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 une moyenne d’échantillon diffère de façon significative d’une moyenne de population connue, lorsque l’écart type de la population est déjà connu. Il produit un seul nombre, le score z, qui indique de combien d’écarts types la moyenne de l’échantillon s’éloigne de la moyenne de la population. Les chercheurs, les inspecteurs qualité et les analystes l’utilisent pour juger si une différence observée est probablement réelle ou simplement due au hasard.

Formule du test z

Le test z calcule un score z avec cette formule, la statistique de test lorsque l’écart type est connu donnée dans le NIST/SEMATECH e-Handbook of Statistical Methods :

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

• $\bar{x}$ 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

Le dénominateur de la formule, $\sigma / \sqrt{n}$, s’appelle l’erreur type. Il mesure de combien les moyennes d’échantillon varient en moyenne du seul fait de l’échantillonnage aléatoire.

Comment calculer un test z étape par étape

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

Exemple détaillé

Une usine indique que ses boulons mesurent en moyenne 10 cm de long, avec un écart type de 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 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 fortement positif ou négatif signifie que la moyenne de l’échantillon est éloignée de la moyenne de la population, ce qui indique une différence réelle plutôt qu’un simple hasard.

Voici les valeurs critiques courantes de la loi normale, pour un test bilatéral :

• α = 0,10 (confiance de 90 %) : z = ±1,645
• α = 0,05 (confiance de 95 %) : z = ±1,96
• α = 0,01 (confiance de 99 %) : z = ±2,576

Si le score z calculé dépasse la valeur critique du seuil de signification choisi, le résultat est dit statistiquement significatif et l’hypothèse nulle (selon laquelle il n’y a aucune différence) est rejetée.

Dans l’exemple détaillé, z = 2,5 dépasse ±1,96, donc la différence est statistiquement significative au seuil de 0,05. La valeur p 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 aussi grande 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 assez grand pour que le théorème central limite s’applique.

Si l’écart type de la population est inconnu, ou si l’échantillon est petit, on utilise plutôt un test t. Le test t estime la variabilité à partir de l’échantillon lui-même et tient compte de l’incertitude supplémentaire que cela entraîne.

Test z et test t

Les deux tests mesurent l’écart 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 loi plus étalée, qui dépend de la taille de l’échantillon, pour rendre compte de l’incertitude supplémentaire. En pratique, le test t est le plus souvent utilisé. Le NIST décrit le cas où l’écart type doit être estimé à partir des données comme le plus courant.

Usages concrets du test z

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

Historique

La loi normale à la base du test z a été décrite par Abraham de Moivre, qui l’a utilisée en 1733 comme approximation de la loi binomiale. Carl Friedrich Gauss et Pierre-Simon Laplace ont poursuivi l’élaboration de la théorie au début des années 1800. Les méthodes formelles de test d’hypothèses, y compris l’emploi des scores z et des valeurs critiques pour juger de la signification statistique, ont été mises au point au début du 20e siècle par des statisticiens dont Ronald Fisher, Jerzy Neyman et Egon Pearson.

Foire aux questions

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

Un test z exige un écart type de population connu et fonctionne mieux avec de grands échantillons. Un test t s’emploie lorsque l’écart type de la population est inconnu et doit être estimé à partir de l’échantillon ; il convient aux petits comme aux grands échantillons.

Quelle taille d’échantillon faut-il pour un test z ?

Une taille d’échantillon supérieure à 30 est la règle pratique courante. En dessous, les résultats d’un test z deviennent peu fiables, et un test t est généralement le 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 2,5 erreurs types au-dessus de la moyenne de la population. Cela dépasse la valeur critique bilatérale de ±1,96 pour une confiance de 95 %, donc la différence est statistiquement significative à ce niveau. La valeur p bilatérale pour z = 2,5 est d’environ 1,24 %.

Qu’est-ce que la valeur p dans un test z ?

La valeur p est la probabilité d’obtenir un résultat au moins aussi extrême que celui observé, s’il n’y avait réellement aucune différence avec la moyenne de la population. Plus la valeur p est petite, plus la preuve contre l’hypothèse nulle est forte. Une valeur p inférieure à 0,05 est couramment considérée comme statistiquement significative.

Qu’est-ce que l’hypothèse nulle dans un test z ?

L’hypothèse nulle affirme qu’il n’y a aucune différence entre la moyenne de l’échantillon et la moyenne de la population. Le test z mesure dans quelle mesure l’échantillon fournit des preuves contre cette affirmation.

Peut-on utiliser un test z pour de petits échantillons ?

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

Références

1. National Institute of Standards and Technology. NIST/SEMATECH e-Handbook of Statistical Methods, section 7.2.2 "Are the data consistent with the assumed process mean?". Manuel électronique du NIST 7.2.2 — z = (Ȳ − μ₀)/(σ/√N) lorsque l’écart type est connu ; l’estimer à partir des données est le cas le plus courant.
2. National Institute of Standards and Technology. NIST/SEMATECH e-Handbook of Statistical Methods, section 1.3.6.7.1 "Cumulative Distribution Function of the Standard Normal Distribution". Manuel électronique du NIST 1.3.6.7.1 — valeurs critiques 1,282, 1,645, 1,960, 2,326 et 2,576 ; l’aire de 0 à 2,5 vaut 0,49379.
3. MacTutor History of Mathematics, University of St Andrews. Abraham de Moivre. MacTutor : Abraham de Moivre — de Moivre a établi la courbe normale en 1733 comme approximation de la loi binomiale.