1) Non, ce n'est pas le cas.
2) parce que le calcul de la distribution de la statistique de test repose sur l'utilisation de la racine carrée de la variance corrigée de Bessel ordinaire pour obtenir l'estimation de l'écart-type.
Si elle était incluse, elle ne ferait évoluer chaque statistique t - et donc sa distribution - que par un facteur (différent à chaque df); cela permettrait alors de mettre à l'échelle les valeurs critiques du même facteur.
Donc, vous pouvez, si vous le souhaitez, construire un nouvel ensemble de tables "t" avec s ∗ = s /c4 utilisé dans la formule pour une nouvelle statistique, t ∗ =X¯¯¯¯¯-μ0s ∗ /n√=c4( n )tn - 1, puis multipliez toutes les valeurs tabulées pour tν par le correspondant c4( ν+ 1 )pour obtenir des tableaux pour la nouvelle statistique. Mais nous pourrions aussi facilement baser nos tests sur des estimations ML deσ, ce qui serait plus simple à plusieurs égards, mais ne changerait rien de substantiel à propos des tests.
Rendre l’estimation de l’écart-type de population non biaisé ne ferait que rendre le calcul plus compliqué et ne sauverait rien d’autre (le même X¯, x2¯¯¯¯¯ et nconduirait finalement au même rejet ou non-rejet). [À quelle fin? Pourquoi ne pas plutôt choisir MLE ou MSE minimum ou un certain nombre d'autres façons d'obtenir des estimateurs deσ?]
Il n'y a rien de particulièrement précieux à avoir une estimation impartiale de s à cet effet (l'impartialité est une bonne chose à avoir, toutes choses étant égales par ailleurs, mais d'autres choses sont rarement égales).
Étant donné que les gens sont habitués à utiliser les variances corrigées de Bessel et donc l'écart-type correspondant, et les distributions nulles qui en résultent sont assez simples, il y a peu - voire rien du tout - à gagner en utilisant une autre définition.