Comprendre la distinction exacte, la dynamique fonctionnelle et les passerelles de conversion entre quantiles, quartiles et percentiles ne rel\u00e8ve pas d’une simple coquetterie acad\u00e9mique. Il s’agit d’un imp\u00e9ratif diagnostique, m\u00e9thodologique et d\u00e9ontologique pour les neuropsychologues, les cliniciens, les psychom\u00e9triciens et les chercheurs en sciences sociales. Une m\u00e9prise sur la signification d’un rang percentile ou sur les propri\u00e9t\u00e9s de dispersion d’un \u00e9cart interquartile peut alt\u00e9rer le diagnostic d’un trouble neurod\u00e9veloppemental, fausser l’appr\u00e9ciation du d\u00e9clin cognitif dans une d\u00e9mence d\u00e9butante ou invalider les conclusions d’un essai randomis\u00e9 contr\u00f4l\u00e9. Le pr\u00e9sent trait\u00e9 se propose de d\u00e9cortiquer ces concepts avec une exhaustivit\u00e9 math\u00e9matique et clinique sans compromis, en explorant leurs fondements th\u00e9oriques, leurs algorithmes de calcul, leurs repr\u00e9sentations graphiques et leurs applications directes dans la pratique psychologique contemporaine.<\/p>\n
1. Introduction aux mesures de position non param\u00e9triques en psychologie et statistiques<\/h2>\n1.1 La n\u00e9cessit\u00e9 des statistiques de position face aux asym\u00e9tries de distribution<\/h3>\n
La statistique inf\u00e9rentielle et descriptive classique a longtemps \u00e9t\u00e9 domin\u00e9e par le paradigme de la loi normale, formalis\u00e9e par Carl Friedrich Gauss. Sous ce mod\u00e8le s\u00e9duisant, la moyenne arithm\u00e9tique et l’\u00e9cart type constituent des r\u00e9sum\u00e9s statistiques optimaux, dits suffisants, car ils capturent l’int\u00e9gralit\u00e9 de l’information relative \u00e0 la localisation et \u00e0 la dispersion d’une distribution sym\u00e9trique unimodale. N\u00e9anmoins, l’application aveugle de ce cadre th\u00e9orique aux donn\u00e9es issues de la psychologie clinique et des neurosciences se heurte \u00e0 une r\u00e9alit\u00e9 empirique r\u00e9calcitrante : les scores psychom\u00e9triques pr\u00e9sentent presque syst\u00e9matiquement de s\u00e9v\u00e8res asym\u00e9tries (positives ou n\u00e9gatives) ainsi que des queues de distribution \u00e9paisses, caract\u00e9ris\u00e9es par un kurtosis \u00e9lev\u00e9. Qu’il s’agisse de mesurer le temps de latence d’une r\u00e9ponse motrice, le nombre d’erreurs commises \u00e0 une \u00e9preuve de flexibilit\u00e9 cognitive ou la s\u00e9v\u00e9rit\u00e9 d’une symptomatologie d\u00e9pressive \u00e0 l’Inventaire de D\u00e9pression de Beck<\/a>, les donn\u00e9es r\u00e9elles d\u00e9fient la sym\u00e9trie gaussienne.<\/p>\n Dans ces conditions d’asym\u00e9trie structurelle, la moyenne arithm\u00e9tique subit une attraction disproportionn\u00e9e exerc\u00e9e par les observations extr\u00eames, perdant instantan\u00e9ment sa repr\u00e9sentativit\u00e9 en tant que valeur centrale typique. De mani\u00e8re corr\u00e9lative, l’\u00e9cart type gonfle artificiellement, projetant des intervalles de confiance th\u00e9oriques qui peuvent inclure des valeurs biologiquement ou psychologiquement impossibles, telles que des scores n\u00e9gatifs sur une \u00e9chelle de performance absolue. Face \u00e0 cette d\u00e9faillance des estimateurs param\u00e9triques, la m\u00e9trologie ordinale et les statistiques de position s’imposent comme une alternative rigoureuse. En s’affranchissant de toute hypoth\u00e8se quant \u00e0 la forme analytique de la distribution sous-jacente, les statistiques de rang permettent de mod\u00e9liser des populations cliniques hautement h\u00e9t\u00e9rog\u00e8nes sans introduire de biais de distribution.<\/p>\n La pr\u00e9servation rigoureuse de la hi\u00e9rarchie des observations sans postuler la normalit\u00e9 des donn\u00e9es garantit que le rang attribu\u00e9 \u00e0 un individu refl\u00e8te fid\u00e8lement sa place relative au sein de son groupe de r\u00e9f\u00e9rence sociod\u00e9mographique ou nosographique. Cette approche non param\u00e9trique n’op\u00e8re aucune distorsion de l’espace m\u00e9trique : elle prend acte du fait que dans de nombreuses \u00e9preuves psychologiques, nous ne disposons que d’une \u00e9chelle ordinale au sens de la c\u00e9l\u00e8bre taxonomie de Stanley Smith Stevens<\/a>. La distance s\u00e9parant un score brut de 10 d’un score de 12 n’est pas n\u00e9cessairement \u00e9quivalente \u00e0 celle s\u00e9parant un score de 40 d’un score de 42 sur le plan du construit latent sous-jacent. En se focalisant sur les rangs d’ordonnancement plut\u00f4t que sur les grandeurs num\u00e9riques brutes, les statistiques de position offrent un cadre d’inf\u00e9rence robuste, insensible aux transformations monotones croissantes et pleinement adapt\u00e9 \u00e0 la vuln\u00e9rabilit\u00e9 intrins\u00e8que des mesures comportementales.<\/p>\n L’\u00e9mergence des statistiques de positionnement ordonn\u00e9 est intrins\u00e8quement li\u00e9e \u00e0 la naissance de la psychologie diff\u00e9rentielle et de l’anthropom\u00e9trie au XIXe si\u00e8cle. Les travaux pr\u00e9curseurs de Sir Francis Galton<\/a> ont marqu\u00e9 un tournant \u00e9pist\u00e9mologique d\u00e9cisif. En tentant de quantifier la transmission h\u00e9r\u00e9ditaire des facult\u00e9s physiques et intellectuelles, Galton prit rapidement conscience des limites inh\u00e9rentes au calcul des moyennes lorsqu’il s’agissait de comparer des caract\u00e8res humains fortement asym\u00e9triques. C’est \u00e0 lui que l’on doit l’invention conceptuelle de l’\u00ab ogive \u00bb, cette courbe cumulative en forme de S qui trace la proportion cumul\u00e9e des individus atteignant ou d\u00e9passant un niveau donn\u00e9 de performance. Galton introduisit explicitement la notion de centile (percentile) pour cartographier les capacit\u00e9s humaines, jetant ainsi les bases du d\u00e9coupage distributionnel moderne.<\/p>\n Au d\u00e9but du XXe si\u00e8cle, avec l’av\u00e8nement des premiers tests d’intelligence standardis\u00e9s d\u00e9velopp\u00e9s par Alfred Binet et Th\u00e9odore Simon, puis adapt\u00e9s aux \u00c9tats-Unis par Lewis Terman dans le cadre de la c\u00e9l\u00e8bre \u00e9chelle de Stanford-Binet, la question de l’\u00e9talonnage psychom\u00e9trique devint une pr\u00e9occupation scientifique majeure. La notion initiale d’\u00ab \u00e2ge mental \u00bb, bien que s\u00e9duisante de prime abord pour le grand public, montra rapidement ses faiblesses conceptuelles : un retard de deux ans n’a \u00e9videmment pas la m\u00eame signification d\u00e9veloppementale \u00e0 l’\u00e2ge de 4 ans qu’\u00e0 l’\u00e2ge de 14 ans. Le quotient intellectuel de d\u00e9veloppement (QI ratio), formul\u00e9 par William Stern en divisant l’\u00e2ge mental par l’\u00e2ge chronologique, ne r\u00e9solvait que partiellement le probl\u00e8me en raison de la non-lin\u00e9arit\u00e9 de la maturation cognitive.<\/p>\n Il fallut attendre la seconde moiti\u00e9 du XXe si\u00e8cle et les contributions majeures de psychom\u00e9triciens tels que David Wechsler pour voir s’op\u00e9rer une transition m\u00e9thodologique fondamentale : l’abandon d\u00e9finitif des pourcentages bruts et des \u00e2ges mentaux au profit d’indicateurs de position standardis\u00e9s universels. Wechsler introduisit le QI de d\u00e9viation fond\u00e9 sur l’\u00e9talonnage normatif, tout en int\u00e9grant syst\u00e9matiquement des tables de correspondances en rangs percentiles. D\u00e8s lors, situer un individu ne consistait plus \u00e0 quantifier un pourcentage arbitraire de r\u00e9ussite \u00e0 des items disparates, mais \u00e0 d\u00e9terminer avec exactitude la proportion de la population de r\u00e9f\u00e9rence qu’il surpasse ou qui le surpasse. Cette transition des pourcentages absolus vers les positions relatives standardis\u00e9es a d\u00e9finitivement scell\u00e9 l’h\u00e9g\u00e9monie des quantiles et des centiles dans l’ensemble des batteries d’\u00e9valuation neuropsychologique contemporaines.<\/p>\n Pour appr\u00e9hender la m\u00e9canique des quantiles dans toute sa pl\u00e9nitude, il convient de rappeler la bipartition fondamentale qui structure l’analyse exploratoire des donn\u00e9es : la dialectique entre mesures de tendance centrale et mesures de dispersion. L’objectif d’une mesure de tendance centrale est d’identifier un point d’ancrage synth\u00e9tique, une valeur unique capable de r\u00e9sumer le centre de gravit\u00e9 ou l’emplacement typique d’une distribution. \u00c0 l’oppos\u00e9, les mesures de dispersion visent \u00e0 quantifier l’amplitude de l’\u00e9talement, l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 ou la variabilit\u00e9 des observations autour de ce point central. Dans le paradigme param\u00e9trique, ce couple est incarn\u00e9 par le tandem moyenne-\u00e9cart type ; dans le paradigme non param\u00e9trique ou distributionnel, il est mat\u00e9rialis\u00e9 par le couple m\u00e9diane-\u00e9cart interquartile.<\/p>\n Les coupures distributionnelles issues de la partition en quantiles jouent un double r\u00f4le morphologique remarquable au sein d’un ensemble de donn\u00e9es. D’une part, certains quantiles sp\u00e9cifiques fonctionnent stricto sensu comme des mesures de tendance centrale : c’est pr\u00e9cis\u00e9ment le cas de la m\u00e9diane, qui correspond indiff\u00e9remment au deuxi\u00e8me quartile, au cinquanti\u00e8me percentile ou au cinqui\u00e8me d\u00e9cile. Cette m\u00e9diane partitionne le jeu de donn\u00e9es en deux moiti\u00e9s rigoureusement \u00e9quiprobables, offrant une localisation centrale qui demeure totalement invuln\u00e9rable aux perturbations caus\u00e9es par des scores aberrants situ\u00e9s aux confins de la distribution.<\/p>\n D’autre part, la distance spatiale s\u00e9parant diff\u00e9rents quantiles strat\u00e9giques constitue une mesure directe et robuste de la dispersion statistique. L’\u00e9cart interquartile (la distance s\u00e9parant le 75e percentile du 25e percentile) capture l’\u00e9tendue occup\u00e9e par les 50 % centraux de la population observ\u00e9e. Contrairement \u00e0 l’\u00e9cart type, dont la formule math\u00e9matique \u00e9l\u00e8ve les \u00e9carts au carr\u00e9 \u2014 conf\u00e9rant ainsi un poids disproportionn\u00e9 aux d\u00e9viations p\u00e9riph\u00e9riques \u2014, l’\u00e9cart interquartile offre une lecture directe, ordinale et non amplifi\u00e9e de la variabilit\u00e9. Ainsi, le recours aux quantiles ne se limite pas \u00e0 classifier des sujets ; il permet de construire une g\u00e9om\u00e9trie distributionnelle compl\u00e8te, articulant de fa\u00e7on harmonieuse la localisation du centre de masse et la dynamique d’\u00e9talement des scores individuels.<\/p>\n D’un point de vue formel et probabiliste, la notion de quantile s’enracine dans la th\u00e9orie des probabilit\u00e9s \u00e0 travers le concept de fonction quantile, couramment appel\u00e9e fonction de r\u00e9partition inverse ou r\u00e9ciproque g\u00e9n\u00e9ralis\u00e9e de la fonction de r\u00e9partition cumulative<\/a>. Soit une variable al\u00e9atoire r\u00e9elle $X$<\/span> d\u00e9finie sur un espace probabilis\u00e9, et soit $F_X(x) = P(X \\leq x)$<\/span> sa fonction de r\u00e9partition, laquelle est monotone non d\u00e9croissante et continue \u00e0 droite par d\u00e9finition. Pour tout param\u00e8tre de probabilit\u00e9 $p$<\/span> strictement compris dans l’intervalle ouvert $]0, 1[$<\/span>, la fonction quantile $Q(p)$<\/span>, souvent not\u00e9e $F^{-1}(p)$<\/span>, est d\u00e9finie math\u00e9matiquement par l’infimum :<\/p>\n Q(p) = inf { x in mathbb{R} : F_X(x) geq p }<\/p>\n Cette formulation par l’infimum (la plus petite valeur de $x$<\/span> pour laquelle la probabilit\u00e9 cumul\u00e9e atteint ou d\u00e9passe le seuil $p$<\/span>) est indispensable d’un point de vue analytique. En effet, si la variable al\u00e9atoire $X$<\/span> est absolument continue et poss\u00e8de une fonction de densit\u00e9 strictement positive sur son support, la fonction $F_X$<\/span> est bijective, strictement croissante et continue, ce qui rend l’inversion simple et directe : $Q(p) = F_X^{-1}(p)$<\/span>. Toutefois, dans le champ des donn\u00e9es psychom\u00e9triques r\u00e9elles, les scores observ\u00e9s sont intrins\u00e8quement discrets (nombres entiers de points obtenus \u00e0 une \u00e9preuve, scores entiers sur une \u00e9chelle de Likert). La fonction de r\u00e9partition empirique pr\u00e9sente alors des sauts de discontinuit\u00e9 en escalier et des paliers horizontaux lorsque des valeurs sont absentes.<\/p>\n La d\u00e9finition variationnelle par l’infimum r\u00e9sout \u00e9l\u00e9gamment ces discontinuit\u00e9s en garantissant l’existence et l’unicit\u00e9 de la valeur seuil pour n’importe quel ordre de probabilit\u00e9 $p in ]0, 1[$<\/span>. En termes pratiques, le quantile d’ordre $p$<\/span> repr\u00e9sente la valeur seuil en dessous de laquelle se trouve au minimum une proportion $p$<\/span> de la population th\u00e9orique, et au-dessus de laquelle se situe au maximum une proportion $1 – p$<\/span>. Ce formalisme rigoureux constitue le socle math\u00e9matique invariant sur lequel reposent toutes les d\u00e9clinaisons ult\u00e9rieures, qu’il s’agisse des quartiles ($p in {0.25, 0.50, 0.75}$<\/span>), des d\u00e9ciles ($p in {0.10, 0.20, dots, 0.90}$<\/span>) ou des percentiles ($p in {0.01, 0.02, dots, 0.99}$<\/span>).<\/p>\n La taxonomie des mesures de position gagne en clart\u00e9 d\u00e8s lors que l’on envisage le mot \u00ab quantile \u00bb comme le terme hyperonyme de cette discipline. Un quantile n’est rien d’autre que l’op\u00e9rateur g\u00e9n\u00e9rique d\u00e9signant tout point de coupure r\u00e9sultant de la division syst\u00e9matique d’une distribution continue ou d’un \u00e9chantillon ordonn\u00e9 en $k$<\/span> segments de fr\u00e9quences th\u00e9oriques parfaitement \u00e9gales. Cette r\u00e8gle fondamentale d’\u00e9quipartition implique une distinction g\u00e9om\u00e9trique \u00e9l\u00e9mentaire mais cruciale : la distinction entre les points de coupure<\/em> (les fronti\u00e8res num\u00e9riques) et les intervalles<\/em> ou tranches d\u00e9limit\u00e9s par ces fronti\u00e8res.<\/p>\n Pour partitionner un continuum en $k$<\/span> sous-ensembles \u00e9quiprobables, le math\u00e9maticien n’a pas besoin de $k$<\/span> fronti\u00e8res, mais tr\u00e8s exactement de $k – 1$<\/span> points de d\u00e9marcation int\u00e9rieurs. Si l’on adjoint conventionnellement les bornes extr\u00eames de la distribution (le minimum absolu correspondant \u00e0 $p = 0$<\/span> et le maximum absolu correspondant \u00e0 $p = 1$<\/span>), on obtient une structure de $k + 1$<\/span> balises encadrant $k$<\/span> classes de fr\u00e9quences. Ainsi :<\/p>\n La terminologie scientifique commet fr\u00e9quemment un glissement de langage en d\u00e9signant par le nom du quantile l’intervalle lui-m\u00eame plut\u00f4t que le point seuil qui le s\u00e9pare. Dans le langage courant des cliniciens, il n’est pas rare d’entendre qu’un patient \u00ab se situe dans le premier quartile \u00bb pour signifier que son score se loge dans l’intervalle d\u00e9limit\u00e9 entre la valeur minimale et le premier point de coupure $Q_1$<\/span>. Bien que cette m\u00e9tonymie soit tol\u00e9r\u00e9e dans la communication informelle, la rigueur m\u00e9trologique exige de distinguer le point de coupure ponctuel (le quantile stricto sensu, qui est une valeur num\u00e9rique scalaire sur l’axe des abscisses) de l’intervalle inter-quantiles qui englobe une proportion d\u00e9finie d’observations.<\/p>\n Ce qui conf\u00e8re aux quantiles leur statut de r\u00e9f\u00e9rence dans l’\u00e9valuation psychom\u00e9trique moderne r\u00e9side dans un ensemble remarquable de propri\u00e9t\u00e9s math\u00e9matiques, au premier rang desquelles figurent la robustesse statistique et l’invariance par hom\u00e9omorphisme ou transformation monotone. En th\u00e9orie de l’estimation robuste, un indicateur est caract\u00e9ris\u00e9 par son point de rupture<\/em> (breakdown point), qui mesure la proportion minimale d’observations arbitrairement aberrantes qu’un \u00e9chantillon peut contenir avant que l’estimateur ne devienne lui-m\u00eame infiniment faux ou ind\u00e9termin\u00e9. Alors que la moyenne arithm\u00e9tique poss\u00e8de un point de rupture nul de $1\/n$<\/span> (une seule observation aberrante suffit \u00e0 d\u00e9placer la moyenne au-del\u00e0 de toute limite fix\u00e9e), la m\u00e9diane poss\u00e8de un point de rupture optimal de 50 %, le plus \u00e9lev\u00e9 possible pour un param\u00e8tre de localisation.<\/p>\n Cette r\u00e9silience face aux valeurs aberrantes est vitale dans les cohortes psychopathologiques. Par exemple, lors de l’enregistrement informatis\u00e9 de temps de r\u00e9action chez des patients atteints de schizophr\u00e9nie ou de traumatisme cr\u00e2nien, des d\u00e9crochages attentionnels soudains ou des art\u00e9facts moteurs g\u00e9n\u00e8rent fr\u00e9quemment des temps de r\u00e9ponse massifs (plusieurs dizaines de secondes) qui ne refl\u00e8tent en rien la vitesse de traitement sous-jacente. L’utilisation des quantiles prot\u00e8ge l’analyse statistique contre ces contaminations : le d\u00e9placement, la modification ou l’extrusion d’une valeur dans les queues de distribution n’a strictement aucun impact sur la valeur des quantiles m\u00e9dians tant que l’ordre des rangs demeure pr\u00e9serv\u00e9.<\/p>\n De surcro\u00eet, les quantiles b\u00e9n\u00e9ficient de la propri\u00e9t\u00e9 fondamentale d’invariance sous transformations strictement monotones croissantes<\/strong>. Si une variable al\u00e9atoire $X$<\/span> subit une transformation $g(X)$<\/span> o\u00f9 $g$<\/span> est une fonction continue strictement croissante (comme une transformation logarithmique, exponentielle ou une conversion de score polynomiale), le quantile d’ordre $p$<\/span> de la variable transform\u00e9e est rigoureusement \u00e9gal \u00e0 la transformation du quantile d’origine :<\/p>\n Q_{g(X)}(p) = g(Q_X(p))<\/p>\n Cette propri\u00e9t\u00e9 est formellement viol\u00e9e par les moments d’ordre sup\u00e9rieur (la moyenne de $log(X)$<\/span> n’est jamais \u00e9gale au logarithme de la moyenne de $X$<\/span>, en vertu de l’in\u00e9galit\u00e9 de Jensen). Cette invariance garantit aux chercheurs que les classements psychom\u00e9triques \u00e9tablis \u00e0 partir des quantiles restent parfaitement stables, que l’on analyse les donn\u00e9es sous leur forme brute ou apr\u00e8s une transformation math\u00e9matique visant \u00e0 stabiliser les variances.<\/p>\n Les quartiles constituent la division canonique la plus populaire dans l’analyse exploratoire des donn\u00e9es, introduite formellement par Donald MacAlister en 1879 \u00e0 la suite des suggestions de Francis Galton. Comme leur \u00e9tymologie latine (quartus<\/em>, le quart) l’indique sans ambigu\u00eft\u00e9, les quartiles fractionnent la distribution tri\u00e9e des observations en quatre quarts d’effectifs th\u00e9oriquement identiques, correspondant chacun \u00e0 25 % de la masse de probabilit\u00e9 cumul\u00e9e. Pour baliser cette partition, la nomenclature statistique identifie trois points int\u00e9rieurs essentiels, compl\u00e9t\u00e9s par les deux bornes extr\u00eames du domaine d’observation.<\/p>\n Le jalon initial, parfois d\u00e9sign\u00e9 sous le terme technique de \u00ab quartile z\u00e9ro \u00bb ($Q_0$<\/span>), correspond \u00e0 l’infimum absolu du jeu de donn\u00e9es, c’est-\u00e0-dire le score minimal observ\u00e9 ($x_{(1)}$<\/span>). Le premier quartile<\/strong> ($Q_1$<\/span>), associ\u00e9 \u00e0 un ordre de probabilit\u00e9 $p = 0.25$<\/span>, repr\u00e9sente la valeur seuil sous laquelle se situent exactement 25 % des observations les plus basses et au-dessus de laquelle r\u00e9sident les 75 % des scores sup\u00e9rieurs. Le deuxi\u00e8me quartile<\/strong> ($Q_2$<\/span>), param\u00e9tr\u00e9 \u00e0 $p = 0.50$<\/span>, correspond point pour point \u00e0 la m\u00e9diane distributionnelle : il divise l’ensemble en deux moiti\u00e9s \u00e9gales de 50 %. Le troisi\u00e8me quartile<\/strong> ($Q_3$<\/span>), situ\u00e9 \u00e0 $p = 0.75$<\/span>, constitue la d\u00e9marcation au-dessus de laquelle ne subsistent que les 25 % des performances les plus \u00e9lev\u00e9es du groupe de comparaison. Enfin, le quatri\u00e8me et dernier quartile ($Q_4$<\/span>) cl\u00f4t la distribution en s’alignant sur le supremum absolu, le score maximal observ\u00e9 ($x_{(n)}$<\/span>).<\/p>\n Dans l’\u00e9valuation clinique standardis\u00e9e, cette partition en quatre zones permet d’\u00e9tablir une cartographie pr\u00e9liminaire du profil d’un patient. Les quatre intervalles qui en r\u00e9sultent \u2014 souvent qualifi\u00e9s \u00e0 tort de \u00ab quartiles \u00bb par abus de langage \u2014 d\u00e9finissent des cat\u00e9gories fonctionnelles d’une redoutable efficacit\u00e9 : le premier quart regroupe les performances d\u00e9ficitaires ou tr\u00e8s faibles ($[Q_0, Q_1]$<\/span>), le deuxi\u00e8me quart rassemble les scores moyens inf\u00e9rieurs ($]Q_1, Q_2]$<\/span>), le troisi\u00e8me quart h\u00e9berge les scores moyens sup\u00e9rieurs ($]Q_2, Q_3]$<\/span>), et le quatri\u00e8me quart consacre les performances \u00e9lev\u00e9es \u00e0 exceptionnelles ($]Q_3, Q_4]$<\/span>). Cette cat\u00e9gorisation macroscopique offre une premi\u00e8re grille de lecture diagnostique avant tout approfondissement granulaire.<\/p>\n Si les points $Q_1$<\/span>, $Q_2$<\/span> et $Q_3$<\/span> bornent l’espace distributionnel, la distance arithm\u00e9tique qui s\u00e9pare le troisi\u00e8me quartile du premier quartile constitue l’un des indicateurs de variabilit\u00e9 les plus puissants de la statistique moderne : l’\u00e9cart interquartile<\/strong> (souvent abr\u00e9g\u00e9 IQR<\/em> pour Interquartile Range<\/em>). Sa d\u00e9finition alg\u00e9brique est d’une grande simplicit\u00e9 :<\/p>\n text{IQR} = Q_3 – Q_1<\/p>\n Sur le plan g\u00e9om\u00e9trique et probabiliste, l’\u00e9cart interquartile mesure l’amplitude spatiale occup\u00e9e par les 50 % centraux de l’\u00e9chantillon ou de la distribution th\u00e9orique. En \u00e9liminant d\u00e9lib\u00e9r\u00e9ment les 25 % des scores les plus faibles et les 25 % des scores les plus \u00e9lev\u00e9s, l’IQR s’affranchit totalement du comportement des queues de distribution. Alors que l’\u00e9tendue totale ($x_{\\max} – x_{\\min}$<\/span>) est par nature l’estimateur de dispersion le plus instable qui soit \u2014 puisqu’il d\u00e9pend exclusivement des deux valeurs les plus extr\u00eames et potentiellement erratiques \u2014, l’\u00e9cart interquartile affiche une remarquable constance face \u00e0 l’adjonction de donn\u00e9es bruit\u00e9es ou atypiques.<\/p>\n En neuropsychologie exp\u00e9rimentale, l’IQR trouve une application privil\u00e9gi\u00e9e dans la mod\u00e9lisation de la variabilit\u00e9 intra-individuelle des temps de r\u00e9action. Lors de l’administration de t\u00e2ches d’attention soutenue comme le test de performance continue (CPT), l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des temps de r\u00e9ponse d’un sujet au fil des blocs d’essais refl\u00e8te la stabilit\u00e9 de son contr\u00f4le ex\u00e9cutif. Un sujet neurotypique pr\u00e9sente g\u00e9n\u00e9ralement un IQR \u00e9troit, t\u00e9moignant d’une cadence temporelle r\u00e9guli\u00e8re. \u00c0 l’inverse, un patient pr\u00e9sentant un trouble du d\u00e9ficit de l’attention avec ou sans hyperactivit\u00e9 (TDAH)<\/a> manifestera fr\u00e9quemment un IQR tr\u00e8s \u00e9largi. Ce gonflement de l’\u00e9cart interquartile traduit la survenue \u00e9pisodique de d\u00e9faillances attentionnelles sans que le clinicien n’ait \u00e0 craindre que quelques lapsus de plusieurs secondes ne d\u00e9truisent la validit\u00e9 de l’indice de dispersion global, ce qui surviendrait in\u00e9vitablement avec l’\u00e9cart type traditionnel.<\/p>\n L’une des contributions m\u00e9thodologiques les plus influentes de John Tukey \u00e0 l’analyse exploratoire des donn\u00e9es r\u00e9side dans l’utilisation formalis\u00e9e des quartiles et de l’\u00e9cart interquartile pour l’identification objective et non param\u00e9trique des donn\u00e9es aberrantes (outliers<\/em>). Dans son ouvrage s\u00e9minal paru en 1977, Tukey introduisit la c\u00e9l\u00e8bre r\u00e8gle des cl\u00f4tures (inner and outer fences<\/em>), qui s’est impos\u00e9e comme le standard algorithmique universel pour filtrer les s\u00e9ries quantitatives sans pr\u00e9supposer une distribution sous-jacente particuli\u00e8re.<\/p>\n Selon l’algorithme de Tukey, on d\u00e9finit les cl\u00f4tures int\u00e9rieures par rapport aux charni\u00e8res quartiliques :<\/p>\n Toute observation qui franchit ces cl\u00f4tures int\u00e9rieures (c’est-\u00e0-dire une valeur inf\u00e9rieure \u00e0 $\\text{CI}_{\\text{\\inf}}$<\/span> ou sup\u00e9rieure \u00e0 $\\text{CI}_{\\text{\\sup}}$<\/span>) est formellement qualifi\u00e9e de valeur aberrante mod\u00e9r\u00e9e<\/strong>. Pour discriminer les anomalies encore plus s\u00e9v\u00e8res, Tukey d\u00e9finit des cl\u00f4tures ext\u00e9rieures en triplant le coefficient multiplicateur de l’\u00e9cart interquartile :<\/p>\n Toute donn\u00e9e se projetant au-del\u00e0 de ces cl\u00f4tures ext\u00e9rieures est catalogu\u00e9e comme valeur aberrante extr\u00eame<\/strong>. Dans l’administration des inventaires d’auto-\u00e9valuation de la personnalit\u00e9 (tels que le MMPI-3 ou le NEO-PI-3), cette mod\u00e9lisation quartilique joue un r\u00f4le diagnostique de tout premier plan. L’identification d’un temps de r\u00e9ponse global ou d’un indice d’incoh\u00e9rence franchissant les cl\u00f4tures de Tukey permet d’objectiver math\u00e9matiquement des patrons de r\u00e9ponses non valides \u2014 qu’il s’agisse de r\u00e9ponses al\u00e9atoires g\u00e9n\u00e9r\u00e9es par d\u00e9sint\u00e9r\u00eat, de biais de d\u00e9sirabilit\u00e9 sociale massive ou de tentatives d\u00e9lib\u00e9r\u00e9es de simulation pathologique \u2014 sans introduire d’arbitraire subjectif dans l’exclusion des protocoles.<\/p>\n Si les quartiles segmentent la distribution en quatre macro-zones, les percentiles \u2014 \u00e9galement appel\u00e9s centiles<\/strong> dans la litt\u00e9rature francophone \u2014 poussent la finesse de r\u00e9solution jusqu’\u00e0 son paroxysme usuel en op\u00e9rant une division de la population en cent segments d’effectifs th\u00e9oriquement \u00e9quiprobables. L’\u00e9chelle des centiles s’\u00e9tend de 1 \u00e0 99 pour les points de coupure stricts, encadr\u00e9s par le percentile 0 (le minimum de l’\u00e9chantillon de r\u00e9f\u00e9rence) et le percentile 100 (le maximum absolu observable). Le percentile d’ordre $k$<\/span> (not\u00e9 $P_k$<\/span>, o\u00f9 $k in {1, 2, dots, 99}$<\/span>) est le score brut en de\u00e7\u00e0 duquel s’accumule exactement $k$<\/span> % des observations de l’\u00e9chantillon d’\u00e9talonnage.<\/p>\n Cette granularit\u00e9 fine conf\u00e8re aux percentiles une capacit\u00e9 discriminative in\u00e9gal\u00e9e le long de l’ensemble du continuum des aptitudes psychologiques et cognitives. Contrairement aux approches par classes larges (comme les stanines divis\u00e9es en 9 classes ou les stens divis\u00e9s en 10 classes), le rang percentile permet de diff\u00e9rencier avec pr\u00e9cision deux individus dont les scores bruts ne divergent que de quelques unit\u00e9s, \u00e0 la condition expresse que l’\u00e9chantillon d’\u00e9talonnage soit de taille suffisamment robuste ($N \\geq 1000$<\/span>) pour que chaque centile repose sur une densit\u00e9 empirique substantielle.<\/p>\n Il est fondamental de souligner la nature strictement non probabiliste et descriptive du positionnement par percentile dans son usage quotidien. Lorsqu’un clinicien rapporte qu’un sujet obtient un rang percentile de 37 \u00e0 une \u00e9preuve de r\u00e9tention mn\u00e9sique, cette valeur n’indique pas la probabilit\u00e9 que le sujet r\u00e9ussisse un item futur, mais r\u00e9sume un fait empirique et relationnel immuable : dans le groupe de r\u00e9f\u00e9rence ayant servi \u00e0 normaliser le test, 37 % des individus ont obtenu une performance inf\u00e9rieure ou \u00e9gale \u00e0 la sienne, tandis que 63 % ont r\u00e9alis\u00e9 une performance strictement sup\u00e9rieure. Le percentile est par essence une m\u00e9trique de comparaison sociale et populationnelle standardis\u00e9e.<\/p>\n Dans l’arsenal m\u00e9thodologique de l’\u00e9valuation neuropsychologique contemporaine, le rang percentile s’est impos\u00e9 comme la monnaie d’\u00e9change universelle. Des batteries d’efficience globale comme la WAIS-IV<\/a> aux instruments sp\u00e9cialis\u00e9s \u00e9valuant les fonctions ex\u00e9cutives (tels que la Tour de Londres, le Test de Stroop ou le Trail Making Test), tous les manuels de r\u00e9f\u00e9rence fournissent des tables de conversion permettant de transposer instantan\u00e9ment un score brut en rang percentile normatif.<\/p>\n Cette omnipr\u00e9sence s’explique par la n\u00e9cessit\u00e9 clinique d’ajuster l’interpr\u00e9tation des performances aux d\u00e9terminants sociod\u00e9mographiques qui modulent la r\u00e9serve cognitive. Un score brut de 35 mots produits au test de fluence verbale n’a pas la m\u00eame valeur s\u00e9miologique chez un jeune adulte de 22 ans titulaire d’un dipl\u00f4me d’\u00e9tudes sup\u00e9rieures que chez une personne \u00e2g\u00e9e de 84 ans sans qualification formelle. L’\u00e9talonnage en percentiles permet de stratifier les tables normatives en sous-groupes homog\u00e8nes selon l’\u00e2ge, le sexe et le niveau d’\u00e9tudes (souvent cat\u00e9goris\u00e9 de 1 \u00e0 4). En consultant la cellule d’\u00e9talonnage idoine, le praticien extrait directement le rang percentile ajust\u00e9 qui neutralise les biais socioculturels et d\u00e9mographiques.<\/p>\n Dans les batteries d’\u00e9valuation les plus r\u00e9centes, cette normalisation transculturelle et d\u00e9mographique atteint un haut degr\u00e9 de sophistication math\u00e9matique gr\u00e2ce au lissage continu des percentiles (continuous norming<\/em>). Au lieu de d\u00e9couper artificiellement l’\u00e9chantillon en tranches d’\u00e2ge rigides (par exemple 60-64 ans, puis 65-69 ans) \u2014 ce qui induit des sauts de seuil artificiels pour un patient f\u00eatant son anniversaire \u00e0 quelques jours d’intervalle \u2014, les logiciels d’\u00e9valuation calculent le percentile exact par r\u00e9gression polynomiale sur la fonction quantile continue. Cette approche offre une pr\u00e9cision d’\u00e9talonnage optimale qui s\u00e9curise le suivi longitudinal des trajectoires cognitives au cours du vieillissement normal ou pathologique.<\/p>\n L’une des erreurs les plus fr\u00e9quentes commises par les \u00e9tudiants, les cliniciens d\u00e9butants et le grand public r\u00e9side dans la confusion pernicieuse entre le pourcentage de r\u00e9ussite brut<\/strong> et le rang percentile<\/strong>. Bien que ces deux m\u00e9triques partagent une \u00e9chelle num\u00e9rique apparente born\u00e9e entre 0 et 100, leurs natures math\u00e9matiques et leurs significations cliniques sont diam\u00e9tralement oppos\u00e9es.<\/p>\n Le pourcentage brut<\/em> (ou taux de pr\u00e9cision) est une mesure absolue et lin\u00e9aire qui rapporte le nombre de r\u00e9ponses correctes fournies par un individu au nombre total d’items composant l’\u00e9preuve. Si un patient r\u00e9ussit 40 items sur un test qui en comporte 50, son pourcentage brut de r\u00e9ussite s’\u00e9tablit exactement \u00e0 :<\/p>\n frac{40}{50} times 100 = 80,%<\/p>\n Cette valeur ne nous renseigne absolument pas sur la difficult\u00e9 intrins\u00e8que du test ni sur la performance relative des autres individus. Si l’\u00e9preuve \u00e9tait d’une simplicit\u00e9 enfantine, il est fort probable que la quasi-totalit\u00e9 de la population obtienne 48 ou 49 bonnes r\u00e9ponses. Dans ce sc\u00e9nario, notre patient ayant r\u00e9ussi 80 % des items r\u00e9alise en r\u00e9alit\u00e9 une contre-performance alarmante.<\/p>\n Le rang percentile<\/em>, \u00e0 l’oppos\u00e9, est une mesure purement ordinale et relative. Si le score brut de 40 place ce sujet au 5e percentile ($P_5$<\/span>), cela signifie que malgr\u00e9 son taux de pr\u00e9cision apparent de 80 %, 95 % de ses pairs font mieux que lui. Inversement, sur une \u00e9preuve d’une difficult\u00e9 extr\u00eame (comme un test d’analogie abstraite de haute vol\u00e9e), un taux de r\u00e9ussite brut de seulement 30 % des items peut parfaitement propulser le sujet au 99e percentile ($P_{99}$<\/span>) si l’immense majorit\u00e9 de la cohorte \u00e9choue \u00e0 d\u00e9passer 15 % de bonnes r\u00e9ponses. Confondre le pourcentage brut de r\u00e9ussite avec le rang percentile conduit \u00e0 des erreurs diagnostiques majeures, consistant tant\u00f4t \u00e0 rassurer faussement un patient en \u00e9chec massif relatif, tant\u00f4t \u00e0 dramatiser les r\u00e9sultats d’un sujet brillant confront\u00e9 \u00e0 un instrument intentionnellement surcharg\u00e9 en difficult\u00e9.<\/p>\n Puisque les quartiles et les percentiles constituent des instanciations particuli\u00e8res de la classe g\u00e9n\u00e9rale des quantiles, il existe entre eux un ensemble de correspondances math\u00e9matiques absolues, r\u00e9gies par l’\u00e9quivalence des ordres de probabilit\u00e9 cumul\u00e9e $p$<\/span>. Ces passerelles th\u00e9oriques permettent de basculer sans perte d’information d’une nomenclature \u00e0 une autre, garantissant l’harmonie des descriptions statistiques.<\/p>\n L’architecture de ces \u00e9quivalences universelles peut \u00eatre r\u00e9sum\u00e9e par les \u00e9galit\u00e9s suivantes :<\/p>\n Cette table d’\u00e9quivalence met en lumi\u00e8re la nature fractale et hi\u00e9rarchique du d\u00e9coupage quantilique. Le premier quartile $Q_1$<\/span> n’est rien d’autre que la valeur qui sature exactement le premier quart de l’axe des ordonn\u00e9es cumul\u00e9es, ce qui correspond point par point au 25e centile. De m\u00eame, le troisi\u00e8me quartile $Q_3$<\/span> est la r\u00e9plique exacte du 75e centile. Par cons\u00e9quent, affirmer qu’un patient pr\u00e9sente un score inf\u00e9rieur au premier quartile \u00e9quivaut strictement \u00e0 d\u00e9clarer que sa performance le situe sous le 25e percentile. La distinction ne r\u00e9side pas dans la valeur math\u00e9matique du point critique, mais dans le syst\u00e8me de notation retenu pour communiquer l’information.<\/p>\n Au confluent de l’ensemble de ces familles statistiques tr\u00f4ne un jalon universel dont le statut m\u00e9trologique est unique : la m\u00e9diane<\/strong>. La m\u00e9diane repr\u00e9sente le cas singulier o\u00f9 la bisection distributionnelle co\u00efncide rigoureusement avec le point milieu de toutes les d\u00e9compositions sym\u00e9triques. Nous pouvons poser l’identit\u00e9 th\u00e9orique fondamentale :<\/p>\n text{M\u00e9diane} equiv Q_2 equiv P_{50} equiv D_5 equiv text{Quantile}(p = 0.50)<\/p>\n Cette quadruple identit\u00e9 conf\u00e8re \u00e0 la m\u00e9diane un r\u00f4le de pivot structurant dans l’ensemble des sciences quantitatives. Elle mat\u00e9rialise l’exact barycentre ordinal de la population : 50 % des observations lui sont inf\u00e9rieures ou \u00e9gales, et 50 % des observations lui sont sup\u00e9rieures ou \u00e9gales. Sur une courbe de densit\u00e9 th\u00e9orique, la droite verticale \u00e9rig\u00e9e au niveau de la m\u00e9diane s\u00e9pare la surface sous la courbe en deux aires rigoureusement identiques de 0,5 chacune, et ce, quelle que soit la complexit\u00e9, la multimodalit\u00e9 ou l’asym\u00e9trie de la fonction math\u00e9matique mod\u00e9lisant le ph\u00e9nom\u00e8ne.<\/p>\n Ce statut de pivot central conf\u00e8re \u00e0 la m\u00e9diane une stabilit\u00e9 remarquable lors de l’exploration des donn\u00e9es psychopathologiques. Si l’on modifie unilat\u00e9ralement la distribution des scores en aggravant arbitrairement la s\u00e9v\u00e9rit\u00e9 des cas les plus lourds (\u00e9tirement ind\u00e9fini de la queue droite de la distribution), la m\u00e9diane $Q_2 = P_{50}$<\/span> demeure parfaitement immuable, alors que la moyenne arithm\u00e9tique subit une d\u00e9rive pathologique vers la droite. C’est cette invariance fonctionnelle qui conduit la majorit\u00e9 des protocoles de recherche internationaux \u00e0 pr\u00e9f\u00e9rer le 50e percentile \u00e0 la moyenne comme r\u00e9f\u00e9rentiel normatif z\u00e9ro dans l’analyse non param\u00e9trique des populations cliniques h\u00e9t\u00e9rog\u00e8nes.<\/p>\n Dans la recherche translationnelle ou lors de m\u00e9ta-analyses int\u00e9grant des cohortes \u00e9valu\u00e9es \u00e0 l’aide d’instruments psychom\u00e9triques diff\u00e9rents, les chercheurs sont confront\u00e9s au d\u00e9fi de l’harmonisation des donn\u00e9es. Il arrive fr\u00e9quemment qu’une \u00e9tude ancienne n’ait publi\u00e9 que les scores born\u00e9s par quartiles (par exemple, des r\u00e9sum\u00e9s en termes de $Q_1$<\/span>, M\u00e9diane, $Q_3$<\/span>), tandis qu’une \u00e9tude prospective plus moderne dispose de donn\u00e9es granulaires \u00e9talonn\u00e9es en centiles pr\u00e9cis ($P_1$<\/span> \u00e0 $P_{99}$<\/span>).<\/p>\n Le passage d’un \u00e9talonnage \u00e0 l’autre impose une m\u00e9thodologie rigoureuse pour \u00e9viter l’introduction d’art\u00e9facts de mesure. Si l’agr\u00e9gation descendante d’une \u00e9chelle de percentiles vers des quartiles est triviale (il suffit de fusionner les tranches $P_1-P_{25}$<\/span>, $P_{26}-P_{50}$<\/span>, $P_{51}-P_{75}$<\/span> et $P_{76}-P_{100}$<\/span>), l’op\u00e9ration inverse \u2014 la d\u00e9sagr\u00e9gation ascendante d’une structure en quartiles vers des percentiles \u2014 exige des mod\u00e8les d’interpolation math\u00e9matique. L’interpolation lin\u00e9aire par morceaux constitue l’approche la plus intuitive, mais elle postule une densit\u00e9 uniforme intra-quartile qui s’av\u00e8re fausse dans les queues de distribution. Pour surmonter cet \u00e9cueil, les statisticiens emploient des splines d’interpolation monotone ou recourent \u00e0 des m\u00e9thodes d’imputation fond\u00e9es sur la loi b\u00eata g\u00e9n\u00e9ralis\u00e9e.<\/p>\n Ce travail d’harmonisation m\u00e9trologique est indispensable lorsqu’un neuropsychologue synth\u00e9tise le profil d’un patient ayant compl\u00e9t\u00e9 une batterie h\u00e9t\u00e9rog\u00e8ne de sous-tests. Si les \u00e9preuves attentionnelles sont calibr\u00e9es en d\u00e9ciles, les \u00e9preuves de m\u00e9moire en centiles et les questionnaires comportementaux en quartiles, le clinicien doit ma\u00eetriser la table d’\u00e9quivalence sous-jacente pour projeter tous les r\u00e9sultats sur une m\u00eame matrice d’analyse sans distordre la hi\u00e9rarchie clinique des dysfonctions observ\u00e9es.<\/p>\n Si le d\u00e9coupage en 4 segments (quartiles) et en 100 segments (percentiles) domine la clinique, d’autres subdivisions quantiliques occupent une place strat\u00e9gique dans les protocoles de recherche \u00e9pid\u00e9miologique, sociologique et psychologique. Les tertiles<\/strong> correspondent \u00e0 une partition en $k = 3$<\/span> segments de fr\u00e9quences \u00e9gales (d\u00e9limit\u00e9s par deux points de coupure : $T_1$<\/span> \u00e0 $p \\approx 0.333$<\/span> et $T_2$<\/span> \u00e0 $p \\approx 0.667$<\/span>). Cette tripartition est pl\u00e9biscit\u00e9e dans les recherches portant sur les variables socio-\u00e9motionnelles pour cat\u00e9goriser des populations en trois groupes fonctionnels nets : \u00ab niveau faible \u00bb, \u00ab niveau interm\u00e9diaire \u00bb et \u00ab niveau \u00e9lev\u00e9 \u00bb. Bien que ce d\u00e9coupage sacrifie une partie de la finesse m\u00e9trique, il pr\u00e9sente l’immense avantage d’\u00e9viter la prolif\u00e9ration de classes d’effectifs r\u00e9duits et d’offrir une lisibilit\u00e9 clinique imm\u00e9diate.<\/p>\n Les quintiles<\/strong>, qui fractionnent la cohorte en $k = 5$<\/span> segments de 20 % chacun (d\u00e9limit\u00e9s par quatre points de coupure : $Qn_1$<\/span> \u00e0 $p = 0.20$<\/span>, $Qn_2$<\/span> \u00e0 $p = 0.40$<\/span>, $Qn_3$<\/span> \u00e0 $p = 0.60$<\/span> et $Qn_4$<\/span> \u00e0 $p = 0.80$<\/span>), constituent l’\u00e9talon d’or des \u00e9tudes portant sur les in\u00e9galit\u00e9s sociales de sant\u00e9 et la psychiatrie communautaire. Dans les rapports de l’Organisation Mondiale de la Sant\u00e9 (OMS)<\/a>, les gradients de vuln\u00e9rabilit\u00e9 mentale face au niveau de revenu, \u00e0 l’acc\u00e8s aux soins ou \u00e0 l’exposition au stress environnemental sont presque syst\u00e9matiquement pr\u00e9sent\u00e9s par quintiles socio-\u00e9conomiques. Le premier quintile regroupe les 20 % les plus d\u00e9favoris\u00e9s de la population, tandis que le cinqui\u00e8me quintile rassemble les 20 % les plus nantis. Les correspondances avec les centiles sont directes : $Qn_1 = P_{20}$<\/span>, $Qn_2 = P_{40}$<\/span>, $Qn_3 = P_{60}$<\/span> et $Qn_4 = P_{80}$<\/span>.<\/p>\n Les d\u00e9ciles<\/strong> d\u00e9coupent la distribution ordonn\u00e9e en dix tranches \u00e9gales de 10 % d’effectifs chacune, n\u00e9cessitant l’\u00e9tablissement de neuf points de coupure int\u00e9rieurs d\u00e9sign\u00e9s par $D_1, D_2, dots, D_9$<\/span>. Les \u00e9quivalences avec les dizaines de percentiles sont parfaites :<\/p>\n Dans l’\u00e9valuation m\u00e9dico-l\u00e9gale et la pratique psychiatrique, les d\u00e9ciles fournissent un seuillage clinique particuli\u00e8rement op\u00e9rant pour la cat\u00e9gorisation populationnelle. Le premier d\u00e9cile<\/strong> ($D_1$<\/span> ou $P_{10}$<\/span>) et le neuvi\u00e8me d\u00e9cile<\/strong> ($D_9$<\/span> ou $P_{90}$<\/span>) sont couramment utilis\u00e9s dans les syst\u00e8mes de sant\u00e9 publique comme des rep\u00e8res conventionnels pour d\u00e9signer les populations dites \u00ab \u00e0 risque \u00bb ou \u00ab hors normes \u00bb.<\/p>\n Par exemple, lors du d\u00e9pistage de troubles du comportement externalis\u00e9s en milieu scolaire ou de la d\u00e9pendance alcoolique via des questionnaires standardis\u00e9s comme l’AUDIT, un score franchissant le neuvi\u00e8me d\u00e9cile sert de signal d’alarme d\u00e9clenchant une \u00e9valuation diagnostique approfondie de second niveau. L’\u00e9cart interd\u00e9cile ($D_9 – D_1$<\/span>), qui embrasse 80 % de la masse centrale des scores en occultant les 10 % les plus bas et les 10 % les plus \u00e9lev\u00e9s, constitue une autre mesure de dispersion robuste tr\u00e8s appr\u00e9ci\u00e9e des macro-statisticiens pour comparer la variabilit\u00e9 des syst\u00e8mes de notation entre diff\u00e9rents pays ou diff\u00e9rentes cultures sans \u00eatre pollu\u00e9 par les valeurs marginales.<\/p>\n Moins connus du grand public, les octiles<\/strong> segmentent la distribution en huit segments \u00e9quiprobables de 12,5 % chacun gr\u00e2ce \u00e0 sept points de coupure int\u00e9rieurs ($O_1$<\/span> \u00e0 $p = 0.125$<\/span>, $O_2$<\/span> \u00e0 $p = 0.25 \\equiv Q_1$<\/span>, $O_4$<\/span> \u00e0 $p = 0.50 \\equiv \\text{M\u00e9diane}$<\/span>, etc.). Les octiles trouvent une application contemporaine dans les mod\u00e8les de psychom\u00e9trie de r\u00e9seau<\/a> et l’analyse factorielle confirmatoire granulaire, o\u00f9 les chercheurs cherchent \u00e0 discr\u00e9tiser des variables continues sans perdre la sensibilit\u00e9 fine requise pour d\u00e9tecter des interactions non lin\u00e9aires complexes entre n\u0153uds psychopathologiques.<\/p>\n D’un point de vue fondamental, la th\u00e9orie statistique formalise le concept de $n$<\/span>-quantiles<\/strong> (ou quantiles d’ordre $n$<\/span>). Rien n’interdit th\u00e9oriquement de construire une partition d’une distribution en 500, 1000 ou 10 000 segments \u00e9gaux si la puissance de l’\u00e9chantillon le permet. Toutefois, dans toute d\u00e9marche empirique, il existe un arbitrage incontournable entre la r\u00e9solution statistique<\/em> souhait\u00e9e et la puissance d’\u00e9chantillonnage<\/em> disponible. Si l’on d\u00e9sire calculer des centiles ($n = 100$<\/span>) fiables et non biais\u00e9s, un \u00e9chantillon minimal de plusieurs centaines d’individus est requis ; pour des octiles ($n = 8$<\/span>), un effectif plus restreint suffit \u00e0 stabiliser les points de coupure. Choisir l’ordre de la partition quantilique revient donc toujours \u00e0 \u00e9quilibrer la pr\u00e9cision diagnostique esp\u00e9r\u00e9e et la densit\u00e9 d’\u00e9chantillonnage r\u00e9ellement observ\u00e9e au sein de la matrice de donn\u00e9es.<\/p>\n Le calcul concret des quantiles sur un \u00e9chantillon empirique d’effectif fini $N$<\/span> commence obligatoirement par une phase d’ordonnancement s\u00e9quentiel. Soit un \u00e9chantillon de mesures quantitatives ${x_1, x_2, dots, x_N}$<\/span>. La premi\u00e8re \u00e9tape consiste \u00e0 trier ces observations dans l’ordre croissant pour former la suite des statistiques d’ordre, traditionnellement not\u00e9es entre parenth\u00e8ses :<\/p>\n x_{(1)} leq x_{(2)} leq x_{(3)} leq dots leq x_{(N)}<\/p>\n Une fois cette s\u00e9rie ordonn\u00e9e \u00e9tablie, la recherche du quantile d’ordre $p$<\/span> (avec $0 < p < 1$<\/span>) implique la d\u00e9termination de son rang pivot<\/strong> ou indice th\u00e9orique $h$<\/span>. Plusieurs conventions d’indexation coexistent dans la litt\u00e9rature scientifique pour calculer cette position th\u00e9orique, la plus intuitive reposant sur la multiplication directe de l’ordre $p$<\/span> par la taille de l’\u00e9chantillon $N$<\/span> :<\/p>\n h = N times p<\/p>\n Deux situations se pr\u00e9sentent alors :<\/p>\n1.2 \u00c9volution historique de la m\u00e9trologie ordinale dans les sciences du comportement<\/h3>\n
1.3 Distinction fondamentale entre mesures de tendance centrale et mesures de dispersion<\/h3>\n
2. Le concept unificateur de quantile : d\u00e9finitions math\u00e9matiques et taxonomiques<\/h2>\n
2.1 D\u00e9finition formelle de la fonction quantile<\/h3>\n
2.2 La famille des quantiles : principe de d\u00e9coupage d’un continuum ordonn\u00e9<\/h3>\n
\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/perc1.png\")
<\/figure>\n2.3 Propri\u00e9t\u00e9s d’invariance et robustesse aux valeurs aberrantes<\/h3>\n
3. Les quartiles : division de la distribution en quatre segments cl\u00e9s<\/h2>\n
3.1 Les quatre jalons fondamentaux : du minimum au maximum<\/h3>\n
3.2 L’\u00e9cart interquartile comme m\u00e9trique de dispersion robuste<\/h3>\n
3.3 Utilisation des quartiles pour la d\u00e9tection empirique des valeurs extr\u00eames<\/h3>\n
\n
\n
4. Les percentiles : granularit\u00e9 fine et \u00e9talonnage psychom\u00e9trique<\/h2>\n
4.1 D\u00e9finition et spectre des centiles : de z\u00e9ro \u00e0 cent<\/h3>\n
4.2 L’usage des percentiles dans les tests neuropsychologiques standardis\u00e9s<\/h3>\n
4.3 Distinction cruciale entre pourcentage brut et rang percentile<\/h3>\n
5. Les relations math\u00e9matiques et correspondances directes entre quantiles, quartiles et percentiles<\/h2>\n
5.1 La table d’\u00e9quivalence universelle des points de coupure<\/h3>\n
\n
5.2 La m\u00e9diane comme pivot central des quantiles<\/h3>\n
5.3 Conversions et harmonisation des donn\u00e9es issues d’instruments composites<\/h3>\n
6. Les autres types de quantiles notables : tertiles, quintiles, d\u00e9ciles et octiles<\/h2>\n
6.1 Tertiles et quintiles dans les \u00e9tudes socio-\u00e9motionnelles et \u00e9pid\u00e9miologiques<\/h3>\n
6.2 D\u00e9ciles : seuillage clinique et segmentation populationnelle<\/h3>\n
\n
6.3 Octiles et n-quantiles : mod\u00e9lisations granulaires avanc\u00e9es<\/h3>\n
7. M\u00e9thodologie de calcul pratique : formules manuelles et algorithmes d’interpolation<\/h2>\n
7.1 L’ordonnancement des donn\u00e9es et l’identification des rangs pivots<\/h3>\n
\n