Pourquoi effectuer un test statistique ?

En Terminale, un test statistique permet de prendre une décision à partir d’un échantillon, en mesurant si un écart observé est dû au hasard ou à un effet réel. On pose d’abord deux hypothèses : H0, l’hypothèse nulle, suppose qu’il n’y a pas de différence ; H1, l’hypothèse alternative, suppose qu’il y en a une. On choisit ensuite un seuil de risque α, souvent 5 %, qui représente la probabilité de rejeter H0 à tort. La p-value, calculée par le test, sera comparée à ce seuil pour conclure. Cette démarche est utilisée en médecine, en marketing ou en biologie pour valider des résultats.

📖 Définition

Hypothèse nulle H0 : hypothèse de référence, souvent « aucun effet » ou « aucune différence ».

📢 Rappel

La p-value est la probabilité d’observer des données au moins aussi extrêmes si H0 est vraie.

💡 À retenir : Un test statistique mesure si un écart observé est compatible avec le hasard.

📊

Comparer des fréquences

Le test du khi-deux

Le khi-deux (χ²) teste l’adéquation d’une distribution observée à une distribution théorique, ou l’indépendance entre deux variables qualitatives. Pour chaque case d’un tableau, on compare l’effectif observé O_i à l’effectif attendu E_i sous H0. La statistique du khi-deux est la somme des écarts relatifs au carré : plus elle est grande, plus les données s’éloignent du modèle attendu. On lit ensuite la p-value associée dans la table du χ² avec le bon nombre de degrés de liberté. Les conditions d’application demandent des effectifs théoriques suffisants, en général au moins 5.

🔍 Exemple

On lance un dé 60 fois ; si le dé est équilibré, on attend 10 apparitions de chaque face : le χ² compare ces 10 aux fréquences réellement obtenues.

⭐ À retenir

Le khi-deux s’utilise pour des variables qualitatives, pas pour des moyennes.

💡 À retenir : χ² mesure l’écart global entre effectifs observés et effectifs attendus sous H0.

🧪

Comparer des moyennes

L’ANOVA à un facteur

L’ANOVA (ANalysis Of VAriance) compare les moyennes de trois groupes ou plus, par exemple l’effet de trois engrais sur la croissance de plantes. Elle décompose la variabilité totale en variabilité inter-groupes (liée aux différences entre moyennes) et variabilité intra-groupes (liée aux fluctuations individuelles). Le rapport F compare ces deux variances : si les moyennes des groupes sont très différentes, la variance inter-groupes est grande et F est élevé. On rejette H0 lorsque F dépasse une valeur critique lue dans la table de Fisher, ou lorsque la p-value est inférieure à α. L’ANOVA suppose des données approximativement normales et des variances homogènes entre groupes.

📢 Rappel

La variance mesure la dispersion des données autour de leur moyenne.

⭐ À retenir

Une valeur de F proche de 1 suggère que les moyennes des groupes ne sont pas très différentes.

💡 À retenir : F compare la dispersion entre les groupes à la dispersion à l’intérieur des groupes.

✅

Conclure sans se tromper

Interpréter p-value et conditions

La conclusion repose sur la comparaison entre la p-value et le seuil α choisi avant l’expérience. Si p < 0,05, on rejette H0 : l’écart observé est considéré comme significatif. Si p ≥ 0,05, on ne rejette pas H0, ce qui ne prouve pas que H0 est vraie, mais seulement que les données ne fournissent pas assez de preuves contre elle. Il faut toujours vérifier les conditions du test : effectifs théoriques suffisants pour le khi-deux, normalité et homogénéité des variances pour l’ANOVA. Une petite p-value ne mesure pas la taille d’un effet, seulement sa compatibilité avec le hasard.

📖 Définition

Seuil α : risque accepté de rejeter H0 à tort, par convention 5 % dans de nombreuses études.

🔍 Exemple

Une p-value de 0,03 conduit à rejeter H0 au seuil de 5 %, car 0,03 < 0,05.

💡 À retenir : On rejette H0 si la p-value est inférieure au seuil α, souvent fixé à 0,05.

Fiche de révision Exercices

Connecte-toi pour donner ton avis sur ce cours.