Comment trouver les limites de classe (avec exemples)

Dans l’arsenal des méthodes quantitatives appliquées aux sciences humaines, la structuration des données brutes constitue le socle fondamental sur lequel reposent la validité des inférences et la pertinence des diagnostics. Face à des ensembles d’observations complexes issus de passations psychométriques, d’enregistrements chronométriques ou de suivis longitudinaux, le chercheur et le praticien se trouvent confrontés à une dispersion numérique qui masque souvent les tendances sous-jacentes. La transformation de ces séries désordonnées en distributions de fréquences intelligibles ne relève pas d’un simple souci de mise en page statistique, mais d’une opération méthodologique rigoureuse qui exige de définir des frontières nettes, rationnelles et sans ambiguïté.

La détermination des limites de classe — qu’elles soient inférieures ou supérieures — constitue précisément le pivot géométrique de cette organisation tabulaire. Une partition numérique mal calibrée, un chevauchement d’intervalles ou une mauvaise appréciation de la continuité de la variable sous-jacente peuvent altérer la morphologie perçue d’une distribution, engendrer des biais diagnostiques majeurs et vicier l’application ultérieure de modèles paramétriques avancés. Maîtriser les principes régissant la délimitation des classes représente ainsi une compétence analytique indispensable pour quiconque souhaite extraire du sens à partir d’observations empiriques tout en préservant l’intégrité de la mesure.

Ce guide exhaustif a pour vocation de décortiquer pas à pas la théorie, la terminologie et la pratique du partitionnement par classes dans le champ de la psychologie et des sciences comportementales. À travers l’examen minutieux des fondements mathématiques, l’application concrète d’algorithmes éprouvés et l’analyse détaillée d’exemples cliniques et cognitifs, ce traité offre un cadre de référence complet pour concevoir des distributions de fréquences robustes, exemptes d’erreurs méthodologiques et parfaitement adaptées aux exigences actuelles de la recherche contemporaine.

1. Introduction fondamentale aux limites de classe en statistiques descriptives

1.1 Origine et utilité des distributions de fréquences

L’essor de la psychologie quantitative et de la psychométrie moderne a rapidement confronté les praticiens à la surabondance de données individuelles. Lorsqu’une cohorte de plusieurs centaines d’individus est soumise à une batterie de tests d’évaluation cognitive ou d’inventaires de personnalité, l’examen isolé de la série brute — une simple liste linéaire de scores non ordonnés — s’avère cognitivement stérile. L’esprit humain peine à extraire spontanément la tendance centrale, la dispersion ou l’asymétrie d’un vecteur numérique de grande dimension sans une réduction préalable de l’information.

La transition de la série brute vers un tableau ordonné par classes répond précisément à cet impératif de condensation synthétique. Il s’agit de regrouper des observations contiguës au sein d’intervalles contigus, appelés classes statistiques, de manière à dégager la forme globale de la distribution tout en réduisant le bruit aléatoire propre à l’échantillonnage. Ce processus ne doit cependant pas détruire l’architecture du comportement mesuré. Le découpage doit être suffisamment fin pour capturer les modulations réelles du trait psychologique, mais suffisamment agrégé pour éliminer les micro-fluctuations dénuées de signification théorique.

Pour préserver cette validité de mesure, le regroupement obéit à deux principes cardinaux issus de la théorie des ensembles : le principe d’exhaustivité et le principe de mutuelle exclusion. L’exhaustivité impose que chaque observation sans exception puisse trouver une classe d’accueil au sein du tableau statistique, garantissant ainsi qu’aucune donnée n’est arbitrairement exclue du spectre d’analyse. La mutuelle exclusion stipule, quant à elle, qu’un score donné ne peut appartenir qu’à une et une seule classe. Sans un respect intransigeant de ces deux axiomes, la somme des fréquences empiriques ne correspondrait plus à l’effectif total de l’échantillon, compromettant l’édifice mathématique ultérieur.

1.2 Concept théorique de limite de classe

D’un point de vue théorique, les limites de classe constituent les bornes numériques qui définissent les conditions d’inclusion et d’exclusion des observations empiriques au sein de chaque sous-ensemble de la partition. Elles représentent les critères opérationnels de démarcation à partir desquels une observation brute est assignée à un segment spécifique de l’espace échantillonnal. Déterminer une limite de classe revient à tracer une frontière quantitative explicite permettant de trier systématiquement les réponses fournies par les sujets.

Il est fondamental de distinguer le seuil d’observation — la valeur effectivement enregistrée par l’instrument de mesure — du continuum latent que l’on cherche à appréhender. En psychologie différentielle, la variable d’intérêt (par exemple, l’extraversion, l’intelligence fluide ou le niveau de détresse psychologique) est très souvent postulée comme continue sur un espace théorique infini. Cependant, l’observation concrète se fait toujours à travers un appareil ou une grille de notation qui discrétise ce continuum. Les limites de classe agissent comme un pont formel entre ces deux réalités : elles appliquent un maillage numérique fini sur des manifestations comportementales issues d’un trait sous-jacent infiniment divisible.

Sur le plan épistémologique, regrouper des sujets dans des classes séparées par des limites quantitatives implique l’acceptation d’une perte d’information contrôlée. Deux participants obtenant respectivement 18 et 19 à une échelle d’évaluation de l’anxiété peuvent se retrouver assimilés dans la même classe [15 ; 19]. Cette équivalence locale présume que, pour les besoins de l’analyse ou du diagnostic clinique, la variance intra-classe est considérée comme secondaire par rapport à la variance inter-classes. La limite de classe formalise ainsi le seuil à partir duquel une variation numérique est jugée suffisamment substantielle pour justifier une distinction catégorielle au sein de la population étudiée.

1.3 Typologie des échelles de mesure et groupement en classes

L’applicabilité et la signification des limites de classe dépendent intimement de la nature de l’échelle de mesure employée, selon la célèbre classification quadripartite introduite par Stanley Smith Stevens. Sur une échelle ordinale, fréquemment utilisée pour quantifier des attitudes ou des accords via des items de type Likert, les limites de classe délimitent des rangs hiérarchisés plutôt que des grandeurs physiques. Si l’on somme plusieurs items ordinaux pour former un score global, la tentation est grande de traiter la variable résultante comme métrique, mais la fixation des limites doit demeurer prudente face à la non-équidistance des échelons psychologiques.

Dans le cadre des échelles d’intervalles — archétypes des tests standardisés de quotient intellectuel ou des inventaires de personnalité de type Big Five —, l’absence de zéro absolu n’interdit nullement la construction de classes régulières. Les limites peuvent être fixées à intervalles constants, car la distance métrique séparant deux valeurs consécutives possède une signification invariable sur l’ensemble du spectre d’étalonnage. Les limites de classe permettent alors d’isoler des tranches d’écarts-types ou des centiles normalisés avec une précision mathématique rigoureuse.

Enfin, les échelles de rapport, prédominantes en neurosciences comportementales et en psychophysique (par exemple, le taux de cortisol salivaire, le diamètre pupillaire ou le temps de réaction en millisecondes), disposent d’un zéro naturel et non arbitraire. Dans ce contexte, les limites de classe expriment des quantités physiques pures. La précision des instruments d’enregistrement — qu’il s’agisse de capteurs électrodermaux ou de logiciels de capture chronométrique au millième de seconde près — conditionne directement la granularité des limites. Une granularité mal ajustée, ignorant la résolution limite de l’instrument, conduirait à définir des frontières de classe artificielles n’ayant aucun ancrage dans la réalité physiologique du signal mesuré.

2. Définition mathématique et terminologie des limites de classe

2.1 La limite inférieure de classe (Lower Class Limit)

La limite inférieure de classe, désignée dans la littérature internationale sous le vocable de Lower Class Limit (LCL), représente la plus petite valeur numérique admissible susceptible d’appartenir à la classe considérée. Sur le plan formel, si une classe i regroupe un ensemble d’observations discrètes x, la limite inférieure L_i est la valeur minimale telle que pour tout x assigné à cette classe, l’inégalité x ≥ L_i soit rigoureusement satisfaite.

L’attribution d’un score à une classe donnée commence systématiquement par la confrontation de cette observation avec la borne inférieure. Si un participant obtient un résultat qui se situe immédiatement en-deçà de cette limite, il est automatiquement orienté vers la classe d’ordre immédiatement inférieur (i − 1). Pour garantir le principe de non-chevauchement, il est impératif que la limite inférieure de la classe i soit strictement supérieure à la limite supérieure de la classe précédente d’au moins une unité de précision de mesure.

À titre d’illustration sur des variables discrètes prenant des valeurs entières positives, si la troisième classe d’une distribution de scores d’agressivité est définie par l’intervalle [20 ; 29], le nombre 20 constitue sans équivoque la limite inférieure de cette classe. Tout individu présentant un score de 20 sera comptabilisé dans cette catégorie, tandis qu’un individu présentant un score de 19 se verra assigné à la deuxième classe, dont la borne supérieure aura été préalablement arrêtée à 19. La limite inférieure sert donc de rempart exclusif empêchant la contamination de la classe par des données de rang inférieur.

2.2 La limite supérieure de classe (Upper Class Limit)

Par symétrie, la limite supérieure de classe, ou Upper Class Limit (UCL), constitue la plus grande valeur numérique admissible pouvant être intégrée au sein de la classe d’intérêt. Formellement désignée par U_i pour la classe i, elle impose que toute observation x appartenant à ce groupement satisfasse la condition mathématique x ≤ U_i. Dès lors qu’une observation franchit ce plafond d’une fraction d’unité de mesure, elle doit être basculée vers la classe supérieure (i + 1).

La gestion des bornes supérieures peut adopter une logique stricte ou inclusive selon les conventions retenues lors de la phase de prétraitement. Dans le cas de distributions discrètes, la limite supérieure est quasi-systématiquement inclusive : la valeur affichée fait partie intégrante du compte de fréquences. En revanche, lorsque les données sont continues ou soumises à un arrondi implicite, la frontière exacte sépare la limite supérieure de la limite inférieure suivante. La règle de séparation doit alors veiller à ce qu’aucun vide théorique n’apparaisse entre deux classes successives.

L’arrondi joue un rôle fondamental dans la fixation de cette limite supérieure. Considérons une mesure de latence cognitive arrondie au centième de seconde le plus proche. Si la limite supérieure d’une classe est notée 0,45 s et que la classe consécutive commence à 0,46 s, la borne supérieure effective englobe tout score dont l’arrondi arithmétique retombe sur 0,45 s (c’est-à-dire les valeurs strictement inférieures à 0,455 s). Négliger l’impact de l’arrondi sur la valeur de la limite supérieure expose le chercheur à des assignations erronées, particulièrement lorsque les données brutes comportent plus de décimales que le format tabulé retenu dans le rapport final.

2.3 Représentation symbolique et conventions de notation

La transcription des limites de classe requiert une rigueur sémiotique absolue afin d’éviter toute ambiguïté chez le lecteur ou le logiciel de traitement statistique. Les mathématiques fournissent à cet effet deux grands modes de représentation des intervalles : les intervalles fermés, dénotés par des crochets tournés vers l’intérieur [a ; b], et les intervalles semi-ouverts, dénotés soit par [a ; b[ (ouvert à droite, excluant la borne b), soit par ]a ; b] (ouvert à gauche, excluant la borne a). Les normes anglo-saxonnes privilégient souvent la parenthèse pour signifier l’exclusion, sous la forme [a, b) ou (a, b].

Dans la littérature de recherche en psychologie, régie majoritairement par les préconisations stylistiques de l’American Psychological Association, la clarté prime sur l’élégance typographique. Pour les variables discrètes (scores globaux à des questionnaires), la notation inclusive [a − b] est largement tolérée et employée dans les tableaux récapitulatifs, par exemple « 10–14 », « 15–19 », « 20–24 ». Pour les variables continues, en revanche, cette pratique est proscrite car elle soulève immédiatement la question du devenir d’un score tel que 14,35 ou 19,8. On adopte alors impérativement la notation d’intervalles stricts [a ; b[ ou des formulations explicites du type « de a à moins de b ».

L’uniformité de la notation au sein d’une même distribution empirique est une exigence méthodologique non négociable. Alterner au fil d’un tableau des intervalles fermés à droite et d’autres fermés à gauche introduit une dissymétrie artificielle qui fausse les densités relatives et perturbe le calcul ultérieur des fréquences cumulées. Chaque chercheur doit donc déclarer de manière explicite, en note de bas de tableau ou dans le corps méthodologique de sa publication, la convention d’ouverture et de fermeture régissant l’ensemble des limites de classe retenues pour son étude.

3. Rôle et pertinence des limites de classe en recherche psychologique

3.1 Standardisation des inventaires psychologiques

En psychologie clinique et en psychopathologie, la pratique de l’étalonnage consiste à convertir des notes brutes obtenues à un instrument de mesure en catégories diagnostiques ordonnées, possédant une pertinence sémiologique immédiate. Qu’il s’agisse de l’Inventaire de Dépression de Beck (BDI-II), de l’Échelle d’Anxiété État-Trait (STAI) ou du Hamilton Rating Scale, les notes brutes doivent être segmentées en tranches d’intensité : dépression minime, légère, modérée ou sévère. Ces catégories reposent entièrement sur la fixation préalable de limites de classe cliniquement validées.

La fixation de ces limites engage directement la responsabilité du psychologue clinicien. Un déplacement marginal de la limite inférieure séparant l’anxiété dite « normale » de l’anxiété « cliniquement significative » — par exemple en fixant la borne à 22 plutôt qu’à 23 sur une échelle donnée — peut entraîner une inflation considérable du taux de faux positifs au sein d’une cohorte épidémiologique. Inversement, une limite supérieure trop élevée pour le palier subclinique risque de générer des faux négatifs préjudiciables, privant des patients vulnérables d’une orientation thérapeutique précoce.

Dans l’évaluation de la personnalité selon le modèle en cinq facteurs (Big Five), les scores bruts sont souvent projetés sur des étalonnages en classes normalisées, telles que les stanines (classes de 1 à 9) ou les déciles. Les limites de classe sont alors calculées de manière à ce que chaque intervalle intercepte une proportion prédéterminée de la distribution normale théorique. Un mauvais calibrage des limites de classe déformerait le profil de personnalité du sujet, conduisant à des interprétations erronées concernant son niveau de névrosisme ou de conscience par rapport aux normes populationnelles de référence.

3.2 Traitement des temps de réponse en neuropsychologie cognitive

L’analyse chronométrique constitue l’un des piliers expérimentaux de la neuropsychologie cognitive. Lorsque l’on mesure les temps de réaction (TR) lors de tâches de Stroop, de détection de signaux ou de flexibilité mentale, les distributions de données se caractérisent quasi-systématiquement par une forte asymétrie positive (skewness). Contrairement à la distribution gaussienne, les temps de réponse présentent une frontière physiologique infranchissable à gauche (latence minimale liée à la transmission synaptique) et une longue queue s’étirant vers la droite, composée de réponses tardives ou de distractions attentionnelles.

Dans cette configuration asymétrique, le découpage en classes temporelles distinctes requiert une gestion rigoureuse des limites. La segmentation doit être suffisamment fine dans la zone de forte densité (les latences typiques comprises entre 250 et 450 millisecondes) pour capter les micro-variations de la charge cognitive, sans pour autant multiplier inutilement les classes vides dans la queue droite de la distribution. Le choix de ces limites influence directement la détection des valeurs aberrantes (outliers), car une limite supérieure mal ajustée pour la dernière classe clinique peut agréger indûment des lapses attentionnels pathologiques avec des réponses simplement lentes mais valides.

De surcroît, la modélisation formelle de la prise de décision, notamment à travers les modèles de diffusion de drift ou les théories d’accumulation de preuves (Race Models), s’appuie fréquemment sur les fréquences d’apparition des réponses au sein de tranches temporelles délimitées. Fixer les limites de classe de manière non arbitraire permet d’ajuster avec exactitude les paramètres mathématiques de dérive et de seuil critique. Une erreur dans la fixation des bornes temporelles distord la forme de la courbe de densité empirique, ce qui fausse l’estimation des mécanismes sous-jacents au traitement de l’information dans le système nerveux central.

3.3 Communication des résultats et interprétation clinique

Au-delà des considérations de calcul pur, la définition des limites de classe remplit une fonction essentielle de communication scientifique et médicale. Dans la rédaction des bilans psychologiques destinés aux médecins psychiatres, aux équipes pédagogiques ou aux patients eux-mêmes, la restitution sous forme de classes de scores ordonnées offre une lisibilité infiniment supérieure à l’énumération brute d’indices statistiques désincarnés. Un rapport mentionnant qu’un enfant se situe dans la classe de quotient intellectuel [115 ; 129] véhicule immédiatement une signification clinique normalisée (zone de fonctionnement intellectuel supérieur).

Cette communication ne conserve sa validité que si les limites de classe sont totalement dénuées d’ambiguïté. Si un praticien ne sait pas si un score de 115 appartient à la classe moyenne supérieure ou à la classe supérieure, le risque de mésinterprétation du profil cognitif devient réel. Les limites de classe doivent donc être explicitées avec leurs règles d’inclusion respectives, garantissant une transmission fluide de l’information entre les différents acteurs du parcours de soins ou du dispositif éducatif.

Enfin, la comparabilité des distributions de fréquences entre cohortes issues d’études distinctes repose sur l’adoption de limites de classe rigoureusement standardisées. Si une étude internationale sur l’anxiété post-traumatique utilise des classes de scores fermées [0 ; 10], [11 ; 20], etc., et qu’une équipe concurrente utilise des intervalles [0 ; 9], [10 ; 19], toute tentative de méta-analyse directe ou de comparaison descriptive des prévalences par tranches de sévérité devient hasardeuse, voire mathématiquement invalide. La standardisation transparente des limites de classe est le garant de la reproductibilité scientifique en psychologie quantitative.

4. Méthodologie pas à pas pour déterminer les limites de classe (données discrètes)

4.1 Étape 1 : Détermination de l’étendue des données brutes

L’établissement d’une distribution de fréquences sur des données discrètes débute obligatoirement par une phase d’exploration descriptive visant à balayer l’ensemble de la série brute. La première opération concrète consiste à extraire les deux valeurs extrêmes de l’échantillon : le score plancher, ou minimum observé (noté X_min), et le score plafond, ou maximum observé (noté X_max). Cette étape préliminaire permet de cerner immédiatement l’enveloppe numérique globale au sein de laquelle oscillent les comportements enregistrés.

À partir de ces deux jalons, le chercheur calcule l’étendue totale des données brutes, classiquement désignée en anglais sous le terme de Range (R). La formule de calcul se résume à la différence arithmétique simple entre le score maximum et le score minimum :

R = X_max − X_min

L’étendue quantifie la dispersion brute des observations. Toutefois, sur des données psychologiques discrètes, il convient de distinguer l’étendue observée au sein de l’échantillon de l’étendue théorique permise par l’instrument de mesure. Si un test est théoriquement borné entre 0 et 100 mais que l’échantillon présente des réponses comprises entre 32 et 74, c’est l’étendue empirique (74 − 32 = 42) qui servira de base technique au découpage en classes, tout en gardant à l’esprit les contraintes structurelles de l’échelle d’évaluation pour l’interprétation finale.

4.2 Étape 2 : Choix du nombre optimal de classes

La deuxième étape, éminemment stratégique, consiste à fixer le nombre de classes (noté k) dans lesquelles seront réparties les observations. Choisir un nombre inadéquat de classes dénature l’analyse : un k trop restreint (par exemple 2 ou 3) entraîne un sur-lissage de la distribution, gommant des hétérogénéités diagnostiques majeures ; à l’inverse, un k pléthorique (par exemple 30 pour 50 sujets) fragmente l’échantillon et produit une suite de classes vides ou unitaires ne permettant aucune synthèse. De manière générale, les règles heuristiques recommandent de retenir entre 5 et 20 classes selon le volume de l’échantillon.

Pour dépasser l’arbitraire de l’intuition, la statistique descriptive met à disposition des formules éprouvées. La plus célèbre dans le champ des sciences sociales est la règle de Sturges, formulée par Herbert Sturges en 1926. Elle repose sur l’hypothèse d’une distribution symétrique de forme binomiale et calcule le nombre optimal de classes en fonction de la taille totale de l’échantillon (N) :

k = 1 + 3,322 × log₁₀(N)

ou sous sa forme logarithmique naturelle équivalente :

k = 1 + log₂(N)

Lorsque les effectifs deviennent considérables (cohortes de plusieurs milliers d’individus), la règle de Sturges a tendance à sous-estimer le nombre idéal de classes. On lui préfère alors fréquemment la règle de Rice, particulièrement vigoureuse pour les grands ensembles de données comportementales, définie simplement par le double de la racine cubique de l’effectif :

k = 2 × N^1/3

Quelle que soit la formulation retenue, la valeur numérique obtenue pour k n’est que très exceptionnellement un entier. Le chercheur procède alors à un arrondi pragmatique à l’entier le plus proche, tout en conservant la liberté d’ajuster ce paramètre de ±1 classe pour optimiser la clarté pédagogique et clinique des intervalles.

4.3 Étape 3 : Calcul de la largeur de classe et fixation des limites

Une fois l’étendue totale (R) et le nombre de classes (k) arrêtés, l’étape subséquente consiste à déterminer la largeur théorique de classe, également appelée intervalle de classe (souvent notée i, h ou c). Cette largeur s’obtient en divisant l’étendue par le nombre de classes sélectionné :

i = R / k = (X_max − X_min) / k

Sur des données discrètes exprimées en nombres entiers, la largeur théorique issue de ce calcul donne presque toujours un résultat décimal. Il est alors de règle méthodologique absolue d’arrondir cette valeur à l’entier supérieur (voire à un multiple commode de 2, 5 ou 10). Cet arrondissement par excès garantit formellement que l’amplitude cumulée de l’ensemble des classes (k × i) sera strictement supérieure à l’étendue réelle des données (R), assurant ainsi une couverture exhaustive de toutes les observations sans qu’aucune valeur extrême ne se retrouve exclue.

La fixation opérationnelle des limites s’enchaîne de manière séquentielle et déterministe. On détermine d’abord la première limite inférieure (L₁). Deux stratégies s’offrent au praticien : soit fixer L₁ exactement à la valeur minimale observée (X_min), soit la caler sur un nombre dit « commode » ou rond immédiatement inférieur (par exemple, débuter à 20 si le minimum est 22). Ce choix ancre la distribution. Ensuite, on calcule les limites inférieures suivantes par l’addition successive et répétée de la largeur choisie i :

L₂ = L₁ + i

L₃ = L₂ + i = L₁ + 2i

et de façon générale :

L_j = L₁ + (j − 1) × i

Une fois les limites inférieures posées, les limites supérieures (U_j) s’en déduisent mécaniquement. Sur des données discrètes à granularité unitaire, la limite supérieure d’une classe est égale à la limite inférieure de la classe suivante diminuée d’une unité :

U_j = L_j+1 − 1 = L_j + i − 1

Cette procédure assure un agencement parfait, sans aucun hiatus numérique entre les classes consécutives et sans aucun risque de chevauchement.

5. Méthodologie appliquée aux données continues en sciences comportementales

5.1 Spécificités des variables continues en psychométrie

Les variables continues occupent une place grandissante dans la recherche expérimentale contemporaine. Contrairement aux données discrètes résultant d’un dénombrement (comme le nombre d’erreurs à un test d’inhibition), les grandeurs continues — temps d’attente, potentiels évoqués cognitifs, conductance cutanée ou suivi oculaire — se caractérisent par un continuum mathématique théoriquement infini. Entre deux valeurs observées quelconques, il existe toujours, en théorie, une infinité de valeurs intermédiaires potentielles.

Cependant, dans la pratique de laboratoire, ce continuum pur se heurte à la limite de résolution intrinsèque des systèmes d’acquisition numérique. Les convertisseurs analogique-numérique discrétisent nécessairement le flux biologique continu selon une fréquence d’échantillonnage et une résolution en bits prédéterminées. L’ordinateur enregistre donc des nombres décimaux présentant un nombre fini de chiffres après la virgule. Le statisticien doit alors concevoir des limites de classe qui respectent cette nature théoriquement continue tout en gérant techniquement la granularité décimale de la mesure enregistrée.

La problématique majeure réside dans la définition d’intervalles non ambigus pour ces variables physiologiques et comportementales. Si un temps de réaction est consigné avec une précision de 0,01 seconde, les limites de classe ne peuvent plus être espacées d’un nombre entier sans créer d’immenses zones aveugles où des observations viendraient se perdre. Il devient impératif de formaliser des frontières continues qui se touchent mathématiquement tout en maintenant une règle stricte d’assignation univoque.

5.2 Règles d’inclusion et d’exclusion des bornes continues

Pour résoudre le défi de la contiguïté sur des données continues, la théorie statistique recourt aux intervalles semi-ouverts. Contrairement aux données discrètes où l’on écrit des bornes disjointes comme [10 ; 19] et [20 ; 29], on définit pour les variables continues des intervalles qui partagent visuellement la même valeur frontière, tout en statuant sans équivoque sur son inclusion ou son exclusion.

La convention la plus prépondérante dans la pratique internationale est l’usage des intervalles fermés à gauche et ouverts à droite, formalisés sous la structure [a ; b[. Dans ce schéma :

• La limite inférieure a est incluse dans la classe. Tout score vérifiant x = a est formellement rattaché à cet intervalle.
• La limite supérieure b est strictement exclue de la classe. Dès qu’une observation atteint exactement la valeur b, elle est exclue de l’intervalle présent pour être absorbée en tant que limite inférieure de la classe contiguë [b ; c[.

Une convention symétrique existe, utilisant des intervalles ouverts à gauche et fermés à droite, notés ]a ; b]. Dans ce cas, une observation égale à la borne supérieure b reste dans la classe courante, tandis que le point de départ a appartient à la classe précédente. Cette approche est parfois privilégiée dans les analyses de survie ou de cinétique pharmacologique en neuropsychopharmacologie. Quelle que soit l’option retenue, il est strictement interdit de panacher ces logiques au sein d’une même distribution. L’harmonisation doit être absolue sur l’ensemble des classes du protocole pour préserver la linéarité du calcul des fréquences cumulées et la comparabilité des densités empiriques.

5.3 Calcul de la précision de mesure dans les limites de classe

Le degré d’arrondi conditionne directement la cohérence du chaînage des classes. En sciences du comportement, les données continues sont enregistrées selon une unité de précision fondamentale, notée classiquement U (par exemple : U = 1 pour un score entier ; U = 0,1 pour une latence au dixième de seconde ; U = 0,001 pour un enregistrement chronométrique au millième de seconde). Cette unité de précision correspond au plus petit incrément mesurable affiché par le protocole.

Lors de la conception d’un tableau à classes disjointes (si l’on n’utilise pas la notation d’intervalles semi-ouverts [a ; b[), la limite supérieure de la classe j doit être séparée de la limite inférieure de la classe j + 1 par précisément une unité de précision U :

L_j+1 − U_j = U

Ainsi, si des mesures de dilatation pupillaire sont exprimées au centième de millimètre (U = 0,01 mm) et qu’une classe commence à 3,50 mm avec une largeur de 0,50 mm, son intervalle disjoint sera noté [3,50 ; 3,99], et la classe suivante s’ouvrira immédiatement à 4,00 mm.

Si le chercheur fait le choix méthodologique erroné d’une granularité trop grossière par rapport à la précision de capture de l’appareil (par exemple, regrouper en classes d’amplitude 1 mm des signaux électrophysiologiques variant de 0,05 mm), il annihile la richesse de la mesure et produit une distorsion de distribution assimilable à une erreur de mesure non différentielle. Inversement, une granularité abusivement fine génère un tableau creux, semé de fréquences nulles. Le calibrage des limites de classe pour des données continues repose donc sur un compromis subtil entre l’amplitude théorique du signal, l’incertitude de mesure de l’appareillage et le volume global des observations disponibles.

6. Exemple 1 : Détermination des limites de classe sur des scores d’anxiété (données discrètes)

6.1 Présentation du jeu de données cliniques (Inventaire de Beck)

Afin de matérialiser ces concepts théoriques au sein d’une démarche empirique concrète, analysons une cohorte expérimentale de 100 participants adultes (N = 100) ayant complété l’Inventaire d’Anxiété de Beck (BAI). Le BAI est un auto-questionnaire validé composé de 21 items évaluant l’intensité des symptômes d’anxiété somatique et cognitive ressentis au cours de la semaine écoulée. Chaque item étant coté de 0 (pas du tout) à 3 (sévèrement), le score total constitue une variable quantitative discrète, comprise théoriquement dans un intervalle fermé allant de 0 à 63 points.

Après passation standardisée et apurement de la matrice de données, l’extraction des scores extrêmes observés au sein de notre échantillon clinique produit les résultats suivants :

• Score minimum observé : X_min = 4
• Score maximum observé : X_max = 57

L’étendue empirique des données (R) est immédiatement calculée selon la formule de l’amplitude brute :

R = X_max − X_min = 57 − 4 = 53 points

L’objectif clinique de cette recherche consiste à partitionner cet échantillon de 100 individus en classes de sévérité ordonnées, afin d’établir un profil épidémiologique clair de la cohorte et d’identifier avec précision les proportions de participants nécessitant une prise en charge spécialisée.

6.2 Calcul pas à pas du nombre de classes et de la largeur

Pour déterminer le nombre optimal de classes k sans céder à un choix arbitraire, nous appliquons la règle de Sturges au volume de notre échantillon (N = 100) :

k = 1 + 3,322 × log₁₀(100)

Puisque log₁₀(100) = 2, le calcul devient :

k = 1 + 3,322 × 2 = 1 + 6,644 = 7,644

Nous arrondissons ce résultat à l’entier le plus proche, soit k = 8 classes. Ce partitionnement en 8 segments offre une résolution clinique particulièrement équilibrée pour un échantillon de cent sujets.

Nous procédons ensuite à la déduction de la largeur d’intervalle brute (i) en rapportant l’étendue empirique au nombre de classes retenu :

i_brut = R / k = 53 / 8 = 6,625 points

Le score de l’inventaire de Beck étant strictement discret (nombres entiers), une largeur décimale de 6,625 est inapplicable en l’état. Nous appliquons impérativement la règle de l’arrondissement vers l’entier supérieur. Si nous arrondissions à 6, l’amplitude totale couverte par 8 classes ne serait que de 8 × 6 = 48 points, ce qui s’avère manifestement insuffisant pour englober notre étendue réelle de 53 points (plusieurs sujets ayant des scores élevés se trouveraient alors rejetés hors du tableau statistique). Nous retenons donc une largeur de classe entière de :

i = 7 points

Avec cette largeur, la capacité totale d’accueil du tableau atteint 8 × 7 = 56 points, ce qui dépasse confortablement l’étendue de 53 points et autorise un calage ergonomique des bornes extrêmes.

Fixons maintenant le score de départ de la première classe. Le minimum observé étant de 4, nous pourrions fixer L₁ = 4. Cependant, dans la pratique clinique et psychométrique, il est hautement recommandé de choisir une valeur commode, multiple de la largeur ou ancrée sur une borne conventionnelle. Retenir L₁ = 4 est ici parfaitement recevable car 4 − 0 = 4 laisse une marge minimale par rapport au zéro théorique du test. Fixons délibérément :

L₁ = 4

Les limites inférieures successives se déduisent par additions itératives de la largeur i = 7 :

• Classe 1 : L₁ = 4
• Classe 2 : L₂ = 4 + 7 = 11
• Classe 3 : L₃ = 11 + 7 = 18
• Classe 4 : L₄ = 18 + 7 = 25
• Classe 5 : L₅ = 25 + 7 = 32
• Classe 6 : L₆ = 32 + 7 = 39
• Classe 7 : L₇ = 39 + 7 = 46
• Classe 8 : L₈ = 46 + 7 = 53

6.3 Construction du tableau final et identification explicite des limites

Puisque nous manipulons des scores discrets avec une unité de mesure entière (U = 1), la limite supérieure de chaque classe j se calcule en retranchant 1 point à la limite inférieure de la classe suivante (U_j = L_j+1 − 1). Pour la huitième et dernière classe, la limite supérieure vaut simplement L₈ + i − 1 = 53 + 7 − 1 = 59.

Nous pouvons dès lors formaliser la structure intégrale de notre distribution de fréquences, en intégrant les comptages d’effectifs empiriques (n_j) collectés sur nos 100 participants :

• Classe 1 : Limites [4 − 10] | Limite inférieure : 4 | Limite supérieure : 10 | Fréquence empirique : 14 participants
• Classe 2 : Limites [11 − 17] | Limite inférieure : 11 | Limite supérieure : 17 | Fréquence empirique : 22 participants
• Classe 3 : Limites [18 − 24] | Limite inférieure : 18 | Limite supérieure : 24 | Fréquence empirique : 28 participants
• Classe 4 : Limites [25 − 31] | Limite inférieure : 25 | Limite supérieure : 31 | Fréquence empirique : 16 participants
• Classe 5 : Limites [32 − 38] | Limite inférieure : 32 | Limite supérieure : 38 | Fréquence empirique : 10 participants
• Classe 6 : Limites [39 − 45] | Limite inférieure : 39 | Limite supérieure : 45 | Fréquence empirique : 5 participants
• Classe 7 : Limites [46 − 52] | Limite inférieure : 46 | Limite supérieure : 52 | Fréquence empirique : 3 participants
• Classe 8 : Limites [53 − 59] | Limite inférieure : 53 | Limite supérieure : 59 | Fréquence empirique : 2 participants

L’examen du tableau permet de procéder à des vérifications méthodologiques capitales. Premièrement, le principe de non-chevauchement est strictement respecté : il n’existe aucune confusion possible entre le plafond d’une classe (par exemple 10) et le plancher de la suivante (11). Deuxièmement, le principe d’exhaustivité est scrupuleusement honoré : la valeur minimale observée (4) s’insère parfaitement dans la Classe 1, et le maximum observé (57) s’intègre harmonieusement dans la Classe 8. La somme totale des fréquences réconcilie exactement l’effectif complet de la cohorte (14 + 22 + 28 + 16 + 10 + 5 + 3 + 2 = 100).

Sur le plan de l’interprétation clinique, ce découpage met instantanément en lumière la concentration modale de la symptomatologie anxieuse dans la tranche [18 − 24], correspondant à des manifestations d’anxiété légère à modérée, tout en isolant une queue clinique de 5 sujets présentant des scores critiques supérieurs ou égaux à 46 (Classes 7 et 8), nécessitant une intervention psychologique urgente.

7. Exemple 2 : Détermination des limites de classe pour des temps de réaction (données continues)

7.1 Présentation de l’expérience chronométrique cognitive

Considérons à présent une étude menée en laboratoire de neurosciences cognitives portant sur l’impact de la privation de sommeil sur la vitesse de traitement psychomoteur. Un échantillon de 250 jeunes adultes (N = 250) a été soumis à une tâche de temps de réaction simple informatisée. L’indice retenu pour chaque participant est sa médiane temporelle de réponse sur 100 essais, exprimée en millisecondes avec une précision de capture instrumentale arrêtée au dixième de milliseconde (soit U = 0,1 ms).

L’inspection du fichier de données brutes révèle les caractéristiques chronométriques extrêmes suivantes au sein du groupe expérimental :

• Latence minimale enregistrée : X_min = 184,2 ms
• Latence maximale enregistrée : X_max = 437,8 ms

L’étendue totale continue de la série (R) s’établit par différence arithmétique :

R = 437,8 − 184,2 = 253,6 ms

Face à une telle mesure chronométrique continue, le chercheur ne peut utiliser des limites disjointes d’entiers. Les décimales imposent d’adopter la convention des intervalles semi-ouverts à droite [a ; b[ pour neutraliser définitivement tout risque d’ambiguïté sur les temps fractionnaires.

7.2 Établissement des limites de classe avec décimales

Calculons le nombre adéquat de classes pour notre effectif de N = 250 à l’aide de la règle de Sturges :

k = 1 + 3,322 × log₁₀(250)

Puisque log₁₀(250) ≈ 2,39794, nous obtenons :

k = 1 + 3,322 × 2,39794 = 1 + 7,966 = 8,966

Nous arrondissons ce résultat à l’entier le plus proche, ce qui suggère d’organiser la distribution en k = 9 classes.

Déterminons désormais la largeur théorique de classe décimale (i) :

i_brut = R / k = 253,6 / 9 ≈ 28,1777… ms

Dans un contexte de mesure continue temporelle, utiliser une largeur de classe avec de multiples chiffres après la virgule (comme 28,18 ms) rend la lecture du tableau inutilement fastidieuse. On choisit une largeur arrondie à un multiple ergonomique supérieur compatible avec notre unité de mesure (0,1 ms). Retenir i = 30,0 ms représente un choix méthodologique optimal : c’est un nombre rond, immédiatement intelligible, et son produit par le nombre de classes (9 × 30 = 270 ms) couvre largement l’étendue empirique de 253,6 ms.

Pour fixer la première limite inférieure (L₁), nous observons que le minimum est de 184,2 ms. Afin de disposer de bornes élégantes et aisées à interpréter, il est judicieux de fixer L₁ légèrement en-deçà de cette valeur brute, sur une valeur entière ronde telle que L₁ = 180,0 ms. Ce choix garantit que la plus petite latence (184,2 ms) sera solidement enclose au sein du premier intervalle sans froler la rupture.

Par additions successives de la largeur constante i = 30,0 ms, nous traçons la chaîne ininterrompue des limites inférieures :

• L₁ = 180,0 ms
• L₂ = 180,0 + 30,0 = 210,0 ms
• L₃ = 210,0 + 30,0 = 240,0 ms
• L₄ = 240,0 + 30,0 = 270,0 ms
• L₅ = 270,0 + 30,0 = 300,0 ms
• L₆ = 300,0 + 30,0 = 330,0 ms
• L₇ = 330,0 + 30,0 = 360,0 ms
• L₈ = 360,0 + 30,0 = 390,0 ms
• L₉ = 390,0 + 30,0 = 420,0 ms

7.3 Analyse de la distribution et vérification de la structure

En adoptant la notation d’intervalles semi-ouverts [a ; b[, la limite supérieure d’une classe coïncide nominalement avec la limite inférieure de la classe consécutive, la règle d’exclusion garantissant qu’aucune valeur n’est dupliquée. La dernière classe s’étend de 420,0 ms à 450,0 ms. Notons que pour la toute dernière classe d’une série continue, il est d’usage soit de la fermer exceptionnellement à droite [420,0 ; 450,0], soit de laisser la borne supérieure ouverte si aucune observation n’atteint exactement 450,0 ms (notre maximum étant 437,8 ms, cette dernière éventualité est de facto satisfaite).

Le tableau statistique chronométrique s’articule ainsi :

• Classe 1 : [180,0 ; 210,0[ | LCL = 180,0 ms | UCL = 210,0 ms (exclue) | Effectif : 8 participants
• Classe 2 : [210,0 ; 240,0[ | LCL = 210,0 ms | UCL = 240,0 ms (exclue) | Effectif : 42 participants
• Classe 3 : [240,0 ; 270,0[ | LCL = 240,0 ms | UCL = 270,0 ms (exclue) | Effectif : 76 participants
• Classe 4 : [270,0 ; 300,0[ | LCL = 270,0 ms | UCL = 300,0 ms (exclue) | Effectif : 58 participants
• Classe 5 : [300,0 ; 330,0[ | LCL = 300,0 ms | UCL = 330,0 ms (exclue) | Effectif : 31 participants
• Classe 6 : [330,0 ; 360,0[ | LCL = 330,0 ms | UCL = 360,0 ms (exclue) | Effectif : 18 participants
• Classe 7 : [360,0 ; 390,0[ | LCL = 360,0 ms | UCL = 390,0 ms (exclue) | Effectif : 9 participants
• Classe 8 : [390,0 ; 420,0[ | LCL = 390,0 ms | UCL = 420,0 ms (exclue) | Effectif : 5 participants
• Classe 9 : [420,0 ; 450,0] | LCL = 420,0 ms | UCL = 450,0 ms (incluse) | Effectif : 3 participants

La validité structurelle est sans faille : la somme des effectifs restitue l’échantillon complet (8 + 42 + 76 + 58 + 31 + 18 + 9 + 5 + 3 = 250). Si un sujet avait réalisé un temps de réaction exactement égal à 240,0 ms, la rigueur de la notation mathématique indique immédiatement et sans contestation possible qu’il doit être comptabilisé au sein de la Classe 3 (car son intervalle s’ouvre par le crochet fermé [240,0) et non dans la Classe 2 (dont le crochet sortant 240,0[ signifie l’exclusion stricte de cette valeur frontière).

La morphologie de la distribution se dessine avec netteté : une forte montée culminant dans l’intervalle modal [240,0 ; 270,0[, suivie d’un étirement asymétrique vers les latences élevées jusqu’à 450,0 ms. Ce découpage préserve fidèlement la dynamique temporelle du traitement cognitif sans distorsion d’arrondi.

8. Distinctions critiques : Limites de classe, frontières réelles et centres de classe

8.1 Limites de classe versus frontières de classe (Class Boundaries)

L’une des confusions les plus dommageables en statistiques appliquées réside dans l’assimilation hâtive des limites de classe (Class Limits) avec les frontières réelles de classe (Class Boundaries), parfois appelées « vraies limites ». Cette distinction s’avère particulièrement cruciale lorsque l’on traite de variables discrètes qui sous-tendent un phénomène continu sous-jacent, ou de données ayant subi un arrondi arithmétique.

Les limites de classe sont les valeurs nominales, observables et effectives, inscrites dans la série de données. Les frontières de classe, quant à elles, sont des démarcations mathématiques théoriques calculées pour éliminer le hiatus (l’espace vide) qui subsiste entre la limite supérieure d’une classe et la limite inférieure de la classe contiguë. Si une classe discrète s’arrête à 19 et que la suivante débute à 20, il existe un intervalle vacant d’une unité dans lequel aucune valeur entière ne peut tomber, mais qui brise la continuité géométrique de l’espace statistique.

Pour calculer la frontière réelle séparant deux classes adjacentes sur des données discrètes, on effectue la moyenne arithmétique entre la limite supérieure de la première classe (U_j) et la limite inférieure de la suivante (L_j+1) :

Frontière réelle = (U_j + L_j+1) / 2

Dans le cas d’une précision unitaire (scores entiers), cette frontière correspond systématiquement à un demi-point (±0,5). Ainsi, pour la classe [11 − 17], la frontière réelle inférieure est 10,5 et la frontière réelle supérieure est 17,5. L’ensemble des frontières de classe constitue une séquence continue sans aucune brèche : 3,5 ; 10,5 ; 17,5 ; 24,5… L’usage de ces frontières réelles est rigoureusement indispensable lors de la construction géométrique des histogrammes de fréquences, afin que les rectangles représentatifs soient parfaitement jointifs sur l’axe des abscisses.

8.2 Limites de classe versus centre de classe (Class Midpoint)

Le centre de classe, désigné en anglais par Class Midpoint ou Class Mark, est la valeur numérique qui occupe la position centrale équidistante des bornes d’un intervalle. Il agit comme le représentant ponctuel unique de l’ensemble des observations agrégées au sein de cette classe. Lors du calcul de paramètres statistiques descriptifs globaux (tels que la moyenne empirique groupée ou la variance groupée) à partir d’un tableau de fréquences, le statisticien postule par hypothèse simplificatrice que toutes les observations d’une classe sont concentrées en son centre exact.

Le calcul du centre de classe (noté m_j ou X_c) s’effectue indifféremment en calculant la moyenne arithmétique des limites de classe ou celle des frontières réelles de classe :

m_j = (L_j + U_j) / 2

ou de manière rigoureusement équivalente :

m_j = (Frontière inférieure + Frontière supérieure) / 2

Pour notre classe de scores d’anxiété [11 − 17], le centre de classe est :

m₂ = (11 + 17) / 2 = 28 / 2 = 14

Il importe d’alerter le chercheur sur l’erreur systématique potentielle liée à cette représentation ponctuelle. Si les observations à l’intérieur d’une classe ne sont pas réparties symétriquement autour du centre mais s’agglutinent vers l’une des limites (phénomène fréquent dans les queues de distributions très asymétriques), assimiler l’ensemble des participants au centre de classe introduit une distorsion dans le calcul ultérieur de la moyenne générale de l’échantillon. Cette erreur d’estimation intra-classe rappelle que le groupement reste une approximation quantitative.

8.3 Limites de classe versus intervalle de classe (Class Interval)

Une dernière clarification d’ordre terminologique s’impose concernant le syntagme « intervalle de classe ». Dans le langage courant, ce terme est fréquemment utilisé pour désigner la classe elle-même en tant qu’espace délimité (par exemple « l’intervalle [10 ; 20] »). Toutefois, dans le vocabulaire statistique formel, l’intervalle de classe — ou largeur de classe — fait référence à la mesure scalaire, c’est-à-dire à la longueur géométrique du segment numérique couvert par la classe.

Une confusion récurrente chez les étudiants et les jeunes chercheurs consiste à calculer la largeur d’une classe discrète en effectuant la soustraction brute entre sa limite supérieure et sa limite inférieure. Pour la classe [11 − 17], ce calcul erroné produit 17 − 11 = 6. Or, la largeur réelle de cette classe est indubitablement de 7 points. En effet, la classe contient les entiers 11, 12, 13, 14, 15, 16 et 17, soit exactement 7 valeurs discrètes distinctes.

La règle fondamentale stipule que la largeur réelle d’une classe (i) se mesure toujours par la différence arithmétique entre ses frontières réelles (et non ses limites nominales) :

i = Frontière réelle supérieure − Frontière réelle inférieure = 17,5 − 10,5 = 7

ou encore par la soustraction entre deux limites inférieures de classes consécutives :

i = L_j+1 − L_j = 18 − 11 = 7

Confondre la différence des limites nominales avec la largeur réelle fausse irrémédiablement le calcul de la densité de fréquence, opération pourtant indispensable dès lors que l’on manipule des histogrammes ou des distributions à amplitudes variables.

9. Règles empiriques et algorithmiques de partitionnement des classes

9.1 La règle de Sturges et ses conditions d’application

Formulée en 1926, la règle de Sturges demeure sans doute l’algorithme de partitionnement le plus universellement enseigné et intégré par défaut dans les progiciels d’analyse de données. Son assise conceptuelle repose sur une dérivation élégante du triangle de Pascal et du développement binomial. Sturges postulait qu’une distribution de fréquences idéale, regroupée en k classes, doit approximer les coefficients binomiaux d’ordre (k − 1). L’effectif total N équivalant à la somme de ces coefficients (soit 2^k−1), l’inversion de cette puissance produit la célèbre relation :

k = 1 + log₂(N) = 1 + 3,322 × log₁₀(N)

Cependant, le chercheur en sciences humaines doit faire preuve de discernement quant aux conditions de validité de cette formule. La règle de Sturges est optimale lorsque la distribution empirique sous-jacente est unimodale, modérément dispersée et parfaitement symétrique (proche d’une loi normale de Gauss). Dès lors que l’échantillon dépasse quelques centaines d’individus ou présente une asymétrie marquée, la formule tend à sur-lisser drastiquement les données en imposant un nombre de classes trop faible.

Dans les cohortes épidémiologiques contemporaines (où N oscille souvent entre 2 000 et 50 000 participants), la règle de Sturges produirait un nombre de classes artificiellement étriqué (seulement 12 classes pour 2 000 sujets, et 16 classes pour 50 000 sujets), écrasant les variations cliniques locales. Son utilisation doit donc être réservée à des échantillons psychologiques de taille modeste (typiquement 30 ≤ N ≤ 300) dont la distribution ne dévie pas de manière ostensible de la normalité.

9.2 La règle de Scott et l’optimisation par la variance

Pour pallier les limites structurelles de Sturges face aux distributions plus vastes, David Scott a introduit en 1979 une approche fondée sur l’analyse asymptotique de l’estimation de densité par noyau. La règle de Scott recherche la largeur de classe optimale (W) qui minimise l’erreur quadratique moyenne intégrée (MISE – Mean Integrated Squared Error) entre l’histogramme empirique et la véritable fonction de densité de la population.

La formulation mathématique proposée par Scott fait intervenir de manière décisive la dispersion des scores par l’intermédiaire de l’écart-type de l’échantillon (noté s ou σ) :

W = (3,5 × s) / N^1/3

Le nombre de classes optimal k se déduit ensuite simplement en divisant l’étendue globale par cette largeur optimale : k = R / W.

La supériorité épistémologique de la règle de Scott réside dans sa sensibilité directe aux caractéristiques de variabilité de l’échantillon. Deux cohortes de même effectif total mais présentant des dispersions très différentes — par exemple un groupe contrôle très homogène face à un groupe clinique présentant une forte variance comportementale — recevront des largeurs de classe adaptées. Scott garantit que le partitionnement numérique ne dépend plus uniquement de la taille arbitraire de l’échantillon, mais reflète fidèlement la structure stochastique intrinsèque du trait mesuré.

9.3 La règle de Freedman-Diaconis et la robustesse aux valeurs aberrantes

Bien que la règle de Scott constitue une avancée mathématique indéniable, elle partage avec la théorie classique de l’échantillonnage une faiblesse majeure : sa sensibilité aux valeurs aberrantes (outliers). En psychopathologie et en recherche cognitive, les distributions empiriques comportent très régulièrement des scores extrêmes — qu’il s’agisse d’un temps de réaction anormalement prolongé dû à une micro-absence ou d’un score de détresse extrême. Or, la présence de ces quelques scores anormaux gonfle démesurément l’écart-type (s), ce qui produit mécaniquement des classes excessivement larges et masque la distribution des sujets normotypiques.

Pour résoudre ce dilemme, David Freedman et Persi Diaconis ont publié en 1981 une variante robuste de la règle d’optimisation de la densité. Au lieu de s’appuyer sur l’écart-type, la règle de Freedman-Diaconis fonde le calcul de la largeur de classe optimale sur l’écart interquartile (noté IQR, pour Interquartile Range), défini par la différence entre le troisième quartile (75^e percentile) et le premier quartile (25^e percentile) :

W = (2 × IQR) / N^1/3

L’écart interquartile étant une statistique d’ordre totalement insensible aux variations des extrêmes (son point de rupture étant de 25 %), la règle de Freedman-Diaconis confère une résilience exceptionnelle au partitionnement statistique. Même en présence de queues de distribution particulièrement étirées ou asymétriques, la largeur de classe calculée préserve une résolution optimale dans le corps central de la distribution (les 50 % de participants médians). Dans toute recherche clinique confrontée à des données cliniques déviant de la symétrie gaussienne, c’est cette règle algorithmique qui doit être préférentiellement convoquée pour positionner les limites de classe.

10. Erreurs méthodologiques courantes lors de la définition des limites de classe

10.1 Le chevauchement des limites de classe

Le chevauchement constitue sans nul doute l’erreur la plus grossière mais paradoxalement la plus fréquente dans la construction de tableaux de distribution élémentaires. Cette anomalie survient lorsqu’une même borne numérique se retrouve simultanément mentionnée comme borne supérieure d’une classe et borne inférieure de la classe contiguë, sans qu’aucune règle logique d’ouverture d’intervalle ne soit stipulée. On rencontre ainsi couramment des tableaux présentant des classes formulées sous la forme « 10 − 20 », « 20 − 30 », « 30 − 40 ».

Dans une telle configuration, le devenir d’un participant ayant obtenu un score exact de 20 devient totalement indéterminé. Doit-il être compté dans la première classe ou dans la deuxième ? Si l’expérimentateur le comptabilise dans les deux classes par inadvertance, l’effectif total se trouve artificiellement gonflé (double comptage), détruisant l’axiome fondamental de mutuelle exclusion. Si l’assignation se fait de manière aléatoire ou arbitraire au gré de l’opérateur, c’est l’objectivité et la reproductibilité même de la mesure scientifique qui sont anéanties.

Les répercussions sur les analyses inférentielles sont dévastatrices : la structure de variance intra-classe est corrompue, et toute tentative ultérieure de modélisation par régression logistique ordinale ou par analyse de survie groupée reposera sur des effectifs biaisés. La parade méthodologique exige l’exclusion stricte de toute ambiguïté, soit par l’usage rigoureux d’inégalités et d’intervalles semi-ouverts ([10 ; 20[ puis [20 ; 30[), soit, sur des variables discrètes, par le décalage unitaire des bornes entières (10–19, puis 20–29).

10.2 Le hiatus involontaire entre classes

L’erreur inverse du chevauchement est la création involontaire de hiatus — des vides numériques injustifiés — entre deux classes consécutives. Cette bévue se produit généralement lorsque le chercheur calque mécaniquement la convention d’espacement des entiers sur des variables qui comportent en réalité des fractions décimales. Imaginons une étude chronométrique où les classes sont étiquetées [1,00 ; 1,49] et [1,50 ; 1,99].

Si la chaîne d’acquisition enregistre une latence de 1,495 seconde (ce qui est tout à fait banal avec un horodatage en millisecondes), cette valeur empirique se retrouve orpheline : elle est strictement supérieure à 1,49 mais strictement inférieure à 1,50. Elle ne peut être insérée dans aucune des deux classes et disparaît purement et simplement lors du tri algorithmique automatisé des données de recherche. Ce manquement au principe d’exhaustivité génère des pertes de données silencieuses mais hautement préjudiciables à la validité interne du protocole.

Il est donc essentiel de ne jamais confondre la discontinuité apparente du tableau synthétique avec la continuité réelle de l’espace de mesure. Pour pallier ce risque, tout protocole de codage statistique doit inclure une routine de vérification d’exhaustivité (par exemple, sommer les effectifs de chaque classe et s’assurer par un test logique strict que cette somme correspond bit à bit à l’effectif de la matrice brute avant toute publication).

10.3 L’inégalité non justifiée des largeurs de classe

L’esthétique et la commodité de calcul des distributions statistiques reposent sur le principe de régularité : toutes les classes doivent, en situation standard, présenter exactement la même largeur (i constant). L’introduction anarchique d’intervalles de largeurs dissemblables (par exemple une première classe d’amplitude 5, une deuxième d’amplitude 10 et une troisième d’amplitude 20) sans justification théorique ni ajustement correcteur constitue un piège analytique majeur.

L’effet immédiat de classes inégales est l’apparition d’un biais perceptuel massif dans la lecture du tableau ou de l’histogramme : les classes les plus larges agrègent mécaniquement un nombre d’observations plus élevé simplement parce qu’elles balaient un segment plus étendu de l’espace de mesure, et non parce que la probabilité sous-jacente du comportement y est supérieure. Si le lecteur compare les fréquences absolues sans tenir compte de la largeur des intervalles, la distribution apparaît totalement déformée.

Il existe néanmoins des situations cliniques ou épidémiologiques particulières où des largeurs inégales sont méthodologiquement requises, par exemple pour isoler une zone critique très étroite (la zone frontière d’un diagnostic) tout en regroupant les zones éloignées stables en classes larges. Dans cette hypothèse impérative, le chercheur a le devoir mathématique absolu d’abandonner les effectifs simples au profit du calcul de la densité de fréquence (fréquence divisée par la largeur de classe). Toute représentation graphique omettant cette pondération élémentaire falsifie la morphologie de la distribution psychologique.

10.4 Le choix inadéquat du nombre total de classes

La fixation du nombre total de classes (k) cristallise le compromis fondamental entre la réduction synthétique de l’information et la préservation du détail morphologique. Deux dérives antagonistes guettent le statisticien non averti : le sur-lissage et le sous-lissage.

Le sur-lissage découle d’un nombre de classes excessivement faible (par exemple retenir 3 classes pour un échantillon hétérogène de 500 sujets). Une agrégation aussi massive détruit la structure fine de la distribution empirique. Si la variable psychologique présente une bimodalité — signe clinique hautement révélateur qui trahit souvent la présence de deux sous-populations distinctes au sein de l’échantillon (par exemple un groupe résilient et un groupe traumatisé) —, un nombre trop restreint de classes fusionnera les deux modes en un large plateau central homogène. L’hétérogénéité diagnostique est alors irrémédiablement masquée.

À l’inverse, le sous-lissage résulte d’un excès inconsidéré de classes (par exemple 25 classes pour 60 participants). Dans ce cas de figure, l’histogramme présente une allure de « peigne édenté », avec une alternance chaotique de pics élevés et de classes vides. Cette dispersion extrême n’exprime aucune vérité psychologique : elle ne fait que refléter le bruit stochastique lié aux fluctuations d’échantillonnage de petite taille. L’esprit ne peut dégager aucune synthèse. Le recours systématique aux formules d’optimisation (Sturges, Scott ou Freedman-Diaconis) constitue le meilleur rempart contre ces deux écueils méthodologiques.

11. Visualisation graphique et traitement des distributions fondées sur les limites de classe

11.1 Construction rigoureuse de l’histogramme de fréquences

L’histogramme est la transcription graphique par excellence d’une distribution de fréquences groupées. Sa construction ne tolère aucune approximation géométrique. La première règle typographique et académique impose que l’axe des abscisses (axe horizontal) porte la variable quantitative continue ou discrétisée, tandis que l’axe des ordonnées (axe vertical) supporte la fréquence absolue, la fréquence relative ou la densité de fréquence.

Sur l’axe des abscisses, il est impératif de positionner les frontières réelles de classe et non les limites nominales. Cette précaution garantit que les rectangles adjacents de l’histogramme soient strictement contigus et se touchent parfaitement, sans aucun intervalle blanc entre eux. Laisser un espace entre les barres d’un histogramme constitue une faute méthodologique lourde, car cela suggère visuellement une variable catégorielle nominale (diagramme en barres disjointes) et non une variable quantitative sous-jacente continue.

Lorsque toutes les classes présentent une largeur uniforme, la hauteur de chaque rectangle est directement proportionnelle à la fréquence empirique de la classe considérée. En revanche, dès lors que les limites ont été fixées à largeurs variables, la hauteur du rectangle doit impérativement représenter la densité de fréquence (d_j = n_j / i_j). Dans cette configuration rigoureuse, c’est la surface du rectangle (largeur × hauteur), et non plus sa simple altitude, qui est proportionnelle au nombre de sujets observés, préservant ainsi la vérité statistique de la distribution perceptuelle.

11.2 Polygones de fréquences et ogives de Galton

Deux représentations graphiques complémentaires s’articulent intimement autour de la manipulation des limites et des centres de classe : le polygone de fréquences et l’ogive des fréquences cumulées (souvent associée aux travaux pionniers de Sir Francis Galton sur l’hérédité psychologique).

Le polygone de fréquences se construit en reliant par des segments de droite successifs les coordonnées formées par le centre de chaque classe (m_j) en abscisse et la fréquence correspondante (n_j) en ordonnée. Pour ancrer élégamment le polygone sur l’axe horizontal, la règle méthodologique impose d’ajouter une classe fictive d’effectif nul (n = 0) immédiatement avant la première classe observée, et une autre classe fictive d’effectif nul immédiatement après la dernière classe. Le tracé rejoint ainsi la ligne de base aux deux extrémités, offrant une visualisation continue très efficace pour superposer et comparer graphiquement les distributions de deux groupes cliniques distincts.

L’ogive de Galton, quant à elle, matérialise la progression des fréquences cumulées (ou pourcentages cumulés). Contrairement au polygone de fréquences, l’ogive ne se trace pas à partir des centres de classe, mais en associant la limite supérieure de chaque classe (ou sa frontière réelle supérieure) à l’effectif cumulé jusqu’à ce seuil. L’ogive commence sur l’axe des abscisses à la limite inférieure de la toute première classe (où le cumul est nul) et s’élève de manière strictement monotone pour atteindre 100 % de l’effectif à la limite supérieure de la dernière classe. Cette courbe sigmoïde revêt une importance diagnostique majeure en psychométrie, car elle permet d’effectuer des interpolations graphiques précises pour déterminer les rangs percentiles cliniques ou repérer les points d’inflexion marquant les bascules de sévérité pathologique.

11.3 Représentation dans les logiciels statistiques majeurs (R, SPSS, Python)

Dans l’écosystème contemporain de la recherche comportementale, le chercheur confie l’exécution algorithmique des distributions de fréquences à des progiciels spécialisés. Néanmoins, l’automatisation logicielle ne dispense nullement de la maîtrise des paramètres sous-jacents, sous peine de subir des réglages par défaut inappropriés.

Dans l’environnement de programmation statistique R, la fonction fondamentale hist() pilote la construction des histogrammes. Par défaut, R implémente la règle de Sturges pour déterminer le nombre de classes, mais l’argument vectoriel breaks = permet d’imposer manuellement les limites de classe exactes voulues par l’expérimentateur (par exemple : breaks = seq(180, 450, by = 30)). De plus, l’argument logique right = FALSE permet de basculer instantanément de la convention d’intervalles semi-ouverts à gauche ]a ; b] vers la convention d’intervalles semi-ouverts à droite [a ; b[, offrant un contrôle total sur l’inclusion des bornes.

Dans le progiciel IBM SPSS Statistics, le découpage en classes s’opère usuellement via la procédure Transform > Recode into Different Variables ou par le module de discrétisation visuelle (Visual Binning). SPSS invite l’utilisateur à définir explicitement les points de coupure (Cutpoints) et propose des options automatisées basées sur des largeurs fixes ou des écarts-types. L’analyste doit veiller avec la plus grande vigilance à cocher la règle d’inclusion appropriée (« Strictement inférieur à » versus « Inférieur ou égal à ») pour ne pas distordre ses cohortes.

Sous Python, la bibliothèque d’analyse de données Pandas fournit la fonction hautement optimisée pd.cut(). Cette méthode prend en argument la série numérique brute et une liste ordonnée définissant les limites des classes :

pd.cut(data, bins=[0, 10, 20, 30], right=False)

L’argument booléen right=False garantit ici formellement la production d’intervalles fermés à gauche et ouverts à droite. Couplée aux fonctions graphiques de Matplotlib ou Seaborn, cette approche assure l’automatisation complète et reproductible du partitionnement dans le cadre de protocoles de recherche en science ouverte (Open Science).

12. Applications avancées en recherche psychologique et recommandations pratiques

12.1 Catégorisation des variables latentes en modélisation structurelle

Dans les applications avancées de la psychométrie, telles que les modèles d’équations structurelles (SEM) ou l’analyse factorielle confirmatoire, la discrétisation en classes d’une variable théoriquement continue constitue une opération fréquente mais non dénuée de risques conceptuels. Lorsque des cliniciens transforment une échelle continue en un indicateur ordinal à quelques classes (par exemple faible, moyen, élevé), cette catégorisation repose sur le postulat d’une variable latente sous-jacente continue normalement distribuée, segmentée par des seuils inobservables (thresholds).

L’erreur classique consiste à calculer des coefficients de corrélation linéaire de Pearson standard entre des variables ayant subi ce découpage par limites de classe. La discrétisation en classes entraîne inévitablement un phénomène mathématique connu sous le nom d’atténuation de corrélation : le coefficient de corrélation observé est systématiquement inférieur, en valeur absolue, à la véritable association existant entre les traits latents continus. L’ampleur de cette perte d’information dépend directement du nombre de classes et de l’emplacement des limites.

Pour contrer cet écueil statistique, les modélisations modernes estiment des corrélations polychoriques à partir des seuils délimités par les classes. L’estimation statistique reconstitue les limites réelles sur la distribution latente standardisée et réajuste la matrice de covariance. Les recommandations méthodologiques actuelles préconisent d’éviter autant que possible la discrétisation artificielle de variables continues pures avant une modélisation structurelle, sauf lorsque les impératifs du diagnostic clinique ou des seuils décisionnels l’exigent absolument.

12.2 Gestion des limites ouvertes dans les queues de distribution

Un défi récurrent dans l’établissement des tables de fréquences concerne le traitement des classes terminales dites « ouvertes ». Dans les enquêtes sociodémographiques ou les études psychogérontologiques, il est fréquent de voir la première ou la dernière classe délimitée de manière unilatérale, par exemple « moins de 20 ans » ou « 75 ans et plus », ou encore « score ≥ 50 » dans un test psychopathologique.

Bien que ces limites ouvertes simplifient la présentation tabulaire en évitant d’afficher une multitude de classes vides dans les queues clairsemées de l’échantillon, elles soulèvent une aporie mathématique redoutable : une classe ouverte ne possède ni limite supérieure (pour la queue droite) ni limite inférieure (pour la queue gauche). Par voie de conséquence directe, il est strictement impossible de calculer son centre de classe (m_j) ou sa largeur réelle (i_j) sans introduire une hypothèse arbitraire de troncature.

Dès lors, toute tentative d’estimer la moyenne arithmétique globale ou la variance de l’échantillon à partir d’un tableau comportant des classes ouvertes est formellement bloquée. Le chercheur confronté à cette situation dispose de deux stratégies rigoureuses :

• Fermer artificiellement la classe ouverte en se basant sur le score maximum empiriquement observé dans l’échantillon d’étude (par exemple, si le sujet le plus âgé a 88 ans, fermer la classe « 75 et plus » sous la forme [75 ; 88]).
• Fermer la classe en lui attribuant une largeur égale à celle de la classe contiguë précédente, préservant ainsi une cohérence d’amplitude locale pour les calculs d’interpolation.

12.3 Guide récapitulatif des bonnes pratiques pour le chercheur en psychologie

Pour clore ce traité et accompagner le chercheur ou le clinicien dans la valorisation de ses protocoles, nous proposons une liste de contrôle méthodologique systématique à renseigner avant toute publication de données groupées par classes :

• Vérification de l’exhaustivité : Toutes les observations, sans exception aucune, de la valeur minimale (X_min) à la valeur maximale (X_max), sont-elles intégrées dans les classes définies ? La somme des effectifs est-elle égale à N ?
• Vérification de la mutuelle exclusion : Les limites de classe éliminent-elles tout risque de double comptage ? La notation des intervalles est-elle explicitée de manière univoque (crochets, inégalités strictes ou larges) ?
• Justification de la largeur de classe : Le choix du nombre de classes (k) et de la largeur (i) repose-t-il sur une règle algorithmique documentée (Sturges, Scott, Freedman-Diaconis) ou sur un rationnel clinique formellement argumenté ?
• Adéquation de la granularité : La précision des limites de classe est-elle parfaitement calibrée sur l’unité de mesure de l’instrument (entiers, dixièmes, centièmes) sans créer de hiatus numérique involontaire ?
• Régularité des intervalles : Les classes sont-elles d’amplitudes égales ? Si des amplitudes inégales ont été dictées par la clinique, la densité de fréquence a-t-elle été substituée aux fréquences brutes pour les représentations graphiques ?
• Transparence logicielle : Le script de prétraitement (en R, SPSS ou Python) documente-t-il explicitement les bornes de coupure (cutpoints) et les conventions d’ouverture de bornes retenues pour permettre la reproductibilité intégrale par les pairs ?
• Préservation des données sources : Les tableaux de fréquences ne se substituent jamais aux séries brutes originales ; celles-ci doivent être rigoureusement archivées dans des référentiels sécurisés conformes aux principes de la science ouverte (FAIR principles).

Le respect scrupuleux de ces exigences méthodologiques garantit que le partitionnement par classes ne constitue pas un filtre déformant la réalité clinique, mais bien un instrument d’optique statistique de haute précision, révélant la structure profonde des comportements et des processus psychologiques mesurés.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Beck, A. T., Epstein, N., Brown, G., & Steer, R. A. (1988). An inventory for measuring clinical anxiety: Psychometric properties. Journal of Consulting and Clinical Psychology, 56(6), 893–897. https://doi.org/10.1037/0022-006X.56.6.893
• Freedman, D., & Diaconis, P. (1981). On the histogram as a density estimator: L₂ theory. Zeitschrift für Wahrscheinlichkeitstheorie und Verwandte Gebiete, 57(4), 453–476. https://doi.org/10.1007/BF01025868
• Howell, D. C. (2012). Statistical methods for psychology (8th ed.). Cengage Learning.
• Scott, D. W. (1979). On optimal and data-based histograms. Biometrika, 66(3), 605–610. https://doi.org/10.1093/biomet/66.3.605
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
• Sturges, H. A. (1926). The choice of a class interval. Journal of the American Statistical Association, 21(153), 65–66. https://doi.org/10.1080/01621459.1926.10502161