Fonction Z.TEST Excel
Z.TEST (Z.TEST en anglais) est la version moderne de TEST.Z, disponible depuis Excel 2010. Elle répond à une question précise : la moyenne de ton échantillon respecte-t-elle la norme attendue, ou s'en écarte-t-elle de façon significative ? Elle calcule un score Z standardisé puis le convertit en p-value, pour te donner une réponse statistique rigoureuse plutôt qu'un ressenti.
C'est l'outil des pros du contrôle qualité, de la validation pharmaceutique et de l'audit : comparer la production du jour à une cible nominale, vérifier qu'un lot de médicaments respecte le dosage prescrit, détecter des écarts de caisse anormaux. Là où l'oeil humain voit juste un chiffre un peu différent, Z.TEST te dit si l'écart est réel ou simplement dû au hasard. Microsoft recommande de l'utiliser dans tes nouveaux classeurs, car le nom est plus clair que l'ancien TEST.Z.
Syntaxe de la fonction Z.TEST
La fonction Z.TEST calcule la p-value d'un test Z unilatéral (queue droite) en comparant la moyenne d'un échantillon à une valeur de référence connue. Un résultat inférieur à 0,05 indique un écart statistiquement significatif.
=Z.TEST(matrice; x; [sigma])Z.TEST est la version moderne de TEST.Z (Excel 2010 et suivants) : même calcul, syntaxe identique. Elle retourne une p-value unilatérale. Pour un test bilatéral (différence dans les deux sens), multiplie le résultat par 2 : =2*MIN(Z.TEST(A1:A50; x; sigma); 1-Z.TEST(A1:A50; x; sigma)).
Comprendre chaque paramètre de la fonction Z.TEST
Z.TEST attend tes arguments dans un ordre fixe : d'abord ta plage de mesures, ensuite la norme x à laquelle tu les confrontes, et enfin sigma. Seul ce dernier est entre crochets, donc facultatif : si tu l'omets, Excel se rabat sur l'écart-type de ton échantillon au lieu de celui de la population, ce qui transforme ton test Z en simple approximation.
matrice
: ta plage de données d'échantillon à tester : mesures de qualité, dosages, poids de pièces, scores d'élèves..N'importe quelle série de valeurs numériques que tu veux comparer à une norme établie.
Excel ignore automatiquement les cellules vides ou contenant du texte, mais une plage trop incomplète peut fausser ton interprétation. Vérifie que tes données sont propres avant de lancer le test.
Astuce : Pour des résultats fiables, vise au moins 30 valeurs dans ton échantillon : c'est le seuil où le théorème central limite garantit que la distribution des moyennes est approximativement normale.
x
: la moyenne de référence ou valeur hypothétique à laquelle tu veux comparer ton échantillonC'est ta norme, ton objectif, ta spécification cible. Si tes pièces doivent peser 500 g, tu utiliseras 500 comme valeur de x.
Cette valeur peut provenir de spécifications techniques, de normes industrielles, de moyennes historiques ou d'objectifs de performance établis. L'important est qu'elle soit une référence fiable.
sigma
: l'écart-type de la population (facultatif)(facultatif)Si tu le connais grâce à des historiques de production étendus ou des spécifications établies, utilise-le pour un test Z rigoureux. Si tu l'omets, Excel calcule l'écart-type de ton échantillon, ce qui constitue techniquement une approximation.
Pour de grands échantillons (n supérieur à 30), cette approximation reste acceptable. En dessous de 30 valeurs avec sigma inconnu, préfère T.TEST.
Attention : Pour un vrai test Z, tu dois connaître l'écart-type de la population. Si tu ne le connais pas, utilise T.TEST qui est conçue spécifiquement pour cette situation.
Exemples pratiques pas à pas
Exemple 1 – Responsable qualité : conformité de production
Tu es responsable qualité dans une usine et tu dois valider que la production du jour respecte la cible de 500 g par pièce. L'écart-type historique du processus est établi à 8 g. Tu mesures 12 pièces et tu veux savoir si l'écart de +2,1 g observé est normal ou révèle une dérive.
La formule =Z.TEST(B2:B13; 500; 8) retourne une p-value de 0,3627. Ce résultat, bien au-dessus du seuil de 0,05, signifie que l'écart observé est tout à fait normal et attribuable à la variabilité naturelle du processus. Tu peux rassurer ta direction : la production est conforme.
| A | B | C | |
|---|---|---|---|
| 1 | Échantillon | Poids (g) | Statistiques |
| 2 | 1 | 503 | n = 12 pièces |
| 3 | 2 | 498 | Moyenne : 502,1 g |
| 4 | 3 | 507 | Référence x = 500 g |
| 5 | 4 | 501 | σ population = 8 g |
| 6 | 5 | 505 | Écart : +2,1 g |
| 7 | 6 | 499 | |
| 8 | 7 | 502 | |
| 9 | 8 | 498 | |
| 10 | 9 | 506 | |
| 11 | 10 | 504 | |
| 12 | 11 | 501 | |
| 13 | 12 | 500 |
=Z.TEST(B2:B13; 500; 8)La formule `=Z.TEST(B2:B13; 500; 8)` retourne une p-value de `0,3627`. Ce résultat, bien au-dessus du seuil de `0,05`, signifie que l'écart observé est tout à fait normal et attribuable à la variabilité naturelle du processus. La production est conforme.
Astuce de pro : Pour automatiser la décision, enveloppe Z.TEST dans un SI : =SI(Z.TEST(B2:B13; 500; 8)<0,05; "Dérive détectée"; "Conforme"). Tu obtiens un statut lisible directement dans la cellule.
Exemple 2 – Pharmacien : validation d'un lot avant libération
Tu es responsable production pharmaceutique. Un lot de comprimés doit contenir 250 mg de principe actif, avec un écart-type process de 3,5 mg. Tu prélèves 10 comprimés pour vérifier la conformité du lot avant libération.
La formule =Z.TEST(B2:B11; 250; 3,5) retourne une p-value de 0,0018, bien inférieure à 0,01. L'écart de -3,5 mg est hautement significatif : ce lot est sous-dosé. Tu ne peux pas le libérer pour la distribution. Une investigation et des actions correctives sur le processus de fabrication sont nécessaires.
| A | B | C | |
|---|---|---|---|
| 1 | Comprimé | Dosage (mg) | Analyse |
| 2 | 1 | 247,2 | Spécification : 250 mg |
| 3 | 2 | 246,8 | Tolérance σ : 3,5 mg |
| 4 | 3 | 245,1 | Moyenne observée : 246,5 mg |
| 5 | 4 | 246,9 | Écart : -3,5 mg |
| 6 | 5 | 247,5 | Test de conformité |
| 7 | 6 | 246,3 | |
| 8 | 7 | 245,8 | |
| 9 | 8 | 247,1 | |
| 10 | 9 | 246,0 | |
| 11 | 10 | 246,2 |
=Z.TEST(B2:B11; 250; 3,5)La formule `=Z.TEST(B2:B11; 250; 3,5)` retourne une p-value de `0,0018`, bien inférieure à `0,01`. L'écart de `-3,5 mg` est hautement significatif : ce lot est sous-dosé. Tu ne peux pas le libérer pour la distribution.
Exemple 3 – Enseignant : performance d'une classe face à la moyenne nationale
Tu es enseignant et tu veux savoir si ta classe performe vraiment mieux que la moyenne nationale (75 points, σ = 12) à un examen standardisé. La moyenne de tes 8 élèves est de 81,5, soit +6,5 points d'écart.
Avec une p-value de 0,1264 (supérieure à 0,05), la différence n'est pas statistiquement significative. Avec seulement 8 élèves, tu n'as pas assez de preuves pour affirmer que ta classe est meilleure. Tu aurais besoin d'un échantillon plus grand pour trancher.
| A | B | C | |
|---|---|---|---|
| 1 | Élève | Score | Référence nationale |
| 2 | 1 | 82 | Moyenne nationale : 75 |
| 3 | 2 | 79 | σ national : 12 |
| 4 | 3 | 88 | Moyenne classe : 81,5 |
| 5 | 4 | 76 | Différence : +6,5 points |
| 6 | 5 | 85 | |
| 7 | 6 | 78 | |
| 8 | 7 | 83 | |
| 9 | 8 | 80 |
=Z.TEST(B2:B9; 75; 12)Avec une p-value de `0,1264` (supérieure à `0,05`), la différence n'est pas statistiquement significative. Avec seulement `8 élèves`, tu n'as pas assez de preuves pour affirmer que ta classe est meilleure. Tu aurais besoin d'un échantillon plus grand pour trancher.
Exemple 4 – Auditeur : détecter des écarts de caisse anormaux
Tu audites un nouveau magasin d'une chaîne dont la moyenne historique d'écart de caisse est de 5 € par jour, avec un écart-type de 8 €. Sur 7 jours d'observation, le magasin affiche une moyenne de 11,8 €.
La p-value de 0,0356 (inférieure à 0,05) confirme que les écarts sont significativement plus élevés que la norme du réseau. Tu dois ouvrir une investigation : problème de formation du personnel, système de caisse défaillant ou anomalie à éclaircir.
| A | B | C | |
|---|---|---|---|
| 1 | Jour | Écart (€) | Évaluation |
| 2 | Lundi | 12 | Référence réseau : 5 € |
| 3 | Mardi | 15 | Écart type réseau : 8 € |
| 4 | Mercredi | 8 | Moyenne observée : 11,8 € |
| 5 | Jeudi | 14 | Écart : +6,8 € |
| 6 | Vendredi | 11 | Investigation requise ? |
| 7 | Samedi | 13 | |
| 8 | Dimanche | 9 |
=Z.TEST(B2:B8; 5; 8)La p-value de `0,0356` (inférieure à `0,05`) confirme que les écarts sont significativement plus élevés que la norme du réseau. Tu dois ouvrir une investigation : problème de formation du personnel, système de caisse défaillant ou anomalie à éclaircir.
Exemple 5 – Data analyst : mesurer l'impact d'une formation sur les temps de réponse
L'objectif de temps de réponse du service client est de 120 secondes (σ = 25 s). Après une formation des agents, tu mesures 10 appels et tu observes une moyenne de 107,3 secondes.
Avec une p-value de 0,1089 (supérieure à 0,05), l'amélioration de -12,7 s n'est pas encore statistiquement significative. Tu devrais collecter plus de données, idéalement 30 appels ou plus, avant de conclure sur l'efficacité réelle de la formation.
| A | B | C | |
|---|---|---|---|
| 1 | Appel | Temps (s) | Objectif qualité |
| 2 | 1 | 105 | Cible : 120 secondes |
| 3 | 2 | 98 | σ = 25 secondes |
| 4 | 3 | 112 | Moyenne observée : 107,3 s |
| 5 | 4 | 102 | Amélioration : -12,7 s |
| 6 | 5 | 115 | Impact formation ? |
| 7 | 6 | 108 | |
| 8 | 7 | 95 | |
| 9 | 8 | 110 | |
| 10 | 9 | 103 | |
| 11 | 10 | 106 |
=Z.TEST(B2:B11; 120; 25)Avec une p-value de `0,1089` (supérieure à `0,05`), l'amélioration de `-12,7 s` n'est pas encore statistiquement significative. Tu devrais collecter plus de données, idéalement `30` appels ou plus, avant de conclure sur l'efficacité réelle de la formation.
Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction Z.TEST
Avec Z.TEST, le danger n'est pas un message rouge comme #VALEUR! : la formule te renvoie poliment une p-value qui a l'air juste, alors que ton raisonnement est faux. Le faux pas le plus courant, c'est d'omettre sigma : Excel calcule alors l'écart-type de l'échantillon et te sort une approximation que tu prends pour un vrai test Z. Juste derrière vient la confusion entre p-value unilatérale et bilatérale, qui te fait conclure dans le mauvais sens.
Utiliser Z.TEST sans connaître l'écart-type de la population
Si tu omets le paramètre sigma, Excel calcule l'écart-type de ton échantillon au lieu de celui de la population, ce qui n'est pas un vrai test Z mais une approximation. Le résultat peut être trompeur, surtout avec de petits échantillons.
Solution : Utilise Z.TEST uniquement quand tu disposes d'un σ population précisément établi par des historiques étendus. Si σ est inconnu, bascule sur T.TEST : elle est conçue pour cette situation et ne nécessite pas σ.
Confondre p-value unilatérale et bilatérale
Z.TEST retourne une p-value unilatérale (queue droite). Si tu l'utilises pour tester une différence dans les deux sens (supérieur OU inférieur à x), tu sous-estimes ton seuil de significativité et tu risques de conclure à tort.
Solution : Pour un test bilatéral, multiplie par 2 : =2*MIN(Z.TEST(matrice; x; sigma); 1-Z.TEST(matrice; x; sigma)). Utilise Z.TEST direct seulement si tu testes spécifiquement que la moyenne est supérieure à x.
Mal interpréter une p-value à 0,06
Une p-value de 0,06 ne signifie pas "pas de différence", mais "différence non significative au seuil de 5%". Beaucoup d'utilisateurs en concluent à tort que l'échantillon est conforme.
Solution : Rappelle-toi : une p-value supérieure à 0,05 signifie simplement qu'on n'a pas assez de preuves pour rejeter l'hypothèse nulle, pas que l'hypothèse est prouvée. Plus l'enjeu est critique, plus tu peux abaisser ton seuil à 0,01 ou 0,001.
Utiliser Z.TEST sur un petit échantillon non normal
Le test Z suppose que la distribution d'échantillonnage des moyennes est normale. Pour n inférieur à 30, cette garantie n'est pas automatique. Si tes données sont asymétriques ou contiennent des valeurs aberrantes, le test manque de robustesse.
Solution : Avec moins de 30 valeurs, vérifie que tes données suivent approximativement une distribution normale (histogramme, test de Shapiro-Wilk). Si tu as un doute, préfère T.TEST qui est plus robuste face aux petits échantillons.
Z.TEST vs TEST.Z vs T.TEST
Z.TEST et TEST.Z font exactement le même calcul : choisis Z.TEST pour tout nouveau classeur (Excel 2010 et suivants), et garde TEST.Z seulement pour rester compatible avec d'anciens fichiers. Réserve les deux aux cas où tu connais déjà l'écart-type de la population, typiquement un contrôle qualité avec des historiques étendus et plus de 30 mesures. Dès que σ t'échappe ou que ton échantillon est petit, passe à T.TEST, qui l'estime tout seul et reste fiable.
| Critère | Z.TEST | TEST.Z | T.TEST |
|---|---|---|---|
| Disponibilité | Excel 2010 et suivants | Toutes versions (ancienne syntaxe) | Excel 2010 et suivants |
| Ce que tu compares | Échantillon vs valeur de référence connue | Échantillon vs valeur de référence connue | Échantillon vs référence, ou deux échantillons |
| σ population nécessaire | Oui (optionnel mais recommandé) | Oui (optionnel mais recommandé) | Non |
| Taille d'échantillon recommandée | n > 30 | n > 30 | Petits et grands échantillons |
| Cas d'usage typique | Contrôle qualité, nouveau classeur | Compatibilité anciens fichiers | Essai clinique A/B, σ inconnu |
Questions fréquentes sur la fonction Z.TEST
Quelle différence entre Z.TEST et TEST.Z ?
Aucune différence de calcul : Z.TEST est simplement la version moderne de TEST.Z, introduite avec Excel 2010 pour clarifier le nom. Les deux comparent une moyenne d'échantillon à une valeur de référence, avec la même syntaxe et le même résultat.
Microsoft recommande d'utiliser Z.TEST dans tes nouveaux classeurs. Garde TEST.Z uniquement pour rester compatible avec d'anciens fichiers.
Quelle différence entre Z.TEST et T.TEST ?
Z.TEST compare un échantillon à une valeur de référence connue et nécessite de connaître l'écart-type de la population. T.TEST peut comparer deux échantillons entre eux et estime l'écart-type à partir des données elles-mêmes.
Z.TEST est donc réservée aux situations où tu as un σ population précisément établi (par exemple, des historiques de production étendus). Sinon, T.TEST est plus adaptée et plus robuste.
Comment interpréter ma p-value ?
La p-value représente la probabilité d'observer un écart aussi extrême si la différence était uniquement due au hasard. Plus elle est petite, plus la différence est statistiquement significative.
Guide pratique : p inférieure à 0,001 = différence hautement significative ; p inférieure à 0,05 = significative (seuil standard) ; p entre 0,05 et 0,10 = suggestif mais non concluant ; p supérieure à 0,10 = pas de différence détectée.
Combien de valeurs faut-il au minimum ?
Pour des résultats fiables, vise au moins 30 valeurs. C'est le seuil où le théorème central limite garantit que la distribution des moyennes est approximativement normale, ce que suppose le test Z.
Avec moins de 30 valeurs, le test manque de puissance : il peut rater de vraies différences. Vérifie aussi que tes données ne sont pas trop asymétriques, ou préfère T.TEST.
Que faire si je ne connais pas σ ?
Si tu ne connais pas l'écart-type de la population, tu as deux options. La première, recommandée : utilise T.TEST qui estime σ à partir de ton échantillon et ne nécessite pas σ population.
La seconde : utilise Z.TEST sans le paramètre sigma. Excel calculera l'écart-type de l'échantillon. Cette approximation n'est acceptable que pour de grands échantillons (n supérieur à 30).
Comment tester si ma moyenne est inférieure à x (test unilatéral gauche) ?
Pour tester si la moyenne de l'échantillon est significativement inférieure à x, utilise =1-Z.TEST(matrice; x; sigma). Z.TEST seule donne la probabilité d'observer une moyenne supérieure à x.
Règle simple : Z.TEST direct = test "supérieur à x" ; 1-Z.TEST = test "inférieur à x" ; 2*MIN(Z.TEST; 1-Z.TEST) = test "différent de x" (bilatéral).
Pour aller plus loin
Les fonctions similaires : TEST.Z, T.TEST, F.TEST, CHISQ.TEST, ECARTYPE.P
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