{"id":5815,"date":"2026-10-14T18:02:03","date_gmt":"2026-10-14T18:02:03","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-boite-a-moustaches-google-sheets\/"},"modified":"2026-10-14T18:02:03","modified_gmt":"2026-10-14T18:02:03","slug":"comment-creer-boite-a-moustaches-google-sheets","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-boite-a-moustaches-google-sheets","title":{"rendered":"Comment cr\u00e9er une bo\u00eete \u00e0 moustaches dans Google Sheets"},"content":{"rendered":"

L\u2019analyse exploratoire des donn\u00e9es quantitatives constitue le socle fondamental de toute d\u00e9marche empirique rigoureuse, particuli\u00e8rement au sein des sciences humaines, de la psychologie cognitive et des sciences comportementales. Face \u00e0 des distributions empiriques complexes, souvent caract\u00e9ris\u00e9es par des asym\u00e9tries prononc\u00e9es, des art\u00e9facts de mesure ou des scores extr\u00eames, les chercheurs se heurtent rapidement aux limites inh\u00e9rentes aux r\u00e9sum\u00e9s statistiques param\u00e9triques classiques. La bo\u00eete \u00e0 moustaches, conceptualis\u00e9e par le statisticien am\u00e9ricain John Tukey<\/a>, s\u2019impose d\u00e8s lors comme un instrument d\u2019investigation visuelle irrempla\u00e7able, offrant une synth\u00e8se ordinale robuste de la dispersion, de la tendance centrale et des singularit\u00e9s distributionnelles d\u2019une s\u00e9rie de mesures.<\/p>\n

Pourtant, la transposition de ce standard graphique universel au sein des outils contemporains de traitement collaboratif de donn\u00e9es soul\u00e8ve des d\u00e9fis d\u2019ordre technique singuliers. L\u2019\u00e9cosyst\u00e8me Google Sheets<\/a>, bien qu\u2019omnipr\u00e9sent dans les laboratoires de recherche, les d\u00e9partements universitaires et les cellules d\u2019\u00e9valuation clinique en raison de ses fonctionnalit\u00e9s de synchronisation en temps r\u00e9el, ne propose pas de moteur de g\u00e9n\u00e9ration directe d\u2019un diagramme de Tukey conforme aux canons de la publication scientifique. Pour contourner cette lacune architecturale, les analystes de donn\u00e9es doivent mobiliser une d\u00e9marche ing\u00e9nieuse consistant \u00e0 d\u00e9tourner le graphique financier en chandeliers japonais (candlestick chart<\/em>) afin d\u2019\u00e9muler fid\u00e8lement la bo\u00eete interquartile et ses extensions ordinales.<\/p>\n

Ce guide exhaustif a pour vocation d\u2019accompagner les chercheurs, statisticiens, psychologues et \u00e9tudiants avanc\u00e9s dans l\u2019\u00e9laboration m\u00e9thodologique, le calcul algorithmique et l\u2019optimisation graphique d\u2019une bo\u00eete \u00e0 moustaches dans Google Sheets. De la formalisation math\u00e9matique du r\u00e9sum\u00e9 \u00e0 cinq nombres \u00e0 la mise en conformit\u00e9 visuelle avec les normes \u00e9ditoriales de l\u2019American Psychological Association<\/em> (APA), ce manuel didactique d\u00e9taille chaque \u00e9tape op\u00e9ratoire pour transformer des matrices de donn\u00e9es brutes en visualisations analytiques d\u2019une pr\u00e9cision irr\u00e9prochable.<\/p>\n

1. Fondements th\u00e9oriques de la bo\u00eete \u00e0 moustaches en psychologie et sciences quantitatives<\/h2>\n

1.1 D\u00e9finition \u00e9pist\u00e9mologique et utilit\u00e9 du diagramme de Tukey<\/h3>\n

La bo\u00eete \u00e0 moustaches, traditionnellement d\u00e9sign\u00e9e dans la litt\u00e9rature anglo-saxonne sous le vocable de box-and-whisker plot<\/em>, a \u00e9t\u00e9 introduite formellement en 1977 par John Wilder Tukey dans son ouvrage fondateur intitul\u00e9 Exploratory Data Analysis<\/em>. S\u2019inscrivant en rupture avec une tradition statistique quasi exclusivement inf\u00e9rentielle et param\u00e9trique, Tukey plaidait pour une approche exploratoire pr\u00e9alable, postulant que les chercheurs doivent examiner la physionomie intrins\u00e8que de leurs observations avant d\u2019\u00e9chafauder des hypoth\u00e8ses probabilistes rigides. Le diagramme de Tukey est ainsi n\u00e9 d\u2019une volont\u00e9 de condenser graphiquement les propri\u00e9t\u00e9s structurales d\u2019un \u00e9chantillon continu au moyen de rep\u00e8res d\u2019ordre insensibles aux d\u00e9formations extr\u00eames.<\/p>\n

Dans le domaine des sciences psychologiques, o\u00f9 les \u00e9chelles d\u2019\u00e9valuation psychom\u00e9trique (telles que les \u00e9chelles de Likert \u00e0 intervalles suppos\u00e9s \u00e9gaux) et les chronom\u00e9tries cognitives g\u00e9n\u00e8rent quasi syst\u00e9matiquement des distributions asym\u00e9triques, la bo\u00eete \u00e0 moustaches s\u2019av\u00e8re d\u2019une pertinence \u00e9pist\u00e9mologique capitale. L\u2019analyse des temps de r\u00e9action lors d\u2019une t\u00e2che de Stroop ou d\u2019un paradigme d\u2019amor\u00e7age s\u00e9mantique, par exemple, r\u00e9v\u00e8le invariablement un \u00e9talement asym\u00e9trique vers la droite, caus\u00e9 par des latences motrices incompressibles associ\u00e9es \u00e0 des \u00e9pisodes occasionnels d\u2019inattention du sujet exp\u00e9rimental. Face \u00e0 de tels profils, la bo\u00eete \u00e0 moustaches pr\u00e9serve l\u2019int\u00e9grit\u00e9 descriptive du ph\u00e9nom\u00e8ne en \u00e9vitant l\u2019\u00e9cueil du lissage trompeur inh\u00e9rent aux repr\u00e9sentations gaussiennes.<\/p>\n

\"\"<\/figure>\n

Sur le plan de l’utilit\u00e9 clinique et psychom\u00e9trique, le diagramme permet en outre d\u2019objectiver imm\u00e9diatement l\u2019amplitude de la variabilit\u00e9 interindividuelle et intra-individuelle. Il fournit une cartographie directe de la zone de densit\u00e9 m\u00e9diane, tout en d\u00e9limitant de mani\u00e8re explicite les \u0444\u0440\u043e\u043dti\u00e8res au-del\u00e0 desquelles un score cesse d\u2019appartenir \u00e0 la variabilit\u00e9 physiologique normale pour \u00eatre suspect\u00e9 d\u2019aberration technique ou de d\u00e9viation pathologique. Cette dualit\u00e9 entre condensation de masse et individualisation des marges fait du diagramme de Tukey un pivot incontournable de l\u2019investigation quantitative contemporaine.<\/p>\n

1.2 Comparaison entre repr\u00e9sentations param\u00e9triques et non param\u00e9triques<\/h3>\n

La distinction \u00e9pist\u00e9mologique majeure entre les approches param\u00e9triques et non param\u00e9triques r\u00e9side dans le degr\u00e9 de d\u00e9pendance vis-\u00e0-vis des postulats distributionnels. Les indicateurs param\u00e9triques fondamentaux, \u00e0 savoir la moyenne arithm\u00e9tique et l\u2019\u00e9cart-type, reposent sur l\u2019hypoth\u00e8se implicite d\u2019une distribution sous-jacente sym\u00e9trique, id\u00e9alement m\u00e9socurtique et assimilable \u00e0 la loi normale de Laplace-Gauss. D\u00e8s lors qu\u2019une distribution pr\u00e9sente une contamination par des valeurs extr\u00eames ou manifeste une bimodalit\u00e9 latente, la moyenne est irr\u00e9m\u00e9diablement d\u00e9port\u00e9e dans la direction de la queue de distribution, tandis que l\u2019\u00e9cart-type s\u2019accro\u00eet artificiellement sous l\u2019effet de l\u2019\u00e9l\u00e9vation au carr\u00e9 des d\u00e9viations individuelles.<\/p>\n

\u00c0 l’inverse, l\u2019approche non param\u00e9trique incarn\u00e9e par la bo\u00eete \u00e0 moustaches substitue \u00e0 ces param\u00e8tres sensibles des estimateurs de position d\u2019une exceptionnelle robustesse : la m\u00e9diane empirique et l\u2019\u00e9cart interquartile (Interquartile Range<\/em> ou IQR). La m\u00e9diane correspond au cinquanti\u00e8me centile ordinal, s\u00e9parant formellement l\u2019effectif en deux moiti\u00e9s \u00e9quiprobables, sans \u00e9gard pour la magnitude relative des valeurs p\u00e9riph\u00e9riques. L\u2019\u00e9cart interquartile, quant \u00e0 lui, quantifie la dispersion des cinquante pour cent m\u00e9dians de la distribution, circonscrivant l\u2019h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 centrale sans subir la d\u00e9formation que provoquerait un score isol\u00e9 aberrant r\u00e9sultant d\u2019une d\u00e9faillance instrumentale.<\/p>\n

Sur le plan de la communication scientifique, la compl\u00e9mentarit\u00e9 graphique s\u2019av\u00e8re essentielle. Alors que l\u2019histogramme d\u00e9pend \u00e9troitement du choix arbitraire de la largeur des classes de fr\u00e9quence et que le diagramme de dispersion (scatterplot<\/em>) devient rapidement illisible lorsqu\u2019il est satur\u00e9 par des milliers d\u2019observations superpos\u00e9es, la bo\u00eete \u00e0 moustaches synth\u00e9tise la forme globale avec une remarquable \u00e9conomie d\u2019encre graphique. Elle permet d\u2019embrasser d\u2019un seul regard la dispersion, le centrage et la sym\u00e9trie de cohortes enti\u00e8res, facilitant les comparaisons d\u2019\u00e9chelles multiples sans obliger le lecteur \u00e0 scruter des matrices num\u00e9riques exhaustives.<\/p>\n

1.3 Sp\u00e9cificit\u00e9s techniques de l’\u00e9cosyst\u00e8me Google Sheets<\/h3>\n

Bien que Google Sheets soit devenu un environnement de pr\u00e9dilection pour la gestion de bases de donn\u00e9es distribu\u00e9es et la mise en \u0153uvre de protocoles collaboratifs entre laboratoires distants, son moteur de visualisation natif pr\u00e9sente une particularit\u00e9 historique qui surprend souvent les chercheurs habitu\u00e9s \u00e0 des progiciels sp\u00e9cialis\u00e9s comme R, SPSS ou Jamovi. Contrairement \u00e0 ces derniers, Google Sheets ne dispose pas, au sein de son menu de s\u00e9lection standard, d\u2019un mod\u00e8le de \u00ab diagramme en bo\u00eete \u00bb g\u00e9n\u00e9r\u00e9 automatiquement \u00e0 partir d\u2019une simple colonne de donn\u00e9es continues brutes sans agr\u00e9gation pr\u00e9alable.<\/p>\n

Cette carence fonctionnelle contraint l\u2019utilisateur \u00e0 une d\u00e9marche d\u2019ing\u00e9nierie statistique : le recours d\u00e9tourn\u00e9 au graphique en chandeliers (candlestick chart<\/em>). Originellement con\u00e7u pour l\u2019analyse financi\u00e8re des march\u00e9s boursiers afin de visualiser les cours d\u2019ouverture, de cl\u00f4ture, les planchers et les plafonds d\u2019un actif financier sur une unit\u00e9 de temps donn\u00e9e, ce format visuel pr\u00e9sente des propri\u00e9t\u00e9s g\u00e9om\u00e9triques strictement identiques \u00e0 celles requises pour dessiner un diagramme de Tukey. La bo\u00eete centrale du chandelier correspond \u00e0 l\u2019intervalle interquartile, tandis que les m\u00e8ches verticales sup\u00e9rieure et inf\u00e9rieure figurent fid\u00e8lement les moustaches de la distribution statistique.<\/p>\n

Ce d\u00e9tournement technique, loin d’\u00eatre un obstacle r\u00e9dhibitoire, conf\u00e8re en r\u00e9alit\u00e9 une grande flexibilit\u00e9 m\u00e9thodologique. Il impose au chercheur de ma\u00eetriser la cha\u00eene algorithmique compl\u00e8te menant des donn\u00e9es primaires aux estimateurs de position. En outre, la synchronisation infonuagique native de Google Sheets autorise une actualisation dynamique et instantan\u00e9e des repr\u00e9sentations graphiques : chaque nouvelle passation d\u2019un questionnaire en ligne via Google Forms ou chaque ajout de sujet exp\u00e9rimental recalcule automatiquement les param\u00e8tres statistiques et r\u00e9ajuste la morphologie des chandeliers, garantissant une surveillance continue de l\u2019int\u00e9grit\u00e9 des protocoles de recherche.<\/p>\n

2. Anatomie statistique du r\u00e9sum\u00e9 \u00e0 cinq nombres (Five-Number Summary)<\/h2>\n

2.1 Le minimum et le maximum statistiques<\/h3>\n

L\u2019\u00e9dification d\u2019une bo\u00eete \u00e0 moustaches repose structurellement sur le concept math\u00e9matique du r\u00e9sum\u00e9 \u00e0 cinq nombres, formalis\u00e9 pour capturer l\u2019essentiel d\u2019une distribution sans formuler d\u2019hypoth\u00e8se a priori sur sa loi de probabilit\u00e9. Les deux premi\u00e8res bornes de ce r\u00e9sum\u00e9 sont constitu\u00e9es par les valeurs extr\u00eames empiriques : le minimum absolu et le maximum absolu observ\u00e9s dans la s\u00e9rie de donn\u00e9es. Le minimum repr\u00e9sente l\u2019observation ayant le rang ordinal le plus bas, tandis que le maximum mat\u00e9rialise l\u2019observation de rang le plus \u00e9lev\u00e9 au sein de l\u2019espace d\u2019\u00e9chantillonnage examin\u00e9.<\/p>\n

Il importe toutefois de distinguer conceptuellement les extremums empiriques bruts des bornes th\u00e9oriques d\u00e9finies par Tukey pour la troncature des moustaches. Dans la conception canonique du diagramme de Tukey, les moustaches ne s\u2019\u00e9tirent pas syst\u00e9matiquement jusqu\u2019aux minima et maxima absolus de la s\u00e9rie, mais s\u2019arr\u00eatent \u00e0 la derni\u00e8re observation situ\u00e9e \u00e0 l\u2019int\u00e9rieur d\u2019un intervalle protecteur d\u00e9termin\u00e9 par une barri\u00e8re math\u00e9matique \u00e9gale \u00e0 une fois et demie l\u2019\u00e9cart interquartile (1,5 IQR). Tout point exc\u00e9dant cette barri\u00e8re est alors consid\u00e9r\u00e9 comme une observation disjointe et repr\u00e9sent\u00e9 sous forme de point distinct. Dans l\u2019impl\u00e9mentation financi\u00e8re simplifi\u00e9e sous Google Sheets, la tentation est grande de faire correspondre les extr\u00e9mit\u00e9s des moustaches au minimum et au maximum r\u00e9els, ce qui exige de la part du statisticien une vigilance accrue quant \u00e0 la nature des valeurs ainsi mat\u00e9rialis\u00e9es.<\/p>\n

Au sein d’un protocole d\u2019exp\u00e9rimentation psychologique, le rep\u00e9rage de ces valeurs extr\u00eames constitue un filtre de contr\u00f4le de qualit\u00e9 essentiel. Un minimum ou un maximum absurde trahit instantan\u00e9ment une coquille d\u2019encodage mat\u00e9riel, comme l\u2019inversion de chiffres au clavier (par exemple, un score de 99 sur une \u00e9chelle \u00e9talonn\u00e9e de 1 \u00e0 9), ou encore une violation manifeste du protocole par un participant (tel qu\u2019un temps de r\u00e9ponse de 15 millisecondes, physiologiquement impossible pour une t\u00e2che de discrimination visuelle complexe).<\/p>\n

2.2 Les quartiles (Q1 et Q3) et la dispersion centrale<\/h3>\n

Le premier quartile, not\u00e9 usuellement Q1 ou 25e centile, correspond \u00e0 la valeur ordinale sous laquelle se situent exactement 25 % des observations les plus basses de l\u2019\u00e9chantillon ordonn\u00e9, laissant 75 % de l\u2019effectif au-dessus d\u2019elle. \u00c0 l’oppos\u00e9 sym\u00e9trique de la distribution, le troisi\u00e8me quartile, not\u00e9 Q3 ou 75e centile, repr\u00e9sente la valeur sous laquelle se concentrent 75 % des observations, les 25 % restants se d\u00e9ployant vers les valeurs sup\u00e9rieures. Ces deux indicateurs de position d\u00e9limitent avec pr\u00e9cision les contours de la \u00ab bo\u00eete \u00bb centrale du diagramme de Tukey.<\/p>\n

L’\u00e9cart interquartile, calcul\u00e9 par la diff\u00e9rence arithm\u00e9tique simple entre le troisi\u00e8me et le premier quartile (formule : IQR = Q3 – Q1), constitue la m\u00e9trique fondamentale de dispersion non param\u00e9trique. Contrairement \u00e0 l’\u00e9cart-type ou \u00e0 la variance, dont les calculs int\u00e8grent la totalit\u00e9 des d\u00e9viations quadratiques par rapport au centre arithm\u00e9tique, l’IQR neutralise l’impact des 25 % d’observations les plus basses et des 25 % les plus hautes. Il se concentre exclusivement sur le demi-\u00e9chantillon central, ce qui en fait un estimateur poss\u00e9dant un point de rupture (breakdown point<\/em>) \u00e9lev\u00e9 : il peut supporter jusqu’\u00e0 25 % de valeurs arbitrairement corrompues \u00e0 chaque extr\u00e9mit\u00e9 sans que sa mesure fondamentale de l\u2019\u00e9parpillement central ne subisse de d\u00e9naturation.<\/p>\n

Visualiser l’IQR sous la forme d’un rectangle g\u00e9om\u00e9trique permet d\u2019appr\u00e9hender imm\u00e9diatement la densit\u00e9 empirique des scores. Une bo\u00eete compacte et resserr\u00e9e t\u00e9moigne d\u2019une forte homog\u00e9n\u00e9it\u00e9 des r\u00e9ponses chez la majorit\u00e9 des sujets, tandis qu’une bo\u00eete particuli\u00e8rement allong\u00e9e signale une divergence prononc\u00e9e des comportements ou des traits psychologiques mesur\u00e9s, m\u00eame au sein du noyau central de la cohorte \u00e9valu\u00e9e.<\/p>\n

2.3 La m\u00e9diane empirique comme point d’ancrage central<\/h3>\n

La m\u00e9diane empirique, ou second quartile (not\u00e9e indiff\u00e9remment Q2 ou Med), constitue le pivot g\u00e9om\u00e9trique et statistique du r\u00e9sum\u00e9 \u00e0 cinq nombres. Elle correspond \u00e0 la valeur de la variable qui partage formellement l’effectif ordonn\u00e9 en deux sous-groupes d’\u00e9gale proportion : cinquante pour cent des participants obtiennent un r\u00e9sultat inf\u00e9rieur ou \u00e9gal \u00e0 cette valeur, et cinquante pour cent obtiennent un r\u00e9sultat sup\u00e9rieur ou \u00e9gal. En tant que param\u00e8tre de tendance centrale fond\u00e9 sur le rang, la m\u00e9diane ne d\u00e9pend aucunement des valeurs num\u00e9riques marginales, mais uniquement du d\u00e9nombrement des observations positionn\u00e9es de part et d’autre de son seuil.<\/p>\n

Cette propri\u00e9t\u00e9 math\u00e9matique conf\u00e8re \u00e0 la m\u00e9diane une r\u00e9sistance quasi absolue face aux biais m\u00e9thodologiques fr\u00e9quents en psychom\u00e9trie, tels que les effets de plafond ou de plancher. Si plusieurs sujets d\u00e9pressifs obtiennent le score maximal absolu sur une \u00e9chelle clinique de Beck, ce regroupement artificiel perturbera gravement la moyenne arithm\u00e9tique globale en la tirant vers le haut, alors que la m\u00e9diane demeurera insensible \u00e0 la saturation m\u00e9trique de cette extr\u00e9mit\u00e9. Elle continue de refl\u00e9ter fid\u00e8lement le profil du participant m\u00e9dian repr\u00e9sentatif de l’\u00e9chantillon clinique.<\/p>\n

L\u2019analyse du positionnement spatial de la m\u00e9diane au sein de la bo\u00eete interquartile constitue l\u2019un des diagnostics visuels les plus puissants offerts par le diagramme. Si la m\u00e9diane est rigoureusement \u00e9quidistante de Q1 et de Q3, la distribution des 50 % de scores centraux est r\u00e9put\u00e9e parfaitement sym\u00e9trique. En revanche, si la m\u00e9diane se colle contre le plancher de Q1, la distribution manifeste une asym\u00e9trie positive (\u00e9talement vers la droite) ; si elle se rapproche intimement de Q3, elle d\u00e9montre une asym\u00e9trie n\u00e9gative (\u00e9talement vers la gauche), fournissant un indice qualitatif direct sur la courbure de la fonction de masse empirique.<\/p>\n

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

3.1 Nettoyage pr\u00e9liminaire et typologie des variables<\/h3>\n

La viabilit\u00e9 de toute mod\u00e9lisation graphique sous Google Sheets d\u00e9pend imp\u00e9rativement de la puret\u00e9 formelle de la table matricielle d\u2019origine. Avant d’engager le moindre calcul algorithmique, l’exp\u00e9rimentateur doit soumettre sa base de donn\u00e9es brutes \u00e0 une inspection rigoureuse destin\u00e9e \u00e0 rep\u00e9rer les art\u00e9facts de saisie. Dans les classeurs issus de passations exp\u00e9rimentales en ligne ou d’extractions logicielles, il est courant que certaines cellules cens\u00e9es accueillir des scalaires num\u00e9riques soient enregistr\u00e9es sous forme de cha\u00eenes de texte, souvent \u00e0 cause d\u2019espaces invisibles ins\u00e9r\u00e9s par inadvertance ou de l’utilisation erron\u00e9e de caract\u00e8res typographiques alphab\u00e9tiques.<\/p>\n

Le traitement des donn\u00e9es manquantes (missing data<\/em>) doit \u00eatre orchestr\u00e9 selon des principes m\u00e9thodologiques explicites. Dans le contexte de l\u2019analyse exploratoire, une cellule laiss\u00e9e totalement vide est g\u00e9n\u00e9ralement ignor\u00e9e par les fonctions statistiques d\u2019agr\u00e9gation de Google Sheets, ce qui constitue le comportement par d\u00e9faut le plus sain. Toutefois, l’insertion accidentelle de codes textuels tels que \u00ab NA \u00bb, \u00ab null \u00bb, \u00ab non-r\u00e9ponse \u00bb ou la convention informatique d\u00e9su\u00e8te \u00ab 999 \u00bb viendra gravement vicier le calcul des rangs quartilaires ou engendrera des erreurs d’incompatibilit\u00e9 de type au sein des fonctions math\u00e9matiques.<\/p>\n

Il est pr\u00e9conis\u00e9 d\u2019attribuer des intitul\u00e9s de colonnes normalis\u00e9s, d\u00e9pourvus de caract\u00e8res accentu\u00e9s complexes ou de symboles diacritiques susceptibles de perturber les liaisons dynamiques. Pour une \u00e9tude portant sur l\u2019efficacit\u00e9 compar\u00e9e de th\u00e9rapies cognitives, des \u00e9tiquettes telles que Groupe_Controle<\/code>, Therapie_Standard<\/code> et Therapie_Innovante<\/code> permettent d’isoler sans ambigu\u00eft\u00e9 les vecteurs de scores continus qui feront l\u2019objet des estimations quantitatives ult\u00e9rieures.<\/p>\n

3.2 Disposition matricielle requise pour le graphique en chandeliers<\/h3>\n

L’impl\u00e9mentation du graphique en chandeliers pour \u00e9muler une bo\u00eete \u00e0 moustaches dans Google Sheets requiert une disposition matricielle extr\u00eamement stricte. Contrairement aux visualisations univari\u00e9es classiques qui op\u00e8rent directement sur une colonne verticale d\u2019observations individuelles non agr\u00e9g\u00e9es, le moteur de rendu du graphique en chandeliers exige un tableau synth\u00e9tique contenant obligatoirement cinq colonnes de donn\u00e9es dispos\u00e9es dans un ordre s\u00e9quentiel invariant.<\/p>\n

Cette topologie contrainte s’organise selon la s\u00e9quence lin\u00e9aire suivante :<\/p>\n