Calculatrice de la distribution de la moyenne
Calculez les probabilités de la moyenne d’échantillon grâce au théorème central limite — trouvez l’erreur standard, le score z et la 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 la ou les valeurs de moyenne d’échantillon pour obtenir un résultat instantané.
Calculatrice de la distribution de la moyenne
Calculez les probabilités de la moyenne d’échantillon grâce au théorème central limite — trouvez l’erreur standard, le score z et la probabilité exacte en quelques secondes.
Calcule la probabilité que la moyenne d’échantillon soit inférieure à une valeur x₁ donnée.
À propos de la calculatrice de la distribution de la moyenne
La distribution d’échantillonnage de la moyenne décrit comment la moyenne d’un échantillon aléatoire varie d’un échantillon à l’autre lorsque l’on tire à répétition des échantillons de même taille à partir de la même population. C’est l’un des concepts les plus importants de la statistique inférentielle, car c’est le fondement théorique des intervalles de confiance, des tests d’hypothèses et des cartes de contrôle de qualité dans presque toutes les disciplines scientifiques et industrielles.
Le théorème central limite (TCL) rend cette distribution exploitable. Le TCL affirme que, quelle que soit la forme de la distribution de la population, la distribution d’échantillonnage de la moyenne tend vers une loi normale lorsque la taille d’échantillon n augmente. En pratique, une taille d’échantillon de 30 ou plus suffit généralement pour une excellente approximation. Si la population est déjà normalement distribuée, le résultat vaut pour n’importe quelle 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 rend SE plus petite, ce qui signifie que les grands échantillons fournissent des estimations plus précises de la moyenne de la population. C’est l’explication mathématique du fait que doubler la taille d’échantillon réduit l’erreur standard d’un facteur √2, et de la raison pour laquelle les chercheurs investissent dans davantage de données pour réduire l’incertitude.
Une fois l’erreur standard connue, n’importe quelle moyenne d’échantillon x̄ peut être convertie en score z à l’aide de z = (x̄ − μ) / SE. Le score z mesure le nombre d’erreurs standard séparant x̄ de la vraie moyenne de la population μ. Comme la distribution d’échantillonnage est (approximativement) normale, la table de la loi normale standard — ou son équivalent mathématique Φ(z) — fournit la probabilité exacte que la moyenne d’échantillon soit inférieure, supérieure ou comprise entre des valeurs données.
Cette calculatrice prend en charge trois types de probabilités. La première, P(X̄ < x), donne la probabilité de queue gauche qu’un échantillon aléatoire de taille n ait une moyenne inférieure à x. La deuxième, P(X̄ > x), donne la probabilité de queue droite. La troisième, P(x₁ < X̄ < x₂), donne la probabilité que la moyenne d’échantillon se situe entre deux valeurs spécifiées, calculée comme la différence de deux probabilités normales cumulées.
Les usages pratiques couvrent tous les domaines. Un ingénieur qualité peut vérifier si la moyenne d’un lot de pièces est hors tolérance. Un nutritionniste peut contrôler si la moyenne calorique d’un groupe échantillonné provient vraisemblablement d’une population connue. Un analyste financier peut estimer la probabilité que le rendement quotidien moyen sur un trimestre dépasse un seuil. Un chercheur clinique peut déterminer si la baisse moyenne de la pression artérielle dans un échantillon reflète un véritable effet de population. Dans chaque cas, cette calculatrice fournit la réponse probabiliste en un seul calcul.
Exemples de distribution d’échantillonnage
Scénarios concrets montrant comment utiliser la calculatrice de distribution d’échantillonnage.
| Scénario | Probabilité | Interprétation |
|---|---|---|
| μ=80, σ=10, n=30, P(X̄ < 78) | ≈ 13.6% | Notes d’examen : il y a environ 14 % de chances qu’une classe de 30 étudiants 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 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 se situe à 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 de 0.05 %. |
Comment utiliser la calculatrice de distribution d’échantillonnage
- Saisissez la moyenne de la population (μ), c’est-à-dire la moyenne connue ou supposée de l’ensemble de la population.
- Saisissez l’écart-type de la population (σ), qui doit être un nombre positif.
- Saisissez la taille d’échantillon (n), le nombre d’observations dans chaque échantillon, en 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 la ou les moyennes 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 obtenues en tirant de manière répétée des échantillons aléatoires de taille n à partir d’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 données individuelles autour de la moyenne de la population. L’erreur standard (SE = σ/√n) mesure la dispersion des moyennes d’échantillon autour de μ. SE diminue quand n augmente : plus l’échantillon est grand, plus l’estimation de la moyenne est précise.
Quand puis-je utiliser cette calculatrice ?
Vous pouvez l’utiliser dès que vous connaissez l’écart-type de la population σ et que la taille n est suffisamment grande pour appliquer le théorème central limite (généralement n ≥ 30). Elle est aussi valide pour tout n lorsque la population est elle-même normalement distribuée. Si σ est inconnu, il faut utiliser la loi t à la place.
Comment le score z est-il calculé ici ?
Le score z est calculé avec z = (x̄ − μ) / SE, où x̄ est la moyenne d’échantillon que vous fournissez, μ est la moyenne de la population et SE = σ/√n. Il indique combien d’erreurs standard séparent votre moyenne cible de la moyenne de la population, ce qui permet de convertir cette distance en probabilité à l’aide de la loi normale standard.
Pourquoi une taille d’échantillon plus grande réduit-elle la dispersion des probabilités ?
Parce que SE = σ/√n, doubler n réduit SE d’un facteur √2. Un SE plus petit signifie une distribution d’échantillonnage plus haute et plus étroite, où les moyennes d’échantillon se regroupent davantage autour de μ. Les moyennes extrêmes deviennent donc moins probables, et les intervalles de confiance plus courts, ce qui explique pourquoi davantage de données améliore la précision de toute estimation.
Que calcule le mode de probabilité 'between' ?
Le mode between 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 respectivement les scores z de x₁ et x₂. C’est utile lorsque vous voulez savoir si la moyenne d’échantillon reste dans une plage acceptable autour de la moyenne de la population.