Un intervalle de confiance est une plage de valeurs susceptible de contenir le paramètre réel de la population (moyenne, proportion, différence entre groupes, etc.), à partir d’un échantillon. Son interprétation est l’un des concepts statistiques les plus souvent mal compris. Un intervalle de confiance à 95 % ne signifie pas qu’il y a 95 % de chances que la vraie valeur se trouve dans cet intervalle ; cela signifie que si l’échantillonnage était répété de nombreuses fois, environ 95 % des intervalles obtenus contiendraient le vrai paramètre. Les sections suivantes expliquent ce que mesurent les intervalles, pourquoi ils sont essentiels à une présentation scientifique honnête, comment la taille de l’échantillon et le niveau de confiance influent sur leur largeur et quelles formules utiliser pour les moyennes et les proportions.

Ce que signifie réellement un intervalle de confiance

Un intervalle de confiance quantifie l’incertitude d’une estimation calculée à partir d’un échantillon. Pour une moyenne, un IC à 95 % de [48.2 ; 51.8] signifie que la méthode utilisée pour obtenir cet intervalle produirait, sur de nombreux échantillons hypothétiques répétés, des intervalles contenant la vraie moyenne de la population dans 95 % des cas. L’intervalle est une variable aléatoire qui varie avec l’échantillon ; la vraie moyenne de la population est fixe et inconnue.

Cette distinction est importante : dire « il y a 95 % de chances que la vraie moyenne se trouve dans cet intervalle » est techniquement incorrect en statistique classique (fréquentiste). Une fois l’intervalle calculé, il contient la vraie moyenne ou ne la contient pas ; la probabilité est respectivement de 1 ou de 0, mais nous ignorons lequel. Les 95 % décrivent le comportement à long terme de la méthode, et non un intervalle particulier. Les intervalles de crédibilité bayésiens, construction mathématique différente, permettent cette interprétation intuitive de probabilité, mais nécessitent de spécifier une distribution a priori. En pratique, les IC fréquentistes restent adaptés et largement compris malgré cette nuance.

Compromis entre taille de l’échantillon, confiance et largeur

La largeur d’un intervalle dépend de trois facteurs : la taille de l’échantillon (n), la variabilité des données (écart-type s) et le niveau de confiance choisi (90 %, 95 %, 99 %, etc.). Les grands échantillons donnent des intervalles plus étroits, car l’erreur standard de la moyenne (s/√n) diminue quand n augmente. Doubler l’échantillon réduit la largeur d’environ 30 % (facteur √2) ; la quadrupler la réduit de moitié. Les gains diminuent donc : passer de n=100 à n=400 apporte beaucoup, tandis que passer de n=400 à n=1600 ajoute moins de précision pour quatre fois le coût de collecte.

Un niveau de confiance plus élevé élargit l’intervalle, car la marge d’erreur doit augmenter pour mieux couvrir le vrai paramètre. Avec les mêmes données, un IC à 99 % est environ 31 % plus large qu’un IC à 95 % ; un IC à 99.9 % est environ 59 % plus large. Choisissez le niveau selon les conséquences d’une erreur : la recherche médicale et les autorisations réglementaires utilisent généralement 95 % ou 99 %, tandis qu’une analyse exploratoire peut utiliser 80 % ou 90 % pour obtenir des intervalles plus étroits et directement exploitables. Le calculateur illustre ces compromis pour vous aider à choisir selon votre décision.

Formules et hypothèses

L’IC d’une moyenne de population suit la formule x̄ ± t*(s/√n), où t* est la valeur critique de la loi t à n−1 degrés de liberté, au niveau de confiance choisi. Pour n ≥ 30, la loi t est presque identique à la loi normale et les valeurs z peuvent être utilisées (1.96 pour un IC à 95 %, 2,576 pour un IC à 99 %). Pour les petits échantillons, les valeurs t sont un peu supérieures aux valeurs z et élargissent l’intervalle afin de tenir compte de l’incertitude supplémentaire sur l’écart-type réel.

Pour une proportion de population, la formule est p̂ ± z*·√(p̂(1−p̂)/n), où p̂ est la proportion observée. L’approximation normale exige np̂ ≥ 10 ET n(1−p̂) ≥ 10 ; si l’une de ces conditions échoue, utilisez plutôt une méthode binomiale exacte. Les deux formules supposent un échantillonnage aléatoire et indépendant. Les biais systématiques (échantillons de convenance, auto-sélection) invalident l’interprétation de l’IC, quelle que soit la taille de l’échantillon. Si les hypothèses ne sont pas respectées, le résultat peut être techniquement calculé mais donner une image trompeuse de l’incertitude réelle : vérifiez toujours les hypothèses.

Intervalles de confiance : quantifier l’incertitude

Ce que signifie vraiment un intervalle de confiance

Un intervalle de confiance à 95 % ne signifie pas qu’il y a 95 % de chances que le vrai paramètre se trouve dans l’intervalle calculé. Il décrit la performance de la méthode : si vous répétiez la même étude 100 fois, environ 95 intervalles contiendraient la vraie valeur. Un intervalle donné contient ou non la vraie valeur ; l’aléa concerne l’échantillonnage, pas le paramètre.

Quand utiliser Z ou T

Utilisez la loi Z si l’écart-type de la population (σ) est connu ou si n est grand (≥ 30). Pour les petits échantillons avec σ inconnu, la loi T tient compte de l’incertitude supplémentaire en produisant des intervalles légèrement plus larges. Les valeurs critiques t convergent vers les valeurs z à mesure que df augmente ; à df = 30, l’écart est inférieur à 1 %.

Taille de l’échantillon et précision

La marge d’erreur est proportionnelle à 1/√n. Pour la diviser par deux, il faut quadrupler l’échantillon. C’est pourquoi les sondages politiques interrogent environ 1,000 à 1,500 personnes : au-delà, les gains de précision diminuent rapidement par rapport au coût de collecte. Le solveur de taille d’échantillon ci-dessus indique précisément la valeur de n nécessaire pour atteindre la marge d’erreur visée.