{"id":8186,"date":"2026-10-14T18:02:21","date_gmt":"2026-10-14T18:02:21","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-test-kolmogorov-smirnov-excel\/"},"modified":"2026-10-14T18:02:21","modified_gmt":"2026-10-14T18:02:21","slug":"comment-effectuer-test-kolmogorov-smirnov-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-test-kolmogorov-smirnov-excel","title":{"rendered":"Comment effectuer un test de Kolmogorov-Smirnov dans Excel"},"content":{"rendered":"

Dans le domaine des sciences humaines, de la psychologie quantitative et de l’\u00e9conom\u00e9trie, la mod\u00e9lisation rigoureuse des donn\u00e9es empiriques repose sur des postulats inf\u00e9rentiels stricts. Parmi ces exigences, l’hypoth\u00e8se de normalit\u00e9 de la distribution sous-jacente conditionne l’application l\u00e9gitime des outils statistiques param\u00e9triques classiques, tels que le test t de Student, l’analyse de variance (ANOVA<\/a>) ou la r\u00e9gression lin\u00e9aire standard. Lorsque ces postulats sont viol\u00e9s sans correction pr\u00e9alable, les estimations s’av\u00e8rent biais\u00e9es, augmentant de mani\u00e8re drastique les taux d’erreur de premi\u00e8re ou de seconde esp\u00e8ce. Face \u00e0 ce d\u00e9fi m\u00e9thodologique, le chercheur ou l’analyste de donn\u00e9es doit mobiliser des tests d’ad\u00e9quation non param\u00e9triques performants.<\/p>\n

Le test de Kolmogorov-Smirnov se distingue comme l’un des dispositifs d’ad\u00e9quation distributionnelle les plus \u00e9l\u00e9gants et les plus \u00e9prouv\u00e9s de la statistique inf\u00e9rentielle. Con\u00e7u initialement pour comparer une fonction de r\u00e9partition empirique \u00e0 une loi th\u00e9orique continue de r\u00e9f\u00e9rence, ce test op\u00e8re sans n\u00e9cessiter de d\u00e9coupage pr\u00e9alable des donn\u00e9es en classes arbitraires, \u00e9vitant ainsi les \u00e9cueils inh\u00e9rents au test du Chi-carr\u00e9 d’ad\u00e9quation. Malgr\u00e9 sa sophistication math\u00e9matique, son impl\u00e9mentation int\u00e9grale ne requiert pas n\u00e9cessairement de logiciels sp\u00e9cialis\u00e9s ou on\u00e9reux : le logiciel Microsoft Excel offre l’ensemble des primitives fonctionnelles indispensables pour structurer, ex\u00e9cuter et automatiser ce test avec une pr\u00e9cision absolue.<\/p>\n

Ce guide exhaustif a pour vocation de vous accompagner pas \u00e0 pas dans l’\u00e9laboration d’un banc de test de Kolmogorov-Smirnov complet au sein d’Excel. \u00c0 travers une d\u00e9marche p\u00e9dagogique rigoureuse, nous aborderons les fondements probabilistes de la statistique de distance supr\u00eame, les exigences m\u00e9triques propres \u00e0 la psychom\u00e9trie, les syntaxes fonctionnelles pr\u00e9cises \u00e0 employer, ainsi que les ajustements critiques indispensables tels que la correction de Lilliefors. En ma\u00eetrisant la d\u00e9composition transparente de chaque \u00e9tape de calcul, vous consoliderez vos pratiques d’analyse de donn\u00e9es tout en garantissant une tra\u00e7abilit\u00e9 totale de vos inf\u00e9rences empiriques.<\/p>\n

1. Fondements th\u00e9oriques et pertinence du test de Kolmogorov-Smirnov en psychom\u00e9trie<\/h2>\n

1.1 Origine et d\u00e9finition de la statistique de Kolmogorov-Smirnov<\/h3>\n

Les origines historiques du test d’ad\u00e9quation distributionnelle remontent aux travaux fondamentaux des math\u00e9maticiens russes Andre\u00ef Kolmogorov<\/a>, qui posa en 1933 les bases de la distribution asymptotique des \u00e9carts empiriques, et Vladimir Smirnov, qui \u00e9tendit ces th\u00e9or\u00e8mes en 1939 aux comparaisons bilat\u00e9rales entre deux \u00e9chantillons ind\u00e9pendants. Ce cadre probabiliste s’inscrit au c\u0153ur de la statistique non param\u00e9trique, un domaine qui s’affranchit de pr\u00e9suppos\u00e9s stricts quant \u00e0 la structure fonctionnelle de la population d’origine. Contrairement aux tests bas\u00e9s sur les moments d’ordre sup\u00e9rieur, le principe de Kolmogorov-Smirnov repose int\u00e9gralement sur la comparaison globale de deux fonctions de distribution cumulative continue : d’une part, la fonction de distribution empirique g\u00e9n\u00e9r\u00e9e par l’observation de l’\u00e9chantillon, et d’autre part, la fonction de r\u00e9partition th\u00e9orique issue d’un mod\u00e8le formel.<\/p>\n

Une distinction m\u00e9thodologique essentielle doit \u00eatre op\u00e9r\u00e9e entre le test d’ad\u00e9quation \u00e0 un \u00e9chantillon et le test d’homog\u00e9n\u00e9it\u00e9 \u00e0 deux \u00e9chantillons. La version \u00e0 un \u00e9chantillon vise \u00e0 v\u00e9rifier si un ensemble d’observations peut \u00eatre consid\u00e9r\u00e9 comme issu d’une population gouvern\u00e9e par une loi de probabilit\u00e9 sp\u00e9cifique, telle que la loi normale<\/a>, la loi exponentielle ou la loi uniforme. La version \u00e0 deux \u00e9chantillons s’attache quant \u00e0 elle \u00e0 d\u00e9terminer si deux jeux de donn\u00e9es ind\u00e9pendants proviennent de la m\u00eame population continue non sp\u00e9cifi\u00e9e. Dans le cadre de cet article, nous focaliserons notre attention sur le test d’ad\u00e9quation \u00e0 un \u00e9chantillon appliqu\u00e9 \u00e0 l’hypoth\u00e8se de normalit\u00e9, pierre angulaire de l’analyse inf\u00e9rentielle.<\/p>\n

Le r\u00f4le de cette proc\u00e9dure est capital lors des \u00e9tapes pr\u00e9liminaires d’audit de donn\u00e9es. En psychom\u00e9trie et en sciences sociales, la v\u00e9rification des postulats distributionnels ne constitue pas un simple formalisme acad\u00e9mique, mais une condition n\u00e9cessaire \u00e0 la validit\u00e9 des mod\u00e8les pr\u00e9dictifs. Avant d’engager des mod\u00e9lisations structurelles ou des calculs de fid\u00e9lit\u00e9 m\u00e9trique, s’assurer que la fonction empirique ne s’\u00e9loigne pas de mani\u00e8re significative de la trajectoire th\u00e9orique permet de pr\u00e9munir l’analyste contre des conclusions inf\u00e9rentielles infond\u00e9es.<\/p>\n

\"\"<\/figure>\n

1.2 L’importance de l’hypoth\u00e8se de normalit\u00e9 en psychologie quantitative<\/h3>\n

La psychologie quantitative et la psychom\u00e9trie contemporaine op\u00e8rent fr\u00e9quemment avec des variables latentes appr\u00e9hend\u00e9es par le biais d’\u00e9chelles de mesure composites, \u00e0 l’instar des inventaires de personnalit\u00e9, des tests d’intelligence g\u00e9n\u00e9rale ou des \u00e9chelles d’\u00e9valuation neuropsychologique. La quasi-totalit\u00e9 des paradigmes inf\u00e9rentiels classiques repose sur le th\u00e9or\u00e8me central limite et fait l’hypoth\u00e8se d’une distribution gaussienne des r\u00e9sidus d’\u00e9chantillonnage. Lorsque les distributions observ\u00e9es pr\u00e9sentent des asym\u00e9tries prononc\u00e9es ou des queues anormalement \u00e9paisses, les tests de comparaison de moyennes comme le test t de Student ou les analyses factorielles voient leur robustesse substantiellement \u00e9rod\u00e9e.<\/p>\n

L’asym\u00e9trie distributionnelle alt\u00e8re profond\u00e9ment la puissance statistique des tests param\u00e9triques, c’est-\u00e0-dire leur capacit\u00e9 \u00e0 d\u00e9tecter un effet r\u00e9el lorsqu’il existe v\u00e9ritablement au sein de la population. Dans le contexte de l’\u00e9valuation clinique, un biais d’\u00e9chantillonnage induisant une d\u00e9viation par rapport \u00e0 la courbe en cloche peut conduire \u00e0 une sur\u00e9valuation ou une sous-\u00e9valuation syst\u00e9matique du score standardis\u00e9 d’un sujet, compromettant le diagnostic diff\u00e9rentiel. Les questionnaires standardis\u00e9s doivent ainsi garantir une stabilit\u00e9 m\u00e9trique rigoureuse, o\u00f9 chaque \u00e9chelon de score refl\u00e8te fid\u00e8lement la progression du trait sous-jacent sans distorsion de la variance.<\/p>\n

La violation non corrig\u00e9e du postulat de normalit\u00e9 a des r\u00e9percussions directes sur l’inflation du taux d’erreur de premi\u00e8re esp\u00e8ce, conduisant le chercheur \u00e0 rejeter ind\u00fbment l’hypoth\u00e8se nulle d’absence de diff\u00e9rence. De mani\u00e8re sym\u00e9trique, l’erreur de seconde esp\u00e8ce peut s’en trouver accrue, masquant des variations cliniques substantielles. D\u00e8s lors, le recours \u00e0 un test de conformit\u00e9 rigoureux en amont de toute manipulation analytique devient un imp\u00e9ratif \u00e9pist\u00e9mologique pour garantir la reproductibilit\u00e9 et la solidit\u00e9 des inf\u00e9rences psychom\u00e9triques.<\/p>\n

1.3 Propri\u00e9t\u00e9s math\u00e9matiques de la statistique D<\/h3>\n

D’un point de vue analytique, la statistique de test, conventionnellement d\u00e9sign\u00e9e par la lettre D, mesure la distance supremum, c’est-\u00e0-dire le plus grand \u00e9cart absolu constat\u00e9 verticalement entre la fonction de r\u00e9partition cumulative th\u00e9orique et la fonction de distribution cumulative empirique. Math\u00e9matiquement, pour un \u00e9chantillon d’observations ordonn\u00e9es, cette grandeur se formalise par la borne sup\u00e9rieure de la diff\u00e9rence absolue sur l’ensemble de l’axe r\u00e9el. Cette formulation g\u00e9om\u00e9trique conf\u00e8re au test une interpr\u00e9tation visuelle directe : il s’agit de localiser le point sur l’abscisse o\u00f9 l’\u00e9cart vertical entre la courbe continue mod\u00e9lis\u00e9e et l’escalier des donn\u00e9es observ\u00e9es atteint son apog\u00e9e.<\/p>\n

Une propri\u00e9t\u00e9 fondamentale de la statistique D r\u00e9side dans son invariance d’\u00e9chelle face \u00e0 toute transformation strictement croissante des variables continues d’origine. Cette invariance d\u00e9coule du fait que la fonction de r\u00e9partition empirique op\u00e8re une projection des observations sur l’intervalle unitaire ferm\u00e9 compris entre z\u00e9ro et un. Que les scores psychom\u00e9triques soient exprim\u00e9s en millisecondes de temps de r\u00e9action, en points bruts d’une \u00e9chelle d’anxi\u00e9t\u00e9 ou en centim\u00e8tres, la m\u00e9trique sous-jacente \u00e0 la comparaison demeure universelle et standardis\u00e9e, \u00e9liminant tout artefact li\u00e9 au choix arbitraire des unit\u00e9s physiques de mesure.<\/p>\n

N\u00e9anmoins, il convient de souligner une caract\u00e9ristique structurelle propre \u00e0 la statistique de Kolmogorov-Smirnov : sa sensibilit\u00e9 diff\u00e9rentielle le long du continuum de la variable. En raison des propri\u00e9t\u00e9s math\u00e9matiques du processus empirique sous-jacent, le test manifeste une vigilance maximale autour de la m\u00e9diane de la distribution, zone o\u00f9 les densit\u00e9s de probabilit\u00e9 cumul\u00e9es s’accumulent le plus rapidement. En contrepartie, il tend \u00e0 pr\u00e9senter une sensibilit\u00e9 relative plus mod\u00e9r\u00e9e au niveau des queues de distribution, comportement qui justifie une attention particuli\u00e8re lorsque l’\u00e9valuation de valeurs extr\u00eames ou aberrantes constitue l’enjeu central de la recherche.<\/p>\n

2. Formulation des hypoth\u00e8ses et cadre m\u00e9thodologique du test<\/h2>\n

2.1 D\u00e9finition rigoureuse de l’hypoth\u00e8se nulle et de l’alternative<\/h3>\n

L’articulation du test de Kolmogorov-Smirnov au sein du paradigme de la d\u00e9cision statistique requiert une formulation probabiliste sans ambigu\u00eft\u00e9 des propositions th\u00e9oriques en concurrence. L’hypoth\u00e8se nulle, not\u00e9e conventionnellement H0, stipule que les donn\u00e9es observ\u00e9es proviennent d’une population dont la fonction de r\u00e9partition cumulative r\u00e9elle est strictement identique \u00e0 la fonction de distribution th\u00e9orique sp\u00e9cifi\u00e9e a priori. Dans le cadre de notre probl\u00e9matique de normalit\u00e9, H0 postule que la variable al\u00e9atoire sous-jacente suit une loi normale d’esp\u00e9rance math\u00e9matique mu et d’\u00e9cart-type sigma donn\u00e9s.<\/p>\n

\u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative, formalis\u00e9e par H1, pose l’existence d’une divergence mesurable en au moins un point du domaine de d\u00e9finition. Cela signifie qu’il existe au moins une valeur de l’abscisse pour laquelle la proportion cumul\u00e9e empirique diff\u00e8re significativement de la probabilit\u00e9 cumul\u00e9e mod\u00e9lis\u00e9e par la loi normale th\u00e9orique. Il s’agit d’un test fondamentalement bilat\u00e9ral et non directionnel, car il sanctionne indiff\u00e9remment une accumulation pr\u00e9matur\u00e9e des probabilit\u00e9s (asym\u00e9trie positive), un retard de cumul (asym\u00e9trie n\u00e9gative) ou un \u00e9talement discordant des observations (aplatissement anormal).<\/p>\n

Une distinction statistique d’une importance capitale doit \u00eatre op\u00e9r\u00e9e \u00e0 ce stade. Lorsque la distribution th\u00e9orique est enti\u00e8rement sp\u00e9cifi\u00e9e en amont par la th\u00e9orie, avec des param\u00e8tres mu et sigma fix\u00e9s sans aucune r\u00e9f\u00e9rence aux donn\u00e9es observ\u00e9es, le test de Kolmogorov-Smirnov standard s’applique dans sa forme exacte. En revanche, si ces param\u00e8tres fondamentaux doivent \u00eatre estim\u00e9s \u00e0 partir de l’\u00e9chantillon lui-m\u00eame au moyen de la moyenne empirique et de l’\u00e9cart-type d’\u00e9chantillon, la distribution d’\u00e9chantillonnage de la statistique D s’en trouve comprim\u00e9e, imposant un ajustement critique du cadre d\u00e9cisionnel que nous expliciterons ult\u00e9rieurement.<\/p>\n

2.2 Fixation du seuil de significativit\u00e9 alpha<\/h3>\n

La fixation du risque de premi\u00e8re esp\u00e8ce, d\u00e9sign\u00e9 par la lettre grecque alpha, mat\u00e9rialise le seuil probabiliste au-del\u00e0 duquel l’analyste accepte de rejeter l’hypoth\u00e8se nulle alors m\u00eame que celle-ci serait vraie. Dans les standards de la recherche quantitative en psychologie et en sciences sociales, la convention acad\u00e9mique consacre g\u00e9n\u00e9ralement un seuil alpha fix\u00e9 \u00e0 0,05, ce qui correspond \u00e0 une marge d’erreur tol\u00e9r\u00e9e de 5 % d’affirmation erron\u00e9e d’un \u00e9cart \u00e0 la normalit\u00e9. Des contextes cliniques plus restrictifs ou des d\u00e9marches de validation d’instruments de diagnostic peuvent exiger des seuils plus s\u00e9v\u00e8res, fix\u00e9s \u00e0 0,01 voire 0,001.<\/p>\n

Le chercheur doit n\u00e9anmoins appr\u00e9hender avec lucidit\u00e9 la relation dynamique reliant la taille de l’\u00e9chantillon au risque de rejet. Sur des \u00e9chantillons de taille modeste, un seuil alpha de 0,05 peut s’av\u00e9rer insuffisant pour rejeter H0 en pr\u00e9sence de d\u00e9viations mod\u00e9r\u00e9es, en raison d’une puissance statistique restreinte. Inversement, face \u00e0 de grands jeux de donn\u00e9es comptant plusieurs centaines ou milliers d’individus, la moindre variation infinit\u00e9simale par rapport \u00e0 la gaussienne th\u00e9orique, sans port\u00e9e pratique r\u00e9elle, conduira syst\u00e9matiquement \u00e0 une p-valeur infinit\u00e9simale et au rejet d’H0.<\/p>\n

Dans une perspective de science ouverte et de r\u00e9plication empirique rigoureuse, la transparence m\u00e9thodologique impose de d\u00e9finir et de justifier le niveau d’alpha pr\u00e9alablement \u00e0 l’extraction des donn\u00e9es d’Excel. Ajuster le seuil a posteriori en fonction de la proximit\u00e9 du r\u00e9sultat aux fronti\u00e8res de d\u00e9cision violerait les principes directeurs de l’inf\u00e9rence statistique et d\u00e9graderait la reproductibilit\u00e9 de l’\u00e9tude men\u00e9e.<\/p>\n

2.3 Conditions d’application et exigences m\u00e9triques<\/h3>\n

L’application rigoureuse du test de Kolmogorov-Smirnov est subordonn\u00e9e au respect de conditions d’application pr\u00e9cises d\u00e9finies par la th\u00e9orie math\u00e9matique. La premi\u00e8re exigence stipule que la variable \u00e9tudi\u00e9e doit \u00eatre rigoureusement continue et mesur\u00e9e sur une \u00e9chelle d’intervalles \u00e9gaux ou une \u00e9chelle de rapports. Le test s’appuie en effet sur l’hypoth\u00e8se que la probabilit\u00e9 d’observer deux valeurs rigoureusement identiques est th\u00e9oriquement nulle, condition n\u00e9cessaire pour que la fonction de r\u00e9partition th\u00e9orique soit strictement croissante et d\u00e9rivable sur l’ensemble de son domaine.<\/p>\n

La seconde condition fondamentale r\u00e9side dans l’ind\u00e9pendance statistique stricte des observations au sein de l’\u00e9chantillon d’analyse. Les donn\u00e9es doivent avoir \u00e9t\u00e9 recueillies selon un sch\u00e9ma d’\u00e9chantillonnage al\u00e9atoire simple, garantissant que la mesure d’un participant n’exerce aucune influence directe ou indirecte sur celle d’un autre. Les plans d’exp\u00e9rimentation impliquant des mesures r\u00e9p\u00e9t\u00e9es dans le temps ou des regroupements hi\u00e9rarchiques (comme des \u00e9l\u00e8ves nich\u00e9s dans des classes scolaires) enfreignent ce principe et requi\u00e8rent des mod\u00e9lisations mixtes pr\u00e9alables \u00e0 toute \u00e9valuation globale.<\/p>\n

Cette contrainte de continuit\u00e9 soul\u00e8ve une difficult\u00e9 m\u00e9thodologique aigu\u00eb dans le traitement des inventaires psychom\u00e9triques modernes, largement domin\u00e9s par les \u00e9chelles de type Likert en cinq ou sept points. Bien que ces donn\u00e9es ordinales soient fr\u00e9quemment somm\u00e9es pour constituer des scores composites trait\u00e9s ensuite comme des grandeurs quantitatives, la pr\u00e9sence inh\u00e9rente d’ex \u00e6quo (valeurs r\u00e9p\u00e9t\u00e9es identiques) et la troncature structurelle des \u00e9chelles alt\u00e8rent les hypoth\u00e8ses du test. L’analyste doit \u00eatre pleinement conscient de ces approximations lorsqu’il applique la statistique D \u00e0 des scores psychologiques discr\u00e9tis\u00e9s.<\/p>\n

3. Pr\u00e9paration et structuration des donn\u00e9es exp\u00e9rimentales dans Excel<\/h2>\n

3.1 Saisie et nettoyage pr\u00e9liminaire du jeu de donn\u00e9es<\/h3>\n

La r\u00e9ussite d’un calcul statistique complexe au sein d’Excel repose sur une discipline irr\u00e9prochable d’agencement des donn\u00e9es tabulaires. Pour garantir l’int\u00e9grit\u00e9 de la cha\u00eene de traitement, le jeu de donn\u00e9es brutes doit imp\u00e9rativement \u00eatre consign\u00e9 au sein d’une colonne vectorielle unique et continue, que nous d\u00e9signerons par convention comme la colonne A, en r\u00e9servant la cellule A1 pour l’en-t\u00eate nominatif de la variable (par exemple : Score_Anxiete). Aucun \u00e9l\u00e9ment textuel, aucun s\u00e9parateur vide ou total interm\u00e9diaire ne doit s’ins\u00e9rer au milieu de la plage de valeurs d’\u00e9chantillonnage.<\/p>\n

Une phase de nettoyage m\u00e9thodique s’impose avant tout calcul algorithmique. Les erreurs de saisie num\u00e9rique, telles que l’utilisation par inadvertance d’un point d\u00e9cimal au lieu d’une virgule (selon la configuration r\u00e9gionale des param\u00e8tres linguistiques de votre version d’Excel), constituent la premi\u00e8re source d’\u00e9chec des formules math\u00e9matiques, convertissant silencieusement des valeurs num\u00e9riques en cha\u00eenes de texte ignor\u00e9es par les fonctions de sommation. Il est recommand\u00e9 de recourir \u00e0 l’outil de validation des donn\u00e9es d’Excel pour interdire toute entr\u00e9e non comprise dans l’intervalle th\u00e9orique admissible de votre instrument de mesure.<\/p>\n

Par ailleurs, l’analyste doit identifier et traiter rigoureusement les cellules d\u00e9pourvues de valeur. En statistique inf\u00e9rentielle, une omission involontaire ne saurait \u00eatre implicitement assimil\u00e9e \u00e0 un score nul. Les observations incompl\u00e8tes doivent \u00eatre soit isol\u00e9es par filtrage pour r\u00e9aliser une analyse sur cas complets, soit soumises \u00e0 une proc\u00e9dure d’imputation m\u00e9thodique si le protocole exp\u00e9rimental le justifie, en veillant \u00e0 ne pas alt\u00e9rer artificiellement la variance d’\u00e9chantillonnage de la distribution.<\/p>\n

3.2 Tri imp\u00e9ratif des observations par ordre croissant<\/h3>\n

La construction de la fonction de r\u00e9partition empirique exige formellement que les donn\u00e9es soient structur\u00e9es sous la forme d’une suite monotone non d\u00e9croissante, d\u00e9sign\u00e9e en math\u00e9matiques sous le vocable de statistique d’ordre. Sans cette op\u00e9ration s\u00e9quentielle pr\u00e9alable, l’\u00e9valuation des probabilit\u00e9s cumul\u00e9es par observation perdrait toute signification logique. L’analyste doit donc proc\u00e9der au tri physique des donn\u00e9es brutes au sein de la feuille de calcul.<\/p>\n

Pour ex\u00e9cuter cette op\u00e9ration sans risque d’alt\u00e9ration de la coh\u00e9rence matricielle, s\u00e9lectionnez l’int\u00e9gralit\u00e9 de la colonne de donn\u00e9es, dirigez-vous vers l’onglet Donn\u00e9es<\/strong> du ruban Excel, puis activez la commande Trier de A \u00e0 Z<\/strong> (ou du plus petit au plus grand). Si votre classeur comporte des colonnes adjacentes contenant des identifiants de participants ou des variables secondaires, veillez \u00e0 valider l’option invitant \u00e0 \u00e9tendre la s\u00e9lection afin de pr\u00e9server l’appariement unitaire de chaque ligne exp\u00e9rimentale.<\/p>\n

Une fois l’op\u00e9ration ex\u00e9cut\u00e9e, un contr\u00f4le visuel imm\u00e9diat s’impose. V\u00e9rifiez scrupuleusement que la premi\u00e8re observation situ\u00e9e en cellule A2 correspond effectivement au minimum observ\u00e9 dans votre \u00e9tude, et que la derni\u00e8re cellule occup\u00e9e de la colonne refl\u00e8te le maximum empirique absolu. Cette v\u00e9rification pr\u00e9vient les d\u00e9calages de rang qui fausseraient l’estimation subs\u00e9quente des \u00e9chelons de probabilit\u00e9 cumul\u00e9e.<\/p>\n

3.3 Organisation de la matrice de calcul pour la transparence analytique<\/h3>\n

L’\u00e9laboration d’un mod\u00e8le d’audit transparent dans Excel implique de segmenter les op\u00e9rations interm\u00e9diaires en colonnes distinctes et clairement identifi\u00e9es. Cette pratique permet d’isoler chaque composante du calcul math\u00e9matique, facilitant ainsi la v\u00e9rification par des pairs et l’audit m\u00e9thodologique. Nous structurerons la feuille de calcul en r\u00e9servant les colonnes A \u00e0 H pour le d\u00e9roulement s\u00e9quentiel du test, tandis qu’un bloc lat\u00e9ral d\u00e9di\u00e9 h\u00e9bergera les param\u00e8tres d’\u00e9chantillon globaux.<\/p>\n

Attribuez des libell\u00e9s pr\u00e9cis \u00e0 la premi\u00e8re ligne de chaque colonne : la colonne A accueille les donn\u00e9es ordonn\u00e9es brutes x_i, la colonne B re\u00e7oit l’indice de rang i, la colonne C accueille la fonction de r\u00e9partition empirique sup\u00e9rieure S(x_i), la colonne D enregistre la fonction empirique inf\u00e9rieure S(x_i-1), la colonne E h\u00e9berge les valeurs de la fonction de r\u00e9partition th\u00e9orique normale F(x_i), tandis que les colonnes F et G mesurent respectivement les \u00e9carts verticaux absolus sup\u00e9rieur D+ et inf\u00e9rieur D-. La colonne H peut \u00eatre utilis\u00e9e pour enregistrer le maximum local d’\u00e9cart par observation.<\/p>\n

Parall\u00e8lement, r\u00e9servez un encadr\u00e9 sur les colonnes J et K pour y impl\u00e9menter les param\u00e8tres descriptifs globaux. Les cellules J1 \u00e0 J3 accueilleront les libell\u00e9s de la taille d’\u00e9chantillon n, de la moyenne arithm\u00e9tique et de l’\u00e9cart-type d’\u00e9chantillon, tandis que les cellules adjacentes K1 \u00e0 K3 accueilleront les formules automatis\u00e9es correspondantes. Lors de la saisie ult\u00e9rieure des formules sur l’ensemble de la colonne d’observations, l’usage des r\u00e9f\u00e9rences absolues au moyen du symbole dollar (comme $K$<\/span>1 et $K$<\/span>2) garantira le verrouillage strict de ces param\u00e8tres invariants lors de l’incr\u00e9mentation automatique vers le bas.<\/p>\n

4. Calcul des param\u00e8tres descriptifs fondamentaux dans Excel<\/h2>\n

4.1 D\u00e9termination de la taille de l’\u00e9chantillon avec la fonction NB<\/h3>\n

Le calcul de la dimension de l’\u00e9chantillon analys\u00e9, conventionnellement not\u00e9e n, constitue le point de d\u00e9part de tout le processus d’indexation cumulative. Dans l’environnement Excel, cette grandeur doit \u00eatre quantifi\u00e9e de mani\u00e8re dynamique au moyen de la fonction native NB<\/code>. En ins\u00e9rant dans la cellule K1 la syntaxe =NB(A2:A1000)<\/code> (en adaptant la plage \u00e0 la dimension r\u00e9elle de votre jeu de donn\u00e9es), le classeur \u00e9value instantan\u00e9ment le nombre de valeurs purement num\u00e9riques pr\u00e9sentes dans le vecteur d’entr\u00e9e, sans risque d’interf\u00e9rence avec les cellules vides \u00e9ventuelles.<\/p>\n

La pr\u00e9cision de cette valeur est capitale, car elle intervient directement comme d\u00e9nominateur commun de toutes les fractions de probabilit\u00e9 empirique que nous serons amen\u00e9s \u00e0 calculer \u00e0 chaque rang d’observation. De surcro\u00eet, la valeur de n constitue le param\u00e8tre central utilis\u00e9 lors des \u00e9tapes terminales pour d\u00e9terminer les seuils critiques du test \u00e0 partir des formules asymptotiques de Lilliefors.<\/p>\n

Pour des classeurs destin\u00e9s \u00e0 accueillir ult\u00e9rieurement de nouveaux jeux de donn\u00e9es sans refactorisation des formules, il est possible de faire usage de plages dynamiques fond\u00e9es sur la fonction DECALER<\/code> ou de convertir au pr\u00e9alable la plage de donn\u00e9es en un Tableau Excel<\/strong> structur\u00e9. Dans ce dernier cas, la r\u00e9f\u00e9rence \u00e0 la colonne prendra une forme s\u00e9mantique du type =NB(TableauDonnees[Scores])<\/code>, garantissant que tout ajout ou retrait de sujet mettra instantan\u00e9ment \u00e0 jour l’ensemble de la matrice de test de Kolmogorov-Smirnov.<\/p>\n

4.2 Estimation sans biais de la moyenne arithm\u00e9tique<\/h3>\n

Le centrage de la distribution th\u00e9orique normale impose d’estimer l’esp\u00e9rance math\u00e9matique de la variable observ\u00e9e. \u00c0 moins que cette valeur ne soit dict\u00e9e a priori par des normes psychom\u00e9triques populationnelles \u00e9tablies sur un \u00e9talonnage repr\u00e9sentatif externe, la moyenne doit \u00eatre d\u00e9riv\u00e9e de l’\u00e9chantillon courant. Ins\u00e9rez dans la cellule K2 la formule =MOYENNE(A2:A1000)<\/code> afin d’extraire la moyenne arithm\u00e9tique de votre variable exp\u00e9rimentale.<\/p>\n

Ce param\u00e8tre positionne le sommet de la fonction de densit\u00e9 de probabilit\u00e9 gaussienne et d\u00e9termine le point d’inflexion central de la sigmo\u00efde form\u00e9e par la fonction de r\u00e9partition cumulative th\u00e9orique. En termes de probabilit\u00e9 int\u00e9gr\u00e9e, la valeur moyenne constitue le point pr\u00e9cis o\u00f9 l’int\u00e9grale de la distribution normale standardis\u00e9e atteint exactement la probabilit\u00e9 cumul\u00e9e de 0,50.<\/p>\n

Il importe de garder \u00e0 l’esprit que la moyenne arithm\u00e9tique pr\u00e9sente une vuln\u00e9rabilit\u00e9 reconnue face aux valeurs aberrantes ou aux scores extr\u00eames fr\u00e9quents dans les \u00e9chantillons cliniques. Une contamination locale de l’\u00e9chantillon par des r\u00e9ponses atypiques peut induire un d\u00e9calage substantiel du centre de gravit\u00e9 de la courbe normale de r\u00e9f\u00e9rence, ce qui tend \u00e0 accro\u00eetre artificiellement les \u00e9carts verticaux mesur\u00e9s ult\u00e9rieurement entre le mod\u00e8le et la r\u00e9alit\u00e9 empirique.<\/p>\n

4.3 Estimation de l’\u00e9cart-type d’\u00e9chantillon<\/h3>\n

Le param\u00e8tre de dispersion de la courbe th\u00e9orique est r\u00e9gi par l’\u00e9cart-type, qui quantifie l’\u00e9talement de la distribution autour de sa tendance centrale. Pour obtenir un estimateur rigoureux et non biais\u00e9 de la variance au sein de la population parente, il est indispensable de faire appel \u00e0 la formule d’\u00e9chantillon int\u00e9grant la correction de Bessel (division par n-1 plut\u00f4t que par n). Dans Excel, cette estimation est garantie par l’utilisation exclusive de la fonction ECARTYPE.STANDARD<\/code>.<\/p>\n

Saisissez au sein de la cellule K3 la formulation =ECARTYPE.STANDARD(A2:A1000)<\/code>. L’utilisation erron\u00e9e de la fonction concurrente ECARTYPE.PEARSON<\/code> (qui applique une division par n) engendrerait une sous-estimation syst\u00e9matique de la dispersion r\u00e9elle de la population, particuli\u00e8rement sensible sur les petits \u00e9chantillons d’analyse, et compromettrait l’exactitude de la calibration th\u00e9orique ult\u00e9rieure.<\/p>\n

La valeur num\u00e9rique obtenue r\u00e9git la pente de la courbe sigmo\u00efde mod\u00e9lisant la r\u00e9partition cumulative normale : un \u00e9cart-type faible traduit une concentration aigu\u00eb des observations autour de la moyenne, mat\u00e9rialis\u00e9e par une mont\u00e9e tr\u00e8s abrupte de la courbe au centre, tandis qu’un \u00e9cart-type \u00e9lev\u00e9 produit une transition \u00e9tal\u00e9e et progressive entre les probabilit\u00e9s z\u00e9ro et un.<\/p>\n

5. Construction de la distribution cumulative empirique (ECDF)<\/h2>\n

5.1 G\u00e9n\u00e9ration de l’indexation de rang avec la fonction LIGNE<\/h3>\n

La fonction de distribution cumulative empirique (not\u00e9e ECDF pour Empirical Cumulative Distribution Function<\/em>) est formellement une fonction en escalier, continue \u00e0 droite et admettant des limites \u00e0 gauche, qui progresse d’une valeur discr\u00e8te \u00e9gale \u00e0 1\/n \u00e0 chaque nouvelle observation distincte. Pour mat\u00e9rialiser cette mont\u00e9e \u00e9chelonn\u00e9e, chaque observation x_i doit \u00eatre associ\u00e9e \u00e0 son num\u00e9ro d’ordre s\u00e9quentiel ou rang i, variant de 1 pour la plus petite observation jusqu’\u00e0 n pour la valeur maximale.<\/p>\n

Afin de vous affranchir d’une num\u00e9rotation manuelle sujette aux erreurs de saisie, impl\u00e9mentez dans la colonne B une formule d’indexation dynamique. Si votre premi\u00e8re observation se situe sur la ligne 2 de la feuille de calcul (la ligne 1 \u00e9tant d\u00e9di\u00e9e aux en-t\u00eates), inscrivez en cellule B2 la syntaxe :<\/p>\n

=LIGNE()-1<\/code><\/p>\n

En \u00e9tirant cette cellule vers le bas jusqu’au terme de votre jeu de donn\u00e9es, Excel incr\u00e9mente automatiquement la valeur du rang d’une unit\u00e9 \u00e0 chaque saut de ligne.<\/p>\n

Ce rang i mat\u00e9rialise le nombre exact d’observations au sein de l’\u00e9chantillon dont la valeur est inf\u00e9rieure ou \u00e9gale au score x_i situ\u00e9 sur la m\u00eame ligne. Il servira d’assise num\u00e9rale directe au calcul des proportions relatives cumul\u00e9es qui d\u00e9limitent g\u00e9om\u00e9triquement chaque marche de l’escalier empirique.<\/p>\n

5.2 Calcul de la proportion cumul\u00e9e sup\u00e9rieure S(x_i)<\/h3>\n

\u00c0 chaque marche i de l’escalier empirique correspond une hauteur sup\u00e9rieure qui int\u00e8gre l’observation courante x_i dans le calcul de la probabilit\u00e9 cumul\u00e9e observ\u00e9e. Cette proportion cumul\u00e9e sup\u00e9rieure, que nous formaliserons conventionnellement par la notation S(x_i), correspond strictement au ratio i divis\u00e9 par la taille totale d’\u00e9chantillon n. Elle exprime la probabilit\u00e9 empirique d’observer une valeur inf\u00e9rieure ou \u00e9gale \u00e0 x_i.<\/p>\n

Pour mod\u00e9liser cette borne sup\u00e9rieure au sein de la colonne C de notre feuille Excel, ins\u00e9rez dans la cellule C2 la formule combinatoire faisant r\u00e9f\u00e9rence \u00e0 la cellule de rang adjacente et au param\u00e8tre global n pr\u00e9alablement verrouill\u00e9 en cellule K1 :<\/p>\n

=B2\/$K$<\/span>1<\/code><\/p>\n

\u00c9tendez cette formule par recopie incr\u00e9ment\u00e9e jusqu’\u00e0 la derni\u00e8re ligne de donn\u00e9es de votre s\u00e9rie.<\/p>\n

Un m\u00e9canisme fondamental de validation interne s’op\u00e8re sur cette colonne : la toute derni\u00e8re cellule de la plage, correspondant au rang ultime i = n, doit afficher de mani\u00e8re irr\u00e9vocable la valeur d\u00e9cimale 1,0000<\/code>. Tout r\u00e9sultat divergent trahirait une distorsion dans le d\u00e9compte de n ou une inad\u00e9quation dans le cha\u00eenage de l’indexation s\u00e9quentielle des rangs.<\/p>\n

5.3 Calcul de la proportion cumul\u00e9e inf\u00e9rieure S(x_i-1)<\/h3>\n

En raison de la nature discontinue en \u00e9chelons discrets de la distribution cumulative empirique, la distance maximale s\u00e9parant cette derni\u00e8re de la courbe th\u00e9orique continue peut survenir soit au sommet de la marche d’escalier (sur la borne sup\u00e9rieure venant d’\u00eatre calcul\u00e9e), soit imm\u00e9diatement \u00e0 la base de la marche, c’est-\u00e0-dire juste avant le saut infinit\u00e9simal de probabilit\u00e9 induit par l’observation x_i. Cette seconde valeur fronti\u00e8re correspond \u00e0 la proportion cumul\u00e9e d’observations strictement inf\u00e9rieures \u00e0 x_i, not\u00e9e math\u00e9matiquement S(x_i-1), et \u00e9quivaut \u00e0 la fraction (i – 1) \/ n.<\/p>\n

Pour impl\u00e9menter ce calcul d’une importance capitale dans la colonne D, saisissez dans la cellule D2 la formulation suivante :<\/p>\n

=(B2-1)\/$K$<\/span>1<\/code><\/p>\n

Recopiez cette syntaxe sur l’ensemble des rangs jusqu’au terme de votre \u00e9chantillon.<\/p>\n

Pour la premi\u00e8re ligne d’observation (o\u00f9 le rang s\u00e9quentiel i vaut 1), la valeur retourn\u00e9e par cette formule est rigoureusement \u00e9gale \u00e0 0. Cette initialisation refl\u00e8te la r\u00e9alit\u00e9 probabiliste selon laquelle aucune observation n’est inf\u00e9rieure au minimum absolu du jeu de donn\u00e9es. La double estimation de ces bornes sup\u00e9rieure et inf\u00e9rieure garantit qu’aucun \u00e9cart g\u00e9om\u00e9trique vertical majeur n’\u00e9chappera \u00e0 la m\u00e9trique de comparaison.<\/p>\n

6. Mod\u00e9lisation de la distribution cumulative th\u00e9orique normale<\/h2>\n

6.1 Param\u00e9trage de la fonction LOI.NORMALE.N d’Excel<\/h3>\n

L’\u00e9tape suivante consiste \u00e0 quantifier, pour chaque observation x_i observ\u00e9e, la probabilit\u00e9 cumul\u00e9e qu’aurait g\u00e9n\u00e9r\u00e9e une distribution normale th\u00e9orique parfaitement ajust\u00e9e ayant pour param\u00e8tres la moyenne et l’\u00e9cart-type estim\u00e9s sur l’\u00e9chantillon. Cette probabilit\u00e9, d\u00e9sign\u00e9e par F(x_i), correspond g\u00e9om\u00e9triquement \u00e0 l’aire sous la courbe en cloche de Gauss comprise entre moins l’infini et la valeur ponctuelle x_i. Excel encapsule cette int\u00e9gration math\u00e9matique complexe au sein de sa fonction LOI.NORMALE.N<\/code>.<\/p>\n

Dans la colonne E de la feuille de calcul, saisissez en cellule E2 la syntaxe compl\u00e8te suivante :<\/p>\n

=LOI.NORMALE.N(A2; $K$<\/span>2; $K$<\/span>3; VRAI)<\/code><\/p>\n

Cette instruction appelle le score brut issu de la cellule A2, le confronte \u00e0 la moyenne de l’\u00e9chantillon log\u00e9e en $K$<\/span>2 et \u00e0 l’\u00e9cart-type situ\u00e9 en $K$<\/span>3. L’argument bool\u00e9en terminal VRAI<\/strong> est rigoureusement obligatoire : il intime \u00e0 l’algorithme d’Excel de renvoyer la fonction de distribution cumulative (l’int\u00e9grale de probabilit\u00e9 cumul\u00e9e) et non pas la valeur de densit\u00e9 de probabilit\u00e9 au point consid\u00e9r\u00e9 (qui correspondrait \u00e0 l’argument FAUX).<\/p>\n

En \u00e9tendant cette formule vers le bas, vous g\u00e9n\u00e9rez une courbe th\u00e9orique continue \u00e9chantillonn\u00e9e aux points pr\u00e9cis de vos mesures r\u00e9elles. Les valeurs r\u00e9sultantes sont n\u00e9cessairement comprises dans l’intervalle ouvert ]0 ; 1[ et progressent de fa\u00e7on strictement monotone en conformit\u00e9 avec l’augmentation ordonn\u00e9e des scores de la colonne A.<\/p>\n

\"Kolmogorov-Smirnov
Kolmogorov-Smirnov test in Excel<\/figcaption><\/figure>\n

6.2 Option alternative via les scores z et LOI.NORMALE.STANDARD.N<\/h3>\n

Bien que la m\u00e9thode directe reposant sur LOI.NORMALE.N<\/code> soit particuli\u00e8rement rapide, une approche alternative p\u00e9dagogiquement pr\u00e9cieuse consiste \u00e0 op\u00e9rer une standardisation explicite pr\u00e9alable des donn\u00e9es sous la forme de cotes r\u00e9duites ou scores z<\/a>. Cette d\u00e9composition permet de visualiser clairement l’\u00e9cart de chaque score brut \u00e0 la moyenne exprim\u00e9 en multiples d’\u00e9cart-type, conform\u00e9ment \u00e0 la relation classique z = (x – mu) \/ sigma.<\/p>\n

Si vous privil\u00e9giez cette trajectoire pour une lisibilit\u00e9 didactique accrue, vous pouvez cr\u00e9er une colonne interm\u00e9diaire calculant le score z via l’instruction =(A2-$K$<\/span>2)\/$K$<\/span>3<\/code>. D\u00e8s lors, la probabilit\u00e9 cumul\u00e9e th\u00e9orique s’extrait par la fonction sp\u00e9cifique r\u00e9gissant la loi normale centr\u00e9e r\u00e9duite :<\/p>\n

=LOI.NORMALE.STANDARD.N(cellule_z; VRAI)<\/code><\/p>\n

D’un point de vue analytique et num\u00e9rique, cette s\u00e9quence standardis\u00e9e produit des r\u00e9sultats rigoureusement indiscernables de la fonction directe LOI.NORMALE.N<\/code>. Elle offre n\u00e9anmoins l’avantage d’exposer clairement \u00e0 l’analyste les observations s’\u00e9loignant de plus de deux ou trois \u00e9carts-types de la moyenne, fournissant un premier aper\u00e7u intuitif de la pr\u00e9sence potentielle d’asym\u00e9tries ou d’individus atypiques susceptibles d’induire le rejet final de l’hypoth\u00e8se nulle.<\/p>\n

6.3 Exploration des quantiles th\u00e9oriques avec LOI.NORMALE.STANDARD.INVERSE.N<\/h3>\n

Une d\u00e9marche avanc\u00e9e d’audit distributionnel invite souvent \u00e0 inspecter la relation r\u00e9ciproque existant entre les proportions de rang empiriques et les projections quantilaires th\u00e9oriques correspondantes. Cette approche sert de matrice algorithmique \u00e0 l’\u00e9laboration des graphiques quantile-quantile (Q-Q plots). Excel dispose pour cette t\u00e2che de la fonction LOI.NORMALE.STANDARD.INVERSE.N<\/code>, capable de convertir n’importe quelle probabilit\u00e9 cumul\u00e9e p en la valeur z th\u00e9orique associ\u00e9e sous l’hypoth\u00e8se de normalit\u00e9.<\/p>\n

L’impl\u00e9mentation pratique requiert une pr\u00e9caution algorithmique essentielle : la fonction inverse normale tend vers plus l’infini lorsque l’argument p s’approche de 1, ce qui g\u00e9n\u00e8re une erreur d’\u00e9valuation sur la derni\u00e8re observation si l’on applique l’instruction directement sur la colonne S(x_i) o\u00f9 le rang terminal vaut exactement 1,0000. Pour contourner cet \u00e9cueil math\u00e9matique, on emploie fr\u00e9quemment une formule conditionnelle de sauvegarde du type :<\/p>\n

=SI(C2<1; LOI.NORMALE.STANDARD.INVERSE.N(C2); \"\")<\/code><\/p>\n

Ces quantiles projet\u00e9s permettent de mat\u00e9rialiser les valeurs th\u00e9oriques attendues pour chaque rang d’observation si la normalit\u00e9 \u00e9tait scrupuleusement respect\u00e9e. Bien que cette colonne d’exploration ne soit pas directement requise pour extraire la statistique de distance D de Kolmogorov-Smirnov, elle constitue un adjuvant visuel pr\u00e9cieux pour diagnostiquer pr\u00e9cis\u00e9ment \u00e0 quelle hauteur de l’\u00e9chelle de mesure se mat\u00e9rialisent les \u00e9carts de projection les plus critiques.<\/p>\n

7. Calcul des \u00e9carts verticaux absolus et extraction de la statistique D<\/h2>\n

7.1 \u00c9valuation de la diff\u00e9rence avec la borne sup\u00e9rieure de l’\u00e9chelon<\/h3>\n

L’extraction de la statistique de Kolmogorov-Smirnov repose sur la confrontation absolue entre la trajectoire th\u00e9orique et les contours de l’escalier empirique. Le premier vecteur d’\u00e9cart, d\u00e9sign\u00e9 par la m\u00e9trique diff\u00e9rentielle D+, \u00e9value pour chaque individu de l’\u00e9chantillon l’\u00e9cart vertical s\u00e9parant la fonction th\u00e9orique mod\u00e9lis\u00e9e F(x_i) de la borne sup\u00e9rieure empirique S(x_i). Math\u00e9matiquement, cette grandeur se d\u00e9finit par la formule :<\/p>\n

D+ = |F(x_i) – i\/n|<\/p>\n

Pour concr\u00e9tiser cette mesure au sein de la colonne F de votre classeur, inscrivez en cellule F2 l’instruction faisant intervenir la fonction de valeur absolue :<\/p>\n

=ABS(E2-C2)<\/code><\/p>\n

En propageant cette formule jusqu’au bas de la colonne, Excel calcule instantan\u00e9ment l’amplitude du diff\u00e9rentiel au sommet de chaque marche de donn\u00e9es.<\/p>\n

Cette composante D+ capture sp\u00e9cifiquement les situations o\u00f9 la distribution th\u00e9orique normale sous-estime la proportion cumulative r\u00e9ellement constat\u00e9e sur l’\u00e9chantillon. Un pic isol\u00e9 au niveau de cette colonne traduit une concentration pr\u00e9matur\u00e9e de scores empiriques, signalant couramment une asym\u00e9trie positive ou un ph\u00e9nom\u00e8ne de tassement des mesures vers les valeurs moyennes-basses.<\/p>\n

7.2 \u00c9valuation de la diff\u00e9rence avec la borne inf\u00e9rieure de l’\u00e9chelon<\/h3>\n

La seconde composante g\u00e9om\u00e9trique, d\u00e9sign\u00e9e sous le symbole D-, quantifie la distance verticale absolue entre la distribution cumulative th\u00e9orique F(x_i) et la borne inf\u00e9rieure de l’\u00e9chelon empirique S(x_i-1). Cette diff\u00e9rence est formellement exprim\u00e9e par l’\u00e9galit\u00e9 :<\/p>\n

D- = |F(x_i) – (i-1)\/n|<\/p>\n

Sur le plan op\u00e9rationnel dans Excel, impl\u00e9mentez dans la cellule G2 la syntaxe relative :<\/p>\n

=ABS(E2-D2)<\/code><\/p>\n

Puis \u00e9tendez cette formulation sur l’ensemble des lignes d’observations de votre matrice de traitement.<\/p>\n

L’omission de cette composante D- constitue l’erreur la plus classique commise par les analystes construisant manuellement ce test dans un tableur. En se limitant au seul \u00e9cart avec le sommet de marche D+, on occulterait les points de divergence o\u00f9 la courbe th\u00e9orique d\u00e9passe de fa\u00e7on culminante l’escalier empirique juste avant que ce dernier ne s’\u00e9l\u00e8ve, faussant ainsi \u00e0 la baisse l’estimation de la v\u00e9ritable distance supr\u00eame.<\/p>\n

7.3 Extraction de la divergence maximale absolue globale<\/h3>\n

La statistique D de Kolmogorov-Smirnov correspond par d\u00e9finition au supremum de l’ensemble des \u00e9carts D+ et D- r\u00e9pertori\u00e9s sur l’exhaustivit\u00e9 de l’\u00e9chantillon. Elle repr\u00e9sente la plus grande d\u00e9viation verticale absolue possible, traduisant le pire point d’inad\u00e9quation spatiale entre le mod\u00e8le gaussien propos\u00e9 et la s\u00e9rie de mesures empiriques collect\u00e9es.<\/p>\n

Pour synth\u00e9tiser cette qu\u00eate en une valeur scalaire unique, r\u00e9servez une cellule d\u00e9di\u00e9e au sein de votre bloc r\u00e9capitulatif (par exemple en cellule K5, \u00e9tiquet\u00e9e \u00ab\u00a0Statistique D\u00a0\u00bb). Ins\u00e9rez la formule vectorielle native :<\/p>\n

=MAX(F2:G1000)<\/code><\/p>\n

(en adaptant la borne d’arriv\u00e9e \u00e0 la derni\u00e8re ligne effective de vos donn\u00e9es). Excel scrute en une fraction de seconde l’ensemble des calculs diff\u00e9rentiels et extrait la valeur plafond de divergence.<\/p>\n

La statistique D ainsi obtenue est intrins\u00e8quement born\u00e9e entre 0 et 1. Une valeur de D proche de z\u00e9ro traduit une concordance quasi parfaite entre les donn\u00e9es empiriques et la loi normale de r\u00e9f\u00e9rence, tandis qu’une valeur de D substantiellement \u00e9lev\u00e9e indique une divergence structurelle manifeste. Cette statistique constitue l’argument d’entr\u00e9e indispensable pour engager l’arbitrage d\u00e9cisionnel d’ad\u00e9quation.<\/p>\n

8. D\u00e9termination des valeurs critiques et calcul de la significativit\u00e9<\/h2>\n

8.1 Utilisation des tables math\u00e9matiques standard de Kolmogorov-Smirnov<\/h3>\n

Une fois la statistique D observ\u00e9e extraite de la feuille de calcul, la phase d’inf\u00e9rence statistique impose de confronter cette grandeur empirique \u00e0 une valeur critique seuil issue des distributions d’\u00e9chantillonnage th\u00e9oriques. Pour des \u00e9chantillons de petite taille (n inf\u00e9rieur ou \u00e9gal \u00e0 40), les statisticiens se r\u00e9f\u00e8rent traditionnellement aux tables num\u00e9riques exactes \u00e9tablies par Birnbaum ou Miller, qui fournissent les seuils d’acceptation en regard de n et du risque alpha consenti.<\/p>\n

Pour des \u00e9chantillons de dimension sup\u00e9rieure (n sup\u00e9rieur \u00e0 40), la th\u00e9orie asymptotique formul\u00e9e par Kolmogorov d\u00e9montre que les seuils critiques convergent vers des fonctions proportionnelles \u00e0 l’inverse de la racine carr\u00e9e de n. Les formules d’approximation asymptotique canoniques pour le test standard s’expriment comme suit :<\/p>\n