Calculateur de distribution t

Qu'est-ce que la distribution t ?

La distribution t (t de Student) est une distribution de probabilité utilisée pour l'inférence statistique lorsque les tailles d'échantillon sont petites et que l'écart-type de la population est inconnu. Elle ressemble à la distribution normale mais présente des queues plus épaisses, tenant compte de l'incertitude supplémentaire liée à l'estimation de l'écart-type de la population.

Paramètre clé : Degrés de liberté (ddl), généralement n - 1 pour un échantillon unique.

À mesure que les ddl augmentent, la distribution t se rapproche de la distribution normale standard. Pour ddl > 30, les différences sont minimes.

Du t-statistique à la valeur p

Ce calculateur convertit un t-statistique en valeur p, étant donné les degrés de liberté.

Exemple : t = 2,45, ddl = 20

Valeur p bilatérale : P(|T| > 2,45) = 0,024 Valeur p unilatérale : P(T > 2,45) = 0,012

Test unilatéral vs bilatéral

Test bilatéral

Teste toute différence (positive ou négative) :

• H₀ : μ = μ₀ vs. H₁ : μ ≠ μ₀
• Valeur p = 2 × P(T > |t|)

Le plus courant en pratique.

Test unilatéral

Teste dans une direction spécifique :

• Unilatéral à droite : H₀ : μ ≤ μ₀ vs. H₁ : μ > μ₀
• Unilatéral à gauche : H₀ : μ ≥ μ₀ vs. H₁ : μ < μ₀
• Valeur p = P(T > t) ou P(T < t)

À utiliser uniquement avec une justification préalable solide.

Applications

Test t pour un échantillon

« La moyenne de l'échantillon est-elle significativement différente d'une valeur hypothétique ? »

$t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}}, \quad ddl = n - 1$

Test t pour deux échantillons

« Deux groupes ont-ils des moyennes différentes ? »

Poolé : $ddl = n_1 + n_2 - 2$ Welch : ddl calculé par formule (souvent non entier)

Test t apparié

« Y a-t-il une différence entre les mesures appariées ? »

$t = \frac{\bar{d}}{s_d/\sqrt{n}}, \quad ddl = n - 1$ (n = nombre de paires)

Coefficients de régression

« Un coefficient de régression est-il significativement différent de zéro ? »

$t = \frac{\hat{\beta}}{SE(\hat{\beta})}, \quad ddl = n - k - 1$

Intervalles de confiance

Les intervalles de confiance pour les moyennes utilisent les valeurs critiques de la distribution t lorsque l'écart-type de la population est inconnu.

Distribution t vs normale

Différences clés :

• La distribution t a des queues plus épaisses → valeurs critiques plus grandes → IC plus larges
• ddl = 5 : t* = 2,57 vs. z* = 1,96 (pour 95 %)
• ddl = 30 : t* = 2,04 vs. z* = 1,96

Valeurs critiques t

Pour une confiance bilatérale de 95 % :

Le Calculateur de valeur critique (t*) fournit des valeurs pour tous les ddl et niveaux de confiance.

Développement historique

William Sealy Gosset (1876-1937) a développé la distribution t en 1908 alors qu'il travaillait à la brasserie Guinness à Dublin. Chargé d'analyser de petits lots d'orge, il avait besoin d'une méthode pour les petits échantillons.

Publiant sous le pseudonyme « Student » (Guinness interdisait aux employés de publier), son article « The Probable Error of a Mean » a introduit ce que nous appelons maintenant la distribution t de Student.

Ronald Fisher a ensuite généralisé le travail de Gosset, introduisant les degrés de liberté et intégrant la distribution t dans son cadre plus large.

Avant le travail de Gosset, l'inférence valide nécessitait de grands échantillons ou une variance de population connue, tous deux rares en pratique. Sa contribution a permis une analyse rigoureuse de petits échantillons.

Explication des degrés de liberté

Les degrés de liberté représentent les éléments d'information « libres » après contraintes.

Pour un échantillon de n :

• Vous estimez la moyenne (1 contrainte)
• n - 1 valeurs peuvent varier librement
• ddl = n - 1

Pour comparer deux échantillons :

• Deux moyennes estimées
• ddl = n₁ + n₂ - 2 (poolé)

Des ddl plus élevés → plus d'information → distribution t plus proche de la normale.

Calcul des t-statistiques

Pour un échantillon

$t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}}$

Où :

• $\bar{x}$ = moyenne de l'échantillon
• $\mu_0$ = moyenne hypothétique de la population
• $s$ = écart-type de l'échantillon
• $n$ = taille de l'échantillon

Pour deux échantillons (poolé)

$t = \frac{\bar{x}_1 - \bar{x}_2}{S_p \times \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}}$

Où $S_p$ est l'écart-type poolé.

Pour deux échantillons (Welch)

$t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$

Avec une formule complexe pour les ddl.

Relation avec d'autres distributions

Normale : T se rapproche de la normale lorsque ddl → ∞

Distribution F : T² avec ddl suit F(1, ddl)

Chi-carré : T = Z/√(χ²/ddl), reliant normale et chi-carré

Distribution t non centrale

Lorsque la vraie moyenne ≠ moyenne hypothétique, le t-statistique suit une distribution t non centrale. Ceci est utilisé dans :

• L'analyse de puissance
• Les intervalles de confiance pour les tailles d'effet
• Les calculs de taille d'échantillon

Calculs associés

• Calculateur de valeur critique (t*) — Trouver t* pour tous les ddl
• Intervalle de confiance pour la moyenne — Utilise la distribution t
• IC pour la différence de moyennes — t à deux échantillons
• Calculateur de valeur p à partir du score Z — Alternative pour grands échantillons
• Calculateur de degrés de liberté — Calculer les ddl

Résumé

La distribution t est essentielle pour l'inférence avec de petits échantillons et un écart-type de population inconnu. Ses queues plus épaisses produisent des intervalles de confiance plus larges et des valeurs p plus conservatrices que la distribution normale, reflétant de manière appropriée l'incertitude supplémentaire. La distribution est paramétrée par les degrés de liberté : des ddl plus élevés signifient moins d'incertitude et une convergence vers la normale. Que ce soit pour tester des hypothèses, construire des intervalles de confiance ou évaluer des coefficients de régression, la distribution t fournit la base de la plupart des inférences statistiques réelles.