Calculateur du théorème central limite

Calculateur du théorème central limite

En croissance AI Skill PRO

Entrez le calcul

Formule

μx‾=Moyenne (μ)SE=SD (σ)Taille de l'échantillon (n)σx‾2=SD (σ)2Taille de l'échantillon (n)\mu_{\bar{x}} = {{\text{Moyenne }(\mu)}} \qquad SE = \frac{{{\text{SD }(\sigma)}}}{\sqrt{{{\text{Taille de l'échantillon }(n)}}}} \qquad \sigma_{\bar{x}}^{2} = \frac{{{\text{SD }(\sigma)}}^{2}}{{{\text{Taille de l'échantillon }(n)}}}
Statistiques d'utilisation

Publicité

Résultats

Erreur-type de la moyenne d'échantillon
2,5
Moyenne de la distribution d'échantillonnage (μ_x̄) 100
Variance de la moyenne d'échantillon (σ²/n) 6,25

Signaler une erreur sur cette page

Qu'est-ce que le théorème central limite ?

Le théorème central limite (TCL) est l'un des piliers de la statistique. Il affirme que, lorsque l'on prélève de façon répétée des échantillons aléatoires de taille n dans une population quelconque de moyenne \(\mu\) et d'écart-type \(\sigma\), la distribution des moyennes d'échantillon tend vers une loi normale à mesure que n augmente — et ce, quelle que soit la forme de la population d'origine. Ce calculateur vous fournit les deux paramètres essentiels de cette distribution d'échantillonnage : sa moyenne et son erreur-type.

Une distribution de population asymétrique avec des flèches vers trois distributions d'échantillonnage en cloche qui se resserrent à mesure que la taille de l'échantillon augmente
À mesure que la taille de l'échantillon augmente, la distribution d'échantillonnage de la moyenne devient plus normale et plus étroite, quelle que soit la forme de la population.

Comment utiliser ce calculateur

Saisissez la moyenne de la population (\(\mu\)), son écart-type (\(\sigma\)) et la taille de votre échantillon (n). L'outil renvoie la moyenne de la distribution d'échantillonnage (égale à \(\mu\)), l'erreur-type de la moyenne (ET) et la variance de la moyenne d'échantillon (\(\sigma^2/n\)). Une règle empirique répandue veut qu'à partir de \(n \geq 30\), l'approximation normale devienne fiable.

La formule expliquée

Le TCL nous apprend deux choses sur la distribution d'échantillonnage de la moyenne. D'abord, son centre coïncide avec celui de la population :

$$\mu_{\bar{x}} = \text{Mean }(\mu)$$

Ensuite, sa dispersion diminue à mesure que les échantillons grandissent :

$$SE = \frac{\text{SD }(\sigma)}{\sqrt{\text{Sample size }(n)}}$$

Comme la division par \(\sqrt{n}\) réduit la variabilité, des échantillons plus grands fournissent des estimations plus précises de la vraie moyenne. La variance de la moyenne d'échantillon n'est autre que le carré de l'erreur-type, soit \(\sigma^2/n\).

Publicité
Formule de l'erreur type affichée comme sigma divisé par la racine carrée de n, avec une courbe large qui se resserre quand n augmente
L'erreur type diminue à mesure que la taille de l'échantillon n augmente.

Exemple concret

Supposons une population de moyenne \(\mu = 100\) et d'écart-type \(\sigma = 15\), dans laquelle on prélève des échantillons de taille \(n = 36\). On obtient alors \(\mu_{\bar{x}} = 100\) et $$SE = \frac{15}{\sqrt{36}} = \frac{15}{6} = 2{,}5$$ La variance de la moyenne d'échantillon vaut $$\frac{15^2}{36} = \frac{225}{36} = 6{,}25$$ Les moyennes d'échantillon se regroupent donc étroitement autour de 100, avec une erreur-type de seulement 2,5.

Comment la taille de l'échantillon modifie l'erreur type

Le tableau fixe la moyenne de la population à \(\mu = 100\) et l'écart type de la population à \(\sigma = 15\). Il montre comment l'erreur type \(SE = \sigma/\sqrt{n}\) et la variance de la moyenne échantillonnale \(\sigma^2/n\) diminuent lorsque la taille de l'échantillon \(n\) augmente. La moyenne de la distribution d'échantillonnage reste égale à \(\mu_{\bar{x}} = 100\) pour chaque \(n\).

Taille de l'échantillon n Moyenne des moyennes échantillonnales SE = σ/√n Variance σ²/n
1 100 15 225
4 100 7.5 56.25
9 100 5 25
25 100 3 9
36 100 2.5 6.25
100 100 1.5 2.25
400 100 0.75 0.5625

Comme \(SE\) dépend de \(\sqrt{n}\), multiplier la taille de l'échantillon par quatre divise l'erreur type par deux. Par exemple, passer de \(n = 9\) à \(n = 36\) fait passer \(SE\) de 5 à 2.5, et passer de \(n = 25\) à \(n = 100\) le fait passer de 3 à 1.5. Gagner chaque degré de précision supplémentaire coûte donc progressivement plus de données.

Interpréter l'erreur type et la distribution d'échantillonnage

Pour un échantillon aléatoire suffisamment grand, le théorème central limite (TCL) affirme que la distribution d'échantillonnage de \(\bar{x}\) est approximativement normale, de moyenne \(\mu\) et d'écart type \(SE = \sigma/\sqrt{n}\). Une fois cette approximation valable, la règle empirique s'applique aux moyennes échantillonnales :

  • Environ 68% des moyennes échantillonnales se situent dans un intervalle de ±1 SE autour de \(\mu\).
  • Environ 95% se situent dans un intervalle de ±2 SE autour de \(\mu\).
  • Environ 99.7% se situent dans un intervalle de ±3 SE autour de \(\mu\).

Exemple : avec \(\mu = 100\), \(\sigma = 15\) et \(n = 36\), \(SE = 15/\sqrt{36} = 15/6 = 2.5\). Alors :

  • ±1 SE : environ 97.5 à 102.5 (≈68% des moyennes échantillonnales)
  • ±2 SE : environ 95 à 105 (≈95%)
  • ±3 SE : environ 92.5 à 107.5 (≈99.7%)

Erreur type et écart type. L'écart type \(\sigma\) mesure la dispersion des valeurs individuelles dans la population. L'erreur type mesure la dispersion des moyennes échantillonnales d'un échantillon à l'autre. SE est toujours inférieure à \(\sigma\) lorsque \(n > 1\), et elle diminue quand \(n\) augmente, alors que \(\sigma\) ne change pas avec \(n\).

Ce que le TCL ne dit pas. Il décrit la distribution des moyennes échantillonnales, et non celle des observations individuelles. Les valeurs individuelles restent aussi dispersées et aussi asymétriques que la population. Avec 36 observations, les scores individuels varient toujours avec \(\sigma = 15\), mais leur moyenne ne varie qu'avec \(SE = 2.5\). La rapidité avec laquelle l'approximation devient bonne dépend de la forme de la population : les populations fortement asymétriques nécessitent un \(n\) plus grand. Une règle empirique courante est \(n \ge 30\), mais ce n'est qu'une indication.

Publicité

Termes et symboles clés

Moyenne de la population (μ)
La moyenne de toutes les valeurs de la population. C'est aussi la moyenne de la distribution d'échantillonnage de \(\bar{x}\).
Écart type de la population (σ)
Mesure de la variation des valeurs individuelles de la population autour de \(\mu\).
Taille de l'échantillon (n)
Le nombre d'observations indépendantes dans chaque échantillon.
Moyenne échantillonnale (x̄)
La moyenne des \(n\) observations d'un échantillon, \(\bar{x} = \frac{1}{n}\sum x_i\). Elle varie d'un échantillon à l'autre.
Distribution d'échantillonnage
La distribution d'une statistique, ici \(\bar{x}\), sur tous les échantillons possibles de taille \(n\) tirés de la population.
Erreur type (SE)
L'écart type de la distribution d'échantillonnage de la moyenne : \(SE = \sigma/\sqrt{n}\).
Variance de la moyenne échantillonnale
Le carré de l'erreur type : \(\sigma^2/n\).
Hypothèse d'indépendance / d'échantillonnage aléatoire
Les formules supposent que les observations sont tirées au hasard et de manière indépendante (ou que l'échantillon représente une petite fraction d'une grande population). Un échantillonnage biaisé ou dépendant peut rendre la formule de l'erreur type fausse, et le TCL peut ne pas s'appliquer. La population doit aussi avoir une variance finie.

FAQ

La population doit-elle suivre une loi normale ? Non. C'est précisément toute la puissance du TCL : pour un n suffisamment grand, la distribution d'échantillonnage de la moyenne est approximativement normale, même si la population est asymétrique.

Quelle taille d'échantillon est « suffisamment grande » ? On retient généralement le seuil \(n \geq 30\), sachant que des populations très asymétriques peuvent en exiger davantage.

Pourquoi l'erreur-type diminue-t-elle quand l'échantillon grandit ? En moyennant un plus grand nombre d'observations, on neutralise le bruit aléatoire : l'estimation de la moyenne devient ainsi plus stable à mesure que n augmente.

Dernière mise à jour:

Les plus populaires dans Mathématiques et statistiques

Voir toutes les calculatrices de Mathématiques et statistiques