Calculateur de distribution de la moyenne d’échantillon
Calculez les probabilités de la moyenne d’échantillon avec le théorème central limite : erreur standard, score z et probabilité exacte en quelques secondes.
Saisissez la moyenne de la population, l’écart-type et la taille d’échantillon, puis choisissez un type de probabilité et indiquez les valeurs de moyenne d’échantillon pour obtenir un résultat instantané.
Calculateur de distribution de la moyenne d’échantillon
Calculez les probabilités de la moyenne d’échantillon avec le théorème central limite : erreur standard, score z et probabilité exacte en quelques secondes.
Calcule la probabilité que la moyenne d’échantillon soit inférieure à une valeur donnée x₁.
À propos du calculateur de distribution de la moyenne d’échantillon
La distribution d’échantillonnage de la moyenne décrit la façon dont la moyenne d’un échantillon aléatoire varie d’un échantillon à l’autre lorsque l’on tire à plusieurs reprises des échantillons de même taille dans la même population. C’est l’un des concepts les plus importants de la statistique inférentielle, car il constitue la base théorique des intervalles de confiance, des tests d’hypothèse et des cartes de contrôle qualité dans presque toutes les disciplines scientifiques et industrielles.
Le théorème central limite (TCL) est le mécanisme qui rend cette distribution utile. Il affirme que, quelle que soit la forme de la distribution de la population, la distribution d’échantillonnage de la moyenne tend vers une distribution normale lorsque la taille d’échantillon n augmente. En pratique, une taille d’échantillon de 30 ou plus est généralement suffisante pour obtenir une excellente approximation. Pour les populations déjà normalement distribuées, le résultat vaut pour toute taille d’échantillon, même très petite.
L’erreur standard de la moyenne (SE) quantifie la dispersion de la distribution d’échantillonnage. Elle est égale à l’écart-type de la population σ divisé par la racine carrée de n : SE = σ / √n. Une taille d’échantillon plus grande réduit la SE, ce qui signifie que les grands échantillons produisent des estimations plus précises de la moyenne de population. C’est l’explication mathématique du fait que doubler une taille d’échantillon divise l’erreur standard par deux, et de la raison pour laquelle les chercheurs collectent davantage de données afin de réduire l’incertitude.
Une fois l’erreur standard connue, toute moyenne d’échantillon x̄ peut être convertie en score z avec z = (x̄ − μ) / SE. Le score z mesure de combien d’erreurs standard x̄ s’écarte de la vraie moyenne de population μ. Comme la distribution d’échantillonnage est approximativement normale, la table de la loi normale standard — ou son équivalent mathématique Φ(z) — donne la probabilité exacte que la moyenne d’échantillon soit inférieure, supérieure ou comprise entre des valeurs spécifiées.
Ce calculateur prend en charge trois types de probabilité. Le premier, P(X̄ < x), donne la probabilité de queue gauche qu’un échantillon aléatoire de taille n ait une moyenne inférieure à x. Le deuxième, P(X̄ > x), donne la probabilité de queue droite (supérieure). Le troisième, P(x₁ < X̄ < x₂), donne la probabilité que la moyenne d’échantillon se situe entre deux valeurs spécifiées, calculée comme la différence entre deux probabilités normales cumulées.
Les usages pratiques couvrent tous les domaines. Un ingénieur qualité surveille si un lot de composants présente une dimension moyenne hors tolérance. Un nutritionniste vérifie si l’apport calorique moyen d’un groupe échantillonné peut plausiblement provenir d’une population de moyenne connue. Un analyste financier estime la probabilité que le rendement journalier moyen sur un trimestre dépasse un seuil. Un chercheur clinicien détermine la probabilité que la réduction moyenne de la pression artérielle dans un échantillon reflète un véritable effet de population. Dans chaque cas, ce calculateur fournit la réponse de probabilité en un seul calcul.
Exemples de distribution d’échantillonnage
Scénarios réels montrant comment utiliser le calculateur de distribution d’échantillonnage.
| Scénario | Probabilité | Interprétation |
|---|---|---|
| μ=80, σ=10, n=30, P(X̄ < 78) | ≈ 13.6% | Notes d’examen : environ 14 % de chances qu’une classe de 30 élèves ait une moyenne inférieure à 78 lorsque la vraie moyenne est 80. |
| μ=1000, σ=50, n=40, P(X̄ > 1010) | ≈ 10.3% | Durée de vie des ampoules : environ 10 % de chances qu’un lot de 40 ampoules ait une durée moyenne supérieure à 1010 heures. |
| μ=3, σ=0.5, n=50, P(2.9 < X̄ < 3.1) | ≈ 84.3% | Tasses de café : 84 % de chances que la moyenne d’échantillon soit à moins de 0.1 tasse de la moyenne de population. |
| μ=0.05, σ=1, n=100, P(X̄ < 0) | ≈ 30.9% | Rendements boursiers : 31 % de chances que le rendement moyen sur 100 jours soit négatif lorsque la vraie moyenne est 0.05 %. |
Comment utiliser le calculateur de distribution d’échantillonnage
- Saisissez la moyenne de population (μ), c’est-à-dire la moyenne connue ou supposée de toute la population.
- Saisissez l’écart-type de population (σ), qui doit être un nombre positif.
- Saisissez la taille d’échantillon (n), le nombre d’observations dans chaque échantillon (entier ≥ 2).
- Choisissez le type de probabilité : P(X̄ < x) pour une queue gauche, P(X̄ > x) pour une queue droite ou P(x₁ < X̄ < x₂) pour une probabilité d’intervalle.
- Saisissez les valeurs de moyenne d’échantillon et cliquez sur Calculer pour voir l’erreur standard, le score z et la probabilité exacte.
FAQ sur la distribution d’échantillonnage
Qu’est-ce que la distribution d’échantillonnage de la moyenne ?
C’est la distribution de probabilité de toutes les moyennes d’échantillon possibles que l’on pourrait obtenir en tirant à plusieurs reprises des échantillons aléatoires de taille n dans une population. Le théorème central limite garantit que cette distribution est approximativement normale pour n grand, avec une moyenne égale à la moyenne de population μ et un écart-type égal à l’erreur standard SE = σ/√n.
Qu’est-ce que l’erreur standard et en quoi diffère-t-elle de l’écart-type ?
L’écart-type (σ) mesure la dispersion des points de données individuels autour de la moyenne de population. L’erreur standard (SE = σ/√n) mesure la dispersion des moyennes d’échantillon autour de μ. La SE diminue lorsque n augmente : les échantillons plus grands donnent des estimations plus précises de la moyenne.
Quand puis-je utiliser ce calculateur ?
Vous pouvez l’utiliser lorsque vous connaissez l’écart-type de population σ et que la taille d’échantillon n est suffisamment grande pour que le théorème central limite s’applique (généralement n ≥ 30). Il est également valable pour tout n lorsque la population est elle-même normalement distribuée. Si σ est inconnu, utilisez plutôt la loi t.
Comment le score z est-il calculé ici ?
Le score z est calculé par z = (x̄ − μ) / SE, où x̄ est la moyenne d’échantillon que vous fournissez, μ est la moyenne de population et SE = σ/√n. Il indique de combien d’erreurs standard votre moyenne d’échantillon cible s’éloigne de la moyenne de population, ce qui permet à la table normale standard de convertir cette distance en probabilité.
Pourquoi une taille d’échantillon plus grande réduit-elle la dispersion des probabilités ?
Parce que SE = σ/√n : doubler n réduit la SE d’un facteur √2 ≈ 1.41. Une SE plus petite signifie que la distribution d’échantillonnage est plus haute et plus étroite : les moyennes d’échantillon se regroupent plus près de μ. Les moyennes extrêmes deviennent donc moins probables et les intervalles de confiance plus courts, ce qui explique pourquoi collecter davantage de données améliore la précision de toute estimation.
Que calcule le mode de probabilité « entre » ?
Le mode entre calcule P(x₁ < X̄ < x₂), c’est-à-dire la probabilité qu’une moyenne d’échantillon aléatoire se situe strictement entre x₁ et x₂. Elle est calculée comme Φ(z₂) − Φ(z₁), où z₁ et z₂ sont les scores z de x₁ et x₂ respectivement. C’est utile pour connaître la probabilité que la moyenne d’échantillon reste dans une plage acceptable autour de la moyenne de population.