{"id":6231,"date":"2026-09-16T05:49:59","date_gmt":"2026-09-16T05:49:59","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/condition-des-10-pourcent-statistique-definition-exemple\/"},"modified":"2026-09-16T05:50:01","modified_gmt":"2026-09-16T05:50:01","slug":"condition-des-10-pourcent-statistique-definition-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=condition-des-10-pourcent-statistique-definition-exemple","title":{"rendered":"La condition des 10 % en statistique : d\u00e9finition et exemple"},"content":{"rendered":"

Dans l’\u00e9difice des math\u00e9matiques appliqu\u00e9es et de l’inf\u00e9rence statistique moderne, la transition entre les mod\u00e8les probabilistes th\u00e9oriques purs et l’empirisme m\u00e9thodologique constitue un d\u00e9fi permanent. Au c\u0153ur de cette articulation r\u00e9side la question fondamentale de la repr\u00e9sentativit\u00e9 et de la dynamique interne des \u00e9chantillons probabilistes pr\u00e9lev\u00e9s au sein de populations finies. Alors que la th\u00e9orie \u00e9l\u00e9mentaire des probabilit\u00e9s postule tr\u00e8s fr\u00e9quemment l’ind\u00e9pendance mutuelle et stricte des observations \u2014 condition sine qua non de l’application directe des lois binomiales ou des versions canoniques du th\u00e9or\u00e8me central limite<\/a> \u2014, la r\u00e9alit\u00e9 mat\u00e9rielle des protocoles de collecte de donn\u00e9es confronte in\u00e9vitablement les chercheurs \u00e0 des populations finies au sein desquelles les tirages s’effectuent sans remise. Cet \u00e9tat de fait engendre m\u00e9caniquement une d\u00e9pendance stochastique progressive entre les unit\u00e9s statistiques successivement observ\u00e9es, mena\u00e7ant la validit\u00e9 formelle des proc\u00e9dures de test et d’estimation.<\/p>\n

Pour surmonter cette aporie sans contraindre le praticien \u00e0 manipuler syst\u00e9matiquement les \u00e9quations combinatoires particuli\u00e8rement r\u00e9barbatives de la loi hyperg\u00e9om\u00e9trique, les statisticiens ont formalis\u00e9 des compromis op\u00e9ratoires rigoureusement encadr\u00e9s. Parmi ces r\u00e8gles d’or m\u00e9thodologiques, la condition dite des dix pour cent (ou \u00ab r\u00e8gle des 10 % \u00bb) occupe une place pivot dans les sciences quantitatives, depuis la psychom\u00e9trie clinique jusqu’\u00e0 l’\u00e9pid\u00e9miologie et l’\u00e9conom\u00e9trie appliqu\u00e9e. Cette r\u00e8gle \u00e9tablit qu’aussi longtemps que la taille de l’\u00e9chantillon extrait ne d\u00e9passe pas un dixi\u00e8me de la taille totale de la population cible, la d\u00e9rive des probabilit\u00e9s conditionnelles cons\u00e9cutive \u00e0 l’\u00e9puisement de ladite population demeure suffisamment infime pour que l’hypoth\u00e8se d’ind\u00e9pendance puisse \u00eatre maintenue sans compromettre l’int\u00e9grit\u00e9 des inf\u00e9rences subs\u00e9quentes.<\/p>\n

Le pr\u00e9sent article propose une d\u00e9construction \u00e9pist\u00e9mologique, th\u00e9orique et op\u00e9rationnelle exhaustive de la condition des 10 %. \u00c0 travers l’analyse des propri\u00e9t\u00e9s axiomatiques de Bernoulli, la d\u00e9monstration de la convergence asymptotique de la distribution hyperg\u00e9om\u00e9trique vers la loi binomiale, l’examen scrupuleux du facteur de correction pour population finie et l’\u00e9tude d’exemples computationnels concrets, nous mettrons en lumi\u00e8re les m\u00e9canismes math\u00e9matiques qui sous-tendent ce seuil de tol\u00e9rance standardis\u00e9. Nous explorerons \u00e9galement les cons\u00e9quences structurelles de sa transgression, les fausses conceptions qui alt\u00e8rent fr\u00e9quemment sa mise en \u0153uvre dans les protocoles de recherche contemporains, et les algorithmes d’ajustement requis lorsque les exigences de cette r\u00e8gle heuristique ne peuvent \u00eatre satisfaites.<\/p>\n

1. Introduction aux \u00e9preuves de Bernoulli et aux fondements de l’\u00e9chantillonnage<\/h2>\n

1.1 Nature et propri\u00e9t\u00e9s fondamentales d’un essai de Bernoulli<\/h3>\n

L’unit\u00e9 fondamentale de la mod\u00e9lisation probabiliste discr\u00e8te repose sur le concept th\u00e9oris\u00e9 originellement par Jacques Bernoulli dans son \u0153uvre posthume Ars Conjectandi<\/em> publi\u00e9e en 1713 : l’essai de Bernoulli. Par d\u00e9finition formelle, un essai de Bernoulli est une exp\u00e9rience al\u00e9atoire dont l’espace d’\u00e9chantillonnage fondamental est partitionn\u00e9 en exactement deux \u00e9v\u00e9nements mutuellement exclusifs et conjointement exhaustifs, conventionnellement d\u00e9nomm\u00e9s \u00ab succ\u00e8s \u00bb et \u00ab \u00e9chec \u00bb. Dans le formalisme des variables al\u00e9atoires, une telle \u00e9preuve est mod\u00e9lis\u00e9e par une variable indicatrice binaire prenant la valeur 1 lorsque l’\u00e9v\u00e9nement d\u00e9sir\u00e9 se r\u00e9alise avec une probabilit\u00e9 th\u00e9orique p<\/em> comprise strictement entre 0 et 1, et la valeur 0 dans le cas contraire avec une probabilit\u00e9 compl\u00e9mentaire g\u00e9n\u00e9ralement not\u00e9e q = 1 – p<\/em>. La distribution de masse de cette variable poss\u00e8de une esp\u00e9rance math\u00e9matique \u00e9gale \u00e0 p<\/em> et une variance canonique \u00e9gale au produit p(1 – p)<\/em>, constituant le bloc structural minimal de toute th\u00e9orie ult\u00e9rieure de la dispersion binomiale.<\/p>\n

La p\u00e9rennit\u00e9 conceptuelle de l’\u00e9preuve de Bernoulli r\u00e9side dans la constance th\u00e9orique suppos\u00e9e de ce param\u00e8tre p<\/em> \u00e0 travers les r\u00e9plications successives du protocole exp\u00e9rimental. Si l’arch\u00e9type vulgaris\u00e9 de ce processus demeure le jet d’une pi\u00e8ce de monnaie \u00e9quilibr\u00e9e o\u00f9 p = 0,5<\/em>, la transposition de ce mod\u00e8le aux sciences empiriques, telles que la psychologie exp\u00e9rimentale ou la recherche clinique, exige une abstraction rigoureuse. Qu’il s’agisse de mesurer la pr\u00e9sence d’une r\u00e9mission clinique apr\u00e8s l’administration d’un principe actif, l’adh\u00e9sion d’un sujet \u00e0 un item dichotomique de personnalit\u00e9, ou le comportement de vote lors d’un r\u00e9f\u00e9rendum, chaque unit\u00e9 observ\u00e9e est assimil\u00e9e \u00e0 une instanciation de cette variable binaire. Toutefois, cette assimilation th\u00e9orique repose sur une hypoth\u00e8se fondamentale et axiomatique : la stabilit\u00e9 immarcescible de la probabilit\u00e9 p<\/em> et l’absence totale de corr\u00e9lation temporelle ou causale entre les r\u00e9alisations successives.<\/p>\n

Cette hypoth\u00e8se d’ind\u00e9pendance stochastique postule que la connaissance de l’issue d’un essai n’apporte strictement aucune information quant \u00e0 l’issue de l’essai suivant. Lorsque cette condition d’invariance param\u00e9trique et d’ind\u00e9pendance mutuelle est rigoureusement satisfaite, la sommation d’une s\u00e9rie finie de n<\/em> essais de Bernoulli ind\u00e9pendants et identiquement distribu\u00e9s donne naissance \u00e0 la loi binomiale<\/a>. D\u00e8s lors, toute la machinerie de l’inf\u00e9rence classique \u2014 calculs combinatoires de probabilit\u00e9s exactes, intervalles de confiance proportionnels et tests d’ajustement du chi deux \u2014 s’applique de mani\u00e8re directe. N\u00e9anmoins, la vuln\u00e9rabilit\u00e9 de cette construction axiomatique transpara\u00eet imm\u00e9diatement d\u00e8s que les conditions empiriques de collecte s’\u00e9cartent du mod\u00e8le id\u00e9al d’un g\u00e9n\u00e9rateur al\u00e9atoire infini et immuable.<\/p>\n

1.2 L’ind\u00e9pendance probabiliste dans la recherche quantitative<\/h3>\n

Dans l’\u00e9difice math\u00e9matique de la recherche quantitative, l’ind\u00e9pendance stochastique constitue le levier algorithmique essentiel autorisant la factorisation des lois conjointes. Formellement, deux \u00e9v\u00e9nements al\u00e9atoires A<\/em> et B<\/em> d\u00e9finis sur un m\u00eame espace de probabilit\u00e9 sont dits ind\u00e9pendants si et seulement si la probabilit\u00e9 de leur intersection conjointe est rigoureusement \u00e9gale au produit alg\u00e9brique de leurs probabilit\u00e9s marginales respectives, ce qui s’\u00e9nonce par la relation P(A ∩ B) = P(A) × P(B)<\/em>. Par voie de corollaire imm\u00e9diat en probabilit\u00e9 conditionnelle, l’ind\u00e9pendance implique que la probabilit\u00e9 conditionnelle de A<\/em> sachant B<\/em> est strictement identique \u00e0 la probabilit\u00e9 a priori de A<\/em>, soit P(A | B) = P(A)<\/em>, sous r\u00e9serve que P(B) > 0<\/em>. Dans l’\u00e9cosyst\u00e8me inf\u00e9rentiel, cette propri\u00e9t\u00e9 de factorisation permet de d\u00e9composer des probl\u00e8mes d’une complexit\u00e9 multidimensionnelle inextricable en une simple multiplication de densit\u00e9s ou de masses de probabilit\u00e9s unidimensionnelles.<\/p>\n

Le r\u00f4le op\u00e9rationnel de cette ind\u00e9pendance est particuli\u00e8rement saillant dans la th\u00e9orie de l’estimation ponctuelle et par intervalle. Lorsque des observations sont mutuellement ind\u00e9pendantes, la variance de la somme d’un ensemble de variables al\u00e9atoires se r\u00e9duit simplement \u00e0 la somme arithm\u00e9tique de leurs variances individuelles respectives, sans qu’il soit n\u00e9cessaire de calculer ou d’estimer les termes de covariance crois\u00e9e. En statistique appliqu\u00e9e, ce th\u00e9or\u00e8me d’additivit\u00e9 des variances permet d’\u00e9tablir sans d\u00e9tour que l’erreur type de la moyenne d’un \u00e9chantillon ou d’une proportion empirique d\u00e9cro\u00eet proportionnellement \u00e0 la racine carr\u00e9e de la taille de l’\u00e9chantillon. L’ind\u00e9pendance est par cons\u00e9quent le socle sur lequel reposent l’efficience, la convergence et l’absence de biais des estimateurs classiques d\u00e9riv\u00e9s de la m\u00e9thode du maximum de vraisemblance.<\/p>\n

Cependant, dans la pratique de la collecte de donn\u00e9es r\u00e9elles, cette ind\u00e9pendance probabiliste s’av\u00e8re \u00eatre une hypoth\u00e8se m\u00e9thodologique extr\u00eamement fragile. Dans les sciences sociales, m\u00e9dicales ou comportementales, les unit\u00e9s exp\u00e9rimentales n’\u00e9voluent pas dans un vide relationnel ou spatial et ne sont pas g\u00e9n\u00e9r\u00e9es par un algorithme pseudo-al\u00e9atoire infini. Si une d\u00e9pendance stochastique non contr\u00f4l\u00e9e s’insinue au sein de l’\u00e9chantillon \u2014 qu’elle soit induite par des corr\u00e9lations intra-classes, des proximit\u00e9s g\u00e9ographiques ou, plus fondamentalement, par la nature m\u00eame du processus de tirage \u2014, les termes de covariance deviennent non nuls. L’omission de ces covariances dans les formules analytiques conventionnelles entra\u00eene une sous-estimation syst\u00e9matique de la variance r\u00e9elle des estimateurs, conduisant \u00e0 des marges d’erreur artificiellement \u00e9troites, \u00e0 des valeurs p<\/em> trompeusement significatives et \u00e0 une inflation incontr\u00f4l\u00e9e de l’erreur de premi\u00e8re esp\u00e8ce (rejet erron\u00e9 d’une hypoth\u00e8se nulle vraie).<\/p>\n

1.3 \u00c9mergence de la probl\u00e9matique lors de l’\u00e9chantillonnage sans remise<\/h3>\n

La confrontation la plus \u00e9l\u00e9mentaire, mais aussi la plus universelle, avec la rupture de l’ind\u00e9pendance probabiliste survient lors du passage de l’\u00e9chantillonnage avec remise (tirage bernoullien strict) \u00e0 l’\u00e9chantillonnage sans remise (tirage repr\u00e9sentatif standard). Dans un sch\u00e9ma th\u00e9orique avec remise, chaque individu extrait de la population cible est consign\u00e9, mesur\u00e9, puis imm\u00e9diatement r\u00e9inject\u00e9 dans le vivier d’origine avant que la s\u00e9lection de l’unit\u00e9 suivante n’intervienne. Sous ce protocole artificiel, la composition de la population demeure rigoureusement invariante du premier au dernier pr\u00e9l\u00e8vement : la proportion th\u00e9orique de succ\u00e8s p<\/em> reste absolue, chaque tirage constitue une \u00e9preuve de Bernoulli parfaitement autonome, et le nombre total de succ\u00e8s observ\u00e9s dans un \u00e9chantillon de taille n<\/em> suit de fa\u00e7on unimputable une loi binomiale formelle.<\/p>\n

\u00c0 l’inverse, l’immense majorit\u00e9 des enqu\u00eates \u00e9pid\u00e9miologiques, des essais cliniques et des sondages d’opinion s’ex\u00e9cute selon un protocole d’\u00e9chantillonnage al\u00e9atoire simple sans remise (EASSR). Il serait en effet absurde, et m\u00e9thodologiquement contre-productif, d’administrer deux fois le m\u00eame inventaire de d\u00e9pression au m\u00eame patient, de biopsier deux fois le m\u00eame organe, ou d’interroger \u00e0 plusieurs reprises le m\u00eame \u00e9lecteur au cours d’une m\u00eame vague d’investigation. Or, l’action physique de pr\u00e9lever une unit\u00e9 statistique sans la restituer alt\u00e8re de mani\u00e8re irr\u00e9versible et syst\u00e9matique la distribution param\u00e9trique de la population r\u00e9siduelle. Si le premier individu s\u00e9lectionn\u00e9 au sein d’une population de taille N<\/em> comptant K<\/em> \u00e9l\u00e9ments cibles pr\u00e9sente le statut \u00ab succ\u00e8s \u00bb, la proportion r\u00e9siduelle de succ\u00e8s pour le second tirage s’\u00e9tablit instantan\u00e9ment \u00e0 (K – 1) \/ (N – 1)<\/em>, modifiant de facto la probabilit\u00e9 de survenue du second \u00e9v\u00e9nement.<\/p>\n

Ce glissement conceptuel marque l’abandon forc\u00e9 du processus binomial au profit d’un processus stochastique r\u00e9gi par la loi hyperg\u00e9om\u00e9trique<\/a>. Dans cette distribution, les tirages sont intrins\u00e8quement interd\u00e9pendants et conditionn\u00e9s par l’historique complet des s\u00e9lections pr\u00e9alables. Lorsque la taille de la population N<\/em> est extr\u00eamement modeste, la manipulation analytique de la loi hyperg\u00e9om\u00e9trique s’av\u00e8re indispensable mais calculatoirement laborieuse. D\u00e8s lors, \u00e9merge un besoin pragmatique capital pour la statistique appliqu\u00e9e : d\u00e9terminer avec pr\u00e9cision le seuil critique d’\u00e9puisement de la population en de\u00e7\u00e0 duquel cette alt\u00e9ration conditionnelle est si marginale qu’elle peut \u00eatre l\u00e9gitimement n\u00e9glig\u00e9e, autorisant ainsi le maintien des formules simplifi\u00e9es de la loi binomiale. C’est pr\u00e9cis\u00e9ment \u00e0 cette intersection entre rigueur math\u00e9matique et efficience m\u00e9thodologique que s’enracine la condition des 10 %.<\/p>\n

2. D\u00e9finition formelle et cadre math\u00e9matique de la condition des 10 %<\/h2>\n

2.1 \u00c9nonc\u00e9 canonique de la r\u00e8gle statistique<\/h3>\n

La condition des dix pour cent, r\u00e9guli\u00e8rement d\u00e9sign\u00e9e dans les manuels acad\u00e9miques anglo-saxons sous le vocable de 10% Condition<\/em> ou Independence Assumption for Finite Populations<\/em>, constitue une r\u00e8gle heuristique r\u00e9gissant la validit\u00e9 de l’approximation binomiale lors d’un \u00e9chantillonnage sans remise. Dans son \u00e9nonc\u00e9 canonique le plus strict, la r\u00e8gle stipule que la taille de l’\u00e9chantillon extrait, not\u00e9e n<\/em>, ne doit pas exc\u00e9der dix pour cent (soit un dixi\u00e8me) de la taille totale de la population finie sous-jacente, not\u00e9e N<\/em>. Formellement, l’in\u00e9quation s’\u00e9crit :<\/p>\n

n ≤ 0,10 N<\/em>  ou, de mani\u00e8re rigoureusement \u00e9quivalente :  N ≥ 10 n<\/em><\/p>\n

\"10
10 Percent Condition in statistics<\/figcaption><\/figure>\n

Le principe fondamental sous-jacent \u00e0 cette formulation r\u00e9side dans l’acceptation d’une distorsion infinit\u00e9simale et contr\u00f4l\u00e9e des probabilit\u00e9s conditionnelles. Lorsqu’un chercheur extrait des observations successives sans remise au sein d’une population dont la fraction de sondage f = n \/ N<\/em> respecte ce crit\u00e8re de mod\u00e9ration relative, la composition globale du r\u00e9servoir d’observations r\u00e9siduel n’est pas modifi\u00e9e de mani\u00e8re significative par les tirages ant\u00e9rieurs. En d’autres termes, l’\u00e9cart entre la probabilit\u00e9 conditionnelle d’obtenir un \u00e9v\u00e9nement au n<\/em>-i\u00e8me tirage sachant les (n – 1)<\/em> tirages pr\u00e9c\u00e9dents et la probabilit\u00e9 marginale initiale p<\/em> demeure confin\u00e9 dans des marges de tol\u00e9rance num\u00e9rique qui n’alt\u00e8rent en rien les d\u00e9cisions inf\u00e9rentielles subs\u00e9quentes.<\/p>\n

Il est imp\u00e9ratif d’insister sur la nature \u00e9minemment relative de cette contrainte m\u00e9thodologique. La condition des 10 % ne formule aucune exigence quantitative directe quant \u00e0 la taille absolue de l’\u00e9chantillon n<\/em>, mais r\u00e9git exclusivement le ratio d’\u00e9puisement de la population cible. Un \u00e9chantillon de n = 500<\/em> sujets violera de mani\u00e8re flagrante la condition des 10 % s’il est extrait d’une collectivit\u00e9 locale restreinte de N = 2 000<\/em> habitants (car 500 \/ 2 000 = 0,25, soit 25 %), mais la satisfera de mani\u00e8re exemplaire s’il est pr\u00e9lev\u00e9 au sein d’une m\u00e9tropole r\u00e9gionale de N = 500 000<\/em> r\u00e9sidents (o\u00f9 500 \/ 500 000 = 0,001, soit seulement 0,1 %). Cette distinction conceptuelle entre volume absolu de donn\u00e9es et fraction de sondage relative repr\u00e9sente le premier \u00e9cueil th\u00e9orique que tout analyste doit imp\u00e9rativement assimiler.<\/p>\n

2.2 Origine th\u00e9orique et justification du seuil de 10 %<\/h3>\n

D’un point de vue \u00e9pist\u00e9mologique et historico-math\u00e9matique, le seuil de dix pour cent n’est pas une constante fondamentale de l’univers physique au sens de la constante de Planck ou de la vitesse de la lumi\u00e8re, mais une norme conventionnelle standardis\u00e9e, valid\u00e9e empiriquement et analytiquement par des g\u00e9n\u00e9rations de th\u00e9oriciens de l’\u00e9chantillonnage, notamment William Cochran et Leslie Kish. Cette convention statistique proc\u00e8de d’une optimisation d’ing\u00e9nierie math\u00e9matique visant \u00e0 trouver le point d’\u00e9quilibre parfait entre la rigueur analytique formelle et la faisabilit\u00e9 empirique des enqu\u00eates d’envergure. Fixer un seuil excessivement conservateur, par exemple un pour cent (n ≤ 0,01 N<\/em>), aurait pour cons\u00e9quence de paralyser la recherche dans les populations de taille interm\u00e9diaire en imposant le recours syst\u00e9matique \u00e0 des ajustements computationnels lourds.<\/p>\n

La justification analytique de ce seuil sp\u00e9cifique de 10 % s’\u00e9claire \u00e0 travers l’\u00e9tude du comportement de la variance de l’\u00e9chantillonnage. Comme nous le formaliserons ult\u00e9rieurement, la variance r\u00e9elle d’un estimateur sans remise diff\u00e8re de la variance sous ind\u00e9pendance stricte par un multiplicateur d\u00e9nomm\u00e9 facteur de correction pour population finie, dont l’expression alg\u00e9brique est (N – n) \/ (N – 1)<\/em>. Lorsque la fraction de sondage n \/ N<\/em> s’\u00e9tablit pr\u00e9cis\u00e9ment \u00e0 la fronti\u00e8re des 10 %, ce facteur de r\u00e9duction de variance prend une valeur approximative de 1 – 0,10 = 0,90<\/em>. Si l’on s’int\u00e9resse \u00e0 l’\u00e9cart-type de l’\u00e9chantillon (l’erreur type servant aux tests et aux marges d’erreur), l’ajustement est r\u00e9gi par la racine carr\u00e9e de ce facteur, soit √0,90 &approx; 0,9486.<\/p>\n

Ce r\u00e9sultat num\u00e9rique r\u00e9v\u00e8le qu’\u00e0 la limite maximale de la condition des 10 %, l’erreur type standard calcul\u00e9e sous l’hypoth\u00e8se simplificatrice d’ind\u00e9pendance binomiale ne surestime l’erreur type r\u00e9elle que d’environ 5,14 % (puisque 1 – 0,9486 &approx; 0,0514). Dans la communaut\u00e9 des statisticiens appliqu\u00e9s, une distorsion asymptotique relative de l’ordre de 5 % sur la largeur de l’intervalle de confiance est jug\u00e9e comme une marge d’approximation parfaitement acceptable au regard des incertitudes inh\u00e9rentes \u00e0 la mesure empirique (erreurs de mesure, biais de non-r\u00e9ponse ou fluctuations d’\u00e9chantillonnage). La r\u00e8gle des 10 % se pr\u00e9sente ainsi comme le seuil de tol\u00e9rance maximal au-del\u00e0 duquel cette distorsion ne peut plus \u00eatre consid\u00e9r\u00e9e comme statistiquement b\u00e9nigne.<\/p>\n

2.3 Conditions d’application et pr\u00e9requis m\u00e9thodologiques<\/h3>\n

L’impl\u00e9mentation op\u00e9rationnelle de la condition des 10 % ne saurait s’effectuer de mani\u00e8re aveugle ou d\u00e9contextualis\u00e9e. Elle exige la satisfaction pr\u00e9alable de r\u00e9quisits m\u00e9thodologiques stricts, au premier rang desquels figure la n\u00e9cessit\u00e9 imp\u00e9rieuse de conna\u00eetre avec un degr\u00e9 d’exactitude suffisant la taille globale de la population parente N<\/em>. Si la population est infinie ou ind\u00e9terminable de par sa nature physique (par exemple, la g\u00e9n\u00e9ration continue de pi\u00e8ces m\u00e9caniques sur une cha\u00eene de montage industrielle ou l’ensemble th\u00e9orique des r\u00e9actions enzymatiques possibles), la notion m\u00eame de fraction de sondage s’annihile, et l’ind\u00e9pendance des observations est assur\u00e9e de fait, rendant la condition des 10 % intrins\u00e8quement satisfaite.<\/p>\n

En second lieu, la condition des 10 % exige imp\u00e9rativement que le plan d’\u00e9chantillonnage mis en \u0153uvre appartienne strictement \u00e0 la cat\u00e9gorie de l’\u00e9chantillonnage probabiliste al\u00e9atoire simple sans remise. Cela signifie axiomatiquement que chaque sous-ensemble de taille n<\/em> au sein de la population N<\/em> poss\u00e8de rigoureusement la m\u00eame probabilit\u00e9 a priori d’\u00eatre s\u00e9lectionn\u00e9, et que le processus d’inclusion de chaque individu est exempt de tout m\u00e9canisme d’auto-s\u00e9lection ou de biais d’attrition. Si le devis de recherche recourt \u00e0 des protocoles d’\u00e9chantillonnage complexes \u2014 tels que l’\u00e9chantillonnage stratifi\u00e9 disproportionnel, le sondage en grappes ou l’\u00e9chantillonnage \u00e0 plusieurs degr\u00e9s \u2014, l’in\u00e9quation n ≤ 0,10 N<\/em> ne peut plus \u00eatre appliqu\u00e9e de fa\u00e7on monolithique \u00e0 l’\u00e9chelle globale de l’\u00e9chantillon brut, mais doit faire l’objet de calculs d’effets de plan (design effects<\/em>) sp\u00e9cifiques \u00e0 chaque strate ou unit\u00e9 primaire de sondage.<\/p>\n

Enfin, il est \u00e9pist\u00e9mologiquement primordial de rappeler que la satisfaction de la condition des 10 % constitue une condition n\u00e9cessaire, mais en aucun cas suffisante, pour valider l’ensemble des inf\u00e9rences statistiques habituelles. Valider la r\u00e8gle des 10 % garantit uniquement la quasi-ind\u00e9pendance des tirages successifs sans remise ; elle ne garantit en rien la normalit\u00e9 de la distribution d’\u00e9chantillonnage, ni la robustesse des estimateurs face \u00e0 des donn\u00e9es fortement asym\u00e9triques. La condition des 10 % doit par cons\u00e9quent \u00eatre appr\u00e9hend\u00e9e comme un maillon constitutif d’un faisceau plus vaste de crit\u00e8res d’admissibilit\u00e9 m\u00e9thodologique, interagissant en synergie avec les conditions d’effectifs minimaux et de repr\u00e9sentativit\u00e9 structurale du cadre de sondage.<\/p>\n

3. L’intuition math\u00e9matique : pourquoi 10 % est un seuil acceptable<\/h2>\n

3.1 M\u00e9canique du tirage sans remise et d\u00e9rive des probabilit\u00e9s<\/h3>\n

Pour forger une intuition math\u00e9matique inattaquable de la condition des 10 %, il convient d’analyser la dynamique s\u00e9quentielle d’un tirage sans remise \u00e0 travers l’\u00e9volution de ses probabilit\u00e9s conditionnelles. Consid\u00e9rons une population finie standard compos\u00e9e de N<\/em> individus, parmi lesquels se trouvent exactement K<\/em> individus pr\u00e9sentant un attribut d’int\u00e9r\u00eat sp\u00e9cifique (les \u00ab succ\u00e8s \u00bb), de sorte que la proportion initiale de succ\u00e8s s’\u00e9tablit \u00e0 p = K \/ N<\/em>. Si l’on proc\u00e8de \u00e0 un tirage successif sans remise, la probabilit\u00e9 que le premier individu s\u00e9lectionn\u00e9 soit un succ\u00e8s est rigoureusement \u00e9gale \u00e0 P(S1<\/sub>) = K \/ N = p<\/em>.<\/p>\n

Supposons d\u00e9sormais que ce premier tirage ait effectivement produit un succ\u00e8s. Lors de la s\u00e9lection du second individu, la population r\u00e9siduelle ne comporte plus que N – 1<\/em> sujets au total, dont K – 1<\/em> succ\u00e8s. La probabilit\u00e9 conditionnelle d’observer un nouveau succ\u00e8s au second essai devient alors math\u00e9matiquement :<\/p>\n

P(S2<\/sub> | S1<\/sub>) = (K – 1) \/ (N – 1)<\/em><\/p>\n

En d\u00e9veloppant l’expression de cette probabilit\u00e9 conditionnelle par rapport \u00e0 la proportion initiale p<\/em>, on obtient l’\u00e9galit\u00e9 alg\u00e9brique suivante :<\/p>\n

(K – 1) \/ (N – 1) = (N p – 1) \/ (N – 1) = p – (1 – p) \/ (N – 1)<\/em><\/p>\n

Cette d\u00e9composition met imm\u00e9diatement en lumi\u00e8re le m\u00e9canisme d’appauvrissement : la probabilit\u00e9 de succ\u00e8s au second tour est \u00e9gale \u00e0 la probabilit\u00e9 originelle diminu\u00e9e d’une quantit\u00e9 de d\u00e9rive quantitativement \u00e9gale \u00e0 (1 – p) \/ (N – 1)<\/em>. On constate sans \u00e9quivoque que si la taille de la population N<\/em> est imposante par rapport au nombre d’unit\u00e9s pr\u00e9lev\u00e9es, le d\u00e9nominateur (N – 1)<\/em> prend une ampleur telle que cette quantit\u00e9 de d\u00e9rive devient infinit\u00e9simale. M\u00eame apr\u00e8s avoir extrait plusieurs dizaines d’unit\u00e9s, la modification subie par le num\u00e9rateur et le d\u00e9nominateur demeure marginale, maintenant les probabilit\u00e9s conditionnelles dans un voisinage infinit\u00e9simal de la constante th\u00e9orique p<\/em>.<\/p>\n

Ce ph\u00e9nom\u00e8ne s’illustre de mani\u00e8re limpide par la m\u00e9taphore classique de l’urne d’\u00e9chantillonnage. Si une urne contient 10 billes rouges et 10 billes blanches (soit N = 20<\/em> et p = 0,50<\/em>), le retrait sans remise d’une seule bille rouge fait chuter instantan\u00e9ment la probabilit\u00e9 de tirer une seconde bille rouge \u00e0 9 \/ 19 &approx; 0,4737<\/em>, soit une alt\u00e9ration relative majeure de plus de 5,26 % d\u00e8s le second pr\u00e9l\u00e8vement. En revanche, si l’urne contient 10 000 billes rouges et 10 000 billes blanches (N = 20 000<\/em> et p = 0,50<\/em>), le pr\u00e9l\u00e8vement d’une premi\u00e8re bille rouge ajuste la probabilit\u00e9 suivante \u00e0 9 999 \/ 19 999 &approx; 0,499975<\/em>. Dans ce second sc\u00e9nario, il faudra pr\u00e9lever une fraction substantielle de l’urne avant que la d\u00e9rive stochastique n’exerce une quelconque distorsion mesurable sur les probabilit\u00e9s d’occurrence.<\/p>\n

3.2 Convergence de la loi hyperg\u00e9om\u00e9trique vers la loi binomiale<\/h3>\n

L’assise math\u00e9matique de la condition des 10 % r\u00e9side dans le th\u00e9or\u00e8me classique d’approximation asymptotique reliant la distribution hyperg\u00e9om\u00e9trique \u00e0 la distribution binomiale. Soit une variable al\u00e9atoire discr\u00e8te X<\/em> d\u00e9nombrant le nombre de succ\u00e8s obtenus au cours de n<\/em> tirages sans remise au sein d’une population de taille N<\/em> renfermant K<\/em> succ\u00e8s au total (avec p = K \/ N<\/em>). La distribution de probabilit\u00e9 exacte de X<\/em> est r\u00e9gie par la loi hyperg\u00e9om\u00e9trique de param\u00e8tres (N, n, p)<\/em>, dont la fonction de masse s’exprime par le formalisme combinatoire :<\/p>\n

P(X = k) = [ C(K, k) × C(N – K, n – k) ] \/ C(N, n)<\/em><\/p>\n

o\u00f9 C(a, b)<\/em> d\u00e9signe le coefficient binomial canonique \u00ab b<\/em> parmi a<\/em> \u00bb, d\u00e9fini par a! \/ [ b! (a – b)! ]<\/em> pour tout entier 0 ≤ b ≤ a<\/em>. L’\u00e9valuation directe de cette fonction factorielle pose des d\u00e9fis calculatoires consid\u00e9rables d\u00e8s que N<\/em> s’\u00e9l\u00e8ve \u00e0 des valeurs substantielles. Cependant, si l’on examine le comportement limite de cette expression combinatoire lorsque la taille de la population N<\/em> tend vers l’infini, tout en maintenant le rapport p = K \/ N<\/em> et la taille d’\u00e9chantillon n<\/em> rigoureusement constants, on observe une convergence analytique remarquable.<\/p>\n

En d\u00e9veloppant les factorielles et en regroupant les facteurs polynomiaux d’ordre sup\u00e9rieur, chaque terme combinatoire peut \u00eatre d\u00e9compos\u00e9 sous la forme de produits s\u00e9quentiels de fractions rationnelles. Par exemple, le ratio C(K, k) \/ [ Kk<\/sup> \/ k! ]<\/em> tend asymptotiquement vers l’unit\u00e9 lorsque K → ∞<\/em>. Par application syst\u00e9matique des r\u00e8gles de calcul sur les limites de produits finis, on d\u00e9montre rigoureusement que :<\/p>\n

limN → ∞<\/sub> P(X = k) = C(n, k) × pk<\/sup> × (1 – p)n – k<\/sup><\/em><\/p>\n

Cette limite ultime n’est autre que la fonction de masse de la loi binomiale de param\u00e8tres (n, p)<\/em>. La question cruciale tranch\u00e9e par la r\u00e8gle empirique des 10 % est celle de la vitesse de cette convergence : pour toute fraction de sondage telle que n \/ N ≤ 0,10<\/em>, l’erreur absolue maximale entre la probabilit\u00e9 hyperg\u00e9om\u00e9trique exacte et l’\u00e9valuation binomiale approxim\u00e9e est confin\u00e9e sous un seuil num\u00e9rique si bas qu’elle n’induit aucun biais perceptible dans les inf\u00e9rences appliqu\u00e9es standard.<\/p>\n

3.3 Impact sur le calcul des probabilit\u00e9s cumul\u00e9es<\/h3>\n

L’int\u00e9r\u00eat de la quasi-invariance induite par le respect de la condition des 10 % prend tout son relief lorsqu’on examine non plus seulement les probabilit\u00e9s ponctuelles de masse P(X = k)<\/em>, mais les distributions de probabilit\u00e9s cumul\u00e9es, lesquelles constituent le fondement direct du calcul des valeurs de significativit\u00e9 (valeurs p<\/em>) dans les tests d’hypoth\u00e8se. Une fonction de r\u00e9partition unilat\u00e9rale sup\u00e9rieure s’exprime par la sommation :<\/p>\n

P(X ≥ kcritique<\/sub>) = ∑ P(X = j)<\/em> pour j<\/em> variant de kcritique<\/sub><\/em> jusqu’\u00e0 n<\/em><\/p>\n

Dans un protocole exp\u00e9rimental de d\u00e9cision statistique param\u00e9trique, l’analyste cherche \u00e0 d\u00e9terminer si l’observation empirique se situe au-del\u00e0 d’un quantile critique pr\u00e9alablement fix\u00e9 par le seuil de significativit\u00e9 nominal α, conventionnellement fix\u00e9 \u00e0 0,05 ou 0,01. La question m\u00e9thodologique fondamentale est donc de v\u00e9rifier si le remplacement de la fonction de r\u00e9partition hyperg\u00e9om\u00e9trique par son homologue binomiale est susceptible de fausser la d\u00e9cision binaire de rejet ou de maintien de l’hypoth\u00e8se nulle.<\/p>\n

Les investigations analytiques sur les queues de distribution d\u00e9montrent que tant que la condition n ≤ 0,10 N<\/em> est respect\u00e9e, les d\u00e9calages de probabilit\u00e9s cumul\u00e9es demeurent cantonn\u00e9s au troisi\u00e8me ou quatri\u00e8me chiffre apr\u00e8s la virgule. Par voie de cons\u00e9quence, une statistique de test g\u00e9n\u00e9rant une valeur p<\/em> binomiale calcul\u00e9e \u00e0 0,048 (conduisant l\u00e9gitimement au rejet de l’hypoth\u00e8se nulle au seuil de 5 %) correspondrait sous une mod\u00e9lisation hyperg\u00e9om\u00e9trique rigoureuse \u00e0 une probabilit\u00e9 tr\u00e8s marginalement inf\u00e9rieure, par exemple 0,046. La d\u00e9cision inf\u00e9rentielle substantielle demeure ainsi strictement inchang\u00e9e.<\/p>\n

De surcro\u00eet, la pr\u00e9servation de la puissance statistique des tests d’hypoth\u00e8se bilat\u00e9raux est totale. La puissance d’un test statistique (d\u00e9finie par le compl\u00e9mentaire de l’erreur de seconde esp\u00e8ce, 1 – β<\/em>) d\u00e9pend intrins\u00e8quement de l’erreur type de l’estimateur. Puisque, comme nous l’avons mis en \u00e9vidence, l’\u00e9cart-type n’est distordu que d’un facteur n\u00e9gligeable (≤ 5 %) lorsque la r\u00e8gle des 10 % est observ\u00e9e, la probabilit\u00e9 de d\u00e9tecter un effet exp\u00e9rimental r\u00e9el d’une amplitude donn\u00e9e n’est alt\u00e9r\u00e9e que de mani\u00e8re totalement marginale, immunisant le chercheur contre tout artefact m\u00e9thodologique majeur.<\/p>\n

4. Exemple concret \u00e9tape par \u00e9tape : validation et calculs num\u00e9riques<\/h2>\n

4.1 Pr\u00e9sentation d’un sc\u00e9nario de recherche empirique<\/h3>\n

Afin d’illustrer de mani\u00e8re rigoureuse la port\u00e9e op\u00e9rationnelle de ces abstractions math\u00e9matiques, concevons une investigation \u00e9pid\u00e9miologique et comportementale standard men\u00e9e au sein d’une universit\u00e9 europ\u00e9enne de taille moyenne. Les autorit\u00e9s universitaires souhaitent \u00e9valuer la pr\u00e9valence de la d\u00e9tresse psychologique chez les \u00e9tudiants inscrits au premier cycle. La population source, exhaustivement r\u00e9pertori\u00e9e par les services de scolarit\u00e9 centrale, comprend tr\u00e8s exactement N = 10 000<\/em> \u00e9tudiants immatricul\u00e9s au cours de l’ann\u00e9e acad\u00e9mique courante.<\/p>\n

Sur la base de la litt\u00e9rature \u00e9pid\u00e9miologique nationale pr\u00e9existante et d’\u00e9tudes sentinelles comparables, il est postul\u00e9 que la proportion de sujets pr\u00e9sentant des manifestations d’anxi\u00e9t\u00e9 clinique mod\u00e9r\u00e9e \u00e0 s\u00e9v\u00e8re s’\u00e9l\u00e8ve \u00e0 p = 0,20<\/em> (soit 20 % de la population globale). Par cons\u00e9quent, au sein des effectifs totaux, le nombre absolu d’individus symptomatiques est de K = N × p = 10 000 × 0,20 = 2 000<\/em> \u00e9tudiants, tandis que N – K = 8 000<\/em> \u00e9tudiants sont exempts de cette symptomatologie clinique.<\/p>\n

Dans l’impossibilit\u00e9 mat\u00e9rielle d’administrer une \u00e9chelle psychom\u00e9trique standardis\u00e9e \u00e0 l’ensemble du corps estudiantin pour des raisons logistiques et de co\u00fbt de passation, l’\u00e9quipe de recherche extrait, par le biais d’un algorithme g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires sans remise appliqu\u00e9 au registre matricule, un \u00e9chantillon de n = 500<\/em> participants. L’objectif probabiliste sp\u00e9cifique assign\u00e9 \u00e0 l’analyse pr\u00e9liminaire consiste \u00e0 d\u00e9terminer la probabilit\u00e9 d’observer au sein de cet \u00e9chantillon au moins 120 \u00e9tudiants anxieux (ce qui correspondrait \u00e0 une proportion d’\u00e9chantillon p̂ ≥ 0,24<\/em>), traduisant une \u00e9l\u00e9vation locale pr\u00e9occupante de la morbidit\u00e9 psychologique.<\/p>\n

4.2 V\u00e9rification explicite de la condition des 10 %<\/h3>\n

Avant d’engager le moindre calcul de probabilit\u00e9 d’\u00e9chantillonnage ou de param\u00e9trer une routine de test inf\u00e9rentiel, l’analyste de donn\u00e9es a l’obligation m\u00e9thodologique formelle de valider les conditions d’admissibilit\u00e9 de son mod\u00e8le probabiliste. La premi\u00e8re phase de ce diagnostic consiste \u00e0 v\u00e9rifier sans ambigu\u00eft\u00e9 la condition des dix pour cent. Pour ce faire, calculons explicitement la fraction de sondage empirique, not\u00e9e f<\/em> :<\/p>\n

f = n \/ N = 500 \/ 10 000 = 0,05<\/em> (soit pr\u00e9cis\u00e9ment 5 %)<\/p>\n

En confrontant ce r\u00e9sultat \u00e0 la r\u00e8gle canonique formalis\u00e9e dans notre cadre th\u00e9orique, nous constatons de mani\u00e8re indiscutable que :<\/p>\n

f = 0,05 ≤ 0,10<\/em>  ou, sous la forme du produit \u00e9quivalent :  n = 500 ≤ 0,10 × 10 000 = 1 000<\/em><\/p>\n

La fraction d’\u00e9chantillonnage ne repr\u00e9sentant que la moiti\u00e9 du plafond de tol\u00e9rance autoris\u00e9 par la convention m\u00e9thodologique, la condition des 10 % est formellement respect\u00e9e. L’analyste re\u00e7oit ainsi la garantie math\u00e9matique que la d\u00e9pendance stochastique induite par l’\u00e9puisement sans remise de la population de 10 000 \u00e9tudiants sera infinit\u00e9simale. Il est d\u00e8s lors formellement autoris\u00e9 \u00e0 traiter l’ensemble des 500 observations comme des \u00e9preuves de Bernoulli mutuellement ind\u00e9pendantes, simplifiant de mani\u00e8re spectaculaire le calcul inf\u00e9rentiel par le recours \u00e0 la loi binomiale.<\/p>\n

Parall\u00e8lement, et par mesure de rigueur m\u00e9thodologique pr\u00e9alable \u00e0 tout traitement asymptotique normal, l’analyste v\u00e9rifie \u00e9galement les crit\u00e8res d’effectifs attendus (r\u00e8gle des succ\u00e8s-\u00e9checs) :<\/p>\n