Calculateur de test t
Calculez un test t à un échantillon ou à deux échantillons à partir de données brutes ou de statistiques résumées. Saisissez vos valeurs, choisissez l'hypothèse alternative et le seuil de signification, et obtenez la statistique t, les degrés de liberté, la p-value et la conclusion.
Effectuer un test t
Formule du test t
Où :
- \(\bar{x}\) — moyenne de l'échantillon
- \(\mu_0\) — moyenne de la population supposée sous H0
- \(s\) — écart-type de l'échantillon (avec \(n - 1\) au dénominateur)
- \(n\) — taille de l'échantillon
- \(\bar{x}_1, \bar{x}_2\), \(s_1, s_2\), \(n_1, n_2\) — moyennes, écarts-types et tailles des deux échantillons indépendants
La statistique t mesure combien d'erreurs standard séparent la moyenne de l'échantillon de la valeur supposée sous H0. Elle est comparée à la distribution de Student t avec \(df\) degrés de liberté pour obtenir la p-value : la probabilité d'observer un résultat au moins aussi extrême si H0 était vraie. Pour un test bilatéral, \(p = 2\,P(T_{df} \ge |t|)\) ; les tests unilatéraux utilisent une seule queue. Si l'option « variance poolée » est sélectionnée pour deux échantillons, l'erreur standard utilise la variance poolée \(s_p^2\) et \(df = n_1 + n_2 - 2\).
Test t – Exemple de calcul
{shortcode_start}
Exemple : une machine est censée remplir des bouteilles à 100 ml. Dix volumes de remplissage sont mesurés : 99,2 ; 98,7 ; 100,3 ; 101,1 ; 99,5 ; 98,9 ; 100,8 ; 99,6 ; 100,2 ; 97,9. Le remplissage moyen diffère-t-il de 100 ml au seuil \(\alpha = 0.05\) ? (Ce sont les valeurs par défaut du calculateur.)
\[ n = 10, \quad \bar{x} = \frac{996.2}{10} = 99.62, \quad s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n - 1}} \approx 0.994 \]
\[ t = \frac{99.62 - 100}{0.994/\sqrt{10}} = \frac{-0.38}{0.314} \approx -1.209, \quad df = 10 - 1 = 9 \]
\[ p = 2\,P(T_9 \ge |-1.209|) \approx 0.258 \]
Résultat : \(t \approx -1.209\), \(df = 9\), \(p \approx 0.258\). Comme \(p > 0.05\), on ne rejette pas H0 : il n'existe pas de preuve statistiquement significative que le remplissage moyen diffère de 100 ml.
{/shortcode_start}
Comment utiliser le calculateur de test t
- Dans Paramètres du test, choisissez le Type de test : à un échantillon (comparer une moyenne d'échantillon à une valeur supposée) ou à deux échantillons (comparer deux moyennes d'échantillons indépendants).
- Sélectionnez l'Hypothèse alternative (H1) — bilatérale (\(\neq\)), unilatérale à droite (\(>\)) ou unilatérale à gauche (\(<\)) — et le Seuil de signification (\(\alpha\)) : 0,05, 0,01 ou 0,10.
- Pour un test à un échantillon, saisissez la Moyenne supposée (\(\mu_0\)).
- Pour un test à deux échantillons, choisissez l'Hypothèse de variance : Welch (variances inégales, le choix par défaut le plus sûr) ou poolée (variances égales).
- Définissez le Mode de saisie. Avec Données brutes, collez vos valeurs dans Données de l'échantillon (et Données de l'échantillon 2 pour un test à deux échantillons), séparées par des espaces, des points-virgules ou des retours à la ligne. Avec Statistiques résumées, saisissez la moyenne, l'écart-type et la taille de chaque échantillon.
- Lisez la statistique t, les degrés de liberté, la p-value et la Conclusion indiquant si H0 est rejetée au seuil \(\alpha\) choisi.
Qu'est-ce qu'un test t et comment interpréter le résultat ?
Un test t est un test d'hypothèse statistique qui compare une moyenne (ou la différence entre deux moyennes) à une valeur annoncée lorsque l'écart-type de la population est inconnu et doit être estimé à partir de l'échantillon. C'est la situation typique avec de petits jeux de données en science, en contrôle qualité, en médecine et dans les tests A/B. La statistique t obtenue exprime la différence observée en unités d'erreur standard ; des valeurs éloignées de zéro suggèrent que les données contredisent l'hypothèse nulle.
La p-value répond à la question : si l'hypothèse nulle était vraie, quelle est la probabilité d'un résultat au moins aussi extrême que celui observé ? Une petite p-value signifie que les données seraient surprenantes sous H0, ce qui apporte une preuve contre elle. Par convention, le résultat est qualifié de statistiquement significatif lorsque \(p \le \alpha\) (généralement 0,05), et H0 est rejetée. Une grande p-value ne prouve pas que H0 est vraie — elle signifie seulement qu'il n'y a pas assez de preuves contre elle.
Choisissez le sens de la queue en fonction de votre question de recherche. Un test bilatéral détecte toute différence (\(\mu \ne \mu_0\)). Un test unilatéral à droite demande si la moyenne est supérieure à la valeur supposée ; un test unilatéral à gauche demande si elle est inférieure. Les tests unilatéraux sont plus puissants dans le sens choisi, mais doivent être justifiés avant d'examiner les données — changer de queue après coup augmente le taux de faux positifs.
Pour deux échantillons indépendants, le calculateur propose le test de Welch par défaut. Il ne suppose pas l'égalité des variances et utilise l'approximation de Welch–Satterthwaite pour les degrés de liberté, ce qui est plus fiable lorsque les deux échantillons ont des dispersions ou des tailles différentes. La version poolée n'est appropriée que lorsque les populations sont censées avoir des variances égales.
Hypothèses, limites et conseils pratiques
- Normalité : le test t suppose que la population sous-jacente (ou les résidus) est à peu près normalement distribuée. Avec de petits échantillons, consultez un histogramme ou un graphique de normalité ; avec de grands échantillons (environ \(n \ge 30\)), le théorème central limite rend le test robuste à une non-normalité modérée. Des données fortement asymétriques avec des valeurs aberrantes appellent une alternative non paramétrique.
- Indépendance : les observations doivent être indépendantes les unes des autres. Les données appariées ou de mesures répétées (avant/après sur les mêmes sujets) ne doivent pas être analysées avec un test à deux échantillons — utilisez plutôt les différences dans un test à un échantillon appliqué aux différences appariées.
- Taille de l'échantillon : au moins 2 valeurs par échantillon sont nécessaires, et les valeurs ne doivent pas toutes être identiques (écart-type = 0). Les petits échantillons donnent une grande incertitude, si bien qu'un résultat non significatif peut simplement refléter une faible puissance — consultez le Calculateur de taille d'échantillon lors de la planification d'une étude.
- Signification vs importance : une p-value minuscule dit seulement que la différence a peu de chances d'être nulle, pas qu'elle est grande ou concrètement significative. Signalez toujours la taille d'effet et complétez le test avec un Calculateur d'intervalle de confiance pour visualiser la plage plausible de la différence des moyennes.
- Données brutes vs statistiques résumées : les données brutes permettent au calculateur de calculer la moyenne et l'écart-type pour vous (avec un dénominateur \(n-1\)) ; le mode statistiques résumées est pratique pour lire des résultats publiés. Pour vérifier des valeurs individuelles, le Calculateur d'écart-type et le Calculateur de score Z (pour \(\sigma\) connu ou grands échantillons) sont des compagnons utiles.
Questions fréquentes
Quelle est une bonne valeur de la statistique t, ou une valeur significative ?
Il n'existe pas de valeur t « bonne » universelle — sa signification dépend des degrés de liberté et du caractère unilatéral ou bilatéral de votre test. En gros, avec environ 20 degrés de liberté, un t bilatéral au-delà de ±2,09 est significatif à \(\alpha = 0.05\). Des valeurs \(|t|\| plus grandes indiquent une preuve plus forte contre l'hypothèse nulle. Jugez toujours la signification par la p-value plutôt que par la seule statistique t.
Comment calculer une statistique t à la main ?
Pour un test à un échantillon, soustrayez la moyenne supposée de la moyenne de votre échantillon, puis divisez par l'erreur standard \(s/\sqrt{n}\). Calculez d'abord la moyenne, puis l'écart-type de l'échantillon avec un dénominateur \(n-1\). Par exemple, avec \(\bar{x} = 12\), \(\mu_0 = 10\), \(s = 3\), \(n = 9\) : \(t = (12-10)/(3/\sqrt{9}) = 2\). Comparez à la distribution t avec \(df = n-1\) pour obtenir la p-value.
Dois-je utiliser un test t unilatéral ou bilatéral ?
Utilisez un test bilatéral lorsque toute différence compte (supérieure ou inférieure). N'utilisez un test unilatéral que si vous avez formulé une prédiction directionnelle avant de collecter les données — par exemple, « le nouveau médicament fait baisser la tension artérielle ». Choisir la queue après avoir vu le résultat augmente artificiellement le taux de faux positifs. En cas de doute, le test bilatéral est le choix prudent et largement accepté dans la plupart des contextes de recherche.
Quelle est la différence entre un test t et un test z ?
Un test z s'utilise lorsque l'écart-type de la population \(\sigma\) est connu ou lorsque les échantillons sont très grands ; un test t s'utilise lorsque \(\sigma\) doit être estimé à partir de l'échantillon, ce qui ajoute de l'incertitude. La distribution t a des queues plus épaisses que la distribution normale, surtout avec peu de degrés de liberté. Quand \(n\) augmente (au-delà d'environ 30), les deux tests donnent des résultats presque identiques.
Puis-je utiliser un test t avec des données appariées ou avant/après ?
Pas sous forme d'un test à deux échantillons classique. Les mesures appariées — comme la tension artérielle avant et après traitement chez les mêmes personnes — violent l'hypothèse d'indépendance. À la place, calculez la différence pour chaque sujet et effectuez un test t à un échantillon sur ces différences, en testant si leur moyenne est égale à zéro. Utiliser un test à deux échantillons indépendants sur des données appariées fait généralement perdre de la puissance statistique.
Pourquoi ma p-value diffère-t-elle légèrement d'un autre logiciel ?
Les petites différences proviennent généralement d'arrondis dans les valeurs saisies ou d'hypothèses de variance différentes. Vérifiez si l'autre outil a utilisé des variances poolées alors que celui-ci a utilisé Welch, ou s'il supposait l'égalité des variances par défaut (comme le fait T.TEST d'Excel avec le type 2). Arrondir l'écart-type à moins de décimales avant de le saisir peut aussi décaler sensiblement la statistique t et la p-value ; saisissez donc la précision complète.
De quelle taille d'échantillon ai-je besoin pour qu'un test t soit valide ?
Techniquement, le test fonctionne dès 2 observations, mais les très petits échantillons ont une faible puissance et sont sensibles à la non-normalité. Avec \(n \ge 30\), le théorème central limite rend le test assez robuste même pour des données asymétriques. Pour la planification, la taille d'échantillon nécessaire dépend de la taille d'effet que vous voulez détecter, du seuil de signification et de la puissance souhaitée — une analyse de puissance est la méthode appropriée pour la choisir.