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.
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 \(\sigma^2/n\).
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.
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.