Tu as déjà été trahi par la météo ?
Tu ouvres ton appli météo. Mercredi prochain : 27°, grand soleil. Tu réserves un bungalow, tu préviens tes amis, tu achètes de la crème solaire.
Mercredi arrive. Il pleut.
Tu jures que cette appli est nulle. Que les météorologues ne savent pas faire leur travail. Que la prochaine fois, tu regarderas par la fenêtre.
Mais voilà ce que personne ne t’a dit : ce n’est pas l’appli qui t’a menti. C’est toi qui as lu un chiffre là où il y avait une fourchette.
Cette fourchette, en statistiques, s’appelle un intervalle de confiance et voici un exemple concret pour comprendre comment elle fonctionne.
C’est l’un des concepts les plus puissants, et les plus mal compris, de l’analyse de données. Et la météo est l’exemple parfait pour le comprendre une bonne fois pour toutes.
Intervalle de confiance exemple concret : la météo
Quand ton appli météo t’affiche « 27°, ensoleillé mercredi », elle te donne un chiffre unique. Un point. Une certitude apparente. Ce qu’elle devrait t’afficher, si elle était totalement transparente : « Entre 22° et 32°, avec 95% de chances que la température réelle soit dans cet intervalle. »
Plus précisément, en termes statistiques rigoureux : si ce modèle produisait 100 prévisions dans des conditions similaires, la température réelle tomberait dans cet intervalle dans 95 cas sur 100.
Ce serait honnête. Ce serait aussi beaucoup moins rassurant et beaucoup moins vendeur.
Un chiffre unique est rassurant. Une fourchette avec un niveau de confiance, ça oblige à réfléchir.
Les applications météo ont fait le choix de la simplicité apparente au détriment de la précision réelle. Mais ce choix a un coût : tu prends des décisions basées sur une fausse certitude.
Pourquoi la fiabilité d’une prévision baisse avec le temps?
Les modèles météorologiques sont des systèmes extrêmement complexes. Ils intègrent des milliers de variables comme la température, la pression atmosphérique, l’humidité, les vents en altitude, les courants marins et les font tourner sur des supercalculateurs.
Ces modèles sont remarquablement précis à court terme. Mais leur fiabilité diminue rapidement :
- À 24-48 heures : fiabilité d’environ 85 à 90%. Tu peux te fier à la prévision pour organiser ta journée.
- À 5 jours : fiabilité autour de 60 à 70%. C’est une tendance, pas une certitude.
- À 10 jours : on approche du hasard. La prévision a une valeur indicative très limitée.
Pourquoi cette dégradation ?
Parce que les systèmes atmosphériques sont ce que les mathématiciens appellent des systèmes chaotiques. Une infime variation dans les conditions initiales produit des effets radicalement différents quelques jours plus tard.
C’est l’effet papillon, formalisé par le météorologue Edward Lorenz en 1963 dans son article fondateur « Deterministic Nonperiodic Flow » (Journal of Atmospheric Sciences).
Ce n’est donc pas une question de compétence des météorologues, c’est une limite mathématique fondamentale.
Qu'est-ce qu'un intervalle de confiance en statistiques ?
En statistiques, quand on fait une prédiction ou une estimation, on ne donne jamais ou ne devrait jamais donner un chiffre seul. On donne ce chiffre accompagné de son intervalle de confiance.
L’intervalle de confiance répond à cette question :
dans quelle fourchette se trouve probablement la vraie valeur, et avec quelle certitude ?
En pratique, voici les niveaux de confiance standards utilisés :
| Niveau de confiance | Risque d'erreur (α) | Interprétation |
|---|---|---|
| 90% | 10% | On accepte 10% de risque de se tromper. Intervalle plus étroit, moins prudent. |
| 95% | 5% | Le niveau le plus courant en pratique. Bon équilibre entre précision et prudence. |
| 99% | 1% | Très prudent. Intervalle plus large, pour les décisions à fort enjeu. |
Plus le niveau de confiance est élevé, plus l’intervalle est large, pourquoi? Parce qu’on veut être très sûr d’englober la vraie valeur.
Prenons notre exemple météo. Un modèle prédit 27° pour mercredi, avec un intervalle de confiance à 95% de [22°, 32°]. Cela signifie : si ce modèle faisait 100 prévisions dans des conditions similaires, la température réelle se situerait entre 22° et 32° dans 95 cas sur 100.
Un chiffre sans son intervalle de confiance, c’est une demi-information.
Intervalle de confiance :
d'autres exemples concrets (sondages, médecine)
L’intervalle de confiance est un outil fondamental de l’analyse de données, et tu le croises sans le voir dans de nombreuses situations.
Dans les sondages politiques
Quand un sondage annonce « 42% des Français soutiennent cette mesure », il y a toujours, en petit, souvent en bas de page une mention du type « ± 3 points, à 95% de confiance ». La vraie valeur se trouve entre 39% et 45%. Ce n’est pas 42% point fixe.
Dans les études médicales
Quand une étude dit qu’un médicament réduit le risque d’une maladie de 30%, ce chiffre est toujours accompagné d’un intervalle de confiance. Si cet intervalle va de -5% à +65%, le résultat n’est pas significatif. Un résultat sans intervalle de confiance en médecine n’a aucune valeur scientifique.
Dans les rapports d’entreprise
Un rapport de ventes qui annonce « +12% de croissance » sans intervalle de confiance, c’est une prévision météo à 10 jours. Ça rassure en réunion. Mais ça cache l’incertitude réelle derrière le chiffre.
Comment lire un intervalle de confiance au quotidien
Maintenant que tu connais ce concept, voici le réflexe à adopter chaque fois que tu lis un chiffre :
Demande-toi : quelle est la marge d’erreur de ce chiffre ?
Et si tu ne la vois pas, demande-toi pourquoi on ne te la montre pas.
Quelques questions pratiques :
- Ce chiffre est-il basé sur l’ensemble des données, ou sur un échantillon ?
- Si c’est un échantillon, quelle est sa taille ?
- À quel horizon temporel cette prévision s’applique-t-elle ?
- Qui a produit ce chiffre, et avait-il intérêt à le présenter d’une certaine façon ?
Ce n’est pas du cynisme, c’est de la pensée statistique appliquée.
Intervalle de confiance en analyse de données et machine learning
L’intervalle de confiance est au cœur de :
- Les tests d’hypothèse : est-ce que la différence observée entre deux groupes est réelle ou due au hasard ?
- La régression : chaque coefficient est accompagné d’un intervalle de confiance.
- Le machine learning : les modèles prédictifs sérieux donnent toujours une estimation de leur incertitude.
Comprendre l’intervalle de confiance, c’est comprendre que les statistiques ne donnent pas des certitudes , elles donnent des probabilités. Et c’est précisément ce qui les rend utiles : elles quantifient l’incertitude au lieu de l’ignorer.
Ce qu’il faut retenir sur l’intervalle de confiance
La prochaine fois que tu ouvriras ton appli météo, tu sauras que le chiffre affiché est le centre d’une fourchette, et non une certitude.
Si tu veux une vraie information météo fiable : regarde les prévisions à 48h maximum, et consulte les sites qui affichent les probabilités de pluie plutôt que de simples pictogrammes. Ces probabilités, c’est l’intervalle de confiance rendu visible.
Un chiffre seul ne dit pas la vérité. La fourchette autour de ce chiffre, si.
Tu veux aller plus loin ? L'intervalle de confiance fait partie du chapitre complet sur l'estimation — gratuit.
Accéder au chapitre gratuit →
Betty Mourid St-Pierre
Enseignante en statistiques et analyse de données depuis plus de 20 ans (HES-SO, EU Business School Genève). Elle accompagne étudiants et professionnels à comprendre les données qui les entourent sans formule intimidante.
📩 Chaque jeudi, une méthode concrète d'apprentissage et d'organisation dans sa newsletter gratuite.
🎥 Retrouve-la aussi sur YouTube.
