{"id":9665,"date":"2026-10-14T18:02:33","date_gmt":"2026-10-14T18:02:33","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-tests-z-un-deux-echantillons-python\/"},"modified":"2026-10-14T18:02:33","modified_gmt":"2026-10-14T18:02:33","slug":"comment-effectuer-tests-z-un-deux-echantillons-python","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-tests-z-un-deux-echantillons-python","title":{"rendered":"Comment effectuer des tests Z \u00e0 un \u00e9chantillon et \u00e0 deux \u00e9chantillons en Python"},"content":{"rendered":"

L’inf\u00e9rence statistique constitue la pierre angulaire de la m\u00e9thode scientifique contemporaine, fournissant un cadre rigoureux pour extraire des conclusions g\u00e9n\u00e9ralisables \u00e0 partir d’\u00e9chantillons empiriques restreints. Dans les disciplines exp\u00e9rimentales telles que la psychologie cognitive, les neurosciences comportementales et la biom\u00e9trie, les chercheurs sont constamment confront\u00e9s \u00e0 la n\u00e9cessit\u00e9 de d\u00e9terminer si une variation observ\u00e9e refl\u00e8te un v\u00e9ritable effet exp\u00e9rimental ou r\u00e9sulte simplement des fluctuations inh\u00e9rentes \u00e0 l’\u00e9chantillonnage al\u00e9atoire. Parmi l’\u00e9ventail des tests param\u00e9triques disponibles, le test Z occupe une position th\u00e9orique et m\u00e9thodologique fondamentale. Fond\u00e9 sur les propri\u00e9t\u00e9s de la distribution normale standard, il permet d’\u00e9valuer la probabilit\u00e9 qu’un \u00e9cart constat\u00e9 entre une moyenne observ\u00e9e et une valeur th\u00e9orique, ou entre deux moyennes ind\u00e9pendantes, soit imputable au hasard.<\/p>\n

Bien que la pratique statistique moderne ait souvent tendance \u00e0 privil\u00e9gier de mani\u00e8re automatique le test t de Student dans les protocoles sur petits \u00e9chantillons, la ma\u00eetrise approfondie du test Z demeure incontournable pour quiconque manipule des cohortes de grande envergure ou des instruments standardis\u00e9s dot\u00e9s de param\u00e8tres populationnels connus, tels que les \u00e9chelles d’intelligence ou les inventaires de personnalit\u00e9 \u00e9talonn\u00e9s. \u00c0 l’\u00e8re de la science ouverte et de la reproductibilit\u00e9 computationnelle, la mise en \u0153uvre de ces proc\u00e9dures analytiques n\u00e9cessite des outils informatiques \u00e0 la fois transparents, robustes et universellement accessibles. L’\u00e9cosyst\u00e8me open-source du langage de programmation Python s’est impos\u00e9 comme un standard de facto pour les chercheurs et les praticiens de la science des donn\u00e9es, offrant des biblioth\u00e8ques hautement sp\u00e9cialis\u00e9es telles que Statsmodels<\/a>, SciPy, NumPy et Pandas.<\/p>\n

Le pr\u00e9sent article propose un trait\u00e9 exhaustif sur la r\u00e9alisation des tests Z \u00e0 un \u00e9chantillon et \u00e0 deux \u00e9chantillons \u00e0 l’aide de l’\u00e9cosyst\u00e8me Python. En adoptant une approche unifi\u00e9e qui allie rigueur math\u00e9matique, ancrage psychom\u00e9trique et pr\u00e9cision computationnelle, ce guide d\u00e9taille l’ensemble des fondements th\u00e9oriques, des v\u00e9rifications diagnostiques pr\u00e9alables, des impl\u00e9mentations de code avec le module statsmodels.stats.weightstats<\/code>, ainsi que les conventions de r\u00e9daction acad\u00e9mique conformes aux normes de l’American Psychological Association (APA). Que vous analysiez l’impact d’une intervention cognitive sur le quotient intellectuel ou que vous compariez l’efficacit\u00e9 diff\u00e9rentielle de deux protocoles psychoth\u00e9rapeutiques, cette ressource a vocation \u00e0 consolider votre d\u00e9marche analytique en garantissant une rigueur m\u00e9thodologique absolue du traitement des donn\u00e9es jusqu’\u00e0 l’interpr\u00e9tation des r\u00e9sultats.<\/p>\n

1. Introduction aux tests Z en recherche psychologique et en science des donn\u00e9es<\/h2>\n

1.1 Fondements th\u00e9oriques du test Z<\/h3>\n

L’inf\u00e9rence statistique param\u00e9trique repose sur l’hypoth\u00e8se selon laquelle les donn\u00e9es observ\u00e9es proviennent d’une population caract\u00e9ris\u00e9e par une distribution de probabilit\u00e9 th\u00e9orique sous-jacente, d\u00e9finie par des param\u00e8tres fixes tels que la moyenne ($\\mu$<\/span>) et la variance ($\\sigma^2$<\/span>). Dans ce paradigme, le test Z s’\u00e9rige comme le prototype m\u00eame du test d’hypoth\u00e8se univari\u00e9. Il s’agit d’une proc\u00e9dure statistique con\u00e7ue pour tester si la moyenne d’un \u00e9chantillon s’\u00e9carte significativement d’une valeur de r\u00e9f\u00e9rence pr\u00e9d\u00e9termin\u00e9e, ou si les moyennes de deux groupes distincts diff\u00e8rent de mani\u00e8re statistiquement significative, lorsque la variance de la population est r\u00e9put\u00e9e connue ou lorsque la taille de l’\u00e9chantillon est suffisamment grande pour permettre une approximation asymptotique fiable.<\/p>\n

Le fondement math\u00e9matique du test Z r\u00e9side dans la distribution normale standardis\u00e9e, universellement d\u00e9sign\u00e9e sous l’appellation de loi normale centr\u00e9e r\u00e9duite $\\mathcal{N}(0, 1)$<\/span>. Cette distribution continue, sym\u00e9trique et unimodale pr\u00e9sente une moyenne \u00e9gale \u00e0 z\u00e9ro et un \u00e9cart-type \u00e9gal \u00e0 un. En transformant une variable al\u00e9atoire continue par soustraction de sa moyenne th\u00e9orique et division par son erreur-type, le score Z r\u00e9sultant quantifie l’\u00e9loignement de l’observation par rapport au centre de la distribution en unit\u00e9s d’\u00e9cart-type. Sur le plan historique, les travaux pr\u00e9curseurs d’Abraham de Moivre, de Pierre-Simon de Laplace et de Carl Friedrich Gauss ont permis de d\u00e9montrer que les erreurs de mesure tendent spontan\u00e9ment \u00e0 s’organiser autour d’une courbe en cloche. Le test Z a constitu\u00e9 la premi\u00e8re m\u00e9thode formalis\u00e9e de test d’hypoth\u00e8se avant que William Sealy Gosset, \u00e9crivant sous le pseudonyme de Student en 1908, ne d\u00e9veloppe la loi de Student pour pallier l’inflation des erreurs lorsque la variance populationnelle doit \u00eatre estim\u00e9e \u00e0 partir de petits \u00e9chantillons. Bien que le test t ait supplant\u00e9 le test Z dans les contextes d’\u00e9chantillons restreints, le test Z conserve toute sa l\u00e9gitimit\u00e9 th\u00e9orique et computationnelle dans les situations asymptotiques et psychom\u00e9triques norm\u00e9es.<\/p>\n

1.2 Pertinence m\u00e9thodologique en psychom\u00e9trie et sciences cognitives<\/h3>\n

Dans le domaine de la psychom\u00e9trie et des sciences cognitives, le test Z rev\u00eat une utilit\u00e9 m\u00e9thodologique singuli\u00e8re en raison de la nature intrins\u00e8que des instruments de mesure employ\u00e9s. Contrairement \u00e0 de nombreuses disciplines des sciences de la vie o\u00f9 les param\u00e8tres populationnels r\u00e9els demeurent strictement inaccessibles, la psychologie diff\u00e9rentielle \u00e9labore fr\u00e9quemment des tests standardis\u00e9s calibr\u00e9s sur d’immenses cohortes repr\u00e9sentatives de la population g\u00e9n\u00e9rale. Les \u00e9chelles d’intelligence de Wechsler (comme la WAIS ou le WISC) sont construites de telle mani\u00e8re que le quotient intellectuel (QI) total pr\u00e9sente structurellement une moyenne populationnelle $\\mu = 100$<\/span> et un \u00e9cart-type populationnel fixe $\\sigma = 15$<\/span>. De mani\u00e8re analogue, de nombreuses \u00e9chelles neuropsychologiques et inventaires de personnalit\u00e9, tels que le MMPI, exploitent des scores standardis\u00e9s en \u00e9chelle T (moyenne fix\u00e9e \u00e0 50, \u00e9cart-type \u00e0 10) ou en stanines.<\/p>\n

Lorsqu’un chercheur \u00e9value un groupe clinique sp\u00e9cifique, tel qu’une cohorte de patients pr\u00e9sentant un trouble du spectre de l’autisme ou ayant subi un traumatisme cr\u00e2nien, l’objectif consiste souvent \u00e0 comparer la performance moyenne de ce groupe aux normes standardis\u00e9es de la population g\u00e9n\u00e9rale. Dans la mesure o\u00f9 l’\u00e9cart-type de r\u00e9f\u00e9rence est formellement document\u00e9 par les manuels de standardisation psychom\u00e9trique, le test Z devient l’outil d’\u00e9lection m\u00e9thodologiquement justifi\u00e9, \u00e9liminant l’incertitude li\u00e9e \u00e0 l’estimation empirique de la variance. En outre, avec l’av\u00e8nement des m\u00e9gadonn\u00e9es comportementales issues de plateformes en ligne et d’\u00e9tudes \u00e9pid\u00e9miologiques massives portant sur des cohortes o\u00f9 la taille d’\u00e9chantillon exc\u00e8de largement $N = 30$<\/span>, la sensibilit\u00e9 statistique du test Z permet d’isoler des variations infinit\u00e9simales mais syst\u00e9matiques avec une pr\u00e9cision num\u00e9rique in\u00e9gal\u00e9e.<\/p>\n

1.3 Cadre d’application dans l’\u00e9cosyst\u00e8me Python<\/h3>\n

Le langage Python est devenu un vecteur incontournable de l’analyse computationnelle gr\u00e2ce \u00e0 sa syntaxe lisible, sa modularit\u00e9 et la richesse de sa communaut\u00e9 scientifique. Au sein de cet \u00e9cosyst\u00e8me, la biblioth\u00e8que Statsmodels<\/a> joue un r\u00f4le d’autorit\u00e9 en mati\u00e8re de mod\u00e9lisation statistique avanc\u00e9e et d’inf\u00e9rence \u00e9conom\u00e9trique et biom\u00e9trique. Plus pr\u00e9cis\u00e9ment, le sous-module statsmodels.stats.weightstats<\/code> h\u00e9berge l’impl\u00e9mentation de r\u00e9f\u00e9rence de la fonction ztest<\/code>, con\u00e7ue pour ex\u00e9cuter des tests d’hypoth\u00e8ses asymptotiques sur des \u00e9chantillons continus sans exiger la r\u00e9\u00e9criture manuelle des formules math\u00e9matiques sous-jacentes.<\/p>\n

Cette composante computationnelle s’int\u00e8gre harmonieusement avec le reste de la pile scientifique Python. La biblioth\u00e8que NumPy assure le stockage et la manipulation vectorielle ultra-performante des tableaux multidimensionnels de donn\u00e9es exp\u00e9rimentales, tandis que Pandas fournit des structures de donn\u00e9es en DataFrames id\u00e9ales pour l’indexation, le filtrage, le nettoyage et le regroupement des observations de cohortes cliniques. En parall\u00e8le, SciPy enrichit cet outillage par ses modules statistiques (scipy.stats<\/code>) permettant d’extraire les fonctions de r\u00e9partition, les valeurs critiques et les densit\u00e9s de probabilit\u00e9. L’automatisation computationnelle au moyen de scripts Python conf\u00e8re aux chercheurs un gain d’efficience substantiel tout en assurant une tra\u00e7abilit\u00e9 totale et une reproductibilit\u00e9 irr\u00e9prochable des calculs statistiques, \u00e9l\u00e9ments d\u00e9sormais indispensables \u00e0 la validation des manuscrits par les comit\u00e9s de lecture internationaux.<\/p>\n

2. Pr\u00e9requis th\u00e9oriques et hypoth\u00e8ses fondamentales des tests Z<\/h2>\n

2.1 La condition de normalit\u00e9 et le th\u00e9or\u00e8me central limite<\/h3>\n

L’inf\u00e9rence param\u00e9trique par le biais du test Z repose sur des postulats probabilistes stricts dont la violation peut corrompre la validit\u00e9 des conclusions scientifiques. La premi\u00e8re condition fondamentale exige que la variable al\u00e9atoire \u00e9tudi\u00e9e suive une loi normale au sein de la population parente. Dans les configurations d’\u00e9chantillons de petite \u00e0 moyenne dimension, cette normalit\u00e9 est indispensable pour garantir que la distribution d’\u00e9chantillonnage de la moyenne se conforme fid\u00e8lement \u00e0 la loi normale centr\u00e9e r\u00e9duite. Si la population parente s’\u00e9carte de mani\u00e8re prononc\u00e9e de la sym\u00e9trie gaussienne, l’utilisation aveugle du test Z peut induire une distorsion notable du taux r\u00e9el d’erreur de premi\u00e8re esp\u00e8ce, conduisant le chercheur \u00e0 d\u00e9clarer significatifs des r\u00e9sultats purement fortuits.<\/p>\n

Toutefois, la port\u00e9e pratique du test Z s’\u00e9largit consid\u00e9rablement gr\u00e2ce \u00e0 l’un des piliers majeurs de la th\u00e9orie des probabilit\u00e9s : le th\u00e9or\u00e8me central limite<\/a> (TCL). Selon ce principe \u00e9nonc\u00e9 par Laplace, quelle que soit la forme de la distribution de probabilit\u00e9 de la population d’origine (qu’elle soit uniforme, exponentielle, ou mod\u00e9r\u00e9ment asym\u00e9trique), pourvu que sa variance soit finie, la distribution d’\u00e9chantillonnage des moyennes calcul\u00e9es \u00e0 partir d’\u00e9chantillons al\u00e9atoires de taille $N$<\/span> converge asymptotiquement vers une loi normale lorsque $N$<\/span> tend vers l’infini. Dans la pratique de la recherche psychologique et statistique, un effectif de $N ge 30$<\/span> est traditionnellement consid\u00e9r\u00e9 comme le seuil op\u00e9rationnel \u00e0 partir duquel l’approximation normale est suffisamment stable. N\u00e9anmoins, en pr\u00e9sence d’une asym\u00e9trie extr\u00eame (skewness marqu\u00e9e) ou d’un aplatissement anomal (leptocurticit\u00e9 caract\u00e9ris\u00e9e par des queues de distribution \u00e9paisses), des effectifs substantiellement plus \u00e9lev\u00e9s ($N > 100$<\/span>) deviennent imp\u00e9ratifs pour pr\u00e9server la calibration nominale du seuil de signification $\\alpha$<\/span>.<\/p>\n

2.2 La variance populationnelle connue face \u00e0 l’inconnue<\/h3>\n

La distinction \u00e9pist\u00e9mologique entre le test Z et le test t de Student r\u00e9side enti\u00e8rement dans le statut \u00e9pist\u00e9mique attribu\u00e9 \u00e0 la dispersion de la population. Le test Z formel exige sur le plan analytique que l’\u00e9cart-type de la population enti\u00e8re, symbolis\u00e9 par $\\sigma$<\/span>, soit une constante connue avec certitude. Dans cette configuration, le d\u00e9nominateur de la statistique de test int\u00e8gre l’erreur-type th\u00e9orique exacte, d\u00e9finie par la formule $\\sigma \/ \\sqrt{N}$<\/span>. Aucune variabilit\u00e9 d’\u00e9chantillonnage n’affecte donc ce d\u00e9nominateur, ce qui garantit que la statistique r\u00e9sultante suit scrupuleusement la loi $\\mathcal{N}(0, 1)$<\/span>.<\/p>\n

\u00c0 l’inverse, lorsque l’\u00e9cart-type de la population $\\sigma$<\/span> est inconnu, le praticien doit l’estimer \u00e0 l’aide de l’\u00e9cart-type corrig\u00e9 de l’\u00e9chantillon, not\u00e9 $s$<\/span>. Cette substitution introduit une variable al\u00e9atoire suppl\u00e9mentaire au d\u00e9nominateur, r\u00e9gie par une loi du khi-deux proportionnelle aux degr\u00e9s de libert\u00e9 ($df = N – 1$<\/span>). Le quotient d’une loi normale par la racine d’une loi du khi-deux normalis\u00e9e ne suit plus une loi normale, mais une distribution t de Student. Dans l’impl\u00e9mentation algorithmique de Python, notamment au sein de statsmodels.stats.weightstats.ztest<\/code>, la fonction effectue un test Z asymptotique lorsque l’utilisateur ne fournit pas de variance externe : elle calcule l’\u00e9cart-type empirique $s$<\/span> mais utilise le quantile de la loi normale comme r\u00e9f\u00e9rence. Cette d\u00e9marche se justifie math\u00e9matiquement d\u00e8s lors que $N$<\/span> est tr\u00e8s volumineux, car en vertu du th\u00e9or\u00e8me de Slutsky, la distribution de Student converge vers la distribution normale lorsque les degr\u00e9s de libert\u00e9 tendent vers l’infini.<\/p>\n

2.3 \u00c9chantillonnage al\u00e9atoire et ind\u00e9pendance des observations<\/h3>\n

Au-del\u00e0 des consid\u00e9rations relatives \u00e0 la forme de la distribution, le postulat le plus critique et le moins robuste aux violations concerne l’ind\u00e9pendance statistique des observations et la nature probabiliste de l’\u00e9chantillonnage. Pour que les d\u00e9ductions issues d’un test Z soient valides, les sujets inclus dans l’\u00e9tude doivent \u00eatre s\u00e9lectionn\u00e9s de mani\u00e8re al\u00e9atoire au sein de la population cible, \u00e9vitant ainsi les biais de s\u00e9lection qui compromettraient l’homog\u00e9n\u00e9it\u00e9 de l’\u00e9chantillon. Chaque unit\u00e9 d’observation doit \u00eatre totalement ind\u00e9pendante de toutes les autres. L’\u00e9tat, le comportement ou la mesure d’un participant ne doit en aucun cas exercer une influence sur la mesure d’un autre participant.<\/p>\n

Ce postulat d’ind\u00e9pendance s’applique aussi bien \u00e0 l’int\u00e9rieur d’un groupe (ind\u00e9pendance intra-groupe) qu’entre les groupes lors de la comparaison de deux cohortes (ind\u00e9pendance inter-groupes). Si des donn\u00e9es sont issues de mesures r\u00e9p\u00e9t\u00e9es chez les m\u00eames individus, d’\u00e9tudes longitudinales, d’appariements dyadiques (par exemple, couples, jumeaux) ou de structures hi\u00e9rarchiques (\u00e9l\u00e8ves regroup\u00e9s au sein d’une m\u00eame classe), l’ind\u00e9pendance est syst\u00e9matiquement viol\u00e9e par la pr\u00e9sence d’une covariance r\u00e9siduelle positive. L’application erron\u00e9e d’un test Z standard \u00e0 de telles structures de donn\u00e9es produit une sous-estimation substantielle de l’erreur-type r\u00e9elle, gonflant de mani\u00e8re dramatique le taux de faux positifs (erreur de type I). Dans ces circonstances, le chercheur doit recourir \u00e0 des mod\u00e8les lin\u00e9aires mixtes ou \u00e0 des versions appari\u00e9es des tests statistiques.<\/p>\n

3. Configuration de l’environnement Python pour l’analyse statistique<\/h2>\n

3.1 Installation et importation des biblioth\u00e8ques requises<\/h3>\n

L’ex\u00e9cution rigoureuse d’analyses inf\u00e9rentielles n\u00e9cessite un environnement de calcul reproductible et stable. L’\u00e9cosyst\u00e8me Python moderne s’articule autour de gestionnaires d’environnements virtuels tels que venv<\/code> ou conda<\/code>, lesquels pr\u00e9viennent les conflits de d\u00e9pendances logicielles. L’installation des paquets statistiques indispensables s’effectue usuellement via l’invite de commande \u00e0 l’aide de l’outil pip<\/code>. Les quatre biblioth\u00e8ques ma\u00eetresses de notre cha\u00eene de traitement sont numpy<\/code>, scipy<\/code>, pandas<\/code> et statsmodels<\/code>.<\/p>\n

Dans un script de recherche ou un notebook Jupyter d\u00e9di\u00e9, l’organisation des importations doit \u00eatre ordonn\u00e9e m\u00e9thodiquement. Les modules math\u00e9matiques fondamentaux sont import\u00e9s en premier, suivis des modules sp\u00e9cialis\u00e9s. Pour le test Z, une importation cibl\u00e9e de la fonction ztest<\/code> depuis le sous-ensemble weightstats<\/code> \u00e9vite le chargement superflu de l’espace de noms global tout en am\u00e9liorant la lisibilit\u00e9 syntaxique du programme. Il est \u00e9galement recommand\u00e9 de v\u00e9rifier les versions des biblioth\u00e8ques install\u00e9es au d\u00e9but de chaque script analytique \u00e0 l’aide de l’attribut __version__<\/code> afin d’assurer l’interop\u00e9rabilit\u00e9 des scripts \u00e0 long terme au fil des mises \u00e0 jour des paquets.<\/p>\n

3.2 Structuration et nettoyage des donn\u00e9es avec Pandas<\/h3>\n

Pr\u00e9alablement \u00e0 toute inf\u00e9rence computationnelle, les donn\u00e9es brutes issues de dispositifs exp\u00e9rimentaux, d’enregistrements psychophysiologiques ou d’enqu\u00eates psychom\u00e9triques requi\u00e8rent une phase d’ing\u00e9nierie et d’assainissement syst\u00e9matique. Les donn\u00e9es sont g\u00e9n\u00e9ralement conserv\u00e9es dans des fichiers d\u00e9limit\u00e9s par des virgules (formats CSV ou TSV). La biblioth\u00e8que Pandas<\/a> offre la m\u00e9thode pandas.read_csv()<\/code>, qui permet de convertir instantan\u00e9ment ces sources tabulaires en objets DataFrame dot\u00e9s d’une grande flexibilit\u00e9 analytique.<\/p>\n

Le nettoyage des donn\u00e9es exp\u00e9rimentales implique plusieurs \u00e9tapes rigoureuses : l’identification et la conversion des types de variables (cast des identifiants en cha\u00eenes de caract\u00e8res et des scores psychom\u00e9triques en variables continues de type float64<\/code>), l’examen approfondi des valeurs manquantes ou des codes d’erreur r\u00e9siduels, et la s\u00e9lection des lignes satisfaisant les crit\u00e8res d’inclusion pr\u00e9\u00e9tablis. Pandas permet d’op\u00e9rer des filtrages conditionnels via le m\u00e9canisme d’indexation bool\u00e9enne. De surcro\u00eet, le statisticien doit savoir transposer les structures de donn\u00e9es : alors que le format long (\u00ab tidy data \u00bb) constitue la norme standard pour la manipulation des bases de donn\u00e9es et la visualisation avec Seaborn, le test Z \u00e0 deux \u00e9chantillons sous Statsmodels requiert souvent l’extraction de deux vecteurs unidimensionnels distincts (format large ou deux s\u00e9ries filtr\u00e9es s\u00e9par\u00e9ment) repr\u00e9sentant chacune des cohortes compar\u00e9es.<\/p>\n

3.3 Gestion de la reproductibilit\u00e9 et des graines al\u00e9atoires<\/h3>\n

L’int\u00e9grit\u00e9 de la recherche contemporaine est confront\u00e9e \u00e0 la crise de la reproductibilit\u00e9, exacerb\u00e9e par des pipelines computationnels opaques ou non d\u00e9terministes. Dans les protocoles de mod\u00e9lisation statistique, de simulation de Monte-Carlo ou lors de l’instanciation de jeux de donn\u00e9es synth\u00e9tiques \u00e0 des fins p\u00e9dagogiques ou de validation d’algorithmes, les g\u00e9n\u00e9rateurs de nombres pseudo-al\u00e9atoires interviennent fr\u00e9quemment. Ces g\u00e9n\u00e9rateurs reposent sur des algorithmes math\u00e9matiques qui, sans initialisation d\u00e9terministe, exploitent des sources de bruit du syst\u00e8me d’exploitation, g\u00e9n\u00e9rant des r\u00e9sultats variables \u00e0 chaque nouvelle ex\u00e9cution.<\/p>\n

Pour neutraliser cette variabilit\u00e9 artificielle et garantir que chaque membre de l’\u00e9quipe de recherche ou chaque r\u00e9viseur acad\u00e9mique obtienne au bit pr\u00e8s les m\u00eames r\u00e9sultats num\u00e9riques, il est imp\u00e9ratif d’initialiser explicitement la graine al\u00e9atoire. Sous Python, cette op\u00e9ration s’effectue via l’instruction numpy.random.seed(valeur)<\/code>, ou plus r\u00e9cemment \u00e0 travers l’utilisation explicite de g\u00e9n\u00e9rateurs d’\u00e9tats d\u00e9terministes via numpy.random.default_rng(graine)<\/code>. L’insertion de cette directive d\u00e8s la premi\u00e8re cellule de calcul scelle l’\u00e9tat de d\u00e9part du syst\u00e8me. Associ\u00e9e \u00e0 une politique de documentation claire des versions d’interpr\u00e9teur et de modules au sein d’un fichier requirements.txt<\/code> ou environment.yml<\/code>, cette standardisation logicielle \u00e9l\u00e8ve la reproductibilit\u00e9 scientifique aux plus hauts standards internationaux.<\/p>\n

4. Th\u00e9orie math\u00e9matique du test Z \u00e0 un \u00e9chantillon<\/h2>\n

4.1 Formulation des hypoth\u00e8ses nulle et alternative<\/h3>\n

La m\u00e9canique de la d\u00e9cision statistique repose sur le formalisme probabiliste de Neyman et Pearson, consistant \u00e0 confronter deux hypoth\u00e8ses mutuellement exclusives et collectivement exhaustives : l’hypoth\u00e8se nulle ($H_0$<\/span>) et l’hypoth\u00e8se alternative ($H_1$<\/span>). Dans le cadre d’un test Z \u00e0 un \u00e9chantillon, l’objectif est d’\u00e9valuer la repr\u00e9sentativit\u00e9 d’un \u00e9chantillon moyen empirique par rapport \u00e0 une valeur th\u00e9orique ou populationnelle \u00e9tablie $\\mu_0$<\/span>. L’hypoth\u00e8se nulle postule rigoureusement l’absence d’effet, d’\u00e9cart ou d’anomalie : elle stipule que la moyenne r\u00e9elle $\\mu$<\/span> de la population d’o\u00f9 provient l’\u00e9chantillon est strictement \u00e9gale \u00e0 la moyenne th\u00e9orique $\\mu_0$<\/span> :<\/p>\n

$$H_0 : \\mu = \\mu_0$$<\/span><\/p>\n

L’hypoth\u00e8se alternative $H_1$<\/span>, quant \u00e0 elle, formalise la conjecture du chercheur. Elle peut adopter deux formes distinctes selon l’ancrage th\u00e9orique a priori de l’investigation. Dans un cadre bilat\u00e9ral (non directionnel), le chercheur postule simplement que la moyenne du groupe diff\u00e8re de la norme, sans pr\u00e9juger du sens de la d\u00e9viation :<\/p>\n

$$H_1 : \\mu \\neq \\mu_0$$<\/span><\/p>\n

\u00c0 l’inverse, si une hypoth\u00e8se directionnelle est solidement appuy\u00e9e par des donn\u00e9es empiriques pr\u00e9existantes ou un mod\u00e8le neurocognitif contraignant, $H_1$<\/span> peut \u00eatre formul\u00e9e de fa\u00e7on unilat\u00e9rale, pr\u00e9voyant que la moyenne observ\u00e9e est sp\u00e9cifiquement sup\u00e9rieure ($H_1 : \\mu > \\mu_0$<\/span>) ou inf\u00e9rieure ($H_1 : mu < mu_0$) \u00e0 la r\u00e9f\u00e9rence. Ce choix m\u00e9thodologique n'est pas anodin, car il redistribue la zone de rejet d'une mani\u00e8re qui influence directement la puissance statistique du test.<\/p>\n

4.2 Calcul de la statistique Z et seuils de d\u00e9cision<\/h3>\n

La statistique du test Z \u00e0 un \u00e9chantillon synth\u00e9tise l’amplitude de l’\u00e9cart observ\u00e9, pond\u00e9r\u00e9 par l’erreur-type de la moyenne ($SE$<\/span>). Si l’\u00e9cart-type de la population $\\sigma$<\/span> est connu et que l’\u00e9chantillon comporte $N$<\/span> observations ind\u00e9pendantes, l’\u00e9quation math\u00e9matique s’exprime comme suit :<\/p>\n

$$Z = \\frac{\\bar{X} – \\mu_0}{\\frac{\\sigma}{\\sqrt{N}}}$$<\/span><\/p>\n

O\u00f9 $\\bar{X} = \\frac{1}{N} \\sum_{i=1}^N X_i$<\/span> repr\u00e9sente la moyenne arithm\u00e9tique de l’\u00e9chantillon. Cette formule illustre que le score Z repr\u00e9sente le nombre d’erreurs-types s\u00e9parant la moyenne de l’\u00e9chantillon de la moyenne sous l’hypoth\u00e8se nulle. La r\u00e8gle de d\u00e9cision s’appuie sur le choix a priori d’un seuil de signification, classiquement fix\u00e9 \u00e0 $\\alpha = 0{,}05$<\/span> ou $\\alpha = 0{,}01$<\/span>. Dans un test bilat\u00e9ral avec $\\alpha = 0{,}05$<\/span>, la probabilit\u00e9 d’erreur de rejet est scind\u00e9e \u00e9quitablement entre les deux queues de la distribution normale standard, allouant une probabilit\u00e9 de $0{,}025$<\/span> \u00e0 chaque extr\u00e9mit\u00e9.<\/p>\n

Les seuils critiques ($Z_{\\text{critique}}$<\/span>) correspondent aux quantiles de la loi normale centr\u00e9e r\u00e9duite d\u00e9limitant les zones de rejet. Pour $\\alpha = 0{,}05$<\/span> en test bilat\u00e9ral, la valeur critique est $Z_{\\text{critique}} = \\pm 1{,}96$<\/span>. D\u00e8s lors, si la valeur absolue du score Z calcul\u00e9 exc\u00e8de $1{,}96$<\/span> (soit $|Z| ge 1{,}96$<\/span>), ou de mani\u00e8re \u00e9quivalente si la p-valeur associ\u00e9e est strictement inf\u00e9rieure \u00e0 $0{,}05$<\/span>, le statisticien rejette formellement l’hypoth\u00e8se nulle au profit de l’hypoth\u00e8se alternative. Dans le cas contraire, on conclut \u00e0 la non-rejetabilit\u00e9 de $H_0$<\/span>, l’\u00e9cart \u00e9tant statistiquement compatible avec les seules fluctuations d’\u00e9chantillonnage.<\/p>\n

4.3 Risques d’erreur et puissance du test<\/h3>\n

La prise de d\u00e9cision inf\u00e9rentielle est intrins\u00e8quement probabiliste et s’accompagne in\u00e9vitablement de deux types d’erreurs potentielles. L’erreur de type I, ou risque $\\alpha$<\/span>, d\u00e9signe la probabilit\u00e9 de rejeter \u00e0 tort l’hypoth\u00e8se nulle alors qu’elle est en r\u00e9alit\u00e9 vraie dans la population (un faux positif). En fixant $\\alpha = 0{,}05$<\/span>, le chercheur accepte sciemment une probabilit\u00e9 de $5%$<\/span> d’affirmer l’existence d’une diff\u00e9rence qui ne rel\u00e8ve que du bruit stochastique.<\/p>\n

L’erreur de type II, d\u00e9sign\u00e9e par la lettre grecque $\\beta$<\/span>, correspond \u00e0 l’\u00e9chec du rejet de l’hypoth\u00e8se nulle alors que celle-ci est fausse et qu’un effet r\u00e9el pr\u00e9vaut dans la population parente (un faux n\u00e9gatif). Le compl\u00e9mentaire de cette probabilit\u00e9, not\u00e9 $1 – \\beta$<\/span>, d\u00e9finit la puissance statistique<\/a> du test. La puissance repr\u00e9sente la probabilit\u00e9 de d\u00e9tecter un effet d’une amplitude donn\u00e9e lorsqu’il existe effectivement. En contexte univari\u00e9, la puissance d\u00e9pend de trois facteurs interactifs : le niveau du seuil alpha retenu, la taille de l’\u00e9chantillon $N$<\/span>, et l’ampleur v\u00e9ritable de l’\u00e9cart standardis\u00e9 (la taille d’effet). Plus l’\u00e9chantillon est volumineux, plus l’erreur-type est r\u00e9duite, ce qui amplifie la statistique Z pour un \u00e9cart donn\u00e9 et maximise ainsi la probabilit\u00e9 d’obtenir une conclusion statistiquement concluante.<\/p>\n

5. Mise en \u0153uvre du test Z \u00e0 un \u00e9chantillon avec statsmodels<\/h2>\n

5.1 Syntaxe formelle et param\u00e8tres de statsmodels.stats.weightstats.ztest<\/h3>\n

Au sein de la biblioth\u00e8que Statsmodels, l’architecture computationnelle de l’inf\u00e9rence univari\u00e9e sur des variables continues repose sur la fonction ztest<\/code> issue du sous-module statsmodels.stats.weightstats<\/code>. L’invocation formelle de cette fonction met en jeu plusieurs param\u00e8tres d\u00e9terminants dont la ma\u00eetrise \u00e9vite des erreurs d’interpr\u00e9tation critiques :<\/p>\n

Le param\u00e8tre x1<\/code> accueille le vecteur des donn\u00e9es de l’\u00e9chantillon sous forme de tableau NumPy ou de s\u00e9rie Pandas unidimensionnelle. L’argument x2<\/code> est facultatif ; s’il est omis ou configur\u00e9 sur None<\/code>, la fonction bascule automatiquement sur l’ex\u00e9cution d’un test Z \u00e0 un \u00e9chantillon unique. Le param\u00e8tre value<\/code> sp\u00e9cifie la moyenne attendue sous l’hypoth\u00e8se nulle ($\\mu_0$<\/span>), sa valeur par d\u00e9faut \u00e9tant fix\u00e9e \u00e0 0. Le param\u00e8tre alternative<\/code> configure la directionalit\u00e9 de l’hypoth\u00e8se : il accepte la cha\u00eene de caract\u00e8res 'two-sided'<\/code> pour un test bilat\u00e9ral sym\u00e9trique (valeur par d\u00e9faut), 'larger'<\/code> pour une hypoth\u00e8se unilat\u00e9rale sup\u00e9rieure ($H_1 : \\mu > \\mu_0$<\/span>), et 'smaller'<\/code> pour une hypoth\u00e8se unilat\u00e9rale inf\u00e9rieure ($H_1 : mu < mu_0$). Enfin, l'argument ddof<\/code> permet de moduler les degr\u00e9s de libert\u00e9 soustraits au calcul de la variance d’\u00e9chantillon, la valeur par d\u00e9faut de 1 correspondant \u00e0 l’estimateur sans biais habituel.<\/p>\n

5.2 \u00c9tude de cas en psychologie cognitive : Impact pharmacologique sur le QI<\/h3>\n

Consid\u00e9rons un sc\u00e9nario exp\u00e9rimental r\u00e9aliste en neuropsychologie clinique. Une \u00e9quipe de chercheurs \u00e9tudie les effets potentiels d’un nouvel agent nootropique con\u00e7u pour att\u00e9nuer les d\u00e9ficits attentionnels chez des patients adultes. Une cohorte de vingt sujets ($N = 20$<\/span>) suit ce protocole pharmacologique exp\u00e9rimental durant une p\u00e9riode de douze semaines. \u00c0 l’issue de l’intervention, chaque participant est \u00e9valu\u00e9 au moyen de la batterie standardis\u00e9e WAIS-IV. L’\u00e9talonnage psychom\u00e9trique universellement reconnu de ce test fixe la moyenne de la population g\u00e9n\u00e9rale \u00e0 $\\mu_0 = 100$<\/span> et son \u00e9cart-type \u00e0 $\\sigma = 15$<\/span>.<\/p>\n

Les scores de quotient intellectuel total collect\u00e9s chez ces vingt patients sont saisis et encod\u00e9s dans un tableau Python : 102, 105, 110, 98, 107, 112, 101, 106, 109, 115, 99, 104, 108, 111, 103, 100, 114, 107, 109 et 106. La moyenne observ\u00e9e sur cet \u00e9chantillon s’\u00e9tablit \u00e0 $\\bar{X} = 106{,}35$<\/span>, avec un \u00e9cart-type empirique d’environ $4{,}78$<\/span>. L’interrogation scientifique consiste \u00e0 d\u00e9terminer si ce gain moyen apparent de $6{,}35$<\/span> points de QI par rapport \u00e0 la norme populationnelle de 100 constitue une am\u00e9lioration statistiquement significative ou si une telle d\u00e9viation rel\u00e8ve de l’al\u00e9a d’\u00e9chantillonnage.<\/p>\n

L’ex\u00e9cution computationnelle avec Python n\u00e9cessite simplement l’importation de la fonction et l’appel direct :<\/p>\n

from statsmodels.stats.weightstats import ztest<\/code>
\nscores = [102, 105, 110, 98, 107, 112, 101, 106, 109, 115, 99, 104, 108, 111, 103, 100, 114, 107, 109, 106]<\/code>
\nz_stat, p_val = ztest(x1=scores, value=100, alternative='two-sided')<\/code><\/p>\n

Notons que la fonction ztest<\/code> de Statsmodels calcule en interne l’\u00e9cart-type de l’\u00e9chantillon. Si l’on souhaite int\u00e9grer strictement la variance th\u00e9orique populationnelle ($\\sigma = 15$<\/span>), un calcul direct du score Z analytique confirme la robustesse du mod\u00e8le : avec $\\sigma = 15$<\/span>, l’erreur-type th\u00e9orique est $15 \/ \\sqrt{20} \\approx 3{,}354$<\/span>.<\/p>\n

5.3 Interpr\u00e9tation analytique des r\u00e9sultats produits<\/h3>\n

L’ex\u00e9cution de la fonction ztest<\/code> renvoie un tuple contenant la statistique Z calcul\u00e9e et la p-valeur asymptotique correspondante. En utilisant l’\u00e9cart-type th\u00e9orique de la population g\u00e9n\u00e9rale fix\u00e9 \u00e0 $\\sigma = 15$<\/span>, le calcul manuel du score Z fournit :<\/p>\n

$$Z = \\frac{106{,}35 – 100}{\\frac{15}{\\sqrt{20}}} = \\frac{6{,}35}{3{,}3541} \\approx 1{,}893$$<\/span><\/p>\n

Si l’on \u00e9value la p-valeur bilat\u00e9rale associ\u00e9e \u00e0 un score de $Z = 1{,}893$<\/span> sous la loi normale standard, on obtient une valeur approximative de $p = 0{,}0584$<\/span>. Face \u00e0 un seuil de signification pr\u00e9d\u00e9termin\u00e9 fix\u00e9 conventionnellement \u00e0 $\\alpha = 0{,}05$<\/span>, la p-valeur observ\u00e9e se r\u00e9v\u00e8le sup\u00e9rieure au niveau d’exigence requis ($0{,}0584 > 0{,}05$<\/span>). Par cons\u00e9quent, la r\u00e8gle de d\u00e9cision m\u00e9thodologique impose de ne pas rejeter l’hypoth\u00e8se nulle ($H_0$<\/span>).<\/p>\n

Sur le plan substantiel et clinique, bien que le groupe trait\u00e9 affiche une moyenne arithm\u00e9tique sup\u00e9rieure \u00e0 la norme standard de la population, l’\u00e9cart observ\u00e9 ne franchit pas le seuil de la signification statistique au niveau de confiance de $95%$<\/span>. Le chercheur doit conclure qu’il n’existe pas de preuve probante et statistiquement indiscutable permettant d’affirmer que le compos\u00e9 pharmacologique \u00e9l\u00e8ve significativement les capacit\u00e9s cognitives globales par rapport \u00e0 la population g\u00e9n\u00e9rale. Cette situation illustre avec \u00e9clat l’importance de ne pas confondre une diff\u00e9rence arithm\u00e9tique brute avec une divergence syst\u00e9matique av\u00e9r\u00e9e.<\/p>\n

6. Intervalles de confiance et taille d’effet pour le test Z \u00e0 un \u00e9chantillon<\/h2>\n

6.1 Estimation par intervalle de confiance asymptotique<\/h3>\n

Les tests de signification de l’hypoth\u00e8se nulle (NHST) souffrent d’une limitation \u00e9pist\u00e9mologique majeure : ils d\u00e9livrent un verdict binaire quant \u00e0 l’existence d’une diff\u00e9rence sans fournir d’information quantifi\u00e9e sur la localisation et la pr\u00e9cision de l’effet. L’American Psychological Association recommande express\u00e9ment de compl\u00e9ter syst\u00e9matiquement toute valeur p par une estimation de l’intervalle de confiance. Un intervalle de confiance \u00e0 $95%$<\/span> d\u00e9limite une plage de valeurs qui a $95%$<\/span> de probabilit\u00e9 de contenir le param\u00e8tre moyen inconnu de la population lors de r\u00e9plications successives du protocole d’\u00e9chantillonnage.<\/p>\n

La formulation math\u00e9matique de l’intervalle de confiance bilat\u00e9ral pour la moyenne, adoss\u00e9e au test Z avec une variance populationnelle connue $\\sigma$<\/span>, s’exprime par l’\u00e9quation :<\/p>\n

$$IC_{1-\\alpha} = \\left[ \\bar{X} – Z_{1 – alpha\/2} \\cdot \\frac{\\sigma}{\\sqrt{N}} ; , ; \\bar{X} + Z_{1 – alpha\/2} \\cdot \\frac{\\sigma}{\\sqrt{N}} \\right]$$<\/span><\/p>\n

Pour un niveau de confiance \u00e0 $95%$<\/span>, $Z_{0{,}975} = 1{,}96$<\/span>. En exploitant la fonction scipy.stats.norm.interval(confidence=0.95, loc=mean, scale=se)<\/code>, le chercheur programme directement le calcul de ces bornes. Dans notre cas d’\u00e9tude clinique ($N = 20$<\/span>, $\\bar{X} = 106{,}35$<\/span>, $SE = 3{,}3541$<\/span>), la marge d’erreur \u00e9quivaut \u00e0 $1{,}96 \\times 3{,}3541 \\approx 6{,}57$<\/span>. L’intervalle de confiance s’\u00e9tend donc de $[99{,}78 ; ; ; 112{,}92]$<\/span>. L’observation fondamentale r\u00e9side dans le fait que la valeur sous l’hypoth\u00e8se nulle ($\\mu_0 = 100$<\/span>) est englob\u00e9e \u00e0 l’int\u00e9rieur de cet intervalle (puisque $99{,}78 < 100 < 112{,}92$). Ce constat g\u00e9om\u00e9trique est math\u00e9matiquement \u00e9quivalent au non-rejet de l’hypoth\u00e8se nulle \u00e0$<\/span>alpha = 0{,}05$.<\/p>\n

6.2 Quantification de l’ampleur de l’effet avec le d de Cohen<\/h3>\n

Tandis que la significativit\u00e9 statistique \u00e9value si un \u00e9cart peut \u00eatre attribu\u00e9 au hasard, la taille d’effet mesure la magnitude clinique ou pratique de cet \u00e9cart, de mani\u00e8re totalement affranchie de l’effectif de l’\u00e9chantillon. Pour le test Z \u00e0 un \u00e9chantillon unique, l’indice d’ampleur standardis\u00e9 universel est le d de Cohen<\/a>. Il exprime la distance s\u00e9parant la moyenne observ\u00e9e de la valeur de r\u00e9f\u00e9rence en unit\u00e9s d’\u00e9cart-type :<\/p>\n

$$d = \\frac{\\bar{X} – \\mu_0}{\\sigma}$$<\/span><\/p>\n

Dans cette formulation, $\\sigma$<\/span> correspond \u00e0 l’\u00e9cart-type de r\u00e9f\u00e9rence de la population norm\u00e9e. L’impl\u00e9mentation de cette m\u00e9trique en Python s’av\u00e8re d’une grande simplicit\u00e9 algorithmique :<\/p>\n

def cohen_d_one_sample(mean_obs, mu_null, pop_std):<\/code>
\n    return (mean_obs - mu_null) \/ pop_std<\/code><\/p>\n

Pour nos donn\u00e9es empiriques, $d = (106{,}35 – 100) \/ 15 = 0{,}423$<\/span>. Selon les rep\u00e8res heuristiques \u00e9tablis par Jacob Cohen (1988), une valeur de $d \\approx 0{,}20$<\/span> traduit un effet de faible amplitude, $d \\approx 0{,}50$<\/span> correspond \u00e0 un effet mod\u00e9r\u00e9, et $d ge 0{,}80$<\/span> d\u00e9signe un effet de grande ampleur. Avec $d = 0{,}423$<\/span>, l’intervention pharmacologique produit un effet de taille mod\u00e9r\u00e9e sur les performances de quotient intellectuel. Bien que non significatif en raison d’un manque de puissance li\u00e9 au faible effectif ($N=20$<\/span>), cet effet d’amplitude substantielle sugg\u00e8re qu’une r\u00e9plication sur une cohorte plus large m\u00e9riterait d’\u00eatre entreprise.<\/p>\n

6.3 R\u00e9daction normalis\u00e9e des r\u00e9sultats selon les normes APA<\/h3>\n

La communication des r\u00e9sultats statistiques dans les revues internationales de psychologie et de sciences cognitives est strictement encadr\u00e9e par la 7e \u00e9dition des normes du manuel de publication de l’APA. Tout rapport d’un test Z doit obligatoirement juxtaposer les statistiques descriptives compl\u00e8tes, la statistique d’inf\u00e9rence avec sa valeur exacte, le seuil de probabilit\u00e9, l’intervalle de confiance et la taille d’effet standardis\u00e9e.<\/p>\n

Un paragraphe acad\u00e9mique r\u00e9dig\u00e9 selon les standards \u00e9ditoriaux les plus rigoureux s’\u00e9noncerait comme suit :<\/p>\n

\u00ab Un test Z \u00e0 un \u00e9chantillon ind\u00e9pendant a \u00e9t\u00e9 administr\u00e9 afin d’\u00e9valuer si les scores de quotient intellectuel total des patients recevant le traitement exp\u00e9rimental ($N = 20$<\/span>) s’\u00e9cartaient de la moyenne populationnelle norm\u00e9e ($\\mu = 100$<\/span>, $\\sigma = 15$<\/span>). Bien que la moyenne du groupe trait\u00e9 apparaisse descriptiquement sup\u00e9rieure ($\\bar{X} = 106{,}35$<\/span>, $s = 4{,}78$<\/span>), l’analyse inf\u00e9rentielle indique que cette diff\u00e9rence n’atteint pas le seuil de signification statistique bilat\u00e9ral pr\u00e9d\u00e9termin\u00e9, $Z = 1{,}89$<\/span>, $p = 0{,}058$<\/span>, IC \u00e0 95 % $[99{,}78 , ; , 112{,}92]$<\/span>. La taille d’effet standardis\u00e9e indique n\u00e9anmoins un impact d’amplitude mod\u00e9r\u00e9e de l’intervention, $d = 0{,}42$<\/span>. Ces constatations ne permettent pas de rejeter formellement l’hypoth\u00e8se nulle d’\u00e9quivalence \u00e0 la norme populationnelle. \u00bb<\/p>\n

7. Th\u00e9orie math\u00e9matique du test Z \u00e0 deux \u00e9chantillons<\/h2>\n

7.1 Hypoth\u00e8ses et distribution de la diff\u00e9rence des moyennes<\/h3>\n

Le test Z \u00e0 deux \u00e9chantillons vise \u00e0 comparer les moyennes th\u00e9oriques de deux sous-populations distinctes et mutuellement ind\u00e9pendantes, d\u00e9sign\u00e9es par $\\mu_1$<\/span> et $\\mu_2$<\/span>. Ce dispositif repr\u00e9sente le standard fondamental des \u00e9tudes exp\u00e9rimentales randomis\u00e9es contr\u00f4l\u00e9es opposant un groupe trait\u00e9 \u00e0 un groupe t\u00e9moin. L’hypoth\u00e8se nulle stipule formellement que la diff\u00e9rence entre les deux param\u00e8tres populationnels est strictement \u00e9gale \u00e0 une constante pr\u00e9d\u00e9finie $\\Delta_0$<\/span>, qui est quasi-syst\u00e9matiquement fix\u00e9e \u00e0 z\u00e9ro :<\/p>\n

$$H_0 : \\mu_1 – \\mu_2 = \\Delta_0 \\quad (\\Delta_0 = 0)$$<\/span><\/p>\n

L’hypoth\u00e8se alternative bilat\u00e9rale s’\u00e9crit de mani\u00e8re compl\u00e9mentaire :<\/p>\n

$$H_1 : \\mu_1 – \\mu_2 \\neq 0$$<\/span><\/p>\n

Sous r\u00e9serve que les deux populations sous-jacentes suivent des distributions normales ou que les effectifs $N_1$<\/span> et $N_2$<\/span> soient suffisamment volumineux pour invoquer le th\u00e9or\u00e8me central limite, la variable al\u00e9atoire r\u00e9gissant la diff\u00e9rence des moyennes empiriques $(\\bar{X}_1 – \\bar{X}_2)$<\/span> suit elle-m\u00eame une loi normale. En vertu de la propri\u00e9t\u00e9 d’additivit\u00e9 des variables al\u00e9atoires ind\u00e9pendantes, l’esp\u00e9rance de la diff\u00e9rence est \u00e9gale \u00e0 la diff\u00e9rence des esp\u00e9rances ($\\mathbb{E}[\\bar{X}_1 – \\bar{X}_2] = \\mu_1 – \\mu_2$<\/span>), et la variance de la diff\u00e9rence correspond exactement \u00e0 la somme des variances d’\u00e9chantillonnage de chaque moyenne respective.<\/p>\n

7.2 Formulation de l’erreur type combin\u00e9e<\/h3>\n

La d\u00e9rivation rigoureuse de la statistique Z \u00e0 deux \u00e9chantillons d\u00e9pend de la structure de dispersion des deux populations d’origine. Si l’on d\u00e9signe par $\\sigma_1^2$<\/span> et $\\sigma_2^2$<\/span> les variances respectives des populations 1 et 2, la variance th\u00e9orique de la diff\u00e9rence d’\u00e9chantillonnage s’\u00e9nonce comme :<\/p>\n

$$\\sigma^2_{\\bar{X}_1 – \\bar{X}_2} = \\frac{\\sigma_1^2}{N_1} + \\frac{\\sigma_2^2}{N_2}$$<\/span><\/p>\n

L’erreur-type de la diff\u00e9rence correspond \u00e0 la racine carr\u00e9e de cette somme. D\u00e8s lors, la statistique de test Z s’obtient par le quotient de la diff\u00e9rence observ\u00e9e (ajust\u00e9e de l’\u00e9cart nul sous $H_0$<\/span>) par cette erreur-type :<\/p>\n

$$Z = \\frac{(\\bar{X}_1 – \\bar{X}_2) – (\\mu_1 – \\mu_2)}{\\sqrt{\\frac{\\sigma_1^2}{N_1} + \\frac{\\sigma_2^2}{N_2}}}$$<\/span><\/p>\n

Lorsque la recherche s’effectue sur de grands \u00e9chantillons o\u00f9 les variances de population sont inconnues mais suppos\u00e9es homog\u00e8nes ($\\sigma_1^2 = \\sigma_2^2 = \\sigma^2$<\/span>), une estimation de variance combin\u00e9e (variance \u00ab pooled \u00bb) est souvent calcul\u00e9e \u00e0 partir des variances empiriques des deux \u00e9chantillons pond\u00e9r\u00e9es par leurs degr\u00e9s de libert\u00e9. Dans le cas d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances ($\\sigma_1^2 \\neq \\sigma_2^2$<\/span>), l’erreur-type emploie directement les variances empiriques s\u00e9par\u00e9es sans mise en commun.<\/p>\n

7.3 Consid\u00e9rations exp\u00e9rimentales en psychologie diff\u00e9rentielle<\/h3>\n

La validit\u00e9 interne d’un protocole \u00e0 deux groupes en psychologie diff\u00e9rentielle et exp\u00e9rimentale d\u00e9pend crucialement de l’ind\u00e9pendance statistique absolue entre les deux cohortes. Cela implique que la s\u00e9lection ou la mesure d’un participant dans le groupe exp\u00e9rimental ne doit en aucun cas interf\u00e9rer avec les participants du groupe t\u00e9moin. L’assignation al\u00e9atoire (randomisation pure) demeure la garantie la plus solide pour \u00e9liminer les biais d’attribution et \u00e9quilibrer les variables parasites non contr\u00f4l\u00e9es (telles que l’\u00e2ge, le statut socio-\u00e9conomique ou la r\u00e9activit\u00e9 cognitive de base).<\/p>\n

Un enjeu m\u00e9thodologique fr\u00e9quent r\u00e9side dans la disparit\u00e9 des effectifs d’\u00e9chantillons ($N_1 \\neq N_2$<\/span>). Bien que le test Z reste asymptotiquement valide en pr\u00e9sence d’\u00e9chantillons in\u00e9gaux, cette asym\u00e9trie r\u00e9duit la puissance statistique globale du protocole pour un nombre total de sujets donn\u00e9. De surcro\u00eet, si la condition d’homog\u00e9n\u00e9it\u00e9 des variances est viol\u00e9e simultan\u00e9ment \u00e0 la pr\u00e9sence de tailles de groupes in\u00e9gales, le comportement de la statistique de test devient particuli\u00e8rement instable : si le groupe le plus restreint pr\u00e9sente la variance la plus \u00e9lev\u00e9e, le taux r\u00e9el d’erreur de type I s’envole bien au-del\u00e0 de la limite nominale de $5%$<\/span>.<\/p>\n

8. Mise en \u0153uvre du test Z \u00e0 deux \u00e9chantillons avec Python<\/h2>\n

8.1 Syntaxe avanc\u00e9e pour deux groupes dans statsmodels<\/h3>\n

La fonction statsmodels.stats.weightstats.ztest<\/code> dispose des interfaces n\u00e9cessaires pour traiter de mani\u00e8re \u00e9l\u00e9gante et compacte la comparaison de deux groupes ind\u00e9pendants. L’utilisateur renseigne les donn\u00e9es du premier groupe dans l’argument x1<\/code> et celles du second groupe dans l’argument x2<\/code>. Ces arguments acceptent tout conteneur it\u00e9rable unidimensionnel, qu’il s’agisse de listes Python pures, de tableaux numpy.ndarray<\/code> ou de s\u00e9ries pandas.Series<\/code>.<\/p>\n

Trois param\u00e8tres additionnels contr\u00f4lent avec finesse le comportement du test : le param\u00e8tre value<\/code>, qui quantifie la diff\u00e9rence th\u00e9orique sous $H_0$<\/span> ($\\mu_1 – \\mu_2$<\/span>, initialis\u00e9 par d\u00e9faut \u00e0 0) ; le param\u00e8tre alternative<\/code>, prenant les modalit\u00e9s 'two-sided'<\/code>, 'larger'<\/code> (testant si $\\mu_1 > \\mu_2$<\/span>) ou 'smaller'<\/code> (testant si $mu_1 < mu_2$) ; et de fa\u00e7on fondamentale, le param\u00e8tre usevar<\/code>. Ce dernier accepte deux arguments textuels : 'pooled'<\/code> (par d\u00e9faut), qui calcule une variance combin\u00e9e sous l’hypoth\u00e8se d’homoscedasticit\u00e9 (variances \u00e9gales), ou 'unequal'<\/code>, qui calcule des erreurs-types s\u00e9par\u00e9es pour chaque groupe selon l’approche de Welch-Satterthwaite transpos\u00e9e au cadre asymptotique normal.<\/p>\n

8.2 \u00c9tude de cas clinique : Comparaison de deux th\u00e9rapies cognitives<\/h3>\n

Illustrons cette m\u00e9thodologie par un essai clinique randomis\u00e9 comparant deux interventions th\u00e9rapeutiques br\u00e8ves sur la diminution de l’anxi\u00e9t\u00e9 clinique. Soixante-dix patients diagnostiqu\u00e9s avec un trouble anxieux g\u00e9n\u00e9ralis\u00e9 sont assign\u00e9s al\u00e9atoirement \u00e0 l’un des deux protocoles suivants :<\/p>\n

Le groupe 1 ($N_1 = 35$<\/span>) participe \u00e0 un programme novateur de Th\u00e9rapie Cognitive et Comportementale bas\u00e9e sur la Pleine Conscience (MBCT). Le groupe 2 ($N_2 = 35$<\/span>) re\u00e7oit un protocole standard de Th\u00e9rapie Comportementale Classique ax\u00e9 sur l’exposition gradu\u00e9e. La variable d’\u00e9valuation primaire correspond \u00e0 la r\u00e9duction du score d’anxi\u00e9t\u00e9 mesur\u00e9 par l’Inventaire d’Anxi\u00e9t\u00e9 de Beck (BAI) entre l’inclusion et la fin de l’intervention (un score \u00e9lev\u00e9 traduisant une diminution marqu\u00e9e des sympt\u00f4mes anxieux).<\/p>\n

G\u00e9n\u00e9rons des donn\u00e9es exp\u00e9rimentales plausibles sous Python :<\/p>\n

import numpy as np<\/code>
\nfrom statsmodels.stats.weightstats import ztest<\/code>
\nnp.random.seed(42)<\/code>
\nmbct_reduction = np.random.normal(loc=14.5, scale=4.0, size=35)<\/code>
\nclassique_reduction = np.random.normal(loc=11.2, scale=4.2, size=35)<\/code>
\nz_score, p_value = ztest(x1=mbct_reduction, x2=classique_reduction, value=0, alternative='two-sided', usevar='pooled')<\/code><\/p>\n

Ce script synth\u00e9tise deux distributions gaussiennes poss\u00e9dant des moyennes de r\u00e9duction distinctes ($14{,}5$<\/span> points contre $11{,}2$<\/span> points) avec des dispersions similaires, et soumet directement les deux s\u00e9ries \u00e0 la fonction ztest<\/code>.<\/p>\n

8.3 Interpr\u00e9tation statistique et d\u00e9cisionnelle des r\u00e9sultats<\/h3>\n

L’ex\u00e9cution computationnelle du script sur ces donn\u00e9es simul\u00e9es fournit une statistique de test d’environ $Z \\approx 3{,}28$<\/span> et une p-valeur de l’ordre de $p \\approx 0{,}0010$<\/span>. L’analyse analytique de ces chiffres repose sur la confrontation directe avec les seuils conventionnels de la d\u00e9cision statistique.<\/p>\n

Puisque la p-valeur bilat\u00e9rale obtenue ($0{,}0010$<\/span>) est largement inf\u00e9rieure au seuil de signification alpha usuel fix\u00e9 \u00e0 $0{,}05$<\/span> (et demeure significative m\u00eame au seuil conservateur de $0{,}001$<\/span>), nous rejetons l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des efficacit\u00e9s. La statistique Z \u00e9tant positive ($+3{,}28$<\/span>), elle indique que la moyenne du premier groupe (MBCT) est significativement sup\u00e9rieure \u00e0 celle du groupe t\u00e9moin classique. Nous concluons avec un haut degr\u00e9 de certitude statistique que la th\u00e9rapie cognitive bas\u00e9e sur la pleine conscience entra\u00eene une r\u00e9duction moyenne de l’anxi\u00e9t\u00e9 significativement plus importante que l’approche comportementale classique.<\/p>\n

Toutefois, la prudence m\u00e9thodologique exige d’appr\u00e9cier la pertinence clinique au-del\u00e0 du seul verdict p-statistique. Une r\u00e9duction diff\u00e9rentielle moyenne d’environ 3 points sur l’\u00e9chelle de Beck doit \u00eatre rapport\u00e9e \u00e0 la \u00ab diff\u00e9rence minimale cliniquement importante \u00bb (MCID) document\u00e9e dans la litt\u00e9rature psychiatrique pour attester d’un b\u00e9n\u00e9fice tangible dans la vie quotidienne des patients.<\/p>\n

9. Diagnostics pr\u00e9alables et v\u00e9rification empirique des postulats<\/h2>\n

9.1 \u00c9valuation de la normalit\u00e9 univari\u00e9e<\/h3>\n

L’utilisation avertie des m\u00e9thodes d’inf\u00e9rence statistique impose de ne jamais appliquer un test param\u00e9trique sans avoir au pr\u00e9alable \u00e9prouv\u00e9 la validit\u00e9 de ses postulats math\u00e9matiques sous-jacents. La v\u00e9rification de la normalit\u00e9 des distributions empiriques constitue l’\u00e9tape diagnostique princeps. Sous Python, la biblioth\u00e8que SciPy met \u00e0 la disposition des chercheurs une batterie compl\u00e8te de tests d’ad\u00e9quation distributionnelle dans le module scipy.stats<\/code>.<\/p>\n

Le test de Shapiro-Wilk<\/a>, accessible via scipy.stats.shapiro(data)<\/code>, est reconnu comme l’un des tests d’ad\u00e9quation les plus puissants pour les \u00e9chantillons d’effectifs modestes ou interm\u00e9diaires ($N < 50$). Il \u00e9value l’hypoth\u00e8se nulle selon laquelle les donn\u00e9es proviennent d’une distribution normale. Une p-valeur inf\u00e9rieure \u00e0$<\/span>0{,}05$ signale un \u00e9cart significatif \u00e0 la normalit\u00e9. Pour des \u00e9chantillons plus importants, le test de normalit\u00e9 omnibus de D’Agostino-Pearson, impl\u00e9ment\u00e9 dans scipy.stats.normaltest(data)<\/code>, s’av\u00e8re particuli\u00e8rement judicieux car il combine l’analyse de l’asym\u00e9trie (skewness) et du kurtosis (aplatissement) empiriques.<\/p>\n

N\u00e9anmoins, le clinicien et le chercheur doivent rester conscients d’un paradoxe classique de l’inf\u00e9rence formelle : sur les cohortes de tr\u00e8s grande taille ($N > 500$<\/span>), les tests de normalit\u00e9 formels deviennent hypersensibles \u00e0 des d\u00e9viations infinit\u00e9simales et totalement b\u00e9nignes de la sym\u00e9trie parfaite, rejetant syst\u00e9matiquement la normalit\u00e9 alors m\u00eame que le th\u00e9or\u00e8me central limite garantit une robustesse totale \u00e0 la proc\u00e9dure Z. L’interpr\u00e9tation statistique doit donc imp\u00e9rativement combiner tests formels et inspections graphiques.<\/p>\n

9.2 D\u00e9tection et gestion des observations aberrantes<\/h3>\n

Les donn\u00e9es psychologiques, comportementales et neuropsychologiques sont fr\u00e9quemment pollu\u00e9es par des valeurs extr\u00eames ou aberrantes (\u00ab outliers \u00bb). Ces d\u00e9viations peuvent provenir d’erreurs mat\u00e9rielles de saisie, de d\u00e9faillances logicielles d’enregistrement des temps de r\u00e9action, ou d’un manque d’engagement av\u00e9r\u00e9 du participant lors de la passation de l’\u00e9preuve. La moyenne arithm\u00e9tique et la variance constituent des estimateurs notoirement instables dont la sensibilit\u00e9 aux observations extr\u00eames peut compl\u00e8tement corrompre la statistique Z.<\/p>\n

Deux m\u00e9thodologies compl\u00e9mentaires permettent d’isoler ces anomalies sous Python :<\/p>\n