Si on te donne 55 % d’intentions de vote après un sondage, tu te doutes bien que le vrai score dans toute la population ne vaut pas exactement 55,000 %. Un seul échantillon, c’est une photo floue. L’intervalle de confiance remet la netteté : il fournit la fourchette des valeurs vraiment plausibles, avec un risque d’erreur contrôlé.
Dans cet article, on pose les bases, on compare les formules, on manipule les leviers qui jouent sur la largeur, et surtout, on met en pratique avec trois exercices corrigés. À la fin, calculer et interpréter un intervalle de confiance sera un réflexe.
Pour te faire gagner du temps, teste notre calculateur ci-dessous. En deux clics, il te donnera l’intervalle de confiance et son interprétation.
Calculateur d’intervalle de confiance
Comment l’intervalle de confiance traduit l’incertitude d’une estimation ?
Quand tu observes un échantillon, tu obtiens une estimation ponctuelle : une proportion, une moyenne. Mais il est presque impossible qu’elle tombe pile sur la vraie valeur de la population. L’intervalle de confiance remplace ce point unique par une plage de valeurs probables, associée à un niveau de confiance – très souvent 95 %.
Concrètement, la méthode s’appuie sur la loi normale : si tu pouvais répéter l’échantillonnage une infinité de fois, les estimations se répartiraient en cloche autour de la vraie valeur.
L’intervalle encadre alors le paramètre inconnu avec une marge d’erreur qui dépend de la variabilité et de la taille de l’échantillon. Pour visualiser l’idée, pense à un jeu de fléchettes : l’estimation ponctuelle, c’est la fléchette que tu viens de lancer. L’intervalle de confiance, c’est le cercle que tu traces autour, assez large pour que, sur cent lancers dans les mêmes conditions, quatre-vingt-quinze fléchettes y atterrissent. Passons maintenant à ce qui change quand on choisit un autre niveau de sécurité.
Les trois niveaux de confiance à connaître pour le bac (et au-delà)
Plus tu veux être sûr de capturer la vraie valeur, plus ton intervalle doit s’élargir. Inversement, accepter un peu plus de risque réduit la fourchette. Le tableau ci-dessous compare les trois niveaux qu’on croise le plus souvent en cours et dans les applications.
| Niveau de confiance | Coefficient z* (valeur critique) | Largeur relative par rapport à 95 % | Interprétation pratique | Usages typiques |
|---|---|---|---|---|
| 90 % | 1,645 | Environ 16 % plus étroit | Intervalle plus serré, mais une chance sur dix de rater la cible. | Études de marché exploratoires, contrôle qualité rapide. |
| 95 % | 1,96 | Référence | Bon compromis entre précision et sécurité. | Sondages d’opinion, essais biologiques classiques, sujets du bac. |
| 99 % | 2,576 | Environ 35 % plus large | Très conservateur, très large. On sacrifie la précision pour une quasi-certitude. | Essais cliniques décisifs, contrôle de sécurité aéronautique. |
Derrière ces choix se cache le risque alpha : c’est la probabilité, fixée à l’avance, que l’intervalle ne contienne pas la vraie valeur. Alpha vaut ici 10 %, 5 % ou 1 %. Une fois le niveau fixé, reste à trouver la formule adaptée à ta situation.
La boîte à outils : quelle formule pour quel cas ?
Avant de te lancer dans les calculs, pose-toi trois questions simples. L’arbre de décision ci-dessous t’évitera de mélanger les formules.
- Tu cherches une proportion (pourcentage, fréquence) ? → Conditions vérifiées, tu utilises la formule basée sur la loi binomiale.
- Tu cherches une moyenne et l’écart-type de la population est connu (cas d’école ou grand échantillon) ? → Formule avec z* et σ.
- Tu cherches une moyenne mais l’écart-type est inconnu et estimé par l’échantillon ? → Direction la loi de Student.
Voyons maintenant chaque cas dans le détail.
Cas d’une proportion : la formule basée sur la loi binomiale
Quand tu disposes d’une fréquence observée p̂ sur un échantillon de taille n, avec n suffisamment grand et les deux produits n × p̂ et n × (1 – p̂) valant au moins 5, l’intervalle s’écrit :
IC = p̂ ± z* × √[ p̂(1 – p̂) / n ]
Ici, z* est la valeur critique correspondant au niveau de confiance choisi. La racine carrée représente l’erreur type estimée de la proportion. Comme la vraie proportion p reste inconnue, on l’estime par p̂. Exemple rapide : sur 200 lycéens interrogés, 120 déclarent réviser plus de deux heures par jour. Tu obtiens p̂ = 0,60. Avec 95 % de confiance, la marge d’erreur atteint 1,96 × √(0,60 × 0,40 / 200) ≈ 0,068. L’intervalle s’étend donc de 53,2 % à 66,8 %.
Moyenne avec écart-type connu (population gaussienne ou grand échantillon)
Quand l’écart-type σ de la population est connu – situation rare hors des manuels, mais essentielle pour assimiler la mécanique –, l’intervalle de confiance d’une moyenne X̄ se construit ainsi :
IC = X̄ ± z* × (σ / √n)
La quantité σ / √n s’appelle l’erreur type de la moyenne. Plus n est élevé, plus elle diminue, ce qui resserre l’intervalle. Le théorème central limite garantit que cette formule reste valable dès que n ≥ 30, même sans distribution gaussienne des données. Imaginons un lot de 60 tablettes dont la masse moyenne mesurée est 502 g. Si le fabricant indique un écart-type de 5 g, l’erreur type vaut 5 / √60 ≈ 0,645 g. La marge d’erreur à 95 % est 1,96 × 0,645 ≈ 1,26 g, d’où un intervalle de [500,74 g ; 503,26 g].
Moyenne avec écart-type inconnu : l’indispensable loi de Student
En réalité, on ne connaît presque jamais l’écart-type de la population. On le remplace alors par l’écart-type corrigé s de l’échantillon, ce qui introduit une incertitude supplémentaire. L’intervalle utilise la loi de Student :
IC = X̄ ± t* × (s / √n)
Le coefficient t* dépend non seulement du niveau de confiance, mais aussi du nombre de degrés de liberté (n – 1). Pour un petit échantillon, t* est plus grand que le z* correspondant, ce qui élargit l’intervalle par rapport au cas où σ serait connu. Dès que n dépasse une trentaine, t* se rapproche de z*. En pratique, tu lis la valeur t* dans une table de Student en croisant la ligne (n – 1) et la colonne du risque alpha. La bonne nouvelle, c’est qu’une fois la formule posée, les trois leviers qui suivent fonctionnent de la même manière pour tous les intervalles.
Trois leviers pour affiner la largeur de l’intervalle de confiance
Un intervalle trop large donne une information floue. Trop étroit, il risque de rater la cible. Tu peux jouer sur trois tableaux pour ajuster la précision.
1. Augmenter la taille de l’échantillon
C’est le levier le plus direct. Doubler n ne divise pas la marge d’erreur par deux, mais par √2, soit environ 1,4. Par exemple, passer de 100 à 400 observations réduit l’erreur type de moitié. L’inconvénient, c’est le coût en temps ou en argent. En pratique, on cherche la taille minimale qui donne une précision acceptable.
2. Réduire la variabilité des données
Si la population étudiée est plus homogène, l’écart-type diminue, et l’intervalle se resserre mécaniquement. Mesurer la pointure des joueurs d’une équipe de basket donne un intervalle plus étroit que mesurer celle d’un public varié. Malheureusement, on ne contrôle pas toujours cette variabilité. Ce levier dépend surtout de la façon dont on constitue l’échantillon.
3. Ajuster le niveau de confiance
Revois le tableau de la section précédente : descendre de 95 % à 90 % de confiance réduit la largeur d’environ 16 %, parce qu’on remplace 1,96 par 1,645. Ce choix a du sens quand le coût d’une erreur est faible, par exemple pour un sondage indicatif. À l’inverse, pour un essai clinique, on conservera un niveau élevé malgré un intervalle plus large. Tout est question d’arbitrage entre sécurité et précision.
Mise en pratique : 3 exercices corrigés pas à pas
Place à l’entraînement avec trois situations types, de difficulté progressive. Les corrigés détaillent chaque étape pour que tu puisses reproduire la méthode sur n’importe quel énoncé.
Exercice 1 – Sondage : intervalle de confiance d’une proportion
Énoncé : Un sondage réalisé auprès de 1 000 électeurs donne 55 % d’intentions de vote pour le candidat A. Détermine l’intervalle de confiance à 95 % de la proportion réelle dans la population.
Corrigé
- Conditions : p̂ = 0,55 ; n = 1 000 ; n × p̂ = 550 ≥ 5 et n × (1 – p̂) = 450 ≥ 5 → conditions de validité remplies.
- Erreur type : √[ 0,55 × 0,45 / 1000 ] ≈ 0,01573.
- Marge d’erreur : z* = 1,96 pour 95 % → marge = 1,96 × 0,01573 ≈ 0,0308.
- Intervalle : [0,55 – 0,0308 ; 0,55 + 0,0308] = [0,5192 ; 0,5808], soit entre 51,9 % et 58,1 %.
- Interprétation : Si l’on répétait le sondage 100 fois dans les mêmes conditions, 95 des intervalles construits contiendraient la vraie proportion d’intentions de vote.
Exercice 2 – Poids de raisins : moyenne avec écart-type connu
Énoncé : Un vigneron prélève 50 grappes. Le poids moyen observé est de 2,3 kg. L’écart-type de la population est connu, égal à 0,2 kg. Construis l’intervalle de confiance à 95 % du poids moyen réel des grappes.
Corrigé
- Erreur type : σ / √n = 0,2 / √50 ≈ 0,0283 kg.
- Valeur critique : 1,96 pour 95 %.
- Marge d’erreur : 1,96 × 0,0283 ≈ 0,0555 kg.
- Intervalle : [2,3 – 0,0555 ; 2,3 + 0,0555] = [2,2445 kg ; 2,3555 kg].
- Interprétation : On peut affirmer, avec 95 % de confiance, que le poids moyen de l’ensemble des grappes se situe entre 2,2445 kg et 2,3555 kg.
Exercice 3 – Temps d’exécution : petit échantillon et loi de Student
Énoncé : Un développeur mesure le temps d’exécution d’un script sur 15 essais indépendants. Il obtient une moyenne de 1,8 s et un écart-type corrigé de 0,4 s. Construis l’intervalle de confiance à 95 % du temps moyen réel d’exécution.
Corrigé
- Identification de la loi : n = 15 (< 30), écart-type de la population inconnu → loi de Student à 14 degrés de liberté (n – 1).
- Valeur t* : pour 14 ddl et 95 %, t* ≈ 2,145 (lecture dans la table).
- Erreur type estimée : s / √n = 0,4 / √15 ≈ 0,1033 s.
- Marge d’erreur : 2,145 × 0,1033 ≈ 0,221 s.
- Intervalle : [1,8 – 0,221 ; 1,8 + 0,221] = [1,579 s ; 2,021 s].
- Interprétation : Avec 95 % de confiance, le temps d’exécution moyen de ce script dans les mêmes conditions se trouve entre 1,58 s et 2,02 s. L’intervalle est plus large qu’avec une loi normale en raison de la petite taille de l’échantillon.
Vos questions sur l’intervalle de confiance
Retrouve ci-dessous les réponses claires aux questions les plus fréquentes sur l’intervalle de confiance.
Comment définir l’intervalle de confiance ?
Un intervalle de confiance est une plage de valeurs probables pour un paramètre inconnu d’une population. Construit à partir d’un échantillon, il est assorti d’un niveau de confiance qui indique la fréquence à laquelle la méthode capture la vraie valeur si l’on répète l’étude.
Comment calculer l’intervalle de confiance à 95% ?
On identifie d’abord le paramètre (moyenne ou proportion), on choisit la formule adaptée, on détermine la valeur critique (1,96 pour une loi normale à 95 %), on calcule l’erreur type et on construit l’intervalle autour de l’estimation ponctuelle. Pour les autres niveaux, le coefficient change (1,645 pour 90 %, 2,576 pour 99 %).
Que signifie un intervalle de confiance à 90% ?
Cela signifie que si l’on échantillonnait un très grand nombre de fois dans les mêmes conditions, 90 % des intervalles calculés contiendraient le vrai paramètre. La largeur est plus faible qu’à 95 % car on accepte un risque d’erreur plus élevé (10 % au lieu de 5 %).
Quel est le rôle d’un intervalle de confiance ?
Son rôle est de fournir une estimation encadrée d’une grandeur inconnue – proportion, moyenne – tout en quantifiant l’incertitude associée. Il aide à prendre des décisions éclairées dans les sondages, les essais cliniques ou le contrôle qualité, en allant au-delà du simple pourcentage.
Quelle est la formule de l’intervalle de confiance à 95% ?
Pour une moyenne avec écart-type connu : X̄ ± 1,96 × (σ / √n). Pour une proportion : p̂ ± 1,96 × √[ p̂(1 – p̂) / n ]. Si l’écart-type est inconnu, on utilise la loi de Student avec t* à n – 1 degrés de liberté. Le contexte détermine la formule à appliquer.
Comment interpréter un intervalle de confiance ?
L’interprétation fréquentiste est la seule rigoureuse : « si l’on répétait l’étude de nombreuses fois, 95 % des intervalles calculés contiendraient la vraie valeur ». Il serait incorrect de dire qu’il y a 95 % de chances que le paramètre se trouve dans cet intervalle précis.
Quels sont les facteurs qui influencent la largeur d’un intervalle de confiance ?
Trois facteurs principaux agissent sur la largeur : la taille de l’échantillon (une augmentation réduit l’intervalle), la variabilité des données (une population plus homogène resserre l’intervalle) et le niveau de confiance (plus il est élevé, plus l’intervalle s’élargit). Chaque levier est détaillé dans la section dédiée.
Comment construire un intervalle de confiance pour une proportion ?
En trois étapes : vérifier que l’échantillon est aléatoire simple et que n × p̂ et n × (1 – p̂) dépassent 5 ; calculer la marge d’erreur avec z* × √[ p̂(1 – p̂) / n ] ; enfin, construire [p̂ – marge ; p̂ + marge] et interpréter le résultat en termes de confiance fréquentiste.
L’essentiel à retenir pour ne plus jamais douter
Tu as maintenant toutes les cartes en main : la logique derrière l’intervalle, les formules adaptées à chaque situation, les leviers pour piloter la précision, et une méthode d’interprétation solide. Le plus important, c’est de refaire les exercices, puis de t’en inventer sur des sujets qui te parlent – un sondage dans ta classe, le poids d’un fruit au marché. C’est en pratiquant que le déclic devient définitif.
