# Démonstrateur du Théorème Central Limite

Voyez le Théorème Central Limite en action : échantillonnez à partir d’une distribution source non normale (uniforme, exponentielle, Poisson ou Bernoulli), tracez l’histogramme des moyennes d’échantillon et superposez la courbe Normale prédite N(μ, σ²/n). Comparez moyennes et erreurs standard empiriques vs théoriques et observez la convergence se renforcer quand n croît.

> Page canonique: https://elysiatools.com/fr/tools/central-limit-theorem-demonstrator

- **Catégorie:** Data Visualization

- **Mots-clés:** théorème central limite, tcl, distribution d’échantillonnage, loi normale, gaussienne, statistiques, probabilité, moyenne d’échantillon, erreur standard, monte carlo, histogramme, data science, enseignement

## Présentation

Un outil d’enseignement statistique interactif pour les étudiants en intro stats / data science, les formateurs aux tests A/B et les professeurs d’AP Statistics :

1. **Distribution source** — choisissez une population clairement non normale : Uniforme(0,1), Exponentielle(λ=1), Poisson(λ=4) ou Bernoulli(p=0.3).
2. **Taille d’échantillon n** — nombre de tirages par moyenne. Augmentez-la pour voir la distribution se resserrer (dispersion ∝ σ/√n) et prendre une forme de cloche.
3. **Nombre d’échantillons** — combien de moyennes générer (résolution de l’histogramme).
4. **Sortie** — histogramme des moyennes avec la courbe Normale théorique superposée, plus moyenne et erreur standard empiriques vs théoriques, et un rug plot des données brutes.

Utilise un PRNG à graine (mulberry32) : chaque exécution avec les mêmes paramètres est reproductible — idéal pour des démos où tout le monde voit la même image.

## Entrées

- **Distribution source** (select)
- **Taille d’échantillon (n)** (number): Draws per sample mean. Larger n → narrower, more normal sampling distribution.
- **Nombre d’échantillons** (number): How many sample means to generate (histogram resolution).
- **Nombre de classes** (number): 40
- **Graine aléatoire** (number): Same seed → identical results (reproducible demos).
- **Décimales** (number): 3

## Quand l'utiliser

- Pour enseigner ou étudier les concepts de distribution d'échantillonnage et d'erreur standard en cours de statistiques.
- Pour valider visuellement l'impact de la taille de l'échantillon sur la forme et la dispersion de la distribution des moyennes.
- Pour générer des simulations reproductibles grâce à une graine aléatoire lors de démonstrations pédagogiques.

## Fonctionnement

- Sélectionnez une distribution source non normale parmi les options proposées : Uniforme, Exponentielle, Poisson ou Bernoulli.
- Définissez la taille de chaque échantillon (n), le nombre total de répétitions à simuler et le nombre de classes pour l'histogramme.
- Saisissez éventuellement une graine aléatoire pour garantir la reproductibilité des tirages.
- Générez l'histogramme des moyennes d'échantillon avec la courbe normale théorique superposée pour comparer les statistiques empiriques et théoriques.

## Cas d'usage

- Illustration de cours de statistiques et de probabilités pour expliquer graphiquement le théorème central limite.
- Simulation de Monte Carlo rapide pour tester la convergence de variables de Bernoulli ou de Poisson.
- Préparation de supports visuels reproductibles pour des formations en science des données ou des explications sur les tests A/B.

## Questions fréquentes

### Pourquoi la distribution des moyennes ressemble-t-elle à une courbe en cloche ?

C'est l'effet du Théorème Central Limite : lorsque la taille de l'échantillon augmente, la distribution de la moyenne de variables indépendantes tend vers une loi normale.

### Quelles distributions sources puis-je tester ?

Vous pouvez choisir entre les distributions Uniforme (0-1), Exponentielle (λ=1), Poisson (λ=4) et Bernoulli (p=0.3).

### À quoi sert le paramètre de graine aléatoire (seed) ?

Il permet de fixer la séquence du générateur de nombres pseudo-aléatoires pour obtenir exactement le même graphique à chaque exécution.

### Comment la taille de l'échantillon (n) influence-t-elle le graphique ?

Plus la taille n est grande, plus la distribution des moyennes se resserre autour de la moyenne théorique et plus elle se rapproche d'une forme normale.

### L'outil affiche-t-il les valeurs théoriques ?

Oui, il compare directement la moyenne et l'erreur standard empiriques calculées avec les valeurs théoriques attendues.

## Outils associés

- [Évaluateur de qualité de chunks RAG](https://elysiatools.com/fr/tools/ai-rag-chunk-quality-scorer): Évalue les schémas candidats de découpage en chunks RAG d’un document sur quatre métriques — cohérence (frontières propres de phrase/paragraphe), couverture (focalisation thématique / concentration des termes clés), santé du chevauchement de contexte et cohérence des tailles — compare jusqu’à trois schémas et recommande le meilleur. Heuristiques hors ligne, sans appel à un modèle.
- [Résolveur d'alias d'en-têtes CSV](https://elysiatools.com/fr/tools/csv-header-alias-resolver): Mappe des en-têtes CSV désordonnés vers un schéma cible propre. Collez un CSV dont la première ligne contient des noms de colonnes incohérents (Customer ID, user_id, customerId, CUST_ID…) avec votre schéma cible (une colonne par ligne) et un dictionnaire optionnel « alias=cible ». Chaque en-tête est résolu en quatre passes — exact, dictionnaire, normalisé (casse/accents/séparateurs/camelCase) puis distance d'édition floue — affiché dans une table avec méthode et confiance, plus la couverture cible et un export CSV normalisé en option.
- [Extracteur de tokens de thème ECharts](https://elysiatools.com/fr/tools/echarts-theme-token-extractor): Extrait des design tokens — couleurs, nombres, tailles de police et chaînes — d'un JSON de thème ECharts et les exporte directement dans votre design system. Collez un objet thème (celui enregistré et passé à echarts.init(dom, themeName)) et l'outil parcourt chaque feuille, étiquetant chaque couleur (avec normalisation optionnelle nommé/rgb → hex), nombre d'espacement, taille de police et chaîne, puis émet des variables CSS propres, un thème.extend Tailwind, un tokens.json Style Dictionary ou des variables SCSS. Pont entre un thème de visualisation ECharts et les tokens de design Figma/CSS/Tailwind sans recopier chaque valeur à la main.
- [Générateur de signature e-mail HTML](https://elysiatools.com/fr/tools/email-signature-html-builder): Génère une signature e-mail HTML propre, prête à copier-coller, qui s’affiche correctement dans Gmail, Outlook et Apple Mail — avec avatar/logo, icônes de réseaux sociaux (auto-détectées depuis vos liens), couleur d’accent, thème clair/sombre/auto et une mise en page tabulaire sécurisée pour le courrier avec styles en ligne. Copiez le HTML et collez-le dans votre client.
- [De la palette d’image aux design tokens](https://elysiatools.com/fr/tools/image-to-design-tokens): Extrait les couleurs dominantes d’une image par k-means et les exporte en variables CSS / SCSS / config Tailwind / tokens JSON, avec noms et échelle de teintes
- [Solveur d’Orbite de Kepler](https://elysiatools.com/fr/tools/kepler-orbit-solver): Résout numériquement l’équation de Kepler E − e·sin(E) = M pour l’anomalie excentrique E, l’anomalie vraie ν, le rayon orbital et la vitesse relative, avec les méthodes de Newton/bissection/point fixe, l’historique de convergence et un diagramme SVG
- [Calculateur de Masse Maigre](https://elysiatools.com/fr/tools/lean-body-mass-calculator): Estime la masse maigre (LBM) et le pourcentage de graisse corporelle avec les formules de Boer, Hume et James selon sexe, âge, poids et taille. Boer est le standard clinique.
- [Simulateur de Compétition Interspécifique de Lotka–Volterra](https://elysiatools.com/fr/tools/lotka-volterra-competition): Résout et visualise le système de compétition de Lotka–Volterra : dN₁/dt = r₁N₁(1−(N₁+α₁₂N₂)/K₁), dN₂/dt = r₂N₂(1−(N₂+α₂₁N₁)/K₂). Intégration RK4 (6000 pas) avec courbes N(t) des deux espèces et plan de phase N₁–N₂ muni des isoclines de croissance nulle et de la trajectoire. Classe automatiquement les quatre issues classiques d'après la géométrie des isoclines — coexistence stable (compétition interspécifique inférieure à l'intraspécifique des deux côtés), exclusion de l'une ou l'autre espèce et effet de priorité bistable — et donne l'équilibre de coexistence N₁*=(K₁−α₁₂K₂)/(1−α₁₂α₂₁), N₂*=(K₂−α₂₁K₁)/(1−α₁₂α₂₁), les populations finales et les extinctions. Gère les cas limites (une espèce part de 0).

## Exemples

- [Exemples de Traitement d'Images Web Python](https://elysiatools.com/fr/samples/web-image-processing-python): Exemples de traitement d'images Web Python utilisant PIL/Pillow incluant la lecture, l'enregistrement, le redimensionnement et la conversion de format
- [Exemples de Traitement d'Images Android Java](https://elysiatools.com/fr/samples/android-image-processing-java): Exemples de traitement d'images Android Java incluant lecture/écriture, mise à l'échelle et conversion de format
- [Exemples de Traitement d'Images Android Kotlin](https://elysiatools.com/fr/samples/android-image-processing-kotlin): Exemples de traitement d'images Android Kotlin incluant lecture/écriture, mise à l'échelle et conversion de format
- [Exemples de Traitement d'Images Web Rust](https://elysiatools.com/fr/samples/web-image-processing-rust): Exemples de traitement d'images Web Rust incluant lecture/écriture, redimensionnement et conversion de format

## Contenu associé

- [Outils de codes-barres, QR et etiquettes](https://elysiatools.com/fr/hubs/barcode-utility): Regroupe dans un meme hub les outils de generation de codes-barres, creation et decodage QR, validation UPC/EAN, partage WiFi par QR et etiquettes imprimables.
- [Outils d encodage et de conversion audio](https://elysiatools.com/fr/hubs/audio-convert): Comparez la conversion de formats audio, les changements de debit, la conversion de frequence d echantillonnage, les changements de codec et les exports dans un meme hub.
- [Outils de conversion de formats d image et d export anime](https://elysiatools.com/fr/hubs/image-convert): Comparez les convertisseurs d image pour JPG, PNG, GIF, AVIF, WebP, TIFF, ICO, base64 et les exports orientes animation dans un meme hub.
- [Outils d interchange JSON et de traduction de formats](https://elysiatools.com/fr/hubs/json-convert): Comparez les outils de conversion JSON pour CSV, YAML, TOML, GraphQL, XML, Markdown, Excel, BSON, EDN et d autres formats structures dans un meme hub.