Trouver des contenus d'apprentissage
Fonctionnalités
Découvrir
L'erreur standard est une mesure statistique de la précision avec laquelle un ensemble de données représente vraisemblablement la population réelle. Par exemple, si tu as prélevé un échantillon des notes d'examen des élèves, tu peux l'utiliser pour estimer les notes de tous les élèves du groupe. Quelle est la probabilité que ton estimation représente avec précision la distribution des notes dans l'ensemble du groupe ? C'est ce que nous dit l'erreur standard.
Achieve better grades quicker with Premium
Geld-zurück-Garantie, wenn du durch die Prüfung fällst
Review generated flashcards
Commence à apprendre ou crée tes propres flashcards d'IA
Équipe enseignants Erreur standard
L'erreur standard n'a pas de symbole propre en soi, elle est simplement désignée par la formule suivante
\N- [SE.\N]
Le calcul de l'erreur standard d'un échantillon est en fait très simple ! Il te suffit de te rappeler ce que tu as appris sur l'écart-type, \(\sigma\). La formule de l'erreur standard est simplement
\[SE = \frac{\sigma}{\sqrt{n}}\]
Où \(n\) est la taille de l'échantillon.
Voici un petit rappel sur la façon de trouver l'écart-type. Tout ce dont tu as besoin, c'est d'une liste des points de données de l'ensemble.
La formule de l'écart type pour un échantillon de données est la suivante
\[\sigma = \sqrt{\frac{\sum (x_i-\bar{x})^2}{n-1}}.\]
Prenons un exemple pour voir comment tu peux trouver l'erreur standard d'un échantillon de données.
Trouve l'erreur standard pour l'ensemble de données suivant.
| 2 | 3 | 2 | 5 | 4 | 7 | 4 | 5 |
Solution :
Calcule d'abord la moyenne de l'ensemble des données.
\[\N- Début{alignement} \NBar{x} &= \Nfrac{2+3+2+5...}{8} \N- &= 4 \NFin{alignement}\N]
Calcule ensuite l'écart type.
\[\begin{align}\sigma &= \sqrt{\frac{\sum (x_i-\bar{x})^2}{n-1}} \sigma &= \sqrt{\frac{ (2-4)^2+(3-4)^2+(2-4)^2...}{7}} \N- &= 1.69 \Nend{align}\N]
Enfin, calcule l'erreur standard.
\N- [\N- Début{align} SE &= \frac{\sigma}{\sqrt{n}} \N- &= \frac{1.69}{\sqrt{8}} \N- &= 0.6 \N- [end{align}\N]
Que signifie l'erreur standard ? Imagine que tu prennes beaucoup d'échantillons d'une population. Tu constateras que chaque échantillon a une moyenne légèrement différente, et cette collection de moyennes formera elle-même une distribution. L'écart-type de cette distribution de moyennes est l'erreur-type de la population d'origine.
Ainsi, si tu découvres que l'erreur standard de la taille d'un groupe d'élèves est de \(15\N,\Ntext{cm}\N), cela signifie qu'il y a \N(68\N%\N) pour que la moyenne de ton échantillon se situe à \N(15\N,\Ntext{cm}\Nde la vraie moyenne du groupe d'élèves. Cela est dû à ce que l'on appelle la règle \(68\)-\(95\)-\(99,7\).
La règle \N(68\N)-\N(95\N)-\N(99,7\N) stipule que dans un ensemble de données normalement distribuées, \N(68\N%) des points de données se situent à moins d'un écart type de la moyenne, \N(95\N%) des points de données se situent à moins de deux écarts types de la moyenne, et \N(99,7\N%) des points de données se situent à moins de trois écarts types de la moyenne.
En quoi l'écart-type est-il différent de l'erreur-type ? L'écart type est une mesure de l'écart entre les points de données d'un ensemble de données et la moyenne. Plus les points de données sont dispersés, plus l'écart type est important.
L'erreur standard, quant à elle, comme nous l'avons décrit plus haut, est simplement une mesure de la proximité de la moyenne réelle de la population par rapport à la moyenne de ton échantillon. Plus l'erreur standard est grande, plus il est probable que ta moyenne soit éloignée de la vraie moyenne.
Prenons quelques exemples pour nous assurer que tu as tout compris.
Trouve l'erreur standard de l'échantillon de données suivant.
| 20 | 25 | 15 | 17 | 21 | 23 |
| 20 | 21 | 24 | 18 | 19 | 22 |
Solution :
Calcule d'abord la moyenne de l'échantillon.
\[\begin{align} \bar{x} &= \frac{20+25+15...}{12} \N- &= 20.42 \N- [\N- \N- \N- \N- \N- \N- \N- \N]
Calcule ensuite l'écart-type de l'échantillon.
\N- [\N- Début de l'alignement \sigma&= \sqrt{\frac{\sum(x_1-\bar{x})^2}{n-1}} \\ &= \sqrt{\frac{(20-20.42)^2+(25-20.42)^2+(15-20.42)^2...}{11}} \N- &= 2,91 \Nend{align}\N]
Enfin, calcule l'erreur standard.
\N- [\N- Début{align} SE&= \frac{\sigma}{\sqrt{n}} \N- &= \frac{2,91}{\sqrt{12}} \N- &= 0.84 \N- [end{align}\N]
Etant donné l'échantillon suivant, est-il probable que la moyenne de cet échantillon se situe à moins de \(0.1\) de la vraie moyenne de la population ?
| 0.2 | 0.3 | 0.1 | 0 | 0.4 |
| 0.3 | 0.5 | 0.2 | 0.1 | 0.2 |
Solution :
Calcule d'abord la moyenne de l'échantillon.
\[\begin{align} \bar{x} &= \frac{0.2+0.3+0.1...}{10} \N- &= 0.23 \N- [\N- \N- \N- \N- \N- \N- \N- \N]
Calcule ensuite l'écart-type de l'échantillon.
\N- [\N- Début de l'alignement \sigma&= \sqrt{\frac{\sum(x_1-\bar{x})^2}{n-1}} \\ &= \sqrt{\frac{(0.2-0.23)^2+(0.3-0.23)^2+(0.1-0.23)^2...}{10}} \N- &= 0,15 \Nend{align}\N]
Enfin, calcule l'erreur standard.
\N- [\N- Début{align} SE&= \frac{\sigma}{\sqrt{n}} \\N- &= \frac{0,15}{\sqrt{10}} \N- &= 0.05 \N- [end{align}\N]
\N-(0,1\N) représente deux erreurs standard. Il y a donc une probabilité de \(95\%) que la moyenne se situe à l'intérieur de deux erreurs standard de la moyenne:
Oui, il est probable que la moyenne de cet échantillon se situe à moins de 0,1 de la véritable moyenne de la population.
Inscris-toi gratuitement pour accéder à toutes nos fiches.
At StudySmarter, we have created a learning platform that serves millions of students. Meet the people who work hard to deliver fact based content as well as making sure it is verified.
Lily Hulatt is a Digital Content Specialist with over three years of experience in content strategy and curriculum design. She gained her PhD in English Literature from Durham University in 2022, taught in Durham University’s English Studies Department, and has contributed to a number of publications. Lily specialises in English Literature, English Language, History, and Philosophy.
Get to know Lily
Gabriel Freitas is an AI Engineer with a solid experience in software development, machine learning algorithms, and generative AI, including large language models’ (LLMs) applications. Graduated in Electrical Engineering at the University of São Paulo, he is currently pursuing an MSc in Computer Engineering at the University of Campinas, specializing in machine learning topics. Gabriel has a strong background in software engineering and has worked on projects involving computer vision, embedded AI, and LLM applications.
Get to know Gabriel
Resumes 
Flashcards 
StudySmarter IA 
Notes de cours 
Planning de révision 
Dossiers 
Examens 
Magazine 
Faire carrière 
App mobile