Graphique de distribution de probabilité
Le graphique de distribution de probabilité trace la courbe de densité, de masse ou de répartition d'une distribution théorique à partir de paramètres saisis, sans données. Il couvre douze distributions, dont la normale, t, khi-deux, F, de Weibull, log-normale, binomiale et de Poisson. Utilisez-le pour voir la forme d'une distribution, expliquer un plan d'échantillonnage ou une statistique de test, ou lire des probabilités. Les distributions continues apparaissent en courbes ; la binomiale et celle de Poisson en barres.
Dernière révision
Point clé
Un graphique de distribution de probabilité trace la courbe de densité (ou de masse) ou de répartition d'une distribution théorique, comme la normale, de Weibull ou binomiale, à partir des paramètres saisis, sans aucune donnée.
Sur cette page
Objectif
Le graphique de distribution de probabilité trace la courbe d'une distribution théorique pour les paramètres que vous saisissez : sa densité de probabilité (ou, pour des comptages, sa masse de probabilité) ou sa fonction de répartition. Aucune donnée n'est nécessaire. Utilisez-le pour voir à quoi ressemble une distribution avant de l'utiliser, pour expliquer un plan d'échantillonnage ou une statistique de test, ou pour lire la probabilité d'un comptage ou d'une mesure sous un modèle supposé, par exemple le nombre d'unités défectueuses dans un échantillon de 50 lorsque le procédé produit 4 % de défectueux.
Principales fonctionnalités
- Douze distributions : normale, t de Student, khi-deux, F, exponentielle, de Weibull, log-normale, uniforme, gamma, bêta, binomiale et de Poisson.
- Fonction de densité/masse de probabilité ou fonction de répartition.
- Distributions continues tracées en courbe lisse (la densité est ombrée) ; binomiale et de Poisson tracées en barres à chaque nombre entier.
- L'étendue horizontale est choisie automatiquement pour couvrir la distribution du 0.05e au 99.95e centile.
- Titre généré à partir de la distribution et de la courbe, ou votre propre titre.
Méthodes statistiques
L'outil construit la distribution choisie à partir des paramètres et l'évalue avec des formules standard. Les paramètres sont les suivants : normale — Parameter 1 = moyenne, Parameter 2 = écart-type ; t de Student et khi-deux — degrés de liberté ; F — degrés de liberté du numérateur et du dénominateur ; exponentielle — échelle (la moyenne) ; Weibull et gamma — forme et échelle ; log-normale — position et forme, c'est-à-dire la moyenne et l'écart-type de ln(X) ; uniforme — bornes inférieure et supérieure ; bêta — les deux paramètres de forme α et β ; binomiale — nombre d'essais n et probabilité de l'événement p ; Poisson — moyenne λ. Les distributions à un seul paramètre n'utilisent que Parameter 1.
Pour une distribution continue, la courbe est évaluée en 500 points régulièrement espacés entre ses 0.05e et 99.95e centiles. Pour la binomiale et celle de Poisson, elle est évaluée à chaque nombre entier de cette plage : la masse de probabilité P(X = k) donne la hauteur de chaque barre, et la fonction de répartition P(X ≤ k) donne la hauteur de chaque barre dans le graphique de la CDF. Pour une densité, l'aire sous la courbe sur un intervalle est la probabilité de tomber dans cet intervalle ; la CDF donne directement cette probabilité comme différence de deux hauteurs.
Champs de saisie et options
Champ | Description |
Distribution | Obligatoire. Normal, Student's t, Chi-Square, F, Exponential, Weibull, Lognormal, Uniform, Gamma, Beta, Binomial ou Poisson. |
Parameter 1 | La signification dépend de la distribution : p. ex. la moyenne pour Normal, les degrés de liberté pour t et Chi-Square, la forme pour Weibull et Gamma, le nombre d'essais pour Binomial, la moyenne pour Poisson. |
Parameter 2 | Utilisé seulement par les distributions à deux paramètres : p. ex. l'écart-type pour Normal, l'échelle pour Weibull et Gamma, la probabilité de l'événement pour Binomial. |
Plot | Probability density/mass function (par défaut) ou Cumulative distribution function. |
Title | Facultatif. Par défaut, un titre généré à partir de la distribution et de la courbe choisies. |

Figure 1 — Options de l'exemple : distribution binomiale avec 50 essais et une probabilité d'événement de 0.04.
Description des résultats
- <Distribution> Distribution — Probability Density : la courbe de densité (axe intitulé Probability density) ; pour Binomial et Poisson, <Distribution> Distribution — Probability Mass, avec la probabilité de chaque comptage sous forme de barres (axe intitulé Probability).
- <Distribution> Distribution — Cumulative Distribution : la probabilité cumulée P(X ≤ x).
- Export PDF via Download.

Figure 2 — Probabilité de 0 à 8 unités défectueuses dans un échantillon de 50 lorsque le procédé produit 4 % de défectueux (binomiale, n = 50, p = 0.04).

Figure 3 — La même distribution avec Plot = Cumulative distribution function : P(X ≤ k) pour k = 0 à 8.
Exemple résolu
Le procédé d'un fournisseur produit environ 4 % de défectueux. Le contrôle à réception prélève un échantillon de 50 pièces dans chaque lot, et l'ingénieur qualité veut savoir combien de défectueux attendre et à quelle fréquence un lot issu de ce procédé en montrerait 3 ou plus. Distribution = Binomial, Parameter 1 = 50 (essais), Parameter 2 = 0.04 (probabilité de l'événement), Plot = Probability density/mass function.
Les barres vont de 0 à 8 défectueux. Les comptages les plus probables sont 1 (probabilité 0.271) et 2 (0.276), conformément à la moyenne n·p = 2. Un échantillon sans aucun défectueux survient 13.0 % du temps : un échantillon propre en dit donc peu sur une éventuelle amélioration du procédé. Passer Plot à Cumulative distribution function donne P(X ≤ 2) = 0.677 : 32.3 % des échantillons de ce procédé contiendraient 3 défectueux ou plus, et 13.9 % en contiendraient 4 ou plus.
Pour le plan de contrôle, cela signifie qu'un critère d'acceptation de 2 rejetterait environ un lot sur trois même lorsque le fournisseur est à son niveau normal de 4 %. Si de tels lots doivent généralement être acceptés, le critère d'acceptation doit être plus élevé ou le plan d'échantillonnage revu ; l'échantillonnage pour acceptation et les outils NQA/AQL permettent de le déterminer au regard des niveaux de qualité convenus.
Questions fréquentes
À quoi sert un graphique de distribution de probabilité ?
Il montre à quoi ressemble une distribution théorique pour des paramètres donnés, sans aucune donnée. Utilisez-le pour voir la forme d'une distribution avant de l'utiliser, pour expliquer un plan d'échantillonnage ou une statistique de test, ou pour lire la probabilité d'un comptage ou d'une mesure sous un modèle supposé, comme le nombre d'unités défectueuses dans un échantillon de 50 issu d'un procédé à 4 % de défectueux.
Quelles distributions un graphique de distribution de probabilité peut-il montrer ?
Douze : normale, t de Student, khi-deux, F, exponentielle, de Weibull, log-normale, uniforme, gamma, bêta, binomiale et de Poisson. Parameter 1 et Parameter 2 dépendent de la distribution, par exemple moyenne et écart-type pour la normale, forme et échelle pour Weibull et gamma, nombre d'essais et probabilité de l'événement pour la binomiale. Les distributions à un seul paramètre n'utilisent que Parameter 1.
Quelle est la différence entre les graphiques PDF et CDF ?
La fonction de densité (ou de masse) de probabilité montre la hauteur de la distribution en chaque valeur ; pour une densité, l'aire sous la courbe sur un intervalle est la probabilité de tomber dans cet intervalle, et pour la binomiale ou celle de Poisson, chaque barre est P(X = k). La fonction de répartition montre P(X inférieur ou égal à x) : une probabilité est donc une différence de deux hauteurs.
Comment lire un graphique de distribution binomiale ?
Dans un exemple résolu avec 50 essais et une probabilité d'événement de 0.04, les comptages les plus probables sont 1 (0.271) et 2 (0.276), conformément à la moyenne n fois p = 2, et zéro défectueux survient 13.0 % du temps. Le graphique cumulé donne P(X inférieur ou égal à 2) = 0.677 : 32.3 % des échantillons contiendraient donc 3 défectueux ou plus.
