Test de deux variances
Un test d'hypothèse de deux variances évalue si les variances de deux populations indépendantes sont égales, en comparant le rapport des deux variances d'échantillon à l'aide de la distribution F avec des degrés de liberté distincts pour chaque échantillon, en supposant que les populations sont normales et indépendantes ; il est souvent appliqué en maîtrise de la qualité, en finance et en recherche expérimentale pour évaluer la régularité et la variabilité d'un procédé.
Dernière révision
Point clé
Un test d'hypothèse de deux variances évalue si les variances de deux populations indépendantes sont égales, en comparant le rapport des deux variances d'échantillon à l'aide de la distribution F.
Sur cette page
Qu'est-ce que le test de deux variances ?
Un test d'hypothèse de deux variances évalue si les variances de deux populations indépendantes sont égales, en comparant le rapport des deux variances d'échantillon à l'aide de la distribution F avec des degrés de liberté distincts pour chaque échantillon, en supposant que les populations sont normales et indépendantes ; il est souvent appliqué en maîtrise de la qualité, en finance et en recherche expérimentale pour évaluer la régularité et la variabilité d'un procédé.
Quand utiliser le test de deux variances ?
Le test de variance à deux échantillons sert à déterminer si deux échantillons de données ont des variances égales.
- Comparer des variabilités: lorsque vous devez déterminer si la variabilité (variance) de deux populations indépendantes diffère significativement.
- Maîtrise de la qualité: pour comparer la régularité et la variabilité de deux procédés de production ou lots différents.
- Recherche expérimentale: pour évaluer si les conditions expérimentales ou les traitements entraînent des niveaux de variabilité différents dans les résultats.
- Finance: pour comparer le risque (variance des rendements) de deux portefeuilles d'investissement ou instruments financiers différents.
- Hypothèses vérifiées:
- Distribution normale: les populations dont proviennent les échantillons doivent être normalement distribuées.
- Indépendance: les deux populations doivent être indépendantes l'une de l'autre.
Il est utile lorsque vous voulez comparer deux populations ou groupes du point de vue de leurs variances, par exemple dans les situations suivantes :
- Maîtrise de la qualité: une entreprise manufacturière peut vouloir comparer les variances de deux lignes de production pour s'assurer qu'elles fabriquent des produits d'une qualité constante.
- Essais cliniques: des chercheurs peuvent vouloir comparer les variances de deux groupes de patients pour déterminer si un nouveau traitement a un effet similaire sur les deux groupes.
- Éducation: des enseignants peuvent vouloir comparer les variances des notes d'examen de deux groupes d'élèves pour voir si l'un des groupes est plus régulier que l'autre.
- Analyse financière: des investisseurs peuvent vouloir comparer les variances des rendements de deux portefeuilles d'investissement différents pour déterminer si l'un est plus volatil que l'autre.
Recommandations pour bien utiliser le test de deux variances
- Échantillonnage aléatoire: assurez-vous que les données d'échantillon sont sélectionnées au hasard afin de pouvoir généraliser valablement à la population.
- Distribution des données: les données d'échantillon ne doivent pas être fortement asymétriques, et les effectifs d'échantillon doivent être supérieurs à 20. S'ils sont inférieurs à 20, représentez les données graphiquement pour vérifier l'asymétrie et les observations inhabituelles. Interprétez les résultats avec prudence si les données sont fortement asymétriques ou comportent de nombreuses observations inhabituelles.
- Indépendance des observations: chaque observation doit être indépendante de toutes les autres. Des observations dépendantes peuvent invalider les résultats.
- Effectif d'échantillon approprié: assurez-vous que l'effectif de l'échantillon est assez grand pour fournir des estimations précises, des intervalles de confiance étroits et une protection suffisante contre les erreurs de type I et de type II.
Alternatives : quand ne pas utiliser le test de deux variances
- Le test de variance à deux échantillons est conçu pour comparer les variances de deux échantillons indépendants. Si vos échantillons sont dépendants, comme dans une étude avant-après ou un plan à paires appariées, il peut être nécessaire d'utiliser un autre test, tel que le test t apparié.
Exemple de test de deux variances
Un consultant du secteur de la santé veut comparer les notes de satisfaction des patients de deux hôpitaux. Pour cela, il recueille les notes de 20 patients pour chaque hôpital et réalise un test de variance à deux échantillons pour déterminer s'il existe une différence entre les écarts-types des notes des patients. Les étapes sont les suivantes :
- Les données nécessaires ont été recueillies.

- Analysez ensuite les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
- Pour trouver le test de deux variances, choisissez Statistical module> Graphical analysis>Two variance test.
- Dans l'outil, saisissez les données ainsi que les autres paramètres comme suit :

5. Après exécution de l'outil, les résultats obtenus sont les suivants :



Comment réaliser un test de deux variances
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> Graphical analysis >Two variance test
- Cliquez sur Two variance test pour accéder au tableau de bord.
- Ensuite, saisissez les données manuellement, ou copiez (Ctrl+C) l'ensemble des données d'une feuille Excel et collez-les (Ctrl+V) ici.
- Ensuite, saisissez les valeurs du niveau de confiance et du rapport hypothétique.
- Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.
Dans le tableau de bord du test de deux variances, la fenêtre est divisée en deux parties.

La partie gauche contient le Data Pane (volet de données). Dans le Data Pane, chaque ligne constitue un sous-groupe. Les données peuvent être saisies manuellement, ou vous pouvez copier (Ctrl+C) l'ensemble des données d'une feuille Excel et les coller (Ctrl+V) ici.
Load example : des données d'exemple sont chargées.
Load File : permet de charger directement les données Excel.
La partie droite contient de nombreuses options, décrites ci-dessous :
- Confidence level : en test d'hypothèse, le niveau de confiance représente le degré de certitude ou de confiance que nous avons dans notre analyse statistique. C'est une valeur de probabilité qui indique la vraisemblance que le vrai paramètre de la population se situe dans la plage de valeurs spécifiée. Typiquement, le niveau de confiance s'exprime en pourcentage et se note (1 - α), où α est le seuil de signification ou la probabilité de rejeter une hypothèse nulle vraie. Par exemple, avec un niveau de confiance de 95 %, nous disons que nous sommes confiants à 95 % que le vrai paramètre de la population se situe dans notre estimation par intervalle, et qu'il y a 5 % de chances de commettre une erreur de type I (rejeter une hypothèse nulle vraie). En pratique, un niveau de confiance plus élevé signifie que nous avons davantage confiance dans notre analyse statistique et nos résultats. Toutefois, augmenter le niveau de confiance élargit aussi l'intervalle de confiance, ce qui rend plus difficile la détection de petits effets. Le choix du niveau de confiance dépend donc du contexte de l'étude et des objectifs du chercheur.
- Hypothesized ratio : dans un test de deux variances, le rapport hypothétique est la valeur utilisée pour tester l'hypothèse nulle selon laquelle les variances de deux populations sont égales. Il représente le rapport attendu des deux variances de population sous l'hypothèse nulle.
- Alternative hypothesis : en test d'hypothèse, l'hypothèse alternative (aussi appelée hypothèse de recherche) est un énoncé qui représente une conclusion différente de l'hypothèse nulle. L'hypothèse nulle représente généralement le statu quo ou l'hypothèse selon laquelle il n'existe aucune différence ou relation significative entre deux groupes ou variables, ou plus. L'hypothèse alternative est l'énoncé qui est testé, et elle propose qu'il existe une différence ou une relation significative entre les groupes ou les variables étudiés.
- Summary plot : un summary plot est une représentation visuelle complète servant à afficher des résultats statistiques de façon compacte et informative. Dans le contexte de la comparaison des écarts-types ou des variances entre deux échantillons ou plus. En combinant intervalles de confiance, boîtes à moustaches et résultats de tests statistiques, il offre une vue d'ensemble claire et complète des données. Dans le graphique fourni, on voit que l'hôpital A présente moins de variabilité et des estimations plus précises que l'hôpital B, comme l'indique l'intervalle de confiance plus étroit de l'écart-type. Cette information est essentielle pour repérer les domaines qui requièrent de l'attention et prendre des décisions éclairées à partir de l'analyse statistique des données.
- Individual value plot : un graphique des valeurs individuelles (IVP) est un outil graphique qui convient surtout aux petits effectifs d'échantillon (moins de 50 observations) ; il affiche les points de données individuels pour faciliter l'examen détaillé de la distribution, de la tendance centrale, de la variabilité et des valeurs aberrantes, et il est aussi efficace pour comparer les distributions de plusieurs petits groupes.
- Histogram : en test d'hypothèse, un histogramme est une représentation graphique de la distribution d'un échantillon de données. C'est un outil visuel servant à examiner la forme et les caractéristiques des données. Les histogrammes conviennent le mieux lorsque l'effectif de l'échantillon est supérieur à 20. Un histogramme est créé en divisant les données en un ensemble d'intervalles, ou classes, et en comptant le nombre de points de données qui tombent dans chaque classe. Les classes ont généralement la même largeur, et la hauteur de chaque barre de l'histogramme représente l'effectif des points de données situés dans cette classe.
- Box plot : une boîte à moustaches (box plot) est une représentation graphique de données qui affiche la distribution d'un jeu de données, notamment sa médiane, ses quartiles et d'éventuelles valeurs aberrantes. En test d'hypothèse, une boîte à moustaches peut servir à comparer visuellement la distribution d'un échantillon à une distribution connue ou attendue, comme une distribution normale. Cela peut aider à déterminer si les données de l'échantillon diffèrent significativement de ce qui est attendu. La boîte représente les 50 % centraux des données, le bord inférieur de la boîte indiquant le premier quartile (Q1), le bord supérieur le troisième quartile (Q3) et la ligne à l'intérieur de la boîte la médiane. Les moustaches s'étendent de la boîte jusqu'aux valeurs minimale et maximale du jeu de données, à l'exclusion des valeurs aberrantes, qui sont tracées comme des points individuels au-delà des moustaches.
- Download as Excel: affiche le résultat au format Excel ; il peut être facilement modifié puis rechargé pour de nouveaux calculs avec l'option Load File.
Questions fréquentes
Qu'est-ce qu'un test de deux variances ?
Un test de deux variances évalue si les variances de deux populations indépendantes sont égales, en comparant le rapport des deux variances d'échantillon à l'aide de la distribution F, avec des degrés de liberté distincts pour chaque échantillon. Il est utilisé en maîtrise de la qualité, en finance et en recherche expérimentale pour comparer la régularité et la variabilité.
Quelles sont les hypothèses d'un test de deux variances ?
Les populations doivent être normalement distribuées et indépendantes l'une de l'autre, les échantillons doivent être sélectionnés au hasard et chaque observation doit être indépendante de toutes les autres. Les données d'échantillon ne doivent pas être fortement asymétriques et les effectifs d'échantillon doivent être supérieurs à 20 ; avec moins, représentez les données graphiquement pour vérifier l'asymétrie et les observations inhabituelles.
Quand utiliser un test de deux variances ?
Utilisez-le pour déterminer si deux groupes indépendants diffèrent en variabilité, par exemple pour comparer la régularité de deux lignes de production ou de deux lots, pour savoir si des traitements produisent une variabilité différente des résultats, ou pour comparer la volatilité des rendements de deux portefeuilles d'investissement. Pour des échantillons dépendants, comme les plans avant-après, un autre test est nécessaire.
Qu'est-ce que le rapport hypothétique dans un test de deux variances ?
Le rapport hypothétique est le rapport attendu des deux variances de population sous l'hypothèse nulle. Le test vérifie si le rapport observé des variances d'échantillon est compatible avec lui ; tester si les variances sont égales correspond à un rapport de 1.
