La fonction LOI.STUDENT.N (T.DIST en anglais) calcule la distribution de Student, fondamentale pour les tests d'hypothèse et les intervalles de confiance quand ton échantillon est petit et que tu ne connais pas l'écart-type de la population. C'est la référence pour les analyses statistiques en entreprise, en recherche clinique et en contrôle qualité.
Ses queues plus épaisses que la loi normale compensent l'incertitude liée aux petits échantillons. Concrètement, c'est elle qui te permet de tester si un nouveau traitement est efficace sur 18 patients, de vérifier si deux lots de production diffèrent vraiment, ou de trancher si un écart de panier moyen en A/B test est réel ou dû au hasard.
Syntaxe de la fonction LOI.STUDENT.N
=LOI.STUDENT.N(x; degrés_liberté; cumulative)Comprendre chaque paramètre de la fonction LOI.STUDENT.N
Les trois arguments arrivent toujours dans le même ordre : d'abord ta valeur t (la statistique de test), puis les degrés de liberté, enfin le booléen cumulative. Aucun n'est facultatif, il faut les trois.
C'est ce dernier qui décide de tout : mets VRAI pour la probabilité cumulée P(T <= x), celle qui sert aux p-values et aux intervalles de confiance, et FAUX seulement si tu veux la densité en un point précis.
x
: la valeur t (statistique de test) pour laquelle tu calcules la probabilitéElle peut être positive, négative ou nulle. C'est généralement le résultat de la formule t = (moyenne_observée - moyenne_H0) / (s / RACINE(n)), où s est l'écart-type de l'échantillon et n la taille de l'échantillon.
Une valeur t proche de 0 indique que tes données sont proches de l'hypothèse nulle. Plus |t| est grand, plus tes données s'en écartent.
Astuce : Pour un test sur deux moyennes avec variances supposées égales, la statistique t utilise un écart-type poolé : t = (m1 - m2) / (sp * RACINE(1/n1 + 1/n2)) où sp = RACINE(((n1-1)*s1^2 + (n2-1)*s2^2) / (n1+n2-2)).
degrés_liberté
: un entier strictement positif qui reflète la quantité d'information disponible dans l'échantillonEn pratique : n-1 pour un test sur une moyenne (où n est la taille de l'échantillon), n1+n2-2 pour un test sur deux moyennes avec variances égales.
Plus les degrés de liberté augmentent, plus la distribution de Student se rapproche de la loi normale standard. À partir de 30 degrés de liberté, la différence est minime.
Attention : Les valeurs décimales sont tronquées automatiquement. Si le résultat est inférieur à 1, Excel renvoie #NOMBRE!. Vérifie donc que tes degrés de liberté sont au moins égaux à 1, ce qui implique n >= 2.
cumulative
: vRAI pour obtenir la probabilité cumulée P(T <= x), c'est-à-dire la fonction de répartitionFAUX pour obtenir la densité de probabilité f(x) en ce point.
Dans la quasi-totalité des cas pratiques (calcul de p-value, test d'hypothèse, intervalle de confiance), tu utiliseras VRAI.
Astuce : Pour un test bilatéral, LOI.STUDENT.N donne la queue gauche. La p-value bilatérale se calcule avec 2 * MIN(LOI.STUDENT.N(t;ddl;VRAI); 1-LOI.STUDENT.N(t;ddl;VRAI)), ou plus directement avec LOI.STUDENT.BILATERALE(ABS(t);ddl).
Exemples pratiques pas à pas
Biostatistique : test t sur une moyenne (essai clinique)
Tu es biostatisticien dans un laboratoire pharmaceutique. Tu testes un nouveau traitement censé améliorer un score fonctionnel de 10 points (effet minimal cliniquement pertinent). Sur 18 patients traités, l'amélioration moyenne observée est de 12,4 points avec un écart-type de 3,2. Le traitement est-il efficace ?
Le test t sur une moyenne compare l'amélioration observée à l'amélioration minimale attendue. L'hypothèse nulle H0 : mu = 10 (le traitement n'est pas meilleur que le seuil minimal). La statistique t mesure combien d'erreurs standards séparent ta moyenne observée de l'hypothèse.
Avec t = 3,18 et p-value = 0,0055, très inférieure à 0,05, tu rejettes H0. Le traitement produit une amélioration significativement supérieure au seuil minimal de 10 points. L'IC 95% [10,81 ; 13,99] ne contient pas 10, ce qui confirme le résultat.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Paramètre | n | Valeur / Formule | Résultat |
| 2 | Groupe traitement | 18 | Amélioration observée | 12,4 pts |
| 3 | Amélioration attendue (H0) | Hypothèse nulle | 10 pts | |
| 4 | t calculé | =(12,4-10)/(3,2/RACINE(18)) | 3,18 | |
| 5 | Degrés de liberté | =18-1 | 17 | |
| 6 | p-value (bilatéral) | =2*(1-LOI.STUDENT.N(3,18;17;VRAI)) | 0,0055 | |
| 7 | IC 95% marge | =LOI.STUDENT.INVERSE.N(0,975;17)*3,2/RACINE(18) | ±1,59 | |
| 8 | IC 95% | [10,81 ; 13,99] |
=2*(1-LOI.STUDENT.N(3,18;17;VRAI))Contrôle qualité : test t sur deux moyennes (lots de production)
Tu es responsable qualité dans une usine. Tu veux vérifier si le poids moyen des produits diffère entre les lots du matin et de l'après-midi. Une différence significative indiquerait un problème de calibration ou de processus à investiguer.
Tu supposes des variances égales entre les deux lots (hypothèse d'homoscédasticité), ce qui te permet de calculer un écart-type poolé combinant l'information des deux échantillons. La statistique t suit alors une distribution de Student à n1+n2-2 degrés de liberté.
Avec t = 1,21 et p-value = 0,238 > 0,05, tu ne peux pas rejeter H0. La différence de 4,2 g entre matin et après-midi n'est pas statistiquement significative : le processus est stable, pas besoin de recalibration entre les équipes.
| A | B | C | D | E | |
|---|---|---|---|---|---|
| 1 | Lot / Calcul | n | Moyenne / Formule | Écart-type / Résultat | Interprétation |
| 2 | Lot A - Matin | 12 | 502,3 g | 8,5 g | |
| 3 | Lot B - Après-midi | 15 | 498,1 g | 9,2 g | |
| 4 | Écart-type poolé | =RACINE(((11*8,5^2)+(14*9,2^2))/(12+15-2)) | 8,90 g | ||
| 5 | t calculé | =(502,3-498,1)/(8,90*RACINE(1/12+1/15)) | 1,21 | ||
| 6 | Degrés de liberté | =12+15-2 | 25 | ||
| 7 | p-value | =2*(1-LOI.STUDENT.N(1,21;25;VRAI)) | 0,238 | Non significatif |
=2*(1-LOI.STUDENT.N(1,21;25;VRAI))Marketing : test A/B sur le panier moyen
Tu es data analyst e-commerce. Tu testes une nouvelle page produit (version B) contre l'actuelle (version A). Après une semaine, tu as collecté 25 commandes par version. La version B génère un panier moyen de 89,20 € contre 78,50 € pour A (+13,6%). Cette différence est-elle réelle ou due au hasard ?
Le test t pour deux échantillons indépendants te permet de trancher objectivement. Avec t = 1,596 et p-value = 0,117 > 0,05, la différence n'est pas significative au seuil 5%. Mais attention : ton échantillon est petit. Pour détecter une différence de 10 € avec 80% de puissance, il te faudrait environ 60 commandes par version. Ton test manque de puissance, il est prématuré de conclure.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Version / Calcul | Panier moyen | Formule / Écart-type | Statistique |
| 2 | Version A (n=25) | 78,50 € | 22,30 € | |
| 3 | Version B (n=25) | 89,20 € | 25,10 € | |
| 4 | Différence observée | +10,70 € | +13,6% | |
| 5 | Écart-type poolé | =RACINE((24*22,3^2+24*25,1^2)/48) | 23,73 € | |
| 6 | t calculé | =(89,2-78,5)/(23,73*RACINE(2/25)) | 1,596 | |
| 7 | Degrés de liberté | =25+25-2 | 48 | |
| 8 | p-value (bilatéral) | =2*(1-LOI.STUDENT.N(1,596;48;VRAI)) | 0,117 | |
| 9 | Conclusion | Non significatif à 5% | Besoin ~60 par groupe |
=2*(1-LOI.STUDENT.N(1,596;48;VRAI))Astuce de pro : Avec de petits échantillons, un test non significatif ne prouve pas l'absence d'effet : il peut simplement manquer de puissance. Calcule la taille d'échantillon nécessaire avant de lancer ton test, pas après.
Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction LOI.STUDENT.N
Ici les soucis viennent rarement de la formule elle-même, plutôt de ce que tu lui donnes ou de la conclusion que tu en tires. Le #NOMBRE! est le plus visible : il tombe dès que tes degrés de liberté descendent sous 1, donc avec un échantillon de moins de deux observations.
Les deux autres pièges sont silencieux et bien plus traîtres : oublier que la fonction ne renvoie qu'une seule queue (P(T <= x)) et lire une p-value unilatérale comme si elle était bilatérale, ou appliquer le test t à des données trop peu nombreuses et trop asymétriques pour que l'hypothèse de normalité tienne.
Erreur #NOMBRE! sur les degrés de liberté
Cette erreur survient lorsque degrés_liberté est inférieur à 1. Les degrés de liberté doivent être un entier strictement positif. Les valeurs décimales sont tronquées automatiquement par Excel.
Solution : Vérifie que ddl = n-1 >= 1, donc que n >= 2. Pour un test sur deux moyennes, assure-toi que ddl = n1+n2-2 >= 1. Si ta cellule contient une formule qui calcule les degrés de liberté, vérifie qu'elle ne renvoie pas zéro.
Confusion entre test unilatéral et bilatéral
LOI.STUDENT.N donne P(T <= x), une seule queue de la distribution. Pour un test bilatéral, il faut doubler la probabilité de la queue extrême ou utiliser LOI.STUDENT.BILATERALE.
Solution : Pour un test bilatéral, utilise =2*MIN(LOI.STUDENT.N(t;ddl;VRAI); 1-LOI.STUDENT.N(t;ddl;VRAI)) ou plus directement =LOI.STUDENT.BILATERALE(ABS(t);ddl). Pour un test unilatéral à droite (H1 : mu > mu0), utilise =1-LOI.STUDENT.N(t;ddl;VRAI).
L'hypothèse de normalité est violée
Le test t suppose que tes données suivent approximativement une distribution normale. Pour de très petits échantillons (n < 15) ou des distributions très asymétriques, cette hypothèse peut être violée et le test t devient moins fiable.
Solution : Pour n > 30, le test est robuste grâce au théorème central limite. Pour n < 15 avec des données très asymétriques, envisage des tests non paramétriques comme Wilcoxon ou Mann-Whitney. Tu peux d'abord visualiser la distribution de tes données avec un histogramme.
Questions fréquentes sur la fonction LOI.STUDENT.N
Quand dois-je utiliser la distribution de Student plutôt que la normale ?
Tu utilises Student quand deux conditions sont réunies : ton échantillon est petit (n < 30) ET tu estimes l'écart-type à partir de l'échantillon (tu ne connais pas le vrai écart-type de la population). La distribution de Student a des queues plus épaisses pour compenser l'incertitude sur l'écart-type estimé.
Pour les grands échantillons (n >= 30), les résultats de Student et de la normale sont quasi-identiques. Utiliser Student même avec de grands échantillons ne pose aucun problème et est plus rigoureux.
Comment calculer la p-value d'un test t dans Excel ?
Pour un test bilatéral : =LOI.STUDENT.BILATERALE(ABS(t);ddl) ou =2*MIN(LOI.STUDENT.N(t;ddl;VRAI); 1-LOI.STUDENT.N(t;ddl;VRAI)).
Pour un test unilatéral à droite (H1 : mu > mu0) : =1-LOI.STUDENT.N(t;ddl;VRAI). Pour un test unilatéral à gauche (H1 : mu < mu0) : =LOI.STUDENT.N(t;ddl;VRAI).
Pourquoi la distribution de Student a-t-elle des queues plus épaisses que la normale ?
L'incertitude supplémentaire vient de l'estimation de l'écart-type par l'échantillon. Avec peu de données, ton estimation de s peut être très éloignée du vrai sigma. Cette variabilité augmente la probabilité de valeurs t extrêmes.
Plus les degrés de liberté augmentent, plus l'estimation devient fiable et les queues se rapprochent de la loi normale. À l'infini, Student devient exactement la loi normale standard.
Quelle est la différence entre LOI.STUDENT.N et LOI.STUDENT.BILATERALE ?
LOI.STUDENT.N(x;ddl;VRAI) donne P(T <= x), la probabilité cumulative jusqu'à x (queue gauche seule, résultat entre 0 et 1). LOI.STUDENT.BILATERALE(x;ddl) donne P(|T| > x), la probabilité des deux queues combinées au-delà de plus ou moins x.
Pour les tests d'hypothèse bilatéraux, LOI.STUDENT.BILATERALE est plus directe car elle donne la p-value sans calcul supplémentaire.
À partir de combien de degrés de liberté puis-je utiliser la normale ?
Règle pratique : à 30 ddl (donc n=31 pour un test sur une moyenne), la différence entre Student et normale est minime, moins de 1% sur les valeurs critiques. À 120 ddl, elle est négligeable.
Utiliser Student même avec de grands échantillons ne pose aucun problème et est plus rigoureux. Excel converge automatiquement vers la normale pour les très grands degrés de liberté.
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