Transformation de Box-Cox

Box-Cox transforme des données continues asymétriques vers la normalité avant une analyse de capabilité, des cartes de contrôle ou une régression. L'outil trouve automatiquement le meilleur lambda et fournit aussi un lambda arrondi, tel que 0 (log) ou 0.5 (racine carrée). Toutes les valeurs doivent être positives, avec au moins 20 à 30 points de données. Vérifiez ensuite la normalité ; les statistiques de capabilité sont exprimées dans l'échelle transformée.

Dernière révision

Point clé

La transformation de Box-Cox ramène des données continues non normales vers une forme quasi normale grâce à un paramètre, lambda, afin que les analyses de capabilité, cartes de contrôle ou régressions supposant la normalité soient fiables.

Sur cette page
  1. Qu'est-ce que la transformation de Box-Cox ?
  2. Quand utiliser la transformation de Box-Cox ?
  3. Fonctionnement de lambda (λ)
  4. Recommandations pour bien utiliser la transformation de Box-Cox
  5. Alternatives : quand ne pas utiliser la transformation de Box-Cox
  6. Exemple de transformation de Box-Cox
  7. Comment effectuer une transformation de Box-Cox

Qu'est-ce que la transformation de Box-Cox ?

Box-Cox est une transformation mathématique appliquée à vos données avant de lancer une analyse de capabilité ou de créer une carte de contrôle. Son but est de convertir des données qui ne suivent pas une distribution normale (en cloche) en une forme qui s'en rapproche étroitement.

De nombreux outils statistiques supposent que vos données suivent une distribution normale. Lorsque ce n'est pas le cas, les résultats peuvent être inexacts ou trompeurs. Box-Cox résout ce problème en remodelant mathématiquement les données à l'aide d'un paramètre de transformation appelé lambda (λ), de sorte que les techniques d'analyse usuelles puissent être appliquées de façon fiable.

Définition simple : un outil qui remodèle des données asymétriques ou non normales en une forme proche de la normale, afin que votre analyse donne des résultats exacts et dignes de confiance.

Quand utiliser la transformation de Box-Cox ?

  • Utilisez-la lorsque vos données sont continues mais non distribuées normalement — par exemple, des mesures de procédé fortement asymétriques.
  • Appliquez-la avant de lancer une analyse de capabilité, des cartes de contrôle ou une régression qui supposent la normalité.
  • Ne l'utilisez pas sur des données déjà distribuées normalement : une transformation inutile peut fausser les résultats.

Fonctionnement de lambda (λ)

Lambda est le paramètre clé qui contrôle la forme de la transformation. L'outil trouve automatiquement la meilleure valeur de lambda pour vos données.

Valeur de lambda

Effet sur les données

λ = 2

Transformation par le carré — corrige l'asymétrie à gauche

λ = 1

Aucune transformation — les données sont utilisées telles quelles

λ = 0.5

Transformation par la racine carrée — correction d'une asymétrie légère

λ = 0

Transformation par le logarithme népérien — correction d'une asymétrie modérée

λ = −1

Transformation inverse — correction d'une asymétrie forte

Recommandations pour bien utiliser la transformation de Box-Cox

  • Toutes les valeurs doivent être positives — Box-Cox ne peut pas traiter les valeurs nulles ou négatives.
  • Recueillez au moins 20 à 30 points de données pour que la transformation estime lambda de façon fiable.
  • Après la transformation, vérifiez toujours la normalité à l'aide d'une droite de probabilité ou d'un test de normalité avant de poursuivre.
  • Utilisez la valeur arrondie de lambda fournie dans les résultats pour l'interprétation pratique : elle est plus facile à communiquer.
  • N'oubliez pas que toutes les statistiques de capabilité (Cp, Cpk) sont exprimées dans l'échelle transforméeet non dans l'échelle des données d'origine.

Alternatives : quand ne pas utiliser la transformation de Box-Cox

  • Si vos données sont de type attribut (conforme/non conforme, comptages), utilisez la capabilité binomiale ou de Poisson
  • Si vos données sont déjà distribuées normalement, aucune transformation n'est nécessaire : appliquer Box-Cox inutilement peut fausser les résultats.
  • Si vos données contiennent des valeurs nulles ou négatives, utilisez plutôt la transformation de Johnson , qui gère toute la plage de valeurs.
  • Si les données suivent une distribution non normale connue (p. ex. Weibull, exponentielle), utilisez plutôt la capabilité du procédé non normale avec cette distribution précise.
  • Si vous avez moins de 20 points de données, l'estimation de lambda peut être peu fiable : recueillez davantage de données avant d'appliquer une transformation.

Exemple de transformation de Box-Cox

Un ingénieur qualité d'une entreprise de compléments alimentaires souhaite évaluer la teneur en calcium de capsules de vitamines. Il prélève un échantillon aléatoire de capsules et mesure leur teneur en calcium. D'après des observations antérieures, il sait que la distribution des données est asymétrique à droite.

Pour y remédier, l'ingénieur applique la transformation de Box-Cox afin de normaliser les données, et enregistre les valeurs transformées dans la feuille de calcul pour des analyses complémentaires. Il procède comme suit :

  1. Rassembler les données nécessaires.
Box-Cox Transformation — figure 1
  1.  Analysez maintenant les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
  2.  Pour trouver Box-Cox Transformation, choisissez Statistical module> Control Charts>Box-Cox Transformation.
  3.  Dans l'outil, saisissez les données ainsi que les autres paramètres comme suit :
Box-Cox Transformation — figure 2

5. Après avoir utilisé l'outil ci-dessus, récupérez les résultats comme suit :

Box-Cox Transformation — figure 3

Comment effectuer une transformation de Box-Cox

La marche à suivre est la suivante :

  1. Connectez-vous à Zometric Statistical Software à l'adresse https://statsai.zometric.com/
  2. Sur la page d'accueil, choisissez Statistical Tool> Control Charts >Box-Cox Transformation.
  3. Cliquez sur Box-Cox Transformation pour accéder au tableau de bord.
  4. Ensuite, saisissez les données manuellement, ou copiez-les (Ctrl+C) depuis une feuille Excel et collez-les (Ctrl+V) ici.
  5. Ensuite, renseignez les options requises.
  6. Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.

Sur le tableau de bord de Box-Cox Transformation, la fenêtre est divisée en deux parties.

Box-Cox Transformation — figure 4

Dans la partie gauche se trouve le Data Pane (volet de données). Dans le Data Pane, chaque ligne constitue un sous-groupe. Les données peuvent être saisies manuellement, ou copiées (Ctrl+C) depuis une feuille Excel et collées (Ctrl+V) ici.

Load example : des données d'exemple sont chargées.

Load File : permet de charger directement les données Excel.

Dans la partie droite se trouvent plusieurs options, comme suit :

  • Subgroup Columns : définit comment vos données sont organisées avant l'application de la transformation. Si vos données sont réparties en colonnes distinctes, chaque colonne représentant un sous-groupe, sélectionnez ces colonnes ici. Cela indique à l'outil comment lire et regrouper les mesures pour que le lambda soit calculé sur la bonne structure de données.
  • Alpha (Default 0.05) : fixe le seuil de signification utilisé pour déterminer l'intervalle de confiance de lambda. La valeur par défaut de 0.05 signifie qu'il y a 5 % de risque de rejeter à tort une valeur de lambda, ce qui donne un intervalle de confiance à 95 % autour du meilleur lambda ajusté. Un alpha plus faible élargit l'intervalle de confiance et le rend plus prudent ; un alpha plus élevé le resserre. La valeur par défaut de 0.05 est la norme universellement admise en analyse statistique.
  • Lambda (λ) : le paramètre de transformation qui contrôle la façon dont les données sont remodelées mathématiquement. L'outil recherche automatiquement la valeur optimale de lambda qui rapproche le plus possible vos données d'une distribution normale. Le lambda exact est la valeur mathématique précise calculée à partir de vos données ; ce peut être une décimale comme 0.3271 ou −0.8145.
  • Rounded Lambda : une version simplifiée et pratique du lambda exact, arrondie à une valeur usuelle comme 0, 0.5 ou 1. Elle est recommandée pour l'usage courant car elle correspond à une transformation reconnaissable (p. ex. logarithme, racine carrée), plus facile à expliquer, à documenter et à reproduire. Dans la plupart des cas, le lambda arrondi donne un résultat presque identique à la valeur exacte, avec une bien meilleure lisibilité.
  • Download as Excel : affiche le résultat au format Excel ; il peut être facilement modifié puis rechargé pour de nouveaux calculs avec l'option Load File.

Questions fréquentes

Qu'est-ce que la transformation de Box-Cox ?

La transformation de Box-Cox remodèle des données continues qui ne suivent pas une distribution normale en une forme proche de la normalité, à l'aide d'un paramètre appelé lambda. Elle s'applique avant une analyse de capabilité, des cartes de contrôle ou une régression qui supposent la normalité, afin que les techniques usuelles donnent des résultats fiables. L'outil trouve automatiquement le meilleur lambda pour les données.

Que signifient les valeurs courantes de lambda dans Box-Cox ?

Un lambda de 2 correspond à une transformation par le carré qui corrige l'asymétrie à gauche, 1 signifie aucune transformation, 0.5 est une transformation par la racine carrée pour une asymétrie légère, 0 est une transformation par le logarithme népérien pour une asymétrie modérée, et -1 est une transformation inverse pour une asymétrie forte. Les résultats donnent le lambda exact et un lambda arrondi, plus facile à expliquer et à reproduire.

Quelles sont les conditions d'utilisation de Box-Cox ?

Toutes les valeurs doivent être positives, car Box-Cox ne peut pas traiter les valeurs nulles ou négatives. Recueillez au moins 20 à 30 points de données pour estimer lambda de façon fiable, puis vérifiez la normalité avec une droite de probabilité ou un test de normalité. Ne l'appliquez pas à des données déjà normales, car une transformation inutile peut fausser les résultats.

Quand utiliser plutôt la transformation de Johnson ou la capabilité non normale ?

Utilisez la transformation de Johnson si les données contiennent des valeurs nulles ou négatives. Si les données suivent une distribution non normale connue, comme Weibull ou exponentielle, utilisez la capabilité du procédé non normale avec cette distribution. Pour des données d'attribut telles que conforme/non conforme ou des comptages, utilisez la capabilité binomiale ou de Poisson.