La fonction LOI.STUDENT.BILATERALE (T.DIST.2T en anglais) calcule directement la p-value bilatérale du test t de Student. En clair, elle répond à la question : cette valeur t observée est-elle significativement différente de zéro dans les deux directions ? C'est ton outil de référence pour tester si une moyenne d'échantillon diffère significativement d'une valeur théorique, sans présupposer le sens de la différence.
Que tu sois data analyst testant des hypothèses sur tes données, chercheur validant des résultats expérimentaux, ou responsable qualité vérifiant la conformité de tes processus, LOI.STUDENT.BILATERALE te donne directement la p-value dont tu as besoin. Plus besoin de jongler avec les paramètres : cette fonction est spécialement conçue pour les tests bilatéraux, les plus courants en statistiques.
Syntaxe de la fonction LOI.STUDENT.BILATERALE
=LOI.STUDENT.BILATERALE(x; degrés_liberté)Le paramètre x doit toujours être une valeur positive. Si ta statistique t calculée est négative, utilise ABS(t) : LOI.STUDENT.BILATERALE(-2,5; 24) renvoie une erreur #NOMBRE!, alors que LOI.STUDENT.BILATERALE(2,5; 24) donne bien 0,0196.
Comprendre chaque paramètre de la fonction LOI.STUDENT.BILATERALE
x
: la valeur de ta statistique t pour laquelle tu veux calculer la probabilitéCette valeur doit toujours être positive (utilise ABS si nécessaire). Par exemple, si tu calcules t = -2,5 ou t = 2,5, tu utiliseras x = 2,5 dans les deux cas car LOI.STUDENT.BILATERALE traite automatiquement les deux queues de la distribution.
Pour un test t simple sur un échantillon, la statistique se calcule ainsi : t = (moyenne_échantillon - moyenne_théorique) / (écart_type / RACINE(n)), où n est la taille de ton échantillon. L'écart-type se calcule généralement avec ECARTYPE.STANDARD (écart-type corrigé de l'échantillon).
Astuce : Enveloppe toujours ta statistique t dans ABS() avant de la passer à la fonction : =LOI.STUDENT.BILATERALE(ABS(t); ddl). Cela garantit un résultat correct quelle que soit la direction de l'effet observé.
degrés_liberté
: le nombre de degrés de liberté (souvent noté ddl ou df) dépend du type de test que tu réalisesPour un test t simple sur un seul échantillon, degrés de liberté = n - 1 (où n est la taille de ton échantillon). Pour un test t sur deux échantillons indépendants de tailles n1 et n2, degrés de liberté = n1 + n2 - 2 (pour variances supposées égales). Pour un test t apparié, degrés de liberté = n - 1, où n est le nombre de paires.
Plus les degrés de liberté sont élevés, plus la distribution de Student ressemble à la loi normale. À partir d'environ 30 degrés de liberté, les deux distributions sont très proches.
Attention : Les degrés de liberté doivent être un entier supérieur ou égal à 1. Si tu entres 0 ou une valeur négative, Excel renvoie l'erreur #NOMBRE!. Un échantillon de 30 observations donne ddl = 29, pas 30 : n'oublie pas de soustraire 1.
Pas envie d'écrire la formule LOI.STUDENT.BILATERALE à la main ?
Génère-la avec notre IA
Exemples pratiques pas à pas
Data analyst : tester si un KPI a changé
Tu es data analyst et tu veux savoir si le taux de conversion moyen de ton site (actuellement 3,2%) a significativement changé après une refonte. Tu collectes un échantillon de 25 sessions et observes un taux moyen de 3,8% avec un écart-type de 0,9%.
Avec une p-value de 0,0029 (bien inférieure à 0,01), tu as une preuve très solide que le taux de conversion a réellement changé. Ce n'est pas une fluctuation aléatoire : c'est un changement significatif que tu peux attribuer à ta refonte et présenter à ta direction en toute confiance.
| A | B | C | |
|---|---|---|---|
| 1 | Métrique | Valeur | Calcul |
| 2 | Moyenne échantillon | 3,8% | n = 25 sessions |
| 3 | Moyenne théorique | 3,2% | Valeur de référence |
| 4 | Écart-type | 0,9% | Échantillon |
| 5 | Statistique t | 3,33 | = (3,8% - 3,2%) / (0,9% / RACINE(25)) |
| 6 | Degrés liberté | 24 | = n - 1 |
| 7 | p-value bilatérale | 0,0029 |
=LOI.STUDENT.BILATERALE(3,33;24)Astuce de pro : La p-value seule ne dit pas si le changement est positif ou négatif : elle indique seulement qu'il est réel. Regarde toujours la direction de l'effet (3,8% > 3,2%) en parallèle de la p-value.
Chercheur : valider une hypothèse expérimentale
Tu es chercheur en psychologie et tu testes si le temps de réaction moyen de ton groupe expérimental (n=15) diffère de la norme établie à 250 ms. Ton échantillon montre une moyenne de 268 ms avec un écart-type de 32 ms.
La p-value de 0,0471 (inférieure à 0,05) te permet de conclure que ton groupe expérimental a un temps de réaction significativement différent de la norme au seuil de 5%. C'est suffisant pour poursuivre les études ou envisager une publication dans la plupart des revues scientifiques.
| A | B | C | |
|---|---|---|---|
| 1 | Paramètre | Valeur | Détails |
| 2 | Temps moyen observé | 268 ms | Moyenne échantillon |
| 3 | Norme théorique | 250 ms | Population générale |
| 4 | Écart-type échantillon | 32 ms | Variabilité intra-groupe |
| 5 | Taille échantillon | 15 | Participants |
| 6 | t calculé | 2,18 | = (268 - 250) / (32 / RACINE(15)) |
| 7 | ddl | 14 | = 15 - 1 |
=LOI.STUDENT.BILATERALE(2,18;14)Responsable qualité : vérifier la conformité d'un processus
Tu es responsable qualité dans une usine et tu dois vérifier si le diamètre moyen des pièces produites (spécification : 50,00 mm) est conforme. Tu mesures 30 pièces et obtiens une moyenne de 50,12 mm avec un écart-type de 0,25 mm.
La p-value de 0,0135 indique clairement que ton processus dévie significativement de la cible. Bien que l'écart soit faible en valeur absolue (0,12 mm), il est statistiquement prouvé. Tu dois procéder à un ajustage de la machine avant de continuer la production.
| A | B | C | |
|---|---|---|---|
| 1 | Mesure | Valeur | Analyse |
| 2 | Diamètre moyen mesuré | 50,12 mm | n = 30 pièces |
| 3 | Spécification cible | 50,00 mm | Valeur nominale |
| 4 | Écart-type | 0,25 mm | Variabilité du processus |
| 5 | Écart observé | +0,12 mm | |
| 6 | t calculé | 2,63 | = (50,12 - 50,00) / (0,25 / RACINE(30)) |
| 7 | ddl | 29 | = 30 - 1 |
=LOI.STUDENT.BILATERALE(2,63;29)Data analyst : évaluer la stabilité d'un indicateur
Tu es data analyst et tu veux vérifier si le panier moyen de ce mois (n=50 commandes) diffère de ta moyenne historique de 85€. Ton échantillon montre une moyenne de 87,50€ avec un écart-type de 12€.
Avec une p-value de 0,1475 (bien supérieure à 0,05), tu ne peux pas conclure que le panier moyen a changé. L'augmentation de 2,50€ que tu observes pourrait simplement être due au hasard. Pas besoin d'alerter ta direction ni de chercher une explication particulière.
| A | B | C | |
|---|---|---|---|
| 1 | KPI | Valeur | Contexte |
| 2 | Panier moyen ce mois | 87,50€ | Échantillon actuel |
| 3 | Moyenne historique | 85,00€ | Référence |
| 4 | Écart-type | 12,00€ | Échantillon |
| 5 | Différence | +2,50€ | +2,9% |
| 6 | t calculé | 1,47 | = (87,5 - 85) / (12 / RACINE(50)) |
| 7 | ddl | 49 | = 50 - 1 |
=LOI.STUDENT.BILATERALE(1,47;49)Chercheur en médecine : tester l'efficacité d'un traitement
Tu es chercheur en médecine et tu testes si un nouveau médicament modifie la tension artérielle systolique (norme : 120 mmHg). Sur 20 patients traités, tu observes une moyenne de 112 mmHg avec un écart-type de 15 mmHg.
La p-value de 0,0279 te permet de conclure que le traitement a un effet significatif sur la tension artérielle au seuil de 5%. Ce résultat est suffisamment solide pour poursuivre les études cliniques ou envisager une publication scientifique.
| A | B | C | |
|---|---|---|---|
| 1 | Paramètre médical | Valeur | Interprétation |
| 2 | Tension moyenne traités | 112 mmHg | n = 20 patients |
| 3 | Tension normale | 120 mmHg | Population générale |
| 4 | Écart-type | 15 mmHg | Variabilité inter-patients |
| 5 | Réduction observée | -8 mmHg | -6,7% |
| 6 | t calculé | 2,38 | = (112 - 120) / (15 / RACINE(20)) |
| 7 | ddl | 19 | = 20 - 1 |
=LOI.STUDENT.BILATERALE(2,38;19)Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction LOI.STUDENT.BILATERALE
Erreur #NOMBRE! avec une valeur t négative
LOI.STUDENT.BILATERALE attend une valeur positive pour x. Si ta statistique t calculée est négative, la fonction renvoie #NOMBRE! au lieu de la p-value.
Solution : Encadre toujours ton argument x avec ABS() : =LOI.STUDENT.BILATERALE(ABS(t);ddl). Une valeur t de -2,5 ou +2,5 donne la même p-value bilatérale : utilise donc =LOI.STUDENT.BILATERALE(2,5;24) dans les deux cas.
Degrés de liberté incorrects : utiliser n au lieu de n-1
Pour un test t simple (un échantillon), les degrés de liberté sont n-1, pas n. Entrer n au lieu de n-1 fausse la p-value, parfois suffisamment pour inverser la conclusion du test.
Solution : Mémorise la règle : ddl = taille d'échantillon - 1 pour un test à un seul échantillon. Utilise =NB(A2:A31)-1 directement dans la formule pour éviter l'erreur manuelle : =LOI.STUDENT.BILATERALE(ABS(t);NB(A2:A31)-1).
Confondre test bilatéral et test unilatéral
LOI.STUDENT.BILATERALE retourne toujours une p-value bilatérale (test à deux queues). Si ton hypothèse était directionnelle (on attendait une hausse, pas une baisse), utiliser la p-value bilatérale brute surestime le seuil de signification.
Solution : Pour convertir en p-value unilatérale, divise le résultat par 2 : =LOI.STUDENT.BILATERALE(t;ddl)/2. Attention : ne change jamais de bilatéral à unilatéral après avoir vu les résultats, car ce serait du p-hacking.
Utiliser ECARTYPE.PEARSON au lieu de ECARTYPE.STANDARD dans le calcul de t
ECARTYPE.PEARSON divise par n (écart-type de la population) tandis que ECARTYPE.STANDARD divise par n-1 (écart-type corrigé de l'échantillon). Utiliser le mauvais dénominateur biaise la statistique t.
Solution : Utilise toujours ECARTYPE.STANDARD pour calculer l'écart-type d'un échantillon dans un test t. La formule complète de t est : =(MOYENNE(plage)-mu_theorique)/(ECARTYPE.STANDARD(plage)/RACINE(NB(plage))).
Interpréter la p-value comme la probabilité que l'hypothèse soit vraie
C'est une erreur conceptuelle grave mais très répandue. La p-value n'est PAS la probabilité que ton hypothèse nulle soit vraie. C'est la probabilité d'observer des données aussi extrêmes si l'hypothèse nulle était vraie.
Solution : Reformule toujours ainsi : une p-value de 0,03 signifie qu'il y a 3% de chances d'observer ces données si l'hypothèse nulle était vraie. Cela ne dit pas que l'hypothèse nulle a 3% de chances d'être vraie.
Échantillon trop petit pour un test t fiable
Le test t suppose que les données suivent (approximativement) une loi normale. Avec moins de 10 observations, cette hypothèse est difficile à vérifier et les résultats peuvent être instables.
Solution : Vise au minimum 10 à 20 observations pour des résultats fiables. Si tu travailles avec n < 5, envisage un test non paramétrique comme le test de Wilcoxon, moins sensible à la distribution.
LOI.STUDENT.BILATERALE vs LOI.STUDENT vs TEST.STUDENT
Ces trois fonctions traitent toutes du test t de Student, mais à des niveaux différents. LOI.STUDENT.BILATERALE est le raccourci pratique pour le cas bilatéral le plus courant.
| Critère | LOI.STUDENT.BILATERALE | LOI.STUDENT | TEST.STUDENT |
|---|---|---|---|
| Objet | p-value bilatérale directe | Distribution t (uni ou bilatéral via paramètre) | Test t complet sur deux plages de données |
| Arguments | x, ddl (2 paramètres) | x, ddl, queues, type (4 paramètres) | plage1, plage2, queues, type (4 paramètres) |
| Calcule t automatiquement | Non (tu fournis t déjà calculé) | Non (tu fournis t déjà calculé) | Oui (à partir des données brutes) |
| Cas d'usage typique | Tu connais ta stat t, test bilatéral | Tu veux choisir entre uni et bilatéral | Tu as deux plages de données à comparer directement |
Questions fréquentes sur la fonction LOI.STUDENT.BILATERALE
Quelle différence entre LOI.STUDENT et LOI.STUDENT.BILATERALE ?
LOI.STUDENT te permet de choisir entre test unilatéral ou bilatéral via un paramètre supplémentaire. LOI.STUDENT.BILATERALE est spécifiquement conçue pour les tests bilatéraux et retourne directement la p-value bilatérale sans paramètre supplémentaire. C'est un raccourci pratique pour le cas le plus courant.
Quand utiliser LOI.STUDENT.BILATERALE plutôt que LOI.NORMALE ?
Utilise LOI.STUDENT.BILATERALE pour des petits échantillons (n inférieur à 30) ou quand l'écart-type de la population est inconnu. La distribution de Student a des queues plus épaisses que la normale, ce qui reflète mieux l'incertitude avec peu de données. Pour de grands échantillons (n supérieur ou égal à 30), les deux distributions convergent.
Comment calculer la p-value d'un test t bilatéral avec cette fonction ?
Calcule d'abord ta statistique t : t = (moyenne échantillon - moyenne théorique) / (écart-type / RACINE(n)). Puis utilise =LOI.STUDENT.BILATERALE(ABS(t); n-1) pour obtenir la p-value bilatérale. Si la p-value est inférieure à 0,05, la différence est significative au seuil de 5%.
Pourquoi doit-on utiliser la valeur absolue de t ?
LOI.STUDENT.BILATERALE attend une valeur positive car elle calcule automatiquement la probabilité des deux queues (gauche et droite). Que ton t soit positif ou négatif, la p-value bilatérale est identique. Utilise donc toujours ABS(t) pour éviter l'erreur #NOMBRE!.
Combien de degrés de liberté pour mon test ?
Pour un test t simple (un échantillon), degrés de liberté = n - 1. Pour un test t à deux échantillons indépendants de tailles n1 et n2, utilise n1 + n2 - 2. Pour un test t apparié, ddl = n - 1 où n est le nombre de paires. Plus les degrés de liberté sont élevés, plus la distribution de Student ressemble à la loi normale.
Comment interpréter une p-value de 0,05 exactement ?
Une p-value exactement égale à 0,05 se situe à la frontière de la signification statistique au seuil conventionnel de 5%. En pratique, la décision dépend du contexte : en médecine, tu demanderais une confirmation sur un échantillon plus grand. En analyse commerciale, 0,05 est souvent accepté directement. La p-value ne remplace pas le jugement métier.
Pour aller plus loin
Bloqué sur une formule Excel ?
Pose ta question à notre assistant Excel IA, il te sort la bonne formule en quelques secondes.
Essayer l'assistant IAGratuit · 10 questions par mois