À quoi sert le calculateur de valeur critique
Ce calculateur détermine la valeur critique dont vous avez besoin pour un test d'hypothèse statistique ou un intervalle de confiance. La valeur critique est le seuil sur une loi de probabilité qui sépare la zone de rejet de l'hypothèse nulle de la zone où on ne la rejette pas. Plus besoin de feuilleter de vieilles tables statistiques : il suffit de renseigner quelques paramètres pour obtenir un résultat exact pour la loi normale (Z), la loi de Student (t), la loi du khi-deux (χ²) ou la loi de Fisher (F).
Les paramètres à renseigner
- Niveau de confiance (%) – par exemple 95. L'outil le convertit en seuil de signification alpha avec la formule \(\alpha = (100 - \text{niveau de confiance}) / 100\). Un niveau de 95 % donne \(\alpha = 0{,}05\).
- Type de loi – choisissez entre Normale (Z), Student (t), Khi-deux (χ²) ou Fisher (F).
- Degrés de liberté – requis pour les lois t, khi-deux et F. Pour la loi F, il s'agit des degrés de liberté du numérateur.
- Degrés de liberté (dénominateur) – utilisés uniquement par la loi de Fisher (F).
La formule utilisée
Le calculateur s'appuie sur la fonction de répartition inverse (la fonction quantile) de la loi choisie :
- Normale et t (bilatéral) : $$\text{valeur critique} = \left| \text{inverseCDF}\!\left(\tfrac{\alpha}{2}\right) \right|$$ Le risque alpha est réparti entre les deux queues de la distribution.
- Khi-deux et F (unilatéral à droite) : $$\text{valeur critique} = \text{inverseCDF}(1 - \alpha)$$ tout le risque alpha étant placé dans la queue supérieure.
Exemple concret
Imaginons un test t bilatéral à un niveau de confiance de 95 % avec 20 degrés de liberté. \(\alpha = (100 - 95) / 100 = 0{,}05\), donc \(\alpha / 2 = 0{,}025\). Le calculateur évalue la fonction de répartition inverse de la loi t à 20 degrés de liberté au point 0,025 et renvoie la valeur absolue, soit une valeur critique d'environ 2,086. Si la valeur absolue de votre statistique de test dépasse 2,086, vous rejetez l'hypothèse nulle.
Pour un test du khi-deux à 95 % avec 10 degrés de liberté, il calcule \(\text{inverseCDF}(0{,}95) \approx\) 18,31.
Interprétation de votre valeur critique
La valeur critique est la limite de la région de rejet — le point sur l'axe horizontal de la distribution au-delà duquel une statistique de test est considérée comme trop extrême pour être attribuée au hasard seul au niveau de signification que vous avez choisi \(\alpha\).
Les règles de décision
- Test Z ou t bilatéral. Rejetez l'hypothèse nulle \(H_0\) lorsque \(|\text{statistique de test}| \ge\) valeur critique ; sinon, ne rejetez pas. La région de rejet comprend les deux queues, chacune contenant une aire \(\alpha/2\).
- Test Z ou t unilatéral. Pour une alternative unilatérale à droite, rejetez lorsque la statistique \(\ge +\) valeur critique ; pour une alternative unilatérale à gauche, rejetez lorsque la statistique \(\le -\) valeur critique. La queue unique contient la surface complète \(\alpha\).
- Tests du khi-deux et F. Ils sont utilisés comme tests unilatéraux supérieurs : rejetez \(H_0\) lorsque la statistique dépasse la valeur critique supérieure, sinon ne rejetez pas. Les deux statistiques sont non négatives, et les valeurs plus grandes signifient un écart plus important par rapport à l'hypothèse nulle.
La règle de p-valeur équivalente
Comparer une statistique à une valeur critique et comparer une p-valeur à \(\alpha\) sont deux descriptions de la même décision, et elles s'accordent toujours :
$$\text{rejeter } H_0 \iff |T| \ge c_{\alpha} \iff p \le \alpha$$Cela s'explique parce que la valeur critique \(c_{\alpha}\) est définie comme la statistique dont la probabilité de queue est exactement \(\alpha\). À \(T = c_{\alpha}\), la p-valeur est exactement égale à \(\alpha\) ; une statistique plus loin dans la queue a une p-valeur plus petite, et une plus proche du centre a une p-valeur plus grande. Par exemple, avec un test z bilatéral à 95 % de confiance, \(z = 2.30\) dépasse 1.960 et sa p-valeur bilatérale est environ 0.021, ce qui est inférieur à 0.05 — le même rejet dans les deux cas.
Ce que la taille de la valeur critique vous indique
- Une valeur critique plus grande signifie un test plus strict. Augmenter le niveau de confiance abaisse \(\alpha\) et repousse la limite vers l'extérieur : 2.576 à 99% par rapport à 1.960 à 95%. Une statistique de 2.10 rejette à 95% mais pas à 99%, donc le niveau de signification doit être fixé avant d'examiner les données.
- Les valeurs critiques t se rapprochent de Z à mesure que le df augmente. Avec peu de degrés de liberté, l'erreur type elle-même est mal estimée, donc la distribution t a des queues plus lourdes et exige plus de preuves : 2.571 à df = 5 par rapport à 2.042 à df = 30 et 1.960 à la limite.
- Les seuils du khi-deux et F dépendent du df dans la direction opposée pour le khi-deux — ils augmentent avec le df parce que la statistique additionne plus de termes, donc un khi-deux de 20 est extrême à df = 5 (seuil 11.070) mais pas à df = 20 (seuil 31.410).
Ce que le non-rejet signifie et ne signifie pas
Ne pas rejeter \(H_0\) n'est pas la preuve que \(H_0\) est vrai. Cela signifie que les données n'ont pas fourni suffisamment de preuves contre cela au niveau \(\alpha\) choisi — un résultat tout aussi cohérent avec une hypothèse nulle vraie, avec un effet réel trop petit pour être détecté, ou avec un échantillon trop petit pour avoir une puissance adéquate. Un test ne peut que rejeter ou ne pas rejeter ; il ne confirme jamais.
Lien avec les intervalles de confiance
La même valeur critique qui définit la région de rejet définit également la largeur de l'intervalle de confiance correspondant :
$$\text{estimation} \pm c_{\alpha} \times \text{erreur type}$$Un test bilatéral au niveau \(\alpha\) rejette \(H_0: \mu = \mu_0\) exactement quand l'intervalle de confiance \(100(1-\alpha)\%\) exclut \(\mu_0\). Avec une moyenne d'échantillon de 52.0, une erreur type de 1.5 et \(z_{\alpha/2} = 1.960\), l'intervalle de 95% est \(52.0 \pm 1.960 \times 1.5 = 52.0 \pm 2.94\), c'est-à-dire de 49.06 à 54.94 — donc une valeur nulle de 50 ne serait pas rejetée, tandis qu'une valeur nulle de 48 serait rejetée.
Questions fréquentes
Pourquoi le résultat Z/t est-il bilatéral ? L'outil divise alpha par deux pour les lois normale et t, conformément au test bilatéral classique. Pour un test unilatéral, ajustez le niveau de confiance en conséquence (par exemple, utilisez 90 % pour reproduire une borne unilatérale à 95 %).
Faut-il des degrés de liberté pour la loi normale ? Non. La valeur critique Z ne dépend que du niveau de confiance. Les degrés de liberté n'interviennent que pour les lois t, khi-deux et F.
Quand faut-il remplir les degrés de liberté du dénominateur ? Uniquement pour la loi de Fisher (F), qui nécessite à la fois les degrés de liberté du numérateur et du dénominateur (fréquents en ANOVA et dans les comparaisons de variances).