Test de normalité

Un test de normalité évalue si un jeu de données suit une distribution normale (en cloche). De nombreuses méthodes statistiques — dont les tests t, l'ANOVA, la régression et les cartes de contrôle — supposent que les données sont distribuées normalement.

Dernière révision

Point clé

Un test de normalité évalue si un jeu de données suit une distribution normale (en cloche).

Sur cette page
  1. Qu'est-ce qu'un test de normalité ?
  2. Quand utiliser un test de normalité ?
  3. Recommandations pour bien utiliser le test de normalité
  4. Alternatives : quand ne pas utiliser le test de normalité
  5. Exemple de test de normalité
  6. Comment réaliser un test de normalité

Qu'est-ce qu'un test de normalité ?

Un test de normalité évalue si un jeu de données suit une distribution normale (en cloche). De nombreuses méthodes statistiques — dont les tests t, l'ANOVA, la régression et les cartes de contrôle — supposent que les données sont distribuées normalement. Réaliser d'abord un test de normalité permet de confirmer que cette hypothèse est valide, et de garantir que les résultats des analyses suivantes sont exacts et fiables.

Plusieurs méthodes sont disponibles, dont Anderson-Darling, Ryan-Joiner et Kolmogorov-Smirnov. Chacune repose sur une approche mathématique différente, mais toutes produisent une valeur p qui indique s'il existe des preuves significatives contre la normalité.

Définition simple : une vérification qui indique si vos données suivent une courbe normale en cloche — condition requise pour que de nombreux tests statistiques donnent des résultats valides.

Quand utiliser un test de normalité ?

  • À utiliser avant de réaliser des tests t, une ANOVA, une régression ou une analyse de capabilité pour confirmer que l'hypothèse de normalité est satisfaite.
  • À utiliser lorsque vous choisissez la carte de contrôle ou la méthode de capabilité appropriée — des données non normales exigent d'autres types de cartes ou des transformations.
  • À utiliser lorsque vous validez un nouveau jeu de données ou un nouveau procédé dont la forme de distribution est inconnue.
  • À utiliser lorsque vous décidez s'il faut appliquer une transformation (par ex. Box-Cox ou Johnson) avant la suite de l'analyse.

Recommandations pour bien utiliser le test de normalité

  • Recueillez au moins 20 points de données avant de réaliser un test de normalité — de très petits échantillons n'ont pas la puissance nécessaire pour détecter de façon fiable la non-normalité.
  • Utilisez le test d'Anderson-Darling par défaut — c'est la méthode la plus largement acceptée, et elle donne plus de poids aux queues de la distribution, là où la non-normalité apparaît typiquement.
  • Une valeur p supérieure à 0.05 indique des preuves insuffisantes pour rejeter la normalité — les données sont compatibles avec une distribution normale.
  • Une valeur p inférieure à 0.05 indique que les données s'écartent significativement de la normalité — envisagez une transformation ou une méthode non paramétrique.
  • Examinez toujours la droite de probabilité en plus de la valeur p — un contrôle visuel révèle la nature et la gravité de tout écart par rapport à la normalité.
  • Pour de grands effectifs d'échantillon (n > 100), le test devient très sensible à des écarts mineurs, sans importance pratique — associez toujours la valeur p à une évaluation visuelle.

Alternatives : quand ne pas utiliser le test de normalité

  • Si vous savez déjà que les données sont non normales, passez le test de normalité et allez directement à l' Identification de la distribution individuelle pour trouver la distribution la mieux ajustée.
  • Si votre effectif d'échantillon est très petite (moins de 10), le test de normalité a une puissance très faible — envisagez de recueillir davantage de données avant de tirer des conclusions.
  • Si vous travaillez avec des données d'attribut (comptages ou proportions), le test de normalité ne s'applique pas — ces types de données suivent des distributions binomiale ou de Poisson.

Exemple de test de normalité

Voici un échantillon aléatoire de données issu d'une distribution binomiale. Réalisons un test de normalité d'Anderson-Darling sur ces données. Le test se déroule selon les étapes suivantes :

  1. Recueillir les données nécessaires.
Normality test — figure 1
  1.  Analysez ensuite les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
  2.  Pour trouver le test de normalité, choisissez Statistical module> Hypothesis Test> Normality test.
  3.  Dans l'outil, saisissez les données ainsi que les autres paramètres comme suit :
Normality test — figure 2

5. Après exécution de l'outil, les résultats obtenus sont les suivants :

Normality test — figure 3

Comment réaliser un test de normalité

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> Hypothesis Test >Normality test .
  3. Ensuite, saisissez les données manuellement, ou copiez (Ctrl+C) l'ensemble des données d'une feuille Excel et collez-les (Ctrl+V) ici.
  4. Renseignez les options requises.
  5. Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.

Dans le tableau de bord du test de normalité, la fenêtre est divisée en deux parties.

Normality test — figure 4

La partie gauche contient le Data Pane (volet de données). Dans le Data Pane, chaque ligne constitue un sous-groupe. Les données peuvent être saisies manuellement, ou vous pouvez copier (Ctrl+C) l'ensemble des données d'une feuille Excel et les coller (Ctrl+V) ici.

Load example : des données d'exemple sont chargées.

Load File : permet de charger directement les données Excel.

La partie droite contient de nombreuses options, décrites ci-dessous :

  • Responses Sélectionnez la ou les colonnes contenant les données continues dont vous voulez tester la normalité. Utilisez Ctrl ou Commande + clic pour sélectionner plusieurs colonnes si vous voulez tester plusieurs variables à la fois. Chaque colonne sélectionnée est testée et tracée indépendamment — l'outil génère une droite de probabilité et un résultat distincts pour chaque variable sélectionnée.
  • Tests for Normality Choisissez la méthode statistique utilisée pour évaluer si les données suivent une distribution normale. Trois options sont disponibles — chacune repose sur une approche mathématique différente, mais toutes produisent une valeur p et une droite de probabilité :
  • Anderson-Darling — la méthode la plus utilisée et recommandée par défaut. Elle donne plus de poids aux queues de la distribution, ce qui la rend plus sensible aux écarts situés aux extrémités des données. Idéale pour les tests de normalité d'usage général dans la plupart des secteurs et des applications.
  • Ryan-Joiner — d'approche proche du test de Shapiro-Wilk, elle mesure dans quelle mesure les points de données suivent une droite sur une droite de probabilité normale. Une bonne alternative lorsque vous voulez une évaluation de la normalité fondée sur la corrélation. Notez que cette méthode est une approximation du test de Shapiro-Wilk.
  • Shapiro-Wilk — largement considéré comme l'un des tests de normalité les plus puissants, en particulier pour les petits effectifs d'échantillon (moins de 50 observations). Il calcule une statistique W qui mesure la qualité de l'ajustement des données à une distribution normale ; c'est le choix à privilégier lorsque les effectifs d'échantillon sont petits et que la précision compte.
  • Title Permet de saisir un titre personnalisé qui apparaîtra en haut du résultat de la droite de probabilité. C'est utile pour étiqueter le graphique avec le nom de la variable, du produit, la référence de l'étude ou la date — ce qui facilite l'identification et la présentation du résultat dans des rapports ou de la documentation.
  • Download as Excel Exporte les résultats du test de normalité, dont la statistique de test, la valeur p et les statistiques descriptives, dans un fichier Excel pour établir un rapport, les partager avec des collègues ou conserver une trace formelle de l'analyse.

Questions fréquentes

Qu'est-ce qu'un test de normalité ?

Un test de normalité évalue si un jeu de données suit une distribution normale en cloche. De nombreuses méthodes, dont les tests t, l'ANOVA, la régression et les cartes de contrôle, supposent des données distribuées normalement ; réaliser d'abord un test de normalité permet donc de confirmer que cette hypothèse est valide. Les méthodes disponibles comprennent Anderson-Darling, Ryan-Joiner et Shapiro-Wilk, chacune produisant une valeur p.

Comment interpréter la valeur p d'un test de normalité ?

Une valeur p supérieure à 0.05 indique des preuves insuffisantes pour rejeter la normalité ; les données sont donc compatibles avec une distribution normale. Une valeur p inférieure à 0.05 indique que les données s'écartent significativement de la normalité ; envisagez une transformation ou une méthode non paramétrique. Examinez toujours la droite de probabilité en plus de la valeur p.

Quel test de normalité utiliser ?

Anderson-Darling est le choix par défaut recommandé ; il donne plus de poids aux queues, là où la non-normalité apparaît typiquement. Shapiro-Wilk est considéré comme l'un des tests les plus puissants pour les petits échantillons de moins de 50 observations. Ryan-Joiner est une approximation de Shapiro-Wilk fondée sur la corrélation, qui mesure dans quelle mesure les points suivent une droite sur une droite de probabilité normale.

De combien de points de données a-t-on besoin pour un test de normalité ?

Recueillez au moins 20 points de données, car de très petits échantillons n'ont pas la puissance nécessaire pour détecter la non-normalité ; avec moins de 10, le test a une puissance très faible. Pour de grands échantillons de plus de 100, le test devient très sensible à des écarts mineurs, sans importance pratique ; associez donc la valeur p à une évaluation visuelle de la droite de probabilité.