Sélectionnez l'hypothèse alternative ou indiquez le seuil de signification pour le test.
Inférieur: Utilisez ce test unilatéral pour déterminer si le taux d'occurrence de la population est inférieur au taux hypothétisé. Ce test unilatéral est plus puissant, mais il ne peut pas détecter si le taux de la population est supérieur.
Par exemple, un analyste utilise ce test unilatéral pour déterminer si le taux de téléviseurs rendus par les clients est inférieur à 3 par mois. Ce test unilatéral est plus puissant pour déterminer si le taux est inférieur à 3, mais il ne peut pas détecter si le taux est supérieur à 3.
Différent: Utilisez ce test bilatéral pour déterminer si le taux de la population diffère du taux hypothétisé. Ce test bilatéral peut détecter des différences inférieures ou supérieures à la valeur hypothétisée, mais il est moins puissant qu'un test unilatéral.
Par exemple, un analyste teste si le taux de problèmes de maintenance d'un type d'avion diffère de la valeur cible de 0,2 par jour. Toute différence par rapport à la valeur cible étant importante, l'analyste teste si la différence est supérieure ou inférieure à la valeur cible.
Supérieur: Utilisez ce test unilatéral pour déterminer si le taux d'occurrence de la population est supérieur au taux hypothétisé. Ce test unilatéral est plus puissant, mais il ne peut pas détecter si le taux d'occurrence de la population est inférieur au taux hypothétisé.
Par exemple, le responsable d'un centre d'appels utilise ce test unilatéral pour déterminer si le nombre d'appels par jour est supérieur à 1 000. Ce test unilatéral est plus puissant pour déterminer si le nombre est supérieur à 1 000, mais il ne peut pas déterminer s'il est inférieur à 1 000.
Pour plus d'informations sur le choix d'une hypothèse alternative unilatérale ou bilatérale, reportez-vous à la rubrique A propos des hypothèses nulle et alternative.
Le seuil de signification permet de minimiser la valeur de puissance du test lorsque l'hypothèse nulle (H0) est vraie. Des valeurs plus élevées du seuil de signification donnent au test davantage de puissance, mais augmentent également les chances de faire une erreur de type I, c'est-à-dire de rejeter à tort l'hypothèse nulle alors qu'elle est vraie.