Calculateur de Test Z - Outil Gratuit de Signification Statistique

Qu’est-ce qu’un test z ?

Un test z est un test statistique qui vérifie si la moyenne d’un échantillon diffère de manière significative d’une moyenne connue de la population, lorsque l’écart-type de la population est déjà connu. Il produit un nombre unique, le score z, qui indique à combien d’écarts-types la moyenne de l’échantillon se situe de la moyenne de la population. Les chercheurs, les inspecteurs qualité et les analystes l’utilisent pour déterminer si une différence observée est probablement réelle ou si elle résulte simplement du hasard.

Formule du test z

Le test z calcule un score z à l’aide de la formule suivante :

$Z = \dfrac{\bar{x} - \mu}{\sigma / \sqrt{n}}$

• $\bar{x}$ est la moyenne de l’échantillon
• $\mu$ est la moyenne de la population
• $\sigma$ est l’écart-type de la population
• $n$ est la taille de l’échantillon

La partie inférieure de la formule, $\sigma / \sqrt{n}$, s’appelle l’erreur-type. Elle mesure dans quelle mesure les moyennes d’échantillon sont censées varier du seul fait de l’échantillonnage aléatoire.

Comment calculer un test z étape par étape

1. Calculer la moyenne de l’échantillon ($\bar{x}$) à partir des données recueillies.
2. Identifier la moyenne connue de la population ($\mu$).
3. Identifier l’écart-type connu de la population ($\sigma$).
4. Compter la taille de l’échantillon ($n$).
5. Soustraire $\mu$ de $\bar{x}$.
6. Diviser $\sigma$ par la racine carrée de $n$ pour obtenir l’erreur-type.
7. Diviser le résultat de l’étape 5 par celui de l’étape 6. La réponse est le score z.

Exemple détaillé

Une usine indique que ses boulons mesurent en moyenne 10 cm, avec un écart-type de la population de 0,2 cm. Un inspecteur mesure 100 boulons et obtient une moyenne d’échantillon de 10,05 cm.

• $\bar{x} = 10.05$
• $\mu = 10$
• $\sigma = 0.2$
• $n = 100$

Erreur-type : $0.2 / \sqrt{100} = 0.2 / 10 = 0.02$

Score z : $(10.05 - 10) / 0.02 = 0.05 / 0.02 = 2.5$

Le score z est de 2,5. La moyenne de l’échantillon se situe à 2,5 erreurs-types au-dessus de la moyenne de la population.

Comment interpréter un score z

Un score z proche de 0 signifie que la moyenne de l’échantillon est proche de la moyenne de la population. Un score z positif ou négatif de grande amplitude signifie que la moyenne de l’échantillon est éloignée de celle de la population, ce qui indique une différence réelle plutôt qu’une variation due au hasard.

Valeurs critiques courantes pour un test bilatéral :

• α = 0.10 (niveau de confiance de 90 %) : z = ±1.645
• α = 0.05 (niveau de confiance de 95 %) : z = ±1.96
• α = 0.01 (niveau de confiance de 99 %) : z = ±2.58

Si le score z calculé dépasse la valeur critique correspondant au niveau de signification choisi, le résultat est considéré comme statistiquement significatif et l’hypothèse nulle (selon laquelle il n’existe aucune différence) est rejetée.

Dans l’exemple détaillé, z = 2,5 dépasse ±1,96. La différence est donc statistiquement significative au niveau de 0,05. La p-valeur bilatérale pour z = 2,5 est d’environ 1,24 %, ce qui signifie qu’il y a environ 1 chance sur 80 d’observer une différence d’une telle ampleur si la longueur moyenne réelle des boulons était bien de 10 cm.

Quand utiliser un test z

Un test z convient lorsque :

• L’écart-type de la population est connu.
• La taille de l’échantillon est raisonnablement grande, généralement supérieure à 30.
• Les données proviennent d’un échantillonnage aléatoire.
• La population suit une loi normale, ou l’échantillon est suffisamment grand pour que le théorème central limite s’applique.

Si l’écart-type de la population est inconnu ou si l’échantillon est petit, un test t est utilisé à la place. Le test t estime la variabilité à partir de l’échantillon lui-même et tient compte de l’incertitude supplémentaire qui en résulte.

Test z ou test t

Les deux tests mesurent la distance entre une moyenne d’échantillon et une valeur attendue, en unités d’erreur-type. Le test z suppose que l’écart-type de la population est connu. Le test t estime cette valeur à partir de l’échantillon et utilise une distribution plus étendue, qui dépend de la taille de l’échantillon, afin de tenir compte de l’incertitude supplémentaire. En pratique, le test t est beaucoup plus souvent utilisé, car le véritable écart-type de la population est rarement connu.

Utilisations concrètes du test z

• Contrôle qualité : vérifier si un lot de pièces fabriquées respecte la spécification cible.
• Recherche médicale : comparer le résultat moyen d’un groupe traité à une valeur connue de la population.
• Éducation : comparer les résultats d’une classe à une moyenne nationale.
• Finance : vérifier si les rendements d’un fonds diffèrent d’une moyenne de référence.

Historique

La loi normale qui sous-tend le test z a été décrite par Abraham de Moivre en 1733, comme approximation de la loi binomiale. Carl Friedrich Gauss et Pierre-Simon Laplace ont approfondi cette théorie au début des années 1800. Les méthodes formelles de test d’hypothèses, notamment l’utilisation des scores z et des valeurs critiques pour évaluer la signification statistique, ont été développées au début du 20e siècle par des statisticiens tels que Ronald Fisher, Jerzy Neyman et Egon Pearson.

Ce que ce calculateur affiche

Le calculateur demande quatre nombres : la moyenne de l’échantillon, la moyenne de la population, l’écart-type de la population et la taille de l’échantillon. Il affiche le score z arrondi à quatre décimales. Sous le résultat, il trace la courbe normale standard et marque le score z par une ligne verticale, afin de rendre visible la position du résultat dans la distribution. La courbe représente la densité normale standard, $\varphi(x) = e^{-x^{2}/2} / \sqrt{2\pi}$.

Deux limites s’appliquent aux valeurs saisies. La taille de l’échantillon doit être supérieure à 0. L’écart-type de la population doit être au moins égal à 0,0001 ; une dispersion plus faible fait prendre au score z une valeur énorme, dépourvue de signification utile. Le calculateur ne fournit pas de p-valeur. Il faut donc utiliser les valeurs critiques ci-dessus ou une table de la loi normale standard pour déterminer si le résultat est significatif.

Questions fréquentes

Quelle est la différence entre un test z et un test t ?

Un test z exige que l’écart-type de la population soit connu et fonctionne au mieux avec de grands échantillons. Un test t est utilisé lorsque l’écart-type de la population est inconnu et doit être estimé à partir de l’échantillon ; il convient aussi bien aux petits qu’aux grands échantillons.

De quelle taille d’échantillon un test z a-t-il besoin ?

Une taille d’échantillon supérieure à 30 constitue la règle générale. En dessous de cette valeur, les résultats d’un test z deviennent peu fiables et un test t constitue généralement un meilleur choix.

Que signifie un score z de 2,5 ?

Un score z de 2,5 signifie que la moyenne de l’échantillon se situe à 2,5 erreurs-types au-dessus de la moyenne de la population. Cette valeur dépasse la valeur critique bilatérale de ±1,96 pour un niveau de confiance de 95 %. La différence est donc statistiquement significative à ce niveau. La p-valeur bilatérale pour z = 2,5 est d’environ 1,24 %.

Qu’est-ce qu’une p-valeur dans un test z ?

La p-valeur est la probabilité d’obtenir un résultat au moins aussi extrême que celui observé, s’il n’existait réellement aucune différence par rapport à la moyenne de la population. Une p-valeur plus faible constitue un indice plus fort contre l’hypothèse nulle. Une p-valeur inférieure à 0,05 est généralement considérée comme statistiquement significative.

Quelle est l’hypothèse nulle dans un test z ?

L’hypothèse nulle affirme qu’il n’existe aucune différence entre la moyenne de l’échantillon et la moyenne de la population. Le test z mesure la quantité d’éléments fournis par l’échantillon contre cette affirmation.

Un test z peut-il être utilisé avec de petits échantillons ?

Ce n’est pas recommandé. Avec un petit échantillon ou un écart-type de population inconnu, un test t fournit des résultats plus précis, car il tient compte de l’incertitude supplémentaire liée à l’estimation de la variabilité à partir de données limitées.