Test t à deux échantillons (résumé)
Cette version du test t à deux échantillons travaille à partir de statistiques résumées : vous saisissez l'effectif de l'échantillon, la moyenne et l'écart-type de chacun des deux groupes indépendants. Utilisez-la lorsque les données brutes ne sont pas disponibles, par exemple dans des rapports publiés ou des synthèses de fournisseurs. La normalité ne peut pas être vérifiée sans données brutes. Les options comprennent le niveau de confiance, la différence hypothétique, l'hypothèse alternative et l'égalité des variances ; les résultats incluent la valeur p et l'intervalle de confiance.
Dernière révision
Point clé
Le test t à deux échantillons (résumé) teste si les moyennes de deux groupes indépendants diffèrent significativement, à partir de la seul effectif d'échantillon, de la moyenne et de l'écart-type de chaque groupe, sans données brutes.
Sur cette page
- Qu'est-ce que le test t à deux échantillons (résumé) ?
- Quand utiliser le test t à deux échantillons (résumé) ?
- Recommandations pour bien utiliser le test t à deux échantillons (résumé)
- Alternatives : quand ne pas utiliser le test t à deux échantillons (résumé)
- Comment réaliser un test t à deux échantillons
Qu'est-ce que le test t à deux échantillons (résumé) ?
Le Two Sample T Test (Summarized) réalise la même comparaison que le Two Sample T Test standard — déterminer si les moyennes de deux groupes indépendants diffèrent significativement — mais au lieu d'exiger des données brutes, il travaille directement à partir de statistiques résumées que vous saisissez manuellement : l'effectif de l'échantillon (n), la moyenne et l'écart-type de chaque groupe.
C'est particulièrement précieux lorsque les données brutes ne sont pas disponibles — par exemple lorsque l'on travaille à partir de recherches publiées, de rapports d'audit, de synthèses fournies par des fournisseurs ou d'archives où seules des statistiques agrégées ont été conservées.
Définition simple :la même chose qu'un Two Sample T Test, mais conçu pour les situations où vous n'avez que les chiffres résumés (moyenne, écart-type, effectif de l'échantillon) plutôt que le jeu de données brutes complet.
Quand utiliser le test t à deux échantillons (résumé) ?
- Utilisez-le lorsque les données brutes ne sont pas disponibles mais que vous avez la moyenne, l'écart-type et l'effectif de l'échantillon de chaque groupe.
- Utilisez-le lorsque vous travaillez à partir de rapports publiés, de données de fournisseurs externes ou de synthèses historiques où les observations individuelles n'ont pas été enregistrées.
- Utilisez-le pour comparer deux groupes indépendants à partir de statistiques rapportées plutôt que de mesures recueillies.
- Utilisez-le lorsque vous voulez valider ou recouper rapidement des conclusions à partir de données agrégées sans devoir reconstituer le jeu de données complet.
Recommandations pour bien utiliser le test t à deux échantillons (résumé)
- Vérifiez que les statistiques résumées saisies sont exactes et issues d'une source fiable — des erreurs dans les saisies produisent directement des conclusions de test erronées.
- Assurez-vous que les statistiques résumées représentent des groupes indépendants et sans lien — le test suppose qu'il n'existe aucune relation entre les deux échantillons.
- Vérifiez que les effectifs d'échantillon sont suffisants — de petits échantillons à distribution non normale peuvent donner des résultats peu fiables, même à partir de saisies résumées correctes.
- Fixez alpha avant de lancer le test — la valeur par défaut standard est 0.05.
- Soyez prudent lorsque les statistiques résumées proviennent de populations fortement asymétriques ou non normales — le test t suppose la normalité, qui ne peut pas être vérifiée sans les données brutes.
Alternatives : quand ne pas utiliser le test t à deux échantillons (résumé)
- Si les données brutes sont disponibles, utilisez toujours le test t à deux échantillons standard à la place — il fournit des diagnostics et des vérifications d'hypothèses supplémentaires.
- Si les deux échantillons sont appariés ou jumelés, utilisez le test t apparié
- Si vous comparez plus de deux groupes, utilisez l' ANOVA à un facteur
- Si l'objectif est de confirmer l'équivalence plutôt que la différence, utilisez le test d'équivalence à deux échantillons
Comment réaliser un test t à deux échantillons
La marche à suivre est la suivante :
- Connectez-vous à Zometric Statistical Software à l'adresse https://statsai.zometric.com/
- Sur la page d'accueil, choisissez Statistical Tool> Hypothesis Test >Two sample t test(Summarized) .
- Ensuite, mettez à jour les données manuellement ou copiez-les entièrement (Ctrl+C) depuis une feuille Excel et collez-les (Ctrl+V) ici.
- Renseignez les options requises..
- Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.
Sur le tableau de bord de Two sample t test, la fenêtre est divisée en deux parties.

Dans la partie de gauche se trouve le Data Pane (volet de données). Dans le Data Pane, chaque ligne forme un sous-groupe. Les données peuvent être saisies manuellement ou copiées entièrement (Ctrl+C) depuis une feuille Excel et collées (Ctrl+V) ici.
Load example : des données d'exemple sont chargées.
Load File : permet de charger directement des données Excel.
Dans la partie de droite, de nombreuses options sont proposées :
- Sample 1 Sample Size : saisissez le nombre total d'observations du premier groupe — par exemple, si 40 mesures ont été prises sur la Formulation A, saisissez 40. Cette valeur sert à calculer l'erreur-type et les degrés de liberté du test. Un effectif d'échantillon plus grand donne des résultats plus fiables et plus précis.
- Sample 1 Sample Mean : saisissez la valeur moyenne des mesures du premier groupe. C'est la valeur centrale autour de laquelle se répartissent les données du premier groupe ; elle sert directement au calcul de la différence entre les deux groupes.
- Sample 1 Standard Deviation : saisissez l' écart-type du premier groupe — qui représente la dispersion des mesures individuelles autour de la moyenne. Un écart-type plus grand indique une plus grande variabilité au sein du groupe, ce qui élargit l'intervalle de confiance et réduit la sensibilité du test pour détecter des différences.
- Sample 2 Sample Size : saisissez le nombre total d'observations du deuxième groupe. Comme pour Sample 1, cette valeur contribue au calcul de l'erreur-type et influe sur la précision avec laquelle le test peut détecter une différence réelle entre les deux groupes.
- Sample 2 Sample Mean : saisissez la valeur moyenne des mesures du deuxième groupe. Le test la compare directement à la moyenne de Sample 1 pour calculer la différence observée et déterminer si elle est statistiquement significative.
- Sample 2 Standard Deviation : saisissez l' écart-type du deuxième groupe. Cette valeur reflète la dispersion des données du deuxième groupe et sert, avec l'écart-type de Sample 1, à estimer la variabilité combinée de la comparaison.
- Confidence Level : définit le niveau de certitude de l'intervalle de confiance autour de la différence entre les deux moyennes. La valeur par défaut standard est de 95%, ce qui signifie que vous êtes sûr à 95 % que la vraie différence entre les deux moyennes de population se situe dans la plage affichée. L'augmenter à 99 % élargit l'intervalle ; la réduire à 90 % le rétrécit.
- Hypothesized Difference : la différence supposée ou attendue entre les deux moyennes de groupe (moyenne de Sample 1 moins moyenne de Sample 2) que vous testez. La régler sur 0 teste si les deux moyennes sont égales. La régler sur toute autre valeur teste si la différence réelle est égale à ce montant précis — par exemple, saisir 10 teste si le groupe 1 a en moyenne exactement 10 unités de plus que le groupe 2.
- Alternative Hypothesis : définit la direction du test et ce que vous cherchez à prouver sur la différence. Trois options sont disponibles :
- Diff ≠ Hypothesized Diff — un test bilatéral qui vérifie si la différence est simplement différente de la valeur hypothétique, dans un sens ou dans l'autre. À utiliser lorsque vous n'avez aucune attente préalable sur le groupe le plus grand.
- Diff < Hypothesized Diff — un test unilatéral qui vérifie si la différence réelle est inférieure à la valeur hypothétique. À utiliser lorsque vous vous attendez précisément à ce que Sample 1 soit inférieur à Sample 2.
- Diff > Hypothesized Diff — un test unilatéral qui vérifie si la différence réelle est supérieure à la valeur hypothétique. À utiliser lorsque vous vous attendez précisément à ce que Sample 1 soit supérieur à Sample 2.
- Assume Equal Variances : lorsque cette option est cochée, le test suppose que les deux groupes partagent la même variance de population sous-jacente et utilise un seul écart-type groupé pour le calcul — ce qui donne un test légèrement plus puissant lorsque l'hypothèse est valide. Lorsqu'elle est décochée, des estimations de variance distinctes sont utilisées pour chaque groupe (test t de Welch), ce qui est plus fiable lorsque les deux écarts-types saisis sont sensiblement différents. En cas de doute, laissez-la décochée : c'est le choix le plus sûr et le plus prudent.
- Download as Excel : exporte les résultats du test, les statistiques résumées, l'intervalle de confiance et la valeur p dans un fichier Excel pour le reporting, le partage ou l'archivage.
Questions fréquentes
Qu'est-ce qu'un test t à deux échantillons à partir de données résumées ?
Il réalise la même comparaison que le test t à deux échantillons standard, en testant si les moyennes de deux groupes indépendants diffèrent significativement, mais travaille à partir de statistiques résumées que vous saisissez : l'effectif de l'échantillon, la moyenne et l'écart-type de chaque groupe, au lieu des données brutes.
Quand utiliser un test t à deux échantillons résumé ?
Utilisez-le lorsque les données brutes ne sont pas disponibles mais que vous avez la moyenne, l'écart-type et l'effectif de l'échantillon de chaque groupe, par exemple dans des rapports publiés, des données de fournisseurs externes ou des synthèses historiques. Il est aussi utile pour recouper rapidement des conclusions à partir de données agrégées. Si les données brutes sont disponibles, utilisez le test t à deux échantillons standard.
Quelles sont les limites d'un test t à partir de statistiques résumées ?
Le test t suppose la normalité, qui ne peut pas être vérifiée sans données brutes ; soyez donc prudent lorsque les synthèses proviennent de populations fortement asymétriques ou non normales. De petits échantillons à distribution non normale peuvent donner des résultats peu fiables, et toute erreur dans les statistiques saisies produit directement une conclusion erronée.
Comment les écarts-types influent-ils sur le test t résumé ?
Un écart-type plus grand signifie une plus grande variabilité au sein d'un groupe, ce qui élargit l'intervalle de confiance et réduit la sensibilité du test aux différences. Si les deux écarts-types sont sensiblement différents, laissez Assume Equal Variances décochée afin que des estimations de variance distinctes soient utilisées (test t de Welch).
