Méthodologie statistiquePsychométrie

Quand utiliser la moyenne par rapport à la médiane (avec des exemples)

Guide académique rigoureux sur le choix statistique entre moyenne et médiane : contextes théoriques, propriétés distributionnelles et exemples empiriques.

PUBLIÉ

Dans le vaste champ des sciences quantitatives, de la psychologie cognitive à l’épidémiologie comportementale, la réduction de vastes corpus de données empiriques en indices synthétiques constitue l’opération fondamentale sur laquelle repose toute inférence théorique. Face à une distribution de mesures — qu’il s’agisse de temps de réaction en millisecondes, de scores d’anxiété sur une échelle psychométrique ou de concentrations hormonales de cortisol salivaire — le chercheur est immédiatement confronté à la nécessité d’identifier la valeur la plus représentative de son échantillon. Cette valeur pivot, désignée sous le concept épistémologique de tendance centrale, condense la multiplicité des trajectoires individuelles en une coordonnée unique, permettant la comparaison intergroupe, le calibrage normatif et la modélisation statistique.

Cependant, ce geste de synthèse, loin d’être un acte purement mécanique ou neutre, implique un arbitrage conceptuel profond entre deux paradigmes concurrents : la moyenne arithmétique et la médiane. Trop souvent réduits à de simples options calculatoires interchangeables dans les didacticiels d’initiation aux statistiques, ces deux paramètres reposent sur des géométries de l’espace échantillonnal radicalement divergentes. La moyenne arithmétique, indissociable de l’héritage de la théorie classique des erreurs et de l’approche paramétrique, envisage le centre comme un centre de gravité énergétique sensible à chaque unité métrique de déviation. À l’inverse, la médiane, issue de la statistique non paramétrique et de l’analyse robuste, appréhende la centralité comme un seuil ordinal strict, coupant la cohorte observée en deux effectifs parfaitement égaux.

Le choix entre ces deux métriques détermine non seulement la fidélité de la description numérique, mais gouverne également la validité interne des conclusions scientifiques. Une décision erronée — telle que l’application aveugle d’une moyenne à une distribution hautement asymétrique ou la régression d’une variable métrique bien conditionnée vers un simple rang — peut masquer des phénomènes cliniques cruciaux, gonfler artificiellement les taux d’erreur de première espèce ou induire des biais d’interprétation méthodologique délétères. Cet article propose une exploration approfondie, mathématique, conceptuelle et appliquée des conditions régissant l’emploi respectif de la moyenne arithmétique et de la médiane, étayée par des cas d’étude exhaustifs issus de la recherche contemporaine.

Table of Contents

1. Introduction aux mesures de tendance centrale en psychologie et sciences du comportement

1.1 Définition épistémologique de la tendance centrale

L’appréhension de la tendance centrale constitue le premier acte de rationalisation quantitative des phénomènes naturels. D’un point de vue épistémologique, déterminer le point d’ancrage d’une série de données quantitatives consiste à postuler l’existence d’une régularité sous-jacente dissimulée sous le bruit des fluctuations aléatoires et des erreurs d’échantillonnage. Dans les sciences du comportement, où la variabilité interindividuelle est la règle plutôt que l’exception, la tendance centrale ne doit pas être conçue comme une propriété matérielle intrinsèque d’un individu singulier, mais plutôt comme une abstraction régulatrice, un point focal autour duquel s’organise la densité de probabilité de la population étudiée.

La nécessité de synthétiser des distributions complexes en indices synthétiques intelligibles découle des limites inhérentes à la cognition humaine face à la multiplicité brute des observations. Présenter un tableau récapitulatif de cinq cents temps de latence cognitive ne fournit aucune information exploitable pour l’esprit humain sans une opération d’agrégation. L’émergence historique de ces métriques, documentée par les travaux de pionniers tels que Carl Friedrich Gauss, Pierre-Simon de Laplace ou Francis Galton, illustre le passage progressif de l’astronomie — où la moyenne servait à corriger les imprécisions instrumentales — à la sociologie et à la psychologie, où elle en est venue à représenter le comportement prototypique de l’« homme moyen » théorisé par Adolphe Quetelet.

Il importe d’établir d’emblée une distinction préliminaire cruciale entre deux concepts que le profane tend à confondre : la valeur attendue (ou espérance mathématique) et la position relative au sein d’une cohorte. La moyenne arithmétique représente l’espérance arithmétique des réalisations d’une variable, pondérée par la masse métrique de chaque point, tandis que la médiane capture une position de rang invariant, marquant la frontière topologique exacte où cinquante pour cent de la masse empirique se trouve dépassée, indépendamment des distances physiques séparant les observations extrêmes.

1.2 Le rôle de la réduction des données dans la modélisation psychologique

Dans le domaine de la modélisation psychologique, la réduction de l’information répond au principe de parcimonie scientifique, souvent désigné sous le terme de rasoir d’Ockham. Les construits cognitifs, tels que la mémoire de travail, l’intelligence fluide ou le niveau d’alexithymie, ne sont pas directement observables ; ils sont inférés à partir d’indicateurs manifestes collectés en laboratoire ou en clinique. Réduire un faisceau de réponses comportementales à un paramètre unique de tendance centrale permet d’intégrer cette mesure dans des équations structurelles, des analyses de variance ou des algorithmes de classification automatisés.

Cependant, cette opération d’abstraction s’accompagne inévitablement d’une perte d’information quantique. En condensant une distribution multivariée ou asymétrique en un seul nombre scalaire, le chercheur sacrifie délibérément la richesse descriptive des queues de distribution, de l’aplatissement (kurtosis) et de la dynamicité temporelle des patterns de réponse. Le gain d’interprétabilité cognitive est donc acquis au détriment de l’exhaustivité phénoménologique. Si l’agrégation statistique permet d’ériger des modèles théoriques prédictifs, elle comporte le risque permanent de réifier un artefact calculatoire qui ne correspond à aucune réalité empirique concrète chez les participants individuels composant la cohorte.

L’impact du choix de cet indicateur central sur la formulation des conclusions diagnostiques et cliniques est monumental. Dans le cadre de l’évaluation neuropsychologique post-traumatique, par exemple, conclure qu’un patient présente un déficit fonctionnel repose généralement sur l’écart observé entre son score personnel et la tendance centrale du groupe contrôle normatif. Si la norme est calculée via une moyenne déformée par des valeurs extrêmes, le seuil de significativité clinique s’en trouve artificiellement déplacé, exposant le praticien à des faux négatifs ou des faux positifs préjudiciables à la prise en charge thérapeutique.

1.3 Aperçu synthétique du dilemme : moyenne arithmétique contre médiane

Le dilemme fondamental opposant la moyenne arithmétique à la médiane s’articule autour d’une tension structurelle entre l’efficacité statistique et la robustesse distributionnelle. La moyenne arithmétique brille par son optimalité mathématique lorsqu’elle opère au sein du paradis distributionnel gaussien : elle extrait la totalité de l’information métrique disponible, maximise la puissance des tests d’inférence et minimise la variance asymptotique d’échantillonnage. En revanche, sa vulnérabilité face aux perturbations morphologiques de la distribution est absolue : une seule mesure aberrante suffit à déplacer arbitrairement sa position.

La médiane, quant à elle, incarne la résistance statistique par excellence. Étrangère aux valeurs absolues des écarts métriques situés au-delà de son rang, elle offre une stabilité inébranlable en présence de distributions asymétriques, de contaminations de laboratoire ou de populations hétérogènes composées de sous-groupes cliniques distincts. Néanmoins, cette résilience se paie par une perte d’efficacité mathématique relative sous des conditions normales idéales, se traduisant par des erreurs types d’échantillonnage légèrement plus larges que celles de la moyenne pour un effectif équivalent.

Les risques d’inférence fallacieuse générés par un choix inapproprié d’indicateur de tendance centrale sont omniprésents dans la littérature scientifique contemporaine. Sélectionner la moyenne par habitude protocolaire face à des variables intrinsèquement asymétriques conduit inexorablement à surestimer le niveau central des populations et à biaiser les coefficients de corrélation ultérieurs. Inversement, privilégier systématiquement la médiane sur des données parfaitement symétriques et continues entraîne un gaspillage délibéré de puissance statistique, pouvant empêcher la détection d’effets expérimentaux subtils mais réels.

2. Fondements mathématiques et propriétés formelles de la moyenne arithmétique

2.1 Formalisation mathématique et méthode de calcul

La moyenne arithmétique d’un échantillon fini de données quantitatives représente la quantité obtenue en agrégeant l’ensemble des valeurs numériques observées et en divisant cette somme par le nombre total d’observations composant l’échantillon. Soit une variable aléatoire quantitative $X$ observée sur une cohorte d’effectif $n$, donnant lieu à une série de réalisations discrètes ${x_1, x_2, dots, x_n}$. La moyenne arithmétique empirique, traditionnellement notée $\bar{x}$ ou $\mu$ lorsqu’elle désigne le paramètre populationnel sous-jacent, est formellement définie par l’opérateur de sommation suivant :

$$\bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i$$

Dans le cadre de la théorie des probabilités, cette quantité s’interprète comme l’espérance mathématique empirique $\mathbb{E}[X]$ relative à la mesure empirique assignant un poids probabiliste uniforme de $1/n$ à chaque observation individuelle de l’ensemble expérimental.

Cette formalisation s’étend naturellement aux plans d’échantillonnage stratifiés ou aux méta-analyses psychologiques où certaines observations disposent d’une fiabilité supérieure ou représentent des sous-cohortes de volumes inégaux. On fait alors appel à la moyenne pondérée, formalisée par l’expression :

$$\bar{x}_w = \frac{\sum_{i=1}^{n} w_i x_i}{\sum_{i=1}^{n} w_i}$$

où $w_i$ symbolise le coefficient de pondération assigné à la $i$-ème observation, souvent inversement proportionnel à la variance de l’estimation locale selon les principes de l’inférence par minimisation de variance.

2.2 Propriétés algébriques fondamentales

La moyenne arithmétique possède des propriétés algébriques élégantes qui expliquent son rôle prépondérant dans le développement des statistiques mathématiques classiques. La première de ces propriétés est l’annulation stricte de la somme des déviations : la somme arithmétique des écarts de chaque point d’observation par rapport à la moyenne de l’échantillon est rigoureusement égale à zéro :

$$\sum_{i=1}^{n} (x_i – \bar{x}) = 0$$

Cette relation géométrique confère à la moyenne son statut de centre de gravité parfait de la distribution des données le long de la droite réelle.

La seconde propriété, fondement de la méthode des moindres carrés introduite par Legendre et Gauss, stipule que la moyenne arithmétique est l’unique scalaire $c in \mathbb{R}$ qui minimise la somme des carrés des résidus (distance euclidienne ou norme $L_2$). Formellement, la fonctionnelle objectif :

$$\Phi(c) = \sum_{i=1}^{n} (x_i – c)^2$$

atteint son minimum global strict lorsque $c = \bar{x}$. Cette caractéristique mathématique fait de la moyenne arithmétique le point d’ancrage naturel de l’analyse de régression linéaire, de la décomposition de la variance (ANOVA) et des modèles mixtes.

Enfin, l’opérateur de moyenne arithmétique jouit d’une linéarité parfaite face aux transformations affines des variables expérimentales. Si l’on applique à chaque point de données une transformation de type $y_i = a \cdot x_i + b$, où $a$ et $b$ sont des constantes réelles, la nouvelle moyenne empirique s’exprime immédiatement sous la forme $\bar{y} = a \cdot \bar{x} + b$. Cette propriété simplifie la standardisation des instruments de mesure, comme la conversion de scores bruts en scores $z$, en maintenant une invariance computationnelle absolue sans nécessiter de recalcul global sur la série initiale.

2.3 Sensibilité mathématique aux valeurs extrêmes

En contrepartie de sa rigueur algébrique dans l’espace euclidien, la moyenne arithmétique présente une vulnérabilité pathologique à la présence de valeurs aberrantes ou extrêmes au sein de l’échantillon. Cette fragilité provient directement de la fonction de coût quadratique qui la sous-tend : chaque observation contribue au calcul avec un poids directement proportionnel à sa distance absolue au centre. Si une observation $x_k$ tend vers l’infini, la moyenne empirique $\bar{x}$ tend elle-même vers l’infini à la vitesse asymptotique $1/n$, indépendamment de la stabilité collective des $n-1$ autres mesures constituant le corpus empirique.

En analyse robuste des données, ce phénomène est quantifié par le concept de point de rupture asymptotique (breakdown point), défini par le statisticien Peter Rousseeuw comme la proportion minimale d’observations arbitrairement corrompues requise pour déplacer l’estimateur au-delà de toute limite finie. Pour la moyenne arithmétique d’un échantillon d’effectif $n$, ce point de rupture s’établit à :

$$\epsilon^* = \frac{1}{n}$$

Lorsque la taille de l’échantillon tend vers l’infini, le point de rupture asymptotique converge vers zéro ($\lim_{n to \infty} \epsilon^* = 0$). Cela signifie qu’une seule observation contaminée, qu’elle résulte d’une défaillance logicielle, d’une saisie erronée ou d’une crise de somnolence d’un sujet en laboratoire, détient le pouvoir théorique de corrompre l’ensemble de l’inférence expérimentale.

Cette sensibilité mécanique entraîne également une amplification artificielle de l’écart type et des intervalles de confiance associés. Face à des distributions leptokurtiques ou affectées d’une asymétrie marquée, la moyenne s’écarte inévitablement de la zone de concentration maximale des sujets, véhiculant une impression trompeuse de performance typique qui ne reflète aucunement le comportement réel de la grande majorité des unités observées dans l’étude.

3. Fondements mathématiques et propriétés de la médiane

3.1 Définition de l’ordre de rang et procédure de calcul

La médiane constitue la mesure de tendance centrale fondée sur les statistiques d’ordre. Contrairement à la moyenne arithmétique qui traite l’ensemble des données comme une masse métrique additive, la médiane aborde les observations comme une séquence ordonnée selon une relation de dominance séquentielle. Pour calculer la médiane d’un échantillon de données quantitatives ${x_1, x_2, dots, x_n}$, l’opération initiale obligatoire consiste à réarranger les valeurs par ordre strictement croissant, générant la séquence des statistiques de rang notée $x_{(1)} le x_{(2)} le dots le x_{(n)}$.

La détermination computationnelle formelle de la médiane dépend de la parité de l’effectif $n$ de l’échantillon. Lorsque $n$ est un entier impair, la médiane correspond précisément à la valeur observée occupant le rang central unique situé à la position $(n+1)/2$ :

$$\mathrm{Med}(X) = x_{\left(\frac{n+1}{2}\right)}$$

Lorsque la cohorte comporte un nombre pair d’observations $n$, il n’existe pas d’élément médian discret unique au sein de la séquence ordonnée. La convention statistique standard fait alors appel à une interpolation linéaire consistant à calculer la moyenne arithmétique des deux valeurs centrales consécutives occupant respectivement les rangs $n/2$ et $(n/2) + 1$ :

$$\mathrm{Med}(X) = \frac{x_{\left(\frac{n}{2}\right)} + x_{\left(\frac{n}{2} + 1\right)}}{2}$$

En vertu de cette définition, la médiane se caractérise par une nature non paramétrique fondamentale. Son calcul ne présuppose aucune fonction de densité théorique sous-jacente ni aucune hypothèse relative à la normalité ou à l’homogénéité de la variance des données analysées.

3.2 Résistance statistique et point de rupture asymptotique

La grandeur méthodologique de la médiane réside dans son immunité absolue face aux amplitudes numériques des valeurs positionnées sur les flancs de la distribution. Tant que les valeurs contaminées demeurent cantonnées aux extrémités inférieures ou supérieures sans franchir la ligne médiane du tri ordonné, leur magnitude exacte n’exerce absolument aucune influence sur le positionnement du paramètre central. Que la valeur maximale d’un échantillon soit égale à 100 ou multipliée par un million, la médiane reste rigoureusement invariante.

En termes de robustesse statistique formelle, la médiane bénéficie du point de rupture le plus élevé concevable pour un estimateur de tendance centrale univarié :

$$\epsilon^* = \left\lfloor \frac{n+1}{2} \right\rfloor \frac{1}{n} x\rightarrow{n to \infty} 50%$$

Il est nécessaire de corrompre jusqu’à 50 % de l’échantillon pour forcer la médiane à diverger vers l’infini. Cette propriété de résistance confère à l’indicateur une robustesse sans égale pour l’exploration de bases de données volumineuses non supervisées où pullulent inévitablement les artéfacts de recueil.

Sur le plan de l’optimisation fonctionnelle, la médiane répond à un critère mathématique tout aussi rigoureux que la méthode des moindres carrés : elle minimise la somme des déviations absolues (norme $L_1$). Formellement, pour tout vecteur de données, la quantité :

$$\Psi(c) = \sum_{i=1}^{n} |x_i – c|$$

atteint son minimum lorsque le scalaire $c$ est égal à la médiane empirique de la distribution. Ainsi, la médiane se présente comme le centre géométrique naturel lorsque l’on pénalise les déviations de manière linéaire plutôt que quadratique, éliminant l’hypertrophie des erreurs extrêmes.

3.3 Relation avec les quantiles et distribution cumulative empirique

Sur le plan de la théorie des probabilités et de l’analyse distributionnelle, la médiane représente le cinquantième centile (ou deuxième quartile $Q_2$) de la distribution cumulative empirique des données $F_n(x)$. Formellement, elle se définit comme la borne minimale satisfaisant les inégalités stochastiques :

$$\mathrm{Med}(X) = \inf { x in \mathbb{R} mid F_n(x) ge 0{,}5 }$$

Cette intégration théorique au sein de la famille des quantiles permet d’articuler naturellement la médiane avec l’écart interquartile ($\mathrm{IQR} = Q_3 – Q_1$), fournissant un couple d’indicateurs de position et de dispersion entièrement non paramétrique, cohérent et résistant aux perturbations de queue de distribution.

Une autre propriété formelle remarquable de la médiane réside dans son invariance face à toute transformation strictement monotone des variables analysées. Si l’on applique une fonction continue strictement croissante $g(x)$ — telle qu’une transformation logarithmique, exponentielle ou de puissance — à l’ensemble des observations d’un échantillon, la médiane de la série transformée correspond exactement à la transformée de la médiane initiale :

$$\mathrm{Med}(g(X)) = g(\mathrm{Med}(X))$$

Cette propriété est remarquablement violée par la moyenne arithmétique, puisque l’inégalité de Jensen stipule que $\mathbb{E}[g(X)] \neq g(\mathbb{E}[X])$ pour toute fonction non linéaire, rendant les transformations d’échelles complexes à rétro-traduire dans les unités initiales lorsqu’elles reposent sur la moyenne arithmétique.

4. Conditions méthodologiques idéales pour l’utilisation de la moyenne arithmétique

4.1 Distributions normales et symétrie des variables psychométriques

Le sanctuaire d’élection de la moyenne arithmétique correspond aux distributions qui respectent le postulat d’une morphologie symétrique en cloche, prototypée par la loi normale de Laplace-Gauss. Sous une distribution gaussienne théorique, les trois indices majeurs de tendance centrale — la moyenne arithmétique, la médiane et le mode — coïncident rigoureusement en un unique point d’inflexion correspondant à l’axe de symétrie axiale de la densité de probabilité :

$$\mu = \mathrm{Med} = \mathrm{Mod}$$

Dans ce cadre géométrique immaculé, aucune divergence topologique n’existe entre la masse métrique et le rang médian, ce qui confère à la moyenne une représentativité descriptive irréprochable.

Sous de telles conditions de normalité stricte, la moyenne arithmétique s’impose comme l’estimateur sans biais le plus efficace. Selon le théorème de Rao-Blackwell et l’inégalité de Fréchet-Cramér-Rao, la moyenne arithmétique empirique atteint la borne de variance minimale pour l’estimation de l’espérance mathématique de la population. Sa variance d’échantillonnage s’exprime simplement par $\sigma^2 / n$. En comparaison, la médiane d’un échantillon gaussien possède une variance asymptotique d’échantillonnage égale à $(\pi / 2) \cdot (\sigma^2 / n) \approx 1{,}57 \cdot (\sigma^2 / n)$. Choisir la médiane face à une distribution normale équivaut à abandonner volontairement environ 36 % de l’information métrique disponible, équivalant à une réduction artificielle de la taille effective de l’échantillon.

L’assise méthodologique de la moyenne repose donc sur la vérification préalable de la symétrie de la distribution. Cette validation requiert le calcul formel du coefficient d’asymétrie (skewness) de Fisher-Pearson :

$$g_1 = \frac{\frac{1}{n} \sum_{i=1}^{n} (x_i – \bar{x})^3}{\left( \frac{1}{n} \sum_{i=1}^{n} (x_i – \bar{x})^2 \right)^{3/2}}$$

Lorsque $g_1$ est statistiquement indifférenciable de zéro (généralement borné dans l’intervalle empirique $[-0{,}5 ; +0{,}5]$) et que l’aplatissement (kurtosis) présente une valeur proche de celle de la gaussienne normale ($g_2 \approx 0$), la moyenne arithmétique offre une stabilité d’inférence supérieure à tout autre indicateur.

4.2 Implications pour l’inférence paramétrique et la puissance statistique

L’utilisation de la moyenne arithmétique constitue la pierre angulaire de l’inférence statistique paramétrique classique, incarnée par le Modèle Linéaire Général (GLM). Qu’il s’agisse de conduire un test $t$ de Student pour comparer deux groupes indépendants, d’exécuter une analyse de variance factorielle univariée ou de modéliser des trajectoires longitudinales par des régressions hiérarchiques, ces algorithmes reposent formellement sur la manipulation des moyennes empiriques et la minimisation de leurs résidus quadratiques.

En vertu du théorème central limite (TCL), lorsque la taille d’un échantillon indépendant et identiquement distribué devient suffisamment volumineuse (couramment $n > 30$ pour des distributions modérément régulières, $n > 100$ pour des distributions plus rugueuses), la distribution d’échantillonnage de la moyenne converge asymptotiquement vers une loi normale, quelle que soit la morphologie de la variable parente, pourvu que sa variance populationnelle soit finie. Cette propriété assure la robustesse théorique de la moyenne dans les plans d’expérience larges, conférant aux tests $t$ et aux statistiques $F$ une validité asymptotique pour tester des hypothèses de nullité sur les espérances de groupes.

Dans ces conditions de validité paramétrique, l’utilisation de la moyenne arithmétique optimise la puissance statistique du test expérimental, c’est-à-dire la capacité à rejeter l’hypothèse nulle $H_0$ lorsqu’un effet expérimental réel existe au sein de la population cible ($1 – \beta$). L’efficacité asymptotique relative de la moyenne face aux alternatives fondées sur les rangs permet d’utiliser des seuils critiques standardisés et préserve le chercheur du risque de commettre une erreur de type II, qui l’amènerait à abandonner prématurément une hypothèse scientifique valide.

4.3 Exemple pratique : scores standardisés de quotient intellectuel

L’illustration la plus éclatante de l’usage légitime et optimal de la moyenne arithmétique dans les sciences psychologiques réside dans l’analyse des scores composites standardisés d’aptitudes cognitives, prototypés par l’Échelle d’Intelligence de Wechsler pour Adultes (WAIS-IV). Par construction métrologique délibérée, le score global de quotient intellectuel (QI) est standardisé sur de très vastes échantillons représentatifs de stratification démographique pour se conformer strictement à une distribution gaussienne d’espérance $\mu = 100$ et d’écart type $\sigma = 15$.

Dans ce contexte métrologique précis, l’analyse d’une cohorte d’étudiants universitaires en sciences cognitives ayant passé le test illustre la parfaite adéquation de la moyenne. Considérons un échantillon empirique simulé de douze participants dont les scores globaux de QI se distribuent de la façon suivante :

$${98, 102, 105, 107, 108, 110, 112, 113, 115, 117, 120, 125}$$

Calculons formellement la moyenne arithmétique de cette série :

$$\bar{x} = \frac{98 + 102 + 105 + 107 + 108 + 110 + 112 + 113 + 115 + 117 + 120 + 125}{12} = \frac{1332}{12} = 111{,}0$$

Calculons à présent la médiane de cette série ordonnée de taille paire ($n = 12$). Les éléments centraux occupant les rangs $n/2 = 6$ et $(n/2)+1 = 7$ sont respectivement $x_{(6)} = 110$ et $x_{(7)} = 112$. La médiane s’établit donc par interpolation à :

$$\mathrm{Med} = \frac{110 + 112}{2} = 111{,}0$$

La concordance absolue entre $\bar{x} = 111{,}0$ et $\mathrm{Med} = 111{,}0$ matérialise la symétrie de la distribution. Dans ce cadre, la moyenne arithmétique ne souffre d’aucune distorsion. Bien au contraire, elle intègre fidèlement le fait que les scores extrêmes (98 d’un côté, 125 de l’autre) se compensent de part et d’autre du centre d’inertie. La moyenne capture ici l’intégralité de l’information psychométrique avec une variance d’estimation plus faible que la médiane, constituant l’estimateur d’élection pour quantifier l’aptitude intellectuelle globale du groupe.

5. Conditions critiques exigeant l’usage exclusif de la médiane

5.1 Asymétrie distributionnelle prononcée dans les mesures comportementales

Dès lors que la morphologie de la variable mesurée s’écarte du canon gaussien pour adopter un profil asymétrique prononcé, la moyenne arithmétique perd toute validité descriptive et déforme systématiquement la réalité comportementale. Les distributions rencontrées en neurosciences, en psychologie différentielle ou en psychopathologie ne sont pas symétriques par décret ; elles présentent fréquemment une borne physique absolue d’un côté (comme un temps minimal incompressible) et une queue d’étalement illimitée de l’autre.

On distingue fondamentalement deux typologies d’asymétrie :

  • L’asymétrie positive (ou étalement vers la droite, right-skewed) : la queue de distribution s’allonge vers les valeurs fortement positives. C’est le profil universel des temps de réaction, des consommations d’alcool hebdomadaires ou des scores de détresse psychologique. Dans ce cas de figure, la moyenne arithmétique est mécaniquement aspirée vers le haut par les quelques valeurs géantes situées dans la queue, conduisant systématiquement à la relation d’ordre : $\mathrm{Mod} < \mathrm{Med} < \bar{x}$.
  • L’asymétrie négative (ou étalement vers la gauche, left-skewed) : la queue s’étire vers les valeurs négatives ou nulles, typique de l’âge de survenue des démences neurodégénératives ou des taux de réussite à un examen pédagogique d’un niveau d’exigence insuffisant (effet plafond). La moyenne est alors tirée vers le bas, instaurant la relation inverse : $\bar{x} < \mathrm{Med} < \mathrm{Mod}$.

Face à une distribution asymétrique positive, affirmer que la moyenne reflète le participant « typique » est une falsification empirique. La moyenne se situe souvent dans une strate de valeurs que 65 % à 80 % des individus n’atteignent jamais. La médiane, en garantissant qu’exactement la moitié de la cohorte se trouve en deçà et l’autre au-delà de son seuil, demeure imperturbablement ancrée au cœur de la densité maximale des individus, fournissant la seule lecture valide de la performance normative.

5.2 Présence avérée de valeurs aberrantes et d’artéfacts de laboratoire

L’expérimentation en sciences humaines et comportementales est intrinsèquement perméable aux bruits parasites, aux erreurs techniques et aux comportements déviants non représentatifs de la fonction cognitive évaluée. Parmi ces anomalies classiques figurent les erreurs matérielles de transcription clavier (un expérimentateur saisissant un score d’anxiété de 77 au lieu de 7), les désengagements temporaires du participant (qui consulte son téléphone portable pendant une passation informatisée, allongeant artificiellement une latence à dix secondes) ou des micro-réveils physiologiques lors d’enregistrements polysomnographiques.

La présence d’un seul artéfact de cette nature produit un effet dévastateur immédiat sur la moyenne arithmétique. Supposons une étude portant sur le temps d’immersion (en secondes) dans une épreuve de tolérance à la douleur par l’eau glacée (test du Cold Pressor). Cinq participants obtiennent les durées suivantes : ${35, 42, 45, 48, 50}$. La moyenne de ce groupe est de $44{,}0$ secondes et la médiane de $45$ secondes. Si le cinquième sujet, par suite d’une défaillance du chronomètre ou d’un profil dissociatif pathologique, reste immergé pendant $3600$ secondes (une heure), la série devient ${35, 42, 45, 48, 3600}$.

La nouvelle moyenne arithmétique explose littéralement :

$$\bar{x} = \frac{35 + 42 + 45 + 48 + 3600}{5} = \frac{3770}{5} = 754{,}0\text{ secondes}$$

Cette valeur de plus de douze minutes ne reflète aucune réalité physiologique pour les quatre premiers sujets qui ont abandonné en moins d’une minute, ni même pour le cinquième dont la valeur relève d’un régime phénoménologique totalement distinct. En revanche, le réarrangement par rang donne la séquence ordonnée rigoureuse, et la médiane s’établit instantanément à :

$$\mathrm{Med} = 45\text{ secondes}$$

La médiane a complètement absorbé l’artéfact sans subir la moindre distorsion. Elle maintient son rôle d’indicateur central avec une robustesse irréprochable, démontrant son indispensabilité absolue dès lors que le protocole expérimental ne permet pas d’exclure formellement l’émergence d’observations contaminées.

5.3 Exemple pratique : analyse des temps de réaction cognitive

L’étude chronométrique de la cognition humaine fournit l’exemple paradigmatique d’une variable qui proscrit formellement l’usage exclusif de la moyenne arithmétique. En psychologie cognitive, les temps de réaction (TR) collectés lors de tâches de décision lexicale, de détection de signaux ou de flexibilité attentionnelle ne suivent jamais une loi normale. Ils sont théoriquement modélisés par des lois asymétriques à seuil, telles que la distribution ex-gaussienne (convolution d’une gaussienne et d’une exponentielle) ou la loi de Wald (distribution de temps de premier passage d’un processus de diffusion de Wiener).

Considérons les données de latence (en millisecondes) recueillies auprès d’un participant soumis à dix essais d’une tâche d’identification de cibles visuelles simples :

$${210, 215, 220, 225, 230, 235, 240, 250, 480, 950}$$

Les huit premières observations traduisent la dynamique normale du traitement visuomoteur (autour de 230 ms). Les deux dernières latences (480 ms et 950 ms) correspondent à des micro-lapsus de vigilance ou à des interférences motrices transitoires inhérentes à la condition humaine.

Calculons la moyenne arithmétique de cette série chronométrique :

$$\bar{x} = \frac{210 + 215 + 220 + 225 + 230 + 235 + 240 + 250 + 480 + 950}{10} = \frac{3255}{10} = 325{,}5\text{ ms}$$

Déterminons désormais la médiane de cette série ordonnée de rang $n=10$. Les éléments médians occupant les positions 5 et 6 sont respectivement 230 ms et 235 ms. La médiane s’établit à :

$$\mathrm{Med} = \frac{230 + 235}{2} = 232{,}5\text{ ms}$$

La divergence entre les deux grandeurs est spectaculaire : la moyenne arithmétique ($325{,}5$ ms) est supérieure de près de 100 ms à la vitesse réelle de traitement du participant ($232{,}5$ ms). Pire encore, 80 % des essais réels ont été exécutés en un temps inférieur à cette prétendue moyenne. Utiliser la moyenne reviendrait à conclure à une lenteur cognitive générale du sujet, alors que celui-ci possède une vitesse d’exécution très véloce ponctuée par deux distractions épisodiques. La médiane fournit ici la seule estimation fidèle de la vitesse nominale du traitement cognitif sous-jacent.

6. L’impact de la forme de la distribution sur la divergence moyenne-médiane

6.1 Distributions unimodales asymétriques versus bimodales

L’amplitude de l’écart métrique entre la moyenne arithmétique et la médiane constitue en elle-même un puissant indicateur diagnostique de la non-symétrie d’un jeu de données expérimental. Karl Pearson avait initialement proposé une mesure empirique d’asymétrie fondée précisément sur cet écart, normalisé par l’écart type de la distribution :

$$S_p = \frac{\bar{x} – \mathrm{Med}}{\sigma}$$

Plus ce coefficient s’éloigne de zéro, plus la distribution s’écarte de la normalité, rendant la comparaison conjointe des deux paramètres indispensable à la compréhension du phénomène étudié.

Toutefois, la situation se complexifie radicalement lorsque la distribution des données cesse d’être unimodale pour afficher une structure multimodale ou bimodale. Une distribution bimodale émerge fréquemment en psychopathologie lorsqu’un échantillon intègre, sans stratification préalable, deux sous-populations cliniquement distinctes — par exemple, des sujets sains et des patients atteints de dépression majeure sévère évalués sur un score d’anhédonie. La distribution présente alors deux bosses de densité nettement séparées par une vallée intermédiaire.

Dans une distribution bimodale parfaitement symétrique, un phénomène méthodologique déroutant se produit : la moyenne arithmétique et la médiane redeviennent strictement identiques, se positionnant conjointement au centre exact des deux modes. Pourtant, cette valeur centrale conjointe représente une zone de densité quasi nulle où ne se trouve presque aucun individu concret. Dans ce cas de figure pathologique, ni la moyenne ni la médiane ne constituent un indicateur fidèle de tendance centrale ; la réalité réside dans la coexistence des deux modes locaux, et la tentative d’imposer un indice synthétique unique relève d’une erreur d’abstraction scientifique fondamentale.

6.2 Distributions à queue lourde et lois de puissance en sciences comportementales

Certains phénomènes humains et sociaux échappent intégralement au paradigme gaussien des fluctuations légères pour s’inscrire dans le domaine des distributions à queues lourdes (fat-tailed distributions) ou des lois de puissance modélisées par Vilfredo Pareto. Dans ces univers stochastiques, la survenue d’événements de magnitude colossale n’est pas exponentiellement supprimée comme sous une courbe normale ; elle demeure hautement probable.

L’analyse comportementale contemporaine rencontre massivement ces géométries fractales lors de l’étude de l’activité numérique sur les plateformes de médias sociaux. La variable mesurant le nombre de partages (« retweets » ou republications) d’un message de sensibilisation psychologique en fournit un exemple probant : l’écrasante majorité des messages ne génère qu’entre zéro et trois partages, tandis qu’une infime fraction devient virale et totalise plusieurs centaines de milliers d’occurrences. Pour de telles distributions, dont la fonction de survie décroît selon une loi de puissance $P(X > x) \sim x^{-\alpha}$ avec un exposant de Pareto $\alpha le 1$, la moyenne théorique d’échantillon devient infinie ou indéterminée, et la moyenne empirique oscille violemment sans jamais se stabiliser, augmentant à mesure que l’on collecte des observations supplémentaires.

En présence de lois de puissance ou de distributions de Pareto, la moyenne arithmétique est conceptuellement caduque. Elle ne mesure rien d’autre que la taille maximale atteinte par l’élément le plus extrême de l’échantillon collecté jusqu’à un instant $t$. La médiane, quant à elle, demeure parfaitement définie, stable et asymptotiquement convergente vers le seuil exact sous lequel réside cinquante pour cent de la masse des utilisateurs. Sa supériorité analytique pour garantir la réplicabilité des études sur données massives (Big Data) et comportements numériques est totale.

6.3 Outils de visualisation diagnostique

Face à la complexité des formes distributionnelles, le statisticien méthodologiste ne doit jamais s’en remettre au seul calcul aveugle d’algorithmes numériques ; il est impératif d’intégrer une phase rigoureuse de diagnostic visuel exploratoire. Trois instruments graphiques constituent la panoplie méthodologique indispensable pour trancher rationnellement entre moyenne et médiane :

  • L’histogramme de densité à lissage par noyau (Kernel Density Estimation) : il permet de visualiser directement la symétrie, l’unimodalité ou la présence de queues étirées. La projection verticale conjointe de la moyenne (ligne pleine) et de la médiane (ligne pointillée) met immédiatement en exergue le décrochage causé par l’asymétrie.
  • La boîte à moustaches de Tukey (Boxplot) : cet outil affiche intrinsèquement la médiane par sa barre transversale centrale, les premier et troisième quartiles par les bords de la boîte (délimitant l’écart interquartile), et identifie formellement les valeurs aberrantes au-delà de 1,5 fois l’écart interquartile sous forme de points individualisés. Une asymétrie se diagnostique instantanément par le positionnement décentré de la ligne médiane à l’intérieur de la boîte et par l’inégalité de longueur des moustaches.
  • Le diagramme quantile-quantile normal (Q-Q Plot) : il confronte les quantiles empiriques de la variable observée aux quantiles théoriques d’une distribution gaussienne standard. Tout décrochage des points expérimentaux par rapport à la droite de référence à quarante-cinq degrés — notamment sous forme de courbure sigmoïde ou de divergence exponentielle aux extrémités — alerte le chercheur sur l’invalidité de la normalité et signale que la moyenne arithmétique est compromise au profit de la médiane.

7. Types d’échelles de mesure de Stevens et choix du paramètre central

7.1 Échelles ordinales : validité statistique formelle de la médiane

L’admissibilité formelle d’une mesure de tendance centrale est fondamentalement bornée par la nature de l’échelle de mesure employée lors du recueil des données. Dans sa taxonomie fondatrice de la théorie de la mesure, le psychologue Stanley Smith Stevens (1946) a classifié les échelles en quatre niveaux hiérarchiques stricts : nominal, ordinal, d’intervalles et de rapports. Chaque niveau est défini par son groupe de transformations mathématiques admissibles, c’est-à-dire les opérations algébriques qui préservent la structure empirique sous-jacente.

L’échelle ordinale se caractérise par la propriété de tri et de hiérarchie sans notion de distance métrique constante. Des exemples ubiquitaires en psychologie comprennent le stade d’évolution d’une démence (stades léger, modéré, sévère), le rang d’une fratrie ou des échelles d’évaluation de la douleur de type EVA discrétisée. Sur une telle échelle, nous savons avec certitude que le rang 3 est supérieur au rang 2, et que le rang 2 est supérieur au rang 1. En revanche, rien ne garantit — et il est même intrinsèquement faux de postuler — que l’écart psychologique ou physiologique séparant le rang 1 du rang 2 soit rigoureusement identique à l’écart séparant le rang 2 du rang 3.

Dans ce contexte, le calcul d’une moyenne arithmétique relève d’une transgression logique majeure : il nécessite d’additionner des rangs puis de les diviser par un nombre réel. Or, l’addition présuppose l’égalité des intervalles d’échelle. Traiter des rangs d’ordre comme des grandeurs additives revient à assigner une réalité numérique à une fiction conventionnelle. La médiane, en revanche, n’exige que l’application de la relation d’ordre binaire ($le$). Elle est invariante sous toute transformation strictement monotone de l’échelle ordinale, ce qui en fait le seul et unique indicateur formellement valide et défendable pour synthétiser des données strictement ordinales.

7.2 Échelles d’intervalles et de rapports : champ d’application de la moyenne

Lorsque la métrologie s’élève aux échelles d’intervalles et d’échelles de rapports, la moyenne arithmétique accède à sa pleine légitimité computationnelle. Une échelle d’intervalles se caractérise par l’existence d’une unité de mesure standardisée constante le long de l’ensemble du continuum d’évaluation, bien que son point zéro demeure arbitraire et conventionnel. La température en degrés Celsius en constitue l’archétype physique ; les scores factoriels standardisés issus de tests d’aptitude psychologique validés par la théorie de réponse aux items (TRI) en fournissent l’équivalent cognitif.

Sur une échelle d’intervalles, la différence entre un score de 40 et un score de 50 représente rigoureusement la même quantité de variance sous-jacente que la différence entre un score de 110 et un score de 120. La métrique étant constante, les opérations de sommation et de division acquièrent un sens mathématique univoque : la moyenne arithmétique préserve l’information des distances spatiales séparant chaque sujet dans l’espace multidimensionnel du trait latent.

L’échelle de rapports ajoute à la constance de l’intervalle l’existence d’un zéro absolu naturel, non arbitraire, correspondant à l’absence totale de la dimension mesurée. Le temps (en secondes), le poids corporel (en kilogrammes) ou la fréquence cardiaque (en battements par minute) constituent des échelles de rapports. Sur ces échelles, la moyenne arithmétique est non seulement admissible, mais elle ouvre la voie à d’autres déclinaisons de moyennes spécialisées, telles que la moyenne géométrique (indispensable pour les ratios de croissance et les échelles logarithmiques) ou la moyenne harmonique (incontournable pour les vitesses moyennes d’apprentissage), enrichissant considérablement la panoplie modélisatrice du chercheur.

7.3 La controverse méthodologique des échelles de Likert en psychologie

Le point de friction le plus violent de la psychométrie appliquée concerne le statut méthodologique des échelles de Likert et d’items à réponses graduées (par exemple, des échelons d’accord allant de 1 « Pas du tout d’accord » à 5 « Tout à fait d’accord »). Depuis plus d’un demi-siècle, deux chapelles épistémologiques s’affrontent sur cette question au sein des revues à comité de lecture :

  • Le camp puriste-ordinal (l’école de Stevens) : il soutient qu’un item de type Likert isolé est une variable strictement ordinale. Les participants n’utilisant pas les graduations subjectives avec une métrique psychologique linéaire uniforme, calculer la moyenne arithmétique d’un item unique (par exemple obtenir une moyenne de 3,42 d’accord) est considéré comme un non-sens mathématique complet. Ce camp préconise impérativement le rapportage de la médiane et de l’écart interquartile.
  • Le camp pragmatique-paramétrique (l’école de Norman et Jamieson) : il démontre, preuves empiriques à l’appui, que lorsque l’on somme ou moyenne un ensemble substantiel d’items de Likert corrélés (généralement au moins 5 à 8 items) pour constituer le score total d’une échelle composite mesurant un construit latent (comme l’estime de soi de Rosenberg ou le BDI de Beck), le score composite résultant se comporte empiriquement comme une échelle d’intervalles quasi-continue. Le théorème central limite opère, la distribution tend vers la symétrie et les tests paramétriques fondés sur la moyenne arithmétique affichent une robustesse remarquable sans inflation décelable de l’erreur de type I.

Pour la publication scientifique contemporaine, le consensus méthodologique requiert une rigueur différenciée : l’analyse d’un item individuel isolé doit être descriptivement menée via la médiane ou les fréquences de répartition de rang, tandis que l’évaluation d’une échelle psychométrique composite multi-items agrégée peut légitimement mobiliser la moyenne arithmétique, à la condition expresse que la distribution des scores composites totaux démontre une symétrie distributionnelle acceptable.

8. Étude de cas détaillée : Chronométrie mentale et paradigme de Stroop

8.1 Protocole expérimental et modélisation des latences

Le paradigme d’interférence mot-couleur de Stroop constitue l’une des pierres angulaires de l’investigation neuropsychologique de l’attention sélective et du contrôle inhibiteur exécutif. Le protocole expérimental standard oppose deux conditions majeures :

  • Une condition congruente : la couleur de l’encre d’impression correspond sémantiquement au mot affiché (le mot « ROUGE » imprimé en encre rouge).
  • Une condition incongruente : la couleur de l’encre d’impression entre en conflit sémantique direct avec le mot affiché (le mot « BLEU » imprimé en encre rouge).

Le participant a pour consigne explicite d’inhiber la lecture automatisée du mot pour dénommer le plus rapidement et précisément possible la couleur physique de l’encre. L’enregistrement chronométrique s’effectue au milliseconde près.

L’effet Stroop correspond à la surcharge de temps de traitement requise pour résoudre le conflit cognitif dans la condition incongruente. D’un point de vue cognitif, ce ralentissement reflète l’intervention des zones fronto-pariétales et du cortex cingulaire antérieur pour surseoir à la réponse prépotente de lecture au profit de la tâche d’inhibition. Cependant, l’analyse des données de latence est systématiquement parasitée par la présence d’essais au cours desquels le participant éprouve une absence attentionnelle transitoire, générant une traîne asymétrique prononcée de réponses ultra-lentes qui vicie l’estimation du coût attentionnel réel.

8.2 Comparaison computationnelle pas à pas des deux paramètres

Afin de quantifier avec une exactitude clinique l’impact de la métrique centrale choisie sur l’interprétation de l’effet Stroop, examinons le tableau expérimental complet d’un sujet ayant réalisé vingt essais chronométrés consécutifs : dix essais congruents et dix essais incongruents. Les latences sont exprimées en millisecondes brutes.

Condition Essai 1 Essai 2 Essai 3 Essai 4 Essai 5 Essai 6 Essai 7 Essai 8 Essai 9 Essai 10
Congruente (ms) 410 425 430 435 440 445 450 465 480 510
Incongruente (ms) 520 535 540 550 560 570 585 610 1150 1480

Procédons au calcul détaillé et rigoureux des deux paramètres de tendance centrale pour chaque condition.

1. Analyse de la condition congruente :
La série est ordonnée. Les latences sont homogènes et symétriques.
$$\sum \mathrm{TR}_{\mathrm{cong}} = 410 + 425 + 430 + 435 + 440 + 445 + 450 + 465 + 480 + 510 = 4490\text{ ms}$$
$$\bar{x}_{\mathrm{cong}} = \frac{4490}{10} = 449{,}0\text{ ms}$$
L’effectif étant $n=10$, la médiane est la moyenne des 5e et 6e essais ordonnés ($440$ et $445$) :
$$\mathrm{Med}_{\mathrm{cong}} = \frac{440 + 445}{2} = 442{,}5\text{ ms}$$
La concordance entre moyenne et médiane est forte (écart minime de $6{,}5$ ms).

2. Analyse de la condition incongruente :
Examinons la séquence ordonnée. Les huit premiers essais reflètent un traitement cognitif sous interférence fluide ($520$ à $610$ ms). En revanche, les essais 9 et 10 subissent un blocage cognitif ou un défaut de fixation visuelle ($1150$ et $1480$ ms).
$$\sum \mathrm{TR}_{\mathrm{incong}} = 520 + 535 + 540 + 550 + 560 + 570 + 585 + 610 + 1150 + 1480 = 7100\text{ ms}$$
$$\bar{x}_{\mathrm{incong}} = \frac{7100}{10} = 710{,}0\text{ ms}$$
Calculons la médiane de cette condition ($n=10$) en interpolant les 5e et 6e essais ($560$ et $570$) :
$$\mathrm{Med}_{\mathrm{incong}} = \frac{560 + 570}{2} = 565{,}0\text{ ms}$$
Sous l’influence des deux essais extrêmes, la moyenne arithmétique dérive massivement de $145{,}0$ ms par rapport à la médiane ($710{,}0$ ms contre $565{,}0$ ms).

3. Quantification de l’effet d’interférence Stroop :
L’effet Stroop correspond formellement au différentiel temporel induit par la condition conflictuelle ($\Delta_{\mathrm{Stroop}} = \text{Incongruent} – \text{Congruent}$). Comparons l’amplitude de cet effet théorique selon l’indice métrique employé :
$$\Delta \bar{x} = \bar{x}_{\mathrm{incong}} – \bar{x}_{\mathrm{cong}} = 710{,}0 – 449{,}0 = 261{,}0\text{ ms}$$
$$\Delta \mathrm{Med} = \mathrm{Med}_{\mathrm{incong}} – \mathrm{Med}_{\mathrm{cong}} = 565{,}0 – 442{,}5 = 122{,}5\text{ ms}$$

L’utilisation de la moyenne arithmétique gonfle artificiellement l’effet d’interférence cognitive de plus de 113 % par rapport à la médiane ($261{,}0$ ms contre $122{,}5$ ms). Si le chercheur utilise la moyenne, il conclura erronément que l’inhibition motrice impose un coût attentionnel massif supérieur à un quart de seconde, alors qu’en réalité la médiane montre que le coût d’inhibition stable et représentatif du fonctionnement exécutif du participant se situe à peine au-dessus d’un dixième de seconde ($122{,}5$ ms). La moyenne a fusionné la vitesse de contrôle inhibiteur normale avec des micro-défaillances attentionnelles transitoires, faussant l’estimation du construit cognitif.

8.3 Recommandations contemporaines en chronométrie cognitive

Face à ce biais méthodologique documenté de longue date par les spécialistes de chronométrie mentale comme Ratcliff (1993) ou Whelan (2008), la communauté scientifique contemporaine proscrit le recours à la simple moyenne arithmétique globale calculée sur l’ensemble des essais bruts d’un participant. Plusieurs protocoles d’analyse avancés sont rigoureusement recommandés :

Le protocole le plus accessible et robuste consiste à calculer la médiane des temps de réaction au niveau individuel pour chaque participant dans chaque condition expérimentale, puis à agréger ces médianes individuelles au niveau du groupe via une moyenne arithmétique inter-sujets (procédure dite de la « moyenne des médianes »). Cette approche bénéficie de la résistance de la médiane face aux défaillances locales tout en exploitant la puissance du théorème central limite pour les comparaisons inférentielles de second niveau entre groupes cliniques.

Une alternative plus exhaustive réside dans la décomposition formelle des distributions de latence par des modèles paramétriques asymétriques, notamment le modèle ex-gaussien. Ce modèle décompose la distribution de chaque sujet en trois paramètres indépendants : $\mu$ (la moyenne de la composante gaussienne), $\sigma$ (l’écart type de la composante gaussienne) et $tau$ (la constante de temps de la queue exponentielle). L’utilisation de ces paramètres permet de quantifier séparément la vitesse d’inhibition centrale (reflétée fidèlement par la médiane ou $\mu$) et la propension aux défaillances attentionnelles globales (capturée par $tau$), évitant la contamination d’un indice par l’autre.

9. Étude de cas détaillée : Niveaux socio-économiques et stress perçu

9.1 Structure distributionnelle des revenus dans les cohortes épidémiologiques

Dans la recherche épidémiologique et en psychologie de la santé, le statut socio-économique (SSE) constitue une variable de contrôle ou de prédiction déterminante pour modéliser la vulnérabilité aux troubles psychopathologiques, la réactivité de l’axe hypothalamo-hypophyso-surrénalien et l’exposition au stress perçu chronique. Au sein de ce faisceau multidimensionnel, le revenu financier annuel net du foyer représente l’un des indicateurs cardinaux.

Toutefois, la distribution des revenus dans les populations contemporaines répond à une loi de distribution structurellement asymétrique positive, modélisée avec précision par des densités log-normales ou des lois de Pareto. Alors que l’écrasante majorité de la population se concentre dans des tranches de revenus modestes à intermédiaires — bornées inférieurement par le salaire minimum ou les mécanismes de solidarité sociale —, la queue supérieure de la distribution s’étire sans plafond strict, abritant des ménages dont les rémunérations dépassent de plusieurs ordres de grandeur la médiane sociologique.

Dans un tel paysage économique, l’évaluation du niveau de vie à l’aide de la moyenne arithmétique conduit invariablement à une surévaluation dramatique du statut matériel des ménages. Une infime minorité d’individus ultra-fortunés élève mécaniquement la moyenne arithmétique de l’ensemble de la population bien au-delà du seuil de ressources dont dispose la majorité des citoyens ordinaires, créant un artefact de prospérité qui fausse l’analyse sociologique des inégalités de santé.

9.2 Analyse comparative chiffrée sur échantillon représentatif

Pour démontrer l’ampleur de ce décalage méthodologique et ses répercussions sur l’évaluation psychologique, examinons une cohorte épidémiologique pilote de vingt participants évalués conjointement sur leur revenu annuel net (en milliers d’euros) et sur leur niveau de détresse psychologique via l’Échelle de Stress Perçu de Cohen (PSS-10, score variant de 0 à 40).

ID Revenu (€) PSS-10 ID Revenu (€) PSS-10
P01 14 000 32 P11 28 000 21
P02 16 000 30 P12 30 000 19
P03 18 000 29 P13 32 000 20
P04 19 000 28 P14 35 000 18
P05 21 000 27 P15 38 000 16
P06 22 000 26 P16 42 000 15
P07 23 000 25 P17 48 000 14
P08 24 000 24 P18 55 000 12
P09 25 000 23 P19 180 000 10
P10 26 000 22 P20 450 000 8

Analysons la variable de revenu sur le plan de la tendance centrale :

La somme arithmétique totale des revenus cumulés des 20 ménages s’établit à :
$$\sum \mathrm{Reve\nu} = 1 166 000\text{ €}$$
La moyenne arithmétique empirique s’élève donc à :
$$\bar{x} = \frac{1 166 000}{20} = 58 300\text{ €}$$

Calculons à présent la médiane de cette série de taille $n=20$. Les observations centrales occupant les rangs $n/2 = 10$ et $(n/2)+1 = 11$ sont respectivement $26 000$ € et $28 000$ €. La médiane s’établit à :
$$\mathrm{Med} = \frac{26 000 + 28 000}{2} = 27 000\text{ €}$$

La divergence constatée est vertigineuse : la moyenne arithmétique ($58 300$ €) est supérieure de plus de 115 % à la médiane réelle ($27 000$ €). Dix-huit participants sur vingt (soit 90 % de l’échantillon complet) disposent d’un revenu strictement inférieur à la prétendue moyenne arithmétique du groupe. Celle-ci n’a de validité que par l’inclusion de deux revenus massifs (180 000 € et 450 000 €). Si un chercheur décrit cette cohorte en affirmant que « le sujet moyen perçoit un revenu d’environ 58 000 € », il commet une faute scientifique flagrante, dépeignant un échantillon de classe moyenne supérieure aisée alors que la réalité clinique et sociologique de 90 % de la cohorte est celle d’une vie sous tension financière avec des revenus inférieurs à 30 000 €.

9.3 Implications pour l’analyse des inégalités de santé

L’impact de ce biais sur la modélisation statistique du stress perçu et des disparités de santé est direct. Si l’on utilise le revenu moyen comme seuil de stratification pour séparer l’échantillon en deux groupes « bas revenu » et « haut revenu » afin d’évaluer la détresse psychologique via l’échelle PSS-10, la dichotomisation fondée sur la moyenne classe 18 sujets dans le groupe « défavorisé » et seulement 2 sujets dans le groupe « favorisé ».

Ce déséquilibre drastique brise l’hypothèse d’homoscédasticité, dégrade la puissance statistique des tests de comparaison et fausse l’analyse de régression linéaire en accordant aux deux valeurs extrêmes un effet de levier disproportionné (distance de Cook critique), susceptible de faire basculer artificiellement la pente de la droite de régression. Inversement, l’application du seuil médian de $27 000$ € sépare rigoureusement la cohorte en deux sous-groupes de dix sujets chacun, capturant fidèlement le gradient de vulnérabilité :

  • Groupe inférieur ou égal à la médiane ($le 27 000$ €) : score PSS-10 moyen de $26{,}6$, traduisant une détresse psychologique chronique élevée face aux contraintes matérielles.
  • Groupe supérieur à la médiane ($> 27 000$ €) : score PSS-10 moyen de $15{,}1$, reflétant une relative préservation psychologique permise par la sécurité financière.

C’est précisément la raison pour laquelle les institutions épidémiologiques et statistiques internationales de référence — telles que l’INSEE en France, Eurostat ou l’Organisation Mondiale de la Santé (OMS) — définissent impérativement le seuil de pauvreté monétaire non pas par rapport à la moyenne, mais comme une fraction stricte de la médiane nationale des revenus (généralement 50 % ou 60 % du revenu médian disponible). La médiane constitue le seul repère robuste d’ancrage social garantissant une modélisation intègre des inégalités de santé.

10. Étude de cas détaillée : Évaluations cliniques et inventaires psychopathologiques

10.1 Phénoménologie des scores de dépression dans la population générale

L’administration d’inventaires d’évaluation psychopathologique au sein d’échantillons non cliniques ou de cohortes issues de la population générale confronte systématiquement le psychomètre à un phénomène d’asymétrie structurelle induit par un effet plancher (floor effect). Considérons l’Inventaire de Dépression de Beck (BDI-II), instrument d’auto-évaluation standardisé composé de 21 items scorés de 0 à 3, générant un score total continu théorique s’étendant de 0 à 63 points.

Lorsqu’un tel inventaire est administré à une cohorte saine — par exemple des salariés d’une grande entreprise participant à une étude de dépistage du bien-être au travail —, la très grande majorité des individus ne manifeste aucun symptôme d’allure dépressive. Leurs réponses se concentrent quasi exclusivement sur la note minimale zéro pour chaque item. Il en résulte une distribution empirique des scores totaux caractérisée par une accumulation massive d’observations à la valeur zéro ou dans l’intervalle immédiat de 0 à 3 points, suivie d’une décroissance exponentielle rapide vers les scores plus élevés.

Dans une telle configuration plancher, la moyenne arithmétique est incapable de retranscrire la typicité clinique de l’échantillon. Tirée vers le haut par les quelques salariés en détresse modérée à sévère (obtenant des scores de 25 ou 35), la moyenne globale peut s’établir autour de 6 ou 7 points, créant l’illusion statistique trompeuse que l’ensemble du personnel présente une sub-dépression latente généralisée, alors que plus de 70 % de la cohorte est totalement exempte de tout symptôme dépressif.

10.2 Évaluation de l’efficacité d’une psychothérapie en milieu clinique

Pour mesurer avec une acuité scientifique le retentissement du choix du paramètre de centralité lors de l’évaluation thérapeutique, analysons les résultats d’un essai clinique randomisé évaluant l’efficacité d’une Thérapie Comportementale et Cognitive (TCC) de douze semaines auprès d’une cohorte de douze patients souffrant de Trouble Panique avec Agoraphobie. La sévérité symptomatique est mesurée par l’Échelle de Sévérité du Trouble Panique (PDSS, échelle de 0 à 28) avant l’intervention (Pré-TCC) et à l’issue de celle-ci (Post-TCC).

Patient Pré-TCC (PDSS) Post-TCC (PDSS) Évolution clinique
S01 18 3 Rémission clinique
S02 19 2 Rémission clinique
S03 20 4 Rémission clinique
S04 20 3 Rémission clinique
S05 21 5 Rémission clinique
S06 22 4 Rémission clinique
S07 22 6 Amélioration marquée
S08 23 5 Amélioration marquée
S09 24 6 Amélioration marquée
S10 25 7 Amélioration marquée
S11 26 24 Échec / Résistance au traitement
S12 28 27 Aggravation / Événement de vie critique

Calculons comparativement l’évolution de la tendance centrale avant et après traitement :

1. Évaluation pré-thérapeutique ($n = 12$) :
$$\sum \mathrm{Pré} = 18 + 19 + 20 + 20 + 21 + 22 + 22 + 23 + 24 + 25 + 26 + 28 = 268$$
$$\bar{x}_{\mathrm{Pré}} = \frac{268}{12} = 22{,}33$$
La médiane de la série pré-TCC ordonnée (moyenne des 6e et 7e rangs : 22 et 22) s’établit à :
$$\mathrm{Med}_{\mathrm{Pré}} = 22{,}0$$
Avant la thérapie, la distribution des scores est symétrique et homogène autour d’une sévérité sévère ($\approx 22$).

2. Évaluation post-thérapeutique ($n = 12$) :
Observons la structure clinique post-thérapeutique : dix patients sur douze ont remarquablement répondu au protocole, leurs scores chutant entre 2 et 7 points. En revanche, deux patients (S11 et S12) ont présenté une résistance thérapeutique complète ou une aggravation extérieure, conservant des scores massifs de 24 et 27 points.
$$\sum \mathrm{Post} = 3 + 2 + 4 + 3 + 5 + 4 + 6 + 5 + 6 + 7 + 24 + 27 = 96$$
$$\bar{x}_{\mathrm{Post}} = \frac{96}{12} = 8{,}00$$
Déterminons à présent la médiane post-TCC en triant rigoureusement la série par ordre croissant :
$${2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 24, 27}$$
Les 6e et 7e valeurs centrales sont toutes deux égales à 5. La médiane s’établit donc sans ambiguïté à :
$$\mathrm{Med}_{\mathrm{Post}} = \frac{5 + 5}{2} = 5{,}0$$

3. Évaluation du gain thérapeutique :
Si le comité d’évaluation clinique s’en remet à la moyenne arithmétique, il constate une diminution moyenne de sévérité de $22{,}33 – 8{,}00 = 14{,}33$ points, et conclut que le niveau moyen des patients en post-thérapie ($8{,}0$) se situe encore au-dessus du seuil de rémission fonctionnelle (souvent fixé à $le 5$ sur la PDSS). En revanche, l’évaluation par la médiane révèle une chute spectaculaire de $22{,}0 – 5{,}0 = 17{,}0$ points, démontrant que pour le patient prototypique ayant suivi le protocole, l’intervention a conduit à une normalisation clinique parfaite (score de 5).

La moyenne a été artificiellement tirée vers le haut par les deux patients non-répondeurs, masquant le fait que la psychothérapie a fonctionné de façon exemplaire pour 83 % de la cohorte. En psychologie clinique translationnelle, l’utilisation conjointe de la médiane est indispensable pour isoler le bénéfice thérapeutique typique tout en identifiant parallèlement la sous-fraction des patients résistants qui requièrent un protocole de seconde ligne.

10.3 Interprétation diagnostique et normes psychométriques

L’étalonnage normatif des inventaires cliniques — servant de base aux manuels diagnostiques et aux décisions de prise en charge institutionnelle — requiert un choix métrologique lucide pour éviter l’explosion des faux négatifs ou des faux positifs. Lorsque les données normatives collectées auprès de la population de référence ne suivent pas une loi normale, transformer aveuglément les scores bruts en notes standardisées paramétriques (comme les notes $T$, définies par $T = 50 + 10 \cdot z$) induit une distorsion métrologique majeure.

Sous une asymétrie plancher de type BDI-II, l’écart type d’échantillon est gonflé par la traîne positive, et la moyenne est déportée vers la droite. Par voie de conséquence, un patient modérément symptomatique se verra attribuer un score $z$ artificiellement compressé, pouvant conduire le clinicien à conclure que sa souffrance se situe « dans la moyenne de la population saine », le privant indûment d’une prise en charge précoce.

Pour cette raison fondamentale, la psychométrie moderne privilégie l’étalonnage non paramétrique en rangs percentiles ($P_{10}, P_{25}, P_{50}, P_{75}, P_{90}, P_{95}$) dès lors que la normalité de la distribution fait défaut. Le cinquantième percentile ($P_{50}$), correspondant rigoureusement à la médiane empirique, constitue le véritable point d’ancrage normatif universel. Un rapport d’évaluation neuropsychologique ou psychopathologique rigoureux fonde systématiquement son interprétation sur la position ordinale relative du sujet au sein de ces centiles robustes, s’affranchissant totalement des illusions d’optique générées par la moyenne arithmétique sur des distributions cliniques irrégulières.

11. Conséquences sur l’inférence statistique et les tests d’hypothèses

11.1 Tests paramétriques versus tests fondés sur les rangs

Le dilemme opposant la moyenne à la médiane ne se cantonne pas au registre de la statistique descriptive ; il commande directement le choix de l’armature inférentielle régissant la décision méthodologique globale. La statistique inférentielle classique segmente les tests d’hypothèses en deux paradigmes mathématiquement incompatibles :

  • Le paradigme paramétrique (fondé sur la moyenne) : incarné par le test $t$ de Student et l’ANOVA, il teste l’hypothèse nulle d’égalité stricte des espérances mathématiques entre populations ($H_0 : \mu_1 = \mu_2$). Sa machinerie mathématique repose sur l’hypothèse fondamentale que la variable dépendante est distribuée normalement et que la variance d’échantillonnage est homogène entre les groupes (homoscédasticité).
  • Le paradigme non paramétrique (fondé sur les rangs) : représenté par le test de Wilcoxon-Mann-Whitney (pour échantillons indépendants) ou le test des rangs signés de Wilcoxon (pour mesures répétées). Ce paradigme ne formule aucune hypothèse distributionnelle quant à la métrique de la variable sous-jacente.

Une nuance théorique capitale doit être explicitée ici : le test de Wilcoxon-Mann-Whitney n’est pas, à proprement parler, un simple test d’égalité des médianes d’échantillon. Il teste formellement l’hypothèse de dominance stochastique :

$$H_0 : P(X > Y) = P(Y > X)$$

Ce test n’équivaut à un test d’égalité des médianes pures ($H_0 : \mathrm{Med}_1 = \mathrm{Med}_2$) que sous l’hypothèse additionnelle dite de « translation de forme » (location shift model), postulant que les distributions des deux groupes possèdent exactement la même morphologie géométrique et la même dispersion, et ne diffèrent que par un décalage spatial le long de l’axe des abscisses. Lorsque cette condition de forme similaire est violée, le test de Mann-Whitney évalue la probabilité globale de supériorité d’un rang sur l’autre et non une égalité stricte de médianes discrètes.

11.2 Inflation de l’erreur de type I et dégradation de la puissance statistique

L’application d’un test paramétrique fondé sur la moyenne — tel que le test $t$ de Student — à des données violant gravement le postulat de normalité ou hébergeant des valeurs aberrantes a des répercussions désastreuses sur la validité inférentielle. L’effet de ces violations est double : il corrompt le taux d’erreur de première espèce ($\alpha$) et effondre la puissance statistique ($1 – \beta$).

Lorsqu’une distribution présente des valeurs aberrantes unilatérales, ces observations gonflent considérablement l’écart type d’échantillon $s$, qui intervient au dénominateur de la formule de la statistique $t$ :

$$t = \frac{\bar{x}_1 – \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$$

Ce gonflement artificiel de l’erreur standard d’échantillonnage compresse massivement la valeur observée de la statistique $t$, l’empêchant d’atteindre le seuil critique de rejet bilatéral. Le test devient incapable de détecter une différence expérimentale qui existe pourtant bel et bien dans la majorité centrale de la population. L’efficacité relative asymptotique (ERA) de la moyenne s’effondre dramatiquement : face à des distributions contaminées par seulement 5 % de bruit à queue lourde, la médiane d’échantillon devient statistiquement plus efficace et plus stable que la moyenne arithmétique.

Inversement, dans des scénarios où la non-normalité se conjugue à une hétéroscédasticité des variances conjuguée à des tailles de groupes inégales (inégalité de Welch), le test $t$ conventionnel de Student peut voir son taux réel d’erreur de première espèce exploser, atteignant 20 % ou 30 % au lieu des 5 % théoriques consentis. Le chercheur rejette alors l’hypothèse nulle à tort, prétendant avoir découvert une différence clinique qui n’est qu’un pur artefact mathématique généré par l’instabilité de la moyenne arithmétique face aux queues de distribution.

11.3 Techniques de rééchantillonnage et inférence non paramétrique

Pour s’affranchir des postulats rigides de l’inférence paramétrique tout en conservant la capacité d’estimer des intervalles de confiance rigoureux autour de la médiane — historiquement complexe en raison de l’absence de formule analytique simple pour l’erreur standard de la médiane sur des distributions empiriques arbitraires —, la science contemporaine s’appuie massivement sur les techniques computationnelles de rééchantillonnage (Bootstrapping) introduites par Bradley Efron (1979).

Le bootstrapping non paramétrique procède par tirages successifs avec remise d’effectif $n$ à partir de l’échantillon empirique initial. En répétant cette opération un grand nombre de fois (communément $B = 2000$ à $10000$ itérations), l’algorithme génère la distribution d’échantillonnage empirique de la médiane. À partir de cette distribution rééchantillonnée, le chercheur peut dériver un intervalle de confiance robuste pour la médiane au seuil de 95 % via la méthode des percentiles corrigés du biais et accélérés ($BC_a$) :

$$\mathrm{IC}_{95%} = \left[ \widehat{\mathrm{Med}}^{*}_{(\alpha_1)}, \widehat{\mathrm{Med}}^{*}_{(\alpha_2)} \right]$$

Les études de Monte Carlo démontrent que ces intervalles de confiance bootstrap pour la médiane offrent une couverture empirique largement supérieure à celle des intervalles de Student classiques dès que les données s’écartent de la normalité. Ils garantissent que 95 % des intervalles générés encadrent fidèlement le paramètre populationnel réel, assurant une modélisation inférentielle immunisée contre les aberrations de laboratoire.

12. Guide décisionnel synthétique et protocoles alternatifs pour les chercheurs

12.1 Protocole séquentiel d’exploration des données empiriques

Avant d’initier toute synthèse numérique ou tout test d’hypothèse statistique, le chercheur doit obligatoirement déployer un protocole séquentiel standardisé d’exploration des données (Exploratory Data Analysis, initiée par John Tukey). Ce protocole repose sur une batterie de tests diagnostiques complémentaires :

En premier lieu, l’évaluation formelle de la normalité univariée doit combiner des tests formels d’hypothèse et des métriques morphologiques :

  • Le test de Shapiro-Wilk ($W$) : recommandé pour les échantillons de taille petite à modérée ($n < 50$), il détecte avec une sensibilité élevée toute anomalie dans les rangs d'ordre.
  • Le test d’omnisymétrie de D’Agostino-Pearson ($K^2$) : adapté aux grands échantillons, il décompose spécifiquement l’asymétrie ($g_1$) et l’aplatissement ($g_2$).
  • L’évaluation des ratios d’asymétrie : calculer le ratio entre le coefficient d’asymétrie empirique et son erreur type d’estimation :
    $$Z_{\mathrm{skew}} = \frac{g_1}{\mathrm{SE}_{g_1}} = \frac{g_1}{\sqrt{\frac{6n(n-1)}{(n-2)(n+1)(n+3)}}}$$
    Si la valeur absolue $|Z_{\mathrm{skew}}|$ dépasse $1{,}96$, l’hypothèse de symétrie est rejetée au seuil $\alpha = 0{,}05$. Si $|Z_{\mathrm{skew}}| > 3{,}29$, l’asymétrie est sévère, interdisant le recours isolé à la moyenne arithmétique.

Cette étape calculatoire doit impérativement être validée par l’inspection visuelle conjointe des diagrammes Q-Q plots et des boîtes à moustaches. Aucun algorithme automatique ne saurait suppléer l’œil critique du chercheur pour repérer une structure bimodale ou une concentration anormale de valeurs nulles.

When to use the mean vs. the median
When to use the mean vs. the median

12.2 Arbre décisionnel unifié pour la sélection métrologique

Pour guider le chercheur dans le choix rigoureux entre moyenne arithmétique et médiane, nous formalisons ci-dessous l’arbre décisionnel unifié sous forme de règles de sélection logiques hiérarchisées :

Étape 1 : Qualification du niveau métrologique de l’échelle (Stevens)
— Si la variable est strictement nominale $\rightarrow$ Exclure moyenne et médiane ; rapporter exclusivement le Mode et les fréquences catégorielles.
— Si la variable est strictement ordinale (item de Likert isolé, rangs) $\rightarrow$ Sélectionner impérativement la Médiane (assortie de l’écart interquartile).
— Si la variable est d’intervalles ou de rapports $\rightarrow$ Poursuivre vers l’Étape 2.

Étape 2 : Évaluation morphologique de la distribution
— La distribution est-elle unimodale et symétrique ($|g_1| < 0{,}5$) sans valeurs aberrantes manifestes ?
    • OUI $\rightarrow$ Sélectionner la Moyenne arithmétique (assortie de l’écart type $\sigma$ ou de l’erreur standard SEM). Optimalité et puissance statistique paramétrique maximales.
    • NON $\rightarrow$ Poursuivre vers l’Étape 3.

Étape 3 : Traitement de l’asymétrie et des contaminations
— La distribution présente-t-elle une asymétrie marquée ($|g_1| ge 1{,}0$), un effet plancher/plafond ou des valeurs aberrantes irréductibles ?
    • OUI $\rightarrow$ Sélectionner impérativement la Médiane (assortie de l’IQR ou d’intervalles de confiance bootstrap). Privilégier les tests non paramétriques (Wilcoxon, rééchantillonnage).
    • NON (asymétrie modérée $0{,}5 le |g_1| < 1{,}0$) $\rightarrow$ Envisager les protocoles hybrides de conciliation (Moyennes tronquées, Étape 4) ou rapporter conjointement les deux paramètres descriptivement.

12.3 Stratégies alternatives : moyennes tronquées et winsorisation

Face à la dichotomie parfois trop rigide opposant la moyenne arithmétique à la médiane, l’analyse des statistiques robustes développée par Peter Huber et Rand Wilcox offre des solutions intermédiaires d’une remarquable élégance : la moyenne tronquée (trimmed mean) et la winsorisation.

La moyenne tronquée à $\gamma$ % consiste à trier les observations par ordre croissant, à supprimer purement et simplement une proportion $\gamma$ (usuellement $\gamma = 10%$ ou $20%$) des plus petites et des plus grandes valeurs de l’échantillon, puis à calculer la moyenne arithmétique conventionnelle sur les $(1 – 2\gamma)n$ observations résiduelles centrales. Pour un échantillon ordonné, la moyenne tronquée à 20 % élimine les vingt pour cent inférieurs et les vingt pour cent supérieurs. Cette procédure élimine totalement l’impact destructeur des valeurs aberrantes de laboratoire tout en conservant une fonction d’estimation métrique sur la quasi-totalité de la masse centrale, rétablissant une puissance statistique souvent supérieure à celle de la médiane sur les distributions intermédiaires.

La winsorisation, quant à elle, ne supprime pas les observations extrêmes ; elle les recadre. Dans une winsorisation à 10 %, les valeurs situées sous le dixième percentile sont remplacées par la valeur exacte de ce dixième percentile, et les valeurs situées au-delà du quatre-vingt-dixième percentile sont abaissées à la valeur du quatre-vingt-dixième percentile. La moyenne des données winsorisées permet d’exploiter la totalité de l’effectif sans perte de degrés de liberté tout en jugulant l’effet de levier des contaminations.

En conclusion définitive pour la pratique scientifique contemporaine, les directives de publication méthodologique de l’American Psychological Association (normes APA 7e édition) encouragent vivement le double rapportage transparent des résultats : présenter conjointement la moyenne arithmétique (avec son écart type) et la médiane (avec son écart interquartile). Ce double ancrage permet à la communauté des pairs d’apprécier instantanément la cohérence interne des données : lorsque moyenne et médiane convergent, l’esprit est assuré de la symétrie du phénomène ; lorsqu’elles divergent, cette distance même éclaire la structure asymétrique fondamentale des processus cognitifs, comportementaux ou humains sous-jacents.

Références

Citer cet article

memjavad (2026, septembre 4). Quand utiliser la moyenne par rapport à la médiane (avec des exemples). Base de données de psychologie en français. https://fr.arabpsychology.com/statistics/quand-utiliser-moyenne-vs-mediane-exemples/
memjavad. “Quand utiliser la moyenne par rapport à la médiane (avec des exemples).” Base de données de psychologie en français, 4 septembre 2026, https://fr.arabpsychology.com/statistics/quand-utiliser-moyenne-vs-mediane-exemples/.
memjavad. “Quand utiliser la moyenne par rapport à la médiane (avec des exemples).” Base de données de psychologie en français. septembre 4, 2026. https://fr.arabpsychology.com/statistics/quand-utiliser-moyenne-vs-mediane-exemples/.