La fonction INTERVALLE.CONFIANCE.NORMAL te permet de mesurer la précision d'une moyenne calculée sur un échantillon. En clair, elle répond à la question : ta moyenne de 78 observée sur 50 clients, quelle est la vraie moyenne de toute la population ? Elle calcule la marge d'erreur à ajouter et soustraire de ta moyenne pour obtenir l'intervalle de confiance.
Que tu travailles en marketing pour évaluer la satisfaction, en contrôle qualité pour valider une production, ou en data analyse pour planifier la taille d'un sondage, cette fonction t'aide à quantifier l'incertitude de tes estimations avec la rigueur statistique de la loi normale. Elle s'applique aux grands échantillons (n supérieur ou égal à 30) quand l'écart-type de la population est connu.
Syntaxe de la fonction INTERVALLE.CONFIANCE.NORMAL
=INTERVALLE.CONFIANCE.NORMAL(alpha; écart_type; taille)La formule mathématique est Z × (écart_type / √taille), où Z est la valeur critique de la loi normale standard pour le niveau alpha/2. Pour alpha = 0,05, Z vaut environ 1,96. Plus l'échantillon est grand, plus la marge diminue proportionnellement à √taille.
Comprendre chaque paramètre de la fonction INTERVALLE.CONFIANCE.NORMAL
Les trois arguments se suivent toujours dans le même ordre : d'abord alpha (ton risque d'erreur, pas ton niveau de confiance), puis l'écart_type de la population, enfin la taille de l'échantillon. Aucun n'est facultatif, et c'est l'écart_type qui te piège le plus : la fonction réclame celui de toute la population, pas celui de ton échantillon. Si tu ne le tiens pas d'une source historique fiable, c'est vers INTERVALLE.CONFIANCE.STUDENT qu'il faut te tourner.
alpha
: le niveau de signification statistique, un nombre entre `0` et `1` (exclu)C'est le risque d'erreur que tu acceptes. La relation avec le niveau de confiance est : niveau de confiance = 1 - alpha.
Valeurs courantes : 0,05 pour 95 % de confiance (le standard dans la plupart des domaines), 0,01 pour 99 % de confiance (plus prudent, intervalle plus large), 0,10 pour 90 % de confiance (moins strict, intervalle plus étroit).
Astuce : Dans le doute, utilise 0,05 : c'est le seuil de référence en sciences, en marketing et en contrôle qualité. Il correspond au célèbre seuil de signification p < 0,05 des publications scientifiques.
écart_type
: l'écart-type de la population entière, pas de l'échantillonIl mesure la variabilité naturelle des données dans la population complète. Doit être strictement positif.
C'est souvent le paramètre le plus délicat : en pratique, tu connais rarement l'écart-type exact de toute la population. Il faut le connaître à partir de données historiques fiables, d'un recensement complet, ou de normes techniques établies (comme les tolérances d'un procédé de fabrication).
Attention : Si tu ne connais pas l'écart-type de la population (ce qui est presque toujours le cas pour une nouvelle étude), utilise INTERVALLE.CONFIANCE.STUDENT avec l'écart-type de ton échantillon. INTERVALLE.CONFIANCE.NORMAL n'est approprié que quand tu as des données historiques fiables sur toute la population.
taille
: la taille de ton échantillon, en nombre d'observationsDoit être un entier positif supérieur ou égal à 1. La loi normale est recommandée quand taille >= 30 : en dessous, préfère INTERVALLE.CONFIANCE.STUDENT.
Plus ton échantillon est grand, plus ta marge d'erreur est petite et ton estimation précise. La relation est : si tu multiplies la taille par 4, tu divises la marge d'erreur par 2. C'est la loi des rendements décroissants qui explique pourquoi les sondages sérieux visent au moins 1 000 personnes.
Astuce : Pour diviser ta marge d'erreur par 2, tu dois multiplier la taille de l'échantillon par 4. Passer de 100 à 400 personnes coupe la marge en deux, mais passer de 400 à 1 600 ne la coupe à nouveau en deux qu'au prix d'un effort quatre fois plus grand.
Exemples pratiques pas à pas
Responsable satisfaction client : estimer la satisfaction moyenne
Tu es responsable expérience client. Tu as interrogé 50 clients sur leur satisfaction (score de 0 à 100), et la moyenne observée est de 78. D'après tes données historiques sur l'ensemble de ta clientèle, l'écart-type de la population est de 12. Tu veux estimer la vraie satisfaction moyenne de tous tes clients avec 95 % de confiance.
| A | B | |
|---|---|---|
| 1 | Paramètre | Valeur |
| 2 | Alpha (95 % de confiance) | 0,05 |
| 3 | Écart-type population | 12 |
| 4 | Taille échantillon | 50 |
| 5 | Moyenne échantillon | 78 |
| 6 | Marge d'erreur | 3,33 |
| 7 | Borne inférieure | 74,67 |
| 8 | Borne supérieure | 81,33 |
=INTERVALLE.CONFIANCE.NORMAL(0,05; 12; 50)La fonction retourne une marge d'erreur de 3,33 à partir du risque alpha (0,05), de l'écart-type de la population (12) et de la taille de l'échantillon (50). L'intervalle de confiance est donc [78 - 3,33 ; 78 + 3,33], soit [74,67 ; 81,33] : tu peux affirmer avec 95 % de confiance que la vraie satisfaction moyenne de toute ta clientèle se situe dans cet intervalle.
Astuce de pro : Pour calculer directement les bornes dans ton tableau, utilise =MOYENNE(données) - INTERVALLE.CONFIANCE.NORMAL(0,05; écart_type; NB(données)) pour la borne inférieure et + pour la supérieure.
Responsable qualité : vérifier la conformité d'une production
Tu es responsable qualité dans une usine. Tu mesures le poids de 100 pièces (moyenne : 50,2 g) et l'écart-type historique de ta ligne de production est de 2,5 g. Tu veux vérifier si la production respecte la cible de 50 g avec un niveau de confiance élevé de 99 %.
| A | B | C | |
|---|---|---|---|
| 1 | Paramètre | Valeur | Description |
| 2 | Alpha | 0,01 | Pour 99 % de confiance |
| 3 | Écart-type | 2,5 | Grammes (historique procédé) |
| 4 | Taille | 100 | Pièces mesurées |
| 5 | Moyenne | 50,2 | Grammes |
| 6 | Marge d'erreur | 0,64 | Grammes |
| 7 | Borne inférieure | 49,56 | 50,2 - 0,64 |
| 8 | Borne supérieure | 50,84 | 50,2 + 0,64 |
=INTERVALLE.CONFIANCE.NORMAL(0,01; 2,5; 100)Ici, la fonction calcule une marge d'erreur de 0,64 g pour un risque de 1 % (alpha = 0,01), un écart-type de 2,5 g et 100 pièces mesurées. L'intervalle [49,56 ; 50,84] contient bien la cible de 50 g : même avec 99 % de confiance, la production reste conforme.
Data analyst : impact du niveau de confiance sur la précision
Tu analyses les temps de réponse d'un service client : 200 appels mesurés, moyenne de 4,2 minutes, écart-type historique de 1,8 minutes. Tu veux comparer l'impact du niveau de confiance sur la précision de ton estimation avant de choisir le seuil à présenter à la direction.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Niveau de confiance | Alpha | Marge d'erreur | Intervalle |
| 2 | 90 % | 0,10 | 0,21 | [3,99 ; 4,41] |
| 3 | 95 % | 0,05 | 0,25 | [3,95 ; 4,45] |
| 4 | 99 % | 0,01 | 0,33 | [3,87 ; 4,53] |
=INTERVALLE.CONFIANCE.NORMAL(0,05; 1,8; 200)Ici, la fonction donne une marge de 0,25 minute au niveau 95 % (alpha = 0,05). Le compromis est clair : 99 % de confiance élargit l'intervalle (±0,33) tandis que 90 % le resserre (±0,21) au prix d'un risque d'erreur plus élevé. Le niveau de 95 % représente l'équilibre standard pour la plupart des analyses opérationnelles.
Chef de projet : planifier la taille d'échantillon
Tu dois planifier une étude et décider combien de personnes interroger. L'écart-type attendu est de 15 et tu vises un niveau de confiance de 95 %. Cette table te montre le gain de précision pour différentes tailles d'échantillon.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Taille d'échantillon | Formule | Marge d'erreur | Précision |
| 2 | 30 | =INTERVALLE.CONFIANCE.NORMAL(0,05; 15; 30) | 5,37 | Faible |
| 3 | 100 | =INTERVALLE.CONFIANCE.NORMAL(0,05; 15; 100) | 2,94 | Moyenne |
| 4 | 500 | =INTERVALLE.CONFIANCE.NORMAL(0,05; 15; 500) | 1,31 | Élevée |
| 5 | 1000 | =INTERVALLE.CONFIANCE.NORMAL(0,05; 15; 1000) | 0,93 | Très élevée |
=INTERVALLE.CONFIANCE.NORMAL(0,05; 15; 100)Ici, la fonction renvoie une marge de 2,94 pour 100 personnes (écart-type 15, niveau 95 %). En faisant varier la taille, tu vois la loi des rendements décroissants à l'œuvre : passer de 30 à 100 personnes divise la marge par presque 2 (de 5,37 à 2,94), mais passer de 100 à 500 demande 5 fois plus d'effort pour la diviser par 2,2.
Astuce de pro : Pour trouver la taille minimale d'échantillon qui garantit une marge inférieure à une valeur cible, utilise la formule inversée : n >= (Z × écart_type / marge_souhaitée)². Pour une marge de 2 avec écart-type 15 et Z = 1,96 : n >= (1,96 × 15 / 2)² ≈ 216.
Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction INTERVALLE.CONFIANCE.NORMAL
Ici, ce ne sont pas des bugs Excel mais des contresens statistiques qui te coûtent cher. Une seule donne vraiment un #NOMBRE! : quand alpha, écart_type ou taille sortent de leurs bornes autorisées. Les trois autres pièges renvoient un chiffre parfaitement crédible mais faux : confondre la marge avec l'intervalle entier, glisser l'écart-type de l'échantillon à la place de celui de la population, ou saisir 0,95 au lieu de 0,05 pour alpha.
Erreur #NOMBRE! : paramètres hors limites
Cette erreur apparaît si alpha est inférieur ou égal à 0 ou supérieur ou égal à 1, si écart_type est inférieur ou égal à 0, ou si taille est inférieur à 1. Les plages valides doivent être respectées pour que le calcul statistique soit mathématiquement défini.
Solution : Vérifie chaque paramètre : 0 < alpha < 1 (typiquement 0,05), écart_type > 0, et taille >= 1. Si ces valeurs proviennent de cellules, protège la formule avec SIERREUR ou des conditions SI pour éviter l'affichage d'une erreur quand les cellules sont vides.
Confusion entre la marge d'erreur et l'intervalle complet
La fonction retourne la marge d'erreur (demi-largeur de l'intervalle), pas l'intervalle complet. Si le résultat est 3,33, l'intervalle total a une largeur de 6,66. Beaucoup d'utilisateurs pensent à tort que le résultat représente la borne supérieure, en supposant que l'intervalle commence à zéro.
Solution : Construis toujours les bornes explicitement : borne_inférieure = moyenne - marge et borne_supérieure = moyenne + marge. Affiche ces deux valeurs dans ton rapport plutôt que la seule marge, pour éviter toute ambiguïté à la lecture.
Utiliser l'écart-type d'échantillon au lieu de celui de la population
INTERVALLE.CONFIANCE.NORMAL requiert l'écart-type de la population entière (calculé avec ECARTYPE.PEARSON, division par N), pas l'écart-type de l'échantillon (ECARTYPE.STANDARD, division par N-1). Utiliser le mauvais écart-type biaise le résultat, même légèrement.
Solution : Utilise l'écart-type de la population uniquement si tu le connais de source historique fiable. Si tu n'as que les données de ton échantillon, utilise plutôt INTERVALLE.CONFIANCE.STUDENT avec ECARTYPE.STANDARD : c'est mathématiquement plus rigoureux pour les données inconnues.
Confondre alpha et niveau de confiance
Alpha est le risque d'erreur, pas le niveau de confiance. Saisir 0,95 pour alpha quand tu veux 95 % de confiance est une erreur fréquente : cela calculerait un intervalle pour seulement 5 % de confiance, ce qui donne une marge d'erreur très petite mais totalement non fiable.
Solution : Retiens la relation : niveau de confiance = 1 - alpha. Pour 95 % de confiance, entre 0,05. Pour 99 %, entre 0,01. Pour 90 %, entre 0,10.
Questions fréquentes sur la fonction INTERVALLE.CONFIANCE.NORMAL
Quelle différence entre INTERVALLE.CONFIANCE.NORMAL et INTERVALLE.CONFIANCE.STUDENT ?
INTERVALLE.CONFIANCE.NORMAL utilise la loi normale (Z), adaptée aux grands échantillons (n >= 30) quand l'écart-type de la population est connu. INTERVALLE.CONFIANCE.STUDENT utilise la loi de Student (t), plus prudente, pour les petits échantillons ou quand tu utilises l'écart-type de l'échantillon.
En pratique, si tu ne connais pas l'écart-type exact de toute la population (ce qui est presque toujours le cas), préfère INTERVALLE.CONFIANCE.STUDENT : elle est plus adaptée à la situation réelle.
Comment interpréter la valeur alpha = 0,05 ?
Alpha = 0,05 correspond à un niveau de confiance de 95 % (1 - 0,05 = 0,95). Cela signifie que si tu répétais ton expérience un grand nombre de fois, environ 95 % des intervalles ainsi calculés contiendraient la vraie moyenne de la population.
C'est le standard le plus courant en statistiques, en marketing et en contrôle qualité. Alpha = 0,01 donne 99 % de confiance (intervalle plus large, plus prudent). Alpha = 0,10 donne 90 % de confiance (intervalle plus étroit, moins strict).
Pourquoi utiliser la loi normale au lieu de la loi de Student ?
La loi normale est appropriée quand deux conditions sont réunies : l'écart-type de la population est connu avec précision, et la taille d'échantillon est suffisamment grande (généralement n >= 30) pour que le théorème central limite s'applique.
Quand ces conditions ne sont pas remplies (petit échantillon ou écart-type inconnu), la loi de Student est plus prudente et donne des intervalles légèrement plus larges pour tenir compte de l'incertitude supplémentaire.
Comment calculer les bornes de l'intervalle de confiance ?
La fonction retourne la marge d'erreur e. Les bornes se calculent ainsi : borne inférieure = moyenne - e, borne supérieure = moyenne + e.
Par exemple, avec une moyenne de 78 et une marge de 3,33, l'intervalle est [78 - 3,33 ; 78 + 3,33] = [74,67 ; 81,33]. Tu peux directement écrire ces formules dans deux cellules de ton tableau de résultats.
Pourquoi faut-il multiplier la taille par 4 pour diviser la marge par 2 ?
La marge d'erreur est inversement proportionnelle à la racine carrée de la taille d'échantillon (formule Z × σ / √n). Pour diviser la marge par 2, il faut diviser √n par 2, ce qui revient à multiplier n par 4.
C'est la loi des rendements décroissants de la précision statistique : doubler la précision coûte quatre fois plus cher en taille d'échantillon. C'est pourquoi les sondages qui visent ±1 % de marge interrogent plusieurs milliers de personnes.
Peut-on utiliser cette fonction pour les proportions (taux, pourcentages) ?
Oui, mais avec précaution. Pour une proportion p observée sur un échantillon de taille n, l'écart-type de la population peut être approximé par √(p × (1-p)). Utilise cette valeur comme paramètre écart_type.
Par exemple, pour un taux de conversion de 12 % sur 200 visites : =INTERVALLE.CONFIANCE.NORMAL(0,05; RACINE(0,12*0,88); 200). Cette approximation est valide quand n*p >= 10 et n*(1-p) >= 10.
Pour aller plus loin
Bloqué sur une formule Excel ?
Pose ta question à notre assistant Excel IA, il te sort la bonne formule en quelques secondes.
Essayer l'assistant IAGratuit · 10 questions par mois