{"id":4882,"date":"2026-10-14T18:01:19","date_gmt":"2026-10-14T18:01:19","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-trouver-quartiles-moyenne-ecart-type\/"},"modified":"2026-10-14T18:01:19","modified_gmt":"2026-10-14T18:01:19","slug":"comment-trouver-quartiles-moyenne-ecart-type","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-trouver-quartiles-moyenne-ecart-type","title":{"rendered":"Comment trouver les quartiles en utilisant la moyenne et l’\u00e9cart-type"},"content":{"rendered":"

Dans le champ de l’\u00e9valuation psychom\u00e9trique et de l’analyse statistique des donn\u00e9es comportementales, la caract\u00e9risation pr\u00e9cise de la distribution des scores constitue une exigence m\u00e9thodologique pr\u00e9alable \u00e0 toute inf\u00e9rence diagnostique. Les praticiens et les chercheurs sont continuellement confront\u00e9s \u00e0 la n\u00e9cessit\u00e9 d’articuler deux familles distinctes de descripteurs quantitatifs : d’une part, les param\u00e8tres de moments continus, repr\u00e9sent\u00e9s par la moyenne arithm\u00e9tique<\/a> et la variance ou l’\u00e9cart-type, et d’autre part, les statistiques d’ordre non param\u00e9triques, incarn\u00e9es par les quantiles et plus particuli\u00e8rement les quartiles. Cette dialectique entre mesures de dispersion globale et seuils de positionnement relatif est au c\u0153ur de l’interpr\u00e9tation des profils cognitifs, des inventaires de personnalit\u00e9 et des \u00e9chelles d’\u00e9valuation neuropsychologique.<\/p>\n

Le recours \u00e0 la loi normale, ou distribution gaussienne, offre un pont analytique d’une remarquable \u00e9l\u00e9gance entre ces deux approches. Lorsqu’une distribution empirique peut \u00eatre mod\u00e9lis\u00e9e de mani\u00e8re robuste par une loi normale — ce qui constitue un postulat fondamental de la th\u00e9orie classique des tests psychom\u00e9triques en vertu du th\u00e9or\u00e8me central limite<\/a> —, les quartiles ne n\u00e9cessitent plus un tri laborieux de donn\u00e9es brutes ou un recours exclusif aux rangs percentiles empiriques. Ils peuvent \u00eatre d\u00e9duits analytiquement avec une rigueur math\u00e9matique absolue \u00e0 partir des seuls moments d’ordre un et deux, \u00e0 savoir l’esp\u00e9rance math\u00e9matique et l’\u00e9cart-type. Cette d\u00e9marche ne constitue pas seulement une simplification computationnelle ; elle repr\u00e9sente un changement de paradigme fondamental, conf\u00e9rant aux rep\u00e8res divisionnaires de la distribution une stabilit\u00e9 asymptotique sup\u00e9rieure \u00e0 celle obtenue par de simples m\u00e9thodes de rangs sur de petits \u00e9chantillons.<\/p>\n

Ce trait\u00e9 exhaustif a pour vocation d’exposer l’int\u00e9gralit\u00e9 des fondements th\u00e9oriques, des d\u00e9monstrations math\u00e9matiques et des applications cliniques permettant de d\u00e9terminer les quartiles \u00e0 partir de la moyenne et de l’\u00e9cart-type. En explorant la d\u00e9rivation analytique du coefficient critique universel, la quantification de l’\u00e9cart interquartile, les implications pratiques au sein des \u00e9chelles standardis\u00e9es d’intelligence et les risques m\u00e9thodologiques inh\u00e9rents aux violations du postulat de normalit\u00e9, ce document constitue une r\u00e9f\u00e9rence magistrale pour les chercheurs, psychologues, biostatisticiens et analystes de donn\u00e9es soucieux de concilier rigueur math\u00e9matique et pertinence clinique.<\/p>\n

1. Fondements th\u00e9oriques des param\u00e8tres statistiques en psychom\u00e9trie<\/h2>\n

1.1 Le r\u00f4le des statistiques descriptives dans l’\u00e9valuation psychologique<\/h3>\n

L’\u00e9valuation psychologique moderne repose de mani\u00e8re consubstantielle sur la capacit\u00e9 du clinicien ou du chercheur \u00e0 ordonner, synth\u00e9tiser et interpr\u00e9ter les comportements quantifi\u00e9s au travers d’outils standardis\u00e9s. La caract\u00e9risation des distributions empiriques au sein des populations cliniques et normatives exige une ma\u00eetrise rigoureuse de la structure math\u00e9matique des donn\u00e9es recueillies. Dans le contexte de l’\u00e9valuation psychom\u00e9trique, les scores obtenus par les sujets ne poss\u00e8dent aucune signification intrins\u00e8que absolue. Contrairement aux mesures physiques telles que la masse ou la longueur, un score brut \u00e0 un inventaire d’anxi\u00e9t\u00e9 ou \u00e0 une \u00e9preuve de raisonnement fluide n’est qu’une m\u00e9trique arbitraire r\u00e9sultant de l’addition de r\u00e9ponses discr\u00e8tes \u00e0 un ensemble d’items.<\/p>\n

La distinction \u00e9pist\u00e9mologique entre les mesures de tendance centrale et les indices de variabilit\u00e9 constitue le socle de toute analyse distributionnelle. Les indices de tendance centrale, au premier rang desquels figure la moyenne arithm\u00e9tique, visent \u00e0 condenser l’information relative \u00e0 l’ensemble d’un groupe en une valeur unique cens\u00e9e r\u00e9sumer la performance typique de la cohorte observ\u00e9e. \u00c0 l’inverse, les indices de variabilit\u00e9, dont l’\u00e9cart-type est le repr\u00e9sentant param\u00e9trique le plus \u00e9minent, mesurent le degr\u00e9 d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9, d’instabilit\u00e9 ou de dispersion des performances individuelles autour de ce point d’ancrage central. R\u00e9duire une distribution \u00e0 sa seule moyenne sans consid\u00e9rer son \u00e9tendue ou son \u00e9talement statistique \u00e9quivaudrait \u00e0 ignorer la r\u00e9alit\u00e9 fondamentale de la variance interindividuelle.<\/p>\n

Il appara\u00eet ainsi imp\u00e9ratif de situer syst\u00e9matiquement chaque performance individuelle par rapport \u00e0 des rep\u00e8res distributionnels standardis\u00e9s. Le processus d’\u00e9talonnage en psychom\u00e9trie consiste pr\u00e9cis\u00e9ment \u00e0 \u00e9tablir des tables de conversion permettant de confronter le r\u00e9sultat d’un patient donn\u00e9 \u00e0 une population de r\u00e9f\u00e9rence de caract\u00e9ristiques d\u00e9mographiques \u00e9quivalentes (\u00e2ge, genre, niveau socioculturel). Sans une estimation pr\u00e9cise de la distribution de r\u00e9f\u00e9rence, il est rigoureusement impossible d’affirmer si un score d\u00e9vie de mani\u00e8re significative ou pathologique de la trajectoire attendue, rendant caduque toute tentative de diagnostic clinique fond\u00e9 sur des preuves objectives.<\/p>\n

1.2 De la m\u00e9trique brute au positionnement relatif<\/h3>\n

La transformation m\u00e9thodique des scores bruts en scores standardis\u00e9s r\u00e9pond \u00e0 une exigence d’accroissement de la validit\u00e9 d’interpr\u00e9tation clinique. Lorsqu’un individu obtient un r\u00e9sultat brut de 42 \u00e0 un sous-test d’attention et de 85 \u00e0 un inventaire d’estime de soi, ces chiffres demeurent incommensurables en raison de la divergence des \u00e9chelles de mesure, du nombre d’items et des variabilit\u00e9s inh\u00e9rentes aux deux \u00e9preuves. L’op\u00e9ration de standardisation vise \u00e0 projeter ces valeurs brutes disparates sur un espace m\u00e9trique commun, dot\u00e9 d’une m\u00e9trique normalis\u00e9e dont les propri\u00e9t\u00e9s distributionnelles sont parfaitement ma\u00eetris\u00e9es par le praticien.<\/p>\n

Dans ce cadre de r\u00e9f\u00e9rence, l’importance th\u00e9orique des percentiles et des quartiles dans l’\u00e9talonnage des tests psychom\u00e9triques s’av\u00e8re pr\u00e9pond\u00e9rante. Un rang percentile fournit une indication directe et intuitive de la position ordinale occup\u00e9e par un individu : il sp\u00e9cifie le pourcentage pr\u00e9cis de la cohorte normative ayant obtenu une performance \u00e9gale ou inf\u00e9rieure \u00e0 la sienne. Les quantiles op\u00e8rent ainsi une spatialisation de l’\u00e9valuation, permettant de segmenter la distribution continue en sous-ensembles d’effectifs \u00e9gaux. Cette approche ordinale pr\u00e9sente l’avantage consid\u00e9rable de s’affranchir des unit\u00e9s arbitraires des \u00e9preuves pour communiquer au patient ou aux professionnels de sant\u00e9 des rep\u00e8res clairs et directement intelligibles.<\/p>\n

Il existe n\u00e9anmoins un lien structurel indissoluble entre la dispersion statistique observ\u00e9e et la variabilit\u00e9 interindividuelle des construits latents. Les th\u00e9ories psychom\u00e9triques, qu’il s’agisse de la th\u00e9orie classique des tests<\/a> ou de la th\u00e9orie de la r\u00e9ponse aux items, postulent que les variations des scores observ\u00e9s refl\u00e8tent les variations continues de traits inobservables sous-jacents, tels que l’intelligence cristallis\u00e9e, la m\u00e9moire de travail ou l’extraversion. L’amplitude de l’\u00e9cart-type observ\u00e9e sur un \u00e9chantillon d’\u00e9talonnage conditionne directement l’\u00e9cartement des percentiles et la pr\u00e9cision avec laquelle un clinicien peut discriminer des individus situ\u00e9s \u00e0 proximit\u00e9 des seuils d\u00e9cisionnels.<\/p>\n

2. Le postulat de distribution normale en sciences psychologiques<\/h2>\n

2.1 Propri\u00e9t\u00e9s fondamentales de la loi normale gaussienne<\/h3>\n

La loi normale<\/a>, fr\u00e9quemment qualifi\u00e9e de loi de Gauss ou de Laplace-Gauss, occupe une place d’une centralit\u00e9 incontest\u00e9e dans l’arsenal des sciences quantitatives. Formellement d\u00e9sign\u00e9e par la notation standardis\u00e9e associant l’esp\u00e9rance math\u00e9matique (souvent not\u00e9e μ) et la variance (not\u00e9e σ²), elle se caract\u00e9rise par une fonction de densit\u00e9 de probabilit\u00e9 continue d\u00e9finie sur l’ensemble des nombres r\u00e9els, dont la repr\u00e9sentation graphique prend la forme d’une courbe en cloche d’une parfaite \u00e9l\u00e9gance g\u00e9om\u00e9trique.<\/p>\n

L’attribut fondamental premier de cette distribution r\u00e9side dans sa sym\u00e9trie axiale absolue par rapport \u00e0 la droite verticale passant par la moyenne de la population (μ). Cette sym\u00e9trie implique que la probabilit\u00e9 d’observer une d\u00e9viation d’une amplitude donn\u00e9e au-dessus de la moyenne est rigoureusement identique \u00e0 la probabilit\u00e9 d’observer une d\u00e9viation d’amplitude \u00e9quivalente en dessous de celle-ci. En cons\u00e9quence directe de cette configuration g\u00e9om\u00e9trique invariante, il s’op\u00e8re une co\u00efncidence stricte et syst\u00e9matique entre les trois mesures de tendance centrale fondamentales : la moyenne arithm\u00e9tique (μ), la m\u00e9diane (la valeur qui s\u00e9pare l’\u00e9chantillon en deux proportions volum\u00e9triques \u00e9gales de 50 %) et le mode (le point d’ordonn\u00e9e maximale correspondant \u00e0 la valeur la plus probable de la variable al\u00e9atoire continue).<\/p>\n

L’\u00e9cart-type (σ) exerce quant \u00e0 lui un r\u00f4le d\u00e9terminant dans la morphologie de la courbe gaussienne, agissant comme le r\u00e9gulateur exclusif de son aplatissement et de son \u00e9talement horizontal. Alors que la moyenne gouverne la translation de la courbe le long de l’axe des abscisses, l’\u00e9cart-type mod\u00e9lise de fa\u00e7on continue la dispersion des donn\u00e9es. Les points d’inflexion g\u00e9om\u00e9triques de la courbe en cloche — c’est-\u00e0-dire les emplacements pr\u00e9cis o\u00f9 la convexit\u00e9 de la fonction bascule vers la concavit\u00e9 — sont rigoureusement situ\u00e9s aux abscisses μ – σ et μ + σ. Cette r\u00e9gularit\u00e9 math\u00e9matique conf\u00e8re \u00e0 l’\u00e9cart-type un statut d’unit\u00e9 de mesure naturelle pour caract\u00e9riser la dispersion au sein de tout mod\u00e8le param\u00e9trique normal.<\/p>\n

2.2 Justification de la mod\u00e9lisation normale pour les traits psychologiques<\/h3>\n

L’adoption quasi syst\u00e9matique de la distribution normale comme cadre de r\u00e9f\u00e9rence en psychom\u00e9trie n’est pas le fruit d’une convention arbitraire, mais s’enracine dans les th\u00e9or\u00e8mes fondamentaux du calcul des probabilit\u00e9s. L’implication du th\u00e9or\u00e8me central limite constitue l’argument th\u00e9orique le plus puissant en faveur de cette mod\u00e9lisation : lorsqu’une variable psychologique observ\u00e9e r\u00e9sulte de l’agr\u00e9gation additive d’un grand nombre de composantes \u00e9l\u00e9mentaires ind\u00e9pendantes (ou faiblement corr\u00e9l\u00e9es) — telles que de multiples d\u00e9terminants g\u00e9n\u00e9tiques, des influences environnementales diversifi\u00e9es et une infinit\u00e9 d’items psychom\u00e9triques distincts —, la somme ou la moyenne de ces composantes converge asymptotiquement vers une loi normale, quelle que soit la forme des distributions sous-jacentes de chacune des variables \u00e9l\u00e9mentaires.<\/p>\n

Cette convergence explique la remarquable stabilit\u00e9 distributionnelle constat\u00e9e de longue date au sein des \u00e9chelles standardis\u00e9es d’intelligence, d’aptitudes cognitives g\u00e9n\u00e9rales et des inventaires de personnalit\u00e9 multidimensionnels (\u00e0 l’instar des inventaires bas\u00e9s sur le mod\u00e8le en cinq facteurs). D\u00e8s lors qu’une \u00e9preuve psychom\u00e9trique agr\u00e8ge plusieurs dizaines de questions mesurant un construit latent global, le score composite obtenu pr\u00e9sente une distribution empirique qui \u00e9pouse de fa\u00e7on extr\u00eamement fid\u00e8le la trajectoire continue d’une courbe en cloche classique, \u00e0 condition que le test ne souffre pas d’effets de plancher ou de plafond marqu\u00e9s.<\/p>\n

N\u00e9anmoins, l’application de calculs param\u00e9triques continus pour d\u00e9terminer des seuils distributionnels exige la v\u00e9rification rigoureuse de conditions de validit\u00e9 empiriques. L’\u00e9chantillon normatif doit pr\u00e9senter un volume statistique suffisant, exempt de biais d’\u00e9chantillonnage majeurs ou de stratifications d\u00e9fectueuses. L’assimilation d’une distribution discr\u00e8te de scores bruts \u00e0 un continuum gaussien suppose \u00e9galement que les intervalles entre les scores refl\u00e8tent une progression psychologique sous-jacente homog\u00e8ne. D\u00e8s lors que ces pr\u00e9requis sont valid\u00e9s, l’usage des propri\u00e9t\u00e9s analytiques de la loi normale permet de d\u00e9duire l’ensemble des quantiles avec un niveau d’exactitude et de robustesse inaccessible aux simples statistiques descriptives d’ordre.<\/p>\n

3. D\u00e9finition conceptuelle et signification math\u00e9matique des quartiles<\/h2>\n

3.1 Segmentation de la distribution ordonn\u00e9e en quartiles<\/h3>\n

Dans l’architecture de la statistique descriptive, les quartiles constituent les trois bornes fondamentales qui partitionnent un ensemble d’observations ordonn\u00e9es en quatre segments rigoureusement \u00e9gaux, chacun concentrant exactement un quart, soit 25 %, de l’effectif total ou de la masse de probabilit\u00e9. Cette fragmentation m\u00e9thodique de l’espace des donn\u00e9es autorise une appr\u00e9hension fine de la densit\u00e9 des observations \u00e0 travers diff\u00e9rentes strates de la performance.<\/p>\n

Le premier quartile, universellement d\u00e9sign\u00e9 par l’acronyme Q1, se d\u00e9finit formellement comme la borne inf\u00e9rieure en dessous de laquelle se situent exactement 25 % des observations les plus basses de la distribution. Corr\u00e9lativement, 75 % des scores enregistr\u00e9s au sein de la population \u00e9tudi\u00e9e d\u00e9passent cette valeur seuil. Sur le plan de la notation psychom\u00e9trique, Q1 co\u00efncide de mani\u00e8re biunivoque avec le 25e<\/sup> percentile (P25) ou le 2,5e<\/sup> d\u00e9cile. Dans le cadre de l’\u00e9valuation diagnostique, Q1 signale fr\u00e9quemment l’entr\u00e9e dans la zone des scores faibles ou suboptimaux, justifiant une attention clinique particuli\u00e8re.<\/p>\n

Le deuxi\u00e8me quartile, not\u00e9 Q2, s’identifie strictement \u00e0 la m\u00e9diane de la distribution. Par d\u00e9finition, il d\u00e9limite la cohorte en deux moiti\u00e9s volum\u00e9triquement \u00e9quivalentes : 50 % des observations lui sont inf\u00e9rieures et 50 % lui sont sup\u00e9rieures. Le troisi\u00e8me quartile, d\u00e9sign\u00e9 par Q3, correspond quant \u00e0 lui \u00e0 la borne marquant les 75 % cumul\u00e9s de l’\u00e9chantillon, signifiant que 75 % des sujets obtiennent une performance inf\u00e9rieure ou \u00e9gale \u00e0 ce point m\u00e9trique, tandis que le quart le plus performant (les 25 % sup\u00e9rieurs) se situe au-del\u00e0. Ensemble, Q1, Q2 et Q3 d\u00e9limitent de mani\u00e8re structur\u00e9e l’axe continu de la performance humaine.<\/p>\n

3.2 Interpr\u00e9tation probabiliste continue sous la courbe de Gauss<\/h3>\n

Lorsque l’on transpose la notion discr\u00e8te de quartiles au cadre de la th\u00e9orie des probabilit\u00e9s continues, la d\u00e9finition purement ensembliste c\u00e8de la place \u00e0 un formalisme int\u00e9gral rigoureux. Dans une distribution continue mod\u00e9lis\u00e9e par une loi de Gauss de param\u00e8tres μ et σ, le calcul d’un quartile correspond \u00e0 l’inversion de la fonction de r\u00e9partition<\/a> de la variable al\u00e9atoire \u00e9tudi\u00e9e. Cette fonction de r\u00e9partition, traditionnellement not\u00e9e F(x)<\/em>, repr\u00e9sente l’int\u00e9grale cumul\u00e9e de la fonction de densit\u00e9 de probabilit\u00e9 de l’infini n\u00e9gatif jusqu’\u00e0 la borne d’\u00e9valuation x<\/em>.<\/p>\n

Formellement, le premier quartile th\u00e9orique Q1 est la racine unique satisfaisant l’\u00e9quation int\u00e9grale par laquelle l’aire sous la courbe de densit\u00e9 normale comprise entre moins l’infini et Q1 \u00e9gale pr\u00e9cis\u00e9ment 0,25. De mani\u00e8re sym\u00e9trique, le troisi\u00e8me quartile th\u00e9orique Q3 est la valeur pour laquelle cette int\u00e9grale cumul\u00e9e atteint la valeur de 0,75. Cette int\u00e9gration de la densit\u00e9 garantit une transition fluide entre la mod\u00e9lisation math\u00e9matique abstraite et le comportement effectif des scores psychom\u00e9triques au sein d’une population infinie th\u00e9orique.<\/p>\n

L’int\u00e9r\u00eat clinique de cette formalisation continue r\u00e9side dans l’\u00e9quivalence formelle absolue entre ces quartiles th\u00e9oriques et les seuils d’intervention diagnostique. En psychiatrie quantitative et en psychologie clinique, l’usage des quartiles permet de segmenter objectivement des niveaux de s\u00e9v\u00e9rit\u00e9 symptomatique sur des \u00e9chelles valid\u00e9es. L’appartenance d’un patient au quartile sup\u00e9rieur (score sup\u00e9rieur \u00e0 Q3) pour un inventaire d’anxi\u00e9t\u00e9 \u00e9tat fournit imm\u00e9diatement l’indication probabiliste qu’il manifeste un niveau d’activation \u00e9motionnelle sup\u00e9rieur \u00e0 celui de trois quarts de la population normative, sans qu’il soit n\u00e9cessaire de recalculer manuellement les effectifs empiriques \u00e0 chaque passation.<\/p>\n

4. D\u00e9rivation analytique du coefficient critique z = 0,675<\/h2>\n

4.1 Utilisation de la fonction de r\u00e9partition normale centr\u00e9e r\u00e9duite<\/h3>\n

Afin d’extraire la valeur des quartiles \u00e0 partir des seuls param\u00e8tres μ et σ, il est indispensable d’op\u00e9rer un d\u00e9tour analytique par la loi normale standardis\u00e9e, \u00e9galement qualifi\u00e9e de normale centr\u00e9e r\u00e9duite et universellement d\u00e9sign\u00e9e par la notation Ν(0, 1). Toute variable al\u00e9atoire X<\/em> suivant une loi normale g\u00e9n\u00e9rale de moyenne μ et d’\u00e9cart-type σ peut \u00eatre transform\u00e9e de fa\u00e7on univoque en une variable centr\u00e9e r\u00e9duite, usuellement d\u00e9sign\u00e9e par la lettre z<\/em>, au travers de la relation de transformation lin\u00e9aire fondamentale :<\/p>\n

z = (X – μ) \/ σ<\/p>\n

Cette standardisation lin\u00e9aire annule la moyenne d’origine par translation et normalise la dispersion par dilatation m\u00e9trique, ramenant l’\u00e9tude de n’importe quel test psychom\u00e9trique \u00e0 l’analyse de la fonction de r\u00e9partition universelle de la loi Ν(0, 1), not\u00e9e Φ(z). La table cumulative de cette loi normale standardis\u00e9e d\u00e9taille la proportion de l’aire totale situ\u00e9e sous la courbe pour chaque valeur possible de la cote z. Pour localiser le troisi\u00e8me quartile Q3 sur cette distribution de r\u00e9f\u00e9rence, il convient d’identifier l’argument z<\/em> satisfaisant rigoureusement l’\u00e9galit\u00e9 Φ(z) = 0,7500.<\/p>\n

L’exploration m\u00e9thodique des tables de probabilit\u00e9s ou l’emploi d’algorithmes d’inversion num\u00e9rique d’une haute pr\u00e9cision math\u00e9matique (utilisant la r\u00e9ciproque de la fonction d’erreur de Gauss, not\u00e9e erf<\/em>) d\u00e9montre que la valeur de z<\/em> pour laquelle l’aire cumul\u00e9e atteint rigoureusement 75 % ne se situe pas exactement \u00e0 un demi-\u00e9cart-type, mais \u00e0 une valeur fractionnaire singuli\u00e8re. La r\u00e9solution analytique de l’\u00e9quation Φ(z) = 0,75 livre la valeur critique d\u00e9cimale \u00e9tendue :<\/p>\n

z ≈ 0,674489750196…<\/p>\n

Dans la pratique psychom\u00e9trique et statistique internationale, il est unanimement convenu d’approximer cette valeur critique \u00e0 trois d\u00e9cimales significatives, retenant ainsi le coefficient conventionnel z = 0,675<\/strong> (ou 0,6745 lorsque l’on recherche une pr\u00e9cision accrue sur de tr\u00e8s larges cohortes). Ce facteur critique constitue le multiplicateur universel reliant la dispersion param\u00e9trique aux bornes quartiles d’un mod\u00e8le gaussien.<\/p>\n

4.2 Sym\u00e9trie de la fonction quantile et signe du coefficient<\/h3>\n

L’exploitation de la sym\u00e9trie axiale parfaite r\u00e9gissant la densit\u00e9 de probabilit\u00e9 gaussienne permet d’\u00e9lucider la d\u00e9rivation du premier quartile sans n\u00e9cessiter une seconde int\u00e9gration num\u00e9rique ind\u00e9pendante. En vertu des propri\u00e9t\u00e9s g\u00e9om\u00e9triques de la distribution Ν(0, 1), la fonction de r\u00e9partition cumulative satisfait de fa\u00e7on permanente l’identit\u00e9 fonctionnelle remarquable suivante :<\/p>\n

Φ(-z) = 1 – Φ(z)<\/p>\n

Cette propri\u00e9t\u00e9 de r\u00e9flexion implique directement que l’aire comprise entre l’infini n\u00e9gatif et une valeur d’abscisse n\u00e9gative -z<\/em> est parfaitement identique \u00e0 l’aire situ\u00e9e \u00e0 droite de la valeur positive sym\u00e9trique +z<\/em>. Par cons\u00e9quent, pour rep\u00e9rer la coordonn\u00e9e d\u00e9limitant une probabilit\u00e9 cumul\u00e9e inf\u00e9rieure de 0,25 (qui caract\u00e9rise le premier quartile Q1), nous posons l’\u00e9quation Φ(z) = 0,25. En substituant cette condition dans l’identit\u00e9 de sym\u00e9trie, nous obtenons imm\u00e9diatement 1 – Φ(-z) = 0,25, ce qui \u00e9quivaut rigoureusement \u00e0 Φ(-z) = 0,75.<\/p>\n

La cons\u00e9quence math\u00e9matique est imm\u00e9diate et sans \u00e9quivoque : la cote standardis\u00e9e correspondant au premier quartile est exactement l’oppos\u00e9 alg\u00e9brique de celle identifi\u00e9e pour le troisi\u00e8me quartile. Si Q3 se situe \u00e0 une distance de +0,67449 \u00e9cart-type au-dessus de la moyenne dans l’espace standardis\u00e9, Q1 se situe obligatoirement et sym\u00e9triquement \u00e0 -0,67449 \u00e9cart-type en dessous de cette m\u00eame moyenne. L’attribution respective des signes positif et n\u00e9gatif au coefficient critique d\u00e9coule ainsi avec fluidit\u00e9 de la topologie intrins\u00e8que de la loi normale :<\/p>\n