Test de normalité

Vérifie si un échantillon est compatible avec une distribution normale à l’aide des tests de Shapiro–Wilk, Kolmogorov–Smirnov (y compris la correction de Lilliefors) et Anderson–Darling, et génère également un histogramme et un graphique Q–Q.

Cette page existe grâce aux efforts des personnes suivantes :

Timur

Timur

Créé: 2026-11-21 08:53:42, Dernière mise à jour: 2026-11-21 08:53:42

Cette calculatrice en ligne vérifie si un échantillon est compatible avec une distribution normale. Elle calcule les tests de Shapiro–Wilk, Kolmogorov–Smirnov (y compris la correction de Lilliefors) et Anderson–Darling, et produit également un histogramme avec une courbe normale ainsi qu’un graphique Q–Q normal.

Vous trouverez les formules et quelques explications théoriques sous la calculatrice.

PLANETCALC, Test de normalité

Test de normalité

Nombres séparés par des virgules, des points-virgules, des espaces ou des sauts de ligne. Le séparateur décimal est le point.
Si la valeur p est inférieure à α, l’hypothèse de normalité est rejetée.
Lorsque les paramètres sont estimés à partir de l’échantillon, la correction de Lilliefors est utilisée.
Moyenne a priori utilisée uniquement pour le test classique de Kolmogorov–Smirnov.
Écart-type, et non variance ; doit être strictement positif.
Taille de l’échantillon n
 
Moyenne empirique x̄
 
Écart-type empirique s
 
Estimation de σ par maximum de vraisemblance
 
Chiffres après la virgule décimale : 6
Conclusion
 
Le fichier est très volumineux; un ralentissement du navigateur peut se produire pendant le chargement et la création.
Histogramme et densité normale
Le fichier est très volumineux; un ralentissement du navigateur peut se produire pendant le chargement et la création.
Graphique Q–Q normal
Le fichier est très volumineux; un ralentissement du navigateur peut se produire pendant le chargement et la création.

Ce qui est testé exactement

La distribution normale (loi normale, distribution gaussienne) est une distribution continue dont la densité est

f(x)=\frac{1}{\sigma\sqrt{2\pi}}\exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right),

où \mu est la moyenne, \sigma est l’écart-type et \sigma>0. Sa représentation graphique est une courbe en cloche symétrique centrée sur \mu. Une calculatrice distincte pour la densité et la fonction de répartition de la loi normale est disponible ici : Distribution normale.

Supposons que nous pesions vingt fois le même poids d’étalonnage. Les indications de la balance varient légèrement : 999,8 g, 1000,1 g, 1000,0 g, etc. Nous pouvons supposer que l’erreur aléatoire de la balance suit une loi normale. Mais vingt nombres ne révèlent pas la distribution elle-même : ils permettent seulement de mesurer dans quelle mesure les observations la contredisent.

Nous formulons donc l’hypothèse nulle H_0 : l’échantillon provient d’une distribution normale. L’hypothèse alternative H_1 affirme le contraire. Pour le test classique de Kolmogorov–Smirnov avec paramètres spécifiés, l’hypothèse est plus étroite : elle concerne la distribution particulière N(\mu_0,\sigma_0^2), et non une loi normale quelconque.

Chaque test produit une statistique et une valeur p. Autrement dit, la valeur p est la probabilité, si H_0 est vraie, d’obtenir un écart à la normalité au moins aussi important que celui observé dans notre échantillon. Ce n’est pas la probabilité que l’hypothèse de normalité soit vraie.

Mais comment obtenir une probabilité à partir d’un seul nombre, la statistique du test ? Il faut connaître la distribution nulle de la statistique, c’est-à-dire la distribution des valeurs qu’elle prendrait si H_0 était vraie. Imaginez que nous tirions de nombreux nouveaux échantillons de même taille n dans une loi normale et que nous recalculions la statistique à chaque fois. Nous déterminons ensuite la proportion de valeurs qui contredisent la normalité au moins aussi fortement que celle de notre échantillon. Cette proportion est la valeur p.

Le sens de l’inégalité dépend du test : les petites valeurs de W sont suspectes pour Shapiro–Wilk, tandis que les grandes valeurs de D et A^2 le sont pour Kolmogorov–Smirnov et Anderson–Darling. Nous ne pouvons donc pas simplement prendre l’aire située à droite de chaque statistique sous une courbe normale ordinaire. Chaque statistique possède sa propre distribution nulle, qui dépend de n ; pour Kolmogorov–Smirnov, elle dépend aussi du fait que les paramètres ont été estimés ou non à partir de l’échantillon. En pratique, la calculatrice ne simule pas des milliers d’échantillons : elle utilise des formules exactes lorsqu’elles existent et des approximations publiées des distributions nulles lorsque le calcul exact est trop difficile. La méthode d’obtention de la valeur p est indiquée ci-dessous pour chaque test.

La valeur p est ensuite comparée au seuil de signification \alpha choisi :

  1. Si p<\alpha, l’hypothèse de normalité est rejetée. Dans les conditions choisies, l’écart est trop important pour être considéré comme une fluctuation aléatoire plausible.
  2. Si p\geq\alpha, l’hypothèse de normalité n’est pas rejetée. Elle n’est cependant pas prouvée : un écart peut exister et l’échantillon peut simplement être trop petit pour le détecter.

Qu’est-ce que cela signifie en pratique ? Si p=0{,}03 et \alpha=0{,}05, la normalité est rejetée. Si p=0{,}91, cela ne signifie pas que la probabilité de normalité est de 91 %. Cela signifie seulement que des écarts de cette ampleur, ou plus importants, sont assez fréquents lorsque l’hypothèse nulle est vraie.

Moyenne empirique et deux écarts-types

Pour un échantillon x_1,\ldots,x_n, la calculatrice calcule la moyenne empirique

\bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i

et l’écart-type empirique corrigé

s=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2},

où n est la taille de l’échantillon. Le diviseur n-1 est utilisé dans les tests de Lilliefors et d’Anderson–Darling.

Pour tracer la courbe normale sur l’histogramme, la calculatrice utilise l’estimation du maximum de vraisemblance de \sigma :

\hat{\sigma}=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})^2}.

Ainsi, s et \hat{\sigma} diffèrent par leurs diviseurs : n-1 et n. La calculatrice affiche les deux valeurs. Pour de grands n, la différence disparaît presque, mais pour les petits échantillons, mieux vaut ne pas la balayer sous le tapis.

Test de Shapiro–Wilk

Le test de Shapiro–Wilk est spécialement conçu pour tester la normalité. Les valeurs de l’échantillon sont d’abord ordonnées : x_{(1)}\leq x_{(2)}\leq\ldots\leq x_{(n)}. La statistique suivante est ensuite calculée1

W=\frac{\left(\sum_{i=1}^{n}a_i x_{(i)}\right)^2}{\sum_{i=1}^{n}(x_i-\bar{x})^2},

où x_{(i)} sont les valeurs ordonnées, \bar{x} est la moyenne empirique et a_i sont des coefficients qui dépendent de la taille de l’échantillon et sont obtenus à partir des propriétés des statistiques d’ordre d’une loi normale.

Le numérateur compare l’échantillon ordonné au schéma attendu pour des données normales, tandis que le dénominateur mesure sa dispersion globale. Les valeurs de W sont comprises entre zéro et un ; les petites valeurs de W indiquent un écart à la normalité. La décision ne repose cependant pas sur un seuil arbitraire du type « W>0{,}9 signifie normal », mais sur la valeur p.

Comme les écarts à la normalité correspondent à de petites valeurs de W, la valeur p est ici la queue gauche de la distribution nulle :

p=P(W\leq W_{\mathrm{obs}}\mid H_0),

où W_{\mathrm{obs}} est la valeur calculée pour notre échantillon. Par exemple, p=0{,}01 signifie que, si H_0 est vraie, seulement 1 % des échantillons de même taille produiront une valeur de W aussi petite ou plus petite.

La calculatrice applique ce test lorsque 3\leq n\leq5000. La distribution nulle exacte de W est très complexe ; l’approximation de Royston est donc utilisée : 1-W est transformé à l’aide d’un logarithme et de coefficients dépendant de n vers une échelle normale, qui sert ensuite à calculer la probabilité de la queue gauche.2 Pour n>5000, la ligne du test affiche un tiret, tandis que les autres vérifications continuent de fonctionner.

Test de Kolmogorov–Smirnov et correction de Lilliefors

La fonction de répartition empirique est la proportion d’observations ne dépassant pas x :

F_n(x)=\frac{1}{n}\sum_{i=1}^{n}I(x_i\leq x),

où I(x_i\leq x) vaut un si la condition est remplie et zéro sinon, et n est la taille de l’échantillon.

Le test de Kolmogorov–Smirnov (KS) compare la fonction empirique F_n(x) à la fonction de répartition normale théorique F(x) :

D=\sup_x\left|F_n(x)-F(x)\right|.

Ici, D est la plus grande distance verticale entre les deux fonctions de répartition, et \sup signifie que le maximum est pris sur toutes les valeurs possibles de x. Plus D est grand, plus l’écart est important.

Et voici une nuance importante. D’où viennent la moyenne et l’écart-type utilisés pour F(x) ?

  1. Les paramètres sont connus à l’avance. Les valeurs spécifiées \mu_0 et \sigma_0 sont utilisées : il s’agit du test classique de Kolmogorov–Smirnov. Par exemple, les spécifications techniques d’un instrument peuvent exiger une erreur de moyenne 0 et d’écart-type 0,1 g. Nous testons ce modèle précis, sans l’ajuster à de nouvelles mesures. Pour n\leq100, la calculatrice utilise une valeur p exacte ; pour les échantillons plus grands, des approximations numériques.
  2. Les paramètres sont estimés à partir du même échantillon. À la place de \mu_0 et \sigma_0, nous utilisons \bar{x} et s. Dans ce cas, le test de Lilliefors s’applique. La statistique D reste identique, mais sa distribution sous l’hypothèse nulle est différente, et la valeur p l’est donc également.3 La valeur p ordinaire de Kolmogorov–Smirnov ne doit pas être utilisée après l’ajustement des paramètres : ce calcul serait trop indulgent envers les données.

Dans les deux versions, les grandes valeurs de D sont suspectes ; on utilise donc la queue droite de la distribution nulle :

p=P(D\geq D_{\mathrm{obs}}\mid H_0),

où D_{\mathrm{obs}} est l’écart maximal observé entre les fonctions de répartition. Mais les distributions nulles sont différentes. Dans le test classique, les paramètres \mu_0 et \sigma_0 sont fixés. Dans le test de Lilliefors, les paramètres sont réestimés pour chaque échantillon normal hypothétique, et la distance D est généralement plus petite, car la courbe est ajustée précisément à cet échantillon. Une même valeur numérique de D peut donc produire des valeurs p différentes dans les deux modes.

Autrement dit, la correction de Lilliefors ne modifie pas le nombre D lui-même, mais la façon d’obtenir une décision à partir de ce nombre. Dans la calculatrice, le test de Lilliefors est calculé pour n\geq5 ; sa queue droite et sa valeur p sont obtenues à l’aide d’approximations analytiques.

Test d’Anderson–Darling

Le test d’Anderson–Darling compare également un échantillon à une distribution théorique, mais accorde plus de poids à ses queues. Pour une loi normale dont la moyenne et l’écart-type sont estimés à partir de l’échantillon, la statistique est

A^2=-n-\frac{1}{n}\sum_{i=1}^{n}(2i-1)\left[\ln F(x_{(i)})+\ln\left(1-F(x_{(n+1-i)})\right)\right],

où x_{(i)} sont les valeurs ordonnées, F est la fonction de répartition normale de paramètres \bar{x} et s, et n est la taille de l’échantillon.

Avant de calculer la valeur p, la statistique est corrigée en fonction de la taille de l’échantillon :

A^{2*}=A^2\left(1+\frac{0{,}75}{n}+\frac{2{,}25}{n^2}\right).

La calculatrice affiche la valeur originale de A^2 dans le tableau, mais obtient la valeur p à partir de la statistique corrigée. Les grandes valeurs de A^{2*} plaident contre la normalité ; la queue droite est donc à nouveau nécessaire :

p=P(A^{2*}\geq A^{2*}_{\mathrm{obs}}\mid H_0).

La distribution nulle de A^{2*} n’est pas normale. On utilise l’approximation par morceaux de Stephens : selon l’intervalle contenant A^{2*}_{\mathrm{obs}}, l’une des cinq formules approche la probabilité recherchée.4 Le test est calculé pour n\geq8.

Histogramme avec courbe normale

Un histogramme montre comment les observations sont réparties entre les intervalles. La calculatrice le représente en unités de densité : la hauteur d’une barre est

\frac{k}{nh},

où k est le nombre d’observations dans l’intervalle, n est la taille de l’échantillon et h est la largeur de l’intervalle. L’aire de chaque barre est donc égale à la proportion d’observations qu’elle contient, et l’aire totale de l’histogramme vaut un. Cela permet de superposer la densité de la loi normale N(\bar{x},\hat{\sigma}^2) : les deux grandeurs utilisent la même échelle.

Prenons un exemple. Si 4 mesures sur 20 tombent dans un intervalle de 0,4 g de large, la hauteur de la barre est 4/(20\cdot0{,}4)=0{,}5. Son aire est 0{,}5\cdot0{,}4=0{,}2, donc l’intervalle contient 20 % de l’échantillon.

La largeur des intervalles est choisie automatiquement selon la règle de Freedman–Diaconis :

h=\frac{2\,IQR}{n^{1/3}},\qquad IQR=Q_3-Q_1,

où IQR est l’écart interquartile, et Q_1 et Q_3 sont les premier et troisième quartiles de l’échantillon. Si cette largeur ne peut pas être obtenue, par exemple lorsque l’écart interquartile est nul, le nombre d’intervalles est choisi comme \lceil\sqrt{n}\rceil.5

Que faut-il observer ? Une asymétrie marquée, plusieurs pics distincts, de grands vides et des valeurs aberrantes. Mais n’exigez pas une cloche parfaite : un petit échantillon issu d’une loi strictement normale peut produire un histogramme assez tortueux. Le hasard a aussi droit à quelques irrégularités.

Graphique Q–Q normal

Un graphique Q–Q (graphique quantile-quantile) compare les quantiles de l’échantillon aux quantiles d’une distribution théorique. Pour un graphique Q–Q normal, la calculatrice représente les points

\left(\Phi^{-1}(p_i),\;x_{(i)}\right),\qquad p_i=\frac{i-0{,}375}{n+0{,}25},\qquad i=1,\ldots,n,

où \Phi^{-1} est l’inverse de la fonction de répartition normale standard et x_{(i)} est l’échantillon ordonné. Les probabilités p_i sont appelées positions de tracé (plotting positions) : elles indiquent quel quantile théorique associer à la i-ème plus petite observation.

Cette formule est la règle proposée par le statisticien suédois Gunnar Blom.6 Pourquoi ces étranges nombres 0,375 et 0,25 ? Le choix le plus simple, p_i=i/n, donnerait p_n=1 pour la dernière observation, et le quantile normal correspondant \Phi^{-1}(1) serait infini : un tel point ne peut pas être représenté. Les positions de Blom restent à l’écart de zéro et de un, sont symétriques par rapport à 1/2 et approchent bien les positions attendues des statistiques d’ordre d’un échantillon normal.

Par exemple, pour n=4, on obtient p_1\approx0{,}147, p_2\approx0{,}382, p_3\approx0{,}618 et p_4\approx0{,}853. Le minimum est donc associé approximativement au quantile de 14,7 % et le maximum à celui de 85,3 %, et non à un point infini à l’extrémité de la distribution.

La droite de référence passe par les premier et troisième quartiles correspondants des quantiles théoriques et empiriques. Ce choix est plus robuste aux valeurs aberrantes qu’une droite fondée uniquement sur la moyenne et l’écart-type.

Comment lire le graphique :

  1. Points proches de la droite — aucune contradiction visuelle sérieuse avec la normalité. Une concordance exacte n’est bien sûr pas nécessaire.
  2. Courbure régulière — la distribution peut être asymétrique.
  3. Écart en forme de S — les queues de l’échantillon diffèrent des queues normales : elles sont plus épaisses ou plus minces.
  4. Points isolés loin de l’ensemble — valeurs aberrantes possibles.
  5. Marches — les données contiennent de nombreuses valeurs répétées ou la grandeur est discrète par nature.

Le graphique Q–Q est particulièrement utile lorsqu’un histogramme dépend du choix des intervalles. Il ne remplace pas les tests, mais aide à comprendre comment exactement les données diffèrent de données normales.

Exemple de calcul

Conservons les 20 valeurs par défaut de la calculatrice : des mesures hypothétiques d’une grandeur proche de 5. Choisissons \alpha=0{,}05 et le mode qui estime les paramètres à partir de l’échantillon. Nous obtenons les résultats suivants :

Test Statistique Valeur p Décision
Shapiro–Wilk W=0{,}978405 0.911875 La normalité n’est pas rejetée
Lilliefors D=0{,}102608 0.840087 La normalité n’est pas rejetée
Anderson–Darling A^2=0{,}216283 0.819790 La normalité n’est pas rejetée

Toutes les valeurs p sont nettement supérieures à 0,05. Ces données ne donnent donc aucune raison de rejeter la normalité. Cela ne revient pas à affirmer que les nombres sont nécessairement normaux. Les valeurs par défaut peuvent être supprimées ; elles servent uniquement d’illustration.

Que faire si un test rejette la normalité et les deux autres non ? Ce n’est pas une raison pour organiser un vote à deux contre un. Les tests diffèrent par leur sensibilité à l’asymétrie, aux queues et aux autres écarts ; leurs restrictions sur la taille de l’échantillon sont également différentes. Examinez le graphique Q–Q, l’histogramme et la nature des données. La ligne de synthèse de la calculatrice indique seulement si au moins un test applicable rejette la normalité ; il s’agit d’un résumé des résultats, et non d’un quatrième test doté de sa propre valeur p.

Conditions d’application

  1. Les observations doivent être indépendantes. Si chaque mesure dépend de la précédente, les valeurs p ordinaires peuvent être trompeuses. Pour les séries temporelles, leur structure doit d’abord être prise en compte.
  2. La taille de l’échantillon est importante. Avec un petit n, un test peut ne pas détecter un écart réel à la normalité. Avec un très grand n, il peut rejeter la normalité à cause d’un écart pratiquement insignifiant pour votre problème. Examinez donc les valeurs p avec les graphiques et le bon sens.
  3. Les tests ont des limites numériques. Dans cette calculatrice, Shapiro–Wilk s’applique pour 3\leq n\leq5000, Lilliefors pour n\geq5 et Anderson–Darling pour n\geq8. Le test classique de Kolmogorov–Smirnov exige que \mu_0 et \sigma_0>0 soient spécifiés à l’avance. Certaines valeurs p sont calculées à l’aide d’approximations, comme l’indiquent les remarques du tableau de résultats.
  4. Les valeurs identiques ne conviennent pas. Si tout l’échantillon est constitué d’un même nombre répété, l’écart-type est nul et aucune loi normale ajustée n’existe. La calculatrice signale alors une erreur.
  5. Ne supprimez pas les valeurs aberrantes uniquement pour obtenir une belle valeur p. Vérifiez d’abord s’il s’agit d’une erreur de mesure ou de saisie. Si l’observation est réelle, sa suppression modifie le problème initial.
  6. Le rejet de la normalité n’est pas la fin de l’analyse. Une transformation des données, un autre modèle de distribution ou des méthodes non paramétriques peuvent aider. Pour estimer une moyenne avec un grand échantillon, le théorème central limite est souvent utile. Son lien avec les intervalles de confiance est présenté dans l’article Construction d’intervalles de confiance.

  1. NIST/SEMATECH. e-Handbook of Statistical Methods. Section « Anderson-Darling and Shapiro-Wilk tests ». NIST ↩

  2. Royston P. Remark AS R94: A Remark on Algorithm AS 181: The W-test for Normality. Applied Statistics, 1995, vol. 44, pp. 547–551. DOI ↩

  3. Dallal G. E., Wilkinson L. An Analytic Approximation to the Distribution of Lilliefors’ Test Statistic for Normality. The American Statistician, 1986, vol. 40, pp. 294–296. DOI ↩

  4. Stephens M. A. EDF Statistics for Goodness of Fit and Some Comparisons. Journal of the American Statistical Association, 1974, vol. 69, pp. 730–737. DOI ↩

  5. Freedman D., Diaconis P. On the Histogram as a Density Estimator: L^2 Theory. Zeitschrift für Wahrscheinlichkeitstheorie und Verwandte Gebiete, 1981, vol. 57, pp. 453–476. DOI ↩

  6. Blom G. Statistical Estimates and Transformed Beta-Variables. New York: John Wiley & Sons, 1958. ↩

URL copiée dans le presse-papiers
PLANETCALC, Test de normalité

commentaires