une distribution pr\u00e9sente une asym\u00e9trie marqu\u00e9e (positive ou n\u00e9gative), le milieu de l’\u00e9tendue sera irr\u00e9m\u00e9diablement attir\u00e9 vers la queue allong\u00e9e de la distribution, perdant toute ad\u00e9quation avec la zone de densit\u00e9 maximale des observations et d\u00e9livrant par cons\u00e9quent un diagnostic d\u00e9form\u00e9 de la tendance centrale effective de la s\u00e9rie.<\/p>\n

2. Fondements math\u00e9matiques et propri\u00e9t\u00e9s formelles du calcul<\/h2>\n

2.1 Formulation alg\u00e9brique standard<\/h3>\n

La formulation alg\u00e9brique canonique du milieu de l’\u00e9tendue proc\u00e8de d’une construction arithm\u00e9tique \u00e9l\u00e9mentaire mais d’une grande rigueur formelle au sein de la th\u00e9orie des statistiques d’ordre. Soit un \u00e9chantillon al\u00e9atoire constitu\u00e9 de n<\/em> variables al\u00e9atoires r\u00e9elles ind\u00e9pendantes et identiquement distribu\u00e9es, not\u00e9 sous la forme matricielle :<\/p>\n

X = {X\u2081, X\u2082, X\u2083, …, X\u2099}<\/em><\/p>\n

Lorsque ces observations empiriques sont ordonn\u00e9es de mani\u00e8re s\u00e9quentielle croissante au sein de la s\u00e9rie ordonn\u00e9e correspondante, nous obtenons le vecteur ordonn\u00e9 :<\/p>\n

X\u208d\u2081\u208e \u2264 X\u208d\u2082\u208e \u2264 X\u208d\u2083\u208e \u2264 … \u2264 X\u208d\u2099\u208b\u2081\u208e \u2264 X\u208d\u2099\u208e<\/em><\/p>\n

Dans ce formalisme universel, X\u208d\u2081\u208e<\/em> repr\u00e9sente la premi\u00e8re statistique d’ordre, d\u00e9signant formellement la valeur minimale observ\u00e9e (l’infimum de l’ensemble d’\u00e9chantillonnage), tandis que X\u208d\u2099\u208e<\/em> repr\u00e9sente la n<\/em>-i\u00e8me statistique d’ordre, d\u00e9signant le maximum empirique (le supremum de l’ensemble d’\u00e9chantillonnage). L’\u00e9quation canonique du milieu de l’\u00e9tendue, g\u00e9n\u00e9ralement not\u00e9e M<\/em> ou MR<\/em> (pour Midrange<\/em>), s’\u00e9nonce comme la moyenne arithm\u00e9tique stricte de ces deux statistiques d’ordre terminales :<\/p>\n

M = (X\u208d\u2081\u208e + X\u208d\u2099\u208e) \/ 2<\/strong><\/p>\n

Cette expression formalise la projection orthogonale du centre de l’intervalle [X\u208d\u2081\u208e, X\u208d\u2099\u208e]<\/em> sur l’axe des r\u00e9els. Une propri\u00e9t\u00e9 fondamentale de cette statistique r\u00e9side dans sa sensibilit\u00e9 diff\u00e9rentielle relative par rapport au volume global de l’\u00e9chantillon N<\/em>. Contrairement \u00e0 la somme cumul\u00e9e des termes divis\u00e9e par N<\/em>, o\u00f9 le poids math\u00e9matique d’une observation sp\u00e9cifique \u00e9quivaut syst\u00e9matiquement \u00e0 1\/N<\/em> \u2014 tendant ainsi vers z\u00e9ro lorsque la volum\u00e9trie s’accro\u00eet \u2014, le milieu de l’\u00e9tendue accorde invariablement un poids fixe de 0,5 \u00e0 la valeur minimale et de 0,5 \u00e0 la valeur maximale, faisant abstraction compl\u00e8te des (n – 2)<\/em> observations interm\u00e9diaires, quel que soit le volume quantitatif des donn\u00e9es collect\u00e9es.<\/p>\n

2.2 Comportement asymptotique et point de rupture<\/h3>\n

Dans le domaine de l’analyse statistique robuste, formalis\u00e9e par Peter Rousseeuw et Frank Hampel, la r\u00e9silience d’un estimateur face \u00e0 la contamination d’un jeu de donn\u00e9es est \u00e9valu\u00e9e au moyen de son point de rupture<\/strong> (breakdown point<\/em>). Le point de rupture correspond \u00e0 la proportion minimale d’observations arbitrairement aberrantes ou erron\u00e9es qu’un \u00e9chantillon doit contenir pour que l’estimateur puisse \u00eatre corrompu jusqu’\u00e0 prendre une valeur infinie ou d\u00e9nu\u00e9e de sens. Pour le milieu de l’\u00e9tendue, la d\u00e9monstration math\u00e9matique conduit \u00e0 un constat cat\u00e9gorique : son point de rupture fini est rigoureusement \u00e9gal \u00e0 1\/n<\/em>, ce qui se traduit par un point de rupture asymptotique de z\u00e9ro pour cent :<\/p>\n

Point de rupture = 0% (quand n \u2192 \u221e)<\/strong><\/p>\n

Il suffit en effet qu’une seule et unique observation de l’\u00e9chantillon soit corrompue et projet\u00e9e vers l’infini positif (X\u208d\u2099\u208e \u2192 +\u221e<\/em>) ou l’infini n\u00e9gatif (X\u208d\u2081\u208e \u2192 -\u221e<\/em>) pour que le milieu de l’\u00e9tendue tende lui-m\u00eame instantan\u00e9ment vers l’infini, annihilant toute signification quant \u00e0 la localisation centrale de l’\u00e9chantillon sous-jacent. Cette absence totale de robustesse statistique face aux variations stochastiques des bornes impose une prudence m\u00e9thodologique absolue lors de son emploi.<\/p>\n

2.3 Relations avec d’autres estimateurs d’extr\u00eames<\/h3>\n

L’analyse structurelle du milieu de l’\u00e9tendue ne saurait \u00eatre disjointe de celle de l’\u00e9tendue statistique brute<\/a> (not\u00e9e couramment Range<\/em> en litt\u00e9rature anglophone). L’\u00e9tendue statistique constitue la mesure d’amplitude primaire d\u00e9finie par la diff\u00e9rence absolue entre les deux statistiques d’ordre terminales :<\/p>\n

\u00c9tendue = X\u208d\u2099\u208e – X\u208d\u2081\u208e<\/em><\/p>\n

Il existe une interd\u00e9pendance stricte et fondamentale entre ces deux grandeurs : le milieu de l’\u00e9tendue d\u00e9termine la position g\u00e9om\u00e9trique de l’ancrage central du segment observationnel, tandis que l’\u00e9tendue brute quantifie la longueur totale de ce m\u00eame segment. Math\u00e9matiquement, les deux bornes originales de l’\u00e9chantillon peuvent \u00eatre int\u00e9gralement reconstruites \u00e0 partir du couple constitu\u00e9 par le milieu de l’\u00e9tendue (M<\/em>) et l’\u00e9tendue (E<\/em>), selon les identit\u00e9s suivantes :<\/p>\n

N\u00e9anmoins, sur le plan des transformations affines, le milieu de l’\u00e9tendue jouit de propri\u00e9t\u00e9s math\u00e9matiques particuli\u00e8rement stables et d\u00e9sirables. Il poss\u00e8de la propri\u00e9t\u00e9 formelle d’invariance par translation<\/a> et d’homoth\u00e9tie d’\u00e9chelle. Plus explicitement, si l’on applique \u00e0 chaque \u00e9l\u00e9ment X\u1d62<\/em> de l’\u00e9chantillon une transformation lin\u00e9aire de la forme Y\u1d62 = a \u00b7 X\u1d62 + b<\/em> (o\u00f9 a<\/em> et b<\/em> sont des constantes r\u00e9elles avec a \u2260 0<\/em>), le nouveau milieu de l’\u00e9tendue M_Y<\/em> ob\u00e9it rigoureusement \u00e0 la relation alg\u00e9brique M_Y = a \u00b7 M_X + b<\/em> (avec permutation d’indices si a < 0<\/em>). Cette propri\u00e9t\u00e9 garantit que la m\u00e9trique pr\u00e9serve fid\u00e8lement les changements d’unit\u00e9s de mesure (par exemple, la conversion de millisecondes en secondes, ou de degr\u00e9s Celsius en degr\u00e9s Fahrenheit).<\/p>\n