Calculateur de test d'hypothèse : comment calculer des tests z et des tests t à la main
Un calculateur de test d'hypothèse vérifie si les données d'un échantillon apportent des preuves suffisamment fortes pour rejeter une affirmation sur une population, en convertissant une hypothèse nulle et une hypothèse alternative en une seule statistique de test et une valeur p que vous pouvez comparer à un seuil de signification. Les étudiants utilisent un calculateur de test d'hypothèse lorsqu'un exercice demande si le poids moyen de remplissage d'une usine a dérivé, si une nouvelle méthode d'enseignement améliore réellement les résultats aux examens, ou si la refonte d'un site web a vraiment augmenté le taux de conversion. Ce guide construit de zéro les versions test z et test t du test d'hypothèse, détaille des exemples complets de tests z et t sur un échantillon et explique les tests unilatéraux et bilatéraux, les valeurs critiques, les valeurs p ainsi que les erreurs de type I et de type II, afin que vous compreniez exactement ce que calcule un calculateur de test d'hypothèse avant de faire confiance à son résultat.
Sommaire
- 01Qu'est-ce qu'un calculateur de test d'hypothèse ?
- 02Comment un calculateur de test d'hypothèse choisit-il entre un test z et un test t ?
- 03Comment calculer un test z sur un échantillon, étape par étape ?
- 04Comment calculer un test t sur un échantillon, étape par étape ?
- 05Quelle est la différence entre un test unilatéral et un test bilatéral ?
- 06Que sont les erreurs de type I et de type II, et pourquoi importent-elles ?
- 07Quelles erreurs éviter en utilisant un calculateur de test d'hypothèse ?
- 08Exercices pratiques de tests d'hypothèse avec solutions
- 09Quelles autres questions les étudiants posent-ils sur les calculateurs de test d'hypothèse ?
- 10Obtenir plus d'aide pour les devoirs sur les tests d'hypothèse
Qu'est-ce qu'un calculateur de test d'hypothèse ?
Un calculateur de test d'hypothèse prend les données d'un échantillon, une valeur affirmée pour la population et un seuil de signification, puis renvoie une statistique de test, une valeur p et une décision quant au rejet de l'affirmation. Tout test d'hypothèse commence par deux énoncés concurrents : l'hypothèse nulle (H0), qui représente l'affirmation existante ou le statu quo, et l'hypothèse alternative (Ha), qui représente ce que vous soupçonnez être vrai. Un calculateur de test d'hypothèse ne prouve jamais que H0 est vraie — il mesure seulement si les preuves de l'échantillon sont assez fortes pour rejeter H0 en faveur de Ha, ou trop faibles pour justifier cette conclusion.
Un test d'hypothèse ne prouve jamais que l'hypothèse nulle est vraie. Il décide seulement si les preuves de l'échantillon sont assez fortes pour la rejeter.
Comment calculer un test z sur un échantillon, étape par étape ?
Voici un exemple complet utilisant une affirmation qui peut être vérifiée à partir d'un écart type de population connu.
1. Énoncez les hypothèses et recueillez les données
Une entreprise de céréales affirme que ses boîtes contiennent en moyenne 500 g, et les données historiques de contrôle qualité indiquent un écart type de population de σ = 12 g. Un inspecteur qualité prélève un échantillon de n = 36 boîtes et trouve une moyenne d'échantillon de x̄ = 495 g. H0 : μ = 500 (le poids moyen de remplissage correspond à l'affirmation). Ha : μ ≠ 500 (le poids moyen de remplissage diffère de l'affirmation). Il s'agit d'un test bilatéral, car tout écart importe, pas seulement un sous-remplissage. Test au seuil α = 0.05.
2. Calculez la statistique de test z
z = (x̄ − μ0) ÷ (σ ÷ √n) = (495 − 500) ÷ (12 ÷ √36) = −5 ÷ (12 ÷ 6) = −5 ÷ 2 = −2.5.
3. Trouvez la valeur critique et la valeur p
Pour un test bilatéral au seuil α = 0.05, les valeurs z critiques sont ±1.96. La valeur p vaut 2 × P(Z ≤ −2.5) = 2 × 0.0062 ≈ 0.0124.
4. Prenez la décision et interprétez
Comme |z| = 2.5 dépasse 1.96 (de façon équivalente, p ≈ 0.0124 est inférieur à α = 0.05), on rejette H0. L'échantillon fournit des preuves statistiquement significatives que le poids moyen de remplissage diffère des 500 g annoncés. Un calculateur de test d'hypothèse renverrait instantanément ces mêmes z = −2.5 et p ≈ 0.0124, mais vous pouvez désormais vérifier vous-même chaque valeur intermédiaire.
z = (x̄ − μ0) ÷ (σ ÷ √n). Avec x̄ = 495, μ0 = 500, σ = 12 et n = 36, z = −2.5, ce qui dépasse en valeur absolue la valeur critique de 1.96 — on rejette H0.
Comment calculer un test t sur un échantillon, étape par étape ?
Lorsque l'écart type de la population est inconnu, la démarche est presque identique, mais elle utilise l'écart type de l'échantillon et la distribution t au lieu de la loi normale.
1. Énoncez les hypothèses et recueillez les données
Un organisme de soutien scolaire affirme que son programme améliore les résultats aux examens de plus de 8 points en moyenne. Un échantillon de n = 15 élèves montre une amélioration moyenne de x̄ = 8.9 points avec un écart type d'échantillon de s = 2.1 points. H0 : μ = 8 (la véritable amélioration moyenne est de 8 points). Ha : μ > 8 (la véritable amélioration moyenne est supérieure à 8 points). Il s'agit d'un test unilatéral (à droite), puisque l'organisme affirme seulement une amélioration de plus de 8. Test au seuil α = 0.05.
2. Calculez la statistique de test t
t = (x̄ − μ0) ÷ (s ÷ √n) = (8.9 − 8) ÷ (2.1 ÷ √15) = 0.9 ÷ (2.1 ÷ 3.873) = 0.9 ÷ 0.5422 ≈ 1.660.
3. Trouvez la valeur critique et la valeur p
Degrés de liberté : df = n − 1 = 15 − 1 = 14. Pour un test unilatéral au seuil α = 0.05 avec df = 14, la valeur t critique est d'environ 1.761. La lecture de t ≈ 1.660 avec df = 14 donne une valeur p unilatérale d'environ 0.059.
4. Prenez la décision et interprétez
Comme t ≈ 1.660 ne dépasse pas la valeur critique de 1.761 (de façon équivalente, p ≈ 0.059 est supérieur à α = 0.05), on ne rejette pas H0. Cet échantillon de 15 élèves ne fournit pas de preuves suffisamment fortes, au seuil de signification de 5 %, que la véritable amélioration moyenne dépasse 8 points — même si la moyenne d'échantillon de 8.9 semble prometteuse en soi.
t = (x̄ − μ0) ÷ (s ÷ √n). Avec x̄ = 8.9, μ0 = 8, s = 2.1 et n = 15, t ≈ 1.660 avec df = 14 — en dessous de la valeur critique de 1.761, donc nous ne rejetons pas H0.
Quelle est la différence entre un test unilatéral et un test bilatéral ?
Le choix entre un test unilatéral et un test bilatéral dépend entièrement de la formulation de l'hypothèse alternative, et se tromper modifie à la fois la valeur critique et la conclusion.
1. Les tests bilatéraux cherchent toute différence
Ha : μ ≠ μ0 répartit la région de rejet entre les deux queues de la distribution, de sorte que des preuves dans l'une ou l'autre direction (trop élevée ou trop basse) peuvent conduire à rejeter H0. L'exemple des boîtes de céréales ci-dessus est bilatéral, car un écart dans les deux sens — surremplissage ou sous-remplissage — importe à l'inspecteur.
2. Les tests unilatéraux cherchent une différence dans une direction précise
Ha : μ > μ0 ou Ha : μ < μ0 place toute la région de rejet dans une seule queue, ce qui facilite l'atteinte de la signification dans cette direction, mais implique que des preuves dans la direction opposée ne pourront jamais conduire à rejeter H0, aussi extrêmes soient-elles.
3. Un exemple résolu : test z à gauche
Un fabricant affirme que ses ampoules durent en moyenne au moins 1000 heures, avec un σ = 50 heures connu. Un échantillon de n = 40 ampoules a une durée de vie moyenne de x̄ = 985 heures. H0 : μ = 1000. Ha : μ < 1000 (unilatéral à gauche, puisque la crainte est que les ampoules durent moins qu'annoncé). z = (985 − 1000) ÷ (50 ÷ √40) = −15 ÷ 7.906 ≈ −1.897. La valeur critique à gauche au seuil α = 0.05 est −1.645. Comme z ≈ −1.897 est plus extrême que −1.645 (p ≈ 0.0289 < 0.05), on rejette H0 — l'échantillon suggère que les ampoules durent en moyenne moins que les 1000 heures annoncées.
Un test bilatéral répartit α entre les deux queues (±1.96 à α = 0.05) ; un test unilatéral place tout α dans une seule queue (±1.645 à α = 0.05), ce qui facilite la détection d'un effet uniquement dans la direction prévue.
Que sont les erreurs de type I et de type II, et pourquoi importent-elles ?
Aucun test d'hypothèse n'est jamais totalement certain, et comprendre les deux façons dont il peut se tromper est tout aussi important que de calculer correctement la statistique de test.
1. Erreur de type I : rejeter une H0 vraie
Une erreur de type I se produit lorsque le test rejette H0 alors que H0 est en réalité vraie — un faux positif. Dans l'exemple des céréales, une erreur de type I consisterait à conclure que le poids moyen de remplissage s'est écarté des 500 g alors que ce n'est pas le cas. La probabilité d'une erreur de type I est égale au seuil de signification α : choisir α = 0.05 signifie donc accepter jusqu'à 5 % de risque de ce type de fausse alerte.
2. Erreur de type II : ne pas rejeter une H0 fausse
Une erreur de type II se produit lorsque le test ne rejette pas H0 alors que H0 est en réalité fausse — un effet non détecté. Dans l'exemple du soutien scolaire, une erreur de type II consisterait à conclure que le programme n'améliore pas les résultats de plus de 8 points alors qu'il le fait, peut-être parce que la taille d'échantillon de 15 était trop petite pour détecter un effet réel mais modeste. La probabilité d'une erreur de type II est notée β, et 1 − β s'appelle la puissance du test.
3. Le compromis entre les deux types d'erreur
Abaisser α pour rendre les erreurs de type I moins probables (par exemple de 0.05 à 0.01) rend le test plus conservateur, ce qui augmente en revanche le risque d'une erreur de type II. Augmenter la taille de l'échantillon est généralement le meilleur moyen de réduire les deux taux d'erreur à la fois, car un n plus grand réduit l'erreur type et rend les effets réels plus faciles à détecter sans relâcher α.
Erreur de type I : rejeter une H0 vraie (une fausse alerte), avec une probabilité α. Erreur de type II : ne pas rejeter une H0 fausse (un effet manqué), avec une probabilité β.
Quelles erreurs éviter en utilisant un calculateur de test d'hypothèse ?
Ces erreurs reviennent sans cesse dans les devoirs de statistiques notés, que le calcul soit fait à la main ou vérifié ensuite avec un calculateur de test d'hypothèse.
1. Utiliser un test z quand σ est inconnu
Si l'écart type de la population n'est pas donné directement (et ne peut pas être supposé à partir d'un grand jeu de données historiques), utilisez plutôt un test t avec l'écart type de l'échantillon. Injecter un écart type d'échantillon dans la formule du z sous-estime l'incertitude réelle, surtout pour de petits échantillons.
2. Choisir la mauvaise direction de queue
Faire correspondre Ha à la formulation exacte de l'affirmation est essentiel : « supérieur à » ou « plus de » signifie un test unilatéral à droite, « inférieur à » un test unilatéral à gauche, et « différent de » ou « non égal à » un test bilatéral. Utiliser une valeur critique bilatérale pour une affirmation unilatérale (ou l'inverse) modifie à la fois la valeur critique et la conclusion.
3. Interpréter à tort la valeur p comme la probabilité que H0 soit vraie
Une petite valeur p signifie que les données observées seraient improbables si H0 était vraie — elle n'indique pas directement la probabilité que H0 elle-même soit vraie ou fausse. Gardez la formulation conditionnelle (« probabilité de ces données, sachant H0 ») en tête lorsque vous rédigez une conclusion.
4. Traiter « ne pas rejeter » comme « prouvé vrai »
Ne pas rejeter H0 signifie seulement que l'échantillon n'a pas fourni assez de preuves contre elle — cela ne prouve jamais que H0 est vraie. Un échantillon plus grand, ou un autre échantillon, pourrait tout de même conduire à rejeter H0 pour la même population sous-jacente.
Exercices pratiques de tests d'hypothèse avec solutions
Travaillez ces trois exercices du plus simple au plus difficile. Essayez chacun avant de lire la solution, puis comparez votre démarche aux étapes présentées.
1. Exercice 1 (débutant) : test z bilatéral
Une entreprise de jus affirme que ses bouteilles contiennent en moyenne 16 oz, avec un écart type de population connu de σ = 0.5 oz. Un échantillon de n = 25 bouteilles a une moyenne de 15.8 oz. Testez au seuil α = 0.05 si la vraie moyenne diffère de 16 oz. Solution : z = (15.8 − 16) ÷ (0.5 ÷ √25) = −0.2 ÷ 0.1 = −2.0. Les valeurs critiques au seuil α = 0.05 (bilatéral) sont ±1.96. Comme |z| = 2.0 > 1.96, on rejette H0 — p ≈ 2 × (1 − 0.9772) = 0.0456, soit moins que 0.05, ce qui confirme la même conclusion.
2. Exercice 2 (intermédiaire) : test t unilatéral
Une application de fitness affirme que ses utilisateurs brûlent en moyenne plus de 300 calories par séance. Un échantillon de n = 20 séances a x̄ = 310 calories et s = 25 calories. Testez au seuil α = 0.05, unilatéral à droite. Solution : t = (310 − 300) ÷ (25 ÷ √20) = 10 ÷ 5.590 ≈ 1.789. df = 19, et la valeur t critique au seuil α = 0.05 (unilatéral) est d'environ 1.729. Comme t ≈ 1.789 > 1.729, on rejette H0 — l'échantillon soutient l'affirmation selon laquelle les calories moyennes brûlées dépassent 300, avec p ≈ 0.045.
3. Exercice 3 (avancé) : test t bilatéral avec un α plus strict
Un café affirme que son temps d'attente moyen est de 4 minutes. Un échantillon de n = 10 clients a x̄ = 4.6 minutes et s = 0.9 minutes. Testez au seuil α = 0.01 si le vrai temps d'attente moyen diffère de 4 minutes. Solution : t = (4.6 − 4) ÷ (0.9 ÷ √10) = 0.6 ÷ 0.2846 ≈ 2.108. df = 9, et la valeur t critique au seuil α = 0.01 (bilatéral) est d'environ ±3.250. Comme |t| ≈ 2.108 est inférieur à 3.250 (p ≈ 0.064, bien au-dessus de 0.01), on ne rejette pas H0 — cet échantillon ne fournit pas de preuves suffisamment fortes au seuil de 1 % que le vrai temps d'attente moyen diffère de 4 minutes.
Quelles autres questions les étudiants posent-ils sur les calculateurs de test d'hypothèse ?
Voici les questions qui reviennent le plus souvent en parallèle des devoirs et des révisions d'examen sur les tests d'hypothèse.
1. Quelle est la différence entre un test z et un test t dans un calculateur de test d'hypothèse ?
Un test z exige un écart type de population connu et utilise la loi normale ; un test t utilise à la place l'écart type de l'échantillon et s'appuie sur la distribution t, plus large pour les petits échantillons afin de tenir compte de l'incertitude supplémentaire liée à l'estimation de σ. Quand la taille de l'échantillon augmente (environ n ≥ 30), la distribution t se rapproche de la loi normale et les deux tests donnent des résultats presque identiques.
2. Un calculateur de test d'hypothèse peut-il travailler avec des proportions au lieu de moyennes ?
Oui — un test z sur une proportion suit la même logique mais utilise z = (p̂ − p0) ÷ √[p0(1 − p0) ÷ n], en comparant une proportion d'échantillon p̂ à une proportion de population affirmée p0, au lieu de comparer des moyennes d'échantillon et de population.
3. « Ne pas rejeter H0 » signifie-t-il la même chose que « accepter H0 » ?
Non. Ne pas rejeter H0 signifie que l'échantillon n'a pas fourni assez de preuves pour rejeter l'affirmation — cela ne prouve jamais que l'affirmation est vraie. C'est pour cette raison que les statisticiens évitent délibérément l'expression « accepter H0 » et s'en tiennent à « ne pas rejeter ».
4. Comment choisir le seuil de signification (α) d'un test d'hypothèse ?
α = 0.05 est la valeur par défaut standard dans la plupart des cursus, équilibrant les taux d'erreur de type I et de type II. Les domaines où un faux positif coûte particulièrement cher, comme les essais cliniques de médicaments, utilisent souvent un α = 0.01 plus strict, tandis que certaines recherches exploratoires emploient un α = 0.10 plus permissif.
Obtenir plus d'aide pour les devoirs sur les tests d'hypothèse
Dès que vous êtes à l'aise pour énoncer H0 et Ha, choisir entre un test z et un test t et comparer votre statistique de test à une valeur critique ou à une valeur p, les exercices de tests d'hypothèse deviennent une affaire de mise en place soignée plutôt qu'une formule mystérieuse. Entraînez-vous avec un mélange de questions unilatérales et bilatérales, car les examens attendent souvent que vous reconnaissiez laquelle s'applique à la seule lecture de l'affirmation. Si vous bloquez sur la mise en place d'un exercice précis ou souhaitez revérifier un calcul fait à la main, le solveur étape par étape de Solvify peut dérouler la même formule que celle présentée dans ce guide — la statistique de test, la valeur critique ou la valeur p, et la décision finale — afin que vous voyiez exactement où votre démarche diverge de la bonne.
Avant de recourir à un calculateur de test d'hypothèse, écrivez H0, Ha et si le test est unilatéral ou bilatéral — cette seule décision détermine à la fois votre valeur critique et votre conclusion.
Articles connexes
Calculateur du khi-deux : comment calculer des tests du khi-deux à la main
Un autre test d'hypothèse, conçu pour des effectifs catégoriels plutôt que pour les moyennes numériques des tests z et t.
Calculateur d'intervalle de confiance pour une proportion : formule, étapes et exemples
Les intervalles de confiance et les tests d'hypothèse partagent les mêmes formules d'erreur type — voyez comment un intervalle de proportion se relie à un test z sur une proportion.
Calculateur d'ANOVA : guide étape par étape de l'ANOVA à un facteur
Une suite naturelle après un test d'hypothèse sur deux échantillons, lorsqu'on compare trois moyennes de groupe ou plus à la fois.
Solveurs mathématiques
Solutions étape par étape
Affichez explicitement chaque étape d'un test d'hypothèse — la statistique de test, la valeur critique ou la valeur p, et la décision finale.
Solveur Smart Scan
Prenez une photo d'un exercice de test d'hypothèse et obtenez instantanément une solution entièrement détaillée.
Tuteur de maths IA
Posez des questions complémentaires sur les tests z, les tests t, les valeurs p ou les erreurs de type I et de type II jusqu'à ce que tout devienne clair.
Matières connexes
Aide en statistiques
Statistiques descriptives, tests d'hypothèse et intervalles de confiance — les sujets qui prolongent directement ce guide.
Préparation aux examens avec un tuteur IA
Comment un tuteur IA peut passer en revue les tests d'hypothèse et les exercices sur la valeur p avant un examen de statistiques.
Comment un calculateur de test d'hypothèse choisit-il entre un test z et un test t ?
Tout calculateur de test d'hypothèse a besoin des mêmes entrées essentielles — une valeur affirmée pour la population, une statistique d'échantillon, une mesure de dispersion et une taille d'échantillon — mais la formule utilisée dépend d'un fait clé : l'écart type de la population est-il connu ?
1. Utilisez un test z lorsque l'écart type de la population (σ) est connu
C'est le cas lorsque l'affirmation est accompagnée d'un σ historique ou théorique, souvent issu d'un grand jeu de données existant — par exemple un fabricant disposant d'années de relevés de contrôle qualité sur le poids d'un produit. Statistique de test : z = (x̄ − μ0) ÷ (σ ÷ √n), où x̄ est la moyenne de l'échantillon, μ0 la moyenne affirmée de la population et n la taille de l'échantillon.
2. Utilisez un test t lorsque seul l'écart type de l'échantillon (s) est connu
C'est de loin la situation la plus fréquente en pratique, car l'écart type de la population est rarement connu à l'avance. Statistique de test : t = (x̄ − μ0) ÷ (s ÷ √n), avec un nombre de degrés de liberté df = n − 1. La distribution t est plus large et plus aplatie que la loi normale pour les petits échantillons, ce qui rend la signification plus difficile à atteindre — une pénalité intégrée pour l'incertitude supplémentaire liée à l'estimation de σ à partir de l'échantillon lui-même.
3. Pourquoi apprendre malgré tout la méthode manuelle
Les devoirs et les examens exigent presque toujours la démarche complète — énoncer H0 et Ha, calculer la statistique de test terme par terme et la comparer à une valeur critique ou à une valeur p — et pas seulement un décimal final. Un calculateur de test d'hypothèse est le plus rapide pour vérifier une réponse, mais ce sont les étapes manuelles ci-dessous qui rapportent des points et construisent l'intuition nécessaire pour des sujets ultérieurs comme les intervalles de confiance et l'ANOVA.