{"id":9014,"date":"2026-09-23T06:57:50","date_gmt":"2026-09-23T06:57:50","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-appliquer-theoreme-central-limite-ti-84\/"},"modified":"2026-09-23T06:57:56","modified_gmt":"2026-09-23T06:57:56","slug":"comment-appliquer-theoreme-central-limite-ti-84","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-appliquer-theoreme-central-limite-ti-84","title":{"rendered":"Comment appliquer le th\u00e9or\u00e8me central limite sur la calculatrice TI-84"},"content":{"rendered":"

L’inf\u00e9rence statistique moderne repose sur un ensemble de principes math\u00e9matiques dont la puissance r\u00e9side dans leur capacit\u00e9 \u00e0 extraire des certitudes probabilistes \u00e0 partir de l’incertitude inh\u00e9rente aux donn\u00e9es empiriques. Au c\u0153ur de cet \u00e9difice se trouve le th\u00e9or\u00e8me central limite<\/a> (TCL), un r\u00e9sultat d’une port\u00e9e fondamentale qui permet d’\u00e9tablir des ponts m\u00e9thodologiques rigoureux entre les caract\u00e9ristiques m\u00e9connues d’une population parente et le comportement pr\u00e9visible des \u00e9chantillons qui en sont extraits. Sans cette pierre angulaire, la majeure partie des tests d’hypoth\u00e8ses param\u00e9triques, de l’estimation par intervalles de confiance et de la mod\u00e9lisation statistique appliqu\u00e9e aux sciences humaines, biologiques ou comportementales serait priv\u00e9e de son assise th\u00e9orique.<\/p>\n

Dans les environnements p\u00e9dagogiques, universitaires et professionnels, l’apprentissage de ces concepts abstraits exige un support instrumental fiable, direct et universellement accessible. La gamme des calculatrices graphiques Texas Instruments<\/a>, et plus particuli\u00e8rement la famille de la TI-84 (qu’il s’agisse des versions Standard, Silver Edition ou de la moderne TI-84 Plus CE), constitue la plateforme technologique privil\u00e9gi\u00e9e pour concr\u00e9tiser ces raisonnements asymptotiques. Gr\u00e2ce \u00e0 ses algorithmes de calcul num\u00e9rique et \u00e0 son microprocesseur d\u00e9di\u00e9 \u00e0 la manipulation probabiliste, la TI-84 permet de transformer des \u00e9quations d’int\u00e9gration complexes en proc\u00e9dures op\u00e9rationnelles accessibles d’un simple geste.<\/p>\n

Toutefois, la manipulation instrumentale d’un concept aussi exigeant que le th\u00e9or\u00e8me central limite ne souffre d’aucune approximation. Une simple omission dans la mod\u00e9lisation de l’\u00e9cart-type ou une confusion entre distribution individuelle et distribution d’\u00e9chantillonnage peut induire des erreurs d’interpr\u00e9tation massives chez le chercheur ou l’\u00e9tudiant. Ce guide exhaustif explore de fa\u00e7on m\u00e9ticuleuse l’ensemble des fondements th\u00e9oriques, des logiques algorithmiques, des syntaxes de programmation et des applications pratiques indispensables pour ma\u00eetriser l’application du th\u00e9or\u00e8me central limite sur la calculatrice TI-84.<\/p>\n

1. Fondements th\u00e9oriques du th\u00e9or\u00e8me central limite en inf\u00e9rence statistique<\/h2>\n

1.1 D\u00e9finition et \u00e9nonc\u00e9 fondamental du th\u00e9or\u00e8me central limite<\/h3>\n

Le th\u00e9or\u00e8me central limite constitue le pilier fondamental de la th\u00e9orie des probabilit\u00e9s appliqu\u00e9es \u00e0 l’\u00e9chantillonnage statistique. \u00c9nonc\u00e9 sous sa forme classique par Pierre-Simon de Laplace puis formalis\u00e9 rigoureusement par des math\u00e9maticiens tels qu’Aleksandr Liapounov et Jarl Waldemar Lindeberg, ce th\u00e9or\u00e8me stipule que la somme — et par extension directe la moyenne arithm\u00e9tique empirique — d’un nombre suffisamment grand de variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es (i.i.d.) converge en loi vers une loi normale<\/a>, ou distribution gaussienne, ind\u00e9pendamment de la forme de la distribution sous-jacente des variables individuelles d’origine.<\/p>\n

Sur le plan formel, consid\u00e9rons une suite de variables al\u00e9atoires r\u00e9elles $X_1, X_2, dots, X_n$<\/span> d\u00e9finies sur un m\u00eame espace de probabilit\u00e9, ind\u00e9pendantes et suivant toutes la m\u00eame loi de probabilit\u00e9 de moyenne th\u00e9orique $\\mu$<\/span> et de variance finie $\\sigma^2$<\/span> (avec $\\sigma > 0$<\/span>). La moyenne d’\u00e9chantillon, traditionnellement not\u00e9e $\\bar{X}_n = \\frac{1}{n}\\sum_{i=1}^{n} X_i$<\/span>, est elle-m\u00eame une variable al\u00e9atoire. Le th\u00e9or\u00e8me central limite affirme que la variable standardis\u00e9e associ\u00e9e converge en distribution :<\/p>\n

$$\\lim_{n to \\infty} P\\left( \\frac{\\bar{X}_n – \\mu}{\\frac{\\sigma}{\\sqrt{n}}} le z \\right) = \\Phi(z) = \\frac{1}{\\sqrt{2\\pi}} \\int_{-\\infty}^{z} e^{-\\frac{t^2}{2}} , dt$$<\/span><\/p>\n

Ce r\u00e9sultat est exceptionnel d’un point de vue \u00e9pist\u00e9mologique : quelle que soit la morphologie g\u00e9om\u00e9trique de la distribution de d\u00e9part — qu’elle soit continue ou discr\u00e8te, uniforme, bimodale, exponentielle, ou fortement asym\u00e9trique —, le processus d’agr\u00e9gation par la moyenne op\u00e8re une r\u00e9gularisation universelle. Les fluctuations al\u00e9atoires individuelles se compensent mutuellement au fil de l’accumulation des mesures, donnant naissance \u00e0 la fameuse courbe en cloche sym\u00e9trique. Dans le cadre de l’inf\u00e9rence statistique et des tests d’hypoth\u00e8ses, ce ph\u00e9nom\u00e8ne garantit aux chercheurs la possibilit\u00e9 d’utiliser les propri\u00e9t\u00e9s de la loi normale pour estimer des param\u00e8tres inconnus sans devoir postuler une normalit\u00e9 stricte des donn\u00e9es brutes.<\/p>\n

1.2 Le crit\u00e8re de taille d’\u00e9chantillon et la r\u00e8gle empirique de n sup\u00e9rieur ou \u00e9gal \u00e0 30<\/h3>\n

D’un point de vue th\u00e9orique pur, la convergence d\u00e9crite par le th\u00e9or\u00e8me central limite est un processus asymptotique, ce qui sous-entend qu’elle n’est rigoureusement exacte que lorsque la taille $n$<\/span> de l’\u00e9chantillon tend vers l’infini. Cependant, pour les praticiens et les analystes de donn\u00e9es, une question op\u00e9rationnelle imm\u00e9diate s’impose : \u00e0 partir de quel seuil d’effectif peut-on consid\u00e9rer que l’approximation par la loi normale est suffisamment robuste pour autoriser des calculs de probabilit\u00e9s fiables sur une calculatrice graphique ?<\/p>\n

La litt\u00e9rature statistique acad\u00e9mique s’accorde quasi unanimement sur la r\u00e8gle empirique stipulant que lorsque la taille de l’\u00e9chantillon satisfait la condition $n ge 30$<\/span>, la distribution d’\u00e9chantillonnage de la moyenne empirique $\\bar{X}$<\/span> est raisonnablement proche d’une distribution normale pour la vaste majorit\u00e9 des distributions parentes rencontr\u00e9es dans la pratique. Ce seuil de trente observations n’est pas une discontinuit\u00e9 math\u00e9matique abrupte, mais un compromis pragmatique valid\u00e9 par des d\u00e9cennies d’exp\u00e9rimentations par la m\u00e9thode de Monte-Carlo. \u00c0 partir de cette valeur, l’erreur d’approximation commise en assimilant la distribution empirique standardis\u00e9e \u00e0 la fonction de r\u00e9partition $Phi(z)$<\/span> devient minime pour les intervalles de confiance conventionnels.<\/p>\n

Toutefois, la vitesse de convergence d\u00e9pend de la forme initiale de la population. Si la variable \u00e9tudi\u00e9e pr\u00e9sente une distribution originelle d\u00e9j\u00e0 parfaitement gaussienne, la distribution d’\u00e9chantillonnage de la moyenne sera rigoureusement normale d\u00e8s $n = 1$<\/span>. En revanche, si la distribution parente souffre d’une asym\u00e9trie marqu\u00e9e (coefficient d’asym\u00e9trie de Pearson ou skewness<\/em> tr\u00e8s \u00e9loign\u00e9 de z\u00e9ro) ou d’un aplatissement exceptionnel (kurtosis prononc\u00e9, pr\u00e9sence de queues de distribution \u00e9paisses comme dans les lois de Pareto ou de Cauchy tronqu\u00e9es), le seuil de $n = 30$<\/span> peut se r\u00e9v\u00e9ler insuffisant. Dans de telles circonstances, courantes par exemple en \u00e9conom\u00e9trie des revenus ou en psychom\u00e9trie des temps de r\u00e9action extr\u00eames, des effectifs de $n = 50$<\/span>, $n = 100$<\/span>, voire davantage, deviennent indispensables pour neutraliser les d\u00e9viations initiales.<\/p>\n

1.3 Distinction formelle entre distribution de population et distribution d’\u00e9chantillonnage<\/h3>\n

L’une des barri\u00e8res conceptuelles les plus persistantes dans l’apprentissage des statistiques inf\u00e9rentielles r\u00e9side dans la confusion entre la distribution d’une variable au sein d’une population et la distribution d’\u00e9chantillonnage d’une statistique calcul\u00e9e sur cette m\u00eame variable. Cette distinction doit \u00eatre comprise pour programmer ad\u00e9quatement la calculatrice TI-84.<\/p>\n

La distribution de la population d\u00e9crit la variabilit\u00e9 individuelle des \u00e9l\u00e9ments qui composent l’ensemble \u00e9tudi\u00e9. Chaque individu statistique $X_i$<\/span> poss\u00e8de une valeur mesurable, caract\u00e9ris\u00e9e par une moyenne $\\mu$<\/span> et un \u00e9cart-type $\\sigma$<\/span>. Cette dispersion refl\u00e8te l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 naturelle du vivant ou des ph\u00e9nom\u00e8nes mesur\u00e9s : par exemple, la dispersion des tailles des adultes dans une nation, la variabilit\u00e9 des rendements d’un actif financier sur vingt ans, ou les scores individuels obtenus \u00e0 une \u00e9preuve de m\u00e9moire de travail. La forme de cette distribution de population ne se modifie aucunement lorsque l’exp\u00e9rimentateur modifie la taille de ses \u00e9chantillons : elle repr\u00e9sente une r\u00e9alit\u00e9 ontologique fixe.<\/p>\n

En contrepartie, la distribution d’\u00e9chantillonnage de la moyenne $\\bar{X}$<\/span> est une entit\u00e9 abstraite, th\u00e9orique et probabiliste. Elle repr\u00e9sente la distribution de fr\u00e9quence que l’on obtiendrait si l’on extrayait de mani\u00e8re r\u00e9p\u00e9t\u00e9e, ind\u00e9finiment, tous les \u00e9chantillons al\u00e9atoires possibles de taille fixe $n$<\/span> au sein de cette population parente, et qu’on calculait pour chacun d’eux la moyenne arithm\u00e9tique. Alors que les individus fluctuent selon l’\u00e9cart-type $\\sigma$<\/span>, les moyennes d’\u00e9chantillon fluctuent selon un \u00e9cart-type drastiquement resserr\u00e9, nomm\u00e9 erreur type. Alors que la loi faible des grands nombres stipule simplement que $\\bar{X}_n$<\/span> converge en probabilit\u00e9 vers $\\mu$<\/span> lorsque $n$<\/span> grandit (stabilisation de la valeur ponctuelle), le th\u00e9or\u00e8me central limite caract\u00e9rise pr\u00e9cis\u00e9ment la structure, l’amplitude et la forme de cette variabilit\u00e9 r\u00e9siduelle.<\/p>\n

2. Propri\u00e9t\u00e9s math\u00e9matiques de la distribution d’\u00e9chantillonnage de la moyenne<\/h2>\n

2.1 L’esp\u00e9rance de la moyenne d’\u00e9chantillon<\/h3>\n

L’\u00e9tude analytique de la distribution d’\u00e9chantillonnage d\u00e9bute par la d\u00e9termination de son premier moment centr\u00e9 : son esp\u00e9rance math\u00e9matique, not\u00e9e $E(\\bar{X})$<\/span> ou $\\mu_{\\bar{X}}$<\/span>. La lin\u00e9arit\u00e9 de l’op\u00e9rateur d’esp\u00e9rance permet d’\u00e9tablir une d\u00e9monstration formelle directe qui ne requiert aucune condition restrictive quant \u00e0 la taille d’\u00e9chantillon ou \u00e0 l’ind\u00e9pendance stricte des variables, pourvu que l’esp\u00e9rance de chaque variable individuelle existe et soit \u00e9gale \u00e0 $\\mu$<\/span>.<\/p>\n

Soit un \u00e9chantillon al\u00e9atoire simple $X_1, X_2, dots, X_n$<\/span>. Par d\u00e9finition de la moyenne arithm\u00e9tique :<\/p>\n

$$E(\\bar{X}) = E\\left( \\frac{1}{n} \\sum_{i=1}^{n} X_i \\right) = \\frac{1}{n} \\sum_{i=1}^{n} E(X_i) = \\frac{1}{n} (n \\cdot \\mu) = \\mu$$<\/span><\/p>\n

Cette \u00e9galit\u00e9 formelle, $\\mu_{\\bar{X}} = \\mu$<\/span>, conf\u00e8re \u00e0 la moyenne de l’\u00e9chantillon une propri\u00e9t\u00e9 m\u00e9trologique fondamentale : celle d’\u00eatre un estimateur sans biais (ou non biais\u00e9) de la moyenne de la population. En termes concrets, cela signifie que le centre de gravit\u00e9 de la distribution d’\u00e9chantillonnage co\u00efncide syst\u00e9matiquement avec le param\u00e8tre cible de la population globale. Si un chercheur menait une infinit\u00e9 d’exp\u00e9riences identiques avec des \u00e9chantillons de taille $n$<\/span>, la moyenne des moyennes obtenues ne d\u00e9vierait pas d’un iota de la moyenne r\u00e9elle du syst\u00e8me \u00e9tudi\u00e9. Cette propri\u00e9t\u00e9 \u00e9limine toute distorsion syst\u00e9matique dans le calibrage des arguments de position sur la calculatrice TI-84.<\/p>\n

2.2 L’erreur type de la moyenne et l’effet de l’accroissement de la taille d’\u00e9chantillon<\/h3>\n

Si le centre de la distribution d’\u00e9chantillonnage demeure invariant quelle que soit la valeur de $n$<\/span>, il en va tout autrement de sa dispersion. La variance de la moyenne d’\u00e9chantillon, not\u00e9e $operatorname{Var}(\\bar{X})$<\/span>, s’obtient en exploitant les propri\u00e9t\u00e9s de la variance pour une combinaison lin\u00e9aire de variables al\u00e9atoires ind\u00e9pendantes :<\/p>\n

$$operatorname{Var}(\\bar{X}) = operatorname{Var}\\left( \\frac{1}{n} \\sum_{i=1}^{n} X_i \\right) = \\frac{1}{n^2} \\sum_{i=1}^{n} operatorname{Var}(X_i) = \\frac{1}{n^2} (n \\cdot \\sigma^2) = \\frac{\\sigma^2}{n}$$<\/span><\/p>\n

En extrayant la racine carr\u00e9e positive de cette variance d’\u00e9chantillonnage, nous obtenons l’erreur type<\/a> de la moyenne, not\u00e9e universellement $\\sigma_{\\bar{X}}$<\/span> :<\/p>\n

$$\\sigma_{\\bar{X}} = \\frac{\\sigma}{\\sqrt{n}}$$<\/span><\/p>\n

Cette formule math\u00e9matique est le c\u0153ur op\u00e9rationnel de toute application du th\u00e9or\u00e8me central limite sur la TI-84. Elle montre que l’incertitude li\u00e9e \u00e0 l’estimation de la moyenne ne d\u00e9cro\u00eet pas lin\u00e9airement avec le nombre d’observations recueillies, mais proportionnellement \u00e0 la racine carr\u00e9e de la taille de l’\u00e9chantillon. Par cons\u00e9quent, pour diviser par deux la variabilit\u00e9 d’une moyenne observ\u00e9e, il est math\u00e9matiquement imp\u00e9ratif de quadrupler la taille de l’\u00e9chantillon ($n$<\/span> multipli\u00e9 par 4). Pour diviser l’erreur type par un facteur dix, il convient de multiplier le nombre d’observations par cent. Cette contraction de l’\u00e9talement de la courbe illustre la concentration de la masse probabiliste autour de $\\mu$<\/span>, r\u00e9duisant drastiquement les risques d’obtenir une moyenne d’\u00e9chantillon aberrante lors d’exp\u00e9rimentations d’envergure.<\/p>\n

2.3 Transformation en cote centr\u00e9e r\u00e9duite (Z-score)<\/h3>\n

L’\u00e9valuation des aires sous la courbe normale \u00e0 des fins probabilistes a historiquement exig\u00e9 le recours \u00e0 des tables num\u00e9riques standardis\u00e9es. Bien que la calculatrice TI-84 int\u00e8gre des routines de quadrature adaptative rendant caduc l’usage papier de ces tables, la compr\u00e9hension de la transformation en cote centr\u00e9e r\u00e9duite, ou $Z$<\/span>-score, demeure indispensable pour saisir la m\u00e9canique interne du processeur.<\/p>\n

La variable standardis\u00e9e associ\u00e9e \u00e0 une moyenne empirique donn\u00e9e $\\bar{x}$<\/span> se formule comme suit :<\/p>\n

$$Z = \\frac{\\bar{x} – \\mu_{\\bar{X}}}{\\sigma_{\\bar{X}}} = \\frac{\\bar{x} – \\mu}{\\frac{\\sigma}{\\sqrt{n}}}$$<\/span><\/p>\n

Cette transformation affine soustrait \u00e0 la valeur observ\u00e9e la moyenne attendue, puis divise l’\u00e9cart obtenu par l’erreur type. Elle convertit l’\u00e9chelle d’origine de la variable (en kilogrammes, en millisecondes, en points de quotient intellectuel) en un \u00e9cart standardis\u00e9 adimensionnel exprim\u00e9 en unit\u00e9s d’erreurs types. La variable r\u00e9sultante $Z$<\/span> suit approximativement la loi normale centr\u00e9e r\u00e9duite $\\mathcal{N}(0, 1)$<\/span>, caract\u00e9ris\u00e9e par une moyenne nulle et un \u00e9cart-type unitaire. Sur le plan instrumental, la TI-84 effectue exactement cette mise \u00e0 l’\u00e9chelle en arri\u00e8re-plan lorsque vous lui fournissez les param\u00e8tres $\\mu$<\/span> et $\\sigma \/ \\sqrt{n}$<\/span>, garantissant ainsi une pr\u00e9cision algorithmique maximale sans exiger de conversions manuelles fastidieuses de la part de l’utilisateur.<\/p>\n

3. Architecture et environnement statistique de la calculatrice TI-84<\/h2>\n

3.1 Pr\u00e9sentation des versions mat\u00e9rielles de la famille TI-84 Plus<\/h3>\n

La gamme des calculatrices TI-84 Plus d\u00e9velopp\u00e9e par Texas Instruments a connu plusieurs \u00e9volutions mat\u00e9rielles et logicielles majeures au fil des d\u00e9cennies, influen\u00e7ant l’ergonomie de saisie des instructions statistiques. Les mod\u00e8les historiques, \u00e0 l’instar de la TI-84 Plus standard et de la TI-84 Plus Silver Edition, sont \u00e9quip\u00e9s d’un processeur Zilog Z80 cadenc\u00e9 \u00e0 15 MHz et d’un \u00e9cran monochrome \u00e0 cristaux liquides d’une r\u00e9solution de $96 \\times 64$<\/span> pixels. Ces machines op\u00e8rent sous un syst\u00e8me d’exploitation classique o\u00f9 l’affichage textuel est pr\u00e9pond\u00e9rant.<\/p>\n

\"\"<\/figure>\n

Les versions contemporaines, repr\u00e9sent\u00e9es par la TI-84 Plus C Silver Edition et surtout la TI-84 Plus CE<\/strong> (incluant la TI-84 Plus CE-T tr\u00e8s r\u00e9pandue dans l’enseignement europ\u00e9en), int\u00e8grent un processeur eZ80 cadenc\u00e9 \u00e0 48 MHz, une m\u00e9moire Flash consid\u00e9rablement \u00e9tendue et un \u00e9cran couleur r\u00e9tro\u00e9clair\u00e9 haute d\u00e9finition de $320 \\times 240$<\/span> pixels. Au-del\u00e0 des performances mat\u00e9rielles brutes, l’\u00e9l\u00e9ment distinctif r\u00e9side dans l’apparition, \u00e0 partir de la version 2.53 MP du syst\u00e8me d’exploitation TI-OS, des Stat Wizards<\/em> (assistants statistiques interactifs).<\/p>\n

Lorsque les Stat Wizards<\/em> sont activ\u00e9s via le menu de configuration accessible par la touche [MODE], les fonctions de distributions statistiques cessent d’appara\u00eetre sous une forme de ligne de commande brute n\u00e9cessitant de se souvenir de l’ordre exact des arguments. \u00c0 la place, la machine d\u00e9ploie un formulaire interactif guid\u00e9, invitant l’utilisateur \u00e0 renseigner chaque param\u00e8tre de fa\u00e7on explicite avant d’ins\u00e9rer automatiquement l’expression syntaxique ad\u00e9quate sur l’\u00e9cran d’accueil. La ma\u00eetrise des deux modes de saisie — guid\u00e9 et classique — est n\u00e9anmoins indispensable pour tout \u00e9tudiant ou chercheur soucieux de sa dext\u00e9rit\u00e9 m\u00e9thodologique.<\/p>\n

3.2 Acc\u00e8s au sous-menu des lois statistiques : le menu DISTR<\/h3>\n

Toutes les distributions de probabilit\u00e9s impl\u00e9ment\u00e9es dans le micrologiciel de la TI-84 sont regroup\u00e9es au sein d’un r\u00e9pertoire d\u00e9di\u00e9 nomm\u00e9 DISTR<\/strong>. Ce menu n’est pas accessible directement par une frappe primaire, car la commande est mutualis\u00e9e sur la touche [VARS].<\/p>\n

Pour faire appara\u00eetre le menu des distributions, la s\u00e9quence op\u00e9ratoire universelle est la suivante :<\/p>\n