Test d'ajustement de Poisson (Poisson Goodness Of Fit)

Un test d'ajustement de Poisson détermine si des données de comptage suivent une distribution de Poisson — qui décrit combien de fois un événement rare se produit dans un intervalle fixe de temps, de surface, de volume ou d'opportunités. Si les données s'ajustent bien à la distribution de Poisson, cela confirme que les événements surviennent de façon aléatoire et indépendante, à un taux moyen constant.

Dernière révision

Point clé

Un test d'ajustement de Poisson détermine si des données de comptage suivent une distribution de Poisson, qui décrit combien de fois un événement rare se produit dans un intervalle fixe de temps, de surface, de volume ou d'opportunités.

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

Qu'est-ce que le test d'ajustement de Poisson ?

Un test d'ajustement de Poisson détermine si des données de comptage suivent une distribution de Poisson — qui décrit combien de fois un événement rare se produit dans un intervalle fixe de temps, de surface, de volume ou d'opportunités. Si les données s'ajustent bien à la distribution de Poisson, cela confirme que les événements surviennent de façon aléatoire et indépendante, à un taux moyen constant.

Les applications courantes consistent à tester si le nombre de défauts par unité, d'arrivées de clients par heure ou de pannes d'équipement par mois suit le modèle de Poisson — qui est le fondement des cartes C et des cartes U en maîtrise statistique des procédés.

Définition simple : un test qui vérifie si vos données de comptage s'ajustent à la distribution de Poisson — en confirmant que les événements rares surviennent de façon aléatoire et indépendante, à un taux moyen régulier.

Quand utiliser le test d'ajustement de Poisson ?

  • À utiliser lorsque vos données sont des comptages d'événements (et non des mesures) — comme des défauts par unité, des erreurs par document ou des pannes par machine et par mois.
  • À utiliser lorsque vous voulez valider l'hypothèse d'un processus de Poisson avant d'appliquer des cartes C, des cartes U ou une régression de Poisson.
  • À utiliser lorsque les événements sont rares par rapport au nombre d'opportunités — la distribution de Poisson convient lorsque la probabilité d'un événement isolé est faible mais que le nombre d'opportunités est grand.
  • À utiliser pour diagnostiquer une surdispersion — si les données échouent nettement à l'ajustement de Poisson, la variance dépasse la moyenne, ce qui suggère des sources de variation supplémentaires qu'une carte C ou U standard ne verrait pas.

Recommandations pour bien utiliser le test d'ajustement de Poisson

  • Les événements doivent être indépendants — la survenue d'un événement ne doit pas influencer la probabilité du suivant.
  • Le taux moyen d'occurrence doit être constant sur toutes les périodes d'observation — si le taux change dans le temps, le modèle de Poisson ne convient pas.
  • Assurez-vous que les fréquences attendues de chaque catégorie de comptage sont d'au moins 1 à 5 — regroupez les catégories à faibles effectifs si nécessaire pour un test fiable.
  • Une valeur p inférieure à 0.05 indique que les données ne s'ajustent pas à la distribution de Poisson — cherchez si la surdispersion, des regroupements ou des taux changeants en sont la cause.

Alternatives : quand ne pas utiliser le test d'ajustement de Poisson

  • Si des données de comptage échouent à l'ajustement de Poisson à cause d'une surdispersion, utilisez la distribution binomiale négative ou les cartes U' / P' de Laney
  • Si la réponse est catégorielle plutôt qu'un comptage, utilisez le test d'ajustement du khi-deux
  • Si la réponse est continue, utilisez le test de normalité ou l'identification de la distribution individuelle
  • Si les événements ne sont pas rares ou si le taux d'événements est élevé, l'hypothèse de Poisson peut ne pas tenir — envisagez un test de distribution binomiale

Exemple de test d'ajustement de Poisson ?

Un ingénieur qualité veut savoir si les défauts par téléphone mobile suivent une distribution de Poisson. Il sélectionne au hasard 300 téléphones et relève le nombre de défauts de chacun. Le test se déroule selon les étapes suivantes :

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

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

Poisson Goodness Of Fit — figure 3Poisson Goodness Of Fit — figure 4

Comment réaliser un test d'ajustement de Poisson

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 >Poisson Goodness Of Fit .
  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 d'ajustement de Poisson, la fenêtre est divisée en deux parties.

Poisson Goodness Of Fit — figure 5

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 :

  • Variable Sélectionnez la colonne contenant les données de comptage à tester — par exemple le nombre de défauts par unité, d'erreurs par document ou de pannes par machine et par période d'inspection. Chaque valeur de cette colonne représente un comptage du nombre de fois qu'un événement s'est produit dans une opportunité ou un intervalle de temps défini. C'est la principale entrée que le test utilise pour évaluer si les données suivent une distribution de Poisson. Ce champ est obligatoire.
  • Frequency Variable Sélectionnez la colonne contenant la fréquence de chaque valeur de comptage — c'est-à-dire combien de fois chaque comptage précis apparaît dans le jeu de données. Ce champ est facultatif ; il sert lorsque vos données sont déjà résumées dans un tableau de fréquences plutôt que listées sous forme d'observations individuelles.
  • Par exemple, si vos données montrent qu'un comptage de 0 défaut est apparu 15 fois, un comptage de 1 défaut 22 fois et un comptage de 2 défauts 8 fois, vous saisiriez les valeurs de comptage (0, 1, 2) dans la colonne Variable et les fréquences correspondantes (15, 22, 8) dans la colonne Frequency Variable. Si vos données sont sous forme brute, avec une observation par ligne, laissez ce champ vide.
  • Bar Chart of Observed and Expected Values Lorsque cette option est activée, affiche un diagramme à barres côte à côte comparant les comptages observés réels aux comptages attendus sous une distribution de Poisson. C'est le résultat visuel le plus instructif — il montre immédiatement si la forme de vos données observées correspond à la courbe de Poisson théorique ou si elle s'en écarte nettement, et dans quel sens (plus étalée, plus concentrée ou asymétrique différemment de ce qui est attendu).
  • Bar Chart of Each Category Contribution to the Chi-Square Value Lorsque cette option est activée, affiche un diagramme à barres montrant dans quelle mesure chaque valeur de comptage contribue à la statistique globale du test du khi-deux. Les barres les plus hautes représentent les valeurs de comptage qui s'écartent le plus des attentes de Poisson — ce qui vous aide à identifier précisément où la distribution s'écarte du modèle, plutôt que de savoir seulement que l'ajustement global est mauvais. C'est particulièrement utile pour diagnostiquer si une surdispersion, une sous-dispersion ou un comptage inhabituel précis est à l'origine du résultat.
  • Display Bars from Largest to Smallest Lorsque cette option est activée, trie les barres du diagramme des contributions par ordre décroissant , de la plus grande contribution à la plus petite. Cela permet d'identifier immédiatement les valeurs de comptage les plus responsables de tout écart par rapport à la distribution de Poisson — en concentrant l'attention d'abord sur les écarts les plus importants, plutôt que de lire les barres dans l'ordre séquentiel des comptages.
  • Display Test Results Lorsque cette option est activée, affiche les résultats complets du test — dont la statistique du khi-deux, les degrés de liberté, la moyenne de Poisson estimée (lambda) et la valeur p — directement à côté du graphique. Cela permet de voir ensemble les résultats visuels et chiffrés, et de faciliter l'interprétation de la conclusion globale sans passer d'un panneau de résultats à l'autre.

Questions fréquentes

Qu'est-ce qu'un test d'ajustement de Poisson ?

Un test d'ajustement de Poisson détermine si des données de comptage suivent une distribution de Poisson, qui décrit la fréquence d'un événement rare dans un intervalle fixe de temps, de surface, de volume ou d'opportunités. Un bon ajustement appuie la conclusion que les événements surviennent de façon aléatoire et indépendante, à un taux moyen constant, comme des défauts par unité ou des pannes par mois.

Quand utiliser un test d'ajustement de Poisson ?

Utilisez-le lorsque les données sont des comptages d'événements et non des mesures, et que vous voulez valider l'hypothèse de Poisson avant d'appliquer des cartes C, des cartes U ou une régression de Poisson. Il sert aussi à diagnostiquer une surdispersion : si les données échouent nettement à l'ajustement de Poisson, la variance dépasse la moyenne, ce qui suggère des sources de variation supplémentaires qu'une carte C ou U standard ne verrait pas.

Comment interpréter la valeur p du test d'ajustement de Poisson ?

Une valeur p inférieure à 0.05 indique que les données ne s'ajustent pas à la distribution de Poisson ; cherchez donc si la surdispersion, des regroupements ou des taux changeants en sont la cause. Les résultats donnent la statistique du khi-deux, les degrés de liberté, la moyenne de Poisson estimée (lambda) et la valeur p, et le diagramme de la contribution de chaque catégorie au khi-deux montre quelles valeurs de comptage s'écartent le plus des attentes de Poisson.

Que faire si des données de comptage ne s'ajustent pas à une distribution de Poisson ?

Si les données échouent à l'ajustement de Poisson à cause d'une surdispersion, envisagez une distribution binomiale négative ou les cartes U' ou P' de Laney. Si les événements ne sont pas rares, envisagez un test de distribution binomiale. Vérifiez aussi que les fréquences attendues de chaque catégorie de comptage sont d'au moins 1 à 5, en regroupant les catégories à faibles effectifs si nécessaire pour un test fiable.