Revision sheet: Introduction aux tests t de Student

📋 Plan du Cours

1. Distribution t de Student
2. Test t pour un échantillon
3. Test t pour deux échantillons appariés
4. Test t pour deux échantillons indépendants
5. Conditions d'application du test t

📖 1. Distribution t de Student

🔑 Notions clés & Définitions

Distribution t de Student : La distribution t de Student est une loi de probabilité utilisée principalement pour analyser des petits échantillons lorsque la variance de la population est inconnue. Elle présente des queues plus épaisses que la distribution normale, ce qui reflète une variabilité accrue dans ces situations. La distribution a été introduite par William Sealy Gossett en 1908, sous le pseudonyme "Student", lorsqu'il travaillait comme brasseur à l’usine Guinness.

Degrés de liberté (ddl) : Les degrés de liberté, notés v, représentent la taille effective de l’échantillon pour l’estimation de la variance. Pour un seul échantillon, ils sont généralement N-1, où N est la taille de l’échantillon. Pour deux échantillons comparés, ils sont souvent N1 + N2 - 2.

Quantile bilatéral : C’est la valeur critique qui délimite la zone de rejet pour un test bilatéral à un certain niveau de signification (par exemple 5%). Il permet de déterminer si une valeur observée est suffisamment extrême pour rejeter l’hypothèse nulle.

Valeur critique t : La valeur seuil à partir de laquelle on décide de rejeter ou non l’hypothèse nulle dans un test t. Elle dépend du niveau de confiance et des degrés de liberté.

Convergence vers la distribution normale : Lorsque la taille de l’échantillon augmente, la distribution t de Student se rapproche de la distribution normale standard. Plus v devient grand, plus la courbe de la distribution t ressemble à celle de la normale.

📝 Points essentiels

La distribution t de Student est utilisée pour les petits échantillons où la variance de la population est inconnue. Elle possède des queues plus épaisses que la normale, ce qui signifie qu’elle prévoit une plus grande probabilité d’observations éloignées de la moyenne. Les degrés de liberté, généralement N-1 pour un seul échantillon ou N1+N2-2 pour deux échantillons, déterminent la forme de la distribution. Lorsqu’on augmente la taille de l’échantillon, la distribution t converge vers la distribution normale, ce qui permet d’utiliser la loi normale pour de grands échantillons.

💡 À retenir

La distribution t de Student est une adaptation de la normale qui permet de gérer l’incertitude accrue dans les petits échantillons, en tenant compte de la variabilité plus importante estimée à partir de l’échantillon. Sa forme évolue vers la normale à mesure que la taille de l’échantillon augmente.

📖 2. Test t pour un échantillon

🔑 Notions clés & Définitions

Hypothèse nulle (H0) : AUTEUR (date) : déclaration selon laquelle il n’y a pas de différence entre la moyenne observée de l’échantillon et la moyenne attendue (population). Elle suppose que toute différence est due au hasard.

Hypothèse alternative (H1) : AUTEUR (date) : assertion qu’il existe une différence significative entre la moyenne de l’échantillon et la moyenne attendue de la population.

Statistique t empirique : AUTEUR (date) : valeur calculée à partir de l’échantillon, qui permet de tester l’hypothèse nulle en comparant cette valeur à une valeur critique issue de la distribution t de Student.

Moyenne attendue (μ) : AUTEUR (date) : valeur moyenne connue ou supposée de la population, contre laquelle on compare la moyenne observée de l’échantillon.

Écart-type de l’échantillon (s) : AUTEUR (date) : mesure de dispersion des données dans l’échantillon, utilisée pour estimer la variance inconnue de la population.

📝 Points essentiels

Le test t pour un échantillon compare la moyenne observée (x̄) à une moyenne connue ou attendue (μ) de la population. La statistique t est calculée en remplaçant la variance inconnue par l’écart-type de l’échantillon (s). La formule du t est : (x̄ - μ) / (s / √n), où n est la taille de l’échantillon. La décision se fait en comparant la valeur empirique de t à la valeur critique de la distribution t de Student, avec le nombre de degrés de liberté (ddl) égal à n - 1. La valeur critique dépend du niveau de signification choisi.

💡 À retenir

Le test t pour un échantillon permet d’évaluer si la moyenne d’un échantillon diffère significativement d’une moyenne populationnelle connue, en utilisant la statistique t calculée à partir de l’échantillon et en la comparant à la distribution t de Student.

📖 3. Test t pour deux échantillons appariés

🔑 Notions clés & Définitions

Échantillons appariés | Mesures effectuées sur les mêmes individus à deux moments ou dans deux conditions différentes. | Exemple : mesurer le bonheur d’un groupe avant et après un cours.

Différence individuelle (XD) | La différence pour chaque paire d’observations : différence entre la mesure après et la mesure avant. | Calcul : XD = après – avant.

Moyenne des différences ( ) | La moyenne arithmétique des différences individuelles (XD) sur toutes les paires. | Représente la tendance centrale des changements.

Écart-type des différences (sD) | La mesure de la dispersion ou de la variabilité des différences individuelles (XD). | Indique la variabilité des changements au sein des paires.

Degrés de liberté pour paires (n-1) | Nombre de paires moins un, utilisé pour déterminer la distribution t dans le calcul du test. | Si n est le nombre de paires, alors Ddl = n – 1.

📝 Points essentiels

Le test t pour échantillons appariés consiste à calculer la différence entre chaque paire de mesures (XD). Ensuite, on détermine la moyenne ( ) et l’écart-type (sD) de ces différences. La statistique t est calculée en utilisant cette moyenne et cet écart-type, en appliquant la formule du t pour un échantillon unique, en supposant que la moyenne attendue sous H0 est zéro. La valeur de t est évaluée avec n – 1 degrés de liberté, où n est le nombre de paires. La distribution t de Student permet de déterminer si la moyenne des différences est significativement différente de zéro, ce qui indiquerait une différence réelle entre les deux mesures.

💡 À retenir

Le test t apparié se concentre sur l’analyse des changements individuels plutôt que sur la comparaison de deux groupes indépendants, en utilisant la différence moyenne et sa variabilité pour évaluer l’existence d’un effet.

📖 4. Test t pour deux échantillons indépendants

🔑 Notions clés & Définitions

Échantillons indépendants : Deux échantillons proviennent de groupes distincts sans relation appariée, c’est-à-dire que chaque individu appartient à un seul groupe et qu’il n’y a pas de lien entre les membres des deux groupes.

• AUTEUR : voir section 2

Test de Levene : Test utilisé pour vérifier l’hypothèse d’égalité des variances entre deux groupes. Si le résultat est significatif (p < 0.05), cela indique que les variances sont inégales, nécessitant une correction.

Correction de Welch : Méthode alternative appliquée lorsque l’hypothèse d’égalité des variances est violée. Elle ajuste le calcul du test t et des degrés de liberté pour tenir compte de cette inégalité.

Taille d’effet de Cohen : Mesure de l’importance pratique de la différence entre deux moyennes. Elle indique si la différence est non seulement statistiquement significative mais aussi pertinente dans le contexte.

📝 Points essentiels

Les échantillons doivent avoir des tailles comparables (N1, N2) et provenir de groupes distincts sans relation appariée. La formule du test t utilise les moyennes (S1, S2), les écarts-types (ET), et les tailles d’échantillons (N1, N2). Le degré de liberté standard est N1 + N2 – 2, applicable lorsque l’hypothèse d’égalité des variances est respectée. Si N1 et N2 sont très différents ou si les variances diffèrent, une formule ajustée est utilisée, comme indiqué dans la ressource Wikipedia. Le test de Levene permet de vérifier cette égalité de variances : si p < 0.05, la correction de Welch doit être appliquée.

💡 À retenir

L’interprétation du test t indépendant doit combiner la significativité statistique (p-value) et la taille d’effet de Cohen pour évaluer à la fois la robustesse et la pertinence pratique de la différence entre les groupes.

📖 5. Conditions d'application du test t

🔑 Notions clés & Définitions

Échelle d’intervalle : Selon le contenu source, le test t nécessite que les données soient sur une échelle d’intervalle, ce qui signifie que les différences entre valeurs sont constantes et mesurables de manière significative. (Aucune définition spécifique n’est fournie dans le contenu source, mais cette notion est implicite dans le contexte du test t).

Normalité des populations : La distribution des données dans chaque population doit suivre une loi normale. La normalité peut être vérifiée par un test de normalité ou par un diagramme Q-Q, permettant d’évaluer si la distribution observée s’approche d’une distribution normale.

Test de normalité : Méthode statistique ou graphique permettant de vérifier si une distribution suit une loi normale. La vérification est essentielle pour l’application du test t.

Homogénéité des variances : La condition selon laquelle les écarts-types ou variances dans deux populations sont comparables. Elle est cruciale pour le test t de Student pour échantillons indépendants. La vérification se fait par le test de Levene ou Brown-Forsythe, avec H0 : variances égales, H1 : variances inégales.

Tests non-paramétriques alternatifs : En cas de non-normalité ou de non-respect des autres conditions, des tests comme Wilcoxon ou Mann-Whitney sont utilisés pour comparer deux échantillons sans supposer de normalité.

📝 Points essentiels

Le test t nécessite que les données soient sur une échelle d’intervalle. La normalité des distributions dans les populations est une condition essentielle, vérifiable par test de normalité ou diagramme Q-Q. Pour les échantillons indépendants, l’homogénéité des variances doit être respectée, ce qui est testé par le test de Levene ou Brown-Forsythe. Si cette condition n’est pas remplie, la correction de Welch doit être appliquée lors du test t. En cas de non-normalité, il est conseillé d’utiliser des tests non-paramétriques comme Wilcoxon ou Mann-Whitney.

💡 À retenir

Pour garantir la validité du test t, il est crucial de vérifier la normalité des distributions et l’homogénéité des variances. En cas de non-respect de ces conditions, des méthodes alternatives ou corrections doivent être appliquées.

📅 Repères chronologiques

Date	Événement
1908	Introduction de la distribution t de Student par William Sealy Gossett

📊 Tableaux de Synthèse

Critère	Distribution t de Student	Test t pour un échantillon	Test t pour deux échantillons appariés	Test t pour deux échantillons indépendants
Auteur	William Sealy Gossett (1908)	—	—	—
Utilisation principale	Petits échantillons, variance inconnue	Comparer moyenne échantillon à moyenne population	Comparer mesures sur mêmes individus (avant/après)	Comparer deux groupes indépendants
Degrés de liberté	N-1 ou N1+N2-2	N-1	n-1 (nombre de paires)	N1+N2-2 ou correction avec Levene et Welch
Formule clé	N/A (distribution)	(x̄ - μ) / (s/√n)	Moyenne différences / (écart-type différences / √n)	(S1 - S2) / √(s1²/N1 + s2²/N2)
Convergence vers normale	Oui, avec augmentation v	Non applicable	Non applicable	Non applicable

⚠️ Pièges & Confusions Fréquentes

1. Confondre la distribution t avec la normale pour des grands échantillons ; la t ne doit être utilisée que pour petits échantillons ou variance inconnue.
2. Oublier d’ajuster les degrés de liberté lorsque l’hypothèse d’égalité des variances est rejetée (application de la correction de Welch).
3. Confondre test apparié et test indépendant : le premier compare des mesures sur les mêmes individus, le second compare deux groupes distincts.
4. Ne pas vérifier l’hypothèse d’égalité des variances avec le test de Levene avant d’appliquer le test t pour deux échantillons indépendants.
5. Utiliser une formule incorrecte pour le calcul du t dans le cas d’échantillons indépendants avec variances inégales.
6. Interpréter une différence statistiquement significative comme une différence pratique sans calculer la taille d’effet.
7. Omettre la vérification des conditions d’application du test t : normalité, indépendance, homogénéité des variances.

✅ Checklist Examen

• Connaître la définition et l’origine de la distribution t de Student, notamment l’apport de William Sealy Gossett en 1908.
• Savoir ce que représentent les degrés de liberté dans le contexte du test t.
• Maîtriser la formule du test t pour un échantillon : (x̄ - μ) / (s/√n).
• Comprendre la différence entre hypothèse nulle et hypothèse alternative dans le contexte du test t.
• Savoir comment calculer et interpréter la statistique t empirique.
• Connaître la formule et l’interprétation du test t pour deux échantillons appariés, notamment la différence moyenne et son écart-type.
• Savoir quand utiliser le test t pour deux échantillons indépendants, en vérifiant l’égalité des variances avec le test de Levene.
• Comprendre l’application de la correction de Welch en cas d’inégalité des variances.
• Être capable d’interpréter une taille d’effet selon Cohen dans le contexte du test t indépendant.
• Vérifier que les conditions d’application du test sont remplies : normalité, indépendance, homogénéité des variances.
• Connaître que la distribution t converge vers la normale lorsque les degrés de liberté augmentent.
• Savoir distinguer clairement entre tests paramétriques et non paramétriques selon les conditions.