Fonction de compatibilité. TEST.STUDENT reste disponible pour les anciens classeurs, mais Excel recommande désormais T.TEST pour tes nouveaux fichiers.
TEST.STUDENT (T.TEST en anglais) te permet de comparer les moyennes de deux échantillons pour savoir si elles sont réellement différentes ou si c'est juste le fruit du hasard. En clair, elle répond à la question : cette différence que tu observes est-elle statistiquement significative ?
C'est l'outil de référence quand tu veux prouver l'effet d'une formation sur la productivité, valider un test A/B, comparer deux groupes de patients ou vérifier que deux machines produisent de la même façon. TEST.STUDENT calcule automatiquement une p-value qui te dit si les différences observées sont robustes ou simplement dues au hasard.
Syntaxe de la fonction TEST.STUDENT
=TEST.STUDENT(matrice1; matrice2; queues; type)TEST.STUDENT est la version historique, conservée pour la compatibilité. Depuis Excel 2010, la fonction recommandée est T.TEST, qui a exactement la même syntaxe. Les deux donnent le même résultat.
Comprendre chaque paramètre de la fonction TEST.STUDENT
matrice1
: ta première série de données numériques : mesures de productivité, scores de satisfaction, temps de réponse..Bref, n'importe quelle série de valeurs que tu veux comparer à une autre.
Les cellules vides sont ignorées, mais les valeurs texte causent une erreur. Vérifie tes données au préalable avec MIN et MAX pour repérer les valeurs aberrantes.
Astuce : Assure-toi que tes données sont propres. Les cellules vides sont ignorées, mais les valeurs texte causeront une erreur. Vérifie tes données au préalable avec MIN et MAX.
matrice2
: ta deuxième série de données, celle que tu veux comparer à la premièreLes deux séries n'ont pas besoin d'avoir le même nombre de valeurs si tu utilises type=2 ou type=3 (échantillons indépendants).
Pour le test apparié (type=1), les deux matrices doivent obligatoirement avoir la même taille car chaque paire est comparée directement.
Attention : Si tu utilises type=1 (test apparié), les deux matrices doivent obligatoirement avoir le même nombre de valeurs car chaque paire est comparée directement.
queues
: ce paramètre définit si tu fais un test unilatéral (`queues=1`) ou bilatéral (`queues=2`)Le test bilatéral vérifie si les moyennes sont différentes, quel que soit le sens. Le test unilatéral vérifie si une moyenne est spécifiquement supérieure (ou inférieure) à l'autre.
Choisis queues=2 quand tu cherches simplement à savoir si A et B sont différents. Choisis queues=1 uniquement si tu as une hypothèse directionnelle établie avant de voir les données.
Attention : Changer de queues=2 à queues=1 après avoir vu les résultats est une erreur méthodologique grave. Définis ton hypothèse directionnelle AVANT de faire le test.
type
Ce paramètre définit le type de test en fonction de la nature de tes données : 1 pour des échantillons appariés (mêmes sujets avant/après), 2 pour des échantillons indépendants avec variances égales, 3 pour des échantillons indépendants avec variances inégales (test de Welch).
Si tu compares deux groupes différents et que tu n'es pas sûr des variances, utilise type=3 : c'est le choix le plus robuste et il fonctionne dans la plupart des situations.
Astuce : Si tu compares deux groupes indépendants et que tu n'es pas sûr des variances, utilise type=3 (Welch). C'est le choix le plus sûr et il fonctionne dans la majorité des cas.
Pas envie d'écrire la formule TEST.STUDENT à la main ?
Génère-la avec notre IA
Exemples pratiques pas à pas
RH : évaluer l'impact d'une formation
Tu es responsable RH et tu veux savoir si ta formation a vraiment amélioré la productivité de tes employés. Tu mesures leur productivité avant et après la formation. Les données sont appariées car chaque employé est son propre témoin, donc type=1.
| A | B | C | |
|---|---|---|---|
| 1 | Employé | Avant formation | Après formation |
| 2 | A | 85 | 92 |
| 3 | B | 78 | 88 |
| 4 | C | 90 | 95 |
| 5 | D | 82 | 86 |
| 6 | E | 88 | 93 |
| 7 | F | 76 | 84 |
=TEST.STUDENT(B2:B7;C2:C7;2;1)La p-value de 0,0089, bien inférieure au seuil de 0,05, te permet d'affirmer avec confiance que la formation a réellement amélioré la productivité : ce n'est pas une impression, c'est statistiquement démontré.
Astuce de pro : La configuration queues=2 (bilatéral) + type=1 (apparié) est la plus courante pour les analyses avant/après. Elle te protège contre les biais de sélection tout en étant robuste.
Data analyst : test A/B d'une page web
Tu es data analyst et tu veux comparer le taux de conversion de deux versions d'une page web. Le groupe A utilise la version actuelle, le groupe B la nouvelle version. Les échantillons sont indépendants, et tu n'as aucune raison de supposer que leurs variances sont égales, donc type=3 (test de Welch).
| A | B | |
|---|---|---|
| 1 | Groupe A (actuel) | Groupe B (nouveau) |
| 2 | 2,3% | 3,1% |
| 3 | 2,8% | 2,9% |
| 4 | 2,1% | 3,3% |
| 5 | 2,7% | 2,8% |
| 6 | 2,5% | 3,2% |
=TEST.STUDENT(A2:A6;B2:B6;2;3)La p-value de 0,0421 (inférieure à 0,05) te dit que la nouvelle version améliore vraiment le taux de conversion. Tu peux recommander son déploiement en toute confiance.
Production : tester un nouveau processus
Tu es responsable production et tu testes un nouveau processus de fabrication. Ton hypothèse est que le nouveau processus est meilleur, donc tu utilises un test unilatéral (queues=1). Les deux groupes sont indépendants avec type=3.
| A | B | |
|---|---|---|
| 1 | Ancien processus (%) | Nouveau processus (%) |
| 2 | 92,1 | 94,3 |
| 3 | 91,8 | 93,8 |
| 4 | 93,2 | 95,1 |
| 5 | 90,5 | 92,7 |
| 6 | 92,8 | 94,9 |
=TEST.STUDENT(A2:A6;B2:B6;1;3)La p-value de 0,0156 confirme que le nouveau processus améliore significativement le rendement. Tu peux l'industrialiser avec confiance.
Qualité : comparer deux machines de production
Tu es responsable qualité et tu veux vérifier si deux machines produisent des pièces avec le même diamètre moyen. Les variances ont été vérifiées avec TEST.F au préalable, donc type=2 est acceptable ici.
| A | B | |
|---|---|---|
| 1 | Machine 1 (mm) | Machine 2 (mm) |
| 2 | 50,12 | 50,15 |
| 3 | 50,08 | 50,11 |
| 4 | 50,15 | 50,13 |
| 5 | 50,10 | 50,14 |
| 6 | 50,11 | 50,12 |
| 7 | 50,14 | 50,16 |
=TEST.STUDENT(A2:A7;B2:B7;2;2)La p-value de 0,3847 (bien supérieure à 0,05) indique qu'il n'y a pas de différence significative entre les deux machines. Tu peux les utiliser de manière interchangeable sans souci.
Médecin chercheur : efficacité d'un traitement
Tu es médecin chercheur et tu compares la tension artérielle entre un groupe placebo (8 patients) et un groupe traité (6 patients). Les échantillons sont de tailles différentes, ce qui est possible avec type=3 (test de Welch).
| A | B | |
|---|---|---|
| 1 | Placebo (mmHg) | Traitement (mmHg) |
| 2 | 145 | 138 |
| 3 | 152 | 132 |
| 4 | 148 | 135 |
| 5 | 150 | 140 |
| 6 | 146 | 134 |
| 7 | 149 | 136 |
| 8 | 147 | |
| 9 | 151 |
=TEST.STUDENT(A2:A9;B2:B7;2;3)La p-value de 0,0003 (bien inférieure à 0,001) montre que le traitement a un effet très significatif sur la tension. C'est une preuve solide pour publier tes résultats.
Marketing : satisfaction client avant/après refonte
Tu es responsable marketing et tu mesures l'impact de la refonte de ton service client. Tu interroges les mêmes clients avant et après la refonte : les mesures sont appariées (type=1). Tu t'attends à une amélioration, donc tu utilises un test unilatéral (queues=1).
| A | B | C | |
|---|---|---|---|
| 1 | Client | Avant refonte | Après refonte |
| 2 | 1 | 6,5 | 8,2 |
| 3 | 2 | 7,1 | 8,5 |
| 4 | 3 | 5,8 | 7,9 |
| 5 | 4 | 6,9 | 8,1 |
| 6 | 5 | 6,2 | 7,7 |
| 7 | 6 | 7,3 | 8,8 |
| 8 | 7 | 5,5 | 7,4 |
=TEST.STUDENT(B2:B8;C2:C8;1;1)La p-value de 0,0001 confirme que la refonte a radicalement amélioré la satisfaction client. C'est un succès que tu peux présenter à ta direction avec des chiffres solides.
Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction TEST.STUDENT
Confondre tests appariés et indépendants
Utiliser type=1 pour comparer deux groupes différents (par exemple, groupe A vs groupe B) au lieu de mesures répétées sur les mêmes sujets. Le résultat est statistiquement incorrect.
Solution : Utilise type=1 UNIQUEMENT si les données sont naturellement liées (mêmes sujets mesurés avant/après, mesures répétées). Pour deux groupes différents, utilise type=2 ou type=3.
Interpréter la p-value comme une mesure d'importance pratique
Une p-value inférieure à 0,05 signifie que la différence est statistiquement significative, mais pas forcément importante en pratique. Avec de très grands échantillons, une différence minuscule peut donner une p-value très faible.
Solution : Évalue toujours l'ampleur de l'effet (effect size) en plus de la p-value. Une différence de 0,1 mm entre deux machines peut être statistiquement significative sans aucun impact réel sur la qualité.
Choisir queues=1 après avoir vu les résultats
Passer à un test unilatéral après avoir observé la direction de la différence dans les données revient à adapter l'hypothèse aux résultats, ce qui invalide toute la démarche statistique.
Solution : Définis ton hypothèse directionnelle (A supérieur à B) AVANT de collecter ou d'analyser les données. Si tu hésites, utilise toujours queues=2.
Tailles d'échantillons insuffisantes
Le test t nécessite au minimum 3 valeurs par groupe, mais en pratique des résultats peu robustes apparaissent avec moins de 10 observations. La p-value peut varier fortement d'un échantillon à l'autre.
Solution : Utilise au moins 20 à 30 observations par groupe pour des résultats fiables. Avec de petits échantillons, interprète les résultats avec prudence.
Données texte ou non numériques dans les matrices
TEST.STUDENT nécessite des données numériques. Les valeurs texte dans les matrices renvoient une erreur #VALEUR!, même si une seule cellule est concernée.
Solution : Vérifie tes données avant le test avec MIN et MAX : si l'une d'elles renvoie une erreur, tu as au moins une valeur non numérique à corriger dans la plage.
TEST.STUDENT vs TEST.F vs TEST.Z
TEST.STUDENT compare des moyennes sur de petits échantillons. TEST.F compare des variances (utile pour vérifier si type=2 est valide avant TEST.STUDENT). TEST.Z est réservé aux grands échantillons (n supérieur à 30) dont la variance est connue.
| Critère | TEST.STUDENT | TEST.F | TEST.Z |
|---|---|---|---|
| Ce qu'il teste | Différence de moyennes | Différence de variances | Différence de moyennes (grand n) |
| Taille des échantillons | Petits et moyens (n < 30) | Toutes tailles | Grands (n > 30) |
| Hypothèses requises | Distribution normale approximative | Distributions normales | Variance connue, distribution normale |
| Cas d'usage typique | Avant/après formation, test A/B, essai clinique | Vérifier l'égalité des variances avant TEST.STUDENT type=2 | Sondages, contrôle qualité industriel |
Questions fréquentes sur la fonction TEST.STUDENT
Quelle différence entre un test unilatéral et bilatéral ?
Le test unilatéral (queues=1) vérifie si une moyenne est significativement supérieure OU inférieure à l'autre. Le test bilatéral (queues=2) vérifie si les moyennes sont différentes, sans préciser le sens. Utilise queues=2 quand tu cherches simplement une différence, queues=1 uniquement quand tu as une hypothèse directionnelle établie AVANT l'analyse.
Comment interpréter la p-value retournée par TEST.STUDENT ?
Si la p-value est inférieure à 0,05 (seuil standard), rejette l'hypothèse nulle : les moyennes sont significativement différentes. Si elle est supérieure ou égale à 0,05, tu ne peux pas conclure à une différence significative. Plus la p-value est faible, plus la différence est statistiquement robuste. Le seuil de 0,05 est une convention, pas une vérité absolue.
Quel type de test choisir : 1, 2 ou 3 ?
Type 1 : échantillons appariés (mêmes sujets avant/après). Type 2 : variances égales supposées (échantillons indépendants homogènes). Type 3 : variances inégales, test de Welch, le plus robuste pour les échantillons indépendants. Si tu hésites, utilise type=3 : il est valide dans presque tous les cas.
Peut-on utiliser TEST.STUDENT avec des échantillons de tailles différentes ?
Oui, avec type=2 ou type=3 (échantillons indépendants). Les échantillons peuvent avoir des tailles différentes. En revanche, type=1 (test apparié) nécessite obligatoirement le même nombre de valeurs dans chaque matrice car les données sont comparées par paires.
Pour aller plus loin
Les fonctions similaires : TEST.F, TEST.Z, MOYENNE, ECARTYPE.PEARSON, VAR
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