Comment calculer le milieu de l’étendue dans Excel

Dans le paysage foisonnant des statistiques descriptives et de l’ingénierie des données contemporaine, l’évaluation de la tendance centrale d’une distribution constitue l’un des premiers réflexes méthodologiques de tout analyste, chercheur ou statisticien. Si la moyenne arithmétique et la médiane occupent une place prépondérante dans les programmes académiques et les logiciels d’analyse de données, d’autres métriques fournissent des éclairages singuliers sur la géométrie des observations. Parmi ces mesures méconnues mais conceptuellement riches figure le milieu de l’étendue, fréquemment désigné sous le vocable anglo-saxon de midrange. Cette mesure, qui repose exclusivement sur les valeurs extrêmes d’une série statistique, offre une approximation intuitive du centre géométrique d’un ensemble de nombres borné.

Le logiciel Microsoft Excel s’est imposé depuis plusieurs décennies comme l’environnement d’analyse informatique prédominant au sein des organisations professionnelles, des laboratoires universitaires et des administrations publiques. Doté d’une bibliothèque de plusieurs centaines de fonctions prédéfinies, le tableur de Microsoft permet de modéliser des phénomènes quantitatifs complexes avec une grande agilité. Pourtant, un examen approfondi de son catalogue natif révèle une anomalie surprenante : il n’existe aucune formule directement dédiée au calcul du milieu de l’étendue. Contrairement à des fonctions conventionnelles telles que MOYENNE ou MEDIANE, l’utilisateur confronté au besoin d’évaluer le midrange doit recourir à la composition algorithmique de plusieurs primitives mathématiques.

Ce traité exhaustif a pour vocation d’explorer l’ensemble des ramifications théoriques, mathématiques et informatiques associées au calcul et à l’interprétation du milieu de l’étendue dans l’environnement Microsoft Excel. En articulant une réflexion épistémologique rigoureuse avec des protocoles pas-à-pas, des méthodes avancées de filtrage conditionnel, des mécanismes d’automatisation via des fonctions personnalisées et une analyse critique de la sensibilité aux valeurs aberrantes, ce document propose un cadre opérationnel complet. Que vous soyez biostatisticien, chercheur en psychométrie comportementale ou analyste décisionnel, vous découvrirez comment mobiliser cette métrique tout en maîtrisant ses propriétés asymptotiques et ses limites structurelles.

1. 1. Introduction théorique et définition du milieu de l’étendue en statistique

1.1 1.1 Concept fondamental du milieu de l’étendue (midrange)

D’un point de vue épistémologique, le milieu de l’étendue se définit comme un estimateur de localisation spatiale calculé comme la moyenne arithmétique des valeurs maximale et minimale observées au sein d’une distribution statistique. Appartenant à la famille formelle des L-estimateurs (estimateurs formés par une combinaison linéaire de statistiques d’ordre), il condense l’information de l’échantillon à travers ses deux frontières d’observation les plus extrêmes. Il est impératif d’établir d’emblée une distinction conceptuelle nette entre l’étendue (en anglais, range), qui caractérise la dispersion absolue d’une série par la différence arithmétique entre le maximum et le minimum, et le milieu de l’étendue (midrange), qui qualifie la position centrale de cet intervalle. Alors que l’étendue s’exprime sous la forme d’un écart sans ancrage absolu, le milieu de l’étendue constitue un point géométrique précis sur l’axe des réels.

L’utilisation historique de cette métrique remonte aux premières investigations astronomiques et géodésiques des XVIIIe et XIXe siècles, bien avant que Ronald Fisher ou Karl Pearson ne formalisent les canons de l’inférence moderne. Dans le cadre d’observations physiques sujettes à des erreurs instrumentales strictement délimitées, les pionniers des calculs d’orbites recouraient au milieu de l’étendue pour obtenir une estimation instantanée de la valeur réelle d’un phénomène sans subir la lourdeur calculatoire d’une moyenne sur de volumineux registres manuels. Sur le plan heuristique, le milieu de l’étendue conserve aujourd’hui une utilité remarquable : il permet à l’observateur d’établir en une fraction de seconde le centre théorique d’un espace de données, agissant comme un point de repère cognitif immédiat avant d’engager des traitements calculatoires plus élaborés.

1.2 1.2 Rôle et pertinence dans l’analyse exploratoire des données

Dans le paradigme de l’analyse exploratoire des données (AED), théorisé avec brio par le statisticien John Tukey, le milieu de l’étendue joue un rôle diagnostique précieux pour l’évaluation morphologique des distributions continues. Lorsqu’un jeu de données est suspecté de suivre une loi uniforme ou une loi strictement symétrique exempte de perturbations périphériques, le milieu de l’étendue converge rapidement vers le centre de gravité réel du processus générateur. L’analyste peut ainsi l’employer comme un indicateur préliminaire de calibrage géométrique, servant à vérifier si les bornes de collecte correspondent aux attentes théoriques du protocole de mesure.

En outre, cette métrique s’avère particulièrement pertinente pour évaluer l’ancrage spatial des distributions bornées, c’est-à-dire des ensembles de mesures dont les réalisations sont intrinsèquement contraintes par des limites physiques, mécaniques ou temporelles incontournables. Dans les systèmes de contrôle industriel où un capteur thermique ou piézoélectrique opère entre un seuil de coupure inférieur et un seuil critique supérieur, le calcul du milieu de l’étendue des signaux enregistrés permet de vérifier l’équilibrage de la charge fonctionnelle par rapport aux capacités de l’instrumentation, signalant immédiatement une dérive d’étalonnage vers l’une des deux bornes physiques.

1.3 1.3 Contextualisation dans le cadre des sciences comportementales et de la psychologie

Au sein des sciences comportementales, de la neuropsychologie et de la psychométrie appliquée, le milieu de l’étendue trouve des applications ciblées, notamment dans l’administration et l’étalonnage d’échelles de mesure subjectives. Lorsque les participants remplissent des inventaires psychologiques reposant sur des échelles de type Likert (par exemple graduées de 1 à 7 ou de 0 à 100 sur des échelles visuelles analogiques), le milieu théorique de l’échelle (le point neutre formel) peut diverger du milieu de l’étendue empirique rapporté par un groupe clinique donné. Cette divergence met en évidence une occupation asymétrique du spectre comportemental disponible, révélant des effets de plafond ou des effets de plancher significatifs.

Dans l’évaluation des temps de réaction ou des latences d’inhibition cognitive au cours de tâches informatisées (telles que le paradigme de Stroop ou la tâche de signal d’arrêt), le milieu de l’étendue des temps de réponse fournit un instantané de la fenêtre temporelle globale dans laquelle s’est déployée la performance du sujet. Néanmoins, l’hétérogénéité marquée des échantillons cliniques — où des patients souffrant de troubles neurodéveloppementaux ou de lésions cérébrales peuvent manifester des décrochages attentionnels sporadiques — impose des précautions méthodologiques draconiennes. L’apparition d’une seule réponse anormalement longue risque de fausser intégralement le milieu de l’étendue, contraignant le psychométricien à coupler systématiquement cette métrique avec des indicateurs robustes de dispersion et d’asymétrie.

2. 2. Fondements mathématiques et propriétés formelles de la métrique

2.1 2.1 Formulation algébrique standard

La définition mathématique standard du milieu de l’étendue repose sur une formulation arithmétique élémentaire. Soit un échantillon de taille n composé de variables aléatoires réelles notées X = {x₁, x₂, …, x_n}. En désignant par max(X) la plus grande valeur observée et par min(X) la plus petite, l’équation universelle du milieu de l’étendue (noté M_R) se structure comme suit :

M_R = (max(X) + min(X)) / 2

Dans le formalisme rigoureux des statistiques d’ordre, où les éléments de l’échantillon sont préalablement triés par ordre croissant d’amplitude X₍₁₎ ≤ X₍₂₎ ≤ … ≤ X_(n), le premier terme X₍₁₎ correspond au minimum absolu de la série, tandis que le n-ième terme X_(n) représente le maximum. Dès lors, le milieu de l’étendue s’exprime canoniquement par :

M_R = (X_(n) + X₍₁₎) / 2

Cette métrique bénéficie d’une propriété d’invariance et de linéarité stricte sous toute transformation affine des données brutes. Si l’on applique une transformation linéaire de la forme Y = aX + b (avec a et b des constantes réelles), le milieu de l’étendue de la série transformée Y satisfait scrupuleusement l’égalité M_R(Y) = a × M_R(X) + b, pour autant que a > 0. Cette propriété garantit une cohérence dimensionnelle parfaite en cas de changement d’unité de mesure (par exemple lors de la conversion de millisecondes en secondes, ou de degrés Celsius en degrés Fahrenheit).

2.2 2.2 Propriétés statistiques et efficacité asymptotique

Les propriétés inférentielles du milieu de l’étendue dépendent intimement de la famille paramétrique sous-jacente à l’échantillon analysé. Si la distribution parente correspond à une loi uniforme continue définie sur un intervalle compact [a, b], notée U(a, b), le milieu de l’étendue transcende son statut de simple approximation pour devenir un estimateur exceptionnel. Dans cette configuration probabiliste spécifique, M_R est non seulement un estimateur sans biais du paramètre central (a + b) / 2, mais il constitue l’estimateur sans biais de variance minimale uniforme (UMVUE). Sa vitesse de convergence asymptotique est d’ordre O(1/n), surpassant nettement la moyenne arithmétique conventionnelle dont la variance ne décroît qu’à un rythme proportionnel à O(1/√n).

À l’inverse, dès lors que l’on s’écarte de l’hypothèse d’uniformité pour se placer sous le paradigme d’une distribution normale gaussienne, l’efficacité statistique du milieu de l’étendue s’effondre de manière dramatique. Pour une loi normale, les queues de distribution infinies favorisent l’instabilité des extrema d’échantillonnage au fur et à mesure que la taille de l’échantillon s’accroît. La variance asymptotique du milieu de l’étendue ne converge que très lentement vers zéro, à un taux logarithmique inverse de l’ordre de 1 / ln(n), rendant l’estimateur infinitésimalement efficace comparé à la moyenne arithmétique ou à la médiane. Cette divergence d’efficacité illustre à quel point la validité d’un indicateur de tendance centrale est indissociable de la loi de probabilité gouvernant les données.

2.3 2.3 Sensibilité géométrique de la distribution

Sur le plan de la topologie unidimensionnelle, le milieu de l’étendue possède une interprétation géométrique limpide : il désigne le point bissecteur strict du segment fermé délimité par l’enveloppe convexe de l’échantillon [X₍₁₎, X_(n)]. Il localise l’équidistance spatiale pure entre les deux bornes expérimentales, sans introduire la moindre pondération relative à la concentration interne des points d’observation.

Cette caractéristique géométrique constitue à la fois la force conceptuelle et la faiblesse opérationnelle majeure du midrange : la métrique est rigoureusement insensible à la masse probabiliste intra-étendue. Que 98 % des observations soient massées à proximité immédiate de la borne inférieure X₍₁₎ ou uniformément réparties le long du segment, le milieu de l’étendue demeurera immuable tant que les coordonnées des extrema demeurent inchangées. Par conséquent, la métrique reflète l’amplitude spatiale globale du phénomène plutôt que son centre de gravité empirique, rendant son estimation particulièrement vulnérable aux fluctuations d’échantillonnage aux marges de la distribution.

3. 3. L’environnement Microsoft Excel et l’absence de fonction native dédiée

3.1 3.1 Analyse du catalogue des fonctions statistiques d’Excel

Le moteur de calcul statistique de Microsoft Excel intègre un vaste répertoire de formules destinées à la caractérisation des séries numériques. L’utilisateur dispose d’emblée de la fonction MOYENNE pour la synthèse arithmétique, de la fonction MEDIANE pour la division de la distribution en deux segments équiprobables, et d’un doublet dédié aux modes empiriques à travers MODE.SIMPLE et MODE.MULTIPLE. Pourtant, force est de constater l’absence historique et persistante d’une fonction native telle que =MIDRANGE() ou =MILIEU.ETENDUE(), et ce depuis les premières versions du logiciel parues dans les années 1980 jusqu’aux versions contemporaines de Microsoft 365.

Cette omission de la part des ingénieurs et concepteurs de Microsoft n’est pas le fruit d’un oubli accidentel, mais relève d’un arbitrage épistémique délibéré relatif aux standards internationaux de l’analyse quantitative. Les fonctions natives d’agrégation d’Excel ont été historiquement sélectionnées pour répondre aux besoins universels de la comptabilité, de la finance d’entreprise et de la statistique inférentielle paramétrique classique. Dans la mesure où le milieu de l’étendue présente un point de rupture statistique nul et une inefficacité marquée sur les distributions courantes, Microsoft a privilégié l’intégration de fonctions fondamentales combinables, laissant aux analystes experts le soin d’assembler manuellement les formules spécialisées.

3.2 3.2 Nécessité de la composition algorithmique par l’utilisateur

Face à l’inexistence d’un opérateur direct, l’utilisateur d’Excel est contraint d’élaborer une composition algorithmique en associant deux ou plusieurs primitives statistiques du tableur. Cette démarche d’assemblage repose sur l’interfaçage des fonctions d’extraction de bornes que sont MAX et MIN, ou encore des fonctions de rang telles que GRANDE.VALEUR et PETITE.VALEUR. Cette flexibilité structurelle propre à Excel permet de reconstituer l’équation mathématique sous-jacente tout en adaptant l’expression aux contraintes computationnelles de la feuille de calcul.

Cependant, cette nécessité de composer manuellement ses formules impose une discipline syntaxique rigoureuse, en particulier dans les environnements de travail multilingues. Dans la version francophone d’Excel, la distinction entre le point et la virgule décimale, ainsi que l’utilisation obligatoire du point-virgule comme séparateur d’arguments au sein des fonctions, constituent des prérequis élémentaires. En outre, sur des classeurs hébergeant des millions de lignes ou connectés à des modèles de données volumineux, l’optimisation algorithmique des formules de calcul de l’étendue médiane devient un facteur clé pour préserver la fluidité du moteur de recalcul multithread du logiciel.

4. 4. Tutoriel pas-à-pas : Calcul standard avec les fonctions MAX et MIN

4.1 4.1 Préparation et structuration rigoureuse de la plage de données

Avant d’implémenter la moindre formule mathématique dans un classeur, la fiabilité de l’analyse dépend fondamentalement de la rigueur apportée à la structuration spatiale et typologique des données brutes. Les observations quantitatives doivent impérativement être consolidées au sein d’un vecteur continu unidimensionnel, idéalement agencé sous la forme d’une colonne dédiée (par exemple, la plage de cellules A2:A100), chaque ligne correspondant à une observation unitaire distincte, tandis que la cellule A1 héberge l’étiquette sémantique de la variable.

L’analyste doit impérativement procéder à une vérification minutieuse du formatage numérique des cellules sources. L’un des pièges les plus insidieux dans Excel réside dans la présence de valeurs numériques stockées sous forme textuelle, fréquemment générées lors d’imports de fichiers CSV mal configurés ou de requêtes SQL brutes. De surcroît, la contamination des données par des espaces insécables (dont le code Unicode est Car(160)) empêche les fonctions arithmétiques de reconnaître les chiffres sous-jacents, conduisant à des calculs faussés sans qu’aucun message d’erreur explicite ne soit nécessairement levé. Un nettoyage préalable via les fonctions EPURAGE, SUPPRESPACE ou par un collage spécial multiplicatif par 1 est vivement préconisé.

4.2 4.2 Implémentation de la formule standard

Une fois la plage de données assainie, la transcription de la définition mathématique dans la syntaxe native d’Excel s’opère par l’imbrication des fonctions d’extraction extrémale et d’un opérateur arithmétique de division. La formulation canonique s’écrit de la manière suivante :

=(MAX(A2:A100) + MIN(A2:A100)) / 2

Dans cette écriture, le respect scrupuleux des règles de priorité des opérateurs mathématiques est fondamental. L’encadrement des fonctions MAX et MIN au sein d’une parenthèse globale constitue une condition absolue de validité. En l’absence de ces parenthèses protectrices, la formule s’écrirait =MAX(A2:A100) + MIN(A2:A100) / 2, ce qui conduirait le moteur de calcul d’Excel à évaluer prioritairement la division du minimum par 2 avant d’ajouter le résultat au maximum brut, générant une aberration métrique monumentale.

À des fins didactiques, d’audit de conformité ou de débogage méthodologique, il est souvent avantageux de décomposer ce calcul en plusieurs étapes intermédiaires réparties sur des cellules adjacentes :

• En cellule C2, l’extraction de la valeur maximale via l’expression : =MAX(A2:A100)
• En cellule C3, l’extraction de la valeur minimale via l’expression : =MIN(A2:A100)
• En cellule C4, l’évaluation de l’étendue totale (dispersion) via la soustraction : =C2 - C3
• En cellule C5, le calcul définitif du milieu de l’étendue via la synthèse : =(C2 + C3) / 2

Cette décomposition modulaire offre l’avantage de rendre visible chaque composante du calcul pour des auditeurs tiers, tout en facilitant la détection immédiate de potentielles anomalies sur les bornes de la distribution.

4.3 4.3 Exemple chiffré complet et vérification des résultats

Pour illustrer concrètement l’application de cette méthode, considérons une étude expérimentale en neuropsychologie cognitive portant sur les temps de réaction auditifs de sujets adultes. La variable mesurée correspond à la latence écoulée entre l’émission d’un signal acoustique et la pression motrice sur un capteur digital, exprimée en millisecondes (ms). Imaginons que la série de mesures collectée sur un sujet au cours d’une session de 99 essais soit consignée dans la plage A2:A100.

L’évaluation des fonctions de bornage révèle les paramètres empiriques suivants :

• Minimum observé extrait en cellule C3 : 210 ms (représentant la réponse motrice la plus véloce du participant sans anticipation fautive).
• Maximum observé extrait en cellule C2 : 890 ms (témoignant d’une phase transitoire d’inattention ou de ralentissement cognitif au cours du protocole).

En appliquant la formule standard consolidée =(MAX(A2:A100) + MIN(A2:A100)) / 2, le moteur d’Excel exécute l’opération algébrique suivante : (890 + 210) / 2 = 1100 / 2 = 550 ms. Le milieu de l’étendue de cette session expérimentale s’établit précisément à 550 millisecondes. Ce résultat indique que le point d’équilibre géométrique entre la réponse la plus rapide et la réponse la plus lente du participant se situe à 550 ms, un chiffre qui pourra ensuite être confronté à la médiane empirique (par exemple 340 ms) pour mettre en relief une forte asymétrie positive des temps de latence.

5. 5. Formules alternatives et méthodes de calcul équivalentes dans Excel

5.1 5.1 Utilisation conjointe de la fonction MOYENNE avec MAX et MIN

Bien que la formulation additive classique divisée par 2 soit la plus spontanée, l’environnement Excel autorise une élégante approche fonctionnelle alternative consistant à imbriquer directement les fonctions d’extraction d’extrema au sein de la fonction d’agrégation arithmétique. La syntaxe prend alors la forme canonique suivante :

=MOYENNE(MAX(A2:A100); MIN(A2:A100))

Sur le plan conceptuel, cette écriture traduit avec une pureté remarquable la définition même du midrange : la moyenne calculée sur un sous-ensemble constitué exclusivement des deux frontières de la distribution. Cette approche supprime l’opérateur arithmétique explicite de division et confie la gestion de la division arithmétique aux routines internes hautement optimisées de la fonction MOYENNE. Sur le plan de l’extensibilité logicielle, cette structure est particulièrement robuste lorsqu’elle est intégrée au sein de modèles financiers ou scientifiques complexes où les divisions directes peuvent occasionner des erreurs résiduelles de troncature à virgule flottante.

5.2 5.2 Exploitation des statistiques d’ordre via les fonctions GRANDE.VALEUR et PETITE.VALEUR

Une seconde méthode d’une grande valeur analytique consiste à substituer aux fonctions MAX et MIN les fonctions de statistique d’ordre que sont GRANDE.VALEUR (équivalent du k-ième maximum) et PETITE.VALEUR (équivalent du k-ième minimum). La formule équivalente pour le milieu de l’étendue standard s’écrit :

=(GRANDE.VALEUR(A2:A100; 1) + PETITE.VALEUR(A2:A100; 1)) / 2

L’argument numérique 1 spécifie explicitement que nous sélectionnons la première plus grande valeur (le maximum absolu) et la première plus petite valeur (le minimum absolu). L’intérêt fondamental de cette écriture réside dans son potentiel d’extension immédiat vers le calcul de milieux d’étendues tronqués ou élagués. Si l’analyste craint qu’un artefact d’enregistrement ne corrompe l’extrême absolu, il peut ajuster les rangs statistiques pour évaluer, par exemple, le milieu de l’étendue de second rang :

=(GRANDE.VALEUR(A2:A100; 2) + PETITE.VALEUR(A2:A100; 2)) / 2

Cette flexibilité algorithmique transforme une formule rigide en un outil d’investigation statistique paramétrable, particulièrement prisé dans les protocoles de nettoyage de données expérimentales où un élagage systématique des frontières est préconisé.

5.3 5.3 Dérivation à partir de l’étendue brute

Une troisième perspective calculatoire s’appuie sur la géométrie des segments en dérivant le milieu de l’étendue non pas d’une addition globale, mais d’une translation spatiale à partir de la borne d’origine. Rappelons que l’étendue totale (le range) est évaluée par l’expression :

=MAX(A2:A100) - MIN(A2:A100)

Dès lors, le centre du segment peut être défini en ajoutant la moitié de cette amplitude totale à la valeur minimale initiale. Dans Excel, cette logique géométrique se traduit par la formule suivante :

=MIN(A2:A100) + ((MAX(A2:A100) – MIN(A2:A100)) / 2)

La démonstration de l’équivalence algébrique entre cette démarche et la formule standard est immédiate :

Soit Min + (Max – Min) / 2. En réduisant les deux termes au même dénominateur, nous obtenons (2 × Min + Max – Min) / 2, ce qui se simplifie rigoureusement en (Max + Min) / 2. Bien que légèrement plus verbeuse au sein de la barre de formule d’Excel, cette approche s’avère particulièrement éclairante dans les contextes pédagogiques ou dans les représentations graphiques vectorielles où le milieu doit être tracé en tant que décalage relatif par rapport à un niveau de base (baseline).

6. 6. Calcul conditionnel du milieu de l’étendue avec filtres et critères

6.1 6.1 Application d’un critère unique avec MAX.SI.CONDITIONS et MIN.SI.CONDITIONS

Dans la pratique analytique contemporaine, il est rare que les données soient traitées de manière totalement indifférenciée. Les jeux de données modernes comportent quasi systématiquement des variables de segmentation (groupes cliniques, typologies démographiques, sites d’acquisition). Pour calculer le milieu de l’étendue d’un sous-ensemble spécifique sans avoir à trier ou extraire physiquement les lignes, Excel propose les fonctions matricielles modernes MAX.SI.CONDITIONS et MIN.SI.CONDITIONS.

Considérons un scénario de recherche où la colonne A héberge des scores d’anxiété cognitive (de 0 à 100) et la colonne B indique l’appartenance des participants à deux cohortes : "Contrôle" ou "Clinique". La syntaxe pour déterminer le milieu de l’étendue du groupe clinique s’articule comme suit :

=(MAX.SI.CONDITIONS(A2:A100; B2:B100; « Clinique ») + MIN.SI.CONDITIONS(A2:A100; B2:B100; « Clinique »)) / 2

La structure de ces fonctions requiert en premier argument la plage d’évaluation numérique (ici A2:A100), suivie de la plage de critères (B2:B100), puis du critère logique d’inclusion ("Clinique"). Le moteur d’Excel isole instantanément les observations cibles et extrait leurs extrema respectifs sans nécessiter d’opération intermédiaire, garantissant une comparabilité absolue entre cohortes au sein d’un même tableau de bord.

6.2 6.2 Filtrage multicritère complexe

L’architecture des fonctions MAX.SI.CONDITIONS et MIN.SI.CONDITIONS permet d’étendre la logique conditionnelle à un nombre indéfini de prédicats croisés. L’analyste peut ainsi restreindre le calcul du milieu de l’étendue à une strate démographique ultra-spécifique en multipliant les couples plage/critère. Imaginons que l’on souhaite isoler les participants répondant simultanément aux critères suivants : appartenir au groupe "Clinique" (colonne B), être de sexe masculin noté "H" (colonne C) et être âgé de plus de 50 ans (âge consigné en colonne D).

La transcription algorithmique prend la forme de l’expression croisée suivante :

=(MAX.SI.CONDITIONS(A2:A100; B2:B100; « Clinique »; C2:C100; « H »; D2:D100; « >50 ») + MIN.SI.CONDITIONS(A2:A100; B2:B100; « Clinique »; C2:C100; « H »; D2:D100; « >50 »)) / 2

Une vigilance méthodologique rigoureuse est requise lors de la mise en œuvre de telles équations. Les plages de données et les plages de critères doivent impérativement présenter des dimensions spatiales identiques (ici 99 lignes de la ligne 2 à 100), sous peine de générer l’erreur #VALEUR!. De surcroît, si la conjonction des critères ne renvoie aucune observation correspondante au sein du tableau, les fonctions MAX.SI.CONDITIONS et MIN.SI.CONDITIONS renvoient par défaut la valeur zéro. Le milieu de l’étendue calculé sera alors artificiellement égal à 0, mimant un résultat numérique valide. Il est donc indispensable d’encadrer ces formules de contrôles d’effectifs via NB.SI.ENS pour prévenir de faux diagnostics.

6.3 6.3 Filtrage dynamique via la fonction FILTRE (Excel 365)

Avec l’introduction du moteur de tableaux dynamiques dans Microsoft 365, la composition analytique bénéficie d’une puissance d’expression inégalée grâce à la fonction FILTRE. Cette fonction extrait en mémoire vive un sous-ensemble vectoriel dynamique répondant à une condition booléenne, évitant la duplication statique de l’échantillon. Pour calculer le milieu de l’étendue des observations de la condition expérimentale notée "Exp" dans la colonne B, la formule matricielle s’énonce :

=(MAX(FILTRE(A2:A100; B2:B100= »Exp »)) + MIN(FILTRE(A2:A100; B2:B100= »Exp »))) / 2

Cette écriture présente des vertus computationnelles et logiques considérables :

• Elle gère nativement le cas des ensembles vides grâce au troisième argument facultatif si_vide de la fonction FILTRE. L’analyste peut ainsi renvoyer une chaîne textuelle explicite ou une valeur nulle protégée : FILTRE(A2:A100; B2:B100="Exp"; "").
• Elle évite le recours aux anciennes formules matricielles complexes nécessitant la combinaison clavier Ctrl + Maj + Entrée (formules dites CSE), dont la maintenance était notoirement source de corruptions logiques dans les équipes de recherche.
• Elle autorise des filtrages booléens sophistiqués par simple arithmétique vectorielle, par exemple pour une condition disjonctive (OU logique) en utilisant l’opérateur d’addition : (B2:B100="Exp1") + (B2:B100="Exp2").

7. 7. Traitement des valeurs manquantes, des erreurs et des cellules textuelles

7.1 7.1 Comportement par défaut des fonctions MAX et MIN

L’un des atouts remarquables des fonctions primitives MAX et MIN dans Microsoft Excel réside dans leur tolérance intrinsèque aux lacunes d’échantillonnage. Lorsque ces fonctions parcourent une plage de cellules contenant des vides (cellules non renseignées) ou des chaînes alphabétiques de caractères (par exemple des mentions "Absent", "Non-Réponse" ou des étiquettes de codage), elles ignorent automatiquement ces entrées sans interrompre le calcul arithmétique et sans générer de message d’alerte.

Cependant, cette permissivité recèle un danger conceptuel majeur : le traitement involontaire des nombres stockés sous forme textuelle. Lorsqu’une mesure numérique est précédée d’une apostrophe d’échappement (ex. '450) ou importée avec un typage texte, les fonctions MAX et MIN l’excluent purement et simplement de leur champ d’évaluation. Si, par malchance, l’observation textuelle correspondait précisément au minimum ou au maximum réel de votre série de données, le milieu de l’étendue résultant sera totalement erroné, les fonctions se rabattant sur les extrema secondaires sans avertir l’utilisateur. Pour contrer ce biais silencieux, il est fortement recommandé d’utiliser une conversion explicite en amont, par exemple en appliquant la fonction CNUM ou en s’assurant via la fonction ESTNUM de la conformité intégrale du vecteur sous étude.

7.2 7.2 Neutralisation des erreurs de propagation (#N/A, #VALEUR!, #DIV/0!)

Contrairement aux cellules textuelles anodines, la présence de cellules contenant des codes d’erreur résiduels tels que #N/A, #VALEUR!, #REF! ou #DIV/0! au sein de la plage cible provoque l’interruption immédiate et la contamination intégrale de la formule de calcul standard du milieu de l’étendue. Pour immuniser le calcul contre cette propagation destructrice, deux approches méthodologiques se distinguent dans l’environnement Excel.

La première stratégie repose sur l’encadrement préventif via des fonctions de capture conditionnelle telles que SI.NON.DISP ou SIERREUR. Toutefois, ces fonctions globales masquent l’erreur au niveau de la formule finale sans permettre d’extraire le midrange des cellules saines résiduelles. La seconde stratégie, infiniment plus puissante et rigoureuse, consiste à mobiliser la fonction AGREGAT. Cette primitive statistique d’Excel dispose d’arguments de configuration permettant d’ignorer explicitement les lignes masquées et les valeurs d’erreur. Pour calculer le milieu de l’étendue en présence d’erreurs au sein de la plage A2:A100, on écrit :

=(AGREGAT(4; 6; A2:A100) + AGREGAT(5; 6; A2:A100)) / 2

Dans cette écriture de haute technicité :

• Le premier argument désigne la sous-fonction statistique désirée : 4 correspond à la fonction MAX, tandis que 5 appelle la fonction MIN.
• Le second argument fixe l’option de filtrage : le code 6 ordonne formellement au moteur d’Excel d’ignorer toutes les valeurs d’erreur présentes dans la plage sélectionnée.

Cette méthode garantit l’extraction robuste des bornes effectives sur l’ensemble des données numériques valides résiduelles, pérennisant ainsi les calculs dans des classeurs connectés à des flux de données fluctuants.

7.3 7.3 Impact du codage des données manquantes en sciences sociales

Dans les disciplines des sciences sociales, de la démographie, de la sociologie quantitative et de l’épidémiologie clinique, une tradition méthodologique tenace consiste à assigner des codes numériques spécifiques aux réponses manquantes, aux refus de réponse ou aux non-applicabilités. Des constantes numériques conventionnelles telles que -99, -999 ou 999 sont fréquemment saisies dans les bases de données institutionnelles pour qualifier ces statuts d’absence d’information.

L’exécution d’un calcul de milieu de l’étendue sur une variable ainsi codée engendre des conséquences scientifiques dévastatrices. Le milieu de l’étendue reposant intégralement sur les deux valeurs périphériques du jeu de données, la présence d’un simple code -999 pour signaler un participant non interrogé sera immédiatement capturée par la fonction MIN comme le plancher absolu du phénomène étudié. Inversement, un code 999 se substituera au véritable plafond d’observation. L’indicateur M_R se retrouve alors instantanément déporté dans un espace métrique purement artificiel, dépourvu de la moindre signification empirique. Avant toute invocation des fonctions MAX et MIN dans Excel, l’analyste se doit de transformer ces marqueurs numériques en valeurs nulles non renseignées (cellules vides) ou d’exclure formellement ces bornes conventionnelles par des critères logiques rigoureux, par exemple en formulant :

=(MAX.SI.CONDITIONS(A2:A100; A2:A100; "0")) / 2

8. 8. Vulnérabilité statistique majeure : La sensibilité extrême aux valeurs aberrantes

8.1 8.1 Le point de rupture (breakdown point) du milieu de l’étendue

La théorie de la statistique robuste, inaugurée par les travaux fondamentaux de Peter Huber et de Frank Hampel, évalue la stabilité des estimateurs de paramètres à l’aune de leur point de rupture (en anglais, breakdown point). Le point de rupture quantifie la proportion minimale d’observations arbitrairement corrompues ou infinitésimalement divergentes qu’un échantillon de taille n peut tolérer avant que l’estimateur ne puisse être déporté vers des valeurs infinies ou absurdes.

Pour le milieu de l’étendue, cette valeur est la plus défavorable théoriquement envisageable dans toute la famille des estimateurs de tendance centrale. Le point de rupture formel du midrange est égal à :

Point de rupture = 1 / n

Lorsque la taille de l’échantillon n tend vers l’infini, cette valeur s’effondre vers une limite de 0 %. Cette démonstration mathématique implique qu’il suffit de contaminer une seule et unique observation parmi 10 000 mesures valides (en introduisant une valeur aberrante par excès ou par défaut) pour déformer de manière illimitée la valeur du milieu de l’étendue. En guise de contraste heuristique, la médiane statistique affiche un point de rupture optimal de 50 %, ce qui signifie qu’elle ne rompt que si plus de la moitié de l’échantillon est entièrement falsifiée. Cette vulnérabilité structurelle impose une retenue absolue quant à l’emploi non encadré du milieu de l’étendue sur des données réelles bruitées.

8.2 8.2 Analyse comparative de sensibilité : Exemple d’artefact expérimental

Afin de matérialiser graphiquement et numériquement ce péril méthodologique, modélisons un cas d’école issu d’un laboratoire de psychologie cognitive. Imaginons une série de 10 mesures standardisées du niveau d’attention soutenue, évaluées initialement sur une échelle théorique de 10 à 50 : {20, 22, 24, 25, 26, 28, 29, 31, 33, 48}.

Dans cette configuration nominale initiale :

• Le minimum observé est de 20.
• Le maximum observé est de 48.
• Le milieu de l’étendue initial est de : (48 + 20) / 2 = 34.
• La moyenne arithmétique initiale est de : 286 / 10 = 28,6.
• La médiane s’établit à : (26 + 28) / 2 = 27.

Supposons à présent qu’une erreur d’inattention frappe la saisie du dernier enregistrement dans Excel, un zéro parasite étant malencontreusement apposé à la fin du nombre, transformant l’observation 48 en un artefact expérimental aberrant de 480. Observons la répercussion différentielle sur nos trois indicateurs :

• La médiane demeure rigoureusement stationnaire à 27 (insensibilité absolue à la déformation de l’extrême).
• La moyenne arithmétique grimpe de 28,6 à 71,8 (décalage notable, tiré vers le haut par la somme globale).
• Le milieu de l’étendue explose littéralement, passant de 34 à : (480 + 20) / 2 = 250 !

En raison de cette faute de frappe isolée, le milieu de l’étendue est projeté dans une zone spatiale cinq fois supérieure au plafond réel de l’échelle d’évaluation. Il engendre l’illusion mathématique d’un décentrement colossal du groupe étudié, illustrant de manière cinglante pourquoi la publication isolée d’un midrange sans audit de détection des données aberrantes constitue une faute méthodologique rédhibitoire.

8.3 8.3 Stratégies d’atténuation : Le milieu de l’étendue tronqué (trimidrange)

Face à la fragilité structurelle des extrema absolus, les statisticiens ont développé des compromis méthodologiques élégants sous la forme de milieux d’étendues tronqués ou élagués (trimmed midranges). Plutôt que de s’en remettre aveuglément aux statistiques d’ordre d’indices 1 et n, cette variante consiste à extraire des percentiles symétriques représentatifs des franges stables de la distribution, le plus souvent le 10e percentile (P₁₀) et le 90e percentile (P₉₀), ou le premier et le troisième quartile (Q₁ et Q₃, le milieu de l’intervalle interquartile étant désigné sous le terme de midhinge).

Dans Microsoft Excel, l’implémentation d’un milieu d’étendue tronqué aux déciles (10 % et 90 %) se réalise aisément à l’aide de la fonction moderne CENTILE.EXCLURE ou de sa version inclusive PERCENTILE.INC. La syntaxe canonique s’articule comme suit :

=(PERCENTILE.INC(A2:A100; 0,9) + PERCENTILE.INC(A2:A100; 0,1)) / 2

Cette approche confère immédiatement à l’estimateur un point de rupture équivalent à 10 %, immunisant complètement le calcul contre les perturbations périphériques isolées et les artefacts de transcription. Le statisticien préserve ainsi l’esprit géométrique d’un centre de bornes d’échantillonnage tout en lui injectant la stabilité indispensable à des inférences robustes et reproductibles.

9. 9. Analyse comparative : Milieu de l’étendue vs Moyenne, Médiane et Mode

9.1 9.1 Comparaison des propriétés statistiques fondamentales

Le choix d’un estimateur de localisation ne doit jamais s’opérer par hasard ou par commodité algorithmique. Chaque mesure synthétique mobilise une facette distincte de l’information vectorielle et répond à des compromis mathématiques précis entre représentativité globale, robustesse locale et complexité calculatoire. Le tableau synthétique ci-dessous récapitule les caractéristiques différentielles majeures confrontant le milieu de l’étendue à la triade classique moyenne-médiane-mode :

Propriété / Métrique	Milieu de l’étendue (Midrange)	Moyenne Arithmétique	Médiane	Mode
Formule sous Excel	=(MAX()+MIN())/2	=MOYENNE()	=MEDIANE()	=MODE.SIMPLE()
Point de rupture (Robustesse)	0 % (Extrêmement vulnérable)	0 % (Vulnérable aux valeurs extrêmes)	50 % (Résistance optimale)	Variable (Dépend de la fréquence de pic)
Informations exploitées	Exactement 2 points (Extrema)	100 % des observations de la série	1 ou 2 points centraux ordonnés	Uniquement la fréquence maximale
Loi de distribution optimale	Loi uniforme continue U(a, b)	Loi normale gaussienne N(μ, σ²)	Lois asymétriques ou à queues lourdes	Lois discrètes multimodales
Sensibilité à la taille n	Variance instable sur loi normale	Variance stable en 1/n	Variance stable en 1/n	Instable sur petits échantillons

Cette confrontation multidimensionnelle met en relief la spécificité radicale du milieu de l’étendue : alors que la moyenne agrège exhaustivement la masse des données et que la médiane scrute la séparation des rangs ordinaux, le milieu de l’étendue s’abstrait de n – 2 observations pour ne conserver que la trace des limites physiques ou comportementales de l’échantillon.

9.2 9.2 Diagnostic de l’asymétrie de distribution (Skewness)

Loin de constituer une tare rédhibitoire, l’hypersensibilité du milieu de l’étendue aux frontières d’échantillonnage peut être exploitée de manière heuristique comme un instrument diagnostique d’asymétrie (en anglais, skewness). Dans une distribution parfaitement symétrique et unimodale (comme une gaussienne pure ou une distribution uniforme sans bruit), la moyenne théorique, la médiane et le milieu de l’étendue coïncident rigoureusement au même point géométrique :

Moyenne ≈ Médiane ≈ Milieu de l’étendue

Dès lors que la morphologie de la distribution subit un étirement unilatéral, ces trois indicateurs se séparent suivant un ordre spatial prévisible :

• Asymétrie positive (étalement à droite) : La queue de distribution s’allonge vers les valeurs élevées, propulsant le maximum à une distance disproportionnée du centre de masse. Dans cette situation, le milieu de l’étendue est projeté très loin en avant, suivi par la moyenne arithmétique, tandis que la médiane demeure ancrée au cœur de la densité : Médiane < Moyenne < Milieu de l’étendue.
• Asymétrie négative (étalement à gauche) : Les valeurs planchers s’écartent vers les nombres négatifs ou nuls, comprimant le minimum. L’ordre s’inverse alors de façon symétrique : Milieu de l’étendue < Moyenne < Médiane.

Au sein d’Excel, l’analyste peut bâtir un indicateur d’écart relatif simple formulé de la sorte : =((MAX(A2:A100)+MIN(A2:A100))/2) - MEDIANE(A2:A100). L’amplitude et le signe de cette différence informent instantanément sur la direction de l’étirement des données périphériques avant même de générer des graphiques de densité sophistiqués.

9.3 9.3 Critères décisionnels pour le choix de l’indicateur

Le recours scientifique et professionnel au milieu de l’étendue doit obéir à des critères stricts. La métrique est pleinement justifiée et recommandable dans les contextes suivants :

• Les données collectées proviennent de phénomènes physiques régis par des lois d’échantillonnage uniformes strictes (ex. tests de tolérance dimensionnelle en micromécanique, signaux de convertisseurs analogique-numérique idéaux).
• L’analyste dispose d’un micro-échantillon (taille comprise entre 3 et 5 mesures) et cherche une estimation instantanée sans calcul matriciel sur le terrain.
• L’objectif de l’étude porte exclusivement sur la portée globale d’un intervalle de tolérance opérationnelle plutôt que sur le comportement moyen des usagers.

À l’inverse, l’emploi du milieu de l’étendue doit être catégoriquement proscrit dans les contextes suivants :

• Les séries de données sont issues d’enquêtes médico-sociales, d’études salariales ou d’actométrie comportementale, intrinsèquement assujetties à de fortes asymétries et à la présence régulière de valeurs extrêmes contestables.
• La taille d’échantillon est massive (ex. big data) sur des lois asymptotiquement normales : plus n s’accroît, plus la probabilité de tirer une valeur extrême divergente s’élève, déstabilisant inutilement le midrange tandis que la moyenne s’affine.
• Les comités de lecture académiques et les normes de publication des revues scientifiques indexées (notamment APA ou Vancouver) imposent quasi systématiquement le binôme moyenne/écart-type ou médiane/intervalle interquartile pour garantir la validité de la communication scientifique.

10. 10. Automatisation avancée : Fonctions personnalisées LAMBDA et VBA

10.1 10.1 Création d’une fonction réutilisable avec LAMBDA (Excel 365)

L’introduction récente de la fonction LAMBDA dans Microsoft 365 a révolutionné la modélisation sous tableur en offrant la possibilité de créer des fonctions personnalisées sans recourir au moindre langage de script externe. Cette technologie permet d’encapsuler la logique du milieu de l’étendue sous une entité computationnelle élégante et réutilisable dans l’ensemble du classeur.

Pour concevoir la fonction MIDRANGE via LAMBDA, la procédure s’exécute selon les étapes suivantes :

1. Ouvrez le ruban Formules d’Excel et cliquez sur l’icône Gestionnaire de noms.
2. Sélectionnez l’option Nouveau pour définir une nouvelle référence nommée.
3. Dans le champ Nom, saisissez l’identifiant canonique désiré, par exemple : MIDRANGE ou MILIEU_ETENDUE.
4. Dans la zone de saisie inférieure intitulée Fait référence à :, insérez la définition algorithmique suivante :

=LAMBDA(plage; (MAX(plage) + MIN(plage)) / 2)

Une fois cette définition validée, la fonction personnalisée devient nativement disponible dans les feuilles de calcul de votre classeur. L’utilisateur n’a plus besoin de saisir les opérateurs arithmétiques imbriqués : il lui suffit d’invoquer dans n’importe quelle cellule l’expression =MIDRANGE(A2:A100). Cette démarche procure un gain substantiel en termes de lisibilité, standardise les formules pour l’ensemble des collaborateurs d’un laboratoire et réduit à néant le risque de coquilles typographiques liées aux parenthèses de division.

10.2 10.2 Développement d’une fonction personnalisée (UDF) en VBA

Dans les contextes d’entreprise où coexistent des versions hétérogènes du tableur (notamment des versions antérieures à Microsoft 365 ne disposant pas du moteur LAMBDA) ou pour des déploiements sous forme de modules d’extension institutionnels (fichiers .xlam), le recours au langage procédural Visual Basic for Applications (VBA) demeure la solution de référence.

Pour implémenter la fonction personnalisée (User Defined Function), ouvrez l’éditeur Visual Basic via le raccourci Alt + F11, insérez un module standard vierge via le menu Insertion > Module, puis implémentez l’architecture logicielle suivante :

Function MilieuEtendue(PlageDonnees As Range) As Variant
    Dim ValMax As Double
    Dim ValMin As Double
    On Error GoTo GestionErreur
    ValMax = Application.WorksheetFunction.Max(PlageDonnees)
    ValMin = Application.WorksheetFunction.Min(PlageDonnees)
    MilieuEtendue = (ValMax + ValMin) / 2#
    Exit Function
GestionErreur:
    MilieuEtendue = CVErr(xlErrNum)
End Function

Cette macrocommande s’appuie directement sur les méthodes optimisées de l’objet WorksheetFunction pour interroger le processeur d’Excel. En intégrant un gestionnaire d’exception explicite (On Error GoTo GestionErreur), la macro se prémunit contre les plantages d’exécution lorsque l’utilisateur sélectionne accidentellement une plage exclusivement composée de cellules vides ou de libellés textuels, renvoyant proprement le code d’erreur Excel #NOMBRE!. Une fois compilée, la fonction s’utilise dans les feuilles de calcul avec une simplicité déconcertante : =MilieuEtendue(A2:A100).

10.3 10.3 Vectorisation et calcul dynamique sur tableaux structurés

L’exploitation moderne d’Excel passe impérativement par l’abandon des plages de cellules fixes (dites coordonnées absolues ou relatives) au profit des Tableaux Structurés (fonctionnalité activable via le raccourci Ctrl + L ou le ruban Accueil > Mettre sous forme de tableau). L’emploi de cette structure relationnelle confère une dynamicité totale au calcul du milieu de l’étendue grâce aux références structurées.

Supposons que votre cohorte d’observations soit intégrée au sein d’un tableau baptisé officiellement TableauRecherche et que la colonne contenant les scores quantitatifs porte l’en-tête [ScoreCognitif]. La formule standard de calcul s’émancipe de toute numérotation de ligne rigide pour s’énoncer :

=(MAX(TableauRecherche[ScoreCognitif]) + MIN(TableauRecherche[ScoreCognitif])) / 2

Cette approche apporte des bénéfices opérationnels inestimables :

• Auto-expansion vectorielle : Dès lors qu’un nouvel enregistrement ou qu’une nouvelle vague de participants est injectée en bas de tableau, la plage de référence s’étend instantanément sans la moindre intervention manuelle de l’analyste. Le milieu de l’étendue se recalcule en temps réel.
• Clarté sémantique : Toute ambiguïté relative au bornage d’une plage (ex. se demander si la plage s’arrêtait à la ligne 99 ou 100) est éliminée, simplifiant considérablement la relecture des classeurs par des évaluateurs indépendants.
• Intégration directe aux pipelines Power Query : Les tables structurées constituent le format d’entrée idéal pour les requêtes ETL sous Power Query, permettant d’automatiser le rafraîchissement des données depuis des bases distantes tout en préservant l’intégrité formelle des colonnes de calcul en aval.

11. 11. Étude de cas empirique : Analyse de données psychométriques dans Excel

11.1 11.1 Contexte et modélisation du protocole expérimental

Afin de synthétiser la totalité des notions théoriques et des implémentations présentées, déployons une étude de cas empirique complète modélisant un protocole d’évaluation neuropsychologique de l’attention soutenue (tâche inspirée de la Psychomotor Vigilance Task ou PVT). Une cohorte de six participants adultes a été soumise à une série d’épreuves chronométrées au cours desquelles les latences de réponse motrice ont été recueillies à l’issue d’une période de privation partielle de sommeil.

L’objectif scientifique du protocole consiste à déterminer dans quelle mesure les micro-sommeils ou décrochages attentionnels transitoires (caractérisés par des latences anormalement élevées) distordent la perception du profil central des sujets lorsque l’on confronte le milieu de l’étendue géométrique à la moyenne arithmétique standard des performances individuelles.

11.2 11.2 Exécution pratique des calculs dans une feuille de calcul

Les données expérimentales ont été saisies au sein d’une matrice structurée dans Excel. Pour chaque participant, les latences minimale et maximale extraites sur 100 essais consécutifs ont été répertoriées, accompagnées de la moyenne arithmétique de l’ensemble de leurs essais. Le tableau ci-dessous reproduit fidèlement la structure de la feuille de calcul analytique :

Identifiant Sujet	Groupe Clinique	Latence Min (ms)	Latence Max (ms)	Moyenne Brute (ms)	Milieu Étendue (ms)	Écart Relatif (ms)
Sujet_01	Contrôle	195	380	245	=(C2+D2)/2 → 287,5	=+F2-E2 → +42,5
Sujet_02	Contrôle	210	410	260	=(C3+D3)/2 → 310,0	=+F3-E3 → +50,0
Sujet_03	Privation	205	1250	390	=(C4+D4)/2 → 727,5	=+F4-E4 → +337,5
Sujet_04	Privation	220	1480	415	=(C5+D5)/2 → 850,0	=+F5-E5 → +435,0
Sujet_05	Contrôle	190	360	235	=(C6+D6)/2 → 275,0	=+F6-E6 → +40,0
Sujet_06	Privation	215	620	295	=(C7+D7)/2 → 417,5	=+F7-E7 → +122,5

Les formules employées dans la colonne Milieu Étendue mobilisent la référence relative des deux extrema individuels =(C2+D2)/2, tandis que la colonne Écart Relatif évalue l’amplification géométrique induite par le milieu de l’étendue par rapport à la moyenne globale via =F2-E2.

11.3 11.3 Interprétation psychométrique des disparités constatées

L’analyse des résultats met en évidence une rupture psychométrique profonde entre les participants du groupe contrôle et ceux soumis à la privation de sommeil. Chez les sujets témoins (Sujets 01, 02 et 05), l’écart relatif entre le milieu de l’étendue et la moyenne arithmétique fluctue dans une plage modérée et homogène comprise entre +40,0 ms et +50,0 ms. Ce décalage stable traduit une asymétrie droite physiologique normale des temps de réaction moteurs chez le sujet sain sans rupture fonctionnelle.

À l’inverse, l’examen des sujets en condition de privation de sommeil (Sujets 03 et 04) révèle une explosion monumentale de l’écart relatif, atteignant respectivement +337,5 ms et +435,0 ms. Chez ces participants, le milieu de l’étendue est violemment aspiré vers le haut par des latences maximales pathologiques (1250 ms et 1480 ms). Ces maxima ne représentent nullement le comportement moteur moyen des sujets — dont la moyenne demeure modérément élevée autour de 400 ms —, mais constituent la signature électrophysiologique de blocages attentionnels transitoires (lapses) causés par la pression de sommeil. Dans ce scénario clinique, le milieu de l’étendue échoue complètement à décrire le niveau de fonctionnement habituel de l’individu, mais fournit en contrepartie un indice diagnostique très sensible de l’amplitude globale de l’instabilité neurocomportementale.

12. 12. Bonnes pratiques de restitution, visualisation et reporting méthodologique

12.1 12.1 Représentation graphique du milieu de l’étendue

La communication visuelle des résultats statistiques sous Excel exige un agencement graphique rigoureux pour prévenir toute méprise interprétative de la part du public cible. Le milieu de l’étendue étant une métrique purement géométrique liée aux bornes, sa superposition sur des diagrammes inadaptés (tels que des graphiques en secteurs ou des histogrammes de fréquence brute) est formellement déconseillée.

Le mode de représentation optimal consiste à superposer le milieu de l’étendue directement sur un graphique en boîte à moustaches (boxplot). Dans un boxplot conventionnel généré par Excel, le corps de la boîte délimite l’intervalle interquartile [Q₁, Q₃], la barre interne désigne la médiane, tandis que la croix symbolise la moyenne arithmétique. Bien qu’Excel n’intègre pas d’option native pour afficher automatiquement le midrange, l’analyste peut ajouter une série de données complémentaire sous forme de graphique combiné (nuage de points superposé), matérialisée par un losange distinctif positionné exactement au centre des moustaches extrêmes. Cette confrontation graphique rend immédiatement visible à l’œil nu le désaxement entre le centre de gravité (moyenne/médiane) et le centre spatial de l’enveloppe extérieure.

12.2 12.2 Normes de reporting scientifique et rédaction académique

Lors de la rédaction de manuscrits scientifiques ou de rapports institutionnels soumis aux critères d’excellence des organismes d’évaluation (tels que les normes de l’American Psychological Association – APA 7e édition), l’emploi d’indices statistiques non conventionnels est soumis à des règles de transparence méthodologique strictes. Si vous choisissez de faire figurer le milieu de l’étendue dans vos restitutions de recherche, plusieurs impératifs rédactionnels s’imposent :

• Explicitation de la formule : Mentionnez formellement dans la section Méthodologie / Analyse des données la formulation mathématique exacte retenue : « Le milieu de l’étendue (midrange) a été défini comme M_R = (X_(n) + X₍₁₎) / 2 », dissipant ainsi toute confusion avec l’étendue simple ou le centre de l’intervalle interquartile.
• Justification théorique : Justifiez explicitement les motifs épistémologiques ayant motivé le calcul du midrange au détriment ou en complément de la médiane ou de la moyenne (ex. vérification d’une hypothèse de distribution uniforme bornée ou calibrage spatial d’un capteur).
• Couplage obligatoire avec la dispersion : Le milieu de l’étendue ne doit jamais être rapporté de manière isolée. Il doit impérativement être accompagné des valeurs brutes des extrema [Min, Max], de l’étendue totale (Range), ainsi que de l’écart-type ou de l’écart interquartile de l’échantillon. Le formatage standard recommandé prend la forme suivante : M_R = 550 ms [Min = 210 ms, Max = 890 ms, Écart-type = 112 ms].

12.3 12.3 Synthèse méthodologique et arbre décisionnel

Pour parachever ce guide et guider le praticien dans l’écosystème d’Excel, la sélection d’un indicateur de tendance centrale peut être synthétisée sous la forme d’un protocole logique rigoureux structuré en quatre étapes d’évaluation séquentielle :

1. Nature de la distribution parente : La variable étudiée suit-elle une loi uniforme continue strictement délimitée par deux frontières physiques ?
   • Si OUI : Le milieu de l’étendue constitue l’estimateur de référence (UMVUE). Calculez-le via =(MAX()+MIN())/2.
   • Si NON : Poursuivez vers l’étape suivante.
2. Présence et probabilité de valeurs aberrantes : L’échantillon comporte-t-il des artefacts de mesure, des queues de distribution épaisses ou des erreurs de codage potentielles ?
   • Si OUI : Proscrivez formellement le milieu de l’étendue standard. Privilégiez la médiane =MEDIANE() ou orientez-vous vers un milieu tronqué =(PERCENTILE.INC(..., 0,9)+PERCENTILE.INC(..., 0,1))/2.
   • Si NON : Poursuivez vers l’étape suivante.
3. Symétrie morphologique de la série : Les données présentent-elles une asymétrie marquée (étirement vers la droite ou vers la gauche) ?
   • Si OUI : Mobilisez la médiane pour la localisation centrale et utilisez le milieu de l’étendue exclusivement comme un baromètre d’asymétrie périphérique relative.
   • Si NON (distribution unimodale normale symétrique) : Adoptez la moyenne arithmétique conventionnelle via =MOYENNE().
4. Contrôle technique sous Excel : Avant toute diffusion des chiffres, réalisez un audit de validation via la formule =NB.SI(plage; "<0") pour détecter d’éventuels codes résiduels d’absence de données, et assurez-vous via AGREGAT ou les tableaux structurés de la neutralisation pérenne des cellules corrompues.

En observant scrupuleusement ces préceptes analytiques et informatiques, l’analyste exploitera le potentiel théorique et pratique du milieu de l’étendue dans Microsoft Excel avec un niveau de rigueur scientifique irréprochable.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
• David, H. A., & Nagaraja, H. N. (2003). Order statistics (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471722162
• Donoho, D. L., & Huber, P. J. (1983). The notion of breakdown point. In P. J. Bickel, K. Doksum, & J. L. Hodges (Eds.), A festschrift for Erich L. Lehmann (pp. 157–184). Wadsworth.
• Hampel, F. R., Ronchetti, E. M., Rousseeuw, P. J., & Stahel, W. A. (1986). Robust statistics: The approach based on influence functions. John Wiley & Sons. https://doi.org/10.1002/9781118186435
• Huber, P. J. (1981). Robust statistics. John Wiley & Sons. https://doi.org/10.1002/0471725250
• Microsoft Support. (2023). Fonctions statistiques (référence dans Excel). Microsoft Corporation. https://support.microsoft.com/fr-fr/office/fonctions-statistiques-r%C3%A9f%C3%A9rence-624dac86-a375-4435-bc25-76d659719ffd
• National Institute of Standards and Technology. (2012). NIST/SEMATECH e-handbook of statistical methods. U.S. Department of Commerce. https://doi.org/10.18434/M32189
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
• Wilcox, R. R. (2017). Introduction to robust estimation and hypothesis testing (4th ed.). Academic Press. https://doi.org/10.1016/C2015-0-01128-4