{"id":3408,"date":"2026-09-10T21:17:22","date_gmt":"2026-09-10T21:17:22","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-trouver-p-valeur-statistique-chi-carre-excel\/"},"modified":"2026-09-10T21:17:24","modified_gmt":"2026-09-10T21:17:24","slug":"comment-trouver-p-valeur-statistique-chi-carre-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-trouver-p-valeur-statistique-chi-carre-excel","title":{"rendered":"Comment trouver la p-valeur d’une statistique du chi-carr\u00e9 dans Excel"},"content":{"rendered":"

L\u2019analyse quantitative contemporaine, qu\u2019elle s\u2019applique aux sciences du comportement, \u00e0 l\u2019\u00e9pid\u00e9miologie clinique, aux sciences de l\u2019\u00e9ducation ou au marketing quantitatif, repose de mani\u00e8re pr\u00e9pond\u00e9rante sur l\u2019\u00e9valuation rigoureuse de variables qualitatives et cat\u00e9gorielles. Dans ce contexte m\u00e9thodologique, le test du chi-carr\u00e9 (not\u00e9 typographiquement \u03c7\u00b2), conceptualis\u00e9 initialement au tout d\u00e9but du XXe si\u00e8cle par le statisticien britannique Karl Pearson<\/a>, demeure la proc\u00e9dure non param\u00e9trique la plus largement employ\u00e9e pour tester la conformit\u00e9 d’une distribution empirique \u00e0 un mod\u00e8le th\u00e9orique, ou pour examiner l’ind\u00e9pendance structurelle entre deux dimensions qualitatives. Toutefois, l’obtention de la statistique brute de test, bien qu\u2019indispensable, ne constitue qu’une \u00e9tape pr\u00e9liminaire du processus inf\u00e9rentiel. C’est l’extraction pr\u00e9cise de la probabilit\u00e9 associ\u00e9e, commun\u00e9ment d\u00e9sign\u00e9e sous le terme de p-valeur (ou valeur critique observ\u00e9e), qui conf\u00e8re au chercheur le levier d\u00e9cisionnel lui permettant de rejeter ou de maintenir l’hypoth\u00e8se nulle au regard des seuils de significativit\u00e9 acad\u00e9miquement reconnus.<\/p>\n

Dans la pratique scientifique quotidienne et le traitement analytique appliqu\u00e9, le logiciel Microsoft Excel s’affirme comme une plateforme de calcul ubiquitaire, dot\u00e9e d’une biblioth\u00e8que de fonctions statistiques puissantes mais parfois sous-estim\u00e9es ou mal exploit\u00e9es en raison de variations terminologiques entre versions linguistiques. L’objectif fondamental de cet article d’expertise est de d\u00e9composer exhaustivement les m\u00e9canismes math\u00e9matiques, conceptuels et informatiques pr\u00e9sidant au calcul de la p-valeur d’une statistique du chi-carr\u00e9 au sein de l’environnement Excel. En articulant une approche \u00e0 la fois hautement th\u00e9orique et r\u00e9solument pragmatique, nous explorerons les propri\u00e9t\u00e9s intrins\u00e8ques de la distribution du khi-deux, la logique probabiliste unilat\u00e9rale droite qui sous-tend ses inf\u00e9rences, l\u2019anatomie fonctionnelle des syntaxes natives telles que LOI.KHIDEUX.DROITE<\/strong> (ou CHISQ.DIST.RT<\/strong> dans sa version internationale), ainsi que la fonction automatis\u00e9e TEST.KHIDEUX<\/strong>.<\/p>\n

Au-del\u00e0 de la simple ex\u00e9cution algorithmique, une analyse statistique rigoureuse exige une ma\u00eetrise sans faille des conditions d’application, de la d\u00e9termination exacte des degr\u00e9s de libert\u00e9 selon la complexit\u00e9 du design d\u2019\u00e9chantillonnage, du contr\u00f4le strict des postulats m\u00e9thodologiques de Cochran, et de l\u2019articulation indissociable entre la p-valeur et les m\u00e9triques de taille d’effet telles que le coefficient Phi ou le V de Cram\u00e9r. Ce guide exhaustif fournira aux chercheurs, analystes de donn\u00e9es, cliniciens et \u00e9tudiants de cycles sup\u00e9rieurs une m\u00e9thodologie pas-\u00e0-pas, exempte de zones d’ombre, pour transformer des donn\u00e9es brutes en indicateurs statistiques d\u00e9cisionnels parfaitement conformes aux standards \u00e9ditoriaux internationaux les plus exigeants, notamment ceux prescrits par l’American Psychological Association (APA 7e \u00e9dition<\/a>).<\/p>\n

1. Fondements th\u00e9oriques du test du chi-carr\u00e9 et de sa statistique de test<\/h2>\n

1.1 Origine math\u00e9matique et distribution du chi-carr\u00e9<\/h3>\n

L\u2019\u00e9dification math\u00e9matique de la distribution du chi-carr\u00e9 constitue l\u2019une des contributions s\u00e9minales de Karl Pearson \u00e0 la biom\u00e9trie et \u00e0 la statistique moderne, introduite formellement dans son article pionnier publi\u00e9 en 1900 dans le Philosophical Magazine<\/em>. Sur le plan purement probabiliste, une variable al\u00e9atoire suivant une loi du chi-carr\u00e9 \u00e0 k<\/em> degr\u00e9s de libert\u00e9 est d\u00e9finie de fa\u00e7on continue comme la somme des carr\u00e9s de k<\/em> variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es selon une loi normale centr\u00e9e r\u00e9duite N(0, 1). Cette d\u00e9rivation asymptotique implique que le domaine de d\u00e9finition de la variable est strictement restreint \u00e0 l’ensemble des r\u00e9els positifs ou nuls, conf\u00e9rant \u00e0 la courbe de densit\u00e9 une asym\u00e9trie positive marqu\u00e9e, particuli\u00e8rement prononc\u00e9e lorsque le nombre de degr\u00e9s de libert\u00e9 est modeste.<\/p>\n

D’un point de vue g\u00e9om\u00e9trique, la fonction de densit\u00e9 de probabilit\u00e9 du chi-carr\u00e9 \u00e9volue de mani\u00e8re spectaculaire \u00e0 mesure que les degr\u00e9s de libert\u00e9 s’accroissent. Pour un degr\u00e9 de libert\u00e9 unique (k<\/em> = 1), la densit\u00e9 tend vers l’infini au voisinage imm\u00e9diat de z\u00e9ro et d\u00e9cro\u00eet exponentiellement de fa\u00e7on monotone. D\u00e8s lors que k<\/em> exc\u00e8de 2, la distribution adopte une allure unimodale bossel\u00e9e avec un mode situ\u00e9 pr\u00e9cis\u00e9ment \u00e0 k<\/em> – 2. En vertu du th\u00e9or\u00e8me central limite<\/a>, \u00e0 mesure que le param\u00e8tre k<\/em> progresse vers des valeurs \u00e9lev\u00e9es (g\u00e9n\u00e9ralement lorsque k<\/em> d\u00e9passe 30 ou 50), l\u2019asym\u00e9trie s’estompe graduellement pour converger de fa\u00e7on asymptotique vers une morphologie sym\u00e9trique gaussienne, de moyenne k<\/em> et de variance 2k<\/em>.<\/p>\n

La statistique empirique du chi-carr\u00e9 de Pearson, calcul\u00e9e \u00e0 partir de fr\u00e9quences d\u2019observation, mat\u00e9rialise une approximation discr\u00e8te de cette distribution continue sous-jacente. Sa formulation arithm\u00e9tique fondamentale repose sur la sommation normalis\u00e9e des \u00e9carts quadratiques entre les effectifs empiriquement observ\u00e9s (not\u00e9s O) et les effectifs th\u00e9oriques attendus (not\u00e9s E) sous l’empire de l’hypoth\u00e8se nulle. La formule g\u00e9n\u00e9rale s\u2019exprime ainsi : \u03c7\u00b2 = \u03a3 [(O – E)\u00b2 \/ E]. En divisant chaque carr\u00e9 d\u2019\u00e9cart par son esp\u00e9rance th\u00e9orique respective, l\u2019\u00e9quation proc\u00e8de \u00e0 une standardisation variance-stabilisatrice qui permet d’agr\u00e9ger des cellules de grandeurs h\u00e9t\u00e9rog\u00e8nes en un indice scalaire unique repr\u00e9sentatif de la divergence globale du mod\u00e8le.<\/p>\n

1.2 Typologie des tests du chi-carr\u00e9 dans la recherche quantitative<\/h3>\n

Dans l’arsenal de l’inf\u00e9rence statistique non param\u00e9trique, le terme g\u00e9n\u00e9rique de \u00ab test du chi-carr\u00e9 \u00bb recouvre trois protocoles m\u00e9thodologiques distincts, r\u00e9gis par la m\u00eame m\u00e9trique d’\u00e9cart mais diff\u00e9renci\u00e9s par leur structure d’\u00e9chantillonnage et la nature des hypoth\u00e8ses test\u00e9es : le test d\u2019ad\u00e9quation (ou de conformit\u00e9), le test d\u2019ind\u00e9pendance et le test d\u2019homog\u00e9n\u00e9it\u00e9. Le test d’ad\u00e9quation s’applique \u00e0 un vecteur unidimensionnel de donn\u00e9es et vise \u00e0 v\u00e9rifier si la r\u00e9partition des fr\u00e9quences au sein des k<\/em> modalit\u00e9s d’une variable unique s’ajuste fid\u00e8lement \u00e0 une distribution th\u00e9orique prescrite a priori, qu’elle soit uniforme (\u00e9quir\u00e9partition \u00e9quiprobable) ou conforme \u00e0 des proportions pr\u00e9d\u00e9finies issues d’un mod\u00e8le g\u00e9n\u00e9tique, d\u00e9mographique ou th\u00e9orique pr\u00e9existant.<\/p>\n

Le test d’ind\u00e9pendance intervient dans un cadre bidimensionnel o\u00f9 un \u00e9chantillon probabiliste unique extrait d’une population parente est simultan\u00e9ment cat\u00e9goris\u00e9 selon deux variables qualitatives distinctes, formant une table de contingence \u00e0 r<\/em> lignes et c<\/em> colonnes. L’objectif \u00e9pist\u00e9mologique consiste \u00e0 \u00e9valuer si l’appartenance d’un sujet \u00e0 une modalit\u00e9 sp\u00e9cifique de la premi\u00e8re variable s’av\u00e8re totalement d\u00e9coupl\u00e9e de son appartenance \u00e0 la seconde variable. Enfin, le test d’homog\u00e9n\u00e9it\u00e9 pr\u00e9sente une structure tabulaire formellement identique \u00e0 celle de l’ind\u00e9pendance, mais proc\u00e8de d’un dessein exp\u00e9rimental radicalement divergent : plusieurs cohortes ind\u00e9pendantes sont pr\u00e9lev\u00e9es a priori au sein de sous-populations distinctes (marges de lignes fix\u00e9es exp\u00e9rimentalement par le chercheur) afin de d\u00e9terminer si la distribution des fr\u00e9quences de la variable d\u00e9pendante d’int\u00e9r\u00eat est statistiquement identique d’une sous-population \u00e0 l’autre.<\/p>\n

Quelle que soit la typologie adopt\u00e9e, la validit\u00e9 de l’approximation asymptotique du chi-carr\u00e9 continu par des fr\u00e9quences discr\u00e8tes est strictement assujettie au respect scrupuleux des conditions d’effectifs formul\u00e9es par William G. Cochran. Ces postulats imp\u00e9ratifs stipulent qu’aucun effectif th\u00e9orique attendu (E) ne doit \u00eatre strictement inf\u00e9rieur \u00e0 1, et qu’au moins 80 % des cellules du tableau de contingence doivent comporter un effectif th\u00e9orique sup\u00e9rieur ou \u00e9gal \u00e0 5. Si ces exigences structurelles sont compromises par une dispersion excessive de l’\u00e9chantillon ou par un effectif total insuffisant, l’approximation du khi-deux s’effondre, conduisant \u00e0 des taux d’erreur de premi\u00e8re esp\u00e8ce substantiellement d\u00e9form\u00e9s et imposant le recours \u00e0 des alternatives de r\u00e9\u00e9chantillonnage ou \u00e0 des tests exacts.<\/p>\n

1.3 Utilit\u00e9 m\u00e9thodologique en psychologie exp\u00e9rimentale et clinique<\/h3>\n

Dans le p\u00e9rim\u00e8tre des sciences du comportement, de la psychiatrie et de la psychologie diff\u00e9rentielle, la majorit\u00e9 des variables manipul\u00e9es rel\u00e8vent d\u2019\u00e9chelles nominales ou ordinales issues de grilles d’\u00e9valuation diagnostique, de cat\u00e9gorisations s\u00e9miologiques ou de choix comportementaux discrets. Le test du chi-carr\u00e9 constitue le dispositif m\u00e9thodologique de r\u00e9f\u00e9rence pour valider empiriquement des mod\u00e8les th\u00e9oriques dans ces disciplines. Par exemple, lors de l’investigation de l’\u00e9tiologie des troubles de l’humeur, les cliniciens recourent au chi-carr\u00e9 d’ad\u00e9quation pour d\u00e9terminer si la pr\u00e9valence des diff\u00e9rents sous-types de troubles de la personnalit\u00e9 au sein d’une population hospitali\u00e8re d\u00e9vie significativement de la distribution \u00e9pid\u00e9miologique document\u00e9e \u00e0 l’\u00e9chelle nationale.<\/p>\n

Dans le domaine de la psychologie exp\u00e9rimentale et de l’\u00e9valuation des interventions psychoth\u00e9rapeutiques, le test d’ind\u00e9pendance permet d’examiner rigoureusement les interactions entre des profils d’attachement (s\u00e9curisant, anxieux, \u00e9vitant, d\u00e9sorganis\u00e9) et la r\u00e9ceptivit\u00e9 diff\u00e9rentielle \u00e0 des protocoles de th\u00e9rapie cognitivo-comportementale (TCC) versus th\u00e9rapie psychodynamique. L’identification d’une d\u00e9pendance statistiquement significative entre ces cat\u00e9gories fournit des preuves empiriques robustes pour l’individualisation des trajectoires de soins et la mod\u00e9lisation des processus d’alliance th\u00e9rapeutique, d\u00e9montrant que le choix de l’orientation th\u00e9rapeutique n’est pas neutre au regard de la structure de l’attachement individuel.<\/p>\n

De surcro\u00eet, les devis de recherche longitudinaux men\u00e9s en psychologie clinique se heurtent de fa\u00e7on quasi universelle au ph\u00e9nom\u00e8ne d\u00e9l\u00e9t\u00e8re de l’attrition exp\u00e9rimentale (perte de participants au fil des sessions de suivi). Le test du chi-carr\u00e9 s’impose alors comme l’outil diagnostique de contr\u00f4le m\u00e9thodologique primordial : il permet de v\u00e9rifier si l’attrition s’est produite de fa\u00e7on purement al\u00e9atoire ou si elle d\u00e9pend de variables sociod\u00e9mographiques ou cliniques (comme le statut socio\u00e9conomique, le niveau de s\u00e9v\u00e9rit\u00e9 initial ou l’\u00e2ge). Si l’ind\u00e9pendance est rejet\u00e9e, le chercheur doit corriger ce biais de s\u00e9lection par des m\u00e9thodes de pond\u00e9ration ou d’imputation multiple pour pr\u00e9server la validit\u00e9 interne de ses conclusions inf\u00e9rentielles.<\/p>\n

2. D\u00e9finition et r\u00f4le fondamental de la p-valeur dans l’inf\u00e9rence statistique<\/h2>\n

2.1 Cadre formel des tests d’hypoth\u00e8ses selon Neyman-Pearson<\/h3>\n

L’inf\u00e9rence statistique d\u00e9cisionnelle contemporaine repose sur le cadre \u00e9pist\u00e9mologique rigoureux formul\u00e9 par Jerzy Neyman et Egon Pearson dans les ann\u00e9es 1930, compl\u00e9t\u00e9 par la perspective probabiliste introduite par Ronald Fisher. Ce formalisme exige l’\u00e9nonciation explicite et pr\u00e9alable de deux hypoth\u00e8ses mutuellement exclusives op\u00e9rant dans l’espace param\u00e9trique du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 : l’hypoth\u00e8se nulle (H\u2080) et l’hypoth\u00e8se alternative (H\u2081). Dans le p\u00e9rim\u00e8tre du test du chi-carr\u00e9, l’hypoth\u00e8se nulle postule rigoureusement l’absence d’association entre les variables cat\u00e9gorielles explor\u00e9es (pour un test d’ind\u00e9pendance) ou l’ad\u00e9quation parfaite entre la distribution observ\u00e9e et le mod\u00e8le th\u00e9orique postul\u00e9e (pour un test d’ad\u00e9quation).<\/p>\n

\u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative (H\u2081) pose l’existence d’une divergence syst\u00e9matique, traduisant soit une association fonctionnelle non nulle entre les variables, soit une d\u00e9viation structurelle significative par rapport \u00e0 la distribution de r\u00e9f\u00e9rence. Dans ce dispositif d\u00e9ductif, la p-valeur (ou probabilit\u00e9 critique observ\u00e9e) incarne une mesure quantitative pr\u00e9cise : elle repr\u00e9sente la probabilit\u00e9 exacte d’observer une statistique de test \u03c7\u00b2 au moins aussi extr\u00eame que celle calcul\u00e9e \u00e0 partir des donn\u00e9es de l’\u00e9chantillon empirique, sous l’hypoth\u00e8se formelle que l’hypoth\u00e8se nulle (H\u2080) soit rigoureusement vraie dans la population parente.<\/p>\n

Il importe de souligner avec force une distinction \u00e9pist\u00e9mologique cruciale trop souvent galvaud\u00e9e : la p-valeur ne quantifie en aucun cas la probabilit\u00e9 que l’hypoth\u00e8se nulle soit vraie compte tenu des donn\u00e9es (ce qui rel\u00e8verait du formalisme bay\u00e9sien P(H\u2080|D)), mais bien la probabilit\u00e9 conditionnelle d’obtenir ces donn\u00e9es (ou des donn\u00e9es encore plus divergentes) si l’hypoth\u00e8se nulle \u00e9tait la r\u00e9alit\u00e9 fondamentale du g\u00e9n\u00e9rateur de donn\u00e9es P(D|H\u2080). Une p-valeur infinit\u00e9simale n’invalide pas l’hypoth\u00e8se nulle avec une certitude absolue, mais indique une raret\u00e9 probabiliste telle que le maintien de cette hypoth\u00e8se devient rationnellement intenable pour le chercheur.<\/p>\n

2.2 Seuils de significativit\u00e9 et contr\u00f4le des risques d’erreur<\/h3>\n

La r\u00e8gle d\u00e9cisionnelle formalis\u00e9e par Neyman-Pearson impose la fixation d’un seuil critique de tol\u00e9rance au risque, baptis\u00e9 risque de premi\u00e8re esp\u00e8ce ou niveau de significativit\u00e9 alpha (\u03b1), fix\u00e9 conventionnellement dans la litt\u00e9rature acad\u00e9mique \u00e0 des valeurs nominales strictes, principalement 0,05 (5 %) ou 0,01 (1 %). Ce param\u00e8tre d\u00e9termine le risque maximal que l’exp\u00e9rimentateur accepte de courir en rejetant \u00e0 tort une hypoth\u00e8se nulle qui est pourtant parfaitement exacte dans la nature (commettant ainsi une fausse d\u00e9couverte ou erreur de type I). D\u00e8s lors, la r\u00e8gle de d\u00e9cision op\u00e9rationnelle est binaire : si la p-valeur calcul\u00e9e est strictement inf\u00e9rieure \u00e0 \u03b1, le r\u00e9sultat est qualifi\u00e9 de statistiquement significatif et H\u2080 est formellement rejet\u00e9e au profit de H\u2081.<\/p>\n

Sym\u00e9triquement, le syst\u00e8me m\u00e9thodologique int\u00e8gre le risque d’erreur de deuxi\u00e8me esp\u00e8ce, d\u00e9not\u00e9 b\u00eata (\u03b2), qui mat\u00e9rialise la probabilit\u00e9 d’\u00e9chouer \u00e0 rejeter l’hypoth\u00e8se nulle alors qu’elle est factuellement fausse dans la population \u00e9tudi\u00e9e. Le compl\u00e9ment arithm\u00e9tique de cette erreur, (1 – \u03b2), d\u00e9finit la puissance statistique<\/a> du test, c’est-\u00e0-dire la capacit\u00e9 d’un design exp\u00e9rimental \u00e0 d\u00e9tecter une divergence ou une association r\u00e9elle d\u00e8s lors qu’elle existe. Le calcul pr\u00e9cis de la p-valeur s’inscrit au c\u0153ur de cet \u00e9quilibre fragile, car un seuil alpha ind\u00fbment restrictif comprime le risque d’erreur de type I au d\u00e9triment direct d’une inflation substantielle du risque d’erreur de type II.<\/p>\n

L\u2019\u00e9pist\u00e9mologie contemporaine et les directives des soci\u00e9t\u00e9s savantes mettent toutefois en garde contre la dichotomisation st\u00e9rile issue d’une adh\u00e9sion dogmatique aux seuils conventionnels arbitraires. Qualifier un r\u00e9sultat de \u00ab hautement significatif \u00bb \u00e0 p = 0,049 tout en qualifiant un r\u00e9sultat \u00e0 p = 0,051 de \u00ab non significatif \u00bb constitue une distorsion m\u00e9thodologique qui occulte la nature fondamentalement continue de l’\u00e9vidence statistique. La p-valeur doit imp\u00e9rativement \u00eatre rapport\u00e9e avec sa valeur d\u00e9cimale exacte dans les publications acad\u00e9miques, offrant aux pairs une \u00e9valuation transparente de la force probante des donn\u00e9es empiriques recueillies.<\/p>\n

2.3 Nature unilat\u00e9rale droite de la distribution du chi-carr\u00e9<\/h3>\n

L’une des singularit\u00e9s math\u00e9matiques majeures du test du chi-carr\u00e9 r\u00e9side dans sa structure inf\u00e9rentielle unilat\u00e9rale droite syst\u00e9matique, nonobstant le fait que les hypoth\u00e8ses scientifiques sous-jacentes soient conceptuellement non directionnelles ou bilat\u00e9rales. Alors que des tests param\u00e9triques usuels reposant sur des distributions sym\u00e9triques, tels que le test t<\/em> de Student ou le test Z<\/em> de Gauss, int\u00e8grent des r\u00e9gions de rejet bilat\u00e9rales r\u00e9parties sym\u00e9triquement dans les deux queues de distribution (n\u00e9gative et positive), le chi-carr\u00e9 ne poss\u00e8de qu’une unique r\u00e9gion critique situ\u00e9e exclusivement dans la queue sup\u00e9rieure droite.<\/p>\n

Cette particularit\u00e9 d\u00e9coule de la construction alg\u00e9brique m\u00eame de la statistique de Pearson. Les \u00e9carts \u00e9l\u00e9mentaires entre les observations et les esp\u00e9rances th\u00e9oriques (O – E) sont \u00e9lev\u00e9s au carr\u00e9, ce qui \u00e9limine rigoureusement tout signe n\u00e9gatif. Que les effectifs observ\u00e9s soient sup\u00e9rieurs ou inf\u00e9rieurs aux attentes th\u00e9oriques, le r\u00e9sultat quadratique r\u00e9sultant sera invariablement positif. En cons\u00e9quence, une concordance id\u00e9ale entre les donn\u00e9es empiriques et le mod\u00e8le th\u00e9orique engendre une valeur de chi-carr\u00e9 approchant de z\u00e9ro (positionn\u00e9e \u00e0 l’extr\u00eame gauche de la distribution), tandis que toute distorsion, perturbation ou association structurelle repousse m\u00e9caniquement la statistique calcul\u00e9e vers des valeurs positives croissantes, l’\u00e9loignant dans la queue sup\u00e9rieure droite.<\/p>\n

Sur le plan du calcul diff\u00e9rentiel et int\u00e9gral, la p-valeur du chi-carr\u00e9 est donc d\u00e9finie sans ambigu\u00eft\u00e9 comme l’aire sous la courbe de densit\u00e9 de probabilit\u00e9 int\u00e9gr\u00e9e depuis la statistique calcul\u00e9e \u03c7\u00b2_obs jusqu’\u00e0 l’infini positif : p = \u222b f(u, k) du, born\u00e9e de \u03c7\u00b2_obs \u00e0 +\u221e, o\u00f9 f(u, k) d\u00e9signe la fonction de densit\u00e9 du chi-carr\u00e9 \u00e0 k<\/em> degr\u00e9s de libert\u00e9. Comprendre cette asym\u00e9trie op\u00e9rationnelle est imp\u00e9ratif pour l’analyste sous Excel : il n’est jamais question de multiplier la p-valeur par deux pour obtenir un \u00e9quivalent \u00ab bilat\u00e9ral \u00bb, toute l’\u00e9vidence d’incompatibilit\u00e9 avec le mod\u00e8le se trouvant intrins\u00e8quement confin\u00e9e dans cette queue sup\u00e9rieure droite.<\/p>\n

3. La fonction CHISQ.DIST.RT dans Excel : syntaxe et logique math\u00e9matique<\/h2>\n

3.1 Anatomie de la syntaxe officielle et sp\u00e9cification des arguments<\/h3>\n

Depuis la r\u00e9vision structurelle de son moteur de calcul statistique introduite avec la publication d’Office 2010, Microsoft a normalis\u00e9 la nomenclature de ses fonctions pour s’aligner sur les conventions syntaxiques internationales du World Wide Web Consortium et de l’ISO. La fonction matricielle ma\u00eetresse d\u00e9volue \u00e0 l’extraction de la p-valeur unilat\u00e9rale droite du chi-carr\u00e9 s’intitule CHISQ.DIST.RT<\/strong> dans les versions internationales anglophones (RT \u00e9tant l’acronyme de Right-Tailed<\/em>). Dans la configuration linguistique fran\u00e7aise d’Excel, son \u00e9quivalent officiel et exclusif est LOI.KHIDEUX.DROITE<\/strong>.<\/p>\n

La syntaxe canonique de cette fonction requiert deux arguments obligatoires, rigoureusement ordonn\u00e9s :<\/p>\n