Calculateur de distribution d'échantillonnage de proportion
Calculez la moyenne, l'erreur type, la condition de normalité, le score Z et les probabilités cumulées pour la distribution d'échantillonnage de n'importe quelle proportion d'échantillon.
Saisissez la proportion de la population (p) et la taille de l'échantillon (n). Vous pouvez aussi saisir une proportion d'échantillon précise (p̂) pour obtenir le score Z correspondant et la probabilité cumulée.
Calculateur de distribution d'échantillonnage de proportion
Calculez la moyenne, l'erreur type, la condition de normalité, le score Z et les probabilités cumulées pour la distribution d'échantillonnage de n'importe quelle proportion d'échantillon.
À propos de la distribution d'échantillonnage de la proportion
La distribution d'échantillonnage de la proportion est une distribution théorique qui décrit l'ensemble des valeurs possibles de la proportion d'échantillon (p̂) pouvant provenir de tous les échantillons aléatoires possibles de taille fixe n tirés d'une population dont la proportion réelle est p. C'est l'un des concepts les plus fondamentaux des statistiques inférentielles et il sous-tend une grande partie de la méthodologie des enquêtes, des tests d'hypothèse et de la construction d'intervalles de confiance.
La moyenne de la distribution d'échantillonnage est égale à la proportion de la population p. C'est la propriété d'absence de biais : en moyenne, la proportion d'échantillon est égale au paramètre qu'elle estime. L'écart type de la distribution d'échantillonnage — appelé erreur type de la proportion — se calcule par σ(p̂) = √[p(1–p)/n]. Lorsque la taille de l'échantillon n augmente, l'erreur type diminue, ce qui signifie que les grands échantillons produisent des proportions d'échantillon plus étroitement regroupées autour de la vraie valeur p.
D'après le théorème central limite, la distribution d'échantillonnage est approximativement normale à condition que deux critères soient remplis : np ≥ 10 et n(1–p) ≥ 10. Ces conditions garantissent que le nombre de succès et d'échecs dans l'échantillon est suffisamment grand pour que l'approximation normale soit fiable. Lorsque l'une ou l'autre de ces conditions n'est pas remplie — généralement pour de petits échantillons ou des proportions extrêmes proches de 0 ou 1 — il faut utiliser la distribution binomiale à la place.
Lorsqu'une proportion d'échantillon observée p̂ est fournie, le calculateur calcule le score Z, qui mesure combien d'erreurs types séparent p̂ de la moyenne : Z = (p̂ – p) / σ(p̂). Un score Z de grande valeur absolue indique que la proportion d'échantillon observée a peu de chances d'être apparue par hasard sous la proportion de population supposée, ce qui constitue la base des tests d'hypothèse.
La probabilité cumulée P(p̂ < x) donne la probabilité d'observer une proportion d'échantillon inférieure ou égale à x dans un échantillon aléatoire de taille n provenant de la population spécifiée. La probabilité complémentaire P(p̂ > x) donne la probabilité d'observer une proportion supérieure à x. Ensemble, ces valeurs permettent de déterminer à quel point votre proportion d'échantillon observée est extrême par rapport à la distribution théorique.
Ce concept est utilisé dans les sondages (estimer si le niveau de soutien réel d'un candidat dépasse un seuil), le contrôle qualité (déterminer si le taux de défauts d'un lot dépasse une norme acceptable) et la recherche médicale (évaluer si la proportion de patients répondant à un traitement diffère d'une référence historique).
Exemples de distribution d'échantillonnage
Trois scénarios illustrant les calculs de moyenne, d'erreur type, de vérification de normalité et de score Z.
| Paramètres | Résultats clés | Remarques |
|---|---|---|
| p=0.60, n=100, p̂=0.65 | μ=0.60, σ=0.049, Z=1.02, P(<0.65)≈0.846 | Les conditions de normalité sont remplies (np=60, n(1-p)=40). Les 65 % observés sont à environ 1 erreur type au-dessus de la proportion de la population. |
| p=0.50, n=400, p̂=0.53 | μ=0.50, σ=0.025, Z=1.20, P(<0.53)≈0.885 | Un grand échantillon améliore la précision. L'erreur type est divisée par deux lorsque la taille de l'échantillon est quadruplée, ce qui facilite la détection des écarts par rapport à 0.50. |
| p=0.05, n=50 | μ=0.05, σ=0.031, Normalité échouée | np=2.5 < 10, donc la condition de normalité n'est pas remplie. Pour de faibles proportions et de petits échantillons, utilisez plutôt la distribution binomiale exacte. |
Comment utiliser le calculateur de distribution d'échantillonnage
- Saisissez la proportion de la population (p) sous forme décimale comprise entre 0 et 1 (exclus). Il s'agit de la proportion réelle connue ou supposée dans la population.
- Saisissez la taille de l'échantillon (n) sous forme d'entier positif. Elle détermine l'erreur type et indique si la condition de normalité est satisfaite.
- Si besoin, saisissez une proportion d'échantillon (p̂) pour calculer le score Z et les probabilités cumulées P(p̂ < x) et P(p̂ > x).
- Cliquez sur Calculer pour afficher la moyenne, l'erreur type, le résultat de la vérification de normalité et, si p̂ a été renseigné, le score Z et les probabilités.
- Cliquez sur Réinitialiser pour effacer tous les champs et recommencer un nouveau calcul.
FAQ sur la distribution d'échantillonnage de la proportion
Qu'est-ce que l'erreur type de la proportion d'échantillon ?
L'erreur type est l'écart type de la distribution d'échantillonnage et mesure à quel point les proportions d'échantillon varient d'un échantillon à l'autre. Elle vaut √[p(1–p)/n]. Une erreur type plus faible signifie que les proportions d'échantillon sont plus étroitement regroupées autour de la vraie proportion de la population p.
Quand la distribution d'échantillonnage est-elle approximativement normale ?
L'approximation normale est valable lorsque np ≥ 10 et n(1–p) ≥ 10. Si l'une des deux conditions échoue, la distribution est asymétrique et les calculs de probabilité fondés sur l'approximation normale seront inexacts. Dans ce cas, utilisez la distribution binomiale exacte pour des probabilités précises.
Comment l'augmentation de la taille de l'échantillon affecte-t-elle la distribution ?
Augmenter n réduit l'erreur type proportionnellement à 1/√n, ce qui resserre la distribution d'échantillonnage. La moyenne reste égale à p quelle que soit la taille de l'échantillon. Une distribution plus étroite signifie que les proportions d'échantillon sont plus susceptibles d'être proches de la vraie proportion de la population, ce qui rend l'estimation et l'inférence plus précises.
Que signifie un score Z de 2 pour une proportion d'échantillon ?
Un score Z de 2 signifie que la proportion d'échantillon observée p̂ se trouve à 2 erreurs types au-dessus de la proportion de la population p. Sous l'approximation normale, la probabilité d'observer un score Z aussi grand ou plus grand purement par hasard est d'environ 2,3 % (unilatéral). C'est une preuve forte, mais non concluante, contre la proportion de population hypothétisée.
Ce calculateur peut-il traiter des proportions proches de 0 ou 1 ?
Le calculateur fournira quand même les résultats, mais indiquera que la condition de normalité n'est pas remplie lorsque np < 10 ou n(1–p) < 10. Pour des proportions extrêmes (par exemple p = 0.02 ou p = 0.98), la distribution d'échantillonnage est asymétrique et il faut utiliser la distribution binomiale pour des calculs de probabilité précis.
Quelle est la différence entre l'écart type et l'erreur type de la proportion ?
L'écart type de population d'une variable binaire mesure la variabilité au sein des observations individuelles : σ = √[p(1–p)]. L'erreur type de la proportion mesure la variabilité des proportions d'échantillon d'un échantillon répété à l'autre : σ(p̂) = √[p(1–p)/n]. L'erreur type est plus petite d'un facteur 1/√n, ce qui reflète l'effet de moyenne obtenu par plusieurs observations.