Transformation de Johnson
La transformation de Johnson est une technique statistique qui convertit des données non normales en une distribution quasi normale, les rendant utilisables pour les analyses statistiques qui exigent la normalité. Elle utilise trois types de distribution (SU (non bornée), SB (bornée) et SL (lognormale)) pour identifier la transformation la mieux ajustée selon les caractéristiques des données.
Dernière révision
Point clé
La transformation de Johnson est une technique statistique qui convertit des données non normales en une distribution quasi normale, les rendant utilisables pour les analyses statistiques qui exigent la normalité.
Sur cette page
Qu'est-ce que la transformation de Johnson ?
La transformation de Johnson est une technique statistique qui convertit des données non normales en une distribution quasi normale, les rendant utilisables pour les analyses statistiques qui exigent la normalité. Elle utilise trois types de distribution (SU (non bornée), SB (bornée) et SL (lognormale)) pour identifier la transformation la mieux ajustée selon les caractéristiques des données. Développée par Norman L. Johnson, cette transformation est largement utilisée en contrôle qualité et dans les études de capabilité du procédé. Les logiciels statistiques automatisent généralement la transformation de Johnson, ce qui aide à interpréter correctement des données non normales.
Quand utiliser la transformation de Johnson ?
La transformation de Johnson est utile dans les cas suivants :
- Données non normales: lorsque vos données ne suivent pas une distribution normale, surtout en cas d'asymétrie ou d'aplatissement (kurtosis) extrêmes.
- Analyse de capabilité du procédé: pour obtenir des indices de capabilité exacts (p. ex. Cp, Cpk) en contrôle qualité, où des données normalement distribuées sont requises.
- Cartes de contrôle: lorsque des données non normales nuisent à l'exactitude d'une carte de contrôle, la transformation peut en améliorer la sensibilité.
- Tests statistiques exigeant la normalité: pour des tests comme l'ANOVA ou les tests t, qui supposent la normalité, la transformation de Johnson peut aider à satisfaire cette hypothèse.
- Données bornées: pour des données bornées d'un ou des deux côtés, comme des pourcentages ou des comptages, la transformation de Johnson peut normaliser efficacement les valeurs.
Elle est couramment utilisée en management de la qualité, en fabrication et dans les projets Six Sigma.
Recommandations pour bien utiliser la transformation de Johnson
- Les données doivent être continues, c'est-à-dire des mesures pouvant prendre n'importe quelle valeur numérique dans un intervalle donné sur une échelle continue, y compris des valeurs fractionnaires et décimales. Des exemples typiques sont des variables telles que la longueur, le poids et la température.
Alternatives : quand ne pas utiliser la transformation de Johnson
- Pour réaliser une analyse de capabilité normale sur des données non normales à l'aide d'une transformation de Johnson sans enregistrer les valeurs transformées, vous pouvez sélectionner directement les options Transform dans Normal Capability Analysis. Lorsqu'une transformation de Box-Cox est préférée, par exemple pour des cartes de contrôle ou dans Individual Distribution Identification, cette méthode est simple et intuitive mais se limite aux données uniquement positives. Sinon, si la transformation des données n'est pas nécessaire, vous pouvez ajuster directement les données à une distribution non normale avec l'option Individual Distribution Identification.
Exemple de transformation de Johnson
Un ingénieur qualité d'une entreprise de compléments alimentaires veut 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 Johnson afin de normaliser les données et enregistre les valeurs transformées dans la feuille de calcul pour des analyses ultérieures. Il procède ainsi :
- Rassemblement des données nécessaires.

- Analysez ensuite les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
- Pour trouver Johnson Transformation, choisissez Statistical module> Control Charts>Johnson Transformation.
- Dans l'outil, il saisit les données ainsi que les autres entrées comme suit :

5. Après avoir utilisé l'outil mentionné ci-dessus, il obtient les résultats suivants :


Comment réaliser une transformation de Johnson
La marche à suivre est la suivante :
- Connectez-vous à Zometric Statistical Software à l'adresse https://statsai.zometric.com/
- Sur la page d'accueil, choisissez Statistical Tool> Control Charts >Johnson Transformation.
- Cliquez sur Johnson Transformation pour accéder au tableau de bord.
- Ensuite, mettez à jour les données manuellement, ou copiez-les (Ctrl+C) depuis une feuille Excel et collez-les (Ctrl+V) ici.
- Ensuite, vous devez renseigner les options requises.
- Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.
Sur le tableau de bord de Johnson Transformation, la fenêtre est divisée en deux parties.

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 puis 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, de nombreuses options sont proposées :
- Subgroup Columns : sélectionnez les colonnes (nom de l'attribut) selon les données fournies.
- P-value to select best fit : saisissez une valeur entre 0 et 1 pour fixer le seuil de signification du test de normalité des données, avant et après transformation. Un seuil de signification plus élevé impose des critères de normalité plus stricts, tandis qu'une valeur plus faible applique des critères moins stricts. Pour évaluer l'ajustement de la distribution, un seuil alpha de 0.05 ou 0.10 est souvent utilisé.
Questions fréquentes
Qu'est-ce que la transformation de Johnson ?
La transformation de Johnson convertit des données non normales en une distribution quasi normale afin de pouvoir les utiliser dans des analyses qui exigent la normalité. Elle utilise trois types de distribution, SU (non bornée), SB (bornée) et SL (lognormale), pour trouver la transformation la mieux ajustée aux données. Elle a été développée par Norman L. Johnson et est largement utilisée en contrôle qualité et dans les études de capabilité du procédé.
Quand utiliser une transformation de Johnson ?
Utilisez-la lorsque les données ne suivent pas une distribution normale, surtout en cas d'asymétrie ou d'aplatissement extrêmes ; pour des indices de capabilité tels que Cp et Cpk qui exigent des données normales ; lorsque des données non normales nuisent à l'exactitude d'une carte de contrôle ; pour des tests tels que l'ANOVA ou les tests t qui supposent la normalité ; et pour des données bornées d'un ou des deux côtés. Les données doivent être continues.
Quelle différence entre les transformations de Johnson et de Box-Cox ?
La transformation de Box-Cox est simple et intuitive mais se limite aux données uniquement positives. La transformation de Johnson choisit parmi les familles SU, SB et SL celle qui s'ajuste aux données. Si la transformation n'est pas nécessaire, vous pouvez à la place ajuster directement les données à une distribution non normale avec Individual Distribution Identification.
Quelle valeur p utiliser pour sélectionner le meilleur ajustement de Johnson ?
Le paramètre P-value to select best fit, entre 0 et 1, fixe le seuil de signification du test de normalité avant et après transformation. Une valeur plus élevée impose des critères de normalité plus stricts, une valeur plus faible des critères moins stricts. Un seuil alpha de 0.05 ou 0.10 est souvent utilisé pour évaluer l'ajustement de la distribution.
