Calculateur de test d'hypothèse - Z, T et p-valeur

Le test d'hypothèse est le pilier des statistiques inférentielles. Il fournit un cadre probabiliste et rigoureux pour décider si les données recueillies sont compatibles avec une affirmation théorique — l'hypothèse nulle — ou si les preuves sont suffisamment fortes pour la rejeter au profit d'une alternative. Chaque expérience en médecine, psychologie, économie, contrôle qualité en ingénierie et test A/B de sites web se ramène finalement à une forme de test d'hypothèse. L'hypothèse nulle (H₀) est l'hypothèse par défaut : rien ne s'est passé, le traitement n'a pas d'effet, le procédé est conforme à la cible, ou les proportions sont inchangées. L'hypothèse alternative (H₁) est ce que vous cherchez à détecter : la moyenne a changé, la proportion a évolué, ou un traitement est meilleur qu'un autre. Le niveau de signification α — généralement 0.05 ou 0.01 — est la probabilité de rejeter à tort H₀ alors qu'elle est vraie (erreur de type I). Si la p-valeur renvoyée par le test est inférieure à α, vous rejetez H₀. Le test Z pour les moyennes est approprié lorsque l'écart-type de population σ est connu et que l'échantillon est grand (n ≥ 30) ou que la population est normalement distribuée. La statistique est Z = (x̄ − μ₀) / (σ / √n). Comme σ est connu, la statistique suit exactement la loi normale centrée réduite, et la p-valeur se lit dans la table de la normale. Le test T pour les moyennes s'applique lorsque σ est inconnu, ce qui est la situation la plus réaliste dans la plupart des recherches. On utilise alors l'écart-type de l'échantillon s, et la statistique T = (x̄ − μ₀) / (s / √n) suit une loi t avec df = n − 1 degrés de liberté. Avec de petits échantillons, la loi t a des queues plus épaisses que la normale, ce qui rend la significativité plus difficile à atteindre — une pénalité raisonnable pour l'incertitude supplémentaire sur σ. Le test Z pour les proportions vérifie si une proportion d'échantillon observée p̂ est compatible avec une proportion de population hypothétisée p₀. L'erreur standard est √(p₀(1 − p₀) / n) et la statistique est Z = (p̂ − p₀) / SE. Ce test est largement utilisé dans les tests A/B, les critères principaux des essais cliniques et les cartes de contrôle des proportions de non-conformes. Pour un test bilatéral, vous rejetez H₀ lorsque |statistique| > valeur critique, ce qui capture les écarts dans les deux directions. Pour un test unilatéral (gauche ou droite), vous spécifiez la direction à l'avance ; cela donne plus de puissance pour détecter une variation dans cette direction, mais ne peut pas signaler un changement inattendu dans l'autre sens. La valeur critique affichée correspond à la borne de queue droite ; pour un test de queue gauche, la borne pertinente est son opposé. La p-valeur est la probabilité d'observer une statistique de test au moins aussi extrême que celle calculée, en supposant H₀ vraie. Une p-valeur de 0.03 ne signifie pas qu'il y a 3% de chances que l'hypothèse nulle soit vraie ; cela signifie que si H₀ était vraie, il n'y aurait que 3% de chances d'observer des données aussi extrêmes ou plus extrêmes par le seul effet de l'échantillonnage aléatoire. La significativité statistique n'est pas la même chose que la significativité pratique : un effet minime peut être hautement significatif avec un grand n, tandis qu'un effet important peut ne pas atteindre la significativité avec un petit n. Associez toujours la p-valeur à une taille d'effet et à un intervalle de confiance.