La loi t de Student est une distribution très utilisée en statistiques lorsque l’on travaille avec de petits échantillons et que l’écart-type de la population est inconnu.
Elle ressemble beaucoup à la loi normale, mais possède des queues plus épaisses afin de mieux tenir compte de l’incertitude liée aux petits échantillons.
Dans cet article, nous allons voir simplement :
- ce qu’est la loi t de Student,
- quand l’utiliser,
- pourquoi elle est importante en estimation,
- et quelle différence elle présente avec la loi normale.
🎥 Une explication vidéo de la loi t de Student est également disponible sur ma chaîne YouTube A Moi Les Stats.
Pourquoi la loi t de Student existe-t-elle ?
Le nom “Student” vient d’un statisticien qui publia ses travaux sous pseudonyme au début du XXe siècle.
William Sealy Gosset travaillait pour la brasserie Guinness et cherchait une méthode fiable pour analyser de petits échantillons dans le contrôle de qualité de la bière.
Ses recherches donneront naissance à la célèbre loi t de Student.
Imaginez que vous souhaitez estimer une moyenne à partir d’un petit échantillon.
Avec peu de données, l’incertitude devient plus importante : les résultats peuvent varier davantage d’un échantillon à l’autre.
La loi t de Student a justement été développée pour mieux tenir compte de cette variabilité supplémentaire lorsque l’échantillon est petit et que l’écart-type de la population est inconnu.
Plus la taille de l’échantillon augmente, plus la loi t de Student se rapproche progressivement de la loi normale.
La loi t de Student est notamment utilisée dans les intervalles de confiance et de nombreux tests statistiques appliqués aux petits échantillons. Découvrez comment la loi t de Student est utilisée en estimation statistique.
Le sens : ce que la loi t de Student change concrètement
Un exemple concret : estimer le poids moyen d’un lot de bière
Imaginez que vous prélevez seulement 8 bouteilles sur une chaîne de production pour estimer le volume moyen de remplissage. Vous obtenez une moyenne d’échantillon de 330 ml et un écart-type d’échantillon de 4 ml. Vous ne connaissez pas l’écart-type de toute la production : vous devez l’estimer à partir de ces 8 valeurs seulement.
Avec si peu de données, deux sources d’incertitude s’additionnent : l’incertitude naturelle liée au petit échantillon, et l’incertitude supplémentaire liée au fait que l’écart-type lui-même n’est qu’une estimation. C’est exactement le problème que Gosset cherchait à résoudre : utiliser la loi normale ici sous-estimerait l’incertitude réelle et donnerait un intervalle de confiance trop étroit, donc trop optimiste.
La loi t de Student corrige ce problème en utilisant des queues plus épaisses : elle attribue volontairement une probabilité plus élevée aux valeurs extrêmes, ce qui élargit l’intervalle de confiance de manière réaliste.
La formule : ce qu’elle dit en langage naturel
La loi t de Student dépend d’un seul paramètre : les degrés de liberté (notés ddl ou df), généralement égaux à (n − 1). Pour notre exemple avec 8 bouteilles : 8 − 1 = 7 degrés de liberté.
Concrètement, plus les degrés de liberté sont faibles, plus les queues de la courbe sont épaisses (plus d’incertitude). Plus ils augmentent, plus la courbe se resserre et se rapproche visuellement de la courbe en cloche de la loi normale, au-delà d’une trentaine d’observations, les deux courbes deviennent quasiment identiques.
Loi normale ou loi de Student : comment choisir
Deux questions suffisent à trancher :
- Connaît-on l’écart-type de la population ? Si oui → loi normale. Si non (cas le plus fréquent en pratique) → loi de Student.
- L’échantillon est-il petit (n < 30 environ) ? Si oui → loi de Student recommandée, même avec écart-type estimé. Si non, et écart-type inconnu, la différence devient négligeable.
Le tableau ci-dessous montre concrètement l’écart entre les deux lois pour un intervalle de confiance à 95 % :
Valeur critique t vs ZIC 95%
Comparaison selon la taille de l'échantillon
| Taille échantillon (n) | Valeur critique t (ddl = n−1) | Valeur critique Z (normale) |
|---|---|---|
| 5 | 2,776 | 1,960 |
| 10 | 2,262 | 1,960 |
| 30 | 2,045 | 1,960 |
| 100 | 1,984 | 1,960 |
À retenir : plus l'échantillon est petit, plus la valeur critique t s'éloigne de Z, à partir de 30 observations environ, les deux deviennent quasiment identiques.
Avec 5 observations, la valeur critique t (2,776) est nettement plus élevée que la valeur Z (1,960) : l’intervalle de confiance est donc plus large pour compenser l’incertitude supplémentaire.
À partir de 30 observations environ, les deux valeurs sont quasiment confondues.
En résumé
- Née des travaux de William Sealy Gosset (1908), publiée sous le pseudonyme « Student » pour des raisons de confidentialité professionnelle.
- S’utilise quand l’échantillon est petit et que l’écart-type de la population est inconnu.
- Caractérisée par ses degrés de liberté (n − 1), qui contrôlent l’épaisseur des queues.
- Converge vers la loi normale au-delà d’une trentaine d’observations.
FAQ – Loi t de Student
Quand utilise-t-on la loi t de Student ?
La loi t de Student est utilisée lorsque l’échantillon est petit et que l’écart-type de la population est inconnu.
Quelle différence entre la loi normale et la loi t de Student ?
La loi t de Student possède des queues plus épaisses afin de mieux tenir compte de l’incertitude liée aux petits échantillons.
Pourquoi la loi t dépend-elle des degrés de liberté ?
Les degrés de liberté sont liés à la taille de l’échantillon. Plus ils augmentent, plus la loi t se rapproche de la loi normale.
La loi t de Student est-elle utilisée dans les intervalles de confiance ?
Oui. Elle est très utilisée pour construire des intervalles de confiance et réaliser des tests statistiques sur de petits échantillons.
Quelle différence entre la loi de Student et la loi du Chi-2 ?
La loi de Student sert à estimer une moyenne à partir d’un petit échantillon. La loi du Chi-2 sert à tester des variables catégorielles (par exemple l’indépendance entre deux variables) ou à analyser une variance. Les deux dépendent de degrés de liberté, mais répondent à des questions différentes.
