Qu'est-ce que la distribution d'échantillonnage de la moyenne ?
Lorsque vous prélevez à plusieurs reprises des échantillons aléatoires de taille n dans une population et que vous calculez la moyenne de chacun, ces moyennes forment à leur tour une distribution : la distribution d'échantillonnage de la moyenne. Ce calculateur en détermine le centre (la moyenne) et la dispersion (l'erreur type) à partir de trois données : la moyenne de la population \(\mu\), l'écart type de la population \(\sigma\) et la taille de l'échantillon \(n\).
Comment utiliser ce calculateur
Saisissez la moyenne de la population (\(\mu\)), l'écart type de la population (\(\sigma\)) et la taille de votre échantillon (\(n\)). L'outil renvoie la moyenne de la distribution d'échantillonnage (\(\mu_{\bar{x}}\)), l'erreur type (\(\sigma_{\bar{x}}\)) et la variance de la moyenne d'échantillon (\(\sigma_{\bar{x}}^{2}\)). L'erreur type indique dans quelle mesure les moyennes d'échantillon s'écartent généralement de la véritable moyenne de la population.
La formule expliquée
La moyenne de la distribution d'échantillonnage est toujours égale à la moyenne de la population : \(\mu_{\bar{x}} = \mu\). La dispersion, elle, diminue à mesure que les échantillons grandissent :
$$\sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}}$$Comme on divise par la racine carrée de \(n\), doubler la taille de l'échantillon ne réduit pas l'erreur type de moitié : il faut quadrupler \(n\) pour diviser l'erreur type par deux. D'après le théorème central limite, pour un grand \(n\) cette distribution est approximativement normale, quelle que soit la forme de la population.
Exemple résolu
Supposons que \(\mu = 100\), \(\sigma = 15\) et \(n = 25\). On a alors \(\mu_{\bar{x}} = 100\) et
$$\sigma_{\bar{x}} = \frac{15}{\sqrt{25}} = \frac{15}{5} = 3$$La variance vaut \(\sigma_{\bar{x}}^{2} = 3^{2} = 9\). Les moyennes d'échantillons de 25 observations se regroupent donc autour de 100 avec une erreur type de 3.
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 \(\sigma = 15\), puis fait varier la taille de l'échantillon \(n\). La moyenne de la distribution d'échantillonnage reste égale à 100 dans chaque ligne. Seule la dispersion change.
| Taille de l'échantillon n | Erreur type \(\sigma/\sqrt{n}\) | Variance \(\sigma^2/n\) | ET en rapport à σ |
|---|---|---|---|
| 1 | 15 | 225 | 1 |
| 4 | 7,5 | 56,25 | 0,5 |
| 9 | 5 | 25 | 0,3333 |
| 25 | 3 | 9 | 0,2 |
| 100 | 1,5 | 2,25 | 0,1 |
| 400 | 0,75 | 0,5625 | 0,05 |
Le rapport de l'erreur type à σ est égal à \(1/\sqrt{n}\). En raison de la racine carrée, quadrupler la taille de l'échantillon divise l'erreur type par deux : en passant de n = 1 à 4, de 4 à 16 (ou de 25 à 100, de 100 à 400), l'erreur type est divisée par deux à chaque fois. La réduire au dixième exige 100 fois plus d'observations ; collecter davantage de données présente donc des rendements décroissants.
Interpréter l'erreur type
L'erreur type \(\sigma_{\bar{x}} = \sigma/\sqrt{n}\) mesure à quel point les moyennes d'échantillons varient d'un échantillon à l'autre. Si la distribution d'échantillonnage de \(\bar{x}\) est approximativement normale (grâce au théorème central limite, ou parce que la population elle-même est normale), alors environ :
- 68 % des moyennes d'échantillons se situent à moins de 1 erreur type de μ,
- 95 % se situent à moins de 2 erreurs types (plus précisément, 1,96),
- 99,7 % se situent à moins de 3 erreurs types.
Exemple : avec \(\mu = 100\) et \(\sigma_{\bar{x}} = 3\) (par exemple σ = 15 et n = 25) :
| Couverture | Intervalle | Plage des moyennes d'échantillons |
|---|---|---|
| ≈ 68 % | \(100 \pm 1(3)\) | 97 à 103 |
| ≈ 95 % | \(100 \pm 2(3)\) | 94 à 106 |
| ≈ 99,7 % | \(100 \pm 3(3)\) | 91 à 109 |
Erreur type et écart type. L'écart type de la population σ décrit la façon dont les valeurs individuelles varient autour de μ. L'erreur type décrit la façon dont les moyennes d'échantillons varient autour de μ. Elle est toujours plus petite que σ lorsque n > 1, et elle diminue lorsque n augmente.
Normalité et taille de l'échantillon. Une règle empirique courante indique que n ≥ 30 suffit pour que la distribution d'échantillonnage de la moyenne soit approximativement normale. Il ne s'agit que d'une indication : pour des populations à peu près symétriques, une valeur de n plus petite peut suffire, tandis que pour des populations fortement asymétriques ou à queues lourdes, il peut en falloir beaucoup plus.
Populations finies. La formule σ/√n suppose un échantillonnage avec remise ou une population très grande. Lorsque l'échantillonnage se fait sans remise et que l'échantillon représente plus d'environ 5 % d'une population de taille N, l'erreur type est multipliée par le facteur de correction pour population finie \(\sqrt{\frac{N-n}{N-1}}\), qui la réduit. Ce calculateur n'applique pas cette correction.
Termes et symboles clés
- Moyenne de la population (μ) : la moyenne de toutes les valeurs de la population.
- Écart type de la population (σ) : la distance typique des valeurs individuelles par rapport à μ dans la population.
- Taille de l'échantillon (n) : le nombre d'observations dans chaque échantillon.
- Moyenne de l'échantillon (x̄) : la moyenne des n observations d'un échantillon ; elle varie d'un échantillon à l'autre.
- Distribution d'échantillonnage : la distribution de probabilité d'une statistique (ici x̄) sur tous les échantillons possibles de taille n tirés de la population.
- Moyenne de la distribution d'échantillonnage (\(\mu_{\bar{x}}\)) : la valeur espérée de x̄, qui est égale à μ ; la moyenne de l'échantillon est donc un estimateur sans biais de μ.
- Erreur type (\(\sigma_{\bar{x}}\)) : l'écart type de la distribution d'échantillonnage de x̄, égal à \(\sigma/\sqrt{n}\).
- Variance de la moyenne de l'échantillon (\(\sigma_{\bar{x}}^2\)) : le carré de l'erreur type, soit \(\sigma^2/n\).
- Théorème central limite : pour des observations indépendantes issues d'une population à variance finie, la distribution d'échantillonnage de x̄ tend vers une loi normale lorsque n augmente, quelle que soit la forme de la population.
FAQ
Pourquoi l'erreur type diminue-t-elle avec des échantillons plus grands ? Des échantillons plus grands lissent les fluctuations aléatoires : leurs moyennes se resserrent davantage autour de la véritable moyenne.
La population doit-elle suivre une loi normale ? Pas pour les formules présentées ici. La moyenne et l'erreur type sont exactes pour n'importe quelle population. La normalité de la distribution d'échantillonnage n'est qu'approximative et n'apparaît que pour un grand \(n\), grâce au théorème central limite.
Et si je ne dispose que de l'écart type de l'échantillon ? Si \(\sigma\) est inconnu, utilisez l'écart type de l'échantillon \(s\) comme estimation ; l'erreur type devient alors \(s/\sqrt{n}\), souvent associée à la loi de Student (loi t).