Chapitre 5

Sommaire
Exercice 5.1.1
Exercice 5.1.2
Exercice 5.1.3
Exercice 5.2.1
Exercice 5.2.2
Exercice 5.2.3
Exercice 5.2.4
Exercice 5.3.1
Exercice 5.3.2
Exercice 5.3.3
Exercice 5.4.1
Exercice 5.4.2
Exercice 5.4.3
Exercice 5.5.1
Exercice 5.5.2
Exercice 5.5.3
Exercice 5.6.1
Exercice 5.6.2
Exercice 5.6.3

Exercice 5.1.1

Nous procédons à un test t pour échantillon unique pour échantillon

de petite taille (N < 30).

※ Étape 1 : poser les hypothèses statistiques

Question de recherche : la moyenne de cet échantillon est-elle

supérieure au score seuil de 27 ?
• H0 = La population dont est extrait notre échantillon et la norme sont
 identiques (la population de notre échantillon provient de la
population de la norme). Ainsi, le score moyen de la population dont
est extrait cet échantillon est égal à 27.
Le résultat du test mettra à l’épreuve cette hypothèse et nous précisera
quelle est la probabilité d’avoir observé les données que nous avons
obtenues si H0 est vraie (quelle est la probabilité d’observer les
différences que nous observons si en réalité il n’y a pas de différence
entre les populations). Si cette probabilité n’est pas jugée suffisamment
rare, nous ne pourrons pas rejeter H0 à l’issue du test. Nous conclurons
que les données ne sont pas incompatibles avec cette hypothèse
d’absence de différence statistique. Si cette probabilité est suffisamment
rare, nous rejetterons cette hypothèse H0 pour retenir :
• H1 = le score moyen de la population dont est extrait cet échantillon
est supérieur à 27 (hypothèse unilatérale).

※ Étape 2 : calcul de la valeur de décision (tcalculé)

Nous utiliserons cette formule pour calculer la valeur du t de

Student pour échantillon unique (voir formulaire). Avec une moyenne
d’échantillon ( ) égale à 36.5, une moyenne de population (μ, il s’agit
de la norme théorique) égale à 27, un effectif de d’échantillon (n) égal à
14 et un écart-type d’échantillon (s) égal à 14.2, nous obtenons :

※ Étape 3 : lecture de la valeur critique à l’aide de la table

de Student

L’effectif de l’échantillon correspond ici à 14. Ainsi, ddl = 14 – 1 =

13. Nous souhaitions vérifier l’hypothèse selon laquelle la moyenne de
cet échantillon est supérieure à 27, autrement dit une hypothèse
orientée, donc unilatérale. Nous allons donc nous positionner sur la 13e
ligne (notre ddl étant égal à 13) et lire la valeur du tcritique dans la
colonne correspondant à α = 5 % pour un test unilatéral. Nous trouvons
ici tcritique = 1.7709.

※ Étape 4 : prise de décision

Ici, |tcalculé| (2.50) > tcritique (1. 7709). H0 peut donc être rejetée au
seuil α = 5 % (hypothèse unilatérale). Le résultat du test de Student est
significatif, t(13) = 2.50 ; p < .05. Dans la mesure où l’échantillon
obtient bien des performances supérieures à la norme (36.5 > 27), l’effet
va donc bien dans le sens attendu par l’hypothèse unilatérale formulée
(i. e. dans le sens d’une supériorité des scores de notre échantillon).
Ainsi, nous pouvons affirmer que les aidants des personnes atteintes de
la maladie d’Alzheimer présentent un syndrome anxiodépressif sévère
(scores > 27).

Exercice 5.1.2

Nous commençons par calculer la moyenne :

Nous procédons à un test t pour échantillon unique pour échantillon

de grande taille (N > 30).

※ Étape 1 : poser les hypothèses statistiques

Question de recherche : la moyenne de cet échantillon est-elle

différente de 200 ?
• H0 = La population dont est extrait notre échantillon et la norme sont
identiques (la population de notre échantillon provient de la
population de la norme). Ainsi, le score moyen de la population dont
est extrait cet échantillon est égal à 200.
Le résultat du test mettra à l’épreuve cette hypothèse et nous précisera
quelle est la probabilité d’avoir observé les données que nous avons
obtenues si H0 est vraie (quelle est la probabilité d’observer les
différences que nous observons si en réalité il n’y a pas de différence
entre populations). Si cette probabilité n’est pas jugée suffisamment
rare, nous ne pourrons pas rejeter H0 à l’issue du test. Nous conclurons
que les données ne sont pas incompatibles avec cette hypothèse
d’absence de différence statistique. Si cette probabilité est suffisamment
rare, nous rejetterons cette hypothèse H0 pour retenir :
• H1 = le score moyen de la population dont est extrait cet échantillon
est différent de 200 (hypothèse bilatérale).

※ Étape 2 : calcul de la valeur de décision (tcalculé)

Nous utiliserons cette formule pour calculer la valeur du t de Student

pour échantillon unique (voir formulaire). Avec une moyenne
d’échantillon ( ) égale à 208.2, une moyenne de population (μ, il s’agit
de la norme théorique) égale à 200, un effectif d’échantillon (n) égal à
35 et un écart-type d’échantillon (s) égal à 27.3, nous obtenons :

※ Étape 3 : lecture de la valeur critique

Nous souhaitions vérifier l’hypothèse selon laquelle la moyenne de

cet échantillon est différente de 200, autrement dit une hypothèse non
orientée, donc bilatérale. Plusieurs stratégies sont possibles :
• Utilisation de la table de Student :
– L’effectif de l’échantillon correspond ici à 35. Ainsi, ddl = 35 – 1 =
34. Nous allons donc nous positionner sur la 34e ligne (notre ddl étant
égal à 34) et lire la valeur du tcritique dans la colonne correspondant à α
= 5 % pour un test bilatéral. Nous trouvons ici tcritique = 2.0322.
– Si la table de Student comporte une ligne « loi normale », nous
pouvons choisir de l’utiliser lorsque l’effectif est égal ou supérieur à 30.
Dans la colonne correspondant à α = 5 % pour un test bilatéral, nous
trouvons la valeur tcritique = 1.960.
• Utilisation de la table de la loi normale : nous pouvons aussi choisir
d’utiliser la table de la loi normale. En effet, lorsque l’échantillon
 atteint une taille suffisamment élevée (N ≥ 30), la distribution
converge vers la loi normale. Notre tcalculé devient alors une valeur
zcalculé.
– Si nous utilisons les proportions (ou pourcentages) associée à la valeur
de décision, H0 sera rejetée si la proportion associée au zcalculé (ici
1.78) est inférieure à la proportion correspondant au seuil α choisi
(0.05 pour un seuil de 5 %).
– Si nous utilisons les valeurs critiques, H0 sera rejetée si la valeur du
zcalculee à l’étape précédente considérée en valeur absolue (c’est-à-dire
en faisant abstraction de son signe) est supérieure à 1.96. Si |z| > 1.96,
rejet H0.

※ Étape 4 : prise de décision

• Utilisation de la table de Student :

– Ici, |tcalculé| (1.78) < tcritique (2.0322). H0 ne peut donc pas être
rejetée au seuil α = 5 % (hypothèse bilatérale). Le résultat du test de
Student est non significatif, t(34) = 1.78 ; NS.
– Ici, |tcalculé| (1.78) < tcritique (1.96). H0 ne peut donc pas être rejetée
au seuil α =5 % (hypothèse bilatérale). Le résultat du test de Student est
non significatif, t(34) = 1.78 ; NS.
• Utilisation de la table de la loi normale :
– Pour zcalculé =1.78, on trouve une proportion de 0.07508 dans la
table de la loi normale bilatérale (c’est-à-dire 7.508 %), ce qui est
supérieur à 0.05 (5 %). H0 ne peut donc pas être rejetée au seuil α =5 %
(hypothèse bilatérale). Le résultat du test de Student est non significatif,
t(34) = 1.78 ; NS.
– Ici, |zcalculé| (1.78) < zcritique (1.96). H0 ne peut donc pas être rejetée
au seuil α =5 % (hypothèse bilatérale). Le résultat du test de Student est
non significatif, t(34) = 1.78 ; NS.
Ainsi, nous pouvons affirmer que la moyenne de cet échantillon est
différente de 200.

Exercice 5.1.3
 Il nous faut d’abord calculer la moyenne ( ) et l’écart-type (s) de cet
échantillon en appliquant la démarche décrite en section 3.5.2,
chapitre 2.

Pour obtenir l’écart-type, il nous faut ensuite retrancher chaque valeur

à sa valeur moyenne puis mettre le résultat au carré pour obtenir (x – )2.

Une fois l’ensemble complété, il nous faudra calculer la somme pour

obtenir ∑(x – )2 : 2.92 + 10.82 + 1.66 + 27.98 + 45.02 + 22.18 +
10.82 = 121.4. Il nous suffit maintenant de diviser par (N – 1) ce total
puis de calculer la racine carrée de ce résultat pour obtenir l’écart-type
(s) :
 Nous procédons à un test t pour échantillon unique pour échantillon
de petite taille (N < 30).

Question 1

※ Étape 1 : poser les hypothèses statistiques

Question de recherche : la moyenne de cet échantillon est-elle

supérieure au score seuil de 52 ?
• H0 = La population dont est extrait notre échantillon et la norme sont
identiques (la population de notre échantillon provient de la
population de la norme). Ainsi, le score moyen de la population dont
est extrait cet échantillon est égal à 52.
Le résultat du test mettra à l’épreuve cette hypothèse et nous précisera
quelle est la probabilité d’avoir observé les données que nous avons
obtenues si H0 est vraie (quelle est la probabilité d’observer les
différences que nous observons si en réalité il n’y a pas de différence
entre populations). Si cette probabilité n’est pas jugée suffisamment
rare, nous ne pourrons pas rejeter H0 à l’issue du test. Nous conclurons
que les données ne sont pas incompatibles avec cette hypothèse
d’absence de différence statistique. Si cette probabilité est suffisamment
rare, nous rejetterons cette hypothèse H0 pour retenir :
• H1 = le score moyen de la population dont est extrait cet échantillon
est supérieur à 52 (hypothèse unilatérale).

※ Étape 2 : calcul de la valeur de décision (tcalculé)

Nous obtenons :

※ Étape 3 : lecture de la valeur critique à l’aide de la table

de Student
 L’effectif de l’échantillon correspond ici à 7. Ainsi, ddl = 7 – 1 = 6.
Nous souhaitions vérifier l’hypothèse selon laquelle la moyenne de cet
échantillon est supérieure à 52, autrement dit une hypothèse orientée,
donc unilatérale. Nous allons donc nous positionner sur la 6e ligne
(notre ddl étant égal à 6) et lire la valeur du tcritique dans la colonne
correspondant à α =5 % pour un test unilatéral. Nous trouvons ici
tcritique = 1.9432.

※ Étape 4 : prise de décision

Ici, |tcalculé| (2.77) > tcritique (1. 9432). H0 peut donc être rejetée au
seuil α =5 % (hypothèse unilatérale). Le résultat du test de Student est
significatif, t(6) = 2.77 ; p < .05. Dans la mesure où l’échantillon obtient
bien des performances supérieures à la norme (56.71 > 52), l’effet va
donc bien dans le sens attendu par l’hypothèse unilatérale formulée (i. e.
dans le sens d’une supériorité des scores de notre échantillon). Ainsi,
nous pouvons affirmer que les patients atteints de TSA présentent un
syndrome alexithymique modéré (scores > 52).

Question 2

※ Étape 1 : poser les hypothèses statistiques

Question de recherche : la moyenne de cet échantillon est-elle

supérieure au score seuil de 60 ?
• H0 = La population dont est extrait notre échantillon et la norme sont
identiques (la population de notre échantillon provient de la
population de la norme). Ainsi, le score moyen de la population dont
est extrait cet échantillon est égal à 60.
• H1 = le score moyen de la population dont est extrait cet échantillon
est supérieur à 60 (hypothèse unilatérale).

※ Étape 2 : calcul de la valeur de décision (tcalculé)

Nous obtenons :
 ※ Étape 3 : lecture de la valeur critique à l’aide de la table
de Student

Pour ddl = 6, nous trouvons ici tcritique = 1.9432 (seuil α =5 % ,

hypothèse unilatérale).

※ Étape 4 : prise de décision

Ici, |tcalculé| (1.93) < tcritique (1. 9432). H0 ne peut donc pas être rejetée
au seuil α = 5 % (hypothèse unilatérale). Le résultat du test de Student
est non significatif, t(6) = 1.93 ; NS. Ainsi, nous ne pouvons pas affirmer
que les patients atteints de TSA présentent un syndrome alexithymique
sévère (scores > 60).

Exercice 5.2.1

1. Nous obtenons :

※ Étape 1 : poser les hypothèses statistiques

• H0 = Les scores moyens des deux groupes sont identiques au niveau

populationnel.
Le résultat du test mettra à l’épreuve cette hypothèse et nous précisera
quelle est la probabilité d’avoir observé les données que nous avons
obtenues si H0 est vraie (quelle est la probabilité d’observer les
différences que nous observons entre les séries si en réalité il n’y a pas
de différence entre populations). Si cette probabilité n’est pas jugée
suffisamment rare, nous ne pourrons pas rejeter H0 à l’issue du test.
Nous conclurons que les données ne sont pas incompatibles avec cette
hypothèse d’absence de différence statistique. Si cette probabilité est
suffisamment rare, nous rejetterons cette hypothèse H0 pour retenir :
• H1 = Les scores moyens des deux groupes sont différents (hypothèse
bilatérale).

※ Étape 2 : calcul de la valeur de décision (tcalculé)

• Version 1 de la formule du t (voir formulaire, version 1, taille

d’échantillons égale).
Nous utilisons les écarts-types des séries :

Si vous utilisez la formule pour taille d’échantillons inégale, les

calculs seront plus fastidieux mais vous devez tomber sur un résultat
similaire. Une fois l’écart-type commun obtenu, il ne nous reste plus
qu’à obtenir la valeur du t avec la formule (voir formulaire, version 1) :

• Version 2 de la formule du t (voir formulaire, version 2, taille

d’échantillons égale).
Nous utilisons les écarts-types des séries :
 Si vous utilisez la formule pour taille d’échantillons inégale, les
calculs seront plus fastidieux mais vous devez tomber sur un résultat
similaire. Une fois l’écart-type commun obtenu, il ne nous reste plus
qu’à obtenir la valeur du t avec la formule (voir formulaire, version 2) :

※ Étape 3 : lecture de la valeur critique à l’aide de la table

de Student

n1 + n2 – 2 = 20 + 20 – 2 = 38. Nous souhaitions vérifier l’hypothèse

selon laquelle les échantillons sont différents, autrement dit une
hypothèse non orientée, donc bilatérale. Ainsi, à la ligne ddl = 38, la
valeur du tcritique dans la colonne correspondant à α = 5 % pour un test
bilatéral est égale à 2.0244.

※ Étape 4 : prise de décision

|tcalculé| (5.54) > tcritique (2.0244). H0 peut donc être rejetée au seuil
α < 5 % (hypothèse bilatérale). Le résultat du test de Student est
significatif, t(38) = 5.54 ; p < .05. Nous pouvons affirmer que les deux
échantillons proviennent de populations parentes différentes.
2. Au seuil α < 1 %, nous obtenons un tcritique égal à 2.7116. |tcalculé|
(5.54) > tcritique (2. 7116). H0 peut donc être rejetée au seuil α < 1 %
(hypothèse bilatérale).
3. Les indices de taille d’effet correspondent à :
 d de Cohen standardisé (ds) :

g de Hedges standardisé (gs) :

4. Nous pouvons conclure que l’effet est important car le g de Hedges

standardisé est supérieur à 0.80. Si vous avez conclu la même chose en
justifiant la réponse avec la valeur de p, ce n’est pas tout à fait exact.
Nous remarquons en effet que le test est significatif au seuil α = .05 puis
au seuil α = .001. Le resultat ne devient pas « plus significatif » pour
autant. Un résultat est toujours significatif ou non, ce qui change, c’est
juste le risque que nous prenons pour affirmer ce que nous disons. Ici,
nous pouvons affirmer qu’il existe une différence en estimant avoir
moins d’1 % de chance de se tromper (plutôt que 5 % initialement) mais
la nature et l’importance du lien restent les mêmes dans les deux cas.
Nous devons calculer un indice de taille d’effet pour l’estimer. C’est le g
de Hedges standardisé qui nous donne accès à cette information ici.

Exercice 5.2.2

※ Étape 1 : poser les hypothèses statistiques

• H0 = Les scores moyens des hommes et des femmes sont identiques.

Le résultat du test mettra à l’épreuve cette hypothèse et nous précisera
quelle est la probabilité d’avoir observé les données que nous avons
obtenues si H0 est vraie (quelle est la probabilité d’observer les
différences que nous observons entre les séries si en réalité il n’y a pas
de différence entre populations). Si cette probabilité n’est pas jugée
suffisamment rare, nous ne pourrons pas rejeter H0 à l’issue du test.
Nous conclurons que les données ne sont pas incompatibles avec cette
hypothèse d’absence de différence statistique. Si cette probabilité est
suffisamment rare, nous rejetterons cette hypothèse H0 pour retenir :
• H1 = Les scores moyens des hommes et des femmes sont différents
(hypothèse bilatérale).

※ Étape 2 : calcul de la valeur de décision (t calculé)

• Version 1 de la formule du t (voir formulaire, version 1).

Nous utiliser les écarts-types des séries :

Une fois l’écart-type commun (sc) obtenu, il ne nous reste plus qu’à
obtenir la valeur du t avec la formule (voir formulaire, version 1) :

• Version 2 de la formule du t (voir formulaire, version 2).

Nous utilisons les écarts-types des séries :
 Une fois la variance commune (s2c) obtenue, il ne nous reste plus qu’à
obtenir la valeur du t avec la formule (voir formulaire, version 2) :

※ Étape 3 : lecture de la valeur critique à l’aide de la table

de Student

n1 + n2 – 2 = 36 + 45 – 2 = 79. Nous souhaitions vérifier l’hypothèse

selon laquelle les échantillons sont différents, autrement dit une
hypothèse non orientée, donc bilatérale. La ligne correspondant à ddl =
70 n’est pas dispensée dans la table de Student. Nous sélectionnons ainsi
la ligne immédiatement inferieure. Ainsi, à la ligne ddl = 70, la valeur
du tcritique dans la colonne correspondant à α = 5 % pour un test bilatéral
est égale à 1.9944.

※ Étape 4 : Prise de décision

|tcalculé|(0.70)< tcritique (1.9944). H0 ne peut donc pas être rejetée au

seuil α < 5 % (hypothèse bilatérale). Le résultat du test de Student est
non significatif, t(79) = 0.70 ; NS. Nous ne pouvons pas affirmer que les
deux échantillons proviennent de populations parentes différentes.
Attention, cela ne veut pas dire que nous venons de prouver que les
deux échantillons peuvent être considérés comme globalement les
mêmes. Puisque nous ne pouvons jamais être certains qu’il n’y ait
effectivement pas d’effet ou que nous ayons manqué un effet qui existe,
nous ne pouvons jamais prouver l’absence d’effet. Dans la mesure où
nous ne sommes jamais capables de trancher entre ces deux possibilités
résiduelles après un test non significatif, nous ne pouvons donc jamais
valider H0 avec ce type de test. Ainsi, après un test non significatif, la
seule chose que nous pouvons vraiment dire, c’est que nous n’avons pas
suffisamment de preuves pour conclure qu’il y a une différence.

Exercice 5.2.3

1. Nous obtenons :

※ Étape 1 : poser les hypothèses statistiques

• H0 = Les temps d’exécutions moyens des deux groupes sont

identiques.
Le résultat du test mettra à l’épreuve cette hypothèse et nous précisera
quelle est la probabilité d’avoir observé les données que nous avons
obtenues si H0 est vraie (quelle est la probabilité d’observer les
différences que nous observons entre les séries si en réalité il n’y a pas
de différence entre populations). Si cette probabilité n’est pas jugée
suffisamment rare, nous ne pourrons pas rejeter H0 à l’issue du test.
Nous conclurons que les données ne sont pas incompatibles avec cette
hypothèse d’absence de différence statistique. Si cette probabilité est
suffisamment rare, nous rejetterons cette hypothèse H0 pour retenir :
• H1 = Les temps d’exécutions moyens du groupe des patients sont
supérieurs (hypothèse unilatérale).

※ Étape 2 : calcul de la valeur de décision (t calculé)

Nous avons besoin de calculer les moyennes et effectifs en amont. Par

exemple :

Vous pouvez aussi calculer l’écart-type (s) à partir de la variance (s2).

La racine carrée de la variance est égale à l’écart-type, donc.
• Version 1 de la formule du t (voir formulaire, version 1).

Une fois l’écart-type commun obtenu, il ne nous reste plus qu’à

obtenir la valeur du t avec la formule (voir formulaire, version 1) :

• Version 2 de la formule du t (voir formulaire, version 2).

Nous utilisons les écarts-types des séries :
 Une fois la variance commune obtenue, il ne nous reste plus qu’à
obtenir la valeur du t avec la formule (voir formulaire, version 2) :

※ Étape 3 : lecture de la valeur critique à l’aide de la table

de Student

n1 + n2 – 2 = 8 + 7 – 2 = 13. Nous souhaitions vérifier l’hypothèse

selon laquelle les patients présentant des troubles cognitifs ont des temps
d’exécutions supérieurs à ceux d’individus sans troubles cognitifs,
autrement dit une hypothèse orientée, donc unilatérale. À la ligne ddl =
13, la valeur du tcritique dans la colonne correspondant à α = 5 % pour un
test unilatéral est égale à 1.7709.

※ Étape 4 : prise de décision

|tcalculé| (1.79) > tcritique (1. 7709). H0 peut donc être rejetée au seuil
α < 5 % (hypothèse unilatérale). Le résultat du test de Student est
significatif, t(13) = 1.79 ; p < .05. Dans la mesure où l’échantillon 1
(série de données correspondant aux patients) obtient bien des temps
moyens supérieurs à l’échantillon 2 (témoins), l’effet va donc bien dans
le sens attendu par l’hypothèse unilatérale formulée (221.25 > 199.43).
Ainsi, nous pouvons affirmer que les patients présentant des troubles
cognitifs ont des temps d’exécutions supérieurs aux individus sans
troubles cognitifs.
2. Les indices de taille d’effet correspondent à :
• d de Cohen standardisé (ds) :

• g de Hedges standardisé (gs) :

Nous pouvons conclure que l’effet est important car le g de Hedges

standardisé est supérieur à 0.80.

Exercice 5.2.4

Nous avons besoin de calculer les moyennes, écarts-types et effectifs

en amont. Nous devons trouver les résultats suivants :

Vous ne trouvez pas ce résultat pour le l’écart-type ? Allez

consulter la liste de conseils présentés sous l’aperçu de l’exercice 2.2.1.
Allez voir la correction complète de l’exercice 2.2.3 pour avoir le détail
de la correction.
 • Version 1 de la formule du t (voir formulaire, version 1).

Si vous utilisez la formule pour taille d’échantillons inégale, les

calculs seront plus fastidieux mais vous devez tomber sur un résultat
similaire. Une fois l’écart-type commun obtenu, il ne nous reste plus
qu’à obtenir la valeur du t avec la formule (voir formulaire, version 1) :

• Version 2 de la formule du t (voir formulaire, version 2).

Nous utilisons les écarts-types des séries :

Une fois la variance commune obtenue, il ne nous reste plus qu’à

obtenir la valeur du t avec la formule (voir formulaire, version 2) :

※ Étape 3 : lecture de la valeur critique à l’aide de la table

de Student

n1 + n2 – 2 = 10 + 10 – 2 = 18. Nous souhaitions vérifier l’hypothèse

selon laquelle les étudiants du groupe 1 ont obtenu des notes supérieures
aux étudiants du groupe 2, autrement dit une hypothèse orientée, donc
unilatérale. À la ligne ddl = 18, la valeur du tcritique dans la colonne
correspondant à α = 5 % pour un test unilatéral est égale à 1.7341.

※ Étape 4 : prise de décision

|tcalculé|(2.21) > tcritique (1.7341). H0 peut donc être rejetée au seuil

α < 5 % (hypothèse unilatérale). Le résultat du test de Student est
significatif, t(18) = 2.21 ; p < .05. Néanmoins, nous remarquons que le
groupe 1 obtient une moyenne inférieure à celle du groupe 2
(11.1 < 14.1). L’effet va donc dans le sens inverse à celui formulé dans
l’hypothèse unilatérale. Ainsi, nous ne pouvons pas affirmer que les
étudiants du groupe 1 ont obtenu des notes supérieures aux étudiants du
groupe 2, t(18) = 2.21 ; NS.

Exercice 5.3.1

Ainsi, en utilisant les écarts-types des séries, nous posons :

Nous allons maintenant comparer cette valeur (tcalculé) au seuil que

nous allons lire dans la table de Student (tcritique). Cette table va nous
donner la valeur du tcritique en fonction des degrés de libertés (ddl) qu’il
nous reste à calculer ici (voir formulaire).
 Pour aller lire la valeur critique dans la table de Student, nous
pouvons arrondir le résultat à l’entier le plus proche (soit ici 26). Nous
souhaitions vérifier l’hypothèse selon laquelle les deux échantillons
proviennent bien de deux populations parentes différentes, autrement dit
une hypothèse non orientée, donc bilatérale. Il faut se positionner sur la
26e ligne (notre ddl étant arrondi à 26) et lire la valeur du tcritique dans la
colonne correspondant à α = 5 % pour un test bilatéral. Nous trouvons
ici tcritique = 2.0555.
|tcalculé| (1.19) < tcritique (2.0555). H0 ne peut donc pas être rejetée au
seuil α = 5 % (hypothèse bilatérale). Le résultat du test de Welch est non
significatif, t(26.30) = 1.19 ; NS. On ne peut pas affirmer que les deux
échantillons proviennent de deux populations parentes différentes.
Attention, cela ne veut pas dire que nous venons de prouver que les
deux échantillons peuvent être considérés comme globalement les
mêmes. Puisque nous ne pouvons jamais être certains qu’il n’y ait
effectivement pas d’effet ou que nous ayons manqué un effet qui existe,
nous ne pouvons jamais prouver l’absence d’effet. Dans la mesure où
nous ne sommes jamais capables de trancher entre ces deux possibilités
résiduelles après un test non significatif, nous ne pouvons donc jamais
valider H0 avec ce type de test. Ainsi, après un test non significatif, la
seule chose que nous pouvons vraiment dire, c’est que nous n’avons pas
suffisamment de preuves pour conclure qu’il y a une différence.
 Exercice 5.3.2

Si nous voulons travailler avec la variance, nous pouvons la déduire à

partir de l’écart-type. En effet, la racine carrée de la variance est égale à
l’écart-type, si nous mettons l’écart-type au carré, nous obtenons la
variance. Ainsi, s21 = (21.9)2 = 479.61 et s22 = (36.2)2 = 1310.44. Nous
obtenons :

Utiliser les écarts-types des séries :

Utiliser les variances des séries :

Nous allons maintenant comparer cette valeur (tcalculé) au seuil que

nous allons lire dans la table de Student (tcritique). Cette table va nous
donner la valeur du tcritique en fonction des degrés de libertés (ddl) qu’il
nous reste à calculer ici (voir formulaire). En utilisant les écarts-types,
nous obtenons :
 Pour aller lire la valeur critique dans la table de Student, nous
pouvons arrondir le résultat à l’entier le plus proche (soit ici 11). Nous
souhaitions vérifier l’hypothèse selon laquelle les participants âgés ont
des temps d’exécutions supérieurs aux individus jeunes, autrement dit
une hypothèse orientée, donc unilatérale. Il faut se positionner sur la
11e ligne (notre ddl étant arrondi à 11) et lire la valeur du tcritique dans la
colonne correspondant à α = 5 % pour un test unilatéral. Nous trouvons
ici tcritique = 1.7959.
|tcalculé| (2.99) > tcritique (1.7959). H0 peut donc être rejetée au seuil α =
5 % (hypothèse unilatérale). Le résultat du test de Welch est significatif,
t(11.25) = 2.99 ; p < .05. Nous pouvons dire que les participants âgés
ont des temps d’exécutions supérieurs aux individus jeunes.
 Exercice 5.3.3

Si nous voulons travailler avec les écarts-types, nous pouvons les

déduire à partir des variances.
La racine carrée de la variance est égale à l’écart-type, donc
et
Il nous faut ensuite calculer les moyennes par groupes :
Utiliser les écarts-types des séries :

Utiliser les variances des séries :

Nous allons maintenant comparer cette valeur (tcalculé) au seuil que

nous allons lire dans la table de Student (tcritique). Cette table va nous
donner la valeur du tcritique en fonction des degrés de libertés (ddl) qu’il
nous reste à calculer ici (voir formulaire). En utilisant les écarts-types,
nous obtenons :
 Pour aller lire la valeur critique dans la table de Student, nous
pouvons arrondir le résultat à l’entier le plus proche (soit ici 9). Nous
souhaitions vérifier l’hypothèse selon laquelle les patients ont une
estime de soi détériorée comparés aux individus témoins, autrement dit
une hypothèse orientée, donc unilatérale. Il faut se positionner sur la
9e ligne (notre ddl étant arrondi à 9) et lire la valeur du tcritique dans la
colonne correspondant à α = 1 % pour un test unilatéral. Nous trouvons
ici tcritique = 2.8214.
|tcalculé| (1.06) < tcritique (2.8214). H0 ne peut donc pas être rejetée au
seuil α = 1 % (hypothèse unilatérale). Le résultat du test de Welch est
non significatif, t(9.36) = 1.06 ; NS. Nous ne pouvons pas affirmer que
les patients ont une estime de soi détériorée comparés aux individus
témoins.
Attention, cela ne veut pas dire que nous venons de prouver que les
scores des deux échantillons peuvent être considérés comme
globalement les mêmes ou équivalents. Puisque nous ne pouvons jamais
être certains qu’il n’y ait effectivement pas d’effet ou que nous ayons
manqué un effet qui existe, nous ne pouvons jamais prouver l’absence
d’effet. Dans la mesure où nous ne sommes jamais capables de trancher
entre ces deux possibilités résiduelles après un test non significatif, nous
ne pouvons donc jamais valider H0 avec ce type de test. Ainsi, après un
test non significatif, la seule chose que nous pouvons vraiment dire,
c’est que nous n’avons pas suffisamment de preuves pour conclure qu’il
y a une différence.

Exercice 5.4.1

Le U de Mann-Whitney (Umin) correspond à la plus petite quantité des

deux entre U1 et U2. Ici, Umin correspond donc à 2.5. Nous
comptabilisons 5 et 5 données dans nos deux groupes. Nous sommes
donc en présence d’un « petit échantillon » (5 < 20) et pouvons lire la
valeur critique dans la table de Mann-Whitney.
Puisque nous cherchons à savoir si les patients présentant des troubles
cognitifs ont des temps d’exécutions supérieurs aux individus sans
troubles cognitifs, nous formulons ici une hypothèse orientée,
unilatérale. En sélectionnant la table qui correspond à α = 5 % pour un
test unilatéral, nous trouvons Useuil = 4 à la combinaison 5 5
(correspondant aux nombres de données dans chaque série).
Ici, puisque Umin est inférieur à Useuil (2.5 < 4), H0 peut donc être
rejetée au seuil α < 5 % (hypothèse unilatérale). Le résultat du test de
Mann-Whitney est significatif, U = 4 ; p < .05.
Avant de confirmer ce résultat, nous pouvons vérifier le sens de
l’effet en examinant dans quelle condition nous avons les scores les
moins (ou les plus) élevés. Nous pouvons par exemple comparer les
médianes des deux groupes. Ici, les patients obtiennent bien des
performances globalement supérieures (ce qui indique un temps
d’exécution plus long), ce qui correspond au sens de l’hypothèse
formulée. Ainsi, nous pouvons affirmer que les patients présentant des
troubles cognitifs ont des temps d’exécutions supérieurs aux individus
sans troubles cognitifs.

Exercice 5.4.2

1. Nous obtenons :
 Le U de Mann-Whitney (Umin) correspond à la plus petite quantité des
deux entre U1 et U2. Ici, Umin = 39. Nous comptons 13 et 14 données
dans nos groupes. Nous sommes donc en présence d’un « petit
échantillon » (13 < 20 et 14 < 20) et pouvons lire la valeur critique dans
la table de Mann-Whitney.
Puisque nous cherchons à savoir si les individus opposés aux
consensus scientifiques ont des niveaux de connaissances scientifiques
inférieurs, nous formulons ici une hypothèse orientée, unilatérale. En
sélectionnant la table qui correspond à α = 1 % pour un test unilatéral,
nous trouvons Useuil = 43 à la combinaison 14 13 (correspondant aux
nombres de données dans chaque série).
Ici, puisque Umin est inférieur à Useuil (39 < 43), H0 peut donc être
rejetée au seuil α < 1 % (hypothèse unilatérale). Le résultat du test de
Mann-Whitney est significatif, U = 39 ; p < .01.
Avant de confirmer ce résultat, nous pouvons vérifier le sens de
l’effet en examinant dans quelle condition nous avons les scores les
moins (ou les plus) élevés. Nous pouvons par exemple comparer les
médianes des deux groupes. Ici, les individus opposés obtiennent bien
des performances globalement inférieures, ce qui correspond au sens de
l’hypothèse formulée. Ainsi, nous pouvons affirmer que les individus
opposés aux consensus scientifiques ont des niveaux de connaissances
scientifiques objectifs inférieurs.
2. Taille de l’effet
Coefficient de corrélation bisérial rrb (rank-biserial correlation),
méthode de Wendt (Wendt, 1972) :

3. L’indice de corrélation bisérial rrb est compris entre 0.50 et 1,

l’effet peut donc être considéré comme important. Si vous avez conclu
la même chose en justifiant la réponse avec la valeur de p, ce n’est pas
tout à fait exact. Nous remarquons en effet que le test est significatif au
seuil α = .01. Le résultat n’est pas « plus significatif » que si nous
avions utilisé un seuil de 5 %. Un résultat est toujours significatif ou
non, ce qui change, c’est juste le risque que nous prenons pour affirmer
ce que nous disons. Ici, nous pouvons affirmer qu’il existe une
différence en estimant avoir moins d’1 % de chance de se tromper
(plutôt que 5 % si nous avions opté pour un seuil de 5 %) mais la nature
et l’importance du lien restent les mêmes dans les deux cas. Nous
devons calculer un indice de taille d’effet pour l’estimer. C’est bien rrb
qui nous donne accès à cette information ici.

Exercice 5.4.3

1. Nous obtenons :
 Le U de Mann-Whitney (Umin) correspond à la plus petite quantité des
deux entre U1 et U2. Ici, Umin = 47.5. Nous comptons 16 et 21 données
dans nos groupes. Nous sommes donc en présence d’un grand
échantillon (21 > 20). Nous ne pourrons donc pas lire la valeur critique
dans la table de Mann-Whitney mais nous allons la calculer :

Puisque nous cherchons à savoir si le sport permet d’améliorer la

VO2 max, nous avons ici une hypothèse orientée, donc unilatérale. Le z
critique correspondant au seuil alpha = 5 % pour une hypothèse
unilatérale correspond donc à 1.64. Ici, le |z| calculé (considéré en valeur
absolue, c’est-à-dire sans son signe « moins », soit 3.69) est supérieur au
z critique (1.64). H0 peut donc être rejetée au seuil α < 5 % (hypothèse
unilatérale). Le résultat du test de Mann-Whitney est significatif, U =
47.5 ; p < .05.
Avant de confirmer ce résultat, nous pouvons vérifier le sens de
l’effet en examinant dans quelle condition nous avons les scores les
moins (ou les plus) élevés. Nous pouvons par exemple comparer les
médianes des deux groupes. Ici, les sportives obtiennent bien des scores
globalement supérieurs, ce qui correspond au sens de l’hypothèse
formulée. Nous pouvons affirmer que le sport permet d’améliorer la
VO2 max.
2. Les indices de taille d’effet sont les suivants :
Indice r2 :
 Coefficient de corrélation bisérial rrb ( rank-biserial correlation ),
méthode de Glass (Glass, 1966) :
• (rang moyen de la première série de données) = 278.5 ÷ 21
13.26
• (rang moyen de la deuxième série de données) = 424.5 ÷ 16
26.53

Coefficient de corrélation bisérial rrb ( rank-biserial correlation ),

méthode de Wendt (Wendt, 1972) :

Le r2 est supérieur à 0.14, l’effet est donc important. Les deux indices
de corrélation bisérial rrb sont tous les deux compris entre –0.50 et –1,
l’effet peut donc être également considéré comme important au regard
de ces indices.

Exercice 5.5.1

Nous obtenons :
 Nous allons maintenant comparer cette valeur (tcalculé) au seuil que
nous allons lire dans la table de Student (tcritique). Cette table va nous
donner la valeur du tcritique en fonction des degrés de libertés (ddl)
correspondant à N – 1, où N correspond au nombre de paires de données
(c’est-à-dire le nombre de participants, pour lesquels nous avons chacun
2 mesures). N est égal à 42, donc le ddl correspond ici 42 – 1 = 41. Nous
souhaitions vérifier l’hypothèse selon laquelle le régime a permis de
faire diminuer le poids, autrement dit une hypothèse orientée, donc
unilatérale. Il faut se positionner sur la 41e ligne (notre ddl étant égal à
41) et lire la valeur du tcritique dans la colonne correspondant à α = 5 %
pour un test unilatéral. Nous trouvons ici tcritique = 1.6829.
|tcalculé| (12.96) > tcritique (1.6829). H0 peut donc être rejetée au seuil
α < 5 % (hypothèse unilatérale). Le résultat du test de Student est
significatif, t(41) = –12.96 ; p < .05. Nous pouvons affirmer que le
régime a permis de faire diminuer le poids des individus.
Notez que lorsque nous comparons tcalculé et tcritique, nous considérons le tcalculé en
valeur absolue, c’est-à-dire en faisant abstraction de son signe « moins ». C’est pour
cela que nous ajoutons les deux traits verticaux (symbolisant la valeur absolue) quand
nous écrivons |tcalculé| (12.96) > tcritique (1.6829). Pour prendre une décision, nous
mettons temporairement de côté le signe « moins » à la valeur de décision s’il y en a
un, mais nous pouvons l’ajouter à nouveau dans la conclusion statistique : t(41) =
–12.96 ; p < .05.

Exercice 5.5.2

1. Nous obtenons :
 Nous allons maintenant comparer cette valeur (tcalculé) au seuil que
nous allons lire dans la table de Student (tcritique). Cette table va nous
donner la valeur du tcritique en fonction des degrés de libertés (ddl)
correspondant à N – 1, où N correspond au nombre de paires de données
(c’est-à-dire le nombre de participants, pour lesquels nous avons chacun
2 mesures). N est égal à 35, donc le ddl correspond ici 35 – 1 = 34. Nous
souhaitions vérifier l’hypothèse selon laquelle les participants ont
amélioré leur score, autrement dit une hypothèse orientée, donc
unilatérale. Il faut se positionner sur la 34e ligne (notre ddl étant égal à
34) et lire la valeur du tcritique dans la colonne correspondant à α = 5 %
pour un test unilatéral. Nous trouvons ici tcritique = 1.6909.
|tcalculé|(9.86) > tcritique (1.6909). H0 peut donc être rejetée au seuil
α < 5 % (hypothèse unilatérale). Le résultat du test de Student est
significatif, t(34) = 9.86 ; p < .05. Nous pouvons affirmer que les
participants ont amélioré leur score.
2. Au seuil α = 1 % pour un test unilatéral, nous trouvons ici tcritique =
2.4411.
|tcalculé|(9.86) > tcritique (2.4411). H0 peut donc être rejetée au seuil
α < 1 % (hypothèse unilatérale). Le résultat du test de Student est
significatif, t(34) = 9.86 ; p < .01. Nous pouvons affirmer que les
participants ont amélioré leur score au seuil α = 1 %.
3. d de Cohen standardisé (dz) :

4. En se référant à la grille d’interprétation (voir formulaire), nous

pouvons conclure que l’effet est important car dz est supérieur à 0.80. Si
vous avez conclu la même chose en justifiant la réponse avec la valeur
de p, ce n’est pas tout à fait exact. Nous remarquons en effet que le test
est significatif au seuil α = .05 puis au seuil α = .001. Le résultat ne
devient pas « plus significatif » pour autant. Un résultat est toujours
significatif ou non, ce qui change, c’est juste le risque que nous prenons
pour affirmer ce que nous disons. Ici, nous pouvons affirmer qu’il existe
une différence en estimant avoir moins d’1 % de chance de se tromper
(plutôt que 5 % initialement) mais la nature et l’importance du lien
restent les mêmes dans les deux cas. Nous devons calculer un indice de
taille d’effet pour l’estimer. C’est bien dz qui nous donne accès à cette
information ici.

Exercice 5.5.3

※ Moyenne des différences d

 ※ Écart-type des différences sd

※ Valeur de décision

Nous allons maintenant comparer cette valeur (tcalculé) au seuil que

nous allons lire dans la table de Student (tcritique). Cette table va nous
donner la valeur du tcritique en fonction des degrés de libertés (ddl)
correspondant à N – 1, où N correspond au nombre de paires de données
(c’est-à-dire le nombre de participants, pour lesquels nous avons chacun
2 mesures). N est égal à 12, donc le ddl correspond ici 12 – 1 = 11. Nous
souhaitions vérifier l’hypothèse selon laquelle la thérapie a permis
d’améliorer l’image de soi des patients, autrement dit une hypothèse
orientée, donc unilatérale. Il faut se positionner sur la 11e ligne (notre
ddl étant égal à 11) et lire la valeur du tcritique dans la colonne
correspondant à α = 5 % pour un test unilatéral. Nous trouvons ici
tcritique = 1.7959.
|tcalculé|(1.62) < tcritique (1.7059). H0 ne peut donc pas être rejetée au
seuil α < 5 % (hypothèse unilatérale). Le résultat du test de Student est
non significatif, t(11) = –1.62 ; NS. Nous ne pouvons pas affirmer que la
thérapie est efficace.
Attention, cela ne veut pas dire que nous venons de prouver que la
thérapie n’a pas d’effet, que les réponses peuvent être considérés comme
globalement les mêmes dans le temps. Puisque nous ne pouvons jamais
être certains qu’il n’y ait effectivement pas d’effet ou que nous ayons
manqué un effet qui existe, nous ne pouvons jamais prouver l’absence
d’effet. Dans la mesure où nous ne sommes jamais capables de trancher
entre ces deux possibilités résiduelles après un test non significatif, nous
ne pouvons donc jamais valider H0 avec ce type de test. Ainsi, après un
test non significatif, la seule chose que nous pouvons vraiment dire,
c’est que nous n’avons pas suffisamment de preuves pour conclure qu’il
y a une différence ou un effet.

Si vous avez utilisé la méthode 2 (voir rappel de cours), nous

obtenons :
 Attention, dans cette formule, nous utilisons la somme des différences
(– 7) et non la moyenne des différences que nous avons utilisée dans la
première méthode (– 0.58).
et . N est toujours égal à 12 car nous
comptabilisons 12 paires de données (12 participants).

Les conclusions sont ensuite équivalentes à celle décrite plus haut.

Exercice 5.6.1

Nous souhaitons comparer deux groupes appariés avec un test non

paramétrique : il faut opter pour le test de Wilcoxon. Ainsi :
 La somme des rangs des écarts positif (T+) = 28.
La somme des rangs des écarts négatifs (T–) = 8.
Le W de Wilcoxon correspond à la plus petite quantité des deux entre
T– et T+. Ici, W = 8.
Nous souhaitions vérifier l’hypothèse selon laquelle la séance de
sophrologie a permis de faire diminuer les scores d’anxiété ressentie
chez les participants, autrement dit une hypothèse orientée, donc
unilatérale. Nous comptons 9 paires de données (N = 9). Toutefois, il y a
un écart nul. Ainsi, Nans écarts nuls = 9 – 1 = 8. Pour un seuil α = 5 %
(hypothèse unilatérale), nous trouvons Wcritique = 5. Wcalculé (8) >
Wcritique (5). H0 ne peut donc pas être rejetée au seuil α < 5 %
(hypothèse unilatérale). Le résultat du test de Wilcoxon est non
significatif, W = 8 ; NS. Nous ne pouvons pas affirmer que les scores
d’anxiété ont diminué après la séance.
Attention, cela ne veut pas dire que nous venons de prouver que la
séance n’a pas d’effet, que les scores peuvent être considérés comme
globalement les mêmes dans le temps. Puisque nous ne pouvons jamais
être certains qu’il n’y ait effectivement pas d’effet ou que nous ayons
manqué un effet qui existe, nous ne pouvons jamais prouver l’absence
d’effet. Dans la mesure où nous ne sommes jamais capables de trancher
entre ces deux possibilités résiduelles après un test non significatif, nous
ne pouvons donc jamais valider H0 avec ce type de test. Ainsi, après un
test non significatif, la seule chose que nous pouvons vraiment dire,
c’est que nous n’avons pas suffisamment de preuves pour conclure qu’il
y a une différence ou un effet.
 Exercice 5.6.2

Nous souhaitons comparer deux groupes appariés avec un test non

paramétrique : il faut opter pour le test de Wilcoxon. Ainsi :

La somme des rangs des écarts positif (T+) = 44.

La somme des rangs des écarts négatifs (T–) = 61.
Le W de Wilcoxon correspond à la plus petite quantité des deux entre
T– et T+. Ici, W = 44.
Nous souhaitions vérifier l’hypothèse selon laquelle la restructuration
de l’entreprise a généré une augmentation du stress perçu chez les
employés, autrement dit une hypothèse orientée, donc unilatérale. Nous
comptons 18 paires de données (N = 18). Toutefois, il y a 4 écarts nuls.
Ainsi, Nans écarts nuls = 18 – 4 = 14. Si nous considérons que nous
sommes en présence d’un « grand échantillon » à partir d’un effectif
(sans écarts nuls) de 15, nous devons aller lire la valeur critique dans la
table de Wilcoxon.
Pour un seuil α = 5 % (hypothèse unilatérale), nous trouvons
Wcritique = 25 à la ligne ddl = 14. Wcalculé (44) > Wcritique (25). H0 ne peut
donc pas être rejetée au seuil α < 5 % (hypothèse unilatérale). Le résultat
du test de Wilcoxon est non significatif, W = 44 ; NS. Nous ne pouvons
pas affirmer que la restructuration de l’entreprise a généré une
augmentation du stress perçu chez les employés.
Attention, cela ne veut pas dire que nous venons de prouver que la
restructuration n’a pas d’effet, que les ressentis peuvent être considérés
comme globalement les mêmes dans le temps. Puisque nous ne pouvons
jamais être certains qu’il n’y ait effectivement pas d’effet ou que nous
ayons manqué un effet qui existe, nous ne pouvons jamais prouver
l’absence d’effet. Dans la mesure où nous ne sommes jamais capables
de trancher entre ces deux possibilités résiduelles après un test non
significatif, nous ne pouvons donc jamais valider H0 avec ce type de
test. Ainsi, après un test non significatif, la seule chose que nous
pouvons vraiment dire, c’est que nous n’avons pas suffisamment de
preuves pour conclure qu’il y a une différence ou un effet.

Exercice 5.6.3

Nous souhaitons comparer deux groupes appariés avec un test non

paramétrique : il faut opter pour le test de Wilcoxon. Ainsi :

La somme des rangs des écarts positif (T+) = 31.

La somme des rangs des écarts négatifs (T–) = 105.
Le W de Wilcoxon correspond à la plus petite quantité des deux entre
T– et T+. Ici, W = 31.
 Nous comptons 19 paires de données (N = 19). Toutefois, il y a trois
écarts nuls. Ainsi, Nans écarts nuls = 19 – 3 = 16. Nous sommes donc en
présence d’un « grand échantillon » (nous considérons le seuil de 15 ici).
Nous n’allons donc pas lire le valeur critique dans la table de Wilcoxon
mais la calculer :

Ici, N correspond à l’effectif total (attention à considérer l’effectif

total sans écarts nuls, soit ici 16 et non 19).
Puisque nous cherchons à savoir si les scores obtenus par les patients
sont plus élevés après l’utilisation du serious game, nous avons ici une
hypothèse orientée, unilatérale. Le z critique correspondant au seuil
alpha = 5 % pour une hypothèse unilatérale correspond donc à 1.64. Ici,
le |z| calculé (considéré en valeur absolue, c’est-à-dire sans son signe
« moins », soit 1.91) est supérieur au z critique (1.64). H0 peut donc être
rejetée au seuil α < 5 % (hypothèse unilatérale). Le résultat du test de
Wilcoxon est significatif, W = 31 ; p < .05. Le dispositif a permis
d’améliorer les capacités mnésiques des patients.
Note. Nous pouvons vérifier le sens de l’effet en examinant dans quelle condition nous
avons les scores les moins (ou les plus) élevés. Nous pouvons par exemple comparer
les médianes des deux groupes.

Les indices de taille d’effet correspondent à :

Coefficient de corrélation bisérial rrb ( matche-pairs rank-biserial

correlation ) :
 Dans ces formules N correspond à l’effectif total (attention à
considérer l’effectif total sans écarts nuls, soit ici 16 et non 19). Le r2
est supérieur à 0.14, l’effet est donc important. Le coefficient de
corrélation bisérial rrb est compris entre 0.50 et 1, l’effet peut donc être
également considéré comme important au regard de cet indice
également.