Sur ce thème
Etape 1 : Déterminer un intervalle de confiance pour la moyenne de la population
Considérez d'abord la moyenne de l'échantillon, puis examinez l'intervalle de confiance.
La moyenne des données de l'échantillon est une estimation de la moyenne de population. La moyenne étant calculée à partir des données d'échantillon et non de l'ensemble de la population, il est peu probable que la moyenne de l'échantillon soit égale à celle de la population. Pour mieux estimer la moyenne de la population, utilisez l'intervalle de confiance.
L'intervalle de confiance fournit une étendue de valeurs probables pour la moyenne de la population. Par exemple, un niveau de confiance de 95 % indique que, sur 100 échantillons pris de façon aléatoire parmi la population, environ 95 de ces échantillons devraient produire des intervalles contenant la moyenne de la population. L'intervalle de confiance vous aide à évaluer la signification pratique de vos résultats. Utilisez vos connaissances spécialisées pour déterminer si l'intervalle de confiance comporte des valeurs ayant une signification pratique pour votre situation. Si l'intervalle est trop grand pour être utile, vous devez sans doute augmenter votre effectif d'échantillon. Pour plus d'informations, reportez-vous à la rubrique Obtenir un intervalle de confiance plus précis.
Statistiques descriptives
| N | Moyenne | EcTyp | ErT moyenne | IC à 95% pour μ |
|---|---|---|---|---|
| 25 | 330,6 | 154,2 | 30,8 | (266,9; 394,2) |
Résultats principaux : moyenne, intervalle de confiance à 95 %
Dans ces résultats, l'estimation de la moyenne de la population pour les coûts en énergie est de 330,6. Vous pouvez être sûr à 95 % que la moyenne est comprise entre 266,9 et 394,2.
Etape 2 : Déterminer si les résultats du test sont statistiquement significatifs
- Valeur de p ≤ α : la différence entre les moyennes est statistiquement significative (Rejeter H0)
- Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez rejeter l'hypothèse nulle. Vous pouvez conclure que la différence entre la moyenne de la population et la moyenne hypothétisée est statistiquement significative. Utilisez vos connaissances afin de déterminer si la différence est significative dans la pratique. Pour plus d'informations, reportez-vous à la rubrique Signification statistique et pratique.
- Valeur de p > α : la différence entre les moyennes n'est pas statistiquement significative (Impossible de rejeter H0)
- Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas rejeter l'hypothèse nulle. Vous n'êtes pas en mesure de conclure que la différence entre la moyenne de la population et la moyenne hypothétisée est statistiquement significative. Vous devez vous assurer que votre test est assez puissant pour détecter une différence qui est significative dans la pratique. Pour plus d'informations, reportez-vous à la rubrique Puissance et effectif de l'échantillon pour un test t à 1 échantillon.
Statistiques descriptives
| N | Moyenne | EcTyp | ErT moyenne | IC à 95% pour μ |
|---|---|---|---|---|
| 25 | 330,6 | 154,2 | 30,8 | (266,9; 394,2) |
Test
| Hypothèse nulle | H₀ : μ = 200 |
|---|---|
| Hypothèse alternative | H₁ : μ ≠ 200 |
| Valeur de T | Valeur de P |
|---|---|
| 4,23 | 0,000 |
Résultat principal : valeur de p
Dans ces résultats, l'hypothèse nulle indique que le coût de l'énergie moyen est égal à 200. La valeur de p étant de 0,00, ce qui est inférieur à un alpha de 0,05, vous pouvez rejeter l'hypothèse nulle et conclure que le coût moyen de la population est différent de 200.
Etape 3 : rechercher les problèmes dans les données
Certains problèmes avec les données, comme la présence d'une asymétrie ou de valeurs aberrantes, risquent de nuire à vos résultats. Utilisez les graphiques pour rechercher toute asymétrie et pour détecter d'éventuelles valeurs aberrantes.
Examinez la dispersion des données pour déterminer si elles semblent asymétriques.
Lorsque les données sont asymétriques, la majorité d'entre elles sont situées sur le côté supérieur ou inférieur du graphique. En général, l'asymétrie est plus facile à détecter avec un histogramme ou une boîte à moustaches.
Asymétrie à droite
Asymétrie vers la gauche
L'histogramme avec des données asymétriques à droite illustre des temps d'attente. La plupart des temps d'attente sont relativement courts, seuls certains sont longs. L'histogramme avec des données asymétriques à gauche représente des données de temps de défaillance. Quelques éléments rencontrent une défaillance immédiatement, mais pour bien plus d'entre eux, elle survient plus tard.
Les données qui sont très asymétriques peuvent avoir une incidence sur la validité de la valeur de p si votre échantillon est petit (moins de 20 valeurs). Si vos données sont très asymétriques et que vous avez un petit échantillon, pensez éventuellement à augmenter l'effectif d'échantillon.
Dans cet histogramme, les données ne semblent pas sérieusement asymétriques.
Identification des valeurs aberrantes
Les valeurs aberrantes, qui sont des valeurs de données très éloignées des autres valeurs de données, peuvent avoir une incidence importante sur les résultats de votre analyse. En général, les valeurs aberrantes sont plus faciles à repérer sur une boîte à moustaches.
Sur une boîte à moustaches, les astérisques (*) indiquent les valeurs aberrantes.
Essayez de déterminer la cause de toutes les valeurs aberrantes. Corrigez les erreurs de mesure ou d’entrée des données. Supprimez éventuellement les valeurs de données associées à des événements anormaux et uniques (aussi appelés causes spéciales). Ensuite, répétez l'analyse. Pour plus d'informations, reportez-vous à la rubrique Identification des valeurs aberrantes.
Il n'y a aucune valeur aberrante dans cette boîte à moustaches.
