Interprétation des résultats principaux pour la fonction Test d'ajustement de Poisson

Suivez la procédure ci-dessous pour interpréter un test d'ajustement de Poisson. Les résultats principaux comprennent la valeur de p et plusieurs graphiques.

Etape 1 : Déterminer si les données ne respectent pas la loi de Poisson

Pour déterminer si les données ne suivent pas une loi de Poisson, comparez la valeur de p à votre seuil de signification (α). En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique un risque de 5 % de conclure que les données ne suivent pas une loi de Poisson alors qu'elles la suivent.
Valeur de p ≤ α : les données ne suivent pas une loi de Poisson (Rejeter H0)
Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez rejeter l'hypothèse nulle et en conclure que vos données ne suivent pas une loi de Poisson.
Valeur de p > α : vous ne pouvez pas conclure que les données ne suivent pas une loi de Poisson (Impossible de rejeter H0)
Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas rejeter l'hypothèse nulle, car vous n'êtes pas en mesure de conclure que les données ne suivent pas une loi de Poisson.

Test d'adéquation de l'ajustement pour Poisson : Défauts

Méthode Effectifs dans Observé
Statistiques descriptives N Moyenne 300 0,536667 Dénombrements observés et attendus pour Défauts Probabilité Dénombrement Dénombrement Contribution Défauts de Poisson observé attendu au Khi deux 0 0,584694 213 175,408 8,056 1 0,313786 41 94,136 29,993 2 0,084199 18 25,260 2,086 >=3 0,017321 28 5,196 100,072
Test du Khi deux Hypothèse nulle H₀ : les données suivent une loi de Poisson Hypothèse alternative H₁ : les données ne suivent pas une loi de Poisson
Valeur DL Khi deux de P 2 140,208 0,000
Résultat principal : valeur de p

Dans ces résultats, l'hypothèse nulle indique que les données suivent la loi de Poisson. La valeur de p étant de 0,000, ce qui est inférieur à 0,05, il faut rejeter l'hypothèse nulle. Vous pouvez conclure que les données ne respectent pas la loi de Poisson.

Etape 2 : Examiner la différence entre les valeurs observées et attendues pour chaque catégorie

Utilisez une carte barre de valeurs observées et attendues pour déterminer, pour chaque catégorie, si le nombre de valeurs observées est différent du nombre de valeurs attendues. Des différences importantes entre les valeurs observées et attendues indiquent que les données ne suivent pas une distribution de Poisson.

Cette carte barre indique que les valeurs observées pour 0 défaut, 1 défaut et plus de 3 défauts sont différentes des valeurs attendues. Ainsi, la carte barre confirme visuellement ce qui est indiqué par la valeur de p, à savoir que les données ne suivent pas une loi Poisson.

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique