Calculateur de test t sur un échantillon : formule, étapes et exemples résolus
Un calculateur de test t sur un échantillon compare la moyenne d'un seul échantillon à une valeur annoncée pour la population lorsque l'écart-type de la population est inconnu : il utilise alors l'écart-type de l'échantillon et la loi de Student. Les étudiants se tournent vers un calculateur de test t sur un échantillon pour vérifier si une nouvelle méthode de révision modifie réellement les notes moyennes, si un lot de pièces respecte une spécification cible, ou si une moyenne d'échantillon est assez proche d'une référence historique pour être considérée comme inchangée. Ce guide reconstruit la formule du test t sur un échantillon depuis le début — la statistique t, les degrés de liberté, les décisions unilatérales et bilatérales, ainsi que l'intervalle de confiance associé — avec des exemples entièrement résolus pour que vous puissiez vérifier chaque nombre à la main.
Sommaire
- 01Que calcule réellement un calculateur de test t sur un échantillon ?
- 02Pourquoi utiliser un test t plutôt qu'un test z ici ?
- 03Quelle est la formule du test t sur un échantillon ?
- 04Comment réaliser un test t bilatéral sur un échantillon, étape par étape ?
- 05En quoi un test t unilatéral diffère-t-il d'un test t bilatéral ?
- 06Quel lien y a-t-il entre un intervalle de confiance et un test t sur un échantillon ?
- 07Quelles hypothèses un test t sur un échantillon exige-t-il ?
- 08Quelles erreurs éviter avec un calculateur de test t sur un échantillon ?
- 09Exercices corrigés sur le test t sur un échantillon
- 10Quelles autres questions les étudiants posent-ils sur les calculateurs de test t sur un échantillon ?
- 11Aller plus loin avec les devoirs sur le test t sur un échantillon
Que calcule réellement un calculateur de test t sur un échantillon ?
Un calculateur de test t sur un échantillon prend une moyenne d'échantillon, une moyenne de population annoncée, un écart-type d'échantillon et une taille d'échantillon, puis renvoie une statistique t, des degrés de liberté et une valeur p que vous comparez à votre seuil de signification. Il répond à une question précise : l'écart entre la moyenne de votre échantillon et la valeur annoncée est-il plus grand que ce que le hasard de l'échantillonnage produirait, ou assez petit pour être expliqué par le hasard ? Le test repose sur deux affirmations concurrentes : l'hypothèse nulle H0 (la moyenne annoncée est correcte) et l'hypothèse alternative Ha (la vraie moyenne est différente). Un calculateur de test t sur un échantillon ne prouve jamais que H0 est vraie — il mesure seulement si l'échantillon fournit des preuves suffisamment solides pour la rejeter.
Un calculateur de test t sur un échantillon ne prouve jamais que la moyenne annoncée est correcte. Il décide seulement si l'échantillon fournit des preuves suffisamment solides pour rejeter cette affirmation.
Pourquoi utiliser un test t plutôt qu'un test z ici ?
Le test t sur un échantillon et le test z sur un échantillon répondent à la même question, mais ils diffèrent sur une seule hypothèse : savez-vous ou non quel est l'écart-type de la population ?
1. Utilisez un test t lorsque seul l'écart-type de l'échantillon (s) est connu
C'est le cas réaliste dans lequel se trouvent presque tous les exercices et toutes les vraies études, car le véritable écart-type de la population est rarement disponible à l'avance. Un calculateur de test t sur un échantillon utilise s, l'écart-type calculé à partir de votre propre échantillon, à la place du σ inconnu.
2. La loi de Student tient compte de l'incertitude supplémentaire
Comme s est lui-même estimé à partir de l'échantillon, il comporte une erreur d'échantillonnage supplémentaire par rapport à un σ connu. La loi de Student est plus étalée et plus aplatie que la loi normale, en particulier pour les petits échantillons, ce qui rend la significativité statistique plus difficile à atteindre — une pénalité intégrée pour cette incertitude supplémentaire. À mesure que la taille de l'échantillon augmente (environ n ≥ 30), la loi de Student converge vers la loi normale.
3. Pourquoi les étapes manuelles restent importantes
Un calculateur de test t sur un échantillon vous donne instantanément la statistique t finale et la valeur p, mais les devoirs et les examens exigent presque toujours de présenter les hypothèses, la substitution dans la formule et la comparaison à une valeur critique ou à une valeur p. Dérouler les étapes ci-dessous construit l'intuition dont vous aurez besoin plus tard pour les tests t à deux échantillons, l'ANOVA et la régression.
Quelle est la formule du test t sur un échantillon ?
La formule du test t sur un échantillon convertit vos données en un unique score standardisé, puis compare ce score à un seuil issu de la loi de Student.
1. La formule de la statistique t
t = (x̄ − μ₀) ÷ (s ÷ √n), où x̄ est la moyenne de l'échantillon, μ₀ la moyenne de population annoncée (hypothétique), s l'écart-type de l'échantillon et n la taille de l'échantillon. Le dénominateur, s ÷ √n, est l'erreur type de la moyenne : il mesure de combien les moyennes d'échantillons varieraient typiquement autour de la vraie moyenne de la population sous l'effet du hasard.
2. Les degrés de liberté
df = n − 1. Les degrés de liberté diminuent d'une unité parce que l'écart-type de l'échantillon s est calculé à partir de la moyenne de l'échantillon elle-même, ce qui consomme une unité d'information indépendante. Vous avez besoin de df pour lire la bonne valeur t critique ou la bonne valeur p dans une table de la loi de Student.
3. Lire le résultat
Un |t| plus grand signifie que la moyenne de l'échantillon se situe plus loin de la valeur annoncée, mesurée en erreurs types. Une statistique t proche de 0 signifie que la moyenne de l'échantillon est proche de μ₀ au regard de la variabilité naturelle des données, ce qui oriente vers un non-rejet de H0.
t = (x̄ − μ₀) ÷ (s ÷ √n), avec des degrés de liberté df = n − 1.
En quoi un test t unilatéral diffère-t-il d'un test t bilatéral ?
La direction de l'hypothèse alternative détermine si vous menez un test unilatéral ou bilatéral, et les confondre change à la fois la valeur critique et la conclusion.
1. Les tests unilatéraux vérifient une direction précise
Ha : μ > μ0 (unilatéral à droite) ou Ha : μ < μ0 (unilatéral à gauche) place toute la région de rejet dans une seule queue de la loi de Student, ce qui facilite la détection d'un effet dans la direction prévue mais rend impossible la détection d'un effet dans la direction opposée, aussi extrême soit-il.
2. Un exemple résolu : test t unilatéral à droite
Un centre de soutien scolaire affirme que son programme augmente les notes de plus de 5 points en moyenne. Un échantillon de n = 12 élèves montre une amélioration moyenne de x̄ = 6.2 points avec s = 1.8 point. H0 : μ = 5. Ha : μ > 5 (unilatéral à droite, puisque l'affirmation dit précisément « plus de »). t = (6.2 − 5) ÷ (1.8 ÷ √12) = 1.2 ÷ 0.5196 ≈ 2.309. df = 11, et la valeur t critique unilatérale à droite à α = 0,05 vaut environ 1.796. Comme t ≈ 2.309 dépasse 1.796 (p ≈ 0.021 < 0.05), on rejette H0 — l'échantillon soutient l'affirmation selon laquelle l'amélioration moyenne dépasse 5 points.
3. Faire correspondre la queue à la formulation de l'affirmation
« Supérieur à » ou « plus de » signale un test unilatéral à droite ; « inférieur à » signale un test unilatéral à gauche ; « différent de » ou « non égal à » signale un test bilatéral. Utiliser une valeur critique bilatérale pour une affirmation unilatérale (ou l'inverse) peut transformer une décision de rejet en non-rejet, ou l'inverse.
Un test bilatéral répartit α entre les deux queues ; un test unilatéral place la totalité de α dans une seule queue, ce qui abaisse la valeur t critique nécessaire pour rejeter H0 dans la direction prévue.
Quel lien y a-t-il entre un intervalle de confiance et un test t sur un échantillon ?
Un intervalle de confiance fondé sur la loi de Student et un test t bilatéral sur un échantillon sont deux points de vue sur le même calcul : si la valeur annoncée tombe en dehors de l'intervalle, le test bilatéral au seuil de signification correspondant rejette H0.
1. La formule de l'intervalle de confiance
IC = x̄ ± t* × (s ÷ √n), où t* est la valeur t critique correspondant au niveau de confiance souhaité et df = n − 1. En reprenant l'exemple des gélules de vitamines ci-dessus (x̄ = 494, s = 15, n = 20, df = 19, t* ≈ 2.093 pour une confiance de 95 %) : IC = 494 ± 2.093 × (15 ÷ √20) = 494 ± 2.093 × 3.354 = 494 ± 7.02, soit un intervalle d'environ (486.98, 501.02).
2. Lire l'intervalle face à l'affirmation
Comme 500 mg tombe à l'intérieur de l'intervalle (486.98, 501.02), l'intervalle de confiance à 95 % concorde avec la décision de non-rejet du test bilatéral de l'exemple précédent — les données sont compatibles avec la moyenne annoncée de 500 mg. Si la valeur annoncée était tombée en dehors de l'intervalle, le test bilatéral correspondant aurait rejeté H0.
3. Pourquoi cela compte en pratique
Un intervalle de confiance donne une plage de valeurs plausibles pour la vraie moyenne, et pas seulement un verdict rejet / non-rejet, ce qui est souvent plus utile pour présenter des résultats : il montre à la fois l'estimation et sa précision en une seule phrase.
Si l'intervalle de confiance x̄ ± t* × (s ÷ √n) exclut la valeur annoncée μ0, le test bilatéral correspondant au même seuil de signification rejette H0.
Quelles hypothèses un test t sur un échantillon exige-t-il ?
Un calculateur de test t sur un échantillon ne donne une réponse valide que si les hypothèses sous-jacentes sont à peu près vérifiées — les contrôler prend une minute et évite une conclusion trompeuse.
1. Les données doivent constituer un échantillon aléatoire et indépendant
Chaque observation doit être tirée indépendamment de la population d'intérêt, sans schéma systématique (comme un échantillonnage limité à un seul lieu ou à une seule période) susceptible de biaiser la moyenne.
2. La population doit être approximativement normale, ou l'échantillon suffisamment grand
Pour les petits échantillons (environ n < 30), la population sous-jacente doit suivre approximativement une loi normale pour que le test t soit fiable. Pour les échantillons plus grands, le théorème central limite fait que la distribution d'échantillonnage de la moyenne est approximativement normale même si la population ne l'est pas, de sorte que le test t reste valide.
3. Les données doivent être mesurées sur une échelle continue
Le test t sur un échantillon est conçu pour des données numériques continues (poids, notes, durées) pour lesquelles une moyenne a du sens — il n'est pas adapté aux données catégorielles ou ordinales, qui appellent un autre test, comme un test du khi-deux d'adéquation.
Quelles erreurs éviter avec un calculateur de test t sur un échantillon ?
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 t sur un échantillon.
1. Utiliser n au lieu de n − 1 pour les degrés de liberté
Oublier de soustraire 1 décale la ligne de la table de Student que vous lisez, ce qui change la valeur critique et peut inverser une décision limite.
2. Choisir la mauvaise direction de queue
Faites correspondre Ha à la formulation exacte de l'affirmation : « plus de » signifie unilatéral à droite, « moins de » signifie unilatéral à gauche, « différent de » signifie bilatéral. Un mauvais choix de queue conduit à utiliser la mauvaise valeur critique.
3. Confondre écart-type et erreur type
La formule divise s par √n avant de le comparer à l'écart x̄ − μ0 — introduire s seul au lieu de s ÷ √n produit une statistique t bien trop faible en valeur absolue.
4. Prendre « ne pas rejeter » pour « l'affirmation est prouvée »
Ne pas rejeter H0 signifie seulement que l'échantillon n'a pas fourni assez de preuves contre l'affirmation — cela ne prouve jamais qu'elle est correcte. Un autre échantillon, ou un échantillon plus grand, pourrait tout de même conduire à rejeter H0 pour la même population sous-jacente.
Exercices corrigés sur le test t sur un échantillon
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 t bilatéral
Une boulangerie affirme que ses pains pèsent en moyenne 450 g. Un échantillon de n = 16 pains donne x̄ = 445 g et s = 12 g. Testez à α = 0,05 si la vraie moyenne diffère de 450 g. Solution : t = (445 − 450) ÷ (12 ÷ √16) = −5 ÷ 3 ≈ −1.667. df = 15, et la valeur critique bilatérale à α = 0,05 vaut ±2.131. Comme |t| ≈ 1.667 < 2.131, on ne rejette pas H0 — l'échantillon n'apporte pas de preuves solides que la vraie moyenne diffère de 450 g.
2. Exercice 2 (intermédiaire) : test t unilatéral
Un fabricant de piles affirme que ses piles durent plus de 40 heures en moyenne. Un échantillon de n = 25 piles donne x̄ = 41.8 heures et s = 4.5 heures. Testez à α = 0,05, en unilatéral à droite. Solution : t = (41.8 − 40) ÷ (4.5 ÷ √25) = 1.8 ÷ 0.9 = 2.0. df = 24, et la valeur critique unilatérale à droite à α = 0,05 vaut environ 1.711. Comme t = 2.0 > 1.711, on rejette H0 — l'échantillon soutient l'affirmation selon laquelle la durée de vie moyenne dépasse 40 heures, avec p ≈ 0.028.
3. Exercice 3 (avancé) : test t bilatéral avec un α plus strict
Une affirmation pharmaceutique indique qu'un comprimé contient 250 mg de principe actif. Un échantillon de n = 9 comprimés donne x̄ = 246 mg et s = 5 mg. Testez à α = 0,01 si la vraie moyenne diffère de 250 mg. Solution : t = (246 − 250) ÷ (5 ÷ √9) = −4 ÷ 1.667 ≈ −2.4. df = 8, et la valeur critique bilatérale à α = 0,01 vaut environ ±3.355. Comme |t| ≈ 2.4 est inférieur à 3.355 (p ≈ 0.043, au-dessus de 0,01), on ne rejette pas H0 — cet échantillon n'apporte pas de preuves suffisamment solides au seuil de 1 % pour affirmer que la vraie moyenne diffère de 250 mg, même s'il aurait conduit à un rejet à α = 0,05.
Quelles autres questions les étudiants posent-ils sur les calculateurs de test t sur un échantillon ?
Voici les questions qui reviennent le plus souvent en accompagnement des devoirs et des révisions sur le test t sur un échantillon.
1. Quand dois-je utiliser un calculateur de test t sur un échantillon plutôt qu'un calculateur de test z ?
Utilisez un calculateur de test t sur un échantillon dès que l'écart-type de la population est inconnu et que vous ne disposez que de l'écart-type de l'échantillon — c'est le cas dans presque toutes les vraies études. N'utilisez un test z que lorsqu'un σ de population connu et établi est explicitement donné.
2. Qu'est-ce qu'une « bonne » valeur de la statistique t ?
Il n'existe pas de « bonne » valeur universelle — ce qui compte, c'est de comparer |t| à la valeur critique correspondant à vos degrés de liberté et à votre seuil de signification, ou de comparer directement la valeur p à α. Un |t| plus grand signifie simplement que la moyenne de l'échantillon est plus éloignée de la valeur annoncée, exprimée en unités d'erreur type.
3. Un calculateur de test t sur un échantillon peut-il traiter des données appariées ?
Oui, indirectement — un test t apparié (comparant des mesures avant et après sur les mêmes sujets) est en réalité un test t sur un échantillon appliqué aux différences de chaque paire, qui vérifie si la différence moyenne vaut zéro.
4. Comment la taille de l'échantillon influence-t-elle le test t sur un échantillon ?
Un n plus grand réduit l'erreur type (s ÷ √n), ce qui rend la statistique t plus grande pour un même écart entre x̄ et μ0 et augmente la puissance du test à détecter une différence réelle. Cela augmente aussi les degrés de liberté, ce qui abaisse légèrement la valeur t critique et rapproche la loi de Student de la loi normale.
Aller plus loin avec les devoirs sur le test t sur un échantillon
Une fois que vous êtes à l'aise pour énoncer H0 et Ha, calculer la statistique t terme par terme et la comparer à une valeur critique ou à une valeur p avec les bons degrés de liberté, les exercices de test t sur un échantillon deviennent une question de mise en place soigneuse plutôt qu'une formule mystérieuse. Entraînez-vous avec un mélange d'affirmations unilatérales et bilatérales, car les examens attendent souvent que vous reconnaissiez laquelle s'applique à partir du seul énoncé. Si vous bloquez sur la mise en place d'un exercice précis ou si vous voulez vérifier un calcul fait à la main, le solveur pas à pas de Solvify peut dérouler la même formule que celle présentée dans ce guide — la statistique t, les degrés de liberté et la décision finale — afin que vous voyiez exactement où votre démarche s'écarte de la bonne.
Avant de recourir à un calculateur de test t sur un échantillon, écrivez H0, Ha et précisez si le test est unilatéral ou bilatéral — cette seule décision détermine à la fois votre valeur critique et votre conclusion.
Articles connexes
Calculateur de test d'hypothèse : comment calculer des tests z et des tests t à la main
Le cadre plus large derrière le test t sur un échantillon, y compris comment choisir entre un test z et un test t et comment fonctionnent les erreurs de type I et de type II.
Calculateur d'intervalle de confiance pour une proportion : formule, étapes et exemples
Découvrez comment la même logique de valeur critique utilisée dans l'intervalle de confiance d'un test t s'applique aux proportions plutôt qu'aux moyennes.
Calculateur d'erreur type : formule, étapes et exemples
L'erreur type s ÷ √n est le dénominateur de la statistique t — apprenez comment elle se calcule et ce qu'elle mesure.
Solveurs mathématiques
Solutions pas à pas
Obtenez chaque étape d'un test t sur un échantillon détaillée explicitement — la statistique t, les degrés de liberté et la décision finale.
Solveur Smart Scan
Photographiez une question de test t et obtenez une solution instantanée et entièrement rédigée.
Tuteur de maths IA
Posez des questions complémentaires sur les statistiques t, les degrés de liberté ou les valeurs p jusqu'à ce que tout devienne clair.
Matières connexes
Aide en statistiques
Statistiques descriptives, tests d'hypothèses et intervalles de confiance — les sujets qui prolongent directement ce guide.
Préparation aux examens avec un tuteur IA
Comment un tuteur IA peut dérouler des exercices de test t et d'intervalle de confiance avant un examen de statistiques.
Comment réaliser un test t bilatéral sur un échantillon, étape par étape ?
Voici un exemple complet et résolu qui vérifie si une moyenne d'échantillon diffère d'une valeur annoncée dans un sens ou dans l'autre.
1. Énoncer les hypothèses et recueillir les données
Un fabricant de vitamines affirme que ses gélules contiennent en moyenne 500 mg de principe actif. Un analyste qualité prélève n = 20 gélules et trouve une moyenne d'échantillon de x̄ = 494 mg avec un écart-type d'échantillon de s = 15 mg. H0 : μ = 500 (la moyenne correspond à l'affirmation). Ha : μ ≠ 500 (la moyenne diffère de l'affirmation). Le test est bilatéral, car un écart dans un sens comme dans l'autre — trop peu ou trop de principe actif — a de l'importance. On teste à α = 0,05.
2. Calculer la statistique t
t = (x̄ − μ0) ÷ (s ÷ √n) = (494 − 500) ÷ (15 ÷ √20) = −6 ÷ (15 ÷ 4.472) = −6 ÷ 3.354 ≈ −1.789.
3. Trouver les degrés de liberté et la valeur critique
df = n − 1 = 20 − 1 = 19. Pour un test bilatéral à α = 0,05 avec df = 19, la valeur t critique vaut environ ±2.093. La valeur p bilatérale pour t ≈ −1.789 avec df = 19 est d'environ 0.090.
4. Prendre la décision et interpréter
Comme |t| ≈ 1.789 ne dépasse pas la valeur critique de 2.093 (de façon équivalente, p ≈ 0.090 est supérieure à α = 0,05), on ne rejette pas H0. L'échantillon n'apporte pas de preuves suffisamment solides, au seuil de signification de 5 %, pour affirmer que la teneur moyenne réelle en principe actif diffère de 500 mg — même si la moyenne d'échantillon de 494 mg est un peu inférieure à l'affirmation. Vérification : avec une erreur type plus petite (disons s = 8 au lieu de 15), le même écart de 6 mg produirait un |t| plus grand et pourrait inverser la décision, ce qui montre que la dispersion des données compte autant que l'écart lui-même.