L’erreur-type indique dans quelle mesure la moyenne d’un échantillon risque de différer de la vraie moyenne de la population en raison du hasard de l’échantillonnage. C’est l’une des statistiques les plus utilisées en recherche, mais aussi l’une des plus souvent confondues avec l’écart-type. Ce guide explique ce que mesure l’erreur-type, comment la calculer et dans quels cas l’utiliser.

Erreur-type et écart-type : quelle différence ?

L’écart-type (SD) décrit la dispersion des valeurs individuelles autour de la moyenne : c’est une propriété des données brutes. L’erreur-type (SE) décrit la variation de la moyenne de l’échantillon elle-même si l’on répétait plusieurs fois le processus d’échantillonnage : elle caractérise la précision de l’estimation, et non les données. La relation est simple : SE = SD / √n. Lorsque la taille de l’échantillon n augmente, l’écart-type des données reste à peu près le même, tandis que l’erreur-type de la moyenne diminue ; les grands échantillons donnent des estimations de la vraie moyenne plus stables et plus précises.

L’erreur-type permet de décrire la variabilité estimée due à l’échantillonnage, mais un intervalle de confiance nécessite de la multiplier par une valeur critique appropriée, souvent une valeur critique de t pour un petit échantillon. L’écart-type reste la mesure adaptée pour décrire la dispersion des observations individuelles, par exemple dans les barres d’erreur d’un graphique de mesures moyennes ou au dénominateur d’une statistique de test t.

Pourquoi la racine carrée de n est importante

L’erreur-type ne diminue pas proportionnellement à la taille de l’échantillon : elle diminue selon la racine carrée de n. Doubler la taille de l’échantillon ne la réduit que d’un facteur d’environ 1.41 (√2), et non de moitié. Pour diviser l’erreur-type par deux, il faut quadrupler la taille de l’échantillon ; pour la diviser par trois, il faut la multiplier par neuf. En raison de ces rendements décroissants, de très grands échantillons sont nécessaires pour obtenir de petites améliorations de précision. Les chercheurs mettent donc en balance le coût de la collecte de données supplémentaires et le gain réel de précision de leur estimation.

Limites : ce que l’erreur-type ne dit pas

L’erreur-type ne tient compte que de la variabilité aléatoire due à l’échantillonnage ; elle suppose que l’échantillon a été tiré au hasard et indépendamment dans la population étudiée. Elle ne renseigne ni sur un biais de mesure, ni sur un plan d’échantillonnage mal conçu, ni sur des erreurs systématiques de collecte. Une étude peut afficher une erreur-type minuscule tout en étant très erronée si son échantillon n’est pas représentatif. L’erreur-type sert aussi de base à d’autres statistiques : on la multiplie par une valeur critique (score z ou t) pour calculer une marge d’erreur et un intervalle de confiance, et elle figure au dénominateur de statistiques de tests d’hypothèse comme la statistique t.