Sélectionner les options de l'analyse pour Puissance et effectif de l'échantillon pour un test de Poisson à 1 échantillon

Sélectionnez l'hypothèse alternative ou indiquez le seuil de signification pour le test.

Hypothèse alternative

Dans Hypothèse alternative, sélectionnez l'hypothèse à tester :

• Inférieur: Utilisez ce test unilatéral pour déterminer si le taux d'occurrence de la population est inférieur au taux hypothétisé. Ce test unilatéral est plus puissant, mais il ne peut pas détecter si le taux de la population est supérieur.

  Par exemple, un analyste utilise ce test unilatéral pour déterminer si le taux de téléviseurs rendus par les clients est inférieur à 3 par mois. Ce test unilatéral est plus puissant pour déterminer si le taux est inférieur à 3, mais il ne peut pas détecter si le taux est supérieur à 3.

• Différent: Utilisez ce test bilatéral pour déterminer si le taux de la population diffère du taux hypothétisé. Ce test bilatéral peut détecter des différences inférieures ou supérieures à la valeur hypothétisée, mais il est moins puissant qu'un test unilatéral.

  Par exemple, un analyste teste si le taux de problèmes de maintenance d'un type d'avion diffère de la valeur cible de 0,2 par jour. Toute différence par rapport à la valeur cible étant importante, l'analyste teste si la différence est supérieure ou inférieure à la valeur cible.

• Supérieur: Utilisez ce test unilatéral pour déterminer si le taux d'occurrence de la population est supérieur au taux hypothétisé. Ce test unilatéral est plus puissant, mais il ne peut pas détecter si le taux d'occurrence de la population est inférieur au taux hypothétisé.

  Par exemple, le responsable d'un centre d'appels utilise ce test unilatéral pour déterminer si le nombre d'appels par jour est supérieur à 1 000. Ce test unilatéral est plus puissant pour déterminer si le nombre est supérieur à 1 000, mais il ne peut pas déterminer s'il est inférieur à 1 000.

Pour plus d'informations sur le choix d'une hypothèse alternative unilatérale ou bilatérale, reportez-vous à la rubrique A propos des hypothèses nulle et alternative.

Seuil de signification

Le seuil de signification permet de minimiser la valeur de puissance du test lorsque l'hypothèse nulle (H₀) est vraie. Des valeurs plus élevées du seuil de signification donnent au test davantage de puissance, mais augmentent également les chances de faire une erreur de type I, c'est-à-dire de rejeter à tort l'hypothèse nulle alors qu'elle est vraie.

En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 implique un risque de 5 % de déterminer qu'une différence existe alors qu'il n'en existe aucune. Il indique également que la puissance du test est de 0,05 lorsqu'il n'existe aucune différence.

• Choisissez un seuil de signification plus important, tel que 0,10, pour vous assurer de détecter toutes les différences qui puissent exister. Par exemple, un ingénieur qualité compare la stabilité de nouveaux roulements à billes à celle des roulements existants. Il doit s'assurer que les nouveaux roulements à billes sont absolument stables car, si ce n'est pas le cas, ils pourraient provoquer une catastrophe. Par conséquent, l'ingénieur choisit un seuil de signification de 0,10 afin d'augmenter sa certitude de détection de toute différence possible dans la stabilité des roulements à billes.
• Choisissez un seuil de signification moins important, tel que 0,01, pour vous assurer de détecter uniquement une différence existant réellement. Par exemple, un scientifique travaillant pour une entreprise pharmaceutique doit être certain que l'affirmation selon laquelle le nouveau médicament de l'entreprise réduit significativement les symptômes est vraie. Il choisit un seuil de signification de 0,01 afin d'augmenter sa certitude qu'il n'existe aucune différence significative dans les symptômes.

"Longueur" de l’observation (temps, éléments, aire, volume, etc.)

Entrez une valeur pour diviser le taux d'occurrence de l'échantillon en un format plus utile (taux d'occurrence de l'échantillon ÷ longueur d'observation). Par exemple, un fabricant enregistre les défauts de façon trimestrielle, mais il a besoin de les convertir en un taux de défauts mensuel pour ses rapports. Un analyste entre 3 pour diviser le taux trimestriel par 3 et déterminer le taux de défauts mensuel.